当前位置: 首页 > news >正文

ReSearch:强化学习赋能大模型,推理与搜索的创新融合

ReSearch:强化学习赋能大模型,推理与搜索的创新融合

大语言模型(LLMs)的推理能力不断提升,却在与外部搜索结合处理复杂问题时遇阻。本文提出的ReSearch框架,借助强化学习让LLMs学会将搜索融入推理,无需推理步骤的监督数据。实验效果惊艳,快来一探究竟它如何突破困境、提升性能!

论文标题
ReSearch: Learning to Reason with Search for LLMs via Reinforcement Learning
来源
arXiv:2503.19470v2 [cs.AI] + https://arxiv.org/abs/2503.19470

代码

https://github.com/Agent-RL/ReCall

PS: 整理了LLM、量化投资、机器学习方向的学习资料,关注同名公众号 「 亚里随笔」 即刻免费解锁

文章核心

研究背景

在当今人工智能领域,大语言模型(LLMs)取得了显著进展,它不仅能依靠自身内部知识,还能借助外部搜索工具检索信息,检索增强生成(RAG)技术也因此备受关注。然而,LLMs在实际应用中仍面临挑战。一方面,许多现实问题复杂,需要多步推理,可设计有效的多步RAG策略却很困难。另一方面,现有多步RAG方法依赖手动提示或启发式规则,扩展性差,且标注推理步骤成本高。此外,强化学习虽能提升推理能力,但在结合推理与外部知识检索方面探索不足。

研究问题

  1. 训练LLMs在信息检索时进行交互式推理是研究难题,现有多步RAG方法多依赖手动设计提示或启发式规则,不仅费力,对更复杂问题还缺乏扩展性。

  2. 在多步RAG框架中标注推理步骤,成本高且耗时,实际操作困难。

  3. 目前基于强化学习提升LLMs推理能力的方法,大多聚焦内部推理,对推理与外部知识检索的有效结合探索不足。

主要贡献

1. 创新框架设计:提出ReSearch框架,将搜索操作视为推理链的一部分,通过强化学习训练LLMs基于文本思考决定何时及如何搜索,且无需推理步骤的监督数据,这与以往方法显著不同。

2. 模型训练与效果验证:在不同规模的Qwen模型上训练ReSearch,在多跳问答基准测试中,相比基线模型有显著性能提升,且仅在一个数据集上训练就能在多个基准测试中表现良好,展现出强大的泛化能力。

3. 推理能力激发:分析训练过程发现,ReSearch能自然激发LLMs的反思和自我纠正等高级推理能力,且不依赖预定义的启发式规则。

方法论精要

在探索大语言模型(LLMs)与外部搜索高效协同的道路上,ReSearch提出了一套别具一格的方法体系,核心在于将搜索操作巧妙融入推理过程,借助强化学习让LLMs自主学会合理运用搜索进行推理。

1. 核心算法/框架: 采用 Group Relative Policy Optimization(GRPO)算法训练 LLMs。在这个框架中,推理链由文本思考(<think></think>)、搜索查询(<search></search>)和检索结果(<result></result>)组成,搜索操作与文本思考相互作用。

2. 关键参数: GRPO算法中有几个关键参数起着至关重要的作用。裁剪比率(ϵ)防止模型在训练过程中“跑偏”,确保训练的稳定性;KL散度系数(β)避免模型策略偏离参考策略太远,保证模型在优化过程中始终保持一定的“稳健性”。这些参数相互配合,共同引导LLMs在训练中不断优化推理与搜索的协同策略。

3. 创新性技术组合: ReSearch的创新之处在于,将搜索操作深度嵌入推理链中。在这个推理链里,不仅有文本思考(用标记),还有搜索查询(<search></search>)和检索结果(<result></result>)。模型会根据前面文本思考的内容,决定何时进行搜索以及搜索什么内容,而搜索结果又会反过来影响后续的文本思考。在计算损失时,ReSearch会对检索结果进行mask处理,避免训练策略偏向检索结果。

