企业官网建设流程全解析

焦作市网站建设,北京seo网站内部优化,wordpress 破解主题,做网站设计的总结纽约大学谢赛宁团队推出Cambrian-S项目#xff0c;提出构建超感知是迈向超级智能的关键一步。团队划分多模态智能5个发展阶段#xff0c;创建VSI-Super基准测试空间超感知能力#xff0c;引入预测感知新范式。通过惊讶度驱动的内存管理和事件分割机制#xff0…纽约大学谢赛宁团队推出Cambrian-S项目提出构建超感知是迈向超级智能的关键一步。团队划分多模态智能5个发展阶段创建VSI-Super基准测试空间超感知能力引入预测感知新范式。通过惊讶度驱动的内存管理和事件分割机制在长视频理解任务上超越现有模型为AI系统理解真实世界提供了新思路挑战了仅靠规模扩张就能进步的传统观念。纽约大学助理教授谢赛宁新作又来了合著者还有李飞飞、Yann LeCun。这次的成果名为「Cambrian-S」根据谢赛宁的说法它既是一种观点也是一个数据集、一个基准或者一个模型代表其迈出了探索视频空间超感知的第一步。从名称上来看Cambrian-S 是谢赛宁团队去年研究成果「Cambrian-1」的延续。Cambrian-1 是一个关于图像 MLLM 的开放项目旨在让 AI 获得强大的视觉表征学习能力。在构建 Cambrian-1 之后团队并没有立即扩展到 Cambrian-2 或 3而是停下来思考以下三个问题1什么才是真正的多模态智能2LLM 范式对感知建模是否真的合适3为什么人类的感知如此轻松、直觉却又如此强大在思考这些问题下他们意识到某种根本性的东西缺失了因此认为在构建「超级智能」之前必须先构建「超感知」supersensing。那么如何定义超感知呢在他们的语境中超感知不是指更先进的传感器或更好的摄像头而是指一个数字生命体如何真正体验世界 —— 它能够吸收无尽的输入流并从中不断学习。超感知是智能的一部分就像眼睛是大脑感知外部世界的那部分。你不需要感知就能解决代码或数学问题但是如果 AI 要在现实世界中成为智能体它就必须具备感知建模能力。更具体地讲谢赛宁团队划分了多模态智能从现代到未来的发展路径0 仅语言理解linguistic-only understanding没有感知能力推理局限于文本和符号。当前的多模态大模型虽然已超越此阶段但仍保留其偏向。1 语义感知semantic perception将像素解析为对象、属性与关系对应于当前多模态模型强大的「看图说话」能力。2 流式事件认知streaming event cognition处理实时无边界的输入流主动理解并响应持续发生的事件这与当前让多模态模型成为实时助手的努力相契合。3 隐式 3D 空间认知implicit 3D spatial cognition将视频理解为 3D 世界的投影。智能体必须知道有哪些东西、它们在何处、如何相互关联以及这些关系如何随时间变化。目前的多模态模型在这方面仍然极其有限。4 预测性世界建模predictive world modeling大脑通过「无意识推理」来预测潜在的世界状态基于先验期望进行判断。不过当前的多模态系统还缺乏这种能够预测未来状态、保持持续记忆、进行推理与规划的内部模型。要研究这一切视频是终极媒介。视频是人类体验世界的方式也是人们真实生活经验的直接投影。图 1团队尝试了一种全新的原型 —— 预测感知predictive sensing在 Cambrian-S 上训练了一个潜变量帧预测LFP头。在推理过程中对「惊讶度」surprise进行估计并以两种方式加以利用1surprise-driven 的记忆管理 —— 压缩或跳过不令人惊讶的帧将算力集中在令人惊讶的帧上surprise-driven 的事件分割 —— 利用惊讶值的峰值来检测事件边界或场景变化。通过利用这种内部预测模型产生的信号团队在空间认知任务上看到了令人鼓舞的提升。这虽然只是一个玩具级的预测世界模型但借助这种机制团队的中小型模型在新提出的 VSI-SuperVisual-Spatial Intelligence基准上超越了 Gemini。谢赛宁表示这是一篇很长的论文但其中有许多非常有趣的细节。如果你正在研究视频多模态模型这篇论文或许值得一读。虽然并不确定团队的方向是否正确但他确信当下的范式还远远不够。