登录社区云，与社区用户共同成长
邀请您加入社区
（交集相似度度量）：对于每个客户端。
摘要： 上海交通大学团队开发了多语言医疗大模型MMed-Llama3，构建了包含6种语言、255亿tokens的医疗语料库（MMedC）及多语言评测基准（MMedBench）。该模型在医疗问答任务中准确率达67.75%，性能媲美GPT-4，显著优于同类开源模型。研究通过领域自适应预训练和指令微调，提升了模型的多语言能力和解释合理性，并开源资源以促进全球医疗AI发展。成果有望缓解医疗资源不均和语言障
B站学习资料：
B站学习链接：1.2.CSDN学习链接：
底层架构方面，Qwen3-Omni首次实现文本、图像、音频和视频的统一高性能处理。Orcust框架通过创新奖励模型提升了GUI交互效率；V2V-GoT提出协同自动驾驶新架构。行业应用方面，ClassMind系统实现AI课堂观察，医疗领域则探索MLLM的病灶定位能力。模型训练策略涌现TACTFL联邦学习框架和COLA测试时自适应方法。多项基准测试发布，包括听觉知识评估AuditoryBench++、
gji。
基于 LayoutDM 的 Transformer backbone（4 层、16 heads、FFN=2048、embedding=512/1024），+ 两个 FNN 编码/解码元素；（Discrete Diffusion）：通过逐步生成离散元素，能保持部分对齐性，但缺乏全局调整能力；：7.2 万 UI 布局，9.7k app，27 类 → 仅取 25 类频繁类，pad 至 25。ci：元素类
面对数字媒体技术课程中学生基础差异大、技术更新快、传统教学“一刀切”等痛点，该论文提出以人工智能大模型为核心，构建个性化教学路径。作者系统分析了数据隐私、模型专业性不足、教师角色转型三大现实困境，并从安全数据管理、专业模型适配、人机协同教学三个维度提出优化方案，为数字媒体教育的人机协作新模式提供了理论支撑与实践路径。
论文 “基于深度学习的ROP分型检测：1型/2型/急进型（Automated detection of type 1 ROP, type 2 ROP and A-ROP based on deep learning）”。通过深度学习方法实现了对早产儿视网膜病变关键类型的自动、准确分类，尤其在 Type 2 与 Type 1/A-ROP 的区分上表现卓越。结合ROI提取与CNN模型，展示了AI在RO
在Agent方面，WebGen-Agent和Labeling Copilot分别提出网站生成和数据标注的创新框架。训练数据相关研究包括DeeptraceReward视频伪造检测数据集、MesaTask桌面场景生成数据集等。训练策略方面，SPARK和GCPO分别优化强化学习与图像生成。行业应用领域涉及TrueGradeAI考试评估系统、HyCoVAD视频异常检测等实用解决方案。
讨论部分难写在，不仅要“叙”-概括自己的结果，更重要的是“议”-把自己的结果和已知文献结论进行对比，体现你对文献的归纳总结、对实验结果的分析解释以及对研究领域理解的广度和深度。但是，相比之前的1.0版本，有了AI的初稿，可以帮我们节省6-70%的工作量。总的来说，除了第二步需要自己根据AI给出的初稿进一步加工，让讨论部分更深入全面，第一步和第三步现在的大模型在升级版提示词提示下，完成的更好了。AI
实战中发现，自动生成的代码在CCS工程里会带着"ert_"前缀的注释块，这些其实是代码生成器的标记。在玩转直流无刷电机控制时，TMS320F28335这颗DSP芯片绝对是老司机的首选。主控芯片dsp tms320f28335，基于Matlab Simulink开发的嵌入式模型，模型可自动生成ccs工程代码，生成的代码可直接运行在主控芯片中。主控芯片dsp tms320f28335，基于Matlab
今天咱们来拆解一套基于C2000的DSP数字电源方案，这个支持10-75V超宽电压范围还能双向跑的家伙有点意思。先看硬件架构，功率拓扑用的是四开关Buck-Boost结构，配合电流互感器和电压分压网络做双重采样。这套方案的开发资料还算良心，AD格式的原理图可以直接导出BOM，但控制板得自己魔改。最后提个醒，源码里的补偿网络参数需要根据实际电感参数调整，别直接烧录默认值，不然环路震荡起来堪比蹦迪现场
这篇综述论文探讨了大模型(LLMs)在网络安全领域的应用，涵盖300+篇论文、25个模型和10个应用场景。文章主要研究三个问题：网络安全领域LLMs的构建、应用及面临的挑战。首先介绍了开源和闭源LLMs的特点，强调代码类LLM更适合安全任务。随后详细分析了LLMs在威胁情报、漏洞检测、恶意软件分析等10个安全场景的应用。论文还系统阐述了构建网络安全领域LLM的方法：从基础模型选择、评估指标(安全知
数据特性层面：当面临数据量匮乏、标注成本高昂、数据分布偏移或类别比例失衡等情况时，可探索小样本学习、数据合成、领域自适应等方向。模块改进方面：在经典网络（如ResNet、Transformer、LSTM）中融入注意力机制、门控机制、动态卷积等，以此提升特征提取与表示的能力。架构融合方面：将不同类型的网络进行融合，例如CNN与Transformer结合、图神经网络与时序模型结合，实现多维度的建模。新
本文研读了论文DEPSRAG系统，利用多智能体框架实现自动化依赖管理。系统通过构建知识图谱（KG）整合依赖关系数据，采用RAG（检索增强生成）技术增强LLM在依赖分析中的时效性和准确性。核心创新包括：1）Agent-Critic机制实现自我纠错；2）任务分解为依赖图构建、关键包识别和漏洞查询三个子任务；3）LLM最小化原则（确定性任务由程序直接处理）。实验表明，Critic机制使回答准确率提升3倍
