tag aigc

標籤
貢獻411
673
05:52 PM · Oct 25 ,2025
miro 頭像 itchenhan 頭像 u_17171882 頭像 u_17513518 頭像 u_15795349 頭像 u_17606904 頭像 u_17540178 頭像 u_17469189 頭像 u_17513850 頭像 u_16213384 頭像 u_16213319 頭像 u_17353299 頭像

@aigc / 博客 RSS 訂閱

u_16213382 頭像

mob64ca12e4972a - ubuntu ollama 模型下載的默認路徑在哪

在使用 Ubuntu 系統中的 Ollama 下載和管理模型時，瞭解默認路徑是很重要的一步。許多用户在進行模型下載的過程中，可能會對默認的存儲路徑感到困惑。今天，我們將深入探討這一問題，並利用備份策略、恢復流程等框架，結合圖表和示例，旨在為您提供一個全面而清晰的解決方案。 備份策略 首先，我們需要明確 Ollama 模型的默認下載路徑。通常情況下，Ollama 將模型下載到用户的

User , bash , aigc , ci

收藏 評論

u_16175487 頭像

mob649e816138f5 - diffusion模型 gpu利用率低

在近期的項目中，我們觀察到“diffusion模型 GPU 利用率低”的問題。這直接影響了模型的推理速度和整體性能，必須通過深度分析和優化來解決這一問題。以下是我們針對這一問題的詳細記錄和解決方案。 用户原始需求 我們的用户希望能夠提升 diffusion 模型在 GPU 上的運行效率，以加速圖像生成和處理的速度，同時也期望能夠優化資源消耗。 演進

高負載 , aigc , 應用場景 , 解決方案

收藏 評論

u_17507674 頭像

網易雲信IM - AI+文旅+遊戲：跨越四百年的“尋夢”之旅

官印一方，文心千古。“他是鐵骨文人，曾拒絕張居正拉攏仕途坎坷，直言上奏；他是遂昌縣令，護百姓，修書院，下鄉勸農，囚犯自願回牢獄。” 四百年前，湯顯祖與遂昌結下不解之緣；四百年後，循着《牡丹亭》的遺韻，穿越時空，終於重逢於這片他曾深愛的土地。 在網易雲信的幫助下，《忘川風華錄》中的湯顯祖跨越古今的清夢，一襲紫衣斜倚梅窗，手中的狼毫重新着墨，這一次，寫的不僅是戲文，更是與

實時對話AI智能體 , ip , aigc , bard , 對話AI智能體 , 對話智能體

收藏 評論

u_15795349 頭像

西安王曉楠 - 楊建允：AI搜索優化對品牌管理行業獲客的影響

AI搜索優化（GEO）通過優化品牌在各大AI平台的可見性，顯著影響品牌管理行業的獲客效率。楊建允從以下多個維度分析其具體影響。 獲客效率與成本優化： AI搜索優化能顯著縮短獲客週期，通常7-14天即可實現AI推薦，遠快於傳統SEO的3-6個月；同時降低獲客成本，案例顯示成本可下降40%以上，例如某品牌管理企業通過精準關鍵詞佈局和結構化內容，使線索獲取成本降低52%。

AI搜索 , 生成式引擎優化 , yyds乾貨盤點 , GEO優化 , AI賦能 , AI搜索優化 , AI寫作 , aigc

收藏 評論

u_16213351 頭像

mob64ca12dd07fb - sparksql saveAstable生成的默認位置

在使用Spark SQL進行數據處理時，saveAsTable 方法的默認存儲位置是一個常見問題。它決定了保存表的位置，並影響後續數據訪問和分析的方式。本文將詳細記錄解決“Spark SQL saveAsTable 生成的默認位置”問題的過程。 環境預檢 在進行Spark SQL的部署之前，需要確認我們的環境配置符合要求。此處我們使用思維導圖形式展示環境依賴及組件。 mind

hadoop , bash , aigc , SQL

收藏 評論

u_16213298 頭像

mob64ca12cfec58 - Ubuntu ollama推理時沒有使用gpu

在使用Ubuntu進行ollama推理時，用户常常會遇到“推理時沒有使用GPU”的問題。這是一個常見的性能瓶頸問題，直接影響到預測的速度和效率。下面將詳細闡述如何解決該問題的過程。 用户反饋： “在使用ollama進行模型推理時，始終沒有看到GPU的使用，我確定我的設備有GPU，但怎麼設置都無法啓用。” 根據上面的用户反饋，可以看出問題出在模型推理的過程中未能有效利

aigc , ci , CUDA , Ubuntu

收藏 評論

u_17606904 頭像

mb694a37feede5d - 2025年AI論文寫作工具綜合評測報告

在學術創作全流程中，開題無思路、文獻檢索不全、重複率居高不下、AI生成內容難檢測等痛點，持續困擾高校師生與科研人員。優質AI寫作工具應成為學術創作的“加速器”，而非阻礙創新的“絆腳石”。本次評測基於1000餘名學術人羣的實際使用反饋，從5大核心維度篩選出5款綜合實力突出的工具，為不同需求用户提供幫助。 一、核心評測維度 功能覆蓋廣度