4. 实验验证: 使用四个多跳问答基准测试数据集:HotpotQA、2WikiMultiHopQA、MuSiQue 和 Bamboogle。选取两个简单基线(No RAG 和 Naive RAG)以及两个改进多步 RAG 的方法(Iter - RetGen 和 IRCoT)进行对比。这样选取是因为涵盖了直接生成答案、简单检索生成和先进多步 RAG 策略等不同类型,能全面评估 ReSearch 的性能。

实验洞察

性能优势: 在多个多跳问答基准测试中,ReSearch的表现远超各类基线模型。具体数据如下:

  • 对于Qwen2.5-7B模型,在衡量回答与正确答案完全匹配程度的Exact Match指标上,相比表现最佳的基线模型,平均提升幅度高达15.81%。在使用LLM-as-a-Judge这种借助其他大语言模型来评判答案正确性的指标中,其平均提升更是达到17.56%。
  • Qwen2.5-32B模型同样表现出色,在Exact Match指标上平均提升14.82%,在LLM-as-a-Judge指标上平均提升15.46% 。这表明ReSearch能让模型在不同规模下,都更精准地应对复杂问题,给出高质量答案。

动态性分析: 在训练ReSearch模型的过程中,能观察到模型在推理和搜索策略上的有趣变化:

  • 响应长度变化:整体而言,模型的响应长度呈增长态势。以32B模型为例,训练初期因其内部储备知识丰富,倾向于依赖自身生成知识来作答,使得响应较长。随着训练推进,在奖励信号的指引下,模型更多地借助搜索获取信息,响应长度先有所缩短,随后又因对搜索和推理配合的熟练运用而再次变长。
  • 搜索操作次数增加:训练期间,模型的搜索操作次数不断增多。这意味着模型逐渐掌握了通过多次迭代搜索来收集信息的技巧,以应对复杂多跳问题,提升问题解决效率。

消融研究: 为探究ReSearch框架各组件的作用,研究人员开展了消融实验,从多个关键指标进行分析:

  • 模型行为调整:实验发现模型能够依据奖励信号灵活调整推理和搜索行为。当得到积极奖励时,会强化当前策略;反之,则尝试改变策略,证明奖励机制能有效引导模型优化。
  • 指令调整的优势:对比不同模型,经过指令调整的模型在训练初期就能获得更高奖励,后续性能提升也更为显著,体现了指令调整对模型训练的积极作用。
  • 综合指标验证:通过对响应长度、搜索操作次数、训练和验证奖励等指标的综合分析,充分验证了ReSearch框架中各组件在提升模型性能方面的有效性,它们相互协作,共同促进模型能力的提升。

相关文章:

ReSearch:强化学习赋能大模型,推理与搜索的创新融合

ReSearch&#xff1a;强化学习赋能大模型&#xff0c;推理与搜索的创新融合 大语言模型&#xff08;LLMs&#xff09;的推理能力不断提升&#xff0c;却在与外部搜索结合处理复杂问题时遇阻。本文提出的ReSearch框架&#xff0c;借助强化学习让LLMs学会将搜索融入推理&#xf…...

python的selenium操控浏览器

咱们以操控谷歌浏览器为例子 各系统谷歌浏览器及其工具最新版本下载地址 Chrome for Testing availability 查看谷歌浏览器版本 设置->关于Chrome->查看当前谷歌浏览器版本 下载与谷歌浏览器版本对应的chromedriver 注意&#xff1a;与谷歌浏览器版本一模一样的不一定…...

1、PLC控制面板 - /自动化与控制组件/plc-control-panel

76个工业组件库示例汇总 PLC控制系统监控面板 这是一个用于PLC控制系统监控面板的自定义组件&#xff0c;提供了PLC编程与自动化控制逻辑设计的可视化监控界面。组件采用工业风格设计&#xff0c;包含实时数据展示、系统状态监控、控制功能以及报警和日志记录等功能。 功能特…...

