登录社区云,与社区用户共同成长
邀请您加入社区
AI一次生成iOS和Android双端原型,解决的核心问题是把两条独立的平台交付线合并为一个流程:同一份需求描述,同一次架构确认,一次性生成两套遵循各自平台规范的完整多页面可交互界面,在内置双端模拟器中分别验证,最终导出两套可直接进入工程化的原生代码。
文章摘要 大模型微调(Fine-Tuning)是适配特定任务或垂直领域的关键环节,成本远低于重新预训练。微调流程分为数据准备、模型调优、评估迭代和部署落地四步。微调方法分为全参数微调(Full FT)和参数高效微调(PEFT),后者因低成本成为主流。本文重点解析了5种PEFT方法:LoRA通过低秩矩阵减少参数量;QLoRA结合量化进一步降低显存;Adapter Tuning模块化插入适配器;Pre
MS-Swift命令行参数指南摘要:本文详细解析MS-Swift框架的核心参数配置,涵盖训练、推理、部署全流程。主要内容包括:1)参数结构分为基本、原子、集成和模型专属4层;2)关键参数模块如数据配置(dataset/val_dataset)、训练设置(batch_size/learning_rate)、LoRA微调(rank/alpha)、量化(bnb/nf4)和RLHF对齐(DPO/ORPO)
本文介绍了MS-Swift框架如何配置医疗对话数据集,重点解析了4种支持的数据格式(Messages/ShareGPT/Alpaca/Query-Response)和3种接入方式。针对医疗多轮对话和身份认知数据集,提供了正确的dataset_info.json配置示例,包含字段映射规则和训练命令。特别强调JSON合法性校验、路径规范和格式匹配等常见问题,最后展示了扩展支持的高级格式(RLHF/多模
摘要: @MainActor与DispatchQueue.main均用于确保代码在主线程执行,但机制迥异。DispatchQueue.main是GCD的串行队列,需手动调度任务,存在死锁风险且无编译期检查;@MainActor则是Swift结构化并发中的主线程隔离域,通过编译器强制校验,实现零开销同步执行和状态隔离。前者兼容全版本但依赖开发者自觉,后者从根源杜绝线程安全问题,适合Swift现代并发
主要是记录笔者在对多模态大模型的监督微调(SFT)和强化微调(人类对齐微调,RLHF)的过程中踩的一些坑进行记录。
Swift 5.5引入的async/await语法彻底重构了异步编程范式,让异步代码可线性书写,消除了回调地狱。核心语法包括async标记异步函数、await标记挂起点,编译器会自动转换为状态机管理执行流程。相比传统回调方式,具有代码线性化、统一错误处理、编译期安全等优势。底层基于协程实现,配合协作式线程池优化性能。进阶用法包括并行任务(async let)、任务取消、回调API封装等。需注意UI
未申请过书生API key的,在下面链接申请: https://internlm.intern-ai.org.cn/api/tokens?在opencompass/opencompass/configs文件夹下创建eval_tutorial_demo1.py。模型要求transformers>=4.55.2,但是5.2.0版本我是不能启动的,这里使用的是4.55.2版本。数据集 的json 文件需
本期聚焦 OpenClaw 个人智能体、响应式编程的性能与传统思维改变、 Swift 新的数组与字典的尾随闭包语法、vphone-cli 项目—在 Mac 上运行一台真实的 iPhone 等。
本文介绍了使用ModelScope提供的免费GPU算力(A10显卡)进行大模型微调的环境准备和操作流程。重点讲解了ms-swift框架的优势,包括支持600+文本大模型和300+多模态模型的训练部署,以及集成多种并行技术和优化算法。文章详细说明了Qwen2.5-7B-Instruct模型和混合数据集的下载方法,并提供了完整的微调命令示例,涵盖GPU指定、模型选择、LoRA参数设置等关键配置项。通过
