相似的图像（如同一个人的不同照片）在特征空间中距离很近不相似的图像（如不同人的照片）在特征空间中距离很远传统的分类损失（如交叉熵）需要预先知道所有类别，但在人脸识别中，我们可能会遇到训练时没见过的新人脸。Triplet Loss通过学习一个嵌入空间（Embedding Space），使得相似样本靠近，不相似样本远离，从而解决这个问题。三元组结构目标DapαDanDapαDan损失函数L∥fa−fp

TOGETHER发布的RedPajama数据集包含1.21万亿的tokens。通过过滤重复数据和低质量数据集之后，SlimPajama去除了原始RedPajama的49.6的字节数，将1.21万亿的tokens降低到6270亿的tokens。SlimPajama数据产生的过程如下，首先从RedPajama中去除短的、低质量的文档。在去除标点符号、空白符号、换行符和制表符之后，将短于200个字符的文

【代码】时间序列预测方法：传统统计方法、机器学习方法、深度学习方法、Transformer、大语言模型方法、多模态方法。

给大家分享一个基于 新一代 Kaldi 的子项目在 x3 派上进行语音识别的例子. (

本文目标是为一个示例项目接入自动化 AI Code Review，效果是：GitLab 官方说明，Merge request pipelines 可以在创建或更新 MR 时运行专门的 CI/CD 任务；CI/CD 任务由仓库根目录的配置。(GitLab 文档)为了避免和你的真实项目混淆，本文统一使用这些示例名称：最终链路是：开发者提交 MR → GitLab MR Pipeline 触发 → Ru

deepseek智谱。

（Semantic Segmentation）是计算机视觉中的核心任务，旨在为图像中的每个像素分配一个语义类别标签，实现像素级别的语义理解。

核心发现：GSPO的创新在于将重要性比率从token级提升到序列级，这是一个重大的理论突破。策略优化是强化学习的核心，目标是让AI学会在不同情况下做出最好的决策。想象你在教一个机器人下棋：1.3 核心思想对比PPO：使用token级重要性比率和裁剪机制，需要价值网络估计优势函数GRPO：使用token级重要性比率但采用群组归一化优势，去除价值网络依赖GSPO：使用序列级重要性比率和序列级裁剪，解决

Wenzhao Zheng1,* Weiliang Chen2,* Yuanhui Huang1 Borui Zhang1 Yueqi Duan2 Jiwen Lu1{ \mathrm { L } } { \mathrm { u } } ^ { 1 }Lu1 Department of Automation, Tsinghua University, China Department of Ele

世界模型（World Model）【以动作为条件的视频生成模型】