人工智能

首页 标签 人工智能
# 人工智能 #
关注
98275内容
|
10小时前
|
阿里云 2026 年双十一最新 FAQ:主会场入口在哪,代金券如何领取
很多用户分不清领券渠道、券的适用范围,经常出现找不到入口、领到券之后无法抵扣、低价套餐不能叠加优惠券等问题。本文整理了全部官方领券入口、领取步骤、券种分类、抵扣规则、控制台查券方法,附带可直接执行的查询命令,新用户、老用户、企业用户都可以对照操作,合理领券下单,拿到最优采购价格。
|
10小时前
|
A Survey of LLM-based Text Privacy and Anonymization Methods |LLM 文本隐私与匿名化方法综述 |arxivreview
大语言模型(LLM)在云端应用的广泛部署,使得用户输入中的个人可识别信息(PII)面临前所未有的泄露风险,早期依赖规则或命名实体识别的静态掩码方法因破坏文本自然度且缺乏形式化保证而逐渐失效。随着模型推理能力的增强,隐私保护的核心矛盾从单纯的标识符去除,演变为在语义重写、任务效用与合规性之间寻找动态平衡的复杂优化问题。研究者通过引入局部差分隐私(LDP)提供数学边界,利用上下文完整性(CI)理论重构隐私决策逻辑,并针对代理式 AI 开发动态对齐机制,形成了多元并存的技术路线。各路线在表示质量、适应效率与计算成本之间做出了不同取舍,由此形成当前从静态清洗向内生对齐演进的领域格局
|
10小时前
|
A Survey of LLM-based Job Matching and Skill Extraction |LLM驱动的人岗匹配与技能抽取综述 |arxivreview
基于大语言模型(Large Language Models, LLMs)的人岗匹配与技能抽取旨在解决传统招聘系统在处理简历异构性与深层语义时的局限。早期研究依赖关键词匹配,虽高效但泛化能力差,难以捕捉候选人资格与职位要求的复杂契合度。随着LLM的成熟,研究范式从浅层特征工程转向端到端语义理解,显著提升了结构化信息抽取的准确率。然而,LLM的高推理延迟与潜在偏见成为工业部署的主要瓶颈,迫使研究者引入蒸馏技术与因果公平性审计。当前领域正聚焦于构建可解释、低延迟且符合法律合规的招聘系统,以平衡语义深度与计算成本。各路线在效率、精度与公平性之间做出了不同取舍,由此形成当前多元并存的方法格局。
|
10小时前
|
阿里云 2026 年双十一最新新手攻略:活动入口查找、活动内容解读,一键参与教程
每年双十一都是阿里云全年优惠力度最高的云上采购节点,很多开发者、建站爱好者、中小企业都会趁着这个时段采购云算力、AI大模型服务、数据库和存储资源。不少刚接触阿里云大促的朋友,最先遇到三个核心疑问:官方 轻量应用服务器、ECS 云服务器、GPU 云服务器、百炼大模型服务平台 、云数据库、OSS 对象存储、无影云电脑 、阿里云免费试用 活动入口在哪里、本次大促包含哪些优惠内容、新注册用户和存量老用户分别该如何参与活动。
|
10小时前
|
A Survey of LLM-based Program Synthesis and Verification |LLM驱动的程序合成与形式化验证综述 |arxivreview
传统形式化验证因规格编写成本高昂而难以在大规模软件中普及,大语言模型(LLM)在代码生成上的突破为自动化规格推断提供了新路径。早期研究将LLM视为代码补全工具,验证仅作为后验测试,核心痛点在于语法与基本功能错误。随着跨域基准暴露出LLM幻觉导致的逻辑错误,研究者引入形式化验证器作为“真理裁判”,确立了“生成-验证-修复”闭环范式。各路线在表示质量、适应效率与计算成本之间做出了不同取舍,由此形成当前神经符号融合的方法格局。本综述梳理这条从概率直觉到逻辑必然的因果演进链条,为读者提供一张领域认知地图。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作。
|
10小时前
|
A Survey of LLM-Driven Data Visualization Generation and Evaluation |LLM驱动数据可视化生成与评估综述 |arxivreview
