- 博客(299)
- 收藏
- 关注
RSS订阅
原创 搭建自己的AI API对话机器人UI程序完全指南（有完整代码，在Python3.13环境下即拿即用）
在人工智能大模型时代，越来越多的开发者和企业需要集成先进的AI模型到自己的应用中。然而，直接调用各个模型的官方API存在诸多痛点：需要分别注册多个平台账户、维护不同的API密钥、处理各异的接口规范、承担高昂的计费成本。为了解决这些问题，API聚合平台应运而生。本项目基于API镜像站这一高效的OpenAI接口聚合管理平台，融合了丰富的免费和付费模型资源，为用户提供了一套完整的、开箱即用的AI对话机器人解决方案。
2025-12-24 16:07:47
1256
原创 Claude 4.5系列模型编程能力全面综述：从Haiku到Opus的技术纵深分析与实证评估（附使用方法，心细的就能发现）
Claude 4.5是当今全球最强的编码工具，然而由于网络的限制，官网无法使用。不过，能够解决这个问题，在国内环境下实现强大编程，为解决编程难题提供解决方案。
2025-12-22 09:48:09
1330
原创 GPT5.2有哪些最新优势特点？10000字长文带您了解
官方写到：当 GPT-5.2 使用推理模式，你会看到一个精简版 chain-of-thought 视图，并且可以点Answer now切回 Instant 立即出结果。这点很像把“深思熟虑”和“先给结论”合并到一次交互里：你不必一开始就选“快/慢”，而是让系统先进入更稳的路径，如果你发现它“想太久”就打断、先拿一个可用版本。对日常工作非常实用：例如临开会前你先要一个能讲的版本，开会后再让它 Thinking 把证据链补齐、把表格/附录做严谨。官方指南明确：GPT-5.2 在 API 层新增了xhigh。
2025-12-13 22:42:07
1087
1
原创 Claude Code国内最新最全使用教程：Windows保姆级安装指南
本篇教程为希望在国内使用 AI 编程神器 Claude Code 的开发者提供了终极解决方案。我们为您准备了覆盖 Windows操作系统的完整图文安装与配置指南，通过使用，彻底解决了网络访问和API密钥获取难题。教程内容从环境准备、Node.js 安装，到详细的环境变量配置，再到启动使用、常用命令和高级技巧，手把手教您完成所有步骤，让您无需复杂操作即可免费、稳定地体验 Claude Code 强大的代码生成、审查和自动化能力，助您大幅提升开发效率。
2025-12-11 09:16:40
3513
4
原创 【Python进阶】优雅地处理错误：让你的AI程序稳如磐石
有时，内置的异常类型不足以清晰地表达程序中发生的特定问题。在这种情况下，我们可以定义自己的异常类。自定义异常通常继承自Python的Exception类或其子类。这使得代码更具可读性，并且能够更精确地传达错误的含义。"""自定义异常，用于表示模型训练过程中发生的特定错误。"""def __init__(self, message="模型训练过程中发生未知错误", epoch=None, loss=None):else:"""自定义异常，用于表示数据预处理阶段的错误。"""
2025-12-25 22:26:52
823
原创 【Python进阶】数据结构的精巧与算法的智慧：AI提速的关键
在人工智能（AI）飞速发展的浪潮中，模型性能的提升固然是焦点，但支撑起这一切的底层基石——数据结构和算法的效率，却往往被忽视。一个精心设计的数据结构，能够以最优的方式组织和访问数据，而一个高效的算法，则能在海量数据中迅速找到问题的解决方案。这两者的精巧结合，构成了AI提速的强大引擎。本文将深入探讨Python内置数据结构的高级用法，理解常见算法的原理与复杂度，剖析算法在AI领域的具体应用，并详细解析NumPy这一AI计算的基石，最终揭示数据结构与算法在AI提速中的关键作用。
2025-12-25 11:19:28
746
