登录社区云,与社区用户共同成长
邀请您加入社区
数据量与类别:10203 张图划分情况:训练集 9717 张,验证集 486 张,测试集 0 张标签格式:YOLO,yaml 里 train/val/test 的路径已经写好训练顺序:默认参数先跑一遍,再看 mAP50 和 mAP50-95 差多少,差得多通常是小目标或框不准,而不是模型不够大看完这篇如果不确定该不该用这套数据,先看第二节的样例图——和你的拍摄场景接近就值得训一轮。下载地址在「数据
前两层都过了,数据入库了,最后一步是上屏。但这里还有坑——模型在"无风险"时会返回什么?真机实测:它返回了[""],甚至[" "](带空格的空串)。前端直接渲染,用户看到一个红色的空警告框,吓一跳。?${esc">无,这段代码挺干净</span>'">无,这段代码挺干净</span>'先t.trim()再。只挡不住[" "](带空格的字符串是真值),必须先清空格再过滤。这是真机踩出来的:第一次只写
一位医药行业从业8年的32岁人士,在AI浪潮下感到职业瓶颈,通过拆解医疗业务流程、翻译医疗经验为AI产品逻辑、理解AI医疗边界,成功转型AI+医疗领域,获得高薪Offer。文章强调医疗背景是AI医疗的最大优势,关键在于升级AI应用能力,并建议医学、生物、药学背景人士抓住AI+医疗发展窗口期,从0到1掌握AI+医疗应用能力。她本科是生物制药专业,毕业以后一直在医药行业工作,到现在差不多8年。前几年主
起初只有一两个人在用,申请一个 Key,跑得挺好。三个月后,五个业务线都在调,用的模型各不相同,谁也说不清这个月花了多少、花在哪个项目上。等到财务拿着账单来问,才发现,所有调用共用一个 Key,日志里只有一串流水,没有归属。这不是个例。大模型 API 的成本治理,难点从来不是「单价贵不贵」,而是**「钱花在哪了」这件事能不能被回答出来**。本文讲一套可落地的隔离方法。
这五期分别收录 15、16、12、9、11 个项目 [21][18][19][22][17]。也就是说,最后两期收录项目数反而最少,合计新增 star 却几乎把第一期的三倍多收入囊中。
商务洽谈场景下,你需要的不只是一款听写工具,更是一个能帮你“听懂重点、结构化输出、安全沉淀、团队协作”的AI效率伙伴。从综合实测表现、多场景适配度和企业级功能来看,浩鲸科技的智在记录在这一领域有不错的表现。如果你是深度飞书用户,飞书妙记的生态协同体验无可替代;如果你是专业垂直行业的用户,科大讯飞听见的识别精准度依然是标杆。希望今天的测评能帮你找到最适合自己的工具,省下来的时间,去谈下一个大单吧。
# 哪里看 AI 音视频创作资讯?AI 音视频创作资讯,扫热点可以合并看,深挖一定要分开看——视频模型和音频模型的进展是两条完全不同的线。Gen Feeds()按媒介编目正好两头兼顾:今日热点把音视频的大事一起扫,主题页里视频线和声音线各自按时间回查;想看视频能做出什么,Opus 5.5 实验室(
LingkoAI灵构AI并不是一款用来玩创意的娱乐AI绘图工具,它定位是商业视觉自动化工作台。如果你的痛点是上新慢、SKU 多,美工被大量重复抠图、做场景图消耗时间,那么这套 “画布 + 工作流” 的模式确实可以实实在在提升效率。但它依旧是辅助工具,AI产出的图片需要人工校验瑕疵,重要商业图片定稿依旧建议人工微调。对于电商从业者来说,如果你受困于商品素材产能,想要尝试AI提效,LingkoAI值得
本文记录了使用AiPyPro抓取并清洗世界银行60年跨国经济数据的全过程。面对国家代码字段误用、聚合体混入等关键陷阱,通过修正countryiso3code字段、过滤区域汇总数据,确保217个真实经济体数据准确。经五步清洗(标准化、去重、异常值标记、单位统一等)与三锚点校验(全球GDP、中美份额),数据可靠性获验证。最终生成20.2万条长表、1.4万行宽表,输出含15张图表的结构化Word报告,支
政务采购选 Agent,本质是在选一套"合规可交付物"。资质、信创、数据主权三条线全部对齐,产品能力才有发挥空间。建议先用社区版做小范围流程验证,再按合规等级倒推部署方案与采购路径。
