- 博客(186)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 深度剖析图像增强代码：自定义SafeHorizontalFlip与SafePerspective类
""""""类继承自，其主要功能是在进行水平翻转时，调整关键点的顺序，确保原本位于左上角的关键点在翻转后仍处于左上角位置。这在一些对关键点位置有特定要求的任务中非常重要，比如目标检测、姿态估计等。"""类继承自，其主要功能是进行透视变换，同时确保所有关键点在变换后的图像中仍然可见。这在处理包含关键点标注的图像时，避免了因透视变换导致关键点超出图像范围而丢失信息的问题。通过对和这两个自定义图像增强类的深入剖析，我们了解了它们的实现原理和应用场景。
2025-04-03 19:10:47
6
原创 UVDoc 模型预训练、微调、使用以及效果对比
UVDoc 模型是一种基于深度学习的文档处理模型，旨在处理各种类型的文档，包括但不限于 PDF、Word 等。它结合了自然语言处理和计算机视觉的技术，能够理解文档中的文本内容和布局信息，从而实现更精准的文档分析。本文详细介绍了 UVDoc 模型的预训练、微调、使用方法，深入解析了其架构，并通过效果对比展示了其在文档处理任务中的优势。未来，我们可以进一步探索 UVDoc 模型的应用场景，如多语言文档处理、文档生成等，同时不断优化模型的架构和训练方法，提高其性能和效率。
2025-04-03 15:33:20
9
原创 Manus的技术实现原理浅析与简单复刻
最近Manus可谓是AI圈的“新晋网红”，上线第一天就全网“一码难求”，并且当天晚上就有团队开源了OpenManus项目，剧情跌宕起伏，充满了戏剧性~ 最近有幸实际体验到了Manus的运行效果，结合Manus实际运行的情况、OpenManus的开源代码，在加上网传的Prompt信息，我大致分析出了Manus的技术实现原理，并在后面做了一个简单版本的复刻，本文是参考网络上的信息再加个人理解，行文仓促，难免有疏漏，欢迎大家互相交流探讨~什么是Manus。
2025-03-21 12:37:50
67
原创 从零开始的DeepSeek微调训练实战（SFT）(5万字干货)
本文重点介绍使用微调框架unsloth，围绕DeepSeek R1 Distill 7B模型进行高效微调，并介绍用于推理大模型高效微调的COT数据集的创建和使用方法，并在一个medical-o1-reasoning-SFT数据集上完成高效微调实战，并最终达到问答风格优化&知识灌注目的。你能收获什么：亲手完成DeepSeek R1蒸馏模型的微调实战对模型微调、推理数据集等知识有一定了解对大模型运行的机制和原理有一定的了解有机会制作一个属于自己的定制化大模型。
2025-03-12 12:41:08
569
1
原创 万字长文讲透 RAG在实际落地场景中的优化
在过去两年中，检索增强生成（RAG，Retrieval-Augmented Generation）技术逐渐成为提升智能体的核心组成部分。通过结合检索与生成的双重能力，RAG能够引入外部知识，从而为大模型在复杂场景中的应用提供更多可能性。但是在实际落地场景中，往往会存在检索准确率低，噪音干扰多，召回完整性，专业性不够，导致LLM幻觉严重的问题。本次分享会聚焦RAG在实际落地场景中的知识加工和检索细节，如何去优化RAG Pineline链路，最终提升召回准确率。
2025-03-12 09:11:28
164
原创 拆解报告：SOAIY索爱GK9开放式耳机
此次将要拆解的SOAIY索爱GK9开放式耳机外观上非常的轻巧便携，功能配置上搭载了12mm动圈喇叭，支持三频数字增强技术，支持DT定向传音技术，提供清晰的音质效果；续航上，支持单次5小时，综合约32小时的音乐播放。包装盒背面介绍了产品的参数信息，产品型号：GK9，蓝牙版本：V5.4，输入：5V-450mAh，声压级：105±2dB SPL（A），深圳市索爱杰睿科技有限公司出品。索爱GK9耳机C型弯臂外部采用了硅胶材质，内部记忆钢丝，弯曲易变形，但具有一定的可塑性，可以自由弯曲到合适的夹角。
