登录社区云，与社区用户共同成长
邀请您加入社区
DeepSeek模型家族提供了从轻量级1.5B到全能型671B的完整产品线，满足不同场景需求。部署前需了解知识蒸馏、量化、裁剪等核心技术概念，以选择合适的模型版本。资源获取方式包括本地部署（高隐私）、云端部署（弹性算力）和API调用（快速验证），各有优劣。硬件需求方面，14B及以下模型适合个人用户，32B及以上需专业设备。通过API调用可直观对比不同模型的推理效果。建议开发者根据应用场景选择合适方
本文介绍了一种基于HarmonyOS的AI药品说明书翻译应用，针对传统人工翻译存在的效率低、术语不准确等痛点，提出完整的开发解决方案。文章系统阐述了从需求对齐、架构设计到评估的六个开发阶段，重点分析了药品说明书翻译场景的特殊需求，包括专业术语处理、剂量单位转换和安全警示等核心问题。技术实现上采用HarmonyOS ArkTS框架和MVVM架构，通过State驱动数据流实现响应式UI，并设计了独特的
本文介绍了四旋翼飞行器姿态控制中的坐标系定义与姿态表示方法。主要内容包括：导航坐标系(NED)与机体坐标系的定义及其转换关系；欧拉角表示法及其万向节锁问题；旋转矩阵的构建与应用；四元数的定义及其在姿态解算中的优势。文章还讨论了如何通过互补滤波融合传感器数据，解决陀螺仪积分漂移问题，实现高精度姿态解算。这些方法为飞行器的稳定控制提供了理论基础，其中四元数因其计算高效、无奇异性等特点成为现代飞控系统的
本文介绍了基于HarmonyOS ArkTS技术栈开发"AI猫咪行为解读"应用的全流程。采用六阶段方法论（对齐→架构→原子化→审批→自动化→评估），重点阐述了需求分析、架构设计和实现方案。应用采用MVVM架构，分为Model层（定义数据结构）、Service层（封装业务逻辑）和View层（UI展示）。通过ArkTS严格类型约束和模块化设计，实现了用户输入猫咪行为描述后，系统输出行为解读、情绪判断、
这个实现能够高效地处理题目要求，利用了 Go 的 container/heap 包和排序功能。· 时间复杂度：O(mn log(mn) + k log k)· 每个单元格入堆一次：O(mn log(mn))// 扩展所有值小于当前查询的单元格。1. 最小堆：存储 (值, 行, 列)，按网格值排序。3. BFS扩展：只扩展值小于当前查询的单元格。· 查询排序：O(k log k)4. 访问标记：每个
文章摘要 本教程系统讲解NumPy矩阵乘法的核心知识，包含3种实现方式（np.dot()、@运算符、np.matmul()）和维度匹配规则（(m,n)×(n,p)=(m,p)）。重点解析矩阵乘法的数学特性：不满足交换律但满足结合律，以及单位矩阵的特殊性质。特别演示了转置操作(.T)在解决维度不匹配问题中的实际应用，并通过向量旋转和线性方程组等案例展示矩阵乘法的典型应用场景。教程还包含手动计算验证、
知识蒸馏是一种通过大模型（Teacher）指导小模型（Student）训练的技术。其核心思想是利用Teacher输出的"软标签"（包含类间关系等丰富信息）而非硬标签来训练Student。蒸馏损失函数结合KL散度（软标签）和交叉熵（硬标签），通过温度参数T控制软标签平滑度：T值越大，分布越平滑。实验表明T=3-5适用于多数场景。昇腾平台实现中，Teacher模型冻结，Student通过优化总损失（α
面向外部客户的开户、套餐、定价、计量和运营能力此前已经存在。fastHub Factory运营版这时需要处理客户开户、套餐、价格、额度、计量、结算和持续运营，还要把不同来源的模型包装成客户能够购买和调用的服务。用户可以继续使用已经采购的公有模型、其他MaaS、私有模型和自建推理服务，再根据团队共享、组织治理或对外经营的需要，接入相应的速石Token中枢产品。两者解决的问题不同。TA通过管理面沉淀视
今天这篇文章，我们只做一件事：搞懂**「线性代数在大模型中扮演什么角色」
