登录社区云，与社区用户共同成长
邀请您加入社区
Pregel还提供了如下所示的和方法，我们可以调用它们以增量的方式修改部分状态。有一点需要明确的是，这些方法并非直接修改某个持久化的Checkpoint，而是在此基础上创建一个子Checkpoint，所以历史是不会被篡改的，只会在某个时间点开启了一个平行世界。创建的Checkpoint的标识会存储返回的RunnableConfig配置中。这些方法总是以一个Node的名义模拟一个具体的任务来更新对应
随着多模态大模型的快速发展,如何在有限的计算资源下提升模型性能成为关键挑战。混合专家模型(MoE)通过稀疏激活机制,在保持模型容量的同时显著降低推理成本,为多模态任务提供了高效解决方案。
本文聚焦Python循环与函数在AI数据清洗中的实战应用，通过构建带脏数据的鸢尾花模拟数据集，系统讲解for循环的批量处理能力。主要内容包括：1）使用for循环遍历AI数据集，结合enumerate()定位样本；2）通过循环嵌套实现异常值批量筛选；3）利用循环统计特征指标。所有案例均围绕真实AI数据清洗场景，帮助读者将零散代码升级为可复用的工程化脚本，掌握处理大规模数据集的核心技能。学完后可独立编
学习完整的分位数函数（即将概率映射到变量值的函数），而不是为每个分位数水平构建单独的模型，能够更好地优化资源权衡。分位数函数是一种数学函数，它接收一个分位数（分布的一个百分比，范围从0到1）作为输入，并输出一个变量的值。它可以回答诸如“如果我想保证95%的客户在24小时内收到订单，我需要持有多少库存？”这样的问题。因此，分位数函数常用于预测问题的场景中。然而，在实际情况下，我们很少有一个现成的公式
介绍如何融合机理模型、专家经验和数据驱动模型解决工业领域问题的方法。
大模型学习的底层根基，核心围绕自然语言处理、神经网络、Transformer架构、预训练/微调/对齐四大核心知识点展开，拆解大模型实现语言理解与生成的底层逻辑，掌握这些内容能从本质上理解大模型的工作原理，为后续的架构选型、训练优化等学习打下基础。
本文系统梳理了大模型技术的发展脉络和知识体系。首先回顾了人工智能从符号主义到深度学习的演进历程，重点分析了Transformer架构的革命性意义及其核心机制。随后详细阐述了大模型训练的三个关键阶段（预训练、微调、对齐）以及不同应用形态的分类。文章还介绍了Prompt Engineering和RAG等实用技术，最后探讨了智能体（Agent）技术的定义与发展方向。通过可视化图解方式，帮助读者构建从AI
本文介绍了基于脉冲神经网络（SNN）的乒乓球游戏演示模型。该模型采用改进的漏电积分发放（LIF）神经元模型，通过多阈值机制（MSF）实现单
作为一名Java开发者，我也一直在思考这个问题。今天就聊聊我的看法。
我们提出了一种基于大型语言模型（BearLLM）的轴承健康管理框架。BearLLM是一种新型多模态模型，通过处理用户提示和振动信号，将多个轴承相关任务统一整合。具体而言，我们引入了先验知识增强的统一振动信号表示方法， 以应对多数据集中的不同工况。该方法包含三个关键步骤：根据传感器采样率自适应采样振动信号、通过频域统一输入维度、 以及使用无故障参考信号作为辅助输入。为从振动信号中提取特征，我们首先训
大模型微调实战指南：从底层逻辑到行业应用 微调(Fine-tuning)是将通用大模型转化为专业工具的关键技术，主要解决领域知识缺失、格式控制和幻觉问题。当前主流采用参数高效微调(PEFT)技术如LoRA，以低成本实现专业适配。微调适用于固定输出格式、特定风格和复杂推理场景，但不适合实时知识更新。 实操流程分为六步：数据准备、模型选择、算力对齐、参数设置、训练监控和效果评估。建议优先尝试提示词工程
