- 综合排序
- 最热优先
- 最新优先
- 来自专栏phodal
AutoDev MCP 调试器：连接跨模型工具生态，构建国产模型生态
而随着，国内 MCP 生态的不断发展，我们进一步构建了 AutoDev 的调试器（AutoDev MCP Debugger）， 以便于更好地调试和测试 MCP 服务。 直接执行 MCP 工具，查看工具的执行结果 测试模型调用工具。即通过需求发送给模型，查看、调用模型分析对应需求所需要的工具。 JSON 数据，AutoDev 将会自动将其发送给工具进行测试 测试 MCP Tool 联调 当你有测试多个工具的需求，即优化工具的 description，你可以在底部的输入框： 配置里选择合适的模型和对应的参数 其它 联调工具的提示词是基于 Anthropic 的提示词修改的，经测试国内的模型在前端场景上的效果还不错，当然你也可以使用其它的模型进行测试。
49100编辑于 2025-04-15 - 来自专栏开源社
试论开源生态的经济模型
目标非常清楚：通过创建一种经济模型，来分析开源生态中的各种问题。 上一次在CHAOSS china的一档播客节目里，我们在讨论关于“指标”的问题。 关键在于：我们缺少一组明白无误的概念，并且这些概念能够组成一个可以理解并且切合实际的模型。更进一步的关键在于：我们对于开源软件，乃至对于开源的本质，缺乏理解。 软件定价的两种模型 区分了使用价值与价值，我们就会发现，在软件领域，存在两种定价的模式。一种是基于使用价值定价，或者说基于使用情况定价。 :P 总结 通过以上的分析，我们基本上可以得到一个开源生态的经济模型的全貌了。 · 价值流网络 –> 开源软件的生态总价值 –> 使用价值 基于以上的模型，我们也许可以展开进一步的分析了。
55910编辑于 2022-02-25 - 来自专栏开源部署
Hadoop 版本 生态圈 MapReduce模型
一 Hadoop版本 和 生态圈 1. Hadoop生态圈 Apache支持 : Hadoop的核心项目都受Apache支持的, 除了Hadoop之外, 还有下面几个项目, 也是Hadoop不可或缺的一部分; -- HDFS : 分布式文件系统 , 用于可靠的存储海量数据; -- MapReduce : 分布式处理数据模型, 可以运行于大型的商业云计算集群中; -- Pig : 数据流语言 和 运行环境, 用来检索海量数据集; -- HBase MapReduce模型简介 MapReduce简介 : MapReduce 是一种 数据处理 编程模型; -- 多语言支持 : MapReduce 可以使用各种语言编写, 例如 Java, Ruby, MapReduce 数据模型解析 MapReduce数据模型 : -- 两个阶段 : MapReduce 的任务可以分为两个阶段, Map阶段 和 Reduce阶段; -- 输入输出 : 每个阶段都使用键值对作为输入
66720编辑于 2022-06-30 - 来自专栏快乐阿超
Java生态AI大模型框架langchat
LangChat: Java LLMs/AI Project, Supports Multi AI Providers( OpenAI / Gemini / Ollama / Azure / 智谱 / 阿里通义大模型 / 百度千帆大模型), Java生态下AI大模型产品解决方案，快速构建企业级AI知识库、AI机器人应用 官方文档： https://langchat.cn/ 介绍： LangChat是Java生态下企业级 AIGC项目解决方案，在RBAC权限体系的基础上，集成AIGC大模型能力，帮助企业快速定制AI知识库、企业AI机器人。 接入 OpenAI / Gemini / Ollama / Azure / Claude / 智谱AI / 阿里通义大模型 / 百度千帆大模型 等大模型。 这里顺带说一下咱们dromara的easyai也是Java生态的AI大模型框架，采用Apache-2.0开源协议，可以免费商用～
42910编辑于 2024-09-13 - 来自专栏开源服务指南
大语言模型生态系统：助你自由调教 AI 模型
