收藏 / 列表

u_16018702 頭像

架構師李哲 - 大模型微調「數據集構建」保姆級教程（超全）

經驗之談：實踐表明，近80%的大模型微調失敗案例，根源都可追溯至數據集問題。 2024年堪稱“行業大模型元年”，金融、醫療、教育等各行各業都在積極佈局專屬AI助手。然而，許多企業在投入重金進行模型微調後，卻常常面臨“模型表現不及預期”的困境。 實踐中常見的三大困境： ● 災難性遺忘：模型在學習了新的專業知識後，原有的通用對話與理解能力顯著衰退。 ● 泛化能

數據 , AI , 大模型微調 , aigc , 人工智能 , 深度學習

baihai_idp 頭像

Baihai_IDP - 並行智能體是否將重塑軟件開發模式？

編者按： 當AI不僅能寫代碼，還能同時處理多個開發任務，軟件工程師這一角色是否正面臨根本性的重塑？ 我們今天為大家帶來的文章，作者的核心觀點是：並行智能體是將深刻改變軟件開發模式的革命性技術。 作者從 AI 編程工具的演進談起，揭示了從 Copilot 的代碼補全到“氛圍編程”的自然語言生成，再到當前的範式突破 —— 並行智能體。作者還坦誠分享了實際應用中的成功率分佈，指出了智能體擅長與不

觀點 , llm , 知識 , 人工智能 , 深度學習

matrixorigin 頭像

MatrixOrigin - AI時代的數據管理新範式：Git for Data讓數據工程化

AI的發展速度，正在與企業的數據管理能力，形成一對日益尖鋭的矛盾。 一方面，算法模型日新月異，每天都有新的突破刷新認知。另一方面，企業內部的數據現狀卻不容樂觀：超過九成的數據沉睡在不同的系統中，格式雜亂、形態各異，形成一座座數據孤島。 這種割裂，讓AI開發者陷入了"巧婦難為無米之炊"的窘境。據麥肯錫調研，數據準備工作佔據了AI項目70%以上的時間。當算法的迭代以天為單位，數據準備的週期卻常常以周、

人工智能 , Git

openanolis 頭像

龍蜥社區 - 龍蜥Confidential MaaS解決方案如何破解MaaS “黑盒”困局|《AI 進化論》第三期

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，已直播兩期，線上觀看人次達

操作系統 , 人工智能 , 開源

nocobase 頭像

NocoBase - 簡化的架構治理：使用 NocoBase 構建應用程序目錄

這篇博客由 Leandro Martins 創作，並最初發表在使用 NocoBase 構建應用程序目錄。 本文的目標是展示 NocoBase) 在無代碼開發 Web 應用方面的潛力和易用性。作為一個案例研究，我將創建一個應用程序目錄來輔助架構治理。此案例將使用 NocoBase 的功能，包括建模、安裝、創建表格、菜單、表單、圖表以及工作流。 本文將使用以下技術：NocoBase、Postgres

應用開發 , 無代碼開發平台 , 低代碼 , 開源 , Web

liudamao 頭像

劉大貓 - Linux下版本控制器(SVN) -命令行客户端

@[toc] 進階知識-Linux下版本控制器(SVN) 5、命令行客户端 5.1 創建兩個工作區目錄模擬兩個開發人員 mkdir -p /root/workspace/harry mkdir -p /root/workspace/sally 5.2 檢出 作用：完整下載版本庫中的全部內容。 命令： svn checkout svn://192.168.70.140/pro

算法 , svn , 人工智能 , tortoisesvn , 大模型

huandanshendeshoushudao 頭像

慧星雲 - 魔多 AI 支持 Wan 系列在線訓練 ：解鎖視頻生成新高度

Wan 阿里巴巴通義實驗室推出的 Wan 系列模型憑藉突破性的技術架構與卓越的生成能力，成為行業關注的焦點。為助力開發者與創作者深挖視頻生成技術潛力，魔多 AI 社區正式宣佈全面支持通義萬相 Wan2.1 與 Wan2.2 兩款重磅視頻模型的訓練服務，為不同場景的創作需求提供專業級技術支撐。 Wan2.1Wan2.2 Wan2.1 Wan2.1 採用自研高效變分自編碼器（VAE）與