本文系统介绍了四种重要的离散概率分布及其应用。首先分析伯努利分布作为单次二值试验的模型，推导其期望和方差。接着讨论二项分布作为n次独立伯努利试验的扩展，给出概率质量函数公式及参数影响。然后阐述泊松分布对稀有事件的建模，说明其与二项分布的近似关系。最后将概念推广到多类别情形，介绍类别分布和多项式分布的定义及特性。全文通过产品质量检测、网站访问量等实例，展示了这些分布在现实问题中的具体应用，为离散随机
内模控制（Internal Model Control，IMC）是一种用于控制系统中的模型，基于模型预测和误差补偿的原理。其核心思想是在控制系统中加入一个内部模型，通过与实际系统输出进行比较，并根据差异进行补偿控制，从而实现对系统的精确控制。IMC可以应用到多种领域，同时也为分析一些其他控制算法的性质提供了结构框架。
来源：深蓝AI添加小助理：cv3d001，备注：方向+学校/公司+昵称，拉你入群。文末附3D视觉行业细分群。扫描下方二维码，加入「3D视觉从入门到精通」知识星球，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门秘制视频课程、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！过去几年，自动驾驶这条赛道可谓是资本手里的“香饽饽”，2
25年1月来自加拿大 SFU的论文“Semantic Mapping in Indoor Embodied AI – A Comprehensive Survey and Future Directions”。智能具身智体（例如机器人）需要在陌生的环境中执行复杂的语义任务。在智体需要具备的众多技能中，构建和维护环境的语义地图对于长期任务至关重要。语义地图以结构化的方式捕获有关环境的信息，允许智体在
在具身智能执行器和传感器等硬件成本持续下降的背景下，真正驱动其大规模商业化爆发的，并非单一的硬件产品，而是其背后的软件与生态系统。正如互联网的价值最终体现在软件应用与服务上，具身智能的商业价值正在从传统的“硬件产品销售”转向“软件与服务订阅”。RaaS等创新商业模式的兴起，正是这一趋势的直接体现。这里我们将深入剖析2026年具身智能领域，特别是围绕数据采集、训练和任务开发的软件工具与服务所蕴藏的万
前十年自动驾驶，后十年具身智能。不得不说，这两个领域撑起了近20年的研究热点。随着算法与算力的高速发展，各家自动驾驶与机器人公司开始规模化量产，可落地的技术成为大家争先占领的重点，然而行业本身对从业者能力要求较高，内部非常卷，一个岗位难求。如何从内卷中脱颖而出，除了极强的自律外，系统的学习方法也很重要，这里给大家推荐了几个国内非常具有影响力的自动驾驶、具身智能、计算机视觉和AI方面的优质社区，对入
24年7月来自UCLA的论文“MetaUrban: A Simulation Platform for Embodied AI in Urban Spaces”。
我们也创办了一个具身智能全栈学习社区：具身智能之心，平时分享了很多具身智能相关的算法、数据采集、软硬件方案等。主要方向涉及VLA、VLN、Diffusion Policy、强化学习、机械臂抓取、位姿估计、机器人仿真、多模态大模型、芯片部署、sim2real、机器人硬件结构等，日常也分享了很多行业与招聘相关内容。会不会有比较大的gap。从算法维度上看，具身智能领域基本延续了机器人和自驾的一些算法，比
摘要： 镜像视界通过将视频监控升级为"空间计算引擎"，实现了从二维图像到三维空间坐标的范式突破。其核心技术包括像素空间映射（Pixel-to-Space）、多摄像头融合（MatrixFusion）、动态三维重建（NeuroRebuild）等，将传统视频数据转化为可计算的空间轨迹与行为预测。相比国内外以AI识别为主的方案，该公司直接构建了统一的空间操作系统（SpaceOS），支持
