自然语言处理标签_DAMO开发者矩阵

自然语言处理

01.智能体到底是什么？我用“大脑+指令+手脚”理解它

智能体与聊天机器人的核心区别在于任务执行能力：前者能接收目标、拆解步骤、调用工具并输出结果。通过“大脑”（大模型）、“指令”（提示词）和“手脚”（搜索、API、文件操作等），智能体可完成从写博客到自动化流程的复杂任务。本文以简单示例展示其基本结构——接收目标、生成标题、制定大纲、保存内容，体现“目标→拆解→执行”的闭环逻辑，为后续构建真实项目打下基础。

qq_53093839
12小时前

 141

 3

#python #开发语言 #自然语言处理
第 07 讲：阿加犀 AidGen 生成式推理框架与大语言模型端侧部署

本文聚焦端侧大模型落地挑战与实践路径，解析将大语言模型（LLM）部署于边缘设备的机遇与三大约束：算力、内存与功耗。基于AidLite底座构建的AidGen推理框架，实现生成式模型在CPU/GPU/NPU上的高效调度，支持多轮对话与本地化推理。以犀牛派X1为平台，推荐从0.5B小模型起步，通过Model Farm获取适配模型，结合aidgen_chat_template.txt规范对话格式，实现在隐

 HuiMinHuang2001
2026-10-05 20:04:10

 450

 4

#语言模型 #人工智能 #自然语言处理 +2
arXiv 2026 |Earth-OneVision：扩展遥感多模态大语言模型以支持更多传感器模态和任务

Earth-OneVision提出一种统一多模态遥感大模型架构，通过全粒度视觉语言对齐（FGVLA）、空间语言同构序列化（SLIS）与渐进式跨模态适配（PCMA），实现2B参数模型对6类传感器、9大任务的统一建模。创新性地将中间视觉层特征注入语言模型早期层，并将检测框、掩码等空间结果编码为离散Token，共享自回归解码器。构建3400万条指令数据集，在24个基准上表现媲美4B–72B模型，推动遥感

 evagyf
2026-10-04 13:49:09

 357

 3

#语言模型 #人工智能 #自然语言处理 +2
Jusshen zhzzneng《具身智能》词条汉语拼音字母标调拼写实测案例

具身智能（Embodied Intelligence）是人工智能与机器人学交叉的前沿领域，强调智能体通过身体与环境的动态交互实现自主学习和进化，其核心在于将感知、行动与认知深度融合‌

weixin_58063816
2026-10-03 12:45:12

 418

 9

#人工智能 #自然语言处理 #语音识别 +2
企业智能客服机器人项目：意图、知识库和转人工全流程

最终验收再次强调：主指标为“自助解决率、首答准确率、转人工率、满意度、响应延迟”，重点风险为“知识过期、用户表达口语化、多轮上下文丢失、答错成本高”，推荐技术栈为“Python、FastAPI、Redis、Elasticsearch、LLM API、Vue”。第三层是工程层，要求接口稳定、可监控、可回滚、异常可追踪；围绕“售前咨询、售后支持和内部IT服务台的自动问答”，我们从需求边界、数据治理、意

 算法魔法师
2026-10-02 21:44:33

 9

#分类 #深度学习 #自然语言处理 +2
Xinxngb xnrxim chanyes《新兴信息产业》词条汉语拼音字母标调拼写实测案例

新兴信息产业是2010年被列为我国七大战略性新兴产业之一，涵盖下一代通信网络、物联网、云计算、人工智能等重点领域。2023年，我国规模以上电子信息制造业营收达15.1万亿元，软件业务收入12.3万亿元，人工智能产业超5000亿元。2025年，该产业在多地加速布局，如江苏无锡推进“人工智能”标杆建设，广东实施“人工智能+”行动，河北增加值同比增长11.4%。产业拓展至低空经济、商业航天、具身智能等新

 weixin_58063816
2026-10-01 11:25:14

 353

 5

#人工智能 #语音识别 #自然语言处理 +2
阿里：揭秘世界模型交互可靠性短板

现有的世界模型往往只注重生成画面的视觉质量，但它们在智能体进行探索、交互和修改时，能否保持状态一致性和响应准确性？论文提出了HappyWorld-Bench基准，通过统一的六层能力框架，系统评估视频、空间和具身三类世界模型在交互下的可靠性。

