tag AI

標籤
貢獻167
967
03:55 AM · Nov 07 ,2025
wintersun 頭像 lying7 頭像 Goblinscholar 頭像 codingtea 頭像 dmx778 頭像 OBCE666 頭像 yupi 頭像 poloai 頭像 XY-Heruo 頭像 yjmyzz 頭像 longronglang 頭像 huggingface 頭像

@AI / 博客 RSS 訂閱

wintersun 頭像

PetterLiu - Requirements Engineering with AI for Consistency and Testing解讀

REACT（Requirements Engineering with AI for Consistency and Testing） 的目標： 利用大型語言模型（LLMs）將模糊的自然語言需求轉化為結構化形式； 自動檢測需求之間的一致性、衝突和歧義； 自動生成形式化規範和基於需求的測試用例，提高早期驗證覆蓋率； 通過減少人工解釋和手工形式化步驟，提高傳統驗證流程的可擴展性和準確性。 RE

AI

收藏 評論

wintersun 頭像

PetterLiu - 2025年11月份博文彙總與視頻

2025年11月份博文彙總與視頻 一.LLM相關 1.如何構建和訓練世界級LLM 一份關於如何構建和訓練世界級大型語言模型（LLMs）的詳細指南，由Hugging Face團隊撰寫。它涵蓋了從模型架構設計、數據準備、訓練過程到後處理的全過程，提供了豐富的技術細節和實踐經驗 2.美團多智能體WOWService智能系統概要 美團最近發佈的一份技術報告2510.13291，詳細介紹了其名為“WOWS

AI

收藏 評論

gpustack 頭像

GPUStack - 釋放H200全部潛力：DeepSeek-V3.2推理性能提升161%的優化秘籍

從通用部署到極致性能：DeepSeek-V3.2 的推理優化突破 在 AI 應用快速落地的今天，大語言模型的推理性能成為制約其廣泛使用的關鍵因素。DeepSeek-V3.2 作為能力領先的開源模型，在實際部署中面臨着性能調優的複雜挑戰。許多團隊發現，直接使用默認配置往往無法充分利用昂貴的 H200 硬件資源。 我們通過系統的優化實驗發現：相比於未優化的 vLLM 基線配置，經過針對性調優的 Dee

AI

收藏 評論

poloai 頭像

poloai - 年底 Claude 官方直連 Key 缺貨？官轉 poloai.top 成開發者首選方案

臨近年底，AI 編程工具的使用需求迎來爆發式增長，不少開發者卻陷入了同一個困境 ——Claude 官方直連 API Key “一 key 難求”。打開 Anthropic 官方控制枱，常見 “配額已售罄”“新密鑰申請需排隊 1-2 周” 的提示；即便老用户申請追加額度，也常因官方服務器負載調整、年底配額收緊等原因被駁回。這場 “缺貨潮” 背後，既有年底項目衝刺期開發者對 Claude 長文本解析、

AI

收藏 評論

joas-pambou 頭像

Joas Pambou - Integrating Image-To-Text And Text-To-Speech Models (Part 1)

Audio descriptions involve narrating contextual visual information in images or videos, improving user experiences, especially for those who rely on audio cues. At the core of audio description tec

Techniques , Tools , AI

收藏 評論

paul-boag 頭像

Paul Boag - AI In UX: Achieve More With Less

I have made a lot of mistakes with AI over the past couple of years. I have wasted hours trying to get it to do things it simply cannot do. I have fed it terrible prompts and received terrible outpu

workflow , ux , AI

收藏 評論

wintersun 頭像

PetterLiu - 業務泳道流程圖AIGC小試

提示詞 你是資深BPMN建模專家。 請將以下業務流程抽象為符合BPMN 2.0標準的業務泳道流程圖。 輸出要求： 1. 明確劃分泳池與泳道 2. 區分順序流與跨泳道交接 3. 標識關鍵控制點（決策節點） 4. 明確文檔產出點 5. 如存在子流程，請抽象為子流程節點，不展開細節 建模目標： - 清晰責任邊界 - 識別流程瓶頸 -

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的木薯病害檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的木薯病害檢測系統 1. 前言​ 木薯是全球重要的糧食作物，其生產常受病害威脅。傳統檢測方法依賴人工，效率低且難以規模化。為提升病害識別效率，本研究基於YOLO目標檢測算法，開發了一套木薯病害智能檢測系統。 該系統能夠自動識別木薯常見病害，包括褐斑病、褐條病、綠蟎侵害和花葉病，並區分健康植株。系統支持多種輸入方式，可對圖片、視頻、批量文件及實時攝像頭畫面進行檢測。用户可通過交

AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程三： 結構化機器學習項目 第二週：誤差分析與學習方法（四）多任務學習

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第三課的第二週內容，2.8的內容。 本週為第三課的第二週內容，本週的內容關於在上週的基礎上繼續展開，並拓展介紹了幾

AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程二： 改善深層神經網絡 第三週：超參數調整，批量標準化和編程框架（五）框架演示

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第二課的第三週內容，3.11的內容，也是本週理論部分的最後一篇。 本週為第二課的第三週內容，你會發現這周的題目很長

AI

收藏 評論

wintersun 頭像

PetterLiu - 解鎖2026年商業未來：四大核心概念深度解析

迎接未來商業浪潮 歡迎踏入即將到來的商業新紀元。對於初涉商業與市場營銷領域的探索者而言，理解未來的核心驅動力至關重要。本文旨在為您提供 navigating the next wave of disruption 的基本心智模型，用最精煉的語言，深度解析將在2026年重塑商業格局的四大核心概念。掌握這些理念，是您洞察技術、消費者行為與商業戰略深刻變革，從而把握未來先機的關鍵第一步。 一.隱

AI

收藏 評論

u_17593768 頭像

JUGG11 - 你是否正在經歷這些知識管理的 “隱形內耗”？

技術文檔散落在語雀、GitHub、本地硬盤，新員工入職像 “尋寶”；寫一份部署手冊要熬 4 小時，修改迭代還要跨平台同步；搜索 “token 過期解決方案”，返回幾十篇無關文檔，翻半天找不到重點；敏感數據不敢存雲端，私有化部署又要折騰好幾天…… 在信息爆炸的時代，我們囤積了海量知識，卻陷入 “存得住、找不着、用不上” 的困境。直到 PandaWiki 的出現 —— 這款 G

github , 搜索 , AI , 人工智能 , 深度學習 , 技術文檔

收藏 評論

poloapi 頭像

路過的旁聽生 - 在複雜任務中如何利用 Claude 4.5 Opus 提高推理精度與響應速度

在 AI 模型不斷髮展升級的背景下，Claude 4.5 系列帶來了 Sonnet、Opus 和 Haiku 三款子模型，每個模型都有其獨特的優勢和適用場景。尤其是 Opus 4.5，它以其強大的推理能力和響應速度在複雜任務中脱穎而出。 但對於腳本創作者來説，如何在 推理精度 與 響應速度 之間找到最合適的平衡，仍然是一個需要解決的實際問題。本文將從 實際任務應用 的角度，深入分析 Claude

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的水面垃圾檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的水面垃圾檢測系統 1. 前言​ 大家好，歡迎走進 Coding 茶水間。 今天我們聊的是一個很貼近現實的應用——基於 YOLO 算法的水面垃圾檢測系統。它的核心能力很直觀：能判斷水面是否存在垃圾，還能進一步分辨垃圾的具體類別，讓監測工作變得更高效、更精細。 在接下來的演示裏，我們會一步步走過系統的全部功能：從主界面的佈局與操作，到圖片、視頻、文件夾批量、實時攝像頭的檢測流程

AI

收藏 評論

dmx778 頭像

大模型玩家七七 - 告別盲目試錯！大模型微調核心參數的“油門、檔位與里程

告別盲目試錯！大模型微調核心參數的“油門、檔位與里程 （一）引言：參數沒調對，微調全白費 大家好，我是七七！剛入門大模型微調時，我踩過最致命的坑就是“瞎調參數”——拿着7B模型，隨便設個學習率、batch_size就跑訓練，結果要麼模型不收斂（損失一動不動），要麼顯存直接炸了，折騰兩三天都沒調出正經效果。 後來跟身邊的技術大佬請教才明白：大模型微調的核心不是“跑通代碼”，而是“調好參數”。

AI

收藏 評論

mansoor-ahmed-khan 頭像

Mansoor Ahmed Khan - From Chaos To Clarity: Simplifying Server Management With AI And Automation

This article has been kindly supported by our dear friends at Cloudways, who make simple, scalable, fully managed cloud hosting possible. Thank you! If you build or manage websites for a li

performance , Tools , AI

收藏 評論

lying7 頭像

躺柒 - 讀人工智能全球格局：未來趨勢與中國位勢06人類的未來(下)

