推广 热搜: 采购方式  滤芯  带式称重给煤机  甲带  气动隔膜泵  减速机型号  无级变速机  链式给煤机  履带  减速机 

2025年人工智能大模型深度研究报告:原理、工程实践与全球格局

   日期:2026-01-11 18:50:25     来源:网络整理    作者:本站编辑    评论:0    
2025年人工智能大模型深度研究报告:原理、工程实践与全球格局

1. 绪论:从规则到生成的范式转移

人工智能(AI)的发展历程,是一部从确定性逻辑向概率性生成演进的宏大史诗。2025年,随着深度学习技术的成熟与大规模商业化落地,我们正处于一个由“大模型”(Large Models)主导的全新时代。本报告旨在基于前沿技术文档与全球产业数据,深入剖析大语言模型(LLM)的理论根基、工程化应用路径以及当前中美AI竞争的地缘政治格局。我们将不仅探讨技术“是什么”,更将深入挖掘其背后的“为什么”以及未来的演进逻辑。

1.1 人工智能的三次认知飞跃

人工智能的核心目标始终未变:赋予机器执行通常需要人类智能才能完成的任务的能力,诸如语言理解、图像识别与复杂决策1。然而,实现这一目标的路径经历了三次关键的范式转移:
第一阶段是规则主导的专家系统时代。在这一时期,AI被视为逻辑的容器。工程师与领域专家合作,将人类知识硬编码为一系列“如果-那么”(If-Then)的规则。这种系统在封闭、确定性的环境中表现尚可,但面对现实世界的模糊性与无限变数时,其脆弱性暴露无遗。它无法处理未被预设的情况,缺乏泛化能力。
第二阶段是机器学习(Machine Learning)时代。范式从“人类编程规则”转向了“机器从数据中学习规则”。通过统计学方法,算法能够在海量数据中自动寻找特征与标签之间的映射关系。这一时期的AI开始具备预测与分类能力,但仍受限于特征工程的复杂性,且模型容量有限,难以处理高维度的非结构化数据(如文本与图像)。
第三阶段,即我们目前所处的深度学习与大模型时代。神经网络的层数从几十层扩展至上百层,参数量从百万级跃升至万亿级。基于Transformer架构的大模型,不再依赖人工设计的特征,而是通过在海量数据上的预训练,通过“下一词预测”这一简单任务,涌现出了理解世界知识、逻辑推理乃至代码生成的通用智能1。这种从量变到质变的飞跃,标志着AI从单一任务的执行者,转变为具备通用解决能力的智能体。

1.2 分析式AI与生成式AI的本体论区别

在当前的AI版图中,必须清晰界定分析式AI(Analytical AI)与生成式AI(Generative AI)的边界,因为它们代表了两种截然不同的价值创造逻辑。
分析式AI,或称判别式AI,其核心任务是对既有数据进行降维与映射。它关注的是“区分”,即根据输入数据的特征,将其归类或预测数值。例如,银行的风控系统判断一笔交易是否为欺诈,或者推荐系统预测用户点击某个商品的概率。其优势在于高精度与高效率,但本质上它不创造新信息,只是对存量信息进行结构化处理1。
生成式AI则代表了升维与创造。它学习的是数据的概率分布,从而能够采样生成全新的、在训练集中从未出现过的数据样本。无论是生成一段从未写过的代码,还是绘制一张不存在的风景画,生成式AI都在拓展信息的边界。大语言模型(LLM)正是生成式AI在文本领域的集大成者,它不仅能理解语言,更能以类人的逻辑构建连贯的叙事。然而,这种创造性也带来了“幻觉”(Hallucination)风险,即模型可能一本正经地胡说八道,这要求我们在工程实践中必须引入严格的约束机制1。

2. 2025年全球AI竞争格局与地缘技术分析

截至2025年初,全球AI领域已形成中美“双极多强”的竞争态势。尽管美国在基础模型的前沿探索上仍保持领先,但中国研究机构凭借在工程效率与应用落地上的极致追求,已显著缩小了差距,特别是在推理模型(Reasoning Models)与开源生态方面表现出惊人的爆发力。

2.1 中美模型能力的“趋同与分野”

