关键词 "学习" 的搜索结果， 共 24 条, 只显示前 480 条
YesChat是一个集成多种先进AI技术的服务平台，提供一站式访问到高级AI技术，如GPT-4o、DALL·E 3和超过200,000个GPT模型。用户基于YesChat与文件进行互动对话，浏览互联网获取实时信息，上传图片进行内容对话，使用DALL·E 3根据文本描述生成图像。YesChat提升用户的效率和创造力，适用于工作、学习和日常生活的各种场景。YesChat提供免费的日常使用额度，为需要更
Flowith是一款创新的画布式AI智能体工具，基于首创的节点式交互方式，使用户能够以多线程和发散式的思维与AI进行互动。该工具由大模型驱动，并支持多种先进的AI模型（如GPT-4、Claude 4等）以及图像生成技术（Midjourney、SDXL），满足不同场景下的需求。用户可以在一个无限画布上自由创建和连接节点，构建个人知识图谱，实现思维的跳跃和发散。Flowith还提供插件系统和社区功能，
BenevolentAI是一家于2013年在伦敦成立的老牌AI制药公司，拥有独特的BenAI Engine技术，该技术成为他们端到端药物发现产品和知识探索的基础工具。 BenevolentAI通过整合尽可能多的跨领域和不同数据类型的数据，包括组学、分子、实验数据、文献、病理学和生物系统，将这些不同的复杂数据源整合在一起，从而使疾病、基因和药物之间组成关联信息（图2）。 图2. Ben
Discover Ukraine's remote tech talent. Skywork是AI Workspace Agents的发起者，利用AI技术提升工作效率，解放您的时间。它可以扫描文档、幻灯片、网页、播客等，提供全面的分析和功能，帮助您节省时间。 需求人群： Skywork适合需要高效处理文档、幻灯片、网页等内容的用户，尤其适合忙碌的专业人士、学生和企业人士。
QRBTF 是 Latent Cat 团队推出的 AI 二维码生成器。基于生成式 AI 技术，结合 ControlNet 和 Stable Diffusion，根据用户输入的关键词和参数生成具有独特风格的二维码。用户能调整控制强度、画面修复比例、尺寸、边距比例、纠错等级等参数，生成既美观又能扫描的二维码。QRBTF 支持 SVG、JPG、PNG 等多种输出格式，适用于品牌营销、数字内容链接和互动体
A free online tool that uses AI to summarize and condense text into key points. TLDR this 是在线文章摘要工具，基于AI技术自动将长篇文本简化为易于理解的摘要。用户输入文章链接或粘贴文本，获得一键式摘要服务，摘要的长度根据用户的需求进行调整。TLDR this提供浏览器扩展，支持元数据提取和无干扰阅读体验，帮
仲景中医大语言模型（CMLM-ZhongJing）由复旦大学和同济大学联合开发，借鉴人类记忆的过程，通过对中医方药数据的深度学习与推理，建立的一个基于大语言模型的中医诊疗辅助系统。
一个学习 提示词 的网站，有 ChatGPT，Midjourney 的提示词教程、技巧等，他在右上角有中文语言的选择，教程非常详尽
豆包是字节跳动公司基于云雀模型开发的AI工具，提供聊天机器人、写作助手以及英语学习助手等功能，它可以回答各种问题并进行对话，帮助人们获取信息，支持网页 Web 平台, Windows/macOS 电脑版客户端，iOS 以及安卓平台。
上海交通大学清源研究院的研究人员提出了PathoDuet框架，针对病理切片图像的特点，设计了跨尺度定位和跨染色迁移两个预训练任务，有效利用了图像放大倍数和染色方式之间的关联性。PathoDuet在结直肠癌分型和免疫组化标记物表达预测等任务中优于现有方法。此外，通用病理基础模型UNI[39]在超过100万张诊断切片上进行了大规模无监督学习，并在34个任务中展现了卓越的性能。该模型支持分辨率无关分类、
