- 综合排序
- 最热优先
- 最新优先
- 来自专栏自动化控制技术控
AR（增强现实）的相关知识
概 述 增强现实（Augmented Reality，简称AR），增强现实技术也被称为扩增现实，AR增强现实技术是促使真实世界信息和虚拟世界信息内容之间综合在一起的较新的技术内容，其将原本在现实世界的空间范围中比较难以进行体验的实体信息在电脑等科学技术的基础上 增强现实技术不仅能够有效体现出真实世界的内容，也能够促使虚拟的信息内容显示出来，这些细腻内容相互补充和叠加。 在视觉化的增强现实中，用户需要在头盔显示器的基础上，促使真实世界能够和电脑图形之间重合在一起，在重合之后可以充分看到真实的世界围绕着它。 增强现实技术中主要有多媒体和三维建模以及场景融合等新的技术和手段，增强现实所提供的信息内容和人类能够感知的信息内容之间存在着明显不同。 和AR的区别 区别一：定义 AR是Augmented Reality的字母缩写，中文名字是“增强现实”，是一种全新人机交互技术。
2K20发布于 2019-08-12 超级增强子系列10: bedtools筛选LostGained超级增强子
前言 在进行不同组别超级增强子区域的比较，通常会进行交集分析，并根据结果将超级增强子分为Maintained (维持，交集部分），Lost(在实验组丢失），Lost(在实验组获得）这三种类型。 【超级增强子系列文章】 超级增强子系列1：super enhancer鉴定-ROSE软件的安装与使用 超级增强子系列2：ROSE准备gff文件：peak 信息文件转化为9列gff格式文件R代码 超级增强子系列 3：R语言批量处理ROSE文件生成SE与TE.bed文件 超级增强子系列4： 用bedtools来进行共识SE的分析 超级增强子系列5：用ChIPseeker进行超级增强子基因注释 超级增强子系列6：GREAT -基因组调控元件专业注释富集工具 超级增强子系列7: 用MEME进行超级增强子转录因子motif 富集分析实战 超级增强子系列8: motif 富集分析工具XSTREME输出文件解释 超级增强子系列
24010编辑于 2025-12-29知识图谱增强大模型应用架构
这就是典型的知识增强大模型应用，通过外部知识的增强能够扩展 大模型 的能力，让其在回答问题时提供更为精准和及时的答案，特别是对于那些涉及到最近事件、新闻或需要快速更新的信息。 本文是知识增强大模型应用架构的简要概述，更加详细的内容，可以参考我所撰写的即将出版的《知识增强大模型导论》一书。 二、应用架构的设计原则 1. 三、知识增强大模型应用系统架构概览 知识增强大语言模型应用架构的核心思想是将外部知识以结构化或非结构化的形式注入大模型中，从而弥补模型自身知识的不足，这类似于人类学习过程中的“查阅资料”。 图片 知识增强这种增强方式，通过检索相关信息来辅助理解和推理。具体而言，知识增强旨在解决以下几个关键问题： 实时信息更新：通过搜索外部资源，大模型可以访问最新的内容，包括新闻、学术研究、市场动态等。 完善的系统管理为知识增强应用的稳定运行提供了保障。 四、增强方法的关键技术概要 当前增强大模型，为其提供知识的主要方法有知识图谱、向量检索、搜索引擎以及和为特定业务开发业务引擎。
84210编辑于 2024-12-24- 来自专栏Mac软件的分享
iZotope RX 10 for mac(音频修复和增强工具)
iZotope RX是一款专业的音频修复和增强软件，可用于消除噪声、修复损坏的音频文件、清理语音等。该软件使用先进的算法和技术，可以快速、准确地处理各种音频问题。 iZotope RX 10 for mac(音频修复和增强工具) 图片 以下是iZotope RX的一些主要功能和特点： 音频修复：iZotope RX可以通过降噪、去除口哨声和杂音等方式修复各种音频问题 RX-10新增功能 RX 10 是我们制作的最直观、最智能的版本。无论您是编辑播客、录制整个乐队，还是制作大片，RX 10 都能让您通过录制的最佳音频来吸引观众。
1K30编辑于 2023-04-09 - 来自专栏DrugOne
NAACL 2025 | 知识增强下的智能体规划
