当前位置: 首页 > news >正文

AI 的“幻觉”现象:深入解析 Hallucination 的成因与应对之道

文章目录

    • 一、啥是 AI 的 Hallucination?
    • 二、啥时候容易出现幻觉?
      • 1. 知识边界之外的问题
      • 2. 模糊或不明确的输入
      • 3. 生成长篇内容
      • 4. 多模态任务中的误解
      • 5. 过度自信的语气要求
    • 三、幻觉为啥会出现?原理是啥?
      • 1. 概率预测的本质
      • 2. 训练数据的局限性
      • 3. 缺乏真实世界推理
      • 4. 自回归生成机制
    • 四、咋识别幻觉?
      • 1. 检查事实依据
      • 2. 观察逻辑一致性
      • 3. 注意过于具体的细节
      • 4. 语气异常自信
      • 5. 与输入的偏差
    • 五、咋尽可能避免幻觉?
      • 1. 开发端的技术手段
        • 1.1 改进训练数据
        • 1.2 引入知识检索(Retrieval-Augmented Generation, RAG)
        • 1.3 强化约束(Guardrails)
        • 1.4 后处理与校准
        • 1.5 多模型验证
      • 2. 用户端的实用技巧
        • 2.1 提供明确上下文
        • 2.2 分解复杂问题
        • 2.3 要求来源或证据
        • 2.4 验证关键信息
        • 2.5 调整温度参数
    • 六、幻觉的未来:挑战与机遇
    • 七、结语

在当今这个科技飞速发展的时代,人工智能(AI)尤其是大语言模型(LLM)和多模态模型,就像一颗颗璀璨的新星,照亮了科技的天空。然而,在这些耀眼的光芒背后,一个颇为有趣且引人深思的现象悄然浮现——Hallucination,也就是“幻觉”。这可不是什么超自然事件,而是 AI 在生成内容时,偶尔会“脑洞大开”,编造出一些看似有模有样,实则毫无根据的“瞎话”。对于那些刚接触这个概念的朋友来说,可能觉得有点神秘,甚至有点摸不着头脑。别急,今天咱们就来好好唠唠这个话题,从最基础的地方开始,一点点揭开 AI 幻觉的神秘面纱。

一、啥是 AI 的 Hallucination?

先来说说 Hallucination 这个词儿。在 AI 圈子里,它指的是模型生成的内容,跟事实真相或者输入的上下文八竿子打不着,纯粹是模型自己“脑补”出来的。就好比,你问它:“2023 年诺贝尔物理学奖花落谁家?”正常情况下,它应该告诉你获奖的科学家是谁,以及人家为啥获奖。可要是它犯了“幻觉”,可能就会蹦出这么个回答:“2023 年诺贝尔物理学奖给了 Elon Musk,因为他发明了时间旅行。” 哎呀,这可就离谱了!Elon Musk 再厉害,也没拿到诺贝尔奖,更别提时间旅行这种目前还只存在于科幻小说里的玩意儿了。这种无中生有的输出,就是典型的 AI 幻觉。

其实,这种现象最早是在机器翻译里被发现的。那时候,模型偶尔会把一句话翻译得驴唇不对马嘴,完全跑偏。不过,现在它更多地出现在生成式 AI 里,像 GPT、LLaMA 这些大名鼎鼎的模型,还有那些能处理多种类型数据的多模态模型,都可能会“中招”。这可不是模型故意要“骗人”,而是它里头的构造和训练时用的数据,共同“酿成”的一出“意外”。

二、啥时候容易出现幻觉?

AI 幻觉可不是随随便便就冒出来的,它跟一些特定的情况还挺有缘分。咱们来瞅瞅,哪些时候它最容易“犯病”。

1. 知识边界之外的问题

你想想,模型也是有自己“知识边界”的,它能知道多少事儿,全看它训练时用的数据。要是你问它的是一些它压根儿没学过、或者数据少得可怜的领域,比如特别新的事儿、冷门得不行的知识,它就可能开始“瞎猜”。就好比,一个 2023 年 10 月之前的数据训练出来的模型,你非让它预测 2025 年会发生啥,它就可能胡诌一气。

