在 Skyvern 中集成 YOLO 实现实时 UI 元素检测
在 Skyvern 浏览器自动化框架中集成 YOLO 模型，用于从截图实时检测 UI 元素，支持 LLM 驱动的动作选择，适用于动态网站自动化。
2025-10-22ai-systems2025-10
Category
ai-systems
共 7658 篇文章。
使用 Sherpa-ONNX 工程化离线语音到文本管道：说话者分离、增强与 VAD
探讨如何利用 Sherpa-ONNX 在嵌入式系统、移动设备和服务器上构建离线 STT、说话者分离、语音增强和 VAD 管道，提供关键参数和部署指南。
2025-10-22ai-systems2025-10
端到端电子书合成管道：解析、克隆与多语言TTS集成
工程化Python工作流，实现电子书解析、章节分割、零-shot语音克隆及多说话人TTS集成，离线生成1100+语言自然有声书。
2025-10-22ai-systems2025-10
二元RAG奖励模型在幻觉缓解中的应用
将二元检索增强机制集成到奖励模型中，用于LLM生成管道中的精确幻觉检测与缓解，提供工程参数与监控要点。
2025-10-22ai-systems2025-10
工程化 Clink CLI 代理的模块化流水线：即时部署与生产集成
Clink 通过 CLI AI agents 实现自定义代理的即时生产部署，提供 modular pipelines 支持 runtime execution 和开发者工作流无缝集成。
2025-10-22ai-systems2025-10
LLM 推理时性能退化：上下文过载与注意力稀释的工程解决方案
分析 LLM 在延长会话中因上下文过载和注意力稀释导致的性能衰退机制，并提供周期性状态重置、动态上下文修剪等工程策略，以实现持续可靠的推理性能。
2025-10-22ai-systems2025-10
工程化零样本跨语言语音克隆：韵律转移与多说话者混合生成自然有声书
利用 OpenVoice TTS 管道，从 EPUB 生成自然有声书，实现跨语言语音克隆、韵律转移及多说话者声音混合，提供工程参数与监控要点。
2025-10-21ai-systems2025-10
工程化 Kyutai 的 Mimi 编解码器：用于 LLM 的低比特率音频压缩
面向 LLM 音频输入，给出 Mimi 编解码器的低比特率 lossy 压缩工程实践与感知质量优化参数。
2025-10-21ai-systems2025-10
工程化紧凑神经音频编解码器嵌入 LLM 令牌序列
基于 Mimi 模型，探讨将 raw 音频流直接转换为离散令牌嵌入 LLM 的工程参数、实现清单与监控要点。
2025-10-21ai-systems2025-10
Kyutai Mimi：LLM 神经音频编解码器
介绍 Kyutai Mimi 神经音频编解码器，用于将语音编码为 LLM 可摄取的 discrete 表示，焦点在低延迟参数与集成要点。
2025-10-21ai-systems2025-10
将 BERT 作为单步扩散解码器集成到文本去噪中：NLP 管道优化
探讨 BERT 在单步扩散模型中的应用，实现高效文本去噪与低延迟嵌入反转，优化自回归生成过程。
2025-10-21ai-systems2025-10
Dyad 本地 AI 应用构建器的模块化 TypeScript 管道工程
探讨 Dyad 如何通过模块化 TypeScript 管道实现 prompt-to-UI 工作流，支持开源模型的无云隐私开发。
2025-10-21ai-systems2025-10
工程化端到端机器学习系统：哈佛 CS249r 课程洞见
基于哈佛 CS249r 课程，探讨 ML 系统从硬件到部署的全栈工程实践，包括数据管道优化和分布式训练参数。
2025-10-21ai-systems2025-10
在标量自动求导引擎中实现拓扑排序用于反向传播调度
探讨 micrograd 中使用拓扑排序调度动态计算图的反向传播，支持无向量化基本神经网络训练的工程实现要点。
2025-10-21ai-systems2025-10
Skyvern 中 LLM 与计算机视觉的整合：低上下文浏览器自动化
