登录社区云，与社区用户共同成长
邀请您加入社区
本文深入解析大型语言模型微调的核心原理与实践方法。首先阐明大模型训练的"预训练+指令微调"两阶段逻辑，并重点介绍轻量化微调技术LoRA的原理与优势。文章系统解答了数据准备的关键问题，包括数据集划分、规模要求及常见陷阱（欠拟合/过拟合）。通过原生Hugging Face生态代码，完整演示从环境配置、数据准备到模型训练的全流程，特别强调验证集监控和Loss指标解读的重要性。最后提供
S32k144，S32K148的boot，网络，uds，标定程序订做，包含uds烧写上位机在汽车电子和嵌入式系统开发领域，NXP的S32K144和S32K148芯片凭借其高性能和丰富的外设，成为众多开发者的心头好。今天就来聊聊针对这两款芯片的Boot、网络、UDS以及标定程序的定制开发，并且还包含UDS烧写上位机哦。
摘要：本文探讨了如何低成本微调大语言模型，使其适应特定领域需求。文章比较了Prompt Engineering、RAG和微调三种方法，指出微调最适合风格定制、格式控制和领域专精场景。重点介绍了参数高效微调技术（PEFT），特别是LoRA和QLoRA方法，它们能以消费级显卡（如RTX 4060）实现接近全参数微调的效果，同时降低80%以上成本。最后强调AI应用开发工程师的核心竞争力在于掌握RAG、A
接下来我用低代码AI自动建站项目（我的本职开发项目）举例，手把手拆解完整实操流程，看完就能照搬落地。
文章探讨了多智能体协作系统的核心价值，即通过“多角色分工、多技能协同”解决复杂现实任务。针对单个AI智能体在能力边界、任务效率、决策风险和资源消耗上的局限，多智能体协作系统通过“分工专业化、任务并行化、决策去中心化”完美解决。文章详细阐述了多智能体协作系统的四层核心架构：角色定义、任务拆解、通信交互、协作控制，并分析了实现“群体智能”落地的四大关键技术。最后，文章列举了办公协同、科研协作、工业生产
本文将深入剖析Hugging Face生态的技术架构，揭示其如何通过标准化工具链重塑AI开发范式。
今天就把这份沉淀了很久的“避坑指南+实操学习干货”整理出来，不管你是想转行切入AI赛道的零基础小白，还是想拓展技能边界、破解35岁职业焦虑的程序员，都能通过这篇内容快速理清AI大模型的学习逻辑，掌握可落地、能复用的进阶方法，少走半年弯路。
这个课在外网关注度很高，已经有接近 2 万星了。文本教程 + 视频讲解 + 全套代码，而且配了中文翻译。
Anthropic提出的“多智能体协作系统”（Multi-Agent Collaborative System, MACS）通过分布式智能体协同突破这一瓶颈，其技术设计直指可扩展性、动态知识融合与可控对齐三大核心问题。
「微调」 是利用预训练LLM并训练至少一个内部参数（即权重），通常是使用预训练好的通用基础模型（例如GPT-3）转换为特定用例（例如 ChatGPT）的专用模型。
在运行时，会使用相同的向量来对用户的查询进行处理，然后执行向量搜索，在向量数据库中检索到最匹配的结果，并将这些结果作为上下文输入到大模型的提示词中，以生成总结性的答案。
大模型架构进入"效率-泛化"双轨时代，AI Agent部署量激增17倍，神经渲染技术颠覆3D内容生产范式。硬件层面存算一体架构实现量产出货，安全治理体系完成全球技术立法衔接，行业渗透呈现指数级裂变。
随着AI技术快速发展，AI产品经理成为热门岗位。本文解析了AI产品经理的核心能力、工作内容及转型路径。AI产品经理需在传统产品经理基础上，掌握机器学习、深度学习等技术原理，理解算法应用场景，具备跨团队协作能力。当前AI产品主要分为视觉AI、机器学习、AI应用和语义AI四大方向。文章通过分析百度、腾讯等大厂招聘要求，指出AI产品经理需具备技术理解力、商业分析能力和项目管理能力。建议转型者从基础技术知
本文介绍了提升RAG系统效果的7个关键技术：文档分块（Chunking）需平衡语义完整性与检索效率，建议混合使用结构化和语义分块；重排序（Reranking）通过精细排序提升结果相关性；混合搜索（Hybrid Search）结合向量与关键词检索优势；知识图谱（Knowledge Graph）处理复杂关系查询；知识库建设强调数据治理与文档优化；文档解析需针对不同格式选择合适工具；接地（Groundi
《GEO实战》连续137天霸榜京东热卖榜，这本专业方法论书籍引发广泛讨论。作者指出AI时代内容规则发生本质变化：第一读者从人变成了AI，传统SEO方法面临失效。书中提出GEO（Generative Engine Optimization）新概念，强调内容需具备精准性、实时性、可解释性和防御性。核心创新包括"意图词"替代关键词，以及GUIDE系统框架（收集、整合、生成、分发、保障
