
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
本文介绍了Kimi K2.5在多模态AI和群体智能领域的技术突破。针对单一Agent在任务承载、执行效率和鲁棒性方面的不足,Kimi K2.5提出了PARL框架,通过训练智能编排器实现Agent集群的高效协作。该模型采用1.04万亿参数的MoE架构,支持256K超长上下文,并创新性地通过纯文本SFT激活视觉能力,实现文本-视觉双向增强。其核心Agent Swarm架构采用解耦设计,由可训练的编排器

Qwen3.5代表了大模型技术向智能体能力的重大转型,通过原生多模态融合、强推理和工具执行构建新一代AI基础设施。其核心创新包括:Gated Delta Networks提升推理效率,实现动态计算路径选择;Sparse MoE架构扩展知识容量至397B参数;统一的多模态架构实现文本、图像、视频、音频的深度融合。不同于传统拼接式多模态方案,Qwen3.5从底层设计就强调感知-推理-执行的闭环能力,标

本文以通俗易懂的方式解释了大语言模型(LLM)的本质与原理。大模型本质上是一个复杂的数学公式(神经网络),通过海量数据统计和Transformer算法架构,实现了对人类语言的理解和生成能力。大模型并无真正的意识或灵魂,只是在模仿人类表达模式进行"填空游戏"。当前AI技术尚不具备取代人类的能力,仍需进一步发展。

AI已进入落地与回报期,最具价值的应用场景具备数据基础好、容错率高、降本增效特征。文章详解六大应用场景:编程辅助、企业知识管理、智能客服、医疗健康、个性化教育和内容创作。核心观点是AI应作为Copilot(副驾驶)存在,在逻辑领域提供效率,在创意领域提供灵感。垂直领域模型结合特定行业数据和工作流,是当前最大机会。

本文介绍了使用LangChain框架构建RAG系统解决大模型幻觉问题的方法。教程涵盖环境配置、文档处理、向量数据库构建、大模型接入和问答链构建等步骤,通过LangChain组件与向量数据库结合,实现端到端问答任务,提升大模型回答准确性,包含具体代码实现和效果展示,适合开发者参考学习。

本文介绍如何利用扣子(Coze)智能体搭建自动出题系统,通过上传错题集和知识点,智能分析错题特点,定向生成针对性练习题。文章详细展示了从文件上传、错题识别到文档生成的工作流程,适用于小学至高中的各学科。该系统帮助学生集中精力练习薄弱知识点,提高学习效率,是AI教育应用的实用案例。

Parlant是由emcie-co团队开发的开源LLM智能体框架,专注于解决大语言模型在工业控制、机器人等实时场景的落地难题。该框架提供分钟级部署能力,支持多模态输入和实时控制指令输出,通过模块化设计实现低延迟响应(平均<200ms)。与LangChain等通用框架相比,Parlant在控制任务执行效率上提升3倍,特别适合智能家居、工业自动化等需要硬件交互的场景。开发者可通过简洁API快速构建控制

VLA模型:迈向具身智能的关键一步 视觉-语言-动作(VLA)模型通过整合视觉感知、语言理解和物理动作,成为实现具身智能(Embodied AI)的核心技术。VLA模型基于多模态融合,结合预训练视觉表征(如CLIP、DINOv2)、动力学学习和世界模型,使机器人能够理解指令、感知环境并生成动作。其底层控制策略(如RT-1、DiffusionPolicy)和高层任务规划器(如PaLM-E、SayCa

本文系统性梳理了vLLM、SGLang、TensorRT-LLM、Ollama等主流大模型推理部署框架,从核心技术、性能指标和适用场景等多维度进行深入分析。详细对比了各框架的特点、优势和局限性,并提供了基于业务需求和硬件资源的选型建议。同时介绍了国产硬件适配框架,为开发者提供全面的大模型部署参考指南。

文章详细介绍了阿里Qwen3大模型系列的发展历程,分为三个阶段共17个模型,包括通用模型和垂类编码模型。其中Qwen3-Max-Preview是当前最强模型,具有1万亿参数。文章还提供了本地部署指南,24G显存用户可通过ollama部署Qwen3-30B-A3B-Instruct/Thinking-2507的量化版本,并使用PageAssist或OpenWebUI等图形化界面进行交互。








