AI.x社区
- 登录/注册
默认
发布时间
热度
原创
精华
批归一化：神经网络训练的加速器与稳定器
在深度学习领域，神经网络模型的深度与复杂度持续提升，从最初几层的简单结构发展到如今动辄上百层、包含数千万参数的巨型网络。然而，随着网络层数的增加，一个关键问题逐渐凸显：内部协变量偏移（InternalCovariateShift）。这一问题导致训练过程不稳定、收敛速度缓慢，甚至陷入局部最优解。为解决这一挑战，批归一化（BatchNormalization，简称BN）技术应运而生，成为深度学习模型训练的“隐形推手”。一、内部协变量偏移：...神经网络加速器稳定器神经网络模型调优指南
在人工智能飞速发展的当下，神经网络模型在图像识别、自然语言处理、语音识别等众多领域都发挥着关键作用。但要让神经网络模型在实际应用中表现出色，调优是必不可少的环节。下面就以通俗易懂的方式，详细介绍神经网络模型的调优方法。一、数据层面的调优（一）数据质量提升数据是神经网络模型的“粮食”，数据质量的好坏直接影响模型的性能。就好比做饭，如果食材不新鲜、不优质，再厉害的厨师也难以做出美味佳肴。首先，要确...神经网络模型自然语言深度学习与人类大脑的关系
深度学习作为人工智能的核心技术，其设计灵感直接来源于人类大脑的神经网络结构与信息处理机制。通过模拟大脑的分层学习、并行计算和自适应调整能力，深度学习实现了对复杂数据的自动化特征提取与模式识别。结构模拟：分层网络与神经元连接人类大脑由约1000亿个神经元通过突触形成复杂网络，信息通过多层次神经元传递实现高效处理。深度学习模型通过构建多层神经网络（如卷积神经网络CNN的卷积层、池化层、全连接层）模拟这一分...深度学习人类大脑人工智能给大家看看，2025年用AI开会的新姿势
昨天刚发了飞书多维表格的使用教程，没想到，反响非常不错。数据都非常的好，被转发了4500多次。。。然后有很多朋友在下面评论，除了让我写爬虫教程之外，就是问，飞书除了多维表格之外，还有什么牛逼的用法。正好今天趁热打铁，还真有个玩法，是我觉得非常再值得单独写一篇的。就是用飞书，开会。你可能会说，AI开会，那不都是一年多了，老掉牙的东西了吗，还能说个啥，不就是开会的时候，AI自动给你生成个会议纪要还有文字稿...AI开会飞书智能Langflow：面向 AI Agent、API 与 LLM 的拖拽式流程构建工具
社区头条
热门内容榜 • 最近上榜我最近一直在探索一个叫Langflow的工具。如果你曾经试着把LLMs、APIs和各种工具连起来，你就会知道那种挫败感——太乱了。一大堆样板代码，好多问题像“为什么这个不工作”，通常花太多时间在设置上。Langflow试图让这一切变得更容易。它基本上就是一个AI工作流的视觉构建器。拖动东西，连接块，突然你就有一个agent，能执行任务比如抓取URL或解决数学问题。当你准备好了，你可以直接把它跑成一个API。初印象那么你到底能得到什...AI AgentLLMAPI如何构建多层 Agentic Guardrail 流水线：减少 AI 幻觉与风险的实战指南
大家好！今天我们来聊聊如何给AI代理（agenticAI）加上“安全锁”，避免它因为幻觉（hallucinations）、安全漏洞或者恶意指令而闯祸。这篇文章会带你一步步了解如何通过分层防御（layereddefense）来保护AI系统，确保它既强大又靠谱。作者FareedKhan分享了一个超实用的框架，叫做Aegis，用来给AI加上三层防护：输入、计划和输出。我们会把整个过程拆解得明明白白，还会提供代码和实战案例，让你看清楚怎么从一个“裸奔”的AI，...AgenticGuardrailAI 幻觉Agentic AI：构建长期记忆
如果你用过大型语言模型（LLMs），你就会知道它们是无状态的。如果没用过，可以把它们想象成没有短期记忆的东西。举个例子，就像电影《记忆碎片》（Memento）里的主角，他总是需要靠便利贴上的信息来提醒自己发生了什么，拼凑出下一步该做什么。要和LLMs对话，我们每次互动时都需要不断提醒它们之前的对话内容。实现我们所说的“短期记忆”或状态其实很简单。我们只需要把之前的几组问答对抓出来，包含在每次调用里就行。但长期...Agentic AILLMLLMs为什么 Chunking 决定了 LLM 的性能？窗口、检索与成本全解析
