LLM Weekly（2025.05.05-05.11）

已于 2025-05-15 10:26:29 修改
阅读量256 收藏
点赞数 14
分类专栏： LLM Daily LLM Weekly 文章标签： 人工智能
于 2025-05-15 09:58:57 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/147975823
版权

在这里插入图片描述
😎 网络新闻

  1. Google推出升级版Gemini 2.5 Pro预览版

    • 通过增强的交互式Web应用构建能力、代码转换与多模态推理功能，Gemini 2.5 Pro以领先WebDev竞技场排行榜（较上一代+147 Elo分）成为开发者新宠。现已在Google AI Studio开放预览，显著降低工具调用失败率并提升Web开发效率。

  2. Mistral AI发布Mistral Medium 3模型

    • 以1/8的成本提供顶尖性能，简化企业部署流程。该模型在代码生成与多模态理解领域超越Cohere Command A和Llama 4 Maverick等竞品，并支持Amazon Sagemaker等主流云平台快速部署。

  3. Anysphere完成9亿美元估值融资

    • 旗下AI编程工具Cursor的开发商Anysphere获Thrive Capital领投的9亿美元融资（估值90亿），Andreessen Horowitz与Accel跟投。此前Cursor曾以26亿估值融资1亿美元，竞争对手Windsurf亦受资
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【datawhale组队学习】coze-ai-assistant TASK01
m0_52024881的博客
05-13 773
通过扣子开发的 AI 应用有明确的输入和输出，可以根据既定的业务逻辑和流程完成一系列简单或复杂的任务，例如 AI 搜索、翻译工具、饮食记录等。工作流具备了： 大量的重复性任务 （如内容创作、编辑、发布）和 固定的业务流程 （如策划、创作、审核、发布）。的 AI 项目，它通过对话方式接收用户的输入，由大模型自动调用插件或工作流等方式执行用户指定的业务流程，并生成最终的回复。教程：Coze / 扣子（飞书文档）10. 教程：Coze / 扣子。4万字教程-COZE/扣子与智能体入门（飞书文档）
Recraft.ai：赋能专业设计师的 AI 创意引擎
weixin_44903776的博客
05-12 1437
Recraft.ai 是一款专为专业设计师打造的 AI 创意引擎，集图像生成、编辑、矢量化、协作于一体，旨在提升设计效率与创意表达。其核心功能包括 AI 图像生成器、矢量生成器、照片编辑器等，支持风格一致性与品牌化，适用于 Logo 设计、图标制作、广告素材等多个场景。Recraft.ai 强调“设计师主导”理念，提供完全掌控、高效协作与简化工作流程的优势，帮助设计师节省时间并提升作品质量。目前提供免费试用，适合设计师与设计爱好者探索 AI 创意的无限可能。
RiDoc：高效文档扫描与图像处理工具，助力高效办公
2501_90839605的博客
05-15 716
高效压缩算法：在保证图像质量的同时显著减小文件体积，适合存储和传输需求。多格式兼容：支持主流图像格式（BMP/JPEG/PNG/TIFF）及PDF、Word文档的导入与导出。OCR功能强大：内置多语言OCR识别，可直接提取扫描文档中的文字并编辑，无需手动输入。操作便捷：界面简洁直观，拖拽式操作降低学习成本，支持一键扫描、批量处理。安全性高：提供水印添加、加密传输等保护措施，防止文档泄露或篡改。
Baklib智能云平台加速企业数据治理
weixin_51374429的博客
05-13 1240
Baklib智能云平台通过一站式数字资源管理、知识库构建及多场景内容系统搭建，实现企业图文音视频全资产统一存储与智能分类，结合AI驱动的高效数据预处理能力，显著提升知识沉淀效率和治理规范性，助力客户服务、内部协作与数字资产价值释放。
【AI】“CUDA” 到底是什么？（AI 计算民主化，第二部分）
u011808788的博客
05-14 764
似乎每个人都在去年开始谈论CUDA ：它是深度学习的支柱，是新型硬件难以竞争的原因，也是NVIDIA 护城河和飙升市值的核心。DeepSeek的出现，让我们获得了一个惊人的发现：它的突破是通过“绕过” CUDA，直接进入 PTX 层实现的……但这究竟意味着什么？似乎每个人都想打破这种锁定，但在制定计划之前，我们必须了解我们面临的是什么。本文是 Modular “ AI 计算民主化”系列文章的第二部分。更多信息，请参阅：第一部分：DeepSeek 对 AI 的影响第二部分：“CUDA”到底是什么？