利用视觉提示和行动链，实现对动态 UI 的自适应自动化，提供参数配置与监控要点。
2025-10-21ai-systems2025-10
大规模 RAG 摄取管道：处理 500 万+ 文档的 MinHash LSH 去重、语义分块与质量过滤
针对 RAG 系统大规模文档摄取，提供 MinHash LSH 去重、语义分块及质量过滤的工程参数与优化策略，提升检索相关性并避免重复计算。
2025-10-21ai-systems2025-10
Skyvern 中视觉-语言-动作模型的工程化：动态网页导航与零样本自动化
基于 Skyvern 框架，探讨视觉-语言-动作模型在动态网页导航中的工程实现，支持无固定 UI 选择器的多模态推理任务自动化。
2025-10-21ai-systems2025-10
LeRobot 硬件无关策略转移
探讨 LeRobot 扩散策略中共享潜在表示的工程化，实现跨硬件零-shot 转移的关键参数与部署要点。
2025-10-21ai-systems2025-10
扩散策略中共享表示层的工程化：实现多任务策略转移
在 LeRobot 中工程化扩散策略的共享表示层，实现抓取和堆叠等多样机器人任务的技能转移，而无需完整重训。
2025-10-21ai-systems2025-10
大规模RAG系统中跨编码器重排序与倒数排名融合
针对处理500万+文档的RAG系统，介绍跨编码器重排序结合倒数排名融合的实现，提升top-k相关性评分，而无需重新计算嵌入。
2025-10-21ai-systems2025-10
扩展 Micrograd 以支持稀疏张量自动求导：针对图神经网络的自定义反向传播
在 Micrograd 引擎中集成稀疏矩阵操作的自定义反向传播，实现图神经网络中不规则连接的高效自动求导与内存优化。
2025-10-21ai-systems2025-10
Claude 代理中动态工具选择与链式调用的工程实践：基于 Cookbook 模式
基于 Claude Cookbook 的代理模式，实现动态工具选择、多步编排与运行时错误处理，确保生产级工作流的可靠性和效率。
2025-10-21ai-systems2025-10
DeepSeek OCR 在边缘设备上的令牌高效部署：动态裁剪与视觉令牌编码优化
探讨 DeepSeek OCR 在边缘场景下的高效部署策略，通过动态裁剪和视觉令牌编码最小化 LLM 输入大小，同时保障实时布局解析准确性，提供工程参数与监控清单。
2025-10-21ai-systems2025-10
使用 DeepSeek OCR 工程化零样本表格提取管道：视觉编码与 LLM 后处理
基于 DeepSeek OCR 的零样本表格提取管道，利用视觉编码压缩和 LLM 后处理，将扫描文档转换为结构化 JSON，无需训练数据。
2025-10-21ai-systems2025-10
在 LeRobot 中微调扩散策略以实现灵巧操作
面向灵巧操作任务，给出 LeRobot 中扩散策略微调的工程化参数与数据适应要点。
2025-10-21ai-systems2025-10
在 Open Notebook 中构建可扩展的多轮 LLM 链式与自定义音频合成
探讨 Open Notebook 中多轮 LLM 链式与自定义 TTS 的工程实践，用于从多样来源生成灵活播客。
2025-10-21ai-systems2025-10
Skyvern 中集成 YOLO 模型实现浏览器自动化 UI 元素精确定位
探讨在 Skyvern 框架中集成 YOLO 模型，用于浏览器自动化中的 UI 元素检测，提供子像素精度和假阳性过滤的工程参数与实现要点。
2025-10-21ai-systems2025-10
工程化 PP-OCRv4 混合 CNN-Transformer 管道：扫描文档弯曲文本检测与边缘部署优化
针对扫描文档中的弯曲/不规则文本，工程化 PP-OCRv4 的混合 CNN-Transformer 管道，提供动态分辨率裁剪和边缘部署参数配置。
2025-10-21ai-systems2025-10
生产环境中 RAG 的学习型查询扩展与端到端评估指标实现
