本文提出一種基于仿生學(xué)原理設(shè)計(jì)的形態(tài)特征提取器，通過模擬專家認(rèn)知過程整合多尺度特征分析，使AI犬種識別準(zhǔn)確率提升至90%，并為醫(yī)學(xué)影像等細(xì)粒度識別領(lǐng)域提供技術(shù)啟示。AI真的能像人類專家一樣區(qū)分狗的品種嗎？有一天散步時(shí)，我看到一只毛茸茸的白色小狗，心想：“那是比熊犬還是馬耳他犬？”無論我怎么仔細(xì)看，它們看起來都幾乎一模一樣。對于哈士奇和阿拉斯加雪橇犬、柴犬和秋田犬，我總是猶豫不決。專業(yè)獸醫(yī)和研究人員如何...

通用人工智能（GPAI）時(shí)代的風(fēng)險(xiǎn)與挑戰(zhàn)通用人工智能（GPAI）系統(tǒng)，憑借其廣泛的應(yīng)用能力，正迅速滲透到我們生活的方方面面。這些基于基礎(chǔ)模型并服務(wù)于多種用途的軟件系統(tǒng)，已擁有龐大的用戶群體。一些GPAI系統(tǒng)每周活躍用戶已超過3億。同時(shí)，GPAI系統(tǒng)在安全和權(quán)利影響領(lǐng)域的應(yīng)用也日益廣泛，如醫(yī)療保健、金融、教育和司法等(Maragnoetal.,2023;Young,2024;PerezCerrolazaetal.,2024)。然而，GPAI系統(tǒng)的廣泛應(yīng)用也伴隨著巨大的潛...

在大語言模型（LLMs）的飛速發(fā)展進(jìn)程中，DeepSeekR1憑借出色的性能脫穎而出，吸引了無數(shù)目光。而它背后的“秘密武器”——GRPO（GroupRelativePolicyOptimization）強(qiáng)化學(xué)習(xí)算法，更是成為大家熱議的焦點(diǎn)。今天，咱們就用通俗易懂的方式，深入剖析一下這個讓DeepSeekR1大放異彩的GRPO算法！1.GRPO誕生的“前因后果”在大語言模型的微調(diào)環(huán)節(jié)，強(qiáng)化學(xué)習(xí)（RL）起著舉足輕重的作用。一直以來，近端策略優(yōu)化（PPO）算法都是LLM微調(diào)的...

摘要由人工智能驅(qū)動的學(xué)習(xí)正在改變教育，要求教育者迅速掌握有效整合人工智能工具的技能，以便它們補(bǔ)充而非取代傳統(tǒng)教學(xué)實(shí)踐。生成式人工智能的快速發(fā)展帶來了挑戰(zhàn)，尤其是對于那些不太懂技術(shù)的教師或那些延遲學(xué)習(xí)這些工具的人，使他們面臨落后的風(fēng)險(xiǎn)。隨著學(xué)生快速適應(yīng)廣泛可用的模型如ChatGPT3.5和DeepseekR1，他們越來越多地用于學(xué)習(xí)、作業(yè)和評估。盡管已有關(guān)于教育中人工智能的討論，但缺乏實(shí)際指導(dǎo)，說明醫(yī)學(xué)教育工作者如...

“MTBench:AMultimodalTimeSeriesBenchmarkforTemporalReasoningandQuestionAnswering”時(shí)間序列與文本數(shù)據(jù)的結(jié)合對理解復(fù)雜現(xiàn)實(shí)現(xiàn)象至關(guān)重要，尤其在金融和天氣預(yù)測領(lǐng)域?，F(xiàn)有基準(zhǔn)缺乏對時(shí)間序列數(shù)據(jù)與文本之間復(fù)雜關(guān)聯(lián)的關(guān)注，未能處理文本與時(shí)間序列數(shù)據(jù)矛盾的情況。本文提出MTBench基準(zhǔn)，旨在評估LLMs在金融和天氣領(lǐng)域的多任務(wù)和多模態(tài)推理能力。MTBench通過將時(shí)間序列數(shù)據(jù)與相關(guān)文本信息對齊，促進(jìn)跨模態(tài)互動，支持復(fù)雜推...