LLM驱动的数据可视化生成旨在将自然语言查询转化为直观洞察,其核心价值在于降低非专家用户的数据探索门槛并提升分析效率。早期研究依赖基于规则的静态推荐系统,思路严谨却受制于语义理解的灵活性瓶颈,难以应对多样化的长尾查询需求。随着多模态大语言模型(MLLMs)的兴起,研究范式从规则驱动转向数据驱动,核心矛盾聚焦于生成灵活性与数据保真度之间的张力。为克服单模型在长程任务中的幻觉与逻辑断裂,领域逐步演进至多智能体协作架构,并通过引入形式化逻辑规则或中间表示来约束生成过程,以换取系统可靠性。评估体系亦同步从静态结构匹配转向基于人类美学偏好的多维对齐,形成了生成与评估相互驱动的闭环。
|
10小时前
| |
2026 年双 11 阿里云活动入口在哪?通义千问 Qwen3.8-Flash 优惠折扣和选型解读
Qwen3.8-Flash是通义千问3.8系列主打高吞吐、高性价比的MoE模型,支持最高百万Token超长上下文窗口,兼顾推理速度与成本优势,适合RAG知识库、轻量智能体、批量文档处理、日常代码辅助等场景,也是本次2026阿里云双十一百炼平台主推的性价比款模型。和定位深度复杂推理的Qwen3.8-Max不同,Qwen3.8-Flash的原生单价更低,同时同步开放按量节省计划、Token Plan订阅抵扣、Night Plan夜间4折、上下文缓存折扣、新用户免费额度多重优惠,两套计费通道相互独立,优惠规则不能互通混用,很多开发者容易混淆两套体系的消耗倍率、折扣生效条件。
|
10小时前
|
A Survey of LLM Agents for Clinical Decision Support |大语言模型智能体在临床决策支持中的应用综述 |arxivreview
大语言模型智能体(LLM Agent)正重塑临床决策支持(CDS)的技术范式,其核心价值在于突破传统规则引擎对非结构化数据与复杂多步推理的局限。早期研究聚焦于静态知识问答,通过思维链(Chain-of-Thought, CoT)提升单轮诊断的准确性,但难以应对真实临床中信息缺失与动态交互的挑战。当静态基准暴露出模型在长程状态管理与工具调用上的短板后,研究重心转向交互式诊断与多智能体协作,用主动探索与角色分工换取决策的鲁棒性。各路线在推理深度、计算成本与安全性之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从静态问答到自主代理的因果演进链条,为读者提供一张领域认知地图。
|
10小时前
|
A Survey of LLM Human Behavior Simulation and Decision-Making Methods |LLM人类行为模拟与决策制定方法综述 |arxivreview
大语言模型(LLM)人类行为模拟旨在以低成本、高并发的计算代理替代昂贵且周期长的人类实验,其核心价值在于缓解社会科学研究中数据获取成本高企与规模化验证需求之间的张力。早期研究聚焦于定性复现经典行为经济学实验中的认知偏差,验证了模型作为“硅基样本”的可行性,但很快暴露出输出同质化与长时程行为漂移的局限。当标准化基准如 SimBench 和 OmniBehavior 引入分布保真度与跨场景一致性指标后,研究重心从“是否像人”转向“分布一致性”与“因果效应校准”。各技术路线在通用性、特异性、计算成本与可解释性之间做出了不同取舍,由此形成当前基准构建、方法优化与理论评估多元并存的格局。
|
10小时前
|
Qwen3.8-Max 是什么?阿里云旗舰大模型功能、适用场景、计费方案说明
在大模型应用持续走向工程化、专业化的阶段,复杂长任务、多模态信息融合、自主智能体编排已经成为衡量旗舰模型的核心标准。阿里云推出的Qwen3.8-Max作为通义千问系列旗舰基座模型,面向智能体应用、专业办公、工程开发、金融法律等高复杂度场景优化,依托MoE混合专家架构,在推理深度、编码质量、超长文档理解、原生视觉解析上形成综合能力优势,同时配套Token Plan订阅计划,为个人开发者、独立工作室以及中小企业提供标准化、可预估成本的调用方式。本文将从模型定位、核心特征、各项能力、典型适用场景、订阅与计费价格几个维度完整介绍Qwen3.8-Max,帮助使用者判断是否匹配自身业务需求,合理选择订阅档
免费试用