雲平台 , 雲計算 , 雲服務 , aigc

codists 頭像

codists - 翻譯：《實用的Python編程》02_02_Containers

目錄 | 上一節 (2.1 數據類型) | 下一節 (2.3 格式化) 2.2 容器 本節討論列表（list），字典（dict）和集合（set）。 概述 通常，程序必須處理許多對象。 股票的投資組合 股票價格表 這裏有三種主要的選擇（譯註：數據結構）可以使用： 列表。有序的數據。 字典。無序的數據。 集合。互異且無序的數據。 把列表當作容器 當數據順序很重要時，請使用列表。記住，

容器 , 網頁爬蟲 , 人工智能 , 數據結構與算法 , Python

writers 頭像

思否編輯部 - Akamai推出Akamai Inference Cloud (AI推理雲)，重新定義人工智能的應用場景與實現方式

近日，Akamai 正式推出Akamai Inference Cloud (AI推理雲)，該平台專為全球規模的低延遲、實時邊緣人工智能處理而設計，初期將覆蓋全球 20 個節點，後續將持續拓展全球更多節點的部署。 如您所在的企業正在考慮構建和部署 AI 賦能應用程序，或您正在尋找合適的 AI 推理運行環境 點擊鏈接瞭解 Akamai AI 推理雲解決方案，現在申請試用可得高達 500

nvidia , 人工智能 , 開發者

JavaEdge 頭像

JavaEdge - 你的JAR包放對了嗎？​​後端開發必知的Linux目錄規範

本文已收錄在Github，關注我，緊跟本系列專欄文章，咱們下篇再續！ 🚀 魔都架構師 | 全網30W技術追隨者 🔧 大廠分佈式系統/數據中台實戰專家 🏆 主導交易系統百萬級流量調優 車聯網平台架構 🧠 AIGC應用開發先行者 | 區塊鏈落地實踐者 🌍 以技術驅動創新，我們的征途是改變世界！ 👉 實戰乾貨：編程嚴

yyds乾貨盤點 , 文件系統 , jar , 應用程序 , 人工智能 , 深度學習

u_17420180 頭像

合合信息解決方案 - 中小企業如何選擇適合的財務單據處理工具

語義概念 財務單據處理工具是指基於AI技術，針對企業財務場景中各類單據（如發票、銀行回單、合同等）提供智能採集、解析、分類、信息抽取及審核等一體化服務的數字化工具。其核心價值在於替代傳統人工處理模式，通過自動化手段提升財務單據處理的效率與準確性，保障財務數據合規，為企業成本核算、税務申報、資金管理等核心工作提供可靠支撐。這類工具高度適配中小企業財務管理需求，能夠解決單據處理

機器學習 , 數據 , 單文檔 , 自定義 , 人工智能

u_17512334 頭像

疆鴻智能研發中心 - 智能焊接新突破：CC-Link IE轉EtherNet/IP網關如何重塑航空航天製造

智能焊接新突破：CC-Link IE轉EtherNet/IP網關如何重塑航空航天製造 在航空航天製造領域，攪拌摩擦焊接技術正成為鋁合金結構件焊接的首選工藝。然而，當三菱PLC控制的焊接機器人與採用EtherNet/IP協議的視覺系統相遇時，協議不兼容成為制約生產效率的關鍵瓶頸。 某航空航天部件製造商就曾面臨這樣的困境：他們的攪拌摩擦焊接

