机器学习

硅谷秋水21 分钟前
人工智能·机器学习·语言模型·机器人
从VLM规划器到机器人智能体:面向依赖历史信息的操控任务自演化框架26年10月来自中科大、上海AI实验室、上海交通大学、阿联酋MBZAI和浙大的论文“From VLM Planners To Robotic Agents: Self-evolving Harnesses for History-dependent Manipulation”。
我登哥MVP12 小时前
人工智能·深度学习·神经网络·机器学习·自然语言处理·agent
DeepSeek-Harness-Super-Agent-学习笔记笔记对象笔记原则在 2026 年下半年这个时间点,关于 Agent 的文章多到读不完,但绝大多数可以归入两类:一类是"我又用某个框架搭了一个多智能体",展示的是可能性;另一类是"某模型又刷新了某个 benchmark",展示的是能力上限。这两类文章的共同点是,它们都在讨论单个 Agent 能做多难的事。
Spidermanbaout15 小时前
人工智能·机器学习·ai·chatgpt·ai编程
Prompt-Engineering实战-2026年11月2日更新时间: 2026 年 11 月 2 日 适合人群: AI 应用开发者、产品经理、正在把 Prompt 用到生产环境的人 关键词: Prompt Engineering|结构化输出|评测集|上下文工程|版本管理 一句话结论: Prompt 不是“万能咒语”,而是由目标、上下文、输出契约和评测组成的工程接口。先定义成功,再改提示词。
无咎.lsy20 小时前
笔记·机器学习
《机器学习》笔记模型拟合问题,本质是:模型对训练数据中的“真实规律”和“噪声”学习得是否恰当。拟合得太差叫欠拟合,拟合得太好但把噪声也学进去叫过拟合,理想状态是恰当拟合。
武子康20 小时前
人工智能·算法·机器学习
Qwen-Drive 到底是什么:4B 级 VLM 如何成为驾驶策略底座如果你准备把 Qwen-Drive 接入一个驾驶研究服务,最先要决定的接口可能很小:服务返回一条轨迹,还是一组候选?假设同事顺手用了 result.trajectory,界面画出一条五秒路线,接入就算完成了吗?
方方洛1 天前
人工智能·分布式·机器学习
ray教程-28-附录G-CICD与Slurm与云上调度仓库地址:github.com/hhk-png/cyc…这份附录回答三个正文没展开的问题:Ray 应用的 CI/CD 长什么样、 只有 Slurm 没有 Kubernetes 的集群上怎么跑 Ray、 云上这套东西到底花多少钱。最后补一节"Ray 和 Airflow 这类编排器怎么接"。 四节按同一个标准写:能给全的命令给全,给不出的版本号、字段名、默认值 一律写 未确认 —— 示例代码请当骨架读,不要当"照抄就能跑"。
迪菲赫尔曼1 天前
运维·服务器·人工智能·机器学习·计算机视觉
【基础篇 26】第一次在服务器完成训练:准备数据、断线继续、检查成果与备份YOLO从零到论文:模型改进与科研实战全攻略YOLO基础篇 · A26 作者:迪菲赫尔曼大家好,我是迪菲赫尔曼。
硅谷秋水1 天前
人工智能·机器学习·计算机视觉·机器人
RoboAtom:机器人学习的大规模原子-动作监督论文:“RoboAtom: Large-scale Atomic-ActionSupervision For Robot Learning”, 2026年10月,来自上海人工智能实验室、浙江大学、复旦大学、清华大学和上海交通大学。
lucas_AI1 天前
机器学习
扩散语言模型之争有了理论裁决: masked 之外的两派突然追平,还各有胜场💡 一句话总结:自回归模型一个 token 一步太慢,「扩散式并行生成」被认为是大模型的未来——但扩散内部又分三个流派(masked / uniform / Gaussian),谁最可并行一直靠跑分感觉。清华的理论工作第一次给出渐近级裁决:被看好的 masked 扩散在特定条件下需要 d 步,而 uniform/Gaussian 只需 √d 步——差距是数量级的,而且原因和大家想的完全不一样。
在猴站学算法1 天前
学习·算法·机器学习·统计学习
(《统计学习方法》(第2版) 李航)第2章 感知机算法摘要:本文以苹果与梨的水果分类案例为切入点,系统梳理感知机从模型、学习策略到学习算法的完整脉络,介绍原始形式的更新公式、收敛性证明与对偶形式,并进一步扩展到口袋算法、表决感知机、平均感知机和带边缘感知机等变体。对比了几种算法的思路与适用场景,区分函数边缘与几何边缘。
硅谷秋水1 天前
人工智能·机器学习·语言模型·机器人
OpenRUA 方法分析论文:OpenRUA: Robot-Use Agents Are Zero-Shot Visuomotor Policies,UCL / CMU,arXiv 2610.02459, 2026.10.