根据Stanford HAI发布的2025年AI指数报告以及Artificial Analysis的基准测试,美国在顶级模型的数量上仍占据优势。2024年,美国机构发布了40个著名的AI模型,而中国为15个。然而,在模型质量的维度上,差距正在迅速弥合2。
在MMLU(大规模多任务语言理解)和HumanEval(代码生成)等关键基准测试中,中美顶级模型之间的性能差异已从2023年的两位数百分比缩小至2024年的几乎持平。特别是中国的DeepSeek(深度求索)与阿里巴巴的Qwen(通义千问)系列,在2025年初展现出了世界级的竞争力3。
●美国阵营:OpenAI的GPT-5系列与o3模型继续引领“推理”能力的上限,Google的Gemini 3 Pro则在多模态理解上树立了新标杆,Anthropic的Claude 3.7 Sonnet则在长文本与安全性上保持领先4。
●中国阵营:阿里巴巴的Qwen 2.5 Max和Qwen3在数学与编程任务上表现卓越,甚至在某些特定评测中超越了GPT-4o。DeepSeek发布的DeepSeek-R1则成为了开源界的里程碑,它证明了通过高质量的数据筛选与混合专家(MoE)架构,可以用极低的训练成本达到接近闭源顶尖模型的性能6。此外,腾讯的混元大模型与字节跳动的豆包模型也在各自的应用生态中占据了重要生态位。

2.2 “算力围堵”下的技术突围

美国对华实施的芯片出口管制政策,是塑造当前AI格局的关键变量。自2022年10月起,美国限制了高性能GPU(如NVIDIA H100、A100)向中国的出口,并于2023年10月和2025年1月进一步收紧规则,出台了更为严苛的“AI扩散规则”(AI Diffusion Rule)1。
这种限制迫使中国企业在硬件受限的条件下进行算法创新。
●硬件性能鸿沟:NVIDIA H100拥有989 TFLOPS的算力与3.35 TB/s的带宽,是训练大模型的黄金标准。相比之下,专为中国市场定制的“降级版”H20芯片,虽然保留了部分显存带宽(4 TB/s),但其计算能力仅为H100的约15%(148 TFLOPS)1。这意味着,在同等规模下,中国企业需要堆叠更多的芯片、消耗更多的时间与电力来完成训练。
●软件定义的突围:面对算力瓶颈,中国实验室转向了算法效率的极致优化。DeepSeek采用的MoE架构,能够在推理时仅激活模型的一小部分参数,从而大幅降低计算负载。Qwen系列则通过精细的数据清洗与合成数据训练,提升了数据利用率。这种“穷则变,变则通”的路径,使得中国模型在单位算力的智能产出比(Intelligence per FLOP)上可能已处于全球领先地位9。

3. 大语言模型的理论物理学:从预训练到强化学习

要真正理解如何使用大模型API,首先必须拆解其背后的运作机理。大模型并非简单的文本数据库,而是一个基于概率的复杂动力学系统。

3.1 训练流水线:构建智能的三个阶段

一个未经训练的神经网络就像一张白纸,它变成ChatGPT或Qwen的过程,经历了三个关键阶段:预训练(Pre-training)、监督微调(SFT)与基于人类反馈的强化学习(RLHF)1。

3.1.1 预训练(Pre-training):世界知识的压缩

这是算力消耗最大的阶段。模型在数万亿Token的互联网文本、书籍、代码上进行自监督学习。
●核心任务:预测下一个词(Next Token Prediction)。通过不断猜测句子中被遮蔽的词,模型习得并内化了语言的语法结构、逻辑关系以及海量的世界知识。
●产物:基座模型(Base Model)。基座模型具备强大的续写能力,但由于它是在模仿互联网上的所有文本,它可能包含偏见、暴力内容,且不懂得如何遵循指令。如果你问它“如何做蛋糕?”,它可能会续写出“...需要的材料如下”,也可能续写出“如何做面包?”(因为它在训练数据中见过类似的问题列表)。

3.1.2 监督微调(SFT):指令对齐

为了让模型从“续写者”变为“助手”,需要进行指令微调。
●数据:人工编写的高质量问答对(Prompt-Response Pairs)。例如,输入是“把这段话翻译成中文”,输出是精准的中文翻译。
●原理:模型调整参数,以最小化其生成内容与人工标准答案之间的差异。
●产物:Instruct模型或Chat模型。此时的模型已经能够听懂人话,能够按照用户的意图去执行任务1。

