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
DeePTB|神经网络与量子力学融合,突破传统紧束缚模型
紧束缚模型(TightBindingModel,TBModel)作为计算电子结构的等效哈密顿量方法,相对于第一性原理方法,具有尺寸小效率高的优点,在研究纳米尺度或者更大体系的电子性质,探究剖析物理现象的深层机制具有巨大优势。不过,TB模型的构建却不是一件容易的事情。根据构建T
AI for Science——漫步晶体结构搜索
晶体结构对材料性质有很大的影响,就像房子的设计图对房子性能有决定作用一样。要了解和改进材料,首先要研究它的晶体结构。晶体结构预测是根据化学组分,通过计算机模拟得到晶体可能形成的稳定或相对稳定的结构。这就好比只知道一份房屋材料清单,通过计算可以设计出多种不同的房屋结构。晶体结构预测可以帮助
GAN!生成对抗网络GAN全维度介绍与实战
<blockquote<p本文为生成对抗网络GAN的研究者和实践者提供全面、深入和实用的指导。通过本文的理论解释和实际操作指南,读者能够掌握GAN的核心概念,理解其工作原理,学会设计和训练自己的GAN模型,并能够对结果进行有效的分析和评估。</p<p作者TechLead,拥有10年互联网
使用Pytorch和OpenCV实现视频人脸替换
“DeepFaceLab”项目已经发布了很长时间了,作为研究的目的,本文将介绍他的原理,并使用Pytorch和OpenCV创建一个简化版本。本文将分成3个部分,第一部分从两个视频中提取人脸并构建标准人脸数据集。第二部分使用数据集与神经网络一起学习如何在潜在空间中表示人脸,并从该表示中重建人脸图像
R语言PCA主成分、lasso、岭回归降维分析全球气候变化对各国土地面积影响|附代码数据
全文链接:http://tecdat.cn/?p31445(https://link.segmentfault.com/?enchJS24hcUjZmRTbj%2FZR95JA%3D%3D.QQhdkNjorl4h1RhYVG1lx9y5D9NmEl1UQ1wAxJVgQtE%3D)
R语言神经网络模型预测多元时间序列数据可视化|附代码数据
全文链接:http://tecdat.cn/?p32198(https://link.segmentfault.com/?encBF2uTRLzzVnjp871TGuMcg%3D%3D.O4aYMFZWh9M08tZw4hZ2WGgj27AajcezFMK8Zf17a%2Fo%3D)
R语言BUGS/JAGS贝叶斯分析: 马尔科夫链蒙特卡洛方法(MCMC)采样|附代码数据
全文链接:http://tecdat.cn/?p17884(https://link.segmentfault.com/?encocIpgiGpJ8V3s1vt5zIvng%3D%3D.KCquzFV73051%2FFRX%2BR%2FFfWr93j8DG45jp37qifPiD7Y
R语言lasso惩罚稀疏加法(相加)模型SPAM拟合非线性数据和可视化
全文链接:https://tecdat.cn/?p33462(https://link.segmentfault.com/?encE8JWp2uLt0%2BrEKkD4PF6cg%3D%3D.%2BZU5jSZmZnMwoXk6KzbfqMIMDX2WuHZlTG%2Ff2Zea904
GPT大语言模型引爆强化学习与语言生成模型的热潮、带你了解RLHF。
GPT大语言模型引爆强化学习与语言生成模型的热潮、带你了解RLHF。!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/8c655045e0e024f5d68464d06331ab8a.png)随着ChatGPT
迈入大模型时代的深度学习:使用 Flash Attention 技术让 Transformer 起飞
Transformer是ChatGPT等大语言模型的核心技术之一,而注意力机制是其的关键部分。但是,标准的注意力实现具有二次时间和内存复杂度,使其在长序列任务上变慢并消耗大量显存。这限制了Transformer能够建模的上下文长度,同时使得大尺度模型的训练和推理时间延长。Fla
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。