LoRA(Low-Rank Adaptation)是一种参数高效的微调方法。它的核心思想很简单:冻结原模型参数,只训练额外的小参数矩阵来调整模型输出创建数据处理脚本。
本期聚焦人形机器人的发展、GRDB 支持跨平台、 Swift Testing 验证多个回调按顺序触发的方法、@Observable 迁移指南等。由肘子的 Swift 周报呈现
在学术写作的江湖中,"查重"与"AIGC痕迹"如同两把悬在头顶的达摩克利斯之剑。当AI辅助写作逐渐成为主流,如何让论文既保留智能生成的效率,又规避检测系统的"火眼金睛"?书匠策AI(官网:官网(),微信公众号搜一搜"书匠策AI")以独创的"语义基因重组技术"与"人类写作模拟引擎",为学术创作者打造了一套隐形盾牌,让智能写作与学术诚信完美共存。
摘要 Swift 6 引入的 ~Copyable 类型标志着语言向所有权模型迈进,通过不可复制类型实现类似 Rust 的零成本抽象。该特性建立在独占性、生命周期锚定和零成本转移三大支柱上,分为语义层、操作层和生命周期层。~Copyable 禁止隐式复制,允许结构体定义析构器,并通过借用检查器确保内存安全。实战案例展示了如何用 ~Copyable 封装文件句柄,实现 RAII 风格资源管理。开发者需
本期聚焦 Xcode 26.3 带来的 Agent 能力,其他内容涵盖 macOS 录屏软件开发、ios 按需资源、Observation 创建陷阱等。由肘子的 Swift 周报呈现。
我来搜索一下星图AI平台的具体功能和微调支持情况。而且(预置镜像更多)。你问的"星图AI"应该是指(CSDN推出的GPU算力平台)。它专门为优化了很多预置镜像。
VimTS核心模块摘要 VimTS通过模块化设计解决跨场景文本检测识别问题,主要包含五大功能模块: 基础特征处理模块(ResNet50+REM+Transformer)将图像转换为模型可理解的特征数据 任务查询生成模块通过查询初始化生成检测/识别/跟踪指令,PQGM模块协调任务间配合 任务执行模块使用解码器同步处理多任务,输出位置、内容和跟踪结果 场景适配模块动态选择特征并仅微调少量参数,实现跨域
官方有提供使用自定义数据集的几种方式:我捣鼓第二种方式,即修改dataset_info.json的方式没捣鼓明白,最后还是用第一种最方便了。直接在命令行修改,这里要注意格式必须是swift指定的格式类型,数据文件地址不要写错。CUDA_VISIBLE_DEVICES=0,1,2,3 \ # 我用了4张卡--dataset /home/zhangsan/my_dataset/data.csv \ #
MS-SWIFT是一个开源的大模型微调框架,支持500+大模型和200+多模态模型的高效训练与部署。本文重点解析了其微调参数配置:1)批次大小设置(per_device_train_batch_size);2)梯度累积(gradient_accumulation_steps)用于显存优化;3)学习率预热(warmup_ratio)提升训练稳定性;4)数据加载并行(dataloader_num_wo
本期聚焦 Skip 全面开源,转换商业模式,其他内容涵盖 SwiftData 数据迁移、SwiftUI 架构、Swift 嵌入式进展、AI 客户端和 Agent 管理工具等。
技术领域现状亮点未来关键方向Rust内存安全、Wasm生态云原生基础设施、安全关键系统Swift苹果生态、高性能跨平台、并发模型优化AndroidKotlin主导、硬件多样化模块化、Fuchsia演进仓颉中文编程探索生态建设、技术兼容性运维DevOps/AIOps成熟GitOps、边缘计算、安全自动化如需进一步探讨具体技术的应用案例或学习路径,可随时补充提问!
