如何删除小艺升级ai大模型
假如你从六月一号开始转行大模型应用开发，多久能上岸？然后你不是三天打鱼两天晒网，请疯狂按照这条学习路线走，三个月，足够让你转型 ai 领域高手。第一阶段，死磕基础，把 python 基础和简单的 api 调用吃透， 这是和模型打交道的根本。第二阶段，掌握两大框架和三大技能，这是你转行成功的关键。两大框架是 lanchen 和 lma index， 一个用于构建 a 阵逻辑框架，另一个用于构建外部数据缩影。三大技能是指 r a g 和 a 阵模型微调，这三项技能直接对应了当前 ai 岗位的核心需求。最后阶段，实战项目选择常见的大模型应用场景 和前面所学知识，做二到三个项目，如 r a g 医疗问答、 a 阵智能客服、股票分析，跟着走下来，足以让你胜任百分之九十的 ai 岗位。我已经把完整的 a 阵及大模型学习路线、配套教程、实战项目整理好了，留下学习直接抱走。
粉丝3.3万获赞57.0万
相关视频
25:050星晨
02:03查看AI文稿AI文稿小艺管家来啦！周末中午十二点左右，我朋友要来家里玩，帮我创建一个智能场景，十二点半出发会客模式，开启客厅所有灯光。 我是场景大师，场景会客模式创建成功，我刚刚展示的呢，是小艺管家新升级的 ai 语音功能，无需手机操作，唤醒小艺管家后，说明我们的场景需求， 如指定时间出发回家模式，开启特定灯光，内置的场景大师可直接完成场景创建操作，全程语音放。小艺管家的语音理解能力也是特别强的，不管你说的是人或指定客厅的灯光， 还是说一半反悔，帮我创建一个明天早上的起床模式，哎，算了，取消吧， 指定的闹钟已经关闭了。小一管家这波语音的升级真的做到了，懂你所说，懂你所想，能够真正的识别您的需求。 而且这次升级了悄悄话功能，在家人休息等安静场景，我亲身与小一管家交互下达指令，这个家我再打开回客模式， 语音执行会更长情。小艺管家，小艺能自动识别你的弃声指令，并以同等音量的悄悄话回应，全程安安静静，可以有效避免打扰他人， 实现无噪音的语音控制，它还可以随地向降噪。打开观影模式， 小怡管家，关闭客厅灯光好啊，各种场景它都不需要背景噪音干扰，精准完成设备控制。 小怡管家，这波升级，直接把智能家居的语音体验做到极致，真正实现用说话掌握全屋智能。如果家里也想拥有这种效果的话，赶紧来找我吧！
56小艺管家
04:00查看AI文稿AI文稿华为 hdc 和苹果的 wdc 几乎同时开，两家都在讲 ai， 但你听完全发现，他们对 ai 的 理解完全不是一个物种。苹果的思路是，我把 ai 加到 ios 里，让 siri 变聪明。华为的思路是，我把 ai 变成操作系统的股价，让整个系统围绕着 a 准重。 苹果这边， ios 二十七， siri 迎来了十五年最大的一个重构，支持多轮对话了，能接入 trap、 gpt、 cloud、 基米莱这些第三方大模型。但你细品，这些都是加在系统上面的功能， siri 还是一个助手，你问他答本质上没有变。 而且最大的一个问题是，中国用户用不了。苹果自己说了 siri、 ai 和 apple intelligent 的 核心功能中国大陆暂时不提供，理由是等待监管部门审批。 欧洲的四点五亿 iphone 用户也用不上。苹果说因为欧盟的 dma 法律不允许，所以目前能用上的 siri、 ai 的 主要就是美国和部分地区的用户。说白了，苹果做了一个很棒的 ai， 但全球一大半用户摸不到。那在同一周，东莞松山湖，华为 hdc 二零二六余承东的主题演讲叫 鸿蒙世界奔腾不息和刚发布的鸿蒙 os 七开发者 bat 版，核心变化就四个字， a 准 os。 什么意思？鸿蒙七不是在系统里加了一个 ai 功能，而是从底层开始整一个操作系统，就是围绕着 ai 的 a 准来去设计的。具体来说，有三个关键升级。 第一，鸿蒙智能体框架升级到二点零。去年发布的一点零的时候，智能体还只是做简单的一个任务，而今年二点零，复杂任务成功率能做到百分之九十以上， 开放了二十多项系统级别的 ai 能力给开放者调用。第二，小易从语音助手变成了系统大佬，以前的语音助手是你问一句，他答一句。现在的小易具备 a 准字眼镜架构，能理解你的意图，自动拆解任务，调用不同的 app 帮你完成。第三，盘古大模型直接跑到你手机本地， 这一点很多人没注意到，但模型在手机 m p u 上本地运行，意味着飞行模式下也能 ai 总结文档，语音转写、修图，你的数据永远不出手机，不需要上传云端，而且最重要的是，中国用户现在就能用。苹果也在做端测 ai， 但两家的路线完全不同， 苹果的路线，先有一个成熟的系统，再把 ai 陷进去。 ios 是 全球最成熟的移动操作系统，十二亿台 iphone 在 用。苹果的策略是不破坏现有体验， ai 是 挺锦上添花，好处是稳定，坏处是 ai 被框在一个功能的位置上。 而华为的路线系统本身就是为了 ai 而建的。鸿蒙七用一点一亿行全自研发代码重建，这里移除了安卓。 a 准能直接调用操作系统的底层。 b i 不是 功能，是地基。一个比喻，苹果是在装修好的房子里加一个智能音箱，华为是直接盖了移动智能家居。但也要说清楚，华为的劣势也很明显。鸿蒙终端，目前六千六百万台 iphone， 全球十二亿台，差了一个数量级。 鸿蒙的应用生态还在建设期，很多 app 没有鸿蒙版，全球才刚开始，海外市场几乎为零。所以不是谁 你碾压谁，而是两条完全不同的路。你可能会说，这些跟我有什么关系？关系可大了，你要想，因为这两条路线的选择，决定了你接下来用手机的方式。如果苹果路线赢了，你用手机的方式不会大变，还是点点点滑滑滑，只是思维变聪明了一点。如果鸿蒙的路线赢了，你用手机的方式会从根本性改变， 从你去找功能变成功能来找你，你只需要说一句话，系统自动帮你完成。而且在中国市场还有一个现实因素，苹果的 ai 你 用不了，华为砸了十个亿做天宫计划激励开发者，注册开发者已经超过了一千一百万。不管鸿蒙能不能用 苹果，至少在中国，他是目前唯一一个能让你真正用得上 ai 操作的系统的选择。最后，我想问你一个问题，如果让你选 一个成熟的系统加上 ai 功能，但你在国内用不了一个从零为 ai 重建的系统，你现在就能用，但生态一点都不完善，你会选哪一个？评论区聊一聊，我是罗刀刀，你的保障阿猪。
599我叫罗叨叨
