人工智能

小鸡吃米…

机器学习 - K - 中心聚类摘要：K-中心聚类算法通过选取代表性中心点进行聚类，相比K-均值对异常值更具鲁棒性。其实现步骤包括初始化中心点、分配数据点和迭代更新中心点。使用Python的scikit-learn库可快速实现该算法，其中KMedoids类支持自定义距离度量。虽然算法计算效率较高且支持非欧氏距离，但对簇数k的选择敏感，且在高维数据上性能受限。通过可视化可直观展示聚类结果，中心点以红色叉号标记。

【AI学习-comfyUI学习-第三十节-第三十一节-FLUX-SD放大工作流+FLUX图生图工作流-各个部分学习】最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。FLUX 负责“画得高级、风格强、结构准” SD 负责“放得大、细节补、边缘锐化”

沈浩（种子思维作者）

真的能精准医疗吗？癌症能提前发现吗？你想让我把道AI这份充满量子、分形、医学专业术语的“终极验证报告”翻译成清晰易懂的内容，核心是搞清楚它到底验证了沈浩表格的哪些核心点、得出了什么颠覆性结论，以及这些结论的实际价值。

大模型应用：大模型越大越好？模型参数量与效果的边际效益分析.51我们接触大模型以来，经常听到什么模型有多少亿参数，通常1B/7B/13B/34B/70B/175B或者GPT有 1750 亿参等等这类说法，很容易让我们陷入模型参数量越大，效果越好的误区。但实际应用中，我们在本地化部署大模型时会发现：70B 的超大模型不仅需要天价算力和显存，处理简单的客服对话、文本分类任务时，效果反而和 13B 的模型差不多，这就是“边际效益递减”在起作用。

Cherry的跨界思维

28、AI测试环境搭建与全栈工具实战：从本地到云平台的完整指南在AI技术快速迭代的今天，一个稳定、高效且可扩展的测试环境是保障AI模型质量的基石。无论是数据验证、模型评估还是性能测试，全栈工具链的协同工作都至关重要。

Halcon变量控制类型、数据类型转换、字符串格式化、元组操作Halcon的基础控制类型共5种：string(字符串)、integer(整数)、real(实数/小数)、tuple(元组)、handle(句柄)

【基于YOLOv10n-CSP-PTB的大豆花朵检测与识别系统详解】该数据集名为soy，版本为v1，创建于2023年2月28日，由qunshankj用户提供，采用CC BY 4.0许可证授权。数据集包含1895张图像，所有图像均已进行预处理，包括自动调整像素方向（剥离EXIF方向信息）和拉伸至640x640像素大小，但未应用任何图像增强技术。数据集以YOLOv8格式标注，仅包含一个类别：‘flower’，即大豆花朵。数据集已划分为训练集、验证集和测试集三个部分，适合用于计算机视觉领域的目标检测任务，特别是针对大豆花朵的自动识别与定位研究。该数据集通过qunshankj平台

孤能子视角:“意识“的阶段性回顾，“感质“假说我的问题:1.分析感质假说的实证路径。2.分析乌鸦。信兄回答1:分析感质假说的实证路径。分析EIS理论中“感质-弱关系假说”的实证路径，确实是一个激动人心又充满挑战的任务。结合现有学术探索，我们可以从面临的哲学根本挑战、前沿的科学假说模型，以及基于EIS框架的实证构想三个层面，来构建这幅通往主观体验“内室”的地图。

【数据挖掘】数据挖掘必会技能之：A/B测试小屌丝：鱼哥，我发现了！咱们APP昨天新上的那个“疯狂星期四”弹窗，点击率爆了，是旧版的整整两倍！这功能简直封神了！小鱼：（头也不抬，继续敲代码）哦？封神？那你再看看，今天的人均下单金额跌了多少。小屌丝：（快速滑动数据仪表盘，笑容逐渐凝固）呃……好像……跌了15%。不对啊，点击的人多了，怎么花钱还少了？小鱼：这就对了。你只看到一个地方“爆了”，就像只看见人踮起脚，却不知道他是因为够着了果子，还是只是脚下踩了钉子。小屌丝：鱼哥，别卖关子了！那怎么才能知道，这新弹窗到底是“神助攻”还是“猪队友”？总不

