- 综合排序
- 最热优先
- 最新优先
- 来自专栏AiCharm
多角度、真实用户标注，人大&华为推出可解释推荐数据集REASONER
/REASONER2023/reasoner2023.github.io 联系邮箱：reasonerdataset@gmail.com 该数据集构建于视频推荐场景，包含了多种推荐解释目的的真值，例如，增强推荐说服力 数据集内容 REASONER 数据集包含了 2997 个用户，4672 个视频，6115 个标签以及 58000 多条用户与视频的交互记录，这些信息存储在下列文件中： REASONER-Dataset 可解释推荐工具包 连同 REASONER 数据集，该研究还开发了一个可解释推荐算法工具包方便大家使用。 下载源代码 git clone https://github.com/REASONER2023/reasoner2023.github.io.git 2. 借助 REASONER 数据集，人们可以围绕多模态解释展开研究。 具有全面人物信息的可解释推荐：通过 REASONER 数据集，人们可以获取脱敏的用户信息，有助于很多方向的研究。
59410编辑于 2023-07-26 - 来自专栏机器之心
多角度、真实用户标注，人大&华为推出可解释推荐数据集REASONER
/REASONER2023/reasoner2023.github.io 联系邮箱：reasonerdataset@gmail.com 该数据集构建于视频推荐场景，包含了多种推荐解释目的的真值，例如，增强推荐说服力 数据集内容 REASONER 数据集包含了 2997 个用户，4672 个视频，6115 个标签以及 58000 多条用户与视频的交互记录，这些信息存储在下列文件中： REASONER-Dataset 可解释推荐工具包 连同 REASONER 数据集，该研究还开发了一个可解释推荐算法工具包方便大家使用。 下载源代码 git clone https://github.com/REASONER2023/reasoner2023.github.io.git 2. 借助 REASONER 数据集，人们可以围绕多模态解释展开研究。 具有全面人物信息的可解释推荐：通过 REASONER 数据集，人们可以获取脱敏的用户信息，有助于很多方向的研究。
30320编辑于 2023-05-22 - 来自专栏机器之心
刚刚，阶跃星辰发布Step R-mini！推理模型从此不再文理偏科
阶跃星辰表示，Step Reasoner mini 最大的亮点之一是实现了「文理兼修」。 而 Step Reasoner mini 也在推理思考中确认了这一点，并最终找到了正确答案：「千岩万转路不定」。 下面来看一道 2024 年的高考数学题： 可以看到，Step Reasoner mini 进行了一番思考后得到了正确答案。 实测中我们发现，如果第一轮和第二轮的答案不一致，Step Reasoner mini 还会持续进行多轮思考，直到得到正确答案。 「文理兼修」的 Step Reasoner mini 能帮助他们吗？ 可以看到，对于英语问题，Step Reasoner mini 能流畅地切换成英语思考模式，同时还能在其中穿插对汉语含义的思考。
22200编辑于 2025-02-03 - 来自专栏软件测试学习
基于LangChain的大模型对话简单demo
") print(response) deepseek-chat, deepseek-reasoner有什么区别？ 输出内容 chat 模式只返回最终答案；reasoner 模式在 API 里会额外给出字段 reasoning_content，你可以看到它一步步的思考过程。 reasoner 模式因要生成思维链，响应慢一些，价格贵一些。 使用入口 网页端：在聊天框里关掉“深度思考（DeepThink）”就是 chat 模式，打开就是 reasoner 模式。 API 端：model 字段填 deepseek-chat 或 deepseek-reasoner 即可切换。
26310编辑于 2025-11-12 - 来自专栏机器之心
打破瓶颈，让RAG学会思考：中科大、智源等发布推理检索框架BGE-Reasoner
正当全球研究者都在为此寻求突破之际，我们看到了一项来自中国的贡献：BGE-Reasoner。 在 BRIGHT 榜单上，BGE-Reasoner 取得 SOTA 表现于 8 月 21 日荣登第一名，BGE-Reasoner-Embed 使用原生查询即表现出色，在向量模型中取得 SOTA 结果，榜单链接 BGE-Reasoner 及 BGE-Reasoner-Embed 与基线模型在 BRIGHT 上的检索表现对比图 技术分析 BGE-Reasoner 采用信息检索中的经典三模块体系： 查询理解 —— BGE-Reasoner-Rewriter：对初始查询进行理解与改写，生成更适合检索的优化查询； 向量模型 —— BGE-Reasoner-Embed：与 BM25 协同利用改写后的查询进行检索，获取候选文档集合 在实际工作流程中，用户的原始查询首先经过 BGE-Reasoner-Rewriter 改写，然后由 BGE-Reasoner-Embed 与 BM25 并行检索得到候选文档，最后交由 BGE-Reasoner-Reranker
