AI 晚报｜9月21日
今天这几条快讯，安全线和落地线几乎是同时往前跑的：联合国在喊"护栏别等确定性"，而 GPT6 的伤人情境实测直接甩出 97% 照做的结果；另一边，开源的节奏很密，阶跃 Step 5 Preview 拿到开源前二的口碑，机器人智能体也被清华等团队开源了。产品侧则
阅读全文 →最新文章
全部专栏
教程用 OceanBase Data Agent 做自然语言数据分析实战
读完这篇，你能做到这样一件事：对着 OceanBase 里的业务库，用中文问一句「上个月华东区销售额前五的门店是哪些，环比怎么样」，几秒后拿到一张结果表、一张柱状图，以及三段基于数据写的结论，全程不手写 SQL。 下面用
教程Google Flow 手机做 AI 视频：从脚本到导出
先说清楚能拿到什么：跟着这篇做完，你会得到一条 30 秒到 1 分钟的 AI 短片，由 4 到 6 个镜头组成，主角在不同镜头里基本是同一个人，画面前后能连上，最后导出成视频文件落到手机相册，可以直接发到社交平台。 整套
教程Mac M4 上用 CoreML 离线跑 Jev：端侧秒级决策部署
适用场景 现场设备或内网环境不允许把数据发到云端，但又需要一个能"看状态、出动作"的决策模型跑在本地，延迟要求压到秒级以内甚至几十毫秒。Jev 是 APUS 开源的决策类模型，官方仓库提供了 PyTorch 权重与推理脚
教程用剪映 AI 打通生视频与 AI 剪辑：粗剪到导出
这篇教程能做出什么 照着走完一遍，你会得到一条 30～60 秒的竖屏短视频：画面来自 AI 生视频工具，脚本由 AI 辅助起草，粗剪靠改字幕完成（而不是在时间线上拖来拖去），配乐自动对齐节拍，最后统一包装并导出。同时你会
教程Qwen-Image-2.1：文生图与指令改图全流程
适用场景 需要一次性解决"出图"和"改图"两类需求的人：先用文生图批量产出素材，再对其中某几张做局部替换、换背景、改风格。QwenImage2.1 把生成与编辑放在同一套调用方式和相近的提示词逻辑里，适合把"生图 → 改
教程用 Step 5 Preview 把一句需求交付成网页
适用场景 手里只有一句模糊的产品需求，比如"做一个活动报名页，填手机号就能提交"，却没有前端资源，也不想从零手写 HTML/CSS/JS。这套方案用 Step 5 Preview 的对话接口，把一句需求直接生成单文件网页
AI 词典在线学习：让模型边用边学
一句话定义：在线学习（Online Learning）指模型不等全量数据攒齐，而是随着数据一条条或一小批一小批到达，立刻更新参数，做到“边用边学”。 展开讲清楚：传统批量训练（Batch Learning）像期末复习：先
AI 词典概念漂移：模型为什么会"过期
一句话定义：概念漂移（Concept Drift）指的是数据背后的"输入→输出"规律随时间发生变化，导致原本训练好的模型越来越不准。 模型学到的本质上是一个映射：给定输入 X，预测输出 y。概念漂移说的是 Py|X 这个
AI 词典分布偏移：线上指标掉了，先分清协变量偏移和概念漂移
分布偏移（Distribution Shift）指的是：模型上线后遇到的真实数据，和它训练时见过的数据不再是同一个分布，于是线下评测很好的指标，线上开始往下掉。它是"模型没坏、世界变了"的典型症状。 打个比方。你按老家的
AI 词典领域自适应：换个场地，模型不重新标数据也能用
一句话定义： 领域自适应（Domain Adaptation）是让在源领域（source domain）上训练好的模型，在目标领域（target domain）数据分布不同、目标标注很少甚至没有时，仍能保持可用的一类方法
AI 词典迁移学习（Transfer Learning）：本事搬家
一句话定义：迁移学习（Transfer Learning）就是把在一个任务上学到的知识，搬到另一个相关任务上去用——尤其是新任务数据少、从头训练不划算的时候。 打个比方 你考了 C1 驾照，现在要去开一辆小货车。你不会从
AI 词典知识图谱：把世界拆成“谁和谁什么关系”
一句话定义：知识图谱（Knowledge Graph）是把现实世界中的事物抽象成“实体（entity）”，再用“关系（relation）”把它们连起来，变成一张机器能读、能查、能推着往下走的网络。 它的最小积木叫三元组（
AI 词典图神经网络 GNN：让信息沿着关系流动
一句话定义：图神经网络（Graph Neural Network，GNN）是一类专门处理"图"这种数据结构的神经网络——数据点之间由边相连，模型通过反复让每个节点吸收邻居的信息来学习。 打个比方 你想了解公司里某位同事的
AI 词典朴素贝叶斯：快得离谱，概率却不可信
一句话定义：朴素贝叶斯（Naive Bayes）是一类基于贝叶斯定理的分类算法，它做了一个几乎肯定不成立的“朴素”假设——所有特征彼此独立——换来极低的计算成本，因此长期是文本分类任务里最快的基线模型。 原理：把“组合”
AI 词典逻辑回归：线性打分加 Sigmoid，分类头的老祖宗
一句话定义：逻辑回归（Logistic Regression）是一种把线性打分压进 0 到 1 之间、输出概率的二分类模型。 原理：先打分，再压成概率 模型先算一个线性分：z = w₁x₁ + w₂x₂ + … + b。