更多精彩内容,欢迎继续阅读
人这一整年有一个体会越来越深:做AI Agent,真正拉开差距的不是模型选得多强、不是Agent框架用得有多花,而是它能不能在关键时刻拿到它该知道的那些知识。模型自带的知识是死的,有截止日期、有偏见、还会一本正经地胡编;…
阅读更多 →1. 边缘计算与 Agent 的碰撞:为什么要在边缘跑智能体1.1 从一个真实场景说起去年我接手了一个园区安防巡检的项目,需求说起来很简单:摄像头识别到异常行为后,本地直接判断并触发告警,不要什么都往云端传。一开始团队想…
阅读更多 →1. 从“后训练”说起:为什么 Halo 框架值得单独聊大模型这波浪潮里,预训练是烧钱的大工程,动辄千卡万卡、几千万预算,普通团队根本碰不起。但真正让模型从“能说话”变成“能干活”的,其实是后训练阶段——也就是预训练…
阅读更多 →大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…
阅读更多 →当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:
阅读更多 →📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…
阅读更多 →文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…
阅读更多 →一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…
阅读更多 →文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…
阅读更多 →