- 综合排序
- 最热优先
- 最新优先
- 来自专栏AIoT技术交流、分享
端到端智能驾驶大模型，你知道吗？
2023年12月，特斯拉推出FSD V12，首次搭载端到端智驾大模型。 2024年至今，小鹏、华为、理想、蔚来等主机厂相继升级至端到端智能驾驶架构。 One Model生成式一体化端到端 (世界模型)：采用单一神经网络模型，将传统自动驾驶系统中的感知、预测、决策、规划等多模块整合为一体。 例如，小鹏汽车作为国内首家实现端到端大模型量产的车企，应用端到端大模型后，其版本迭代速度明显加快，推送周期由此前的约4个月缩短至约2个月。 同时，新增功能的落地速度和覆盖的场景也在加速。 例如，通过将感知、预测、决策、规划等多个子系统合并为一个大模型，主机厂可以减少开发和维护的复杂度，进而降低整体研发成本。 而端到端方案通过将多个模块整合为一个大模型，减少了系统的复杂性和冗余，优化了资源配置。 组织架构精简：端到端架构不再需要多个独立的团队来分别开发感知和决策模块。
1.7K10编辑于 2025-02-07 端到端语音翻译系统结合ASR与印度语大模型
端到端语音翻译系统结合序列到序列自动语音识别模型与印度语大语言模型本文介绍了针对IWSLT 2025印度语赛道的端到端语音到文本翻译系统，专注于英语-印度语及印度语-英语的双向翻译任务。 为提升低资源场景下的翻译质量，提出了一种集成预训练Whisper自动语音识别（ASR）模型与印度语专用大语言模型（LLM）Krutrim的端到端系统。 实验结果表明，该端到端系统在英语到印度语方向取得了平均BLEU分数数学处理错误，在印度语到英语方向取得了平均BLEU分数数学处理错误。 尽管该方法在成功解析的输出中显示出显著提升翻译质量的潜力（例如泰米尔语到英语的BLE分数提高了数学处理错误），但观察到模型在持续遵循所需CoT输出格式方面存在挑战。 技术细节： 使用预训练Whisper模型处理语音输入 集成Krutrim大语言模型进行文本翻译优化 针对低资源语言对设计端到端 pipeline 评估指标采用BLEU分数，并分析CoT方法的效果与局限性提交信息
19600编辑于 2025-08-23- 来自专栏AI研思录
万字长文 | 让大模型“开口”说话：从ASR到端到端语音大模型的进化之旅
第二期（任我行）：聚焦最新的端到端语音大模型，解析其原理和应用，如moshi、Mini-Omni等。光明顶上的任我行终会以独门武功再次独领风骚。 进化任我行：端到端语音大模型 然而，随着深度学习特别是端到端模型的发展，我们正站在一个新的起点上。 端到端语音大模型不再局限于传统的分阶段处理方式，而是尝试直接从原始语音信号中提取特征并生成最终的语音输出，大大简化了流程，提高了系统的整体效率和性能。 这样的模型不仅能更好地适应多样化的应用场景，还将开启个性化、情感化语音服务的新纪元。 下回分晓，期待第二期端到端语音对话大模型的朋友们，关注起来，点个赞，收藏不迷路。 结语 回顾过去，ASR、NLP和TTS三大技术携手走过了六十年的风雨历程；展望未来，端到端语音大模型正引领我们进入一个人机对话新时代。
5.3K23编辑于 2025-02-20 - 来自专栏圆圆的算法笔记
基于树的端到端稠密检索模型
今天介绍的这篇文章由清华大学和华为联合发表，核心是提升向量检索的效果，在树检索的基础上，实现了索引构建和表示学习的端到端联合建模，提升了树检索的一致性。 Dense retrieval将query和document分别编码成向量，可以使用TwinBERT等类似的双塔模型拟合rank loss，得到query和document的向量。 对于一个query向量，在树中做层次检索，每层只选打分topK的节点，进入到下一层匹配，下一层匹配只和上一层topK的节点的子节点进行匹配，按照这个逻辑递归进行（也即Beam Search，基于贪心的策略 2、现有树检索的问题 现有的树检索模型，一般采用两阶段的方式：第一阶段训练query-document的双塔模型，拿到query和document的向量；第二阶段基于第一阶段训练好的向量，通过聚类算法构建层次树 为了解决这个问题，本文提出了一种端到端的稠密向量学习+树索引构造的学习方式，实现了更高效的树稠密检索架构。 3、端到端训练 本文将Encoder训练和树学习融合到一起学习，新的流程如下图所示。
