<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[weixin_29090089的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/weixin_29090089</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; weixin_29090089]]></copyright><item><title><![CDATA[DeepSeek医疗私有化训练环境部署与多卡排错指南]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170745188</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170745188</guid><author>weixin_29090089</author><pubDate>Fri, 13 Nov 2026 10:27:59 +0800</pubDate><description><![CDATA[私有化训练环境可以理解为把GPU驱动、CUDA运行时、Python依赖和数据管道固定在内网的一套工程底座。其关键在于驱动版本与PyTorch cu118 wheel的运行时匹配、多卡DDP的进程调度，以及长文本batch导致的显存峰值管理。把这些基础层做稳，才能降低OOM、依赖冲突和标签越界等问题的排查成本。在医疗数据不出院区的场景中，DeepSeek本地化部署常基于A100多卡机器，配合Ubuntu Server、Anaconda环境隔离、MySQL病历存储和Pandas清洗完成训练闭环；再以短样本冒烟验]]></description><category></category></item><item><title><![CDATA[世界模型作为可微分物理引擎：具身智能训练新范式]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170685375</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170685375</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 15:24:33 +0800</pubDate><description><![CDATA[具身智能训练长期面临真实数据采集昂贵、仿真与真实存在sim2real gap的两难困境。世界模型通过在内部学习环境预测，让智能体在想象中试错；可微分物理引擎则把物理仿真改造为可反传梯度的计算图，提升优化效率。OrbiSim提出将二者统一，主张“世界模型作为可微分物理引擎”，使环境模拟同时具备可学习性与可微性，输出可参与端到端学习的梯度信号。该方向在策略优化、系统辨识、数据增强与世界模型校准等场景具有实际价值，为机器人学习与仿真训练提供了新的分析框架。]]></description><category></category></item><item><title><![CDATA[AI芯片选型实战：从57种到120多种，避开算力陷阱的完整方法论]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170678192</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170678192</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 15:23:41 +0800</pubDate><description><![CDATA[AI芯片是人工智能基础设施的核心，其选型直接决定推理系统的性能、成本与落地效率。芯片的峰值算力指标常以TOPS标注，但不同精度、负载和持续运行状态下的真实表现可能相差数倍。选型时需综合考量显存带宽、功耗能效比、软件生态成熟度及TCO总拥有成本，而非单一参数排序。从云端训练、云端推理到边缘端侧，不同场景的“够用”标准各异：训练侧重互联与稳定性，推理侧关注单位成本与延迟，边缘端则受功耗墙和模型量化约束。完整选型流程应包含粗筛选、定量评分卡与实机验证，用真实业务模型跑出稳定吞吐和延迟数据，才能避开参数陷阱，在12]]></description><category></category></item><item><title><![CDATA[昇思MindSpore大模型数据标注方案对比与实操指南]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170675274</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170675274</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 14:37:59 +0800</pubDate><description><![CDATA[在昇思MindSpore大模型构建中，数据标注是决定训练效果的关键环节。标注方案不仅影响生成mindrecord文件的质量，更直接传导至模型收敛速度与泛化能力。面对人工标注、模型辅助标注与规则自动标注等主流路径，开发者需依据任务类型与资源约束权衡质量、成本和效率。本文从数据加载链路出发，解析标注噪声对指令微调与预训练的影响，并给出从JSON/XML等格式转换至mindrecord的实操案例，同时总结质量质检与闭环迭代策略，为昇思生态下的数据集构建提供可落地的选型参考。]]></description><category></category></item><item><title><![CDATA[VoiceStudio：语音内容处理流水线搭建与工程实践]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170682326</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170682326</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 14:16:17 +0800</pubDate><description><![CDATA[语音内容生产通常涉及采集、降噪、转写、合成、混音与导出等多个环节，核心是把离散工具串成可重复的音频流水线。其原理是以统一采样率、位深和显式参数为基准，通过 ffmpeg 等命令行工具完成静音检测、响度归一、动态处理，并借助语音识别生成时间戳、语音合成与音色克隆完成文本到声音的转换。