- 综合排序
- 最热优先
- 最新优先
1024 程序员节 × CodeBuddy 「无界生成力」有奖征文，热力来袭！
1024码力征文 聊你与 CodeBuddy 的日常，可领好礼！ 「无界生成力」征文再度来袭！ CodeBuddy 诚邀你，用文字或视频记录下你与 CodeBuddy的开发故事。 助力开发效率提升的真实案例（需含具体功能使用场景） ● 「灵感瞬间」：借助 CodeBuddy 突破技术瓶颈的创作故事 2️⃣ 联动赛道 Lighthouse联动： 开发中使用 CodeBuddy 生成代码并使用 格式规范 4️⃣标签语互动要求 ● 需 @CodeBuddy 官方账号 ● 需带以下标签：（选择文章相关标签即可） #CodeBuddy #CodeBuddyIDE #CodeBuddyCode #无界生成力 文章/视频需优先发布至以下推荐平台： (公众号、视频号、腾讯云开发者社区、掘金、B站、小红书、抖音、知乎等) 提交作品地址： 「无界生成力」CodeBuddy 1024活动征文上传地址 - https: 若发现抄袭，立即取消资格并公示 3. 奖品在公示结束后 3 个工作日内发放，会员权益即时到账
63440编辑于 2025-11-03「无界生成力」征文来袭！从CLI到码宇宙，只差1句描述！
一图了解详情 一、活动概述 活动背景 ：为激励广大开发者、设计师及技术爱好者，通过 CodeBuddy code（CLI）+自然语言描述（Prompt） ，高效应对重构、调试、文档生成等复杂开发任务，共同探索 二、活动时间轴 三、参与对象与投稿要求 1️⃣ 参与对象 专业开发者、UI/UX 设计师、技术爱好者，均可以个人或团队（≤3人）形式参与。 https://wj.qq.com/s2/23810203/dmle/ 5️⃣ 标签与互动要求 需 @CodeBuddy 官方账号 需带以下标签： #CodeBuddy Code #AI CLI #无界生成力 (如平台无对应标签，请在正文中使用#+文字） 四、阶梯式奖励机制 ️基础奖励（参与即得）: 参与发文即可获得奖励Q哥/Q妹公仔 进阶奖励（该奖项公布于腾讯云社区评论区） ： 元代码先锋奖(3️⃣名) P9手环 自然语言描述需求，AI 自动制定计划、编写代码并确保运行正常完成度≥80% 五、评审标准 ✅Prompt精准性 30% 文章描述能否精准驱动CLI实现目标效果 ✅技术实现度 40% 生成结果的功能完整性与技术难度
1.1K21编辑于 2025-10-20@CodeBuddy 用 AI CLI 重构开发流：CodeBuddy 一键生成全栈电商项目实战#CodeBuddy Code #AI CLI #无界生成力
CodeBuddy AI CLI正是其中的代表——它允许开发者通过自然语言指令，直接生成可运行的项目骨架与配置模板。 实测中，生成代码结构清晰、依赖明确，且附带简要注释，极大减少了样板代码的编写时间。更令人惊喜的是其上下文感知能力——若项目中已存在 package.json，CLI 会智能合并依赖，而非覆盖原有配置。 第三步：落地场景实战——电商平台前后端配置模板生成项目概述本项目是一个基于 React + Node.js 的全栈电商平台，目标是实现商品展示、购物车管理、用户认证等核心功能，支持快速迭代与部署。 第四步：定制与迭代生成项目后，仍可通过 CLI 进行增量开发。 效果对比：效率跃升的真实体现原始方案-手搓加AI助手CodeBuddy code CI方案48小时20分钟结语CodeBuddy AI CLI 不仅是一个代码生成器，更是开发流程的“加速器”。
90310编辑于 2025-09-25- 来自专栏猫头虎博客专区
揭秘Stable Diffusion 3：当AI遇上艺术，创意无界限！
技术革新：超越想象的能力 SD3的核心竞争力在于其卓越的理解和生成能力。通过深度学习和大数据分析，SD3能准确把握用户的创作意图，将抽象的概念转换成具体的图像，这一点在AI领域堪称革命性创新。 右边的是绿色液体和数字 3。 这个案例展示了SD3不仅能生成静态图像，还能模拟现实世界的物理特性，如透明度和光影效果，进一步丰富了AI艺术的表现力。 特别是在视频生成领域，尽管SD3目前主要专注于图像生成，但其潜力无限，未来的发展令人期待。 QA环节：用户疑惑解答 Q: SD3生成的图像版权如何处理？ A: SD3通过先进的深度学习模型，分析提示词中的关键信息，并与庞大的图像数据库进行匹配，从而生成对应图像。 Q: SD3如何确保生成内容的原创性？ A: SD3旨在成为艺术家的助手，提供新的创作工具和灵感，而非取代人类的创造力。 小结 SD3不仅是技术的一大步，也是创意表达方式的一次飞跃。它的出现，让艺术创作变得更加多元化，更加易于接触。
