- 综合排序
- 最热优先
- 最新优先
腾讯云 X 咕泡科技 AI 实训 CDE 平台正式落地
为有效解决这一核心问题，咕泡科技与腾讯云联手打造新一代AI实训CDE平台。经过无数次测试打磨后，7月10日正式于咕泡云课堂全面上线。 咕泡AI实训CDE平台融合腾讯云Cloud Studio坚实的技术底座形成三大核心，能够快速帮助学员实现知识到能力的转化，成为企业需要的人才。 着眼于这一基础需求，咕泡科技运用AI与“云课堂“课程功能深度融合，打造五大智慧学习模式，专注于帮助学员系统、高效地构建知识体系，为后续流畅的“学以致用”打下坚实基础。 五大智慧学习功能与咕泡AI实训CDE平台的无缝融合，让学员的每一次代码编写、模型调试都转化为有效的能力积累，真正解决“学用脱节”的困境，实现从“知道”到“做到”的进阶。 咕泡AI实训CDE平台的上线，是咕泡实现从“知识传授者”向“中高端科技人才孵化平台”战略升级的关键一步。它远非单一工具，核心在于为学员构建了从知识输入到能力输出的完整成长路径。
65610编辑于 2025-07-11咕泡AI云实验室全面升级！
大模型、生成式 AI、智能体……每一个概念的落地，都在重塑 AI 领域格局，重新定义人才标准。在这个算法即竞争力、数据即资源的时代，掌握 AI 不仅是一项技能，更是一种与未来对话的方式。 咕泡 AI 云实验室与腾讯云深度共创，完成从工具平台到 AI 实战生态的全面进化，用海量算力、真实数据、安全部署重新定义 AI 实战体验。 无论是 BERT 模型训练、大语言模型微调，还是复杂数据挖掘、深度学习任务，都能轻松承载。无需担心本地显卡性能不足，系统自动完成底层环境搭建，30 秒内一键启动编程界面。 咕泡云课堂与腾讯云无缝衔接咕泡云课堂与腾讯云账号打通，课程学习过程中即可随时点击【云实验室】进入实验室，理论学习与实战操作零延迟衔接，让课堂知识快速转化为动手能力，学习效果看得见、摸得着。 未来，咕泡将继续以技术进化推动学习革新，链接更多产业资源、优化实战场景，让每一位学习者都能零距离触摸 AI 前沿，无边界实现成长突破！
29310编辑于 2025-11-17Kaggle Grandmaster 的价值：不止于竞赛，更在于引领破局
要成为Grandmaster，需要在某个或多个领域达到极高的成就：竞赛Grandmaster：在官方比赛中累计获得多枚金牌，通常需要多次进入全球排名前10甚至前5。 04 咕泡AI竞赛服务：由Grandmaster带队的竞赛体验面对Kaggle竞赛的挑战，许多参赛者需要指导和支持。 咕泡科技认识到了这一需求，推出了专业的AI竞赛服务，其最大特点是由Kaggle Grandmaster组成的专业导师团队专业指导团队咕泡科技的AI竞赛服务拥有一支由Kaggle Grandmaster和业内专家组成的导师团队 ：分享实用技巧和经验，提高模型性能提分技巧与策略分享：帮助学员优化方案，提升排名训练赛题总结与答疑解惑：解决学员在备赛过程中遇到的各种问题强大的技术支持平台咕泡科技与腾讯云联合打造了AI实训CDE平台【 咕泡AI云实验室】，以“云端一体化实训+全栈能力培养”模式，搭建从知识学习到企业实战的完整链路。
46010编辑于 2025-09-06- 来自专栏养码场
八月福利| 五大专题，四大阶段，超全Java架构师学习线路图
五大专题，四大阶段，最全JAVA架构师学习路线图！ 后台回复809，即可获得高清大图哦~ 五大专题： 四个阶段： 作 者 介 绍 咕泡学员-阿阳 JAVA开发者，现就职于腾讯课堂-咕泡学员。
42820发布于 2018-08-13 - 来自专栏技术趋势
windows10搭建llama大模型