37210编辑于 2025-09-02 - 来自专栏猫头虎博客专区
【2025重磅发布】DeepSeek-R1正式登场：性能比肩OpenAI o1，开源全栈生态+MIT开源协议 | 推理模型API深度解析
DeepSeek-R1 上线 API，对用户开放思维链输出，通过设置 model='deepseek-reasoner' 即可调用。 DeepSeek 官网与 App 即日起同步更新上线。 ) deepseek-reasoner 是 DeepSeek 推出的推理模型。 我们的 API 向用户开放 deepseek-reasoner 思维链的内容，以供用户查看、展示、蒸馏使用。 在使用 deepseek-reasoner 时，请先升级 OpenAI SDK 以支持新参数。 response = client.chat.completions.create( model="deepseek-reasoner", messages=messages,
3.5K20编辑于 2025-01-24 - 来自专栏机器之心
从自我进化视角出发，全面解析LLM的推理能力技术演进路径
4.2 Reasoner 优化 Reasoner 是模型的核心组件，负责生成推理过程和最终答案。优化 Reasoner 的方法主要包括行为克隆、偏好优化和强化学习。 5.3 自我进化模式 自我进化模式包括仅优化 Reasoner、Reasoner + Evaluator、Reasoner + Post-Processor、Reasoner + Task Creator Reasoner + Evaluator：Reasoner 生成的推理结果用于训练 Evaluator，Evaluator 的反馈用于优化 Reasoner。 Reasoner + Post-Processor：Reasoner 生成的推理结果用于训练 Post-Processor，Post-Processor 的修正结果用于进一步训练 Reasoner。 Reasoner + Task Creator：Task Creator 生成更具挑战性的任务来测试 Reasoner，Reasoner 通过解决这些任务来提升自身能力。
39810编辑于 2025-03-07 - 来自专栏JadePeng的技术博客
知识图谱推理与实践（1）
相关工具介绍 Drools Jena 提供了处理RDF、 RDFS、 OWL数据的接口，还提供了一个规则引擎 Model m = ModelFactory.createDefaultModel(); Reasoner (reasoner, m) ? 首先构建owl推理机： Reasoner reasoner = ReasonerRegistry.getOWLReasoner(); InfModel inf_owl = ModelFactory.createInfModel (reasoner, myMod); 然后执行类别推理 public static void printStatements(Model m, Resource s, Property p, Resource Model data = FileManager.get().loadModel(fname); Reasoner reasoner = ReasonerRegistry.getOWLReasoner(
3.1K40发布于 2020-02-18 - 来自专栏机器之心
浙大&港理工等提出InfiGUI-R1：利用强化学习，让GUI智能体学会规划任务、反思错误
为此，浙江大学联合香港理工大学等机构的研究者们提出了 InfiGUI-R1，一个基于其创新的 Actor2Reasoner 框架训练的 GUI 智能体，旨在让 AI 像人一样在行动前思考，行动后反思。 图：Actor2Reasoner 框架概览 第一阶段：推理注入（Reasoning Injection）—— 打下推理基础 此阶段的核心目标是完成从「行动者」到「基础推理者」的关键转变。 InfiGUI-R1-3B：小参数，大能量 基于 Actor2Reasoner 框架，研究团队训练出了 InfiGUI-R1-3B 模型（基于 Qwen2.5-VL-3B-Instruct）。 表：AndroidControl 性能对比 这些结果充分证明了 Actor2Reasoner 框架的有效性。 结语 InfiGUI-R1 和 Actor2Reasoner 框架的提出，为开发更智能、更可靠的 GUI 自动化工具开辟了新的道路。
35110编辑于 2025-05-04 - 来自专栏机器之心
具身交互推理: 图像-思考-行动交织思维链让机器人会思考、会交互
