- 综合排序
- 最热优先
- 最新优先
DeepFig ModelFusion：重新定义多模型协同架构
异构模型通信的技术突破当AI模型规模迈入千亿参数时代，单一模型已无法满足复杂场景需求，而多模型协同却面临"通信延迟"与"资源冲突"的双重挑战。 DeepFig独创的ModelFusion架构，通过三项核心技术突破，实现了异构模型的高效协同：1. 张量内存池（TMP）解决多模型显存碎片化问题：统一管理各模型的中间张量，内存复用率提升65%智能预分配策略，将模型启动时间从8分钟压缩至45秒支持显存/内存自动交换，16G显存即可运行4个百亿模型核心技术参数解密表格复制技术指标 DeepFig V1.0行业平均水平技术差距多模型通信延迟12ms85ms7.1x模型切换耗时300ms2.4s8x内存复用率89%42%2.1x最大支持模型数量16个4个4x异构模型兼容性11种类型3 ，在精度损失<5%前提下提升速度2倍分布式训练：支持多机多卡扩展，线性扩展能力达0.92与现有方案的架构对比表格复制技术维度ModelFusion架构传统微服务架构单体大模型架构模型组合灵活性★★★★★
28400编辑于 2025-09-09可扩展文本转语音框架实现多模型协同
这些机器学习模型架构差异巨大，传统集成方式耗时且复杂。为解决该问题，某机构文本转语音团队开发了通用模型集成框架。 模型多样性挑战现代语音模型通常采用双神经网络架构：声学模型：将文本转换为梅尔频谱图声码器：将频谱图转为音频波形主流声学模型采用注意力机制，但存在语音清晰度问题。 集成技术难点框架需要解决三大核心问题：流式处理：支持语音分块生成以降低延迟硬件适配：兼容不同加速器（如需要固定张量大小的专用芯片）逻辑分层：明确模型与集成层的功能边界模块化架构设计集成层通过两类组件实现功能解耦 ：SequenceBlock：处理张量转换（如文本编码）StreamableBlock：按需生成数据（如音频帧）典型声学模型构建示例：双编码器（SequenceBlock）处理文本嵌入上采样器（StreamableBlock Upsampler'}, {'type': 'Decoder'} ] } }]该框架已成功应用于生产环境，既支持最新无注意力架构，也兼容传统模型
19810编辑于 2025-08-14多机器人协同首现基础模型技术突破
多机器人协同首现基础模型技术突破大型语言模型等基础模型引入了AI新范式：无需数据标注，通过海量数据自监督训练的大模型可学习通用能力。该范式最著名的应用集中在语言、图像和视频生成领域。 技术挑战与解决方案为何需要基础模型？ 尽管清楚机器人的运行算法，但实时模拟数千台机器人的交互需消耗巨额计算资源。相比之下，学习型模型能快速推断交通流模式。 研究证实，与其他基础模型类似，机器人集群模型的性能随训练数据量增加持续提升。 四种实验模型 所有模型均将作业场地建模为网格单元，包含机器人（载货/空载）、障碍物、存储位等元素。 性能评估采用动态时间规整距离和拥堵延迟误差两项指标评估：以机器人为中心模型在多数指标表现最优图-场地模型以1300万参数量取得接近效果图像-场地模型因卷积网络不适用像素级预测而效果不佳扩展实验表明，模型性能随训练数据量增加持续提升
18210编辑于 2025-10-09多模态数据与模型协同进化的自我推理框架
摘要多模态大语言模型（MLLMs）近期展现出卓越的推理能力，但进一步提升模型性能需要高质量视觉语言数据集，其标注成本高昂且难以扩展。 现有自改进模型虽能迭代优化，但仍面临两大挑战：（1）视觉与文本数据分别增强导致复杂度不匹配（如过于简化的图表配冗余文本）；（2）数据与模型进化分离造成任务难度与模型能力失配。 方法提出C2-Evo自动闭环自改进框架，通过双循环机制协同进化训练数据与模型能力：跨模态数据进化循环：基于初始数据集生成复杂多模态问题，结合结构化文本子问题与迭代生成的几何图表数据-模型进化循环：根据基础模型表现自适应选择生成问题 代码、模型与数据集将公开。
23310编辑于 2025-09-17- 来自专栏机器学习与推荐算法
多视图多示例多标签的协同矩阵分解
实例和标签）之间的关系，而这些实体之间的关系可以给M3L方法提供丰富的上下文信息，因此，现有的M3L方法性能次优； 2、大部分的MIML算法仅关注单视图数据，但是，在实际应用中，通常可以通过不同的视图来表示多实例多标签对象 2 Related work 由于包之间以及实例之间存在多种类型的关系,与最近大量研究的MIML任务相比，从多视图包中学习更加困难和挑战。当前已有不少研究工作致力于解决这样一种挑战。如表1所示： ? 尽管这些方法在努力解决多视图MIML学习问题，但是这些方法仅考虑了包之间和实例之间有限的关系类型。 3 Methodology 所提模型主要包括两部分，一部分是异质网络的构建，另一部分是协同关系矩阵分解。 3.1 Heterogeneous Network Construction ? 2、construct a bag subnetwork for each feature view 利用豪斯多夫距离为每个试图中的包构建子网 ? ?