背景 随着人工时代的到来及日渐成熟，大模型已慢慢普及，可以为开发与生活提供一定的帮助及提升工作及生产效率。所以在新的时代对于开发者来说需要主动拥抱变化，主动成长。 LLAMA介绍 llama全称：Large Language Model Meta AI是由meta（原facebook）开源的一个聊天对话大模型。 ~all~sobaiduend~default-1-106591160-null-null.142^v88^control,239^v2^insert_chatgpt&utm_term=windows10% Linux图： 下载羊驼模型（有点大） 先建一个文件夹：path_to_original_llama_root_dir 在里面再建一个7B文件夹并把tokenizer.model挪进来。 -f prompts/alpaca.txt -ins -c 2048 --temp 0.2 -n 256 --repeat_penalty 1.3 结果 最后 我知道很多同学可能觉得学习大模型需要懂
1.6K30编辑于 2023-09-12 - 来自专栏喔家ArchiSelf
大模型应用设计的10个思考
技术不是万能的，但没有技术却可能是万万不能的，对于大模型可能也是如此。 基于大模型的应用设计需要聚焦于所解决的问题，在自然语言处理领域，大模型本身在一定程度上只是将各种NLP任务统一成了sequence 到 sequence 的模型。 利用大模型， 我们是在解决具体的生产和生活中的问题，产品和技术上的设计仍然不可或缺。 那么，如果大模型正在重新构建软件工程的未来，我们是否应该遵循一些基本原则呢？ 1. 因此，只要我们对模型进行适当的控制和引导，它就能成为我们工作中得力的“助手”。而这种控制的基础，就是我们对模型内部机制和特点的深入了解和掌握。 10. 因此，我们在使用大模型时，应该保持理性和谨慎的态度，既要欣赏它们所带来的便利和进步，也要警惕它们的局限性和潜在风险。这样，才能更好地利用这些模型，推动基于大模型应用的健康发展。
63810编辑于 2023-12-04 - 来自专栏喔家ArchiSelf
大模型应用的10个架构挑战
基于笔者近年来的探索与实践，这里列举了面向大模型应用系统架构设计的10个挑战。 1. 生产环境的挑战——推理框架的选择 对于大模型应用而言，生成环境的运行时是一个推理架构。 大模型应用需要一个针对产品级大型语言模型的高效管理系统。 尽管我们已经有了一些探索，例如《大模型应用的10个架构模式》(https://mp.weixin.qq.com/s? 适用性挑战——大模型的应用边界 大模型在人工智能领域确实展现出了强大的能力，它们在各种控制平面和应用场景中都发挥着重要作用。然而，尽管大模型的应用范围广泛，但并不意味着它们是无所不能的。 虽然大模型在人工智能领域具有广泛的应用前景，但并不是所有场景都适合使用大模型。在设计系统架构时，我们需要根据具体需求和技术挑战来判断是否需要引入大模型，以确保系统的高效性和可靠性。 10.
1.2K10编辑于 2024-12-24 - 来自专栏机器学习/数据可视化
机器学习分类模型10大评价指标
公众号：尤而小屋作者：Peter编辑：Peter大家好，我是Peter~机器学习分类模型的评价指标是在衡量模型在未知数据集上的性能表现，通常基于混淆矩阵和相关的评价指标。 样本的真实类别是负类，但模型将其识别为正类。True Negative（TN）：真负类。样本的真实类别是负类，并且模型将其识别为负类。 ，精确率越高，表示模型越好。 ，也就是说精确率是模型在某个类别上的判断。 下图是来自维基百科对ROC-AUC的解释：图片通过对分类阈值$\theta$（默认情况下是0.5，范围是0到1）从大到小或者从小到大排列，就可以得到多组TPR和FPR的取值，在二维坐标系中绘制出来就可以得到一条
1.5K10编辑于 2023-10-13 - 来自专栏大模型应用
大模型应用：大模型性能评估指标：CLUE任务与数据集详解.10
