@大模型

動態 列表
@u_16827017

LLM 對時間序列推理的增強究竟指的是什麼?LLM 對齊(alignment regimes)與時序推理的可靠性之間是什麼關係?

時間序列數據廣泛出現於自然科學、社會科學以及工程技術等各類領域中,其核心特徵在於數據隨時間的演變規律。長期以來,如何從這些動態變化的數據中提取有價值的信息、實現精準預測、並基於歷史數據進行推理,一直是數據分析、統計學和機器學習研究的核心問題。傳統的時間序列分析方法,如自迴歸模型(AR)、移動平均模型(MA)、以及更復雜的狀態空間模型和卡爾曼濾波器,在一定程度上能夠描述和預測數據的

u_16827017 頭像

@u_16827017

昵稱 全棧技術開發者

@kuaishoutech

從“攔路虎”到“修路工”:基於AhaEdit的廣告素材修復

零、引言 一條保健品廣告在系統裏亮起了紅燈。 視頻裏,一位精神矍鑠的老人正在分享體驗。畫面看似陽光健康,但我們的風險定位模型精準捕捉到了違規點——那句"喝了能夠清宿便,相當於給腸道做SPA"的文案,涉及到醫療保健功效問題。 按照傳統流程,這條廣告將被駁回,客户需要根據政策修改創意,然後重新提交。這個過程往往伴隨着不確定性:哪裏違規?怎麼改才能通過?多次往返溝通也會影響投放效率。 但這一

kuaishoutech 頭像

@kuaishoutech

昵稱 快手技術

@nianqingyouweidenangua

深度剖析:企業如何將生成式AI能力融入傳統軟件開發,實現價值倍增?

在數字化轉型的浪潮中,人工智能正以前所未有的力量,驅動着業務模式與運營效率的深刻變革。企業應如何理解並駕馭這一顛覆性技術?傳統軟件開發模式將面臨怎樣的升級?我們又該如何選擇正確的技術路徑,讓AI真正為業務賦能? 我們特別邀請到迅易科技COO Jacky,近期正聚焦生成式AI的企業級落地研究,AI智能體在多行業場景的應用,力求讓AI技術真正紮根業務、創造實效。 帶着這些問題,我們一起深入解析生成式

nianqingyouweidenangua 頭像

@nianqingyouweidenangua

昵稱 迅易科技

@bizidadejianbing

如何通過Python SDK向Collection中插入或更新Doc

本文介紹如何通過Python SDK向Collection中插入或更新Doc。 説明 若調用本接口時Doc Id已存在,則等同於更新Doc; Doc Id不存在,則等同於插入Doc。 若調用本接口時不指定Doc Id,則等同於插入Doc,DashVector會自動生成Doc Id,並在返回結果中攜帶id信息。 前提條件 已創建Cluster 已獲得API-KEY 已安裝最

bizidadejianbing 頭像

@bizidadejianbing

昵稱 DashVector

@kuaishoutech

快手&南大聯合發佈自適應推理框架HiPO,突破LLM“過度思考”困局

當用户向大語言模型提出一個簡單問題,比如“單詞HiPPO裏有幾個字母P?”,它卻正襟危坐,開始生成一段冗長的推理鏈:“首先,讓我們分析HiPPO這個詞,河馬的英文單詞為hippo,河馬是一種半水生哺乳動物,這裏用户用了大寫字母,可能有特殊的含義,對於單詞HiPPO,我們可以將其拆分為H-i-P-P-O,字母P出現在第3與第4個位置,因此有2個字母P...讓我們簡化問題,HiPO可以拆分為...”

kuaishoutech 頭像

@kuaishoutech

昵稱 快手技術

@cloudimagine

實戰揭秘|魔搭社區 + 阿里雲邊緣雲 ENS,快速部署大模型的落地實踐

一種高效、便捷的部署方式。 隨着大模型技術的快速發展,業界的關注點正逐步從模型訓練往模型推理轉變。這一轉變不僅反映了大模型在實際業務中的廣泛應用需求,也體現了技術優化和工程化落地的趨勢。 魔搭社區(ModelScope)作為開源大模型的聚集地,結合阿里雲邊緣雲 ENS ,提供了一種高效、便捷的部署方式。通過按需付費和彈性伸縮,開發者可以快速部署和使用大模型,享受雲計算的便利。本文介紹了魔搭社

cloudimagine 頭像

@cloudimagine

昵稱 CloudImagine

@mirrorship

StarRocks 向量索引如何讓大模型“記性更好”?