nomic-ai/gpt4all[1] Stars: 50.0k License: MIT gpt4all 是一个开源的边缘大型语言模型的生态系统。 开放性：GPT4All 模型是一个 3GB - 8GB 的文件，您可以下载并插入到 GPT4All 开源生态系统软件中。 Nomic AI支持和维护这个软件生态系统，以加强质量和安全性，同时带头努力允许任何人或企业轻松训练和部署自己的边缘大语言模型。 桌面应用程序：通过桌面聊天客户端，在家庭台式电脑上原生运行任意 gpt4all 模型。您可以查看 gpt4all 网站以获取完整列表，并使用这款功能强大的桌面应用程序运行各种开源模型。 我们会与像 Llama 这样优秀的开源模型合作，通过在我们平台中提供它们作为模型选项或者进⼀步微调来使之发挥更大价值。 Dify 是一个强大而简单的 LLMOps 工具。
1.1K30编辑于 2023-08-10 - 来自专栏亨利笔记
联邦大模型：打造安全合规的数据生态
安全漏洞风险 大模型通常需要在云服务器上运行，因此有安全攻击风险。 恶意攻击者可能通过攻击云服务器来窃取模型及其数据，或者反向工程模型参数以训练新模型。 联邦学习与大模型结合：构建安全合规的数据生态大陆 联邦学习作为一种分布式机器学习新范式，其“数据不动模型动，数据可用不可见”的特点使得各参与方可以在保护各自数据安全与用户隐私的前提下，进行AI协作，打破数据孤岛 在合法合规的前提下，让散落于各行业、各机构的不同规模的大模型得以交流与融合，共同构建覆盖各行业各领域的数据与模型生态，打破垄断，进一步提升大模型的规模、质量和通用性。 作为联邦学习领域的首个开源框架，FATE 自 2019 年开源以来已经发布了40 余个版本，覆盖超过 160 个行业应用场景，社区吸纳了超过4000 位核心开发者，致力于降低技术门槛，促进联邦学习和隐私计算生态的蓬勃发展 希望更多行业专家与机构能够共同参与，合力打造下一代更加通用强大和负责任的AI，构建安全合规的数据生态大陆。
1.3K10编辑于 2023-04-12 - 来自专栏AI掘金志
AIGC、大模型、生态...这次的宇视不低调
“生态为先，繁荣共生”代表了宇视的信心、底气、技术和积累。“改变旧格局、发现新蓝海、提升运作效率、拓宽产品线”，宇视将坚持这四件大事，和合作伙伴一起，再合力拼搏二三十年。 这是乌镇的景，也是乌镇的生态。 当AIoT的风吹到乌镇，一幅关于AIoT的生态图正在被构建。 解决方案供应商、工程商、分销商…他们是这幅生态图的重要组成部分，同样是这幅图的创作者。 5月9日，宇视举办了AIoT合作伙伴峰会，核心主题便是“生态为先 · 繁荣共生”。 在宇视眼里，服务生态伙伴已经成为基本的业务基调。 那么为何宇视如此强调“生态”？ 大模型、SAM模型则大大缩小了AI公司和工程商们的差距。 原来以“小模型+大样本”的算法生产模式，变成了以“大模型+小样本”。新模式并不需要庞大的数据量，数据标注成本、算法训练成本大幅降低。 ChatGPT大模型、SAM模型的涌现，本质上是技术对生产力的一次革命，进而推动了AIGC这种生产方式的进化，最终导致生产关系的变化。
42330编辑于 2023-08-26 腾讯混元大模型：重塑AIGC应用新生态
腾讯混元大模型：重塑AIGC应用新生态在科技日新月异的今天，人工智能（AI）已经深入到我们生活的方方面面，成为推动社会进步的重要力量。 一、腾讯混元大模型：技术底蕴与创新力量腾讯混元大模型，是腾讯云智能基于深厚的AI技术积累和创新精神，精心打造的一款通用大语言模型。 二、产品体验：轻松解锁AI生成新模式为了让更多用户能够体验到腾讯混元大模型的强大功能，腾讯云推出了多款基于该模型的产品方案，包括混元生文、混元生图以及大模型图像创作引擎和大模型视频创作引擎等。 大模型图像创作引擎和大模型视频创作引擎则更加注重用户的个性化需求。 在金融领域，腾讯混元大模型也展现出了非凡的潜力。某银行利用该模型对贷款申请人的信用报告进行自动化分析和评估，有效提高了审批效率和准确性。
53120编辑于 2024-09-30- 来自专栏博文视点Broadview
微服务生态系统的4层模型
