登录社区云,与社区用户共同成长
邀请您加入社区
2026年北京地区机器狗采购需求爆发,不少政企、园区、工厂踩了参数虚标、落地不适配、售后缺位的坑。我做了5年具身智能落地,结合实操经验拆解挑选要点,附实测技术参数和本地供应商对比参考,帮大家避坑。
AI时代,内容生产不只拼“快”,更拼“精”和“整”。XMANUAL这种在垂直领域深耕的解决方案,或许才是千行百业落地AI的正确打开方式。以前一个产品改版,说明书得从头改,现在只需要更新对应的主题模块,系统自动重组、自动排版。:支持结构化写作,写完直接输出多种格式,满足多语言和全渠道发布的需求。在会场,大家都在谈“产业”、“算力”、“人才生态”。:它把AI能力和严谨的文档规范结合了起来,既有大模型的
2026年具身智能、机器人与控制系统国际学术会议(EIRCS 2026)将于2026年8月21—23日在中国杭州举行。随着具身智能、机器人运动控制与控制系统三者的深度协同,智能机器人正从结构化场景走向非结构化复杂场景,重塑工业制造、医疗服务、应急救援等领域的技术形态与应用模式。
MediaTek推出Genio Pro旗舰级3nm边缘AI平台,定位高端工业市场。核心亮点包括:台积电3nm制程、50+TOPS算力,可本地流畅运行7B大模型(23token/s),支持16路摄像头和8K编解码,具备-40℃~85℃工业级稳定性。该平台面向自主机器人、商用无人机等高算力场景,与中端Genio360形成产品矩阵。主打"端侧原生7B大模型"技术优势,覆盖工业视觉、无
早期机器翻译研究遭遇瓶颈:基于规则的方法难以处理复杂语法和语义,导致翻译结果严重失真。1966年ALPAC报告指出机器翻译存在"难以克服的语义障碍",研究陷入十余年低谷。70年代出现的转换翻译法通过分层解析和转换试图改进,但自然语言的复杂性远超预期,最终基于规则的方法逐渐被淘汰。Vauquois三角形展示了从直接翻译到中间语翻译的理论演进,但实践效果均不理想。
还记得IBM的人工智能程序“沃森”(Watson)吗?2010年的一条宣传语称,“沃森能够理解自然语言的模糊性和复杂性。”然而,正如我们所看到的,沃森后来在“运用人工智能的医学革命”探索中遭遇惨败,表面上的语言能力并不等同于真正理解人类语言。理解自然语言一直是人工智能研究的主要目标之一。起初,研究人员试图手动编程机器所需的一切,使其理解新闻故事、小说或其他人类可能编写的东西。正如沃森所展示的那样,
本文介绍了如何在星图GPU平台上自动化部署HY-MT1.5-1.8B镜像,实现高精度、低延迟的多语种翻译服务。该镜像专为生产环境优化,支持藏语、维吾尔语等33+5种语言,典型应用于跨境电商商品描述批量翻译与政府公文民汉互译,兼顾术语一致性和HTML格式保留。
2025年9月1日,腾讯混元开源翻译模型Hunyuan-MT-7B。这个模型的总参数量为7B,支持33个语种、5种民汉语言/方言互译,属于轻量型翻译模型。
自监督学习无需人工标注,利用无标签的数据本身构造“输入-输出”对,实现类似有监督的训练。BERT 的预训练过程便是一种自监督学习:随机遮盖(mask)部分文本,然后让模型去预测被遮盖的内容,从而“自我监督”地学习语言知识。BERT 是 Transformer 结构的 Encoder,它接收一个序列输入并输出相同长度的序列向量。在训练过程中。我们知道被mask的字符是什么,而BERT不知道,我们可以
本文摘要:Transformer网络通过自注意力和多头注意力机制实现并行序列处理,突破了RNN的顺序计算限制。自注意力通过查询、键、值三向量计算上下文相关表示,多头注意力则并行执行多组自注意力运算。完整Transformer包含编码器(特征提取)和解码器(序列生成)模块,采用残差连接和层归一化解决深层网络训练难题。这种架构结合了注意力机制的上下文建模能力和前馈神经网络的非线性特征变换,在NLP领域
