【AI达人特训营】PaddleNLP实现聊天问答匹配

【飞桨领航团】AI达人特训营：PaddleNLP实现聊天问答匹配

1. 项目背景

本项目是ai达人特训营的选题，目测该选题来自这个比赛：房产行业聊天问答匹配

背景： 贝壳找房是以技术驱动的品质居住服务平台，“有尊严的服务者、更美好的居住”，是贝壳的使命。在帮助客户实现更美好的居住过程中，客户会和服务者（房产经纪人）反复深入交流对居住的要求，这个交流发生在贝壳APP上的IM中。
IM交流是双方建立信任的必要环节，客户需要在这个场景下经常向服务者咨询许多问题，而服务者是否为客户提供了感受良好、解答专业的服务就很重要，贝壳平台对此非常关注。因此，需要准确找出服务者是否回答了客户的问题，并进一步判断回答得是否准确得体，随着贝壳平台规模扩大，需要AI参与这个过程。

任务：
赛题任务：给定IM交流片段，片段包含一个客户问题以及随后的经纪人若干IM消息，从这些随后的经纪人消息中找出一个是对客户问题的回答。
任务要点：

1. 数据来自一个IM聊天交流过程；
2. 选取的客户问题之前的聊天内容不会提供；
3. 提供客户问题之后的经纪人发送的内容；
4. 如果在这些经纪人发送内容之间原本来穿插了其他客户消息，不会提供；
5. 这些经纪人发送内容中有0条或多条对客户问题的回答，把它找出来。

结果：

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

       

说明：比赛已经比较久了，现在只能获取长期公开赛的评分排名，而且没什么人，不过用来学习文本匹配思路还是不错的。

2. 数据集

2.1 数据说明

一共有三份数据：训练集、测试集和提交示例。

训练集包含客户问题文件和经纪人回复两个文件，涉及6000段对话（有标签答案）。

测试集包含客户问题文件和经纪人回复两个文件，涉及14000段对话（无标签答案）。

2.2 数据示例

解压训练集和测试集

In [1]

!unzip data/data144231/train.zip -d ./data && unzip data/data144231/test.zip -d ./data

       

Archive:  data/data144231/train.zip
   creating: ./data/train/
  inflating: ./data/train/train.query.tsv  
  inflating: ./data/train/train.reply.tsv  
Archive:  data/data144231/test.zip
   creating: ./data/test/
  inflating: ./data/test/test.query.tsv  
  inflating: ./data/test/test.reply.tsv

       

查看数据示例

In [2]

import pandas as pd

train_query = pd.read_csv("data/train/train.query.tsv", sep='\t', header=None)
train_query.columns = ['query_id', 'sentence']# query 文件有 2 列，分别是问题 Id 和客户问题，同一对话 Id 只有一个问题，已脱敏print(train_query.head())
train_reply = pd.read_csv("data/train/train.reply.tsv", sep='\t', header=None)
train_reply.columns = ['query_id', 'reply_id', 'sentence', 'label']# reply 文件有 4 列，分别是：# 对话id，对应客户问题文件中的对话 id # 经纪人回复 Id，Id 对应真实回复顺序# 经纪人回复内容，已脱敏# 经纪人回复标签，1 表示此回复是针对客户问题的回答，0 相反print(train_reply.head())# 训练集文件结构与测试集相同，只不过 reply 文件没有回复标签test_query = pd.read_csv("data/test/test.query.tsv", sep='\t', header=None, encoding='gb18030')
test_query.columns = ['query_id', 'sentence']print(test_query.head())
test_reply = pd.read_csv("data/test/test.reply.tsv", sep='\t', header=None, encoding='gb18030')
test_reply.columns = ['query_id', 'reply_id', 'sentence']print(test_reply.head())

       

   query_id            sentence
0         0            采荷一小是分校吧
1         1                毛坯吗？
2         2  你们的佣金费大约是多少和契税是多少。
3         3             靠近川沙路嘛？
4         4      这套房源价格还有优惠空间吗？
   query_id  reply_id                     sentence  label
0         0         0  杭州市采荷第一小学钱江苑校区，杭州市钱江新城实验学校。      1
1         0         1                           是的      0
2         0         2                         这是5楼      0
3         1         0                   因为公积金贷款贷的少      0
4         1         1                           是呢      0
   query_id      sentence
0         0  东区西区？什么时候下证？
1         1          小学哪个
2         2          看哪个？
3         3     面积多少，什么户型
4         4    什么时候能够看房呢？
   query_id  reply_id      sentence
0         0         0        我在给你发套
1         0         1     您看下我发的这几套
2         0         2    这两套也是金源花园的
3         0         3           价钱低
4         0         4  便宜的房子，一般都是顶楼

       