隨着 ChatGPT、DeepSeek 等大語言模型的普及,我們已經能夠與 AI 進行流暢的對話。然而,即使是最先進的大模型也面臨着“記憶困境”,具體表現模型只能記住訓練時接觸的知識,且這些知識在使用時很可能會過期。實際應用或在處理特定領域問題時,可能生成看似合理但實際錯誤的內容。 大模型的“知識固化”問題一定程度上限制了其在企業級應用中的價值。那麼,如何讓大模型擁有更好的“記性”,實現知識的動態

mirrorship 頭像

@mirrorship

昵稱 鏡舟科技

@dewujishu

大模型如何革新搜索相關性?智能升級讓搜索更“懂你”|得物技術

一、背 景 你是否曾在社區搜索時遇到這樣的困擾:想找一雙“平價學生黨球鞋”,結果出現的多是限量聯名款?或者輸入“初冬輕薄通勤羽絨服”,卻看到厚重登山款?這類“搜不準”的情況,正是搜索相關性技術要解決的核心問題——讓搜索引擎更準確地理解用户意圖,返回真正匹配的結果。今天,我們就來揭秘得物如何用大模型技術讓搜索變得更“聰明”。 搜索相關性,即衡量搜索結果與用户查詢的匹配程度,通俗來説就是“搜得準不準”

dewujishu 頭像

@dewujishu

昵稱 得物技術

@openanolis

直播預告:Mooncake 如何破解成本、吞吐與長上下文困局? |《AI 進化論》第五期

在 AI 與本土化雙重浪潮之下,服務器操作系統正迎來歷史性變革。由龍蜥社區理事長單位阿里雲聯合 InfoQ 打造的直播 IP 欄目《AI 進化論:智算時代操作系統的破局之路》,以雲、AI、安全等技術與服務器操作系統如何融合演進為主線,聚焦服務器操作系統在智算時代的進化之路,特邀學術權威、行業專家、客户代表圍繞原生智能、原生安全、軟硬協同等熱點議題展開深度對話。截至目前,已直播四期,線上觀看人次達

openanolis 頭像

@openanolis

昵稱 龍蜥社區

@elhix0bg

雲棲實錄 | 通義實驗室基於MaxCompute進行大模型數據管理及處理

本文根據9月25日雲棲大會--《通義基於MaxCompute進行大模型數據管理及處理》演講整理而成,演講信息如下: 演講人:曾劍元通義實驗室系統研發總監 主要內容: _AI數據的特點,跟傳統大數據的區別_ _通義實驗室為什麼基MaxCompute來構建我們的數據平台_ _通義實驗室的大模型的數據平台架構_ AI數據區別於傳統數據的三個特點 第一個特點是數據組織的無標準。像傳統大數據基本上是一個大寬

elhix0bg 頭像

@elhix0bg

昵稱 阿里雲大數據AI

@meituanjishutuandui

LongCat-Flash-Omni正式發佈並開源:開啓全模態實時交互時代

自9月1日,美團正式發佈 LongCat-Flash 系列模型,現已開源 LongCat-Flash-Chat 和 LongCat-Flash-Thinking 兩大版本,獲得了開發者的關注。今天 LongCat-Flash 系列再升級,正式發佈全新家族成員——LongCat-Flash-Omni。 LongCat-Flash-Omni 以 LongCat-Flash 系列的高效架構設計為基礎(

meituanjishutuandui 頭像

@meituanjishutuandui

昵稱 美團技術團隊

@secretflow

如何在不可信的雲環境中,構建兼具極致性能與卓越安全的大語言模型(LLM)推理服務?

