首页 文章 精选 留言 我的

精选列表

搜索[top3],共304篇文章
优秀的个人博客,低调大师

IoT难题TOP3:收入、数据、延迟

过去一年里,物联网的增长突飞猛进,许多人都不知道未来12个月它会带来什么。行业专家对未来一段时间内的物联网提出预测。 物联网预测1:寻求经常性收入 “客户的体验和参与将推动业务发展,”LogMeIn物联网战略总监Ryan Lester说, “IoT产品公司将更少依赖于初始设备采购,同时有更多的经常性收入、订阅和上市销售机会。” DSP Group的CTO Lior Blanka表示,物联网将继续给用户留下深刻印象的是语音技术。 “亚马逊的Alexa和谷歌的Home Assistant只是开始,”Blanka说, “所有主要的玩家都将努力将这项技术整合到他们的产品中。他们将重点关注自然语言处理和清晰度,你会看到更多的关于实现用户与其设备之间的双向语音通信的清晰度算法和芯片组。 “明年将会看到物联网解决方案在大量产品类别中的普及,这些产品类别通常不包括技术或连接功能, ”Intelligent Products Solutions公司总裁Mitch Maiman表示,“但是,并非所有的方法都将获得显著的价值并在市场上取得成功。期待看到新的玩家,但也会看到许多初创公司半途而废。这个领域的竞争是昂贵的,有很多想法缺乏足够的价值来消费者参与。” 如常用的统计数字所示,10家公司中有9家在运营的前四个月内就会出现问题。因此,goTransverse总裁Michael Beamer知道,公司必须从一个清晰的货币化角度出发,特别是在物联网领域。 Beamer说:“那些还没有想出如何为这些新产品和服务开账单的公司会落后于已经有所准备的公司。没有相应的市场战略,已经做好的准备工作只能成为空洞的蓝图。对于希望在竞争激烈的IoT领域取得胜利的公司而言,找出可行的模式、阐明投资回报(ROI),以及了解IoT计划对整个业务产生的影响,将变得至关重要。” Taoglas联合首席执行官Dermot O’Shea说:“设备出货量的增加意味着成本将继续下降。因此,更多的商业计划将具有财务意义。这是一个很大的热门行业,投资者正在努力争取最新和最大的物联网机会。 ” IoT预测2:数据湖将被耗尽 麦肯锡公司在今年早些时候占据了新闻头条,其估计从物联网收集的数据中有1%从未被使用过。后来的评估显示该数据有所增加,但它本不应该存在。物联网的承诺取决于其数据——那么,什么会让这些数据变得更有用和更易消耗? Basho Technologies公司的CEO兼总裁Adam Wray建议,首先,组织停止让数据湖捆绑数据而禁止径流。 “摒弃以数据湖为重点的方法,组织开始将大部分投资转向实施解决方案,这些解决方案使数据在生成和产生业务流程的地方得到利用:边缘。在未来几年,这种转变将被理解为十分有预见性的,因为,在从数据中获得价值上,边缘分析和分布式策略正在成为越来越重要的部分。 Morey公司的CTO Rich Catizone进一步认为端点的数据是增加智能的机会。 “如果你可以在端点处采取行动,而不是将数据从云端移到网关,你就可以在数据收集和存储方面节省时间和金钱。这也为机器或‘主动’学习的激增奠定了基础,”Catizone说,“一旦我们的设备更加基于点对点而不是客户端到服务器,它们就可以开始集体跟踪实例,通过自动纠正自己的行为使自身变得更聪明,最终为我们带来新的和新颖的洞察。” NetApp公司的CTO Mark Bregman预测,如果使用开放平台,这种边缘智能将真正腾飞。 “开放的平台为数据保护和管理服务提供了一种集成和简化的访问,并支持数据建模和分析的新方法,这将超越我们迄今为止所取得的进步,”Bregman说。 IoT预测3:延迟是敌人 “互连对于即时访问网络、云和在多应用环境中的工作变得非常重要,这些都将促进IoT的成功,”Equinix全球垂直战略和营销副总裁Tony Bishop说,“变得越来越多的实时IoT应用程序将导致性能和延迟问题的产生。重要的问题是如何将机器到机器交互中的端到端延迟减少到减少机器到毫秒。” 为了解决这些问题,Citrix Workspace Services的CTO Christian Reilly认为,网络必须随着时代发展。 “新的设备和工作流程将扩大现有系统,”Reilly说, “2017年将是关键的一年,为了适应设备和数据的组合,网络将变得更聪明。” BoldIQ公司总裁兼CEO Roei Ganzarski在他2017年的预测中发现了值得怀疑的地方:“未来几年内,智能设备的整合工作还远远不够。因为性能较差,由此产生的新闻和媒体报道较少。因此,实现部署将比人们预计的要慢。 本文转自d1net(转载)