论文标题Cambrian-S: Towards Spatial Supersensing in Video论文地址https://arxiv.org/pdf/2511.04670项目主页https://cambrian-mllm.github.io/代码地址https://github.com/cambrian-mllm/cambrian-s接下来看论文细节。基准测试空间超感知为追求「空间超感知」奠定基础首先需要确定如何衡量该能力。研究者对这一能力的基准测试进行了两部分研究。研究者首先审计了一套流行的视频 MLLM 基准。其分析图 3显示现有基准绝大多数侧重于语言理解和语义感知而忽视了「超感知」所需的更高级空间和时间推理。图 3为解决这一关键差距该研究接着引入了 VSI-Super。这是一个新的基准专门用于在任意长的流式场景中探测空间智能的这些更困难、更连续的方面。本文的其余部分将使用此基准来测试当前 MLLM 范式的极限。解构现有的视频基准近年来 MLLM 的进步导致了视频问答Video-QA基准的激增。然而一个关键问题随之产生现有基准在多大程度上真正检验视觉感知能力而不仅仅是测试语言先验该研究的诊断测试通过改变视觉输入的丰富性和文本提示的信息量试图解开模型对视觉感知与语言先验的依赖关系。那些仅靠纯文本输入如字幕或「盲」MLLM就能解决的基准更偏向于检验语言理解而需要多帧输入才能回答的问题则要求真正的视觉感知。研究者使用一个基于图像的 MLLM Cambrian-1 进行评估此举旨在探测潜在的任务需求而不将其与特定视频架构和后训练方法的能力相混淆。研究者为向 Cambrian-1 模型输入视频设立了几种实验条件Multiple Frames (多帧): 模型处理从视频片段中均匀采样的 32 帧。这是文献中表示视频输入的标准方法。Single Frame (单帧): 模型仅处理给定视频片段的中间帧。此条件测试对最少的、上下文核心的视觉信息的依赖程度。Frame Captions (帧字幕): 模型不接收视频帧而是接收对应于相同 32 帧均匀采样图像的字幕。此条件旨在揭示在没有低层感知基础的情况下任务的可解决程度。使用 Gemini-2.0-Flash API 来为视频帧重新生成字幕。为了在这些条件下对性能进行情境化分析该研究还引入了两个基线Blind Test (盲测): 模型仅使用任务的问题来尝试解答。所有视觉输入都被忽略也不使用视觉字幕。该基线测量模型基于其预先存在的知识、语言先验以及基准问题中任何潜在偏见的性能。Chance Acc (随机准确率): 这代表了特定任务格式例如多项选择题通过随机猜测可实现的准确率作为性能的下限。图 2 (a-c) 的结果表明Cambrian-1 作为一个未经任何视频后训练的、基于图像的 MLLM可以在许多基准上达到合理的性能。这表明这些基准所针对的大部分知识都可以通过标准的单图像指令调优管线来获取。然而在 VSI-Bench 和 Tomato 这两个数据集上该模型的性能低于随机水平因为它们分别需要真正的视频感知和对高帧率视频的细粒度理解。使用文本字幕代替视觉输入也产生了显著的性能提升在 EgoSchema、VideoMME、LongVideoBench、VideoMMMU、Perception Test 和 MVBench 等基准上其准确率超过随机水平 20% 以上图 2 i。在将基准性能与「盲测」结果进行比较时也可以得出类似的结论图 2 d, f。这种性能表现意味着这些基准主要探测的是可从视频内容的文本摘要中推断出的能力。图 2解读使用「多帧」和「帧字幕」之间的性能差异图 2 j一个显著的正差值偏向于多帧输入标志着该基准对精细视觉感知的需求。相反一个很小或负的差值更偏向于「帧字幕」则表明其具有更强的以语言为中心的性质。研究者的分析将 VideoMMMU、EgoSchema、VideoMME、Perception Test 和 LongVideoBench 归于后一类表明它们可能更依赖于语言理解而非视觉提示。一个显著的例外是 VSC它对当前的 MLLM 来说是如此具有挑战性以至于所有三种输入条件都产生接近于零的性能从而排除了它们之间任何有意义的比较。