登录社区云，与社区用户共同成长
邀请您加入社区
生成式人工智能(GenAI)作为当前AI技术发展的重要方向，正在全球范围内引发生产力变革。其核心原理基于深度学习模型，通过大规模数据训练实现文本、图像等内容生成。在数字化转型背景下，GenAI显著提升了工作效率，特别是在文本处理、数据分析等场景展现突出价值。沙特阿拉伯的实践表明，年轻群体对GenAI的接受度最高，形成了从日常应用到专业场景的三层使用结构。值得注意的是，技术认知与使用频率呈现强相关性
Agentic AI并非泛指大模型自主决策，而是面向企业级场景的可控智能体系统。其核心原理在于将智能行为解耦为感知、决策、执行与协调四类责任明确的Agent，通过标准化契约、置信度过滤、结构化推理和离线案例学习实现稳定交付。技术价值体现在任务完成率、人工干预率、错误自愈成功率等可测指标上，广泛应用于电商售后、金融合规、SaaS运维等需高可靠性与强可解释性的业务流程。本文聚焦Agentic AI在真
GenAI Agent 不是简单调用大模型API，而是具备工具调用、多步推理和短期记忆的智能体，其本质是重构用户交互链路。它通过分层架构实现安全可控的业务编排，解决传统API集成中密钥泄露、上下文失控与逻辑碎片化等核心问题。关键技术价值在于将模糊查询转化为结构化任务流，并依托Python网关层完成异构系统胶合与流式响应治理。典型应用场景包括智慧图书馆文献精准检索、政务材料一键生成及教育SaaS课程
生成式人工智能（GenAI）正在深刻改变汽车软件开发流程，特别是在需求分析和测试验证环节。传统开发中，需求工程和测试场景搭建往往占据大量时间和成本，而GenAI技术栈通过LLM核心层、RAG增强层和MDE验证层的结合，显著提升了效率。例如，采用Llama3-70B模型在需求解析任务中达到92.3%的准确率，而SmartChunking技术则使法规文档的关键参数提取完整度从68%提升至89%。这些技
简历筛选本质上是技术能力语义匹配问题，其核心在于将非结构化PDF文本映射到岗位JD定义的细粒度能力节点。传统端到端大模型方案因缺乏领域锚点易产生幻觉，而基于能力图谱驱动的‘小模型+大模型协同’架构，通过AutoML完成结构化能力识别、Claude 3执行证据级语义校验，显著提升技术术语判别精度与可解释性。该模式兼顾推理效率、成本可控与工程可维护性，适用于ATS智能升级、HR Tech产品集成及Ha
生成式人工智能（GenAI）正从内容生成迈向专业决策支持，其核心价值在于对非结构化文本的理解与可验证推理。在招聘场景中，传统关键词匹配的ATS系统难以捕捉‘用脚本自动化日报生成’背后的Python工程能力，而端到端大模型又面临延迟高、幻觉强、不可审计等落地瓶颈。本文基于DataRobot与AWS Hackathon真实项目，提出‘结构化解析→特征锚定→综合决策’的混合推理链架构，融合轻量级小模型（
生成式AI（GenAI）标志着语言理解与生成能力的质变，使AI首次具备实用级文本输出能力；AI Agent则通过工具调用、规划与反思机制，实现从被动响应到主动执行的关键跨越；而Agentic AI进一步引入多智能体协同、分布式通信与动态协商，支撑复杂系统级任务闭环。这一演进路径本质是AI角色从‘内容助手’向‘数字同事’的升级，其技术价值在于降低人机协作门槛、提升跨系统任务自动化深度，并已在风控、客
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
生成式AI（GenAI）正从云端服务转向终端设备，端侧大模型成为隐私保护、低延迟交互与离线可用性的关键技术路径。其核心原理在于将轻量化Transformer模型（如3B~7B参数量）深度适配终端NPU硬件，通过内存优化、稀疏注意力与安全隔离实现高效推理。技术价值体现在毫秒级响应、零数据上传与系统级资源协同，广泛应用于智能语音助手、实时文本生成、本地图像理解等场景。本文聚焦Apple GenAI在i
AI是需求引擎，芯片是算力底座，存储是最紧缺的"血液"。三者形成了"需求确定 → 供给刚性 → 涨价传导 → 业绩爆发"的正向循环——这是一次罕见的技术革命与产业周期的共振，而非单纯的概念炒作。
告别云端隐私泄露与高昂成本，GitNexus 让你将大模型装进口袋！🚀 本文深度解析如何利用量化与推理引擎，在本地设备零门槛运行 AI。无需复杂配置，即可体验数据完全私有、低延迟的智能快感，助你掌握端侧 AI 的核心技术。
软件工程因其开放、可执行、可验证、可累积的独特属性，是 AGI 的最佳"训练道场"，而 Anthropic 凭借把 Coding Agent 作为公司主线（而非产品线）的战略定力，正在这条窄门上建立起 OpenAI 和 Google 短期内难以追赶的代差优势。
谷歌I/O 2026大会宣布全面进入"智能体Gemini时代"，推出Gemini 3.5 Flash、Omni等多款AI产品，构建统一智能生态。AI制药公司Isomorphic Labs完成21亿美元B轮融资，创行业纪录。Anthropic估值或达9000亿美元，企业AI采购进入规模化阶段。美国政府启动AI安全预审查机制，五大前沿实验室参与。分析指出，AI正从模型竞赛转向生态系统建设，企业级应用迎