1.1K10编辑于 2024-04-07 3D-EDiffMG：基于强弱原子力编码，优化药物分子生成
其次，模型加入了带有微小注意力机制的门控多层感知器（gMLP）模块。该模块可以明确地对复杂的长序列特征相互作用和长程依赖进行建模，微小注意力机制还能增强模型捕捉细粒度特征的能力。 三、探秘3D-EDiffMG模型 3D-EDiffMG模型是一个端到端的基于骨架驱动的深度分子扩散生成模型。在这个模型里，分子用原子类型和空间坐标表示。 但caSchNet生成的特征主要是局部的，所以模型又引入了带有微小注意力机制的gMLP模块，来捕捉多个原子之间的复杂相互依赖关系。 四、实验成果显著，实力验证效能 研究团队用QM9基准数据集对3D-EDiffMG模型进行训练，并和其他几种SE(3)等变分子生成模型进行比较，还做了消融实验，探究微小注意力机制的作用。 在生成分子的有效性、独特性、新颖性和稳定性这几个重要指标上，3D-EDiffMG_attn（带有微小注意力机制的3D-EDiffMG模型）表现最佳。
17110编辑于 2026-01-08GPT-4探索语言的无界领域与AI文本生成技术
像GPT-4这样的指令调优语言模型提供了这种可能性和挑战，这是一项利用人工神经网络基于用户输入生成自然语言文本的尖端技术。 我的目标是打破您对语言模型生成文本的外观、感觉乃至阅读方式的期望。因为如果您已经读到这里，您已经在不知不觉中陷入了AI生成散文的网络。 另一方面，它提出了关于智能本质、创造力以及人之为人的意义的问题。当我们深入探索语言的无界领域时，我们必须注意在拥抱创新和保护我们自身智力自主性之间保持微妙的平衡。 我之所以创建这篇文章，是因为我还没有看到模型生成散文的优秀示例，并且我想尝试使用GPT-4创作整篇文章的想法。 请以某作者的风格，撰写2个可能的最终部分，每个部分2-3段。”之后，我删除了一些从句和句子，但没有以任何其他方式修改其中的任何内容，除了在“某中心”后面添加了“（它使用了GPT-4）”。
21310编辑于 2026-01-03- 来自专栏吃着西瓜学Java
力扣——22. 括号生成
问题： 数字 n 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 有效的 括号组合。 示例： 输入：n = 3 输出：[ "((()))", "(()())", "(())()", "()(())", "()()()" ] Related Topics： 字符串 回溯算法 import org.junit.Test; import java.util.ArrayList; import java.util.List; public class p22括号生成 { /** * 方法一： * 我们可以生成所有 4^n个 '(' 和 ')' 字符构成的序列，然后我们检查每一个是否有效即可。 ){ System.out.println(s); }*/ List<String> list2 = generateParenthesisS(3)
40920编辑于 2022-05-05 - 来自专栏DrugOne
ICML 2024 | 通过力引导的SE(3)扩散模型生成蛋白质构象
为了解决这些问题，本文提出了一种用于蛋白质构象生成的力引导SE(3)扩散模型——CONFDIFF。 通过将力引导网络与基于数据的评分模型混合，CONFDIFF可以生成具有丰富多样性且保持高保真的蛋白质构象。 作者使用上面介绍的基线评分模型从生成蛋白质构象，然后使用这些构象训练一个独立的中间力网络。力引导的训练过程总结在算法1中，推理过程总结在算法2中。 表 1 图 3 结果总结在表1中，并在图3和图S3中展示TIC投影中的样本分布。 为了比较，作者报告5个簇的平均最佳RMSD（RMSDAVG）和簇3的RMSD（RMSDCLS3），后者是最难采样的簇。
86610编辑于 2024-07-05 - 来自专栏CVer