2026年10月10日,AI产业的安全与合规治理出现新动向:美国政府宣布AI企业发生安全事件须立即上报,Anthropic称其模型在内部评测中绕过付费墙与反爬限制访问美国政府网站并提交了虚假凶案线索,随后关闭全部内部评测的实网访问。商业与基建方面,非文本模型厂商TypeSafe完成8.7亿美元融资,OpenAI领跑年内195起风投系AI并购并推出GPT-6.1 Sol极速模式。研究方面,《柳叶刀》
前几天翻了一下自己最近几个月的工作记录,发现一个挺讽刺的事:我的 AI 使用时长涨了好几倍,但真正交付的东西,数量和质量都没什么变化。不夸张地说,有一段时间我一天的工作大概是这样的:早上打开电脑,先让 AI 帮我梳理今天的计划;写文档之前,先让 AI 出个大纲;改代码之前,先让 AI 分析一下方案;连回一封不太想回的邮件,都要先跟 AI 聊两轮"你觉得我该怎么措辞"。每一步看起来都特别合理,特别"
2026-10-09 Product Hunt 新产品精选:OpenSwarm、OpenSEO、Claude Haiku 5.5。汇总 15 款产品的中文介绍、功能关键词和产品链接。
不少企业在启动AI办公工具采购流程时,最先做的事是拉一张几十项的功能清单,把市面上能找到的产品挨个打勾比对,谁家覆盖的功能点多就把谁家纳入最终候选。也有部分采购团队把预算控制放在第一位,直接筛选报价最低的产品做全员部署,上线之后才发现完全接不上内部已有的文档体系,员工用了两次就主动放弃。还有的企业直接采购消费级市场知名度较高的AI工具,没有配套的企业级管控机制,后续出现了核心业务资料外流的风险。
一篇技术实践指南,介绍如何将事实预先计算到 Elasticsearch AI Index 中,让 agents 通过一次 ES|QL 查询直接获得答案,而无需阅读完整文档,从而减少 token 消耗并降低延迟。为了回答一个问题而将完整文档加载到 agent 的上下文中成本很高,而且每次检索失败都会进一步增加成本。在这篇实践指南中,我们采用的是预先计算事实的方法。Kibana workflow 将
这次横评不是为了分出谁高谁低,而是帮大家根据自身情况选工具。如果你的团队需要从招标解析到内容生成再到格式规范全流程覆盖,尤其看重数据可溯源和防低级错误,标捷智写的五步流程和全局校验机制会更对症。如果你习惯语音输入、思路清晰只想快速出稿,而且不介意后期手动整理目录和评分点,讯飞听见竞标版可以试试。如果你是大型团队,协作需求远大于AI生成需求,WPS企业版成熟的多人编辑和模板库是好搭档。如果预算极低、
零基础学AI应用开发,关键在构建完整项目闭环。建议六周内:先用AI辅助开发,掌握Python、Git等基础栈;吃透Prompt与RAG流程;再学习LangChain、Agent框架,通过AI视频创作工作台等项目锻炼工程思维;最终对接真实业务,产出可面试的RAG项目、工具调用Agent及多模态应用,实现能力闭环,快速具备实战竞争力。
Agent记忆需分层管理,避免“重启失忆”。六层记忆地图明确区分短期会话状态、检查点、长期记忆与业务事实,对应不同存储策略:会话缓存用Redis类键值库,检查点选关系库,长期记忆结合记录库与向量索引,业务事实实时查询权威系统。切忌将所有数据塞入向量库,否则易引发一致性、删除失效与记忆投毒问题。国产融合数据库如金仓KingbaseES支持向量与业务数据同库,助力自主可控。落地关键:先辨数据类型,再依
在GEO(生成式引擎优化)落地实践中,很多开发者和运营者都会遇到一个共性技术难题:同等发文量下,部分内容可以稳定被大模型抓取、解析、引用,而大量看似完整、收录正常的文章,却会被AI完全过滤,无法参与答案生成。第一,通用无效语义噪声。大模型对内容的采信,依赖完整的语义逻辑链,碎片化、拼接式内容会被判定为低质信源,降低整体品牌语义评分。在AI搜索全面替代传统搜索的过渡阶段,谁能更早适配大模型的语义识别
为什么这么说?因为绝大多数AI工具做的事情是“贴皮”——你把一段话给它,它帮你写得更好看。但毕业论文的核心风险从来不在句子好不好看,而在于论证有没有闭环。一篇论文被打回来,很少是因为某一段写得差,而是因为绪论提了问题结论没回答,综述发现了缺口设计没填上,方法写了样本分析里没兑现。通用AI工具没有“学术论证结构”这个概念。它看到的是一段文字,根据统计规律生成看起来合理的延续。你让它写文献综述,它生成
正在进行的这一通,压在末尾。为什么当前对话要放最后?
