- 综合排序
- 最热优先
- 最新优先
- 来自专栏人工智能
多模态大模型的涌现能力：视觉-语言对齐的认知机制探析
多模态大模型的涌现能力：视觉-语言对齐的认知机制探析引言：从单一模态到跨模态理解的飞跃近年来，多模态大模型如CLIP、DALL-E、Flamingo等展现出了令人惊叹的涌现能力——它们不仅能够分别处理视觉和语言信息 这种"视觉-语言对齐"能力为何能够涌现？其背后的认知机制是什么？本文将深入探讨这一前沿问题，并通过完整的代码实例揭示多模态对齐的技术本质。视觉-语言对齐的神经基础与认知机制1. 对比学习的认知原理多模态对齐的核心机制是对比学习，这与人脑通过对比不同感官输入来学习世界的方式高度相似：class CognitiveContrastiveLearning: """模拟认知对比学习机制 计算认知对齐指标 metrics = self.compute_cognitive_alignment_metrics( text_features, image_features 通过深入分析可以发现：对齐的涌现本质：当模型规模、数据质量和训练策略达到临界点时，对齐能力会非线性涌现认知机制的模拟：对比学习、注意力机制、符号接地等都与人类认知过程高度相似跨层级的对齐：从特征层到语义层的多层次对齐是实现真正理解的关键多模态对齐不仅让
49410编辑于 2025-12-11 - 来自专栏架构师成长之路
认知系列2：认知半径认知系列2：认知半径
善于总结、不断反思做更好的自己 认知系列1：认知是什么 认知系列2：认知半径 认知系列3: 说说我们研发的认知思维方式 一、认知半径 美国气象学家J·马歇尔·谢博德（J. Marshall Shepherd）就在TED的舞台上，提出一个“认知半径”原理，把人的认知范围比作一个圆圈，认知半径越大，人的认知范围也就越广，也就是对事物的认识更清晰，掌握事物的本质更深入。 认知半径，决定了一个人能力的大小人的认知是会受到很多因素限制的，包括信仰、偏见、文化素养和错误信息等等。人们很容易高估了自己所掌握的知识，或者低估了自己的无知。 误区三：认知失调 二、认知半径，决定了一个人能力的大小 认知半径，决定了一个人能力的大小。 那么，应该如何扩大自己的认知半径？ 对应的是“认知半径” 那在外面呢？
90020编辑于 2022-04-14 - 来自专栏架构师成长之路
认知系列1：认知是什么认知系列2：认知半径
善于总结、不断反思做更好的自己 认知系列1：认知是什么 认知系列2：认知半径 认知系列3: 说说我们研发的认知思维方式 认知是近几年很火的一个词汇，特别是罗振宇们的贩卖焦虑后，认知升级频繁被各种鸡汤提到 一、认知是什么：信息加工的工程 百度名词解释是这样说： 认知指通过思维活动（如形成概念、知觉、判断或想象）获取知识。习惯上将认知与情感、意志相对应。认知是个体认识客观世界的信息加工活动。 三、知识和认知的区别 1、知识是别人的，认知是自己的。 2、知识都是语言文字，认知还有形象体验。 3、知识不能转化为认知，知识就无效。认知不能形成为体系，行为就混乱。 知识只是认知形成的工具：只是事实的语言文字表述方式，不要误以为知识就是认知。 认知都是基由体验形成：知识如果只是停留在学习层面，不在事实中去接触形成感受，就没办法形成理解，也就形成不了清晰的认知体系。
64910编辑于 2022-04-14 - 来自专栏CSDN博客专家-小蓝枣的博客
PyQt5 技术篇-设置alignment对齐方式。Qt Designer设置文本对齐方式。居中、左对齐、右对齐、上对齐、下对齐。
通过alignment设置，展开后可以设置水平方向或垂直方向的对齐方式。 PyQt5设置文本对齐方法： self.label.setAlignment(QtCore.Qt.AlignRight|QtCore.Qt.AlignVCenter) 两个参数一个是横向靠右，一个是纵向居中 Qt Designer设置文本对齐方法： 如图，水平默认的左对齐我改为了右对齐。 ?