3. ERNIE 系列模型

原文：

• ERNIE: Enhanced Representation through Knowledge Integration
• ERNIE 2.0: A Continual Pre-training Framework for Language Understanding
• ERNIE 3.0: Large-scale Knowledge Enhanced Pre-training for Language Understanding and Generation

ERNIE 1.0

首先对原始的MLM任务进行改进，引入了Entity-level masking和Phrase-level masking，帮助模型学习更多的词汇短语知识，这个任务也成为了后续中文预训练模型的标配：

       

Entity-level masking 和 Phrase-level masking

同时引入了DLM(Dialogue Language Model)对NSP任务进行了优化，在预测Mask token的同时判断输入的多轮对话（QRQ、QRR、QQR三种模式）是否真实。

       

Dialogue Language Model

ERNIE 2.0

首先是框架上的闭环化，把各种下游任务持续加入模型中提升效果：

       

ERNIE 2.0

其次引入更多预训练任务，细节参见原论文。

ERNIE 3.0

3.0版本首先延续了之前有效的预训练任务。

其次3.0版本提出了海量无监督文本与大规模知识图谱的平行预训练方法 （Universal Knowledge-Text Prediction）。将5千万知识图谱三元组与4TB大规模语料中相关的文本组成pair，同时输入到预训练模型之中进行联合掩码训练：

       

Universal Knowledge-Text Prediction

语料库 4TB，我的天！！！

简小派

简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

123 查看详情

结构上，ERNIE 3.0框架分为两层。第一层是通用语义表示网络，该网络学习数据中的基础和通用的知识。第二层是任务语义表示网络，该网络基于通用语义表示，学习任务相关的知识。在学习过程中，任务语义表示网络只学习对应类别的预训练任务，而通用语义表示网络会学习所有的预训练任务。

       

ERNIE 3.0模型框架

本项目使用 3.0 版本预训练模型。

4. 解题思路

1. 由于回答是不连续的，所以可以将问题和答案一一对应，组成 query-reply-pair，然后进行文本分类，分别判断是否是针对问题的回答。

       

2. 虽然对话是不连续的，但是是同一个对话，不同的回答可能相互支撑，提供部分信息，所以，第二种思路就是将同一个问题的所有回答都拼接在当前回答后面，然后同时对每一个回答进行判断。

       

在思路 2 的基础上，还可以把 [CLS] 对应的输出拿出来，预测所有候选 reply 中是否存在可以匹配的回答。

本项目采用思路 1 作为 baseline 。

5. Talk is cheap, show me the code

首先安装最新版本的 paddlenlp

In [ ]

!pip install paddlenlp --upgrade

   

上述安装过程可能会报错，大概是parl包的版本依赖问题，对于本项目来说无伤大雅。

训练、测试代码都写在 query_reply_pair.py 文件中，有详细注释。

注意：

1. 你可能需要在 main() 中的 args 列表下，修改训练参数。
2. 为了便于展示结果，避免输出信息过长，下面的结果是在 num_train_epochs = 0.5 的参数下输出的，为了更好的结果，这里可能需要修改，项目开头展示的成绩是 num_train_epochs = 5.0 的结果。

运行脚本：

In [4]

!python query_reply_pair.py

       

