- 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
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 全方位的竞赛指导咕泡科技为学员提供了一系列支持服务，包括：比赛平台使用教程和开发环境搭建：帮助学员快速上手，节省环境配置时间赛题解析与baseline代码详解：深入分析比赛题目，提供基础解决方案特征工程及实战案例分析 ：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 - 来自专栏云头条
2 亿元、咪咕视讯「视频云」采购：云落谁家 ？
2021年9月10日，咪咕视讯2021-2023年视频云服务合作伙伴引入项目比选资格预审公告发布，资格预审的预估项目规模 20000 万（含税）、预估增值税税率6%。 采购内容：引入视频云服务业务合作伙伴，为咪咕视讯政企客户提供完善稳定的音视频相关服务能力。 包括但不限于：音视频编解码能力、点直播加速分发能力、视频智能标签、自动拨测能力及视频监控等能力。
68410编辑于 2022-03-18 - 来自专栏Soul Joy Hub
【大模型AIGC系列课程 3-2】国产开源大模型：ChatGLM
GLM https://arxiv.org/pdf/2103.10360.pdf GLM是General Language Model的缩写，是一种通用的语言模型预训练框架。 具体来说，GLM通过随机遮盖文本中连续的标记，并训练模型按顺序重新生成这些遮盖的部分。这种自回归的空白填充目标使得GLM能够更好地捕捉上下文中标记之间的依赖关系，并且能够处理可变长度的空白。 这个图示说明了GLM预训练的过程，具体解释如下： a) 原始文本：给定一个原始文本，例如[x1, x2, x3, x4, x5, x6]。 在生成过程中，模型可以根据之前生成的词片段和Part A中的上下文来预测下一个词片段。 d) 自注意力掩码：为了限制模型的注意力范围，
82720编辑于 2023-08-28 - 来自专栏大模型成长之路
【大模型学习 | BERT 量化实战（2） 】
BERT 量化实战分析前言：在【大模型学习 | 量化实战（1）】-腾讯云开发者社区-腾讯云中基于BERT实现了情感分析系统以及量化的实现，但是量化的结果导致了模型的精确度急剧下降，从90%降到了54%， 未出现截断情况（即分布区域超过量化上下限）、分布近似 scale过大scale的计算如下所示：scale=\frac{max(w)-min(w)}{255} , 个别层的权重有离群值，会导致scale非常大， Sensitive Layers:") for r in results[:5]: print(f"{r[0]:40s} | Acc: {r[1]:.4f} | ΔAcc: {r[2] :.4f}") return results 其他分析方法层级 fallback 到 FP32与敏感性分析相关，该方法是将原模型逐层量化，观察精度下降情况误差传播分析对 float32 模型 和 模型 vs INT8 模型输出差异有多大
82410编辑于 2025-06-27 - 来自专栏大模型成长之路
【大模型学习 | BLIP2原理】
BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models 作者提出一种从离线、梯度冻结的图像、语言模型中提升图文的预训练模型。为了联系两个不同模态预训练模型，作者提出一种使用两个阶段预训练模型Querying Transformer (Q-Former)。 一、预训练方法这种预训练方法分为了两个阶段 （1）视觉语言特征表示学习阶段 （2）视觉到文本的生成学习阶段 1.1 Q-Former主要作用就是对齐两个不同模态的冻结预训练模型 Q-Former包含了两个 transformer子模块：（1）Image Transformer （特征提取） （2） Text transformer (作为文本编码器和解码器) ; 一组可学习的查询嵌入向量作为 Image 作者尝试了两种LLM冻结模型：(1) decoder-based LLMs : query 表征作为 LLM 的输入前缀（prefix） → LLM 自己完成文本生成(2) encoder-decoder-based
1.2K00编辑于 2025-07-01 - 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. 实现了BeanFactoryAware接口，会先调用setBeanFactory方法 2. 实现了BeanNameAware接口，会先调用setBeanName方法 3. 然后在进行aop后置处理，通过实现BeanPostProcessor接口,在postProcessAfterInitialization方法中进行动态代理 销毁 2 可以跟着看源码的图 Bean的生命周期主要是 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 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。 2. 东南大学 背景：计算机教学需适应AI时代变革。 解决方案：集成Cloud Studio至现有教学平台，提供持久化GPU算力与AI助教能力。 成效：实现低成本稳定接入与大模型实训环境快速搭建。 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- 来自专栏计算机视觉战队
目标检测算法终结篇：YOLOV1-V5
YOLO v5 模型的头部与之前的 YOLO V3 和 V4 版本相同。 为此，咕泡科技现邀请到「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「深度学习缺陷检测实战篇」。课程将会结合源码与真实数据集展开项目实战，全方位读缺陷检测项目与科研流程。 内容仅截选部分，在「深度学习缺陷检测实战训练营」中 , 将帮助同学们快速掌握AI领域两大核心模块：检测与分割，并基于真实数据集进行项目实战。 从理论基础到核心原理 集中精力各个击破！ 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：深度学习缺陷检测实战 缺陷数据标注与数据集构建. YOLOV5模型训练全流程解读. PPT课件、课堂笔记会在6月30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！ 0.02元 !