技术价值在于降低格式转换与人工搬运成本，保证不同批次结果一致、可追溯、可断点重跑。适合播客、有声书、短视频口播及语音研发等场景。VoiceStudio 正是围绕这一思路，把采集、清洗、转写、合成、后期收进同一工作台，帮助个人创作者]]></description><category></category></item><item><title><![CDATA[PyTorch零基础入门：从环境搭建到图像分类实战]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170667689</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170667689</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 13:46:19 +0800</pubDate><description><![CDATA[神经网络训练的核心是数据表示、梯度计算与参数更新，而深度学习框架正是为了简化这一闭环而出现。张量作为数据的基本载体，支持自动求导机制，让反向传播不再依赖人工推导。PyTorch凭借动态计算图和贴近Python的语法，成为研究与实践中的主流选择。从环境配置到模型训练，再到图像分类项目落地，本文以可运行的完整流程展示一个典型深度学习任务。以MNIST手写数字识别为例，通过全连接网络完成数据加载、模型定义、损失计算和参数优化，帮助初学者建立从理论到工程的完整认知。无论是CPU还是GPU环境，掌握张量操作、训练循环]]></description><category></category></item><item><title><![CDATA[ComfyUI分享包1.0：零基础玩转节点式AI绘画工作流]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170665943</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170665943</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 13:33:07 +0800</pubDate><description><![CDATA[AI绘画已成为内容创作领域的热门技术，而Stable Diffusion生态中，ComfyUI凭借节点式工作流设计，为用户提供了比传统WebUI更精细的生成控制能力和更高的显存利用效率。节点化思维将模型加载、提示词编码、采样、解码等环节拆解为可视化连线，既降低了批量出图与二次开发的工程门槛，也推动了工作流的可复用与社区共享。从文生图、图生图到局部重绘与高清放大，节点式管线使复杂任务变得清晰可控。本文以一套预打包的ComfyUI分享包1.0为切入点，详解环境搭建、模型放置、核心工作流拆解及爆显存等常见问题排查]]></description><category></category></item><item><title><![CDATA[VoiceStudio：本地人声处理与ASR/TTS流水线工作台]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170683932</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170683932</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 12:40:57 +0800</pubDate><description><![CDATA[音频处理常被误解为单一模型问题，实际涉及采集、降噪、ASR转写、TTS合成、混音与交付等多环节协同。原理在于将长链路拆成可回退的独立步骤，保留中间产物，以参数配置和目录契约保证可复现性。其技术价值是降低错误定位成本，让本地与云端后端灵活切换，兼顾交互试听与批量生产。对播客制作、有声书录制、课程配音、访谈转写等应用场景，稳定流水线比追逐单点模型更关键。VoiceStudio正是围绕人声组织的本地工作台，把采集、清理、转写、生成、润色、交付串成一条线，适合个人口播到批量音频生产的工程实践。]]></description><category></category></item><item><title><![CDATA[面向视觉语言模型的强化隐空间推理：先分解、看、再推理]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170733396</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170733396</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 11:39:21 +0800</pubDate><description><![CDATA[视觉问答是多模态推理的典型入口：模型不仅要识别图像，还要把问题、证据和答案对齐。显式思维链在视觉语言模型中常受注意力稀释、自回归错误锁定和语言先验覆盖影响，容易出现“看到了却答错”。更通用的思路是把复杂问题分解为可定位子问题，每次重聚焦图像证据，再在连续隐空间完成推演，并用强化学习优化这条不可见轨迹。其技术价值在于降低离散化损失、节省上下文预算、提升视觉依赖与可解释性，适用于图表问答、文档理解、界面截图分析等场景。围绕EMNLP'26的强化隐空间推理工作，可看到从分解、重聚焦到奖励设计与工程落地的完整链路。]]></description><category></category></item><item><title><![CDATA[colibri权重调度器：12G显存跑70B MoE模型的卸载与调优]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170684568</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170684568</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 11:02:20 +0800</pubDate><description><![CDATA[大模型推理的显存墙，本质是权重、KV cache 与激活值三块开销叠加的结果。权重卸载通过把模型参数拆成细粒度块存放在内存或本地磁盘，再以受控显存缓存按需调入，配合 LRU 淘汰与预取双缓冲，将 PCIe 搬运与 GPU 计算重叠。其技术价值是在有限显存下继续运行更大模型，但上限由 PCIe 带宽与访问局部性决定，缓存命中率成为核心指标。