3.1.3 基于人类反馈的强化学习(RLHF):价值观与偏好注入

SFT虽然有效,但很难穷尽所有人类偏好。RLHF通过引入奖励机制,让模型学会“什么样的回答更好”。这一过程通常包含三个子步骤,PPT中以“香蕉是什么”为例进行了生动阐述1:
1.收集比较数据(Ranking):
○模型针对同一个问题(如“香蕉是什么?”)生成多个不同的回答(A、B、C、D)。
○人类标注员并不直接打分,而是对这些回答进行排序(例如D > C > A > B)。相比于绝对打分(如给A打4分,给B打3.5分),排序任务的主观误差更小,标注一致性更高。
○回答示例:
■A:一种酸的水果...(事实错误)
■C:一种猴子爱吃的...(比较通俗)
■D:香蕉是芭蕉科植物...(准确且专业)
○标注员判断D优于C,C优于A。这种排序数据蕴含了人类对于“准确性”、“安全性”和“幽默感”的复杂权衡。
2.训练奖励模型(Reward Model, RM):
○利用上述排序数据训练一个新的神经网络(RM)。RM的任务是给任意一个问答对打分,分数越高代表越符合人类偏好。
○数学逻辑:RM的损失函数旨在最大化“好回答”与“差回答”之间的分数差。
3.强化学习优化(PPO):
○冻结RM,优化主模型(LLM)。LLM生成回答,RM给出打分。
○利用近端策略优化算法(PPO),根据分数调整LLM的参数。如果生成的回答得分高,就强化产生该回答的神经路径;反之则抑制。
○最终,模型学会了在生成内容时不仅仅考虑概率最高的词,还要考虑哪个词序列能获得最高的“人类奖励”1。

3.2 Token:大模型的“原子”

在大模型的微观世界里,处理的最小单位不是单词,而是Token。理解Token对于计算成本和上下文窗口至关重要。
●分词原理:模型使用分词器(Tokenizer)将文本切分为Token。
○英文:常见的单词通常是一个Token,而不常见的单词可能被拆分。例如"Hello World"会被切分为 (注意空格通常包含在Token中),对应ID可能为 。
○中文:不同的模型分词策略不同。在GPT-4等早期主要针对英文优化的模型中,一个汉字可能占用2-3个Token。而在国产模型如DeepSeek-R1或Qwen中,针对中文进行了优化,词汇表更大,"人工智能"可能只占一个或两个Token,这使得国产模型在处理中文时效率更高,成本更低1。
●特殊Token(Special Tokens):这是一类用户不可见但对模型控制至关重要的符号。
○<|endoftext|>或``:告诉模型生成结束了,否则模型会一直喋喋不休直到达到最大长度。
○<|user|> / <|assistant|>:用于区分对话中的角色,帮助模型理解当前的语境是用户的提问还是自己的回答1。

4. 提示词工程与超参数控制的艺术

在使用API与大模型交互时,我们不仅仅是发送文本,实际上是在配置一个概率生成过程。掌握Temperature和Top-P等超参数,是控制模型行为的关键。

4.1 Temperature(温度):创造性与确定性的旋钮

Temperature参数控制模型输出概率分布的平滑程度。
●低温度(如0.1 - 0.2):模型会变得非常保守。在计算下一个词的概率时,它会极度放大高概率词的优势,几乎总是选择可能性最大的那个词。
○适用场景:数学解题、代码生成、事实性问答。因为“1+1=”后面必须接“2”,任何“创造性”都是错误的。
●高温度(如0.8 - 1.0+):概率分布被“拉平”,原本概率较低的词也有机会被选中。
○适用场景:创意写作、头脑风暴、角色扮演。高温度能带来意想不到的词语组合,产生更具文采或幽默感的内容,但也容易导致逻辑不连贯或幻觉1。

4.2 Top-P(核采样):动态的词汇选择

Top-P提供了一种比单纯Top-K更智能的采样方式。它不固定选择前K个词,而是选择累积概率达到P(如0.9)的一组词。
●工作机制:
○假设模型预测下一个词的概率为:好(60%)、不错(30%)、糟(9%)、可乐(1%)。
○如果设置Top-P = 0.9,模型会按概率从高到低累加:60% + 30% = 90%。此时累加和达到阈值,候选池被锁定为{好,不错}。模型只能在这两个词中随机选择。
○极低概率的“可乐”(语义不通)被直接排除,即便在Temperature较高时也无法被选中。
●优势:Top-P能够动态调整候选词的数量。在确定性高的地方(如成语接龙),候选池可能只有1个词;在发散性高的地方(如讲故事),候选池可能包含几十个词。这比Temperature更能保证语言的合理性1。

