博客 RSS 訂閱

weidejianpan 頭像

商湯萬象開發者 - UniParse：讓多模態模型真正“讀懂”文檔的解析引擎

在多模態大模型迅速發展的今天，我們已經能讓模型"看圖説話"，甚至"讀懂表格"，但要讓模型真正理解複雜的文檔結構（例如在PDF中準確識別章節、表格、公式與圖像的邏輯關係）依然是一個未被徹底解決的問題。 UniParse正是為此而生：它是一款面向AI應用的通用文檔解析工具 ，旨在將文檔中的非結構化內容轉化為結構化語義信息，使多模態模型能夠高效、精準地理解和利用文檔內容。 本文將從技術視角介紹U

llm , 文檔分析 , 教程 , 內容管理 , 人工智能

收藏 評論

u_12855 頭像

西門吹雪 - 怎麼複製索引信息

Notepad++絕對是windows下進行程序編輯的神器之一，要更快速的使用以媲美VIM，必須靈活掌握它的快捷鍵，下面對notepad++默認的快捷鍵做個整理（其中有顏色的為常用招數）： Ctrl+L 刪除當前行 Ctrl+C 複製 Ctrl+X 剪切 Ctrl+V 粘貼 Ctrl+Z 撤

大數據 , 數據倉庫 , 打開文件

收藏 評論

u_16213620 頭像

mob64ca1401464d - llamaindex 怎麼import BM25Retriever

給定一個數組 A，如果 某個下標 i, 滿足 A[i] = i, 則 i 稱為 Magic Index。 現在假設 A 中的元素是遞增有序的、且不重複，找出 Magic Index. 更進一步，當數組中有重複的元素呢？？ 分析： 首先題目不難。 最簡單的當然是 掃描一遍數組，當然這個 O（N）的算法不是最優的。 進一步

數組 , 搜索 , aigc , bard , 數組元素

收藏 評論

ireashare 頭像

iReaShare - 如何將照片從 Mac 傳輸到 Android

將照片從 Mac 傳輸到 Android 手機或平板電腦有時會感覺像是跨越數字鴻溝。由於 Mac 和 Android 運行在不同的生態系統中，直接拖放的方法行不通。如果您想將照片從 Mac 傳輸到 Android，可以嘗試本指南中介紹的有效方法，這些方法可以高質量地傳輸照片。 快速瀏覽一下這5種方法： 第一部分：如何通過 iReaShare Android Manager 將照片從 Mac 傳

Android

收藏 評論

bakuaifujidepaobuji 頭像

八塊腹肌的跑步機 - 高併發場景下的PHP性能突圍：擴展開發實戰與架構演進路徑

在當今互聯網應用日益複雜的背景下，高併發請求處理能力已成為衡量一個技術棧生命力的關鍵指標。曾幾何時，PHP因其“先天”的每次請求從頭初始化的執行模式，在併發性能上備受詬病。然而，隨着技術的迭代與架構理念的演進，PHP早已不是昔日的“吳下阿蒙”。本文將深入探討PHP在高併發場景下的性能突圍之道，從底層的擴展開發實戰，到上層的架構演進路徑，描繪一幅完整的PHP高性能應用藍圖。 困局與根源：PHP併發性

php

收藏 評論

jiang_5f3236dd7afd1 頭像

Serverless - AgentScope 擁抱函數計算 FC，為 Agent 應用提供 Serverless 運行底座

在 AI Agent 應用加速落地的今天，開發者和企業普遍面臨三大核心痛點：部署成本高、運維複雜度高、資源利用率低。為應對這些挑戰，AI Agent 與雲原生、Serverless 架構的深度融合正成為行業新趨勢。我們很高興地宣佈，AgentScope 正式集成基於阿里雲函數計算（Function Compute, FC）的全新 Serverless 運行時，為多智能體應用提供“按需啓動、毫秒彈性

