Apache

一款优秀的主动睡眠制冷设备，旨在解决传统空调或风扇在睡眠场景下的诸多痛点，其核心功能围绕以下几点构建：精准温控：能够实现±0.5℃甚至更高精度的温度控制，并快速响应温度变化，例如在10分钟内实现≥7℃的降温幅度。睡眠状态自适应：设备可以感知用户的睡眠阶段（如入睡、深睡、醒觉），并自动调整运行模式，例

AI大模型核心是通用智能中枢，以海量数据预训练+微调为基础，具备语言、推理、多模态、工具调用等能力，可快速适配多场景。下面按核心能力、进阶能力、行业适配能力分层说明：一、核心基础能力（必选）1. 自然语言理解（NLU）：精准解析语义、情感、意图，支持实体识别、关键词提取、文本分类、歧义消除，适配客服

数字网格长系统是一款AI驱动的智能化管理平台，针对网格管理痛点设计，优化晨会交班流程。通过集成语音识别、人脸识别、数字人、大语言模型（LLM）、TTS及向量数据库等技术，实现内容准备到执行的全自动化，支持管理端、应用端、微信服务号及第三方会议系统集成，提升效率和信息透明度。1.管理端功能管理端提供数

系统采用C#/.NET平台开发，分层架构包括：控制层：与PLC、机械臂、扫码器、贴标机等硬件实时通讯；调度层：基于事件驱动的多线程时序引擎，实现多设备并发协调；视觉AI层：基于深度学习的药品识别、贴标校验、容量识别；业务层：完成医嘱导入、药品匹配、用户权限与日志追溯；监控层：集成视频流、语音播报与报

1.对AVM图像上的车位进行检测，可满足鱼骨车位、平行车位、垂直车位的检测；2.可满足不同光照条件下的车位检测，如晴天、雨天、夜间等；3.检测的效果比常规算法要好；4.算法可在板端部署，效果不弱于PC端效果。

根据历史交易数据以及市场信息捕捉实现模型训练，根据训练后的模型做回测练习，最后开始预测涨跌，并实现大规模量化交易，可实现未来5个交易日的股票价格预测，是股票爱好者的利器。

1、本地部署ragflow构建知识库，构建对应知识库问答助手以及扩展更多的应用助手，从知识库的众多文档中获取，如：企业内部规章制度的问答等；2、本地部署dify构建agent、工作流第等，最大程度发挥大模型的能力。

多平台支持：自动化部署脚本应确保在多个操作系统环境（如Windows、macOS、Linux）下能够顺利运行。不同系统的路径分隔符、权限机制、依赖管理等都可能有所不同，脚本应针对这些差异进行适配。增加本地部署联动性等各类问题，提高整体全局的辅助，同时自动检查整体布局是否能在一个域名交互进行联动。

live2d模型驱动的伪3d模型，实现实时对话，长短记忆，工具调用，情感陪伴等功能，用户喜好习惯等重要记忆自动保存，自动搜索调用，多级别好感度性格prompt实现立体性格设计，langchain框架实现agent调用，对话模型智能识别mcp工具调用请求，构建用户级工具agent流式调用工具，解决用户

API接口安全分析POST/api/analyze：安全分析POST/api/meta-cognition：元认知分析POST/api/intelligent-reasoning：智能推理POST/api/decision：决策生成实验管理POST/api/experiment/create：创建实

EasyTune-LLM是一个专业的大语言模型微调平台，旨在简化LLM微调流程，让开发者和研究人员能够轻松地：管理训练数据集选择和配置基座模型创建和监控训练任务部署和测试微调后的模型

主要是一个AI小助手，可以为同学提供如下功能：1.查询指定历史朝代的基本概况（含时间跨度、政治制度、经济特征、文化成就）2.查询关键历史事件的背景、经过、影响及历史意义3.查询重要历史人物的生平事迹、历史贡献及相关评价4.解读经典历史史料（如文献片段、文物记载、历史地图）5.查询不同历史时期的习题资

1）RAG知识库：导入PDF/Word/表格，清洗分块、向量化、热更新；2）智能对话：基于企业语料高质量问答，引用原文证据；3）流程自动化/多Agent：创建工单、指派、催办、回写表格/审批；4）工具接入：飞书消息/日历/表单/多维表格、Webhook、第三方API；5）权限与审计：按部门/群组控权

互联网信息推荐算法安全评估平台（http://116.62.162.16/home）是一个面向算法治理与信息安全分析的专业工具。该平台支持从快手、微博、抖音、小红书等多类主流平台进行数据抓取与分析，实现对推荐算法行为的全面监测和量化评估。 平台核心功能包括宏观数据看板、账号群体画像分析、安全指标追踪等，能够精准识别如“诱导控制”和“干扰识别”等算法风险行为，并以可视化方式呈现其变化趋势。它已管理超600万账号、37类群体画像，支撑起对信息传播机制与算法影响的深入洞察。 该平台适用于监管机构、研究单位及平台企业，为其提供算法安全评估、舆论风险预警和治理策略制定方面的数据支持，最终推动推荐算法透明、可信、向善发展。