在機(jī)器學(xué)習(xí)中，向量化（Vectorization）是通過將數(shù)據(jù)和計(jì)算表示為向量或矩陣形式，從而利用高效的數(shù)值計(jì)算庫（如NumPy）和硬件加速（如GPU）來提升計(jì)算效率的一種技術(shù)。向量化是機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等領(lǐng)域的核心優(yōu)化手段之一，能夠顯著減少代碼復(fù)雜度、提高運(yùn)行速度，并使算法更容易擴(kuò)展到大規(guī)模數(shù)據(jù)集。一、向量化與機(jī)器學(xué)習(xí)的關(guān)系1.機(jī)器學(xué)習(xí)的核心是數(shù)學(xué)運(yùn)算機(jī)器學(xué)習(xí)算法本質(zhì)上依賴于大量的數(shù)學(xué)運(yùn)算，例如：線性回歸：計(jì)算θ(X...

在這篇文章中，我將介紹如何使用LangGraph、AgenticRAR、NanoGraphRAG以及Claude3.7Sonnet來創(chuàng)建一個基于智能推理（AgenticRAR）的聊天機(jī)器人，看完這篇文章之后你就學(xué)會了如何為你的業(yè)務(wù)打造一個強(qiáng)大的智能推理聊天機(jī)器人。我首先向你展示一下聊天機(jī)器人的效果：“生成代碼，檢查以下數(shù)字是否為回文數(shù)：123、121、12321、12345、123454321。”當(dāng)用戶提出問題時(shí)，初始推理Agent會對其進(jìn)行分析，識別需要哪些專業(yè)Agent，并檢測特...

本周，OpenAI再次放出大招。按照慣例，首日更新往往最重磅。而這一次，OpenAI在預(yù)告中就明確點(diǎn)名：這是一款為開發(fā)者準(zhǔn)備的硬核模型，并用一個形象的比喻預(yù)熱它——“開發(fā)者??超大質(zhì)量黑洞”。圖片OpenAI深夜官宣的GPT4.1，確實(shí)名副其實(shí)。百萬Token的上下文窗口和顯著增強(qiáng)的編程能力，讓它成為開發(fā)者眼中的“智能協(xié)作者”——能吞下整本文檔、分析復(fù)雜代碼、生成完整模塊，真正實(shí)現(xiàn)從“助理”到“代理”的躍升。圖片GPT4.1在以下...

很多課程都會通過公式來說明Transformer，但是沒有給你算過數(shù)，也沒讓你明白一件更重要的事：“自注意力給出來的輸出，實(shí)際上表示了什么？”本文就想用一個質(zhì)化、好懂、可實(shí)際運(yùn)算的例子，帶你真正看懂SelfAttention是怎么工作的，并解釋它的輸出真正意義!1.讓我們再來回顧下什么是“注意力機(jī)制”？你看一段文字時(shí)，總會下意識的想：我要看哪些詞？哪些字是我目前理解這句話的關(guān)鍵？注意力機(jī)制就是這樣一種方法，它允許模型根據(jù)...

文檔問答太難了含有豐富文本和視覺元素（如圖表、圖像等）的長文檔，在進(jìn)行文檔問答時(shí)，現(xiàn)有的方案有其局限性：傳統(tǒng)的大型語言模型（LLMs）僅能處理文本信息大型視覺語言模型（LVLMs）雖然能夠處理視覺內(nèi)容，但在處理長文檔時(shí)往往效率低下，并且難以對文本和視覺信息進(jìn)行有效的融合與推理?，F(xiàn)有的檢索增強(qiáng)生成（RAG）方法雖然能夠從長文檔中提取關(guān)鍵信息，但它們通常僅依賴于單一模態(tài)（文本或圖像）進(jìn)行檢索，缺乏跨模態(tài)的信息...