原创 【Python进阶】类与对象的艺术：用OOP思想构建智能系统
通过实现这些魔法方法，我们可以让自定义的AI组件与Python语言本身以及其他AI库（如NumPy, PyTorch, TensorFlow）更加无缝地集成。例如，一个表示模型参数集合的类，可以通过实现__len__来返回参数的数量，通过实现和来允许通过索引或名称访问和修改单个参数。在构建大型、复杂的AI系统时，如何保证不同组件之间的兼容性、可扩展性和可维护性是一个关键挑战。抽象基类（ABCs）和Mixins提供了强大的工具来解决这些问题。
2025-12-25 11:15:35
705
原创 【Python基础】字典（Dictionary）：AI的“键值对”信息存储的基石
Python字典以其“键值对”的存储方式，为AI领域的信息组织和处理提供了极大的便利。它不仅仅是一种数据结构，更是AI系统中表示实体属性、存储配置信息、管理动态状态的通用语言。键是不可变的唯一标识，值可以是任何Python对象，使得字典能够轻松存储多样化的AI数据。基于哈希表实现，字典的查找、添加和删除操作平均时间复杂度为O(1)，极大地提高了AI算法的运行效率。键名清晰地描述了值的含义，使得代码更易于理解和维护，尤其是在处理复杂的AI模型参数和配置时。
2025-12-25 09:20:57
477
原创 【Python基础】函数：封装AI的“智能模块”
在编程的世界里，函数就像是一个拥有特定功能的“黑盒子”。你给它一些东西（输入），它会按照预设的规则进行一番操作，然后吐出一些东西（输出）。这个“黑盒子”的建造过程，就是函数的定义。在Python中，我们使用def关键字来定义一个函数。def后面跟着的是函数的名称，这个名称应该具有描述性，能够清晰地表达函数的功能。函数名称后面是一对圆括号()，括号里面可以包含函数的参数，参数是函数在执行时需要接收的输入值。最后，函数定义以一个冒号。
2025-12-25 09:08:58
223
1
原创 【Python基础】AI的“重复学习”：循环语句（for, while）的奥秘
通过对for循环和while循环的深入剖析，我们不难发现它们在AI模型训练中的重要作用。for循环以其对序列的天然支持，完美地映射了AI模型逐批次处理数据集的过程。每一次迭代，模型都在“审视”一部分数据，并从中学习。这就像人类在学习新知识时，会反复阅读、练习，每次都吸收一部分信息。while循环则以其条件驱动的特性，体现了AI模型持续优化直至收敛的过程。
2025-12-25 09:04:33
5
原创 【Python基础】条件语句（if-elif-else）：AI的“分支判断”
在if-elif链条中，我们已经处理了所有可能满足的特定条件。但是，总会有一些情况是我们没有预料到，或者不属于任何一个已定义的条件。这时，else语句就派上用场了。else语句提供了一个“兜底”的选项，它没有自己的条件表达式。当if和所有elif的条件都为False时，else语句后面的代码块就会被执行。它代表了所有其他未被覆盖的可能性。构建决策逻辑：条件语句是构建 AI 决策树和规则引擎的基础，它们定义了在何种情况下执行何种操作。特征工程与选择。
2025-12-25 08:57:10
4
原创 【Python基础】列表与元组：AI的“数据集合”
列表和元组是 Python 中基础但极其强大的数据结构。列表以其灵活性和可变性，成为处理动态数据集、记录过程数据、构建可变特征集合的利器。而元组则以其不可变性，保证了数据的完整性，使其成为表示固定特征向量、配置参数、坐标信息以及用作字典键的理想选择。在人工智能领域，数据是驱动一切的燃料。列表和元组，作为 Python 中最基本的数据容器，它们共同构成了 AI 系统中“数据集合”和“特征向量”的基石。理解它们的特性并恰当运用，是每一位 AI 从业者必备的技能。列表存储需要频繁添加、删除或修改的元素序列。
2025-12-25 08:54:42
47
