HelloWorld 开发者社区
科技资讯
微软 MAI Code 2 系列进入 Copilot:按工程任务选择编程模型
OpenAI 发布 GPT-6.2 Astra 与 Sol:专业交付、编程效率与团队选型
Qwen4-Max 发布:百万 Token 上下文、多模态与长任务如何落地
Jync 2.2.1 发布:完善告警通知,修复 CDC 与 ETL 可靠性问题
phimint 0.10.0 发布:终端智能体加入交互输入处理
Cursor 更新安全事件调查:扩展分发、历史凭据与团队排查
SoduWork 开源,尝试用独立审查与插件治理组织智能体交付
百度世界提出智能组织思路,关注 AI 从个人工具进入业务闭环
openKylin 全球生态推广会举行,推进本地化与社区合作
光船 1.1.0 尝鲜版二更新,探索 AI 会话与代码生成结合
开源项目
全部项目推荐好文
GitHub趋势榜第一!蚂蚁技术研究院发布强时序一致性视频处理技术CoDeF
近日,在全球开源平台GitHub上的一项视频处理领域的研究成果热度飙升,发布仅一周时间就在GitHub流行趋势榜单上的Python语言分类中冲到了第一。这就是由蚂蚁技术研究院交互智能实验室打造的最新视频处理算法CoDeF,一项能够高度保持视频时序一致性的的视频处理技术,可以轻松完成视频风格迁移、视频
超越界限:大模型应用领域扩展,探索文本分类、文本匹配、信息抽取和性格测试等多领域应用
超越界限:大模型应用领域扩展,探索文本分类、文本匹配、信息抽取和性格测试等多领域应用随着ChatGPT和GPT4等强大生成模型出现,自然语言处理任务方式正在逐步发生改变。鉴于大模型强大的任务处理能力,未来我们或将不再为每一个具体任务去finetune一个模型,而是使用同一个
StableVideo:使用Stable Diffusion生成连续无闪烁的视频
使用StableDiffusion生成视频一直是人们的研究目标,但是我们遇到的最大问题是视频帧和帧之间的闪烁,但是最新的论文则着力解决这个问题。本文总结了Chai等人的论文《StableVideo:TextdrivenconsistencyawareDiffusionVideo
AIGC如何借AI Agent落地?TARS-RPA-Agent破解RPA与LLM融合难题
!图片(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/a9daba95cf57f309fc5e7ed36d913063.png)文/王吉伟大语言模型(LLM,LargeLanguageModel)的持续爆发,
拨慢人体衰老时钟,MIT 利用 Chemprop 模型发现兼具药效与安全性的细胞抗衰化合物
<blockquote<p内容一览:从光鲜亮丽的明星,到素装淡裹的普通人,大家都会无可避免地老去,经历形容的变化与身体机能的退化。正因为此,人们也在努力寻找延缓衰老的秘方。然而,现有的抗衰老药物总伴有一些副作用。近期,在深度学习的帮助下,《Nature<br/Aging》上发表的一篇研究成果筛
精进语言模型:探索LLM Training微调与奖励模型技术的新途径
精进语言模型:探索LLMTraining微调与奖励模型技术的新途径LLMsTrainer是一个旨在帮助人们从零开始训练大模型的仓库,该仓库最早参考自OpenLlama(https://link.segmentfault.com/?enczb4df6hVcsNPZKF3gG
PIMD|想用深度势能做路径积分分子动力学的同学这下有福了
在做分子动力学模拟的时候,你有没有对这个问题感到过困惑:我模拟的原子那么小,用经典力学的小球模型描述它们的运动精度够吗?为什么对原子的运动不用量子力学?是的,因为原子核比电子要大得多,我们通常使用的「DFT处理电子、牛顿力学处理原子」这套分子动力学框架已经能解决很多问题了。但是,有
微软韦青:滑向冰球将要到达的位置 | 科创人数智思维私董会第9期回顾
2023年8月5日,由科创人、北航投资联手创办的科创人·数智思维私董会第9期圆满举行。!图片(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/a6a34e8b9a66b55e5f8158206dee89ff.png)微软(中国
走进大模型
1、应用大模型AIGC是基于大模型的,而大模型的基础是深度学习。上一篇文章对深度学习进行了初步介绍,首先是深度学习的神经元起源,引发了基于线性函数的模拟,又因为线性函数无法习得逻辑异或,因此引入了非线性的激活函数,再通过三层神经网络给出了MNIST手写数字识别的模型,接着又介绍了神经网
【炼丹侠】如何用GPU服务器实现VGGNet训练
VGGNet是一种深度卷积神经网络,由牛津大学计算机视觉组的研究团队开发。VGGNet的设计思想简单而有效,以深度堆叠的卷积层为主要特点。VGGNet的核心思想是通过多个小尺寸的卷积核和池化层来构建深度网络,具有比较小的感受野。相比于其他网络结构,如AlexNet,VGGNet采用了更深的网络结
正在加载更多文章…
加载更多已加载文章中没有匹配内容,可继续加载更多。