本文聚焦生产 RAG 系统中的学习型查询扩展技术实现，包括 LLM 驱动的扩展方法与参数优化；同时介绍端到端评估指标，如上下文精确率、忠实度和事实正确性，用于持续性能监控与迭代。
2025-10-21ai-systems2025-10
构建可扩展 TypeScript 管道：多轮 LLM 链式交互与播客生成
利用 TypeScript 构建多轮 LLM 链式管道，支持流式响应、音频合成和自定义工具集成，实现灵活的播客生成，超越单一笔记本限制。
2025-10-21ai-systems2025-10
AI 代理的提示逆向工程：拦截 API 调用与行为模式分析实现模块化组成
通过拦截 API 调用和分析行为模式，从 20+ AI 工具中提取系统提示，实现自定义工具集成的模块化代理构建，提供工程参数与监控要点。
2025-10-21ai-systems2025-10
用 LeRobot 构建可访问的端到端 AI 机器人学习管道
面向低成本操作任务，集成数据收集、模型训练和硬件部署的 LeRobot 端到端管道。
2025-10-21ai-systems2025-10
用 Micrograd 构建向量化自动求导引擎：拓扑排序反向传播支持的 PyTorch 式神经网络训练
基于 Micrograd 的纯 Python 实现，探讨 scalar autograd 如何通过 Value 列表模拟向量化操作，并利用拓扑排序实现高效 backprop，支持简单神经网络的训练参数与 API 设计。
2025-10-21ai-systems2025-10
使用提示工程实现确定性 LLM 分类输出
面向生产环境中的 LLM 分类任务，介绍结构化思维链提示、少样本示例和零温度采样的工程实践，以最小化输出方差。
2025-10-21ai-systems2025-10
用 PaddleOCR 构建轻量级 OCR 系统：解析 PDF/图像为 LLM 结构化数据，支持 100+ 语言
基于 PaddleOCR 开发高效 OCR 系统，从 PDF 和图像中提取结构化数据，支持多语言文本检测与识别，便于集成到 LLM 工作流中。
2025-10-21ai-systems2025-10
Claude Cookbook：Jupyter 中模块化提示工程与工具集成实践
基于 Claude Cookbook，利用 Jupyter notebooks 工程化模块化提示模式和工具集成，实现可重现的 AI 工作流和智能代理应用。包括提示模板设计、工具调用参数及 agentic 工作流优化要点。
2025-10-21ai-systems2025-10
LeRobot数据流水线：传感器融合与仿真到真实迁移的关键参数配置
解析LeRobot中多传感器时间对齐、域随机化参数与扩散策略训练的数据增强技术，提供可落地的工程化配置清单。
2025-10-21ai-systems2025-10
使用 Claude 实现浏览器原生代码生成与 Web 集成
工程化 Claude 在浏览器中的代码生成与执行，支持无缝协作编辑、实时反馈和零设置开发环境。
2025-10-21ai-systems2025-10
DeepSeek OCR 中的零样本布局分析：基于视觉语言提示的工程实现
利用 DeepSeek-VL 通过视觉语言提示实现零样本文档布局检测，提供工程参数和监控要点。
2025-10-21ai-systems2025-10
BERT作为单步文本扩散：掩码语言建模的去噪视角
将BERT的掩码语言建模目标重新诠释为扩散模型的一个去噪步骤，实现无自回归解码的迭代文本生成精炼。
2025-10-21ai-systems2025-10
Token-Efficient Edge Deployment of DeepSeek-OCR: Dynamic Resolution Cropping and Visual Encoding
探讨 DeepSeek-OCR 通过动态分辨率裁剪和视觉编码优化，实现边缘设备上的实时多语言文档扫描，包含工程参数和最佳实践。
2025-10-21ai-systems2025-10
生产级RAG系统中BM25与嵌入混合检索：学习式查询扩展与端到端评估指标
探讨5M+文档RAG系统的混合检索实现，包括BM25与向量嵌入融合、学习查询扩展，以及召回/精确率权衡的评估策略，提供工程参数与监控要点。