《工业级AI智能体生产部署实战指南》摘要：开源项目agents-towards-production针对企业级AI部署痛点，提出端到端解决方案。该项目采用四层架构设计（状态管理、可观测性、高可用闸门和质量评估），重点解决多会话隔离、全链路监控等核心问题。通过Redis/PostgreSQL实现状态持久化，结合OpenTelemetry实现精细化追踪，并引入反向压力机制保障系统稳定性。项目提供完整代
OpenTelemetry（后文简称 OTel）早在 2024 年初就开始推动 Gen AI 语义规范建设，希望为这些新对象建立统一的数据采集规范——Semantic Conventions（后文简称 SemConv），以解决相关领域可观测数据采集标准缺失、口径不统一等问题。
自从2022年底，发布以来，诸如（Artificial General Intelligence，人工通用智能)、
作为对本章知识的总结，本节将实现一个综合演示：让Gemini扮演艺术评论家，对用户通过FastRTC上传的艺术作品进行点评。
然而，由于余弦函数和正弦函数是周期性的，(pos_i, pos_j) 之间的内积可能看起来与 (pos_i, pos_k) 之间的内积相似，因此在固定 θ 的情况下，仅使用 1K tokens（即位置索引 1~1000） 进行预训练的模型在测试时可能会混淆，因为测试时遇到的位置索引（如 5K 或 10K）可能远远超出了预训练时的上下文窗口。由于我们已在前文中讨论过相关内容，此处不再赘述。需特别说明
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
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
一文了解苹果大模型部署方案，包括设备端LLM、云端LLM和第三方LLM（如ChatGPT）。
ONNX Runtime GenAI C++ GPU 推理问题与解决方案 问题概述： 使用 ONNX Runtime GenAI v0.12.0 进行 C++ GPU 推理时遇到三个主要问题：C++ API 兼容性问题、库版本不匹配以及模型 Opset 兼容性问题。 解决方案： 从 C++ API 改为 C API 调用，解决符号缺失问题 通过 CMake 自动下载兼容版本的 onnxruntim
在更精细的级别上，你可以将 AI 代理视为支持它们的模型的 UI“包装器”。也就是说，人工智能代理通常是用户友好的“前端”，通常通过关注和限制用户与模型的交互方式，使使用驱动它们的模型变得更加容易。现在，有了人工智能代理，想要与人工智能互动的用户只需登录一个界面，就可以开展业务，从询问他们的文件问题到获得家庭作业的帮助。
赛博周刊2025上半年工具精选分享，欢迎收藏。
这一步会产生部分被掩码的 token 序列。该序列被输入模型的核心组件 —— mask predictor（这是一个基于 Transformer 的模型），该模型通过计算掩码 token 上的交叉熵损失，训练其还原被掩码的 token。与预训练类似，我们随机掩码样本中的部分 token，但此次仅掩码响应部分的 token，保留提示词完整。更令人惊喜的是，LLaDA 在逆向推理任务中表现出色，有效解
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
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。
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
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
在混合专家模型（MoE）的实践中，负载不均衡俨然已成为制约模型性能提升的关键瓶颈之一。传统的均衡策略往往需要引入复杂的辅助损失函数，不仅增加了训练的复杂度，还可能干扰模型的核心学习目标。工程师们在提升模型效率的道路上，一直苦苦追寻着一个优雅而高效的平衡解决方案。DeepSeek 团队的这项研究，为这一长期困扰业界的技术难题提供了令人耳目一新的解决思路：通过在门控分数中直接添加专家层面的偏置项，在绝
遗憾的是，第 3 层之后的模型层通常非常稀疏。这种方法能够大大减少所需的计算量 —— 即使 query 的符号（sign）变化，后续的乘积运算通常仍能得到最大值：当 query 符号为负时，乘以最小值必然得到最大输出值，反之亦然。在图中，2048 个词槽被一个包含 7 个单词的提示词（“four, score, and, seven, years, ago, our”）占用了，后续生成的 4 个单
GenAI
——GenAI
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
MCP技术社区
CSDN-OPC开发者社区
AI Agent技术社区
智能体开发者社区
脑启社区
AtomGit开源社区
魔乐社区
2048 AI社区
