Batistuta

背景 由于AI研究公司Anthropic在不久前发布了Claude 3.7 Sonnet，网上相应的评测也多如繁星，秉着读万卷书不如行万里路的态度，笔者也希望通过亲自的实测来对Claude 3.7 S

背景 随着基础模型能力的提升，市面上AI Computer Use的方案已经出现了很多，比较熟悉的有Anthropic的computer-use方案。那有没有一款确实好用又低成本的AI自动化操作解决方

Menlo Ventures成立于1976年，总部位于美国加利福尼亚州，是一家风险投资与私募股权公司。 该公司主要关注网络安全、智能云服务和生命科学领域，投资不同发展阶段的企业。 至今，Menlo V

背景 在AI应用搭建的实际场景中，单一的基座模型、或者微调后的单一垂类模型已经无法满足实际的业务需求，受限于模型预训练、微调的数据集限制，市面上很难有一个款能基本满足所有场景的模型。 通用模型不够专业

背景 大模型应用搭建过程中，为什么要使用RAG技术，可以参考《5分钟手把手系列(二)：本地部署Graphrag（Pycharm+Ollama+LM Studio）》 RAG的优势 外部知识的利用： R

背景 随着AI技术的不断升级，AI智能体的应用场景也非常多应用场景下不断普及与落地，很多线上零代码编排平台也如雨后春笋一般的普及开来，那作为天生爱专研的阿里人，肯定不满足于各种封装好的平台工具使用，也

背景 随着行业内越来越多的AI产品落地，很多同学都对AI技术产生浓厚的兴趣，但苦于目前动作几十G上百G的大模型，并且手上的消费级电脑也无法满足各种模型部署运行要求，本文就是基于此背景，介绍如何使用Ma

背景 随着行业内越来越多的通用大模型进行开源，目前huggingface上的模型数量已达93w之多，相信过不了几天就会突破百万甚至千万，大家也是基于业内的开源大模型，针对某些特殊使用场景（如问题回答、

背景 如前作《5分钟手把手系列(四)：如何微调一个大模型（Colab + Unsloth）》所言，截止至发稿日，huggingface上的各类模型已经突破百万（105w），基于各种最新基座模型进行微调