03:40查看AI文稿AI文稿昨天面了一个简历，写着 agent 架构实战经验丰富的大模型开发，问他 lan graph 里 prego 模型的 superstep 如何影响并行节点执行顺序？ interrupt 机制在 human in the loop 场景下怎么恢复被挂起的 state？ 他 连 command 源语和 send epi 的 适用边界都混为一谈， 别怪大家现在问得深，生产环境要的是能卡住 conditional edge 的 路由死循环能解决 two node 里异步调用超时后的图状态回滚能搞清 check pointer 在 多轮对话里序列化冲突的人。以 lan graph 为例，面试官的问题不再是你用过吗，而是深入到框架的核心。 比如他们会问你如何理解 prego 模型中的 super step， 如何处理 interrupt 的 机制，以及如何区分 command 和 send 这两种 api。 这些问题考察的是你对框架设计哲学和潜在陷阱的理解。我们来看第一个问题， prego 模型和 super step。 这个问题考察的是你对徒计算模型的理解，以及对并行执行的掌控力。 super step 是 prego 模型的核心，决定了哪些节点可以并行执行，理解不深就可能导致死锁或性能瓶颈。一个优秀的开发者会利用它来最大化并行度，同时规避风险。 第二个问题是关于 interrupt 的 机制，在人机协调的场景下，如何安全地暂停、保存和恢复 agent 的 状态。这个问题考察的是你的状态管理能力和高可用设计思想。它不仅仅是调用一个 api， 而是要考虑状态持久化、版本控制、冲突解决等一系列问题，体现了系统的韧性。 第三个问题， command 源语和 send api 的 区别，这考察的是你的 api 设计理解和场景化决策能力。 send 通常是异步的代表，投递即忘，而 command 可能是同步的，或者至少是需要等待确认的。 混淆它们的边界意味着你无法根据业务场景选择最合适的通信方式。比如，如果你在核心交易场景误用了 send， 可能导致消息丢失或数据不一致。而在高并发的日制场景滥用 send 则会因为堵塞等待而严重影响系统吞吐量。 理论之外，面试官更关心你在生产环境中踩过的坑，比如如何防止路由死循环，如何处理异步调用超时后的状态回滚？ 如何解决 check point 的 并发症？这些问题没有标准答案，只有真正经历过的人才能给出深刻的见解。以异步调用超时为例，这个问题背后考察的是你对分布式事务思想的理解，你是否知道如何应用像三个模式这样的补偿事务机制，是否懂得为关键操作创建状态快照，以便在失败时回滚， 这些都是构建高可用系统的必备技能。除了逻辑问题，面试官还会关注那些隐蔽的 bug， 比如异常被框架浸没吞掉导致无法排查，或者像 cclite 这样的存储在高病发下成为性能瓶颈。又或者前端断开连接，但后端 gpu 仍在空转。这些问题考察的是你对异常处理、技术选型和资源管理的严谨性。 了解了这些痛点，我们该如何破局？在第三部分，我们将探讨如何将你的实战经验升华为架构师级别的核心能力。 我分享一个真实案例，一位空窗期的同事，我帮他处理了空窗期时间和把简历上负责断点续跑功能这样的描述，抽象成了设计，并实现了一套基于状态机的高可用 agent 工作流系统以及面试陪跑，让他在面试中能够站在架构高度描述自己的工作，最终薪资大涨了百分之四十二，这就是从经验到能力的升华。 最后给大家几点核心建议，第一，深挖底层原理。第二，学会总结和抽象你的实战经验。第三，构建自己的知识体系。第四，主动思考解决方案。 最后用架构师的语言重构你的简历和面试话术，这些方法将帮助你在激烈的竞争中脱颖而出。大模型应用开发的浪潮芳心未艾， 市场需要的不再是只会调用 a p i 的 脚本小子，而是能够构建稳定高效系统的生产级工程师。希望今天的分享能帮助大家看清趋势，找到方向，让我们一起努力成长为真正的架构师。
59技术负责人老汪
03:31查看AI文稿AI文稿r a g 系统怎么处理 word 和扫描板？ pdf 怎么让大模型读懂它的？很多人卡在这，八成的人一上来就是切片加向量剪索听起来很顺， 但真正的难点根本不在剪索，而在最前面那一步解析文档解析没做好，后面切的再聪明，模型在墙位进去的都是垃圾，召回的也是垃圾。先给一个总方法， r a g。 处理 word 和 pdf 本质是一条流水线，现 分析提取出文字表格图片扫描件，还要走 o c r 识别文字，然后尽量保留文档结构，按语义和版面来切片，而不是粗暴按字数砍。在做向量化入库查询时，多路照回家重排，最后组装上下文，并带上来源引用 核心就一句，先把文档变成结构清晰的文本再谈剪索最难的就是解析这一关，而且 word 和 pdf 难度完全不一样， word 本身是带结构的，标题段落表格在文件里都有标记，相对好抽，但它也有坑，里面嵌的图片公式文本框， excel 对 象这些，抽不干净就丢信息。 pdf 才是真正的硬骨 头。 pdf 是 一种板式格式，它只关心每个字画在指的哪个坐标上，根本不存在标题段落这种羽翼结构。最典型的翻车是双栏排版， 你直接抽文字，左拦右拦会一行一行交叉读出来，拼成一段谁也看不懂的乱码，还有表格跨越的，合并单元格的，不规则的，普通抽取出来行列全乱，再加上扫描件本质是图 片，没有 c r 就 一个字都拿不到。所以现在的工程做法是用版面解析，先用模型识别出哪块是标题，哪块是表格，阅读顺序是什么？这就是 instructor、 lama pass、 扎克林这类工具在干的事儿，专 他们解决板式没结构的问题。复杂表格和扫描件越来越多人直接上多模态大模型，把页面当图片看，让视觉模型理解版面效果明显更稳。解析完第二关是保留结构在切片。这里要讲清楚一个反直觉的点，切片不是切的越碎越好，也不是简单按五百字一刀 粗暴暗字竖切。最大的问题是把一句话、一张表、一个完整逻辑从中间砍断，照回回来的片段缺头少尾，模型自然答错。正确做法是结构感知切片，顺着标题层级和段落边界来切，标题要跟着他管的那段内容走。表 表格和代码块尽量整块保留，不要拆散。研究力也印证了这点，结构感知的切片在专业领域能把准确率提升四成以上。实践中常见配置是地归切片，四百到八百个 tiktok， 一 块留百分之二十左右的重叠，这样上下文不至于断裂。羽翼切片更精细，按句子羽翼找边界，但要给每个句子都做向量， 成本高三到五倍，换来的可能只是两三个点的提升，要不要上的看场景。第三关是入库和剪切好的片段做 embedding， 就是 把文字转成像量，好做相似度匹配，存进像量库。查询时别只靠像量，单路要走多路照回像量。剪索负责找语义相近的关键词，剪索负责找精确命中的术语和编号，两路结果合并，然后过一道重排模型， 把最相关的几条顶上去，这一步对准确率影响很大。