模型

飞猫的边缘AI

边缘AI在自动驾驶应用中的行话汇总边缘AI（Edge AI）：在靠近数据产生的设备（如车端、摄像头端）上直接运行AI推理，而不是将数据上传云端处理。在自动驾驶中，感知、推理、决策必须在车端完成，以满足低延迟和安全要求。

小北的AI科技分享

ai搭建服务商怎么选？从技术栈到交付质量拆解在挑选人工智能搭建服务供应商的时候, 你不要只停留在看那精美的演示文稿上面, 也不要仅仅去计较案例的数量有多少。你应该把目光聚焦到最核心的三个事情上面。第一件核心事情就是, 看看对方是否真的能把模型顺利地跑起来。第二件核心事情是, 看看对方是否能够将业务逻辑完整地串联和打通。

欢喜躲在眉梢里

时序数据库选型指南：从大数据架构视角拆解 Apache IoTDB 的适用边界做大数据这些年，我参与过几次时序数据库选型。印象最深的一次失败，不是选了个差产品，而是选了个跑分很好看、但和团队的数据链路格格不入的产品。那是个新能源车企的车联网项目。数据量不算大，日均 40 亿点上下。选型时我们压测做得很认真：单节点写入、批量导入、聚合查询、标签过滤，候选产品全部过一遍，最后按综合分数选了个冠军。上线三个月后崩了——不是性能崩的，是边缘侧的数据上不来。当时车端用的是车规级芯片，内存只有 512MB 级别，我们选的方案得先起一个 JVM 再建连接池，光是基础内存开销就吃掉大半，最后只能

经典Gamehttps://download.csdn.net/download/weixin_71802416/93580406 https://download.csdn.net/download/weixin_71802416/93580624 https://download.csdn.net/download/weixin_71802416/93581153

一个低调的青年

电池健康状态估计（一）如果说 SOC 解决的是“电池现在还有多少电”，那么 SOH 解决的是“这块电池相比新电池还剩多少能力”。SOC 可以在几分钟甚至几秒的时间尺度上变化，而 SOH 通常是数十、数百个循环乃至数月、数年的慢变量。正因为变化慢，SOH也更难估：我们不能把一次电压下降、一次大电流压降或一次低温容量减少直接判定为永久老化，而需要从大量运行数据中分离出可逆状态变化与不可逆退化趋势。

AI 时代，MOM（制造运营管理系统）该如何演进？上AI 时代，MOM（制造运营管理系统）该如何演进？——从零设计一套适配多品类产线的通用 MOM 架构智能制造 / 工业软件 / MOM 架构

unity 丑陋哥布林哥布林有humannoid 动画没带动画【免费】unity丑陋哥布林哥布林有humannoid动画没带动画资源-CSDN下载

【理解模型的10个维度和主流模型10维度评价表】看这些维度：优点通常集中在某几项，很少有模型全部顶尖。你前面问的 200K、1M 就是这里。长上下文不等于万能。一本《红楼梦》约 80 万 token，1M 窗口理论上能塞下，但模型未必能均匀理解每一段。

CMO模型文档-活动单元基类ActiveUnit：活动单元基类 ActiveUnit 是一切“有生命周期、可被探测、可被毁伤”的战场对象的基类，共定义 91 个字段与 89 个属性。它本身不实现任何具体行为，而是通过 9 个能力域子对象（Navigator、Kinematics、Sensory、Weaponry、CommStuff、Damage、AirOps、DockingOps、AI）把职责分派出去。这种“外观 + 能力域”结构使得同一套单元框架可同时承载飞机、舰艇、潜艇、车辆、设施、卫星乃至在飞弹药。表 3-1 ActiveU

医嘉研-Meta|生信|一对一指导

医嘉研：抗PD-L1 ADC的时空动力学模型：肿瘤微环境如何决定药物递送与疗效怎么辨别靠谱的医学科研辅导机构？一条红线先记住：承诺"包过、保录用"的直接排除，SCI 录用只能由期刊决定。正规做法是一对一指导、论文你自己完成。像医嘉研坚持辅导不代写、导师优质有经验、方案先行，属于可以放心对比的类型。