在 MoE 混合专家架构中，每 token 仅激活少数专家，短期路由集中，局部性天然适合这种权重调度；稠密模型则容易退化为逐 token 全量搬运。colibri 正是在现]]></description><category></category></item><item><title><![CDATA[强化学习入门：从播种与施肥决策实战DQN建模]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170683466</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170683466</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 10:50:46 +0800</pubDate><description><![CDATA[强化学习通过智能体与环境交互学习最优策略，其核心要素包括状态空间、动作空间和奖励函数。在实际工程中，复杂任务常被拆解为多个局部决策以降低建模难度。以农业种植模拟场景为背景，播种决策和施肥决策分别对应离散动作与连续动作控制问题。基于DQN算法，结合经验回放和目标网络，可有效训练稳定策略；连续动作则可通过离散化处理，或进一步迁移至DDPG。奖励设计需平衡产量、成本与约束，并注意探索-利用平衡。该思路适用于调度、控制、推荐等各类决策场景。]]></description><category></category></item><item><title><![CDATA[具身智能六大核心算法：从感知到行动的完整工作流解析]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170681515</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170681515</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 10:26:03 +0800</pubDate><description><![CDATA[具身智能并非单一算法，而是多个算法协同构成的完整链路。从3D视觉感知物体位姿，到SLAM建立空间记忆，再到任务规划、运动控制与强化学习，最后通过仿真到真机迁移实现系统落地，每个环节都缺一不可。理解这条工作流，是掌握具身智能技术价值的关键——它让机器人能感知环境、做出决策并稳定执行，从而在仓储分拣、工业检测、家庭服务等场景中真正发挥作用。本文从工作流视角拆解六大核心能力域，帮助学习者和从业者建立从算法到系统的全局认知，为深入学习具身智能提供清晰脉络。]]></description><category></category></item><item><title><![CDATA[oh-my-hermes：智能体部署与配置管理快速上手指南]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170705284</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170705284</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 10:15:38 +0800</pubDate><description><![CDATA[智能体（Agent）是当前AI应用开发中的核心概念，它通过大模型驱动任务规划、工具调用与上下文管理，实现从简单问答到复杂工作流的自动化执行。要运行这样一个智能体运行时，通常需要面对模型接入、API Key管理、容器部署等底层细节，稍有不慎便容易踩坑。hermes作为一款模型无关的智能体执行框架，支持对接DeepSeek等主流模型服务，并能与agentflow、anysearch等工具协同工作。而oh-my-hermes则是一套围绕hermes的快速部署与配置管理方案，将容器启动参数、模型网关配置、环境变量注]]></description><category></category></item><item><title><![CDATA[AI发展史：从图灵到深度学习的关键人物与贡献盘点]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170677073</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170677073</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 09:54:19 +0800</pubDate><description><![CDATA[人工智能的演进并非某位天才的单点突破，而是理论、算法、数据与工程实践不断交汇的结果。从图灵测试首次将“机器能否思考”转化为可检验的工程问题，到反向传播算法让多层神经网络真正可训练，再到卷积网络与ImageNet数据集推动深度学习复兴，每一个里程碑都对应着可复现的实验与开源工具。理解这些核心思想，能帮助开发者厘清技术脉络，从感知机、MLP到CNN与Transformer的演进中建立全局认知，并明晰数据集、公开课与大模型规模化路线对行业落地的真实价值。本文按时间线梳理AI领域杰出人物的技术贡献，并附上从NumP]]></description><category></category></item><item><title><![CDATA[AI Agent工具链选型：用A/B测试与置信区间替代轶事决策]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170682714</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170682714</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 09:29:42 +0800</pubDate><description><![CDATA[A/B测试是量化对比方案效果的核心方法，它通过控制变量、重复实验和统计推断，帮助技术团队从“感觉更好”走向“证据可追溯”。在AI Agent工具链选型中，底层模型、提示词模板、工具调用框架等任一环节的改动都可能导致效果波动，而传统手工测试难以区分方案差异与随机噪声。将A/B测试引入Agent工具链，需要围绕任务集、对照组、裁判模型和统计分析构建最小实验框架，以任务成功率、延迟、成本和稳定性为核心指标，并借助置信区间判断差异是否真实。