10.8K30发布于 2020-09-23 - 来自专栏韩曙亮的移动开发专栏
【CSS】vertical-align 垂直对齐 ( 块级元素对齐 | 行内元素 行内块元素对齐 | 基线对齐 | 垂直居中 | 顶部对齐 | 底部对齐 )
可以设置四种对齐 : baseline 基线 / top 顶线 / middle 中线 / bottom 底线 ; 基线对齐 : 图片底部位置 与 文字基线 对齐 ; 这是默认的对齐方式 , 如果是 : 图片顶部 与 文字顶线 对齐 ; vertical-align: top; 底部对齐 : 图片底部 与 文字底线 对齐 ; vertical-align: bottom; 二、vertical-align DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-<em>8</em>"> <title>vertical-align 垂直对齐示例</title> ; } .three { /* 顶线对齐 - 图片顶部与文字顶线对齐 顶部对齐*/ vertical-align: top; } .four { /* 底线对齐 - 图片底部与文字底线对齐 ="one"> 基线对齐 : 图片底部与文字基线对齐
中线对齐 : 图片中心与文字中心对齐
5.4K30编辑于 2023-04-24 - 来自专栏超级架构师
【认知计算】认知风险管理
IBM DSE 风险控制加速器中的认知技术使我们能够构建风险控制、推荐以自然语言表述的风险控制、识别控制中的重叠以及分析控制的质量。 该加速器提供了一个认知控制分析应用程序，该应用程序集成了已开发的模型并将其应用于非结构化风险控制内容。 使用 IBM Cloud Pak for Data 实施认知风险控制 从逻辑上讲，认知风险控制加速器包含几个组件： 第一个是所谓的认知助手——它是一个应用 ML 模型来促进内容处理的应用程序，例如，通过识别风险控制优先级 作为产品化的一部分，认知助理成为企业信息系统的一部分。 结论 本文介绍了机器学习在当代商业中不断增长的应用领域之一——认知风险控制。访问我们的加速器目录，了解有关认知控制加速器的更多信息。
1.1K20编辑于 2022-05-05 - 来自专栏架构师成长之路
认知系列2：认知半径
一、认知半 美国气象学家J·马歇尔·谢博德（J. Marshall Shepherd）就在TED的舞台上，提出一个“认知半径”原理，把人的认知范围比作一个圆圈，认知半径越大，人的认知范围也就越广，也就是对事物的认识更清晰，掌握事物的本质更深入。 认知半径，决定了一个人能力的大小人的认知是会受到很多因素限制的，包括信仰、偏见、文化素养和错误信息等等。人们很容易高估了自己所掌握的知识，或者低估了自己的无知。 误区三：认知失调 二、认知半径，决定了一个人能力的大小 认知半径，决定了一个人能力的大小。 那么，应该如何扩大自己的认知半径？ 对应的是“认知半径” 那在外面呢？
1.1K20编辑于 2022-05-09 医疗认知引擎的结构化重塑：基于实体对齐与 GEO 架构的 RAG 深度实践
这种现象在技术本质上是知识图谱（KG）与向量检索（VectorSearch）缺乏对齐导致的“语义漂移”。 我们通过在RAG流路中引入硬约束层（HardConstraintLayer），确保所有生成的回答都必须挂载在经过身份核验与资质对齐的实体之上。 VanillaRAG)Experimental(GEOOptimized)提升/下降幅度Recall@10(Top-10召回率)48.2%89.6%+85.8%EntityAlignmentScore(实体对齐 六：基础设施即信誉：从向量检索走向认知共鸣在AI驱动的2026年，医疗行业的竞争已经从流量的博弈进化为“语料主权”的博弈。 通过GEO技术，我们实际上是在为LLM建立一套“认知防火墙”与“信任导航仪”。
21810编辑于 2026-02-26- 来自专栏山河已无恙
K8s 镜像缓存管理 kube-fledged 认知
写在前面 博文内容为K8s 镜像缓存管理 kube-fledged 认知 内容涉及： kube-fledged 简单介绍 部署以及基本使用 理解不足小伙伴帮忙指正 不必太纠结于当下，也不必太忧虑未来， ——村上春树 简单介绍 我们知道 k8s 上的容器调度需要在调度的节点行拉取当前容器的镜像，在一些特殊场景中， 需要快速启动和/或扩展的应用程序。 /cassandra:v7 - us.gcr.io/k8s-artifacts-prod/etcd:3.5.4-0 nodeSelector: tier: backend >> liruilong/jdk1.8_191 latest 17dbd4002a8c >> liruilong/jdk1.8_191 latest 17dbd4002a8c
44710编辑于 2024-03-06 - 来自专栏三丰SanFeng
字节对齐