大模型任我行
2026-09-30 08:00:00

 240

 4

#人工智能 #自然语言处理 #语言模型
Zhzznengti《智能体》词条汉语拼音字母标调拼写实测案例

“智能体”（Agent）指能自主感知环境、决策并行动以达成目标的系统，具备自适应与交互能力，广泛应用于AI、机器人、虚拟助手等领域。2025年11月入选年度十大科普热词，2026年3月《政府工作报告》提出加快推广智能终端与智能体，推动智能经济新形态发展。

weixin_58063816
2026-08-26 10:08:45

 277

 11

#人工智能 #自然语言处理 #语音识别 +2
Renxngl jiqigren《人形机器人》词条汉语拼音字母标调拼写实测案例

人形机器人，又称仿人机器人，模仿人类外观与行为，属“整机+核心部件+软件栈+场景工程”系统工程。其名称源自1920年恰佩克戏剧《R.U.R.》，“humanoid”意为类人形态。自1973年日本WABOT-1起步，经本田ASIMO、波士顿动力Atlas发展，2025年中国人形机器人国家标准立项，全球首个智能化分级标准发布；2026年将建立国家级标准体系，推动产业规模化应用。其工作原理为“感知—认知

 weixin_58063816
2026-08-31 20:48:48

 403

 10

#自然语言处理 #人工智能 #语音识别 +2
自演化具身人工智能

26年2月来自清华大学的论文“self-evolving embodied AI”。这篇论文最值得关注的是：它把具身智能的研究目标，从“训练好一个模型”扩展为“让整个智能体在长期运行中持续适应”。其主要贡献是概念框架与文献组织；论文没有实现并实验验证完整的五模块系统，因此，对其有效性的判断需要与作者的愿景区分开来。

硅谷秋水
2026-09-30 00:15:00

 212

 1

#人工智能 #语言模型 #机器人 +2
Rengong zhzzneng 《人工智能》词条汉语拼音字母标调拼写实测案例

人工智能（AI）是模拟、延伸人类智能的综合性技术，涵盖机器人、自然语言处理、图像识别等领域。其核心为算法与数据，旨在实现机器在特定场景下的自主决策。当前，AI正推动科技革命，广泛应用于医疗、科研与社会治理。2025至2026年，全球多地推进AI重大突破：荷兰无人机胜人类冠军，中国成立首个人工智能医院，北大团队用AI攻克数学难题。韩国发布伦理准则，OpenAI联合百余家机构呼吁加强网络防御。多国倡议

 weixin_58063816
2026-09-29 23:06:16

 54

#人工智能 #自然语言处理 #学习方法 +2
构建智能对话新范式：Python智能机器人问答系统全解析

随着自然语言处理（NLP）技术的突破，智能问答系统已从规则匹配的初级阶段跃升至基于深度学习的语义理解时代。

2601_96229827
2026-09-28 00:22:02

 209

 1

#自然语言处理 #深度学习
大数据深度学习|计算机毕设项目|计算机毕设答辩|pyqt基于深度学习的水下机器人目标识别技术研究(yolo)

YOLOv10是继YOLOv4和YOLOv5之后，进一步优化的目标检测算法，它基于YOLO（You Only Look Once）系列算法的核心理念，致力于在保持高精度的同时，提升检测速度和效率。YOLOv10通过对网络结构、数据预处理、损失函数以及训练策略等方面进行改进，成功提高了在复杂场景下的表现，尤其是在小物体检测、密集目标检测和实时检测方面。

IT实战课堂小元酱
2026-09-25 15:45:00

 151

 3

#语言模型 #自然语言处理 #深度学习 +2
【LLM】第七章：LangChain中的消息、提示词模板、工具的使用

多轮对话机器人实战

 宝贝儿好
2026-09-23 18:13:51

 216

 1

#人工智能 #AIGC #自然语言处理 +1
Agent开始进入企业组织：27,000名员工背后，Salesforce想让AI成为“数字同事”