5月12日day23打卡
2503_91003121的博客
05-12 977
5月12日打卡day23@浙大疏锦行
什么是深度神经网络
kcarly的专栏
05-11 1003
深度神经网络通过多层次的非线性变换和自动化特征学习，在多个领域实现了革命性突破。其核心技术包括反向传播、激活函数和正则化方法，而结构设计（如CNN、ResNet）和优化算法（如Adam）的进步进一步释放了模型潜力。尽管面临可解释性、计算成本等挑战，随着多模态融合、轻量化设计和新型硬件的发展，DNN将继续推动人工智能的边界，深刻影响科技与社会的发展。
开源的跨语言GUI元素理解8B大模型：AgentCPM-GUI
最新发布
直达开源前线，冲冲冲！
05-15 517
AgentCPM-GUI 是由清华大学自然语言处理实验室与 ModelBest 联合开发的开源大模型，基于 MiniCPM-V 架构，拥有 80 亿参数，专为移动终端 GUI 操作设计。该模型通过接收屏幕截图作为输入，自动执行用户任务，具备高质量 GUI 定位、中文应用适配、强化推理规划和紧凑动作空间设计等关键特性。在基准测试中，AgentCPM-GUI 在多个指标上表现优异，尤其在复杂 GUI 场景下的任务执行能力显著领先。其技术架构结合了多模态融合和强化学习，训练数据涵盖大规模双语 Android 数据
逃离 AI 困境：保障 “说不” 的权利，守护数字自由
2401_86652632的博客
05-13 604
在当今时代，人工智能（AI）的身影无处不在，深刻地改变着人们的生活与社会的运转模式。从手机上智能语音助手的贴心服务，到电商平台精准推送的个性化商品；从工作中自动化流程的高效处理，到医疗领域辅助诊断的精准决策，AI 如同一张无形却有力的大网，将人们紧紧包裹其中。然而，并非所有人都对 AI 的全面渗透欣然接受，在 AI 带来诸多便利的背后，也隐藏着一些问题，使得部分人渴望能够避开 AI，回归纯粹的 “人类” 生活。今天，就让我们深入探讨 “避开 AI 的困境” 以及保障人们 “选择不使用 AI” 权利的重要性。
【AI智能推荐系统】第八篇：可解释AI在推荐系统中的实践与价值
2501_91845348的博客
05-11 1364
可解释推荐正在从合规需求演变为核心竞争力，通过增强透明度和信任感创造显著商业价值。然而，解释准确性、多模态表达、评估标准等挑战仍需持续突破。在下一篇中，我们将深入探讨边缘计算与实时推荐系统的技术实现，揭示如何在资源受限环境下实现毫秒级推荐响应，敬请期待！提示语：📢“订阅解锁完整专栏！下篇将揭秘抖音、特斯拉如何用边缘AI实现实时推荐，终端智能核心技术全解析！
【AI】mcp server本质就是一个接口服务么
2301_76933862的博客
05-12 1085
以下为元宝的回答：你的理解非常准确！​​本质上是一个接口服务，但其设计目标、交互逻辑和使用场景与传统后端接口存在显著差异。
AFM模型：如何让特征交叉更智能，提升推荐系统性能
机器学习，深度学习
05-15 476
因子分解机（FM）是一种监督学习方法，它通过引入二阶特征交互来增强线性回归模型。尽管效果显著，但FM对所有特征交互采用相同权重的建模方式可能成为其局限，因为并非所有特征交互都具有同等效用和预测性。例如，与无关特征产生的交互甚至可能引入噪声从而降低模型性能。本研究通过区分不同特征交互的重要性来改进FM，提出了一种名为注意力因子分解机（AFM）的新模型，该模型通过神经注意力网络从数据中学习各特征交互的重要性。
边缘计算网关工业物联网应用：空压机远程运维监控管理
ZLWL2013的博客
05-14 344
例如，当振动传感器检测到异常振动时，结合其他相关参数，如温度、压力等，利用故障诊断算法判断可能出现的故障类型，如轴承磨损、叶轮不平衡等，并给出相应的故障诊断报告。通过边缘计算网关在工业物联网中的应用，实现了空压机的远程运维监控管理，提高了设备的可靠性、运行效率和能源利用率，降低了运维成本和停机时间，为工业生产的稳定运行提供了有力保障。本地数据处理：在边缘端对采集到的大量数据进行预处理，如数据清洗、滤波、归一化等，去除噪声和无效数据，减少数据传输量，提高数据质量，为后续的分析和决策提供可靠的数据支持。
绝缘子缺陷检测数据集VOC+YOLO格式1566张3类别
FL1623863129的博客
05-12 384
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["aging","defect","dirty"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注数量(xml文件个数)：1566。标注数量(txt文件个数)：1566。标注规则：对类别进行画矩形框。
【东枫科技】使用LabVIEW进行深度学习开发
