收藏 / 列表

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_17583190 頭像

fangpin - 從0到1：揭秘LLM預訓練前的海量數據清洗全流程

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

ivorysql_xiaozhuli 頭像

IvorySQL - 【生態再升級】IvorySQL 4.5 與銀河麒麟高級服務器操作系統V11完成適配認證！

IvorySQL 生態再進一步！近日，IvorySQL 4.5 成功適配銀河麒麟高級服務器操作系統 V11。這一適配標誌着國產開源數據庫與自主操作系統生態的深度融合，進一步助力中國信創產業在高安全、高性能數據庫領域的自主可控發展。 多平台兼容，築牢應用根基 銀河麒麟高級服務器操作系統 V11（簡稱 Kylin Server V11）是由麒麟軟件（KylinSoft）基於多年技術積累和應用實踐經驗，

服務器 , 運維 , 數據庫 , SQL , 程序員

huizhudev 頭像

HuiZhu - // TODO: 寫一封讓老闆秒回的郵件？試試這個AI提示詞模板

// 程序員寫郵件的日常 try { const email = writeEmail(); // 期望: 專業得體，重點突出 // 實際: 寫了刪，刪了寫，最後發出去像流水賬 } catch (error) { console.log("郵件焦慮綜合徵又犯了"); } 數據顯示，87%的程序員寫商務郵件需要30分鐘以上，其中63%的人會反覆修改超過3次。不是不會寫

generative-ai , 教程 , chatgpt , 人工智能 , prompt

chunzhendexiaogou 頭像

PoloAPI - Kimi K2 日調用量超100億 token，API 價格低於 Claude 系列模型

一、Kimi K2模型基本信息 Kimi K2是由北京月之暗面科技有限公司(Moonshot AI)於2025年7月11日發佈的開源大語言模型，具有以下核心特點： ‌架構創新‌：採用MoE(混合專家)架構，總參數規模達1萬億(1T)，激活參數為320億(32B)，包含384個專家模塊，每個token選擇8個專家進行計算 ‌性能表現‌：在SWE Bench Verified、Tau2、AceB

編程 , llm , 算法 , 人工智能 , 後端

puxiaoke6 頭像

一點人工一點智能 - 書籍-《優化技術第一卷：連續優化》

書籍：Optimization techniques I：Continuous optimization 作者：Max CERF 出版：EDP Sciences​ 編輯：陳萍萍的公主@一點人工一點智能 鏈接：書籍下載-《優化技術第一卷：連續優化》 01 書籍介紹 這套分為兩卷的書籍概述了連續、離散和函數優化技術。本卷專注於連續優化，涉及實數變量的問題，無論是無約束還

函數 , 離散數學

aloudata 頭像

Aloudata大應科技 - 重磅活動！3.14，與數智領袖共探 NoETL 指標平台最佳實踐

NoETL 指標平台重塑了指標開發協作模式。Aloudata CAN 以強大的指標定義和查詢加速能力，直連數倉公共層明細數據，自動化代持寬表與彙總表開發，實現了 NoSQL 指標定義、NoETL 指標開發、統一指標管理，一舉解決了指標“開發週期長、口徑不統一、分析不靈活、冗餘成本高”等頑疾，並在金融、消費零售、製造、ICT、能源、航空、醫療等多行業打造了標杆案例，為企業數據開發、消費與管理帶來了顛

數據管理 , 大數據 , 數據結構 , 數據庫 , 數據分析

u_16827017 頭像

全棧技術開發者 - 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

llm , 建模 , yyds乾貨盤點 , 人工智能 , 時間序列 , 深度學習 , 大模型