LeetCode 热题 100 279. 完全平方数

LeetCode 热题 100 | 279. 完全平方数 大家好&#xff0c;今天我们来解决一道经典的动态规划问题——完全平方数。这道题在 LeetCode 上被标记为中等难度&#xff0c;要求找到和为给定整数 n 的完全平方数的最少数量。 问题描述 给定一个整数 n&#xff0c;返回和为 n 的完全…...

USB学习【2】通讯的基础-反向不归零编码

一.写在前面 所有的通讯协议&#xff0c;发送端和接收端必须按照同一节奏发送信号和接受信号才能保证通讯的正常进行&#xff0c;否则会出现错位。 这个节奏用我自己的话说&#xff1a;时间卡尺。 串口协议是通过约定好波特率来进行解析信号。IIC是专门有一个时钟线作为时间卡…...

Polygon Miden网络:具有客户端执行的边缘区块链

1. 引言 LambdaClass与Miden已合作超过18个月&#xff0c;这段合作关系始于帮助 Miden 开发客户端&#xff0c;为 Miden 网络提供交易执行和证明的支持。随着时间推移&#xff0c;双方的合作不断加深&#xff0c;工作也扩展到了协议和节点的开发上&#xff0c;涵盖了多个方面。…...

临床智能体AI与环境感知AI的融合:基于python的医疗自然语言处理深度分析

引言 医疗领域的数智化进程正以前所未有的速度推进,人工智能技术的应用尤为显著。随着大型语言模型(LLMs)的迅猛发展,医疗AI已从简单的辅助工具升级为复杂的智能体系统。临床智能体AI与环境感知AI的融合代表了医疗AI的最新发展方向,为重塑医疗运营自然语言处理提供了全新…...

Spring AI Alibaba-03- Spring AI + DeepSeek-R1 + ES/Milvus + RAG 智能对话应用开发全流程

Spring AI Alibaba-03- Spring AI DeepSeek-R1 ES/Milvus RAG 智能对话应用开发全流程 在[人工智能]&#xff08;AI&#xff09;应用中&#xff0c;模型通常需要访问外部资源或执行特定操作&#xff0c;例如数据库查询、调用外部API或执行计算任务。Spring AI&#xff0c;作…...

20250506异形拼图块(圆形、三角、正方,椭圆/半圆)的中2班幼儿偏好性测试(HTML)

背景介绍 最近在写一份工具运用报告,关于剪纸难度的。所以设计了蝴蝶描边系列和异形凹凸角拼图。 【教学类-102-20】蝴蝶三色图作品2——卡纸蝴蝶“满格变形图”(滴颜料按压对称花纹、原图切边后变形放大到A4横版最大化)-CSDN博客文章浏览阅读609次,点赞8次,收藏3次。【…...

Edge浏览器PDF字体显示错误

Edge浏览器PDF字体显示错误 软件版本信息 Edge Version: 136.0.3240.50 Word Version: Microsoft Office 专业增强版2021问题描述 在Word中使用多级列表自动编号, 并使用Word软件自带的导出为PDF文件功能, 在Word中显示正常的数字, 在Edge中查看PDF将会出现渲染错误的现象,…...

git中android studio不想提交文件

修改.gitignore文件 *.iml .gradle /local.properties /.idea/caches /.idea/libraries /.idea/modules.xml /.idea/workspace.xml /.idea/navEditor.xml /.idea/assetWizardSettings.xml /.idea/* /app/* .DS_Store /build /captures .externalNativeBuild .cxx local.propert…...

==和equals的区别 hashCode和equals的联系

和equals的区别&#xff1a; 对于没有重写equals()方法的类&#xff0c;和equals的作用是相同的&#xff1a;比较两个实例对象的地址是否相同。而对于重写了equals方法的类&#xff0c;equals方法则比较的是两个实例对象的内容&#xff08;例如String对象&#xff09;。 hashC…...

