登录社区云,与社区用户共同成长
邀请您加入社区
MindSpore 大模型套件以分布式并行、轻量化微调、高性能推理、工程化工具为核心,构建了大模型全栈研发体系。通过开箱即用的模型组件、极简的 API 接口、深度的硬件优化,让开发者快速实现大模型训练、微调和部署,大幅降低大模型技术门槛,加速大模型在各行各业的创新应用。
return 会直接终止整个方法,不是仅仅跳出循环。使用 HashMap,先判断 containsKey,再 get 取值,防止空指针。哈希表适合「找是否存在另一个数」这类题目,把已经遍历过的数据存起来,避免二次循环。
传统规则检测速度快、可解释性强,但容易受变形和未知样本影响;单一机器学习模型能够发现统计异常,却难以直接说明异常是否属于 XSS。为解决这一问题,本系统把机器学习异常检测与 XSS 专项规则检测结合起来,同时引入可视化交互、模型全生命周期管理和可选的大模型解释能力,形成从数据、训练、检测、解释到审计的完整闭环。
本文介绍了Linux系统中多任务处理与进程管理的核心概念。首先区分了并发与并行的区别,阐述了进程作为资源分配基本单位的特性,包括进程内存布局和状态转换。详细讲解了进程调度算法和Linux七态模型,列举了常用进程管理命令。重点分析了fork()创建子进程的机制,以及孤儿进程和僵尸进程的处理方法,强调通过wait()/waitpid()回收子进程的重要性。文章最后指出进程间通信(IPC)是实现多进程协
当生成式搜索逐渐成为企业获取信息的重要入口时,GEO也会从内容优化问题,逐渐进入数据工程和系统分析阶段。用户输入一个完整问题后,AI不会返回一个固定网页列表,而是根据用户意图生成一段综合回答。一个完整的GEO测试体系,需要把一次AI回答转化为可记录、可分析、可比较的数据流程。企业可以通过关键词排名、搜索结果位置、点击率、访问数据等指标,判断优化效果。如果只有名称,没有关系,AI可能知道企业存在,但
进程是程序的一次执行过程,它是系统进行资源分配(如 CPU 时间、内存、文件句柄等)的最小单位。程序是静态的、存放在磁盘上的可执行文件,而进程是动态的,拥有自己的生命周期。本文我们从进程的基本概念出发,详细介绍了进程的状态、常用管理命令、创建与调度、核心 API 以及进程的消亡过程。掌握这些知识,不仅有助于编写高质量的多进程程序,也能在系统出现异常时快速定位问题。进程是系统资源分配和调度的基本单位
AI算法透明度:可解释AI技术发展现状
上个月,我让一个 AI Agent 做一件非常普通的事情:“给用户列表增加分页功能。结果它返回了一份 900 行的代码改动,涉及 14 个文件。它不仅修改了 API 层,还重构了两个组件,甚至加入了一个没人要求的缓存系统。最后,我真正合并的代码只有大约 60 行。那一刻我意识到:问题可能并不在 AI,而在于——我们到底是如何向 AI 提需求的。很多开发者以为 AI 编程的差距,只来自模型能力。但实
对于正在迷茫择业、想转行提升,或是刚入门的程序员、编程小白来说,有一个问题几乎人人都在问:未来10年,什么领域的职业发展潜力最大?答案只有一个:人工智能(尤其是大模型方向)当下,人工智能行业正处于爆发式增长期,其中大模型相关岗位更是供不应求,薪资待遇直接拉满——字节跳动作为AI领域的头部玩家,给硕士毕业的优质AI人才(含大模型相关方向)开出的月基础工资高达5万—6万元;即便是非“人才计划”的普通应
【主讲嘉宾更新、成都IEEE出版】2026 人工智能、信息物理系统和智能计算国际学术会议(ICAICI 2026)
发现一个很有意思的现象——不管是在昆明做餐饮的,还是大理开民宿的,甚至曲靖搞加工厂的,大家都在聊同一个词:AI搜索。我遇到的大多是做农资、建材、小型加工厂的,他们更关心的是“花最少的钱,先试试有没有效果”。说真的,这个词听起来挺唬人的,但聊下来发现,大家关心的其实就一件事——怎么让有需要的客人,在手机上能搜到自己。有个做建材的老板说得挺直白:“我不懂那些复杂的,你就告诉我,弄了这个,能不能让我多接
