- 综合排序
- 最热优先
- 最新优先
自顶向下 or 自底向上？姿态估计技术是如何进化的？
自底向上的姿态估计在自底向上的方法中，模型首先查看整个图像，找出所有身体关键点，比如头、肩、肘、髋、膝、踝。在这个阶段，它并不试图区分不同的人。 由于它不需要先检测每个人，自底向上的方法通常在拥挤的场景中表现良好，比如人物重叠、大小不一或部分被遮挡的情况。自顶向下的姿态检测相比之下，自顶向下的系统首先检测图像中的每个人。
40910编辑于 2025-12-24- 来自专栏SaaS加速器
腾讯奚丹：内生力和自驱力推动组织进化，组织进化驱动企业成长
面对产业互联网浪潮，腾讯组织进化又选择在哪些方面发力？ 在‘混沌’中寻找‘平衡’的过程，其实就是腾讯的进化过程。” 奚丹最后指出，腾讯的事业和组织永远在“形成”的过程中，内生力和自驱力推动组织进化，而组织进化对企业不断成长发展发挥着重要的驱动作用。
2.8K10发布于 2020-06-09 - 来自专栏区块链科普
IAM首创“POC信用共识证明”推进网络社会自进化
近日，IAM创始人Andy Qin在出席活动时提出：IAM首创的“POC信用共识证明”天然自带安全和诚信属性，将推动网络社会向安全和诚信自进化引起业界和国家工信部门广泛关注。
56180发布于 2018-07-05 - 来自专栏腾讯技术工程官方号的专栏
腾讯自研机器学习平台“太极”八年进化之路
腾讯自研搭建了业界一流的太极机器学习平台，致力于让用户更加聚焦业务 AI 问题解决和应用，一站式的解决算法工程师在 AI 应用过程中特征处理，模型训练，模型服务等工程问题。 太极机器学习平台中的参数服务器系统 AngelPS 也是腾讯自研的成果，现在不仅可以承载 10TB 级模型的训练，对多维特征融合、复杂模型结构等更高级、更前瞻性的功能也有优秀支持。 “太极”八年进化之路： ● 2015 年，太极机器学习平台 1.0 诞生，是腾讯首个涵盖“数据导入-特征工程-模型训练—在线服务“全流程的一站式机器学习平台。
5.7K50编辑于 2023-04-01 - 来自专栏开源物联网平台开发
AI物联网自进化平台：让智能家居真正“智能“起来
AI物联网自进化平台：让智能家居真正"智能"起来 2025年，75%的数据将在边缘侧处理。AIoT不再是概念，而是正在发生的现实。 这就是"AI物联网自进化平台"想要解决的问题。 核心理念：让设备学会"观察-学习-行动" 传统智能家居 用户设置规则 → 设备执行规则 → 永远不变 自进化智能家居 设备观察用户行为 → 学习行为模式 → 预测用户需求 → 自动执行 → 持续优化 举个例子 ： 传统模式： 用户设置"晚上10点关灯" 每天10点准时关灯 有一天加班到11点，灯还是10点关了 自进化模式： 设备观察到用户通常10点左右关灯 但发现用户还在房间（人体感应） 决定不关灯，等用户离开或入睡再关 总结 AI物联网自进化平台是一个"慢热"的方向： 优点： 技术门槛高，竞争少 市场前景广阔（AIoT蓝海） 学习价值高 被动收入潜力大 缺点： 验证周期长（需要时间观察效果） 需要硬件投入 用户教育成本高
18910编辑于 2026-04-02 自进化 vs 静态执行的本质差异
自进化范式（HermesAgent）展开代码语言：TXTAI代码解释用户请求→检索记忆→匹配技能→理解意图→调用工具→返回结果↓反思→更新记忆→创建/优化技能↓（下次任务从更高起点开始）每次交互都是一个 自进化范式的三个核心优势优势一：边际成本递减使用HermesAgent执行重复性任务的成本（时间和token）会随时间递减：任务首次执行技能创建后优化迭代后部署Node.js应用8步/3000token3 为什么OpenClaw没有采用自进化范式？这不是能力问题，而是设计选择。OpenClaw的定位是"AI编程助手"——它需要的是精准、可预测、即时的代码生成能力，而不是长期的经验积累。 自进化只影响Agent的知识储备和执行效率，不影响你对它的控制权。所有技能和记忆都是透明的，你可以随时查看、编辑或删除。Q2：自进化学到的"坏习惯"怎么办？ Q3：自进化范式适合所有场景吗？A：不是。对于追求精确可预测输出的场景（如代码生成、公式计算），静态执行范式可能更合适。自进化范式更适合需要长期协作、经验积累的场景。