本期聚焦 Anthropic 封杀与苹果谷歌结盟,其他内容涵盖 tvOS 开发、Swift 2026 展望、SPM 资源优化、InternalImportsByDefault 等
AI重构测试管理:工具赋能与权力危机并存 随着AI测试工具深度集成至DevOps流程,测试团队效率显著提升47%(Gartner 2025),却引发管理者决策权让渡危机。AI系统通过智能用例生成、缺陷预测和自愈脚本等能力,将传统三级审批链压缩为算法直控,使73%团队转向"AI调度+柔性小组"模式(Forrester 2025)。管理者面临四重解构:决策权让渡给调度系统、经验价值
根据最新人权组织报告,全球87%的国家在公共安全、边境管控等领域部署AI监控系统,但这些系统被指控存在系统性种族歧视——例如,人脸识别算法对少数族裔误判率高达30%以上(数据源于2025年全球AI公平性审计)。作为软件测试从业者,我们站在技术前沿,肩负着确保AI公平性的责任。本文将从专业角度剖析这一现象:首先解释AI监控的工作原理和歧视根源;其次详述测试方法,包括数据验证、算法公平性评估和伦理测试
本文详细介绍了使用ModelScope Swift框架对Qwen-VL视觉语言大模型进行LoRA微调的完整脚本配置。该配置通过环境变量优化显存管理,设置多模态数据处理上限,并采用极节省显存的训练策略:单卡单条数据、梯度累积、冻结视觉模块、LoRA微调仅线性层等。参数解析涵盖模型路径、数据加载、训练核心设置、显存优化、LoRA配置、数据处理、优化器调整等全流程,提供了一套高效稳定的视觉语言模型微调方
AI测试转型的浪潮与暗礁随着人工智能(AI)技术席卷全球,软件测试领域正经历一场深刻变革。传统测试从业者纷纷拥抱AI测试,期望通过自动化、智能化提升效率。然而,转型之路布满荆棘——据统计,超过60%的AI测试项目因各种“踩坑”而失败,造成时间、资源和信心的巨大损失。本文基于行业真实案例,从专业视角剖析四个典型失败场景:数据准备不足、技能断层、工具误选和伦理盲区。每个案例均以“背景-问题-后果-教训
摘要:iOS 19.3 Beta版因苹果将Siri底层模型切换为Google Gemini 3,导致App频繁闪退。Gemini 3返回结果中包裹Markdown标记,使现有JSON解析器失效。本文提供三种解决方案:1)前端正则清洗(快速修复但维护成本高);2)优化Prompt约束(零代码但适配性差);3)采用七牛云MaaS架构(推荐),通过独立AI网关锁定模型并标准化输出,彻底解决系统层不稳定性
AI辅助代码审查和测试生成工具正重塑软件测试范式。作为专业从业者,掌握这些技术不仅能提升效率,还能驱动创新。未来,AI将成为测试团队的“智能伙伴”,共同构建更可靠的软件世界。
本文探讨了地图服务无障碍测试的关键技术与实施策略。在WCAG 2.1 AA标准普及背景下,无障碍测试已成为核心质量要求,影响1.2亿视障用户使用体验和企业合规风险。文章提出四维测试模型(感知层、操作层、理解层、流程层),构建包含特殊场景测试矩阵、自动化测试管道和真实场景模拟的完整框架。关键技术包括Selenium无障碍扩展、EARL报告生成和用户动线测试,并建立法规映射矩阵和持续监测体系。通过组件
本期聚焦非 AI、纯手工带来的乐趣与实感,其他内容涵盖 Swift 嵌入式开发、CkSyncEngine 实战、Tab Bar 吐槽、大模型应用技巧等。由肘子的 Swift 周报呈现。
他转过头,意味深长地看着莉亚:“对此,我也无能为力。我只能修补已知的错误,却无法预测未知的疯狂。”
2025开年,AI技术打得火热,正在改变前端人的职业命运:阿里云核心业务全部接入Agent体系;字节跳动30%前端岗位要求大模型开发能力;腾讯、京东、百度开放招聘技术岗,80%与AI相关……大模型正在重构技术开发范式,传统CRUD开发模式正在被AI原生应用取代!最残忍的是,业务面临转型,领导要求用RAG优化知识库检索,你不会;带AI团队,微调大模型要准备多少数据,你不懂;想转型大模型应用开发工程师
