AI

本方案旨在实现一个基于人工智能的游戏代练自动化脚本。其核心功能是通过深度学习模型对游戏画面进行实时识别与分析，从而实现自动化操作。 在技术实现上，后端部分完全由 C++ 开发，采用 TensorRT 与 ONNX Runtime 两大推理引擎对 YOLO 模型进行高性能部署。借助 YOLO 模型强大的目标检测能力，系统能够快速、精准地识别游戏画面中的人物、物体或关键元素，并将识别结果作为输入传递至自动化逻辑模块，从而实现诸如角色定位、行为判断、自动操作等一系列功能。通过 TensorRT 的算子优化与硬件加速，推理速度大幅提升，保证了系统在高帧率游戏场景下依旧能够流畅运行。 前端部分则采用 Flutter 构建，提供了一个跨平台、简洁直观、易于使用的图形化界面。用户可在界面中进行模型加载、参数配置、功能选择与运行状态查看等操作，显著降低了技术门槛，使非专业用户也能轻松上手。 在展示图片中，主要体现的是前端界面的设计与交互效果。界面遵循简洁明了的设计理念，保证用户能够快速找到所需功能，同时直观地看到模型推理与自动化操作的运行情况。

本项目以 “静态知识活化 + 动态交互赋能” 为核心，构建 “多模态知识库 + LLM 智能引擎 + 高拟真实时数字人” 三位一体的服务体系。通过将结构化（如产品手册、课程大纲、景区导览数据）与非结构化（如语音问答记录、视频教学片段、游客反馈文本）知识资源整合为标准化知识库，依托 LLM（大语言模型）实现知识的深度理解、精准检索与逻辑生成，最终通过实时数字人载体，将抽象知识转化为拟人化、场景化的交互服务，解决传统知识服务中 “响应不及时、交互不自然、场景适配弱” 的痛点，可广泛应用于商业服务、文旅体验、教育教学等领域，实现 “知识触达更高效、用户体验更沉浸、服务价值更多元” 的目标。

AI在线训练平台是一个面向企业和个人开发者的零门槛 AI 开发平台，为零算法基础的开发者提供定制高精度 AI 模型的服务，包括数据处理、模型训练、服务管理、模型部署功能模块。零代码交互式获取 AI 能力模型，助力各行业快速实现 AI 赋能物体检测模型用于定制识别图片中目标的位置、名称，适合有多个目标主体，或要识别目标位置及数量的场景。常见应用场景：视频监控、工业检测、零件计数等。 我负责全部的Java后端业务接口以及Python端AI能力接口。技术栈使用了Spring Boot以及Mybaitsplus框架来做业务侧API，Pytorch，MMDetection，Celery，FastAPI来做AI侧API能力开发。

千唔是一款技术驱动的AI互动叙事平台，其核心依托于自研微调的大型语言模型（LLM）来生成富有灵魂的角色对话与剧情，并整合了多模态技术（如情感化语音合成TTS、语音识别STT和文生图）来打造沉浸式的视听体验。在技术架构上，后端采用Supabase（基于PostgreSQL）提供了一站式的实时数据库与用户认证服务，确保了数据处理的效率与可靠性；前端则创新性地使用Kotlin Multiplatform（KMP）跨平台方案共享核心业务逻辑，并结合Jetpack Compose构建了Android端流畅现代的UI，实现了高效开发与双平台一致的高质量用户体验。

奈斯AI全新GO版本体系 采用Vue3+Gin全栈技术架构开发的新一代AI应用平台，相比传统版本实现了质的飞跃。前端基于Vue3 Composition API重构，配合Vite构建工具显著提升开发效率和用户体验。后端采用Go+Gin轻量级框架，充分发挥Go语言高并发特性，通过协程池和连接池优化，实现真正的毫秒级响应速度。 系统集成AI对话、AI绘画、文档处理等多维度AI能力，支持GPT、DALL-E、midjourney等主流模型。采用智能负载均衡和请求分发机制，单节点可处理万级并发请求。通过Redis缓存层和数据库连接池优化，响应时间稳定控制在100ms以内。新架构不仅提升了系统性能，还为后续功能扩展奠定了坚实基础，为用户提供更加流畅高效的AI体验。

1. 面向为用户提供定制化医疗健康管理服务的企业。通过SAAS平台配置、AI技术底座、医疗健康数据中台、知识库，企业即可低成本、快速为用户提供智能化、在线化的医疗健康服务。 2. 基于大语言模型、智能体平台、医疗健康数据与知识库，以智能化手段为用户提供医疗健康咨询、用药指导、慢性病管理、心理咨询、运动与营养指导等多方面的医疗健康服务。 3. SAAS化平台，项目交付更加敏捷快速。可支持私有化部署。 4. PC运营管理端，提供SAAS化配置、用户数据综合分析。微信小程序/app提供面向用户的智能化医疗健康服务。技术：SAAS化平台、大语言模型、智能体平台、多端适配H5、微信小程序。

