首页 文章 精选 留言 我的

精选列表

搜索[双足行走]，共9133篇文章
优秀的个人博客,低调大师

机器设备的一双”慧眼” 解读机器视觉技术应用

移动互联网、智能手机以及社交网络的发展带来了海量图片信息, 当下机器视觉技术已经渗入到我们的日常生活中，从手机里的美颜APP面目识别功能、人脸相册分类，到支付宝面部识别身份验证、储物柜人脸识别，以及工业机器人对物体准确抓取、物流机器人障碍避让等等都是运用了计算机视觉技术。 机器视觉技术.jpg 近年来，为了让机器更像人，能够认知事物，从而进行判定和深度学习，计算机视觉技术方法与应用发展迅速。计算机视觉研究如何让计算机可以像人类一样去理解图片、视频等多媒体资源内容。例如用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等，并进一步处理成更适合人眼观察或进行仪器检测的图像。 在海量的图像数据集、机器学习(深度学习)方法以及性能日益提升的计算机支持下，计算机视觉领域的技术与应用均得到迅速发展。 人脸识别 “人脸识别”是人工智能“计算机视觉”领域中最热门的应用，今年2月，《麻省理工科技评论》发布“2017全球十大突破性技术”榜单，来自中国的技术“刷脸支付”位列其中，今后靠脸吃饭完全不是问题。这是该榜单创建16年来首个来自中国的技术突破。人脸识别技术目前已经广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗等行业。据业内人士分析，我国的人脸识别产业的需求旺盛，需求推动导致企业敢于投入资金。目前，该技术已具备大规模商用的条件，未来三到五年将高速增长。而今年，这一技术有望在金融与安防领域迎来大爆发。 视频监控分析 人工智能技术可以对结构化的人、车、物等视频内容信息进行快速检索、查询。这项应用使得让公安系统在繁杂的监控视频中搜寻到罪犯的有了可能。在大量人群流动的交通枢纽，该技术也被广泛用于人群分析、防控预警等。 视频监控领域盈利空间广阔，商业模式多种多样，既可以提供行业整体解决方案，也可以销售集成硬件设备。将技术应用于视频及监控领域在人工智能公司中正在形成一种趋势，这项技术应用将率先在安防、交通甚至零售等行业掀起应用热潮。 工业视觉检测 机器视觉可以快速获取大量信息，并进行自动处理。在自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。 机器视觉系统的特点是提高生产的柔性和自动化程度。运用在一些危险工作环境或人工视觉难以满足要求的场合;此外，在大批量工业生产过程中，机器视觉检测可以大大提高生产效率和生产的自动化程度。 医疗影像诊断 医疗数据中有超过90%的数据来自医疗影像。医疗影像领域拥有孕育深度学习的海量数据，医疗影像诊断可以辅助医生，提升医生的诊断的效率。 文字识别 计算机文字识别，俗称光学字符识别，它是利用光学技术和计算机技术把印在或写在纸上的文字读取出来，并转换成一种计算机能够接受、人又可以理解的格式。这是实现文字高速录入的一项关键技术。 朗锐智科（www.lrist.com）认为机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。2017年是人脸识别产业应用产生突破性进展的一年。人脸识别和视频监控两大方向最受资本青睐，同时技术也在寻找其他方向的突破。
2017-09-17
优秀的个人博客,低调大师