进阶部署:8bit量化+端口8080+限制生成长度+仅本地访问--workers 2 # 并发工作数,低配设备建议设为1核心命令是 MS-Swift 一键部署 API 的命令行工具,无需编写代码,通过参数即可配置模型、量化、端口等;关键参数--model_id指定模型、开启轻量化量化、配置服务访问地址;接口兼容:部署后的 API 完全兼容 OpenAI 格式,支持 curl/Python/Swag
UrbanSim 是一种先进的城市仿真软件,用于模拟和预测城市的发展和变化。它结合了多智能体系统(Multi-Agent System, MAS)、微观仿真(Microsimulation)和地理信息系统(Geographic Information System, GIS)等技术,为城市规划师、政策制定者和研究人员提供了一种强大的工具,用于分析城市空间结构、交通流量、土地利用、人口分布等多方面的
L4阶段:大模型的微调和私有化部署,我们会更加深入的探讨Transformer架构,学习大模型的微调技术,利用DeepSpeed、Lamam Factory等工具快速进行模型微调;而L3 L4更多的是通过项目实战来掌握大模型的应用开发,针对以上大模型的学习路线我们也整理了对应的学习视频教程,和配套的学习资料。带AI团队,微调大模型要准备多少数据,你不懂;在你已经掌握了大模型技术之后,就需要开始准备
摘要: 本文介绍了使用 Cursor 和 Xcode 协作开发 iOS 应用(SwiftUI)的高效流程,并提供了 GSearch 应用的 TestFlight 体验链接。重点包括: 工具分工:Xcode 负责编译、调试和发布,Cursor 专注代码编写、重构和文档生成。 开发规范:通过 .cursor/rules 文件约束 AI 行为,避免随意重构或引入风险。 实用技巧:提供需求拆解、Debug
本文以 GSearch APP 为案例,手把手带你用 ChatGPT 的「Codex」能力开发 iOS 应用:从零创建 SwiftUI 项目、集成 OpenAI Swift SDK、实现完整 AI Chat 界面,到如何把 ChatGPT 当成 Xcode 超级插件进行重构与排错,并简要介绍 API Key 安全、从 Demo 走向正式产品的实践路线,附带 GSearch TestFlight 体
本文以我自研的 GSearch APP 为例,系统讲解如何在 iOS 26 环境下用 SwiftUI + OpenAI 搭建一款可落地的 AI 聊天应用,从新建工程、集成 SDK 到实现对话界面与调用流程,并结合 Agentic Coding 思路示范如何让 ChatGPT 参与需求拆解、代码生成与重构,帮助读者快速搭建自己的智能 App。
Image Playground 框架确实将 Apple 的生成式 AI 能力完美地融入了 Swift。它不仅让文本转图片变得易如反掌,还能处理手绘和现有照片。仅仅几十行代码,就为 App 注入了老王梦寐以求的“灵魂”。
该框架在大模型生态系统中的定位是一个综合性工具集,支持450+大语言模型和150+多模态大模型,覆盖了主流的Qwen、InternLM、GLM、Baichuan、Yi、LLaMA、Mistral等模型系列。它专为大语言模型和多模态大模型的全流程开发而设计,支持从预训练、微调、人类对齐到推理、评测、量化和部署的完整流程。MS-SWIFT作为一个全面而灵活的大模型开发框架,通过其轻量级设计、多模态支持
在 LLM 应用开发中,LangChain 是串联各类组件的核心框架,而 Langfuse 则是保障应用稳定性的“监控利器”。但当 LangChain 从 0.3.x 升级到 1.0 正式版后,不少开发者遇到了连锁反应——Langfuse 监控面板中 Session ID 和 User ID 突然消失,原本清晰的链路追踪变得“残缺不全”。