旅途中的宽~

《European Radiology》：2024血管瘤分割—基于MRI T1序列的分割算法论文地址：研究目标：开发一个基于常规磁共振T1序列的深度学习框架，用于颅内动脉瘤（IAs）的自动分割（逐像素勾勒）与检测（定位），以填补临床空白。

当 AI 越来越“聪明”，人类真正的护城河是什么：智商、意识与认知主权近几年，很多人的直觉都在被刷新：写文案、写代码、做方案、做总结，AI 的表现越来越像“高智商助理”。于是一个更尖锐的问题浮出水面：

每周AI论文速递（260105-260109）GDPO: 面向多奖励RL优化的组奖励解耦归一化策略优化随着语言模型能力日益增强，用户不仅期望其提供准确的响应，还希望它们能在多样化的场景中表现出符合不同人类偏好的行为。为此，强化学习 (RL) 训练框架已开始整合多个奖励信号，每个奖励对应一种特定偏好，以引导模型产生这些期望行为。然而，近期研究默认在多奖励设置下直接采用组相对策略优化 (GRPO)，而未深入探究其适用性。本文证明，直接应用GRPO对不同rollout奖励组合进行归一化，会导致这些组合的优势值坍缩为相同数值，从而降低训练信号的分辨率，导致收

智能相对论

CES深度观察丨智能清洁的四大关键词：变形、出户、体验以及生态协同文 | 智能相对论作者 | 佘凯文十年前，一台能自己规划路线、不撞家具的扫地机器人已经足够令人惊喜；五年前，能自动返回基站清洗拖布、倒掉尘盒的机器，则被视作解放双手的终极方案。而在今年的CES上，这种认知再度被刷新。

齐齐大魔王

Pascal VOC 数据集Pascal VOC 数据集是计算机视觉领域一个极具影响力的公开基准数据集。其全称为 Pascal Visual Object Classes，源于欧洲的 PASCAL（Pattern Analysis, Statistical modelling and Computational Learning）项目。该数据集主要用于目标检测、图像分割和分类等任务的算法训练与评估。

程途拾光158

幻觉抑制：检索增强生成（RAG）的优化方向一、引言随着大语言模型（LLM）技术的快速迭代，生成式AI在知识问答、智能客服、行业报告撰写等领域的应用日益广泛。然而，大模型固有的幻觉问题——即自信地输出与事实不符的内容，严重制约了其在关键领域的落地可靠性。检索增强生成（Retrieval-Augmented Generation, RAG）作为解决该问题的核心技术方案，通过将外部知识库的检索结果与模型生成过程相结合，让输出内容锚定真实数据源，有效缓解了幻觉现象。

野豹商业评论

千问发力：“AI家教”开始抢教培生意？“小学六年级的数学题，拍一下就有步骤解析；不会写作文，语音说思路就能拿到个性化建议；错题还能自动整理出同类专项练习卷”——这是杭州家长李女士最近的带娃新体验。

程序员佳佳

【万字硬核】从零构建企业级AI中台：基于Vector Engine整合GPT-5.2、Sora2与Veo3的落地实践指南前言：开发者面临的“至暗时刻”与破局之道在当下的技术圈。最让开发者头秃的不是代码报错。而是明明有最先进的生产力工具。

weixin_43798812

范式推出面向AGI的Phanthy平台范式推出Phanthy（万神殿）平台，这是一款基于范式AGI路线——“生成式AI+垂直世界模型”的人工智能平台。目标是：通过垂直世界模型的建立，最终推动通用人工智能（AGI）的实现。

RNN（循环神经网络）在 Word2Vec 部分我们聊过，Word2Vec 是“词袋思想”，完全忽略词的顺序——“我爱吃苹果”和“苹果吃爱我”的 Word2Vec 向量组合没有区别，这显然不符合语言逻辑。

AI 时代架构师如何有效成长？当 AI 能自动生成 CRUD、修复 Bug、甚至跑通 CI/CD，架构师的价值在哪里？答案是：更会处理不确定性。