最后组装上下文为给大模型，并且一定要带上来源，告诉用户答案出自哪个文件哪一页，这就是答案。引用 也是 r a g 比直接问模型更可信的地方。线上还有坑要兜底。扫描质量叉 o c r 会错字，表格抽取会偶发错乱，所以解析阶段要做自信度判断，识别不出来的别硬塞，该走人工或多模态，兜底就兜底， 宁可少召回，也别召回错的。这背后就是召回率和准确率的平衡。召回太贪会塞进噪声拉低准确，召回太保守又会漏，关键信息得靠评估指标反复调。总结一下， r a g 处理 word 和 pdf 是 一条流水线，难点不再检。所在解析， word 结构相对好抽，但 嵌入对象要处理干净。 pdf 是 板式格式，没有羽翼结构，双栏表格扫描件都是坑，所以要用板面解析识别结构和阅读顺序。扫描件走 o c r 或多模态，解析后按结构和羽翼切片，保住标题表格的完整性。在校量化入库解锁时多路召回，加重 牌。组装上下文时带上来缘引用，并在解析环节做，自信度都抵在召回率和准确率之间找平衡。最后，如果你也想学大模型技术，或者是传统程序员想转型项目，留下大模型。
198学AI可可
18:32查看AI文稿AI文稿应届生就敢开到三万五，还不用担心被 ai 取代。最近全网爆火的新兴岗位 f d e 可能真的是唯一一个不用为选错了专业而就业迷茫的神仙岗位。他不写代码，且对文科生相当友好，字节美团、 阿里、腾讯都在疯狂招人， openeye and swaback 更是抢着要年薪，有望直接突破四十万美金。这不是段子， 而是 ai 时代正在创造的一种新职业。 f d e 全称 forward deployed， 案例二，即前端部署工程师。说白了，他不看你专业，不要求你会写代码，只看你能不能把 ai 落到真实的业务里，而这恰恰是 ai 时代最稀缺的能力。那普通人想蹭上这波风口，该怎么入行 f d e 呢？ 不用一上来啃底层算法，照着这四步走就行。第一步，学提示此工程先搞懂怎么让大模型稳定听话的输出你要的结果。学完这一步，你就能做出第一个能跑起来的 demo， 自动生成日报、 自动分析评论、自动写销售话术，从会用 ai 变成能指挥 ai。 第二步，学知识库搭建，学会把企业自己的资料喂给 ai， 让他回答得有据可依。学完这一步，你就能给团队搭一个私有知识库，这是 f d 帮企业落地时最常用也最拿得出手的本事。第三步， 学 agent 工作流，学会把多个 ai 串成一条自动流水线，一件事从输入到产出全自动。学完这一步，你就具备了 f d e 最核心的交付能力，把一个模糊的业务需求落成一个能跑的自动化流程。第四步， 拿真实场景练手，别等公司安排培训，自己挑一个身边的工作流程，用 ai 重做一遍，只要他真的跑起来，就不是玩具，而是你面试时最硬的 f d、 e 作品级。 我把上面四个步骤的学习资料都打包好了，留 ai 双手奉上。在上一期视频里，我们已经搞清楚了 ai 只会接龙不会思考的底层逻辑。那顺着这个结论， 这一期我们就直奔主题，把大家最关心的两件事来讲清楚。一个是弄明白 ai 的 深度思考到底是怎么回事，另一个是搞清楚跟我们钱包直接挂钩的 token 到底是怎么计算和扣费的。本期视频大概分为四个部分， 我们会先从深度思考切入，看看 ai 在 没有真正自我意识的前提下，是怎么靠着自言自语来完成一套复杂推理的。接着我们把它多想的那几步拆开来看看，搞清楚它为什么能通过自我纠错、任务拆解，把原本容易算错的答案变得更准。 第三部分我们会详细讲 token， 看看这个大模型世界里的通用货币是靠什么规则去切分和计算的。最后呢，落实到具体的实操策略，看一看多轮对话里那些隐藏的消耗陷阱，教你几招，真正把调研成本给压下来。 把这一套逻辑理顺之后，不仅能彻底看懂 ai 那 些复杂的回答是怎么一步步磨出来的，平时用它的时候呢，也能清楚地算明白每一笔账啊。 那我们就先来解决第一个最核心的困惑，深度思考到底在思考什么？很多人在用 deep tech 或者豆包的时候，只要把这个深度思考开关一打开，看到他在后台转圈，就觉得完了， ai 现在真的有自我意识了。他在脑子里深度思考，先要给大家泼一盆冷水。深度思考根本不是说 ai 想好了再说， 而是他把原本藏在后台的推理草稿，一步一步输出给你看而已。他的底层依然是脱离不了文字接龙和概率预测。我们可以把普通模式和深度思考模式放在一起，做个直观的对比。 平时我们不开深度思考，也就是普通模式。那个时候的 ai 像是在做口算或者心算。你把题目丢给他，他一眼扫过去，在脑子里凭着第一反应算出一个结果，然后一秒钟都不耽搁，直接把最终答案写在试卷上。 这种模式的好处就是一步到位，速度极快。但他的致命缺陷是，他必须一条路走到底。他猜出第一个词，就硬着头皮猜第二个，中途哪怕发现自己可能说错了，他也绝对不可能回过头去检查和修正。 而一旦我们打开了深度思考模式，情况就变了。这个时候的 ai 呢？他不再搞心算了，他相当于是从抽屉里拿出一张草稿纸，你可以仔细去看一下深度思考折叠框里吐出来那一长串文字，他完全就是在自言自语。比如说，用户提了这个需求，我首先应该分析痛点是什么， 方案 a， a， 好 像不太严谨等等，我考虑到边界条件，这里可能会报错，让我重新换个思路 哦。排除了方案 a， 我 们再来看看方案 b， 他 把分析问题、推销方案、排查错误的全过程，明明白白的在草稿纸上写了一遍，直到自己在草稿纸上反复验算，确认没有什么明显的漏洞了，他才把最终确认好的成品答案曾抄到最后的回答区域。 所以，深度思考的本质，就是让 ai 通过多轮的自言自语和循环验算，强行给自己创造一个推演的过程，本质上还是概率接龙。 那既然深度思考本质上还是在算概率，那为什么让他多打几遍草稿，多想这么几步，最终给出的答案就能明显更准确呢？ 这背后其实有三个底层原因。第一个，他具备了实时的纠错能力。前面我们讲过，普通模式就是一步走到底，落子无悔。但深度思考由于是把过程逐步推导出来的，他每往前猜一步，都会自动把前一步生成的内容当成检查对象。 如果推导到第三步，发现跟第一步的前提互相矛盾了，他可以在自言自语里面直接来一句，这个地方逻辑不对重新想。 这相当于给 ai 提供了一个随时踩刹车、随时掉头的一个纠错机会。第二点，他学会了把复杂的大任务拆解成小步骤。 就拿一道算术题来说，如果我们直接让 ai 心算二百三十四乘以五百六十七，如果直接让他一步蹦出答案，在庞大的训练语料库里，那个具体的五位数乘法结果出现的频次啊并不高，那直接蒙错的概率就会非常大。 