1.4K30发布于 2021-04-01 - 来自专栏技术汇总专栏
面向 LLM Agent 的组织模型设计：多 Agent 协同的新范式
面向LLMAgent的组织模型设计：多Agent协同的新范式一、引言：为什么多Agent系统需要“组织模型”随着人工智能系统从“单智能体”向“群体智能”演进，多Agent系统（Multi-AgentSystem 多个Agent如何避免冲突、实现高效协同？为了解决这些问题，组织模型（OrganizationalModel）被引入多Agent系统设计中，用于规范Agent的结构、职责与协作方式。 二、多Agent组织模型的核心要素一个完整的MAS组织模型通常包含以下三个关键维度：角色分配（RoleAssignment）权限管理（Authority&PermissionControl）任务协同策略 、总结：组织模型是多Agent系统工程化的核心在多Agent系统中，组织模型并非理论附属品，而是工程落地的关键设计层：角色分配解决“谁来做什么”权限管理解决“谁能决定什么”任务协同策略解决“如何高效一起做 多Agent系统的复杂性本质上源于“多主体协作”本身，而组织模型正是将这种复杂性工程化、可控化的核心手段。
35110编辑于 2026-01-12 多智能体协同系统
多智能体协同系统的核心概念 多智能体协同系统（Multi-Agent Systems, MAS）通过多个自主智能体的交互实现复杂任务，广泛应用于机器人协作、自动驾驶、游戏AI等领域。 无人机集群协同 案例：美国国防部“Perdix”项目，数百架微型无人机通过局部通信实现编队飞行与动态目标追踪。 技术点：基于强化学习的分布式路径规划，避免碰撞的同时保持队形。 2. 多智能体游戏AI 案例：OpenAI Five在Dota 2中击败人类战队，5个智能体通过共享策略网络实现协作。 技术点：集中式训练-分布式执行（CTDE）框架。 基于PettingZoo的多智能体强化学习 from pettingzoo.mpe import simple_speaker_listener_v4 env = simple_speaker_listener_v4 policy(obs) # 自定义策略函数 env.step(action) 关键技术挑战与解决方案 通信优化 方法：使用图神经网络（GNN）建模智能体拓扑关系，如CommNet模型
42310编辑于 2026-01-20深度解析：多AI模型协同调度机制的研发效能提升分析
关键词： 深度解析：多AI模型协同调度机制的研发效能提升分析 引言：AI时代的"交响乐团" 想象一下，如果把AI模型比作乐器，那么传统的单模型应用就像是独奏表演——虽然精彩，但总觉得少了点什么。 而多AI模型协同调度，就像是指挥一支交响乐团，让不同的"乐器"在合适的时机发出最美妙的声音。 在当今AI技术飞速发展的时代，单一模型已经无法满足复杂业务场景的需求。 这就是我们今天要探讨的核心话题——多AI模型协同调度机制。它不仅能够提升系统的整体性能，更能在研发效能上带来质的飞跃。 多AI模型协同调度核心概念 什么是多AI模型协同调度？ 简单来说，多AI模型协同调度就是让不同的AI模型在统一的框架下协同工作，根据任务特点和资源状况，智能地选择最合适的模型组合来完成任务。 核心要素解析 1. 多AI模型协同调度不仅仅是一项技术创新，更是AI应用走向成熟的重要标志。
