- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
Tacq - Rocq 的上下文感知战术推荐
Tacq - Rocq 的上下文感知战术推荐 Tacq - Context Aware Tactic Recommendation for Rocq https://hal.science/hal-05428141v1 3 Rocq 上下文：依赖项与符号 本节介绍我们如何利用 Pétanque 环境从当前目标中提取依赖项和符号。图2展示了我们方法的示意图。 其中，82% 被判定为“可接受”，15.2% “需改进”，仅 3% 被认为“错误”。 这一趋势在 Claude Sonnet 4 和 Qwen3 32B 上则不那么一致，但这两个模型仍从提示增强中获益。 针对参数量从 4B 到 32B 的 Qwen3 模型的实验表明，只有最大规模的模型能从额外信息中受益。我们认为，较小的模型缺乏足够的容量来有效利用附加上下文。
8810编辑于 2026-03-11 - 来自专栏活动
推荐系统中的上下文感知技术
3. 数据处理：对传感器数据进行处理和解析，例如将 GPS 数据转换为具体位置。 4. 上下文提取：将处理后的传感器数据提取为上下文信息，用于推荐系统中。 3. 数据处理：对用户输入的数据进行处理，例如自然语言处理以理解用户的意图。 4. 上下文分析：将处理后的用户输入数据转化为上下文信息，应用于推荐系统的算法中。 数据分析：分析历史数据以推断用户的兴趣、习惯和上下文。例如，通过行为模式识别用户的常用位置和活动。 3. 上下文推断：基于分析结果推断用户的上下文信息，例如，通过用户的历史活动推测当前的需求。 数据预处理：对上下文信息进行预处理，如归一化、编码等。 2. 特征转换：将预处理后的上下文信息转换为数值特征向量，例如使用独热编码、词嵌入等技术。 3. 3. 算法优化：根据三元组数据调整推荐算法，如在矩阵分解或深度学习模型中引入上下文因素，优化模型的训练过程。 4. 推荐生成：使用训练好的模型生成推荐结果，结合上下文信息对用户进行个性化推荐。
85101编辑于 2024-08-11 - 来自专栏自然语言处理
CAG: 基于上下文感知的检索增强生成
核心内容 论文提出了一个名为**上下文感知门（Context Awareness Gate, CAG）**的架构来解决检索不相关信息的问题。 如果原始查询与上下文之间的最大相似度落在上下文-伪查询相似度分布内，则认为RAG可能有益；否则，更有效的做法是排除RAG。 3. 上下文检索监督基准（Context Retrieval Supervision Bench, CRSB） 数据集构建：CRSB数据集包含17个不同主题的数据，每个上下文关联3个伪查询，总共包含5,100 这个数据集用于评估上下文感知系统和RAG语义路由器的性能。 论文实验 论文中进行的实验旨在评估上下文感知门（Context Awareness Gate, CAG）架构的性能和效果。 评估指标 上下文相关性（Context Relevancy）：衡量检索到的上下文与用户查询的相关程度。 答案相关性（Answer Relevancy）：衡量生成的答案与用户查询的相关程度。 3.
51710编辑于 2024-11-29 - 来自专栏自然语言处理(NLP)论文速递
SIGIR 2022 | FRNet：上下文感知的特征强化模块
另一方面，本文希望一个理想的特征细化模块应该识别重要的跨实例上下文信息，并学习不同上下文下显著不同的表示。 因此本文提出了一个模型无关的模块 Feature Refinement Network（FRNet）来学习上下文相关的特征表示，能够使得相同的特征在不同的实例中根据与共现特征的关系以及完整的上下文信息进行调整 主要贡献如下： 本文提出了一个名为 FRNet 的新模块，它是第一个通过将原始和互补的特征表示与比特级权值相结合来学习上下文感知特征表示的工作。 以上两个单元分别学习了特征之间的关系，对输入信息进行压缩，保存了特征的上下文信息。 #13 和 #3 学习了 contextual information，分别超过了 #4 和 #2。 Assigning weights to original features 是合理的。
63910编辑于 2022-12-06 - 来自专栏学院君的专栏
Go 视图模板篇（四）：上下文感知与 XSS 攻击
Go 模板引擎一个有趣的地方是显示内容可以根据上下文变化，该功能的一个常见用处就是在适当的地方对内容进行相应的转义。 上下文感知转义 下面看个示例，编写一段服务端处理器示例代码： package main import ( "html/template" "net/http" ) func contextExample 这就是 Go 视图模板的上下文感知特性，它可以根据指令的位置输出不同的内容： ? 排除 XSS 攻击 我们可以基于这个特性在 Go 视图模板中防止 XSS 攻击。 可以看到视图模板中显示的是对应的 HTML 实体代码，而不是执行这段 JavaScript 代码，这里就应用了上下文感知的功能自动对 JavaScript 代码进行转义，我们可以在浏览器开发者工具通过源代码看到转义后的 上下文感知支持 HTML、URL、JavaScript 以及 CSS 格式文本的转义。 不转义 HTML 有的时候，我们不希望对 HTML 代码进行转义，比如富文本就是这样的场景。