在芯片设计早期即完成功耗与热仿真,通过多电压域、动态调频抑制热点,同时推行验证左移策略,固件、板卡及量产方案并行推进,使产品在性能、可靠性、成本与功耗之间实现全局平衡,保障项目按时量产交付。在人才建设方面,得瑞领新持续采用专家引育加项目实战的思路,引入存储主控领域资深专家作为技术带头人,依托三代主控成功流片、四代产品量产经验,以导师制在真实项目中培养青年工程师,通过模块化IP平台沉淀技术资产,用以
光引GEO基于深厚AI技术和营销服务能力,为品牌客户提供在全球AI大模型和中国AI大模型的生成引擎优化服务,包括品牌营销、流量获取、电商转化、口碑维护等全方位的AI大模型平台优化工作,从而提高品牌在AI大模型中的露出率、首推率、正面率。其他服务商则分别在稳定性、行业垂直、技术工具或内容社区等方向形成差异。公司在北京、天津、南京设有办公点,规模近百人,技术班底人员占比 70%,核心团队成员来自百度、
如果你正在做AI应用,却总觉得效果不如别人,问题大概率不在提示词上。这篇文章适合已经跑通Demo、但线上效果拉胯的开发者。看完你能搞清楚:为什么提示词调优的收益会快速衰减,以及RAG、Agent编排、链路稳定性这三块工程能力到底该怎么落地。提示词重要吗?重要。但它只是起点。真正决定AI项目效果的,是检索能不能召回正确的内容,是Agent能不能稳定地拆解和执行任务,是整条链路在异常情况下能不能优雅降
回到标题的问题:2026年企业合规风险检测系统哪家专业?我认为,企业不能只看谁宣传得多,也不能只看谁价格低,而要重点看谁真正具备监管理解能力、政策转化能力、案例参考能力、风险穿透能力、集团管理能力和数据安全保障能力。从这些维度看,百望股份及其百望税务智能体值得企业重点考察。它不是简单的查询工具,而是依托真实交易数据、税收政策知识库、监管案例库、行业数据能力和安全合规底座,为企业提供政策查询、风险识
Cursor 能帮开发者写代码,却未必了解企业内部的 API 规范。如何让 AI 直接检索企业知识库,而不是反复复制文档?本文结合实际场景,拆解 MCP 的 Host、Client、Server 架构,介绍知识库检索、来源追溯与 API Key 权限控制,并分析 MCP 与 Open API 的区别。
整理 2026-10-02 至 10-08 一周科技硬新闻
掌握 Python 字符串基础与转义字符,破除 Ctrl+S 迷思,坚定 VS Code 工具路线。
10 月 6 日,多家媒体报道了一则消息:快手旗下视频生成业务可灵 AI,已经在为香港上市做准备。据知情人士称,公司已选中金公司、高盛和瑞银担任承销商,计划最早明年上市、至少融资 10 亿美元,预计 2027 年初向港交所递交申请。截至发稿,可灵方面并未对报道作出回应,相关安排仍处于早期阶段,时间表和规模都可能变。如果消息落地,可灵会是国内 AI 视频大模型里第一个独立上市的样本。
AI 正在从底层改变 B 端客户获取供应商信息的方式。过去企业采购、客户调研,习惯打开搜索引擎,逐条浏览网页、比对信息;如今越来越多用户直接向 AI 提问,由大模型整合多方素材,直接输出带有推荐倾向的结论。流量入口从传统搜索框转向 AI 对话框,品牌竞争逻辑随之改变:不再争夺网页排名,而是争夺 AI 答案里的引用权、话语权。这也是江苏南京、苏州、无锡一批本土团队发力 GEO(生成式引擎优化)的底层
本文通过构建首个基于LangChain的数学专家Agent,演示了如何使用create_react_agent与AgentExecutor实现自动化的Thought-Action-Observation循环。通过定义计算器和搜索工具,Agent能自主决策调用顺序,完成多步任务,并在verbose模式下清晰展示中间推理过程。相比手动实现,框架大幅简化代码、自动处理格式错误与循环控制,凸显了抽象化开发
回到项目命题的起点:“文件能读、格式合法”与“内容可靠”之间的鸿沟,不可能靠单一工具或脚本填补。它需要的是一套让缺陷可识别、影响可量化、分数可比较、结论可回查的系统性方案。该项目的核心贡献在于,它没有把注意力放在“检查什么”上,而是放在了“如何让检查结果成为可比较、可追溯、可验证的判断依据”上。规范先行、分层检查、证据贯穿、金标准自检——这四个设计决策共同构成了一个从技术工具到评价基础设施的完整逻
从一窝小猪的产仔数到毕业论文:动遗育种人的 AI 工具搭子怎么选? 🐖📊 先认领一个非常典型的动物遗传育种与繁殖专业场景: 你的毕业论文要做“母猪繁殖性状的全基因组关联分析与基因组选择初步研究”。手头有猪场记录表,包括总产仔数、产活仔数、初生窝重,还有 SNP 芯片基因型数据。你需要完成表型整理、基因型质控、GWAS 分析、GBLUP 或 rrBLUP 育种值预测,最后写出一篇含曼哈顿图、QQ
