#AI大模型

avatar
AI大模型能做到这么自然生动的翻译了（基于DeepSeek）
深度学习模型升级引发AI能力大跃进，行业迎新变革· 133 条信息
#AI大模型 #DeepSeek #自然生动 #翻译
avatar
懒猫相册基于AI大模型找相似重复照片太方便了
懒猫家族新成员亮相，AI算力舱引发热议！· 106 条信息
#AI大模型 #懒猫相册 #重复照片 #图像识别 #效率工具
avatar
70 本《逻辑哲学论》 线下课人手一本，解开 AI 大模型之锁的真正钥匙🔑
#逻辑哲学论 #AI大模型 #线下课 #哲学 #技术
avatar
sitin
3周前
发现了一个浏览器自动化开源项目—— Chrome 插件：Nanobrowser Nanobrowser是一款开源的Chrome浏览器插件，通过接入AI大模型API实现网页自动化操作。配置简单，支持中文指令，无需编程基础 采用多智能体架构，包含规划者（Planner）、导航者（Navigator）和验证者（Validator）三个角色协同工作，能自动完成网页跳转、数据提取等任务。 只需在侧边栏输入自然语言指令，例如“前往HuggingFace查看热门论文”，插件即可自动执行并返回结果。支持OpenAI、DeepSeek等主流模型，所有操作均在本地浏览器完成，保障数据隐私。 主要功能 多智能体系统（Multi-agent System）: Planner（规划器）：负责制定和调整任务策略。 Navigator（导航器）：执行网页导航和操作。 Validator（验证器）：检查任务是否成功完成。 交互式侧边栏：提供直观的聊天界面，实时显示任务状态，用户用自然语言与智能体交互。 任务自动化：自动化重复性网页任务，如信息提取、数据整理等，节省时间和精力。 多 LLM 支持：支持连接多种大型语言模型（LLM）提供商，用户根据需求为不同智能体选择不同的模型。 该工具适用于电商比价、信息采集、办公自动化等场景，安装后无需订阅费用，适合追求高效且注重隐私的用户。
#浏览器自动化 #Chrome插件 #AI大模型 #多智能体系统 #数据隐私
avatar
感觉 context 长了之后，哪个 AI 都是大笨蛋，不管你是 claude sonnet 4.5 还是 gpt 5 ……
OpenAI GPT-5发布引发用户不满，阿尔特曼回应质疑· 142 条信息
#AI大模型 #Claude Sonnet 4.5 #GPT-5 #性能下降 #用户体验
avatar
AI大模型炒币大赛，谁能笑到最后？我认为可能会是它！
AI交易比赛：DeepSeek V3领先，GPT-5惨遭亏损· 77 条信息
#AI大模型 #炒币大赛 #投资 #未来趋势
avatar
比特傻
1个月前
《AI大模型之上的Allora》 老粉丝都知道，傻哥是大模型重度用户。 日常工作中，一会儿GPT、Grok，一会儿Gemini、Claude。 傻哥不得不在各种大模型之间相互切换。 于是，傻哥就在想，这些大模型之上会不会出现一层抽象层， 能够全自动根据特定任务来调用不同的模型呢？ 直到今天，傻哥看到了Allora。 先说下Allora的背景 团队来自摩根大通、UC Berkeley、剑桥 融资额35m美金 资方Polychain、Framework、dao5 等机构。 整体而言，是具备严肃背景的资方+强大团队组合。 那Allora的AI 抽象层有啥特点呢？ 1、从“模型中心”到“目标中心” 你只描述目标（如“预测 BTC 明日收益率、给出胜率与置信区间”），网络自动择优与加权（模型/权重/路由随情境实时变化）。这比单一模型或静态集成更能适应任务。 2、去中心化的“群体智能”与自进化 超过 28 万个 Workers（模型/代理）在同一网络里竞争 + 协作：优者得更高权重与奖励，劣者被降权或淘汰；Reputers（评估者）通过质押参与评估与治理 3、“即插即用”的智能信号 面向 DeFi、预测市场、AI Agents 提供直接可用的信号（胜率、风险分布、动作建议等），缩短从研究到交易/执行的距离； 比如今日火热的预测市场， Allora能够汇集多个模型，把“预测”做成一条可计价、可清算的生产线 在提交、聚合、使用、结算、权重再分配循环中，使得预测市场可以自住进化。 