MCP 协议详解：模型上下文协议如何重塑 Agent 工具调用生态Model Context Protocol（MCP）是 Anthropic 于 2024 年 11 月开源发布的一项标准化协议，旨在解决大语言模型工具调用中的碎片化问题。MCP 通过定义统一的 Server/Client/Host 三层架构，使任意 LLM 能够以标准方式连接任意工具、数据源和服务，被誉为"AI 的 USB 接口"。本文从 Function Calling 的固有痛点出发，深入剖析 MCP 协议架构、消息格式、通信流程，并与 Function Calling 进行 7 个维度的系统对比，

飞塔老梅子

09. Codex 节省Token ❀ 老梅子学AI【简介】前面几天稍微操作一下Codex，额度就用完了。现在好不容易充值了，又担心象前面一样一下子用完，为了不用每次使用都小心翼翼，我们还是来了解一下要怎么节省Token。

Python机器学习入门系列-第3篇：线性回归-从零理解机器学习预测线性回归：从零理解机器学习预测机器学习入门系列 · 第3篇在之前的两篇文章当中, 我们掌握了搭建环境这项技能, 还学会了清洗数据的方法。现如今, 我们即将去学习首个真正具备能够“预测数值”能力的算法, 也就是线性回归。

小北的AI科技分享

企业AI定制服务：原理、应用与选择指南人工智能技术在快步发展着, 越来越多的企业对此有所留意, 开始顾及AI定制服务了。具体来说, 企业AI定制是什么呢, 指的是依据企业各自的业务需求, 以及数据所具有的特点，针对通用大模型去做适应性的调整, 还要予以优化, 从而让它能够更出色地服务到特定场景中去。文本会从技术原理、应用场景、选择建议这三个维度出发, 来针对这一领域展开客观的分析。

OpenClaw 自定义Model Provider 的一键配置脚本OpenClaw 自定义 Provider 一键配置脚本。---## 功能概览从兼容 OpenAI 协议的后端 API（如 icompify）获取全部模型，一键注册为 OpenClaw 的 Provider，并将所有模型加入聊天窗口可见列表，同时设置默认模型。

小北的AI科技分享

企业AI定制开发：从需求分析到落地部署的完整指南在过去的两年时间以内, 中国国内那些注册经营范围涵盖人工智能相关业务的企业数量, 从2023年年初时候的大约180万家, 增长到了2025年年底的大约260万家, 其增幅超过了44%。在这样的数据背后, 实乃企业针对AI技术落地所具有需求的真实体现。然而与此同时, 数量众多的企业在尝试去引入AI解决方案之际, 面临着技术选型存在困难，定制开发成本失去控制, 项目交付出现延期等各种各样的问题。在当下这篇文章当中, 将会从需求分析, 技术路径, 成本结构, 实施流程这四个维度方面, 去对企业AI定制开发的关键

小北的AI科技分享

企业AI落地开发：从技术选型到价值交付的实践路径在过去的两年时间里, 国内企业级AI应用开发市场历经了一场关键转折, 也就是从概念验证转变到规模化落地。依照中国信息通信研究院在2025年发布的《人工智能发展报告》来看, 截止到2025年年底的时候, 我国提供企业级AI应用开发服务的公司数量已然超过了4800家, 其中专注于垂直行业解决方案的公司占比达到了37.6%。在这一数据的背后, 所反映出来的是企业对于AI应用的需求正从通用能力朝着深度定制转变。

小北的AI科技分享

企业AI开发：从技术选型到落地的关键路径这两年间, 我去走访了二十多家正处于推进AI转型进程当中的企业, 然后发现了这样一个普遍存在的现象哟: 大多数企业其实并不缺失可以利用的AI工具, 所欠缺的乃是能够真正将AI运用起来的开发团队。现如今在市面上现成的AI产品是相当多的, 然而真正能够贴合业务场景的那些, 往往是需要进行定制开发的。这样一来, 就催生出了一个呈现快速增长态势的服务领域嘿——企业AI开发。

从空间表达到蛋白观察：单细胞组织原位空间蛋白组如何补充空间转录组？空间转录组技术如Visium、Visium HD、Xenium和CosMX等，已经帮助研究者实现了基因表达在组织中的精确定位。然而，一个常被忽视的问题是：mRNA表达水平与蛋白表达水平之间并非完全对应，而细胞的功能状态、免疫检查点表达、细胞毒性能力等关键生物学特征，往往更直接地体现在蛋白层面。2025年斯坦福大学团队在Nature Communications发表的一项肺腺癌研究，恰好从另一角度为这一问题提供了线索——该研究完全基于单细胞组织原位空间蛋白组（PCF）完成，却系统解析了传统上需要多组学联合才