53530编辑于 2022-06-29 - 来自专栏云原生技术社区
大模型时代已来，Meta发布LLaMA 2
在人工智能和机器学习领域，语言模型的发展一直是企业关注的焦点。然而，由于硬件成本和资源需求的挑战，许多企业在应用大模型时仍然面临着一定的困难。 关于LLaMA 2 Meta LLaMA 是一款由Meta公司开发的开源超大规模语言模型。一直以来，LLaMA 系列模型在AI社区内被誉为最强大的开源大模型之一。 相较于之前的版本，LLaMA 2在效果上有了显著提升，甚至可以接近GPT-4的水平。LLaMA 2发布了不同体量的模型，以满足不同的硬件部署成本，为企业提供了更多选择和灵活性。 AML全面支持LLaMA 2推理和微调 灵雀云AML现已全面支持Meta LLaMA 2全系列模型在平台上进行推理和微调，包括70亿参数、130亿参数和700亿参数版本。 相比于直接使用开源模型，企业通过采用AML，可以获得更多优势： ● 一键私有化模型发布 企业可以轻松将训练好的LLaMA 2模型一键发布为私有化API，保护数据安全。
51310编辑于 2023-08-09 - 来自专栏计算机视觉战队
强的离谱 , Transformer 杀疯了！
咕泡科技很荣幸的邀请到了在人工智能、计算机视觉领域有着丰富的一线实战经验的唐宇迪博士，利用2天的时间，为大家系统地梳理Transformer技术。 直播内容 01 PART 直播时间 ：9月28日-9月29日，20:00-22:30 Day1：深度学习CNN卷积神经网络算法精讲 神经网络模型知识点分析 神经网络模型整体架构解读 卷积神经网络整体架构及参数设计 Day2：AI领域最火模块Transformer实例解读 2022AI领域大杀器--Transformer架构思想分析 论文刷点创新必备模块--注意力机制解读 2022各大厂项目如何与Transformer
47910编辑于 2022-09-27 - 来自专栏机器学习AI算法工程
目标检测算法终结篇：YOLOV1-V5
YOLO v5 模型的头部与之前的 YOLO V3 和 V4 版本相同。 为此，咕泡科技现邀请到「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「深度学习缺陷检测实战篇」。课程将会结合源码与真实数据集展开项目实战，全方位读缺陷检测项目与科研流程。 内容仅截选部分，在「深度学习缺陷检测实战训练营」中 , 将帮助同学们快速掌握AI领域两大核心模块：检测与分割，并基于真实数据集进行项目实战。 从理论基础到核心原理 集中精力各个击破！ 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：深度学习缺陷检测实战 缺陷数据标注与数据集构建. YOLOV5模型训练全流程解读. PPT课件、课堂笔记会在6月30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！ 0.02元 !