ETHERNET , CC LINK IE , ip , 協議轉換 , 人工智能 , 深度學習 , 網關 , 工業自動化

u_16116809 頭像

wx6464351503832 - 徹底搞懂了！基於LangGraph與DeepSeek構建深度研究智能體

代碼已放在：https://github.com/yanqiangmiffy/Agent-Tutorials-ZH/tree/main/deep_research_agent 什麼是深度研究智能體？ 簡單來説，深度研究智能體（Deep Research Agents）是能夠對預設主題進行深入研究的系統。通常，這至少包括以下幾個步驟：

agent , MySQL , 搜索 , 數據庫 , Json

candy_68fb0dfb0afd0 頭像

Candy - AI Agent 與 Agentic AI 系統：真正的區別是什麼？

大多數人把這兩個詞混用——但一個負責執行任務，另一個旨在達成目標。教你如何區分（以及各自的適用場景）。 先來澄清當下 AI 討論中最常見的一處混淆。 你可能經常看到大家把“AI agent”和“agentic AI system”當成同一件事。但事實是： 🚨 它們有關聯，但並不相同 就像把微波爐稱作“廚師”。它確實能加熱食物，但它不會幫你策劃一場晚宴。🍳 Friend Link 同理，AI

人工智能

selectdb 頭像

SelectDB技術團隊 - 數據無界、湖倉無界， Apache Doris 湖倉一體解決方案全面解讀（上篇）

導讀：湖倉一體架構融合了數據湖的低成本、高擴展性，以及數據倉庫的高性能、強數據治理能力，高效應對大數據時代的挑戰。為助力企業實現湖倉一體的建設，Apache Doris 提出了數據無界和湖倉無界核心理念，並結合自身特性，助力企業加速從 0 到 1 構建湖倉體系，降低轉型過程中的風險和成本。本文將對湖倉一體演進及 Apache Doris 湖倉一體方案進行介紹。 在過去的數年間，數據分析技術棧

github , 數據倉庫 , 架構設計 , 數據分析 , 數據湖

fannaodeshafa 頭像

煩惱的沙發 - Golang 上傳文件到 MinIO？別瞎折騰了，這 5 個庫拿去用

米娜桑，日常開發裏，有誰是沒有跟文件上傳下載打交道的？圖片、視頻、日誌、備份……這些往哪兒擱？一個很不錯的選擇就是對象存儲，而 MinIO 就是其中的明星選手。 MinIO 是一個用 Go 寫的、開源的、能自己部署的對象存儲服務，API 完全兼容亞馬遜 S3，可以算是自己私有的阿里雲 OSS 或者亞馬遜 S3，數據攥在自己手裏，美滋滋。 不過，在享受 MinIO 帶來的便利之前，得先把它跑起來。官

資訊 , 開發工具 , go , 後端

aoshizhongshengdexiangjiao_bvx78q 頭像

傲視眾生的香蕉_bvX78Q - MCP 與傳統集成方案深度對決：REST API、GraphQL、gRPC 全方位技術解析

在系統集成領域，技術方案的選擇直接影響應用性能、開發效率和維護成本。隨着 AI 技術的快速發展，傳統集成方案在應對動態上下文管理、工具鏈調用等場景時逐漸顯露出侷限性，而 MCP（Model Context Protocol）作為 AI 時代的新選擇，正引發行業關注。本文將從技術特性、性能表現、安全機制等維度，對 MCP 與 REST API、GraphQL、gRPC 三種傳統方案進行深度對比。

rest-api , grpc , graphql , 人工智能

u_17423871 頭像

美狐美顏SDK開放平台 - 美顏SDK性能優化實戰：GPU加速與AI人臉美型的融合開發

在過去幾年，美顏SDK的競爭已經不只是比“濾鏡有多好看”了，而是上升到實時性能、AI智能化、人臉美型精細度等多維度的體驗較量。尤其在直播、短視頻與視頻會議業務爆發後，任何輕微卡頓、延遲、鋸齒感，都會直接影響用户留存。 所以，業界逐漸達成共識： 性能，是美顏效果的底層保障；AI智能，是新一代美顏SDK的核心競爭力。 本文將結合行業經驗，分享美顏SDK在