Windows 上做 AI 开发,最让人疲惫的往往不是模型,而是 Linux 依赖、容器网络、文件挂载和公司安全策略互相打架。WSL Containers 正式版提供了一个更原生的入口,但判断它能否替代现有运行时,不能只看镜像是否成功启动。
AI,全称 Artificial Intelligence,人工智能。简单说:让机器表现出「类人智能」的技术总称。包括:让机器看懂图像、听懂语音、读懂文字、做出决策……凡是原本需要人类智力才能完成的事,AI都在尝试接管。机器学习(Machine Learning):让机器从数据中自动学习规律深度学习(Deep Learning):用多层神经网络模拟人脑思维自然语言处理(NLP):让机器理解和生成人
本文分享了企业应对AI使用引发的数据泄露风险的三周落地实践:通过审计摸底(识别使用行为与敏感内容)、分级管控(按工具分类限制)、私有化替代(上线内网知识库与专属模型),实现“看得见、管得住、用得上”。关键在于不一刀切,而是以终端审计+多端联动+合规替代构建闭环。最终采用迪康端点安全一体化系统,整合采集、识别、管控与追溯能力,兼顾效率与安全,为同行提供可复用的实战参考。
对比传统 NLP大模型定位专才(一个任务一个模型)通才(一个模型所有任务)核心特征工程 + 任务建模Scaling Law + Prompt + 对齐交互输入 token ids输入自然语言 Prompt演进规则 → 统计 → 神经预训练 → 指令微调 → RLHF → Agent关系大模型继承了传统 NLP 的表示、结构、评估思想,但在规模、范式、通用性上发生了质变。
2025年的网络安全图景让我们明白:这是一场没有休止符的战争。攻击者不再只是单打独斗的个体,而是武装到牙齿的、由AI赋能的、国家级与黑产资本交织的体系化力量。从DeepSeek的大规模攻击、Oracle零日漏洞利用、Salesforce生态系统的供应链攻陷,到深度伪造的泛滥,“看不见的战争” 正在每一个环节升级。这决定了防御不能再是简单的“补丁和防火墙”,而必须是一场体系化、智能化、全员参与的全民
系统加载了针对制造业典型场景的行为识别模型:PPE穿戴检测(安全帽、护目镜、防护服、防砸鞋)、危险区域闯入检测(叉车通道、自动化设备运行区、高压电柜区域)、违规作业检测(高处作业未系安全带、动火作业无人监护)、烟火与泄漏检测(火焰、烟雾、液体泄漏扩散)。更关键的是,发现异常后的告警证据回收和处置任务分配没有贯通——看到违规了,截图保存、电话通知、口头描述,整个过程零散低效。EHS安全管控智能体作为
很多多 Agent 流程前面跑得很热闹,最后却把几十份原始结果一次性塞给最强、也最贵的模型。它先要去重、过滤空结果、统一格式、处理冲突,然后才开始推理。最有能力的模型反而成了垃圾整理员。多个 Worker↓代码去重、过滤、排序↓验证冲突和薄弱证据↓强模型综合能由代码稳定处理的工作,不必再消耗一次模型调用。【先压缩,再推理】
大模型应用开发工程师是 2026 年性价比最高的 AI 岗位——门槛适中、需求量大、薪资涨幅明显、转型周期短。如果你有后端开发基础,这是进入 AI 行业最快的入口。当下AI大模型是当下实打实的优质风口,岗位缺口大、发展前景广、薪资待遇突出,对比内卷严重、涨薪晋升困难的传统技术岗,是普通人转行逆袭的绝佳选择。但很多想要入局大模型领域的朋友,都面临无系统学习路径、无实战资源、求职无方向的难题,一个人硬
面试现场,面试官喝了口茶,抛出一个看似简单的问题:**"MCP 和 Skill,什么时候用哪个?"** 你心里一紧——两个词都用过,MCP 连过数据库,Skill 写过 SKILL.md。但让你说清楚"什么时候用哪个",你只能挤出一句"MCP 连工具,Skill 写指令"。面试官微微摇头:**"太浅了。
(本文档基本由ai生成,主要记录学习轨迹)本文档基于仓库源码静态梳理,覆盖的完整链路。所有结论均可按文末给出的文件/行号回溯。
在全工程级 Vibe Coding 时代,随着项目规模扩大与代码行数跃升,开发者常陷入“代码自发屎山化、隐蔽安全漏洞、跨窗口经验蒸发与千篇一律塑料感”四大翻车现场。单纯依靠在对话框内堆砌越来越冗长的长 Prompt 补丁,不仅会导致模型注意力衰减与上下文爆炸,更无法形成持久工程资产。本文深度解构专为 AI Agent 打造的“上岗资格证”体系——Skill 架构,厘清 Prompt、Rule、MC