- 上周有个图像分类的任务在 ModelArts 上跑了两个多小时，最后十分钟因为一个我完全没预料到的原因挂掉，前面的 checkpoint 也因为没配自动保存策略而丢了。那天加班到很晚，但真正让我难受的不是这次失败，而是意识到：我对训练任务的「可恢复性」几乎一无所知，只能靠人肉守着看。这篇文章算是我交过的学费总结，围绕三个问题展开：训练任务怎么配才能在意外中断后自动接上、超参搜索怎么跑才不至于... 上周有个图像分类的任务在 ModelArts 上跑了两个多小时，最后十分钟因为一个我完全没预料到的原因挂掉，前面的 checkpoint 也因为没配自动保存策略而丢了。那天加班到很晚，但真正让我难受的不是这次失败，而是意识到：我对训练任务的「可恢复性」几乎一无所知，只能靠人肉守着看。这篇文章算是我交过的学费总结，围绕三个问题展开：训练任务怎么配才能在意外中断后自动接上、超参搜索怎么跑才不至于...
- PathJev 好不容易做出了更准的模型，却在正文里主动加了一段「换成另一种读出方式，我的校准优势就没了」；Slides Met Scans 在 TCGA 上刷到 C-index 0.760，转头把 CPTAC 外部验证的 0.629 一字不落地写进摘要；Model Merging 那篇的结论干脆是「没有哪 PathJev 好不容易做出了更准的模型，却在正文里主动加了一段「换成另一种读出方式，我的校准优势就没了」；Slides Met Scans 在 TCGA 上刷到 C-index 0.760，转头把 CPTAC 外部验证的 0.629 一字不落地写进摘要；Model Merging 那篇的结论干脆是「没有哪
- 从服务端校验回包、图像相似度判据、鼠标事件位三个细节，复盘一次滑块验证码自动化落地：为什么接缝梯度会求错坐标，为什么垂直方向要锁死，以及为什么弹窗消失不等于验证通过。 从服务端校验回包、图像相似度判据、鼠标事件位三个细节，复盘一次滑块验证码自动化落地：为什么接缝梯度会求错坐标，为什么垂直方向要锁死，以及为什么弹窗消失不等于验证通过。
- 《强化学习的数学原理》赵世钰 著 · 全书回顾这是最后一篇笔记。回顾全书的逻辑脉络，梳理各章之间的关系，并给出一条从本书到实际应用的学习路线。 一、全书的逻辑主线这本书不是算法的罗列，而是一条清晰的逻辑链：每一步都从前一步自然延伸。第1章：定义语言 MDP = (S, A, p, r, γ) ↓第2章：建立方程 贝尔曼方程：v_π = r_π + γP_π v_π ↓第3章：寻找最优... 《强化学习的数学原理》赵世钰 著 · 全书回顾这是最后一篇笔记。回顾全书的逻辑脉络，梳理各章之间的关系，并给出一条从本书到实际应用的学习路线。 一、全书的逻辑主线这本书不是算法的罗列，而是一条清晰的逻辑链：每一步都从前一步自然延伸。第1章：定义语言 MDP = (S, A, p, r, γ) ↓第2章：建立方程 贝尔曼方程：v_π = r_π + γP_π v_π ↓第3章：寻找最优...
- 微调还是不微调：大模型定制化路线选择实战摘要："我们的模型效果不好，是不是该微调？"这是企业 AI 落地中最常见的错误起点。本文给出一套定制化路线的决策框架：什么时候用提示词、什么时候上 RAG、什么时候才真的需要微调，以及决定微调之后，数据、方法与流程怎么走。 一、一个常见的悲剧开头某企业希望模型按公司规范输出合同审查意见。团队的第一反应是微调：攒了两万条历史审查记录，训练一周，效果——... 微调还是不微调：大模型定制化路线选择实战摘要："我们的模型效果不好，是不是该微调？"这是企业 AI 落地中最常见的错误起点。本文给出一套定制化路线的决策框架：什么时候用提示词、什么时候上 RAG、什么时候才真的需要微调，以及决定微调之后，数据、方法与流程怎么走。 一、一个常见的悲剧开头某企业希望模型按公司规范输出合同审查意见。团队的第一反应是微调：攒了两万条历史审查记录，训练一周，效果——...