Salesforce 推出 Agentforce Coworker，将AI从“聊天机器人”升级为企业的“数字同事”。在Adecco全球2.7万名员工中，该系统通过统一数据层（Data 360），让AI不仅能理解自然语言、跨系统查询信息，还能协调专业Agent执行任务，如提交请假、更新客户信息等。这标志着企业AI正从“信息检索”迈向“任务执行”，成为连接员工与业务系统的智能操作入口，真正实现“AI协

 richard_first
2026-09-21 22:46:03

 173

#人工智能 #自然语言处理 #transformer +2
Reward Hacking 深度解析：LLM 对齐中的奖励黑客问题

当一个人试图"作弊"以获得高分时，我们称之为作弊。当一个 RL 智能体这样做时，我们称之为——它发现了奖励函数的漏洞，并利用这些漏洞最大化奖励，而非真正完成目标。Reward Hacking 的经典例子：场景：训练机器人手臂抓取物体奖励函数: +1 分如果物体移动到目标区域观察到的行为：→ 机器人学会把物体推到目标区域附近→ 而非真正抓住它→ 因为"推到附近"比"抓住"更容易获得分数原因：奖励函数

 tiger865
2026-09-16 07:50:25

 153

#人工智能 #transformer #深度学习 +2
文本机器人检索知识库后如何经大模型改写输出：提示词标准与实践

本文聚焦检索后改写环节，提出通过结构化提示词提升文本机器人回答的自然性与准确性。强调改写本质是将文档语言转为对话语言，需明确角色、任务、输入、输出与禁止项五要素。推荐使用标准化模板，确保信息完整、结构清晰、语气专业，并通过控制长度、保留术语、防范幻觉等要点优化效果。实际应用中应基于标准模板迭代调优，实现高效精准的智能问答。

qq_22184391
2026-09-15 11:52:39

 263

 1

#自然语言处理 #人工智能
Embodied Agent 小环境：用状态日志解释成功、绕路与超时

一个智能体没有撞墙，却始终到不了目标，究竟是感知错误、记忆缺失，还是预算太短？本文把具身导航缩小为可逐步审计的迷宫实验：固定局部观测与动作接口，只改变是否保留探索记忆，再用全图规划作为诊断参照。本次实际运行三百六十个回合，保存每一步状态变化，并独立复算成功率、路径效率和奖励。目标是复现交互与评测机制，而非宣称复现真实机器人或论文训练成绩。

weixin_44369324
2026-09-14 23:54:00

 363

#机器学习 #深度学习 #人工智能 +1
药品经营许可证识别技术利用AI视觉，通过图像增强、目标检测与OCR、语义纠偏三级流程，将模糊证件快速转为结构化数据，准确提取全字段

药品经营许可证识别技术利用AI视觉，通过图像增强、目标检测与OCR、语义纠偏三级流程，将模糊证件快速转为结构化数据，准确提取全字段，无惧拍摄不良与印章遮挡，并支持批量处理。该技术已应用于药企、电商平台、机构等场景，实现

 中科逸视
2026-09-07 19:01:06

 237

 6

#深度学习 #自然语言处理 #计算机视觉
【科学计算软件分享】Mathematica 15.0安装教程及下载

【科学计算软件分享】Mathematica 15.0安装教程及下载

 leisigoyle
2026-06-01 15:21:50

 1693

 37

#图像处理 #人工智能 #网络 +4
RexUniNLU与MySQL数据库的智能查询优化方案

本文介绍了如何利用星图GPU平台，自动化部署RexUniNLU零样本通用自然语言理解-中文-base镜像，构建智能数据库查询系统。该系统能将用户用自然语言提出的问题（如“查询上个月华北地区的销售数据”）自动转换为SQL语句，实现“用大白话查数据库”，显著降低数据分析门槛，提升业务人员的数据获取效率。

数据冰山
2026-04-17 05:01:29

 678

 7

#自然语言处理
人工智能入门与实践：Phi-3-mini-4k-instruct-gguf带你理解AI核心概念与项目流程

本文介绍了如何在星图GPU平台上自动化部署Phi-3-mini-4k-instruct-gguf镜像，快速搭建轻量级AI开发环境。该镜像特别适合初学者理解自然语言处理等AI核心概念，并能用于构建智能问答系统等实际应用，显著降低AI学习门槛。

