Java相关的AI

如果您想基于网页问卷调查训练一个能在您的逻辑之上自我迭代自动答题的专属模型，有以下两种常见的技术方案： 1. 训练专有大模型： 优点：效果最好。 缺点：成本高，训练和维护需要大量计算资源和专业知识；更新模型知识难度大，需要重新训练或微调，过程复杂耗时。 2. 利用 RAG（检索增强生成）技术： 例如选择 Baichuan27BChat 模型作为底模，配置模型本地路径和提示模板。在 Train 页面里选择 sft 训练方式，加载定义好的数据集，根据数据集大小和收敛情况设置学习率和训练轮次。使用 FlashAttention2 可减少显存需求、加速训练速度；显存小的朋友可减少 batch size 并开启量化训练，内置的 QLora 训练方式好用。但需要用到 xformers 的依赖。根据聊天记录规模大小，训练时间少则几小时，多则几天。 此外，还有学生训练专属植物分类 AI 模型的案例供您参考。在北京市新英才学校的跨学科选修课“生化 E 家”中，老师和学生共同收集校园内不同树叶的照片，在 OpenInnoLab里找到图像分类训练工具，建立植物分类模型，加入大量数据集进行训练，再用图像化编程将其套在程序里，形成简单的识别工具。在这个过程中，老师通过生活体验与学生讨论图像分类原理，学生从体验到实践操作，在不进行大量代码编程的情况下能够训练 AI 模型，并了解模型训练准确度与数据的关系。

以下是一些可用于直接分析 Excel 数据的免费 AI 工具推荐： 1. 让 AI 帮您写 Excel 宏函数，适用于几乎所有主流 AI。 2. Claude 网页版或 ChatGPT，可上传 CSV 进行可视化分析。 3. Excel Labs：Excel 插件，新增生成式 AI 功能，基于 OpenAI 技术，可在 Excel 中利用 AI 进行数据分析和决策支持。 4. Microsoft 365 Copilot：微软推出的 AI 工具，整合了多种办公软件，通过聊天形式完成数据分析或格式创建等任务。 5. Formula Bot：提供数据分析聊天机器人和公式生成器两大功能，可通过自然语言交互式地进行数据分析和生成 Excel 公式。 6. Numerous AI：支持 Excel 和 Google Sheets 的 AI 插件，能执行公式生成、文本内容生成、情感分析、语言翻译等任务。 随着技术发展，未来可能会有更多 AI 功能集成到 Excel 中，进一步提高工作效率和数据处理的智能化水平。但请注意，内容由 AI 大模型生成，请仔细甄别。

以下是一些可用于直接分析 Excel 数据的 AI 工具和方法： 1. Excel Labs：这是一个 Excel 插件，基于 OpenAI 技术新增了生成式 AI 功能，可用于数据分析和决策支持。 2. Microsoft 365 Copilot：微软推出的整合了 Word、Excel、PowerPoint、Outlook、Teams 等办公软件的 AI 工具，能通过聊天形式完成数据分析或格式创建等任务。 3. Formula Bot：提供数据分析聊天机器人和公式生成器两大功能，支持自然语言交互式地进行数据分析和生成 Excel 公式。 4. Numerous AI：支持 Excel 和 Google Sheets 的 AI 插件，能进行公式生成、根据提示生成相关文本内容、执行情感分析、语言翻译等任务。 此外，还可以通过让 AI 帮您写 Excel 宏函数来处理数据，对于数据分析，推荐使用 Claude 网页版或 ChatGPT，并可上传 CSV 进行可视化分析。随着技术发展，未来可能会有更多 AI 功能集成到 Excel 中，进一步提高工作效率和数据处理的智能化水平。但请注意，内容由 AI 大模型生成，请仔细甄别。