云+大数据：阿里巴巴双十一狂欢背后的双引擎

云服务和大数据是支持中国电商巨头阿里巴巴在今年11月11日光棍节实现500亿元销售目标最为重要的技术。去年11月11日，阿里巴巴的总销售额达到创纪录的350亿元。 最近几年，11月11日这天已经成为最特别的在线购物节日，最早由阿里巴巴在2009年发起。双十一购物节通常从11月初就开始了，在11月11日达到高潮。通过与电商公司合作，数以千计的企业在这期间通过在线渠道以大力度折扣的方式推销他们的产品。 阿里巴巴将无线、平台化和全球化作为今年他们的双十一战略。这背后，是阿里巴巴在云计算和大数据方面强大的IT能力，支撑阿里巴巴实现全面元经并支持中小企业在阿里巴巴庞大电商品上提高销售。 让我们从阿里巴巴以及中国电商企业看向整个中国企业界。IT技术正在提供越来越多的资源、能力和高级应用，帮助企业实现数字化和重新塑造他们的业务模式。IDC认为，云和大数据是推动中国企业尤其是中小企业转型最重要的技术。 基于云的基础设施即服务（IaaS）帮助中小企业打破IT资源的瓶颈。随着互联网不断渗透到各种垂直行业中，企业客户对信息技术和资源提出了越来越多的需求。 面对IT需求的快速增长，中小企业通常面临着巨大挑战，例如资金短缺、技术和运营能力的不足。IDC认为，IaaS可以成为中小企业通过高效消费IT资源化解挑战的一种创新方式。 通过基础设施资源融合以及利用基于服务的交付模式，IaaS限制降低IT人力成本，从而提高客户的金融灵活性，帮助缓解中小企业的资金压力。 与此同时，IaaS带来的成本解决并不会以牺牲服务质量为前提。IaaS为中小企业提供了一个以合理价格利用高质量资源的机会，例如高端硬件和软件、高级数据中心、最新技术、甚至是顶尖的专业人才，这在以前都是远超出他们所能承受的范围。 阿里巴巴从2013年开始重度投资“阿里云”平台，以更好地支持其电商平台的快速增长。阿里巴巴已经开始构建自己的高等级数据中心，并将所有IT资源集中化。2013年阿里巴巴在服务器上的投资增长超过200%。 借助阿里云的支持，2013年双十一期间淘宝网、天猫商城以及支付宝产生并处理了大约1.88亿笔交易。超过20000家在线企业已经采用了由阿里云IaaS提供的专有管理应用。 从技术能力的角度来看，IaaS能够让中小企业分享由超大规模架构和工作负载优化技术带来的好处。去年双十一期间，阿里巴巴的平台帮助数百万零售商克服了由网络流量带来的IT挑战，通过由阿里云大规模基础设施架构带来的高可扩展性和可靠性。 到目前为止，阿里云已经在单一服务器群上实现5000个节点的可扩展性，可提供最多10万个计算核心，以及100PB存储容量。此外，考虑到网络操作的特点，阿里云已经开发出多种专有架构，针对特定的工作负载类型进行优化，定制服务器配置和虚拟化技术，甚至是创建了一个优化机架规模解决方案的研发项目（天蝎计划）。 不仅如此，在后端每一个中小企业客户都是阿里云的整个系统架构和设计团队，后者提供技术支持和提供系统的SLA保障。 大数据在云端帮助中小企业实现数字化转型 随着数字时代的到来，数据和数据技术产生的能力正在成为每家企业的重要竞争力。 最近几年，大数据分析在中国电商领域的繁荣背后扮演着越来越重要的角色。双十一购物节背后的大数据应用并不局限于提供大规模消费者行为数据以实现精准广告和促销活动，大数据分析还帮助零售商更智能地管理他们的在线运营、库存以及物流。 除了数据分析软件即服务（SaaS）应用之外，阿里巴巴还在今年6月发布了他们的开放数据处理服务（ODPS）以及数据处理中心（DPC，一个业务智能平台）作为平台即服务（PaaS）。 在开放服务之前，ODPS帮助支撑阿里巴巴的整个数据仓库，其中保存了上一年双十一购物节的大量客户和交易数据。通过利用ODPS，中小企业零售商可以分享真正的“大数据”，并且可以把这些数据转换为真正的业务价值。 云和大数据已经成为电商巨头们竞争背后的战略关注点，数百万的中小企业零售商可以从中受益。IDC认为，随着数字化不断深入到具体行业，云和大数据带来的好处将进一步扩大，并将最终推动者中国所有中小企业的发展。 原文发布时间为：2014年11月11日 本文来自云栖社区合作伙伴至顶网，了解相关信息可以关注至顶网。
2017-08-20
优秀的个人博客,低调大师