打開鏈接點亮社區Star,照亮技術的前進之路。每一個點贊,都是社區技術大佬前進的動力 Github 地址: https://github.com/secretflow/secretflow 關於作者:大家好!我是 2025隱語杯數據挑戰賽"密態大模型推理的隱私保護”賽道的參賽選手祁宏,來自香港科技大學(廣州),我在研究生階段的研究方向是大模型,指導老師是唐靖教授。 非常榮幸能夠在本次賽

secretflow 頭像

@secretflow

昵稱 隱語SecretFlow

@shuyixiaobututou

我的開源項目-PandaCoder迎來史詩級大更新啦

📖 插件簡介 PandaCoder 是一款專為中文開發者設計的 IntelliJ IDEA 插件,集成了中文編程轉換、Jenkins Pipeline支持、SpringBoot配置文件圖標顯示等多項強大功能。通過智能翻譯引擎和專業的開發工具支持,大幅提升中文開發人員的編程效率和開發體驗。 項目地址 https://github.com/shuyixiao-better/PandaCoder 1

shuyixiaobututou 頭像

@shuyixiaobututou

昵稱 舒一笑不禿頭

@congweibiaobaidemalingshu

跨頁表格不用愁!OCRFlux-3B 一鍵提取乾淨文本

你有沒有試過從 PDF 裏複製一張跨頁表格?粘出來後表格被撕成兩半,排版亂成一團,本來幾分鐘的工作瞬間變成半小時的「拼圖」大戰。 針對這種煩惱,OCRFlux-3B 應運而生。它在 2025 年 6 月由 ChatDOC 團隊發佈,是一個基於多模態大模型的工具包,能把 PDF 和圖片轉成乾淨、可讀的 Markdown 文本。不僅支持頁面級轉換,還能自動合併跨頁表格和段落,讓複雜文檔結構瞬間清爽。

congweibiaobaidemalingshu 頭像

@congweibiaobaidemalingshu

昵稱 小白獅ww

@santaizi

你想輕鬆調用全球主流AI模型嗎?快來加入Sight AI

一、Sight AI是什麼? 我們是SightAI,一個基於去中心化推理網絡的AI模型即服務平台。 無論你是在測試前沿模型還是分享創意項目,你都能在這裏找到志同道合的人! 關於這個社區 在這裏你可以尋找到以下內容: 功能公告和更新 探索文檔 查看我們的文檔 https://sightai.gitbook.io/ 以瞭解更多信息 技巧和竅門 讓你的 Sight AI 體驗達到最佳 分

santaizi 頭像

@santaizi

昵稱 sight_ai

@dewujishu

RAG—Chunking策略實戰|得物技術

一、背 景 在 RAG 系統中,即便採用性能卓越的 LLM 並反覆打磨 Prompt,問答仍可能出現上下文缺失、事實性錯誤或拼接不連貫等問題。多數團隊會頻繁更換檢索算法與 Embedding模型,但收益常常有限。真正的瓶頸,往往潛伏在數據入庫之前的一個細節——文檔分塊(chunking)。不當的分塊會破壞語義邊界,拆散關鍵線索並與噪聲糾纏,使被檢索的片段呈現“順序錯亂、信息殘缺”的面貌。在這樣的

dewujishu 頭像

@dewujishu

昵稱 得物技術

@nianqingyouweidenangua

從“模糊經驗”到“精準決策”,國內項目型服務企業的AI預測實踐

“預測做不準,還不如不做。”這是我們在服務客户的時候聽過最多,也最令人無奈的現實。 在當今競爭激烈的商業環境中,精準的銷售收入預測對於企業制定戰略規劃、合理配置資源以及有效控制風險起着關鍵作用。然而,對於項目制服務企業而言,實現這一目標卻面臨着諸多挑戰。 以一家提供專業諮詢方案的項目制服務企業為例,銷售人員每天都會接觸到大量的銷售線索,但這些線索的質量參差不齊,如何從這些繁雜的線索中篩選出有價值的

nianqingyouweidenangua 頭像

@nianqingyouweidenangua

昵稱 迅易科技

@shuirongshui

圖文並茂:從Ubuntu服務器上安裝Ollama,到下載大模型,到寫前端頁實現大模型問答對話功能

本文圖文並茂,記錄安裝 Ollama過程,下載大模型,啓動ollama大模型服務,然後通過nginx代理外部請求訪問,實現一個前端問答效果 準備工作 一台服務器,操作系統 Ubuntu,版本大於等於 20.04,筆者的是 Ubuntu 22.04 64 bit 當然了 有域名最好 一個圖形可視化化鏈接服務器軟件,筆者推薦 winscp 一架梯子,筆者用的是,clash小貓 效果圖 效

shuirongshui 頭像

@shuirongshui

昵稱 水冗水孚