Rocky Ding*1 天前
论文阅读·人工智能·深度学习·机器学习·aigc·ai-native·ai agent
【三年面试五年模拟】2026-11-01_字节跳动AI Agent全栈研发一面面经全解析欢迎大家关注Rocky的知乎:Rocky Ding 《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源:【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book,欢迎大家Star~
Godspeed Zhao1 天前
学习·机器学习
从零开始学AI24——无监督学习之K均值聚类 (Clustering),就是**“物以类聚”**的算法版。如果说监督学习(如分类)是**“有老师教”**:老师拿着苹果和梨,告诉你“这是苹果,这是梨”,然后让你去认。
云和数据.ChenGuang2 天前
开发语言·人工智能·python·机器学习·php
LangGraph 异步 Node 的设计与写法实践在构建基于大模型的智能体(Agent)应用时,一个绕不开的现实是:几乎所有耗时操作都是 I/O 密集型的。调用 LLM 接口、查询向量数据库、请求外部工具 API、读写文件……这些操作如果全部同步串行执行,一个稍复杂的 Agent 图跑下来动辄几十秒甚至几分钟。
天诰2 天前
java·服务器·人工智能·python·机器学习·ai编程
SA-K-11 检索会消失吗与四个未解问题系列导航:00 系列导航 · 01 四类知识 · 02A 解析五环 · 02B 断裂修复 · 03 切分标定 · 04 查询理解 · 05 混合检索与重排 · 06 引用验证 · 07 知识新鲜度 · 08 多源一致性 · 09 管道门禁 · 10 全簇总结 · 本篇(11)
龙腾AI白云2 天前
数据库·机器学习·plotly·知识图谱·tornado
仿真到现实(Sim-to-Real)迁移:跨越仿真与现实鸿沟一、仿真训练的价值与现实落差 二、域随机化:以多样性覆盖不确定性 三、域自适应与系统辨识 四、真实数据回填与混合训练 五、评估、风险与可信部署 #人工智能 #大模型 #具身智能 #世界模型
武天旭2 天前
人工智能·深度学习·安全·机器学习
AI安全--AI大模型的对抗样本攻击与防御解析对抗样本攻击是一种通过人为设计的输入数据,在看似正常的情况下诱导模型产生错误预测的攻击方式。其核心机制是:对输入数据施加细微、人类难以察觉的扰动,扰动对人不构成影响,却能显著改变模型输出。它暴露的是大模型的鲁棒性问题,也就是模型应对复杂环境输入的能力不足。
在所不辞兄2 天前
人工智能·深度学习·神经网络·机器学习·智能仿真
为什么神经网络在训练集损失已接近零后继续训练,测试性能仍可能继续提升,而不是单纯地越来越过拟合?神经网络在训练集损失(Loss)接近零后,测试性能仍能提升的现象,被称为**“泛化间隙的滞后收敛”**。这打破了传统统计学习中“训练误差为零即过拟合”的直觉,其本质是模型在零训练误差流形(Zero-Training-Error Manifold)上继续优化,寻找更平坦、更鲁棒的解 。