- 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 - 来自专栏大模型&AIGC
6种大模型微调技术
值得一提的是，通过使用T5模型进行模型大小的消融实验，我们展示了提示微调随着规模的增加变得更加具有竞争力：当模型参数超过数十亿时，我们的方法“缩小了差距”并达到了模型微调（即调整所有模型权重）的强大性能 input和target，则使用原始的input embedding(5) 使用方式离散和连续template token混合时，显示地插入一下anchor（离散的token）有助于template的优化(6) ，无需verbalizer(4) 特点在小、大模型上，效果均优于P-tuning。 当参数量达10B，效果相当于FT6.LoRA（2021）(1) 论文信息来自论文：《LORA: LOW-RANK ADAPTATION OF LARGE LANGUAGE MODELS》（2）摘要自然语言处理的一个重要范式包括在通用领域数据上进行大规模预训练 Model)，学习目标为而加入LoRA后，学习目标为：(6) 配置在多个部位$(Q/K/V/Output)$同时添加$\bigtriangleup W$ ，会比只在单一部分上添加权重$\bigtriangleup
2.9K00编辑于 2025-05-08 - 来自专栏6G
6G，AI , 与大模型?
6G与AI融合的未来方向 6G 网络的内生 AI 设计将赋能网络的AI大模型，同时使网络能够支持 AI 大模型的训练和服务。 另外，从小模型到大模型，生产效率跨越式提升基础通用大模型具有泛化性，网络智能化将从用例驱动转变为能力驱动，迅速降低应用开发门槛，加速 AI 工程化、规模化落地。 6G 网络将承担数据采集、预处理等数据服务，为云AI训练提供更好的支持。此外，6G 网络的分布式部署将使得 AI 大模型更靠近用户侧，从而在时延方面具有潜在优势。 在数据获取和处理方面，与 ChatGPT 不同，网络中存在大量结构化数据，且网络不同问题间的共性不清晰，网络 AI 大模型面临较大挑战。6G 网络面临如何有效采集适合AI大模型训练的数据的挑战。 而在构建 AI 大模型的路径上，需要分阶段探索，从离线小规模模型开始，逐步过渡到实时大规模模型，最终实现统一的网络 AI 大模型。 本文摘自于中国移动的“6G内生AI架构及AI大模”汇报材料。
46710编辑于 2024-04-24 大模型的2025：6个关键洞察
以下为卡帕西年度回顾全文：《2025年大语言模型年度回顾》2025年是大语言模型领域大步跨越且充满变数的一年。 通过在数学、代码谜题等大量可自动验证奖励的环境中训练大语言模型，模型会自发形成人类视角下近似“推理”的策略。 Cursor与大语言模型应用的新层级Cursor最引人关注的点（除了其2025年的爆发式增长），在于它清晰揭示了大语言模型应用的一个全新层级，人们开始普遍讨论“某领域的Cursor模式”。 2025 年，行业内围绕这一新应用层的“厚度”展开了大量讨论：大语言模型实验室是否会通吃所有应用场景？还是说垂直领域的大语言模型应用仍有广阔蓝海？ 我个人的观点是，大语言模型实验室更倾向于培育“通识能力极强的大学生”式模型，而大语言模型应用则通过整合私有数据、传感器、执行器及反馈闭环，对这些“大学生”进行针对性组织、微调，最终驱动它们成为特定垂直领域的
71810编辑于 2025-12-24- 来自专栏啄木鸟软件测试
多模态大模型技术原理及实战(6)
中小型公司大模型构建之路 如何选择 自己建立 二次开发 重新训练，消耗非常巨大 现有的大模型体系已经非常丰富 对话大模型已经白热化 •三天产生一个小应用 •两天产生一个新模型 中小公司的技术实力相对薄 微调 用 LoRA((Low-Rank Adaptation低秩适配) 2022年 Edward J.Hu PLM(Pre-trained Language Model 预训练语言模型) Redundancy Optimizer，ZeRO） •优化器状态分区(ZeRO-1） •梯度分区 (ZeRO-2） •参数分区(ZeRO-3) 压缩 剪枝 剪枝技术通过理结果产生重要影响，需要剔除冗余参数以提高模型训练效率 步骤 •1、训练一个原始模型，该模型具有较高的性能但运行速度较慢。 •2、确定哪些参数对输出结果的贡献较小，并将其设置为零。 •4、评估模型的大小、速度和效果等指标，如果不符合要求，那么继续进行剪枝操作直至满意为止。
33310编辑于 2024-09-10 - 来自专栏猫头虎博客专区
ChatGLM-6B 大模型的前世今生
ChatGLM-6B 开源模型旨在与开源社区一起推动大模型技术发展，恳请开发者和大家遵守开源协议，勿将开源模型和代码及基于开源项目产生的衍生物用于任何可能给国家和社会带来危害的用途以及用于任何未经过安全评估和备案的服务 尽管模型在训练的各个阶段都尽力确保数据的合规性和准确性，但由于 ChatGLM-6B 模型规模较小，且模型受概率随机性因素影响，无法保证输出内容的准确性，且模型易被误导（详见局限性）。 ： 更强大的性能：基于 ChatGLM 初代模型的开发经验，我们全面升级了 ChatGLM2-6B 的基座模型。 放松身心:在睡前做些放松的活动,例如泡个热水澡,听些轻柔的音乐,阅读一些有趣的书籍等,有助于缓解紧张和焦虑,使你更容易入睡。 4. 将模型下载到本地之后，将以上代码中的 THUDM/chatglm-6b 替换为你本地的 chatglm-6b 文件夹的路径，即可从本地加载模型。 Optional 模型的实现仍然处在变动中。
1.5K10编辑于 2024-04-08 - 来自专栏MavenTalk
ChatGLM-6B大模型微调实战总结
上篇我们已经具备了 ChatGLM-6B 初步的运行环境，这为实现完全属于自己的模型奠定了基础（快速部署ChatGLM-6B大模型实战总结），接下来将针对模型进行微调，以便让它真正成为一个定制化智能助手 在这个过程中，我将直接使用官方的P-Tuning v2工具对ChatGLM-6B模型进行参数微调。 /THUDM/chatglm-6b \ # 加载模型文件地址 --output_dir output/adgen-chatglm-6b-pt-$PRE_SEQ_LEN-$LR \ # 保存训练模型文件地址 在实践中，我们使用了 ChatGLM-6B 模型，并经历了模型的训练和推理过程。训练模型消耗了相当多的时间，但也让我们体会到了模型训练的复杂性和挑战性。 —扩 展 阅 读— 正在发生或即将发生的AI大模型应用，立帖为证 ChatGPT、Claude和Bard，三足鼎立之势已成 WPS Office AI实战总结，智能化办公时代已来 你对 ChatGPT