，应运而生，它就像一把精准的尺子，为中文大模型的性能评估提供了标准化方案。 同样，没有CLUE这样的基准，我们也难以比较不同大模型的优劣。CLUE不仅填补了中文自然语言处理评估的空白，更为模型研发提供了明确的方向指引。二. CLUE基准概述1. label] = metrics['f1-score'] if f1_scores: labels = list(f1_scores.keys())[:10 : 完整的评估流程8.2 完整的评估指标准确率、精确率、召回率、F1分数精确匹配率（阅读理解）NER任务的序列标注指标置信度分析七、总结 CLUE基准作为中文大模型评估的重要标准，不仅为技术发展提供了明确的导向 随着人工智能技术的不断演进，CLUE基准也将持续完善，更好地服务于大模型的研发和应用。 正如一句古语所说："工欲善其事，必先利其器。"CLUE基准就是我们评估和提升大模型能力的利器。
55232编辑于 2026-02-07 - 来自专栏喔家ArchiSelf
大模型应用的10种架构模式
作为一位老码农，我在这里整理总结了一些针对大模型应用的设计方法和架构模式，试图应对和解决大模型应用实现中的一些挑战，如成本问题、延迟问题以及生成的不准确性等。 2.大模型代理模式 想象一个生态系统，其中多个专门针对特定任务的生成式AI模型各自作为其领域内的专家，并行工作以处理查询。 10. 双重安全模式 围绕大型语言模型（LLM）的核心安全性至少包含两个关键组件：一是用户组件，我们将其称为用户Proxy代理；二是防火墙，它为模型提供了保护层。 随着我们们继续探索和创新，还会涌现出很多新的架构模式，而且这里的10个架构模式以及新涌现的架构模式可能成为人工智能服务的表现形态。 我希望能够持续更新本系列，也希望对此有兴趣的朋友联系我， 共同研究探索，致力于大模型应用的架构模式。
5.3K11编辑于 2024-04-03 - 来自专栏对白的算法屋
AI 大模型创业的 10 个灵魂拷问
下面就这 10 个灵魂拷问，分享一些我自己的观点。 做不做基础大模型？ 如果做基础大模型，需要上亿美金的前期投入，如何融到这么多资，如何招到靠谱的算法、数据和 infra 团队？ 但这样的模型推理成本会很高，就像现在 GPT-4 读一篇论文要 10 美金，只有高净值客户和探索科学前沿的场景才消费得起。 推理性能优化的空间更大，因为 Transformer 的结构，很多场景下有效算力只有 10%~20%。如果做 batching，时延和带宽又会成为 trade-off。 我认为，大模型本身的智商固然重要，大模型与外部环境交互的能力和大模型之间协作的组织结构才能让大模型走得更远。 第一，如果读一篇论文还是像 GPT-4 那样需要 10 美金，生成一段 7.5 分钟的视频还是像 Runway ML 一样需要 95 美金，大多数人就不可能用得起大模型。
66930编辑于 2023-09-01 - 来自专栏TechLead
大模型应用曙光 - 10X压缩技术
拥有10+年AI领域研究经验、复旦机器人智能实验室成员，国家级大学生赛事评审专家，发表多篇SCI核心期刊学术论文，上亿营收AI产品研发负责人。 如何在不牺牲性能的情况下将大语言模型缩小十倍？ 不用说，大多数消费设备（如手机、平板电脑、笔记本电脑）无法处理如此庞大的模型。但……如果我们可以让模型变小呢？ 模型压缩 模型压缩旨在在不牺牲性能的前提下减少机器学习模型的大小。 量化——使用更低精度的数据类型表示模型 剪枝——从模型中删除不必要的组件 知识蒸馏——通过较大的模型训练较小的模型 _注意_：这些方法是相互独立的。 知识蒸馏 知识蒸馏是将知识从一个（较大的）教师模型传递到一个（较小的）学生模型。一种方法是通过教师模型生成预测，并使用这些预测来训练学生模型。 令人惊讶的是，训练结束时，学生模型在所有评估指标上都超过了教师模型！ 接下来，我们可以在独立的验证集上评估模型，即未用于训练模型参数或调整超参数的数据。
51710编辑于 2024-09-24 - 来自专栏深度学习与python
大模型应用的 10 种架构模式
作为一位老码农，我在这里整理总结了一些针对大模型应用的设计方法和架构模式，试图应对和解决大模型应用实现中的一些挑战，如成本问题、延迟问题以及生成的不准确性等。 1. 大模型代理模式 想象一个生态系统，其中多个专门针对特定任务的生成式 AI 模型各自作为其领域内的专家，并行工作以处理查询。 通过将大模型与基于规则的逻辑结合，我们能够融合结构化的精确性，旨在创造出既富有创意又遵循规范的解决方案。 10. 双重安全模式 围绕大型语言模型（LLM）的核心安全性至少包含两个关键组件：一是用户组件，我们将其称为用户 Proxy 代理；二是防火墙，它为模型提供了保护层。 没有结束 老码农认为，这些大模型应用的架构模式不仅仅是一种范式，很可能成为未来智能系统赖以成长的框架。