64220发布于 2020-08-27 Elastic 的 Discover 的演变：从 ESQL 到上下文感知
我们已经将 Discover 从一个高效但通用的数据探索工具，根本性地演变为一个能够适应你工作流程的上下文感知数据探索工具。 现在会自动在表中渲染 log.level，在文档查看器中提供自定义的日志概览，并为每一行添加级别指示器——这些都是我们在 Elasticsearch 和 Kibana 8.16: Kibana 变得更加上下文感知和节省时间与成本 中引入的新上下文体验的一部分。这意味着更少的设置时间和更多的洞察时间，并且今天为日志量身定制的视图，接下来将扩展到追踪、指标和警报。 上下文推荐查询： 不知道从哪里开始？ES|QL 编辑器现在提供上下文推荐查询，帮助你入门，降低新用户和现有用户的学习曲线。 你现在可以在单一视图中并行运行多个探索，在不同数据集和上下文体验之间无缝切换而不丢失位置。
19810编辑于 2025-10-27Alexa语音合成新突破：上下文感知的说话风格适配
在人类言语中，说话风格和韵律通常取决于上下文，为了使Alexa与用户的互动尽可能自然，对她而言也应是如此。例如，设想以下交流：用户：Alexa，播放Village People。 借助说话风格适配，Alexa将开始以同样的方式改变韵律模式，以适应对话上下文。 说话风格适配的模型之一会以感知上下文的方式生成替代措辞，这样Alexa就不会反复问同一个问题。在一轮对话中，她可能会说：“你指的是歌曲吗？”，在另一轮中，则可能是：“那我应该播放歌曲吗？”，依此类推。 因此，说话风格适配标志着向“概念到语音”方向迈出了一步，这是文本到语音技术的预想后继者，它以概念的高级表示为输入，并基于上下文和其他信号，在如何传达该概念方面拥有相当大的自由度。 然而，这仍然是第一天，我们正在试验利用其他上下文信息来进一步定制Alexa的回应。
17810编辑于 2025-12-30- 来自专栏深度学习自然语言处理
CLarET：实现上下文到事件相关感知的预训练模型
Transformer for Event-Centric Generation and Classification》也是这样的思路[1]，选择在 BART 上增加三个事件相关的预训练任务，意图增强语言模型的事件感知推理能力 因此，可以通过构造与上下文不相关的负例事件，和正确的事件一起提供给模型，增强模型学习正确的事件描述及其上下文的相关性的能力。 一些定量分析 Zero-shot Learning 这部分实验主要想验证 ClarET 有没有学到事件信息，对比对象是其他的 MLM 模型，结果看表3和表4，还是按生成式和分类式划分。 Few-shot Learning 因为 ClarET 减少了预训练和微调在事件上的不一致，所以只需要10%-30%的训练数据进行微调，就可以实现与强基线类似的性能（图3）。 应用于句子特征学习 苏州大学NLP团队文本生成&预训练方向招收研究生/博士生（含直博生） NIPS'22 | 重新审视区域视觉特征在基于知识的视觉问答中的作用 武汉大学提出：用于基于统一Aspect的情感分析的关系感知协作学习
1.1K20编辑于 2022-10-11 - 来自专栏架构师成长之路
Go进阶(3)：上下文context
wg.Done() } func main() { wg.Add(2) // 需要开启几个goroutine就给等待组的计数器赋值为多少，这里为2 for i := 1; i < 3; Goroutine 由于没有接收到这个信号所以会继续工作； 使用 Context 同步信号：但是当我们正确地使用 context.Context 时，就可以在下层及时停掉无用的工作以减少额外资源的消耗： 3、 context.cancelCtx； context.propagateCancel 会构建父子上下文之间的关联，当父上下文被取消时，子上下文也会被取消。 3) context.cancelCtx.cancel方法实现： context.cancelCtx 实现的几个接口方法也没有太多值得分析的地方，该结构体最重要的方法是 context.cancelCtx.cancel 3、valueCtx 类型：传值方法 在调用 context.WithValue 方法时，我们会涉及到 valueCtx 类型，其主要特性是涉及上下文信息传递。
1.1K20编辑于 2023-02-27 - 来自专栏ATYUN订阅号