以下是一些可用于将小说制作成视频的 AI 工具及制作流程： AI 工具： 1. Stable Diffusion（SD）：一种 AI 图像生成模型，可基于文本描述生成图像。网址：https://github.com/StabilityAI 2. Midjourney（MJ）：适用于创建小说中的场景和角色图像。网址：https://www.midjourney.com 3. Adobe Firefly：Adobe 的 AI 创意工具，能生成图像和设计模板。网址：https://www.adobe.com/products/firefly.html 4. Pika AI：文本生成视频的 AI 工具，适合动画制作。网址：https://pika.art/waitlist 5. Clipfly：一站式 AI 视频生成和剪辑平台。网址：https://www.aihub.cn/tools/video/clipfly/ 6. VEED.IO：在线视频编辑工具，具有 AI 视频生成器功能。网址：https://www.veed.io/zhCN/tools/aivideo 7. 极虎漫剪：结合 Stable Diffusion 技术的小说推文视频创作提效工具。网址：https://tiger.easyartx.com/landing 8. 故事 AI 绘图：小说转视频的 AI 工具。网址：https://www.aihub.cn/tools/video/gushiai/ 制作流程： 1. 小说内容分析：使用 AI 工具（如 ChatGPT）分析小说内容，提取关键场景、角色和情节。 2. 生成角色与场景描述：根据小说内容，使用工具（如 Stable Diffusion 或 Midjourney）生成角色和场景的视觉描述。 3. 图像生成：使用 AI 图像生成工具根据描述创建角色和场景的图像。 4. 视频脚本制作：将提取的关键点和生成的图像组合成视频脚本。 5. 音频制作：利用 AI 配音工具（如 Adobe Firefly）将小说文本转换为语音，添加背景音乐和音效。 6. 视频编辑与合成：使用视频编辑软件（如 Clipfly 或 VEED.IO）将图像、音频和文字合成为视频。 7. 后期处理：对生成的视频进行剪辑、添加特效和转场，以提高视频质量。 8. 审阅与调整：观看生成的视频，根据需要进行调整，比如重新编辑某些场景或调整音频。 9. 输出与分享：完成所有编辑后，输出最终视频，并在所需平台上分享。 请注意，具体的操作步骤和所需工具可能会根据项目的具体需求和个人偏好有所不同。此外，AI 工具的可用性和功能也可能会随时间而变化，建议直接访问上述提供的工具网址获取最新信息和使用指南。 另外，以“AI 特效挑战 001 杯子里的鲸鱼”为例，选用视频制作工具时，如使用可灵 AI，可参考以下步骤： 1. 打开可灵 AI，网址：https://klingai.kuaishou.com/ ，点击图生视频，上传第一张图片。输入提示词时一定需要加“固定镜头”。 2. 按照上述做法制作第二张图片的动态效果，得到两段视频。 视频剪辑方面（以 PC 端为例）： 1. 右上方点击抠像按钮。 2. 鼠标选中要处理的素材。 3. 把带绿幕的素材先放入下面主视频轨道。 4. 打开剪映，导入需要的三段素材。 5. 把带绿幕的素材和下方黑色咖啡的素材合成一个片段。 6. 点击新建的复合片段，调整对应的参数，最后完成。

学习开发 AI 的第一步包括以下几个方面： 1. 了解 AI 基本概念：建议阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。同时浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅：在「」中，您将找到一系列为初学者设计的课程。特别推荐李宏毅老师的课程。您还可以通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习：AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。同时建议掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试：理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品：与现有的 AI 产品进行互动是学习 AI 的另一种有效方式。尝试使用如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。

以下是为您整理的相关内容： 首先使用 Fanbook 中的 niji6 模型及sref 指令，并确定视频尺寸为 16:9。 根据丝绸之路的古风主题确定风格和时长，然后设定故事主线和镜头。 基于故事剧本和相关资料扩充每一个画面，参考分镜头基本格式要求，按场景、地点、镜号、画面描述、台词、音效等维度填充。画面数量与台词长短有关，要精简人物对话。 若对某句台词缺乏画面灵感，可借助语言大模型，如与 Kimi 交流，让其帮忙写画面描述甚至加上音效需求。大模型能提供灵感，可多提问尝试，但最终画面的选取和平衡需进一步思考，在 AI 辅助下完成分镜头剧本。