2025-03-11 12:55:20
233
原创 DBW - YOLO：一种适用于复杂环境的高精度合成孔径雷达（SAR）舰船检测方法
然而，由于它们对背景复杂性较为敏感，且对目标变化的适应性不足，随着雷达平台参数的多样性增加以及模型复杂度的提升，其检测效果较差。它以其高效的实时目标检测能力而闻名，具有快速的推理速度和较低的计算复杂度，这使其非常适合实时应用，并且在处理大型数据集时表现出色。然而，在处理近岸船舶时，卷积往往会提取大量的背景信息，从而影响网络识别船舶目标的能力。）对于文献中提出的方法，这些模型的特征提取网络无法生成纯净的船舶特征，使得它们容易受到周围环境的干扰，特别是对于纹理复杂或尺寸较小的目标，会导致检测精度下降；
2025-03-11 12:51:43
33
原创 金融长上下文基准测试FailSafeQA：解锁金融领域LLM真实的审慎性和容错性
模型的合规性和稳健性在不同查询类型（问答（QA）和文本生成（TG））上的对比，（左）在所有模型中，鲁棒性的下降在文本生成（TG）中比在问答（QA）任务中更为突出。对于所有模型，基于错误的文档（不相关的上下文）拒绝回答比处理空上下文（例如，由于文档上传失败）更容易。研究指出，文本生成任务（如博客撰写）比简单问答更容易引发幻觉，或许未来的解决之道在于“先提取信息，再生成内容”的分步策略。图1：FailSafeQA 的评估框架，展示了查询失败和上下文失败的六种测试场景，考验模型的稳健性和防幻觉能力。
2025-03-11 12:45:01
33
原创 QwQ-32B，支持Function Call的推理模型，构建深度思考Agent
QwQ在推理模型中集成了调用工具的能力，使其能够在使用工具的同时进行批判性思考，并根据反馈调整推理过程。本文介绍如何通过vLLM和SgLang结合QwQ-32B，搭建OpenAI格式的聊天API，并与外部函数结合来拓展模型的更多功能。模型部署：使用vLLM，SgLang和QwQ，通过设置参数，部署支持Function call的聊天API接口。如果我们向模型询问当前的天气情况，它将会反问，希望获取到进一步的更多的参数信息。一旦我们通过对话提供缺失的参数信息，模型就会为我们生成适当的函数参数。
2025-03-11 12:41:26
288
原创 语音识别模型 SenseVoice 模型架构解析
16kHz采样率的WAV音频，单样本建议≤50秒（支持长音频但需分段处理）。，包含多层Transformer与记忆增强自注意力机制。：80维对数梅尔滤波器组特征，通过帧堆叠和下采样（6倍压缩）处理时序数据。情感识别准确率在测试集上达到87.2%，超过专用SER模型3.5个百分点。该脚本会将音频路径与标注文本转换为模型可读的序列化格式。（逆文本规范化标记）为可训练参数。：需包含语音内容文本、情感标签（如。: 启用语音活动检测优化长音频处理。: 启用标点预测模块。: 解决显存不足问题。
2025-03-10 08:56:54
222
原创 腾讯开源HunyuanVideo-I2V图生视频模型+LoRA训练脚本，部署、推理实战教程
该模型基于HunyuanVideo文生视频基础模型，利用基础模型先进的视频生成能力，将应用扩展到图像到视频的生成任务。由于使用预训练的Decoder-Only架构多模态大语言模型（MLLM）作为文本编码器，可用于显著增强模型对输入图像语义内容的理解能力，并实现图像与文本描述信息的深度融合。该集成不仅提升了生成视频的保真度，还增强了模型对复杂多模态输入的解析能力。模型下载好后分别把模型挪到ComfyUI的对应目录，文件结构如下：。魔搭平台上可以下载到这三个模型，下载命令如下：。