71520编辑于 2023-08-17 腾讯大模型端到端安全治理与全链路防护体系解析
识别大模型规模化应用的安全盲区与合规挑战 随着AI技术带来新的生产驱动力，企业数字化正式进入“大模型时代”。然而，以大模型生成技术为核心的产业应用在解决业务痛点的同时，也暴露出复杂的端到端安全风险。 该体系基于安全运营、安全基准与安全管控三大支柱，提供针对性的技术防护矩阵： LLM-WAF 大模型智能安全防护网关：专为大语言模型设计，支持多模型、多场景接入。 天御内容风控平台：建立大模型内容安全实践，涵盖模型训练优化到内容生成阶段。 AI-SPM支持精确识别 50+ 种大模型组件，并内置检测 200+ 项大模型组件漏洞及 200+ 项基于版本的漏洞识别能力。 多模型源站兼容：LLM-WAF网关在架构上已实现对当前主流大模型服务源站的标准化接入，实际支持包括 Deepseek、混元大模型、Qwen2.5、阶跃星辰 等多款行业头部模型，助力企业在异构模型环境下构建可信
12600编辑于 2026-05-29- 来自专栏PaddlePaddle
“端到端”思想
深度学习基础理论-CNN篇 “端到端”思想 深度学习的一个重要思想即“端到端”的学习方式（end-to-end manner），属表示学习（representation learning）的一种。 对此，深度学习则为我们提供了另一种范式（paradigm）即“端到端”学习方式，整个学习流程并不进行人为的子问题划分，而是完全交给深度学习模型直接学习从原始输入到期望输出的映射。 相比分治策略，“端到端”的学习方式具有协同增效的优势，有更大可能获得全局最优解。 图 卷积神经网络基本流程图 如上图所示，对深度模型而言，其输入数据是未经任何人为加工的原始样本形式，后续则是堆叠在输入层上的众多操作层。 这些操作层整体可看作一个复杂的函数f(cnn)，最终损失函数由数据损失（date loss）和模型参数的正则化损失（regularizationloss）共同组成，深度模型的训练则在最终损失驱动下对模型进行参数更新并将误差反向传播至网络各层
1.8K70发布于 2018-04-24 腾讯大模型与智能体安全风险治理与端到端防护体系构建
当前企业在大模型应用场景中面临十大核心安全风险，包括样本投毒、Prompt注入攻击、第三方代码依赖风险、模型数据泄露及自动化Agent权限滥用等。 SSRF（服务器端请求伪造）： 转化实现率达 30%。 路径遍历漏洞： 转化实现率达 22%。 落地端到端大模型安全防护产品矩阵 针对大模型端到端（训练、推理、部署、应用）生命周期，腾讯构建了以“规则+模型”为核心的多层次安全防护架构，重点部署三大安全控制中枢： 边界与API安全（腾讯 LLM-WAF ）： 专为大语言模型设计的智能安全防护网关，在多模型、高并发环境下，提供全链路防护。 驱动安全与业务协同的体系化标准建设 解决大模型安全问题不能仅依靠单一工具，更需要标准化的治理体系。腾讯以实战安全专家能力为基础，深度解析模型机理，沉淀了体系化的大模型安全中枢能力。
19110编辑于 2026-05-29腾讯AI大模型重构保险运营：从单场景提效到端到端智能体落地