/datasets/zwq2018/embodied_reasoner 一分钟看懂 Embodied-Reasoner 简介 尽管深度思维模型在数学和编码任务上展现出卓越的推理能力，但不同于数学、 因此，Embodied-Reasoner 设计了图文交织的思维链：观察-思考-行动，三者相互交织构成真正的多模态思维链。 对长序列任务更具鲁棒性：Embodied-Reasoner 在处理复杂的长序列决策任务时表现出显著优势。 Embodied-Reasoner 和 Explorer 在所有任务类型中都表现出显著较低的 RER。 Embodied-Reasoner 已发布于 AGIROS 智能机器人操作系统开源社区。
37010编辑于 2025-04-27 - 来自专栏JadePeng的技术博客
知识图谱推理与实践 (2) -- 基于jena实现规则推理
data.add(new Triple(person, hasActedIn, movie)); // 创建推理机 GenericRuleReasoner reasoner ); // HYBRID混合推理 InfGraph infgraph = reasoner.bind(data); infgraph.setDerivationLogging ().create(null); reasoner.setRules(Rule.parseRules( "[ruleHoldShare: (? c2)] \n" + "-> tableAll().")); reasoner.setMode(GenericRuleReasoner.HYBRID ); InfGraph infgraph = reasoner.bind(myMod.getGraph()); infgraph.setDerivationLogging
4.3K30发布于 2020-02-18 - 来自专栏bit哲学院
知识推理
(Person, true); HermiT 牛津大学开发的本体推理机 基于hypertableau运算,更加高效 支持OWL 2规则 使用举例 构建一个推理机 Reasoner hermit = new Reasoner(ontology); 一致性检测 System.out.println(hermit.isConsistent()); 相关工具总结 基于逻辑编程改写的方法 reasoner=ontology.createReasoner(); 并用于查询 Query whatDoPeopleKnowAbout=reasoner.createQuery(new Literal reasoner = ReasonerRegistry.getOWLReasoner(); InfModel inf_owl = ModelFactory.createInfModel(reasoner reasoner = ReasonerRegistry.getOWLReasoner(); InfModel inf_owl = ModelFactory.createInfModel(reasoner
2K00发布于 2020-12-13 - 来自专栏h5
vue3-deepseek-webai网页版AI Chat系统|vite7+arco+deepseek流式ai模板
historySession.value : [{role: 'user', content: editorValue}], // deepseek-chat对话模型 deepseek-reasoner 'deepseek-reasoner' : 'deepseek-chat', stream: true, // 流式输出 max_tokens: 8192, // 一次请求中模型生成 completion historySession.value : [{role: 'user', content: editorValue}], // deepseek-chat对话模型 deepseek-reasoner 'deepseek-reasoner' : 'deepseek-chat', stream: true, // 流式输出 max_tokens: 8192, temperature: 0.4})处理流式结果
34720编辑于 2026-01-07 - 来自专栏集智书童
改进YOLO | 可能这才是用Transformer正确打开YOLO的方式吧？
YOLOv3-Reasoner2模型在空间上和语义上增强了reasoning层中的特征，并将其与原始的卷积特征进行融合以性能的提升。 2.2 Reasoner配置 1、YOLOv3-Reasoner1 在这个配置中，FPN输出被直接输入到reasoning层。 YOLOv3-Reasoner1的整个体系结构如图4所示。 图4 YOLOv3-Reasoner1 2、YOLOv3-Reasoner2 在这种配置中，reasoning层的输出通过一个Shortcut的方式与FPN输出连接起来。 YOLOv3-Reasoner2的体系结构如图5所示。
1.8K41编辑于 2022-04-07 PyCharm安装Continue插件对接Deepseek