5. 模型的“超能力”:RAG、视觉与记忆机制

原生的大模型存在三大局限:知识截止(不知道最新信息)、幻觉(一本正经胡说)和无状态(不记得之前的对话)。现代AI应用通过外挂系统赋予了模型“超能力”。

5.1 联网搜索与RAG(检索增强生成)

当用户询问“今天北京天气如何?”或者“DeepSeek最新的股价是多少?”时,模型依靠训练数据是无法回答的。RAG技术解决了这个问题。
●流程:
1.意图识别:模型判断用户问题需要外部信息。
2.检索(Retrieval):系统调用搜索引擎API(如Google或Bing),或在私有向量数据库中搜索相关文档。
3.增强(Augmentation):将搜索到的实时信息(Snippet)作为“上下文”插入到系统提示词中。
4.生成(Generation):模型阅读这些上下文,结合用户问题生成答案。
●价值:RAG不仅解决了时效性问题,还通过提供参考来源,大大降低了模型的幻觉率,特别是在企业知识库问答中应用广泛1。

5.2 文件读取与向量数据库

处理长文档(如PDF财报、法律合同)的核心在于切片(Chunking)与嵌入(Embedding)。
●机制:系统将长文档切分成数百个小段落。利用Embedding模型将每个段落转化为一个高维向量(一串数字),这串数字代表了段落的语义。
●存储与查询:这些向量被存储在向量数据库中。当用户提问时,问题也被转化为向量。系统通过计算向量之间的距离(如余弦相似度),快速找到与问题语义最接近的段落,并将其喂给大模型。这使得大模型能够“读懂”数十万字的书籍并回答细节问题1。

5.3 记忆机制:从金鱼到伙伴

LLM的API调用本质上是无状态的(Stateless)。为了实现连续对话,开发者必须维护一个“记忆队列”。
●短期记忆:在每次API请求中,将过去几轮的对话历史(Messages List)完整地发送给模型。这称为“滑动窗口”机制。
●长期记忆:对于超出上下文窗口的信息,系统会提取关键信息(如用户的姓名、职业、偏好)存储在外部数据库中。在新的对话开始时,系统会先查询这些用户画像,注入到System Prompt中,从而让AI展现出这就好比拥有了长期的“人际关系”记忆1。

6. 工程实践:基于DashScope (Qwen) 的全栈开发指南

理论落地为应用,离不开API的调用。本节将基于阿里云DashScope SDK,详细演示从环境配置到复杂Function Call的代码实现。

6.1 环境配置与鉴权

安全是工程的第一步。绝对不要将API Key硬编码在代码中。推荐使用环境变量。
Bash# 安装SDKpip install dashscope# 设置环境变量 (Linux/macOS)export DASHSCOPE_API_KEY="sk-your-api-key"

6.2 基础对话与情感分析实战

情感分析是自然语言处理的经典任务。利用Qwen-Turbo模型,我们可以快速构建一个舆情分析工具1。
Python
importjsonimportosimportdashscopefromdashscope.api_entities.dashscope_responseimportRole#即使设置了环境变量,代码中也可以显式调用(仅作演示,生产环境请用os.getenv)dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")defanalyze_sentiment(review_text):#构建消息列表messages =try:response = dashscope.Generation.call(model='qwen-turbo',messages=messages,result_format='message',#指定返回格式为消息对象temperature=0.1#设置低温度以保证输出的确定性)ifresponse.status_code ==200:returnresponse.output.choices.message.contentelse:returnf"API Error:{response.code}-{response.message}"exceptExceptionase:returnf"System Error:{str(e)}"#测试用例user_review ="这款耳机的音质超出了我的预期,佩戴也非常舒适!"print(f"评论:{user_review}\n情感:{analyze_sentiment(user_review)}")#预期输出:正向
代码解析:
●System Prompt的作用:我们通过系统提示词强行约束了模型的行为。如果没有这就话,模型可能会回答“这就话表达了用户对耳机的喜爱...”,这不利于后续的程序化处理。
●Temperature=0.1:对于分类任务,我们需要稳定的输出,因此降低温度。