Go 后台双库迁移上线前，MySQL 和 PG 字段如何验收

Go 后台同时支持 MySQL 和 PostgreSQL 时，迁移验收不要只跑一边。上线前先判断五类东西是否一致：表字段、默认值、唯一索引、菜单权限字段、默认数据。再用一条查询确认线上库已经到目标结构。否则你会遇到一种很尴尬的故障：SQL 执行成功，页面也能打开，但某个按钮权限、队列配置或默认 Topic 在另一套库里少了字段，云上环境才暴露出来。
2026-08-10
优秀的个人博客,低调大师

. | 双图表示增强Transformer模型的分子性质预测

准确预测分子性质是化学、材料科学和药物研发中的核心问题，其性能高度依赖于分子表示方式。近年来，Transformer模型凭借全局自注意力机制逐渐应用于分子学习，但如何充分编码原子、化学键、拓扑结构及立体几何信息，仍然是限制模型性能的重要因素。研究人员提出了一种名为Dual Graph Transformer（DGT）的新型深度学习框架，通过同时构建原子图和键图两种互补表示，在自注意力机制中联合建模原子特征、键特征、图拓扑、环结构以及三维立体信息，实现更加完整的分子表示。
2026-07-13
优秀的个人博客,低调大师

ROCK&ROLL：阿里双框架协同推动 Agentic RL 规模化应用

01 前言 ROLL是阿里巴巴未来生活实验与智能引擎团队开源的面向大模型的强化学习（RL）框架，该框架提供了完整的RL训练链路，支持模型通过与环境交互来学习任务解决策略。然而，ROLL当前缺失在环境服务层的标准化支持，虽然其提供了训练算法和模型接口，用户仍需自行构建和维护任务执行环境，无疑增加了使用门槛并限制了训练规模。 为解决这一难题，团队近期正式开源了ROCK——一个强大的Env沙箱，正式填补了ROLL生态中环境服务层的空白。它将提供： 标准化的环境接口：统一的API规范，简化环境集成； 开箱即用的Sandbox：预配置的安全执行环境； 高性能服务支撑：优化的并发处理和资源调度； 任务多样性支持：覆盖多种典型Agentic任务场景。 通过ROCK与ROLL的协同，用户可以获得从训练框架到环境服务的完整解决方案，显著降低Agentic模型开发的复杂度，推动这一技术的规模化应用。 ROCK项目地址：github.com/alibaba/ROCK ROLL项目地址：github.com/alibaba/Roll 02 项目背景 2.1 模型演化：从文本输出到智能体交互 大语言模型正在经历一场深刻的范式转变。早期的语言模型主要专注于文本生成和对话，而如今最前沿的模型已经进化为能够与外部环境深度交互的 Agentic 模型。这种演化不仅仅是技术上的进步，更代表了 AI 应用场景的根本性扩展。 当前几乎所有的 SOTA 模型——如 GPT-5、Claude 4.x、Gemini-2.5 等——都具备了多轮交互能力，能够通过工具调用（Function Calling）、代码执行、外部 API 调用等方式与环境进行交互。这种能力使得模型从"回答问题"转变为"解决问题"。 从业务价值角度来看，这一转变意义重大。许多企业的自动化链路需要的不仅仅是文本建议或分析报告，而是能够直接执行的 动作（Action）。例如：在 DevOps 场景中，我们需要模型能够直接执行命令、修复故障；在数据分析场景中，需要模型能够编写并运行代码、生成可视化报告；在客户服务场景中，需要模型能够查询数据库、更新订单状态。这些都要求模型具备真正的执行能力，而非仅仅输出文本建议。 2.2 训练 Agentic 模型的核心需求 基础要素构成 训练一个高质量的 Agentic 模型需要四个核心要素的协同配合： 基础 LLM 模型：作为智能体的"大脑"，提供推理、规划和决策能力； 任务与实例描述：明确定义智能体需要解决的问题空间和评估标准； 面向大模型的强化学习训练框架：提供高效的强化学习训练算法和工程实现； 环境服务（Environment Service）：提供智能体交互、执行动作并获得反馈的沙盒环境。 