现有的基准绝大多数侧重于语言理解和语义感知而忽视了「超感知」所需的更高级的空间和时间推理。研究者希望强调基准测试中固有的挑战以及创建一个单一的、包罗万象的基准来评估每一种能力是不切实际的。例如对语言先验的依赖不应仅仅被视为一个缺点因为获取丰富的世界知识并对其进行有效检索在许多场景中无疑是有益的。研究者认为视频基准不应被视为衡量一个单一、统一的「视频理解」概念。相反它们的设计和评估应基于它们旨在评估的特定能力。因此上述分析旨在指导开发能更有效推动「空间超感知」发展的任务这也将是本文余下部分的中心焦点。VSI-SUPER迈向多模态大型语言模型中空间超感知的基准测试参照图 1空间超感知要求 MLLM 具备四种关键能力语义感知、流式事件认知、隐式 3D 空间认知和预测性世界建模。然而正如研究者在图 2 中的分析所概述的大多数现有的视频问答QA基准主要评估语言理解和语义感知方面这些方面更具反应性并由特定任务驱动。虽然近期的研究已开始通过持续感知、记忆架构和主动回答来解决流式事件认知问题但这种能力通常是在测试时「工程实现」的而非原生的模型技能。此外尽管空间推理偶尔会作为现有基准中的一个类别出现但这些任务很少达到真正空间认知的水平并且远未探测定义「超感知」的世界建模能力图 3。尽管 VSI-Bench 向着检验空间认知迈出了第一步但其视频仍然是短片和单场景的并且它既没有对问题进行形式化定义也没有评估世界预测建模这一基本能力。为了阐明当前 MLLM 与空间超感知之间的差距研究者引入了 VSI-SUPER这是一个由两部分组成的、用于连续空间感知的基准。这些任务对人类来说是直观的通常很容易即只需观看并持续追踪发生的事情但它们对机器来说仍然具有惊人的挑战性。它们要求跨越无界的空间视频选择性地过滤和结构化地积累视觉信息以保持连贯的理解并回答问题。重要的是它们能够抵御「暴力」的上下文扩展暴露了对真正空间推理的需求。下面将详细介绍这两个组成部分。VSI-SUPER Recall (VSR)长时程空间观察与回忆VSR 基准要求 MLLM 观察长时程的时空视频并按顺序回忆出一个异常物体的位置。如图 4 所示为了构建这个基准人类标注者使用图像编辑模型即 Gemini将令人惊讶或不合时宜的物体例如一只泰迪熊插入到一个室内环境的 walkthrough 视频的四个不同帧和空间位置中。图 4然后将这个编辑过的视频与其他类似的房间游览视频拼接起来创建一个任意长的连续视觉流。这项任务类似于语言领域中常用于压力测试 LLM 长上下文能力的「大海捞针」NIAH测试。类似的 NIAH 设置也已被提议用于长视频评估。然而与那些插入不相关文本片段或帧的基准不同VSR 通过帧内编辑保持了「针」的真实感。它通过要求顺序回忆这实际上是一个多跳推理任务进一步扩展了挑战并且在视频长度上保持了任意的可扩展性。为了全面评估模型在不同时间尺度上的性能该基准提供了五种时长10、30、60、120 和 240 分钟。VSI-SUPER Count (VSC): 变化视角和场景下的持续计数。测试 MLLM 在长篇空间视频中持续积累信息的能力。为了构建 VSC研究者拼接了来自 VSI-Bench 的多个房间游览视频剪辑并要求模型计算所有房间中目标物体的总数见图 5。图 5这种设置具有挑战性因为模型必须处理视角变化、重复目击和场景转换同时还要保持一个一致的累积计数。对人类来说计数是一个直观且可泛化的过程。一旦理解了「一」的概念将其扩展到更大的数量是很自然的。相比之下正如研究者稍后将展示的当前的 MLLM 缺乏真正的空间认知并且过度依赖于学到的 statistical patterns统计模式。除了标准评估即在视频结束时提问研究者还在多个时间戳查询模型以评估其在流式设置中的性能其中 VSC 的正确答案会随时间动态演变。为了检验长期一致性VSC 包括四种视频时长10、30、60 和 120 分钟。对于这项定量任务研究者使用平均相对准确率MRA指标来报告结果这与 VSI-Bench 的评估协议一致。最先进的模型在 VSI-SUPER 上表现不佳。 为了测试 VSI-SUPER 是否对前沿 MLLM 构成了真正的挑战研究者评估了最新的 Gemini-2.5-Flash。如表 1 所示尽管上下文长度达到了 1048576 个 token该模型在处理两小时视频时仍达到了其上下文限制。