2
原创 【Python基础】算术、比较与逻辑运算符：AI的“思考”基础
在当今这个人工智能（AI）深刻改变人类社会的时代，我们往往被各种宏大的术语如“深度学习”、“神经网络”或“大语言模型”所包围，却容易忽略支撑这些复杂架构的最底层逻辑。事实上，任何一个能够在围棋盘上击败人类大师、在自动驾驶中精准避让行人，或者在对话框中娓娓道来的 AI 系统，其核心的“思考”过程最终都可以拆解为最基础的数学运算与逻辑判定。Python 中的算术、比较与逻辑运算符，不仅仅是初学者掌握语法的起点，更是构建机器智能的“原子级”组件。它们如同人类大脑中的神经递质，负责信息的传递、加工与决策。
2025-12-25 08:40:40
172
5
原创 【Python基础】排序算法的深度解析与实践应用：从理论到性能优化的全面指南
通过对八种经典排序算法的深度剖析和性能对比，我们清晰地看到了算法设计中的核心权衡：时间复杂度、空间复杂度、稳定性、适应性和实现复杂度。基础排序算法虽简单直观，但受限于O(n²)性能，仅适用于特定教育和小规模场景。高效排序算法通过分治策略突破性能瓶颈，成为现代计算系统的基石，其中快速排序凭借平均性能优势成为通用首选，归并排序以稳定性和最坏情况保证适用于关键业务，堆排序在内存受限和实时系统中独树一帜。特殊排序算法通过利用数据特征实现线性时间，展现了算法创新的无限可能。
2025-12-25 08:15:34
246
1
原创 迷宫生成算法：从生成树到均匀随机，再到工程化 Python 实现
迷宫生成算法的世界表面上像“十几种经典算法供你挑”，但真正的分水岭其实就两条：一条是把迷宫当作随机生成树，接受算法偏置，把偏置当作风格；另一条是追求均匀生成树，把“无偏”当作目标，接受更复杂的实现与更高的成本。Wikipedia 的总述把这两条路线都讲得很清楚：迷宫生成可以视作生成树；回路可以后加；Aldous–Broder 与 Wilson 提供均匀生成树，而 DFS/Prim/Kruskal 更偏向工程常用。维基百科) Jamis Buck 的系列则告诉你：不要只问“哪个最好”，要问“我想要什么纹理”
2025-12-25 00:01:27
398
原创 Python Tkinter 动态迷宫游戏：从零开始的交互式探索之旅
通过上述的步骤，我们成功地构建了一个功能完备的动态迷宫游戏。它不仅实现了迷宫的自动生成，还提供了流畅的玩家交互体验。这个项目不仅仅是一个简单的游戏，它更是一个展示Python Tkinter强大功能和迷宫生成算法魅力的绝佳范例。这个实现可以看作是一个起点，未来可以基于此进行大量的扩展和优化。例如，可以增加计时器来记录玩家通关时间，引入不同难度的迷宫生成参数，添加音效反馈，或者设计更复杂的关卡和道具。迷宫生成算法本身也可以被替换为其他更高级的算法，如Prim算法或Kruskal算法，以生成不同风格的迷宫。
2025-12-24 22:14:49
536
原创 AI Agent：智能体的觉醒与自主智能的新纪元
AI Agent并非一个全新的概念，它在人工智能、机器人学、认知科学等领域早已有所提及，但近期，随着大型语言模型（LLM）的惊人突破，Agent的能力得到了前所未有的释放和飞跃，使得它们能够以前所未有的方式理解世界、规划行动并与环境互动，开启了真正意义上的自主智能新纪元。在这个阶段，Agent并非简单地执行预设的脚本，而是会综合分析感知到的环境信息，结合其内部的知识库、预设的目标、过往的学习经验，以及强大的推理能力，来决定下一步最应该采取的行动。例如，Agent可能会模拟人类的思考过程，利用。
2025-12-24 21:56:38
503
原创 深度解析AI API调用原理：从请求到智能响应的底层逻辑与工程实践