国联股份卫多多与国术科技签署战略合作协议

4月30日&#xff0c;国术科技&#xff08;北京&#xff09;有限公司&#xff08;以下简称“国术科技”&#xff09;营销中心总经理 王志广、贾雷一行到访国联股份卫多多&#xff0c;同卫多多/纸多多副总裁、产发部总经理段任飞&#xff0c;卫多多机器人产业链总经理桂林展开深入…...

依图科技C++后端开发面试题及参考答案

请介绍你所了解的分布式系统 分布式系统是由多个独立的计算节点通过网络连接组成的系统&#xff0c;这些节点共同协作以完成特定的任务。分布式系统的设计目标在于提升系统的性能、可扩展性、可靠性和容错性。 从性能方面来看&#xff0c;分布式系统能够把任务分配到多个节点…...

【计算机网络】TCP/IP四层模型是什么?与OSI七层模型哪些区别?

TCP/IP四层模型从上到下依次为&#xff1a; 1.应用层 2.传输层 3.网络层 4.网络接口层 一、TCP/IP四层模型&#xff1a; 1.应用层&#xff1a; 提供用户可直接使用的网络服务。如网页、邮件。 关键协议&#xff1a; HTTP/HTTPS&#xff1a;网页浏览。DNS&#xff1a;域名解…...

基于计算机视觉的试卷答题区表格识别与提取技术

基于计算机视觉的试卷答题区表格识别与提取技术 摘要 本文介绍了一种基于计算机视觉技术的试卷答题区表格识别与提取算法。该算法能够自动从试卷图像中定位答题区表格&#xff0c;执行图像方向矫正&#xff0c;精确识别表格网格线&#xff0c;并提取每个答案单元格。本技术可…...

Java面试全栈解析:Spring Boot、Kafka与Redis实战揭秘

《Java面试全栈解析&#xff1a;Spring Boot、Kafka与Redis实战揭秘》 【面试现场】 面试官&#xff1a;&#xff08;推了推眼镜&#xff09;小张&#xff0c;你简历里提到用Spring Boot开发过微服务系统&#xff0c;能说说自动配置的实现原理吗&#xff1f; 程序员&#xff1…...

打成jar 包以后,运行时找不到文件路径?

报错信息&#xff1a; FileNotFoundException。。。。。。。 原因&#xff1a; 打成jar包后&#xff0c;路径src/*可能都找不到了。 使用命令,查看jar包内的结构及文件路径&#xff1a; tar -tf XX.jar 你会看到目录结构&#xff1a; META-INF/ META-INF/MANIFEST.MF main/ ma…...

C++复习2

set、map、multiset、multimap CSTL包含了序列式容器和关联式容器&#xff1a; 序列式容器里面存储的是元素本身&#xff0c;其底层为线性序列的数据结构。比如&#xff1a;vector&#xff0c;list&#xff0c;deque&#xff0c;forward_list(C11)等。 关联式容器里面存储的是…...

el-row el-col

参考layout布局 Element - The worlds most popular Vue UI frameworkElement&#xff0c;一套为开发者、设计师和产品经理准备的基于 Vue 2.0 的桌面端组件库https://element.eleme.cn/#/zh-CN/component/layout#row-attributes 一行可以看做24个 Element UI 中的 el-row 是…...

【旅游网站设计与实现】基于SpringBoot + Vue 的前后端分离项目 | 万字详细文档 + 源码 + 数据库 + PPT

一、项目简介 旅游网站管理系统以信息化为核心&#xff0c;结合用户体验和系统管理功能&#xff0c;为旅游爱好者和管理者提供全面的服务平台。通过系统&#xff0c;用户可以浏览线路、收藏心仪旅游产品、下单订购&#xff0c;管理员则可在后台完成旅游线路管理、用户管理、订…...

