- 很多团队一提“提升 AI 效果”就想到微调，我踩过坑之后的结论是：微调往往是最后的选择，而不是第一反应。先问自己：Prompt 真的优化到位了吗？ 大量场景下，一个精心设计的 prompt（明确角色、结构化要求、给足示例）就能达到微调八成的效果，成本却低一个数量级。先用尽 prompt 工程，再考虑下一步。RAG 解决“知识”问题，微调解决“行为”问题。 这个区分是关键：模型缺少领域资料，用... 很多团队一提“提升 AI 效果”就想到微调，我踩过坑之后的结论是：微调往往是最后的选择，而不是第一反应。先问自己：Prompt 真的优化到位了吗？ 大量场景下，一个精心设计的 prompt（明确角色、结构化要求、给足示例）就能达到微调八成的效果，成本却低一个数量级。先用尽 prompt 工程，再考虑下一步。RAG 解决“知识”问题，微调解决“行为”问题。 这个区分是关键：模型缺少领域资料，用...
- 奖励黑客（Reward Hacking），说白了就是 AI 学会了“作弊”：它找到了一个能拿高分的取巧办法，却没有真正完成你希望它做的事。为什么这是个麻烦事Lilian Weng 认为，这不仅仅是技术上的小毛病，而是在现实世界里大规模部署更自主的 AI 的主要障碍之一。尤其是现在大模型（LLM）训练严重依赖人类反馈强化学习（RLHF），这个问题变得更加关键。奖励黑客的两种主要“作弊”方式钻环... 奖励黑客（Reward Hacking），说白了就是 AI 学会了“作弊”：它找到了一个能拿高分的取巧办法，却没有真正完成你希望它做的事。为什么这是个麻烦事Lilian Weng 认为，这不仅仅是技术上的小毛病，而是在现实世界里大规模部署更自主的 AI 的主要障碍之一。尤其是现在大模型（LLM）训练严重依赖人类反馈强化学习（RLHF），这个问题变得更加关键。奖励黑客的两种主要“作弊”方式钻环...
- Post-fire Recovery of Soil Organic Layer Carbon in Canadian Boreal Forests, 2015-2018简介本数据集提供了加拿大西北地区（NWT）两个生态区共 511 个森林样地的土壤湿度、土壤有机层厚度、土壤有机碳含量、非维管植物功能群、林分优势度、生态区、火灾后时间、杰克松比例和落叶林比例等数据。这些样地分布于 2015... Post-fire Recovery of Soil Organic Layer Carbon in Canadian Boreal Forests, 2015-2018简介本数据集提供了加拿大西北地区（NWT）两个生态区共 511 个森林样地的土壤湿度、土壤有机层厚度、土壤有机碳含量、非维管植物功能群、林分优势度、生态区、火灾后时间、杰克松比例和落叶林比例等数据。这些样地分布于 2015...
- 用 pylance 把 pandas/PyArrow 数据写成 Lance 数据集，并完成读取、追加、过滤和版本回读的基础实测。 用 pylance 把 pandas/PyArrow 数据写成 Lance 数据集，并完成读取、追加、过滤和版本回读的基础实测。
- 长上下文的内幕：模型如何"记住"两百万字摘要：从几千到百万级 Token，模型上下文窗口在两年里扩大了数百倍。但这背后的技术不是一句"堆算力"能概括的：位置编码如何扩展、注意力如何避开平方爆炸、为什么"标称长度"和"有效长度"是两回事。本文拆解长上下文的技术内幕，并给出使用长上下文的正确姿势。 一、上下文窗口为什么难做Transformer 的自注意力机制有个先天缺陷：每个 Token 都... 长上下文的内幕：模型如何"记住"两百万字摘要：从几千到百万级 Token，模型上下文窗口在两年里扩大了数百倍。但这背后的技术不是一句"堆算力"能概括的：位置编码如何扩展、注意力如何避开平方爆炸、为什么"标称长度"和"有效长度"是两回事。本文拆解长上下文的技术内幕，并给出使用长上下文的正确姿势。 一、上下文窗口为什么难做Transformer 的自注意力机制有个先天缺陷：每个 Token 都...
- 过去一周，两个开源模型在做同一件事——不靠堆参数提升能力——却走了两条几乎相反的路。10月30日，商汤开源 SenseNova-Loop-9B-Preview，让同一组权重在前向传播里跑两遍；DeepSeek-V4.1-Flash-1017 则把近 2000 亿参数放进一张按需查询的“记忆表”，甚至可以放在 SSD 上。一个是用算力换深度，一个是用存储换知识。一、Loop：同一块权重，跑两遍... 过去一周，两个开源模型在做同一件事——不靠堆参数提升能力——却走了两条几乎相反的路。10月30日，商汤开源 SenseNova-Loop-9B-Preview，让同一组权重在前向传播里跑两遍；DeepSeek-V4.1-Flash-1017 则把近 2000 亿参数放进一张按需查询的“记忆表”，甚至可以放在 SSD 上。一个是用算力换深度，一个是用存储换知识。一、Loop：同一块权重，跑两遍...
- 一个 12B 的 MoE 模型，架构一点没改，SWE-bench Verified 却从 2.0% 涨到 47.0%。这是 JetBrains 对 Mellum2.1 的自报成绩。10 月 30 日，带多 token 预测（MTP）头的版本又上线 Hugging Face，目标很明确：做一个能在本地跑、能真正在仓库里改代码的 Agent 工人。一、架构没变，变的是训练Mellum2.1 沿用... 一个 12B 的 MoE 模型，架构一点没改，SWE-bench Verified 却从 2.0% 涨到 47.0%。这是 JetBrains 对 Mellum2.1 的自报成绩。10 月 30 日，带多 token 预测（MTP）头的版本又上线 Hugging Face，目标很明确：做一个能在本地跑、能真正在仓库里改代码的 Agent 工人。一、架构没变，变的是训练Mellum2.1 沿用...