但是如果开了深度思考，他在草稿纸上就会自动拆解，先算二百三十四乘以五百等于多少，再算二百三十四乘以六十七等于多少， 最后把这两个中间结果加在一起，得到最终答案。一个原本容易出错的复杂难题，被他化繁为简拆成两步基础运算，正确率自然大幅度提升。最后第三个原因， 能在技术上最巧妙的一点，就是他的上下文信息丰富了。 a a 每自言自语说出来的一句草稿，本身都会变成后续预测的已知提示词，相当于他在解析的过程中 不断给未来的自己递减越多，他往后预测的准确度就会被一路拉的越高。但 是大家必须清醒的认识到一点，天下肯定没有免费的午餐。深度思考是拿极高的代价换来的。首先是更慢，因为他必须在后台噼里啪啦吐出几百甚至几千字的思考过程，你必须耐着性子等他转圈。其次是更贵，他自言自语写在草稿纸上的每一个字，都是要真金白银算进透根消耗里的。所以所谓的深度思考， 本质上就是我们用更多的时间和更高的算力成本去换取回答的正确性。顺着深度思考的机制，我们再来聊一个日常使用中可能会有一点颠覆直觉的现象。 多人平时用不同的 ai 工具，会有一种想当然的偏见。一道复杂的大体丢进去，模型 a 想了五秒钟，给出了完整答案，而模型 b 在 那里苦苦思索 转圈，转了足足两分钟才出结果。不少人第一反应会觉得，哇，模型 b 思考了整整两分钟，它肯定会比这个模型 a 想得更深更透彻吧？事实恰恰相反，但面对同一道高难度复杂题的时候，往往思考越久，转圈越慢的模型，底层能力反而越弱。为什么会这样？ 大家一定要看懂背后的逻辑。对于一个能力真正强悍的顶级大模型，比如说模型 a 来说，它的底层知识网络很密，它的逻迹路径非常高效，当它开启这个深度思考的时候，它拆解问题的条理就很清晰， 每一部草稿都精准命中关键点，毫不拖泥带水。所以它不仅反应迅速，而且能够以很快的节奏把思考过程给推导出来。相反， 如果是一个架构相对落后、参数能力一般的模型，比如说模型 b， 当他遇到超纲的复杂难题时，他在后台的自言自语其实是一团乱麻。他算一步卡一步，反复在错误的死胡同里打转， 推翻重来，好几遍都找不到正解。他在那里转圈转了两分钟，根本不是在憋什么大招，纯粹是因为他的算力效率和逻辑架构，所以这道题已经非常吃力了。这就好比考场上的两个学生， 面对同一道压轴题，学霸题笔在草稿纸上刷刷刷列出关键公式，思路清晰，几分钟搞定。而基础薄弱一点的学生，在草稿纸上涂了擦，擦了涂，钻耳挠腮磨蹭了半个小时，最后写出来的东西还未必是对的。所以大家以后评判一个淡模型到底强不强， 千万不要被这个转圈的时长给迷惑了。考时长其实是衡量模型能力的一面镜子，越是顶级的模型，处理复杂问题的反应往往越快越从容。 ok， 聊完了深度思考，接下来我们来聊一聊大模型世界里最核心的一个词， token。 不 管是平时看科技新闻 查模型参数，还是自己用 api 调用大模型？大家肯定会经常看到像支持一百二十八 k token， 单次对话消耗两千 token 这样的说法。这 一个经常被挂在嘴边的 token， 它到底是个什么东西？简单直接的说， token 就是 ai 理解人类语言的一个最小积木块。在 ai 的 底层世界里，他根本不认得什么是汉字，也不理解什么是英文单词，他唯一能够看懂能处理的计量单位只有 token。 那 我们想想，为什么搞单维形的人非要折腾出这么一个概念呢？原因就在于现实世界里人类的语言计量方式比较混乱。中国人说话是按字来算的，一句话有几个字清清楚楚， 英文是按照一个一个带有空格的单词来算的，那么日文里既有汉字又有假名，更别说像阿拉伯语这些语法结构更特殊的语种了。除了这些文字以外呢，我们平时发消息还有很多的标点符号、 表情包，甚至是编程代码。如果让 ai 针对每一种语言，每一种符号都单独协调处理逻辑，那整个系统早就崩溃了。这个时候，计算机科学家就想到了一个聪明的方案，就是统一货币。 就好比在世界贸易里，各个国家原本各用各的人民币、美元，换算起来很是头疼。但如果我们发行一种通用的数字代币，管你拿的是什么币种，进场前通通都给我按比例换成这种代币，交易就变得非常简单了。 token 在 大模型里扮演的就是这个通用代币的角色。不管我们输入的是中文、英文、西班牙语？ 还是一个感叹号？一个笑脸表情包？大模型在接受到的那一瞬间，全部会把它给切碎，统一折算成 token。 token 的 官方翻译是词源，你只需要记住， 它既不是字也不是词，而是 ai 自己制定的一套切分规则。既然文字会被切成 token， 那 它到底是怎么切的？一个字到底算几个 token 呢？这里有一个技术工具叫做分词器 tokenizer， 你 可以把它想象成 ai 随身带的一本词典。这本词典里面收入了成千上万个常见的词语和字母碎片，那一段文字喂给 ai 的 时候， 它就会对照这本词典去切分。如果是词表里面本来就有的常见词，比如说英文里的 hello， 识别出来之后，这整个单词就算作一个 token。 但如果遇到一些生僻冷门的长词， 或者拼接古怪的声调词，词表也查不到完整的一项， ai 就 会把它硬切成两个甚至好几个 token。 因为各家大模型团队他训练的时候用的词表不一样，所以同一句话，你发给豆包，发给 tipsick， 发给叉 g p， 切出来的 token 总数都会有些许差别。但平时我们在使用的时候， 脑子里只要有一套大体的经验换算公式就可以了。通常来说，一个汉字呢，会被折算成两到三个 token。 一个常见的英文单词 大概是对应一到两个 token， 常用的标点符号基本就是一个符号算一个 token。 而很多人喜欢顺手发的表情包，它占用的空间其实非常大，一个表情往往要吃掉两到四个 token。 所以 平时我们大家写系统提示词的时候，尽量不要加表情包，这就是一个省 token 的 小技巧。那 顺着这个规则，大家马上就会发现，用 api 写文章，中文通常会比英文要贵的多。比如我们输入中文的你好 两个字切开要占掉四到六个 token。 但如果是英文里面意思完全一样的 hello， 在 词表里就是一个基础 token， 它只算一个。搞清楚这个切分规则以后，不管是调用 api 还是做系统开发，你就完全具备了自己核算成本的能力，你就完全具备了自己核算成本的能力。 ok， 那 么我们明白了 token 的 切分方式。 我们再来看一个更现实。我们再来看一个更现实的问题，为什么大模型在商业化落地的时候，无一例外全是按 token 来计费的？可能有朋友会说， 我平时手机上用豆包，用网页版递费克全都是免费的，没花过一分钱。