2025-03-08 16:21:11
97
原创 拆解报告：AMOVAN NOVA Ring 1智能戒指
在目前的智能穿戴市场，搭载运动健康监测功能的消费电子产品，除了主流的智能手表、智能手环之外，智能戒指的关注度也在逐渐上升。并且相较于智能腕带类产品，智能戒指拥有着更加轻巧的体积，更无感的佩戴体验，以及紧密贴合手指的精准监测效果。包装盒背面贴有产品标签，型号：NOVA Ring Gen1，电池类型：锂离子聚合物电池，外壳材料：钛合金，工作温度：0~50℃，防水等级：IP68，功能：运动数据、睡眠数据、心率、血氧、心率变异性、压力等，同时标注了包装盒内部清单，产品尺寸和颜色信息。整机无凸点，佩戴也更舒适。
2025-03-08 15:48:49
48
原创 拆解报告：HUAWEI华为FreeBuds Pro 4真无线降噪耳机
在功能配置方面，搭载全新调教的超感知原声双单元、麒麟A2芯片，支持迭代升级的星闪连接核心技术，配合华为自研L2HC 4.0编解码技术，可实现2.3Mbps无损传输能力，获得了HWA Lossless及Hi-Res Wireless双高清音频认证；耳机接入了小艺智能体，可通过语音实现更便捷的操作体验；HUAWEI华为FreeBuds Pro 4真无线降噪耳机在外观方面，延续了该系列的经典商务风格，同时融入了陶瓷材质，“光谱银弦”设计，进一步提升了产品的精致度，再搭配曜石黑采用的黑金配色，极具质感和高级感。
2025-03-08 15:39:58
250
原创 拆解报告：HUAWEI华为Mate 70智能手机
HiSilicon海思Hi1105 Wi-Fi/BT/GNSS/FM/IR五合一解决方案，可支持2x2 Wi-Fi 6 160MHz，2.4G+5G DBDC，BT5.2/BT-UHD，GNSS L1+L5，FM，IR（红外），PCIE/SDIO接口，具备高集成、高性能、低功耗的优势。做了大量的防尘防水处理，提升日常使用的安全性。包装盒背面贴有产品标签，数字移动电话机，HUAWEI Mate 70，机身内存：12GB RAM+512GB ROM，颜色：曜石黑，型号：CLS-AL00，全网通版。
2025-03-08 14:48:55
580
原创 拆解报告：SHARGE闪极A1智能眼镜
产品名称：闪极 智能拍摄眼镜，产品型号：A1处理器：紫光展锐旗舰级AI处理器4核2.0GHz，内存：2GB，存储：32GB，相继：1600万像素，支持1080P 30fps视频拍摄，WLAN：WiFI 5，蓝牙：BT5.0，电池容量：450mAh，麦克风：阵列麦克风x3，扬声器：0920旗舰级扬声器x2，制造商：闪极科技（深圳）有限公司。作为3C数码领域的新锐品牌，闪极在2024年率先发布了旗下首款智能眼镜A1（闪极AI拍拍镜），凭借优惠的价格，丰富的功能，迅速吸引了大量消费者的关注。
2025-03-08 13:44:59
373
原创 iKF Air Clip开放式耳机：拆解步骤细节与分析报告
INJOINIC英集芯IP5518 TWS耳机充电仓管理SoC，是一款集成MCU，集成了5V升压转换器、锂电池充电管理、电池电量指示的多功能电源管理SoC，为TWS蓝牙耳机充电仓提供完整的电源解决方案。iKF Air Clip开放式耳机包装盒采用了封套设计，正面展示产品外观，品牌LOGO和产品名称，创新不入耳、APP智联互动、空气感佩戴的产品特点，以及Hi-Fi iKF Audio和蓝牙5.4标志。盒盖内侧标注有产品信息，型号：iKF-Air Clip，输入：5V-400mA，输出：5V-300mA。
2025-03-07 13:00:02
217
原创 基于YOLOv8的交通标志检测方法