把这种环境看成微服务生态系统并分层，有助于理解微服务架构。 本文选自《生产微服务》一书 在一个设计良好的微服务生态系统里，微服务与基础设施之间是分离的。 它们都是微服务生态系统基础设施的组成部分。如何以一种稳定可靠的、可伸缩的、可容错的方式来构建、维护和标准化基础设施，是微服务运维的根本。 基础设施必须能够支撑微服务生态系统。 微服务生态系统的4层模型 第1 层：硬件层 微服务生态系统的底层是硬件层。这一层是服务器物理机所在的层，它们是所有内部工具和微服务运行的基础。 第2 层：通信层 微服务生态系统的第2 层是通信层。 在微服务生态系统里，只要涉及请求转发，都需要用到负载均衡器，这意味着一个大型的微服务生态系统将包含多层负载均衡。
1.2K41发布于 2020-06-11 - 来自专栏Listenlii的生物信息笔记
Ecosystems：生态学中的空间显式模型综述
许多模型已经转向关注捕捉这些精细尺度的细节，以提高对生态系统的机理理解。 背景 对模式和尺度的理解是生态学的核心问题(Levin 1992)。 生态学中的模型沿着一个可以被称为实用理论的轴线发展。使用模型类型有很大的不同，这取决于所提出的问题是更理论化还是更实用化。 实用主义的模型通常是为管理目标开发的，通常对特定人群、群落或生态系统进行模拟。模型旨在对生态现象进行一般性解释，如空间显式模型。 实用建模与“景观生态学”领域相关，实用主义模型往往是复杂的、特定于地点的，并使用明确的空间计算机模拟。在这类模型中，精确的空间位置很重要，因为在管理中需要具体的预测。 讨论 生态学中的空间模型在很大程度上已经走向了不同的方向:应用或实际问题的空间模型向SEMs方向发展，理论问题的空间模型向SIMs方向发展。 理论家们并没有忽视小尺度的重要性。
3.7K62发布于 2021-03-26 - 来自专栏AI分享
从GPT-4到DALL-E的模型生态
其模型体系呈现三大特征：多模态融合：支持文本、图像、语音跨模态交互行业垂直化：针对科研计算、程序开发等场景深度优化服务分层化：提供从基础推理到实时交互的梯度能力二、核心模型体系技术解析（一）GPT系列演进图谱 GPT-3.5技术定位Turbo版本：聊天场景优化，支持16k上下文指令版本：传统补全任务专用，推理成本降低35%（二）专业推理模型体系o系列专业模型矩阵场景适配指南：科研计算：推荐o1旗舰版（200k Whisper语音模型支持93种语言实时转写行业术语识别准确率提升40%三、模型选型决策框架（一）四维评估体系计算复杂度：o系列 > GPT-4 > GPT-3.5响应延迟：o1-mini（50ms）< GPT-4o（120ms）< DALL-E（2s）多模态需求：文本+图像：GPT-4o语音交互：GPT-4o Audio跨模态检索：嵌入模型（二）成本优化策略场景推荐模型TCO节省比例日常对话系统GPT 开发者应根据具体业务场景的需求特征，建立动态的模型评估与迭代机制，充分释放生成式AI的商业价值。
3.6K10编辑于 2025-04-07 - 来自专栏AI智韵
MobileNetV4——移动生态系统的通用模型
接下来，我们将详细阐述我们针对UIB模型搜索的精炼NAS方法，概述各种MNv4-Conv模型尺寸的具体搜索配置，并解释混合模型的构建过程。 与其他混合模型一致，我们发现将注意力添加到卷积模型的最后阶段最为有效。在MNv4-Hybrid模型中，我们将Mobile MQA块与UIB块交错使用，以增强性能。有关模型的全面规格，请参阅附录D。 在基准测试中，我们将我们的模型与领先的高效模型进行比较，包括混合模型（MiT-EfficientViT [13]、FastViT [42]、NextViT [26]）和卷积模型（MobileOne [43 这种多功能性确保了 MNv4-Conv 模型可以在移动生态系统中无缝部署，而无需进行任何针对平台的调整，从而为移动模型通用性设定了新的基准。 9、结论 在本文中，我们提出了MobileNetV4，一系列通用且高效的模型，经过调优，可在移动生态系统上高效运行。
2.7K10编辑于 2024-10-22 AI大模型智慧政务系统：构建智慧治理新生态