优秀的个人博客,低调大师

登上 GitHub 趋势榜 Top3 的 AI 网关项目!

前段时间刷 GitHub 时,我发现了一个叫 **OmniRoute** 的项目,一下子就被吸引住了。 ![](https://developer.qcloudimg.com/http-save/yehe-2946312/d5a2f724498e4d2cdc4cdb1f38c7b1e8.png) 这个项目的核心口号是"Never stop coding"——永不停止编码。 它通过一个端点连接 237 个 AI 提供商,其中 90+ 个是免费的。更厉害的是,它还能自动故障转移,当一个提供商配额用完时,毫秒级切换到下一个。 ### **什么是 OmniRoute?** OmniRoute 是一个开源的 AI 网关项目,由开发者 diegosouzapw 发起。 ![](https://developer.qcloudimg.com/http-save/yehe-2946312/9ebb1a3625a42a02b9b32508c6f07514.png) 它的核心思想很简单:把所有 AI 提供商都统一到一个 OpenAI 兼容的端点下,让你的任何 AI 工具都能无缝对接。 只需要配置一个本地网关,然后把 Claude Code、Cursor、Cline、Copilot 等所有工具都指向这个网关。 网关会根据你的设置,智能选择最优的 AI 提供商——可以是最快的、最便宜的、质量最好的,也可以是配额最充足的。 当某个提供商出问题或配额用完时,它会自动切换到备用方案,整个过程对你完全透明。 ![](https://developer.qcloudimg.com/http-save/yehe-2946312/bf7285ac05057f8f08af717ec125564a.png) ### **核心亮点** #### **免费Tokens池** 这可能是 OmniRoute 最吸引人的地方。 它聚合了 40+ 个提供商池、500+ 个模型的免费额度。 很多服务商共享同一个免费池,如果简单相加会严重夸大。OmniRoute 只计数一次,确保数字真实可信。 #### **4层自动故障转移** OmniRoute 设计了一套聪明的 4 层故障转移机制: 1. 1. **订阅层**:优先使用你付费订阅的服务商(如 Claude Code、Codex、Copilot) 1. 2. **API Key 层**:当订阅配额用完时,自动切换到你配置的 API Key 提供商 1. 3. **便宜层**:使用成本极低的模型(如 GLM,$0.5/1M tokens) 1. 4. **免费层**:最后兜底,使用永久免费的提供商 整个切换过程在毫秒级完成,你甚至感觉不到任何中断。 #### **15-95% Token 压缩** AI 编码时,工具输出(如 git diff、日志、grep 结果)往往占据大量 tokens,但这些内容对模型来说并不需要完整处理。 OmniRoute 集成了 RTK + Caveman 压缩技术,可以智能过滤和压缩这些内容,平均节省 15-95% 的 tokens。 #### **17种路由策略** OmniRoute 提供了 17 种路由策略,可以根据不同场景灵活组合: - • **priority**:按优先级顺序使用,用尽一个再切换下一个 - • **cost-optimized**:自动选择成本最低的模型 - • **headroom**:优先选择配额最充足的提供商 - • **lkgp**:优先使用最近成功的提供商(Last-Known-Good Path) - • **fusion**:并行请求多个模型,由"裁判"模型综合最优答案 你可以根据自己的需求,构建适合的"combo"组合。 #### **内置 MCP 服务器** OmniRoute 内置了 MCP(Model Context Protocol)服务器,支持 95 个工具和 30 个权限范围。 ### **快速上手** #### **安装方式** OmniRoute 支持多种安装方式,最简单的是通过 npm: ``` npm install -g omniroute ``` 也可以用 Docker: ``` docker run -p 20128:20128 diegosouzapw/omniroute ``` 或者下载 Electron 桌面应用(支持 Windows、macOS、Linux)。 #### **启动服务** 安装完成后,启动服务: ``` omniroute start ``` 服务默认运行在 `http://localhost:20128/v1`。 #### **配置工具** 将你的 AI 编码工具指向 OmniRoute 端点: - • **Claude Code**:在设置中配置 API Base URL 为 `http://localhost:20128/v1` - • **Cursor**:在设置中配置自定义 API 端点 - • **其他工具**:类似配置 OpenAI API 的方式,将 base URL 指向本地网关 #### **使用 Auto 模式** 最简单的方式是使用 `auto` 模式。在工具中选择模型为 `auto`,OmniRoute 会自动构建虚拟组合并实时评分: ``` auto/coding # 代码生成优化 auto/fast # 最低延迟优先 auto/cheap # 最低成本优先 auto/offline # 配额最充足优先 auto/smart # 质量优先 + 10% 探索 ``` #### **自定义 Combo** 你也可以在仪表盘中创建自定义的 combo,指定路由策略和提供商顺序。例如: ``` Combo: "always-on" Strategy: priority 1. cc/claude-code # 订阅层:Claude Code 2. cx/copilot # 备用订阅:GitHub Copilot 3. ds/deepseek-chat # 便宜层:DeepSeek 4. kg/kilo-code # 免费层:Kilo Code ``` ### **写在最后** OmniRoute 是一个非常实用的工具,它解决了开发者在使用 AI 工具时最头疼的几个问题: 1. 1. **成本控制**:通过聚合免费额度和智能路由,大幅降低 AI 使用成本 1. 2. **高可用性**:自动故障转移确保不会因为配额问题中断工作 1. 3. **简化管理**:一个端点管理所有 AI 提供商,告别多个控制台 它完全开源免费,零成本启动,说不定能帮你省下一大笔开支。 **项目地址**:https://github.com/diegosouzapw/OmniRoute **官网**:https://omniroute.online