WOT全球人工智能技術(shù)峰會是由51CTO開創(chuàng)的面向人工智能領(lǐng)域的高端技術(shù)會議品牌，它與另一大會品牌WOT全球技術(shù)創(chuàng)新大會一道，自2012年首次舉辦以來，歷時(shí)十余年沉淀，累計(jì)吸引超過萬名技術(shù)人員現(xiàn)場參與，同時(shí)吸引了數(shù)百家國內(nèi)外知名科技企業(yè)和行業(yè)龍頭、近千位技術(shù)領(lǐng)軍人物深度合作。ChatGPT引爆的熱潮沒有絲毫減緩之勢，而DeepSeek又給這一熱度添了一把火。伴隨大模型的快速迭代、持續(xù)演進(jìn)，生成式AI技術(shù)從理念到實(shí)踐，從應(yīng)用落...

在開發(fā)代理式AI時(shí)，開發(fā)者往往需要在速度、靈活性和資源利用率間反復(fù)權(quán)衡。本文將向大家介紹Agno——一款用于構(gòu)建多模態(tài)智能體的輕量化框架。其速度號稱比LangGraph快上萬倍，內(nèi)存使用量則僅為150。事實(shí)上，Agno與LangGraph在使用體驗(yàn)上也有很大區(qū)別。本文將以親身體會為基礎(chǔ)對二者進(jìn)行比較，具體介紹它們的不同之處、各自亮點(diǎn)與Agno的獨(dú)特優(yōu)勢。概述?構(gòu)建TriSage與MarketingAnalyst營銷分析師智能體。?如果要求高速、低內(nèi)存...

今天阿真Irene開源的一個文生圖提示詞火了，非常棒的一個AI設(shè)計(jì)博主，半夜還在更新。還有她肝的表情包，非常受歡迎。Image今天就實(shí)際使用大佬的提示詞體驗(yàn)一下，這篇文章是基于博主的提示詞進(jìn)行跨越千年這個主題來撰寫的，在此感謝原作者的付出。使用方法：?即夢AI字體我有點(diǎn)玩明白了，用這套Prompt提效50%古代詩人詩人朝代主要成就代表作品李白唐偉大的浪漫主義詩人，有“詩仙”之稱《將進(jìn)酒》《望廬山瀑布》杜甫唐偉大的現(xiàn)實(shí)...

文章鏈接：https:arxiv.orgpdf2412.00857項(xiàng)目鏈接：https:nevsnev.github.ioFloED開源地址：https:github.comNevSNevFloEDmain亮點(diǎn)直擊新穎的視頻修復(fù)模型。提出了一種專用的雙分支架構(gòu)，通過流適配器（flowadapters）集成光流引導(dǎo)，從而增強(qiáng)時(shí)空一致性并生成協(xié)調(diào)的結(jié)果。高效的去噪過程。引入了一種無需訓(xùn)練的隱空間插值技術(shù)，利用光流加速多步去噪過程。結(jié)合流注意力緩存機(jī)制，F(xiàn)loED有效降低了由光流引入的額外計(jì)算成本。領(lǐng)先...

“在某個地方，有某種令人難以置信的事物等待著被知曉。”——卡爾·薩根在信息爆炸的時(shí)代，如何從海量數(shù)據(jù)中快速、精準(zhǔn)地獲取所需信息，是困擾眾多科研人員與行業(yè)從業(yè)者的難題。而今天，我們要介紹的Rankify，正是這樣一款在學(xué)術(shù)界和工業(yè)界都備受矚目的Python工具包，它以全面、模塊化和用戶友好的方式，為檢索、重排以及檢索增強(qiáng)型生成（RAG）提供了一站式解決方案。一、Rankify的誕生背景過去，檢索領(lǐng)域經(jīng)歷了從純基于詞匯的...