2025-10-21ai-systems2025-10
RAG 工程化实践：5M+ 文档摄入中的 MinHash LSH 近重复去重与语义质量过滤
基于 5M+ 文档处理经验，详解 MinHash LSH 近重复去重与语义阈值质量过滤的工程参数，确保 RAG 索引纯净高效。
2025-10-21ai-systems2025-10
LLM 与计算机视觉整合：Skyvern 的自适应浏览器自动化
利用 LLM 和计算机视觉实现浏览器自动化，针对非结构化网页的动态元素检测与工作流执行，提供工程化参数与恢复机制。
2025-10-21ai-systems2025-10
使用AST工程化可执行心理状态代码模型：AI心智理论的多代理社会推理
探讨如何通过抽象语法树（AST）将推断的心理状态转化为可执行代码，实现AI代理在多代理交互中的人类般社会推理，提供工程参数和落地清单。
2025-10-21ai-systems2025-10
在微型标量 Autograd 引擎中实现向量化操作：启用 PyTorch-like 神经网络训练
探讨如何在 micrograd 等标量自动求导引擎中引入向量化操作，支持高效的 PyTorch 风格神经网络训练，同时保持最小开销的教育性实现。
2025-10-21ai-systems2025-10
ebook2audiobook 中的多语言零样本语音克隆实现
探讨 ebook2audiobook 如何通过 XTTSv2 等模型实现多语言零样本语音克隆，支持全球电子书到有声书的转换。
2025-10-21ai-systems2025-10
收集与逆向工程20+ AI工具系统提示：构建统一工具调用与模块化代理
汇总Devin、Cursor、Claude等工具的系统提示，提取工具调用、上下文管理和错误处理模式，帮助构建可靠的模块化AI代理。
2025-10-21ai-systems2025-10
工程化可扩展 RAG：处理 500 万文档的切块策略、混合检索索引与评估指标
从处理超过 500 万文档的生产部署经验中，探讨工程化可扩展 RAG 系统，包括语义保留的切块策略、混合检索索引优化，以及关键评估指标与落地参数。
2025-10-21ai-systems2025-10
使用 Playwright 和 Claude 实现低上下文浏览器自动化
通过 Playwright MCP Server 集成 Claude AI，实现高效浏览器自动化，聚焦低上下文优化，提供工程参数与实践清单。
2025-10-21ai-systems2025-10
将 BERT 工程化为单步扩散解码器：高效文本生成实践
通过将 BERT 的掩码语言模型解释为单步扩散过程，实现高效的文本生成，支持直接采样而无需迭代去噪，提供工程参数与实现指南。
2025-10-20ai-systems2025-10
在 LeRobot 中微调扩散策略：面向灵巧操作的任务稳定性与样本效率优化
探讨使用 LeRobot 框架对扩散策略进行微调，实现端到端学习在机器人硬件上的灵巧操作，重点优化噪声调度、奖励塑造等参数以提升策略稳定性和样本利用率。
2025-10-20ai-systems2025-10
DeepSeek OCR 工程化布局保持文本检测：复杂文档空间层次保留
利用 DeepSeek OCR 实现复杂文档的布局保持文本检测，保留空间层次以提升下游 RAG 和 NLP 管道效率。
2025-10-20ai-systems2025-10
Qwen2.5 推理引擎内核融合与动态量化实现：Nvidia GPU 内存使用减少 82%
通过内核融合和动态量化优化Qwen2.5推理引擎，实现Nvidia GPU内存使用减少82%，并维持吞吐量，适用于大型AI服务。
2025-10-20ai-systems2025-10
Reverse-Engineering-Devin-Cursor-Claude-Prompts-for-Modular-AI-Agents
从 Devin、Cursor 和 Claude 的内部提示中提取工具调用、上下文管理和错误处理机制，指导构建可靠的模块化 AI 代理，包括参数配置和监控要点。