优秀的个人博客,低调大师

腾讯混元视觉模型跻身全球 Top3,国内排名第 1

根据国际大模型竞技场LMArena最新发布的视觉模型榜单,腾讯混元视觉模型Hunyuan-Vision-1.5-Thinking表现抢眼,取得全球第三,国内第一的成绩。 据介绍,LMArena是美国加州大学伯克利分校推出的创新AI模型评估平台,评测核心方法是基于人类真实偏好的“盲测”机制,让用户对不同AI模型的回答进行匿名投票,衡量模型的表现。由于该平台访问量巨大,并且评测机制贴近实际体验,是目前国际上最权威的竞技场榜单。 据了解,Hunyuan-Vision-1.5-Thinking(https://github.com/Tencent-Hunyuan/HunyuanVision)具备领先的多语言多模态理解和推理能力,能够通过多轮的反思,更加深入地理解“看”到的内容,完成相应的指令任务。

优秀的个人博客,低调大师

xAI 前工程师评现代 AI 领域最重要 Top3 开源项目

Flash Attention 2 可能比我们所有人都活得久。 这句话不是来自某个技术博客,而是出自 Hieu Pham 的一条推文。Hieu Pham 是谁?他是 xAI 的早期工程师之一,在 Grok 训练基础设施团队工作过。近日他在 X 上发了一条帖子,列出了他认为现代 AI 领域最重要的三个开源项目。 第一个名字毫无悬念:Flash Attention 2。 Hieu 的理由很具体。FA 系列不需要解释,但 FA2 是他认为最重要的一个——复杂度恰到好处,刚好能驱动你去学 CuTe,但还没被那些"邪恶的" Hopper++ 优化所淹没,足够容易修改和适配。 更关键的是 FA2 的持久性。Hieu 说,他敢打赌世界上很多地方的人还在 Blackwell GPU 上跑 FA2,因为写出一个能击败 FA2 的 kernel 仍然太痛苦了。他引述了一位 kernel 大师的话:"FA-2 可能比我们所有人都活得久。" 这话听着夸张,但想想也合理。FA2 发布于 2023 年,三年过去,它仍然是大多数推理框架的默认注意力实现。一个 kernel 的寿命通常以月为单位,FA2 跨过了三代 GPU 架构,V100、A100、H100、B200 都能跑,而且性能不差。在 GPU kernel 这个领域,三年就是永恒。 第二个是 SGLang。 SGLang 是这两年崛起最快的推理框架之一。它的 RadixAttention 前缀缓存机制让它在 H100 上比 vLLM 高出 29% 的吞吐量。但 Hieu 对 SGLang 的感情很复杂——他直言有时厌倦了 SGLang 的代码复杂度,暗自希望 Mini-SGL 能够成为主流。但他随即补了一句:"然后我就从白日梦中醒来了。" 这个态度很真实。SGLang 近半年发展迅猛,但代码库的膨胀速度同样惊人。有社区成员在评论区提供了一组数据:SGLang 的 RadixAttention 在 H100 上比 vLLM 高出 29% 吞吐量,但 vLLM 的贡献者基数仍是 SGLang 的 3 倍。这种"性能领先但社区规模落后"的格局,也解释了为什么 Hieu 会希望有一个更轻量的 SGLang 替代品。 Banghua Zhu 在评论区补充得更有趣:"也许等 LLM agent 比现在强 10 倍的时候,我们会看到一个 Mini-SGL 成为主流 SGLang 的世界,每个人只需要在它上面 vibing 就够了。" Ying Sheng(SGLang 的核心作者之一)也出现在评论区,简单回了一句"Agreed with Banghua lol"。 第三个,也是最有争议的一个:DeepSeek v3。 Hieu 没有谈 DeepSeek 的技术细节,甚至说他通常不关心原始论文里那些模型的实现。他在乎的是"开放权重,以及它所点燃的、让开放性持续下去的火花"。 "这是导致所有后续时刻的时刻。"(It's the moment that leads to all the following moments.) 这句话的分量在于时间点。DeepSeek v3 发布于 2024 年底,之后发生了什么?DeepSeek R1 开源了推理模型,各大厂商跟进;开源社区开始认真挑战闭源模型的能力边界;国内和全球的开源模型生态进入了一个前所未有的活跃期。把这些事件串起来,Hieu 的判断就不是空话——DSv3 确实是那个"引发所有后续时刻的时刻"。 评论区也有不同的声音。有人提名 PyTorch/JAX——这个级别的项目确实更底层,影响面更广。也有人提名 vLLM。但 Hieu 的选择显然不是在做"影响力排名",而是有明确的个人标准:什么项目真正改变了 AI 开发者的工作方式,而且这种改变是持久的、不可逆的。 Flash Attention 2 让高效注意力计算从论文走进每一个生产环境。SGLang 让推理服务从一个"能跑就行"的问题变成了一个需要精细优化的工程领域。DeepSeek v3 让开放权重模型从"还行"变成了"可以打"。 这三个项目串在一起,恰好勾勒出了现代 AI 基础设施的骨架:高效计算(FA2)、高效服务(SGLang)、开放模型(DSv3)。 参考来源: Hieu Pham on X: "3 most important open-source projects in modern AI"