昊叔Crescdim
2026-04-14 05:02:50

 353

 7

#自然语言处理
千问3.5-2B效果对比：YOLOv5目标检测结果智能描述与报告生成

本文介绍了如何在星图GPU平台上自动化部署千问3.5-2B镜像，实现YOLOv5目标检测结果的智能描述与报告生成。该解决方案结合计算机视觉与自然语言处理技术，能够自动分析图像中的物体及其空间关系，生成专业、易读的检测报告，广泛应用于安防监控、自动驾驶和工业质检等领域。

十除以十等于一
2026-04-09 05:34:13

 164

 1

#目标检测 #自然语言处理
RexUniNLU在MySQL数据库运维中的自然语言查询应用

本文介绍了如何在星图GPU平台自动化部署RexUniNLU零样本通用自然语言理解-中文-base镜像，实现MySQL数据库运维的自然语言查询。用户可通过日常对话方式快速查询数据库状态、诊断性能问题，大幅提升运维效率，降低技术门槛。

Love Snape
2026-02-19 00:11:02

 369

 3

#自然语言处理
使用RexUniNLU增强MySQL数据库的智能查询能力

本文介绍了如何在星图GPU平台上自动化部署RexUniNLU零样本通用自然语言理解-中文-base镜像，以构建智能数据库查询系统。通过该方案，用户可使用自然语言（如“查询2023年销售额最高的产品”）直接与MySQL数据库交互，系统能自动将问题转换为精准的SQL语句，极大降低了非技术人员的数据查询门槛。

AWS云计算
2026-02-09 00:50:23

 100

 2

#自然语言处理
2025国自然资助率12.29%创新低！2026年如何用数据与AI“破局”？

这绝非简单的文字堆砌，它内在嵌入了对国自然申报规范的理解，能有效帮你规避常见的“方向偏离”“逻辑混乱”“格式错误”等基础问题，将你从繁琐的框架搭建中解放出来，专注于核心内容的精雕细琢。国自然2025年的资助率降至历史新低的12.29%，数万科研人员面对着更激烈的竞争与更严格的评审标准，对于2026年度的申报者而言，“高效准备，少走弯路”已不是口号，而是生存法则。它不仅告诉你“是什么”，更分析“为什

 imbackneverdie
2025-12-25 19:33:33

 1890

 10

#人工智能 #AIGC #自然语言处理 +1
基于python旅游景点评论数据分析系统毕业设计可视化 LDA主题分析 NLP情感分析 Bayes评论分类

本文介绍了一个基于Python技术的旅游评论分析系统，该系统采用Flask框架和MySQL数据库，集成了Echarts可视化、NLP情感分析、LDA主题分析和Bayes分类等核心功能。系统包含8个主要模块：评论时间/评分分析、景点数据展示、可视化图表、情感分析、主题分析、评论分类以及用户注册登录功能。通过多维度分析旅游评论数据，系统能够直观展示评论趋势、情感倾向和主题分布，为旅游景点的运营管理提供

 qq_80213251
2025-10-13 16:33:23

 355

 4

#自然语言处理 #分类
阿里下场造“机器人”：从通义千问到具身智能，中国AI正走向“实体化”阶段

阿里的机器人计划，是中国AI从“语言智能”迈向“行动智能”的关键一步。从通义千问到具身智能，AI正逐步打破虚拟与现实的界限。但真正让AI走进现实世界的，不只是模型的聪明，而是系统的可靠。未来十年，AI不再只是屏幕上的对话，而将成为我们生活中可触可感的智能存在。当通义千问的智能体在现实中迈出第一步，那一步，也将是中国AI产业全面“物理化”的开端。

siliconstorm.ai
2025-10-11 17:04:54

 880

 5

#人工智能 #机器人 #自然语言处理 +1
腾讯混元翻译模型Hunyuan-MT-7B开源：小参数量大能量，获得30项国际冠军

腾讯开源轻量级翻译大模型Hunyuan-MT-7B，该模型在WMT2025机器翻译比赛中以7亿参数斩获30项冠军，支持33种语言互译。其创新在于：1）参数效率高，推理速度快30%；2）上下文理解强，能处理俚语、古诗等复杂文本；3）推出集成模型Hunyuan-MT-Chimera-7B，可组合多模型提升专业翻译准确率。目前该技术已应用于腾讯会议、企业微信等产品，服务超10万开发者。腾讯将持续开源优化