这里呢，大家一定要看懂背后的商业真相，天下绝对没有永远免费的算力，你现在之所以能够免费用， 完全是各大科技平台为了抢夺市场份额，在后台自掏腰包，替你垫付了昂贵的服务器折旧费和电费等。市场格局一旦尘埃落定，或者转入专业的 api 调用，收费是必然的路径。那为什么大家不按回答次数收费，不按次数收费 偏偏按这个 token 收费呢？主要有两个原因。第一， token 直接等同于底层的算力消耗大，模型每预测并且生成一个 token 芯片，在后台都要完成成千上万次密集的矩阵数学预算，这种预算量直接反映在显卡的功耗和电表上， token 消耗的越多，服务器承受的压力越大，机房烧掉的电费就越直观。按 token 收费 本质，那就是按他付出的运算成本来明码标价。第二，他统一了全球的度量衡。如果中国模型按汉字收钱，美国模型按单词收钱，那跨国业务和多元开发就会乱成一锅粥。而用 token 作为一把尺子，不管是中文、英文还是代码，统一算 token 总数 标准很纯粹。那么在实际使用中，成本到底怎么算呢？其实也非常简单，现在国内的主流大模型性价比已经卷的非常高了，常见的行情价呢，通常在每一百万 token 十几块钱左右，比如说十六元，每一百万 token 换算下来，处理一个 token 大 概只需要零点零零零一六元。如果你这一次完整的交互 一共消耗了五千个 token， 那 你直接拿着五千个乘上这个单价，这趟对话的花费大概也就几分钱。但这里有一个尽量常识，很多人都忽略了，大模型算钱， 不仅算他输出给你的回答，连你发给他的输入提示词，甚至是深度思考时，在后台自言自语打的草稿，通通都是要计费的。那么算清楚了单价，我们再聊一聊。我们平时在这个参数表里面看到的一个指标叫做上下文窗口 context window。 很多人一看到某个模型标榜支持一百二十八 k 上下文，第一反应就是以为它代表它能一次性读完十二点八万个汉字。这又是一个被字母误导的典型例子。大家一定要记住，这里的 k 代表的是数学上的一千一百二十八 k， 指的完完全全就是十二万八千个 token。 按照我们前面讲的经验换算， 一个汉字大概是两到三个 token， 那 这一百二十八 k 的 额度换算成中文文本，实际容量大概对应八万多个单词。先学会这个换算， 你才不会在面对长文当时做出错误的预估。那既然模型越来越强，各大厂商为什么非要给大模型设置一个上下文窗口的上限呢？无线放开不行吗？ 如果真不限制偷根长度，那整个系统啊，在底层就会引发一系列灾难性的连锁反应。首先是显存直接溢出，处理长文本对 gpu 显存的要求是成倍飙升的，超出硬件承载极限， 程序就会直接报错崩溃。其次是响应变慢，要通读的内容就会被无限拉长。第三就是 费用彻底，事后每一轮对话都要重新滚雪球一样的去计算历史记录成本会成几何几何往上翻。最致命的一点叫做己占回答空间。这个上下文窗口就像是一个固定大小的房间， 如果你进门的时候，你塞进去的前期阅读材料就已经把这个房间塞满了百分之九十，那 ai 留下来写答案的立足之地就只剩下可怜的百分之十了。它能施展的空间被严重挤压，给出的回答质量 自然就会大打折扣。所以一定要明白，充口容量是有限的，读进去的废话越多，能留给高质量回答的空间就越少。好了，基于上面所有的技术原理， 我们落地到大家最关心的一个实操问题，我们在日常使用 ai 的 时候，到底该怎么做才能真正省钱，并且让回答效果最好呢？这里呢，我来给你们讲一个百分之九十的人每天都在踩，但自己却浑然不知的误区，千万不要在一个旧对话框里没完没了的追问下去。很多人在用 ai 的 时候习惯有点差， 一个对话框打开，从早聊到晚，问完工作方案，顺便在下面问晚饭吃什么，接着又在下面让他翻译一封英文邮件。大家潜意识里总觉得 我现在问第十个问题， ai 就 只针对这一个问题回答我，他肯定也只收我这最新一轮的钱吧？这是错误的。大家一定要看清大模型多人对话的底层。大模型本身是没有连续记忆能力的，当你进行到第十轮提问的时候，他为了能够接上你的话，他后台做的事情是把你从第一轮说的你好开始， 连同他第一轮的回答，第二轮的提问和回答，一直到你最新的第十个问题，整整十轮的全部历史文本，从头到尾一字不漏地重新读一遍，只要你一直在同一个窗口里聊下去，第一轮他读几十个 token， 第二轮他读几百个 token。 到了第五轮第十轮， 历史记录就像滚雪球一样，越滚越大，他每一次回答，光是读取历史记录就要烧掉成千上万个透坑。你的费用消耗是在成指数级暴涨的，不仅费钱，而且效果会急剧变差。因为涌长无用的历史上下文，不仅会把宝贵的上下文窗口挤得满满当当，更会严重分散 ai 的 注意力， 导致它更容易产生幻觉，前言不搭后语。所以请大家务必养成一个好习惯，一类问题只在一个对话框里解决。一旦这个任务结束了，或者是要开启一个完全不相干的新话题，毫不犹豫，立刻点击左上角新建一个全新的对话框。特别是在未来使用 cloud gpt 或者调用各种付费 api 的 时候， 问完一个话题就掀开一个窗口，这个很小的习惯动作就能直接帮你省下一大半的冤枉钱，同时还能让 ai 给你的回答永远保持在一个最聪明的巅峰状态。好了，我们关于深度思考和 token 的 所有内容就全部盘清楚了。 如果把我们今天讲到的所有技术细节沉淀到我们日常的实际使用中，你只需要在脑子里记住四件事。第一件事，所谓的深度思考， 本质上就是 ai 在 自言自语，他从来没有像人类一样突然顿悟，更没有产生真正的自我意识。他无非就是在后台把思考的过程以草稿的形式推导出来，通过多轮的自查和循环研算 去降低出错的几率，里子依然是一场概率预测。第二， toon 是 大模型世界里唯一的通用货币。 ai 不 认识汉字，也不认得英文单词，所有人类的语言和符号 进入底层后，通通都要折算成 token。 我 们要记住这个规律，通常一个汉字大概对应两到三个 token， 这直接决定了我们在调用 a f i 的 时候，中文会比英文花掉更多的 token。 第三大模型每一次处理 token， 每一次出入和输出，背后都在消耗算力成本，我们在核算费用的时候一定要清楚，总成本不仅包括 ai 回答我们的文字，连我们未给他的提示词，这人他在后台自言自语打草稿，消耗的 token 全部都是要记录账单的。最后养成一个好习惯， 对话进行的越长， ai 每一轮需要读取的历史记录就越多。大模型他没有连续记忆，每一次新提问，他都得把前面聊过的所有内容重新读一遍。所以千万不要在一个对话框里没完没了的追问，只要换了一个不相关的新话题， 立刻养成新建对话框的一个习惯。这不仅可以帮你省下一笔 token 费，还可以让 ai 的 回答永远保持在最聪明的状态。其实回顾我们整个上下两期视频，核心就一句话，理解了 ai 回答的真相。理解了 token， 你就摸透了 ai 背后的账单，把这两套逻辑吃透，你对大模型的认知就已经拉开了身边绝大多数普通用户的距离。以后面对 ai， 你 再也不会被那些花里胡哨的技术名词忽悠，而是能真正做到心中有数，把它变成自己手里最趁手、性价比最高的生产力工具。希望大家可以好好消化这两期内容，我们下期再见！