从客户端的请求封装，到网络传输的安全保障，再到服务器端API网关的调度、高性能硬件上的模型推理，以及最后的结果后处理与响应返回，每一个环节都经过了精心的设计和持续的优化。当大量用户同时发起请求时，负载均衡器会根据预设的算法（如轮询、最少连接），将入站请求智能地分配到后端的多个AI服务实例上，避免单个服务器过载，确保整体服务的可用性和响应速度。在AI API的调用中，因此，一个完整的AI API调用请求，是客户端将处理好的数据和必要的元信息，按照既定协议和格式，封装成一个HTTP请求，然后通过网络发送出去。
2025-12-24 21:50:02
561
原创 AI聊天工具网页实现完整技术解析（附完整代码，AI输出时能够正确显示代码段）
随着人工智能技术的快速发展，越来越多的企业和个人需要与各种AI模型进行交互。传统的命令行工具和API调用方式对于非技术用户来说存在较高的使用门槛，因此开发一个易用的网页版AI聊天工具具有重要的实际意义。本项目实现的AI聊天工具是一个基于Web技术的前端应用，通过友好的用户界面让用户能够便捷地与多种AI模型进行交互，包括DeepSeek、GPT系列和Gemini等。这个工具不仅提供了基础的聊天功能，还通过灵活的参数配置和流式响应处理等高级特性，为用户提供了更加个性化和高效的AI交互体验。
2025-12-24 21:34:24
802
原创 强化学习从单代理到多代理系统的理论与算法架构综述
强化学习从心理学启发到当代深度学习结合，经历了数十年的发展。本文系统阐述了从单代理到多代理强化学习的理论基础、算法体系和实际应用。单代理强化学习通过动态规划、价值函数学习和策略梯度方法为后续研究奠定基础。多代理强化学习进一步拓展这些基础方法，通过独立学习、中心化学习、通信学习和协作学习等范式处理代理交互的复杂性。当前强化学习算法在表达能力和处理能力上已达到相当高度，但仍面临维度诅咒、环境非平稳性、信用分配等根本性挑战。这些挑战的解决将推动强化学习技术的进一步突破。
2025-12-23 14:58:34
38
原创 未来家居可能的新变化：从“智能设备堆叠”到“自适应生活系统”
你会发现上面所有变化都在指向同一个结果：未来家居的核心目标不是“让你惊叹”，而是“让你不需要操心”。当 52% 的 DIY 用户被安装/连接困扰()、当家庭设备数接近两位数甚至更多()、当隐私与安全焦虑成为最大障碍之一(AHS)，家居系统就必须从“玩具”进化为“基础设施”：可维护、可解释、可追责、可升级。
2025-12-23 14:41:10
800
原创 量子人工智能：从量子信息表征到可训练混合模型的系统综述
量子优势在量子AI语境中常被过度泛化。更严谨的做法是把优势拆成三层：计算复杂度优势（时间或查询复杂度的可证明分离）、样本复杂度优势（学习所需样本量的量级差异）、以及实际运行时优势（在真实硬件与系统软件栈上端到端更快或更准）。其中第一层往往依赖对输入访问方式的假设，例如数据是否以量子态形式给定，是否允许 QRAM 等；第二层需要学习理论的可证明界；第三层需要严格的基准与工程实现。经典视角的量子学习综述反复强调：如果输入模型过于理想化，复杂度优势可能并不转化为实际优势；
2025-12-23 10:55:16
570
原创 社会化AI作者：在模拟文化场域中建模创造力与“区分”机制
把生成式模型当作文化行动者来研究，最大的挑战是同时兼顾可控性与复杂性。社会模拟提供了可控的实验框架：通过分层样本、固定提示模板与结构化输出，研究者可以在百人尺度上生成可比较的作者行为轨迹；文本几何提供了跨样本的量化语言：通过嵌入空间与距离指标，研究者可以把“同质化”“群体内部压缩”“群体间区分轴偏移”等现象用同一套指标刻画出来；而中间输出的定性分析则补上解释链条：它揭示模型如何在话语上构造身份与差异，以及这些话语如何与最终文本差异结构断裂。
2025-12-22 14:53:29
549
原创 高效多模态大语言模型：从统一框架到训练与推理效率的系统化理论梳理
本文内容来源于综述文献Jin, Y., Li, J., Gu, T.et al., 27 (2025). https://doi.org/10.1007/s44267-025-00099-6，进行了系统整理的总结，方便中文母语读者阅读。