这凸显了视频理解的开放式open-ended特性即连续的流实际上需要一个「无限输入无限输出」的上下文并且可以任意增长这表明仅仅扩大 token 数量、上下文长度或模型大小可能还不够。尽管研究者的基准是合成的但它反映了空间超感知中的一个真正挑战人类能毫不费力地整合和保留来自持续数小时或数年的感官体验中的信息但当前模型缺乏用于持续感知和记忆的相应机制。Gemini-2.5-Flash 在以语义感知和语言理解为重点的视频基准如 VideoMME 和 VideoMMMU上表现出强劲性能实现了约 80% 的准确率。然而即使是在其上下文窗口之内的 60 分钟 VSI-SUPER 视频上VSR 和 VSC 的性能仍然有限 —— 分别只有 41.5 和 10.9。如图 6 所示模型预测的物体计数未能随视频长度或物体的真实数量而扩展而是饱和在一个很小的恒定值这表明其在计数能力上缺乏泛化性并依赖于训练分布的先验。VSI-SUPER 如何挑战当前范式。 尽管任务设置很简单但 VSI-SUPER 带来的挑战超越了空间推理本身揭示了当前 MLLM 范式的根本局限性。VSI-SUPER 任务挑战了那种认为「仅靠规模扩张就能保证进步」的信念。通过允许模拟流式认知动态的任意长度的视频输入VSI-SUPER 被有意构建为超越任何固定的上下文窗口。这种设计表明逐帧的 tokenization 和处理不太可能成为一个计算上可行的长期解决方案。人类通过选择性地关注并通常是无意识地仅保留一小部分感官输入来高效地、自适应地解决此类问题。这种预测性和选择性机制是人类认知的核心在当前的 MLLM 中仍然缺失但它对于一个预测性世界模型至关重要。VSI-SUPER 任务要求在测试时泛化到新的时间和空间尺度。例如VSC 要求在任意长的视频中进行计数这类似于理解了计数概念的人类可以将其扩展到任何数量。关键不在于维持一个极长的上下文窗口 —— 人类并不会保留扩展视觉体验中的每一个视觉细节 —— 而在于学习计数这一过程本身。预测性感知通过将连续的视觉流分割成连贯的事件并利用「惊讶度」的时刻来施加时间结构从而促进了这一点。这种分割充当了一种「分而治之」的机制允许模型在动态变化的场景中决定何时开始、继续或重置行为。总之这些挑战跨越了计算效率、泛化能力以及诸如无意识推理和预测性感知等认知机制呼唤着一场范式转变。未来的模型不应仅仅依赖于扩展数据、参数或上下文长度而应学习能够在一个跨越时空、无限展开的视觉世界中进行感知和预测的内部世界模型。为了进一步推动这一范式转变下一节将探讨在当前范式内通过改进工程设计和有针对性的数据筛选还能取得多大进展。研究者将评估现有的 MLLM 框架是否能被改造以应对 VSI-SUPER 带来的挑战。这些努力虽然在现行框架的限制内运作但对于为下一代空间超感知模型构建数据和实证基础而言是必不可少的。预测性感知一种新范式Gemini-2.5-Flash (表 1) 和 Cambrian-S (表 7) 在 VSI-SUPER 上的性能都急剧下降这揭示了一个根本性的范式差距仅靠扩展数据和上下文不足以实现超感知。研究者提出将预测性感知作为一种前进的路径即模型学习预测其感知输入并构建内部世界模型来处理无界的视觉流。这一设计受到了人类认知理论的启发。与当前标记化并处理整个数据流的视频多模态模型不同人类的感知和记忆具有高度选择性只保留一小部分感知输入。大脑不断更新内部模型以预测传入的刺激压缩或丢弃那些不贡献新信息的、可预测的输入。相反违背预测的意外感知信息会产生「惊讶度」并驱动注意力和记忆编码的增强。研究者通过一种自监督的下一潜在帧预测方法来构建这一概念的原型。由此产生的预测误差可作为两个关键能力的控制信号用于选择性保留重要信息的内存管理以及用于将无界流分割成有意义的块的事件分割。研究者通过在 VSI-SUPER 上的两个案例研究证明该方法显著优于强大的长上下文和流式视频模型基线。通过潜在帧预测实现预测性感知研究者通过一个轻量级的、称为潜在帧预测 (LFP) 头的自监督模块来实现研究者的预测性感知范式该模块与主要的指令微调目标联合训练。这是通过修改第 4 阶段的训练方案来实现的潜在帧预测头。 研究者引入一个 LFP 头这是一个与语言头并行运行的两层 MLP用于预测后续视频帧的潜在表征。