为了解决这一问题，我们提出了KnowAgent，旨在通过利用外部动作知识来增强轨迹合成，缓解其中出现的规划幻觉问题。我们的方法包括几个关键步骤。 这一过程不仅增强了智能体的规划能力，也提升了其在复杂情境中的应用潜力。在HotpotQA和ALFWorld数据集的实验中，KnowAgent具有不错的性能表现。 二、方法 如图所示，我们的方法首先定义了动作知识这一概念。接着，我们让模型利用这些知识生成规划路径，并通过知识型自我学习机制不断优化这些路径，从而迭代地增强模型能力。 1. 结果也验证了动作知识本身的有效性。 对于实验结果，我们进行了以下分析： 1. 动作知识的增强作用：如图所示，在HotpotQA数据集上使用Llama系列模型进行的消融实验证明了动作知识的效果。 与以往研究相符，论证了迭代自学习能有效增强模型对训练数据的理解。这也反映了“温故而知新”的学习原则。
30710编辑于 2025-03-31 - 来自专栏夏天的前端笔记
每天10个前端小知识 【Day 10】
前端面试基础知识题 1. es5 中的类和es6中的class有什么区别？ 在es5中主要是通过构造函数方式和原型方式来定义一个类，在es6中我们可以通过class来定义类。 10. Promise.all 和 Promise.allSettled 有什么区别？
47410编辑于 2024-01-18 - 来自专栏JadePeng的技术博客
知识图谱增强的KG-RAG框架
我们找到一篇论文： https://arxiv.org/abs/2311.17330 ，论文的研究人员开发了一种名为知识图谱增强的提示生成（KG-RAG）框架（https://github.com/BaranziniLab /KG_RAG），该框架利用生物医学知识图谱SPOKE与大型语言模型相结合，有效的提升了LLM在医疗领域的问答效果。 KG-RAG框架介绍 KG-RAG框架，较好的结合了生物医学知识图谱SPOKE和LLM的优势。 SPOKE是一个开放知识图谱，提供数据下载和开放API，整合了超过40个公开可用的生物医学知识源，涵盖了基因、蛋白质、药物、化合物、疾病等概念和概念之间的关系，可以为LLM提供一个强大的医疗领域知识。 This information is backed by statistical evidence from the GWAS Catalog, with p-values of 4e-10 and
2.4K10编辑于 2024-04-12 - 来自专栏深度学习自然语言处理
【ERNIE】深度剖析知识增强语义表示模型——ERNIE
哈尔滨：sub-word 哈##尔##滨 Sub-word :预测可以通过word的 局部信息完成 模型缺乏全局建模信息的能力 针对BERT mask sub-word 任务存在的问题，百度提出基于知识增强的语义理解模型 ERNIE mask word & entity 强迫模型通过全局信息去预测mask掉的内容，学习序列里mask信息里蕴含的知识 ERNIE学到全局的信息，使它能学习到非常先验的结果，已经进行了大量的自然语言处理的分词模型
2.3K20发布于 2019-12-23 - 来自专栏张善友的专栏
.NET 10 Preview 2 增强了 Blazor 和.NET MAUI
.NET 团队 3.18 发布了.NET 10 Preview 2（https://devblogs.microsoft.com/dotnet/dotnet-10-preview-2/）。. NET 10 Preview 2 主要对 Blazor 和.NET MAUI 进行了增强。Blazor 在 ASP.NET Core 网络开发框架中的组件以及.NET MAUI 获得了最多关注。 此外，还介绍了其他方面的新特性和功能，如移动平台质量、Windows Forms、WPF、Entity Framework Core 10 和容器镜像等方面的改进。 Windows Forms：增强了与 WPF 的剪贴板共享功能，移植了更多设计时 UI 类型编辑器，提升了 Windows Forms 设计器体验并进行了一般质量改进。 Entity Framework Core 10：支持新的 LINQ RightJoin 操作符，增强了数据访问能力，还有一些其他小的增强。
66710编辑于 2025-03-22 - 来自专栏云云众生s
使用领域特定Jenkins知识增强现有的LLM模型