訊飛 , 自動生成 , AI寫作 , aigc , 語音識別

收藏 評論

u_14402 頭像

Aceryt - IT架構規劃與IT戰略規劃

少走三年彎路的數字化心法。 上週和一位新能源車企老闆聊天，他説：“花了300萬上ERP、CRM，IT團隊天天加班，業務部門卻總抱怨‘系統不好用’，到底哪裏錯了？” 其實這不是個例。我做CIO十多年，見過太多企業把“數字化”做成了“系統堆砌”。以為買齊工具就是轉型，卻忘了IT的本質是“用技術幫業務解決問題”。就像蓋房子，有人只

數字化轉型 , 管理架構 , 文心一言 , 技術架構 , aigc , 應用架構 , 信息化建設

收藏 評論

u_17608568 頭像

api大模型前言資訊 - 2026 AI 大模型API 生態對比：LiteLLM、AnythingLLM、OpenRouter 與 poloapi.top 的深度比較與應用場景

目錄 引言：2026 年 AI 大模型的連接與挑戰 LiteLLM：標準化 Python 調用的 AI API 適配器 OpenRouter：全球性小眾 AI 模型的聚合平台 AnythingLLM：簡易構建本地 AI 知識庫的工具 poloapi.top：國內 AI API 服務的新選擇 橫向對比：誰是最合適的 LLM A

API , aigc , llama , 開發者 , Python

收藏 評論

u_16175474 頭像

mob649e815e258d - github copilot vscode key

“GitHub Copilot 在VSCode中的應用與優化” 在現代開發環境中，GitHub Copilot 已成為眾多開發者不可或缺的工具。然而，許多用户在使用過程中遇到了一些問題，尤其是關於“GitHub Copilot VSCode key”的配置和優化。本文將詳細探討解決此類問題的過程，包括實戰示例、特性分析及深度原理的解析。 背景定位 在軟件開發中，代碼自動生成的

項目開發 , 開發效率 , aigc , 開發者

收藏 評論

u_16175494 頭像

mob649e81630984 - 安裝好transformer如何運行llama

首先，讓我們探討一下如何解決“安裝好transformer如何運行llama”的問題。在這一篇文章中，我將系統化記錄下我的分析過程和步驟。 問題背景 在進行自然語言處理（NLP）模型的開發或實驗時，依賴於高級框架，如 transformer，是不可或缺的。llama 模型作為一個極具潛力的語言模型，在與 transformer 集成使用時，可實現更高效的文本生成和理解。儘管如此，

加載 , bash , aigc , Python

收藏 評論

u_16175491 頭像

mob649e81624618 - ollama量化

在探索“ollama量化”問題的過程中，我深入分析了多個維度，構建出一套完整的解決方案。這篇博文將全面展示這個過程，力求為讀者帶來系統化的理解。 在當今雲計算和大數據的背景下，量化技術被廣泛應用於資源分配、性能優化等場景。Ollama量化作為一種前沿技術，主要用於數據處理與推理任務的優化。它在大規模應用中表現出了極大的潛力和價值，特別是在實時數據分析、機器學習預處理等方面。 我通

資源分配 , lua , 市場份額 , aigc

收藏 評論

lookingdream 頭像

yzy121403725 - 常見模型部署環節優化技術微調、剪枝、蒸餾、量化等

模型優化技術 —— 目的都是讓訓練好的模型更適配部署環境（如低算力設備、低延遲場景），同時儘可能保留模型性能（精度、效果） 一、微調（Fine-tuning）：讓模型 “適配新場景” 1. 核心定義 微調是在預訓練模型（如 BERT、ResNet）的基礎上，用少量目標場景的數據集繼續訓練，調整模型參數以適配具體任務或環境的過程。可以理解為：預訓練模型已經 “學會

部署模型優化技術 , aigc , llama

收藏 評論

u_16213453 頭像

mob64ca12f58d71 - linux自己微調的本地大模型如何部署到ollama上

在本文中，我將詳細記錄“Linux自己微調的本地大模型如何部署到Ollama上”這一過程。很多開發者在本地微調模型後，常常面臨將其部署到有效運行環境中的難題。以下是我整理的解決方案及過程。 問題背景 隨着大模型技術的發展，越來越多的開發者開始在Linux環境中自己微調大型模型。假設我們使用的數據集大小為$D$，模型參數規模為$P$，我們希望通過不斷的訓練來提高模型的準確性。在這種

bash , aigc , 開發者 , ci

收藏 評論

u_17171882 頭像

Chikaoya - R語言21天學習計劃 - 第十三天：文本挖掘與自然語言處理

📚 今日目標 掌握文本預處理基本技術 學習詞頻分析和TF-IDF 掌握情感分析方法 學習主題建模（LDA） 實踐文本分類 📝 第一部分：文本預處理 1.1 安裝必要的包 # 安裝文本挖掘相關包 install.packages(c("tm", "tidytext", "text2vec", "