2025-12-22 12:10:50
366
原创 2025通用ChatGPT Agent架构综述：从工具调用、工作流编排到可观测与安全闭环
回看2025年的通用ChatGPT Agent架构，不难发现其“稳定内核”并不神秘：它是一套把LLM从语言生成器升级为决策器的系统工程方法。底层是可交互环境与工具集合，中间是显式编排与状态管理，上层是可观测、可评测、可治理的产品化闭环。工具调用让Agent获得行动能力，工作流图让复杂控制流显式化，可观测与评测让系统具备持续优化的可能，而安全与权限机制则为能力放大设置了必要的边界。
2025-12-21 20:38:25
633
原创 AI能否可持续：从“三支柱”到“可持续AI目标体系”的理论框架与核算逻辑
在严格意义上，可持续首先是一个系统概念：如果一个系统在时间上无法维持自身，或其维持方式必然破坏支撑它的外部条件，那么它就不可持续。将可持续拆成环境、经济、社会三支柱的意义，不是为了把讨论变成三份清单，而是为了把“单指标最优”转化为“多约束可行”。三支柱思想强调，如果只把资源投向其中一根支柱，哪怕这一根支柱被打造得极致强壮，另外两根支柱的脆弱也会在关键时刻让系统整体倒塌；因此“优先级排序”往往不是解决方案，真正的难点是以系统方法在三者之间做权衡并保持底线。
2025-12-21 20:09:06
614
1
原创 【理论讲解】深度多任务学习：概念体系、方法谱系与跨领域建模逻辑
在深度多任务学习语境里，“任务（task）”并不等价于某个行业应用，也不等价于某个数据集名字；更通用的理解是：任务是一类从输入空间到输出空间的映射问题，它对应一套数据分布、标签定义、评价指标与损失函数。把任务形式化有两个好处：第一，它让“任务相关性”不再停留在直觉层面，而可以通过输出语义、标注噪声、数据采样机制、甚至梯度相似性等角度去讨论；第二，它让多任务学习自然落到一个多分布、多损失的联合优化框架里，便于统一推导模型结构与训练策略。
2025-12-20 22:47:47
603
原创 摩擦电纳米发电机近期进展的理论脉络梳理：从接触起电到统一建模与能量转换
把TENG从“结构拼装”提升到“理论可计算”，关键在于始终围绕三个层次建立因果链：第一层是界面层，接触起电给出表面电荷密度σ，并且σ的可达上限与保持能力决定了转换的驱动力边界；第二层是场与电容层，结构运动改变电场分布与等效电容/耦合电容网络，使得V–Q–几何量之间形成可推导的关系，典型形式如V(x,Q)=-(Q(x+d0))/(ε0S)+σx/ε0，这一关系把材料、几何与运动统一到同一套变量里；
2025-12-20 22:07:35
932
原创 【实战】使用讯飞星火API和Python构建一套文本摘要UI程序
在信息爆炸的时代，人们每天面对海量的文本内容。无论是学术研究、新闻阅读还是业务文档的处理，快速获取核心信息的能力变得至关重要。文本摘要技术应运而生，它通过自动提取文本的关键内容，帮助用户在有限的时间内理解全文的要点。传统的摘要方法多数采用抽取式策略，即从原文中直接选择关键句子组织成摘要。而现代深度学习方法，特别是基于大语言模型的摘要技术，能够进行生成式摘要，产生高度凝练且自然流畅的总结文本。讯飞星火大模型是科大讯飞推出的新一代人工智能模型，具有强大的自然语言理解和生成能力。
2025-12-20 19:52:27
715
原创 中文文本情感分析的机器学习方法实现（文章结构类似毕业设计，做毕业设计的可以参考）
随着互联网技术的发展，海量的用户评论和反馈信息为情感分析研究提供了丰富的数据基础。本文针对中文外卖评论数据集进行系统的情感分析研究，重点探讨特征工程优化、模型参数调优和阈值优化等方法对模型性能的影响。采用改进的TF-IDF特征提取方法、多个机器学习分类器的组合以及自适应决策阈值调整等技术，将朴素贝叶斯模型的F1分数从基础版本的0.7515提升至0.7764，召回率从69.37%提升至80.50%。本研究系统分析了各优化方法的效果，为实际应用中的文本情感分类提供了有参考价值的实验结论。关键词：中文情感分析；