2025-10-20ai-systems2025-10
在 Qwen-VL 中实现动态张量重构和低秩适应以实现高效多模态推理
通过动态张量重构和低秩适应技术，在 Qwen-VL 模型中优化多模态推理，实现 GPU 利用率降低 82%，并提供运行时调度参数和监控要点。
2025-10-20ai-systems2025-10
使用 LeRobot 细调扩散策略实现灵巧操纵
本文探讨如何利用 LeRobot 框架在机器人数据集上细调 Diffusion Policy，支持灵巧操纵任务，并集成真实硬件进行端到端部署。提供配置参数、训练清单和监控要点。
2025-10-20ai-systems2025-10
用端到端学习构建可访问的 AI 机器人：从数据集模仿到强化微调
通过 Hugging Face 的 LeRobot 库，利用端到端学习从演示数据集训练机器人策略，支持硬件无关的政策，并在 PyTorch 中实现真实世界操纵任务的强化微调。
2025-10-20ai-systems2025-10
Modular LLM Chaining for Multi-Turn Podcast Generation in Open-Notebook
在 Open-Notebook 中利用模块化 LLM 链式调用，实现多轮互动播客生成，支持动态上下文传递和响应精炼，提供工程化参数和最佳实践。
2025-10-20ai-systems2025-10
OpenVoice 中基于 VAE 的韵律与情感转移：用于表达性短参考有声书合成
探讨 OpenVoice 通过 VAE 编码和风格令牌实现韵律与情感转移的技术细节，支持无语言特定再训练的表达性有声书合成，提供工程参数与落地指南。
2025-10-20ai-systems2025-10
ebook2audiobook 中的跨语言零样本语音克隆：自动语言检测与口音适应
集成 XTTSv2 实现 ebook2audiobook 的多语言语音克隆，支持 1100+ 语言的自然有声书生成与 fallback 策略。
2025-10-20ai-systems2025-10
集成 PP-OCRv4 布局模块：从复杂扫描 PDF 中提取结构化表格与表单
本文探讨如何将 PP-OCRv4 的布局分析模块集成到 RAG 管道中，从复杂扫描 PDF 中检测并提取表格和表单，使用自适应边界框合并和向量化技术，实现高效的结构化数据处理。提供工程化参数和落地清单。
2025-10-20ai-systems2025-10
Multi-Speaker Voice Cloning Pipeline for Expressive Audiobooks
工程化实现 ebook2audiobook 与 XTTSv2 的多说话者 TTS 管道，处理章节节奏、情感过渡及 1100+ 语言支持，实现最小 artifacts 的 audiobook 合成。
2025-10-20ai-systems2025-10
DeepSeek-OCR 多模态表格提取：布局解析与结构化 JSON 输出
利用 DeepSeek-OCR 的视觉语言融合技术，从复杂文档图像中提取表格，解析布局生成带单元格合并和关系推理的 JSON 结构，适用于 LLM 输入优化。
2025-10-20ai-systems2025-10
使用 DeepSeek OCR 构建低延迟 OCR 推理管道：布局分析、多语言提取与 GPU 批处理
面向可扩展文档处理，集成 DeepSeek OCR 的低延迟推理管道，涵盖布局分析、多语言文本提取及 GPU 批处理优化参数与监控策略。
2025-10-20ai-systems2025-10
MiniMind 中集成旋转位置嵌入：优化因果注意力长序列处理与外推
在 MiniMind 框架中集成 RoPE 以提升小规模 GPT 训练的长序列处理能力，提供外推参数调优和工程实践要点。
2025-10-20ai-systems2025-10
DeepSeek-VL2 多模态 OCR：视觉编码器与 LLM 端到端集成
DeepSeek-VL2 通过 MoE 架构统一训练视觉与语言模型，实现文档端到端 OCR，支持布局分析和多语言提取。提供工程参数、监控要点和部署指南。