On the Biology of a Large Language Model——论文学习笔记——拒答和越狱

本文仍然是对Anthropic团队的模型解释工作 On the Biology of a Large Language Model 的学习笔记。 前几篇课见我的主页中相同标题的几篇文章 本篇主要关注的是该博客中的Refusal和 Life of a Jailbreak这两部分的内容。 一句话总结 在这两部分中&#xff0c;作者展示了以下…...

使用OpenCV 和Dlib 实现表情识别

文章目录 引言1.代码主要概述2.代码解析2.1 面部特征计算函数(1) 嘴部宽高比(MAR)(2) 嘴宽与脸颊宽比值(MJR)(3) 眼睛纵横比(EAR)(4) 眉毛弯曲比(EBR) 2.2 自定义函数显示中文2.3 表情分类逻辑2.4 实时视频处理 3.系统特点4.总结 引言 面部表情是人类情感交流的重要方式&#…...

Matplotlib 饼图

pie()&#xff1a;绘制饼图 Matplotlib 直方图 我们也可以结合 Pandas 来绘制直方图 除了数据框之外&#xff0c;我们还可以使用 Pandas 中的 Series 对象绘制直方图。只需将数据框中的列替换为 Series 对象 Matplotlib imshow() imshow() 可以显示灰度图像 imshow() 可以显示彩…...

区块链交易所开发:开启数字交易新时代

区块链交易所开发&#xff1a;开启数字交易新时代 ——2025年技术革新与万亿级市场的破局指南 一、区块链交易所的颠覆性价值 1️⃣ 去中心化革命终结数据霸权 区块链交易所通过分布式账本技术&#xff0c;将交易数据存储于全网节点&#xff0c;彻底消除中心化服务器宕机、跑路…...

ChatGPT对话导出工具-轻松提取聊天记录导出至本地[特殊字符]安装指南

1、edge浏览器安装tampermonkey插件 Edge浏览器安装&#xff1a;https://microsoftedge.microsoft.com/addons/detail/%E7%AF%A1%E6%94%B9%E7%8C%B4/iikmkjmpaadaobahmlepeloendndfphd 其他浏览器安装&#xff1a;https://www.tampermonkey.net/index.php?browserchrome 2、…...

k8s node soft lockup (内核软死锁) 优化方案

在 Kubernetes 环境中&#xff0c;Node 节点的内核软死锁&#xff08;soft lockup&#xff09;是一个严重的稳定性问题&#xff0c;可能导致节点无响应、Pod 调度失败甚至数据丢失。以下是针对该问题的优化策略和解决方案&#xff1a; 一、临时缓解措施 1. 调整内核 watchdog…...

【LDM】视觉自回归建模:通过Next-Scale预测生成可扩展图像(NeurIPS2024最佳论文阅读笔记与吃瓜)

【LDM】视觉自回归建模&#xff1a;通过Next-Scale预测生成可扩展图像&#xff08;NeurIPS2024最佳论文阅读笔记与吃瓜&#xff09; 《Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction》 视觉自回归建模&#xff1a;通过Next-Scale预测…...

计算机网络-传输层

一、概述 1、逻辑通信&#xff1a;对等层之间的通信好像是沿着水平方向传送的&#xff0c;但两个对等层之间并没有一条水平方向的物理连接。 2、复用与分用 2.1传输层 复用&#xff1a;发送方不同的应用进程可以使用同一传输层协议传送数据 分用&#xff1a;接收方的传输层…...

MacOS+VSCODE 安装esp-adf详细流程

安装python3&#xff0c;省略vscode安装ESP-IDF插件&#xff0c;选择v5.2.5 版本&#xff0c;电脑需要能够访问github&#xff0c;esp-idf安装后的默认目录是: /Users/***/esp/v5.2.5/esp-idf# 启动***为省略名称在/Users/***/esp/ 目录下使用git clone 下载 esp-adf # 国内用…...

