摘要：本文从 OT-CFM 插值路径的统计性质出发，系统推导 Flow Matching 模型输入分布与输出速度场分布的均值和方差，分析 VAE KL 散度权重对 latent 点云分散程度的影响，并借鉴图像生成领域的 SNR 失配理论，从理论角度论证逐通道归一化对 Flow Matching 训练 ...
AI 时代的"无名英雄"：为什么 FDE 正在成为商业落地的唯一解药？1. 引言：顶配大厨与听不懂的需求 想象一下，目前的通用大模型（LLM）就像是一个厨艺绝顶、刀工出众，却完全不通人情的顶级大厨。他能在零点几秒内将食材切成一万根细丝，展示出令人惊叹的"技术确定性"。然而，当你作为顾客对他说"我想吃 ...
前面两篇文章在演示RAG功能时，做向量化的文本嵌入模型都用国外的all-MiniLM-L6-v2，该模型主要适用英文，对于中文总体也能用，但在细节上处理欠佳。本文就来介绍如何使用国产离线的文本嵌入模型替换国外模型，以及如何体现国产模型的比较优势。 一、all-MiniLM-L6-v2的缺点 虽然al ...
上一篇文章通过all-MiniLM-L6-v2模型结合FAISS实现了简单的RAG检索功能，但FAISS运行于内存中，无法持久化保存向量数据，重启后又得重新对文本做向量化，比较浪费算力资源。本文就来介绍如何使用向量数据库来持久保存向量数据。 一、向量数据库Chroma Chroma是一个本地向量数 ...
极致的极简主义和无干扰设计（Zero-Distortion Design）正是目前少儿启蒙产品最稀缺的特性。现在的App充斥着各种金币、动画和复杂UI，反而分散了孩子的注意力。每关15个短句30个插画，全部都是根据我的提示词AI生成，教材是让ChatGPT蒸馏了Reading Eggs、Raz Ki ...
Agent Mail 产品介绍与 Trae Solo Agent 实测一、产品基础信息Agent Mail（Agently Mail）是 QQ 邮箱团队面向 AI Agent 推出的专属邮箱服务，官网：https://agent.qq.com/，官方帮助文档：https://help.agent.q ...
文章目录 （一）适用主体 （二）语料安全 （三）模型安全 （四）安全措施要求 （五）词库要求 （六）安全评估要求 （七）附录大模型备案材料源文件 2024年3月1日，我国通过了《生成式人工智能服务安全基本要求》（以下简称《AIGC安全要求》），这是目前我国第一部有关AIGC服务安全性方面的技术性指导 ...
关于一个区分 RAG 与多跳推理的设想 知识、关联与推理目标的三层框架 引言：一个直觉的起点 RAG（Retrieval-Augmented Generation）和多跳推理（Multi-hop Reasoning）经常被放在一起讨论。很多人都默认一个隐含前提：RAG做得好，多跳推理自然就能做好；或 ...
AI时代团队效能的非线性陷阱与组织重构升级一、效能悖论：人月神话在AI时代的老调重弹Brooks早就说过，给一个延期的项目加人只会让它更延期。十个孕妇不可能一个月生出孩子，这个道理说了快六十年了，但到了AI时代，很多人还是不信。团队大了，产出不一定大。超过某个临界点之后，人越多、内耗越大、产出反而越 ...
TokenPilot 的价值在于，它把 Agent 上下文管理从文本压缩推进到了缓存友好型上下文管理。之前谈上下文优化，重点一般是哪些内容保留、哪些内容删除、哪些历史总结；TokenPilot 增加了一个更工程化的视角：内容在上下文里的组织方式，也会影响推理成本。 ...
AI虚假繁荣与落地误区90%企业陷入AI虚假繁荣的原因企业或员工将“做了”等同于“做到”，用AI快速完成任务（如方案、脚本、标书），但产出质量低、未创造实际价值。主管审核负担加重：员工用AI生成内容后直接提交，导致下游环节（如审核、交付）成为瓶颈，反而降低整体效率。出现“AI偷懒”现象：员工依赖AI ...
AI工程化人才的角色演变与组织冲击FDE人才的价值凸显大模型通用能力差距在缩小，基模选择越来越集中。企业间产品效果的差异，更多取决于工程化能力和业务融合程度。FDE是既懂行业Know-how又懂AI技术的复合型人才，帮助企业跨过"技术到应用"这道坎。但这类人市面上极少，企业开始转向内部培养。团队规模 ...
揭秘AI搜索时代的"GEO全链路技能库" 你的品牌在ChatGPT和Perplexity里搜不到？2026年流量玩法已变！本文深度拆解GEO（生成式引擎优化）全链路工作流，从知识库构建到AI引用追踪，教你抢占AI搜索新红利。 #GEO #AI搜索优化 #内容营销 #SEO转型 #品牌增长 #AIGC ...
AI领域值得关注的人与机构我将按照你提供的四个层级，结合模型、Agent、开源、机器人、推理、安全、产品化等核心方向，为你逐一深度解读这些人物与机构的背景及关注价值。第一层：顶级研究者和思想源头（The Visionaries）这一层决定了 AI 发展的“天花板”和“底层逻辑”，他们不仅创造技术，更 ...
不再需要重新学习：MAICC 如何让 AI 团队在瞬间学会完美协作1. 问题：AI 团队换任务就得从头练多智能体强化学习（MARL）有个老问题。传统算法面对新任务时，需要重新跑上百万次训练迭代。这个成本在实际场景中很难接受。问题在 Dec-POMDP（去中心化部分可观测马尔可夫决策过程）框架下更加严 ...
系列文章导航 第一篇：语音合成技术发展简史（本文） 第二篇：主流 TTS 架构对比 第三篇：语音克隆是怎么实现的 第四篇：TTS 推理速度为什么这么慢 第五篇：本地部署 TTS 方案横向对比 第六篇：VoxFlash-TTS 部署实践 本文是「语音合成技术系列」第一篇，梳理语音合成技术从早期到现在的 ...
去AI味十大Agent skill每个项目的核实说明与可访问的官方链接：humanizer功能定位：去除 AI 写作痕迹的元老级工具，支持中英文。官方地址：https://github.com/blader/humanizer说明：该项目基于 Claude Code Skill 构建，通过扫描并重写 ...
上一篇文章采用字符串匹配的方式来查找知识，这种方式比较呆板不够智能，接下来引入向量数据库，通过向量化实现更精细的知识检索。 一、文本嵌入Embedding模型 向量化一段文本的时候，经常用到all-MiniLM-L6-v2，它是一个轻量级的文本嵌入Embedding模型，专门把文字转成数字向量，给R ...
前面的文章依次介绍了如何截断历史会话的对话记录，包括按照记录数量截断、按照Token长度截断，以及浓缩为摘要截断等等，其中摘要操作又分为三大类： 1、使用第三方的摘要库对文本摘要； 2、使用在线大模型对文本摘要； 3、使用离线大模型对文本摘要； 以上对会话记录的各种处理操作，统称为AI应用的上下文 ...
本工作提出全新强化学习框架BeautyGRPO。实验证明，BeautyGRPO 在真实场景的肌肤纹理重建与整体审美对齐上，全面超越了现有的专精修图方法与通用编辑大模型。 ...
