HelloWorld 开发者社区
科技资讯
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
Argus 0.5.0 发布:新增进程控制,完善原生 Windows 任务管理
MetaForge 2026.0.0 发布,整合数据库工作台与可视化分析
开源项目
全部项目推荐好文
R语言使用Rasch模型分析学生答题能力|附代码数据
全文链接:http://tecdat.cn/?p10175(https://link.segmentfault.com/?encE54giPb35Run0IOsLGZNRA%3D%3D.WP4SLRk0I6JP1AKbVkoMBIGbZAwdO8Z6%2FgppU69luXk%3D)
R语言分段回归数据分析案例报告
原文链接:http://tecdat.cn/?p3805(https://link.segmentfault.com/?encQaHI36xAdDb4Z4ci6fIlhg%3D%3D.DQVEJyBCh1Vp1FAe77JFw6tYDdzWYLJrVQ5JhTBgYo8%3D
【专题】2024年中国企业数智化转型市场研究报告合集PDF分享(附原数据表)
原文链接:https://tecdat.cn/?p35565(https://link.segmentfault.com/?encrzBG8xmZNEwp5Pfx7Z4Mfw%3D%3D.Fikjk23TdraKfm41cX8TaGdkmhftGq2ZBo9JxiOMBtk%3D)
「天工大模型 3.0」4 月 17 日正式发布 —— 同步开源 4000 亿参数 MoE 超级模型
2023年4月17日,昆仑万维发布自研双千亿级大语言模型「天工1.0」正式奠定了国产大模型崛起之路。在即将到来的2024年4月17日,在「天工」大模型一周年之际,昆仑万维重磅宣布,「天工3.0」正式开启公测!「天工3.0」采用4千亿级参数MoE混合专家模型,并将同步选择开源,是全球模型参数最
基于 7 大城市实景数据,清华大学团队开源 GPD 模型
城市,是人们安居乐业的故土,是政府开展经济建设的基石,承载着细腻的人文情怀与宏伟的国家发展脉络。长期以来,管理者一直在探寻更加高效、科学的城市治理方法,解决不同地区资源供给不平衡、交通拥挤、人口流失等问题。在物联网、AI、大数据等技术的加速迭代下,智慧城市应运而生,在越来越多的国家开始了因地制宜的革
基于energy score的out-of-distribution数据检测,LeCun都说好 | NerulPS 2020
<blockquote<p 论文提出用于outofdistributions输入检测的energybased方案,通过非概率的energyscore区分indistribution数据和outofdistribution数据。不同于softmax置信度,energyscore能够
大语言模型中常用的旋转位置编码RoPE详解:为什么它比绝对或相对位置编码更好?
自2017年发表“AttentionIsAllYouNeed”论文以来,Transformer架构一直是自然语言处理(NLP)领域的基石。它的设计多年来基本没有变化,随着旋转位置编码(RoPE)的引入,2022年标志着该领域的重大发展。旋转位置嵌入是最先进的N
基于深度学习的图书管理推荐系统
1、效果图!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/c9e13c379e748addc3b1c1a33fddb8f5.png)2、算法原理使用Keras框架实现一个简单的深度学习推荐
LiftPool:双向池化操作,细节拉满,再也不怕丢特征了 | ICLR 2021
<blockquote论文参考信号处理中提升方案提出双向池化操作LiftPool,不仅下采样时能保留尽可能多的细节,上采样时也能恢复更多的细节。从实验结果来看,LiftPool对图像分类能的准确率和鲁棒性都有不错的提升,而对语义分割的准确性更能有可观的提升。不过目前论文还在准备开源阶段,期待开源后
EfficientNetV2:谷歌又来了,最小的模型,最高的准确率,最快的训练速度 | ICML 2021
<blockquote<p 论文基于trainingawareNAS和模型缩放得到EfficientNetV2系列,性能远优于目前的模型。另外,为了进一步提升训练速度,论文提出progressivelearning训练方法,在训练过程中同时增加输入图片尺寸和正则化强度。从实验结果来看,Ef
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。