前言本文基于凱斯西儲大學(xué)（CWRU）軸承數(shù)據(jù)，先經(jīng)過數(shù)據(jù)預(yù)處理進(jìn)行數(shù)據(jù)集的制作和加載，最后通過Pytorch實(shí)現(xiàn)KNN+GCN模型對故障數(shù)據(jù)的分類。1.相關(guān)網(wǎng)絡(luò)介紹1.1圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)論文地址：??https:arxiv.orgabs1609.02907??1.2圖注意力網(wǎng)絡(luò)(GAT)論文地址：??https:arxiv.orgabs1710.10903??1.3稀疏圖卷積網(wǎng)絡(luò)(SGCN)論文地址：???https:arxiv.orgabs2104.01528???1.4GIN圖同構(gòu)網(wǎng)絡(luò)論文地址：???https:arxiv.or...

Kimi發(fā)布新一代多模態(tài)思考模型k1.5，在競賽數(shù)學(xué)、代碼能力及視覺思考等測試中，k1.5模型性能已達(dá)到全球領(lǐng)先模型OpenAIo1正式版水平，月之暗面也成為OpenAI之外，全球第二家到達(dá)該水平的人工智能企業(yè)。Kimi1.5longCoT評測結(jié)果longtoshort，用長鏈?zhǔn)剿伎技夹g(shù)改進(jìn)短鏈?zhǔn)剿伎寄Ｐ?，在短鏈?zhǔn)酵评硇阅軠y試中，k1.5模型在數(shù)學(xué)、代碼、視覺多模態(tài)和通用能力等方面到達(dá)或超越GPT4o、ClaudeSonnet3.5等全球領(lǐng)先模型。Kimi1.5shortCoT評測...

論文鏈接：https:arxiv.orgpdf2501.09503項(xiàng)目鏈接：https:aigcdesigngroup.github.ioAnyStory亮點(diǎn)直擊提出了一種統(tǒng)一的單主體和多主體個性化框架，稱為AnyStory。該框架在個性化單主體和多主體時實(shí)現(xiàn)了一致性，同時遵循文本提示；引入了一種增強(qiáng)的主體表示編碼器，由簡化的輕量級ReferenceNet和CLIP視覺編碼器組成，能夠?qū)σ话阒黧w進(jìn)行高保真細(xì)節(jié)編碼；提出了一種解耦的實(shí)例感知router模塊，能夠準(zhǔn)確感知和預(yù)測主體的隱空間條件...

早在去年11月25日，知名文生視頻模型平臺Runway首次展示了，全新文生圖片模型Frames。Frames不僅能夠保持風(fēng)格的一致性和可控性，還允許用戶進(jìn)行廣泛的創(chuàng)意探索，能生成復(fù)古、數(shù)碼、雜志、動態(tài)、運(yùn)動、拼圖等不同類型風(fēng)格的圖片。但那個時候Frames僅向高級用戶提供使用?，F(xiàn)在，Runway已經(jīng)向所有用戶開放了Frames使用權(quán)，可以在其官網(wǎng)使用了。Runway聯(lián)合創(chuàng)始人兼首席執(zhí)行官CristóbalValenzuela表示，F(xiàn)rames專為創(chuàng)意領(lǐng)域打造，其...

近日，OpenAI推出了全新的AIAgent智能體FunctionCalling2.0使用指南，此次更新使得文檔篇幅縮減了一半，并且引入了一系列關(guān)鍵的最佳實(shí)踐。作為打造高效AIAgent智能體的核心技能之一，正確運(yùn)用FunctionCalling對于開發(fā)強(qiáng)大的AIAgent智能體應(yīng)用具有至關(guān)重要的作用。因此，今天我就來為大家揭秘這次更新的精華內(nèi)容！1、FunctionCalling的兩大核心應(yīng)用文章中清晰地闡述了FunctionCalling的兩個核心應(yīng)用場景：第一、數(shù)據(jù)獲取（Fetchi...

構(gòu)建一個高效運(yùn)作的AIAgent智能體系統(tǒng)有哪些關(guān)鍵步驟？在開發(fā)過程中，如何提前識別并解決那些可能在系統(tǒng)上線后帶來嚴(yán)重問題的隱患？為了解答這些問題，我們需要將AIAgent智能體系統(tǒng)拆分為三個核心模塊：工具、推理和執(zhí)行。每個模塊都面臨著獨(dú)特的挑戰(zhàn)。一個模塊的錯誤可能會連鎖反應(yīng)，以不可預(yù)見的方式影響其他模塊，導(dǎo)致系統(tǒng)故障。例如，信息檢索可能拉取到無關(guān)數(shù)據(jù)；推理錯誤可能導(dǎo)致工作流程不完整或陷入死循環(huán)；執(zhí)行環(huán)節(jié)在...

“提示詞的作用有兩個，一個是清楚表達(dá)自己的意思，二個是讓大模型能聽懂”關(guān)于提示詞，大部分人很多時候都把提示詞想的太復(fù)雜了；特別是一些沒怎么了解過大模型技術(shù)的，一些營銷號或者培訓(xùn)班上來就告訴你一套提示詞模板，然后讓你按照這個模板來寫提示詞。你說他們提供的提示詞模板有沒有用？當(dāng)然是有用的，但有一個前提是在某些場景下是有用的。為什么這么說？因?yàn)?，提示詞模板只是一種寫提示詞的套路，但這個套路并不是所有...