核心技术实现包括：语义解析：通过微调后的政务领域大模型（如基于 Llama 3 开发的政务专用模型），将市民模糊诉求（如 “如何办营业执照变更”）转化为结构化工单，意图识别准确率达 92%；多轮对话：结合政务知识图谱 1.3 后端决策层：AI 模型驱动的智能决策内置时序预测、异常检测、聚类分析等模型矩阵，为政务决策提供量化支撑：预测类模型：基于 Prophet+LSTM 融合算法，预测经济指标、民生需求（如就业岗位缺口 、医疗资源需求），预测误差率较传统统计方法降低 35%；检测类模型：采用孤立森林 + XGBoost 算法，实时识别异常数据（如企业偷税漏税特征、欠薪投诉异常增长），识别准确率达 88%；分析类模型：通过 五、总结：AI 大模型重塑政务治理价值AI 大模型在智慧政务中的应用，本质是通过技术手段将 “政务服务 - 公共决策 - 监管执法” 的核心环节标准化、自动化、智能化。 未来，随着模型精度的提升与场景的深化，AI 大模型将进一步推动政务治理从 “被动响应” 向 “主动预见”、从 “粗放管理” 向 “精准服务” 转型，真正实现 “以人民为中心” 的智慧治理目标。
97010编辑于 2025-10-21大语言模型的技术突破与稳定 API 生态的构建
OpenAI 推出的大语言模型 API，凭借其强大的自然语言理解与生成能力，为聊天机器人开发提供了核心技术支撑；而 New API 平台则通过优化的网络架构与稳定的服务部署，解决了国内开发者调用海外 API 核心技术原理剖析智能聊天机器人的底层核心依赖自然语言处理（NLP）技术栈，其中预训练语言模型是实现智能交互的关键。 以 GPT-3 为代表的预训练模型，通过大规模文本数据训练，具备了上下文理解、逻辑推理与自然语言生成能力，能够模拟人类对话的流畅性与逻辑性。 Completion接口生成回复 response = client.Completion.create( engine="davinci", # 选用davinci模型 （如轻量模型用于快速响应，复杂模型用于高精度对话）。
26710编辑于 2025-10-23- 来自专栏机器之心
智源发布FlagEval「百模」评测结果，丈量模型生态变局
智源评测发现，2024 年下半年大模型发展更聚焦综合能力提升与实际应用。多模态模型发展迅速，涌现了不少新的厂商与新模型，语言模型发展相对放缓。 模型开源生态中，除了持续坚定开源的海内外机构，还出现了新的开源贡献者。 语音语言模型，得益于文本大模型的进步，能力提升巨大，覆盖面更全，但在具体任务上与专家模型还存在一定差距，整体而言，性能好、通用能力强的开源语音语言模型偏少。 此次评测，共有 29 个语言模型、16 个图文问答多模态模型、7 个文生图模型、14 个文生视频模型参评。评测发现，用户对模型的响应时间有更高要求，对模型输出的内容倾向于更结构化、标准化的格式。 智源研究院副院长兼总工程师林咏华在评测发布会上表示，FlagEval 评测体系一直坚守科学、权威、公正、开放的准则，通过技术方法平台持续创新，打造丈量模型能力的标尺，为大模型技术生态发展提供洞察。
79810编辑于 2025-02-15 - 来自专栏机器之心
快手用大模型重构短视频生态格局
大模型技术，尤其是多模态大模型，正迅速成为人工智能领域的新引擎，具备强大的图文音视频理解能力。但在短视频生态这一复杂、高速演化的场景中，如何将这些技术真正落地，仍是一道难解的行业命题。 作为国内领先的短视频社区，快手对利用多模态大模型重塑短视频生态做出了尝试，提出了基于多模态大模型的短视频平台生态优化和综合用户体验改善方案，并在实际部署中取得了显著的成效。 基于多模态大模型的短视频生态优化方案 低质内容广泛存在于各个媒体平台，识别和过滤这些内容是改善用户体验和平台生态的重要环节。 ，并解释该视频为何不会对社区生态造成危害，以帮助模型区分个体用户敏感性和社会共识。 三阶段路径：从能力建设到生态闭环 快手在多模态大模型建设方面采取了清晰的阶段性策略，力求以系统性投入逐步构建起具备产业价值和应用闭环的模型能力体系。
95610编辑于 2025-05-10 - 来自专栏常用算法专栏