預處理 , 數據 , 詞頻 , AI寫作 , aigc

收藏 評論

u_16099315 頭像

編程藝術之光 - ubnutu ollama 配置

ulua proto配置 感謝tolua/ulua開發and維護的大神們。 最近項目用到ulua，項目使用protobuf，希望在項目發佈後依然能夠修改網絡通信協議，所以希望在lua這邊使用proto。 我使用的ulua的 LuaFrameWork框架代碼來配置。看了一下ulua論壇的luaproto使

github , lua , midjourney , ulua , aigc , ubnutu ollama 配置 , Python

收藏 評論

u_16213352 頭像

mob64ca12dd455e - stable Diffusion 採樣方法下載

在當今的AI應用領域中，Stable Diffusion因其強大的圖像生成能力而備受關注。然而，很多用户在下載和使用Stable Diffusion的採樣方法時遇到了一些技術上的挑戰。在這篇博文中，我將深入分析這個問題的解決方法，涵蓋各個重要方面，包括對不同版本的比較、遷移指南、兼容性處理、實戰案例、性能優化和生態擴展等內容。 版本對比：特性和性能的演進 Stable Diffu

性能優化 , 新版本 , 配置文件 , aigc

收藏 評論

u_16175507 頭像

mob649e8166179a - ollama 跑雙顯卡的原因不跑GPU

ollama 跑雙顯卡的原因不跑GPU 在當今的深度學習和人工智能應用中，使用雙顯卡的配置可以極大地提升模型訓練和推理的性能。然而，許多用户在使用 ollama 時，發現儘管配置了雙顯卡，卻仍然無法有效利用 GPU。本文將深入探討這個問題的背後原因，並提供解決方案。 背景定位 適用場景分析，人們希望在高性能計算任務中充分利用硬件資源，尤其是在進行深度學習模型訓練時，雙顯卡的配

性能需求 , aigc , 深度學習 , CUDA

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

lizhuo6 頭像

oioihoii - AI 技能工程入門：從獨立能力到協作生態

隨着大型語言模型（LLM）能力的飛速發展，如何讓它們穩定、高效地執行復雜任務，已成為AI工程化的核心挑戰。作為應對，“技能”（Skills） 作為一種新興的AI能力封裝範式應運而生，而由其引發的AI智能體間的互操作性問題，則催生了以模型上下文協議（MCP） 為代表的一系列通信協議。 本文將系統性地介紹技能的概念、開發方法，並深入探討其與MCP等協議的關係，為你構建下一代智能應用奠定基

外部工具 , 封裝 , aigc , llama , 複用

收藏 評論

u_16213598 頭像

mob64ca13fbd761 - llamafactory 修改loss

貌似大多時候我們創建一個對象最終都是用new運算符生成的 反射允許我們動態的加載類,也就是説完全可以在配置文件裏決定究竟要選用哪個類 這樣,就可以把數據庫工廠,皮膚等寫成類放在dll中,通過修改配置文件隨意的改變 如我們有一個數據庫工廠接口IDatabaseFactory,兩個數據庫工廠類實現這個接口

null , llamafactory 修改loss , 文心一言 , assembly , 數據庫 , aigc , c

收藏 評論

u_16213392 頭像

mob64ca12e6f33c - ollama 部署 safetensors

在這篇文章中，我們將深入探討如何有效地部署“safetensors”到“ollama”的環境中。本文將從環境準備開始，涵蓋分步指南、配置詳解、驗證測試、排錯指南，直到擴展應用，希望大家能在這個過程中充分理解每個環節的細節與流程。 環境準備 首先，我們需要為部署做好前置依賴的安裝。確保你的系統上具備以下環境： Python 3.8+ Node.js 14.x 或以

排錯 , bash , aigc , Docker

收藏 評論

miro 頭像

mb6900529f6798c - 重磅！JavaScript 新提案 Temporal API 徹底解決日期處理難題，5大實用場景解析

重磅！JavaScript 新提案 Temporal API 徹底解決日期處理難題，5大實用場景解析 引言 JavaScript 的日期和時間處理一直是開發者們頭疼的問題。從 Date 對象的反人類設計（如月份從0開始）到時區處理的複雜性，這些問題困擾着前端和後端開發者多年。如今，一個名為 Temporal 的新提案正在 Stage 3 階段（截至2023年），它有望徹底解決這些

技術分享 , AI寫作 , aigc , JAVA , 編程教程

收藏 評論

u_16213341 頭像

mob64ca12da726f - stablediffusion源碼部署離線

stablediffusion源碼部署離線的完整記錄 在今天的技術環境中，使用穩定擴散（Stable Diffusion）生成高質量的圖像已成為一項重要的任務。為了保證穩定擴散項目能夠離線運行，確保源碼的部署流程是每一個開發者無法迴避的挑戰。本文將詳細介紹“stablediffusion源碼部署離線”的各個步驟，包括環境準備、分步指南、配置詳解、驗證測試、優化技巧與排錯指南。 環

虛擬環境 , bash , aigc , Python

收藏 評論