基于通义大模型的智能客服系统构建实战：从模型微调到API部署
本文详细解析了基于通义大模型的智能客服系统构建全流程，涵盖数据准备、模型微调、性能优化及API部署等关键环节。通过实战案例与代码演示，展示了如何针对客服场景优化训练数据、高效微调大模型、解决部署中的延迟与并发问题，以及构建完整的API服务与监控体系。文章还探讨了性能优化进阶技术，如模型量化压缩和缓存策略，并提供了安全与合规实践建议。最终总结显示，微调后模型意图识别准确率提升14.3%，QPS从12.3提升至86.7，延迟降低74%。
告别文字乱码！全新文生图模型Qwen-Image来咯
通义千问团队开源了Qwen-Image，一个20B参数的MMDiT模型，具备卓越的文本渲染和图像编辑能力。支持复杂中英文文本生成与自动布局，适用于多场景图像生成与编辑任务，已在魔搭社区与Hugging Face开源。
Web渗透-文件上传漏洞-上篇
文件上传漏洞常见于Web应用，因类型限制不严可致恶意文件执行。本文介绍前端检测、MIME类型、黑名单、.htaccess、空格、双写等多种绕过方式，并结合upload-labs靶场演示利用方法，提升安全防护认知。
通义千问API：找出两篇文章的不同
本章我们将介绍如何利用大模型开发一个文档比对小工具，我们将用这个工具来给互联网上两篇内容相近但版本不同的文档找找茬，并且我们提供了一种批处理文档比对的方案
vllm+vllm-ascend本地部署QwQ-32B
本指南介绍如何下载、安装和启动基于Ascend的vLLM模型。首先，可通过华为镜像或Hugging Face下载预训练模型；其次，安装vllm-ascend，支持通过基础镜像（如`quay.io/ascend/vllm-ascend:v0.7.3-dev`）或源码编译方式完成；最后，使用OpenAI兼容接口启动模型，例如运行`vllm serve`命令，设置模型路径、并行规模等参数。适用于大模型推理场景，需注意显存需求（如QwQ-32B需70G以上）。
10行代码，实现你的专属阿里云OpenAPI MCP Server
本文介绍如何用10行Python代码创建专属阿里云OpenAPI MCP Server。针对传统MCP Server工具固化、开发复杂等问题，提出借助alibaba-cloud-ops-mcp-server实现灵活拓展的方案。通过配置服务与API名称，运行简短代码即可生成支持SSE连接的MCP Server。用户无需深入了解阿里云OpenAPI细节，大幅降低开发门槛。未来将探索通用工具设计，实现固定工具调用任意API，进一步提升灵活性与效率。
构建AI智能体：二十三、RAG超越语义搜索：如何用Rerank模型实现检索精度的大幅提升
本文介绍了重排序(Rerank)技术在检索增强生成(RAG)系统中的应用。Rerank作为初始检索和最终生成之间的关键环节，通过交叉编码器对初步检索结果进行精细化排序，筛选出最相关的少量文档提供给大语言模型。相比Embedding模型，Rerank能更精准理解查询-文档的语义关系，显著提高答案质量，降低Token消耗。文章详细比较了BGE-Rerank和CohereRerank等主流模型，并通过代码示例展示了Rerank在解决歧义查询(如区分苹果公司和水果)上的优势。
阿里云百炼产品月刊【2025年11月】
通义千问本月重磅升级：上线10款多模态与语音模型，涵盖ASR、TTS、视觉语言及翻译；MCP市场新增3个云服务，上架24个电商应用模板；推出实训Agent创客活动，助力高效生成电商视觉内容。