2. 模糊或不明确的输入

要是你问的问题含含糊糊,没个具体上下文,比如“跟我说说那个人的故事”,模型就可能自己脑补一堆细节,结果就跑偏了。就好比,你让一个小孩儿给你讲个故事,只说了个“那个人”,小孩儿可能就随便编一个人物,讲得天花乱坠,但其实跟你心里想的根本不是一回事儿。

3. 生成长篇内容

当模型要写一大段文字的时候,它得想着怎么让这段文字连贯起来。可在这个过程中,它可能会不知不觉就偏离了事实,往里掺一些没影儿的事儿。就好比,一个人写小说,写着写着就把自己给绕进去了,编出一些连他自己都没想清楚的情节。

4. 多模态任务中的误解

在那些既要处理图片又要生成文字的任务里,要是模型对图片理解得有偏差,生成的文字描述可能就离谱得很。就好比,你让一个小朋友看一幅画,然后让他描述画里的内容,要是他没看明白画的是啥,描述出来的东西可能就和画风牛马不相及了。

5. 过度自信的语气要求

有时候,你要求模型用特别“权威”或者“确定”的语气回答问题,哪怕它自己心里也没底,它也可能会硬着头皮编出个答案,而不是老老实实承认自己不知道。就好比,你让一个人在大家面前装专家,他可能为了面子,就胡诌一气,哪怕自己其实一知半解。

三、幻觉为啥会出现?原理是啥?

要想搞明白幻觉为啥会出现,咱们得先瞅瞅 AI(尤其是那种用 Transformer 架构的语言模型)到底是咋工作的。

1. 概率预测的本质

语言模型本质上是靠统计概率来预测下一个词或者句子的。就好比,它看到“天空是”,就会琢磨着“蓝色”这个词儿出现的概率最大。可这种预测,全都是基于它训练时用的数据里的模式,它压根儿就不懂啥叫真正的现实世界。要是训练数据里头有乱七八糟的东西,或者数据本身就有点偏差,模型就可能生成一些看着挺像回事儿,其实错得一塌糊涂的输出。

2. 训练数据的局限性

数据不完整:就算数据集再大,也不可能把所有的事儿都涵盖进去,尤其是那些特别边缘、特别新的信息。

数据矛盾:互联网上的数据那叫一个乱,啥样的都有,互相冲突的信息多了去了。模型要是把这些都搅和在一起,就容易犯迷糊,把不同的内容给“融合”了。

虚构内容:训练数据里头还有小说、论坛里头的瞎猜乱想这些虚构的东西。模型可分不清真假,就一股脑儿地学了,结果生成的内容也就真假掺半了。

3. 缺乏真实世界推理

AI 可没有咱们人类的常识或者批判性思维。它不懂啥叫物理定律,也不懂因果关系,它就是单纯地模仿语言的模式。要是模式不够用,它就“脑补”,结果就出现了幻觉。

4. 自回归生成机制

模型生成内容的时候,是一步一步来的,每一步都得依赖前一步。要是第一步就走偏了,后面的内容可能就越走越偏,就像滚雪球一样,越滚越大。

说白了,幻觉就是模型在面对不确定性的时候,自己瞎琢磨出来的“创造性猜测”,可不是它故意要误导你。

四、咋识别幻觉?

识别 AI 的幻觉,还真得有点儿技巧,尤其是当你对那个话题本身就不太熟悉的时候。不过别怕,这里头有几个实用的小招数。

1. 检查事实依据

要是输出里头涉及到一些具体的数据,比如日期、名字、事件啥的,你最好去外部找找可靠的来源验证一下。维基百科、新闻网站这些地方都不错,看看模型说的那些事儿是不是真的。

2. 观察逻辑一致性

幻觉内容往往前后矛盾。就好比,模型先说某个人是 1900 年出生的,后面又说他在 1800 年发明了啥玩意儿,这明显就对不上号。

3. 注意过于具体的细节

当模型在没啥上下文的情况下,给你描述得特别详细,比如虚构的对话、场景啥的,这可能就是幻觉的信号。就好比,你问它一个简单的问题,它却给你讲了个长篇故事,里头的细节多得让你眼花缭乱,这八成是在“脑补”。

4. 语气异常自信

要是模型对一个模棱两可的问题回答得特别肯定,一点“可能”“据我所知”这类的限定词都没有,那你可得留个心眼。

5. 与输入的偏差

要是输出和你的问题明显不搭边,比如你问的是天气,它却给你讲起了食谱,那很可能就是幻觉了。

五、咋尽可能避免幻觉?