但是因为编译器要对数据成员在空间上进行对齐。 所以使用sizeof(strcut A)值为8。 现在把该结构体调整成员变量的顺序。 ，恢复缺省对齐*/ sizeof(struct C)值是8。 又C的自身对齐值为4，所以 C的有效对齐值为2。又8%2=0,C只占用0x0000到0x0007的八个字节。所以sizeof(struct C)=8. 2 Linux32位系统下gcc编译器默认对齐为4字节 3 在64位系统#pragma pack(4)的情况下，a1->c的地址按4字节对齐而不是按8字节(long在64位下为8字节长)，会不会影响 4 在32位系统下，double和long long的有效对齐值为4，而不是8，这是因为它们在32位系统下是被当成2个32位对象来进行处理的 版权声明：本文为博主原创文章，未经博主允许不得转载。
2.8K50发布于 2018-01-16 - 来自专栏架构师成长之路
认知系列1：认知是什么
认知是近几年很火的一个词汇，特别是罗振宇们的贩卖焦虑后，认知升级频繁被各种鸡汤提到： “认知升级改变命运”，“认知升级带来自我突破”等等，如果我们只是停留在模糊概念层面，阅后即焚或者只保留在收藏夹里面 一、认知是什么：信息加工的工程 百度名词解释是这样说： 认知指通过思维活动（如形成概念、知觉、判断或想象）获取知识。习惯上将认知与情感、意志相对应。认知是个体认识客观世界的信息加工活动。 三、知识和认知的区别 1、知识是别人的，认知是自己的。 2、知识都是语言文字，认知还有形象体验。 3、知识不能转化为认知，知识就无效。认知不能形成为体系，行为就混乱。 知识只是认知形成的工具：只是事实的语言文字表述方式，不要误以为知识就是认知。 认知都是基由体验形成：知识如果只是停留在学习层面，不在事实中去接触形成感受，就没办法形成理解，也就形成不了清晰的认知体系。
1.3K10编辑于 2022-05-09 - 来自专栏架构师成长之路
认知系列4: 《认知突围》笔记
认知突围里面从认识自己讲到知识，从金钱讲到时间再讲到关系， 这些都决定着我们的人生质量。大概花了半个月的的空闲时间看完的，虽然没能做到大彻大悟，但将我的认知和价值观提了一个层次。 认识自己 ---- 1、思维固化或者僵化，形成定式思维，导致我们自己在有错误的认知体系，以致进步变得极其困难。 懒惰、 放纵、 自制力不足， 根源都在于认知能力受限， 看不到某事能带来的巨大收益， 因此就不足以产生足够的动力。 广义上来讲， 认知也是一种智慧。 也许这些认知大都跟你目前头脑中的认知相悖， 不要紧， 用逻辑的方法去审视总是正确的，不要受到世俗教育的迷惑。 人是功利的， 这个无须回避， 生活中也到处充满了算计和谎言。 认知清单： 行善或者关心他人， 本质上都是为了自己。 划清自己的界限， 尊重他人的界限。 父母并不总是为子女好。
81210编辑于 2022-05-09 - 来自专栏golang分享
内存对齐
Go语言称为寄存器宽度的这个值，就可以理解为机器字长，也是平台对应的最大对齐边界，而数据类型的对齐边界是取类型大小与平台最大对齐边界中的较小的那个 类型 大小 RegSize int8 1 byte 8 byte int16 2 byte 8 byte int32 4 byte 8 byte int64 8 byte 8 byte string 16 byte 8 byte slice 24 byte 8 byte … … … 同一个类型在不同平台上的大小可能不同，不按照最大对齐边界或者最小对齐边界来考虑是为了减少浪费、提高性能 如何确定一个结构体的对齐边界 先确定每个成员的对齐边界，然后取最大值 type T stract { a int8 1 byte b int64 8 byte c int32 4 byte 最大对齐 8 byte ，然后是第二个成员b,它要对齐到8字节，但是接下来的地址对8取模不等于0,所以要往后移。
5.2K21编辑于 2023-07-30 - 来自专栏知识同步
内存对齐
使用伪代码表示： min(#pragma pack, 结构最大数据成员长度) * N 规则2 在数据成员完成各自对齐之后，结构(或联合)本身也要进行对齐，对齐也按照#pragma pack指定的数值和结构 规则3 如果没有使用#pragma pack指令来显式的指定内存对齐的字节数，则按照默认字节数来对齐，各个平台的默认对齐规则如下：32位CPU默认按照4字节对齐；64位CPU默认按照8字节对齐。 } struct x{ char a; //4 char b; int i; //4 }; int main() { cout << sizeof(x); //8 } 上面两个如果在#pragma pack(8)下也是一样，因为int是4个字节，小于8，所以是4字节对齐 struct x{ long long a; //8 char b; //
1.7K30编辑于 2022-12-26 - 来自专栏python3
打印对齐