构建多层级AI应用架构与智能体生态 腾讯提供的解决方案基于“场景+数据+模型”的整合，通过智能体开发平台构建从单场景到端到端的应用架构。 核心构建路径： 应用构建策略： 遵循 单场景 → 流程型重构 → 端到端智能体 的演进逻辑。 落地策略： 执行 先对内 → 再对外；先辅助 → 再替代 的分阶段实施路径。 量化业务指标与运营效能提升 大模型技术在实际业务场景中具体体现为运营效率与准确性的提升。 全栈模型能力： 提供从通用语言模型（Hunyuan、DeepSeek V3）到推理模型（DeepSeek R1、hunyuan-turbos）及多模态模型的完整矩阵，支持企业多模型策略。 未来展望： 随着 Single-Agent 向 Multi-Agent 协作演进，保险行业将出现超级AI原生应用，实现端到端任务执行与大模型的自主RL优化。
14410编辑于 2026-05-30- 来自专栏机器之心
推荐大模型来了？OneRec论文解读：端到端训练如何同时吃掉效果与成本
随着 AI 领域掀起一场由大型语言模型（LLM）引领的生成式革命，它们凭借着强大的端到端学习能力、海量数据理解能力以及前所未有的内容生成潜力，开始重塑各领域的传统技术栈。 近日，快手技术团队交出了他们的答卷，最新提出的「OneRec」首次以端到端生成式架构重构推荐系统全链路。 ，为推荐系统从传统 Pipeline 迈向端到端生成式架构提供了首个工业级可行方案。 确保短视频推荐的端到端精准生成；配合定制化强化学习框架和极致的训练/推理优化，使模型实现效果和效率的双赢。 在 OneRec 端到端的架构下，Reward System 既能影响在线结果也能影响离线训练，快手期望利用该能力引导模型更好地理解用户偏好和业务需求，提供更优的推荐体验。
2.1K20编辑于 2025-06-20 - 来自专栏OpenMMLab
GPT4RoI：面向区域级图像理解的端到端多模态大模型
ChatGPT 和 GPT4 等大模型的出现让人们看到了通用人工智能的曙光。 ，InternGPT 等通过多模型拼接的方式实现了区域级理解，模型间的传输媒介是文本，这显然是一种暂时性的方案，以 feature 作为传输媒介的端到端的多模态模型会有更高的上限 VisionLLM 等端到端的网络只实现了区域级感知的功能 ，还不能支持区域级逻辑推断 于是，一种支持自然语言与在线画框的交互方式，端到端的，区域级感知和推理的多模态对话系统成为 GPT-4 开源项目的下一个发展方向。 Language Instruction and Spatial Instruction 端到端多模态模型的基本框架为: 以 Large Language Model（LLM）作为通用接口，将 vision 因此，面向区域级理解的多模态大模型需要在 region-text pairs 数据上建立 LLM 和 vision encoder 的区域级对齐。
79520编辑于 2023-08-21 腾讯智能驾驶云图：面向大模型端到端的地图引擎架构与量产实践
报告来源： 腾讯智慧出行《腾讯智能驾驶云图实践与思考》 核心讲者： 吴航（腾讯智能驾驶云图产品负责人） 破解端到端架构演进与算力瓶颈 随着汽车行业智能驾驶业务路线的快速演进，底层技术架构正经历从“传统感知模块化 ”向“大模型一段式端到端”的跨越。 这一战略转型直接暴露了当前行业在算力规模、网络通信及数据处理成本上的核心痛点： 算力与带宽需求呈指数级爆发： 传统架构仅需小型网络算力，而演进至“分段式端到端”时，网络带宽需求达到 800G以上（FP32 开始超过FP16使用）；迈入“大模型一段式端到端”阶段，底层需支撑全域领航、高速L3、无人代泊等复杂场景，算力规模门槛激增至 10E级，网络带宽需求高达 3.2T以上（以FP32为主）。 顺应市场需求与协作共赢： 坚韧的工程团队配合符合市场降本增效需求的产品规划（如轻图化演进、自定义要素），构建以 OEM 需求为核心的技术协同生态，助力车企加速迈入端到端大模型时代。
18010编辑于 2026-05-30- 来自专栏老张的求知思考世界
漫谈端到端测试