- 信用卡 PD（Probability of Default，违约概率）是银行信用风险管理中最核心的参数之一。无论是信用卡授信审批、存量客户风险监控，还是预期信用损失（ECL）计量，都离不开对客户未来违约可能性的估计。 信用卡 PD（Probability of Default，违约概率）是银行信用风险管理中最核心的参数之一。无论是信用卡授信审批、存量客户风险监控，还是预期信用损失（ECL）计量，都离不开对客户未来违约可能性的估计。
- 范式转移：推理期计算扩展（Test-Time Compute）与自演进推理架构深度解析在过去数年间，生成式人工智能的发展主要依赖于基于预训练的规模定律（Pre-training Scaling Laws）——通过成倍堆叠模型参数量（Parameters）与海量无监督语料（Tokens），在自回归预预测（Next-Token Prediction）任务上实现更低的模型困惑度（Perplexi... 范式转移：推理期计算扩展（Test-Time Compute）与自演进推理架构深度解析在过去数年间，生成式人工智能的发展主要依赖于基于预训练的规模定律（Pre-training Scaling Laws）——通过成倍堆叠模型参数量（Parameters）与海量无监督语料（Tokens），在自回归预预测（Next-Token Prediction）任务上实现更低的模型困惑度（Perplexi...
- 记录一次用华为云码道 CodeArts 做真实功能迭代的完整过程：幂等接口改造、老代码解读、效率对比与四条实践建议。既讲它好用的地方，也讲它踩坑的地方。 记录一次用华为云码道 CodeArts 做真实功能迭代的完整过程：幂等接口改造、老代码解读、效率对比与四条实践建议。既讲它好用的地方，也讲它踩坑的地方。
- Polar Winds II - Doppler Aerosol WiNd (DAWN) - DC8简介PolarWindsII_DAWN_DC8 是极地风 II - 多普勒气溶胶风 (DAWN) - DC8 数据产品。该产品的数据采集已完成。自 2014 年秋季起，NASA 资助了两项统称为“极地风”的机载野外考察活动，旨在利用多普勒气溶胶风 (DAWN) 激光雷达和其他仪器，对北极大气... Polar Winds II - Doppler Aerosol WiNd (DAWN) - DC8简介PolarWindsII_DAWN_DC8 是极地风 II - 多普勒气溶胶风 (DAWN) - DC8 数据产品。该产品的数据采集已完成。自 2014 年秋季起，NASA 资助了两项统称为“极地风”的机载野外考察活动，旨在利用多普勒气溶胶风 (DAWN) 激光雷达和其他仪器，对北极大气...
- 一、AI智能体开发行业现状与技术趋势随着人工智能技术的快速发展，AI智能体已从实验室走向产业核心，成为驱动企业效率革命的关键引擎。2026年，AI应用发展范式正从追求通用能力转向深入解决垂直领域行业痛点，企业级智能体将在研发、客服、办公自动化等核心业务环节实现规模化部署，逐步具备处理完整业务闭环的能力。在这样的行业背景下，企业对AI智能体定制开发服务的需求日益增长，选择一家专业的开发公司成为... 一、AI智能体开发行业现状与技术趋势随着人工智能技术的快速发展，AI智能体已从实验室走向产业核心，成为驱动企业效率革命的关键引擎。2026年，AI应用发展范式正从追求通用能力转向深入解决垂直领域行业痛点，企业级智能体将在研发、客服、办公自动化等核心业务环节实现规模化部署，逐步具备处理完整业务闭环的能力。在这样的行业背景下，企业对AI智能体定制开发服务的需求日益增长，选择一家专业的开发公司成为...