1.0万AI大模型干货
01:06查看AI文稿AI文稿兄弟们，华为最近更新了一个特别实用的功能，之前一直在内测，现在可以用了，就是小易输入法上的 ai 帮写，他目前能帮你写十六个场景下的文字内容。比如说我们想选择一个演讲稿，将你的一些要求给他，他就会帮你写， 写完了之后可以直接在微信里面发送，大家可以根据他写的这个结合自己的需求进行一些修改。哎，我觉得还写的还是挺好的，我们再写个群通知看一下，比如说今天下午学校要组织一场篮球赛， 是不是还可以？目前的话，这个 ai 帮写每天是有个次数限制的，大概十次左右，不过别急，这里面次数用完了，你可直接呼叫小一帮力写也是一样的，小一小一 帮，我写一篇关于黑洞的科普短视频文案五百字左右， 速度很快，这波是不是遥遥领先？
2351我是阿光Light
02:09查看AI文稿AI文稿我们跟 ai 大模型做了一个结合，让小易能够具有更好的理解能力，你可以去对设备进行更好的操作，我可以给你演示一个，帮我定个明天早上九点的闹钟，打开免打扰，关闭蓝牙 啊，就你给他一连串的指令，他一个一个的帮你去去操作。好是每天早上八点帮我查天气，查询日程，并且播放我收藏的歌曲 啊，他创建了一个组合的一个东西，组合的一个场景，他创建了一个组合的场景。 ok， 这到每每每天早上八点的时候，他就会自动的去提醒或者说帮你执行这些东西。是的，在我们的这个页面， 他现在点击这个加号，可以向小艺发送图片。嗯，我们现在向小艺发送一个，然后进行一些相应的操作，可以看到这是一个比较复杂的表格，是吧？对，他是一个健身房课程表，然后我给他发一个小艺，然后我们让他听取一下， 我们就可以得到一个隐私的表格。啊，哎，这个方便啊，这个隐私的表格就是刚才图片里面的课程。对对对，把时间文字全部都排好了，比如说我们在网上看到了一些比较好的内容， 他说是纸片形式啊，啊，旅游的可以发送给小艺，那他比较，他就可以把这个文字快速的做一个提取啊，可以把你的文字提取出来，然后你后面可以自己使用。啊，明白， 比如我现在让小艺帮我的女儿写一篇竞选班长的竞选词。啊，请帮我的女儿写一篇竞选班长的竞选词，他的爱好是阅读，他的特长是运动。 哇，直接开始写了。哇，这速度好快。是他就会直接开始去写作。哎，说实话，他写的这个东西还挺挺是那个意思的。
4.0万中科逸宝
05:54查看AI文稿AI文稿哈喽，大家好啊，昨天的发布会都看了啊，因为老张昨天确实有事，也没有去现场啊，然后，呃，昨天也是在家里边跟大家一块看发布会，有几个事呢，跟提醒一下，之前咱们已经说过的呢， p 五八零我们就不去 重复了啊，比如说他的一镜双镜头哎，一底双镜双长焦是吧？啊？比如说他的这个一英寸大底啊，比如说啊，他对于整体的这个算法甚至芯片呢，可能这两天燃烧上插完机以后，你们就有一个新的感觉了，他是有很大的惊喜的。我们单独的说一下 ai 的能力啊，这个华为在这个五点一上面 ai 能力其实做了一个进化， 小艺是进化了的，进化什么呢？进化他变成一个视觉大模型，或者叫多模态大模型，这个大模型的话可能你们想象不到，但是小艺有他这个上线这个功能，叫小艺看世界，你可以通过这个手机的摄像头啊，让小艺帮你去阅读和理解，并提供各种各样的信息，这相 相当于输入的视频，然后小姨对这个视频进行了个解读，然后并给你搜索到相关的信息，在匹配上，然后形成语音文字或者视频的方式返现给你啊，这是他整个的小姨看世界的，整个的这个 ai 能力的一个回放。 这其实的话呢，中间底层啊，但是非常非常好，比如说你去啊，你，你去旅游的时候，你看这个东西呢？你说我不用听听讲解了，我直接拿小一看时间 盘一下，然后他就可以告诉我啊，他到底是什么啊，这种东西里面核心是什么，然后甚至可能还会给你调出相关的这个视频来啊，给你做一个深度的科普啊，这个，这个，所以这是小金探世界，这个难吗？非常难。怎么叫非常难呢？因为你们可以去尝试当下所有的开源， 必然所有通用大模型。哎，你给他输入一个视频，你看他读不读是不读的，为什么？因为视频的编码流和大模型输入的这个 文字和底层的信息之间是有一个巨大的鸿沟的。视频是编码的，这个编码的话，大模型当下是读不懂的。大模型如果要读这个东西的话，他要加更多的算力，更多的能力啊，这个是无法去用短时间的方式，用堆数记的一个算法的方式去解决的。 当下的话，我们现在能知道的唯一解决这个的所谓一道视频可以输入的大模型是是谁呢？哎，是 divisic 马上要发的二二啊，这个是我们现在已经能确认的，因为各家测试，包括 啊，这个乾隆是摩根斯坦利在测试的过程中已经给我们反馈相关这个信息了，对吧？但是其他的，目前包括欧门 ai 发布的欧三在内啊，包括他最新发的欧三 pro 在内啊，其实 视频输入的这个能力是不具备的，是任何这个东西都不具备的。但是小艺的这个的话呢，当然他是讨巧了啊，他做了三个东西，我们的大 概了解啊，他做了三个东西，一个呢是他会有一个小的底层的 a 模型去读这个视频啊，就是视频这个东西呢，我单独给他做了一个解码编码的这样的 a 模型，把它读出来，把这个视频中的相关的信息读出来，他这个模小模型，小 a 模型，只做读取，不做一个深度的解读， 制作读取，然后把读取的信息呢？哎，上传给盘古家 d f c 的云端的模型进行进行那什么，然后再返回到手机上，手机上另外一个小的 这个显示模型啊，对此进行一个显示，收集相关的信息啊，把相关东西排列好，形成这样东西，他大概有三个啊，他是他是一个集群的东西， 他其实所以说我们认为他应该叫 ai 智能体啊，小翼的 ai 智能体啊，而且是一个以视频解读为核心的样子，智能体怎么样？强不强？五点一的话，我正在等，他说七月份可以，我的这个三者也可以 升级了，到时候我也给你们做一个深度的测试，我觉得特别有意思啊，特别有意思，比如说你甚至可以拍啊，充电器到一楼了没有啊？那告诉你说啊，现在到五楼是吧？你可以，你可以这摄像头上面这个识别障碍物啊，商业标签，这个的话就对于适当人士非常的友好，对不对？