基于 Spring Boot + MyBatis + MySQL + AIGC + React 的智能数据分析平台，封装了讯飞星火模型接口，区别于传统 BI，用户只需要导入原始数据集、并输入分析诉求，就能自动生成可视化图表及分析结论，实现数据分析的降本增效； 后端自定义 Prompt 预设模板并封装用户输入的数据和分析诉求，通过对接 AIGC 接口生成可视化图表 json 配置和分析结论，返回给前端渲染； 由于 AIGC 的输入 Token 限制，使用 Easy Excel 解析用户上传的 XLSX 表格数据文件并压缩为 CSV，实测提高了 20% 的单次输入数据量、并节约了成本； 为保证系统的安全性，对用户上传的原始数据文件进行了后缀名、大小、内容等多重校验； 为防止某用户恶意占用系统资源，基于 Redisson 的 RateLimiter 实现分布式限流，控制单用户访问的频率； 考虑到单个图表的原始数据量较大，基于 MyBatis + 业务层构建自定义 SQL 实现了对每份原始数据的分表存储，提高查询性能 30% 和系统的可扩展性； 由于 AIGC 的响应时间较长，基于自定义 IO 密集型线程池 + 任务队列实现了 AIGC 的并发执行和异步化，提交任务后即可响应前端，提高用户体验； 由于本地任务队列重启丢失数据，使用 RabbitMQ（分布式消息队列）来接受并持久化任务消息，通过 Direct 交换机转发给解耦的 AI 生成模块消费并处理任务，提高了系统的可靠性； 基于 Ant Design Pro 脚手架快速搭建初始项目，并根据业务定制项目模板，如封装全局异常处理逻辑； 使用 TypeScript + ESLint + Prettier + Husky 保证项目编码和提交规范，提高项目质量； 使用 Umi OpenAPI 插件，根据后端 Swagger 接口文档自动生成请求 service 层代码，大幅提高开发效率； 选用兼容性较好的 Echarts 库，接收后端 Ai 生成的动态 json 自动渲染可视化图表。

项目描述：基于大语言模型训练的用于Inventor的画图AI，AI-EDP（Artificial Intelligence Engineering Design Platform）是一款基于Python开发的智能化工程设计平台，通过自主研发的“灵犀1.0”多模态大语言模型，深度融合工程设计全流程（建模→分析→优化→出图→制造），实现从用户需求到生产落地的全链路自动化。 采用技术：模型层：Lingxi-ME-32B v1.0（机械工程领域专项微调）+LoRA v2.0 +DPO v1.2 计算层：PyTorch2.5+CUDA 12.3+OpenMPI 4.2.3+Dask 2024.3.0 工程层：Inventor API 2024 + ANSYS Mechanical APDL 2024 R1 + AutoCAD .NET 项目职责：系统设计，包含需求分析、架构设计、模型设计、提示词设计

项目描述：某外企内部AI智能监控系统无法访问，需要在redhat linux上重装此系统，厂家Vaidio不提供技术支持且厂家安装包只支持ubuntu系统。 主要职责：对厂家Vaidio安装包进行逆向分析，独立制作基于redhat linux的安装包，成功在客户服务器上完成安装。 项目成果：成功在客户服务器上安装AI智能监控系统，恢复原始监控数据，为客户节省成本3万元。

该模型为原DeepSeek-R1-Distill-Qwen-1.5B蒸馏模型转换后的ONNX模型，该模型支持OP14及OP14以上ONNX框架进行部署，可用于适配到不同端侧硬件平台例如：Qualcomm，Atlas，CNStream等，该模型，最大生成长度被设置为32,768个令牌。对于需要采样的基准测试，使用0.6的温度值、0.95的top-p值，并且每条查询生成64个响应来估计pass@1，如需要模型源码文件及部署推理代码请联系我！

本模型用于交通警示标识识别，识别准确率高达95%以上，如有需要请访问：https://modelscope.cn/models/KeanuX/ts_detector/files，内容只包含模型文件若需要进行模型ONNX转换或模型量化或部署请提需求，我会帮你完成。该模型不可二次售出如有发现将依据法律追责

随着人脸识别技术在智能安防、金融支付等隐私敏感场景的大规模部署，传统集中式训练模式导致的用户数据泄露风险成为技术发展的主要瓶颈。本文提出一种基于联邦学习与差分隐私的混合架构人脸识别系统。通过构建支持非独立同分布（Non-IID）数据的联邦学习框架，结合动态隐私预算管理策略，在保护用户数据隐私的同时提升模型泛化能力。实验结果表明，在 Olivetti 人脸数据集上，系统在 ε=1.0 的隐私预算下达到 92.3% 的准确率，较传统联邦学习方法提升 4.7%，验证了隐私保护与模型性能的高效平衡。