lora

FastAPI + Ollama 实战：搭一个能查天气的AI助手我盯着手机，脑子里闪过一万个念头：从头训练？没卡；调API？数据出局；用开源模型？怎么让它懂实时天气？

垂域大模型评估不再靠“感觉”：用结构化测试集+自动化打分实现效果可量化当前大模型在垂直领域的落地已从“能不能跑”进入“跑得好不好”的阶段。开发者普遍发现，微调一个模型或搭建一套RAG系统并不算最难，真正的瓶颈在于缺乏一套可靠、高效、可复现的评估机制。很多团队依赖人工试用，靠“感觉”判断模型是否变好，这种做法在初期或许可行，但一旦进入迭代优化阶段，主观判断无法支撑工程决策。尤其在企业场景中，业务文档高度专业化，通用评测集（如MMLU、C-Eval）覆盖不足，而人工构造高质量测试集成本极高。更棘手的是，模型可能在训练损失下降的同时，出现知识幻觉、逻辑断裂或通用能力退化等问题，这

无名修道院

自学AI制作小游戏核心目标：纯 Windows CPU 环境、全程零成本使用开源工具 / 免费模型，学完能独立完成「本地部署 AI + 开发 Agent→AI 自动生成游戏内容→零代码制作小游戏；

基于泰山派PiKVM的多电脑KVM共享方案（HDMI采集+虚拟USB键鼠+无缝切换+剪贴板/文件共享）泰山派（全志T113-S3）是适配PiKVM的高性价比嵌入式开发板，具备硬件HDMI IN采集（TC358743芯片）、USB OTG（Host/Device双模）、HDMI OUT、千兆网口等核心特性，完美适配KVM场景。本方案基于泰山派实现多台电脑共享一套物理键鼠、HDMI视频低延迟预览、无缝屏幕切换、剪贴板双向同步、文件拖放功能，完全替代传统KVM切换器，且具备软件灵活扩展优势。

勇气要爆发

Docker+Ollama+LangChain：从零搭建企业级“隐私优先”本地 RAG 知识库 (附源码)作者：飞哥（一个喜欢讲故事的全栈开发者，擅长把复杂的代码翻译成“人话”）难度：⭐⭐⭐⭐ 关键词：Ollama, Llama 3, Docker, Docker Compose, RAG, LoRA

LLCC68 L型与π型匹配网络的调试方法详细拆解L型与π型匹配网络的调试方法，紧扣LLCC68芯片特性及915MHz/433MHz频段需求，结合官方参数与实测表格数据，区分优先级与场景适配，确保与原有文档内容衔接流畅、逻辑闭环。

LLM语言模型Lora微调我们在使用LLM的时候,有些情况下需要改变LLM模型的特性,比如 1 按照某种格式输出 2 调整输出语气 3 让模型回答它是由谁构建的 4 增加专业领域知识

ManThink Technology

两步实现在ThinkLink平台上的告警功能ThinkLink 的告警通知功能是基于平台强大的 RPC (Remote Procedure Call) 机制实现的。通过将告警逻辑封装在触发联动模型中，平台能够根据设备上报的数据实时判断是否达到告警条件，并调用预设的 alarm 类型 RPC 消息，实现告警的触发和消除，并通知相关用户或系统。

使用 `ms-swift` 微调 Qwen3-VL-2B 详细指南本文仅针对图片OCR场景训练。租赁的AutoDL服务器，配置如下：使用情况如下：综上，不用租配置太高的显卡。

Swift SFT Qwen-VL LoRA 微调指令详解接上文：使用 ms-swift 微调 Qwen3-VL-2B 详细指南这条指令是使用 ModelScope Swift 框架对 Qwen-VL（视觉语言大模型）进行 LoRA 微调的完整脚本。