精华一个实用的文本分割指南，包含代码、图表，以及对Chonkie、LangChain和LlamaIndex的轻量介绍上下文窗口变大了。有些模型一次能处理整章内容。这看似自由，但并未消除权衡。分块依然决定模型读什么，检索返回什么，以及每次调用你得花多少钱。分块说起来简单，做起来容易出错。你需要把长文本切成模型或嵌入器能处理的片段。听起来像是在调整大小，但实际上是关于相关性。好的分块要小到足够具体，大到能独立存在。做到这一点，...LLM性能Chunking没有上下文的 Agentic AI，会搞砸你的业务
精华最近，关于AgenticAI具备自主行动能力的智能体的讨论越来越多。很多企业都在探索：能不能让AI自动处理客户请求、下单采购、生成报告，甚至做决策？但《CIO》的一篇文章【文献1】提醒我们：如果没有上下文，AgenticAI将彻底搞砸你的业务。同时，Anthropic工程团队的另一篇文章【文献2】则从工程实践角度指出：如何管理上下文（ContextEngineering），决定了AIAgent的成败。两篇文章结合起来，既指出了风险，也给出了路径。一、为...AgenticAIAgent阿里开源最强视觉模型家族轻量版：仅4B/8B参数，性能逼近72B旗舰版
原创 社区头条 热门内容榜 • 最近上榜 今天，阿里通义千问团队正式宣布开源Qwen3VL系列的4B与8B版本，以更小的参数量实现了接近上一代72B旗舰模型的性能表现，为资源受限的开发环境提供了新的选择。 两款模型均提供Instruct和Thinking两个版本，满足不同场景下的使用需求。 在多模态性能方面，Qwen3VL8BInstruct在MIABench、OCRBench、SUNRGBD、ERQA、VideoMMMU、ScreenSpot等30项权威基准测评中取得SOTA成绩，超越了Gemini2.5FlashLite、GPT5Nano以...Qwen3-VL开源大模型算家计算算家云租算力，到算家云大语言模型llama-2-7b推理服务实战
1.概念一般来说，参数量越大的模型效果会更好，但相对应的模型运行时产生的费用和微调训练所需要的数据量都会更多。大语言模型llama27b推理过程如下：数据准备：下载llama27bhf模型，可以使用HuggingFaceTransformers或PyTorch等库加载模型；准备要输入到模型中的数据，以及tokenizer对文本进行编码，以及将编码后的文本转换为模型所需的张量格式。模型转换：在训练完成后，将训练时保存好的微调模型文件（CheckpointModel）转...语言模型自然语言技术优化构建高可靠AI系统：三大核心提示框架的风险与选型策略
在提示工程的实践中，我们拥有一个日益丰富的“工具箱”。其中，思维链（ChainofThought,CoT）、检索增强生成（RetrievalAugmentedGeneration,RAG）和少样本学习（FewshotLearning）无疑是三个最基础且功能强大的技术框架。然而，对于许多开发者而言，挑战不仅在于理解它们是什么，更在于判断在何时、何地、以及如何使用它们。知道工具的存在，与懂得如何根据任务选择并组合工具，是区分普通使用者和专业工程师的关键。本文旨在...提示工程RAGPrompt策略CoTFewShot理解GPT-5的“模型路由”，避免AI应用性能下降
在AI技术飞速迭代的今天，许多经验丰富的开发者和提示工程师正面临一个令人困惑的现象：那些曾经在上一代模型上屡试不爽的提示技巧，在面对如GPT5等新一代大语言模型时，效果却大打折扣，甚至完全失效。社区中“模型变笨了”的声音此起彼伏，但这背后并非模型能力的衰退，而是其底层架构与行为范式的深刻变革。对于依赖这些先进模型构建应用的开发者而言，理解这些变化并更新自己的“工具箱”，不仅是解决问题的需要，更是抓住...GPT5提示词工程隐形路由器XML范式Prompt优化未发先火！有关Gemini3Pro，圈内流出最新传闻：无需抽卡、实时输出、3D代码、物理一致性超强！
