AI.x社区
- 登录/注册
默认
发布时间
热度
原创
精华
多模态大模型OCR幻觉缓解思路：DianJin-OCR-R1通过“再看一眼”图像减轻幻觉
原创前期介绍了通过GRPO的方式解决多模态大模型OCR幻觉的思路《GRPO强化学习缓解多模态大模型OCR任务的幻觉思路及数据生成思路》。由于多模态大模型的OCR感知能力不是特别强，容易像LLM一样产生幻觉即生成输入图像中并不存在的词汇。LVLMs设计用于通用目的，在OCR任务上的表现往往不如在特定领域数据集上训练的专家模型。幻觉例子下面来看一个方案，首先通过利用自身的OCR能力识别输入图像中的内容，然后调用其他工具（即...多模态大模型GRPOLVLMs大模型应用中的性能瓶颈问题——批量数据处理的优化方案
原创“在大模型应用中，处理大量数据会很容易遇到瓶颈问题，因此我们需要从各个环节进行优化。”最近在处理一个RAG的知识库导入功能，功能逻辑也很简单；为了提升数据的召回率，对内容进行提炼以及标签提取，之后再对原数据和总结提炼的数据进行嵌入(embedding)并插入到向量数据库中。但还是自己太年轻把问题想的太简单了，本来以为不是什么麻烦的东西，随便搞搞就行了；结果也是这样，代码几个小时就搞定了，但等到真正去导入的时...大模型大模型应用批量数据处理系统梳理 RAG 系统的 21 种分块策略
原创 精华编者按：我们今天为大家带来的文章，作者的观点是：分块（chunking）才是决定RAG系统成败的真正关键因素，不同场景需要匹配相应的分块策略。本文系统梳理了从基础到进阶的21种分块策略，涵盖了基础分块法、定长分块法、滑动窗口分块等传统方法，以及语义分块、上下文增强分块、多模态分块等前沿技术。作者AnjolaoluwaAjayi编译岳扬检索增强生成（RAG）是许多AI工程师又爱又恨的技术（包括我）。没错，因为从理论上看，它简单极...AILLMRAG知识图谱常用的八款可视化提效神器
原创知识图谱可视化工具是一类专门用于将知识图谱中的数据（实体、关系、属性）以图形化的、直观易懂的方式呈现出来的软件或平台。您可以把它想象成知识图谱的“地图绘制器”和“交互式浏览器”。它把枯燥的结构化数据变成了一张充满节点和连线的网状图，让人们能够一眼看清数据之间的关系和整体结构。知识图谱本身是由“三元组”（头实体关系尾实体）构成的大规模语义网络，存储在数据库里（如Neo4j,NebulaGraph等）。直接查询数据...知识图谱人工智能大模型从“机械脸”到“自然聊”——音频驱动人像动画迎来质变突破：阿里发布FantasyTalking2
精华
社区头条文章链接：https:arxiv.orgabs2508.11255项目链接：https:fantasyamap.github.iofantasytalking2亮点直击TalkingCritic，一个统一的多模态奖励模型，能够准确量化生成肖像动画与多维度人类期望之间的对齐程度。引入了TalkingNSQ，一个包含41万样本的大规模肖像动画偏好数据集，它系统地涵盖了用户在音视频同步、视觉质量和运动自然度方面的偏好。提出了一种新颖的偏好对齐方法，称为TLPO，该方法能够跨时间步和网络层自适应地整...AI模型图像生成AI新手到大神的进阶之路：GitHub上不可错过的10个LLM项目
原创 精华 社区头条作为一名AI工程师，你是否还在为找不到合适的资源而烦恼？是不是觉得理论知识学了一大堆，但真正动手实践时却无从下手？别担心，今天就给大家盘点一下GitHub上那些超有价值的LLM（大型语言模型）开源项目。这些项目不仅涵盖了从入门到进阶的各个阶段，还提供了丰富的实战经验和代码示例，绝对能让你在AI的道路上更进一步！一、为什么AI工程师需要关注GitHub上的LLM项目？GitHub是全球最大的代码托管平台，汇聚了无数顶尖工程师...GitHubLLM大型语言模型开源项目gpt-realtime 发布：让语音 AI 真正走进生产环境
原创过去几年，大家对AI聊天模型的关注大多停留在文字交互。但想象一下：如果你能和AI直接进行自然流畅的语音对话，它不仅能理解你说的复杂需求，还能在对话中自主调用工具、帮你处理任务——是不是就像拥有了一个“随身助理”？OpenAI最新推出的gptrealtime模型和全面升级的RealtimeAPI，正是向这个方向迈出的重要一步。它们不只是实验室里的概念，而是已经准备好在生产环境中大规模落地的语音AI基础设施。1、gptrealtime：有史以...OpenAIAI聊天模型语音识别语音AI底层逻辑的转变：从AI代码生成，到真正的开发伙伴关系