凭借此，Allora精准预判了2024美国总统大选结果。 Allora代表了AI和Crypto往后发展的三大趋势： 1、AI 从“单体模型竞争”走向“群体智能协作” 未来更像“推理市场”：不同专长模型以价格/奖励为信号协作——谁在当前情境更准，谁拿流量与收益。Allora 把这套机制做成“网络层”，而非单一应用内的小工具。 2、Agent 经济 × 金融可清算化 AI Agents 不再只“生成文本”，而是基于可交易的智能信号进行下单、对冲、再学习；智能→现金流的链路被打通。DeFi 与预测市场因此从“人类投机”升级为“群体智能驱动”。 3、可验证 AI（Verifiable AI）与代币激励融合 可信度不再靠品牌或闭源 API，而靠链上（或可追溯）评估、质押与惩罚。这为“金融级 AI”提供了合规与问责的抓手，也利于多方参与的生态扩展。 目前， $ALLO tge在即， 如果你也对Allora有兴趣，可以参加Kaito的奖励活动，拿空投，赚取 $ALLO 。 #Allora #Allora
#AI大模型 #Allora #群体智能 #预测市场 #可验证AI
avatar
Colin Wu
1个月前
突然有种感觉，区块链公链和 AI 大模型有点像，都在大量重复建设，都是这两个行业的底层，用 GPT 讨论了下，还挺深刻： 一样的地方 1. 都是通用基础设施，竞争不可避免。 无论是大模型还是公链，本质上都属于底层通用技术。这类技术的核心特征是：高进入门槛 + 高潜在回报 + 生态型竞争。因此每个国家、公司、基金都希望拥有自己的版本，即使底层相似，也必须重做一遍才能形成独立控制力。 2. 都存在“重复建设”，但源于合理动机。看似重复，其实是技术、算力、合规和利益的必要分化。大模型各家在相同架构（Transformer）下重新训练，是因为数据私有化、算力分布、微调方向都不同；公链项目在 EVM 兼容的前提下再造，是因为要满足不同的性能、监管和经济模型。“重复”反映的不是浪费，而是体系多样化的自然结果。 3. 都在从“造技术”转向“造生态”。 技术门槛已经被攻破，真正的竞争焦点转向生态整合与用户留存。大模型比拼应用生态（Copilot、AI Agent、企业嵌入场景）；公链比拼资产生态（DeFi、RWA、L2扩容、游戏应用）。技术同质化后，生态能力决定长期差距。 不一样的地方 1. 技术架构的集中度不同。 大模型趋势是算力与能力集中化——领先者数量在减少，模型规模和推理成本极高，最终形成少数巨头格局；公链则是模块化和分层化——以太坊成为底层共识层，上面出现大量L2、L3和应用链，形成网络化竞争结构。 2. 开源在两者中的作用不同。 开源模型（如LLaMA、Mistral）主要降低了入门成本，但没改变算力和数据集中化格局；而公链的开源（OP Stack、Polygon CDK）则真正扩大了主权与经济创新的空间，让更多团队能在以太坊框架上构建新生态。 3. 商业逻辑的落地方向不同。 大模型的主线是服务商业化——API订阅、企业方案、垂直集成；公链的主线是资本金融化——代币激励、生态投资、流动性经济。前者靠现金流驱动，后者靠资产定价驱动。 总结 > 大模型和公链确实相似：都在重复建设底层、争夺生态主导权。但路径已分化：大模型趋向中心化、商业化复用开源，公链趋向模块化、去中心化复用以太坊。一个追求智能的统一，一个追求价值的多元。
#区块链 #AI大模型 #重复建设 #生态竞争 #技术分化
avatar
Y11
1个月前
每天上看一看又有什么新岗位出来，还是挺有意思的。譬如发现现在搞AI大模型预训练最大的门槛还是来自学历，而做AI Agent没这个要求，主要还是看能力。 遇到自己原先不知道的工作岗位和工作内容，就可以模拟面试看一看，也会有启发。
#AI大模型 #预训练 #学历 #AI Agent #能力
avatar