从我的角度来看，所谓端到端测试，通俗理解就是从一端到另一端完整串联起来的测试方法。当然，由于是漫谈，我会尝试通过对几个与端到端测试有关的问题思考，来聊这个话题。什么是端到端测试？ 至于端到端测试的步骤，与常规的测试流程并无太大区别，都是从需求分析开始，到线上交付结束。当然，端到端测试并非是特别新颖和独特的测试方法，早在16、17年，业内就有了类似的测试思路，如业务流、数据流。 端到端测试的优势与不足上面提到了端到端测试的难度相比于传统的测试方法更大，主要体现在业务和系统的复杂性会让端到端测试的实施成本随之水涨船高。 要设计测试用例，就要提前梳理对应的端到端业务流程和数据模型；要执行端到端测试用例，就需要确保该链路的通畅性；同时还要完善端到端的监控覆盖，以及保障测试执行环境的稳定性(这是最大的影响测试结果的因素)。 今年以来各种技术大模型开始涌现，借助AI大模型的能力，在业务场景和数据模型梳理以及用例完善方面，也许能获得一定的助力。当然，如何实践还需要自己亲自去尝试，找到适合自己的方法。
83110编辑于 2024-08-21 - 来自专栏PaddlePaddle
【命名实体识别】训练端到端的序列标注模型
本周推文目录如下： 3.12：【命名实体识别】 训练端到端的序列标注模型 3.13：【序列到序列学习】 无注意力机制的神经机器翻译 3.14：【序列到序列学习】 使用Scheduled Sampling 在序列标注任务中，我们以命名实体识别（Named Entity Recognition，NER）任务为例，介绍如何训练一个端到端的序列标注模型。 【命名实体识别】 训练端到端的序列标注模型 以下是本例的简要目录结构及说明： . ├── data # 存储运行本例所依赖的数据 │ ├── download.sh 使用神经网络模型解决问题的思路通常是：前层网络学习输入的特征表示，网络的最后一层在特征基础上完成最终的任务；对于序列标注问题，通常：使用基于RNN的网络结构学习特征，将学习到的特征接入CRF完成序列标注 ，转换为实向量表示的词向量序列； 将步骤2中的2个词向量序列作为双向RNN的输入，学习输入序列的特征表示，得到新的特性表示序列； CRF以步骤3中模型学习到的特征为输入，以标记序列为监督信号，实现序列标注
2.7K80发布于 2018-03-15 腾讯云大模型安全解决方案：全生命周期端到端防护架构解析
一、 产品定位与核心亮点 技术定义： 腾讯云大模型安全解决方案是一套基于腾讯自身防护经验打造的全链路、多维度AI大模型安全治理框架。 该方案覆盖国内AI监管要求与标准体系，提供从模型选型、训练、推理部署到业务应用阶段的全生命周期端到端安全保障。 商业差异化卖点： 全链路覆盖：突破单一的安全防护节点，实现从基础设施加固、开发阶段安全检测、训练推理数据安全，到模型部署出入安全及持续安全运营的闭环。 双擎驱动拦截：在应用层创新性采用 WAF + 大模型安全引擎（结合混元内容安全大模型），实现对大模型特有安全威胁（如提示词攻击、算力消耗）的精准识别与拦截。 兼容的大模型服务源站：原生支持 Deepseek、混元大模型、Qwen2.5、阶跃星辰 等主流大模型。
22310编辑于 2026-05-21- 来自专栏美团无人配送
【美团技术解析】无人车端到端驾驶模型概述
端到端驾驶模型的发展历程 寻找端到端驾驶模型的最早尝试，至少可以追溯到1989年的ALVINN模型【2】。 作为对比，端到端模型以其简单、易用、成本低、拟人化等特点表现出很强的优势。 人们通常认为端到端驾驶模型和模块化的传统模型之间是彼此对立的，有了模块化模型就不需要端到端了。 使端到端模型的部署成为可能。然后，端到端模型可以很好地处理常见场景，而且功耗低。模块化的方法能覆盖更多场景，但功耗高。因此，一个很有价值的方向应该是联合部署端到端模型和模块化模型。 3、端到端驾驶模型很难恰当地处理长尾场景。 对于常见场景，我们很容易通过数据驱动的方式教会端到端模型正确的处理方法。但真实路况千差万别，我们无法采集到所有场景的数据。 此外，迁移学习、对抗学习、元学习等技术高速发展，或许也会对端到端驾驶模型产生巨大影响。 我对端到端驾驶模型今后的发展充满了期待。