以下是为 Java 程序员转型大模型算法工程师提供的一些建议： 1. 学习相关理论知识：了解大模型的基本原理，包括模型架构、预训练及微调、部署及推理等。 2. 掌握技术工具：熟悉 LLM 相关技术，如 Transformer、Prompt Tuning、RLHF、Langchain、Agent、MOE、RAG 等。 3. 提升编程能力：熟悉算法和数据结构，具备扎实的编程基础，尤其是 Python 开发。 4. 积累项目经验： 可以参考大圣的全网最适合小白的 Llama3 部署和微调教程，该教程手把手教您下载并部署 Llama3 模型，使用甄嬛数据集微调模型，并了解微调的意义和概念。但需注意，此教程不会讲解微调的技术性原理及文中用到的 Python 代码。 关注招聘信息，例如序智科技和中国移动设计院的招聘需求，了解大模型算法工程师的职责和要求，针对性地提升自己的能力。 5. 增强相关技能： 对至少 2 个框架具备源码级别的理解和优化能力，包括但不限于 Langchain、XAgent、ChatDev、DsPy、AutoGPT、BabyAGI、MetaGPT。 熟悉 GPT Function Calling 原理，熟练掌握 Prompt Engineering。 对预训练/微调（尤其是微调）熟练，熟练掌握 huggingface/deepspeed（或其他框架）。 对多模态大模型有一定了解，精通低代码平台会是加分项。 您可以根据自身情况，有针对性地进行学习和实践，逐步实现从 Java 程序员向大模型算法工程师的转型。

对于 Java 程序员将 AI 结合到 K12 教育公司的业务中，以下是一些可能的方向和建议： 首先，可以考虑利用自然语言处理技术来改善学生与学习平台的交互体验。例如，开发智能客服，能够自动回答学生和家长常见的问题，提高服务效率。 其次，通过机器学习算法对学生的学习数据进行分析，从而实现个性化的学习推荐。比如根据学生的学习进度、成绩、学习习惯等因素，为他们推荐适合的课程、练习和学习资源。 另外，运用图像识别技术来辅助教学材料的制作和评估。例如，自动识别和批改学生的手写作业、试卷等。 还可以开发智能辅导系统，为学生提供实时的学习指导和答疑服务。 最后，利用语音识别和合成技术，打造有声读物、语音教学等功能，丰富教学形式。 但在将 AI 引入业务的过程中，需要注意数据的安全性和合法性，以及确保技术的可靠性和稳定性。同时，要充分考虑教育的特点和学生的需求，以实现有效的融合和应用。

以下是为有 Java、Scala、Hadoop、Spark、Flink 开发经验的员工提供的 AI 入门学习提纲及对应学习内容： 1. 学习资源推荐： 系统化学习：观看李弘毅老师的生成式 AI 导论、吴达的生成式 AI 入门视频等，并整理学习笔记与大家交流互动。 社区共创学习：参与社区共创活动，通过做小项目反向推动学习。 参考资料：A16Z 推荐的 AI 相关原理内容，包括 GPT 相关知识、Transformer 模型运作原理、大语言模型词语接龙原理等基础知识。 官方 cookbook：open AI 的官方 cookbook，小琪姐做了中文精读翻译。 历史脉络资料：整理 open AI 的发展时间线、万字长文回顾等。 2. 学习路径： 从提示词开始学习与各类模型的对话，了解其重要性和结构化提示词的优势。 学习过程中可以先从国内模型工具入手，不花钱，若想进阶再考虑高阶方向。 3. 其他学习方式： 创作者将内容做成可视化形式，后续会发到群里。 上传相关 PPT 用作参考。 从温达、李弘毅老师课程等学习入门。 了解时代杂志评选的百位领军人物。 学习 AI 相关名词解释，如 AGI、AIGC、agent、prompt 等，可通过与 AI 对话或李继刚老师的课程来理解。 订阅赛博蝉星公众号、国外优质博主的 blog 或 Twitter 等获取最新信息并投稿。 参与社区活动，如 AIPU、CONFIUI 生态大会、每月的切磋大会、新活动 AIPO 等。

大模型在以 Java 和 Vue 技术为主的软件开发公司中，具有以下一些应用场景： 1. 代码自动生成：大模型可以根据需求描述生成 Java 或 Vue 的代码片段，提高开发效率。 2. 代码优化建议：分析现有代码，提供优化的建议和策略，提升代码质量。 3. 智能错误检测与修复：快速识别代码中的错误，并提供可能的修复方案。 4. 需求分析与理解：帮助更好地理解和梳理复杂的业务需求，转化为技术实现的思路。 5. 自动化测试用例生成：根据代码和需求生成有效的测试用例，提高测试效率和覆盖度。 6. 技术选型辅助：在面临新的项目或技术难题时，提供相关技术选型的参考和建议。