别再问‘如何入门AI大模型’了。斯坦福刚把答案直接摆上桌： CS336，全套 17 讲，2025 最新版。 原来只有博士和研究员能学的，现在人人都能免费掌握。 AI 时代的‘计算机导论’ 已经开源。链接🧵👇”
#AI大模型 #斯坦福 #CS336 #开源 #AI时代
avatar
国内首次AI大模型众测结果揭晓
　　本报昆明9月16日电（记者张驰、金歆）16日，在昆明召开的第二十二届中国网络安全年会暨国家网络安全宣传周网络安全协同防御分论坛上，国内首次针对AI大模型的实网众测检验结果揭晓。　　本次活动共对国内
DeepSeek数据泄露：德国下架，信任崩盘· 425 条信息
中国DeepSeek引发美国科技股暴跌事件· 164 条信息
#昆明 #网络安全 #AI大模型 #众测 #协同防御
avatar
国内 AI 大模型 无论模型多么牛逼 过一段时间就变得Shit 我一哥们公司的业务 就是喂AI吃屎 他们每天 生成几十万篇植入客户的垃圾广告的内容 然后做投放和优化 增加成为各个大模型语料的权重 AI 这就是每天吃屎的AI DeepSeek一开始挺牛逼的 现在你去用用看 额 各个行业都差不多吧 问题出在了哪？
DeepSeek数据泄露：德国下架，信任崩盘· 425 条信息
中国DeepSeek引发美国科技股暴跌事件· 164 条信息
#AI大模型 #垃圾广告 #语料污染 #DeepSeek #行业现状
avatar
Olivert
2个月前
极客时间准备的AI大模型材料还真不少。有面试问答，有学习路线图，有前沿资讯，还有很详尽的知识库。 微信扫码领取
#AI大模型 #极客时间 #面试 #学习路线图 #前沿资讯
avatar
Inty News
2个月前
AI大模型开源了、免费了，让人兴奋？！ 但现实是，没有数千数万美金的GPU芯片，好一点的AI模型你都运行不起来😄。
MiniMax M1发布：开源长上下文推理模型引发AI领域震动· 23 条信息
#AI大模型 #开源免费 #GPU芯片 #运行成本高 #令人兴奋
avatar
更新/Google搜素引擎霸主之后，在移动互联网操作系统、云计算和眼下的AI大模型都战绩不俗，直接干区块链Layer1，确实比Meta成算机会大。几个互联网巨头里，谷歌更有学术自由和区块链精神。 谷歌：我们为什么要做一条自己的区块链GCUL
#谷歌 #区块链 #GCUL #互联网巨头 #AI大模型
avatar
Inty News
2个月前
重磅消息：马斯克开源了AI大模型 Grok 2.5
马斯克Grok再升级，4代直播发布引爆AI· 36 条信息
#马斯克 #Grok 2.5 #开源 #AI大模型 #科技
avatar
Compute King
2个月前
DeepSeek V3.1引爆市场：国产芯片概念股集体飙升 在DeepSeek V3.1正式发布后，一则简短的官方留言在AI圈内掀起轩然大波。短短不足20个字的表述，却释放出“新架构”“下一代国产芯片”的重磅信号。 这一消息迅速传导至资本市场，国产芯片及半导体产业链企业股价应声大涨。寒武纪（#688256）股价强势涨停，创下历史新高1243.20元人民币，市值突破5200亿元，跃居科创板首位。同时，半导体ETF（#159813）收盘也直接触及涨停板。 这一波行情不仅体现了市场对国产AI大模型与芯片协同发展（Co-Design）的高度期待，也反映出投资者对中国半导体自主可控进程的信心正在快速升温。
#DeepSeek V3.1 #国产芯片 #寒武纪涨停 #半导体ETF #AI大模型
avatar
dontbesilent
3个月前
为了同时打开多个 AI 大模型，我的解决方案： 1、首先选了一个 34 寸的带鱼屏显示器 2、发现 34 寸显示器就算是 5K 分辨率，也不能实现 retina 效果 3、换成 27 寸 5K 分辨率 LG 面板显示器 4、MacBook 带这个显示器费劲，换成 M4 芯片的 mac mini 5、显示器和 mac mini 都没有内置麦克风，还要单独配一个 USB 麦克风 6、5K 画面传输还要配一根 ULT-unite 数据线 7、monica 的多模型同时对话不能勾选特定模型，openrouter 里面又不能竖屏分栏，所以换成 cherry studio 8、cherry studio 不支持移动端，所以先用 vivo 折叠屏分屏凑合一下 9、同时有了 MacBook 和 mac mini 之后，大文件传输又成了问题，准备再上一个 NAS，考虑一下懒猫微服 10、供电问题之前已经解决了，用的 Anker 的 250W Prime Charger 充电器
