tag 迭代

標籤
貢獻103
152
01:02 PM · Nov 08 ,2025
u_17580222 頭像 u_13715298 頭像 u_13357275 頭像 u_16018702 頭像 u_16993624 頭像 u_17321650 頭像 u_15943685 頭像 u_15469972 頭像 u_15147453 頭像 u_17578926 頭像 u_13717764 頭像 u_15675268 頭像

@迭代 / 博客 RSS 訂閱

u_17408641 頭像

咕泡科技 - 代碼的未來：當AI學會創造，我們技術人的價值何在？

AI與大模型，已如電力和互聯網般融入我們工作和生活的方方面面。當技術從分析過去邁入生成未來，企業與技術人又該如何重塑自身價值？我們又該如何藉助這一波技術浪潮，實現能力的跨越與職業的突破？ 11月16日，咕泡科技聯合創始人、AI大模型事業部負責人譚鋒（Mic）老師受邀參與“數有引力·Sure沙龍丨AI時代，個體機遇新選擇”深度沙龍進行分享，與眾多行業同行展開探討：大模型不僅改

應用層 , 人工智能 , 深度學習 , 生成式 , 迭代 , 大模型

收藏 評論

u_16099192 頭像

架構魔法之光 - 更快，更智能的編輯其UltraEdit V28發佈！

導語 StepFun AI於2025年9月8日正式發佈圖像編輯大模型Step1X-Edit v1.2預覽版，首次將推理編輯能力與反思修正機制引入圖像編輯領域，在KRIS-Bench評測中實現55.64的綜合得分，較上一代提升7.8%，重新定義了AI圖像編輯的智能邊界。 行業現狀：從像素操作到智能決策的跨越 2025年全球圖像編輯軟件市場規模預計達13.7

模態 , 迭代 , 前端開發 , Git , Javascript

收藏 評論

u_14457 頭像

clghxq - dify進行嵌入式索引很慢

列表list 元素可以放各種類型，字符串，數字，bool元組，列表，字典，對象 列表是有序的，可以索引可以切片，跟字符串的索引和切片是一樣的操作 如果是取單個的元素，元素本身是什麼類型取出來就是什麼類型，如果是切片，取出來依然是列表 li = ['haha',123,[14,5,6],''] print(li[0]) print(li[1:4])

dify進行嵌入式索引很慢 , 大數據 , 字符串 , 數據倉庫 , 迭代 , for循環

收藏 評論

u_17514447 頭像

mb68b85ccf7a016 - Rust 循環語法終極指南：​​loop​​, ​​while​​ 和 ​​for​​

歡迎來到 Rust 的世界！在編程中，我們經常需要重複執行某段代碼，這就是“循環”大顯身手的時候。Rust 提供了三種強大且各具特色的循環工具：loop, while 和 for。 本教程將帶你逐一瞭解它們，並通過生動的圖解和實例，讓你明白何時使用哪種循環。 循環概覽 在開始之前，我們先通過一張圖來快速瞭解這三種循環的“性格”和適用場景。 1. l

流程圖 , 物聯網 , rust , 迭代

收藏 評論

u_17213027 頭像

wx676be6175e246 - Android開發中while循環

在Android應用開發中，while循環作為基礎控制結構，其正確使用對性能優化和功能實現至關重要。本文將從語法特性、應用場景、潛在風險及優化策略四個維度展開詳解。 一、語法特性與執行邏輯 while循環通過while(condition)實現條件判斷，只要condition為true，便持續執行循環體。其核心特點包括： 先判斷後執行：

移動開發 , while循環 , Android , 應用場景 , 迭代

收藏 評論

u_16018702 頭像

架構師李哲 - 大模型微調有必要做嗎？全參數微調、LoRA還是RAG？看完這篇你就懂了

在人工智能迅猛發展的今天，大型語言模型已成為解決各類問題的強大工具。但當您想要打造一個真正理解所在行業、掌握專業知識的大模型時，總會面臨一個關鍵問題：如何用最小的成本、最高的效率，讓通用模型變得"專業"？ 這就像把一位通才培養成領域專家——選對方法，事半功倍。這正是LLaMA-Factory Online要解決的核心問題——通過智能化的微調，讓每個團隊都能輕鬆駕馭大模型適配