原创 社区头条Claude4甫一亮相，市场就被其强大的推理和编程能力折服。但在连续使用数月之后，我意识到大模型真正的革命不在于生成更好的代码片段，而是其中蕴藏的自主性潜力。很多人更多关注AI编程的语法正确性、基准测试得分和代码有效率，但我在对Claude4的实际测试中体会到：能够全面理解开发目标、持续寻求解决方案并自主克服障碍的AI系统正在出现。不同于常规的基准测试，我通过一项真实开发任务来评估Claude4的自主能力：构建一款与Op...Claude 4智能体大模型一文全面总结构建 AI 智能体开源技术栈 V2 版本
原创在这篇文章中，我将为构建AI智能体的开发人员提供开源生态系统的精选和更新框架。虽然不乏AI智能体市场地图，但大多数地图都面向非构建者，他们需要可视化的工具和框架来启动当今的功能性AI智能体。本文中列出的每个框架都允许商业用途，并具有宽松的开源许可证。本文涵盖的开源技术栈类别：→构建和编排AI智能体（10）→计算机使用（5）→浏览器自动化（5）→语音（12）→文档处理（7）→记忆（3）→测试、评估和可观测性（6）...AI智能体开源技术栈入门GPT | 神经概率语言模型（NPLM）：让机器学会“理解”语言
本文介绍了神经概率语言模型（NPLM）的基本原理、结构与实现方法。通过对比传统Ngram模型，阐述了NPLM如何利用神经网络自动学习词语间的深层关系，有效提升语言建模的泛化能力。内容涵盖数据准备、模型搭建、训练流程及推理预测。1.什么是神经概率语言模型NPLM2.为什么需要神经语言模型2.1传统语言模型的问题2.2神经概率语言模型（NPLM）的诞生3.模型架构详解4.完整代码实现4.1构建语料库4.2生成训练数据4.3模型定义4.3实例化NP...NPLMGPT语言模型Lovart 爽玩「Banana」，我汇总了当前的N种邪修秘法
Hello，各位朋友们，大家好最近banana模型火出圈了，好多人发现了各种各样的玩法，比如说3D手办，P图等等。周六，lovart也上线了nanobanana模型，爽玩！所有用户免费畅玩3天！活动期间使用Nanobanana模型不消耗任何积分🤫这个活动到明天晚上才结束，赶快来玩。周末的时候，正好在waytoagi摆摊，我们做了一个玄学x东方美学的应用，示例样图是这样的。接下来教你来lovart里面用简单的提示词生成这样的图片。首先打开lovart，入口...LovartBananaAgent最窒息的Bug：Agent循环搜索原地打转？SGR Agent用「双阶段认知」破局
精华 社区头条一、项目定位与核心价值HybridSchemaGuidedReasoning（SGR）是一个革命性的AI研究智能体框架，它通过独创的「两阶段推理执行架构」和「持久化上下文记忆系统」，解决了当前AI助手在复杂研究任务中的三大核心痛点：推理黑箱化、上下文遗忘症、工具调用僵化。该项目不仅仅是一个简单的问答机器人，而是一个完整的「AI研究操作系统」，它具备：认知透明性：每个决策都有完整的思维链可追溯记忆持续性：跨会话保存用户交互历史与研...Agent循环搜索SGR别再手工调Prompt！Memory-R1把60条噪音记忆压缩成3条，准确率飙升
大型语言模型(LLM)目前在聊天机器人、编码助手、问题解答、创意写作等等应用方面取得了巨大的成功。但是，每个查询到达LLM之前没有记忆的，固定上下文窗口（contextwindows），意味着他们无法在长时间的对话或多会话任务中积累持久的知识，并且很难推理复杂的历史。最近的解决方案,如检索增强生成(RAG),将过去的信息附加到提示中,但这通常会导致嘈杂的,未经过滤的上下文，用太多无关的细节或缺失的关键事实淹没模型MemoryR1框架...PromptMemory-R1编码RAG2.0进入“即插即用”时代！清华YAML+MCP让复杂RAG秒变“乐高”
