面对信息冗余的网页内容，如何快速提取全面的核心信息？Reader-LM 模型为你提供了专业的解决方案。Reader-LM 能高效处理高达 256K 字节的超长内容，精准将 HTML 转换为清晰的 Markdown 格式。它的表现甚至超过了 GPT-4o 等大型语言模型，其轻量化设计也使它更适合资源受限的场景。

回顾百年药物研发史，其中不乏一些有趣的故事。比如在 19 世纪初，德国药剂师的助手泽尔蒂纳用热水浸泡鸦片，再以氨水抽提，从鸦片中分离出一堆白色粉末。它将这种白色粉末喂给狗，狗吃了之后很快就晕倒在地，于是他便使用希腊梦神 Morpheus 的名字将其命名为吗啡。因此，吗啡被普遍认为是世界上首个从植物体内分离出的...

TVM 中 ARM CPU 的算子实现是以 template 形式编写的，该 template 有许多可调参数（tile 因子，vectorization，unrolling等）。对神经网络中的所有卷积和深度卷积算子调优后，会生成一个日志文件，它存储所有必需算子的最佳参数值。当 TVM 编译器编译这些算子时，会查询这个日志文件，从而获取最佳参数值。

vLLM 是一款专为大语言模型推理加速而设计的框架，实现了 KV 缓存内存几乎零浪费，解决了内存管理瓶颈问题。更多 vLLM 中文文档及教程可访问 →[链接]vLLM 支持采用 ROCm 6.1 的 AMD GPU。依赖环境操作系统：LinuxPython：3.8 -- 3.11GPU：MI200s (gfx90a)、MI300 (gfx942)、Radeon RX 7900 系列 (gfx1100)ROCm 6.1安装选...

医疗人工智能的快速发展离不开高质量数据集的支持。从疾病诊断到药物研发，再到个性化医疗，数据集在推动机器视觉、大模型等应用于医学领域中发挥着不可或缺的作用。

「明年我们去法国接甲骨文回家」，2024 年 12 月下旬，安阳师范学院甲骨文信息处理教育部重点实验室的研究人员远赴法国，与法国国家图书馆等 4 家甲骨文收藏机构签订合作协议，将以数字化形态将已经远离故土许久的甲骨文文化遗产「接回家」。

蛋白质作为生命的「工作分子」，其结构与功能研究需要耗费大量时间与资源，但 AI 技术的引入彻底改变了这一局面。通过深度学习模型，研究人员可以快速预测蛋白质的三维结构，还能设计功能性新型蛋白质，甚至揭示基因与疾病之间的隐藏关联。这一革命性突破，不仅吸引了全球资本的密切关注，也激发了众多初创企业在 AI 驱...

当今，医疗资源紧张是困扰全球医疗系统的长期性问题，「医生荒」在基础保健和全科医学领域尤为突出。世界卫生组织预计，到 2030 年，全球将有 1,500 万医务工作者的缺口。而在中国，根据国家统计局和卫生健康委员会的数据，尽管中国的整体医生数量逐年增长，但一些偏远地区和乡村地区的医生数量远远不足。

Triton 是一种用于并行编程的语言和编译器。它旨在提供一个基于 Python 的编程环境，以高效编写自定义 DNN 计算内核，并能够在现代 GPU 硬件上以最大吞吐量运行。

「Meet AI4S」系列直播第 6 期将于 1 月 15 日 19:00 准时开播，HyperAI超神经有幸邀请到了南开大学统计与数据科学学院教授郑伟，他本次分享的主题是「AlphaFold3 王座未稳，来自学术界的反超：基于深度学习的生物大分子及其互作的三维结构预测」。

自 2004 年开源发布以来，LAMMPS 在材料建模领域得到了广泛应用，其全称为 Large-scale Atomic/Molecular Massively Parallel Simulator，由美国 Sandia 国家实验室开发。

去年 11 月，腾讯推出 Hunyuan3D 生成模型，是业界首个同时支持文字和图像生成 3D 的开源大模型。紧接着不到一个月，微软便发布了全新框架 TRELLIS，加入 3D 资产生成领域的竞争中。TRELLIS 支持多格式输出，包括辐射场、3D 高斯和网格，为不同需求提供最大灵活性。

2024 年尾，国际人工智能顶会「第 39 届人工智能年会」(The 39th Annual AAAI Conference on Artificial Intelligence, AAAI 2025) 公布了本届大会论文录用结果，最终在收到的 12,957 篇投稿中，有共计 3,032 篇论文脱颖而出被收录，录取率仅为 23.4%。

注意，本教程不会在 Windows 或最新版本的 macOS 上运行。如需运行，请将本教程的主体放在 if name == "__main__": 代码块中。

触觉感知是智能机器人和人机交互的重要能力之一，但如何实现高精度、快速响应的触觉传感仍然面临诸多挑战。传统触觉传感器在力的测量中往往受到信号耦合的限制，难以准确分辨法向力与切向力。同时，由于传感单元分辨率的限制，触觉感知的空间分辨率也受到制约。基于柔性磁膜的自解耦及超分辨率触觉传感技术，为这些问题...

vLLM 是一款专为大语言模型推理加速而设计的框架，实现了 KV 缓存内存几乎零浪费，解决了内存管理瓶颈问题。更多 vLLM 中文文档及教程可访问 →[链接]vLLM 是一个 Python 库，包含预编译的 C++ 和 CUDA (12.1) 二进制文件。依赖环境操作系统：LinuxPython：3.8 - 3.12GPU：计算能力 7.0 或更高（例如 V100、T4、RTX20xx、...