UGC、PGC、OGC：数字内容生态的三元动力模型
商业模型的互补性 UGC：降低内容获取成本，提升平台活跃度与数据量 PGC：建立付费墙可能，提升平台调性与用户粘性 OGC：控制关键内容节点，服务战略目标与品牌建设 4. 五、应用策略：不同组织的三元配比模型 模型一：UGC主导型平台（如抖音、小红书） 核心逻辑：UGC为流量基础，PGC为质量标杆，OGC为战略补充 典型配比：UGC 80% | PGC 15% | 降低创作门槛，激发用户创作 设计算法推荐机制，挖掘优质UGC 建立创作者成长路径（UGC→PGC） 选择性投资头部PGC，树立标杆 战略性布局OGC，服务关键战役 模型二 ： 严格筛选专业创作者，维护品质标准 设计专业知识生产流程与质量控制 构建UGC社区，辅助学习与实践 平台自制OGC，定义产品标杆与品牌叙事 建立专业认证与分级体系 模型三 结语：在控制与涌现之间寻求动态平衡 UGC、PGC、OGC的三元动力模型，本质上反映了数字时代内容生产的永恒张力：在组织控制与生态涌现之间，在商业确定性与创新不确定性之间，在专业标准与民主表达之间寻求动态平衡
1.5K20编辑于 2025-12-19 - 来自专栏腾讯云智能·AI公有云
腾讯数字生态大会产业对谈：大模型如何落地产业场景？
2024年是大模型应用落地元年。随着场景落地不断深化，大模型要贴近场景创造价值已经是业界的共识。 9月5日，2024腾讯全球数字生态大会云上智能峰会在深圳举行。 迈瑞结合腾讯云的医学行业大模型和工具链，共同构建了重症大模型。该模型整合了病例、生理参数、医学影像等数据，开发了病历撰写、患者个性化信息查询和知识检索等智能应用。 营销服务场景：垂类大模型助力智能营销 易车选择垂类大模型的原因在于通用大模型难以完全理解汽车领域的专业知识和术语，特别是在汽车配置解读和评测方面。 易车研发平台部总经理孙佑时表示，在大模型落地过程中，易车面临的挑战包括大模型基础能力的构建和生态服务形态的更新迭代。 这些要求确保了模型不仅能提供准确的风险预测，还能符合法律法规，保护用户数据。 在风控场景中应用大模型可能会遇到数据质量、多样性、对抗训练、多任务学习、模型结构设计等方面的挑战。
40810编辑于 2024-09-06 - 来自专栏创作是最好的自我投资
旅行规划新纪元：腾讯元宝大模型 × MCP Server扩展生态
腾讯位置服务MCPServer由来随着各类AI大模型的发展，快速推动了产业智能化进程，而AI与外部资源的交互，是应用落地的基础支撑。 上面内容配置完成后，我们切换到【高级设定】在高级设定页面我们选择具体的模型，这里我们默认【腾讯混元大模型-TurboS长文版（128k）】模型，最大回复长度设为6144，携带上下文论述设置为30添加MCPServer
2.1K40编辑于 2025-09-03 - 来自专栏PaddlePaddle
跨语言、跨模态、跨任务的大模型，驱动应用生态繁荣
本系列根据WAVE SUMMIT + 2022深度学习开发者峰会「AI大模型 智领未来」论坛嘉宾分享整理。文章整理自百度技术委员会主席吴华的主题分享——「大模型技术驱动应用生态繁荣」。 而在交互过程中所产生的新数据，又不断驱动大模型技术升级，从而形成了技术、应用、数据的闭环正循环，极大提升生产力，促进生态繁荣，使人们生活更加美好。 基于该套件，用户能够实现数据处理、模型预训练、模型微调、模型快速部署等多维度能力应用，支持40多个场景，由此衍生出来的能力可以通过开发平台和服务平台，进一步赋能开发者和生态，最终实现整个平台覆盖大模型应用落地全周期 比如在搜索问答场景里，通过用户反馈，模型应用效果得到进一步提升。 统一大模型进一步促进生态繁荣 随着技术、应用、数据闭环的不断发展，模型开始趋向于跨语言、跨模态、跨任务的统一大模型。 而且模型在应用过程中能够与用户和环境进行交互，学习到用户行为和环境信息，比如时空数据和感知数据。而这些数据之间相互作用、相互补充，得以进一步提升模型效果，促进生态繁荣。
1.1K30编辑于 2023-03-06
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