虽说幻觉这事儿没办法完全杜绝,但咱们可以通过一些技术和使用策略,尽量减少它的影响。

1. 开发端的技术手段

1.1 改进训练数据

用更高质量、经过精心筛选的数据来训练模型,把那些乱七八糟、虚构的内容都筛出去,这样能减少噪声的影响。

1.2 引入知识检索(Retrieval-Augmented Generation, RAG)

把模型和实时数据库或者知识库连起来,这样模型在生成内容的时候,就能有外部的事实依据来支撑,不至于瞎编。

1.3 强化约束(Guardrails)

设计一些机制,让模型在不确定的时候,能老老实实承认“我不知道”,而不是硬着头皮瞎编。

1.4 后处理与校准

在模型输出内容之前,用事实检查器或者人工审核的方式,把那些明显错误的内容过滤掉。

1.5 多模型验证

用多个模型来对比输出,看看哪个结果更靠谱,就选那个一致性高的。

2. 用户端的实用技巧

2.1 提供明确上下文

提问的时候尽量具体点。比如,你说“根据 2023 年的数据,告诉我诺贝尔奖得主”就比“告诉我诺贝尔奖得主”要好得多,这样模型就不容易犯迷糊。

2.2 分解复杂问题

要是问题太长太复杂,就把它拆成一小块一小块的,让模型一步一步来回答,这样就不容易“跑偏”。

2.3 要求来源或证据

你可以提示模型“请提供事实依据”或者“基于什么数据”,这样它就不得不依赖已有的知识,不敢瞎编了。

2.4 验证关键信息

对于那些特别重要的输出,你最好手动查证一下,尤其是那些涉及到决策的内容,可不能马虎。

2.5 调整温度参数

要是你能控制的话,把生成温度(Temperature)调低一点,这样能减少模型的“创造性”,让它更靠谱一些。

六、幻觉的未来:挑战与机遇

幻觉这事儿,说到底,既是 AI 的一个短板,也是它创造力的一种体现。在艺术创作或者头脑风暴这种场合,适度的幻觉说不定还能带来一些惊喜。可在医疗、法律这些高风险的领域,那可就太危险了。所以,未来的 AI 研究,就得在这“创造性”和“可靠性”之间找一个平衡点。

随着技术的不断进步,比如更强大的推理模块(像 Chain-of-Thought Prompting)或者和外部知识库的深度集成,幻觉问题说不定能慢慢得到缓解。不过,在那之前,无论是用户还是开发者,都得打起十二分的精神,好好利用各种工具和策略来应对这个现象。

七、结语

AI 的幻觉,其实并不是啥“bug”,它就是现在生成式模型的设计和数据驱动的本质自然而然产生的结果。它提醒咱们,尽管 AI 现在厉害得很,但它可不是啥全知全能的“真理机器”。通过了解它的成因、识别它的迹象,再采取一些合适的措施,咱们就能在享受 AI 带来的便利的同时,最大程度地避开它的潜在风险。

下次你要是跟 AI 对话,要是觉得它说的有点不对劲,不妨多问一句:“这是真的吗?”说不定,这正是咱们和智能技术好好共处的关键一步呢。

相关文章:

AI 的“幻觉”现象:深入解析 Hallucination 的成因与应对之道

文章目录 一、啥是 AI 的 Hallucination?二、啥时候容易出现幻觉?1. 知识边界之外的问题2. 模糊或不明确的输入3. 生成长篇内容4. 多模态任务中的误解5. 过度自信的语气要求 三、幻觉为啥会出现?原理是啥?1. 概率预测的本质2. 训练…...

加载huggingface数据集报token无效错误解决方案

加载huggingface数据集报错 import pandas as pddf pd.read_json("hf://datasets/udell-lab/NLP4LP/data/test.jsonl", linesTrue) print(df)PS C:\Users\pengkangzhen\PythonProjects\llm-ecr> & C:/Users/pengkangzhen/.conda/envs/py3.12_ml/python.exe …...