6.3 进阶工程:Function Call(工具调用)架构

Function Call是Agent(智能体)的核心。它允许模型“连接”外部世界。模型并不直接执行代码,而是输出“我想调用这个函数”的指令,由客户端代码执行后再返还结果1。
场景:用户询问“上海的天气怎么样?”。
步骤1:定义工具描述(Schema)
模型需要知道有哪些工具可用,以及参数格式。
Python
tools = [{"type":"function","function": {"name":"get_current_weather","description":"查询指定城市的实时天气情况","parameters": {"type":"object","properties": {"location": {"type":"string","description":"城市名称,如:北京、上海"},"unit": {"type":"string","enum": ["摄氏度","华氏度"]}},"required": ["location"]}}}]
步骤2:模拟外部API函数
在实际生产中,这里会调用高德或OpenWeather的API。
Python
defget_current_weather(location, unit="摄氏度"):#模拟数据weather_data = {"上海": {"temp":25,"condition":"晴朗"},"北京": {"temp":20,"condition":"多云"},"深圳": {"temp":30,"condition":"阵雨"}}info = weather_data.get(location, {"temp":"未知","condition":"未知"})returnjson.dumps({"location": location,"temperature": info["temp"],"unit": unit,"condition": info["condition"]})
步骤3:构建ReAct循环(推理-执行-观察)
Python
defrun_conversation():messages = [{"role":"user","content":"上海和北京现在的天气怎么样?"}]#第一次调用:模型分析意图,决定调用工具response = dashscope.Generation.call(model='qwen-turbo',messages=messages,tools=tools,result_format='message')#检查模型是否发起了工具调用请求ifresponse.status_code ==200:message = response.output.choices.messageprint("模型思考结果:", message.content)#通常为空或包含思考过程ifmessage.tool_calls:messages.append(message)#将助手的思考加入历史#处理每一个工具调用(可能同时调用多次,如分别查上海和北京)fortool_callinmessage.tool_calls:fn_name = tool_call.function.namefn_args = json.loads(tool_call.function.arguments)iffn_name =='get_current_weather':print(f"正在调用工具:{fn_name}参数:{fn_args}")tool_result = get_current_weather(**fn_args)#将工具执行结果作为'tool'角色反馈给模型messages.append({"role":"tool","name": fn_name,"content": tool_result})#第二次调用:模型根据工具结果生成最终回答final_response = dashscope.Generation.call(model='qwen-turbo',messages=messages,result_format='message')print("最终回答:", final_response.output.choices.message.content)run_conversation()
执行逻辑分析:
1.用户提问涉及两个城市。Qwen模型足够智能,可能会生成两个tool_calls,分别查询上海和北京。
2.Python代码捕获这些调用,执行get_current_weather函数。
3.将JSON格式的天气数据(如{"temp": 25...})回传给模型。
4.模型最终将枯燥的数据转化为自然语言:“上海目前晴朗,25摄氏度;北京多云,20摄氏度。”1

6.4 多模态应用:Qwen-VL表格提取

传统的OCR(光学字符识别)只能读取文字坐标,无法理解表格的行列逻辑。Qwen-VL等多模态模型可以像人类一样“看懂”表格结构并输出JSON1。
Python
fromdashscopeimportMultiModalConversationdefextract_table(image_url):messages =}]response = MultiModalConversation.call(model='qwen-vl-max',messages=messages)returnresponse.output.choices.message.content
这种能力在财务报销、物流单据处理等场景具有革命性意义,它极大地降低了定制化OCR模版的开发成本。

7. 行业应用深潜:大模型如何重塑垂直领域

PPT中列举了金融、医疗、物流等多个行业的应用场景,结合当前2025年的行业趋势,我们可以看到更深层次的变革1。

7.1 运维(AIOps)领域的自动化处置

传统的运维依赖脚本,而大模型引入了“认知运维”。
●场景描述:凌晨3点,数据库CPU飙升。
●Agent工作流:
1.告警理解:LLM接收告警“DB CPU 99%”,判断为“紧急-资源饱和”。
2.根因分析:LLM自动生成SQL查询监控系统,对比历史数据,发现某条慢SQL在大量执行。
3.决策建议:LLM检索运维知识库,建议“Kill掉慢查询会话”或“扩容”。
4.执行:人工确认后,LLM调用API执行操作。这大大缩短了MTTR(平均修复时间),将运维人员从繁琐的排查中解放出来1。

7.2 金融与保险:非结构化数据的结构化

●保险条款解析:保险合同通常长达数十页,晦涩难懂。大模型可以瞬间提取出“免赔额”、“覆盖范围”等关键字段,效率提升30倍以上。
●智能风控:通过分析用户的文本备注、通话记录等非结构化数据,结合传统的征信数据,大模型能更精准地识别潜在的欺诈风险,借贷风险判断准确率提升21.5%1。