什么是遗传算法?遗传算法(GA)是基于自然选择和遗传学概念的基于搜索的算法。遗传算法是称为进化计算的更大分支的一个子集。GAs 由 John Holland 及其在密歇根大学的学生和同事开发,最着名的是 David E.Goldberg。自那以来,它一直在尝试各种优化问题并取得了很高的成功。在 GAs 中,我们为给定问题提供了一系列可能的解决方案。这些解决方案然后经历重组和突变(如在自然遗传学中)
本文介绍了如何在星图GPU平台上自动化部署Hunyuan-MT-7B镜像,快速搭建专业级翻译机器人。无需复杂配置,用户可一键启动支持33种语言(含5种少数民族语言)互译的服务,典型应用于跨语言邮件处理、技术文档翻译及多语种内容创作等场景。
随着人工智能技术的不断发展,大语言模型(Large Language Models,LLMs)在金融行业的创新应用受到业内广泛关注。大语言模型的核心功能是能够理解和生成人类语言,使计算机能够更加智能地处理自然语言场景下的复杂任务。近年来,大语言模型在问答、文本生成、翻译等多种自然语言处理任务中表现出色。GPT-3等大语言模型采用自回归生成策略,可在没有预设答案的情况下生成连贯、相关的文本,这种策略
其范围包括在智能、分布式、敏捷的工业自动化和控制系统中使用信息。实时系统、操作系统、编程语言、通信(仅限于分析和软件堆栈)、移动系统、并行和分布式架构以及计算机和系统架构;系统的设计自动化,包括其设计的方法、技术和工具,以及软件组件的新颖设计。总体来说,此期刊为SCI一区,TOP顶刊,IF:11.7,自引率在安全范围内,根据网友经验来看,平均4.5个月左右录用,有该领域的作者可以投稿试试哦~~~计
本文介绍了如何在星图GPU平台上自动化部署Hunyuan-MT-7B镜像,快速构建企业级多语种翻译能力。该镜像支持33种语言(含藏语、维语等少数民族语言)高质量双向互译,典型应用于企业微信/钉钉机器人实时客服响应、合同文档翻译及多语种知识库同步,显著提升跨语言协作效率。
根据圣经旧约《创世纪》中的记载,大洪水劫后,诺亚的子孙们在巴比伦附近的示拿地定居。这一时期的机器翻译有了全新的理论基础:语言学巨擘诺姆·乔姆斯基在其经典著作《句法结构》(Syntactic Structures)中对语言的内涵做了深入的阐述,他的核心观点是语言的基本元素并非字词,而是句子,一种语言中无限的句子可以由有限的规则推导出来。同一个词可能存在多种意义,在不同的语言环境下也具有不同的表达效果
系统的设计自动化,包括其设计的方法、技术和工具,以及软件组件的新颖设计。期刊涵盖了图像处理的各个方面,包括但不限于图像编码、图像增强、图像复原、图像分割、运动估计,以及在医学成像、雷达、声纳、地球物理学、天文学等领域中的图像形成与应用。同在前十名的中国机构还有鹏程实验室、西安电子科技大学、清华大学、北京大学、浙江大学、西北工业大学、电子科技大学、香港城市大学、南洋理工大学。计算机科学与核工程、土木
据Inforgraphics预测,到 2025 年,互联网上每天产生的数据量将达到 463EB(艾字节),其中包括数十亿条社交媒体信息、数千亿封电子邮件,以及海量的图片、视频和音频等各种形式的数据。面对如此庞大的信息海洋,如果没有高效的工具,找到有价值的信息无异于大海捞针。互联网的起源可追溯至 20 世纪 60 年代,真正起步于 1969 年阿帕网(ARPANET)的上线,这是世界上第一个广域数据
2019年,DeepMind的AI程序AlphaStar在《星际争霸》中击败99.8%的人类玩家,以10:1战胜职业选手,展现了AI在复杂实时环境中的战略决策能力。通过强化学习和自我对战训练(相当于人类200年的训练量),AlphaStar掌握了高超操作技巧和战略思维。这一突破表明AI能协调大规模群体行为,为作战指挥系统和社会进程推演提供了新可能。