實時更新 , 數據 , 人工智能 , 深度學習 , 迭代

收藏 評論

u_16175513 頭像

mob649e8167c4a3 - modelscope 運行 llama

modelscope 運行 llama 的問題，是在進行大規模深度學習模型實驗時我所遇到的一個技術挑戰。本文將詳細記錄解決這一問題的思路和過程。 首先進行業務場景分析，我們的主要目標是使得模型能夠在不同的環境下高效而準確地運行。基於此，我繪製了一張四象限圖，以展示團隊在技術債務的分佈情況，幫助識別優先級和影響力的關係。 quadrantChart title 技術債務分佈

優先級 , aigc , 基礎設施 , 迭代

收藏 評論

u_16213302 頭像

mob64ca12d0e5a4 - ollama下載千問模型

ollama下載千問模型的描述 在當前的AI技術快速發展背景下，模型下載和使用的便捷性已成為開發者和研究者關注的重點。其中，Ollama平台以其簡單的接口和強大的支持庫，吸引了眾多用户。近年來，“ollama下載千問模型”的相關問題頻現，本文旨在詳盡記錄解決該問題的過程，包括場景分析、演進歷程、架構設計、性能優化、故障覆盤及經驗總結。 背景定位 隨着AI的廣泛應用，各種模型和

下載速度 , API , aigc , 迭代

收藏 評論

u_16213684 頭像

mob64ca14106f2f - 微分方程的數值解法之歐拉方法_歐拉法精確解怎麼求

BSDE（後向隨機微分方程）的歐拉算法實現。 BSDE在金融數學、隨機控制等領域有重要應用。 1. BSDE基本理論 BSDE的一般形式 BSDE通常表示為： Y_t = ξ + ∫_t^T f(s, Y_s, Z_s) ds - ∫_t^T Z_s dW_s 其中： Y_t 是狀態過程 Z_t 是控制

大數據 , hadoop , 生成器 , 基函數 , 迭代

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：十八、解密LangChain中的RAG架構：讓AI模型突破侷限學會“翻書”答題

一、相得益彰 在人工智能領域，我們常常遇到兩個核心挑戰：如何讓模型獲取最新知識，以及如何讓模型基於特定信息生成準確答案。RAG（Retrieval-Augmented Generation：檢索增強生成） 提供了一種解決這些挑戰的範式，而 LangChain 則提供了實現這一範式的完整工具箱。二者的結合，就像RAG給了建築師既有了設計藍圖，而LangChain又有了全套現代

yyds乾貨盤點 , API , 數據庫 , AI寫作 , aigc , 迭代

收藏 評論

u_17420180 頭像

合合信息解決方案 - 為什麼金融機構需要建設AI中台？

熱點背景 當前，銀行業數字化轉型已從“業務線上化”的初級階段，邁入“運營智能化”與“能力平台化”的深水區。隨着金融業務規模持續擴張，國際結算、運營管理、信貸服務等核心環節涉及的文檔單證數量激增、類型繁雜，對處理效率與精準度的要求不斷提升。然而，傳統分散的AI能力建設模式，普遍存在技術標準不一、資源重複投入、數據難以互通、模型迭代效率低下等頑疾，已成為制約銀行降本增效、防控風

機器學習 , 字段 , 即插即用 , 人工智能 , 迭代

收藏 評論

u_16213700 頭像

mob64ca14144dde - 【優化佈局】基於matlab粒子羣算法優化充電站佈局【含Matlab源碼 012期】

.課題概述 基於PSO粒子羣優化和Voronoi圖的配電網電動汽車充電站最優選址matlab仿真。PSO 算法用於全局搜索最優解，Voronoi 圖則用於分析充電站的服務範圍和覆蓋情況。通過建立數學模型，利用 PSO 算法對選址方案進行優化。 2.系統仿真結果 3.核心程序與模型 版本：MATLAB2022a