1.4K30发布于 2019-04-26 - 来自专栏GiantPandaCV
nndeploy - 一款开源的模型端到端部署框架
nndeploy - 一款开源的模型端到端部署框架 本文首发于GiantPandaCV，欢迎转载。 old_photo 2 概述 nndeploy是一款模型端到端部署框架。 可直接操作推理框架内部分配的输入输出，实现前后处理的零拷贝，提升模型部署端到端的性能。 线程池：提高模型部署的并发性能和资源利用率（thread pool）。 3 架构简介 nndeploy是以多端推理以及基于有向无环图模型部署为内核的模型端到端部署框架。故架构简介从多端推理以及基于有向无环图模型部署两个为引子去介绍整体架构。 model 在多模型共同完成一个任务的场景里，将多个模型调度到多个机器上分布式执行 在大模型的场景下，通过切割大模型为多个子模型的方式，将多个子模型调度到多个机器上分布式执行 部署stable diffusion
1.5K10编辑于 2024-04-12 - 来自专栏大数据智能实战
谷歌tacotron端到端的文本转语音合成模型实践
A Fully End-to-End Text-To-Speech Synthesis Model》论文对应的摘要可以看出： 一个文本转语音的合成系统通常需要多个处理阶段，例如文本分析前端、声学模型和音频合成模块 该论文提出了 Tacotron——一种端到端的生成式文本转语音模型，可以直接从字符合成语音。通过<text, audio>配对数据集的训练，该模型可以完全从随机初始化从头开始训练。 可见其本质上是Seq2Seq的一种应用，该模型接收字符的输入，输出相应的原始频谱图，然后将其提供给 Griffin-Lim 重建算法以生成语音 2、论文实践 注：本测试过程中，需要将一整句英文的标点符号进行去除
1.4K10发布于 2019-05-28 - 来自专栏小鹏的专栏
10 端到端语音识别
端到端语音识别 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? • Espnet: https://github.com/espnet/espnet • 实现了主流的端到端语音识别方法 • Speech-Transformer、LAS、CTC、RNN-T • 一个小缺点
1.9K20发布于 2020-03-25 - 来自专栏CKL的思考空间
需求端到端交付管理
一直以来，作为研发人员，我们关注的都是研发任务的端到端交付（从需求澄清到需求交付），很少有人会去关注需求本身是否给产品或者企业带来多少真正的价值（如激活了多少存量用户、吸引了多少新用户等等）。 今天我们跳出研发的角色，聊一聊需求的端到端交付管理。 上图直观的反映了当下交付需求的不确定性。往常，我们只需要根据合同或者行业成熟的解决方案，定期交付我们的产品，然后按合同收款即可。 敏捷中有一个名词叫MVP（Minimum Viable Product最小可行产品），如上图，用户的需求是需要一辆车，图一呢，就是从车轮子到车底盘到车架到完整的汽车的过程，在这个交付过程中呢我们的车都是不可用的 ，再来看第二幅图，从一个滑板到滑板车到自行车到摩托车再到汽车，在这个交付过程中的每个阶段，我们都有车可用。 因为客户的需求可能并不是一辆车，他也许只是想从A地到B地转一圈。下图其实就是一个经典的需求不对称。是不是很熟悉。
85020编辑于 2023-02-01 - 来自专栏不能显示专栏创建者
自主的端到端测试
机器学习在端到端测试中的核心优势是能够利用高度复杂的产品分析数据来识别和预测用户需求。
70300发布于 2020-12-14
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