由浙江大学、电气通信大学(日本)、北京信息科技大学联合主办的2026年机器人感知与智能控制国际学术会议(RPIC 2026)将于2026年3月27-29日在日本东京举行。RPIC 2026旨在推进学科的交叉融合及产学研相结合,深入探讨相关重大理论和技术难题,拓展国内外在机器人感知与智能控制技术方面的研究范围。大会将围绕机器人感知、智能控制、机器视觉、深度学习等前沿课题进行全面深入的探讨,特别关注当
Seed-X是一系列开源多语言翻译模型,包含指令模型、强化学习模型和奖励模型。该模型在70亿参数规模下展现出卓越的翻译性能,与Gemini-2.5、Claude-3.5和GPT-4等大型模型相当甚至更优。Seed-X支持28种语言(包括中、英、日、韩等),具有轻量高效的特点,适合部署应用。在互联网、科技、金融、法律等专业领域的翻译测试中表现优异,为翻译研究和应用提供了实用工具。
强大的国际化框架,支持动态翻译、插件扩展。
本文提出了一种面向企业级应用的NL2SQL解决方案SQLord,针对现有方法在业务逻辑复杂、领域数据稀缺、评估困难等问题进行了创新性改进。SQLord通过反向数据生成技术自动合成标注数据用于模型微调,采用基于自动化工作流的方法分解复杂查询任务,并设计了包含执行评估、语义一致性评估的GPT-Judge多维度评估框架。实验表明,SQLord在Spider数据集和企业真实场景中均显著优于现有方法,在线准
人工智能的主要分支。
多目标跟踪(Multiple Object Tracking or Multiple Target Tracking, MOT or MTT)主要任务是在给定视频中同时对多个感兴趣的目标进行定位,并且维持他们的ID、记录他们的轨迹。这些目标可以是路上的行人,路上的车辆,操场上的运动员,或者多组动物(鸟,蝙蝠,蚂蚁,鱼,细胞,等等),甚至是一个单目标中的不同部分。本资源整理了比较重要的多目标跟踪论文
在网络爬虫与数据采集场景中,是核心步骤之一。当我们通过请求工具(如requestsaiohttp)获取到网页的 HTML/XML 源码后,需要从中精准提取目标数据(如文本、链接、属性等)。目前 Python 生态中,常用的解析工具包括和。它们各有特点:有的基于路径表达式,有的模仿前端语法,有的专注于高效解析。本文将系统讲解这四种工具的使用方法、优缺点及适用场景。
这篇论文介绍了一种大型深度卷积神经网络(CNN),用于在ImageNet LSVRC-2010比赛中对1.2百万高分辨率图像进行分类,这些图像涵盖了1000个不同的类别。该网络在测试数据上实现了37.5%的top-1错误率和17.0%的top-5错误率,显著优于之前的最佳水平。网络包含6000万参数和650,000个神经元,由五个卷积层组成,其中一些后接最大池化层,以及三个全连接层,最后是一个10
这一次我们来做一个通义千问的项目。
SpringAI 是一个基于 Spring 框架开发的小型智能应用项目,旨在结合现代软件架构与人工智能技术,为用户提供高效、灵活的功能实现。该项目通过整合 Spring 生态系统的核心功能(如依赖注入、事务管理等)以及 AI 相关工具或模型,展示了如何在传统企业级应用中引入智能化特性
毕业设计——基于PyQT+FaceNet卷积神经网络实现的学生人脸识别考勤系统
从数据准备、人脸检测、人脸识别、模型训练,到系统集成和性能评估,您已经了解了每个步骤的关键概念和实际代码。使用不同的数据集或测试场景来评估人脸检测和识别的准确性。不断的迭代和改进是构建一个强大人脸识别系统的关键。我们可以使用现成的人脸检测器,如OpenCV中的Haar级联分类器或深度学习模型。在这一步,您可以将人脸检测和识别部分集成到您的应用中。在实际应用中,您需要训练人脸识别模型,以便它能够识别