原创 社区头条编辑云昭大模型的发展速度的确超乎想象，可以说现在一周，堪比过去3个月。好在，主体脉络还是沿着圈内预期的逻辑发展的：观察→理解→推理→物理世界。随着NanoBanana、Sora2的相继火爆、多模态模型领域烽烟再起，OpenAI与谷歌这一对宿敌纷纷摆好了姿态要在2025年年底各放大招。假期期间，OpenAI在DevDay上发布的内置应用、AgentKit等收获了一大波好评，紧接着谷歌就发起了Gemini3.0的病毒式预热Marketing。NanoBanana的刺激在...Gemini3Pro3D代码操作系统解构AI提示的“语法负担”，优化你的自动化工作流
最近，一项关于大语言模型（LLM）交互的研究在开发者社区引发了热烈讨论。该研究指出，在与某些先进的AI模型交互时，使用更直接、甚至被认为是“粗鲁”的命令式语气，其返回结果的准确率反而可能高于使用委婉、礼貌的语言。这一反直觉的现象，让我们不得不重新审视与AI协作的方式，并深入探究其背后的技术原理。这并非意味着AI模型产生了某种情感偏好，而是揭示了一个更深层次的机制：指令的结构清晰度，远比我们想象的更为重要...Prompt优化LLM交互AI心理学提示词工程AI效率东数西算：中国算力革命的战略布局
原创 社区头条一、东数西算的时代背景1.1数字经济时代的算力需求爆发"你知道吗？"——我要告诉你一个惊人的事实：中国数据中心耗电量将从2023年的1500亿千瓦时增长到2030年的4000亿千瓦时，占全社会用电量的比重将从1.6%飙升至6%[(22)](http:www.360doc.comcontent25040721343984651150771481.shtml)。这不是科幻小说，而是正在发生的现实。想象一下，当你刷抖音、点外卖、用导航、玩游戏的时候，每一次点击背后都需要强大的算力支撑。更令人...东数西算驳“AI 泡沫论”：一场被误读的、正在进行中的产业结构性调整
原创 社区头条 热门内容榜 • 最近上榜编者按：当GPT5的表现未达预期，当众多AI应用试点项目收效甚微，当市场开始质疑人工智能的发展前景时，我们是否正在经历一场AI泡沫的破裂？还是说，这些表面现象背后隐藏着更深层次的产业逻辑？我们今天为大家带来的这篇文章，作者的观点是：当前AI市场并非陷入停滞或崩溃，而是进入了一个必要的“消化阶段”，这一过程虽伴随阵痛，却蕴含着持续的发展动能。文章通过四个层次的分析框架，系统性地解构了当前AI市场的真实状况：...人工智能AI一套针对金融领域多模态问答的自适应多层级RAG框架-VeritasFi
原创 社区头条 热门内容榜 • 最近上榜现有金融RAG的两大痛点：一是多模态数据（文本表格图表）的统一处理，二是通用金融知识与公司特异性需求的平衡。金融领域的问答（如分析SEC10K报告中的供应链风险、季度毛利率）需要“精准结合多模态数据、兼顾通用规则与公司特性、快速响应高频查询与实时需求。完整的VeRitasFiRAG流水线。该图展示了三条并行的知识检索路径：多路径检索（蓝色）、记忆库查找（绿色）和工具使用（红色）。围绕金融领域多模态问答RAG框架Veritas...多模态问答RAG框架VeritasFi多模态文档类“GraphRAG”框架实现思路-LAD-RAG框架
原创下面再看一个思路，围绕解决在视觉丰富文档（VRDs，如含图表、多页报告、幻灯片的PDF）理解的缺陷：丢失布局与结构上下文：传统RAG将文档拆分为孤立块（如段落）嵌入，忽略跨页依赖（如“章节标题后续内容”关联）和布局层级（如“图表标题注释”的视觉关联），易漏检关键证据。过度依赖语义嵌入：仅通过文本图像嵌入的相似度检索，无法处理依赖符号结构线索的查询（如“统计所有源自Pew研究中心的图表”）——这类查询需聚合“...多模态GraphRAGLAD-RAG框架速度质量我全都要！中科大&美团找到自回归生图“熵”密码，聪明采样提速15%且画质无损！
文章链接：https:arxiv.orgpdf2510.09012Git链接：https:github.comkrennic999ARsample图1：顶行：我们的方法生成的图像具有更精细的细节和更好的结构。下一行：我们的方法结合现有的加速方法，我们方法将推理成本降低了15%。(左侧两对来自LlamaGen；右侧来自LuminamGPT。推理步骤和延迟均已报告）。亮点直击受图像信息稀疏且分布不均的现象启发，而这种特性可通过token的熵反映，本文提出了一种面向自回归（AR）图像生成的熵驱...AI模型图像生成