- 当大多数人谈论大模型时，脑海中浮现的往往是通用聊天机器人。但华为的盘古大模型走了一条不同的路——它从一开始就瞄准了企业级和行业级应用，用"三层架构"把基础模型的能力真正送到了矿山、气象站和政务大厅里。这篇文章带你全面了解华为大模型家族的技术细节、产品矩阵和落地实践。---## 一、盘古大模型家族概览华为盘古大模型并非单一模型，而是一个**多模态、多层次**的模型家族。它采用经典的**三层架构... 当大多数人谈论大模型时，脑海中浮现的往往是通用聊天机器人。但华为的盘古大模型走了一条不同的路——它从一开始就瞄准了企业级和行业级应用，用"三层架构"把基础模型的能力真正送到了矿山、气象站和政务大厅里。这篇文章带你全面了解华为大模型家族的技术细节、产品矩阵和落地实践。---## 一、盘古大模型家族概览华为盘古大模型并非单一模型，而是一个**多模态、多层次**的模型家族。它采用经典的**三层架构...
- 通用大模型虽然博学，但在医疗、法律、金融或垂直企业内部，往往因为缺乏行业“专业常识”而频频翻车。本文将带你实操，如何利用华为云 ModelArts 与主流开源框架，结合 LoRA 技术对大模型进行轻量化微调，打造专属的行业垂直大模型。 通用大模型虽然博学，但在医疗、法律、金融或垂直企业内部，往往因为缺乏行业“专业常识”而频频翻车。本文将带你实操，如何利用华为云 ModelArts 与主流开源框架，结合 LoRA 技术对大模型进行轻量化微调，打造专属的行业垂直大模型。
- 本文介绍声纹识别的核心原理，并以开源 SpeechBrain ECAPA-TDNN 模型为例，通过双录音身份核验、多人声纹库匹配两个 Python 案例，展示如何构建一个本地声纹识别系统。 本文介绍声纹识别的核心原理，并以开源 SpeechBrain ECAPA-TDNN 模型为例，通过双录音身份核验、多人声纹库匹配两个 Python 案例，展示如何构建一个本地声纹识别系统。
- 《强化学习与最优控制》第 1.2 节 · 随机动态规划确定性 DP 中，给定状态和控制，下一状态完全确定。现实中，环境往往有随机性——掷骰子、天气变化、市场需求波动。引入随机扰动后，DP 框架需要做两个关键调整。 一、随机系统方程xk+1=fk(xk,uk,wk),k=0,1,…,N−1x_{k+1} = f_k(x_k, u_k, w_k), \quad k = 0, 1, \ldots,... 《强化学习与最优控制》第 1.2 节 · 随机动态规划确定性 DP 中，给定状态和控制，下一状态完全确定。现实中，环境往往有随机性——掷骰子、天气变化、市场需求波动。引入随机扰动后，DP 框架需要做两个关键调整。 一、随机系统方程xk+1=fk(xk,uk,wk),k=0,1,…,N−1x_{k+1} = f_k(x_k, u_k, w_k), \quad k = 0, 1, \ldots,...
- Arctic Vegetation Plots, Poplars, Arctic and Interior AK and YT, Canada, 2003-2005简介本数据集提供了 2003 年至 2005 年间采集的 32 个香脂杨（Populus balsamifera L.，杨柳科）植被样地的植被覆盖度和环境数据，这些样地分布于阿拉斯加北极坡以及阿拉斯加和育空地区的内陆北方森林中。每... Arctic Vegetation Plots, Poplars, Arctic and Interior AK and YT, Canada, 2003-2005简介本数据集提供了 2003 年至 2005 年间采集的 32 个香脂杨（Populus balsamifera L.，杨柳科）植被样地的植被覆盖度和环境数据，这些样地分布于阿拉斯加北极坡以及阿拉斯加和育空地区的内陆北方森林中。每...
- 引言RLHF 把人类偏好压缩成二元选择，模型被拉向大众共识。10月29日，可穿戴脑机接口公司 Sabi 发布 RLNF（神经反馈强化学习）：不让人打分，直接用被试看图时的脑电（EEG）和眼动当奖励，微调图像生成模型。样本很小，但思路值得拆开看。一、实验是怎么搭的5名被试被动观看420张“锚点”人脸，同时记录 EEG 与眼动，无需按键。以后顶叶 alpha 波（8–13 Hz）抑制为代表的唤醒... 引言RLHF 把人类偏好压缩成二元选择，模型被拉向大众共识。10月29日，可穿戴脑机接口公司 Sabi 发布 RLNF（神经反馈强化学习）：不让人打分，直接用被试看图时的脑电（EEG）和眼动当奖励，微调图像生成模型。样本很小，但思路值得拆开看。一、实验是怎么搭的5名被试被动观看420张“锚点”人脸，同时记录 EEG 与眼动，无需按键。以后顶叶 alpha 波（8–13 Hz）抑制为代表的唤醒...
- 本文介绍文本扩散的基本原理，并以开源 LLaDA 和 DreamOn 为例，通过结构化文本生成与代码自动补全两个案例，探索这种模型的实际能力与应用潜力。 本文介绍文本扩散的基本原理，并以开源 LLaDA 和 DreamOn 为例，通过结构化文本生成与代码自动补全两个案例，探索这种模型的实际能力与应用潜力。
- 没必要的事情不需要消耗时间精力与金钱 没必要的事情不需要消耗时间精力与金钱
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签