优秀的个人博客,低调大师

鲁大师2026年电动车半年报:智能榜TOP3均超900分,九号绿源领跑智能赛道

鲁大师2026年半年报正式发布,本次报告包含电动车智能排行,测试的车型为市面上主流品牌的主流车型,共计18款,全部按照评测维度更广、更专业的鲁大师电动车智慧评测2.0进行评分,测试的成绩均来自鲁大师智慧硬件实验室。 鲁大师电动车智能化测评体系包含车辆的状态采集与管理硬件系统、车辆交互传输系统、驾驶辅助系统、能源系统、防盗系统、乘坐系统、智慧娱乐系统及用户系统共八个系统,且体系和测评内容一直在完善更新,一切评分以最新发布的为准。 电动两轮车智能排行榜 数据采集于鲁大师智慧硬件评测实验室2026.1.1-6.30期间智能化测评分数 电动两轮车智能榜数据全部依托拥有12年经验,与四川大学计算机学院联合共建的鲁大师智慧硬件评测实验室,通过两大系统、八大核心测试板块、36项专项测试及近百项细节测试来将体验感知量化。截至目前,鲁大师电动车智能化测评报告已经发布53期,测试车型高达330余台。 M3 100是九号今年5月开售的新车,作为主力车型,它完整保留了旗舰AXC架构拓扑,针对车身尺寸和电池仓规格做了适配缩放,材料壁厚与补强结构经过精准分级匹配,实现旗舰底盘技术下沉大众价位,可以说是同价位操控、强度、耐久最均衡的车架方案之一。同时它的智能化也是同价位中最优秀的一批,支持旗舰同款的Ridey FUN智驾系统,切歌、导航、通话都可实现,主题仪表和个性音效也全部支持,而且会随着后期OTA更加丰富。此外还配备了全套鼹鼠控体验,坡道驻车、单转把、玩家模式和陡坡缓降等等一应俱全。 其余车型中,绿源S86 GT在智能化体验上表现出色。整车搭载5英寸全彩TFT智能仪表,支持全屏导航投屏,骑行时手机导航可直接映射至仪表。解锁方式覆盖蓝牙无感解锁与4G远程解锁,靠近车辆自动解锁,异地也可授权亲友临时用车。驾驶辅助功能配备定速巡航与陡坡缓降,全车支持OTA在线升级,智能系统可持续迭代优化。此外,用户通过APP可实时查看车辆状态、剩余电量、骑行轨迹,并接收异常移动报警推送,可显示内容非常丰富。 电动两轮车续航达成率排行榜 数据采集于鲁大师智慧硬件评测实验室2026.1.1-6.30期间续航测评分数 电动两轮车续航达成率榜数据通过鲁大师真续航1.0测试,模拟真实骑行环境、驾驶模式与测试路线,以“成都三环通勤续航圈”为基础,让车辆在户外场景真实模拟用户每日通勤状态。 九号Mz1 30搭载定制10寸无刷电机,额定功率 400W,极速 25km/h,起步响应积极,爬坡动力充沛。配合九号自研的鼹鼠控功能,上坡辅助可智能识别坡度并自动增强扭矩输出,出入地库轻松自如。新车搭载48V12Ah铅酸电池,理论续航约45km,实测综合路况下可达 50km以上,满足短途代步。能源系统是九号Mz1 30的核心优势,智能充电管理可自动调节电流以延长电池寿命,多档可调的能量回收系统既提升续航又避免拖拽不适,整车OTA升级让能源策略持续优化,是新国标通勤车中极具性价比的选择。 极核EZ1i搭载额定功率400W的10英寸轮毂电机,最高时速25km/h,动力调校侧重城市工况下的起步平顺性与中低速再加速响应,红绿灯频繁启停场景下表现轻快从容。续航配置有两个版本:48V12Ah铅酸版标称续航30km,整备质量63kg;48V24Ah锂电版采用航空级镁合金抗压防爆外壳,-20℃低温环境下仍可正常工作,标称续航达70km,城市综合路况实测约68km,其充电管理、放电能力与能量回收表现均处于同价位前列,整体续航效率与电池可靠性满足日常通勤核心需求。 总结 目前,市场告别了过去单纯依赖渠道铺量和价格战的传统模式,取而代之的是围绕技术整合、智能化体验与产品质感展开的能力型较量。本次半年报榜单清晰呈现了这一演变趋势,智能榜TOP10中,九号M3 100以913分登顶,绿源S86 GT、极核AE4 Max2+紧随其后,表明头部品牌已将智能化从"卖点包装"转化为"底层架构能力"。可以预见,随着智能化渗透率从当前10%向更高水平跃升,合规框架内的体验创新将成为打破现有格局的核心变量,谁能在25km/h的限制内做出更具智慧感的出行体验,谁就能在下半年的竞争中占得先机。

资源下载

更多资源
腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称,一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集,帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册