Meta發(fā)布的BLT架構(gòu)為大模型擴(kuò)展找到又一條出路，也開啟了用patch方法取代token的全新可能性。開篇先提問：我們?yōu)槭裁捶堑冒盐谋静鸱殖蓆oken？直接用原始字節(jié)怎么就不行？要回答這個問題，我們得先從大語言模型的文本處理方式入手。它們需要用關(guān)于常用詞塊的規(guī)則將文本拆分成一個個token，而這個標(biāo)記化過程也一直面臨質(zhì)疑。無論模型的其余部分在訓(xùn)練期間如何學(xué)習(xí)和適應(yīng)，標(biāo)記化階段的初始規(guī)則都始終保持不變。因此一旦相關(guān)語言的...

編輯伊風(fēng)出品51CTO技術(shù)棧（微信號：blog51cto）OpenAI15頁的經(jīng)濟(jì)藍(lán)圖刷爆了整個AI圈！??https:cdn.openai.comglobalaffairsaiinamericaoaieconomicblueprint20250113.pdf??讀后感是OpenAI的唯一營銷真神奧特曼又發(fā)力了，給美國AI畫了好一張大餅?。”容^誘人的點(diǎn)包括：發(fā)展AI需要大搞基建，將拉動經(jīng)濟(jì)帶來大量就業(yè)：“人工智能所帶來的經(jīng)濟(jì)機(jī)會又是如此誘人，不容放棄。共同繁榮與日俱近，它可以通過建立更多的人工智能基礎(chǔ)...

具身人工智能的目標(biāo)是使機(jī)器人或虛擬代理能夠像人類一樣理解和操作其所在的物理環(huán)境，而空間推理被視為實(shí)現(xiàn)具身任務(wù)規(guī)劃的關(guān)鍵能力。導(dǎo)航和操作任務(wù)是具身AI中常見的挑戰(zhàn)，依賴于模型對空間關(guān)系的理解和高效執(zhí)行復(fù)雜任務(wù)的能力，但現(xiàn)有方法在處理復(fù)雜空間推理任務(wù)時仍面臨諸多局限，難以滿足實(shí)際應(yīng)用的需求?，F(xiàn)有方法大多通過補(bǔ)充空間數(shù)據(jù)和模型微調(diào)來提升空間推理能力，可是這些方法主要依賴于語言生成的粗粒度結(jié)果，難以在復(fù)...

如今，很多AI應(yīng)用程序都采用了常見的聊天模式（"chat"UX）。盡管這種模式實(shí)現(xiàn)起來比較簡單，但它會帶來額外的交互成本，限制了人類通過AI擴(kuò)展自身能力的潛力，也未能充分利用大型語言模型（LLMs）的優(yōu)勢。在過去的六個月中，我們在LangChain一直在探索一種新方式：能夠響應(yīng)環(huán)境信號的代理（AmbientAgents）。這些代理只會在發(fā)現(xiàn)重要機(jī)會或需要用戶反饋時才與用戶互動，避免了頻繁打斷用戶。此外，用戶不再需要進(jìn)入新的聊天界面...

今天這篇文章給大家匯總市面上的各類LargeLanguageModel，從模型角結(jié)構(gòu)的角度、模型類型的角度進(jìn)行劃分，涵蓋了目前市面上主流的LLM，一文了解各個LLM的基本實(shí)現(xiàn)方法和關(guān)系。從基礎(chǔ)模型結(jié)構(gòu)的角度，預(yù)訓(xùn)練語言模型可以分為Encoderonly、Decoderonly、EncoderDecoder三種類型。從市面上的LLM類型來看，可以分為GPT、LLaMA、PaLM等3個最主要的類型。下面，將這6個類別的模型，以及其中各個模型之間的關(guān)系給大家詳細(xì)介紹一下。1.模...

2024年，vLLM完成了從專業(yè)推理引擎到開源AI生態(tài)系統(tǒng)標(biāo)配解決方案的蛻變。這一年，項(xiàng)目在各個維度都實(shí)現(xiàn)了顯著增長：GitHub星標(biāo)數(shù)從14,000增至32,600，貢獻(xiàn)者數(shù)量從190擴(kuò)展到740，月下載量從6,000激增至27,000，近半年的GPU使用時長更是增長了約10倍。這些數(shù)據(jù)印證了vLLM在AI基礎(chǔ)設(shè)施領(lǐng)域的領(lǐng)先地位，已成功為亞馬遜Rufus和領(lǐng)英等大型產(chǎn)品提供核心支持。2024年重要成就社區(qū)建設(shè)與生態(tài)發(fā)展2024年，vLLM建立起了一個充滿活力的開源...