RL框架是引擎，环境是燃料 在四大核心要素中，强化学习训练框架是 Agentic 模型的技术骨架，它定义了模型如何通过与环境交互来学习决策能力。然而，再优秀的框架也需要"巧妇"配以"良米"——数据质量和环境服务正是决定 Agentic 模型能力上限的两大关键支柱。 数据维度是模型能力的根基。预训练和监督微调阶段的数据质量与多样性，从根本上界定了基础 LLM 的能力边界，赋予模型泛化能力、推理能力和世界知识。但对于 Agentic 模型而言，仅有扎实的基础能力还远远不够——模型必须学会在特定任务环境中规划并执行正确的决策序列。 环境服务维度则是 Agentic LLM 训练中最容易被低估却又至关重要的一环。强化学习算法对环境交互存在海量需求，环境服务的稳定性和效率直接决定了模型的 Scaling 潜力——即能否通过大规模交互数据持续突破性能瓶颈。一个高效稳定的环境服务需要满足： 高并发支持：同时处理数千乃至数万训练实例； 快速反馈：毫秒级响应延迟，加速训练迭代； 精准状态管理：可靠地维护、回溯和重置环境状态； 灵活可扩展性：适配多样化任务类型与复杂度。 环境服务的性能瓶颈往往直接成为整个训练流程的"卡脖子"问题。为突破这一制约，我们需要双轮驱动：既要构建高度可定制化与高性能的强化学习训练框架（ROLL），也要建立高效稳定、弹性伸缩的环境管理运行体系（ROCK），两者协同才能释放 Agentic 模型的真正潜力。 03 ROLL 3.1 ROLL框架概述 ROLL 是基于Ray构建的大规模LLM强化学习的高性能基础设施，覆盖从小规模预研到数千卡百亿参数生产环境的完整RL优化流程。ROLL提供了丰富的功能特性，涵盖了强化学习训练的各个方面：支持数学、代码、推理等多领域任务联合训练；原生支持Agentic RL，灵活适配游戏、多轮对话、工具调用、CodeAgent等多步决策场景；深度集成Megatron-Core、Deepspeed等主流框架，支持先进的5D并行策略；具备样本级生成管理、异步推理、异步训练加速等核心机制。 针对Agentic强化学习，ROLL提供了专门优化的优化：环境异步交互、冗余环境采样支持、Agentic异步训练进行训练加速。并且，ROLL采用GEM标准环境接口，通过极简的env.reset和env.step两个核心方法，大幅简化了Agentic RL的交互过程： # 初始化环境 observation, info = env.reset() # 智能体-环境交互循环 while True: action = llm.generate(observation) # 智能体决策 next_observation, reward, terminated, truncated, info = env.step(action) if terminated or truncated: break 这种简洁的设计使得任何新的业务应用都能快速适配，无需复杂的接口转换。环境开发者只需实现标准的reset/step方法，即可无缝接入ROLL的训练体系，实现从简单游戏到复杂工具调用等各类Agentic任务的统一管理。 3.2 ROLL环境服务协同需求 RL框架是驱动引擎，环境是能量源泉，共同构筑了Agentic模型能力突破的核心基石。ROLL在AgenticRL训练过程中的Scaling能力对环境服务提出了具体要求，以充分释放其分布式训练和异步优化的潜力。 1. 高并发处理能力：ROLL的分布式架构能够同时处理数千乃至数万训练实例，这要求环境服务具备相应的并发处理能力，以匹配ROLL的训练吞吐量。ROLL的异步设计进一步放大了对环境并发能力的需求。 2. 冗余容错支持：ROLL通过冗余环境部署技术应对环境故障，确保训练过程的稳定性，这更增大了环境实例数量的需求。 3. 