对于 35 岁的 Java 后端开发人员转型 AI 开发，以下是一些建议： 1. 利用固定格式文档结合 AI 进行代码开发时，要强调组员的主观能动性，让他们自主设计，组长负责引导和经验分享。文档并非唯一最佳方式，可尝试用简短描述或 Prompt 辅助代码生成。在 AI 编程中，设计非常重要，模块化低耦合设计和清晰的上下文对代码生成效果尤为关键。参考链接： 2. 借助 AI 编程工具（如 Cursor），熟悉 LLM 原理，探索复杂 Prompt 和定制化规则。开展 LLM 相关的 Side Project（如翻译工具、AI 对话应用等），通过实践快速掌握技能。将 AI 当老师，边做边学，获取即时反馈，持续提升。核心建议是行动起来，找到正反馈，坚持使用 AI 辅助编程。参考链接：

以下是 Java 程序员从 0 到 1 开发微调模型的步骤和相关信息： 准备工作： 假设您已经按照相关说明准备了训练数据。 使用 OpenAI CLI 进行微调： 1. 明确从哪里 BASE_MODEL 开始的基本模型的名称（如 ada、babbage、curie 或 davinci），您可以使用后缀参数自定义微调模型的名称。 2. 运行相关命令，该命令会执行以下操作： 使用文件 API 上传文件（或使用已经上传的文件）。 创建微调作业。 流式传输事件直到作业完成（这通常需要几分钟，但如果队列中有很多作业或您的数据集很大，则可能需要数小时）。 关于基本模型： 每个微调工作都从一个默认为 curie 的基本模型开始。模型的选择会影响模型的性能和运行微调模型的成本。您的模型可以是 ada、babbage、curie 或 davinci。请访问定价页面了解有关微调费率的详细信息。 微调作业的时间： 开始微调作业后，可能需要一些时间才能完成。在系统中，您的工作可能排在其他工作之后，训练模型可能需要几分钟或几小时，具体取决于模型和数据集的大小。如果事件流因任何原因中断，您可以通过运行特定命令恢复它。工作完成后，它应该显示微调模型的名称。 微调的优势： 1. 比即时设计更高质量的结果。 2. 能够训练比提示中更多的例子。 3. 由于更短的提示而节省了 Token。 4. 更低的延迟请求。 微调的步骤： 1. 准备和上传训练数据。 2. 训练新的微调模型。 3. 使用您的微调模型。 可微调的模型： 微调目前仅适用于以下基础模型：davinci、curie、babbage 和 ada。这些是原始模型，在训练后没有任何说明（例如 textdavinci003）。您还可以继续微调微调模型以添加其他数据，而无需从头开始。 安装建议： 建议使用 OpenAI 命令行界面。要安装这个，运行相关指令（以下说明适用于 0.9.4 及更高版本。此外，OpenAI CLI 需要 python 3）。通过将相关行添加到您的 shell 初始化脚本（例如.bashrc、zshrc 等）或在微调命令之前的命令行中运行它来设置您的环境变量。 此外，还有“大圣：全网最适合小白的 Llama3 部署和微调教程”，其核心代码全部参考如下开源项目： 。该教程有诸多亮点，如教您如何购买算力，手把手教您下载并部署 Llama3 模型，使用甄嬛数据集微调 Llama3 模型等，但不会讲解微调的技术性原理以及文中会用到的 Python 代码，且需要您充值 50 块钱购买算力的预充值。