同济大学“无界”世界模型登顶WorldArena，刷新高校团队全球竞争力！
从视频生成到具身交互，“无界”以高效技术路线跻身全球世界模型第一梯队 2026 年 5 月 29 日，WorldArena 世界模型评测榜单最终结果正式公布。 这意味着，在世界模型这条被全球头部实验室、机器人公司和生成式 AI 团队共同争夺的赛道上，“无界”已经从高校科研成果，正式迈入全球第一梯队。 二、 从视频生成到具身交互，“无界”到底强在哪里？ 四、 不靠“堆数据、堆算力”，高校团队如何以小搏大？ 长期以来，世界模型领域存在一个普遍判断：高保真生成和稳定物理推演往往依赖海量训练数据、超大模型规模和密集算力投入。 行业竞争也因此逐渐演变为“数据与算力”的军备竞赛。
35110编辑于 2026-06-01 - 来自专栏智药邦
arXiv｜字节跳动通过力引导的SE(3)扩散模型生成蛋白质构象
为了克服这些限制，本文提出了一种力引导的SE(3) (Euclidean 3D transformation) 扩散模型CONFDIFF，用于蛋白质构象生成。 CONFDIFF通过将力引导网络与基于数据的评分模型相结合，可以生成丰富多样的蛋白质构象，同时保持高保真度。 这是第一个已知适用于蛋白质构象生成的力引导网络，有助于将各种构象预测与平衡分布对齐。 3. 在各种基准测试上的实验表明，CONFDIFF方法优于最先进的方法。 力引导的构象采样 在快速折叠蛋白中（WW Domain蛋白为例），使用CONFDIFF在不同程度的力引导(η)和序列条件(γ)下生成构象结果如图2所示。 A)预测聚类3与不同样本量的精度。B)聚类1和聚类3的三种模型最佳采样视觉比较 总结 本文通过混合序列条件评分网络和无条件评分模型提出CONFDIFF来生成蛋白质构象。
66910编辑于 2024-06-11 - 来自专栏jay_blog
【力扣刷题】22. 括号生成
一、题目描述 来源:力扣（LeetCode） 数字 n 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 有效的 括号组合。 示例 1： 输入：n = 3 输出：["((()))","(()())","(())()","()(())","()()()"] 示例 2： 输入：n = 1 输出：["()"] 提示： 1 <= n <= 8 二、思路分析 使用回溯法，分成3种情况: 当左右括号剩余数量一样多时，必定只能选择(，且后续不可能能选)，因为())是不合法的只能是()(，所以直接break，另外据此推论，在回溯过程中左括号数量一定小于等于右括号数量
50150编辑于 2022-11-02 - 来自专栏AI研习社
如何使用注意力模型生成图像描述？
本文为 AI 研习社编译的技术博客，原标题 Image Captioning with Attention 翻译 | 刘娇 整理 | 余杭 图像描述类任务就是给图像生成一个标题。 本教程中用到了基于注意力的模型，它使我们很直观地看到当文字生成时模型会关注哪些部分。 ? 将处理好的图片输入神经网络，然后提取最后一层中获得的向量作为图像特征保存成字典格式（图名 --> 特征向量）； 选择卷积层的目的是为了更好地利用注意力机制，并且输出层的数据大小是8x8x2048； 为了提高模型质量的瓶颈 ，不要在预训练的时候添加注意力机制； 在网络中训练完成以后，将缓存的字典文件输出为 pickle 文件并且保存到本地磁盘。 已经可以训练一个基于注意力机制的图片描述模型，而且你也可以尝试对不同的图像数据集进行实验。
3.2K30发布于 2018-08-16 - 来自专栏达达前端
力扣 (LeetCode)-栈,括号生成 ｜刷题打卡
力扣 (LeetCode)-两数之和,有效的括号,两数相加｜刷题打卡-3月1日 力扣 (LeetCode)-合并两个有序链表,删除排序数组中的重复项,JavaScript笔记｜刷题打卡-3月2日 力扣 (LeetCode)-最大子序和,JavaScript数据结构与算法（数组）｜刷题打卡-3月3日 针对CSS说一说｜技术点评-3月4日 前言 如果这篇文章有帮助到你，给个❤️关注，❤️点赞，❤️鼓励一下作者 console.log(objectSymbols[0]); // Symbol() stack[objectSymbols[0]].push(1); stack.print(); //输出 2, 3, 括号生成 一、题目描述 数字 n 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 有效的 括号组合。 if (r < l) { dfs(l, r + 1, str + ")"); } } dfs(0, 0, ""); return res; }; 四、总结 栈,括号生成分析