視頻美顏sdk , 美顏api , 美狐美顏sdk , 人工智能 , 直播美顏sdk , 計算機視覺 , 在51CTO的第一篇博文 , 美顏SDK

u_17580222 頭像

mb691327edb400f - AI 招聘系統功能落地指南

AI 招聘系統功能落地指南 AI全面重塑招聘行業：效率與體驗的雙重革新 如果你仍在為“候選人爽約”“簡歷篩選繁重”“面試效率低下”而困擾，可能已經忽視了一個激進的行業趨勢：招聘正被AI全面接管。這並非停留在討論或小範圍試點階段，而是大規模落地、快速替代傳統面試流程的現實。 過去一年，多項行業數據印證了這一變革：近50%的企業已將初篩環節完全交給AI；金融、互聯網

系統功能 , 自動回覆 , ATS , 人工智能 , 深度學習

u_16776161 頭像

天潤融通科技 - 天潤融通ZENAVA上崗3C家電售後，90%的報修無需人工處理

在競爭日趨激烈的家電行業，售後服務已成為影響消費者忠誠度和品牌口碑的關鍵戰場。 過去，面對一台壞掉的空調、洗衣機，消費者要撥打售後熱線，重複描述問題、等待人工響應、排隊建單、安排維修……流程複雜、響應慢、體驗差，品牌好感度就這樣一點點流失。 而現在，這一切正被AI徹底改寫。 在大量真實客户的服務場景中，天潤融通推出的對話式AI產品ZENAVA，已經將90%以上的

人工智能 , 深度學習

u_16349720 頭像

短短同學 - “哈希”機制是什麼?

一文讀懂哈希機制：從原理到實戰的全面解析 在編程與數據處理中，“哈希（Hash）” 是一個高頻出現卻易被混淆的概念 —— 它既是快速查找數據的 “加速器”，也是分佈式系統中數據分片的 “導航儀”，甚至在密碼存儲、數據校驗等場景中扮演關鍵角色。那麼，哈希機制究竟是什麼？它如何通過簡單邏輯實現高效功能？本文將從基礎原理到實際應用，徹底拆解哈希機制的核心邏輯。 一、哈希機制

code , 數組 , 人工智能 , 鏈表 , 深度學習

u_17583190 頭像

fangpin - 從 1.56% 到 62.9%：SFT 推理微調優化實戰

讀完這篇文章，你將用監督微調（SFT）把一個 1.5B 規模的數學模型在 GSM8K 上的零樣本推理正確率從 1.56% → 62.9%，同時把輸出格式遵循率從 18.9% → 100%。我們將完整走通數據集下載、Prompt 架構、訓練配置和評估方法，所有代碼均來自本倉庫 alignment 文件夾，保證可復現與透明。 本文將深入剖析 llm-from-scratch

lua , 人工智能 , 深度學習 , Json , Python

u_16380863 頭像

未聞花名AI - 構建AI智能體：十六、構建本地化AI應用：基於ModelScope與向量數據庫的文本向量化

將文本轉換為向量（文本嵌入）是自然語言處理中的核心任務，有許多大模型可以完成這項工作。上一篇文章《構建AI智能體：十五、超越關鍵詞搜索：向量數據庫如何解鎖語義理解新紀元》我們是通過阿里雲的api調用的text-embedding-v4模型，同樣還有很多其他輕量級的模型可以很好的完成這個任務，我們今天找兩個結合前期講到的本地化部署來嘗試一下。 一、核心組件回顧

yyds乾貨盤點 , 搜索 , NLP , 相似度 , 加載 , 人工智能

u_13303 頭像

colddawn - 神經網絡自適應控制仿真matlab 自適應 神經網絡

Adaptively Connected Neural Networks Paper link: Adaptively Connected Neural Networksarxiv.org Code link: wanggrun/Adaptively-Connected-Neural

神經網絡自適應控制仿真matlab , 自適應 , 卷積 , 數據 , 神經網絡 , 人工智能