局部核重整化學(xué)習(xí)機(jī)制自然通訊2025年1月10日刊發(fā)一篇題為“局部核重整化作為超參數(shù)化卷積神經(jīng)網(wǎng)絡(luò)中特征學(xué)習(xí)的機(jī)制”的文章【文獻(xiàn)1】，學(xué)者們稱“確定了一種完全不同的內(nèi)核重整化形式：全連接架構(gòu)的內(nèi)核只是由單個標(biāo)量參數(shù)全局重整化，而卷積核則經(jīng)歷局部重整化，這意味著網(wǎng)絡(luò)可以選擇局部分量，這些分量將以數(shù)據(jù)依賴的方式為最終預(yù)測做出貢獻(xiàn)”。這一發(fā)現(xiàn)強(qiáng)調(diào)了一種簡單的特征學(xué)習(xí)機(jī)制，CNN的重整化內(nèi)核表達(dá)式中展示的核重整化...

一、背景得物開放平臺是一個把得物能力進(jìn)行開放，同時提供給開發(fā)者提供公告、應(yīng)用控制臺、權(quán)限包申請、業(yè)務(wù)文檔等功能的平臺。面向商家：通過接入商家自研系統(tǒng)。可以實(shí)現(xiàn)自動化庫存、訂單、對賬等管理。面向ISV：接入得物開放平臺，能為其產(chǎn)品提供更完善的全平臺支持。面向內(nèi)部應(yīng)用：提供安全、可控的、快速支持的跨主體通訊。得物開放平臺目前提供了一系列的文檔以及工具去輔助開發(fā)者在實(shí)際調(diào)用API之前進(jìn)行基礎(chǔ)的引導(dǎo)和查詢。...

編輯伊風(fēng)出品51CTO技術(shù)棧（微信號：blog51cto）昨晚十點(diǎn)，Kimi彈了條推送。大晚上的，他們就這么波瀾不驚地發(fā)了一個SOTA模型出來！就是這個k1.5多模態(tài)思考模型，性能實(shí)現(xiàn)有多逆天呢：在shortCoT模式下，Kimik1.5的多項(xiàng)能力，大幅超越了全球范圍內(nèi)短思考SOTA模型GPT4o和Claude3.5Sonnet的水平，領(lǐng)先達(dá)到550%；在longCoT模式下，Kimik1.5的數(shù)學(xué)、代碼、多模態(tài)推理能力，也達(dá)到長思考SOTA模型OpenAIo1滿血版的水平！而且，這是Kimi...

1.什么是人臉識別？人臉識別技術(shù)，是基于人的臉部特征信息進(jìn)行身份識別的一種生物識別技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進(jìn)而對檢測到的人臉進(jìn)行臉部的一系列相關(guān)技術(shù)，通常也叫做人像識別、面部識別。人臉識別技術(shù)主要是通過人臉圖像特征的提取與對比來進(jìn)行的。人臉識別系統(tǒng)將提取的人臉圖像的特征數(shù)據(jù)與數(shù)據(jù)庫中存儲的特征模板進(jìn)行搜索匹配，通過設(shè)定一個閾值，當(dāng)相似度超過...

研究背景與意義在當(dāng)前的人工智能研究中，如何提升大型語言模型（LLM）的推理能力是一個重要的課題。傳統(tǒng)的推理方法往往依賴于明確的推理步驟和形式化的問題定義，但這在處理復(fù)雜的自然語言任務(wù)時顯得力不從心。本文提出了一種名為“MindEvolution”的進(jìn)化搜索策略，旨在通過利用語言模型生成、重組和優(yōu)化候選答案，以應(yīng)對自然語言規(guī)劃任務(wù)中的推理挑戰(zhàn)。研究的意義在于，它不僅提供了一種新的思路來提升LLM的推理深度，還展示了...

前不久，國產(chǎn)大模型平臺DeepSeek開源的v3模型，受到了AndrejKarpathy等業(yè)內(nèi)大神的盛贊，在算法、數(shù)據(jù)等方面非常棒?，F(xiàn)在，DeepSeek又重磅開源了R1模型。根據(jù)其公布測試數(shù)據(jù)顯示，在美國AIME2024測試中R1拿下79.8分，超過了OpenAI的o1模型的79.2分；在MATH500，R1為97.3分，同樣超過了o1的96.4分；在SWEbenchVerified，R1為49.2分再次超過了o1的48.9分。而在代碼測試Codeforces中，R1僅比o1模型低0.3分；MMLU低1分；GPQA低4.2分...

文章鏈接：https:arxiv.orgpdf2412.04449項(xiàng)目鏈接：https:github.comMCGNJUpMoD亮點(diǎn)直擊MoD機(jī)制的引入：通過選擇性處理重要視覺token，顯著減少計(jì)算負(fù)擔(dān)，提升模型效率。創(chuàng)新的TanhNorm與STRing設(shè)計(jì)：解決了MoD模塊在多模態(tài)訓(xùn)練中的穩(wěn)定性和性能問題，即使在有限數(shù)據(jù)下也能精準(zhǔn)評估token的重要性。PRD策略：通過逐層減少保留token的比例，針對視覺token的冗余問題提供了有效的解決方案，大幅提高計(jì)算效率。全面的實(shí)驗(yàn)驗(yàn)證：在多...