在大型语言模型(LLMs)快速发展的推动下,基于LLMs的代理作为强大的智能系统出现,能够进行类似人类的认知、推理和互动。这些代理越来越多地被部署在多样的实际应用中,包括学生教育、科学研究和金融分析。
摘要: UIGestureRecognizer是iOS中处理触摸手势的基类,提供多种手势类型(点击、长按、滑动、拖曳、缩放、旋转),通过target-action或代理实现交互。核心手势包括: 点击/长按:支持单/多指、单/多次触发,可解决手势冲突(如require(toFail:))。 滑动/拖曳:滑动需单独设置方向(上下左右),拖曳实时跟踪位置,适用于视图移动。 缩放/旋转:通过scale和r
Swift是由苹果工程师Chris Lattner于2010年开始研发,2014年正式发布的新编程语言,旨在替代Objective-C。经过多年发展,Swift经历了多个重要版本迭代:2015年开源并支持Linux,2019年实现ABI稳定,2021年引入async/await异步编程模型。目前Swift已成为苹果生态全平台开发的核心语言,支持跨平台开发并持续优化性能。学习路线建议先掌握基础语法,
本文对比了Rust和Swift在多线程读取变量时的安全性差异。通过分析Swift源码发现,Swift通过原子操作保证引用计数的线程安全:swift_retain和swift_release都采用原子读写和CAS操作更新引用计数,其中release还使用memory_order_release防止指令重排。这些机制确保了Swift在多线程环境下安全读写变量而不会崩溃,与Rust中RefCell的行为
MS-SWIFT通过多尺度窗口划分和动态稀疏连接,在长序列处理中实现了“效率与精度”的平衡,解决了传统Transformer在超长输入场景下的计算和内存瓶颈。其核心价值在于:让大模型能够高效处理10万+token的长文本或多模态序列,同时保持接近全局注意力的性能,为长文档理解、视频分析等场景提供了关键技术支撑。
精选本周Swift和SwiftUI技术动态。Homebrew 5.0发布,新增并行下载和ARM64支持,Intel Mac将逐步被淘汰。文章推荐了Grow应用适配iOS 26 Liquid Glass的经验分享,探讨了Swift测试中参数化测试的陷阱,以及任务身份标识、Objective-C API引发的Unicode问题等开发技巧。此外还介绍了使用卡片盒笔记法学习Swift并发的方法和Claud
法则说明1. 优先用for-in最清晰2. 能用函数式就不用循环3. 区间用...或..<避免i++4. 至少一次用防止空跑5. 多层循环用标签清晰跳出你已完全掌握 Swift 循环!回复关键词继续学习Swift 异步循环(async/await)Swift 并行 map(ConcurrentMap)Swift 循环优化技巧SwiftUI ForEach 原理现在就用mapfilterreduce
摘要:本文详细介绍了Swift并发编程中的关键概念。首先解释了数据竞争(dataraces)的定义和产生原因,即多线程未同步访问共享可变变量,并通过计数器示例展示了具体表现。其次阐述了并发域(concurrencydomain)的概念及其跨域传递方式。然后讲解了Sendable协议的用途,它确保线程安全的数据传输,并说明自动遵循条件。最后介绍了@sendable修饰闭包的作用和两种阻止隐式推理协议
摘要:本文记录了使用Claude AI从零开发iOS富文本渲染引擎的全过程。通过Prompt驱动,在两天内实现了支持文本样式、附件混排、异步排版等功能的引擎,花费约50美元。文章详细介绍了项目初始化、技术选型(基于CoreText)、架构设计(ElementTree/LayoutTree/RenderTree三棵树模型)及开发流程,包括让AI编写代码、修复Bug等环节。作者总结了Claude AI