點集 , bc , 迭代 , 前端開發 , Javascript

收藏 評論

u_12830878 頭像

mb58f33267314e7 - AI工具 vs AI夥伴：3個核心差異，幫你重新定義AI使用方式

AI從“能做事”進階到“會懂人”，我們對它的認知也正在經歷一場關鍵迭代——從“工具”到“夥伴”的跨越，不僅是使用場景的拓展，更藏着技術邏輯與交互模式的本質差異。很多人困惑於“同樣是用AI，為什麼有人只把它當效率插件，有人卻能讓它成為成長助力？”核心答案，就藏在“工具式使用”與“夥伴式協作”的底層邏輯裏。今天，我們就從3個核心維度，拆解兩者的差異，幫你重新定義AI的使用方式。

數據 , 職場規劃 , aigc , bard , 迭代

收藏 評論

u_16827017 頭像

全棧技術開發者 - 什麼叫做微服務？它和傳統的項目之間有什麼區別？又有哪些技術在微服務領域比較流行呢？微服務架構的高內聚低耦合原則如何具體落地？

在信息技術高速發展中，軟件系統的規模和複雜性不斷增加。現代企業應用不僅要求高併發、高可用，還需要在快速變化的市場環境中實現持續迭代和靈活部署。然而，傳統單體應用在系統擴展、模塊協作和運維管理上逐漸暴露出侷限性。隨着系統功能不斷疊加，模塊之間的耦合度提高，開發和維護的成本顯著上升，同時系統演化的靈活性受到限制。 面對這些挑戰，軟件工程師和架構師們開始探索更為靈活和可管理的系統

yyds乾貨盤點 , 微服務 , 軟件系統 , 架構 , 後端開發 , 迭代

收藏 評論

u_1150085 頭像

I_am_Alex - 標題：AI 工程化落地：企業智能化轉型的挑戰、策略與未來展望

當大模型技術以 “每天上新模型” 的速度迭代，當企業 80% 的 AI 投入僅覆蓋 3% 的核心流程，當傳統組織架構與 10 倍生產力的 AI 工具格格不入 ——AI 工程化落地正站在 “冰火兩重天” 的十字路口。2026 年初，由【Yolanda科技見聞】與【矩陣起源】聯合主辦的 “AI + 數據時代技術戰略與組織進化” 第三期“智能規劃 —— 如何制定一份AI時代的技術戰略藍

組織架構 , 機器學習 , 指尖人生 , 數據 , 人工智能 , 迭代

收藏 評論

u_15147453 頭像

全極世界 - 大頭針AI爆火背後：音樂創作平民化與華語樂壇的算法革命

近期，由酷狗音樂阿波羅聲音實驗室打造的AI虛擬歌手“大頭針”憑藉翻唱經典歌曲在抖音等平台爆火，單月漲粉超38萬。其現象級傳播不僅展示了生成式AI在音樂領域的強大能力，更引發了關於創作門檻崩塌、版權歸屬模糊及人類歌手價值存疑的深層爭議。這場由算法掀起的風暴，究竟是音樂產業的技術革命，還是藝術價值消解的預兆？ 單月漲粉超38萬，一個名為

機器學習 , 數據 , 人工智能 , 原始數據 , 迭代

收藏 評論

u_16213571 頭像

網絡安全專家 - EasyGBS新增磁盤閾值判斷，可自動刪除較早雲端錄像文件 -

EasyGBS平台近日迎來版本大更新（v3.7.168）。本次迭代聚焦功能拓展與體驗優化，新增音頻轉碼、推流插件及RTC設備接入能力，同時優化核心交互邏輯，移除冗餘功能，進一步提升平台在安防監控、直播分發等場景的適配性與穩定性。以下為詳細更新解讀： 一、新增功能：拓寬應用邊界，適配多元場景 1）GB音頻G711轉AAC：解決多終端兼容痛點 G711編碼雖延遲低、

視頻流 , 多終端 , 後端開發 , 迭代 , Python

收藏 評論

AmbitionGarden 頭像

Ambition的後花園 - java程序員如何實現敏捷開發

對於Java程序員來説，敏捷開發遠不止是一種項目管理流程，它更是一套需要用具體技術和實踐來支撐的工程哲學。下面我將從核心實踐、技術工具、團隊協作和常見陷阱幾個方面，為你梳理出一份可操作的行動指南。 ⚙️ 核心開發實踐 紮實的日常工程實踐是敏捷迭代的基石，它們能直接提升你的代碼質量和開發效率。 測試驅動開發與自動化測試：敏捷強調“工作的軟件高於詳盡的文檔