快速状态管理：ROLL支持环境粒度的异步并行Rollout，这需要环境服务能够快速地拉起环境实例，可靠地重置和维护环境状态。ROLL的队列调度机制要求环境服务能够支持细粒度的任务生命周期管理。 4. 多样化任务适配：ROLL作为训练框架，支持多样化的Agentic任务场景（游戏、多轮对话、工具调用、CodeAgent等），环境服务需要适配不同任务类型与复杂度的需求，支持灵活的任务扩展。 ROLL框架在Agentic训练过程中对环境服务层面的强烈需求——这正是ROCK项目需要解决的核心问题。 04 ROCK 4.1 极致的规模化能力 一个聪明的 Agent，其智能的广度与深度，取决于它所能探索的世界的规模与多样性。然而，在传统的 Agent 训练范式中，复杂的任务环境常常耗尽单机资源，这成为了限制 Agent 训练规模的硬性天花板。 ROCK 的诞生，正是为了击碎这块天花板。 它基于业界领先的分布式框架 Ray 构建，将一个庞大的计算集群抽象成统一、弹性的“环境资源池”。过去需要数天甚至数周进行手动配置的集群环境，现在通过 ROCK，您可以像在本地启动一个程序一样简单。 从 1 到 N+ 的飞跃：只需修改配置参数，ROCK 就能在分钟级别内，自动完成成千上万个并行训练环境的调度与拉起。您无需再关心繁琐的节点管理和资源分配，可以完全聚焦于算法本身。 前所未有的训练灵活性：ROCK 支持在同一集群中，同时运行同构（来自同一镜像）与异构（来自不同镜像）的环境。这既满足了大规模重复探索的需求，也为提升 Agent 在“网页浏览”、“代码编写”等不同任务间的泛化能力提供了至关重要的多样性。 ROCK 的规模化能力，不仅是对 ROLL 生态的补充，更是对 Agentic AI 训练范式的一次解放。它将“大规模”从一个遥不可及的概念，变成了您触手可及的工具。 4.2 强大的Bash交互能力 在 Agent 训练中，最常见的困境莫过于环境的“黑盒”特性。当 Agent 的行为偏离预期时，我们迫切地想知道：“案发现场”究竟发生了什么？Agent 执行的命令到底产生了什么效果？ ROCK 彻底打破了这层隔阂，提供了前所未有的程序化 Bash 交互能力。 它的设计理念非常纯粹：将 Linux Shell 的强大与灵活性，通过现代化的SDK与HTTP API提供给开发者。 这意味着，您可以像操作本地终端一样，与成百上千个远程 Sandbox 进行深度交互。 您只需通过 SDK 调用一个简单的函数，ROCK 就会在背后将其转换为标准的 HTTP 请求，在指定的 Sandbox 内部安全地执行 Bash 命令，并将完整的输出（stdout/stderr）返回给您。 这使得您可以在训练的任意时刻： 精准观测：通过 Linux 命令，即时查看 Sandbox 内的文件、日志和进程状态，快速定位问题。 主动干预：通过修改环境变量或配置文件，动态调整环境状态，引导或修正 Agent 的行为。 ROCK 的交互能力，让您在享受大规模分布式训练便利性的同时，依然保留了如同在本地单机开发时那般强大而直观的调试能力。 4.3 灵活的部署方式 开发环境与生产环境的割裂，是工程效率的一大杀手。ROCK 致力于打通开发与生产的“最后一公里”，提供“一次编写，随处运行”的体验。 本地独立运行 在开发初期，您可以完全独立于任何训练框架，在本地一键启动 ROCK 服务。这为您提供了一个纯净的“环境实验室”，专门用于： 构建和调试 Sandbox 环境本身：例如，验证您的网页浏览工具是否安装正确，或测试文件系统的读写性能。 独立测试 Agent 逻辑：无需启动完整的训练流程，即可与环境交互，确保 Agent 的执行器工作正常。 这为您的 Agent 即将生活的“世界”提供了一个快速、隔离的单元测试环境。 本地集成调试 当您的环境准备就绪后，可以通过 ROLL 框架一键拉起一个或多个 ROCK Sandbox，进行完整的端到端链路调试。 