Continue添加chat模型 三个版本的模型，Coder是编码、Chat是V3聊天、Reasoner是R1推理。 provider": "deepseek", "apiBase": "https://api.deepseek.com" }, { "title": "DeepSeek Reasoner ", "model": "deepseek-reasoner", "contextLength": 64000, "apiKey": "sk-96**********
3.3K10编辑于 2025-07-14- 来自专栏云上修行
ManiAgent：多智能体协作的通用机器人操作框架介绍
Reasoner（推理者）Reasoner 是任务理解的核心，负责：语义理解：解析自然语言指令的含义任务分解：将复杂任务拆解为可执行的子任务目标提取：识别任务涉及的目标对象示例：输入 "把香蕉放到盘子上 "，Reasoner 会识别出需要检测 ["banana", "plate"] 两个目标对象。 工作流程完整的任务执行流程如下：graph TD A[接收任务指令] --> B[Reasoner 推理] B --> C[Controller 规划] C --> D{需要目标检测? I -->|否| C I -->|是| J[结束]具体执行步骤任务解析：Reasoner 理解自然语言指令，提取目标对象列表目标检测：Detector 对每个目标进行 2D 检测和 3D 定位抓取规划
22810编辑于 2025-12-27 - 来自专栏热度文章
解锁智能办公新境界——WPS携手DeepSeek，效率翻倍！
在“大模型”下拉菜单中，选择 DeepSeek，根据需求选择 deepseek-chat（适用于日常对话和简单搜索查询）或者 deepseek-reasoner（适用于需要进行深度推理和决策支持的高级应用场景 deepseek-reasoner：适合用于复杂推理和决策支持等场景。 这里可能会需要下载一个本地服务器，无关担忧，下载即可 小贴士：若您不确定哪种模型更适合，可以先尝试 chat 模型。 若发现其无法满足需求，再切换至 reasoner 模型。值得注意的是，reasoner 模型的价格是 chat 模型的两倍。
98210编辑于 2025-03-04 - 来自专栏机器智能技术干货
蚂蚁 KAG 框架核心功能研读
├── default_kg_retrieval.py│ ├── default_lf_planner.py│ ├── default_memory.py│ ├── default_reasoner.py :param reasoner: Reasoner instance for reasoning about tasks. DefaultMemory(**kwargs) self.reflector = reflector or DefaultReflector(**kwargs) self.reasoner = reasoner or DefaultReasoner(**kwargs) self.generator = generator or DefaultGenerator(**kwargs Reasoner推理模块可能是整个框架最复杂的部分了，其关键代码如下class DefaultReasoner(KagReasonerABC): def __init__(self, lf_planner
1.4K10编辑于 2024-11-18 手把手教你用【Go】语言调用DeepSeek大模型
比如： deepseek-chat 最多能回 8K（约 6000 字） deepseek-reasoner 最多能回 64K（约 4.8 万字）（适合写长报告、复杂推理）。 模型名称 适合场景 核心功能 一句话总结 deepseek-chat 日常对话、简单问答 支持生成 JSON、调用工具 聊天机器人，能帮你写简短文案、查信息 deepseek-reasoner 复杂推理 模型 输入费用（每百万 tokens） 输出费用（每百万 tokens） deepseek-chat - 缓存命中（常用内容）：0.5 元 - 缓存未命中（新内容）：2 元 8 元 deepseek-reasoner 输入费用（每百万 tokens） 输出费用（每百万 tokens） deepseek-chat - 缓存命中：0.25 元（5 折） - 缓存未命中：1 元（5 折） 4 元（5 折） deepseek-reasoner
29910编辑于 2025-10-22- 来自专栏勇哥编程游记
手把手演示 IDEA 如何接入 DeepSeek
Body 体 model 设置为deepseek-chat 或者 deepseek-reasoner，max_tokens设置为 2048 。 Body 体 model 设置为deepseek-chat 或者 deepseek-reasoner，max_tokens设置为 2048 。
1.5K10编辑于 2025-02-26
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