交通标志检测对于自动驾驶技术至关重要。尽管以实时处理能力著称的单阶段检测算法已被广泛应用，但在复杂的交通环境中准确检测交通标志仍然是一项挑战。本文提出了一种基于YOLOv8的交通标志检测方法。具体而言，本研究引入了空间到深度（SPD）模块，以解决因交通场景中交通标志的多尺度变化而导致的漏检问题。SPD模块将空间信息压缩到深度通道中，扩大了感受野，增强了对不同尺寸目标的检测能力。此外，为了解决由树木等复杂背景导致的漏检问题，本文采用了选择核（Select Kernel）注意力机制。
2025-03-07 12:28:36
145
原创 基于DeepSeek R1构建下一代Manus通用型AI智能体的技术实践
本文提出了一种融合DeepSeek R1强化学习框架与Manus多智能体架构的通用型AI解决方案。通过引入组相对策略优化（GRPO）和三阶段训练流程（冷启动、推理导向RL、通用对齐RL），系统实现了无需人工标注的推理能力自进化，在数学（AIME 2024得分率79.8%）和编程任务（Codeforces评分2029）中达到行业顶尖水平。系统架构采用分层式多智能体协作机制，集成安全沙箱执行、分级记忆存储和动态工具调用模块，支持并行处理。
2025-03-07 09:01:45
80
原创 Hyper-YOLO：当视觉目标检测遇上超图计算以及代码实现
Hyper-YOLO，这是一种全新的目标检测方法，它集成了超图计算以捕捉视觉特征之间复杂的高阶相关性。尽管传统的YOLO模型功能强大，但其颈部设计存在局限性，限制了跨层特征的融合以及高阶特征相互关系的挖掘。为应对这些挑战，我们提出了超图计算赋能的语义收集与传播（HGC - SCS）框架，该框架将视觉特征图转换到语义空间，并构建一个超图用于高阶消息传播。这使模型能够同时获取语义信息和结构信息，超越了传统的以特征为中心的学习方式。Hyper-YOLO在其骨干网络中引入了所提出的混合聚合网络（
2025-03-06 12:56:57
139
原创 视觉强化微调！DeepSeek R1技术成功迁移到多模态领域，全面开源
部分模型输出结果展示如图 4 和图 5 所示，相比于传统的视觉指令微调（Visual Instruction/Supervised Fine-Tuning），Visual-RFT（视觉强化微调）通过强化学习方法，对问题进行深入的 think 分析取得更佳推理性能，相较于传统的指令微调（SFT）方法取得显著提升。通过针对视觉的细分类、目标检测等任务设计对应的规则奖励，Visual-RFT 打破了 DeepSeek-R1 方法局限于文本、数学推理、代码等少数领域的认知，为视觉语言模型的训练开辟了全新路径！
2025-03-06 12:41:26
734
原创 微软Phi-4系列开源：多模态与文本处理的创新突破
该模型在语音问答 (QA) 任务上与 Gemini-2.0-Flash 和 GPT-4o-realtime-preview 等接近的模型存在差距，因为模型尺寸较小导致保留事实 QA 知识的能力较弱。尽管规模较小，但该模型在一般多模态能力（如文档和图表理解、光学字符识别 (OCR) 和视觉科学推理）方面仍保持着竞争性的表现，与 Gemini-2-Flash-lite-preview/Claude-3.5-Sonnet 等接近的模型相当或超过它们。Phi-4-multimodal 能够同时处理视觉和音频。
2025-03-06 12:32:49
40
原创 高效部署通义万相Wan2.1：使用Gradio搭建WebUI体验实战
随着通义万相Wan2.1 在社区的热度持续上涨，魔搭创空间的体验Demo（https://modelscope.cn/studios/Wan-AI/Wan-2.1）已经排起长队。为了提供更好的体验，向大家介绍如何使用免费GPU给自己部署一个独占算力通道的WebUI界面玩转Wan2.1文生视频模型，包会！Wan2.1文生视频WebUI界面部署1. 以下链接直达脚本教程：2. 在Notebook中打开，选择3.进入到notebook页面，按顺序执行提供的脚本教程4. 点击链接进入网站（建议使用。