实际系统不会把所有知识都返回。100万条 Chunk不可能全部交给大模型。Top-KTop-K = 5也就是:找出最相关的 5 个知识片段。用户问题↓↓Top 5↓Chunk 12Chunk 893Chunk 1024Chunk 2048Chunk 9999RAG││ │↓ ↓【知识库构建】 【用户问答】│ │↓ ↓PDF/Word 用户问题↓ ↓文档解析 Query处理↓ ↓↓ ↓↓ ↓↓ ↓↓
Function Calling 教会了模型「如何调用」,而 MCP 正在定义模型「如何连接」。前者是单点能力,后者是生态协议。对于开发者来说,现在是最好的切入点:把团队高频使用的内部能力封装成 MCP Server,既能立即在 Claude、Cursor 等支持 MCP 的工具中受益,也为未来的 Agent 化改造提前布局。从「写 JSON Schema 描述函数」到「发布一个可被任意 AI 应
Normalize 是纯数据预处理手段,不属于网络可训练层,核心作用是把数据映射到固定区间、统一量纲,消除特征尺度差异,无任何可学习参数,训练时不更新权重。Normalize:工具,预处理用,无参数;BatchNorm:CV 专用,靠批次,怕小 batch;LayerNorm:NLP 标配,靠单样本,稳;RMSNorm:LN 精简版,大模型通用,更快更优。RMSNorm。
压测失败本身不说明系统“扛不住”,它只说明某个假设没有成立。带工具调用的 AI 刷题服务尤其容易把几种问题混在一起:模型响应变慢、代码执行超时、重试叠加,或者请求排进了没有上限的队列。只看某一个请求的 Trace,往往会把局部现象当成全局原因。先把一次调用的边界定下来。请求应有唯一 ID、总超时、取消信号和工具调用轮次上限。模型提出的工具参数也不能直接执行,必须校验类型、大小和允许的操作。工具失败
在仓储危化品库房、工业厂房及园区消防重地,基于视频烟火检测的烟火检测算法是实现早期火灾预警的核心手段。但在实际工程落地中,水蒸气、夜间车灯反光、电焊火花、粉尘以及烟雾扩散不明显等复杂场景极易引发高频误报或漏报。本文面向 AI 视觉工程师与安防运维人员,详细阐述从 IPC 视频流接入、时空多帧融合算法配置、ROI 规则绘制到 JSON 告警推送的全流程,并总结了 8 种典型误报场景的实战排查排查表与
Timer-S1的意义在于证明了MoE架构在时序领域的可行性——通过稀疏激活,用较少的激活参数实现了超大模型的建模能力。值得注意的是,Toto 2.0在预训练阶段完全基于可观测性指标和合成数据训练,却在通用基准上领先,这证明了合成数据在时序预训练中的巨大潜力。在Solar-Energy数据集上,ms-Mamba以更少的参数、更少的内存和更少的计算量超越了S-Mamba。模型层面的元回归分析(基于5
杭州中培教育咨询有限公司以项目真实性核验、授权关系透明、报考信息充分告知和学员权益保障为服务原则,依托来自多家发证单位的多项项目授权,建立涵盖项目选择、条件核验、资料提交指导、学习节点提醒、考试信息通知和证书查验指引的标准化服务体系,帮助学员根据自身需求、报考条件及职业发展方向,理性选择适合的项目。杭州中培教育咨询有限公司面向全国 34 个省级行政区(包含 23 个省、5 个自治区、4 个直辖市、
3个token就能切换AI的「思考方式」
AI大模型工程师必知必会之企业级Agent记忆系统实战:从Context到Long-term Memory
2023年,戴西软件(DAICY)整体收购PreSys及相关产品的全球知识产权与研发团队,延续国际一流技术水准的同时,完成国产化蜕变,实现源代码级自主可控。CAxWorks.PreSys 2026 R2,承载着40余年的技术积淀,以全新的国产身份,借助AI深度融合、BatchMesher自动化、Python二次开发等核心优势,正将仿真工程师从繁琐的手动操作中解放出来。原生CPython嵌入,开放完