电商榜单数据采集是电商数据分析、运营复盘、竞品调研的基础工作，手动采集效率低下，专业爬虫脚本门槛过高，并不适合普通从业者。火车采集器凭借零代码可视化操作、高适配电商动态页面、稳定批量采集、自带数据清洗的特性，完美适配中小开发者、运营人员的日常采集需求。无需复杂技术储备，十分钟即可完成全套榜单采集流程，大幅提升数据获取效率，让电商数据分析工作更高效、更轻量化。
摘要： 东莞制造企业在选择GEO服务商时，技术架构差异显著影响AI搜索排名效果。主流架构分为三类： 通用Embedding+人工关键词锚定：长尾词匹配差，31%查询无结果，语义偏移严重； 大模型API实时生成：延迟高、成本不可控，可见度仅为向量检索的23%； 乘风GEO的行业微调Embedding架构：通过预计算向量+重排序，长尾词Top3命中率达78%，零结果率仅8%。 制造业73%搜索流量来自
镜像视界自研时空矩阵演算模型，国产化架构融合全域多模态感知数据。
此外，推出天琴车载语音助手和海外版天琴语音助手Orphi，支持40余种语言的全链路语音交互，覆盖东南亚、欧洲、拉美、中东、俄罗斯等重点市场，目前，累计“上车”超2500万辆，合作客户涵盖梅赛德斯-奔驰、奥迪、捷豹路虎、比亚迪等全球60多家知名汽车品牌。在智慧物联领域，思必驰已与美的、海信、海尔、智元机器人、银河通用、魔法原子、科沃斯、追觅、小米、联想、OPPO等头部客户合作，覆盖黑白电、厨卫、中控
针对公共安全领域中危险武器（如刀具）的实时检测需求，本文基于YOLO26目标检测算法构建了一套高精度、高速度的刀具识别系统。系统采用单类别检测头（nc:1），在包含 6675 张训练图像与 2514 张验证图像的自建数据集上进行训练。实验结果表明，模型在验证集上取得了 95.7% 的 mAP50 和 70.7% 的 mAP50-95，精确率达 95.3%，召回率达 92.1%。在 NVIDIA G
本文基于YOLO26目标检测算法构建了一套蜜蜂识别检测系统，用于自动识别图像中的蜜蜂目标。数据集共包含8,080张标注图像（训练集5,640张、验证集1,604张、测试集836张），类别仅为bees。实验结果表明，模型在验证集上的mAP50达到0.91，最佳F1值为0.85，精确率最高可达1.00，召回率接近1.00。然而，模型存在一定的假阳性问题（背景误检为蜜蜂）以及定位精度不足的现象，并表现出
本项目旨在从零搭建一个基于 GPT-2 Medium 衍生架构的 LLaVA 多模态大模型，使其至少支持文本、图像两种模态输入，同时尽可能减少对Pytorch封装库的直接调用，在此中熟练掌握基础的知识、模型的预训练微调等等处理技术和对多模态技术的了解。
《AI搜索时代的企业获客革命：智搜GEO开辟流量新蓝海》摘要： 在AI大模型成为用户首要咨询入口的背景下，江苏好客搜推出的智搜GEO系统开创了生成式引擎优化新赛道。区别于传统SEO的链接跳转模式，智搜GEO直接将企业信息嵌入AI原生回答，实现"提问即推荐"的精准转化。该系统搭载三大自研引擎：96.7%准确率的语义理解引擎、符合E-E-A-T标准的内容工厂、全域实时监测引擎，形成
本文系统介绍了Numpy和Pandas两个Python科学计算核心库。Numpy部分重点讲解了ndarray数组的特性及优势（内存连续、并行运算、高效C实现），详细说明了数组生成、索引切片、形状修改、逻辑运算和统计运算等核心操作，并介绍了矩阵运算规则。Pandas部分以DataFrame为核心，阐述了其数据结构特点、索引设置方法、基本数据操作技巧，以及文件读取功能。两个库相互配合，Numpy提供高
深度学习为什么依赖矩阵计算？核心在于向量化与 Batch 并行处理 深度学习模型通过矩阵运算（如 Z=WX+b）同时处理大量样本（Batch）和神经元，避免低效的显式循环。例如，W(3×4) 与 X(4×5) 相乘得到 Z(3×5)，每列对应一个样本输出。向量化利用高效库和 GPU 并行计算，显著提升速度。关键概念包括： 向量/矩阵/张量：一维/二维/高维数组 Batch：并排计算多个样本（如 X
当你向大模型提问时，文字经历了一场精密的变身：切碎、编号、翻译成向量、注入位置信息，才被模型真正"看见"。本文拆解这条从文本到语义的完整链路。