92810编辑于 2024-04-12 腾讯云 Cloud Studio 人工智能实训与编程教学解决方案概要
核心业务场景涵盖： 人工智能实训：支持大模型微调、推理研究、AI应用开发等教学与实践。 计算机编程教学：覆盖从基础编程到高级项目开发的全流程教学与实训。 北京航空航天大学 背景：需支持AI编程教学与大模型实训。 解决方案：采用Cloud Studio提供云端IDE、GPU算力及AI判题智能体。 成效：实现低成本稳定接入与大模型实训环境快速搭建。 3. 南京信息工程大学 背景：需增强实训平台功能与算力支持。 解决方案：引入Cloud Studio的云端开发环境与AI代码助手。 深圳大学 背景：需覆盖大模型核心课程与实训需求。 解决方案：采用Cloud Studio提供的权威AI课程与推荐学习路线。 成效：实现标准化课程交付与高可用算力资源调度。 5. 咕泡云课堂 背景：需扩展AI与编程教学场景支持。 解决方案：采用Cloud Studio提供持久化开发环境与教学管理工具。 成效：实现多角色协同教学与资源高效分配。
28310编辑于 2026-04-11- 来自专栏喔家ArchiSelf
10个构建Agent的大模型应用框架
LangChain LangChain是目前最受欢迎的大模型应用开发框架之一，几乎成为了构建大模型应用的行业标准。 增强的大模型推理 API优化大语言模型的推理性能，同时降低成本。 Autogen 特别适合与 开源系统 和 微软生态系统 结合使用，是构建 Agentic AI 和大模型应用的理想选择。 10. Haystack Haystack 是由 deepset 开发的一个开源框架，专门帮助企业构建生产级的 大模型应用、RAG（检索增强生成）流水线以及复杂的搜索应用。 大模型应用的10个架构挑战 浅析面向场景的大模型应用框架选择 解读小模型——SLM 大模型应用系列：从Ranking到Reranking 大模型应用系列：Query 变换的示例浅析 初探大模型压缩 解读大模型应用的可观测性 大模型应用的10种架构模式 LLM运行框架对比：ollama与vllm浅析
12.4K30编辑于 2025-03-24 - 来自专栏小赵的Java学习
Bean的生命周期（不要背了记思想）
文章内容引用自 咕泡科技 咕泡出品，必属精品 文章目录 1. 应付面试 2 可以跟着看源码的图 3 学习Bean 的生命周期之前你应该知道什么 4 Bean 的完整生命周期 1. 如上所说大致可以分为四个阶段： 实例化 -> 属性赋值 -> 初始化 -> 销毁 给出一个可以让你们看着去跟源码一步一步点下去的无敌图 其实学习Bean的生命周期有这个图就足够了 本图来自咕泡学院文泰老师 ，转发请注明出处，否则必究 咕泡出品，必属精品 3 学习Bean 的生命周期之前你应该知道什么 没有前置知识盲目的去学习Bean的生命周期，是没有任何意义的，或者说这只是为了应付面试而学 没有使用场景
21.4K87编辑于 2022-12-02 - 来自专栏量子位
清华大模型人才遭哄抢！盘点5大学术重镇10大产业玩家
国内大模型力量百家争鸣：5大学术重镇，10大产业巨头 清华不是这轮浪潮中唯一的宠儿。随着AIGC和类ChatGPT产品相关话题日益高涨的热度，国内大模型人才市场好不热闹。 为此，量子位梳理了百家争鸣的国内产学研界大模型重镇，代表性机构和代表性人物，共计5支学术界团队和10大产业界力量，排名不分先后。当然极有可能挂一漏万，欢迎在评论区中补充。 △太乙根据提示次“小桥流水人家，水彩”生成的画作 接下来聊聊10家极具代表性的产业界力量： 01：百度 提起百度的NLP技术，最被人熟知的是文心大模型。 澜舟科技给予Transformer的“孟子”大模型，走轻量化路线，仅包含10亿参数量，可处理多语言、多模态数据，同时支持多种文本理解和文本生成任务。 10：浪潮信息 去年年中，浪潮信息推出了4个技能大模型（SkillModel），分别为对话模型“源晓问”、问答模型“源晓搜”、翻译模型“源晓译”、古文模型“源晓文”，它们4个都基于“源1.0”大模型生成
