登录社区云，与社区用户共同成长
邀请您加入社区
赛博周刊 (Cyber Weekly），每周发布，本周的主题是「2024 世界人工智能大会」，欢迎关注、点赞、收藏、评论。
赛博周刊 (Cyber Weekly），每周发布，欢迎关注、点赞、收藏、评论。
AI Agent狂奔，多模态搅局。
当LLM真正学会思考，所有需要「按步骤操作」的工作流都将消失。
【摘要】MIT报告揭示企业GenAI项目95%停滞，根源在于应用策略而非技术本身，深度融合业务流程与持续学习能力是破局关键。
顾名思义，大语言模型（Large Language Models，LLMs）的特点就是庞大，以至于普通的消费级硬件都难以承载。
1）企业私有数据体量远超任何模型的上下文窗口容量；2）模型存在“lost in the middle”问题，难以有效处理长上下文中间部分的信息；3）长上下文处理带来的时间成本和费用开销非常大；4）RAG 架构提供的组件分离设计拥有更高的系统可维护性和问题可追溯性。
使用多模态 LLM （如 GPT-4V[14] 、LLaVA[15] 或 FUYU-8b[16]）从图像数据中生成文本摘要，然后将这些文本摘要嵌入向量化，利用这些嵌入向量，可以对图像摘要进行高效检索（retrieve），在检索到的每个图像摘要中，都保留有一个对应的原始图像的引用（reference to the raw image），这属于上文的 (i) 类方法，最后将未经处理的图像数据和文本块传
虽然开发这样的模型涉及许多复杂因素，但基本思路是，我们可以利用模型的预测结果为每名潜在客户分配一个等级（例如A、B、C、D），并使用这些等级来对 1 万名潜在客户进行分类和优先级排序。我们今天为大家分享的这篇文章，作者的观点是：企业应该将 AI 应用于解决具体的业务问题，而不是仅仅追随 AI Chatbot 的潮流。文本嵌入技术的价值在于，它能够将非结构化的文本信息转换成结构化的数字表格，这样的格
在人工智能浪潮袭卷全球的大背景下，进一步提升人工智能模型性能，满足更多应用需求已经刻不容缓。如何优化模型延迟和吞吐量，成为了业界亟待解决的重要问题。我们今天为大家带来的这篇文章，其观点为：不同的性能瓶颈需要采取不同的优化策略，识别并解决主要的性能瓶颈是提升模型性能的关键。文章指出，主要有 4 种影响模型性能的瓶颈：计算能力受限、内存带宽受限、通信受限和开销受限。作者分别介绍了针对这 4 种情况可采
【摘要】2025年，生成式AI正以数据驱动和自主进化的方式，重塑无人机路径规划，成为低空经济的核心引擎。本文系统梳理了生成式AI在低空飞行器路径规划、智能调度、复杂城市环境自主决策、低空物流革命及未来算法优化等方面的突破与挑战，结合最新产业动态和技术案例，深度剖析其对行业的深远影响，并展望低空经济的智能化、绿色化、规模化发展前景。
他们花了一年左右的时间，以数百种不同的方式对架构进行了调整，最终成功开发出了一种不同类型的模型（这是一种状态空间模型/“SSM”），在相同的数据上进行训练时，它的表现与原始的 transformer 大致相当。（b）通过新技巧提升数据的利用效率，使系统更高效、对数据的需求更低（预计 2025-2026 年我们将见证推理模型领域的此类竞赛 —— 研究人员争相对可验证的内容进行发掘、分类和验证）。可以
本章探讨了生成式人工智能（GenAI）在医疗保健领域的应用前景与挑战。GenAI能够通过创建合成医学图像、生成诊断报告和加速药物研发等方式变革医疗实践，在知识综合、临床决策支持、个性化医疗和健康研究等方面具有广泛应用。然而，其发展也面临数据偏差、错误内容生成、隐私保护等风险，需要解决基础设施不足和系统互操作性等问题。医疗专业人员培训、多学科合作及伦理法律规范的建立将是确保GenAI负责任应用的关键