凡森
05-11 859
展示了使用 MLP（多层感知机）架构对 MNIST 手写数字图像进行分类任务的神经网络构建与训练过程。展示了使用 CNN（卷积神经网络）架构进行 MNIST 图像分类任务的构建与训练。在 LabVIEW 中构建、配置、训练、可视化和部署深度神经网络（DNN）展示了基于 YOLO 架构的目标检测预训练网络部署过程（实时摄像头示例）。展示了如何自动加载配置文件和权重文件来部署预训练网络。展示了将预训练模型部署至 NI 实时系统的过程。展示了如何在 GPU 上加速训练和部署过程。单台电脑 5000美元。
多模态大语言模型arxiv论文略读（六十九）
Jamence的博客
05-11 996
本文从数据驱动的角度全面回顾了MLLMs的文献，探讨了预训练和适应阶段的多模态数据准备方法，分析了数据集的评估方法，并回顾了评估MLLMs的基准。具体包括数据收集的来源、数据处理的方法（如过滤、去重和增强）、数据选择的方法（如主动学习、分布无关和分布相关选择），以及数据评估的方法和评估基准。➡️ 实验设计：本文没有具体描述实验设计，而是通过文献回顾的方式，总结了不同阶段的数据处理方法和评估标准，包括数据收集的来源、数据处理的方法、数据选择的方法，以及数据评估的方法和评估基准。
Transformer架构介绍+从零搭建预训练模型项目
qq_63036514的博客
05-13 869
Transformer是一种革命性的神经网络架构，由Vaswani等人在2017年提出，彻底改变了自然语言处理领域。它完全基于自注意力机制，摒弃了传统的循环和卷积结构，具有强大的并行计算能力和长距离依赖捕捉能力。Transformer的核心组件包括编码器和解码器，编码器由输入嵌入层、位置编码和多个编码器层组成，解码器则包含输出嵌入层、位置编码和解码器层。自注意力机制通过计算查询、键和值的点积来捕捉序列中的依赖关系，而多头注意力则通过并行计算多个注意力头来增强模型的表达能力。Transformer的训练机制包
智能校园管理系统：AI+Python如何重塑智慧校园？
Echo_Wish
05-14 23
Echo_Wish的新专栏《Python进阶》和《Python！实战！》正式启动，旨在帮助Python开发者提升技能。专栏内容包括深入解析Python高级概念、实战案例、学习指导以及前沿技术分享，适合不同水平的编程爱好者。此外，文章还探讨了智能校园管理系统的构建，展示了如何利用AI和Python技术解决传统校园管理中的问题，如考勤、安防和资源调度等。通过人脸识别、异常行为检测和二维码预订等技术的应用，智能校园管理系统能够提高管理效率，优化资源分配，并推动教育管理的数字化转型。
数字人OEM源码部署/数字人源码结构分析
2501_91141449的博客
05-12 666
通过对各种场景的深入分析和预设，集星云推数字人能够根据用户的操作和环境变化，自动、流畅地切换到相应的场景，并加载对应的内容和功能。此外，配合先进的动画生成算法，集星云推数字人能够根据不同的场景和指令，做出各种自然、生动的动作，无论是简单的手势还是复杂的全身动作，都能轻松应对，为用户带来沉浸式的交互体验.不过，在面对众多的开源项目时，我们需要谨慎选择。明确各业务模块之间的关联性和交互模式，有助于在部署阶段正确配置并启动所需的服务，从而保证集星云推数字人系统的顺畅运行，为用户提供稳定、高效的数字人服务.
LLM-2307.04346.pdf
10-27
1. The paper proposes using Large Language Models (LLMs) to generate property-based tests for API documentation. 2. The LLMs can write logic for generating random inputs and derive meaningful property assertions from the API documentation. 3. The potential of using LLMs for Property-Based Testing (PBT) is demonstrated in Figure 2. 4. The LLMs can be instructed to write generator functions or property assertions to check the properties of the result. 5. The study investigates whether LLMs can write good property-based tests for APIs.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值