AI产品研发总监

TechLead

代码在线跑，知识轻松学

Python精品学习库

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

博客搬家 | 分享价值百万资源包

往期视频·干货材料·成员作品 最新动态

技术创作特训营·精选知识专栏

新邀入驻腾讯云开发者社区，福利多多！

如何运用「云、端融合的数智化安全体系」高效护航数据安全

左手AI，右手安全 —— 一汽丰田数字化转型之路

利用Ollama本地LLM（大语言模型）搭建AI的REST API服务是一个实用的方法。下面是一个简单的工作流程。

使用Ollama部署本地LLM：构建AI REST API的简易指南

虽然LLM的巨大规模赋予了它们在各种用例中的出色性能，但这也在其应用于现实世界问题时带来了挑战。在本文中，我将讨论如何通过压缩LLM来克服这些挑战。我将从概述关键概念开始，接着通过Python代码展示一个具体的示例。

大模型应用曙光 - 10X压缩技术

关注TechLead，复旦AI博士，分享AI领域全维度知识与研究。拥有10+年AI领域研究经验、复旦机器人智能实验室成员，国家级大学生赛事评审专家，发表多篇SCI核心期刊学术论文，上亿营收AI产品研发负责人。

为大模型提供服务需要多少 GPU 显存？

OpenAI推出了o1，这是一种通过强化学习训练的大型语言模型，专门用于进行复杂的推理任务。o1在回答问题之前会“思考”，能够在响应用户之前生成一条长的内部思维链。

OpenAI o1模型揭秘：通过LLMs学习推理能力

2024年9月12日，OpenAI正式推出全新的推理模型系列——OpenAI o1。这款全新AI模型系列专为解决复杂问题而设计，能够在响应前花费更多时间进行思考，并通过深入推理应对比以往模型更具挑战性的科学、编程和数学问题。

重磅发布：OpenAI o1全新推理模型系列

复旦大学，王龑博士后领衔，发布《静态与动态情感的面部表情识别》（A Survey on Facial Expression Recognition of Static and Dynamic Emotions）综述，对基于图像的静态面部表情识别（SFER）和基于视频的动态面部表情识别（DFER）方法进行了全面综述，从模型导向的发展到挑战聚焦的分类进行了系统分析。

复旦大学王龑团队发布《静态与动态情感的面部表情识别》综述

驱动程序的兼容性对于CUDA的正常运行至关重要。在Linux系统中，驱动程序的安装与配置常常面临各种问题。本文将详细列举驱动程序兼容性问题及其解决方案，确保能够顺利配置和使用CUDA环境。

CUDA常见驱动程序兼容性问题一览

在当今竞争激烈的市场环境中，企业和投资者对财务信息的获取与分析要求越来越高。上市公司财务报表作为评估公司财务健康和未来发展的重要依据，提供了大量关键信息。

【RAG实战】基于TextIn打造上市公司财务报表智能问答系统

TextIn发布了文档解析测评工具，https://github.com/intsig/markdown_tester ，定量测评文档解析还原的效果。

聊聊文档解析测评工具中表格指标

今天向大家介绍一款全面展示文档解析产品能力的工具——TextIn文档解析测评工具，https://github.com/intsig/markdown_tester

文档解析效果全维度测评标准开源

Diffusion扩散模型是一类基于概率扩散过程的生成模型，近年来在生成图像、文本和其他数据类型方面展现出了巨大的潜力和优越性。该模型利用了扩散过程的逆过程，即从一个简单的分布逐步还原到复杂的数据分布，通过逐步去噪的方法生成高质量的数据样本。

详解Diffusion扩散模型：理论、架构与实现

Retrieval-Augmented Generation（RAG）是一种结合了检索和生成技术的自然语言处理（NLP）模型。该模型由Facebook AI提出，旨在提升生成式模型在处理开放域问答、对话生成等任务中的性能。RAG模型通过引入外部知识库，利用检索模块（Retriever）从大量文档中提取相关信息，并将这些信息传递给生成模块（Generator），从而生成更加准确和有用的回答或文本。

RAG技术架构与实现原理

在机器学习领域，数据是驱动模型训练的核心资源。然而，获取大量带标签的数据往往是昂贵且耗时的过程。半监督学习（Semi-Supervised Learning, SSL）通过利用大量未标记的数据和少量标记的数据，有效地缓解了这一问题。SSL不仅能够减少对标记数据的依赖，还能够在许多实际应用中提升模型的性能。

半监督学习算法及其实现

强化学习（Reinforcement Learning, RL）是机器学习中的一个重要分支，其目标是通过与环境的交互来学习决策策略，以最大化长期累积奖励。在强化学习中，智能体（agent）通过执行一系列动作来影响环境，从而获得反馈信号，即奖励（reward）。这种学习机制模仿了生物体在自然界中的学习过程，因此具有很强的现实意义和应用前景。

强化学习详解：理论基础与基础算法解析

无监督学习（Unsupervised Learning）是一类机器学习任务，其中算法在没有标签的情况下，从未标记的数据中学习模式和结构。与有监督学习不同，无监督学习不依赖于预定义的输出，而是从数据本身提取信息，用于发现数据的内在规律和特征。

无监督学习：从理论到实践的全面指南

监督学习线性回归、逻辑回归、决策树、支持向量机、K近邻、朴素贝叶斯算法精讲，模型评估精讲

监督学习6大核心算法精讲与代码实战

多模态融合（Multimodal Fusion）是指结合来自不同模态（如视觉、听觉、文本等）的数据，以提升信息处理和理解能力的技术方法。多模态数据通常具有不同的物理性质和信息特征，通过融合这些多模态信息，可以获得更全面和准确的理解。这种融合过程可以发生在数据层、特征层和决策层：

全面盘点多模态融合算法及应用场景

生成式AI（Generative AI）作为人工智能的一个重要分支，通过学习大量的数据生成新的数据样本，在多个领域取得了令人瞩目的进展。生成式AI不仅在学术研究中激发了广泛的兴趣，也在工业应用中展示了巨大的潜力，推动了图像生成、文本生成、视频生成等领域的快速发展。

生成式AI核心技术详解：从GANs到Transformers

词向量（Word Vector）或词嵌入（Word Embedding）是自然语言处理（NLP）中的一项基础技术，它允许我们将自然语言中的词汇表示为实数向量。这些向量通常存在于一个高维空间内，其中每一个维度都可能代表着某种语义属性。通过这种转换，机器学习模型可以捕捉到词语之间复杂的关系，如语义相似性、反义、上下位关系等。

词向量发展历程：技术及实战案例

关系抽取（Relation Extraction, RE）是自然语言处理（NLP）领域的一个重要任务，其主要目的是从文本中识别实体（entities）之间的预定义语义关系。这一任务对于构建知识图谱、信息检索、问答系统等应用至关重要，因为它能够帮助机器理解和利用文本中的结构化知识。

探索关系抽取技术：常用算法与应用

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋 

腾讯云代码助手

CODING DevOps

Cloud Studio

SDK中心

API中心

命令行工具

腾讯云开发者社区推出了TechLead专栏，为你提供了TechLead的相关文章，致力于帮助开发者快速成长与发展。

TechLead

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