本章概述了GenAI的监管格局，从AI法案及其对GenAI应用的影响开始。它探讨了与GenAI相关的风险以及《数字服务法》在减轻这些风险方面的作用。本章还探讨了GenAI与《通用数据保护条例》（GDPR）之间的相互作用，以及知识产权（IP），特别是版权挑战。核心问题包括如何平衡创新与人工智能治理中强大的道德和法律的标准的需求。最后，总结了规范数据交换和再利用的立法。
热闹的WAIC 2025。
在这些情况下，由于提示词工程（prompt engineering）仍然主要是通过不断的试验和调整来进行改进，而非一次性完成的，如何将自己的想法用于改进 Prompt ，并仍保留 Prompt 的通用性（如前文引述内容所说），并不总是一目了然的。我妈可能不太擅长把她对 ChatGPT 输出内容的不满转化为对提示词的进一步改进，但我意识到，无论我们的提示词工程技术如何，我们真正擅长的是表达我们所看到
全球制造巨头Jabil通过采用Mendix低代码平台成功实现数字化转型。面对传统开发模式效率低下的困境，Jabil在两年内开发了55款应用，覆盖生产系统优化、流程自动化等多个领域，节省数百万美元成本。关键成功因素包括：制定清晰的数字化愿景、建立可复用的组件库、培养内部开发者社区、简化治理流程等。通过低代码平台，Jabil实现了IT与业务的高效协作，94%项目按时交付，并显著提升了跨部门协作效率。这
鉴于 CUDA kernels 的工作空间为 device 的内存（device memory），故需向 kernel 提供 device 指针（device pointers）（d_A、d_B 和 d_C），以确保其能在 device 的内存上运行。对于深度学习模型而言，其实质就是一系列涉及矩阵（matrix）与张量（tensor）的运算操作，包括但不限于求和（sum）、乘法（multiplic
文章详细介绍了 MCP 的核心架构，包括 Host（提供 AI 交互环境的应用程序）、Client（实现与 MCP Servers 通信）和 Server（提供特定能力和数据访问）三大组件。我们今天带来的这篇文章，作者的核心观点是：MCP 通过标准化通信协议，让 AI 应用与外部工具、数据的交互如同 USB-C 接口一般高效且灵活，彻底改变传统 API 架构的僵化限制。MCP 的核心遵循客户端-服
依我看 —— 观点 1（译者注：标准化产品（如 ChatGPT 的聊天框）已能满足多数用户需求）有一定道理，观点 2（译者注：LLM 推理成本的长期下降趋势是真实的）纯属扯淡，观点 3（译者注：若推理成本真能持续下降，订阅模式利润将显著提升）虽有可能但面临重大技术障碍与组织惯性阻力。唯一的风险在于"旗舰模型"可能会因调用量不足而缺乏实战验证 —— 这个隐患可通过在订阅制的聊天界面给用户使用这些“旗
AI已到关键时刻，六小龙着急上市。
唯有当你的模型性能超越业界公开的、性能最好的开源模型，且能在数小时（而非数周）内完成重新训练时，优势才会真正显现。人工智能并非灵丹妙药 —— 尤其是在那些因过去妥协或短视决策累积许多落后技术架构、设置许多机械死板的操作规范、拥有过度保守的官僚体系的传统企业内部。我们今天为大家带来的文章，作者的观点是：真正的 AI 护城河需要系统性地构建六层递进式能力，从技术底座到战略壁垒，缺一不可。例如，Zill
但是，如果在这些小数据块（small chunks）中找不到完整的信息，递归检索器（recursive retriever）会将相关的大数据块（larger chunks）传递到生成阶段（generation stage）进一步处理，就像我们在书中某个小节或段落查找资料时，如果需要更多信息，就会翻到相关的章节或整本书一样。通过 Semantic chunking（译者注：一种根据文本中的语义信息将
本文将介绍如何利用OpenVINOTM的Python API在本地部署MiniCPM 4.0系列模型。