1800编辑于 2026-04-15- 来自专栏后端知识体系
自进化的用户记忆-让AI Agent在多轮对话中更懂你
时间来到2026年4月，关于自进化、自我提升的Skill已经火遍全网，回过头来发现当时对这项技术的判断果然是没错的。 2025年中时这个主题的研究方向主要分为2种实现方式，1种是工程侧的自进化记忆，另外1中是Agent RL从模型侧上实现自进化记忆，这两条路都做出了不错的实现。 但在模型侧记忆展示还不够成熟的时候，采用工程方式实现自进化记忆也是一种当前的解决方案。 本文主要基于工程角度来讲，怎么去设计一种可以自进化的用户记忆设计动机回想一个以前的场景，在使用AI的时候，用户通常会在对话中告诉AI一些信息，甚至一些职业信息。 ，了解各种Memory工程侧做法有助于设计出更好的自进化机制，本文提供了一种基于用户角色记忆的短期记忆设计和实现方案，也是一种工程侧尝试
12510编辑于 2026-04-13 AI Agent 进入自进化时代：Hermes Agent 如何重新定义智能体
阶段三：自进化（2026-）以HermesAgent为代表。引入了闭环学习系统，Agent不仅能执行任务，还能从执行中学习、在后续任务中复用经验。 什么是"自进化"？" ）：记得你所有的项目、偏好和工作习惯做过的事情会总结经验，下次更快更好第一个月需要你手把手教，三个月后几乎不需要你指导这就是"自进化"的直观价值——时间越长，投资回报越高。 自进化的三个技术支柱支柱一：持久记忆系统HermesAgent使用本地SQLite数据库存储所有记忆，通过FTS5全文检索技术实现高效的记忆检索。 Q2：自进化需要多长时间才能看到效果？A：通常在持续使用3-5天后，你会明显感觉到Agent的响应更精准、执行更高效。使用一个月后效果更为显著。Q3：自进化的技能可以分享给其他人吗？A：可以。
1200编辑于 2026-04-15- 来自专栏智能算法
数据+进化算法=数据驱动的进化优化？进化算法PK数学优化
『智能算法』转载 作者：杨翠娥&王源 数据驱动的进化优化是什么，仅仅就是数据+优化算法吗？数据驱动的进化优化适用于哪些应用场景？传统的数学优化方法是否迎来了新一轮的挑战。 简单来说，数据驱动的进化优化（Data-driven evolutionary computation）就是借助数据和进化算法求解优化问题。首先为什么用进化算法呢？ Ⅱ 数据驱动进化优化算法 ---- 那么，数据驱动的进化优化是怎样进行的呢？过程如图1所示（来自文献[1]）。 Ⅲ 进化算法VS数学优化（以下的讨论均基于单目标优化问题） ---- 上面的章节对数据驱动的进化优化给出了一个简单介绍，看到这里大家可能想问一下进化算法和数学优化（如果不熟悉数学优化是什么可以参考这篇文章 由于进化算法本身天生具有良好的并行特性，基于GPU并行计算的进化算法是否能够在一定程度上解决进化算法速度慢的问题绝对是一个值得研究的topic。
1.5K30发布于 2018-07-30 骡子快跑MuleRun：自进化AI数字员工开启“养骡”替代“养虾”的Agent普及元年
MuleRun（骡子快跑）是一款全球首创的自进化个人 AI 智能体（AI Agent）平台，被定位为“AI 数字劳动力市场”。 该项目核心解决了 AI 工具部署门槛高、稳定性差的痛点，提出了“养虾不如养骡子”的概念（对比部署复杂的 Claw 系列工具），主打 0 门槛云端运行、7x24 小时主动服务及持续学习用户习惯的自进化能力 清醒提醒： 虽然号称“自进化”，但别指望它能一夜之间替你把班加了把钱赚了。它能进化成“神驹”还是原地打转的“叫驴”，本质上还是取决于屏幕前那个指挥它的“主人”到底有没有脑子。 快（主动服务） ：它不是那种你不戳它它就不动的“死鱼”，而是 7x24 小时待命、能自进化的主动型 Agent。 灵（自进化）：它会像真正的骡子认路一样，在干活的过程中学习你的操作习惯。 2. 此外，“自进化”能力究竟能进化到什么程度？是真能学习人类的精髓，还是只是在特定的参数空间里做微调？这还需要时间去验证。但无论如何，它把 AI 从“神坛”拉到了“磨坊”，这件事本身就功德无量。