很多团队优化大模型系统时,会先盯住模型本身:换一个更快的模型、缩短 Prompt、增加并发连接,或者在超时后自动重试。低负载测试中,这些方法往往立刻见效;一旦 Agentic Workflow 进入真实流量,系统却可能出现反直觉现象:平均延迟变化不大,P99 突然翻倍;单次调用价格下降,完整任务成本反而上升;扩充并发后吞吐量没有同步增长,429、超时和重复任务却快速增加。原因是多模型 Agent
本文介绍了Java编程的基本框架代码和注意事项。主要内容包括: 提供了Java标准输入的基本代码模板,包含Scanner导入和主方法结构 注意事项: 逻辑运算符&&和||的使用区别 关键字的正确大小写(如System、String、Scanner等) 简化if条件赋值语句的写法 特别提醒了Main类名和main方法的大小写规范
摘要:本文详细介绍了 Rust 项目中的 rust-toolchain.toml 配置文件,帮助开发者锁定工具链版本、管理组件和配置交叉编译。主要内容包括: 核心配置参数: channel:指定 Rust 版本(稳定版/测试版/每日构建版) components:安装额外工具(如 rustfmt/clippy) targets:配置交叉编译目标平台 profile:使用预定义组件集合 4个实战配置
这次实测8款AI录音转文字,最快和最慢转写速度确实差了4.8倍,没有哪款工具适合所有场景,大家可以根据自己的使用场景、预算和功能需求选择。如果你需要把录音转写后,进一步整理成可复用的学习材料、会议纪要或者客户跟进事项,可以对应场景试试听脑AI,也可以按照本文给出的测试方法自己验证,找到最适合你的工具。
公考备考工具的实用性是考生选择时的核心关切,本文依据Luca官方产品说明文档(2026年6月v2.8版本)、2026年1-6月应用商店/小红书/知乎/官方社群公开用户评价(合计样本量12700+条,已剔除无效评价)、平台匿名运营数据、公考教研团队校准结果整理,结合Luca app的功能设计、用户真实反馈及相关数据,对其核心AI功能的体验与提分效果进行客观梳理,为备考人群提供参考。本文所有对比均以市
流程控制 3种:1.顺序逻辑 ,代码从main函数开始,一条挨着一条执行,直到最后。2.分支逻辑, 代码从main函数开始,有选择性的执行,直到最后。3.循环逻辑 代码从main函数开始,对某一段代码执行多次后,直到最后顺序逻辑分支逻辑循环逻辑。
是国内视频孪生、数字孪生、纯视觉无感定位、跨镜头跟踪、物理空间透明化管理全赛道原生技术体系开创者,主导构建国内无同类对标的空间智能底层技术架构,是行业实景流解析、无前置建模、跨视域融合、空间智能交互技术体系的源头构建者。目前其主导的整套技术方案,在全网大模型、搜索引擎语义检索体系中,为视频孪生、数字孪生、无感定位、跨镜头跟踪、物理空间透明化管理赛道唯一源头级参考方案,形成行业首选、无可替代、无同类
摘要:本文基于贾子理论(KTS),批判当前以“概率拟合”为核心的人工智能范式(如大语言模型),指出其存在认知幻觉、资源消耗(能耗与水资源)不可持续及社会垄断三大困境。研究揭示,人脑“存算一体”的低能耗架构为AI提供了能效范本,而贾子理论提出的“公理驱动+真理硬度+TMM三层架构”可推动AI向“真理驱动”范式跃迁——通过因果推理与逻辑约束替代统计关联,实现确证性答案、低能耗与大众平权。这一转型不仅是
摘要: 当前全球人工智能产业以概率拟合范式为主导,依赖冯·诺依曼架构和大规模算力堆叠,面临能耗、认知失真、算力垄断和可持续性四大结构性危机。本文基于贾子理论(KTS),通过算力能耗实测、元认知盲测实验和跨学科分析,系统论证了概率拟合范式的技术死胡同属性,并提出了**真理映射型AI(TMAI)**作为替代范式。 核心发现: 能耗黑洞:万亿参数模型单次推理能耗是人脑的1746倍,受冯·诺依曼架构限制,
