logo
publist
写文章

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

《AI大模型应知应会100篇》第70篇:大模型驱动的自动化工具开发(国产化实战版)

本文介绍了如何在Windows 11系统下,利用国产GLM大模型和126邮箱开发自动化邮件回复工具。文章分为三部分:首先阐述了自动化工具的价值,通过实际案例展示智能周报生成可节省90%时间;接着讲解了自动化三层架构及国产化适配方案;最后提供了详细的实现步骤,包括环境配置、代码实现和安全处理。该方案无需Linux基础,通过Python脚本即可实现邮件自动识别、智能回复生成和发送功能,同时确保数据安全

文章图片
#自动化#运维
《AI大模型应知应会100篇》第70篇:大模型驱动的自动化工具开发(国产化实战版)

本文介绍了如何在Windows 11系统下,利用国产GLM大模型和126邮箱开发自动化邮件回复工具。文章分为三部分:首先阐述了自动化工具的价值,通过实际案例展示智能周报生成可节省90%时间;接着讲解了自动化三层架构及国产化适配方案;最后提供了详细的实现步骤,包括环境配置、代码实现和安全处理。该方案无需Linux基础,通过Python脚本即可实现邮件自动识别、智能回复生成和发送功能,同时确保数据安全

文章图片
#自动化#运维
《AI大模型应知应会100篇》第69篇:AI大模型辅助的数据分析应用开发

《大模型辅助销售数据分析实践》摘要: 本文介绍了一个基于大模型的零代码数据分析工具开发案例。通过电商运营场景示例,展示了如何利用大模型在10秒内自动生成包含趋势图、异常预警和业务建议的销售洞察报告(PDF)。文章重点解析了人机协作分析框架,强调数据脱敏处理与结构化提示词设计,并提供了完整的Jupyter Notebook实现代码,涵盖数据聚合、可视化及大模型调用核心逻辑。针对常见问题(如API成本

文章图片
#人工智能#数据分析#数据挖掘
《人工智能生成合成内容标识办法》政策解读

例如,《办法》第十二条提到服务提供者在履行算法备案、安全评估等手续时,应提供生成内容标识的相关材料,并加强标识信息共享,以支持打击违法犯罪。也就是说,无论是AI自动撰写的文章、生成的图片,还是AI合成的音频、视频,甚至虚拟人物、场景,只要属于AI生成或编辑的内容,都需要按照本办法进行标识。图片、视频的水印标识应放置在画面显著但不遮挡主要内容的位置等。这一办法聚焦“生成合成内容标识”这一关键环节,通

#人工智能
《AI大模型应知应会100篇》第68篇:移动应用中的大模型功能开发 —— 用 React Native 打造你的语音笔记摘要 App

移动端大模型应用开发实战:React Native 语音笔记摘要App 本文介绍如何快速开发一个跨平台智能语音笔记摘要应用,核心亮点: 1️⃣ 5步集成大模型:通过React Native调用GPT-3.5 API实现语音转文字+智能摘要 2️⃣ 双端适配方案:一套代码同时支持iOS/Android,解决网络请求、性能优化等关键问题 3️⃣ 完整开发流程:从环境搭建到核心代码实现(含录音控制、AP

文章图片
#人工智能#react native
《AI大模型应知应会100篇》第67篇 Web应用与大模型集成开发实践——1小时打造国产大模型智能客服系统

本文中提供完整可运行代码(兼容OpenAI格式的国产API)、国内云服务部署指南、3大国产API接入实操、跟着做就能上线

文章图片
#人工智能#前端
《AI开发工具和技能实战》No5 仅25MB的轻量级语音合成模型KittenTTS部署实践

在当前AI语音合成领域,大多数模型动辄几百MB甚至数GB,对普通用户和小型项目极不友好。最近,我发现了一个令人惊喜的项目——**KittenTTS**,这是一个仅有25MB左右的轻量级语音合成模型,基于ONNX运行时实现,无需GPU也能流畅运行,特别适合资源有限的环境部署,经测试,实际语音生成效率达到1单词/0.1秒,也就是差不多1秒钟可以合成10个英文单词,长文本使用分批生成的话基本可以符合实际

文章图片
#人工智能
新专栏预告 《AI大模型应知应会短平快系列100篇》 - 整体规划设计

做个预告,为系统化梳理AI大模型的发展脉络,并为普及AI素养做一点贡献,特给自己制定了一个小目标,3个月内完成交稿。整体设计如下:一、基础知识模块(20篇)讲述大模型基础概念、原理、生态和伦理安全;二、应用实践模块(30篇)介绍基础应用技巧、垂直领域应用、高级应用技巧和工程化实践;三、开发工具与框架模块(20篇)介绍开发环境和工具、主流框架和库、开发实践;四、大模型微调与定制模块(15篇);五、前

文章图片
#人工智能
《AI大模型应知应会100篇》第25篇:Few-shot与Zero-shot使用方法对比

在大语言模型的应用中,**Few-shot(少样本)**和**Zero-shot(零样本)**是两种核心的提示策略。它们各自适用于不同的场景,能够帮助用户在不进行额外训练的情况下完成任务。本文将深入探讨这两种策略的原理、适用场景及效果差异,并通过实战案例分析,帮助读者选择最合适的提示方法。

文章图片
#人工智能
《AI大模型应知应会100篇》长文版 请收藏-第46篇:大模型推理优化技术:量化、剪枝与蒸馏

在当今人工智能领域,大语言模型(LLM)的规模和复杂性呈指数级增长,这给模型的部署和推理带来了巨大的计算和内存挑战。本文将深入探讨大模型推理优化的前沿技术及实战应用,详细介绍量化、剪枝、蒸馏等核心方法的实际操作流程,帮助读者显著提升模型性能并降低资源需求,实现高效部署。

文章图片
#人工智能#剪枝#算法
    共 139 条
  • 1
  • 2
  • 3
  • 14
  • 请选择