2025-03-04 09:26:54
142
原创 高效部署通义万相Wan2.1：ComfyUI文生/图生视频实战，工作流直取！
手把手教你在免费GPU算力环境、本地环境部署运行ComfyUI工作流，玩转Wan2.1文生视频、图生视频案例实践。01 魔搭Notebook运行ComfyUI文生视频工作流。
2025-03-04 09:23:39
1285
原创 Gold-YOLO：基于聚合与分配机制的高效目标检测器
这在不显著增加延迟的情况下，显著增强了颈部网络的信息融合能力，提升了模型在不同物体尺寸下的性能。这些颈部模块基本遵循下图所示的架构。通过使用统一的模块收集并融合来自所有层级的信息，随后将其分配到不同层级，我们不仅避免了传统 FPN 结构固有的信息损失，还在不显著增加延迟的情况下增强了颈部的局部信息融合能力。然而，当前的信息融合方法存在一个显著缺陷：当需要跨层整合信息时（例如，融合第 1 层和第 3 层的信息），传统的类似 FPN 的结构无法无损地传输信息，这阻碍了 YOLO 系列模型实现更好的信息融合。
2025-03-02 19:46:37
30
原创 大模型时代的DeepSeek突围之路：从模型部署到场景落地全解析
本文从模型压缩到知识库搭建对DeepSeek进行讲解。无论是个人开发者快速验证创意，还是企业构建智能客服、知识管理系统，都能找到适配方案，立即行动吧。用Ollama部署7B模型尝鲜结合业务开发ReAct智能体搭建知识库或其他应用。
2025-02-26 21:13:19
586
原创 入门零基础：DeepSeek微调教程
微调就像给一个“学霸”补课，让它从“通才”变成某个领域的“专家”。此处以本文进行微调的医学数据进行举例：假设你有一个很聪明的朋友，他读过全世界的书（相当于大模型的预训练阶段），能和你聊历史、科学、文学等各种话题。但如果你需要他帮你看医学报告，虽然他懂一些基础知识，但可能不够专业。这时候，你给他一堆医学书籍和病例，让他专门学习这方面的知识（这就是微调），他就会变得更擅长医疗领域的问题。功能总结：实现自定义回调，在模型训练过程中，实时记录损失值（Loss）的变化。
2025-02-26 21:03:17
62
原创 深度剖析：DeepSeek 671B 满血版部署实战与性能优化全攻略
通过上述理论分析与实验，我们验证了大模型在不同并发下的性能瓶颈。结合DeepSeek模型独有的MLA与MoE架构优势，并利用FP8量化和MTP模块，可充分发挥GPU硬件的性能。在网络方面，可根据不同的网络条件，灵活配置并行策略，以优化整个系统的吞吐。未来，还可通过专家并行、数据并行、冗余专家、通信优化和多微批次重叠等策略进一步提高系统性能，为大规模落地应用提供更为坚实的技术保障。以上便是基于当前理论及DeepSeek系列模型部署实践的完整解读与企业实施方案展望。
2025-02-26 20:15:43
536
原创 RAG 技术：15 种典型框架综述与深度剖析
它能够根据法律文本的特点和需求，灵活调整模型参数，同时综合运用多种检索策略，确保检索到的信息准确且贴合法律条文的实际含义，为法律领域的文本处理提供了更可靠的解决方案。错误的检索结果会误导生成模块，导致生成的文本偏离事实或缺乏逻辑性，严重影响RAG系统的输出质量，因此提高检索的精准度和可靠性是提升RAG性能的关键环节。它通过精心设计的检索与融合机制，能够精准筛选外部知识源，将其与LLMs内部知识有效结合，从而生成更具可靠性与逻辑性的文本内容，在提升生成质量的同时，降低了因信息不当引入而产生的幻觉风险。
2025-02-26 20:04:32
66
原创 攻克 LLM 结构化输出难题，ThinkJSON 来 “救场”