 AiTop100
2025-09-02 17:04:00

 1438

 25

#机器翻译 #人工智能 #自然语言处理 +1
超图与大语言模型的结合

摘要：超图（Hypergraph）作为图论的扩展，通过超边（可连接任意数量节点）有效建模多元关系，弥补了普通图仅能表示两两关系的局限。其核心应用包括：1）复杂系统建模（如社交群组、化学反应）；2）高阶关联挖掘（如推荐系统、知识图谱）。代表性工作如Hyper-RAG、HyperGraph-RAG和OG-RAG，利用超图结构增强检索与生成能力，通过提取多实体关系、构建知识超图及优化检索策略，显著提升了

 ssone9
2025-08-22 14:44:28

 996

 20

#语言模型 #人工智能 #自然语言处理 +1
大语言模型推测解码技术

（Speculative Decoding）是一种用于加速大型语言模型（LLM）推理的前沿技术，其核心思想是通过并行生成和验证机制突破传统的串行瓶颈。

puzhinan7781
2025-08-18 10:50:57

 639

 18

#语言模型 #人工智能 #自然语言处理
机器学习之词向量转换

本文介绍了自然语言处理中词向量转换的核心技术及其应用。jieba库、朴素贝叶斯算法和TF-IDF等技术在文本处理各阶段发挥关键作用。重点讲解了基于统计的词向量转换方法，通过CountVectorizer实现文本到数值向量的转换，并演示了从中文分词、停用词处理到特征提取的全流程。最后以手机评论情感分析为例，展示了从数据预处理、模型训练到实际预测的完整实现，包括朴素贝叶斯分类器的应用和性能评估。该技术

 m0_74977182
2025-08-13 16:32:06

 1576

 33

#机器学习 #人工智能 #中文分词 +1
【时间序列】机器学习时间预测方法

本文系统探讨了时间序列预测的关键技术与方法，重点分析了监督学习、支持向量机和随机森林在时间序列建模中的应用。通过对比传统统计方法与机器学习方法，文章揭示了机器学习在非线性建模和特征自动提取方面的优势。同时详细介绍了集成学习方法（Bagging、Boosting、Stacking）在时间序列预测中的优化策略与应用场景，并提供了Python实现示例。文章也客观分析了机器学习方法的局限性，包括数据依赖性

 六月星辰梓
2025-07-28 16:35:32

 1377

 16

#机器学习 #人工智能 #计算机视觉 +3
基于深度学习的图像去噪：从理论到实践

摘要：本文系统介绍了基于深度学习的图像去噪方法。首先阐述了图像去噪的基本概念及其面临的挑战，包括噪声多样性、细节保持和计算效率等问题。随后重点分析了三种深度学习模型在图像去噪中的应用：卷积神经网络（CNN）的映射学习能力、自编码器的特征表示能力以及生成对抗网络（GANs）的图像生成能力。文章还提供了完整的PyTorch实现代码，涵盖数据加载、CNN模型构建、训练和评估流程。实验结果表明，深度学习模

 Blossom.116
2025-07-22 13:22:26

 770

 5

#深度学习 #人工智能 #自然语言处理 +4
李宏毅《生成式人工智能导论》 | 第11讲-第14讲：大型语言模型的可解释性、能力评估、安全性

先提问，语言模型给出答案，先从答案中抽出需要关注的摘要(问题1怎么抽出摘要)，根据摘要生成问题，使用搜索引擎搜索问题看能不能找到对应资料(问题2找出对应资料就是正确的吗)，如果可以这个说明是正确的。使用大量人工智能生成的句子与人类生成的句子去训练一个分类器模型，当输出新的句子时，这个分类器可以输出这句话是人工智能生成的还是人类生成的。– 目前发现这个方法很难实现。实验1：GPT4自称可以读128k