阿里雲 , 雲原生 , serverless

收藏 評論

u_16213352 頭像

mob64ca12dd455e - ollama gpu加速 windows

在使用Ollama進行GPU加速時，Windows用户常常會遇到一些挑戰。從版本對比到實戰案例，再到排錯指南，本文將全面深入地探討如何解決這些問題。通過清晰的遷移指南和兼容性處理，我們希望可以幫助你順利完成Ollama在Windows上的GPU加速。 版本對比與兼容性分析 在選擇Ollama進行GPU加速時，瞭解不同版本間的差別是至關重要的。以下是Ollama的主要版本演變歷程：

windows , 不同版本 , 新版本 , aigc

收藏 評論

u_16213332 頭像

mob64ca12d84572 - idea中 copilot 插件 使用fix

在使用 IntelliJ IDEA 開發環境中，Copilot 插件的集成使用有時會遇到一些 Fix 的問題。本文將詳細記錄解決這些問題的過程，包括環境準備、集成步驟、配置詳解、實戰應用、性能優化和生態擴展。希望通過這篇輕鬆的覆盤記錄，幫助大家更好地使用 Copilot 插件。 環境準備 在開始之前，我們首先需要確保開發環境的準備。以下是所需依賴的安裝指南及版本兼容性矩陣。

性能優化 , API , aigc , 代碼示例

收藏 評論

u_16213660 頭像

mob64ca140ac564 - spark parquet 布隆過濾器

數學之美中23章介紹的布隆過濾器（Bloom filter），以下是一些算法的實現及應用 1.算法應用 在如那件設計中有個最基本的功能是判斷某個元素是否在集合當中，比如爬蟲中驗證一個url是否被收錄過，如果用普通的hash來判斷那需要的內存容量是驚人的。布隆過濾器的作用就是能夠降低內存用量，他只需要hash表的1/8到1/4就能夠解決問題。 3.算法實現

spark , spark parquet 布隆過濾器 , 大數據 , 字符串 , 主函數 , 布隆過濾器

收藏 評論

shuaidaidenaozhong_oibdx 頭像

分享顆橙砍竹葉 - Nacos核心原理解讀+高性能微服務系統實戰完結無密

Nacos核心原理解讀+高性能微服務系統實戰這個主題太有共鳴了！“原理解讀”和“系統實戰”這兩個詞，瞬間就讓文章充滿了實戰的煙火氣和寶貴的經驗價值。它不是一本冷冰冰的教科書，而是一位老兵在戰壕裏與你分享的生存法則。 這篇文章可以從以下幾個維度，構建一個從理論到實踐的完整認知體系： 微服務的“靈魂”：為什麼Nacos是心臟，而非一個簡單的配置中心？ 許多開發者對Nacos的初印象是“能

微服務 , nacos , 系統架構

收藏 評論

pannideniupai 頭像

雨大王 - AI生產工藝優化正在接管工廠“指揮權”

是什麼：生產工藝優化的核心挑戰與轉型方向 生產工藝優化本質上是通過技術手段解決製造環節中的效率、質量與協同問題。在傳統制造模式中，企業常面臨幾個典型痛點：工藝設計依賴人工經驗，導致標準不統一；跨部門協作壁壘高，設計變更需反覆溝通；生產現場依賴紙質作業指導書，更新滯後且易出錯。這些問題不僅拖慢研發到生產的轉化速度，更可能因工藝參數偏差導致批量質量事故。例如，某家電企業曾因焊接工藝參數傳遞失誤，

人工智能

收藏 評論

rtedevcomm 頭像

RTE開發者社區 - 米哈遊聯創推出可對話「貓貓」AI，具備情緒與獨立思考；微軟研究發現空間音頻可將 AI 同傳理解度翻倍丨日報

開發者朋友們大家好： 這裏是 「RTE 開發者日報」 ，每天和大家一起看新聞、聊八卦。我們的社區編輯團隊會整理分享 RTE（Real-Time Engagement） 領域內「有話題的技術」、「有亮點的產品」、「有思考的文章」、「有態度的觀點」、「有看點的活動」，但內容僅代表編輯的個人觀點，歡迎大家留言、跟帖、討論。 本期編輯：@瓚an、@鮑勃 01 有話題的技術 1、DeepSeek V3.2