搭建一个知识库智能问答机器人通常包括以下流程： 1. 基于 RAG 机制： RAG 机制全称为“检索增强生成”，是一种结合检索和生成的自然语言处理技术。它先从大型数据集中检索与问题相关的信息，再利用这些信息生成回答。 要实现知识库问答功能，需创建包含大量文章和资料的知识库，例如有关 AI 启蒙和信息来源的知识库，并通过手工录入方式上传文章内容。 2. 利用 Coze 搭建： 收集知识：确认知识库支持的数据类型，通过企业或个人沉淀的 Word、PDF 等文档、云文档（通过链接访问）、互联网公开内容（可安装 Coze 提供的插件采集）等方式收集。 创建知识库。 创建数据库用以存储每次的问答。 创建工作流： 思考整个流程，包括用户输入问题、大模型通过知识库搜索答案、大模型根据知识库内容生成答案、数据库存储用户问题和答案、将答案展示给用户。 Start 节点：每个工作流默认都有的节点，是工作流的开始，可定义输入变量，如 question，由 Bot 从外部获取信息传递过来。 知识库节点：输入为用户的查询 Query，输出为从知识库中查询出来的匹配片段。注意查询策略，如混合查询、语义查询、全文索引等概念。 变量节点：具有设置变量给 Bot 和从 Bot 中获取变量的能力。 编写 Bot 的提示词。 预览调试与发布。 海外官方文档：https://www.coze.com/docs/zh_cn/knowledge.html 国内官方文档：https://www.coze.cn/docs/guides/use_knowledge

以下是为您挑选的向 40 岁左右科研从业者科普人工智能和大模型的提纲内容： 一、AI 大模型的基本概念 1. 生成式 AI 生成的内容称为 AIGC 2. 相关技术名词 AI：人工智能 机器学习：电脑找规律学习，包括监督学习、无监督学习、强化学习 监督学习：有标签的训练数据，学习输入和输出之间的映射关系，包括分类和回归 无监督学习：学习的数据没有标签，算法自主发现规律，经典任务如聚类 强化学习：从反馈里学习，最大化奖励或最小化损失，类似训小狗 深度学习：参照人脑有神经网络和神经元，因层数多称为深度，神经网络可用于多种学习方式 生成式 AI：可以生成文本、图片、音频、视频等内容形式 LLM：大语言模型，生成图像的扩散模型不是大语言模型，大语言模型的生成只是处理任务之一，如谷歌的 BERT 模型可用于语义理解 二、AI 大模型的技术里程碑 1. 2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出 Transformer 模型，完全基于自注意力机制处理序列数据，不依赖循环神经网络或卷积神经网络 三、AI 模型及相关进展 1. 包括视频生成模型、相关论文，以及 AI 在诺奖和蛋白质研究领域的应用等 2. 人工智能发展历程：从图灵测试、早期的图灵机器人和 ELISA，到 IBM 的语音控制打印机、完全由人工智能创作的小说、微软的同声传译系统，再到 OpenAI 发布 ChatGPT 模型，经历了萌芽、积累沉淀到如今大模型和多模态模型百花齐放的阶段 3. 大模型的基石：由数据、算法、算力构成，算法有技术架构的迭代，如英伟达的显卡辅助模型训练，数据质量对生成理想的大模型至关重要 4. 针对弱智 8 的问题对大模型进行测试，开展让大模型回复问题并找出真人回复的活动，且国内大模型的回答能力有很大改进 5. 大语言模型的特点：早期回复缺乏情感，如今有所改进，后续将体验几个大模型的回复场景

以下是关于使用 AI 炒股的相关内容： 1. Stocked AI 是一个投资服务，提供每日股票推荐。其推荐由机器学习模型生成，使用人工智能预测下一天的股票收盘价。 2. 博主林亦 LYi 的《AI 炒股？我开了一家员工全是 AI 的公司，自动帮我炒股》在某种程度上实现了多 Agent 协作的能力。 3. 有摊位提出“AI+交易：来定制专属于你的私人高级交易顾问吧！”的思路，期望借助 AI 分析行情，提高资金使用效率。 目前 AI Agent 应用大多集中在 2B 场景，面向个人消费者的产品较少。一方面高度智能化的 Agent 能力需要打磨，概念落地还有距离；另一方面 AI 和娱乐消费诉求的结合几乎没有，其主要带来的是生产方式变革和效率变革。个人消费者方向，目前只看到“私人助理”场景。