中国科学院深圳先进技术研究院的团队提出了MaCo，通过引入掩蔽对比学习，同时实现了胸部X光图像的细粒度理解和零样本学习。MaCo在6个公开的胸部X光数据集上验证了其效果，在分类、分割、检测等多个任务中超越了10种现有的最先进方法
通用病理基础模型UNI在超过100万张诊断切片上进行了大规模无监督学习，并在34个任务中展现了卓越的性能。该模型支持分辨率无关分类、少样本学习等，并具备对108种癌症类型的泛化分类能力。
我们见证了许多新型特征提取器的出现，它们使用自监督学习在大型病理数据集上进行训练。本存储库旨在提供这些模型的完整列表以及它们的关键信息。
MAPS（用于空间生物学中蛋白质组学分析的机器学习），这是一种机器学习方法，能够从空间蛋白质组学数据中快速、精确地识别细胞类型，并达到人类水平的精度。经多个内部和公开的 MIBI 和 CODEX 数据集验证，MAPS 在速度和精度方面均优于现有的注释技术，即使对于通常具有挑战性的细胞类型（包括免疫来源的肿瘤细胞），也能达到病理学家级别的精度。通过实现快速部署和可扩展的机器学习注释的普及，MAPS
基于深度学习的组织学和基因组学多模态整合，以改善癌症起源预测
组织病理学图像评估对于癌症诊断和亚型分类至关重要。用于组织病理学图像分析的标准人工智能方法专注于优化针对每个诊断任务的专门模型 。尽管此类方法已取得一些成功，但它们对由不同数字化协议生成的图像或从不同人群采集的样本的普遍性通常有限。在此，为了应对这一挑战，我们设计了临床组织病理学影像评估基础 (CHIEF) 模型，这是一个通用的弱监督机器学习框架，用于提取病理影像特征以进行系统的癌症评估。CHIE
开发能够学习通用且可迁移的 H&E 千兆像素全切片图像 (WSI) 表征的自监督学习 (SSL) 模型，在计算病理学中正变得越来越重要。这些模型有望推进诸如小样本分类、切片检索和患者分层等关键任务。现有的切片表征学习方法通常通过将切片的两个不同增强图像（或视图）对齐，将 SSL 的原理从小图像（例如 224x224 的图像块）扩展到整张切片。然而，最终的表征仍然受限于视图有限的临床和生物多样性
此开源项目旨在完全从0开始，仅用3块钱成本 + 2小时！即可训练出仅为25.8M的超小语言模型MiniMind。 MiniMind系列极其轻量，最小版本体积是 GPT-3 的 1/7000，力求做到最普通的个人GPU也可快速训练。 项目同时开源了大模型的极简结构-包含拓展共享混合专家(MoE)、数据集清洗、预训练(Pretrain)、监督微调(SFT)、LoRA微调， 直接偏好强化学习(DPO
LangChain for Java：利用 LLM 的强大功能增强你的 Java 应用程序 LangChain4j 的目标是简化 LLM 与 Java 应用程序的集成。 方法如下： 统一的 API： LLM 提供商（例如 OpenAI 或 Google Vertex AI）和嵌入（向量）存储（例如 Pinecone 或 Milvus）使用专有 API。LangChain4j 提供统一
开发者路线图roadmap.sh是一个社区努力创建路线图、指南和其他教育内容，以帮助指导开发人员选择道路并指导他们的学习。Github上有超过31万个星。
Go 开发者路线图，是GO开发者的学习资料库
React学习的资料库，十分全面系统
AspNetCore的学习路线图，有大量的资料库。在github上约2万个星星
skyreels-极速短视频制作软件,智能AI技术,文字转短视频,一键生成小说推文视频,逼真视频.自媒体及个人可以高效快速智能的制作生动有趣的短视频作品，号称能连续生成长视频。 昆仑万维SkyReels团队正式发布并开源SkyReels-V2——全球首个使用扩散强迫（Diffusion-forcing）框架的无限时长电影生成模型，其通过结合多模态大语言模型（MLLM）、多阶段预训练（Multi-
只显示前20页数据，更多请搜索
Showing 1 to 24 of 132 results