人工智能

收藏 評論

u_16175454 頭像

mob649e81597922 - github vscode copilot經常沒反應

在使用 GitHub 的 VSCode Copilot 過程中，很多開發者會遇到它經常沒有反應的問題。這種情況不僅影響了編碼的流暢性，還對開發效率產生了直接的負面影響。下面將詳細分析這個問題並提供對應的解決策略。 背景定位 隨着人工智能的發展，VSCode Copilot 應運而生，旨在為開發者提供智能代碼補全和改進建議。根據 GitHub 的定義： “Copilot

developer , aigc , 代碼補全 , 開發者

收藏 評論

nancheng_692928b663b3c 頭像

南城 - MyBatis 進階治理點——緩存、副作用、攔截與批處理的得失分析

深入 MyBatis 內核，在性能提升與數據一致性之間尋找精妙平衡 在掌握 MyBatis 基礎映射與動態 SQL 後，進階治理成為保證生產環境穩定性與性能的關鍵。本文將深入分析緩存機制、副作用控制、攔截器應用與批處理優化等高級主題，幫助開發者構建高可用、易維護的數據訪問層。 1 緩存機制深度治理 1.1 二級緩存的一致性挑戰 MyBatis 的二級緩存基於 Mapper 命名空間設計，多個 Sq

MySQL , JAVA

收藏 評論

u_16213305 頭像

mob64ca12d1a59e - ollama 大模型遷移

在大模型遷移領域中，Ollama 已成為一個受歡迎的解決方案。對於開發者而言，如何順利實現“ollama 大模型遷移”至關重要。本博文旨在記錄解決該問題的過程，涵蓋版本對比、遷移指南、兼容性處理、實戰案例、排錯指南以及生態擴展。 版本對比 在進行模型遷移之前，瞭解版本差異非常重要。Ollama 的多個版本在特性和性能上存在顯著差異。以下是 OLLAMA 版本演進及其特性差異的總結

排錯 , 配置文件 , 工具鏈 , aigc

收藏 評論

kuiwudesongshu_6901d5001781f 頭像

魁梧的松鼠 - 當網站提示“不安全”：SSL證書，你的數字護身符

在互聯網的浩瀚海洋中航行，我們時常會看到這樣的警告：“此網站不安全”或“您的連接不是私密連接”。這些紅色警示如同數字世界的警戒線，而它們背後隱藏的關鍵，正是SSL證書——這個你可能看不見，卻時刻保護着你的數字護身符。 SSL證書：數字世界的身份認證 SSL（安全套接層）證書，如今更準確地説應稱為TLS（傳輸層安全）證書，是一種數字證書，其作用如同現實世界中的護照或身份證。它由受信任的第三方機構——

ssl

收藏 評論

lenglengdechaomian 頭像

冷冷的炒麪 - SSL 證書過期？這些後果直接讓網站 “停擺”

做網站的老闆注意了！SSL 證書過期不是 “小事”，而是能讓你血本無歸的 “致命雷區”！很多站長覺得晚幾天續期無所謂，殊不知一旦證書失效，流量、訂單、品牌信任會瞬間崩塌，甚至面臨合規罰款，這些後果遠比你想象中更殘酷！ 一、瀏覽器直接 “亮紅牌”，用户一秒跑光！ 你以為用户會耐心等待你續期？大錯特錯！只要 SSL 過期，Chrome、百度、Edge 等所有主流瀏覽器都會彈出刺眼的 “連接不安

HTTP , HTTPS

收藏 評論

u_16213427 頭像

mob64ca12ef5efc - 更改ollama 模型存儲地址

在日益複雜的 IT 環境中，更改 Ollama 模型存儲地址的需求日漸增加。貫徹以下步驟，可以高效完成此項改動。本文將詳細記錄這一過程，從環境預檢到配置調優，再到遷移指南，確保在解決該問題時能兼顧各方面的需求。 環境預檢 在實現更改 Ollama 模型存儲地址之前，需先進行環境預檢，以確保當前硬件和軟件配置滿足需求。以下是思維導圖，理清了預檢步驟。 mindmap roo