Google Summer of Code 2024 使用特定领域 Jenkins 知识增强现有 LLM 模型。 关于项目 JenAI 是一款开创性的聊天机器人，经过专门训练可以回答用户关于 Jenkins 技术的查询，从而增强软件的可访问性和可用性。 我们的目标是为用户提供更快、更可靠的帮助。 该项目将 Jenkins 知识与人工智能相结合，为所有用户提供 Jenkins 专家通常拥有的知识，提供完整的解决方案。 我们授权用户通过流畅的用户界面与这些知识进行交互，而不是到处寻找答案。 里程碑 该项目包括我们已经经历的几个阶段： 阶段 #1：数据收集 使用不同的来源来收集 Jenkins 知识，例如 jenkins 文档和博客、discource 社区问题 以及许多外部来源，例如 stack JenAI 作为一种系统 深色模式下的 JenAI 登录页 浅色模式下的 JenAI 登录页 JenAI 聊天页面 后续步骤 这个想法可以进一步增强，并且提供了许多方法来实现相同的目标： 使用检索增强生成
41810编辑于 2024-08-27 - 来自专栏我爱计算机视觉
做更好的“教练”，用对抗训练增强“知识追踪”
作者提出了ATKT，通过联合训练原始输入和相应的对抗样本来增强KT模型的泛化能力。为了更好地实现 AT，作者引入了一个高效的attentive-LSTM模型作为KT的主干。 因为这里的知识技能不像图像是连续的，直接对其进行对抗攻击无法生成对抗样本，因此这里采用了对特征表示加扰动来构造对抗样本。） 是知识技能的特征表示，是回答的特征表示，和是特征维度。 KHS Attention: 可以很容易知道由于不同的知识技能对为解决的题目影响不一样，因此本文使用了一个attention机制来自适应控制每个知识技能对解题的影响。 上图是预测学生在锻炼过程中每一步对各种知识技能的掌握情况，第一行记录学生在每个练习中的表现，每种颜色表示该练习包含的不同知识技能。 中间的热图是学生对一步步知识技能的掌握程度，颜色越深代表掌握程度越高。 上图展示了最初的和最终的知识技能掌握程度，通过这个图，学生可以知道自己掌握了多少知识技能然后进行有针对性的练习。
86820编辑于 2022-03-30 - 来自专栏小狼的世界
增强网站易用性的10个设计技巧
参考资料: [1]、http://www.webdesignerdepot.com/2008/12/10-usability-tips-for-web-designers/ [2]、http://www.useit.com
81020发布于 2018-07-24 - 来自专栏Lcry个人博客
RAGFlow 开源检索增强 AI 知识库部署教程
使用过 dify 和 fastgpt 的产品大家都知道还有一款增强 RAG 平台 RAGFlow，博主早在 2023 年 AI 盛行的时候就调研过这款产品，现在已经 2025 年，截止目前最新版本已经来到了 介绍 RAGFlow 是一个领先的开源检索增强生成（RAG）引擎，将前沿的 RAG 与代理能力融合，为大型语言模型创建了更优越的上下文层。它提供了一套精简的 RAG 工作流程，适用于任何规模的企业。 compatible controller: NVIDIA Corporation Device 2684 (rev a1) 查看显卡驱动是否安装：N 卡为例 ~# nvidia-smi Wed Dec 10 数据源也可以根据实际添加，可以使用 S3 协议自建 minio 或者 rustfs 初体验 知识库 创建一个知识库，上传一些文档试试。 聊天 创建一个聊天助手，配置引用知识库，然后进行问答。 搜索 搜索可以选择多个知识库进行检索，支持 AI 总结以及引用原文。
1.1K10编辑于 2026-01-09 - 来自专栏圆圆的算法笔记
ACL 2022 Tutorial解析——知识增强自然语言理解
相比而言，直接从数据库、知识图谱、搜索引擎等引入外部知识进行知识增强，是一种更直接、节省资源的方法。 知识增强也是NLP未来的重要发展方向，由于在NLU这种需要理解、常识性知识的领域，知识增强更加重要。 本文整理了这篇Tutorial中重点介绍知识增强模型的10篇工作，包括基于Entity-Linking的方法以及基于Retreval的方法两大类。 3 总结 知识增强方法是解决自然语言理解的核心方法，重点在于研究从哪获取知识、如何获取知识以及如何融合知识。 知识增强+预训练语言模型起到互补的作用，知识增强方法可以给模型提供预训练阶段没见过或者忘记的信息，提升预测效果。 END
1.6K30编辑于 2022-09-22 - 来自专栏Python
LightRAG：图增强检索框架，索引速度提升10倍