2025-12-20 18:53:18
731
原创 从对话系统到对话式智能体：对话式AI发展综述与2025年前沿整合
对话式AI研究的一个基本规律是：系统形态往往被“可获得的数据结构”所塑造。任务型对话需要结构化状态与动作，因此MultiWOZ这类数据集把信念状态与对话动作标注出来；开放域对话强调个性一致性与主题连贯，因此PersonaChat把人格设定作为对话条件；知识驱动对话强调证据，因此Wizard of Wikipedia把检索到的Wikipedia段落纳入对话过程；情感与同理心对话则需要情绪场景与情感标签，因此EmpatheticDialogues以“情绪情境”为对话基底。
2025-12-19 16:08:41
1101
原创 【实战】基于机器学习的中文文本分类系统实现
停用词是指那些频率很高但对文本内容的区分能力很弱的词。在中文中，常见的停用词包括虚词（如"的"、"是"、"在"、"和"）、介词（"对"、"向"、"从"）、连词（"并且"、"或者"）、以及标点符号等。这些词在几乎所有的文本中都频繁出现。比如说，无论是在体育新闻、娱乐新闻还是科技新闻中，"的"这个字都会大量出现。因此，这些词对于区分不同分类的文本没有太大帮助，反而可能成为噪音。在特征提取前去除这些词，可以降低噪音，让模型专注于那些真正有区分能力的词汇。
2025-12-19 15:12:20
850
原创 【Python常用库】Jieba库技术完全手册：原理、应用与最佳实践（代码超多，在Python3.13框架都能跑通）
分词是将连续的文本序列分割成有意义的词语序列的过程。在英文中，由于词语之间天然存在空格分隔，分词相对简单。但在中文中，一个句子是一串汉字的连续排列，没有明显的词边界标记。例如，"我爱自然语言处理"这个句子，可能被分为"我/爱/自然/语言/处理"，也可能被错误地分为"我/爱/自然语言/处理"或"我/爱/自然/语言/处理"，不同的分词方式会导致完全不同的语义理解。分词的重要性体现在多个方面。首先，在信息检索中，准确的分词直接影响搜索的精准度和召回率。
2025-12-19 13:15:29
830
原创 自然语言处理常用Python库：spaCy使用全解
spaCy最强大的特性之一是能够创建和添加自定义管道组件。这使得你可以将领域特定的逻辑集成到处理流程中。# 方法1：使用装饰器创建组件# 在这里添加自定义逻辑return doc# 加载模型并添加自定义组件# 处理文本# 更复杂的自定义组件return doc自定义组件接收一个Doc对象作为输入，进行处理，然后返回修改后的Doc对象。组件可以进行各种操作，如添加属性、修改token信息、添加新的实体等。通过本文的详细讲解，我们已经系统地了解了spaCy库的各个方面。
2025-12-19 11:23:25
952
原创 基于spaCy的英文自然语言处理系统：低频词提取与高级文本分析
当我们阅读一篇文章时，那些频繁出现的词汇（如"the"、"is"、"and"）通常不承载多少语义信息，反而是那些出现次数较少但具有特定含义的词汇往往才是真正揭示文本主题的关键。它采用了"尝试-恢复"的模式。虽然这是一个粗糙的近似，但考虑到这是一个"降级模式"，目的是在环境不理想的情况下提供基本功能，这样的设计是合理的。每一个检查都解决了一个真实的问题：文件可能不存在（用户输入错误的路径），路径可能指向目录而不是文件（用户选择了错误的项），文件可能无法读取（权限问题），或者文件可能是空的（数据问题）。
2025-12-19 11:10:21
809
原创 实战：高级中文自然语言处理系统的Python设计与实现