#AI大模型 #多模型对比 #硬件升级 #显示器选择 #Mac mini M4
avatar
Wayne Liao
3个月前
Minttr 在卡片拓展方面做得很出色，主要体现在三个功能： 1. Continue：为用户提供继续思考的方向，帮助拓展内容。 2. Reflect：引导用户从肯定和批判两方面反思卡片内容，从而更全面地审视它。 3. Chat with Card：利用 AI 大模型对卡片进行深度提问、优化，甚至重新生成卡片。该功能的灵活度更高，类似 VoiceNotes 中内嵌的 prompt，能够将卡片迅速转化为邮件、报告、推文等多种形式。 Continue 和 Reflect 注重提供方便的提示与引导，而 Chat with Card 则更像是在赋予卡片“生命”，让它可以被多维度利用和改造。这样一来，我们不仅能批判和补充卡片内容，还能根据需要将其转化为不同的输出形式。 虽然手动提取和优化卡片也可行，但人总有惰性。有了 Continue、Reflect 按键提示，以及 Chat 对话框，卡片交互变得更具趣味性和吸引力，使得改造过程不再枯燥乏味。
#Minttr #卡片拓展 #AI大模型 #内容生成 #效率提升
avatar
sunshineLx
3个月前
一款SwiftUI模板 🧑🏻‍🦰内置基于Supabase的用户认证、后端Severless服务 💰RevenueCat内购 🧠轻松对接各家AI大模型 📃超详细的文档支持 📱持续更新... 现在早早鸟优惠价：$56 搭配Cursor、Claude Code , 直接Vibe Coding, 快速上线你的第一款MVP版本
#SwiftUI模板 #Supabase用户认证 #Severless服务 #RevenueCat内购 #AI大模型
avatar
策引
3个月前
策引最近上线了AI大模型多因子策略，简单说是让大模型根据大量多维度的数据做决策并维护 策引最近上线了AI大模型多因子策略，简单说就是让大模型根据大量多维度的数据做决策并维护一个模拟组合，你可以关注下面这几个组合👇
#AI大模型 #多因子策略 #策引 #模拟组合 #数据驱动
avatar
Olivert
3个月前
福利来了，极客时间AI大模型全套学习资料免费领! 包括2025 AI 大模型学习路线图，GeekAGI知识库(DeepSeek、Agent)，50+小时 AI 大模型精品视频，300+ Al 大模型面试真题，24 套最新技术大会 AI 分享PPT，26 套 AI 行业研究报告50+ Al 大模型电子书 点击链接一键跳转微信领取>>
#极客时间 #AI大模型 #学习资料 #免费 #GeekAGI知识库
avatar
上海多所高校发布AI大模型成果，涉科技伦理审查、罕见病诊断等
#上海高校 #AI大模型 #科技伦理审查 #罕见病诊断 #科研成果
avatar
ilovelife
5个月前
#每日推荐 后端基于go的开源知识库 这是一款 AI 大模型驱动的开源知识库搭建系统，帮助你快速构建智能化的 产品文档、技术文档、FAQ、博客系统，借助大模型的力量为你提供 AI 创作、AI 问答、AI 搜索等能力。
#开源 #知识库 #AI大模型 #Go语言 #文档系统
avatar