1.3K20编辑于 2025-07-17- 来自专栏通用文字识别信息技术白皮书
PRCV 2023：语言模型与视觉生态如何协同？合合信息瞄准“多模态”技术
本次大会通过聚焦中国模式识别与计算机视觉领域的最新理论和技术成果解读、分享，进一步加强产学研领域的学术交流和技术碰撞，促进模式识别与计算机视觉领域的协同合作与融合创新。 文档图像是文字与图片领域的交集点，天然具备多模态属性。在《视言碰撞：语言模型与视觉生态协同论坛》上，合合信息图像算法研发总监郭丰俊博士就文档图像前沿技术热点话题进行了分享。 郭丰俊表示，多模态技术可充分利用文档图像的视觉和语言属性，并借助语言大模型已取得的优异性能和技术积累，正逐渐成为文档图像处理领域的热门研究方向。 “从目前评测的情况来看，已知的多模态预训练系统在文档图像识别准确率上还逊于最先进的OCR识别系统。” 大模型技术的突破让生成式AI拥有了更广泛的落地空间，也让图片伪造的门槛变得更低，给了不法分子可乘之机。大会现场，郭丰俊对合合信息在AI图像安全方面的工作进行了分享。
59430编辑于 2023-10-17 - 来自专栏合集
QtScrcpy，人人可用的多屏协同
相信肯定有人用过华为的多屏协同功能，需要华为的手机，华为的电脑，最终才可以使用。 当然，之后有人陆续弄到了破解版，即便不是华为电脑也可以使用。 不久前，小米推出了自己的多屏协同，不限电脑，只需要小米手机即可。 他们的缺点显而易见，必须使用特定品牌的手机，甚至特定的品牌的电脑才可以。另外还有什么高延迟，只支持windows系统等等。 那么作为程序员的我们是否可以找到一款更好的多屏协同的软件呢，答案是肯定的，开源的世界是你所无法想象的。 为了简单化，这里提供windows平台的最新安装包，提取码请在微信公众号回台回复：多屏协同 百度网盘：https://pan.baidu.com/s/1r3PVQuJE2RYn9VMmc-9pcw 蓝奏云
4.8K10发布于 2020-09-10 - 来自专栏鸿蒙开发笔记
HarmonyOS - 实现多设备协同开发实战教程~
应用可以将页面直接投放到附近其他HarmonyOS设备上，实现多端设备分布式显示，同时应用可以跨端控制，更新应用页面，形成多设备协同的效果。 下面是效果展示： 多设备协同原理HarmonyOS 给应用开发者提供了一套在多个设备不同应用之间进行任务流转的API接口，实现设备协同需要关注 流转任务管理服务 和 分布式任务调度。 实现步骤实现分布式多设备协同，需要实现跨端启动应用、后台PA服务、分布式数据同步的功能，具体实现流程如下 一、跨设备启动应用多设备协同实现的前提，需要在多端安装相同的应用，而在现实使用环境中，在多个设备中安装一个相同的应用还是一个比较麻烦的事 应用由原子化服务平台（Huawei Ability Gallery）管理和分发，只需要上传到原子化服务平台（Huawei Ability Gallery）即可，在多设备协同中，当设备A的应用向设备B的应用发起多端协同 ", TOAST_DURATION); } }二、多端设备协同多设备协同可以实现对跨端设备的控制，使用HarmonyOS的分布式数据服务，不同设备之间的数据可以实时更新并显示在界面上。1.