nuise_
2025-07-15 21:12:56

 636

 5

#人工智能 #语言模型 #自然语言处理
通义千问 VL：开启企业智能应用新纪元

多模态AI赋能企业数字化转型：通义千问VL模型的商业价值摘要：通义千问VL模型作为新一代多模态AI解决方案，通过跨模态理解、行业知识增强和超长上下文处理等核心技术，有效打破企业数据孤岛。该模型在金融风控、智能客服、制造业质检等场景中展现出显著优势，如提升金融风控准确率35%、降低客服人力成本30%、提高产品缺陷检出率95%。模型采用动态分辨率处理和量化优化等技术，实现性能与成本的平衡，为企业带来

 charles666666
2025-07-10 22:24:44

 781

 10

#人工智能 #产品经理 #语言模型 +2
大语言模型训练新突破：Gensyn公司让AI训练摆脱昂贵数据中心的束缚

这项由Gensyn公司的Jari Kolehmainen领导的研究团队发表于2025年6月12日的arXiv预印本论文，有兴趣深入了解的读者可以通过arXiv:2506.10911v1访问完整论文。这是一个关于如何让大语言模型训练变得更便宜、更灵活的重要突破。想象一下，训练一个像ChatGPT这样的大语言模型就像是组织一场超大规模的团队合作项目。传统的做法就像是把所有团队成员都聚集在一个昂贵的高级

 至顶AI实验室
2025-06-19 20:41:21

 622

 3

#人工智能 #语言模型 #自然语言处理
“AI大语言模型”助力大气科学：ERA5再分析数据、WRF处理、遥感降水、CMIP6未来气候、天气晴雨预测的完整方法论等

GPT生成转化代码，将数据转化为WPS可读取的二进制格式。4.2模型堆叠：使用mlxtend库或自定义方法实现模型堆叠，结合不同模型的预测结果作为新的特征，训练一个新的模型。2.4时间序列分割：对于时间序列数据，使用时间顺序分割数据，确保训练集中的数据点时间上早于测试集中的数据点。5.1性能指标：根据问题类型（分类或回归）选择合适的评估指标，如准确度、召回率、F1分数、AUC值、均方误差。1.2数

 Teacher.chenchong
2025-06-30 17:33:57

 496

 5

#人工智能 #语言模型 #自然语言处理
【PP-StructureV3】名列前茅的开源PDF解析算法？实测看看

PP-StructureV3

Jamence
2025-06-29 17:47:41

 3380

 36

#人工智能 #深度学习 #自然语言处理
探索大语言模型工具使用能力的新基准：GTA详解

GTA基准的提出标志着LLM工具使用评估向真实场景迈出了重要一步。实验结果显示，即使是最先进的LLMs在面对现实问题时仍表现有限，尤其是在多模态推理和参数准确预测方面。这一研究不仅揭示了当前模型的瓶颈，更为通用工具代理的发展指明了方向——未来的研究需要在多模态理解、动态工具规划和参数精确控制等方面取得突破。随着GTA等更贴近现实的评估基准的出现，我们有望见证更具实用性的AI助手的快速发展。

这是Jamon
2025-06-27 18:59:09

 900

 22

#语言模型 #人工智能 #自然语言处理
腾讯开源歌曲生成模型：SongGeneration

SongGeneration模型基于LeVo框架开发，结合大规模语言模型(LeLM)和音乐编解码器，实现了高质量歌曲生成与多偏好对齐。模型通过混合令牌和双轨令牌处理音频，并转换为高保真音乐。当前提供中文基础版本，即将推出中英文版本。相较于其他开源模型，SongGeneration在音质和个性化需求满足方面表现优异，性能接近行业领先水平。

Panesle
2025-06-19 11:15:00

 1313

 8

#算法 #人工智能 #语言模型 +2
专注于医疗领域的多模态开源大型语言模型：Lingshu-32B

Lingshu是医疗领域的多模态大语言模型，在医学视觉问答和报告生成任务上表现优异，支持12种以上医疗影像模态。Lingshu-32B在多项评估中超越GPT-4.1和Claude Sonnet 4等模型，包括多模态VQA（平均分66.6）、医学文本问答（如MMLU-Med 84.7）和报告生成（ROUGE-L 28.8）。虽然模型权重和代码已开源，但使用时需注意内容准确性风险，遵守法规要求。该模型