它不仅展现了优异的性能，还提供了一个可扩展的框架，能够适应不同领域的需求。对于正在开发AI产品的工程师来说，这种方法提供了一个既实用又高效的解决方案，值得在实际项目中尝试和应用。随着DeepSeek走入社会各界，AI应用对结构化数据的要求也越来越高，没有结构化数据，构建AI应用是不可想象的。目前很多企业都面临数据清洗的难题。传统的LLM虽然能够理解这些记录的内容，但在保持输出格式的严格一致性方面往往表现不佳。这些prompt设计确保了生成数据的质量和多样性，为模型训练提供了坚实的基础。
2025-02-26 19:56:40
81
原创 开源文生视频模型：通义万相2.1-文生视频-14B 详情介绍与使用
Wan2.1 是一个全面且开放的视频基础模型套件，它在视频生成方面突破了现有技术的边界。Wan2.1 提供了一系列关键特性，使其在多个基准测试中持续超越现有的开源模型和最先进的商业解决方案。Wan2.1 是基于主流扩散变压器范式设计的，通过一系列创新在生成能力上取得了显著进步。这些创新包括我们新颖的时空变分自编码器（VAE）、可扩展的训练策略、大规模数据构建以及自动评估指标。总体而言，这些贡献提升了模型的性能和多功能性。
2025-02-26 09:04:18
920
原创 夜间目标检测的革命：2PCNet与NightAug技术的深度解析
本文介绍了一种基于2PCNet和NightAug技术的夜间目标检测系统。2PCNet通过两阶段一致性无监督学习，结合教师网络的高置信度伪标签和学生网络的区域建议，显著提升了小目标和低光条件下的检测性能。NightAug增强管道通过模拟夜间条件（如眩光、模糊和噪声），减少了模型对日间数据的依赖。实验表明，该方法在公开数据集上优于现有技术，并在实际场景中展现了强大的应用潜力。
2025-02-25 20:22:38
59
原创 YOLO - S：面向小目标检测的轻量级高精度类 YOLO 网络架构
小目标检测仍然是一项具有挑战性的任务，尤其是在为移动或边缘应用寻找快速准确的解决方案时。在下次分享中，有研究者提出了YOLO-S，一个简单、快速、高效的网络。它利用了一个小的特征提取器，以及通过旁路和级联的跳过连接，以及一个重塑直通层来促进跨网络的特征重用，并将低级位置信息与更有意义的高级信息相结合。航空图像中的小目标检测已经成为当今研究的热点。事实上，最近出现的无人机等数据赋能技术为广泛的客户群提供了一种具有成本效益的解决方案，根据相机轴、飞行器高度和使用的胶片类型，满足了广泛且几乎无限的用户需求。
2025-02-23 18:33:25
126
原创 Gold-YOLO：基于聚合与分配机制的高效目标检测器
在过去几年中，YOLO 系列模型已成为实时目标检测领域的主流方法。尽管特征金字塔网络（FPN）和路径聚合网络（PANet）缓解了信息融合问题，但以往的模型仍存在信息融合方面的难题。本研究提出了一种先进的聚合与分配（GD）机制，通过卷积和自注意力操作实现。这种新设计的模型名为Gold-YOLO，它增强了多尺度特征融合能力，并且在所有模型尺度下，都能在延迟与精度之间实现理想的平衡。此外，我们首次在 YOLO 系列模型中采用了 MAE 风格的预训练，使得 YOLO 系列模型能够从无监督预训练中获益。
2025-02-23 17:54:07
196
原创 基于YOLOv8的无人机轻量级目标检测算法LUD-YOLO
无人机自主执行任务在很大程度上依赖于目标检测。然而，大多数图像中的目标检测面临着诸如背景复杂、目标小以及存在遮挡等挑战。此外，无人机处理器有限的计算速度和内存也影响了传统目标检测算法的准确性。为了解决这些问题，我们提出了基于YOLOv8的面向无人机的小型轻量级目标检测算法LUD-YOLO。LUD-YOLO引入了一种新的多尺度特征融合模式，通过在特征金字塔网络（FPN）和渐进式特征金字塔网络（AFPN）中引入上采样，解决了特征传播和交互中的退化问题。