以下是关于 Coze 工作流从入门到实操的相关资料： 一、一泽 Eze 的教程 Step 1：制定任务的关键方法 1. 设计每个子任务的执行方法 阅读理解小作业：基于英文原文，精心策划 3 道符合 CET4 难度的阅读理解题目。每道题均提供 A、B、C、D 四个选项，正确答案所在选项顺序随机，题目和选项均以英文呈现。题目的参考格式如下： 1） A. B. C. D. 参考答案：针对 3 道题目，生成题目答案。预期格式如下： 1） 答案： 2） 答案： 3） 答案： 英文音频：根据原文，利用 TTS 技术朗读全文 全文对照精读：根据原文，按照以下格式，分段完成全文精读结果的输出： 音标： 中文释义： 英文例句： 例句翻译： 二、大圣的教程 二、Coze 使用教程 1. 工作流AI Agent 的内功心法 节点：工作流是由多个节点构成，节点是组成工作流的基本单元。节点的本质就是一个包含输入和输出的函数。 Coze 平台支持的节点类型： LLM（大语言模型）：使用输入参数和提示词生成处理结果。 Code（代码）：通过 IDE 编写代码处理输入参数，并返回输出值。 Knowledage（知识库）：根据输入参数从关联知识库中召回数据，并返回。 Condition（条件判断）：ifelse 逻辑节点，用于设计工作流内的分支流程，根据设置条件运行相应的分支。 Variable（获取变量）：从 Bot 中获取变量作为参数在工作流中使用。 Database（数据库）：在工作流中使用提前配置在 Bot 数据库中的数据。 2. 创建和使用工作流 这一块官方有现成的教程参考： 海外参考文档：https://www.coze.com/docs/zh_cn/use_workflow.html 国内参考文档：https://www.coze.cn/docs/guides/use_workflow 国内版本还提供了一些示例，学习工作流强烈建议大家跟着实操一遍： 搜索新闻：https://www.coze.cn/docs/guides/workflow_search_news 使用 LLM 处理问题：https://www.coze.cn/docs/guides/workflow_use_llm 生成随机数：https://www.coze.cn/docs/guides/workflow_use_code 搜索并获取第一个链接的内容：https://www.coze.cn/docs/guides/workflow_get_content 识别用户意图：https://www.coze.cn/docs/guides/workflow_user_intent 三、蓝衣剑客的教程 三、Coze 简介 1. 工作流 在典型应用场景中，入门级场景可能仅添加一个节点来构建简单工作流。例如，使用获取新闻插件构建一个获取新闻列表的工作流；使用大模型节点接收并处理用户问题等。 更进阶的场景则通过多个节点组合构建逻辑较复杂的工作流。例如，在搜索并获取指定信息详情的场景中，先通过插件能力进行关键词搜索、然后通过代码节点过滤指定信息、最后通过插件能力获取信息详情；或者在通过条件判断识别用户意图的场景中，通过大模型节点处理用户消息，并将消息分类后通过条件节点分别处理不同类型的消息。这些详细配置教程提供了实际操作指南以帮助理解和应用各种功能。

很抱歉，目前知识库中没有关于处理 ES 相关的 agent 以及方式的具体内容。但一般来说，处理与 ES（Elasticsearch）相关的 agent 可能涉及到对数据的采集、索引、搜索和分析等操作。常见的方式包括使用合适的编程语言和相关的库来与 ES 进行交互，例如使用 Java 中的 Elasticsearch Java API 或者 Python 中的 elasticsearchpy 库。同时，还需要了解 ES 的配置、索引结构设计、查询语法等方面的知识，以实现高效的数据处理和检索。

以下是关于 Berkeley 相关的 AI 模型信息： 1 月 11 日，UC Berkeley 的 NovaSky 团队推出了 SkyT132BPreview 推理模型。这是一款开源的推理模型，基于 Qwen2.532BInstruct 训练而成，拥有 32B 参数，在数学、编程、物理和科学等复杂任务领域表现出色。使用入口完全开源，提供训练数据集和代码。NovaSky 团队隶属于加州大学伯克利分校 Sky Computing 实验室，成立于 2020 年，致力于推动低成本、高效率的 AI 模型开发。相关链接：https://novaskyai.github.io/posts/skyt1 5 月 23 日，伯克利实验室研究了“宙斯盾”数据集，用 YOLOv8 模型训练，美军及其盟友驱逐舰关键部件的检测精度达 0.926。相关链接：https://arxiv.org/pdf/2405.12167v1