 Panesle
2025-06-15 11:15:00

 1399

 16

#语言模型 #人工智能 #自然语言处理 +2
大语言模型的推理能力

简单说，就是模型在回答问题时会先输出一大段推理过程，然后才给出最终答案。下图我们分别在deepseek的官网使用不带深度思考的与带深度思考（DeepSeek-R1）的模型对北京是中国的首都吗？可以看到当我们使用深度思考模型AI不会直接回答，而是会先来一段内心独白再去回答，这中间的内心独白就叫做推理。推理能力类似早先年间计算机视觉领域的可视化模型输出的过程。推理能力是某些大模型本身就存在的能力，我们

 非常大模型
2025-06-01 19:48:00

 1290

 30

#语言模型 #人工智能 #自然语言处理
机器学习没那么难，看完这篇你也能说懂了！| 机器学习项目流程极简入门

本文详细介绍了机器学习项目的完整流程，通过一个水果分类的简单案例，逐步演示了从数据收集到模型部署的各个步骤。首先，数据收集是基础，需要确保数据的代表性和充分性。接着，数据预处理包括清洗、格式转换、特征缩放和数据集划分，以确保数据适合模型使用。特征工程涉及特征构造和选择，以提取有用的信息。模型选择阶段根据任务类型和数据特点选择合适的算法。模型训练是核心，通过反复调整参数使模型拟合数据。模型评估通过测

 Gupao123
2025-05-21 10:23:06

 2043

 39

#机器学习 #人工智能 #深度学习 +4
【数据分析】什么是源域与目标域的最小化？什么是特征空间分布对齐？

当AI模型在训练数据（源域）中表现卓越，却在真实场景（目标域）中频频失效，其症结在于数据分布的割裂。源域与目标域的最小化通过数学手段强行弥合两者差异，如同为算法注入“跨域适应”的基因。这一过程的核心在于特征空间分布对齐——借助对抗训练、域混淆等技术，重构神经网络的特征提取逻辑，剥离领域特有噪点（如模拟器的完美光照或医学文本的固定术语），保留跨场景通用模式（如物体运动规律或疾病纹理特征）。

张淼zyx
2025-05-22 00:16:49

 1728

 35

#深度学习 #nlp #自然语言处理 +3
RAG-MCP：解决大语言模型工具选择中的提示膨胀难题，收藏这一篇就够了！！

大语言模型（LLMs）在自然对话、推理甚至代码生成方面展现了卓越的能力。然而，它们本质上受到参数中编码的知识和在推理时可用的固定上下文窗口的限制。一个没有外部访问权限的LLM只能依赖其训练数据，无法轻松更新知识或执行超出其内置能力的操作。为了克服这一限制，最近的研究工作集中于通过外部工具和函数调用能力来增强LLMs。通过调用工具（例如网络搜索、数据库、计算器）通过定义的函数或API，LLM可以获取

 小涂Ss
2025-05-14 14:45:43

 1118

 10

#语言模型 #人工智能 #自然语言处理 +2
从零构建大语言模型，小白入门指南（非常详细）看这篇就够了！

想要掌握大语言模型的构建吗？从零开始，这本书是你的理想选择！使用PyTorch框架，无需依赖其他库，你就能逐步掌握LLM的理论知识和实践技能。书中详细介绍了如何处理文本数据，包括文本预处理、分词、字节对编码、滑动窗口采样以及向量转换等关键步骤。通过这些步骤，你能为你的LLM提供高质量的训练数据。在构建LLM的过程中，我们首先需要准备训练数据集。这一章将详细讲解如何进行数据准备和采样，为你的LLM提

 安卓老猴子
2025-05-20 20:03:09

 752

 13

#语言模型 #自然语言处理
高效部署MoE大语言模型：专家剪枝与动态跳跃的突破

《Not All Experts are Equal: Efficient Expert Pruning and Skipping for Mixture-of-Experts Large Language Models》提出了一种创新的专家级稀疏化方法，通过后训练专家剪枝（Expert Pruning）和动态专家跳跃（Dynamic Expert Skipping），显著降低了 MoE 模型的内

 阿正的梦工坊
2025-05-19 15:55:36

 2579

 30

#语言模型 #剪枝 #人工智能 +3