分。Abstract本项目旨在从零搭建一个基于 GPT-2 Medium 衍生架构的 LLaVA 多模态大模型，使其至少支持文本、图像两种模态输入，同时尽可能减少对 Pytorch 封装库的直接调用，在此中熟练掌握基础 Transformer 的知识、模型的预训练微调等等处理技术和对多模态技术的了解。
本文介绍了基于HarmonyOS平台开发的"AI旅行规划师"应用的技术实践全流程。该应用通过AI技术解决传统旅行规划存在的信息碎片化、个性化不足等问题，提供从行程安排到应急信息的全链路规划服务。文章详细阐述了对齐阶段的需求分析、架构设计的三层模型（Model-Service-Page）、ArkTS语言特性运用、声明式UI开发实践以及状态管理方案，展示了如何在HarmonyOS生态中构建高效AI应用
层级分布：初级工程师 ~30题 / 架构专家 ~45题 / CTO管理层 ~25题。
如果说前面是泼冷水，Karpathy的结尾，又给台下点了一把火。
这是《大模型量化从0到1》系列的第 2 篇。上一篇我们建立了"三角权衡"的直觉，知道了量化能省显存、代价是精度。但要真正理解 GPTQ、AWQ、GGUF 为什么效果不同，你必须先看懂。这一篇我们不放过任何一个公式，从最基础的映射一路手撕到 per-group 量化，每个公式都配可运行的 NumPy/PyTorch 代码，让你亲眼看到每一个数字是怎么算出来的。看完这篇，后面所有格式的原理你都能秒懂。
erate bitsandbytes ### 5.2 加载原始 FP16 模型 ```python from transformers import AutoModelForCausalLM model_name = "facebook/opt-6.7b" # 6.7B 参数 model_fp16 = AutoModelForCausalLM.from_pretrained(model_name,
如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。学AI大模型，就是冲刺高薪的最优解！零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序
#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ ╔══════════════════════════════════════════════════════════════════════════╗ ║ 干支时辰 DNA 引擎 · Ganzhi-Shichen DNA Engine v∞.1.0 ║ ║ ║
这部分是预训练，目的是让 AI 简单学会基础语法，能够续写语料。1.0 开始的开始这个项目的起源在于斯坦福的 AI 神课 CS336。个人认为这门课的作业部分教育指导意义远大于讲课视频，Transformer、优化器等等等等都是要亲手实现才能理解，看视频、看blog、单纯调用 torch.nn.functional 库中的函数与类永远无法弥补此点。
【150字摘要】短视频行业正经历第三次生产范式迭代：从1.0专业剪辑时代（2016-2019）、2.0模板化时代（2020-2024）到3.0AI工业化时代（2025起）。新范式通过AI实现批量差异化生产，在产能（单账号日产能提升5-8倍）、原创度（算法重构防同质化）、品控（内置爆款逻辑）和变现（场景化设计）上全面突破。深圳某MCN案例显示，转型后人力减少70%但产能提升3倍，利润率翻两番。建议商
分子布局又称，是矩阵求导领域的主流约定之一，广泛用于控制理论、经典机器学习公式推导中。
矩阵
——矩阵
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
智能体开发者社区
HarmonyOS开发者社区
openEuler 社区
AI编程社区
科技大视野开发者社区
EazyDevelop社区