4.2K43编辑于 2023-09-06 - 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。 不过，当SPI的服务提供者多于一个的时候，代码就只能根据具体提供者的类型来硬编码判断，为了消除这种极不优雅的实现方式，在JDK 6时，JDK提供了java.util.ServiceLoader类，以META-INF
74330编辑于 2022-12-02 - 来自专栏机器学习AI算法工程
目标检测算法终结篇：YOLOV1-V5
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！ 福利较大，限前200名 01 课程内容 上课时间：6月29日-30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：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 - 来自专栏计算机视觉战队
目标检测算法终结篇：YOLOV1-V5
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！ 福利较大，限前200名 01 课程内容 上课时间：6月29日-30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：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 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MavenTalk
快速部署ChatGLM-6B大模型实战总结
近期，IT界掀起了大模型的热潮，各种百模争霸的局面出现。 然而，当开源的大模型 ChatGLM 面世时，我却遇到了一些困扰，但幸运的是，腾讯云给了我一个难得的机会。 下载模型文件 https://github.com/THUDM/ChatGLM-6B 官方网站 从ChatGLM的官方库中下载，将模型文件我放到工程的 ChatGLM-6B/THUDM 目录下面。 huggingface.co/THUDM/chatglm-6b 模型文件比较大(25G)，这里下载需要的时间很长，请耐心等待，以下是目录下载后模型目录下的文件： 测试 终端运行 Demo 进入ChatGLM server.port 27777 --server.address 0.0.0.0 执行成功的效果如下： 打开浏览器可见到如下界面： 跟它对话一下，看看效果： —扩 展 阅 读— 正在发生或即将发生的AI大模型应用
2K20编辑于 2023-09-06 - 来自专栏卓越笔记
软件质量模型的 6 大特性 27 个子特性
软件质量模型的 6 大特性 27 个子特性 一、功能性： 1、适合性：软件是否提供了相应的功能 2、准确性：软件提供的功能是否正确（用户需要的） 3、互操作性：产品与产品之间交互数据的能力
1.3K30编辑于 2023-02-18 - 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 - 来自专栏机器学习
瑞莎星睿 O6 (Radxa Orion O6) 运行大模型
那么如何使用CIXP1NPUSDK运行基于NPU加速推理的人工智能模型和应用，如果你已经拥有了一个硬件设备，NPUSDK包含NOECompiler与CIXAIModelHub,要获取SDK需要通过申请CIX )在编译的同时，我们可以去魔搭社区去下载GGUF格式的模型，为后面的体验做准备新开一个终端，然后运行下面的命令进行模型的拉取这里我们以[通义千问3-8B-GGUF·模型库](https://www.modelscope.cn /models/Qwen/Qwen3-8B-GGUF展开代码语言：TXTAI代码解释等待模型完成下载。于此同时我们之前的build工作也完成了! --qSOXX00tZ-LHgtH3UXjWNkk4FiKxGCGeYl7WzppRj1wIB4KwLb0)##推理测试当我们的模型下载完成后如下! /models/Qwen/Qwen3-8B-GGUF/Qwen3-8B-Q5_K_M.gguf展开代码语言：TXTAI代码解释>-m后面接的是你模型保存的位置!
85110编辑于 2025-11-14 - 来自专栏帅云霓的技术小屋
大模型与AI底层技术揭秘 (6) 分割与征服
所谓的分治，就是将一个大而复杂的问题，拆分为小而容易解决的问题。
44020编辑于 2023-10-25 - 来自专栏科学最Top
2024年NIPS中6篇时序大模型研究汇总
该预测器与任何仅解码器的大型语言模型都兼容，展现出回溯长度的灵活性，而且随着大型语言模型规模的增大，其可扩展性也得以体现。 (NIPS24) 大型语言模型（LLMs）正被应用于时间序列预测。但语言模型对时间序列真的有用吗？ 在对三种近期流行的基于大型语言模型的时间序列预测方法进行的一系列消融研究中，我们发现移除大型语言模型组件或者用一个基本的注意力层代替它，并不会降低预测性能 —— 在大多数情况下，结果甚至有所提高！ 我们还发现，尽管预训练的大型语言模型计算成本很高，但它们并不比从头开始训练的模型表现更好，它们无法体现时间序列中的顺序依赖关系，在少样本情境下也没有帮助。 6、论文标题：Tiny Time Mixers (TTMs): Fast Pre-trained Models for Enhanced Zero/Few-Shot Forecasting of Multivariate
1.3K10编辑于 2024-10-31
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