精华检索增强生成系统（RAG）正从早期“检索+生成”的简单拼接，走向融合自适应知识组织、多轮推理、动态检索的复杂知识系统（典型代表如DeepResearch、Searcho1）。但这种复杂度的提升，使开发者在方法复现、快速迭代新想法时，面临着高昂的工程实现成本。基于ModelContextProtocol(MCP)架构设计的RAG框架。这一设计让科研人员只需编写YAML文件，就可以直接声明串行、循环、条件分支等复杂逻辑，从而以极低的代码量快速实现多阶段...RAG2.0RAG检索别再踩坑了！这 10 个低成本开源 AI 智能体好使
让我跟你说——大部分AI工具就像那个满嘴跑火车但啥也干不成的同事。不会写代码，不会做报表，连上网浏览都会崩。如果你现在就在用这种破工具，那真是选错了。不过好消息是：市面上还真有能干活的AI工具！我来带你看看10个靠谱的家伙，涵盖了编码、语音、研究、数据处理和网页操作，全都基于你给我的信息。编码工具1.GoogleJules—免费Jules就像你那个会把你的菜谱从头看到尾，还能自己烤一盘饼干的哥们儿。它能深入你的代码项...开源AI智能体智能体工作流（Agentic Workflow）：AI应用开发的全面解析
随着基座模型的不断更新成熟，智能体工作流（AgenticWorkflow）已成为AI领域的热点，它将AI智能体（AIAgent）的推理能力与结构化工作流结合，实现复杂任务的半自主执行。AI智能体结合了大型语言模型（LLM）的推理、工具交互和记忆能力，赋予工作流动态性和适应性。与传统的确定性工作流或非智能体AI工作流相比，智能体工作流能处理更高复杂度的任务。今天我将系统解析其核心概念，并通过实际模式和应用案例展示其价值。希望能给...智能体工作流AgenticRAG 不止能检索！它还能在 LangGraph 中当“工具调用大脑”
RetrievalAugmentedGeneration（RAG）是一种结合信息检索和大型语言模型（LLMs）来回答用户查询的方法。传统上，这涉及将检索器直接连接到生成流水线。然而，通过LangGraph和LangChain，我们可以进一步模块化这个过程，将检索器暴露为一个可调用的工具。在这篇博客中，我将展示如何在LangGraph中使用工具调用实现一个RAG系统。我将模拟一个餐厅助理代理，回答关于BellaVista餐厅的问题。目标构建一个基于RAG的代理，能够：•将...RAGLangGraph检索AI一天，人间一年：这些行业正迎来黄金发展期！
原创 社区头条近日，国务院最新发布《关于深入实施“人工智能+”行动的意见》，首次从国家战略层面对人工智能全产业链的发展路径作出清晰规划。该文件明确提出科技、产业、消费、民生、治理和全球合作六大融合方向。 可见，人工智能正由产业层面的技术落地，上升至国家层面的战略布局，步入系统推进、深度融合的新阶段。 近年来，AI技术正以前所未有的速度重塑传统行业格局，创造新的市场机会与商业模式。  首要影响体现...人工智能智能算力AI趋势算家云租算力，到算家云Anthropic内部高阶玩法曝光！旧金山一大牛亲测Claude Code改变产品开发的3大最佳实践总结
原创 社区头条编辑云昭出品51CTO技术栈（微信号：blog51cto）如果到现在，你还只会把ClaudeCode当成一个纯Coding工具，那就有点跟不上大佬的步伐了。近日，小编发现了一篇有关CC新奇用法的干货，除了VibeCoding之外，还解锁了很多高阶玩法，比如深度调研、产品原型开发、构建自主工作流等等。更重要的是，其实这些玩法并不限于CC，如果你也在用其他编程工具，不妨也借鉴一下这位大牛的玩法思路。这篇干货的作者是一位旧金山专门从事研究大模...Anthropic产品开发ICCV 2025 | 描述替代指令：南大联合vivo发布DescriptiveEdit，定义语义图像编辑新范式
文章链接：https:arxiv.orgabs2508.20505项目链接：https:twinklece.github.ioDescriptiveEdit亮点直击：基于描述的图像编辑新范式：与现有方法依赖指令（instruction）表达编辑意图不同，本文提出描述（description）直接引导的语义编辑框架DescriptiveEdit。参考图控制策略：DescriptiveEdit在去噪过程中实现参考图控制，并通过零初始化的线性层学习自适应权重，有效缓解了图像编辑中精准编辑与结构保真的冲突。兼容良好且编...AI图象生成模型