在當(dāng)今數(shù)字化時(shí)代，企業(yè)和教育機(jī)構(gòu)每天都會收到海量的咨詢問題。無論是客戶支持、銷售團(tuán)隊(duì)的提問，還是內(nèi)部員工的咨詢，手動回復(fù)這些問題不僅耗時(shí)費(fèi)力，還容易出現(xiàn)回答不一致的情況。而基于人工智能的查詢解答系統(tǒng)，能夠快速、準(zhǔn)確且高效地提供答案，極大地提升了工作效率和用戶體驗(yàn)。今天，我們就來聊聊如何利用LangChain、ChromaDB和CrewAI構(gòu)建一個基于檢索增強(qiáng)生成（RAG）的智能查詢解答系統(tǒng)。這個系統(tǒng)不僅能自動處理各種問...

在當(dāng)今數(shù)字化飛速發(fā)展的時(shí)代，AI智能代理（AIagents）已經(jīng)成為提升工作效率、優(yōu)化企業(yè)流程的利器。它們能夠自主處理各種日常重復(fù)性任務(wù)或復(fù)雜工作，從簡單的設(shè)備采購到復(fù)雜的供應(yīng)鏈規(guī)劃，再到客戶支持服務(wù)，AI代理的應(yīng)用場景無處不在。然而，隨著企業(yè)對AI代理的依賴程度越來越高，一個新的挑戰(zhàn)也隨之而來：如何讓這些來自不同廠商、基于不同框架構(gòu)建的AI代理實(shí)現(xiàn)無縫協(xié)作，從而最大化發(fā)揮它們的生產(chǎn)力？今天，我們將探討一個全...

?引言：一個時(shí)代的十字路口我們正站在一個前所未有的技術(shù)變革的十字路口。人工智能（AI），特別是近年來以ChatGPT、Gemini等為代表的生成式AI的飛速發(fā)展，正以前所未有的速度和深度滲透到我們生活的方方面面。它不再僅僅是科幻小說的暢想，而是實(shí)實(shí)在在影響著我們的工作、學(xué)習(xí)、社交乃至思維方式的強(qiáng)大力量。面對這場洶涌而來的AI浪潮，一個根本性的問題擺在了我們面前：到2035年，當(dāng)人類與AI的關(guān)系更加緊密、依賴性更強(qiáng)時(shí)，“...

文章鏈接：https:arxiv.orgpdf2504.07405項(xiàng)目鏈接：https:flexiptech.github.ioflexip亮點(diǎn)直擊雙適配器解耦設(shè)計(jì):首次將身份保持（PreservationAdapter）和個性化編輯（PersonalizationAdapter）顯式分離，避免特征競爭，實(shí)現(xiàn)更精準(zhǔn)的控制,優(yōu)于現(xiàn)有SOTA。動態(tài)權(quán)重門控機(jī)制:通過連續(xù)可調(diào)參數(shù)動態(tài)平衡身份保持與編輯強(qiáng)度，支持從細(xì)微調(diào)整到大幅變形的靈活控制，突破傳統(tǒng)“非此即彼”的限制。模態(tài)感知訓(xùn)練策略:根據(jù)數(shù)據(jù)特性（靜態(tài)圖...

隨著人工智能技術(shù)的飛速發(fā)展，大語言模型（LLMs）已成為自然語言處理領(lǐng)域的核心力量，展現(xiàn)出強(qiáng)大的語言理解和生成能力。然而，LLMs的開發(fā)與部署面臨著巨大的數(shù)據(jù)管理挑戰(zhàn)，包括數(shù)據(jù)收集、治理、存儲和優(yōu)化等多個方面。AI對存儲的需求幾乎涵蓋所有方面：高性價(jià)比的容量、高可用性、高可靠性、高IOPS、高吞吐量和安全性。更具挑戰(zhàn)的是，AI流水線的不同階段對存儲性能也提出各異且動態(tài)變化的要求。簡而言之，在滿足上述需求的同時(shí)...