Java面试题及知识点Day1

自动拆箱和自动装箱 装箱就是自动将基本数据类型转换为包装器类型 拆箱就是自动将包装其类型转化为基本数据类型 重写和重载 重写 1.发生在子类和父类之间 2.参数的方法名,参数,返回值,必须相同 3.权限修饰符不能小于重写方法的权限修饰符…...

【动态规划】-- 三步问题(easy)

文章目录 1. 题目2. 题目解析3. 代码 1. 题目 在线oj 三步问题。有个小孩正在上楼梯,楼梯有 n 阶台阶,小孩一次可以上 1 阶、2 阶或 3 阶。实现一种方法,计算小孩有多少种上楼梯的方式。结果可能很大,你需要对结果模 1000000007。…...

字符流Reader/Writer

一、Reader相关介绍及其子类 Reader是所有字符输入流的超类。它提供了读取字符流的基本方法,如read(), read(char[] cbuf, int off, int len)等;由于Reader是抽象类,通常使用它的子类如FileReader, BufferedReader等来创建字符输入流对象。 …...

字符串交替合并问题

问题: 给你两个字符串 word1 和 word2 。请你从 word1 开始,通过交替添加字母来合并字符串。如果一个字符串比另一个字符串长,就将多出来的字母追加到合并后字符串的末尾。 返回 合并后的字符串 。 示例 1: 输入:w…...

shell脚本一键安装docker+docker-compose,支持x86_64、arm64双架构

目录 脚本内容 运行效果 安装包和脚本 脚本内容 [roottest1 docker]# cat install.sh #!/bin/bash set -e export pathpwd export docker_data"/data/docker_data"function check_arch() {if [ -f /etc/redhat-release ]; thenOS"RedHat"elif [ -f /e…...

Elasticsearch 面试备战指南

Elasticsearch 面试备战指南 一、基础概念 什么是Elasticsearch? Elasticsearch是一个基于Lucene的分布式搜索和分析引擎,提供近实时搜索、高可用性和水平扩展能力。常用于日志分析(ELK)、全文检索、商业智能等场景。 Elasticsea…...

新手村:逻辑回归-理解04:熵是什么?

新手村:逻辑回归04:熵是什么? 熵是什么? 前置条件 在开始学习逻辑回归中的熵理论之前,需要掌握以下基础知识: 概率论与统计学: 概率分布(如伯努利分布、正态分布)。条件概率和贝叶斯定理。期…...

Javaweb后端登录会话技术jwt令牌

jwt生成与校验 是base4补位的 最后面是签名,签名不是base64,是通过签名算法加密后来的 令牌长度不是固定的,长度取决于原始内容,载荷,大小 头有,类型,签名算法 base64可以对任意的二进制数据进…...

图像对比分析并生成报告

pip install pyautogui """ 图像对比分析工具 功能:实现像素级差异、结构相似性(SSIM)、直方图相似度和特征匹配率四种对比方法 作者:智能助手 版本:1.2 日期:2025-02-27""" import os import cv2 …...

DeepSeek 助力 Vue3 开发:打造丝滑的表格(Table)之添加行拖拽排序功能示例1,TableView16_01.vue 基础行拖拽排序示例

前言:哈喽,大家好,今天给大家分享一篇文章!并提供具体代码帮助大家深入理解,彻底掌握!创作不易,如果能帮助到大家或者给大家一些灵感和启发,欢迎收藏+关注哦 💕 目录 DeepSeek 助力 Vue3 开发:打造丝滑的表格(Table)之添加行拖拽排序功能示例1,TableView16_01.vu…...

vue-如何将组件内容作为图片生成-html2canvas

1.引入必要的库 这里呢我们使用 html2canvas 库来将 HTML 元素转换为画布(canvas),然后再将其导出为图片。首先,确保在项目中安装了 html2canvas: npm install html2canvas 2. 组件结构 然后在我们的vue文件里面&a…...

单片机 - RAM 与内存、ROM 与硬盘 之间的详细对比总结

RAM 与 内存 RAM(Random Access Memory,随机存取存储器) 和 内存 这两个术语通常是 同义词,即 内存 常常指的就是 RAM。 1. RAM(内存) 定义:RAM 是计算机中的 主存储器,用于临时存…...