2K20编辑于 2023-02-24 - 来自专栏小赵的Java学习
从源码探究双亲委派机制
文章内容引用自 咕泡科技 咕泡出品，必属精品 首先我们要知道双亲委派机制是为了解决什么问题？ 本图取自咕泡学院，如有侵权，联系速删 除非是有特殊的业务场景，一般来说不要主动去破坏双亲委派模型 那有的人可能会有疑问啦，既然jvm推荐并希望开发者遵循双亲尾派模型，那么为什么不把load class方法像 这就是史上第一次的双亲委派模型被破坏了，像很多事情（*装）只有零次和N次，双亲委派模型第二次被破坏，是由于这个模型自身的缺陷导致，双亲委派能很好的解决了各个类加载器协作时基础类型的一致性问题，但是如果有基础类型要调用用户的代码 有了线程上下文类加载器，程序就可以做一些不符合双亲委派模型的事情了。 JNDI服务使用这个线程上下文类，加载器去加载所需的SPI服务代码，这是一种父类加载器去请求子类加载器完成类加载的行为，这种行为实际上是打通了双亲委派模型的层次结构来逆向使用类加载器，已经违背了双亲委派模型的一般性原则
74330编辑于 2022-12-02 - 来自专栏机器学习AI算法工程
知乎热议：985计算机视觉研究生找不到工作？
当初选择该方向时，深度学习正处于大热阶段，什么无人驾驶，人脸识别听起来就很高大上。然而，到了找工作的时候，发现就业形式和他想的相差太大。 ，咕泡教育现邀请到「人工智能实战专家 - 唐宇迪博士」，专为深度学习的同学开设了「计算机视觉训练营 - <图像分类与分割篇>」 ，深入讲解深度学习领域必备经典网络架构，基于pytorch最新版本展开实例分析 图像分类与分割实战训练营 01 课程安排 上课时间：3月9日-10日，每晚20:00-22:30 课程服务：录播＋直播授课+讲师答疑+课堂笔记+作业布置 Day1：深度学习必备核心算法通俗解读 神经网络模型细节知识点分析 神经网络模型整体架构解读. 计算机视觉核心模型-卷积神经网络. 卷积神经网络整体架构及其参数设计. Day2：图像分割与目标检测实战 图像分割算法解读. Unet算法实例应用. PPT课件、课堂笔记会在3月10日统一发给完成全部作业且2天都到课的同学。 ☑ 名师助力 ☑ 含金量高 ☑ 提升专业能力 粉丝优惠！仅需 0.02 元！
94120编辑于 2022-03-09 - 来自专栏计算机视觉战队
知乎热议：985计算机视觉研究生找不到工作？
当初选择该方向时，深度学习正处于大热阶段，什么无人驾驶，人脸识别听起来就很高大上。然而，到了找工作的时候，发现就业形式和他想的相差太大。 ，咕泡教育现邀请到「人工智能实战专家 - 唐宇迪博士」，专为深度学习的同学开设了「计算机视觉训练营 - <图像分类与分割篇>」 ，深入讲解深度学习领域必备经典网络架构，基于pytorch最新版本展开实例分析 图像分类与分割实战训练营 01 课程安排 上课时间：3月9日-10日，每晚20:00-22:30 课程服务：录播＋直播授课+讲师答疑+课堂笔记+作业布置 Day1：深度学习必备核心算法通俗解读 神经网络模型细节知识点分析 神经网络模型整体架构解读. 计算机视觉核心模型-卷积神经网络. 卷积神经网络整体架构及其参数设计. Day2：图像分割与目标检测实战 图像分割算法解读. Unet算法实例应用. PPT课件、课堂笔记会在3月10日统一发给完成全部作业且2天都到课的同学。 ☑ 名师助力 ☑ 含金量高 ☑ 提升专业能力 粉丝优惠！仅需 0.02 元！
48730编辑于 2022-03-10
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