55630编辑于 2022-06-29 - 来自专栏机器学习AI算法工程
BERT大火却不懂Transformer？
咕泡科技很荣幸的邀请到了在人工智能、计算机视觉领域有着丰富的一线实战经验的唐宇迪博士，利用2天的时间，为大家系统地梳理Transformer技术。 直播内容 01 PART 直播时间 ：8月24日-8月25日，20:00-22:30 Day1：深度学习CNN卷积神经网络算法精讲 神经网络模型知识点分析 神经网络模型整体架构解读 卷积神经网络整体架构及参数设计 Day2：AI领域最火模块Transformer实例解读 2022AI领域大杀器--Transformer架构思想分析 论文刷点创新必备模块--注意力机制解读 2022各大厂项目如何与Transformer
40120编辑于 2022-08-26 - 来自专栏啄木鸟软件测试
多模态大模型技术原理与实战(2)
(2)是否包含编码器的输出作为输入 在原始 Transformer 模型的基础上，在自然语言处理领域中逐渐衍生出以下3 种方式来构建预训练语言模型。 (2)只包含解码器的预训练语言模型，比如 ChatGPT。 (3)编码器和解码器都包括预训练语言模型，比如 BART。 2）指令数据集通过指令的形式指导模型的生成，能够提高预训练语言模型的泛化能力，使其在之前未做过的任务中能够表现出优秀的零样本推理能力。 (2)信息提取能力弱。 (3)并行计算能力差。 (4)领域迁移能力弱。 GPT-1 将模型的训练分为两个阶段: 第一个阶段通过大批量无标签文本数据构建一个初始的生成式语言模型。 总结 大模型被广泛应用有以下几个前提 ·效果好 ·效率高 ·成本可控 目前，大模型在这几个方面还不够理想。
58710编辑于 2024-09-10 - 来自专栏我们一无所有，我们巍然矗立
如果你还在犹豫要不要入行，请先看看我的IT入坑记【技术创作101训练营】
存款不多的同学可以尝试 咕泡教育 咕泡教育我自己没有报名上过课，但是我一个朋友在咕泡报名的架构课程，据了解，老师讲课讲的也还错，挺有深度。 而培训基本上不会讲这些东西，所以，差距还是相当大的。 这里有些个人的观点： IT行业工资较高，但能力不足，很容易就会到达个人能力的天花板，涨薪比较困难。
1.2K31发布于 2020-09-24 代码的未来：当AI学会创造，我们技术人的价值何在？
AI与大模型，已如电力和互联网般融入我们工作和生活的方方面面。当技术从分析过去迈入生成未来，企业与技术人又该如何重塑自身价值？我们又该如何借助这一波技术浪潮，实现能力的跨越与职业的突破？ 11月16日，咕泡科技联合创始人、AI大模型事业部负责人谭锋（Mic）老师受邀参与“数有引力·Sure沙龙丨AI时代，个体机遇新选择”深度沙龙进行分享，与众多行业同行展开探讨：大模型不仅改变了企业工作流程 注重掌握AI思维与大模型能力，是技术人在技术变革中保持竞争力的关键在2012年之前，人工智能的主流是决策式/分析式AI，它基于过去的数据做预测与分类，本质上是在总结过去。 从大模型基础设施的投入竞争，到AI Agent的商业化推进，再到超级应用的海外拓展，企业对稀缺人才的需求日益增强，人才画像日益清晰： 持续学习与快速迭代能力 AI技术更新迅速，企业更看重技术人员的学习适应能力 技术人的价值不再局限于技术实现，而在于用大模型思维重构工作逻辑、提升业务效能大模型技术的演进，本质上是一场关于“如何构建软件”的范式转移。
20110编辑于 2025-11-24- 来自专栏小赵的Java学习
软件架构设计原则--接口隔离原则
本专栏内容参考自：咕泡学院Tom老师的《Spring5核心原理与30个类手写实战》，仅作个人学习记录使用，如有侵权，联系速删 接口隔离原则（Interface isolation principle 我们在设计接口的时候，要多花时间去思考，要考虑业务模型，包括对哟吼可能发生变更的地方还要做一些预判。 所以，对于抽象、对于业务模型的理解是非常中重要的。
41530编辑于 2022-12-02
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