Linux 练习一 NFS和DNS

练习四 任务需求:客户端通过访问 www.nihao.com 后,能够通过 dns 域名解析,访问到 nginx 服务中由 nfs 共享的首页文件,内容为:Very good, you have successfully set up the system. 各个主机能够实现时间同步&#…...

aab 转 apk

googleplay发布的游戏对外前,测试同学要安装到手机上先行测试,所以就有了这个需求。网上找了一篇文章讲的很详细了,文档是英语的,这里摘抄重要的部分做下记录: https://www.geekdashboard.com/extract-apk-files-from…...

JAVA开发:实例成员与静态成员

判断Java中的实例成员与静态成员 在Java中,可以通过以下几种方式判断一个成员是实例成员还是静态成员: 1. 通过声明方式判断 静态成员使用static关键字修饰,实例成员不使用: public class MyClass {// 实例成员int instanceVa…...

DeepSeek面试——模型架构和主要创新点

本文将介绍DeepSeek的模型架构多头潜在注意力(MLA)技术,混合专家(MoE)架构, 无辅助损失负载均衡技术,多Token 预测(MTP)策略。 一、模型架构 DeepSeek-R1的基本架构沿用…...

[项目]基于FreeRTOS的STM32四轴飞行器: 十二.角速度加速度滤波

基于FreeRTOS的STM32四轴飞行器: 十二.滤波 一.滤波介绍二.对角速度进行一阶低通滤波三.对加速度进行卡尔曼滤波 一.滤波介绍 模拟信号滤波: 最常用的滤波方法可以在信号和地之间并联一个电容,因为电容通交隔直,信号突变会给电容充电&#x…...

《基于SpringBoot的图书网购平台的设计与实现》开题报告

个人主页:大数据蟒行探索者 一、选题的依据及意义 1.1选题来源 市场需求驱动:如今,互联网深度融入人们生活,阅读场景愈发多元化,线上购书成为主流趋势之一。读者期望随时随地浏览海量图书资源,对比价格…...

Python 非异步函数执行异步函数的方案

import asyncio import sys from your_module import browser_main # 替换为你的实际模块名 async def _keep_alive(): """保持程序持续运行""" while True: await asyncio.sleep(1) def run_browser(index: int None): """ 执…...

计算机期刊推荐 | 工程技术-电子与电气, 计算机

IET Microwaves Antennas & Propagation的新特刊:《天线与超材料的设计、合成、仿真与实验》 学科领域: 工程技术-电子与电气, 计算机 期刊类型: SCI/SSCI/AHCI 收录数据库: SCI(SCIE) ISSN: 1751-8725 中科院…...

【开源宝藏】30天学会CSS - DAY9 第九课 牛顿摆动量守恒动画

以下是一份逐步拆解教程,带你从零理解并复刻这个牛顿摆(Pendulum of Newton)动画效果,这是一个经典的物理演示模型,现在通过纯 HTML 和 CSS 实现出来,视觉效果炫酷、结构简洁。 🎯 动画效果说明…...

对三维物体模型的阈值操作

对三维物体模型的阈值操作 1. 使用point_coord_x、point_coord_y、point_coord_z阈值分割麻辣兔头2. point_normal_x、point_normal_y、point_normal_z有什么区别?3. 去除离群点 1. 使用point_coord_x、point_coord_y、point_coord_z阈值分割麻辣兔头 dev_open_win…...

【Unity网络编程知识】使用Socket实现简单TCP通讯

1、Socket的常用属性和方法 创建Socket TCP流套接字 Socket socketTcp new Socket(AddressFamily.InterNetwork, SocketType.Stream, ProtocolType.Tcp); 1.1 常用属性 1)套接字的连接状态 socketTcp.Connected 2)获取套接字的类型 socketTcp.So…...

简记_单片机硬件最小系统设计

以STM32为例: 一、电源 1.1、数字电源 IO电源:VDD、VSS:1.8~3.6V,常用3.3V,去耦电容1 x 10u N x 100n ; 内核电源:内嵌的稳压器输出:1.2V,给内核、存储器、数字外设…...

Android Launcher实战:完美复刻iOS风格Hotseat布局优化

一、需求背景与效果呈现 在Android 13系统深度定制过程中,原生Launcher的Hotseat布局因视觉效果平庸需要进行UI重构。产品团队要求仿照iOS系统设计,实现以下核心特性: 取消传统横屏铺满效果 采用居中显示布局方案 支持圆角背景与智能边距调…...