1.形態 1.1.科幻小説及影視作品中所承載的人類想象力，遠比真實世界要精彩得多，也超前得多 1.2.1999年，好萊塢相繼誕生了兩部科幻大作—《黑客帝國》和《異次元駭客》​ 1.2.1.​《黑客帝國》對人工智能的態度無疑是最消極的，即人工智能成為遠超人類的新物種後，必將導致人類的毀滅 1.2.2.​《異次元駭客》 1.2.2.1.​“世界1999”中的科學家創

AI

收藏 評論

u_16700356 頭像

mofcloud - AI API 聚合：跨多個 LLM 的成本與複雜性管理

如果你在沒有聚合層的情況下使用多個 LLM，就像在同時管理好幾個不同的雲平台——能用，但賬單往往會讓人吃驚。 大多數團隊並不是主動選擇多模型架構，而是逐步累積出來的：一個模型負責推理，一個負責總結，再加一個用於客服微調。 半年之後，AI 技術棧就變成了充滿不同計費方式和 token 規則的 API 迷宮。 AI API 聚合能解決這個問題。

FinOps , 數據 , 雲計算 , API , AI , 雲原生

收藏 評論

u_17550698 頭像

小雯AIGC - 阿里千問發佈 Z-Image：在 16GB GPU 上從 0 跑通並部署成在線 API（實戰）

最近做 AI 圖像生成的事情，一路試下來我覺得一個很現實的問題是：高質量模型對顯存要求太高，很多人只有 16GB 顯存的顯卡（比如 4070），就很頭疼。阿里千問工作室（Alibaba Qianwen Studio）剛發佈的 Z-Image（6B 參數）給了一個不錯的折中：性能夠用且對顯存友好。 這篇是一步步的實戰教程——從準備環境、把官方模型跑通，到把它封裝成一個對外的生

github , Z-Image , 通義千問 , AI , 阿里雲 , aigc , AI作畫

收藏 評論

u_16060192 頭像

HyperAI超神經 - 在線教程｜ 騰訊混元開源端側翻譯工具HY-MT1.5，1.8B模型僅需1G內存

在機器翻譯領域，傳統的高性能模型往往面臨兩個核心難題。對於主流語言，閉源商業模型效果出眾但調用成本高，模型參數量動輒百億級別，需要高昂的算力支持，難以在手機等消費級設備上部署。另一方面，對於數據稀缺的低資源小語種，以及包含專業術語、文化特定表達的文本，模型翻譯質量常常不佳，容易出現幻覺問題或語義偏差。這導致用户在日常和移動場景下，常常在高質量、高成本的雲端服務與本地化、輕量化但效果不足的

機器學習 , 多語言 , 機器翻譯 , AI , 人工智能 , 深度學習

收藏 評論

poloai 頭像

poloai - 三大 AI 編程巨頭聯手！Polocode.ai 讓開發效率實現 3 倍飛躍

在 AI 技術深度滲透軟件開發的今天，開發者對工具的需求早已超越單一功能的侷限。能夠整合頂尖技術、覆蓋全流程的一站式平台，成為突破效率瓶頸的關鍵。Polocode.ai 的橫空出世，正以革命性的整合思路，將 Claude Code、Gemini CLI、Codex 三大行業頂流 AI 編程工具融為一體，為全球超 10K 開發者打造出高效協同的智能編程生態，重新定義了現代開發的效率標杆。 三大

AI

收藏 評論

wintersun 頭像

PetterLiu - Claude Code團隊內部使用指南

Claude Code（Anthropic 推出的 AI 命令行編程工具）的團隊內部使用指南。它系統地總結了高效使用該工具的 10 個核心技巧，旨在將 AI 從簡單的“自動補全”提升為“協同開發者”。 以下是梳理的詳細解讀： 一、 核心效率指標 圖片右上角標註了四個關鍵目標： 10個核心技巧。 3-5個並行會話。 6個月以上無需手動寫 SQL（通過數據分析功能實現）。 3倍語音

AI

收藏 評論

lying7 頭像

躺柒 - 讀人工智能全球格局：未來趨勢與中國位勢15倫理難題

1.在爭議中前行 1.1.自人工智能這個概念誕生以來，棋類遊戲一直被視為頂級人類智力及人工智能的試金石 1.2.最著名的人工智能威脅論來源於奇點理論 1.3.雷·庫茲韋爾在《奇點臨近》一書中預言機器的智能將在2045年超過人類的智能 1.4.著名物理學家霍金相信生物大腦可以達到的和計算機可以達到的沒有本質區別，計算機在理論上可以模仿人類智能，然後超越 1.4.1.著名物理學家霍金相信生物大腦

AI

收藏 評論