後端開發 , JAVA , 自動化測試 , 迭代

收藏 評論

u_16099227 頭像

雲端創新者 - React 框架原理與實戰-React 框架原理與實戰-04-01-01React基礎回顧_junying6的博客-博客

一、ReAct範式簡介 在AI智能測試和Agent開發中，ReAct（Reasoning + Acting）範式是核心方法。它通過邊思考邊行動的方式，實現智能體閉環動態決策。 Reasoning（推理）：分析任務信息、環境狀態和歷史數據，生成下一步行動策略。 Acting（行動）：根據策略執行動作，如調用接口、生

多任務 , 後端開發 , 自動化測試 , 迭代 , Python

收藏 評論

u_17566409 頭像

wx69030d3acd3f5 - 兩大不可逆轉的趨勢正在夾擊培訓領域？AI時代，培訓新範式

　【一線數智評論】如果，你發現客户不再為你曾經的王牌課程買單，不是因為課程不好，而是因為遊戲的規則徹底改變。 　　兩大不可逆轉的趨勢正在夾擊我們： 　　1. 企業培訓預算普遍下滑：經濟下行壓力下，企業首先砍掉的就是被視為“成本中心”且ROI模糊的傳統培訓。 　　2. 學習形態徹底顛覆：我們不禁要問：當員工遇到難題時，第一反應是打開那塵封的線上課程庫，還是直接向C

數據 , 人工智能 , 深度學習 , 迭代 , 知識體系

收藏 評論

u_16099186 頭像

技術極客領袖 - python藍橋杯從入門到~

本週學習的內容是：1——13輸入輸出進階 一、新學知識點整理 1：切片操作：s[::-1] 可實現字符串 / 列表的逆序 2：map 函數：用於批量處理可迭代對象的元素，常與input()結合處理輸入 3：bool 類型與條件判斷：掌握布爾值的邏輯判斷與條件分支設計 4：print () 的

字符串 , 單行函數 , Css , 迭代 , 前端開發 , HTML

收藏 評論

u_17398972 頭像

u_17398972 - GLM-4.7 & MiniMax M2.1 實測上線：來AI Ping 免費用兩款最強模型！

引言：從“單次生成”走向“工程交付與長期運行” 大模型的對比，過去常停留在單輪迴答的流暢度與知識覆蓋面；而在真實工程裏，更關鍵的是兩件事： 複雜任務能不能一次交付：需求拆解、修改迭代、工具調用、依賴排錯、迴歸驗證，任何一個環節失手都會把成本指數級拉高。 Agent 工作流能不能長時穩定：連續多步執行、長上下文保持、一致的輸出質量與可控的推理成本，決定了團隊能否把模型

鏈路 , Max , aigc , bard , 迭代

收藏 評論

u_16774904 頭像

萌萌朵朵開 - 如何科學評估微服務是否適合容器化

如何科學評估微服務是否適合容器化，這是微服務容器化遷移前的關鍵步驟，核心是從容器的特性出發，對照微服務的運行依賴、業務屬性、技術架構，判斷兩者的適配性，同時權衡遷移成本與收益，避免盲目遷移導致資源浪費或業務故障。具體可從以下五大核心維度進行評估，每個維度都包含明確的判斷標準和實操參考： 一、 核心維度1：運行依賴與容器環境的兼容性（最基礎，一票否決項） 容器的核心特性

解耦 , 微服務 , 雲計算 , Docker , 迭代

收藏 評論

u_15675268 頭像

1艾一刀 - 資本瘋搶無人物流玩家，行深智能的核心底氣是什麼？

文 | 智能相對論 作者 | 孫曉巍 2025年無人物流配送風起雲涌。頭部玩家接連在資本市場有大動作：新石器年內完成第二筆6億美元的融資，九識智能完成1億美元B4輪融資，白犀牛完成B+輪融資，順豐這樣的物流巨頭甚至連投了三次。 毫無疑問，無人物流配送已經成了自動駕駛垂直領域的真正熱門。數據顯示，今年L4級無人物流配送賽道累計融資已超過40億元人民幣。 當乘

數據 , 自動駕駛 , 人工智能 , 深度學習 , 迭代

收藏 評論