作者 | Agustinmantaras编译 | 岳扬OpenAI 的 O1 和 O3-mini 是两款先进的推理模型，与基础版 GPT-4（通常称为 GPT-4o）在提示词处理和答案生成方式上存在明显差异。这些模型通过模拟人类的分析方法，在处理复杂问题时会投入更多时间进行“深度思考”。禁止尝试提取模型的内部推理过程，此类行为违反使用准则。本文将探讨 O1 与 O3-mini 在输入处理、推理能力
然而，它们在处理网站内容时往往受限于有限的上下文窗口，加上 HTML 页面中大量非核心内容的干扰，导致理解效率低下。随后，越来越多的由 Mintlify 托管的文档开始采用这一标准，为 LLMs.txt 的提议创造了一波知名度。与 /llms.txt 仅提供导航视图和文档结构不同，/llms-full.txt 包含了全部的文档内容，这些内容都是用 markdown 编写的。目前，LLMs.txt
随着2024年被业界誉为“AI PC元年”，各大笔记本电脑厂商纷纷推出搭载NPU的全新AI PC，而在介绍产品性能时，“NPU”一词频频被提及。但NPU和我们所熟知的GPU之间的区别究竟是什么？我们今天为大家分享的这篇文章将和大家一起初探NPU vs GPU。简而言之，NPU专为加速AI任务而设计，包括深度学习和推理，能够高效地处理大量数据，并利用专用存储器快速执行复杂的AI算法。与GPU相比，N
UB-PMC 包含真实的科学图表，而 Synth 则是生成的模拟图表。ChartDETR 等先进方法结合了 CNN 和 Transformer，实现了端到端的数据提取，而 FR-DETR 等模型则优化了流程图和树状图的结构提取，但处理复杂连接线的挑战依然存在。最初，这一领域依赖于基于规则的方法，但现在，深度学习技术的应用，如使用边界框和图像分割，极大地提升了检测的精确度和速度。但当遇到科学和专利文
更令人震惊的是，我们在最新的 SOTA 模型（OpenAI 的 o1、Anthropic 的新版本 3.5 Sonnet 和 Google 的Gemini 2.0 flash）上运行相同测试时，所有模型都会犯完全相同的错误。这些见解来自 Pulse 项目团队的一线实战经验，他们在为大型企业构建数据提取解决方案的过程中，积累了宝贵的第一手资料。当时我们还未曾意识到，在实现这一目标的过程中，会遇到一个
为确保本文自成体系并阐明 GRPO 的理论基础，我们将首先介绍强化学习的基础概念，重点解析强化学习（RL）及基于人类反馈的强化学习（RLHF）在 LLM 训练中的核心作用。接着我们将探讨不同的强化学习范式，包括基于价值的强化学习、基于策略的强化学习和 Actor-Critic 强化学习，回顾经典算法如置信域策略优化（TRPO）和近端策略优化（PPO），最后解析 GRPO 带来的优化创新。在 GRP
在文章《聊聊最近很火的混合专家模型（MoE）》中，我们简单介绍了MoE模型的定义和设计，并且比较了MoE和Dense模型的区别，今天我们继续来回顾一下MoE模型发展的历史和最新的发展现状。
manus重新引爆AI Agent。
大语言模型从通用走向推理，万字长文解析推理语言模型，建议收藏后食用。
在训练过程中，强化表现好的输出（提高其概率），抑制表现差的输出（降低其概率），从而引导模型优化方向。在 PPO 算法中，传统价值模型的核心任务是评估生成内容的质量，或者说预测这些内容获得高奖励值（high reward）的可能性。由于我们现在训练的是语言模型，只需调整 temperature 参数即可生成多个候选回答，所有生成回答的平均奖励值即可作为衡量当前模型表现的良好信号，以及决定是否需要强化
GenAI
——GenAI
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
广州城市开发者社区
讯飞AI开发者社区
2048 AI社区
天启AI社区
DAMO开发者矩阵
AI 工具集合社区
低代码技术专区
DeepSeek技术社区
北京城市开发者社区
英特尔开发套件专区
AI Agent技术社区
MCP技术社区
魔乐社区