2025-02-23 17:28:56
571
原创 YOLO新模型：基于改进模型的茶叶病害智能检测技术研究
本文聚焦茶叶病害智能检测难题。鉴于中国茶叶产业地位重要，而病害严重影响产量与品质，传统检测方法弊端多。文中提出改进的茶叶病害检测模型，通过数据增强、改进 YOLOv5 框架、优化损失函数及运用迁移学习等技术。实验表明，该模型检测精度超主流模型，速度达实时，有望大规模部署，提升茶叶生产效率与质量 。
2025-02-23 17:01:02
1012
原创 无人机图像目标检测：Drone-YOLO的创新与应用
下图显示了我们提出的Drone-YOLO（L）网络模型的架构。该网络结构是对YOLOv8-l模型的改进。在网络的主干部分，我们使用RepVGG结构的重新参数化卷积模块作为下采样层。在训练过程中，这种卷积结构同时训练3×3和1×1卷积。在推理过程中，两个卷积核被合并为一个3×3卷积层。这种机制使网络能够在不影响推理速度或扩大模型大小的情况下学习更稳健的特征。在颈部，我们将PAFPN结构扩展到三层，并附加了一个小尺寸的物体检测头。
2025-02-23 10:39:49
687
原创 DeepSeek革命性NSA注意力机制问世！长文本推理能力飙升
DeepSeek联手两大机构祭出神作，再次惊艳全世界。创始人亲自率队，提出了革命性注意力机制NSA，在通用、长文本、思维链推理基准测试中，刷新SOTA碾压全注意力，很有可能，NSA是对Transformer注意力机制的重大优化。
2025-02-20 22:49:42
102
原创 重磅发现！DeepSeek R1方法成功迁移到视觉领域，多模态AI迎来新突破！
VLM - R1项目最令人称赞的一点就是其完全开源。开源对于技术的发展具有不可估量的重要性。它促进了知识的共享和交流，使得全球的开发者和研究人员能够共同参与到技术的改进和创新中来。通过开源，能够汇聚众人的智慧和力量，加速技术的迭代和优化，推动整个行业的发展。
2025-02-20 22:37:36
145
原创 实战代码：下载马斯克Grok-1模型
Grok-1模型具备极为强大的语言理解与生成能力，在自然语言处理的众多复杂任务中展现出非凡的实力。其训练数据规模庞大且来源广泛，涵盖了丰富多样的文本类型，从学术文献到日常对话，从新闻资讯到文学作品等，使得模型对语言的理解更为全面和深入。在算法层面，采用了先进的深度学习架构，如基于Transformer的变体，能够高效地捕捉文本中的语义关联和上下文信息。在文本生成方面，Grok-1能够根据给定的主题或提示，生成逻辑连贯、内容丰富且语言流畅的文本。
2025-02-20 17:23:23
168
原创 实战教程：DeepSeek R1 最强平替模型
DeepSeek R1服务器繁忙问题给用户带来了诸多困扰，但通过错峰使用、优化提问、检查网络以及反馈问题等策略，能够在一定程度上缓解这一问题。同时，超算AI、硅基流动AI、秘塔AI、纳米AI以及OpenRouter AI等平替模型在不同方面展现出了强大的实力，为用户提供了多样化的选择。在实际应用中，用户可以根据自身的需求和使用场景，灵活选择最合适的模型，以确保高效地完成各项任务。随着人工智能技术的不断发展，相信未来会有更多性能卓越、服务稳定的大语言模型出现，为用户带来更加优质的体验。
2025-02-20 17:14:17
162
Android AIDL传输数据
2015-10-26
设计模式 观察者模式 以Android中TextView文本内容发生变化为背景
2015-10-08
设计模式 策略模式 以Android 中TextView绘制文本、颜色为背景说明
2015-10-08
Android的Jar包从主项目工程中读取并展示资源文件
2014-11-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人