2025年5月HCIP题库(带解析)

某个ACL规则如下:则下列哪些IP地址可以被permit规则匹配&#xff1a; rule 5 permit ip source 10.0.2.0 0.0.254.255 A、10.0.4.5 B、10.0.5.6 C、10.0.6.7 D、10.0.2.1 试题答案&#xff1a;A;C;D 试题解析&#xff1a; 10.0.2.000001010.00000000.00000010.0000000…...

【Linux系统】vim编辑器的使用

文章目录 一、vim编辑器的简单介绍二、vim的一键化配置方案&#xff08;目前只支持 Centos7 x86_64&#xff09;三、vim编辑器在各模式下的操作1.vim的使用 以及 各模式间的切换2.普通模式&#xff08;Normal Mode&#xff0c;初始默认处于该模式&#xff09;3.替换模式&#x…...

网站主机控制面板深度解析:cPanel、Plesk 及其他主流选择

网站主机控制面板深度解析&#xff1a;cPanel、Plesk 及其他主流选择 在网站管理和服务器维护的领域&#xff0c;一个强大且易用的控制面板至关重要。它们能够将复杂的技术命令转化为直观的图形界面&#xff0c;极大简化了网站管理员的工作。本文将为您详细介绍市面上几款主流…...

【程序员AI入门:应用】7.LangChain是什么?

LangChain作为当前最热门的AI应用开发框架&#xff0c;正在重塑大语言模型&#xff08;LLM&#xff09;的应用生态。其核心价值在于解耦LLM能力与工程实现&#xff0c;构建起连接智能模型与现实世界的"神经网络"。 一、核心定位&#xff1a;AI应用的"操作系统&q…...

jenkins访问端口调整成80端口

使用 Nginx 反向代理解决以上问题&#xff0c;这样可以&#xff1a; 1. 保持 Jenkins 在其他端口&#xff08;博主使用8090端口&#xff09; 稳定运行 2. 通过 Nginx 将 80 端口的请求转发到 Jenkins 3. 更安全&#xff0c;因为 Jenkins 不需要直接监听 80 端口 4. 后续如果…...

如何从服务器日志中分析是否被黑客攻击?

一、关键日志文件定位与攻击特征分析 1. ‌核心日志文件路径‌ Web 服务器日志‌&#xff1a; Nginx&#xff1a;/var/log/nginx/access.log&#xff08;访问日志&#xff09;、/var/log/nginx/error.log&#xff08;错误日志&#xff09; Apache&#xff1a;/var/log/apache2/…...

[250504] Moonshot AI 发布 Kimi-Audio:开源通用音频大模型,驱动多模态 AI 新浪潮

目录 Moonshot AI 发布 Kimi-Audio&#xff1a;开源音频基础模型&#xff0c;赋能音频理解、生成与对话新时代核心能力与特性技术基础开放资源与评估行业意义 Moonshot AI 发布 Kimi-Audio&#xff1a;开源音频基础模型&#xff0c;赋能音频理解、生成与对话新时代 Moonshot A…...

OpenCV 图形API(77)图像与通道拼接函数-----对图像进行几何变换函数remap()

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 对图像应用一个通用的几何变换。 函数 remap 使用指定的映射对源图像进行变换&#xff1a; dst ( x , y ) src ( m a p x ( x , y ) , m a p y…...

理清缓存穿透、缓存击穿、缓存雪崩、缓存不一致的本质与解决方案

在构建高性能系统中&#xff0c;缓存&#xff08;如Redis&#xff09; 是不可或缺的关键组件&#xff0c;它大幅减轻了数据库压力、加快了响应速度。然而&#xff0c;在高并发环境下&#xff0c;缓存也可能带来一系列棘手的问题&#xff0c;如&#xff1a;缓存穿透、缓存击穿、…...

Jetpack Compose 自定义 Slider 完全指南

自定义 Compose Slider 在 Jetpack Compose 中&#xff0c;你可以通过多种方式自定义 Slider 组件。以下是一些常见的自定义方法&#xff1a; 基本自定义 var sliderPosition by remember { mutableStateOf(0f) }Slider(value sliderPosition,onValueChange { sliderPosit…...

