超逼真语音交互体验：揭秘端到端语音语言大模型 千帆社区
端语音语言大模型 千帆大模型训练营 免费大模型课程 讨论区 暂无数据 直播详情 课程主题：超逼真语音交互体验：揭秘端到端语音语言大模型 课程亮点 传统语音交互场景痛点，大模型带来了什么改变 五大核心创新点：揭秘几乎与真人对话无异的超自然语音交互原理 场景应用实战：多场景应用分享，学完即可快速上手实践
百度智能云千帆应用开发平台AppBuilder百度AI搜索组件的多场景融合与开发实践 千帆社区
本期小编将基于平台技术文档，深度解析百度AI搜索组件在自主规划Agent、工作流Agent及代码调用三种开发模式下的配置逻辑、技术原理及应用实践，为开发者提供可复用的开发范式。 一、技术背景：搜索组件在智能体开发中的核心价值 智能体应用的本质是通过工具调用与模型推理，为用户提供精准、实时的信息服务。
主键模型的 Update 更新 - Baidu Palo/Doris 使用文档
查询条件的检索效率：Update 实现原理是先将满足查询条件的行做读取处理，所以如果查询条件的检索效率高，则 Update 的速度也会快。条件列最好能命中索引或者分区分桶裁剪，这样 Doris 就不需要全表扫描，可以快速定位到需要更新的行，从而提升更新效率。强烈不推荐条件列中包含 value 列。
天空盒:顶 - AR开放平台 | 百度智能云文档
天空顶 天空顶的实现原理 本质: 在球体模型内部上方显示贴图。 实现方式: 天空顶的实现是在一个球体模型内部上方显示贴图，一般要求贴图大小占球体模型的10%，且需要有从圆心到圆边渐变淡化的效果。 适用于天空顶球体模型素材 顶部贴图注意 不符合贴图要求示例 符合贴图要求规范示例 天空顶 天空顶类似于模型天空盒，将camera置于模型内部，模型内顶部贴一张贴图，从而实现天空顶的效果。
千帆大模型平台的初体验——SFT、RLHF训练 千帆社区
其原理可以概括为以下几个步骤： 预训练：首先，在大规模数据集上使用无监督学习方法（例如自编码器、GAN等）或有监督学习方法（例如分类、回归等）对神经网络模型进行预训练，得到一个较为通用的模型。 微调：接着，将预训练好的模型应用于新的任务，但由于新任务的数据和预训练数据可能存在差异，因此需要对模型进行微调，使其更好地适应新任务的数据。
千帆大模型平台的初体验——SFT、RLHF训练 千帆社区
其原理可以概括为以下几个步骤： 预训练：首先，在大规模数据集上使用无监督学习方法（例如自编码器、GAN等）或有监督学习方法（例如分类、回归等）对神经网络模型进行预训练，得到一个较为通用的模型。 微调：接着，将预训练好的模型应用于新的任务，但由于新任务的数据和预训练数据可能存在差异，因此需要对模型进行微调，使其更好地适应新任务的数据。
大模型训练——PEFT与LORA介绍 千帆社区
LORA原理介绍 LORA的论文写的比较难读懂，但是其原理其实并不复杂。简单理解一下，就是在模型的Linear层，的旁边，增加一个“旁支”，这个“旁支”的作用，就是代替原有的参数矩阵W进行训练。
模型提速降本利器：干帆蒸馏术 ——集成知识蒸馏、多模态蒸馏能力 千帆社区
集成知识蒸馏、多模态蒸馏能力 千帆大模型训练营 免费大模型课程 讨论区 暂无数据 直播详情 课程主题： 模型提速降本利器：干帆蒸馏术 ——集成知识蒸馏、多模态蒸馏能力 课程亮点提炼： 硬核技术 ：深度解析多模态蒸馏原理，掌握模型瘦身的底层逻辑 收益拉满 ：告别高成本低效率，用蒸馏术实现模型性能跃升
通过 CCE Ingress 实现虚机和容器服务的统一接入 - 容器引擎CCE | 百度智能云文档
原理 在 CCE 集群中，容器化部署的一个或多个服务（以下简称容器化服务）一般通过 Ingress 接入外部流量；而非容器化部署的服务（以下简称虚机服务）一般通过自行配置应用型 BLB 来接入外部流量。
大模型开发整体流程-基于个人知识库的问答助手解析 千帆社区
步骤二：数据准备与向量知识库构建 本项目实现原理如下图所示（图片来源），过程包括： 加载本地文档 读取文本 文本分割 文本向量化 Query 向量化 向量匹配，最相似的 top k个 匹配出的文本作为上下文和问题一起添加到 prompt中 提交给 LLM做生成回答 1. 收集和整理用户提供的文档。