语音伴随这个能力就会 比打架强，因为因为当下没有一家去做这个东西，但是华为把它做出来了，通过 ai 的方式把这个底层的东西给他做起来了，而且这个我觉得比苹果在 siri 上的摆烂的话要强百倍了，不是吗？就差一天，但是华为端传的是一盘那个，这这个咱们叫做满汉全席，苹果拿出来的是一盘 给街边乞丐吃的啊，残羹剩饭啊。而且呢，据说苹果这个设计玻璃 ui 的这个整个团队现在已经被炒了啊，因为反馈实在是啊，所以这么一个情况啊，然后捎带手说一句， 这个呢，其实意味着什么呢？意味着大模型能力啊，当下会成为一个非常大的一个空间啊，当下的空间就非常大，那么你需不需要加入啊？你需不需要利用这种模能力？需不需要多模探能力？对你自己业务的一个凸起，我看好多的。呃，来参加这个参访的学员都说这个事啊，这个这个视频东西怎么视频？ 这里面有各种各样的技巧的，但是前提是你先要找到那些把大模型引进你自己业务的点，哎，所以我的课可以帮你啊，刷的时候说一句啊，我的课挂在这了，这个课的话不是讲技术的啊，也不是讲编码的， 我们讲的就是啊，让你认识大模型，并且做一个智能体出来，通过这个过程的话，你熟悉了大模型的完整的思维和逻辑，站在他的角度上看所有的问题，你就能找到你自己业务，那个结合的点非常的重要啊，非常的重要，而且这个点的话其实对所有人来说都非常重要，你能找到一个抓手，对吧？然后呢，我们再送三个东西，一个是二十五块钱用大模型案例，但是 现在在不断的更新，当下已经更新又更新五个了，我们还有二十个，这个月更新完就变成五十个，你们觉得值不值啊？这是国内独家的啊。第二的话，咱们有一个智能体的研究报告啊。第三个，咱们有一个讨论群，讨论群呢，当下各个群加在仅仅超过两千位 雪茄技术大拿创业者了啊，所以你们看看他到那时候有什么样的一个事情，可能很快就有答案了，碰撞中就有答案。好吧，然后今天到这，如果你们需要，可以赶紧下单二百九十九，一点都不贵啊，像华为小 eai 这样的能力，其实通过你自己的努力，你自己在业务中其实也能复现的，但是复现的方式呢？可能千奇百怪。 好吧，如果你们需要，哎，赶紧下单二九九，用一顿饭钱解决未来时间的发展机遇。烧菜手说一句啊，如果你们觉得不知道怎么分哪个平台，不知道怎么看客，给我发私信，我告诉你们啊，不知道怎么呃，加 给我发私信，我把那个呃这个助理的微信推给你。好吧，今天就到这了，我是瑞克老张，关注我，带大家看中国科技的高度和温度，我们下期见，拜拜！
1051瑞克老张有话说
08:16查看AI文稿AI文稿从简单剔除脏数据，转向精细化重构与智能增值大模型数据处理的范式革命。一位 ai 工程师点击鼠标删除一个有缺陷的数据样本。他的同事在一旁使用生成式 ai 将同样的数据转化为高质量的训练材料。 前者代表了旧范式，而后者则是未来的方向。当我们惊叹于大模型在对话、创作和推理上的惊人表现时，背后支撑这一切的基石往往被忽视。 这些智能表现并非凭空产生，而是源自海量数据的精心喂养。传统的数据清洗方式正遭遇前所未有的挑战，高质量数据逐渐枯竭，网络数据中充斥着虚假信息，即使经过清洗的数据仍可能使模型产生幻觉。一、范氏转变 过去十年里，数据清洗的概念经历了根本性的转变。要理解这一转变的重要性，我们必须先了解大模型对数据的特殊需求以及传统方法的局限性。 传统数据清洗可比喻为筛选工程师制定规则，像筛子一样过滤数据，去除 html 标签、标准化日期格式，删除重复项，过滤明显错误内容。 对于传统机器，学习这种方法通常足够，因为这些模型需要的训练数据量相对较小，数据质量缺陷对最终模型性能的影响也相对可控。 大模型的兴起改变了这一局面。当模型参数从百万级增长到万亿级，当训练数据从 g b 级跃升至 tb 甚至 pb 级， 传统数据清洗的局限性暴露无疑。本市频练工程师制定规则不仅效率低下，而且可能导致训练数据多样化不足，限制模型能力的边界。二、生成式数据精炼变废为宝的点睛术 数据清洗领域最激动人心的突破之一是生成式数据精炼。这项技术不再简单丢弃有问题的数据，而是利用大模型自身的能力修复、重构和增强数据。 想像一位厨师面对部分腐坏的食材，传统方法是直接丢弃，而生成式精炼则像一位高级厨师切除腐烂部分，用剩余部分创造出全新的美味佳肴。 这一过程在技术上如何实现？以处理含有个人身份信息的代码数据为例，传统方法会直接删除整个文件， 导致大量有价值的编程逻辑和模式丢失。盛世精炼则使用专门训练的大模型分析这些代码，识别并替换敏感信息。如将真实姓名替换为通用标识符，将具体公司 a p i 密钥替换为标准格式的站位符，同时保持代码结构和逻辑的完整性。 对于网络文本中的有害内容，生成式方法同样展现出优势，它不仅能消除文本中的毒性，还能保留其中有价值的知识点和语言表达，避免因简单删除导致训练数据多样化性下降。 零。三、质量评价新范式从静态清洁度到动态效用当我们改变数据处理方式时，评价标准也必须同步更新。传统数据质量评价主要关注静态指标完整性、准确性、一致性、及时性。 然而，对于大模型训练，这些指标远远不够。最新的质量评价范式提出了一个更全面的框架，将数据质量分为三个维度，固有质量、使用质量和体验质量。 固有质量对应传统指标使用质量评估数据对模型性能的增益。体验质量则衡量数据获取和使用的便捷性。 对于大模型训练，使用质量尤为关键，这涉及评估单个数据样本的信息量、一批数据的特征分布多样化以及特定数据组合对模型能力的提升效果。 先进的数据质量平台已经能够量化这些指标，帮助数据工程师优先处理那些对模型性能提升最有效的数据， 而不是盲目追求所有数据都达到最高清洁标准。这种评价方式的转变，标志着数据工程从追求完美数据转向追求最适合的数据，在质量、成本和效率间找到最佳平衡点。零四、智能数据管道从搬运工到智能处理器， 数据清洗工具本身也在经历智能化转型。传统 e、 t、 l 工具本质上是规则执行器，按照预设流程移动和转换数据，缺乏灵活性和智能判断能力。新一代数据管道将 ai 深度集成到每个处理环节中。 例如，在数据抽取阶段，智能管道就能识别潜在的隐私泄露风险，并提出匿名化建议。 在转换阶段，这些工具能自动检测异常模式，推荐合适的清洗策略，甚至利用大模型能力理解和重构半结构化文档。更重要的是，这些智能管道支持实时数据清洗和验证，这对于大模型训练直观重要， 因为训练过程中可能需要不断引入新的数据源，保持模型知识的时效性。智能数据管道还能建立数据谱系，跟踪记录每个数据样本的完整处理历史。这种可追溯性不仅有助于调试和优化，也为应对更为严格的数据治理要求提供了技术支持。 