这种离线任务集与多次重复的方式，特别适合成本高、链路长、结果难以单一埋点的A]]></description><category></category></item><item><title><![CDATA[深圳汽车视觉动画团队选型指南：需求拆解、报价流程与踩坑实录]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170668777</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170668777</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 09:27:13 +0800</pubDate><description><![CDATA[在汽车营销线上化趋势下，视觉动画成为品牌传递产品价值的核心载体，从发布会CG大片到官网3D配置器再到短视频切片，均需高水准三维制作支撑。其实现原理依托于模型构建、材质光照模拟以及实时引擎渲染等数字技术，而不同终端对动画质感、交互响应和交付周期要求悬殊。对需求方而言，掌握供应商选型逻辑与成本结构至关重要，可有效降低沟通损耗和返工风险。深圳作为电子信息与新能源汽车产业重镇，沉淀了大量汽车动画服务团队，涵盖影视级CG、实时交互、虚拟制片及短视频运营等不同类型。文章结合实际制片经验，系统梳理了需求拆解、团队甄别、报]]></description><category></category></item><item><title><![CDATA[Agent-Reach 解析：从能力注册到跨 Agent 协作的触达编排层]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170677649</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170677649</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 09:22:40 +0800</pubDate><description><![CDATA[在 Agent 开发中，模型本身只是决策单元，真正决定它能否落地的，是能否通过一套中间层去触达外部工具、数据和其他 Agent。这类能力注册与路由识别层向下屏蔽 API、数据库差异，向上提供统一调用视图，同时负责上下文与 agent 记忆的传递，以及跨 Agent 协作的协议适配。它让 harness 与 agent 的分工更清晰，把工具描述、意图路由、多步编排从提示词里抽出来，显著降低 token 成本并提升调用准确率。在售后处理、多 Agent 任务交接等场景中，这层触达能力是 Agent 从 demo]]></description><category></category></item><item><title><![CDATA[人形机器人ODM与具身智能：从仿真到量产的技术演进]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170681860</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170681860</guid><author>weixin_29090089</author><pubDate>Thu, 12 Nov 2026 09:19:48 +0800</pubDate><description><![CDATA[机器人技术正从专用设备走向通用智能平台，其核心在于让机器具备感知、规划与自主执行能力。而仿真建模与强化学习作为关键技术手段，能够以低成本、高效率的方式训练复杂运动策略，并通过域随机化解决从虚拟到现实的迁移难题。当前，开源社区与工具链的成熟极大降低了入门门槛，使得开发者可以基于标准化的硬件模块快速验证算法。随着供应链标准化与制造模式升级，ODM工厂模式开始出现，人形机器人正从实验室走向小批量产线。这种趋势推动了具身智能在工业制造、物流巡检等结构化场景中的早期落地。本文围绕人形机器人五年发展路径，梳理具身智能技]]></description><category></category></item><item><title><![CDATA[Agent五层架构深度拆解：从模型到应用，40+概念分层归属与工程选型指南]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170633996</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170633996</guid><author>weixin_29090089</author><pubDate>Wed, 11 Nov 2026 16:52:15 +0800</pubDate><description><![CDATA[Agent系统开发中，模型推理、工具调用与多Agent协作是核心环节。MCP协议通过标准化工具发现与调用，解决了模型与外部工具通信的碎片化问题；LangGraph则以图编排和状态机机制，支撑复杂任务流转与Checkpoint中断恢复。这些技术共同构建了从模型层到应用层的五层架构，将变化隔离在单层内部，提升系统可维护性与可观测性。在客服、知识助手、自动化工作流等场景中，分层设计能有效降低调试复杂度，实现从Demo到生产的平稳过渡。理解Agent分层架构，是应对工程化挑战的关键一步。]]></description><category></category></item><item><title><![CDATA[RPA+Agent招聘提效：从简历解析到面试闭环的企业级落地框架]]></title><link>https://blog.csdn.net/weixin_29090089/article/details/170575128</link><guid>https://blog.csdn.net/weixin_29090089/article/details/170575128</guid><author>weixin_29090089</author><pubDate>Wed, 11 Nov 2026 16:29:52 +0800</pubDate><description><![CDATA[企业流程自动化正从单一脚本执行向智能体协同演进。RPA解决跨系统操作的确定性问题，Agent负责语义判断和内容生成，两者结合能够构建一条可编排、可追踪、可交付的业务链路。在招聘场景中，这套组合不仅覆盖简历收取、结构化解析、候选人匹配、面试邀约与结果回写等重复性操作，更将每个节点的状态沉淀为数据，让招聘漏斗从经验判断转向数据驱动。文章从四层架构、状态机设计、接口集成、交付验收与长期演进等角度，提供了一套适用于中大型企业的落地框架，帮助团队避开常见陷阱，真正把自动化转化为稳定的业务能力。]]></description><category></category></item></channel></rss>