文章主要介绍了在LLM和Agent能力迅速发展的背景下，传统测试方法难以满足Agent评测需求的问题。提出了一种基于YAML配置驱动的Agent评测框架，该框架支持多种Agent适配器和评分策略，并能生成表格、JSON、HTML等报告。文章详细阐述了Agent评测的必要性、框架解决的关键问题以及在不同场景下的具体应用，旨在帮助程序员更好地理解和应用Agent评测技术。
它挑战了西方哲学长久以来“重精神、轻肉体”的传统。
《像素即坐标：空间智能计算新范式》摘要 镜像视界创新性提出"像素即坐标"空间智能计算体系，突破传统视频监控的二维局限。该技术通过Pixel-to-Space空间反演、多视角融合等核心引擎，将视频数据转化为可计算的空间数据流，实现从"看见世界"到"计算世界"的范式跃迁。系统采用通路式架构，构建感知-计算-认知-决策的完整闭环，在港口、城市治
核心逻辑：把“装修材料”（训练数据）分成多份，每个GPU（工人）拿一份材料，同时用完整的模型（整栋房子的装修方案）计算梯度；计算完后，所有人把梯度汇总（比如你算的梯度是0.1，我算的是0.2.汇总后是0.3），再用汇总后的梯度统一更新模型参数类比：3个工人同时刷同一栋房子的3个房间，每个人都有完成的“刷墙流程”（模型），刷完后一起商量“下次怎么刷更快”（统一更参数）优点：简单易操作，不用改模型结构
NVIDIA 在 GTC 2026 上发布了 NVIDIA Isaac GR00T、Kimodo 和 SOMA-X 三个开源项目，分别从决策、生成与表示三个层面，切入同一个问题——如何让机器更自然、更高效地完成复杂动作。同时还还发布了 FDFO 这一面向扩散模型的训练方法，从生成模型优化的角度，为上述能力提供底层支撑。
ML 因子得分 = (ML 概率 - 0.5) × 2 × 100（映射到 -100 到 100）总分 = (技术面×70% + 基本面×30%) × (1 + 资金流向调整) + 新闻情感调整。技术面得分 = (原 7 因子得分×60% + ML 因子得分×10%) × 70%融合得分 = 规则引擎得分 × 60% + ML 概率得分 × 40%低位 (0-30%) +15, 高位 (70-10
从2016年**Alaph GO**横空出世，再到2022年**ChatGPT**的诞生，以及2025年**DeepSeek**走进中国AI圈，一路爆火，最后到最近的**OpenClaw**，互联网上各种呼声，**“养龙虾”** 这个词，不论年龄大小，从小学生到创业者都在使用。就单说**OpenClaw**，这个**AI Agent**吧，在2026年以来，有政府的创业补贴、国内**AI圈**的生
PyTorch模型量化超快绝非技术锦上添花，而是打破AI部署天花板的核心引擎。它将量化从“部署前的必要步骤”转化为“实时运行中的动态能力”，推动AI从“云端智能”走向“边缘智能”。未来5年，随着硬件指令集普及与算法成熟，超快量化将像“编译器优化”一样成为模型开发的默认流程。关键启示：当速度成为可量化指标，AI的边界将由“能做什么”转向“何时能做”。超快量化不是终点，而是AI普惠化的新起点——在毫秒
本项目基于水蛭优化算法(LOA)实现无人机三维路径规划。通过模拟水蛭的吸附和游动行为，LOA算法在三维空间中进行高效搜索，优化路径长度、避障、能耗等多目标。系统采用模块化设计，包含环境建模、路径表示、适应度评估、LOA优化和路径平滑五个核心模块。MATLAB实现中，通过初始化30个个体的群体，每个路径由20个节点组成，在100次迭代中交替执行吸附(局部搜索)和游动(全局搜索)行为。适应度函数综合考
机器学习
——机器学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
AtomGit开源社区
全球具身智能