1.5K20编辑于 2024-07-21 同一业务场景下，只用 ChatGPT Agent 和多模型协同的实际差异
方案二：拆解流程，引入多模型协同在复盘之后，我们调整了思路，不再问： Agent 能不能把事情都做完？ 而是换了一个问题： 哪些环节真的需要“强推理能力”？ 于是，系统被拆成了几个层次： 规则与预处理层 基础校验 明确格式要求 模型能力层 文本理解 摘要生成 语义匹配 调度与兜底层 按任务复杂度选择模型 模型异常时自动切换 控制并发与调用成本 不同任务使用不同能力层级 架构更可演进 模型升级或替换，对业务逻辑影响极小 最重要的一点是： 系统的“可控性”，重新回到了工程层，而不是模型层。 关于多模型协同的落地方式在后续实践中，我们开始引入统一的模型接入与调度层，用来屏蔽不同模型之间的接口差异，并根据任务类型选择合适的模型能力。 相比“更聪明的模型”， 一个能适应变化、具备兜底能力的系统结构，往往更重要。这也是我们在实践中，逐步走向多模型协同的原因。
12010编辑于 2026-02-02- 来自专栏《C++与 AI：个人经验分享合集》
《探秘鸿蒙Next：如何保障AI模型轻量化后多设备协同功能一致》
在鸿蒙Next的多设备协同场景中，确保人工智能模型轻量化后功能的一致性是一项极具挑战性但又至关重要的任务。以下是一些关键的方法和策略。 用户场景模拟测试：模拟用户在实际多设备协同场景中的操作，如在手机上启动图像识别任务后，在平板上继续处理结果，检验模型在不同设备间切换和协同工作时的功能表现。 反馈与更新机制：根据用户反馈和监控数据，及时对模型进行优化和更新，修复功能不一致的问题，同时不断提升模型在多设备协同中的性能和表现。 隐私合规处理：在数据处理和模型运行过程中，严格遵守隐私法规，对用户数据进行合规处理，避免因隐私问题导致的模型功能受限或异常，间接影响多设备协同中的功能一致性。 确保人工智能模型在鸿蒙Next多设备协同中轻量化后功能的一致性，需要从模型架构、数据处理、优化适配、测试验证、监控更新以及安全隐私等多个方面入手，形成一个完整的技术体系，为用户提供稳定、高效、一致的智能体验
33210编辑于 2025-01-24 - 来自专栏一点人工一点智能
CoCap：多机器人协同运动捕捉法
论文方法 1.1 方法描述 该论文提出了一种多机器人系统中的协同视角规划算法，旨在监测动态目标并避免障碍物。每个机器人在有限的图中移动，并根据视觉覆盖奖励选择动作。 1.2 方法改进 该算法使用了线性相机模型的图像来量化每个演员的观察结果，以获得像素密度（px/m²）。同时，定义了两个函数 和 ，用于计算特定演员脸部的像素密度以及所有过去观察到的累积像素密度。 1.3 解决的问题 该算法解决了多机器人系统中协同视角规划的问题，即如何使多个机器人协同工作，以最大化它们对环境中的动态目标的视觉覆盖范围。 因此，该算法可以在实际应用中提高多机器人系统的效率和可靠性。 论文实验 本文介绍了作者对多无人机协同拍摄系统的实验研究。 方法创新点 本文的主要贡献在于提出了一种新的多机器人协同视角规划系统，该系统能够平衡机器人之间的冲突和个体视角奖励，并且能够在复杂的环境中实现多样化的视角覆盖。
21000编辑于 2025-01-03 - 来自专栏云云众生s
Python多智能体系统中的协同智能
近年来，大型语言模型 (LLM) 通过生成类似人类的文本、解决复杂问题和自主执行任务，重新定义了人工智能的能力。 然而，随着任务变得更加复杂和跨学科，单个 AI 模型可能并不总是足够。 初始化智能体和工具 首先，我们将定义我们的 LLM（GPT 模型）以及我们的智能体将使用的一组工具。这些工具可以是任何东西，从计算器到网络搜索功能。 在这种情况下，每个代理都负责解决更大问题中的特定部分，并协同工作以提供全面的结果。整个过程由 LLM 驱动，LLM 协调代理的工作。 通过协同工作，这些代理可以生成一份综合报告，帮助做出更准确、更快速的医疗决策。 供应链优化 多代理系统可用于管理供应链的不同方面： 物流代理跟踪运输时间。 采购代理监控库存水平。 结论 多代理系统 (MAS) 代表了人工智能驱动解决方案发展中的一个突破性趋势。通过允许多个代理协同工作，每个代理都有自己的专业领域，MAS 极大地提高了大规模问题解决任务的效率和有效性。