零五、数据幻觉与虚假数据的挑战与应对随着大模型能力提升，两个相关问题日渐凸显， 模型产生的幻觉和训练数据中的虚假信息。数据幻觉指的是模型生成的文本，看似合理，实则缺乏事实依据或逻辑一致性， 这与训练数据质量密切相关。如果数据中存在矛盾、不完整或错误的信息，模型就会学会编造答案。 应对数据幻觉需要多管齐下，在数据层面构建多样化的数据源组合是基础策略，单一数据源更容易导致模型产生系统性偏差，引线多，增强关键领域数据的标注质量，特别是事实核查类数据的准确标注，能显著提升模型的可信性。 在模型训练阶段，可以采用多模型交叉验证的方法，用一个模型生成内容，用另一个专门训练的事实核查模型进行评估。对虚假数据的问题生成式数据精炼提供了创新解决方案。与其完全删除可能包含虚假信息的数据，不如重构这些数据， 保留其语言结构和部分合理内容，修正或标注其中的不实之处。此外，原数据管理变得直观重要，为每个数据样本添加来源、采集时间、可信度、评分等原信息，能帮助训练系统更智能地利用这些数据，降低虚假信息对模型的负面影响。 六、未来展望个性化数据清洗与自适应学习数据清洗技术的未来发展将更加注重个性化和自适应能力。所谓干净数据，实际上取决于具体应用场景和模型架构。 未来的数据清洗系统将能够根据目标模型的特点自动调整清洗策略。自适应学习系统将使数据清洗过程更加动态， 这类系统能够监控模型训练过程中的表现，识别哪些数据问题正在影响性能，然后自动调整数据清洗策略以解决这些问题。隐私保护与数据利用之间的平衡也将推动技术创新。 差分隐私、联邦学习和同态加密等隐私保护技术正被整合到数据清洗流程中，使得数据可以在不暴露原始内容的情况下得到有效利用。特别值得关注的是合成数据生成技术， 当真实、高质量数据稀缺时，系统可以分析现有数据分布生成既保持原始数据统计特性，又避免其缺陷的合成数据，为大模型提供安全、多样、可控的训练材料。
01:56查看AI文稿AI文稿hello， 大家好，我是萌萌，今天我们来到的是华清智研，他们采用的是一站式 ai 玩偶解决方案，赋能文旅 ip 传统玩具智能化升级，那么接下来让我们一起去采访一下吧。 老师你好，我想请问一下智能 ai 玩偶如何赋能我们的文旅 ip 呢？景区文旅 ip 在 做数字化升级的过程中呢？它有两个趋势，然后我们看到这个趋势以后，非常笃定地助力文旅景区传统 ip 去做一些 一号的升级，我们去打开自己的算法，自己的智能机芯，自己的小程序和后台端，开放给传统的文旅景区 ip， 这样助力他们快速的去上架自己的 ip 产品。 那么聊完我们的成品 ip 玩偶，我们再聊聊我们的底层平台。那老师我还想再问你个问题，就是我们的全机平台是怎么降低我们的玩具的智能制造的改造成本的呢？在这个问题上我们可以有两个方面的。 第一方面呢就是让传统的毛绒企业不再做过多的资金投入，我们全面的把这个技术站开放给传统的玩具厂商，这样他在前期的投资上面以及供应商对接上面会省去很大的时间成本和 资金成本。第二个问题呢，就是在时间投入上面，我们全流程标准化稳定的产品输出给到传统的 ai 玩具、传统的毛绒企业之后，立马快速的去嫁接在自己的产品上，快速的融入市场。第三个就是在零星的对接以及在产品开发的过程中， 毛绒玩具的厂商不需要再去做零散的对接，他只需要去专注于自己的市场推广和品牌搭建，这样第三个方面就可以对传统的毛绒玩具厂商去做产业升级的时候 有很大的助力。感谢老师的精彩分享，那么更期待我们的企业能持续用 ai 技术带来更多的创新产品，加油！
01:06查看AI文稿AI文稿像这种一次性对论文既降重又降 ai 力的操作，真的不用自己再去一点点的改了，之前我们用 ai 来降重， ai 率又会高起来，降 ai 率呢，重复率又高了，真的很麻烦。 今天教你们如何快速对文章同时完成降重与降 ai 率双标准，我们直接上干货。首先我们需要一个科研大模型，注意不是那种通用的大模型，而是像 speed ai 这种专门做科研的大模型， 然后选择这个降重加降 ai 直接就能一次性完成任务。这里啊，我们先选一个检测平台，一般选这个知网就行，然后直接把我们的论文拖进来，当然也可以复制成一段一段的文本进行修改，如果你有标红的重复率与 ai 率检测报告，也可以作为补充文档拖进来，这样它就能对检测报告中的部分进行定点的修改。 之后选择这个一键全文降重降 ai， 很 快就能看到权威的过程呢，都是可以看到对比，也能直接看改后的内容， 不满意的话重新生成，像段落标题这种是不会给我们改的，改完后自己再看一遍，觉得 ok 的 话保存下来。保存后的格式也都是没有乱的，不用担心还要重新调整格式。我把改后的也重新检查了一遍， ai 率从百分之四十降到了百分之二，重复率从百分之二十，九点五也降到六点八，属于是非常的顶级了。
1654进击的土博
02:00查看AI文稿AI文稿华为盘古大模型啊，其实就在你的手机里，你可能每天都在用，但是你不知道是他还有一个更强的版本，鸿蒙七咱都用上了，跟我一起啊，把这个小易的这个大脑也更新一下， 如果你没更新，你每次使唤的都是那个旧脑子的小易官方说的那个更强的专测 ai， 你 压根就没体验到。这个小易一更新盘古的大模型你才真正的体验到。来，跟我一起啊，咱们现在就去更新一下，如果没有时间 你就点个关注或者收藏，有时间了再按我这个方法去更新一下。你打开设置往下滑，有一个小 e 点一下，点一下之后他有个本地大模型，看到吗？点一下在这里就有多模态增强大模型下载并安装， 我现在是六个多 g， 你 看了它更新完之后可以本地图像生成，就你像之前那些个版本都需要联网才可以完成这些任务， 但是现在这个如果增强版不用联网，而且他所有的数据都是在你的手机里面，还有下面这个多模态混合专家打模型，我想要这个，我不知道是我手机的问题，还是 他没有推送，你们有没有这个版本的更新，如果有的话评论区告诉我一声，看看你们是啥机型啊？好了，我这个已经安装完了，安装完之后我这个版本是一点零点零点四零一， 咱们对下这版本号看是不是一样的啊？就这些更新完你才能体验到真正的这个端测 ai。 这些东西为什么要更新呢？因为我们现在用的这个更新啊，它是华为一千九百二十三亿研发经费里面投入的一部分功能，如果这你都不更新，那你华为是不是就白买了？ 至于友商有没有这种本地的大脑我不知道，就算有，那也得先琢磨琢磨他能不能用，或者是他好不好用。但是这个我还是非常相信华为的。把这个更新完，我先替咱们用上几天 用明白了，回头我给你们出最新的教程。一定要更新啊，不然你们这个华为真算白买了。好了，关注我，后面我再给你们出最新的教程，等我消息。
9124秦奉天