87830编辑于 2026-03-20- 来自专栏腾讯云TVP
龙虾进化
我们今天认真的谈一下，企业级的“龙虾”该怎么养，又会如何进化。 和AI Coding一样，现在小龙虾是给个人用的产品，还没有看到成熟的企业产品出现。 这也是小龙虾的终极进化目的：企业数字员工（主管）。总结一下：从个人应用到企业级应用，我们要做的就是：安全、健壮、可控、可持续迭代、可持续学习，经验持久化。
905130编辑于 2026-03-12 多智能体协同自主进化渗透测试系统：提升漏洞挖掘效率与自优化能力
构建多智能体协同自主进化渗透系统 腾讯云安全联合云鼎实验室支持NeuroSploit战队研发PentestSkills系统，通过三大创新点突破瓶颈： 创新点一：多智能体协同与记忆/状态管理 架构：Lead 自进化：ReMem Agent接收Exploit Agent成功/失败记录并总结存储，形成PentestReMem经验库；Apache burr定义状态转换，提供可观测UI调试界面（来源：“渗透经验的持续累积带来自我进化 腾讯云技术赋能智能攻防优势 选择腾讯云的核心在于技术领先性与生态支持： 架构先进性：多智能体协同+记忆管理+知识增强+工具矩阵深度改造，实现渗透测试自主规划、执行、进化（来源：“自主协同测试与自进化
18420编辑于 2026-04-06Hermes Agent 架构全解：自进化单体智能体的学习循环与四层内存设计
和主打多智能体协同调度的OpenClaw不同，Hermes是单打独斗型选手，而且它越用越强——不是靠你手动更配置，而是靠实打实的“实战经验”自己进化。 技能自我进化技能写好不是就锁死不变了。智能体会继续用，用着用着发现更好的路径，就会当场更新。 但如果你要打造一个日常跨平台使用、处理重复且不断进化的任务的系统，Hermes绝对值得。
3.7K11编辑于 2026-04-09- 来自专栏机器之心
WAIC 2021 | 云天励飞副总裁肖嵘：创「芯」时代 打造自进化城市智能体
机器之心报道 机器之心编辑部 在 WAIC 2021 AI 开发者论坛上，肖嵘发表主题演讲《创「芯」时代 打造自进化城市智能体》，在演讲中，他主要介绍了自进化城市智能体，并介绍了云天励飞最新研究成果及成功案例 可以说未来整个智能的发展是往自学习、自进化方面进行的。我今天演讲的主要内容是关于自进化城市智能体的相关内容。 AI 的普适性 虽然有这么多问题，但是我们可以看到智能的发展趋势基本上还是在往自进化城市智能体发展，原因在哪？ 首先自进化城市智能体应该具备两个要素： 第一是 AI 的普适性，普适性就是 AI 像电力一样无处不在； 第二是 AI 整个应用的研发和部署环节，一定是自学习、自进化，可以自主地演化。
46720编辑于 2023-03-29 - 来自专栏DeepHub IMBA
R-Zero：通过自博弈机制让大语言模型无需外部数据实现自我进化训练
R-Zero框架实现了大语言模型在无外部训练数据条件下的自主进化与推理能力提升。 先前研究已经探索了LLM在自生成问题上的训练方法（自挑战LLM），这种方法在数学问题求解和代码生成等领域表现良好，因为可以通过代码执行器或验证器检查自生成任务的正确性。 R-Zero框架的技术实现 R-Zero采用了自博弈（Self-play）训练策略，单一LLM被分化为两个功能角色，通过相互对抗和迭代优化实现共同进化。 整个过程完全自监督，无需任何人工干预。 挑战者训练机制 挑战者模型Q(θ)的目标是生成具有特定难度特征的数学问题，这些问题需要满足可解性要求，同时位于求解者解决能力的临界边界。
32410编辑于 2025-11-15 - 来自专栏AI SPPECH
8：MoE、多模态、1M+上下文、自进化：2026模型能力边界的商业解读