荣耀A8互动娱乐组件部署实录(终章:后台配置系统与整体架构总结)

作者:被配置文件的“开关参数”折磨过无数次的运维兼后端工 一、后台系统架构概述 荣耀A8组件后台采用 PHP 构建,配合 MySQL 数据库与 Redis 缓存系统,整体结构遵循简化版的 MVC 模式。后台主要实现以下核心功能: 系统参数调控与配置热更新 用户管理(封号、授权、角色) …...

本地文件批量切片处理与大模型精准交互系统开发指南

本地文件批量切片处理与大模型精准交互系统开发指南 一、系统架构设计 #mermaid-svg-yCbT2xBukW6iX98y {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-yCbT2xBukW6iX98y .error-icon{fill:#552222;}#mermaid-svg-y…...

homebrew安装配置Python(MAC版)

Mac系统自带python路径为: /System/Library/Frameworks/Python.framework/Versionbrew 安装 Python3 在终端输入以下命令&#xff1a; brew search python3 # 查看支持安装的版本 brew install python3就可以轻松easy安装python了&#xff0c;安装完成后提示 查看 pyth…...

STM32--RCC--时钟

教程 系统时钟 RCC RCC&#xff08;Reset and Clock Control&#xff09;是STM32微控制器中管理时钟和复位系统的关键外设模块&#xff0c;负责整个芯片的时钟树配置和复位控制。 RCC主要功能 时钟系统管理&#xff1a; 内部/外部时钟源选择 时钟分频/倍频配置 各外设时钟门…...

深度学习在油气地震资料反卷积中的应用

深度学习在油气地震资料反卷积中的应用 基本原理 在油气地震勘探中&#xff0c;反卷积(Deconvolution)是一种重要的信号处理技术&#xff0c;用于提高地震资料的分辨率。传统方法(如维纳滤波、预测反卷积等)存在对噪声敏感、假设条件严格等局限。深度学习方法通过数据驱动的方…...

实现滑动选择器从离散型的数组中选择

1.使用原生的input 详细代码如下&#xff1a; <template><div class"slider-container"><!-- 滑动条 --><inputtype"range"v-model.number"sliderIndex":min"0":max"customValues.length - 1"step&qu…...

基于 GO 语言的 Ebyte 勒索软件——简要分析

一种新的勒索软件变种,采用Go 语言编写,使用ChaCha20进行加密,并使用ECIES进行安全密钥传输,加密用户数据并修改系统壁纸。其开发者EvilByteCode曾开发过多种攻击性安全工具,现已在 GitHub 上公开 EByte 勒索软件。尽管该勒索软件声称仅用于教育目的,但滥用可能会导致严重…...

学习人工智能开发的详细指南

一、引言 人工智能&#xff08;AI&#xff09;开发是一个充满挑战与机遇的领域&#xff0c;它融合了数学、计算机科学、统计学、认知科学等多个学科的知识。随着大数据、云计算和深度学习技术的快速发展&#xff0c;AI已经成为推动社会进步和产业升级的关键力量。本文将为初学…...

使用图像生成式AI和主题社区网站助力运动和时尚品牌的新产品设计和市场推广的点子和实现

通过构建针对公司产品线的专有图像生成式AI模型&#xff0c;用户可以将自己对于产品的想法和偏好&#xff0c;变成设计发布到社区空间中与社区分享&#xff0c;也可以通过在产品经典款或使用社区空间中其它人的创作来重新设计。组织大型市场推广活动来宣传DIY设计理念&#xff…...

POI创建Excel文件

文章目录 1、背景2、创建表格2.1 定义表头对象2.2 Excel生成器2.3 创建模板2.4 处理Excel表头2.5 处理Excel内容单元格样式2.6 处理单个表头 3、追加sheet4、静态工具5、单元测试6、完整代码示例 1、背景 需求中有需要用户自定义Excel表格表头&#xff0c;然后生成Excel文件&a…...