超越LoRA：参数高效强化学习方法的全面评估与突破随着大语言模型在数学推理等复杂任务中展现出卓越能力，基于可验证奖励的强化学习（RLVR）已成为进一步提升模型推理能力的主流范式。然而，面对计算资源密集的RL训练，如何选择最优的参数高效方法成为关键问题。本文首次对12种PEFT方法在RLVR场景下进行了系统性评估，挑战了默认使用标准LoRA的惯例，揭示了结构变体、SVD初始化策略和表达性下限等重要发现。

在CH585M代码中如何精细化配置PMU（电源管理单元）和RAM保留CH585M的低功耗核心是「PMU下电模式」和「RAM保留分级」的组合，两者直接决定休眠功耗：CH585M的SDK提供了2个核心函数，是精细化配置的基础，先理解参数含义：

【大模型进阶】视频课程2 LORA微调原理深度解析+LLaMA Factory实操指南：小白也能玩转大模型定制链接: 1.大模型lora微调的原理链接: 2.LlamaFactory介绍与linux安装链接: 3.LlamaFactory微调qwen，改变模型自我认知

物联网云平台数据库选型与搭建全指南（NRF52840, CH585M,ESP32-S3的硬件资源要求选型对比、方案设计、搭建步骤）物联网云平台最流行：时序数据库（InfluxDB/TDengine）+ 关系型数据库（PostgreSQL）+ 缓存（Redis）的组合（90%以上物联网平台采用）；

物联网云平台数据库选型与搭建全指南（LoRaWAN）物联网云平台最流行：时序数据库（InfluxDB/TDengine）+ 关系型数据库（PostgreSQL）+ 缓存（Redis）的组合（90%以上物联网平台采用）；

计算 CH584M-SX1262-W25Q16 组合最低功耗 (1)要计算 CH584M（MCU）+ SX1262（LoRa模块）+ W25Q16（串行Flash）组合的最低功耗，需基于器件数据手册，提取各器件“仅保留必要唤醒能力（CH584M保留IO唤醒+RTC唤醒，SX1262保留唤醒触发能力）、其余功能全关”的最深度低功耗模式参数，再通过“并行叠加”计算总功耗（低功耗模式下各器件独立耗电，无额外协同损耗）。

基于 Qwen2.5 与 LLaMA-Factory 的 LoRA 微调实战本文将详细介绍如何在 Windows 环境下（单卡 8G 显存），利用 LLaMA-Factory 框架对 Qwen2.5-1.5B 模型进行 LoRA 微调，并通过 Ollama 实现本地部署。我们将通过人设注入（Identity Injection），把通用的 AI 模型训练成一位名为 Elaine 的专属助手。

高精度人数统计传感器揭秘为何要安装高准确率的人数统计设备？在商业运营与安全管理的双重需求下，高准确率人数统计设备已从 “可选配置” 升级为 “核心基建”。精准的客流数据不仅能为商业决策提供数据支撑，推动业绩增长，更能筑牢安全防线，实现风险预警与秩序维护，全方位破解企业运营痛点，构建高效、可靠的智能运营生态。

土丁爱吃大米饭

AIGC开发游戏素材之序列帧动画在 AI 驱动的数字艺术创作领域，像素艺术作为一种独特的视觉风格，正经历着前所未有的技术革新。2D Pixel Toolkit LoRA作为专门为独立游戏开发训练的像素风生成模型，通过低秩适应（LoRA）技术，实现了对基座模型的高效微调，能够生成真正的像素图而非模糊的伪像素图。该模型由开发者 "始于空 006" 创作，最初为自用目的训练，后因考虑独立游戏产业发展需要而公开发布，旨在帮助游戏开发者快速生成高质量像素素材。（CivitAI和LiblibAI都可以下载和使用）

ICCV`25 | 视频交互“随心所欲”！复旦&通义万相等开源DreamRelation:让想象力从此无边界项目链接：https://dreamrelation.github.io/ 文章链接：https://openaccess.thecvf.com/content/ICCV2025/papers/Wei_DreamRelation_Relation-Centric_Video_Customization_ICCV_2025_paper.pdf 开源链接：https://github.com/ali-vilab/DreamRelation