2012 年，在传说中的「末日之年」，移动互联网迎来了爆发期。随着 3G 网络的普及、智能手机价格下探，加之微信、米聊为代表的类通信应用以及电商、支付类的迅速崛起，该领域实现了新一轮增长。作为各类创新应用的基础，通信产业发展前景一片向好。

12 月 28 日，上海已经进入初冬，寒冷的天气也抵挡不住大家的热情，现场座无虚席，交流氛围浓烈，从行业挑战到技术创新，从应用场景到落地成果，讲师与观众围绕 AI 编译器展开了一场深刻的「华山论剑」。

Triton 是一种用于并行编程的语言和编译器。它旨在提供一个基于 Python 的编程环境，以高效编写自定义 DNN 计算内核，并能够在现代 GPU 硬件上以最大吞吐量运行。

「Meet AI4S」系列直播第 6 期将于 1 月 15 日 19:00 准时开播，HyperAI超神经有幸邀请到了南开大学统计与数据科学学院教授郑伟，他本次分享的主题是「AlphaFold3 王座未稳，来自学术界的反超：基于深度学习的生物大分子及其互作的三维结构预测」。

千呼万唤，英伟达 RTX 50 系列终于正式官宣。在刚刚结束的 CES 2025 主题演讲中，黄仁勋身着新皮衣揭开了 RTX 5090 的面纱，闲言少叙，直接来看性能与售价：迄今为止速度最快的 GeForce RTX GPU拥有 920 亿个晶体管，提供 3,352 TOPS 的计算能力性能是 GeForce RTX 4090 GPU 的 2 倍对于台式机用户，配备 3,352 AI TOPS ...

注意，本教程不会在 Windows 或最新版本的 macOS 上运行。如需运行，请将本教程的主体放在 if name == "__main__": 代码块中。

在麻省理工学院 4 号楼的地下室，有一个被学生们称为「创新的摇篮」的实验室——4-061 实验室。在这里，Donald Sadoway 教授自 1990 年代后期就开始了他对于固体聚合物电解质 (SPE) 锂金属电池的研究。这个实验室见证了无数个日夜的辛勤工作和无数次的实验失败，但也正是这些挑战，孕育出了改变世界的创新发现。

vLLM 是一款专为大语言模型推理加速而设计的框架，实现了 KV 缓存内存几乎零浪费，解决了内存管理瓶颈问题。更多 vLLM 中文文档及教程可访问 →[链接]vLLM 是一个快速且易于使用的库，专为大型语言模型 (LLM) 的推理和部署而设计。vLLM 的核心特性包括：最先进的服务吞吐量使用 PagedAttention 高效管理注意力键和值的内...

以 AlphaFold 为代表的 AI 系统，能够以前所未有的精度预测蛋白质三维结构，为理解蛋白质功能和开发靶向药物提供了革命性工具。在药物研发领域，AI 不仅可以基于海量药物数据，预测药物特性，还可设计新药，缩短药物从实验室到临床的研发周期。同时，AI 还可从海量基因测序数据中精准挖掘信息，快速识别基因突变，助力科...

「我以为我只有 10% 的机会获得诺贝尔化学奖」，得知获奖消息后，John Jumper 在电话采访中笑着说道。他的语气中带着谦逊与感慨，而这份殊荣的背后，则是 AlphaFold2 带来的科学革命，彻底改变了蛋白质结构预测的方式。

「CASP14 赛前，很多课题组看到 DeepMind 来参赛，觉得他们带来的成果可能和上次 (CASP13) 差不多，大家都没太当回事」，南开大学郑伟教授彼时正在密西根大学张阳教授实验室交流学习，先后 3 次随团队参赛的他，见证了初代 AlphaFold 的崭露头角，以及 AlphaFold 2 的一战成名。

在 2024 年的 NeurIPS 会议上，Ilya Sutskever 提出了一系列关于人工智能发展的挑战性观点，尤其集中于 Scaling Law 的观点：「现有的预训练方法将会结束」，这不仅是一次技术的自然演进，也可能标志着对当前「大力出奇迹」方法的根本性质疑。

就在本月，Meta 发布了 Llama 3.3 唯一开源模型 Llama-3.3-70B-Instruct，虽然参数规模只有 70B，但堪比 405B 模型性能。这是 Llama 3 系列的最后一个模型，小扎表示，再见就是 Llama 4 啦！

在机器人自主学习的旅程中，触觉是不可或缺的一环，它赋予机器感知物理世界细节的能力。然而，传统触觉感知系统的训练往往依赖于海量数据采集，成本高昂且效率低下。随着数据驱动方法的限制逐渐显现，如何通过高效的数据表征来提升触觉学习的性能，成为当下机器人研究的焦点之一。