- 一、智能体应用开发的行业现状与核心挑战2026年，全球AI智能应用市场正经历从技术验证向规模化落地的关键转型。据行业研究显示，该领域市场规模预计从2024年的470亿美元增长至2026年的1200亿美元，年复合增长率达40.15%。这一增长背后，是企业对效率提升、成本优化和智能化转型的迫切需求，同时得益于大语言模型、多模态处理和分布式计算架构的技术突破。当前，AI智能应用开发已进入"重工程化... 一、智能体应用开发的行业现状与核心挑战2026年，全球AI智能应用市场正经历从技术验证向规模化落地的关键转型。据行业研究显示，该领域市场规模预计从2024年的470亿美元增长至2026年的1200亿美元，年复合增长率达40.15%。这一增长背后，是企业对效率提升、成本优化和智能化转型的迫切需求，同时得益于大语言模型、多模态处理和分布式计算架构的技术突破。当前，AI智能应用开发已进入"重工程化...
- OpenAI拟采购谷歌TPU并启动前沿模型优化，标志着AI头部阵营正加速打破单一硬件绑定。面对英伟达高溢价与供应链风险，引入ASIC专用算力成为提升能效比与平摊Token成本的关键路径。算力生态正从单极垄断迈向跨架构与异构云协同的新阶段。 OpenAI拟采购谷歌TPU并启动前沿模型优化，标志着AI头部阵营正加速打破单一硬件绑定。面对英伟达高溢价与供应链风险，引入ASIC专用算力成为提升能效比与平摊Token成本的关键路径。算力生态正从单极垄断迈向跨架构与异构云协同的新阶段。
- 我看过大模型的会话导出内容，发现大模型的“思考过程”总是显得啰嗦、反复提及重复事实，为什么呢？ 一、它的“思考”是逐词预测生成的外部化过程大模型生成文字的本质，是根据前文预测下一个最可能的词，然后把这个词追加到前文，再预测下一个词。这个过程叫自回归生成。这带来一个根本问题：它没有独立的“工作记忆”或“草稿纸”来暂存结论。 模型每一步能依赖的，只有当前上下文窗口里的文字。所以，如果它想“记住”... 我看过大模型的会话导出内容，发现大模型的“思考过程”总是显得啰嗦、反复提及重复事实，为什么呢？ 一、它的“思考”是逐词预测生成的外部化过程大模型生成文字的本质，是根据前文预测下一个最可能的词，然后把这个词追加到前文，再预测下一个词。这个过程叫自回归生成。这带来一个根本问题：它没有独立的“工作记忆”或“草稿纸”来暂存结论。 模型每一步能依赖的，只有当前上下文窗口里的文字。所以，如果它想“记住”...
- 机器学习解决实际问题。涵盖数据预处理（缺失值/类别编码/特征缩放）、特征工程（特征选择/特征构造）、模型选择（线性/树/集成）、超参调优（GridSearch/RandomSearch/Bayesian）、模型评估（ROC/AUC/混淆矩阵）、模型部署（pickle/ONNX）。 文章从技术背景和发展历程入手，帮助读者理解该技术的产生原因和演进脉络。通过对比不同版本的特性变化，分析技术选型的... 机器学习解决实际问题。涵盖数据预处理（缺失值/类别编码/特征缩放）、特征工程（特征选择/特征构造）、模型选择（线性/树/集成）、超参调优（GridSearch/RandomSearch/Bayesian）、模型评估（ROC/AUC/混淆矩阵）、模型部署（pickle/ONNX）。 文章从技术背景和发展历程入手，帮助读者理解该技术的产生原因和演进脉络。通过对比不同版本的特性变化，分析技术选型的...
- 《强化学习的数学原理》赵世钰 著 · 附录 DRL 算法最终都要优化某个目标函数（值函数误差、策略目标等）。梯度下降是最基本的优化方法，附录 D 系统介绍了它的变体和收敛性质。 一、梯度下降的基本形式 批量梯度下降（GD）wt+1=wt−α∇J(wt)w_{t+1} = w_t - \alpha \nabla J(w_t)wt+1=wt−α∇J(wt)每步用全部数据计算精确梯度。 随机... 《强化学习的数学原理》赵世钰 著 · 附录 DRL 算法最终都要优化某个目标函数（值函数误差、策略目标等）。梯度下降是最基本的优化方法，附录 D 系统介绍了它的变体和收敛性质。 一、梯度下降的基本形式 批量梯度下降（GD）wt+1=wt−α∇J(wt)w_{t+1} = w_t - \alpha \nabla J(w_t)wt+1=wt−α∇J(wt)每步用全部数据计算精确梯度。 随机...
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