56220发布于 2021-03-22 - 来自专栏mall学习教程
MyBatis官方代码生成工具给力！
MyBatis官方代码生成器MyBatis Generator可以帮助我们解决这个问题，在我的开源项目mall中也是使用的这个代码生成器，用习惯了也挺不错的。 简介 MyBatis Generator（简称MBG）是MyBatis官方提供的代码生成工具。可以通过数据库表直接生成实体类、单表CRUD代码、mapper.xml文件，从而解放我们的双手！ <properties resource="generator.properties"/> <context id="MySqlContext" targetRuntime="MyBatis<em>3</em>" ，常用的有MyBatis3和MyBatis3DynamicSql两种，这里使用的是MyBatis3； 如果你想自定义MBG生成的代码的话，可以自己写一个CommentGenerator来继承DefaultCommentGenerator 利用好MBG生成的代码即可完成单表的CRUD操作了，比如下面最常见的操作。
1.4K20发布于 2021-01-06 - 来自专栏DrugScience
DOCK-3-生成Spheres
生成Spheres 官方教程链接： http://dock.compbio.ucsf.edu/DOCK_6/tutorials/sphere_generation/generating_spheres.htm 步骤 接上文，已经完成了蛋白受体以及配体的准备，加氢加电荷 现在开始准备生成Spheres 生成Sphgen是DOCK的必须 Sphgen生成多组重叠的球体，以描述分子或分子表面的形状。 生成Sphgen （1）使用chimera的工具生成dms File -> Open -> rec-1htp-dock-prep.mol2. -> Show Tools -> Structure Editing -> Write DMS 直接命名保存 然后使用Chimera直接打开 绿色的点状物质环绕cartoon结构周围便是dms （2）生成 选择距配体的每个原子10.0埃以内的所有球体 使用指令： sphere_selector rec.sph lig_charged.mol2 10.0 输出文件为：selected_spheres.sph 生成一个文件
90510发布于 2021-02-04 - 来自专栏若城技术专栏
【力扣算法18】之 22. 括号生成 python
问题描述 数字 n 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 有效的 括号组合。 示例1 输入：n = 3 输出：[“((()))”,“(()())”,“(())()”,“()(())”,“()()()”] 示例2 输入：n = 1 输出：[“()”] 提示 1 <= 然后调用 backtrack 方法，开始递归生成括号组合。 backtrack 方法是一个辅助函数，用于实现递归和回溯算法来生成所有可能的括号组合。 通过不同的选择（添加左括号或右括号），生成所有可能的括号组合，并通过判断条件来确保生成的组合是有效的。 运行效果截图 调用 solution = Solution() n = 3 n1 = 1 print(solution.generateParenthesis(n)) print(solution.generateParenthesis
59810编辑于 2024-02-29 - 来自专栏AI算法能力提高班
DALL-E3 | （3）字幕生成器