作者： HOS(安全风信子) 日期： 2026-04-01 主要来源平台： GitHub 摘要： 跳过技术细节，直接讲MoE、多模态、1M+上下文、自进化如何转化为产品差异化和收入增长点。 ：持续收入增长的引擎 5.1 RL+UniGRPO商业机制 5.2 自进化收入增长曲线 六、3个能力组合增长案例 案例一：智能客服Agent 案例二：内容创作Agent 案例三：代码助手Agent 七、 ：1M上下文 + 自进化 长文档处理能力 → 接大单 自进化 → 客户满意度提升 收入增长：300% 案例三：代码助手Agent 能力组合：MoE + 多模态（代码+文档） MoE降低成本 → 价格竞争力 多模态理解 → 处理复杂项目 收入增长：250% 七、能力组合策略矩阵 你的场景 推荐组合 预期增长 客服系统 MoE+多模态+自进化 300-500% 内容创作 1M上下文+自进化 200-400% ：持续增长引擎 组合使用：效果倍增 关键词： MoE, 多模态, 长上下文, 自进化, 商业变现, 成本优化, 收入增长, 安全风信子
21210编辑于 2026-04-03 神经进化算法
即使是最简单的神经进化算法（“传统神经进化”），没有多余的花里胡哨的普通算法，也许能够解决许多有趣的问题。 我在包含许多局部最大值的系统中更喜欢这个方法，所以对于随机梯度下降(SGD)，你最终会得到局部最大值，而神经进化(NE)算法有更大的可能性找到一个更好的局部甚至全局最大值。 另外，使用传统神经进化(CNE)复合循环神经网络结构相对简单。 在文献中，传统神经进化(CNE)仍然存在许多问题，其中算法实际上失去了多样性，也收敛到局部极大解，而这个子领域的大量工作是寻找更先进的算法（在上文中，ESP和NEAT是命名）。 我会试着去攻击convnet.js，并实现一个简单的、可以训练神经网络获得一些分数的传统神经进化(CNE)训练器，然后把它用来测试钟摆问题是否会被这些方法攻击。
1.6K100发布于 2018-02-05- 来自专栏云前端
HTTP 的进化
原文： https://medium.com/platform-engineer/evolution-of-http-69cfe6531ba0
68020发布于 2020-06-16 - 来自专栏飞鸟的专栏
SQL自连接vs非自连接
SQL自连接和非自连接是在SQL查询中经常使用的两种方法，用于将同一表中的不同行进行比较或匹配。自连接自连接是指在同一表中进行连接操作，也就是将同一表中的不同行作为两个不同的表进行连接。 自连接通常用于查找在同一表中相关联的行。例如，假设有一个表格“员工”，其中包含员工的姓名、上级、工资等信息。现在需要查询每个员工的上级姓名，就可以使用自连接来完成。 现在需要查询同一客户在不同时间的订单数量，就可以使用自连接来完成。 非自连接非自连接是指在不同的表格中进行连接操作，也就是将两个不同的表格按照某些条件进行连接。非自连接通常用于从不同的表格中获取关联的数据。 另一个常见的非自连接场景是使用子查询，从一个表格中获取关联的数据。
2.4K30编辑于 2023-05-10 - 来自专栏软件研发
进化算法中的差分进化算法（Differential Evolution）
引言差分进化算法（Differential Evolution，DE）是一种全局优化算法，可用于解决复杂的优化问题。它源于遗传算法和进化策略，通过模拟自然界中的进化过程来搜索最优解。 差分进化算法被广泛应用于函数优化、参数优化、机器学习等领域，具有较好的鲁棒性和全局搜索能力。算法原理差分进化算法基于个体间的差异性来进行搜索和优化。 算法特点差分进化算法具有以下特点：简单有效：差分进化算法不依赖于问题的具体性质，适用于各种优化问题。全局搜索：差分进化算法具有较好的全局搜索能力，能够找到问题的全局最优解。 鲁棒性：差分进化算法对初始解的选择和参数的设置相对不敏感，具有较好的鲁棒性。低内存消耗：差分进化算法仅需要存储当前个体和新解的信息，内存消耗较低。 总结差分进化算法是一种强大的全局优化算法，可以应用于各种优化问题。它通过模拟进化的过程，不断地生成和选择新的解，以寻找问题的最优解。
2.3K10编辑于 2023-09-29
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