AI写真软件，通过自研的端侧计算引擎和动态风格迁移技术，为个人用户及企业客户提供高性价比数字影像服务。核心优势体现在：1）8秒极速生成能力，较传统方案提速60%；2）200+可组合风格模板，支持证件照/动漫/职场等多场景应用；3）采用联邦学习技术保障用户隐私安全。该方案已形成SaaS平台+硬件一体机的产品矩阵，尤其适合电商、自媒体等需要高频形象更新的商业场景。

AIGC平台是早期给客户做的AI应用平台，平台使用高端UI设计，主要提供给C端用户使用AI服务，此平台开发经历时间3个月，系统集成多模态AI模型，其中绘画模型是我们给客户私有化部署，并进行模型微调与训练。平台经过测试可支持600多人同时在线生图对话，并发性能高。另外该平台是一个代替好123这类型的导航网站，实现新型导航主义的方式，为更多年轻人服务。

懒人AI是一款利用最新AI大模型解决平面设计师、电商设计师进行产品快速抠图、更换产品背景、修图和打光、一键换装等操作，提高工作效率，让不懂PS的电商人员也能简单、高效的设计自己的电商宣传图; 主要功能：图片高清放大、产品精修、产品打光、一键抠图、一键阔图、文生图、图生图、一键换装等功能； 用户基本不需要学习就可以上手操作，即使不会各种正面关键词和负面关键词也能制作出精美的产品图片，特别适合美工能力不足的电商朋友，对于专业平面设计师亦可作为一款提高工作效率的工具

从0到1开发机器学习平台 纳管多个云上的gpu和cpu-k8s集群 任务功能 多集群多队列多用户组 gpu多机训练，tensorboard可视化 工作流cpu/gpu数据处理 云仿真，单机仿真任务 开发机 gpu-share开发机1虚n gpu双卡开发机 cpu开发机 save镜像 原地重启 cfs/pfs持久化存储 alluxio缓存 4种维度监控、本地和云平台日志 支持优先级

1.文件管理：支持多种格式的文件上传和管理。 2.模型训练与验证：提供模型训练和验证功能，确保问答准确性。 3.多轮问答：支持与用户的多轮对话，以更准确地理解问题和提供答案。 4.下载与集成：允许用户下载系统或与其他业务系统集成。 5.表格问答：能够对表格数据进行问答，实现内容的精准定位。 6.多终端支持：支持多种终端设备，包括PC、平板、手机等。 7.离线模式：支持在无网络环境下的批量部署和使用。 8.AI大脑接入：接入AI问答大模型，提供精准的业务知识问答。 9.低运营成本：实现快速场景落地，减少实施周期和审批流程。 10.易用性：提供友好的用户界面和视频剪辑工具，简化后期处理过程。

AI健康管家是一款集成人工智能技术的全方位健康管理应用，旨在为用户提供个性化的健康监测、心理支持和生活方式指导服务。通过智能化交互与数据分析，帮助用户实现身心健康的全面管理。 系统特色 AI智能交互：通过人工智能技术提供个性化服务体验 全方位健康管理：整合生理健康、心理健康和膳食营养等多维度管理 数据安全保障：严格保护用户隐私，确保健康数据安全 便捷操作界面：直观的侧边栏菜单设计，功能分类清晰，易于使用

AI声音克隆借助先进的机器学习和深度学习技术，AI可以分析和模仿人类的声音，准确复刻说话者的音色，创造出几乎无法区分的复制品，在娱乐和创意产业中有广泛的应用，普通用户也能体验到声音克隆的魅力。 合作方式多样： 1.客户提供需要训练的音频文件，我们代为训练，返回客户要的音频模型。 2.如果客户没有合适的硬件环境，可以帮助训练音频模型和直接返回需要定制的语音内容（wav、mp3等）。 3.可以帮助搭建客户本地的AI声音克隆环境，用户自己训练、自己生成，灵活调整，没有额外费用。

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

1.本方案面向短视频领域创作者，大幅降低了制作视频的时间，实现降本增效 2.相较于市场常规方案，AI自动剪辑视频的精度不够，我们能达到90%以上 3.前端：React/Vue.js构建用户界面 后端：Python/Node.js处理业务逻辑 数据库：MongoDB/PostgreSQL存储项目和用户数据 云服务：AWS/阿里云用于视频存储和处理 智能场景检测：基于计算机视觉算法自动识别关键画面 语音识别转写：集成讯飞/百度语音API进行语音内容分析 自动字幕生成：支持多语言字幕提取和嵌入 智能剪辑算法：基于内容重要性评分的自动剪辑系统

