与「model」相关的搜索结果

Get 2 years of FREE Google AI Pro! 🤩 Access to latest gemini models along with youtube premium for free. 🔥 RT & Comment "Google AI Pro" and will DM you the details 👇

Dario looks just like Cesare Borgia. He has been fabricating stories from the very beginning, trying to frighten society, manipulate public opinion, and force the U.S. government to regulate AI. His political allies will then help Anthropic use regulation as a knife to kill open-source models, so they can achieve an oligopoly. To that end, he is even willing to team up with Altman—first eliminate everyone else. The biggest threat to Dario is Jensen Huang, who supports open-source models, and Nvidia is also about to release its own open-source model. The second threat is China’s open-source models. This is why Dario uses the scare tactic that “AI will destroy humanity.” He even wants to turn AI into a religion. All religions originate from fear—they need an apocalypse to terrify the believers. Because the Republicans are vigorously developing AI, the Democrats have turned around and started demanding limits and regulation on AI, using it as a political weapon to attack Trump and the Republican Party. This is the American political-business game. Have you learned it? ---

Dario looks just like Cardinal Richelieu. He has been fabricating stories from the very beginning, trying to frighten society, manipulate public opinion, and force the U.S. government to regulate AI. His political allies will then help Anthropic use regulation as a knife to kill open-source models, so they can achieve an oligopoly. To that end, he is even willing to team up with Altman—first eliminate everyone else. The biggest threat to Dario is Jensen Huang, who supports open-source models, and Nvidia is also about to release its own open-source model. The second threat is China’s open-source models. This is why Dario uses the scare tactic that “AI will destroy humanity.” He even wants to turn AI into a religion. All religions originate from fear—they need an apocalypse to terrify the believers. Because the Republicans are vigorously developing AI, the Democrats have turned around and started demanding limits and regulation on AI, using it as a political weapon to attack Trump and the Republican Party. This is the American political-business game. Have you learned it? ---

一篇论文了解决策模型的训练《Towards Foundation Decision Models: Drex》 决策模型在很多场景比如分类、路由等任务上很有用，没有当时 Jev 刚出来吹的那么神，但是可以落地应用。 和传统的 BERT 比起来就是用 LLM 做backbone，知识容量和能力大幅提升。

一篇论文了解决策模型的训练《Towards Foundation Decision Models: Drex》 决策模型在很多场景比如分类、路由等任务上很有用，没有当时 Jev 刚出来吹的那么神，但是可以落地应用。 和传统的 BERT 比起来就是用 LLM 做backbone，知识容量和能力大幅提升。 话说这个论文的插图，我很怀疑是gpt生成的。

@MKBHD It will be available nationwide, as we receive regulatory approval. But the monthly fee is too high. Should match the cost of Tesla FSD and connectivity for other models, which is more like ~$115/month.

