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
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化|附代码数据
原文链接:http://tecdat.cn/?p23689 (https://link.segmentfault.com/?encKWkkUB0AQ6BZwZJoPfTnwg%3D%3D.kv6%2BLJB9EIA83nzhTxzGvgZ24PaGBdK5VrmuOSdp80E%3D)
R语言面板平滑转换回归(PSTR)分析案例实现|附代码数据
全文下载链接:http://tecdat.cn/?p3765(https://link.segmentfault.com/?enc0xPUdxVFs9buq6no60CtDg%3D%3D.4YYSUWECMuHoNp5a0nbROnU1lmWUaGFGIGyOr6K%2BN
【视频】风险价值VaR原理与Python蒙特卡罗Monte Carlo模拟计算投资组合实例|附代码数据
原文链接:http://tecdat.cn/?p22862 (https://link.segmentfault.com/?enchOMyPIDHsrTD3qghp3SPdA%3D%3D.fywfN%2FBwK0D2LVEE6kdnX43kACGWcY%2FyxNEACZf7%2FgU
视频课程|R语言bnlearn包:贝叶斯网络的构造及参数学习的原理和实例
全文链接:http://tecdat.cn/?p32462(https://link.segmentfault.com/?enctLF2L7F5VA3SmKZ9jhhm6w%3D%3D.AiItGCfLS1AH%2F0RircqoMUJbDrD0Tfedhg6PqGD7DUA%3D)
OpenAI 和谷歌最怕的,是一张开源笑脸
「我们没有护城河,OpenAI也没有。」在最近泄露的一份文件中,一位谷歌内部的研究人员表达了这样的观点。这位研究人员认为,在这场激烈的AI竞赛中,虽然谷歌与OpenAI在你追我赶,但真正的赢家未必会在这两家中产生,因为有股第三方力量正在崛起。这个力量就是「开源社区」,它才是谷歌和
常用的表格检测识别方法-表格区域检测方法(上)
<pre<code常用的表格检测识别方法</code</pre表格检测识别一般分为三个子任务:表格区域检测、表格结构识别和表格内容识别。本章将围绕这三个表格识别子任务,从传统方法、深度学习方法等方面,综述该领域国内国外的发展历史和最新进展,并提供几个先进的模型方法。3.
Midjourney|文心一格prompt教程[Text Prompt(下篇)]:游戏、实物、人物、风景、动漫、邮票、海报等生成
Midjourney|文心一格prompt教程TextPrompt(下篇):游戏、实物、人物、风景、动漫、邮票、海报等生成,终极模板教学场景6:游戏Prompt真的越长越好吗?按照Midjourney的官方文档里的说法,并不一定:<bloc
Midjourney|文心一格prompt教程[Text Prompt(上篇)]:品牌log、App、徽章、插画、头像场景生成
Midjourney|文心一格prompt教程TextPrompt(上篇):品牌log、App、徽章、插画、头像场景生成,各种风格选择:科技风、运动风1.撰写TextPrompt注意事项Midjourney跟ChatGPT在prompt的使用上有很多不
GPT大语言模型Vicuna本地化部署实践(效果秒杀Alpaca) | 京东云技术团队
背景上一篇文章《GPT大语言模型Alpacalora本地化部署实践(https://segmentfault.com/a/1190000043796372)》介绍了斯坦福大学的Alpacalora模型的本地化部署,并验证了实际的推理效果。总体感觉其实并不是特别理想,原始Al
LoRA:大模型的低秩自适应微调模型
对于大型模型来说,重新训练所有模型参数的全微调变得不可行。比如GPT3175B,模型包含175B个参数吗,无论是微调训练和模型部署,都是不可能的事。所以Microsoft提出了低秩自适应(LowRankAdaptation,LoRA),它冻结了预先训练好的模型权重,并将可训练的秩的分解矩
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。