Pinterest推出感知上下文的可视化搜索工具Complete the Look
Pinterest推出了Complete the Look，这是一款为家居装饰和时尚类别开发的视觉搜索工具，可为照片中的多件物品提供样式建议，如衬衫，连衣裙，鞋子或太阳镜。
1.1K30发布于 2019-06-21 OpenAI推出Codex Security：上下文感知的代码漏洞检测与修复
Codex Security 被定位为一个上下文感知系统，试图缩小这一差距。Codex Security 如何工作？ Codex Security 分 3 个阶段工作：第 1 步：构建项目特定的威胁模型第一步是分析代码仓库并生成一个项目特定的威胁模型。 第 3 步：利用系统上下文提出修复建议第三步是修复。Codex Security 利用完整的周围系统上下文提出修复建议，目标是生成既提高安全性又最小化回归问题的补丁。 从模式匹配到上下文感知审查的转变此工作流程反映了应用安全工具的更广泛转变。传统扫描器能有效发现已知类别的非安全模式，但它们通常难以区分理论上存在风险的代码和在特定部署中实际可利用的代码。 该系统分 3 个阶段工作：首先构建一个可编辑的威胁模型，然后在沙盒环境中（如果可能）对问题进行优先级排序和验证，最后在完整的系统上下文中提出修复建议。该产品旨在减少安全分类噪音。
22700编辑于 2026-03-10深度测评 MonkeyCode 的「上下文感知」代码补全系统
尤其是它那套号称“上下文感知”的代码补全系统，真的让我有种“卧槽，这才是我想要的 AI 助手”的感觉。 ——它的“上下文感知”代码补全系统。 什么是“上下文感知”？简单来说，就是 AI 不仅仅根据你当前正在输入的那一行代码来提供建议，而是会综合考虑你整个项目、当前文件、甚至是函数内部的逻辑关系，来给出更加精准、贴合实际需求的代码片段。 最重要的是，由于它强大的上下文感知能力，我发现自己越来越少地需要手动去查阅文档或翻找之前的代码。大部分时候，MonkeyCode 都能在我需要的时候，及时提供准确的信息和建议。 其核心的“上下文感知”代码补全系统，确实解决了传统 AI 助手存在的诸多痛点，让代码生成变得更加精准和高效。
75510编辑于 2025-09-29- 来自专栏AI机器学习与深度学习算法
学习分类 2-3 感知机
感知机 要如何求出权重向量呢？基本做法和回归时相同，将权重向量用作参数，创建更新表达式来更新参数。这就需要一个被称为感知机的模型。 感知机是接受多个输入后将每个值与各自的权重相乘，最后输出总和的模型。 数据包含三个特征的感知机模型如下所示。 感知机是非常简单的模型，基本不会应用到实际的问题当中，但是它是神经网络和深度学习模型的基础模型。 图片 下表示收集到的六个训练数据。
63710编辑于 2022-11-08 - 来自专栏phodal
AI 智能体交互语言 DevIns：构建上下文感知的 AI 驱动编程
https://mpvideo.qpic.cn/0bc3iqaeoaaaguaionxwknsvargdi5caarya.f10002.mp4? Why DevIns？ 在 AutoDev 项目中，我们通过构建上下文感知与自定义能力，来实现对于软件开发任务的智能辅助，如自动测试生成与运行、UI 自动生成等。 你可以将你的需求描述成自然语言： 解释代码 /file:src/main/java/com/example/Controller.java 而后，AutoDev 将会结合上下文，并将其编译成对应的指令文本
46810编辑于 2024-03-25 - 来自专栏3D视觉从入门到精通
用于视觉定位的上下文感知线描述符（IEEE2021）
利用NLP作为线段描述符，可以处理各种可变长度的线段； 提出的线段描述符通过关注线段上更有意义的点来理解线段的上下文。 考虑到点嵌入的上下文，transformers将其归纳为线嵌入或线描述符。第二个组件通过与邻域共享线的位置上下文来增强线描述符。 （2）室外：在随机选择的序列影像中执行视觉位置识别，以筛选出具有3D线特征的对应参考图像。 其中一个原因是在深度验证期间3D线内点的数量较少。虽然3D特征点直接由其对应的深度像素确定，但一些3D线特征会在RANSAC中的深度线性验证期间被过滤掉。 C、可变线段长度 图3(a)说明了整个图具有向上的轨迹，从而表明当线段延伸时，本文方法比其他基于CNN的线描述符表现得更好。
73030编辑于 2023-04-29 - 来自专栏DeepHub IMBA
构建自己的AI编程助手：基于RAG的上下文感知实现方案
而代码助手需要专门为代码设计的上下文感知的RAG（Retrieval-Augmented Generation）管道，这是因为代码跟普通文本不一样，结构严格，而且不能随便按字符随便进行分割。 embedding模型推荐可以用OpenAI的text-embedding-3-large或者Voyage AI的代码专用模型。 every run db = Chroma.from_documents( texts, OpenAIEmbeddings(model="text-embedding-3- 上下文构建 单纯把代码片段扔给GPT还不够。它可能看到User类的定义，却不知道main.py里怎么实例化它。缺的是全局视角。 Aider、Cursor这类工具采用的进阶技术叫Repo Map，也就是把整个代码库压缩成一棵树结构，塞进上下文窗口： src/ auth/ login.py:
26110编辑于 2026-01-22 - 来自专栏时空探索之旅
MoiraiAgent（摩伊拉特工）：Salesforce 上下文感知时间序列预测智能体框架
通过突破传统预测的边界，MoiraiAgent所提供的预测不仅以数据为驱动，还能感知背景并响应现实世界的情况。 图 2：MoiraiAgent 对输入的数值和上下文信息进行分析和理解。 这些结果确立了MoiraiAgent作为最先进的时间序列预测模型的地位（state-of-the-art time-series forecasting model），并且是在实践中朝着更具适应性、更具上下文感知的预测迈出的有力一步 图3：GIFT-Eval基准测试的预测误差表现，数值越小越好 上下文感知的时间序列预测（Context-aware time-series forecasting） 虽然传统的预测模型擅长从数值时间序列中提取模式 GIFT-CTX基准测试的结果证明，最准确的预测不仅仅是数据驱动的，还需要具备上下文感知能力。 MoiraiAgentTimeSeriesForecast moirai_agent = MoiraiAgentTimeSeriesForecast() time_series_data = { 'history_seq': [1,2,3,4,5,6
29710编辑于 2026-03-10 - 来自专栏AIGC 先锋科技
浙大提出 PD-TPE | 用于3D视觉定位任务，特征提取和上下文感知，刷新 SOTA ！
浙大提出 PD-TPE | 用于3D视觉定位任务，特征提取和上下文感知，刷新 SOTA ！ 三维视觉定位旨在通过自由形式的自然语言描述在3D点云场景中定位目标目标。 尽管2D图像的视觉定位已经取得了显著成果，但3D点云的稀疏和复杂结构，结合由3D空间上下文引入的语言多样性，为3D视觉定位带来了重大挑战。 位置编码（PE）可以有效地细化注意力图，这对于理解3D场景中标记的上下文信息至关重要。 其他浅蓝色框根据文本信息与上下文目标相关联。这些结果证明了作者方法在理解文本中的上下文信息以推理所指目标目标方面的有效性。 Conclusion 在本文中，作者提出了PD-TPE，这是一个具有并行解码器的一阶段模型，用于3D视觉定位任务，它有助于分别提取提案特征和感知它们周围的上下文布局。
47210编辑于 2024-07-31 - 来自专栏openclaw系列
OpenClaw源码详解之消息上下文智能解析模块：`reaction-message-id.ts`上下文感知机制深度剖析
虽然这个模块仅有寥寥数行代码，但它体现了OpenClaw对用户体验的极致追求和对上下文感知的深刻理解。 模块定位与核心价值在OpenClaw架构中的位置reaction-message-id.ts位于OpenClaw项目的工具参数处理层，是一个专门用于消息ID解析的上下文感知工具函数。 ，支持上下文感知返回类型：string|number|undefined，兼容Discord消息ID的不同表示形式上下文类型定义展开代码语言：TXTAI代码解释typeReactionToolContext 上下文感知机制详解上下文的来源toolContext?. ，reaction-message-id.ts模块提供了以下最佳实践启示：1.小而美的工具函数专注于解决一个具体问题保持接口简单确保高内聚、低耦合2.上下文感知设计考虑用户的实际使用场景提供智能的默认行为允许用户覆盖默认行为
24310编辑于 2026-04-03 - 来自专栏人人都是极客
无人驾驶技术课——感知（3）
在前面的课程里，我们提到了感知模块内的计算机视觉和深度学习，这节课我们来讲一讲感知任务中的分类、跟踪、语义分割和 Apollo 感知相关的内容。 如果感知到前方有一辆自行车，汽车可能会决定减速或变道，以便安全驶过自行车；但是，如果感知到前方是一辆汽车，并预测到前方车辆也将以接近限速的速度行驶，无人车可能会保持其速度与车道。 过滤器应用于点云和图像数据，以缩小搜索范围并加快感知。 Apollo的感知融合策略 感知通常依赖于摄像头、激光雷达和雷达，该图显示了三种传感器的优缺点 ? 正是有了这些工具，无人驾驶才可以使用自身的传感器来感知世界。 如果您对无人车的“感知”模块还有疑问，请在文末留言，我们会为您依次解答。接下来我们将开启新的章节——自动驾驶的“预测”模块。
1.2K20发布于 2018-12-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号