2025-3-25算法打卡

一,走迷宫 1.题目描述: 给定一个 NMNM 的网格迷宫 GG。GG 的每个格子要么是道路,要么是障碍物(道路用 11 表示,障碍物用 00 表示)。 已知迷宫的入口位置为 (x1,y1)(x1​,y1​),出口位置为 (x…...

Python:进程的常用方法,注意细节,进程线程对比

进程常用方法: start():启动进程实例 is_alive():判断子进程的存活状态,返回True或False,子进程执行完后的状态为False join([timeout]):是否等待子进程执行结束(在当前位置阻塞主进程)主进程等子进程多长…...

北京交通大学第三届C语言积分赛

作者有言在先: 题解的作用是交流思路,不是抄作业的。可以把重点放在思路分析上而不是代码上,毕竟每个人的代码风格是不一样的,看别人的代码就跟做程序填空题一样。先看明白思路再看代码。 还有就是,deepseek真的很好用…...

架构设计之自定义延迟双删缓存注解(下)

架构设计之自定义延迟双删缓存注解(下) 小薛博客官方架构设计之自定义延迟双删缓存注解(下)地址 为了保证Cache和ClearAndReloadCache的灵活性,特意加入EL表达式解析 1、Cache package com.xx.cache;import java.lang.annotation.*; import java.util.concurren…...

SingleMod

SingleMod SingleMod是一种深度学习模型,专为利用纳米孔直接RNA测序(DRS)数据在单RNA分子中精确检测m6A修饰而设计。该模型通过深度多实例回归框架进行训练,能够充分利用广泛的甲基化率标签。SingleMod是一个通用框架,可轻松适配其他核酸修饰的检测模型训练。 注意: Si…...

SQL-查询漏洞

一、查询注入的数据类型 //list.php<!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta http-equiv"X-UA-Compatiable" content"IEedge"><meta name"viewport" content&…...

Maven 多模块项目(如微服务架构)中,父 POM(最外层) 和 子模块 POM(具体业务模块)的区别和联系

文章目录 **1. 父 POM 的核心职责****1.1 依赖管理 (dependencyManagement)****1.2 插件管理 (pluginManagement)****1.3 其他公共配置** **2. 子模块 POM 的核心职责****2.1 依赖声明 (dependencies)****2.2 插件启用与覆盖 (plugins)** **3. 核心对比表****4. 使用场景示例**…...

【AIGC】图片变视频 - SD ComfyUI视频生成

效果图 完整过程 SD ComfyUI 下载 下载 https://pan.quark.cn/s/64b808baa960 解压密码&#xff1a;bilibili-秋葉aaaki 完整 https://www.bilibili.com/video/BV1Ew411776J/ SD ComfyUI 安装 1.解压 2.将controlnet内部文件复制到 ComfyUI-aki-v1.6\ComfyUI\models\control…...

思考我的未来职业

李升伟 编译 关于我 我是一名专注于后端开发的软件工程师&#xff0c;拥有十年专业编程经验。从学生时代起&#xff0c;编程就是我的热情所在&#xff0c;并一直保持着这个长期爱好。此外&#xff0c;我也热爱动漫和电影。 然而过去几年&#xff0c;婚姻、家庭责任和育儿让生…...

StarRocks数据导入

文章目录 StarRocks数据导入Broker LoadETL 集群导数非 ETL 集群导数Broker Load 任务查看BrokerLoad⼤数据量导⼊优化参数推荐配置BrokerLoad 排查思路 Insert IntoInsert Into大数据量导入优化参数 Stream LoadStreamLoad⼤数据量导⼊优化参数推荐配置Stream Load 排查思路 R…...

mmdetection安装

链接: link...

光学像差的类型与消除方法

### **光学像差的类型、理解与消除方法** 光学像差是指实际光学系统成像时&#xff0c;由于透镜或反射镜的非理想特性导致的光线偏离理想路径&#xff0c;从而影响成像质量的现象。像差可分为**单色像差**&#xff08;与波长无关&#xff09;和**色差**&#xff08;与波长相关…...

Manus AI 破局多语言手写识别,解锁智能新天地

Manus AI 破局多语言手写识别&#xff0c;解锁智能新天地 前言 在人工智能技术不断渗透各行各业的背景下&#xff0c;手写识别领域长期面临多语言适配难、复杂场景泛化能力弱等挑战。ManusAI凭借其创新的算法架构和多模态融合技术&#xff0c;成功突破传统OCR&#xff08;光学…...