73310编辑于 2024-10-20 - 来自专栏具身小站
多机器人协同全覆盖路径规划
REF：面向多机器人协作的路径规划与跟踪 控制研究 1. 基础模型 单机器人全覆盖规划算法：通常包括三种方法：单元分解法、基于栅格的方法和基于图的方法 单元分解法：将区域划分为多个子区域，按顺序依次对每个子区域全覆盖路径规划 基于栅格方法：基于栅格地图上进行全路径覆盖的优化方法 基于图的方法：基于遗传算法或蚁群算法进行建模和遍历 多机器人全覆盖：在单机器人全覆盖路径规划的基础上，并结合任务分配、区域划分、路径优化、机器人协作和环境适应性等策略，实现更智能的全覆盖路径规划 基于图优化的 参考路径点距离、偏离全局路径最大不惩罚边界、最小安全距离等 速度与加速度约束：速度与加速度在有限范围变化，由相邻位姿与时间信息计算机器人状态，得到线速度、角速度、线加速度及角加速度约束 非完整运动学约束：底盘模型运动不具备完整性 算法，基于密度分布特征，将距离接近的点归为同一簇，并剔除噪声点 动态障碍物跟踪：障碍物静态与动态的区别是点云在时序上的位置变化，采用目标匹配和运动估计方法，跟踪障碍物的运动状态 轨迹预测：采用匀速运动模型
42010编辑于 2025-11-24 告别信号衰减与延迟，实现多设备精准协同
如果没有这个扩展板，就需要购买多个编码器或多个昂贵的多通道接口卡，成本高昂且安装复杂。 有效解决了信号不够用，信号协同差的难题。可以把这款产品理解为一个 “信号路由器” 或 “信号复制放大器” 。 产品特点1路转12路1路输入，12路同步输出，轻松构建多工位控制系统。适配多种设备可输出5V-24V信号，兼容5V/12V/24V设备。 产品优势l 可将一个编码器信号扩充为四个，1扩4分身术，省心又省钱；l 省下额外编码器和昂贵的多通道接口卡费用；l 让关键位置信息同步送达多设备；l 告别信号衰减和延迟，确保多设备精准协同。 51camera这款信号扩展转换板的意义，在于它通过一种精巧、高效且经济的方式，解决了工业控制与测量系统中信号“一拖多” 的核心痛点。
11710编辑于 2025-11-07《Unity多插件原生库依赖协同适配实战指南》
原生库作为连接引擎与底层系统的技术桥梁，其协同适配问题始终处于隐性却关键的位置。 真正的破解之道，在于穿透插件封装的黑盒，构建原生库的协同适配体系，通过依赖图谱解析、版本协同调度、符号隔离设计等核心策略，让多个插件在共享原生库资源的同时，实现底层依赖的无隙兼容。 原生库协同适配的核心解决方案，在于建立“版本统一+符号隔离+动态调度”的三维适配体系。 跨平台场景下的原生库协同适配，需要兼顾不同系统的底层运行机制差异。 原生库协同适配的长期实践，本质上是插件生态管理与技术预判能力的双重体现。
19700编辑于 2025-11-27- 来自专栏小程序
小程序的多设备协同与跨平台开发
小程序的多设备协同与跨平台开发一、引言随着移动互联网和物联网的发展，用户不再仅仅依赖于单一设备来完成任务。用户的需求逐渐从单设备操作向多设备协同扩展，跨平台开发也成为了现代应用程序开发的重要趋势。 本文将深入探讨小程序在多设备协同和跨平台开发中的应用，介绍如何利用小程序的技术栈实现跨设备数据同步、界面统一等功能，并提供具体的代码示例和应用场景分析。二、多设备协同的基本概念1. 多设备协同的定义多设备协同是指用户可以在多个设备间切换，并在不同设备间无缝同步数据、状态等信息。 四、微信小程序实现多设备协同与跨平台开发的实践微信小程序提供了一套跨平台开发的工具和接口，开发者可以通过这些工具实现多设备协同和跨平台开发。以下是几个常见的实践方法：1. 随着技术的不断发展，小程序的跨平台开发和多设备协同能力也将进一步提升，成为更加完善的开发工具。
1.7K00编辑于 2025-02-10 - 来自专栏生信小驿站
戴尔电脑实现华为手机的多屏协同功能
注意事项 实现多屏协同的前提：华为手机EMUI10.0（最好是980及以上的处理器）+win10系统、有无线和蓝牙的电脑（笔记本台式都行，不一定非要华为的笔记本）。
10.5K20发布于 2020-02-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号