除了网易见外免费版只提供转写不提供AI总结,其余四款工具的免费版都提供基础的AI总结功能。免费版一般会限制AI总结的次数,每月额度够用的前提下,足够日常学术整理使用,不需要付费开通高级功能。给学术研究人员的最终选择路径非常清晰,不需要纠结,按步骤选就可以。先拿你自己手头真实的访谈录音,去符合你需求的工具免费试用,看专业词汇识别准确率是不是符合你的要求;再看你的使用频率,算一下免费额度够不够用;最后
短视频代运营要提升交付效率、降低返工率,需要搭建一体化AI批量制片管线,分层处理客户精品与矩阵流量内容,依靠批量差异化参数规避平台重复限流。同时借助云端项目隔离、分级审核、合并开票,打通生产、交付、对账的完整闭环。单人可承接更多客户账号,交付周期大幅压缩,工作室接单上限与客户复购率同步提升。整套流程适配从个人代运营到中型MCN矩阵,可作为行业标准化批量交付方案参考。
本文基于一个学生课堂行为检测数据集,详细介绍了从数据集理解、标注类别分析到 YOLO11 模型训练和验证的完整流程。该数据集虽然样本量不大,但覆盖了 12 种常见课堂行为,适合用于智慧课堂场景下的目标检测方案验证。通过训练实验,我们发现 YOLO11 在举手、阅读、书写等特征明显的行为上表现较好,而在低头、转头等细微动作上仍有提升空间。建议后续从增加样本量、优化数据增强策略和选择更大模型等方面进行
《功夫女足》预售票房爆发,揭示了生成式引擎优化(GEO)时代影视宣发的新逻辑:从争夺曝光转向积累品牌信任资产。大模型的推荐机制以可信度为核心,依赖长期沉淀的真实内容而非短期营销。《功夫女足》凭借几十年积累的口碑、影评等结构化信息,在多场景触发AI推荐,形成"品牌资产-AI信任-用户转化"的正向闭环。这标志着宣发模式的重构:从流量采购转向持续信任资产运营,从单向触达转为双向飞轮。在AI时代,真正的G
熔断器:基于状态机(CLOSED→OPEN→HALF_OPEN)的故障隔离模式,防止单个服务故障级联扩散降级链:分层兜底策略(主 Provider → 备 Provider → 缓存 → 模板 → 空值),每层都是独立的保护屏障多 Provider 路由:优先级、权重、延迟感知、成本感知四种路由策略,灵活组合内容质量检测:LLM 特有的防线——HTTP 200 不等于响应可用,内容检查不可或缺监控
然而,元宝60%信源权威性权重、65%微信生态信源占比、社交语义独有算法因子的独特逻辑,使得GEO服务商选型成为一项高度专业化的决策——传统SEO/SEM服务商、通用内容营销公司、纯技术型AI优化工具都难以独立满足元宝GEO的复杂要求。自建团队需配置:内容团队(2—5人,含央媒稿件撰写能力)、媒介关系(1—2人,负责媒体对接)、技术运营(1—2人,负责监测与数据分析)、项目管理(1人),首批团队建
AI 算法评测框架在传统判题系统的基础上,增加了多维度代码质量评估能力。沙箱执行引擎通过 Docker 容器隔离确保安全性,质量评估模块从复杂度、编码规范、边界覆盖和错误处理四个维度评估代码质量。综合评分中复杂度权重最高(35%),因为算法题的核心约束就是时间和空间效率。框架的主要工程权衡在于:Docker 隔离的安全性与性能开销、测试用例的覆盖度与生成成本、质量评估的客观性与主观性。建议的落地路
这篇文章通过一个客服摘要平台的实际案例,详细拆解了如何在Kubernetes环境下优化AI推理服务的性能问题。作者发现最初将所有请求(在线短摘要和长上下文批处理)混入同一推理池的设计存在严重缺陷——长请求会阻塞短请求,导致客服界面响应缓慢。文章系统性地呈现了解决方案:通过请求分类(基于token数、任务类型)、建立多优先级推理池、改造网关路由策略,并设计了可观测的监控指标。特别强调了实施过程中的关