快速验证完整训练回路：从 ROLL 的 step 指令到 ROCK 的环境响应，再到ModelService的数据流转，整个工作流“所见即所得”。 流畅的编码与原型验证：编码体验流畅自然，您可以快速进行模型原型验证，而不必等待漫长的集群调度。 云端规模化部署 当模型准备好进行大规模训练时，本地调试使用的同一套配置可平滑迁移至云端。 从 1 到 10K：ROCK 屏蔽了底层基础设施的复杂性，能将您的应用自动部署为高可用的集群服务，轻松扩展至成千上万个并行环境。 确保环境绝对一致：杜绝了各种环境不一致问题，确保了开发与生产的无缝衔接。 4.4 稳定的服务 对于动辄运行数小时甚至数天的 Agent 训练任务而言，环境的稳定性至关重要。任何一次意外崩溃，都可能导致宝贵的计算资源和时间的浪费。ROLL 框架的分布式架构，特别是其异步设计和冗余容错机制，对环境服务的稳定性和可靠性提出了极高的要求。 ROCK 将稳定性刻入了基因，旨在成为 ROLL 最可靠的基石。 它的设计标准直接对齐阿里巴巴内部的核心基础设施，为您的训练任务提供企业级保障： 强大的故障隔离机制：ROCK 的核心价值之一是确保故障不会蔓延。每个 Sandbox 都在一个严格隔离的环境中运行，单个实例的崩溃或异常，绝不会影响到其他成百上千个并行实例，更不会拖垮整个 ROCK 服务。这种设计为上层框架（如 ROLL）实现其自身的容错策略提供了坚实的基础。 可预期的性能，杜绝干扰：环境性能的抖动是模型训练中难以排查的“噪音”。ROCK 通过精细的资源调度与并发优化，确保每个 Sandbox 都能获得稳定、可预期的计算资源。这消除了因资源争抢导致的环境卡顿或延迟，保证了从环境中采集到的数据质量，让 ROLL 的优化算法可以更稳定地收敛。 快速可靠的状态管理：为了支撑 ROLL 的容错和异步调度，环境的响应速度至关重要。当需要替换失败的环境或开启新一轮探索时，ROCK 能够在秒级时间内可靠地完成环境的拉起和重置。这种高效的状态管理能力，确保了训练中断的时间被降至最低，从而保障了整体训练流程的高效与连贯。 4.5 智能优化Agent训练范式 在 Agentic AI 的开发与训练中，开发者长期面临一个棘手的矛盾：Agent 自身通常包含一套复杂的内部逻辑（如多轮对话历史管理、动态 Prompt 拼接），而训练框架（如 ROLL）为了进行有效训练，又必须能精确介入其“思考过程”。 在过去，这常常导致一种“重复建设、维护灾难”的困境：训练框架（ROLL）被迫在自己的代码中完整地重新实现一遍 Agent 的业务逻辑。这不仅是巨大的开发负担，更意味着一旦 Agent 自身的逻辑更新，双方代码就必须手动同步，极易出错且难以维护。 ROCK 引入了革命性的ModelService组件，正是为了从根本上斩断这种耦合，解决这一核心痛点。 ModelService 本质上是一个部署在 ROCK 内部的智能模型代理。它通过“提问-拦截-回答”三步，让 Agent 和 ROLL 各司其职，完美协同： Agent 提问：在 Sandbox 中，Agent 使用其原生逻辑拼接好 Prompt，像往常一样发起模型调用。 ROCK 拦截与传递：ModelService 会拦截这个调用请求，通过一个巧妙的反向调用机制，将“原汁原味”的 Prompt 传递给在外部等待的 ROLL。 ROLL 回答与训练：ROLL 拿到 Prompt 后，获得了对思考过程的完全控制权。它调用自己的中心化推理服务（如Qwen-2.5）获得答案，计算奖励并优化模型，再将最终答案返回给 Agent。 这为 Agent 训练带来了颠覆性的改变： 彻底解耦，权责分明：Agent 负责“如何提问”（Prompt 生成），ROLL 负责“如何回答与训练”。ROLL 的代码中再也不需要包含任何 Agent 的业务逻辑，彻底消除了重复建设和维护噩梦。 完全的训练控制：ROLL 虽然不关心 Prompt 的生成细节，但却获得了对 Agent 每一次“思考”的最终产物（即 Prompt）的完全控制权，这使得应用高级训练策略成为可能。 