比特币已经是华尔街的比特币了 最近在看华尔街量化交易大神Grinold的<Active Portfolio Management> 从看似混沌的价格波动中抽象出规律性 然后把金融市场变成提款机 实话说内容的专业性非常高 要放之前没学个金融硕士挺难的 现在 GPT 等AI 大模型的确打开了一条快速学习任何领域的大门 当然前提是你愿意学 造个原子能反应堆都能造 下面是20多个大纲性质的点 1/ 主动投资的目标是获取超额收益（alpha），关键在于最大化信息比率（Information Ratio）。 超额收益（Alpha）：指投资组合收益减去基准收益； 信息比率：衡量单位主动风险带来的超额回报。 2/ Grinold-Kahn基本定理：IR = IC × √Breadth，IC是预测准确率，Breadth是独立决策次数。 IC（Information Coefficient）：预测信号与实际收益的相关性；Breadth：独立下注次数，体现投资多样性。 3/ 超额收益来源于市场非有效性、信息不对称和行为偏差。 市场非有效性：市场价格未能完全反映所有可得信息，存在定价偏差。 4/ 投资组合的风险建模依赖于多因子模型，核心是分解系统性与非系统性风险。 多因子模型：用多个风险因子解释资产收益变动；系统性风险：整体市场风险，无法分散。 5/ 均值-方差优化方法用于投资组合构建，目标是风险调整后收益最大化。 均值-方差优化：基于预期收益与协方差矩阵，寻找最优资产配置，最早由马科维茨提出。 6/ 投资约束（如行业暴露、流动性限制）在优化中必须严格建模，否则理论收益不可实现。 行业暴露：组合对特定行业的资金配置比例；流动性限制：资产买卖是否容易且不影响价格。 7/ 交易成本是主动管理中最大的摩擦，过高换手率会侵蚀超额收益。 交易成本：买卖资产时实际支付的费用，包括点差、佣金和市场冲击成本。 8/ 信息比率（IR）比夏普比率更适合衡量主动投资能力，因为剔除了市场beta的影响。 夏普比率：整体回报与波动率的比值；Beta：资产对市场变动的敏感度。 9/ 信息系数（IC）的估计基于历史预测与实际收益的相关性，需要稳定可靠的数据支持。 相关性：两个变量之间的线性关系，反映预测信号与实际表现的匹配程度。 10/ 市场在大多数时候有效，但局部和短期存在失效，主动管理的空间来源于此。 市场失效：局部或短期内价格偏离真实价值，产生套利机会。 11/ 投资过程必须系统化，包括信号开发、风险建模、组合优化、交易执行、绩效评估。 信号开发：寻找可预测资产价格变化的因素，形成投资依据。 12/ 贝叶斯方法用于结合主观判断与历史数据，提升预测稳健性。 贝叶斯方法：将先验知识与新数据结合，更新概率判断，提高决策质量。 13/ 多因子投资通过组合低相关性的独立因子，提升信息比率。 低相关性：两个因子间的关系弱，能提高组合多样性并降低整体波动。 14/ 层次化组合管理将投资对象分层次管理，分别进行风险控制和alpha配置。 层次化管理：按国家、行业、个股等分层处理，每一层单独优化。 15/ 随着资产管理规模上升，alpha会稀释，管理规模与超额收益存在天然冲突。 规模效应：资金规模过大，导致流动性压力增大，压缩超额收益空间。 16/ 主动管理可以获取超额收益，但需要付出更高的复杂度和管理成本。 管理成本：包括研究、数据、交易执行等运营费用，主动策略消耗资源更多。 17/ 市场信息传递存在滞后，及时反应可以捕捉短期超额收益。 信息滞后：不同市场参与者接收和处理信息的速度不同，形成短暂定价偏差。 18/ 合理使用杠杆可以在控制风险的前提下放大alpha，但需严格风控。 杠杆：借入资金放大投资规模；风控：风险控制，防止损失失控。 19/ 使用回归、主成分分析（PCA）、机器学习等工具进行alpha因子挖掘和验证。 主成分分析（PCA）：降维方法，提取解释数据方差最大的成分；回归分析：建立因子与收益的数量关系。 20/ 动态优化和定期再平衡有助于应对市场变化，提高长期信息比率。 再平衡：根据预设规则调整投资组合，使其回归目标配置，防止偏离。 21/ 模型风险是主动投资的重大风险来源，需要通过多模型、多因子、多策略分散风险。 模型风险：模型假设与现实偏离导致决策失误，分散策略可以降低单点失误的冲击。 有点厌倦币圈的割韭菜游的玩法 最近我在将所有的交易转向量化系统 大家节日快乐
#比特币 #华尔街 #量化交易 #金融市场 #AI大模型 #学习