两年前，大部分 Java 团队面对大模型浪潮的反应是：**"我们用 HTTP 调 OpenAI 的 API 不就行了？
MoE（Mixture of Experts）是一种稀疏激活（sparse activation）架构，其核心思想是在模型的某一层，不使用全部子网络（专家），而是选择其中一小部分“专家”来参与前向计算。就像你问一个问题时，不需要每个专家都来回答，只要挑几个合适的专家来就行了。
本文系统探讨了大型语言模型（LLM）微调数据集的构建方法与关键技术。微调作为提升模型专业能力的重要手段，其效果高度依赖数据集质量。文章分析了微调面临的挑战，包括数据来源多样性、格式差异和质量控制难题，并详细介绍了指令跟随、多轮对话等主流数据格式。重点阐述了高质量数据集构建策略：采用模型生成（Self-instruct）与人工审核结合、知识注入技术（如Chain-of-Thought）以及分词优化等
在生物、化学、材料等数据密集型科学领域，海量实验数据与文献知识不断积累，但这些知识往往分散在不同数据库与研究论文中，难以被系统整合与有效利用。科学知识图谱（Scientific Knowledge Graphs, SciKGs）通过结构化方式组织科学实体及其关系，正在成为连接数据与科学发现的重要基础设施。
2026年，大模型已经无处不在，但“幻觉”（hallucination）仍是企业落地的最大杀手：金融风控、医疗问诊、客服机器人动辄编造事实，直接导致合规风险和信任崩盘。：通过图遍历（Path）、规则（Rule）和嵌入（Embedding）推导出隐含知识，如“如果A是B的父亲，B是C的父亲，则A是C的祖父”。：知识用**三元组（h, r, t）**表示（head实体-关系-tail实体），无数三元组
本项目是一个从零开始实现的建筑文档智能审查系统，旨在帮助开发者理解知识引导检索在专业领域文档审查中的核心原理和实现细节。由于篇幅限制，我们无法展示完整的整个实现过程，但是，我们将在本文中讲解整个企业级 RAG 系统的每个必要的实现步骤以及背后的思考，大家可以通过这些内容快速理解如何实现一个建筑文档智能审查系统。
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
本文介绍了一种基于Python和百度千问大模型的微博舆情分析预测系统。该系统采用分层架构设计，包含数据采集、预处理、模型、预测和应用五层。通过微博API、Scrapy爬虫等技术获取多模态数据，利用千问大模型进行情感分析和主题分类，采用Transformer-LSTM混合模型预测舆情趋势。系统实现了89.4%的情感分析准确率，24小时预测误差低于8%，支持政府舆情监测、企业品牌管理等应用场景。文章还
摘要：本研究提出基于Python与百度千问大模型的微博舆情分析预测系统，旨在解决传统舆情分析方法在语义理解和实时性方面的不足。系统采用多模态数据采集（文本、图片、视频），通过跨模态融合技术实现深度语义分析，并构建Transformer-LSTM混合模型进行舆情趋势预测。创新点包括动态跨模态交互机制、轻量化实时推理和增强模型可解释性。预期成果包括系统原型（准确率≥88%）、标注数据集和学术论文，为政
本项目基于Python与百度千问大模型开发微博舆情分析预测系统，实现舆情监测、情感分析、趋势预测和风险预警功能。系统通过微博API/爬虫获取数据，利用百度千问模型进行情感分类，结合ARIMA/LSTM算法预测热度趋势，并设置阈值触发预警。采用Pyecharts可视化分析结果，使用Flask开发后台管理界面。项目周期8周，交付数据采集脚本、分析模型、预测模块和Web应用，要求情感分析准确率≥80%，
摘要：本文综述了Python与百度千问大模型在微博舆情分析预测中的应用。微博作为重要舆情平台，其海量数据蕴含丰富社会信息。Python凭借数据处理优势（如Pandas、Scrapy）支持高效采集和预处理，而百度千问大模型在中文语义理解（CLUE测试F1值92.7%）、多模态融合（图文分析准确率89.4%）方面表现突出。研究聚焦数据采集、情感分析、主题检测和传播预测等关键技术，并指出当前在数据质量、
摘要：本研究提出基于Python与百度千问大模型的微博舆情分析预测系统，突破传统方法在语义理解、多模态融合及预测能力上的局限。通过多模态数据融合、动态传播建模及领域知识增强技术，系统实现情感分析准确率92%、24小时预测误差率低于8%的优异性能。实验结果表明，该系统在舆情预警响应时间（15分钟）、预测精度（误差率12.4%）等核心指标上显著优于传统方法，为政府和企业提供智能化决策支持。创新性地采用
摘要：本文探讨了基于Django框架、DeepSeek大模型和知识图谱的古诗词情感分析系统。系统采用多模态技术融合，结合诗词文本、韵律和意象特征进行情感分析。DeepSeek大模型通过微调实现细粒度情感识别，知识图谱提供文化语境支撑。系统在教育、研究和创作辅助等领域具有应用价值，同时也面临数据质量、模型泛化等挑战。未来将探索更多跨模态技术，提升系统的分析能力和用户体验。