API , 依賴包 , aigc , ci

收藏 評論

huggingface 頭像

HuggingFace - 用開源模型強化你的 OCR 工作流

我們在這篇文章中新增了 Chandra 和 OlmOCR-2，並附上了它們在 OlmOCR 基準上的得分 🫡 摘要: 強大的視覺語言模型 (Vision-Language Models, VLMs) 的崛起，正在徹底改變文檔智能 (Document AI) 的格局。每種模型都有其獨特的優勢，因此選擇合適的模型變得棘手。相比閉源模型，開源權重的模型在成本效率和隱私保護上更具優勢。為了幫助你快

ocr , 人工智能

收藏 評論

u_16099166 頭像

數據小香 - cdh平台hive的show locks表的mode類型都是什麼意思

參數查詢 #死鎖檢測 show variables like '%innodb_deadlock_detect%'; #鎖超時時間 show variables like '%innodb_lock_wait_timeout%'; #立即獲得表鎖請求的次數 SHOW STATUS LIKE 'Table_locks_immediate%

大數據 , MySQL , hive , 讀鎖 , 數據庫 , 訪問表

收藏 評論

u_16175499 頭像

mob649e81643021 - 關掉stable後顯存也一直被佔用

在日常使用深度學習框架如TensorFlow或PyTorch時，有時會遇到“關掉stable後顯存也一直被佔用”的問題。這種情況尤其在使用GPU訓練模型時，顯存的釋放總是牽動着我們的心神。本文將詳細記錄解決這一問題的過程，從協議背景到工具鏈集成，嘗試為讀者提供一整套系統的方法。 協議背景 在深度學習任務的執行過程中，顯存的管理至關重要。顯存不僅用於存儲模型參數，也用於中間計算結果

抓包 , 字段 , 整型 , aigc

收藏 評論

u_16213432 頭像

mob64ca12f09e0c - Stable duffusion是哪一年出來的

Stable Diffusion是一個在深度學習和圖像生成領域引起廣泛關注的模型，首次發佈於2022年。本文將詳細記錄如何系統地解決“Stable Diffusion是哪一年出來的”這一問題，將過程梳理為幾大關鍵模塊。 背景定位 在AI生成圖像的領域，存在一個明顯的技術痛點：生成高質量圖像的模型往往計算資源消耗巨大，普通用户難以接觸到。Stable Diffusion的出現正是為

User , API , 架構設計 , aigc

收藏 評論

u_16213412 頭像

mob64ca12ebb57f - ollama模型使用gpu生成

在進行實體模型的開發及訓練過程中，使用 GPU 生成 Ollama 模型成為了提升性能和加速迭代的關鍵技術。由於 GPU 具備強大的並行計算能力，可以顯著提高數據處理速度，因此越來越多的開發者和研究人員開始關注其實現方式和操作流程。 引用塊：根據 NVIDIA 的定義，“GPU 是一種用於高速數據並行處理的硬件，適用於計算密集型任務，例如深度學習和圖形渲染。” 時間

並行計算 , aigc , 深度學習 , 開發者

收藏 評論

u_16231477 頭像

蒙奇D索隆 - 【數據結構】考研408|數據結構高分堡壘：攻克紅黑樹五大性質與適度平衡思想

(紅黑樹的定義與性質) 導讀 大家好，很高興又和大家見面啦！！！ 在前面的內容中我們已經學習了兩種樹形查找結構： BST：二叉排序樹，其可以是一棵空樹，也可以是滿足以下條件的樹： 若左子樹非空，則左子樹上所有節點的值均小於根節點 若右子樹非空，則右子樹上所有節點的值均大於根節點 其左右子樹也分別是一棵二叉排序樹

yyds乾貨盤點 , 數據結構 , c++ , 後端開發 , 考研 , c , 408

收藏 評論