qq_41854911的博客

为了追逐最新的技术趋势，人们不断购买课程、订阅专栏、参加各种技术社群，疲于奔命，却往往难以深入掌握任何一项技术，深陷“害怕错过”的焦虑漩涡，反而忽略了对自身真正有价值的知识和技能的沉淀。我们可以尝试将大模型应用于工作流程的各个环节，例如利用AI进行初步调研、头脑风暴、方案优化、内容创作等，让人工智能辅助我们完成重复性、机械性的工作，从而将人类的创造力和机器的智能优势充分结合，实现工作效率和创新能力的双重提升。点状的知识如同散落的珍珠，难以串联成璀璨的项链，系统性知识的缺失，使得知识焦虑更加挥之不去。

DeepSeek 是一家位于中国的人工智能公司，专注于研发新一代通用人工智能技术。其最引人注目的成就之一便是 DeepSeek 大模型 系列，这是一系列开源的大语言模型，以其卓越的性能和开放性，在业界引起了广泛关注。DeepSeek 开源介绍DeepSeek 秉持着开源开放的精神，将其研发的大模型对外开源，旨在推动人工智能技术的普及和发展。

而要能够部署满血版671B的的服务器显存需要480GB，一张A100 80GB的卡大概14w一张，稳妥起见，需要8张A100，加上服务器集群，大内存等，整个设备价格高达200w。你是不是也碰到过，想用的时候，卡得要死，半天没反应，要么直接给你弹个“服务器繁忙”，瞬间就没脾气了。但是，这想法是好的，现实有点残酷啊！这方法说白了，就是借个“梯子”，通过平台提供的API接口，连接到DeepSeek 的服务器，然后用Chatbox 这种软件，给你弄个舒服的操作界面，用起来就跟直接用DeepSeek 官方的一样！

Cherry Studio搭建本地知识库，让DeepSeek R1发挥最大实力，彻底告别硬件限制！[必看！Cherry Studio + DeepSeek 搭建本地私有知识库！](https://segmentfault.com/a/1190000046073593)

10分钟搞定！DeepSeek+Ollama+AnythingLLM 本地部署完全指南，打造专属知识库Deepseek R1 + ollama + AnythingLLM 本地搭建大模型知识库AnythingLLM：基于RAG方案构专属私有知识库（开源｜高效｜可定制）5 分钟用满血 DeepSeek R1 搭建个人 AI 知识库（含本地部署）使用LM Studio与Anything LLM基于Llama-3高效构建本地知识库系统使用LM Studio与Anything LLM基于Llama-3高效构建本地知

一文带你速通RAG、知识库和LLM！！RAG-大模型的知识库「外挂」｜兼备成本与效益的行业解决方案知识库基础原理介绍如何手撸一个自有知识库的RAG系统RAG框架，都在这了!

[Deepseek R1 + LMStudio 本地部署（windows）](https://www.cnblogs.com/REN-Murphy/p/18702569)[本地部署Deepseek并添加个人知识库(LM studio/AnythingLLM)](https://www.cnblogs.com/blog-dyn/p/18701326)使用LM Studio进行聊天

例如，如果您的显卡显存为 16GB，官方推荐使用 32b 大小的 DeepSeek 模型。请根据您的硬件配置选择适合的模型版本，以获得最佳性能。首先我们需要将ollama和chatbox的安装包，Deepseek模型文件通过U盘或者光盘的形式导入到这台不能联网的电脑上。按照时间排序，找到最大的那个文件，就是gguf格式的模型，复制出来，改名为qwen2.5-coder0.5b.gguf。：基于开源模型（如 QWEN 和 LLAMA）微调，参数量从 1.5B 到 70B 不等，适合本地硬件部署。

该模型输入为发动机的运行条件（海拔、标准温度偏差等）和环境条件（大气温度、大气压力等）、 工作过程参数（压气机流量、压气机压比、燃烧室出口温度、涵道比、压气机压比、涡轮前温度等）以及预测的部件效率和管道恢复系数，通过基于GasTurb进行设计点性能匹配和非设计点性能匹配，最终得到总体性能模型，模型输出数据为整机性能参数（油耗等）， 各站位的压力、温度、流量，部件效率以及EGT 等参数，同时模型还可对不同工况点进仿真，输出不同工况点下整机及各站位的温度、压力和流量等参数。图5展示了某飞机在一年内的健康指数。

一次看文献的时候，看到一篇关于代理模型的文章，讲解的十分细致，深受启发，醍醐灌顶，给大家分享一下学习心得。代理模型通常是指在优化设计中可替代比较复杂和费时的数值分析的近似数学模型，也可称为响应面模型或者是近似模型，比如飞行器的优化设计，就是典型的复杂和费时。此外在做优化设计时，难免会碰见一些难以用直观的函数表达式去表达目标函数，这时也可用代理模型来替代目标函数。使用代理模型可以极大的提高优化设计效率以及降低优化的难度。

最早，代理模型的雏形是多项式响应面模型（用的人很多，其实往往你已经在采用代理模型的思维方式，只是你自己没有意识到）。随着技术的发展，代理模型不再仅仅是简单的替代，而是构成了一种基于历史数据来驱动样本点加入，以逼近全局最优解的优化机制。根据这些点的“代理值”以及它们与目标函数已知的点之间的距离，来估计一个优值函数（merit function）。是的，这不仅仅是一种模型，也是一种战略上思维的方式。神经网络作为一套独立的体系，应该说其对原模型的近似程度最高，随着节点和隐含层的增多，实现模型的完美逼近。

文章目录关于本教程OpenCV是什么？IPPICV 加速OpenCV有哪些应用？OpenCV 使用开源许可证什么是计算机视觉？人类的视觉计算机的视觉场景信息可以辅助计算机视觉使用统计的方法来对抗噪声OpenCV的起源（发展历程）OpenCV 目前的情况谁拥有OpenCVOpenCV包含的模块以及组成结构OpenCV下载和安装（包含所有平台）安装在 Windows 系统下安装 OpenCV从源代码编译 OpenCVLinux 系统下安装 OpenCVMac系统下安装 OpenCV从 Git 获取最新的 Ope