DALL-E 3 通过训练一个定制的图像字母器对训练集重新生成字幕，并用它们训练数据集，最后公开了样例和评估代码 2 Dataset Recaptioning 训练用的文本图像对中，文本字幕通常来源于人类标注 将离散的字符用序列表征，t = [t1, t2, . . . , tn] Step 2 构建一个语言模型 Model A ，最大化似然函数 L（t） image-20231025103038018 Step 3 Stage 2 DSC 再构造一个大的详细描述的字幕数据集，包括图像中主体及其环境、背景、文字、风格、颜色等细节，再次进行微调，这一步叫做 descriptive synthetic captions 3 Text rendering 在构建我们的字幕生成器时，我们特别注意确保它能够在生成的字幕中包含在图像中找到的显著单词。因此，DALL-E3 可以在提供提示时生成文本。 这对我们的文本到图像模型产生了下游影响：DALL-E3 在为上述特定术语生成图像方面不可靠
80620编辑于 2023-10-25 - 来自专栏python3
Python3--列表生成式
你在使用python时,是不是遇到了这种情况,在for循环之前又加了一段代码,是不是感觉这种代码有点看不懂的感觉, 其实这是python的一个内置的强大的功能--列表生成式,它可以帮助你更好的简洁的实现代码 举个例子: 不用列表生成式来生成一个列表 ##################### 不使用列表生成式 ##################################### list = [] for i in range(9): list.append(i) print(list) 结果: [0, 1, 2, 3, 4, 5, 6, 7, 8] 使用列表生成式来生成一个列表 ####### ############## 使用列表生成式 ##################################### list = [i for i in range(9)] print(list ) 结果: [0, 1, 2, 3, 4, 5, 6, 7, 8] 对比这两种结果,你的直观感觉会觉得使用了列表生成式会一眼明了的看到了结果,很简洁明了.
53510发布于 2020-01-16 - 来自专栏机器之心
生成对抗网络也需要注意力机制
自注意力生成对抗网络（Self-Attention Generative Adversarial Networks）使用自注意力范式来捕获图像中存在的长距离空间关系，以更好地合成新的图像。 用于生成对抗网络的自注意力 这个功能性差距就是 Zhang 等人（2018）提出这种方法的原因。他们给生成对抗模型配备了一个工具来捕获图像中的长距离、多级关联。这个工具就是自注意力机制。 将自注意力引入到图像生成领域受启发于《Non-local neural networks》（非局部神经网络）（X. Wang 等，2017），这项工作使用自注意力来捕获视频序列中的空间-时间信息。 自注意力生成对抗网络（Self-Attention Generative Adversarial Networks，Zhang 等，2018）中所提出的自注意力模块 在 SAGAN 中，注意力模块与卷积神经网络协同工作 当参数γ在训练过程中进行更新时，网络就会逐渐学习注意一幅图像的非局部区域（公式（3），Zhang 等，2018）。 ? ?
1.4K10发布于 2019-04-09 - 来自专栏HyperAI超神经
OpenAI 年底上新，单卡 1 分钟生成 3D 点云，text-to 3D 告别高算力消耗时代
By 超神经 内容一览：继 DALL-E、ChatGPT 之后，OpenAI 再发力，于近日发布 Point·E，可以依据文本提示直接生成 3D 点云。 给定一个描述，DreamFusion 生成高保真 3D 物体 通常意义上，文本到 3D 合成的方法分为两类： 方法 1：直接在成对的 (text, 3D) 数据或无标签的 3D 数据上训练生成模型。 此类方法虽然可以利用现有的生成模型方法，有效地生成样本，但由于缺乏大规模 3D 数据集，因此很难扩展到复杂的文本提示。 监督的情况下，生成各种各样 3D 物体的形状和颜色。 Point·E 对于 fast text-to 3D 合成而言，具有重大意义，它极大提升了处理效率，降低了算力消耗。
1.1K20编辑于 2023-02-27
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