文字颜色的渐变(svg实现)

一 上下渐变&#xff08;有底部阴影&#xff09; 效果如图&#xff1a; svg代码如下&#xff1a; <svg width"300" height"100" xmlns"http://www.w3.org/2000/svg"><defs><linearGradient id"textGradient" x1"…...

Java-设计模式

Java-设计模式 ⓪设计模式基础 ❶设计模式分类 创建型模式 用于描述对象实例化&#xff08;创建对象&#xff09;的模式&#xff0c;即用于解耦对象的实例化过程 GoF&#xff08;四人组&#xff09;书中提供了单例、原型、工厂方法、抽象工厂、建造者等 5 种创建型模式。 …...

“我是GM”之NAS搭建Luanti游戏服务器,开启沙盒游戏新体验

“我是GM”之NAS搭建Luanti游戏服务器&#xff0c;开启沙盒游戏新体验 哈喽小伙伴们好&#xff0c;我是Stark-C~ 曾几何时&#xff0c;哪怕是现在&#xff0c;估计依然有很多小伙伴沉迷于开放性和自由度极高的《我的世界》这种沙盒游戏吧~。 我个人到现在手机上还有这款游戏…...

K8S学习之基础五十:k8s中pod时区问题并通过kibana查看日志

k8s中pod默认时区不是中国的&#xff0c;挂载一个时区可以解决 vi pod.yaml apiVersion: v1 kind: Pod metadata:name: counter spec:containers:- name: countimage: 172.16.80.140/busybox/busybox:latestimagePullPolicy: IfNotPresentargs: [/bin/sh,-c,i0;while true;do …...

光电效应及普朗克常数的测定数据处理 Python实现

内容仅供参考&#xff0c;如有错误&#xff0c;欢迎指正&#xff0c;如有疑问&#xff0c;欢迎交流。 因为我不会Excel所以只能用Python来处理 祝大家早日摆脱物理实验的苦海 用到的一些方法 PCHIP &#xff08;分段三次埃尔米特插值多项式&#xff09; 因为实验时记录的数…...

hyperf中关于时间的设定

下面我来总结这三者的用法和它们之间的关系&#xff1a; 1. protected ?string $dateFormat U; 作用&#xff1a; 定义数据库日期字段的存储格式‘U’ 表示使用 Unix 时间戳格式&#xff08;秒级&#xff0c;10位数字&#xff09; 影响范围&#xff1a; 决定了模型从数据…...

编程实现自我指涉(self-reference)

从计算机的组成原理出发&#xff0c;编程实现自我指涉&#xff08;self-reference&#xff09;本质上是通过代码操纵代码&#xff0c;形成逻辑上的闭环。这种能力不仅是编程语言设计中的一个奇妙现象&#xff0c;更是计算理论、计算机架构、乃至哲学层面的一种深刻映射。让我们…...

数据类设计_图片类设计_矩阵图类型和像素图类型设计的补充

前言 以矩阵图类型和像素图类型作为图像类数据的基础,但在使用过程中有个问题:矩阵图形和像素图形的尺寸---长和高没有表现出来,本贴对此做出分析. 引入 原帖数据类设计_图片类设计之7_矩阵图形类设计更新_实战之页面简单设计&#xff08;前端架构&#xff09;-CSDN博客里有对…...

php写入\查询influxdb数据

namespace app\index\controller;use InfluxDB2\Client; use InfluxDB2\Model\WritePrecision; use InfluxDB2\Point;class Demo {/*** 显示资源列表** return \think\Response*/public function index(){$token 你的TOKEN;$org zzlichi;$bucket initdb;$client new Client…...

新手村:逻辑回归-理解02:逻辑回归中的伯努利分布

新手村&#xff1a;逻辑回归-理解02&#xff1a;逻辑回归中的伯努利分布 伯努利分布在逻辑回归中的潜在含义及其与后续推导的因果关系 1. 伯努利分布作为逻辑回归的理论基础 ⭐️ 逻辑回归的核心目标是: 建模二分类问题中 目标变量 y y y 的概率分布。 伯努利分布&#xff08…...