建议收藏，用到时照着做。做完你能让 DeepSeek 自己决定“要不要调用你写的函数”，并把结果用人话讲回来。 AI 能查天气、查订单，是它自己去查的吗？DeepSeek 官方一句话拆台：模型本身不执行任何函数 这是 DeepSeek 官方 API 文档里 Tool Calls（工具调用）一页。先说结论： 官方原话是，函数要由你自己提供，模型本身不执行具体函数。它只负责说“我想调这个函数、参数是这些”，真正去跑的是你的代码。 先说清词。 工具调用（Tool Calls），是让模型能用外部工具的功能，比如查天气、查数据库。 函数（function），是你自己写好的一段代码，模型只会“点名”它。 tool_call_id（工具调用编号），是模型每次点名时附带的一个号码，你回传结果时要带上它，模型才知道你在回答哪一次。 strict 模式（严格模式，Beta 测试版），是让模型点名时严格按你定义的格式填参数。 一个真实例子：官方示例问“杭州天气怎么样”，模型返回的是 get_weather 这个函数和参数 location 等于杭州，你的代码去查到“24℃”，再交给模型，模型才说“杭州现在 24 度”。 先把话说全： 官方示例用的是非思考模式，请求里加 extra_body 把 thinking 的 type 设成 disabled。 官方写明：从 DeepSeek-V3.2 开始，思考模式下也能用工具调用，细节看官方 Thinking Mode 一页。 官方写明：Chat Completion 接口不支持在对话中间插入不是模型生成的工具调用，要插的话请改用 Anthropic API 或 Responses API。 strict 模式目前是 Beta，要用测试版地址。 一、先看懂整个流程 官方给的执行流程是四步：用户问杭州天气；模型返回要调用 get_weather，参数是杭州；你的代码真的去调用 get_weather，把结果交给模型；模型用自然语言回答“杭州现在 24 度”。 二、照官方示例做一遍 第一步：去 DeepSeek 开放平台拿一个 API key，电脑装好 Python 和 openai 库。 第二步：创建客户端，base_url 写 DeepSeek 官方接口地址（官方文档第一屏就有），api_key 填你的。 第三步：写 tools 清单。每个工具包含 type 等于 function，再写 name（函数名）、description（描述，告诉模型什么时候用）、parameters（参数）。官方示例的函数叫 get_weather，描述是“获取某地天气，用户须先提供地点”，参数 location 是字符串，并且在 required 里。 第四步：发第一次请求，model 官方示例写 deepseek-flash，把 messages 和 tools 一起传，并加上 thinking 关闭的设置。 第五步：从返回里取 tool_calls 的第一项，先把模型这条消息原样追加进 messages。 第六步：你的代码去执行函数，再追加一条 role 是 tool 的消息，带上刚才的 tool_call_id，content 写结果，官方示例写的是 24℃。 第七步：再发一次请求，这次模型就会用自然语言回答。 三、想要更稳：strict 严格模式 第八步：base_url 改成官方文档里写明的 beta 版接口地址（就是原地址后面加 /beta）。 第九步：每个 function 都加上 strict 等于 true。 第十步：服务器会检查你的 JSON Schema（结构说明），格式不合规或用了不支持的类型，会直接返回错误信息。 官方支持的类型是：object、string、number、integer、boolean、array、enum、anyOf，另外 $ref 和 $def 可以复用和做递归。 四、strict 的硬规矩 对象里所有属性都必须写进 required，并且 additionalProperties 必须设成 false。 字符串可以用 pattern（正则）和 format，官方列出的格式有 email、hostname、ipv4、ipv6、uuid，但不支持 minLength 和 maxLength。 数字支持 const、default、minimum、maximum、exclusiveMinimum、exclusiveMaximum、multipleOf。 数组不支持 minItems 和 maxItems。 五、看到什么算成功 第一次返回的是函数点名，不是答案；第二次返回的才是自然语言答案，内容里有你的函数结果。 六、卡住怎么办 strict 报错：先检查是不是漏写 required 或忘了 additionalProperties 设 false，再检查有没有用到 minLength、maxItems 这类官方不支持的写法。 结论：工具调用不是模型替你干活，而是模型“点名”、你的代码“动手”。想让点名更准，就用 strict。把这条复制链接发给他，下次他说 AI 查不到东西，先让他确认函数是不是自己写了。 你卡在第几步？评论区告诉我。同系列前几篇在我主页。 收藏版：5 步速查 一、tools 里写清函数名、描述、参数 二、第一次请求拿到 tool_calls 三、自己执行函数，回传 role 为 tool 的消息并带 tool_call_id 四、第二次请求拿到自然语言答案 五、想更稳就用 beta 地址加 strict 等于 true 常见坑 3 条 一、以为模型会自己执行函数，其实要你的代码去跑。 二、回传结果忘了带 tool_call_id。 三、strict 里漏了 required 或 additionalProperties 设成 false。 复制即用提示词：我想让模型调用一个叫 你的函数名 的函数，它需要这些参数：写参数。请帮我写出符合 DeepSeek Tool Calls 格式的 tools 清单，每个参数都写 description，并改成 strict 模式需要的写法。 S1哥观点：这篇最狠的地方，是官方把话挑明了：模型不执行函数，只负责点名。很多人以为 AI 在后台自己动手，其实动手的永远是你的代码。 真正的信号是：工具调用的难点不在模型，在你把函数描述写得多清楚。就像派活给新人，说明写得含糊，他再聪明也会点错人。 你现在想让 DeepSeek 调用的是什么，查数据还是发消息？评论区告诉我。 今天送：DeepSeek 工具调用速查卡，评论区第一条直接拿。 参考：DeepSeek 官方 API 文档 Tool Calls（S1哥 整理）

大家都知道LLM，那SLM呢？ 小语言模型的三种主流构建方法 1. 知识蒸馏（Knowledge Distillation） 基于“教师-学生”框架迁移大模型能力， 代表模型有 DistilGPT、TinyLLaMA。 2. 从头轻量化训练（Training from Scratch） 设计轻量架构并在中等规模语料上独立训练， 代表模型有 MiniBERT、ALBERT. 3. 模型压缩技术（Model Compression） 在现有架构上通过剪枝、量化 或低秩分解缩减体积并保留性能

not all crypto rewards are created equal. when a platform advertises yield, i think the first thing to check is what holders actually receive and where that value comes from. @RebateLaunch has an interesting approach to this. instead of paying holder rewards in newly issued $rebate, eligible holders receive payouts in the pair asset. on robinhood chain, that's usdg. the platform reports: → $28.5k distributed to holders. → 120,403 individual payouts. → rewards sent several times throughout the day. → no staking or manual claiming required. but the reward distribution is only one part of the model. rebate pad also uses a declining launch tax to address early sniping. → 99% during the initial stage. → 66% in the next stage. → 33% in the following stage. these penalties go into a locked treasury that supports the buyer bonus mechanism. separately, the 0.7% platform fee is used to buy $rebate from the market and burn it. the reported cumulative burn has reached 35.3m tokens, representing 3.53% of the original 1 billion supply. what makes this model worth examining is how several mechanisms connect: ✦ early launch activity contributes to the treasury. ✦ the treasury supports buyer bonuses. ✦ trading fees fund holder payouts and the $rebate buyback-and-burn mechanism. my perspective is that paying rewards in the pair asset is an interesting distinction because holders aren't simply receiving more of the same token. however, attractive payout numbers alone don't prove sustainable yield. trading volume, fee generation, treasury health and long-term user activity still matter. i'd rather evaluate the source of rewards than focus only on the advertised percentage. also, round 3 of the creator campaign closes november 17 at 22:00 utc. the real question is whether rebate pad can maintain this economic cycle as adoption grows. $rebate

让 AI 参与软件设计，难点不只在生成方案，还在避免它被前面对话带偏。Elephant-Goldfish Model 把两件事拆开：Elephant 带着项目上下文起草规格，Goldfish 在看不到早先对话的新上下文里审查假设与风险。 这套设计把“生成”和“挑错”隔离，减少上下文惯性；技能拆分、多个审查阶段，也方便按需接入不同编码助手。代价是审查依赖能创建新子代理的环境，且不能替代测试和人工判断。