本文介绍了一个基于Django框架和DeepSeek大模型的古诗词情感分析系统开发项目。系统通过构建知识图谱，分析古诗词中的情感表达，实现诗词检索、情感分类和可视化展示功能。项目采用Neo4j图数据库存储诗词实体关系，利用DeepSeek模型进行情感分析，并通过Vue.js+D3.js实现前端交互。开发周期10周，包含数据准备、知识图谱构建、模型训练、系统开发和部署等阶段。最终交付成果包括知识图谱
摘要：本文介绍了一个基于Django框架和DeepSeek大模型的古诗词情感分析系统设计方案。该系统通过构建知识图谱实现古诗词实体识别与关系抽取，利用大语言模型的语义理解能力进行显性和隐性情感分析，并开发可视化交互平台展示分析结果。研究采用实证分析、对比实验等方法，预期实现85%以上的情感分析准确率，为古诗词数字化保护和教学提供智能化工具。创新点在于多模态语义融合和动态知识图谱构建，填补了传统方法
本文介绍了一个基于Django框架和DeepSeek大模型的古诗词情感分析系统。该系统采用分层架构设计，结合知识图谱和大语言模型技术，实现了对古诗词情感的高精度分析。系统包含数据层、算法层、服务层和表现层，通过知识图谱构建、DeepSeek模型微调等技术，实现了92.3%的情感分析准确率。应用场景包括教育、古诗词推荐和创作辅助等。系统采用Docker容器化部署，支持高并发访问，并提供了丰富的可视化
摘要：本文提出基于Django框架与DeepSeek大模型的古诗词情感分析系统，通过构建多维知识图谱增强语义理解，结合大模型深度解析能力实现高精度情感分类。系统采用分层架构设计，集成MySQL、Neo4j等多源数据存储，利用微调后的DeepSeek模型和知识图谱推理规则，在《全唐诗》数据集上达到92.3%的情感分析准确率。实验表明，该方法较传统技术显著提升性能，为古诗词数字化研究提供了新的技术范式
GEO优化实战》的出版时机，恰逢生成式AI从"技术热点"向"基础设施"过渡的关键节点。该书的价值，不在于提供一个标准答案，而在于建立一套问题意识——当AI成为内容分发的核心枢纽，品牌如何重新思考自身的内容资产、表达结构与信任机制。对于正在经历这一转型的企业与从业者，这本书提供了一张从当下通往未来的路线图。《GEO优化实战：AI时代的流量密码》庞文英 著 基础篇·技术篇·内容篇·行业篇·实战篇。
对于中小施工企业来说，工地管理就像一场每天都在进行的“多线作战”：人员有没有违规作业？设备是否正常运行？材料有没有浪费？进度能不能跟上？环保达标了吗？每一项都是成本，每一项都是风险。延凡智慧工地系统，正是为解决这些实际问题而生。它不是那种“听起来很牛、用起来很贵”的复杂系统，而是一个专为中小施工企业、项目部量身打造的轻量化AI管控平台。只需几万元起，即可覆盖“人、机、料、法、环、进度”六大核心要素
不要直接使用自动化机器学习的方式，纯粹“用算力代替智力”的方式，效果不好且浪费计算资源。
划分好限界上下文后，需要面临的是如何建模？1.实体由标识定义的对象称之为实体，由属性决定的对象称之为值对象。比如体育馆的一排座椅，当进入体育馆有座次区别时，座椅是实体。当进入体育馆靠入场券时，不区分座次，座椅是值对象。所以实体和值对象的区分依赖于具体环境。每个实体必须有唯一的实体标识，区分其他实体，即使这些实体属性相同，或在分布式系统中。面向对象原有的语言，就会给对象创建唯一对象标识。然而，在持久
摘要： Agentic AI的出现标志着自动化技术从传统规则驱动迈向智能自主的新阶段。传统自动化（如RPA）基于确定性脚本，适合稳定、可预测的任务，而Agentic AI依托大语言模型，具备目标导向、多步骤规划、动态适配等能力，可处理复杂场景。两者各有优势：传统自动化稳定透明，适合标准化流程；Agentic AI灵活智能，适用于知识密集型任务，但存在可解释性低、算力成本高等挑战。企业需根据业务需求
近年来，信创产业蓬勃发展，金融行业数字化转型不断加快。在金融领域，人大金仓进行了大量的测试与实践，针对金融行业数据库自主可控过程中遇到的典型问题，总结出了一套行之有效的解决方案。本篇将对上述问题及方案进行介绍。以数据为关键生产要素、以数字技术为核心驱动力的生产方式正加速推动人类社会迈进数字经济时代。“十四五”规划纲要提出，加快数字化发展、打造数字经济新优势。金融行业正稳步推进金融科技发展，加快金融
，
知识图谱
——知识图谱
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
openvela
2048 AI社区
九章云极普惠算力
深开鸿 技术专区
