#神经网络

果冻人工智能

小了 60,500 倍，但更强；AI 的“深度诅咒”作者：Ignacio de Gregorio几周前，我们看到 Anthropic 尝试训练 Claude 去通关宝可梦。模型是有点进展，但离真正通关还差得远。

果冻人工智能

AI 代理的未来是事件驱动的AI 代理即将彻底改变企业运营，它们具备自主解决问题的能力、适应性工作流以及可扩展性。但真正的挑战并不是构建更好的模型。

果冻人工智能

AI编程：最疯狂的MCP服务器你一定要试试我还记得我第一次听说MCP（模型上下文协议）的时候，我心想：“哈？又一个花里胡哨的缩写，这个世界已经快被这些缩写淹没了！”

果冻人工智能

城市林业的无声革命：人工智能与古老生态学如何重新设计城市城市林业的无声革命：人工智能与古老生态学如何重新设计城市在摩天大楼的阴影下，一场静悄悄的变革正在发生——它融合了硅芯片与古老根系，算法与原住民智慧。

果冻人工智能

阿里巴巴 QwQ-32B真的超越了 DeepSeek R-1吗？本文作者的观点：QwQ-32B 作为小型开源 AI 模型，在数学、编程等任务上表现接近甚至超越 DeepSeek-R1 671B模型，同时计算资源占用大幅降低，使其更易部署和使用。然而，在逻辑推理等方面仍存在推理不一致和语言混杂等问题，有待优化。作者总体认可 QwQ-32B 的实力，并认为它代表了 AI 发展向“小而高效”方向演进的趋势，可能冲击 OpenAI 等收费模式的市场格局。

果冻人工智能

机器人技术的突破让OpenAI过时了机器人技术的突破让OpenAI过时了Ignacio de Gregorio最近，Figure AI，一家价值数十亿美元的AI机器人公司，宣布取消与OpenAI的合作伙伴关系，这一举动看起来是相当大胆的。在此之前，机器人的大脑是一个经过精细调教的OpenAI模型（由OpenAI专门为他们的机器人构建的模型），但该公司的公告暗示，他们在内部取得了一个突破，允许他们训练自己的模型。

果冻人工智能

GPT-4.5 感觉有点拉胯，但其实是 OpenAI 迄今为止最大的一步赌注Alberto RomeroI. GPT-4.5 就是起跳前的助跑那一步OpenAI 推出了 GPT-4.5（官方博客、系统卡片、演示视频），这是他们最新也是目前最大的一款 AI 模型。他们其实一年多前就开始放风，说它叫 Orion，结果很多人还以为是 GPT-5。现在终于来了……但感觉吧，有点拉胯。至少看起来是这样。今天我们就聊聊这个“是”和“看起来是”之间的微妙区别，到底咋回事。

果冻人工智能

掌握领域驱动微服务中的聚合与实体—— 从遗留单体系统转型为现代分布式系统的实战经验你好啊，我是一名经验丰富的软件工程师，专注于大规模应用的设计。多年来，我见过各种架构——从庞大的单体架构，到精细调整过的微服务基础设施。

果冻人工智能

Featurewiz-Polars：一种强大且可扩展的特征选择解决方案，适用于XGBoost前言：“Featurewiz-Polars”是一个用于特征工程的 Python 库，结合了特征选择和特征生成的功能。它基于“Polars”，这是一个高性能的 DataFrame 库，用于处理大型数据集，具有类似 Pandas 的 API 但更高效，尤其在处理大数据时。Featurewiz-Polars 专注于通过自动化方式，快速从数据中提取出最有意义的特征，帮助机器学习模型提高性能。

果冻人工智能

DeepSeek R1 简明指南：架构、训练、本地部署及硬件要求DeepSeek 通过强化学习（RL）提出了一种创新的改进大规模语言模型（LLM）推理能力的方法，这在他们最近关于 DeepSeek-R1 的论文中有详细介绍。这项研究代表了在不依赖于大量有监督微调的情况下，通过纯强化学习提升 LLM 解决复杂问题能力的重大进展。

果冻人工智能

如何训练LLM“思考”（像o1和DeepSeek-R1一样, 高级推理模型解析2024年9月，OpenAI发布了它的o1模型，该模型基于大规模强化学习训练，赋予了它“高级推理”能力。不幸的是，他们是如何做到这一点的细节从未被公开披露。然而，今天，DeepSeek（一个AI研究实验室）成功复现了这种推理行为，并公开了他们方法的完整技术细节。在这篇文章中，我将讨论这一创新背后的关键思想，并描述它们在底层是如何运作的。

果冻人工智能

从 Windows Forms 到微服务的经验教训如果说软件开发中有什么不变的东西，那就是变化。在 .NET 生态系统中摸爬滚打的这二十年里，我见证了各种框架的起起落落，目睹了容器化的崛起，也曾为微服务架构摇旗呐喊——而在几年前，微服务对许多人来说还只是晦涩难懂的概念。

果冻人工智能

让我们从零开始使用PyTorch构建一个轻量级的词嵌入模型在我之前写的一篇文章中，我们学习了如何使用PyTorch的nn.Embedding层将单词转换为稠密向量。但由于该嵌入层是未经训练的，这些向量并没有任何语义含义。默认情况下，PyTorch会使用随机权重初始化嵌入层，这使得生成的向量基本上是毫无意义的。今天，我们要改变这一点，并希望赋予我们的嵌入一些真正的含义。

果冻人工智能

在 PyTorch 中理解词向量，将单词转换为有用的向量表示你要是想构建一个大型语言模型，首先得掌握词向量的概念。幸运的是，这个概念很简单，也是本系列文章的一个完美起点。