极致的资源效率：允许将昂贵的 GPU 资源集中用于 ROLL 的中心推理服务，而成千上万的 ROCK Sandbox 可以在低成本的 CPU 实例上大规模运行，极大降低了训练成本。 开放架构，轻松泛化：其解耦的设计具有天然的泛化能力，能够轻松支持任何自定义逻辑的 Agent，使其无缝接入 ROLL 的训练体系。 ModelService不仅仅是一个功能，它是一种更先进、更高效、更经济的 Agent 训练架构。它将 ROCK 从一个单纯的环境执行服务，提升为了一个懂训练、助训练的智能基础设施。 05 总结与展望 ROLL与ROCK的结合，标志着阿里在Agentic AI训练领域的完整布局：ROLL提供强大的训练引擎，ROCK则注入源源不断的环境燃料。这套组合从根本上解决了Agentic模型训练中的两大核心挑战——高效的学习算法和可规模化的环境服务。 通过ROCK，我们打破了环境服务层的瓶颈，实现了： ✅ 从1到10K的弹性扩展：分钟级拉起海量训练环境 ✅ 开发到生产的无缝衔接：本地调试的代码直接部署云端 ✅ 企业级的稳定性保障：故障隔离、快速恢复、性能可预期 ✅ 革命性的交互范式：ModelService解耦Agent逻辑与训练框架 ROCK与ROLL的协同，让Agentic模型训练不再是少数团队的专属能力，而是每个开发者都能轻松上手的标准化流程。无论您是： 希望探索前沿算法的研究者 需要构建智能自动化系统的企业开发者 渴望学习Agentic AI的技术爱好者 ROCK都将成为您最可靠的基础设施伙伴。目前项目已正式开源，并将持续更新，诚邀大家一起构建下一代智能体，让AI真正"动"起来！我们期待社区的每一份贡献——无论是代码、文档还是创意，都将推动Agentic AI生态向前迈进。 The future of Agentic AI is collaborative. Join us now! Let's ROCK and ROLL！ 立即行动 GitHub: github.com/alibaba/ROCK github.com/alibaba/ROLL 快速开始文档: 5分钟完成首个Agent训练alibaba.github.io/ROCK/zh-Hans/docs/rockroll/ 社区交流:扫描二维码加入我们的社群，与社区开发者共同成长 https://qr61.cn/o7AEAs/qJYEwH0 (二维码自动识别)
2025-12-08

资源下载

更多资源
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。

时间: 2026-09-24 大小: 189MB 下载: 9次
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。

时间: 2026-08-21 大小: 1.42GB 下载: 6次
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。

时间: 2026-08-21 大小: 9.84MB 下载: 40次
WebStorm

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。

时间: 2025-12-13 大小: 249.54MB 下载: 22次
热门标签
DeepSeek Jdk25 OpenAi HarmonyOS6 Nacos3 SpringBoot4 SpringCloud Docker Kubernetes Service Mesh Redis Gemini3 Rocky

欢迎您来访！

登录后，您将获得更多功能！
热门文章
联系我们

有任何问题或合作意向欢迎联系我们

Email: 99873273@qq.com

QQ: 99873273

用户登录
用户注册