该架构如图 9 左上角所示。图 9学习目标。为了优化 LFP 头研究者引入了两个辅助损失均方误差 (MSE) 和余弦距离用于衡量预测的潜在特征与下一帧的真实特征之间的差异。一个权重系数用于平衡 LFP 损失与主要的指令微调下一令牌预测目标。LFP 训练数据。研究者使用来自 VSI-590K 的一个 290K 视频子集来扩充第 4 阶段的数据该子集专用于 LFP 目标。与指令微调不同这些视频以 1 FPS (每秒帧数) 的恒定速率采样以确保潜在帧预测具有均匀的时间间隔。在修改后的第 4 阶段微调期间研究者以端到端的方式联合训练连接器、语言模型以及语言头和 LFP 头同时保持 SigLIP 视觉编码器冻结。所有其他训练设置与原始的第 4 阶段配置保持一致。为简洁起见在后续实验中使用 LFP 目标联合优化的模型仍被称为 Cambrian-S。推理通过预测误差估计「惊讶度」。 在推理过程中研究者利用训练好的 LFP 头来评估每个传入视觉感知输入的「惊讶度」程度。在心理学中该框架通常被称为违反预期 (VoE) 范式。具体来说视频帧以恒定的采样率除非另有说明否则为 1 FPS输入到 Cambrian-S 中。模型不断预测下一帧的潜在特征随后研究者测量模型的预测与该传入帧的实际真实特征之间的余弦距离。该距离可作为惊讶度的定量测量值越大表示偏离模型习得预期的程度越大。这种惊讶度分数可作为后续下游任务的强大、自监督的指导信号。案例研究 I用于 VSI-SUPER 计数的惊讶度驱动的连续视频分割超感知的更严峻测试不止于召回能力还涉及模型解释感知输入、在不同环境中导航以及执行累积的多跳推理的能力。惊讶度驱动的事件分割。一个事件可以被理解为一个时空上连贯的经验片段。在空间超感知的背景下一个事件对应于置身于特定空间并感知其环境的连续体验。该定义强调真实的感知体验通常被组织成局部连贯的片段 —— 即感知、空间和时间特征保持相对稳定或一致的情节。因此事件分割是基于这种连贯性的变化将连续的感知输入流解析为离散的、有意义的单元的过程。这种分割对于推理和行为至关重要它允许智能体生物的或人工智能的形成经验的结构化表征检测发生重大变化的边界并相应地更新对环境的预测。最近的研究强调预测误差和工作记忆 / 上下文的变化是驱动分割的两种可能机制。在 VSI-SUPER 计数 (VSC) 基准中研究者研究了一个简单的设置其中使用惊讶度来分割连续的视觉输入将场景变化识别为自然断点从而将视频流划分为空间上连贯的片段。这种方法也类似于人类解决问题的方式当在广大区域内计算物体时人们通常一次只关注一个部分然后再合并结果。这种行为也与「门口效应」有关即穿过门口或进入一个新房间会在记忆中创建一个自然边界。如图 12 所示模型在事件缓冲区中不断累积帧特征。当检测到高惊讶度帧时缓冲的特征被汇总以产生一个片段级别的答案然后清除缓冲区以开始新的片段。这个循环一直重复直到视频结束之后所有片段的答案被聚合适形成最终输出。图 12结果。Gemini-1.5-Flash 在 VSC 上的表现接近零图 13a显示了该任务的难度。尽管 Gemini-2.5-Flash 在 10 分钟视频上取得了更好的结果但其性能在更长的视频上迅速下降。相比之下Cambrian-S (带惊讶度分割) 使用的惊讶度驱动的事件分割方法在所有视频长度上都取得了更高、更稳定的性能。当使用真实的场景切换来分割视频时即 Cambrian-S 带 GT 分割性能进一步提高这代表了一个近似的上界。图 13图 14 的更深入分析显示Gemini-2.5-Flash 的预测被限制在一个有限的范围内并且不会随着视频中出现更多物体而扩展。相比之下Cambrian-S (带惊讶度分割) 产生的计数虽然尚未完全准确但与真实物体数量表现出更强的相关性表明其具有更好的泛化能力。图 14惊讶度测量的消融实验。研究者将研究者的惊讶度驱动方法与使用相邻帧特征相似度的基线进行了比较图 13b。对于这两种方法研究者都报告了经过超参数调优后的最佳结果。与研究者在 VSR 中的观察一致在所有视频时长上使用预测误差作为惊讶度的测量标准其性能始终明显优于外观相似度。如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】