2025-10-20ai-systems2025-10
英伟达 Blackwell 在美晶圆生产与芯片let 组装工程
针对多芯片let B200 GPU 的 CoWoS 封装集成，提供本土晶圆生产下的工程参数与供应链弹性策略。
2025-10-20ai-systems2025-10
OpenVoice 零样本跨语言语音克隆工程：音色保留、口音检测阈值与多语言音色迁移
面向 audiobook 合成，提供 OpenVoice 零样本跨语言克隆的音色保留、口音适应阈值及迁移参数工程指南。
2025-10-20ai-systems2025-10
实现 PP-OCRv4 双阶段多语言 OCR 管道：DBNet++ 检测与 SVTR-Lite 识别
基于 PP-OCRv4 构建高效多语言 OCR 系统，聚焦 DBNet++ 旋转文本检测和 SVTR-Lite 轻量识别，实现 <10MB 模型边缘部署。
2025-10-20ai-systems2025-10
用信息论调优 LLM 提示词冗余度生成 DSL 代码
利用熵等信息论指标优化 LLM 提示词的详细程度，在生成 Q/Kdb 等 DSL 可执行代码时，避免简洁输出导致的语法错误，同时控制令牌成本。
2025-10-20ai-systems2025-10
DeepChat 中集成本地日历、邮件和文件 API：TypeScript 隐私保护个人 AI 助手集成
探索在 DeepChat TypeScript 框架下集成本地 API，实现 AI 助手对日历、邮件和文件的隐私访问，无需云服务。提供配置、代码示例和安全实践。
2025-10-20ai-systems2025-10
OpenVoice 零-shot 语音克隆部署：3秒参考音频嵌入提取与实时合成优化
面向即时语音克隆，给出 OpenVoice 嵌入提取、PyTorch serving 部署与低延迟优化的工程参数。
2025-10-20ai-systems2025-10
Skyvern 中视觉 LLM 的自适应提示策略：处理 UI 布局变异的工程实践
Skyvern 通过动态提示精炼和 few-shot 适应，提升视觉 LLM 在不同 UI 布局下的元素选择鲁棒性，提供工程参数和监控要点。
2025-10-20ai-systems2025-10
Tool-Calling Integrations in Claude Cookbook for Agentic AI Workflows
探索 Claude Cookbook 中的工具调用示例，实现代理式工作流，支持动态 API 交互和结构化响应解析，无需外部协调器。提供工程化参数和监控要点。
2025-10-20ai-systems2025-10
OpenVoice 多说话者语气与情绪调制工程实践：有声书适应性合成
基于 OpenVoice TTS 实现多说话者混合的语气和情绪精细控制，针对有声书场景，提供上下文感知的语音合成工程参数与监控要点。
2025-10-20ai-systems2025-10
使用语义嵌入子主题聚类增强 Pyversity RAG 的结果多样化
通过语义嵌入对检索结果进行子主题聚类，结合 Pyversity 的多样化策略，实现查询多方面的平衡覆盖，避免 MMR 贪婪选择的局限，提供工程化参数和实现指南。
2025-10-20ai-systems2025-10
生产 AI 系统中的原子模型交换：零停机替换与版本化检查点同步
面向生产 AI 系统，实现原子模型交换的零停机部署策略，包括版本化检查点同步、双缓冲机制与监控要点。
2025-10-20ai-systems2025-10
全量微调与 PEFT 方法如 LoRA 的效率-泛化权衡
评估全量微调与 LoRA 等 PEFT 方法在计算成本与任务特定泛化方面的权衡，提供 LLM 管道中的工程化参数与监控要点。
2025-10-20ai-systems2025-10
ebook2audiobook 中的多语音融合叙事：克隆语音与韵律控制实现
基于 XTTSv2 在 ebook2audiobook 中实现多角色语音克隆、韵律调整与无缝过渡，构建角色驱动的有声书叙事。
2025-10-20ai-systems2025-10