7.3 医疗:病历抽取与辅助诊断

●病历结构化:医生手写的病历往往杂乱无章。大模型可以将其转化为标准的EMR(电子病历)数据,提取出症状、诊断、处方等实体。
●影像辅助:视觉大模型(如Qwen-VL)可以辅助分析X光片,自动标记疑似病变区域,作为放射科医生的“第二双眼睛”1。

8. 总结与展望

2025年的AI世界,正在经历从“模型竞赛”向“应用生态”的转型。
1.技术的民主化:随着DeepSeek-R1等高性能开源模型的出现,顶级AI能力的获取门槛被大幅降低。企业不再必须依赖昂贵的闭源API,私有化部署成为主流选择,这在数据隐私敏感的金融与政务领域尤为重要3。
2.推理模型的崛起:仅仅“预测下一个词”已不足够。新一代模型(如OpenAI o3, DeepSeek-R1)通过强化学习习得了“慢思考”(System 2 Thinking),能够在输出结果前进行内部的思维链推导,从而攻克了数学证明、复杂代码生成等曾经的禁区3。
3.Agent即未来:单纯的对话框(Chatbot)只是冰山一角。真正的价值在于通过Function Call将大模型接入企业ERP、CRM与生产系统。未来的软件开发,将不再是写死逻辑,而是定义工具与目标,由大模型来编排执行路径——这就是“Flow Engineering”(流程工程)的黎明。
对于开发者与企业而言,现在是拥抱这一技术浪潮的最佳时机。不仅要学会写Prompt,更要学会构建以模型为核心的智能系统,利用大模型的通识能力与推理能力,解决那些曾经被认为无法自动化的长尾问题。
参考资料来源:
1 上传文档: 1-AI大模型原理与API使用.pdf
2 Stanford AI Index Report 2025 (Global Trends)
3 Artificial Analysis State of AI Q1 2025 (Reasoning Models)
11 Qwen Documentation (Function Calling)
9 SkillBloomer: AI Model Technical Comparison 2025
6 Medium: OpenAI vs DeepSeek vs Qwen Comparison
10 Alibaba Cloud Model Studio Guide
11 Qwen Readthedocs: Function Call Examples
2 Stanford AI Index (Geopolitics & Hardware)
3 Artificial Analysis (Reasoning Frontier & Open Source)
引用的著作
1.1-AI大模型原理与API使用.pdf
2.The 2025 AI Index Report | Stanford HAI, 访问时间为 一月 11, 2026,
3.Artificial Analysis State of AI - Q1 2025 Highlights Report, 访问时间为 一月 11, 2026,
4.LLM Leaderboard 2025 - Vellum AI, 访问时间为 一月 11, 2026,
5.AI Leaderboards 2026 - Compare LLM, TTS, STT, Video, Image & Embedding Models, 访问时间为 一月 11, 2026,
6.OpenAI vs DeepSeek vs Qwen: The Ultimate AI Battle of 2025 | by shiva shanker - Medium, 访问时间为 一月 11, 2026,
7.Is Qwen2.5-Max Better than DeepSeek-R1 and Kimi k1.5? - Analytics Vidhya, 访问时间为 一月 11, 2026,
8.Qwen2.5-VL Vision Model: Features, Applications, and More - Analytics Vidhya, 访问时间为 一月 11, 2026,
9.AI Model Showdown: Qwen2.5 Max vs. DeepSeek R1 vs. OpenAI o3-mini – A Technical Comparison - Skill Bloomer, 访问时间为 一月 11, 2026,
10.Alibaba Cloud Model Studio:Application calling, 访问时间为 一月 11, 2026,
11.Function Calling - Qwen, 访问时间为 一月 11, 2026,
12.Fine-tuning Qwen2.5-VL for Document Information Extraction - Ubiai, 访问时间为 一月 11, 2026,
 
打赏
 
更多>同类资讯
0 条相关评论

推荐图文
推荐资讯
点击排行
网站首页  |  关于我们  |  联系方式  |  使用协议  |  版权隐私  |  网站地图  |  排名推广  |  广告服务  |  积分换礼  |  网站留言  |  RSS订阅  |  违规举报  |  皖ICP备20008329号-18
Powered By DESTOON