香港大学团队开源的LightRAG提供了新思路：用知识图谱双层索引重构检索架构，在保持轻量化的同时，让索引速度比GraphRAG快10倍。 3.大规模场景性能差文档量增加后，检索延迟急剧上升GraphRAG虽然引入了知识图谱，但构建成本高、速度慢，难以在生产环境大规模落地。 四、实际应用场景企业知识库问答员工手册、技术文档、会议纪要混合检索，支持"公司福利政策有哪些变化"这类全局查询。学术论文分析构建领域知识图谱，快速定位研究热点和技术演进路径，帮助研究人员梳理文献脉络。 可观测性集成Langfuse追踪每次检索路径API返回完整上下文，便于调试优化支持自定义评估指标（RAGAS框架）六、性能表现基于多个公开数据集的测试结果：指标LightRAGGraphRAG索引速度基准10 结尾LightRAG通过工程化手段解决了GraphRAG的性能瓶颈，为企业级知识检索提供了可落地的架构方案。如果你正在构建RAG系统，这个项目值得深入研究。
71410编辑于 2025-12-03 - 来自专栏#大模型热点基础知识
知识图谱如何增强RAG系统？
本文收录于Github：AI-From-Zero项目——一个从零开始系统学习AI的知识库。如果觉得有帮助，欢迎⭐Star支持！什么是GraphRAG？知识图谱如何增强RAG系统？ 这就是传统RAG（检索增强生成）面临的困境。传统RAG系统通过向量相似度检索文档片段，就像用关键词搜索这些散乱的资料。它能找到语义上相似的内容，但无法理解这些内容之间的逻辑关联。 GraphRAG是一种将知识图谱与检索增强生成相结合的技术方案。 ：用户提问时，先通过向量检索找到相关实体节点，然后沿着图谱中的边遍历，获取多跳关系和上下文信息子图序列化：把检索到的子图转换成文本格式增强生成：把结构化的子图信息和原始文本一起送给大模型生成答案举个生活化的类比 总结：GraphRAG通过将知识图谱与检索增强生成相结合，实现了从语义检索到关系推理的跨越，让RAG系统具备了理解和推理知识关联的能力。思考：知识的价值不在于它的数量，而在于它的连接。
59510编辑于 2026-03-31 - 来自专栏AI 创作日记
AI 创作日记 | 摆脱知识孤岛的困境，DeepSeek推动四阶知识增强
一、引言 当传统医疗AI还在机械地罗列相似病例时，搭载DeepSeek知识增强引擎的新系统，已经能像资深专家般展开推理："患者血小板骤降，结合近期抗生素使用史，考虑药物性血小板减少症可能性，建议立即检查肝素抗体 这种场景在金融风控、法律咨询等专业领域同样常见——知识碎片化、推理链条断裂、答案可解释性缺失，构成了当前知识增强技术的三大痛点。 本文将揭示从传统向量检索到思维链推理的技术跃迁。 缺乏因果推理：无法串联"视力模糊→眼压升高→青光眼"逻辑链 语境缺失：忽略患者用药史等上下文 2.2 方案对比矩阵 维度 向量检索 知识图谱 DeepSeek增强模式 响应速度 ＜200ms 500ms 300-800ms 推理深度 单跳检索 多跳查询 动态推理链 数据需求 无结构文本 结构化三元组 混合数据 可解释性 低 高 可视化推理路径 维护成本 低 极高 中等 三、DeepSeek进化论：四阶知识增强 四、实施路线图：从0到1构建增强系统 4.1 五步落地法 4.2 阶段1：知识库建设 - 多模态医疗知识融合 prepare_data( format='混合数据', sources=
57710编辑于 2025-03-17 - 来自专栏前端干货和生活感悟
前端小知识10点(2020.9.13)
(0, 2)); // [1, 2] console.log(arr) // [3, 4, 5, 6] 9、git删除远程分支 git push origin --delete <branch> 10
66221发布于 2020-09-18 - 来自专栏前端干货和生活感悟
前端小知识10点（2019.6.25）
前言： 这里记录我工作、学习中值得注意的小知识点，希望对你有所帮助。 10、js禁止excel格式转化（重要！）
75220发布于 2019-09-05 - 来自专栏前端干货和生活感悟
前端小知识10点(2020.6.28)
light类 的元素执行 .light{ } .item{ &:not(.light):hover{ color: #FE6225 } } 10
51710发布于 2020-07-02
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