（1）右对齐 >>> print("PI=%10.3f"%a) #约束一下，这个的含义是整数部分加上小数点和小数部分共计10位，并且右对齐 PI= 3.142 （2）左对齐 >> > print("PI=%-10.3f"%a) #要求显示的左对齐，其余跟上面一样 PI=3.142 二、字符类型（str） 和数值类型类似，不过将%d、%f的占位符变为了%s的占位符。
2.3K20发布于 2020-01-09 - 来自专栏初学C++
内存对齐
内存对齐应用于三种数据类型中：struct、class、union；为什么要内存对齐：提高内存访问效率，减少cpu访问内存次数用sizeof运算符可以得到整个结构体占用内存的大小。 内存对齐：#pragma pack(字节数) 如果用1，那么内存之间就没有空隙了合理使用内存对齐规则，某些节省内存的做法可能毫无意义。 pack宏定义，有这个宏的情况下结构体的自身宽度是宏定义的数值（但是当成员中占用字节数最大的类型的字节大小比宏定义的数值小的时候，会按照字节数来）#pragma pack 的参数只能是 1、2、4、8、 遵循以上规则，做一些练习：以下都以32位操作系统为例（32位和64位下数据类型有一些区别，例如long在32位系统下占4字节，在64位下占8字节；指针在32下占4字节，在64下占8字节）struct A ；当结构体中的最大的数据类型的大小 小于 宏定义的大小时，就会以结构体中最大的数据类型的大小来进行内存对齐#pragma pack(8) struct test { char a; int
88840编辑于 2023-09-02 - 来自专栏我爱计算机视觉
YOLO系列模型的部署、精度对齐与int8量化加速
下面说一下我们这个项目做了哪些事情： YOLO系列模型在tensorrt上的部署与精度对齐 该项目详细介绍了Yolo系列模型在TensorRT上的FP32的精度部署，基于mmyolo框架导出各种yolo 模型的onnx，在coco val数据集上对齐torch版本与TensorRT版本的精度。 在此过程中我们发现，由于TopK算子限制和NMS算子实现上的不同，我们无法完全对齐torch和yolo模型的精度，不过这种风险是可解释且可控的。 实践证明，我们采用上述配置的分离PTQ量化在yolov8上可以取得基本不掉点的int8量化精度。 原文链接：https://www.hbblog.cn/%E6%A8%A1%E5%9E%8B%E9%83%A8%E7%BD%B2/mmyolo_tensorrt/ END
1.1K20编辑于 2023-11-07 - 来自专栏计算机视觉战队
Yolo系列模型的部署、精度对齐与int8量化加速
下面说一下我们这个项目做了哪些事情 1、YOLO系列模型在tensorrt上的部署与精度对齐 该项目详细介绍了Yolo系列模型在TensorRT上的FP32的精度部署，基于mmyolo框架导出各种yolo 模型的onnx，在coco val数据集上对齐torch版本与TensorRT版本的精度。 在此过程中我们发现，由于TopK算子限制和NMS算子实现上的不同，我们无法完全对齐torch和yolo模型的精度，不过这种风险是可解释且可控的。 2、详解TensorRT量化的三种实现方式 TensorRT量化的三种实现方式包括trt7自带量化、dynamic range api，trt8引入的QDQ算子。 实践证明，我们采用上述配置的分离PTQ量化在yolov8上可以取得基本不掉点的int8量化精度。
1.5K20编辑于 2023-11-08 - 来自专栏碲矿
镜式认知与灯式认知
所谓镜式认知就是说，你做任何事情，先要试图去找一张地图，先获得全局的整体框架，然后再决定怎么走，也就是先想明白，再行动，否则你就是寸步难行；灯式认知就是说你手中只有一盏灯，没有地图，你唯一能做的，就依靠着盏灯 在实际的软件开发过程中，最有效的方式往往是将镜式认知和灯式认知结合起来。在项目初期，灯式认知可以帮助我们快速构建原型，验证想法。 例如，在构建一个大型分布式系统时，我们可能会借鉴已有的架构模式和解决方案，这是灯式认知的体现。 对于程序员而言，灵活运用镜式认知和灯式认知，根据不同的场景选择最合适的思维模式，是解决问题和推进项目的关键。这不仅仅是技术能力的体现，更是一种深层次的思维训练。 通过不断地实践和反思，我们可以逐渐提高自己的认知能力，成为更加全面、高效的解决问题的人。
23110编辑于 2024-12-06 - 来自专栏CreateAMind
纵深视角:无标度认知，认知进化
：12点 8 未来研究方向：12点 全文约11000字，已经粗体了部分重点内容，略去了论文中部分案例细节。 这个表面设置了一个功能边界——一个认知的“光锥”,它定义了认知的范围和界限。 还适用于成群的完整有机体,例如蜜蜂和白蚁(Seeley, 2009;Turner, 2011),就像在例如癌症和群居昆虫群落之间共享重要相似性的协调破坏的动力学一样(Amdam and Seehuus, 2006). 8. 8 本综述特别建议的未来研究方向包括: 1. 8.
60120编辑于 2022-06-10
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