在信息技术飞速发展的今天，我们每天都在与海量的文本数据打交道。无论是学生阅读学术论文、工作人员处理业务文档，还是内容运营者管理大量用户评论，文本处理的需求都在不断增加。然而，人类的阅读速度是有限的，要从数千字甚至数万字的文章中快速提取关键信息，往往需要花费大量时间和精力。这就是为什么自动文本分析系统变得如此重要——它能够帮助我们快速理解文本内容，提取关键信息，甚至生成摘要。传统的文本处理方法主要依赖于云端的API服务，例如OpenAI的GPT系列模型或其他商业NLP服务。
2025-12-19 10:43:48
822
原创 实战：用 Python + 传统NLP 自动总结长文章
抽取式总结（Extractive Summarization）是最传统也是最稳定的文本总结方法。这种方法通过从原文本中选择重要的句子，然后按原有的顺序将这些句子组合在一起，形成摘要。根据Nenkova和McKeown (2012)在《A survey of text summarization techniques》中的综述，抽取式总结的优点是简单直接，生成的摘要总是来自原文本，因此通常是语法正确和事实准确的。它的缺点是生成的摘要可能不够流畅，而且被选中的句子之间可能存在冗余或连接不足。
2025-12-19 10:09:44
1017
原创 Gemini 3 Flash深度解析：Google推出的最新一代快速高效AI模型详尽性能评测报告
Google的Gemini系列模型的发展历程反映了当代LLM技术发展的总体趋势。从Gemini 2.5系列开始，Google就推出了不同层级的模型，包括功能强大但成本较高的Pro版本，以及速度快但能力相对较弱的Flash版本。Gemini 2.5系列虽然在当时获得了不少关注，但随着竞争对手的不断发展，其性能优势逐渐被侵蚀。到了Gemini 3时代，Google对其模型架构进行了根本性的改进。
2025-12-19 08:29:03
779
原创 内容审核与文本安全技术综述：检测、过滤与对齐
检测质量高度依赖数据。毒性/仇恨/冒犯语言检测领域形成了一批经典数据集，但它们的标签体系差异很大：例如 OLID（OffensEval）强调“是否冒犯—冒犯类型—目标对象”三层结构；HateXplain 在“hate/offensive/normal”三分类之外，还提供目标群体与人类标注的 rationale span；RealToxicityPrompts 则不做离散标签，而是用毒性分数来研究“模型续写时的毒性退化”。ACL 汇编。
2025-12-14 16:56:14
694
原创 可解释人工智能：概念谱系、方法体系、评估范式与大模型时代的新议题
可解释人工智能(XAI)研究综述了机器学习模型解释的关键问题与方法体系。随着复杂模型在医疗、司法等高风险领域的应用，解释需求从性能评估扩展到决策依据、公平性等维度。文章系统梳理了解释方法的两大路线：透明模型设计与后验解释技术，包括LIME、SHAP等局部解释方法，以及反事实解释、数据归因等新兴方向。
2025-12-14 16:31:22
599
调用API的AI聊天工具，可以免费使用Gemini 2.5 Flash、GPT-5-nano等模型，有获取API密钥教程，如果需要付费的高端模型自己改下代码用付费的分组也能用
2025-12-25
调用API的AI聊天工具，可以免费使用Gemini 2.5 Flash、GPT-5-nano等模型，有获取API密钥教程，如果需要付费的高端模型自己改下代码用付费的分组也能用
2025-12-25
俄罗斯方块游戏，高度还原20年前的QQ火拼俄罗斯方块游戏设计，可设置人自己玩和AI玩，代码中可以设置按键速度
2025-07-06
讯飞星火AI聊天助手 - WebSocket API接口调用
2025-07-01
本脚本能够实现简单的图像黑白二值图像转换和反色处理，在需要打印的办公时能够减少打印墨的消耗
2025-06-29
基于python的Excel读取和可视化图表工具
2024-09-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人