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。

基于langchain，langgraph，向量数据库weaviate，目前实现了以下功能： 1. 文字嵌入向量数据库，可进行相似度检索 2. 图片嵌入向量数据库，可进行相似度检索 3. 智能问答，提高大语言模型回复的准确度 4. 智能体，主要包括：执行“生成查询或回复”操作，并判断是否需要调用检索工具；使用“工具条件”进行下一步的路由，如果“生成查询或回复”返回了工具调用列表，则调用检索工具来获取信息，否则，直接回复给用户；对检索到的文档内容进行相关性评分，然后进行下一步的路由，如果不相关，则使用“重写问题”功能重新编写问题，然后再次调用“生成查询或回复”操作，如果相关，则继续执行“生成答案”操作，并使用检索到的文档上下文通过“工具消息”生成最终回复。 5. 多智能体，由一个supervisor agent进行协调。监督agent，控制所有的通信流程和任务分配，并根据当前的环境和任务要求来决定调用哪个agent

1. 基于Transformer架构，复现GPT-2(124M参数)​​+FP8混合精度 2. 训练数据是HuggingFaceFW/fineweb-edu中的sample-10BT 3. GPU租用的是智星云，GeForce RTX 4090 (24G)，系统Ubuntu，单机4卡 4. 开发工具VS Code 5. 相关版本如下：CUDA Version: 12.4, Driver Version: 550.127.05, torch 2.5.0, triton 3.1.0

项目介绍：联邦学习环境中的后门攻击与防御研究平台 核心目标 本项目构建了一个前沿的联邦学习安全研究平台，专注于模拟后门攻击在分布式机器学习系统中的植入、传播与防御过程。基于OxfordPets图像数据集和VGG16模型架构，系统实现了可配置化的恶意攻击场景，为联邦学习安全机制提供实证研究基础。 关键技术特性 1. 攻击场景高度可控 • 恶意客户端指定：通过backdoor_paticipation_map参数精确选择发起攻击的客户端（如客户端0-2） • 攻击强度调节：支持70%的高比例数据污染（backdoorRatio=0.7） • 多样化触发器：内置像素级触发器（如中心位置[220,220]的红色块攻击） • 目标定向攻击：强制模型将特定样本错误分类至目标类别（backdoorClass=0） 2. 联邦学习全流程模拟 • 多客户端协同训练（默认5客户端） • 支持IID/非IID数据划分（Dirichlet分布） • 集成FedProx防御算法（mu=0.01动态调整） • 10轮联邦训练迭代（n_rounds=10） 3. 双轨评估体系 评估维度 指标说明 技术实现 模型泛化能力 37分类任务准确率 标准测试集验证 系统鲁棒性 后门触发成功率 专用后门测试集监测 攻击演化分析 训练过程动态追踪 Matplotlib可视化性能曲线 科研价值 • 攻击影响量化：揭示后门攻击在不同数据分布（IID/non-IID）下的传播规律 • 防御机制验证：评估FedProx等算法对恶意模型的抑制效果 • 动态脆弱性分析：通过参与率映射（participation_map）探索客户端动态加入/退出的风险 应用场景 • 安全研究：评估联邦学习框架对抗投毒攻击的鲁棒性 • 防御方案设计：验证模型聚合策略、客户端筛选机制的有效性 • 标准测试平台：提供可复现的攻击向量（触发位置、颜色、目标类别组合） 方法论创新 1. 模块化攻击注入：通过定制BackdoorSet实现训练数据无损污染 2. 双重评估机制：同步跟踪主任务准确率和后门攻击成功率 3. 动态参数调整：在训练中期倍增正则化强度（mu值）以增强防御 该平台通过标准化的实验流程和可视化结果分析，为研究后门攻击在参数服务器、客户端本地更新、模型聚合等关键环节的影响提供完整实证支持，推动联邦学习安全领域的方法创新。

本程序致力于提供一个强大且实用的人群计数工具，其核心目标在于精准地检测图像或视频流中出现的人体目标，并高效地统计其数量。为实现这一任务，程序采用了当前深度学习领域的主流框架——PyTorch，构建并部署了一个经过优化的YOLOv3 (You Only Look Once, version 3) 目标检测模型。 YOLOv3 被选为本程序的核心算法，主要得益于其卓越的性能平衡。作为一种单阶段（one-stage）检测器，YOLOv3 以其显著的速度优势闻名，能够在保持较高检测精度的同时，满足实时处理的需求。其核心原理是将目标检测视为一个回归问题，通过单次前向传播即可预测图像中所有目标的边界框位置及所属类别概率。本程序特别利用了 YOLOv3 的 Darknet-53 骨干网络提取深度特征，并结合其多尺度预测机制（在三个不同尺度的特征图上进行检测），使其能够有效应对人群计数中常见的尺度变化大（如近处个体大、远处个体小）和密集遮挡等挑战，精准捕捉不同大小的人体目标。