[2025-06-22 10:04:10,523] [    INFO] - using `logging_steps` to initialize `eval_steps` to 100[2025-06-22 10:04:10,523] [    INFO] - ============================================================[2025-06-22 10:04:10,523] [    INFO] -      Model Configuration Arguments      
[2025-06-22 10:04:10,523] [    INFO] - paddle commit id              :590b4dbcdd989324089ce43c22ef151c746c92a3[2025-06-22 10:04:10,523] [    INFO] - export_model_dir              :None[2025-06-22 10:04:10,523] [    INFO] - model_name_or_path            :ernie-3.0-medium-zh[2025-06-22 10:04:10,524] [    INFO] - 
[2025-06-22 10:04:10,524] [    INFO] - ============================================================[2025-06-22 10:04:10,524] [    INFO] -       Data Configuration Arguments      
[2025-06-22 10:04:10,524] [    INFO] - paddle commit id              :590b4dbcdd989324089ce43c22ef151c746c92a3[2025-06-22 10:04:10,524] [    INFO] - max_seq_length                :128[2025-06-22 10:04:10,524] [    INFO] - test_query_path               :data/test/test.query.tsv[2025-06-22 10:04:10,524] [    INFO] - test_reply_path               :data/test/test.reply.tsv[2025-06-22 10:04:10,524] [    INFO] - train_query_path              :data/train/train.query.tsv[2025-06-22 10:04:10,524] [    INFO] - train_reply_path              :data/train/train.reply.tsv[2025-06-22 10:04:10,524] [    INFO] - 
raw train dataset example: {'query': '东区西区？什么时候下证？', 'reply': '我在给你发套'}.[2025-06-22 10:04:11,911] [    INFO] - We are using <class 'paddlenlp.transformers.ernie.tokenizer.ErnieTokenizer'> to load 'ernie-3.0-medium-zh'.[2025-06-22 10:04:11,911] [    INFO] - Already cached /home/aistudio/.paddlenlp/models/ernie-3.0-medium-zh/ernie_3.0_medium_zh_vocab.txt[2025-06-22 10:04:11,934] [    INFO] - We are using <class 'paddlenlp.transformers.ernie.modeling.ErnieForSequenceClassification'> to load 'ernie-3.0-medium-zh'.[2025-06-22 10:04:11,934] [    INFO] - Already cached /home/aistudio/.paddlenlp/models/ernie-3.0-medium-zh/ernie_3.0_medium_zh.pdparams
W0622 10:04:11.936193  1093 gpu_context.cc:278] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.2, Runtime API Version: 10.1
W0622 10:04:11.939395  1093 gpu_context.cc:306] device: 0, cuDNN Version: 7.6.
feature train dataset example: {'input_ids': [1, 481, 1535, 7, 96, 10, 59, 225, 940, 2, 1852, 404, 99, 481, 1535, 131, 7, 96, 18, 958, 409, 2485, 225, 121, 4, 1852, 404, 99, 958, 409, 102, 257, 79, 412, 18, 225, 12043, 2], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], 'label': 1}.[2025-06-22 10:04:16,960] [    INFO] - ============================================================[2025-06-22 10:04:16,960] [    INFO] -     Training Configuration Arguments    
[2025-06-22 10:04:16,960] [    INFO] - paddle commit id              :590b4dbcdd989324089ce43c22ef151c746c92a3[2025-06-22 10:04:16,961] [    INFO] - _no_sync_in_gradient_accumulation:True[2025-06-22 10:04:16,961] [    INFO] - adam_beta1                    :0.9[2025-06-22 10:04:16,961] [    INFO] - adam_beta2                    :0.999[2025-06-22 10:04:16,961] [    INFO] - adam_epsilon                  :1e-08[2025-06-22 10:04:16,961] [    INFO] - current_device                :gpu:0[2025-06-22 10:04:16,961] [    INFO] - dataloader_drop_last          :False[2025-06-22 10:04:16,961] [    INFO] - dataloader_num_workers        :4[2025-06-22 10:04:16,961] [    INFO] - device                        :gpu[2025-06-22 10:04:16,961] [    INFO] - disable_tqdm                  :False[2025-06-22 10:04:16,961] [    INFO] - do_eval                       :True[2025-06-22 10:04:16,961] [    INFO] - do_export                     :False[2025-06-22 10:04:16,961] [    INFO] - do_predict                    :True[2025-06-22 10:04:16,961] [    INFO] - do_train                      :True[2025-06-22 10:04:16,961] [    INFO] - eval_batch_size               :128[2025-06-22 10:04:16,961] [    INFO] - eval_steps                    :100[2025-06-22 10:04:16,961] [    INFO] - evaluation_strategy           :IntervalStrategy.STEPS[2025-06-22 10:04:16,961] [    INFO] - fp16                          :False[2025-06-22 10:04:16,961] [    INFO] - fp16_opt_level                :O1[2025-06-22 10:04:16,961] [    INFO] - gradient_accumulation_steps   :1[2025-06-22 10:04:16,961] [    INFO] - greater_is_better             :True[2025-06-22 10:04:16,962] [    INFO] - ignore_data_skip              :False[2025-06-22 10:04:16,962] [    INFO] - label_names                   :None[2025-06-22 10:04:16,962] [    INFO] - learning_rate                 :5e-05[2025-06-22 10:04:16,962] [    INFO] - load_best_model_at_end        :True[2025-06-22 10:04:16,962] [    INFO] - local_process_index           :0[2025-06-22 10:04:16,962] [    INFO] - local_rank                    :-1[2025-06-22 10:04:16,962] [    INFO] - log_level                     :-1[2025-06-22 10:04:16,962] [    INFO] - log_level_replica             :-1[2025-06-22 10:04:16,962] [    INFO] - log_on_each_node              :True[2025-06-22 10:04:16,962] [    INFO] - logging_dir                   :work/query_reply_pair/runs/Jun22_10-04-10_jupyter-532817-4195533[2025-06-22 10:04:16,962] [    INFO] - logging_first_step            :False[2025-06-22 10:04:16,962] [    INFO] - logging_steps                 :100[2025-06-22 10:04:16,962] [    INFO] - logging_strategy              :IntervalStrategy.STEPS[2025-06-22 10:04:16,962] [    INFO] - lr_scheduler_type             :SchedulerType.LINEAR[2025-06-22 10:04:16,962] [    INFO] - max_grad_norm                 :1.0[2025-06-22 10:04:16,962] [    INFO] - max_steps                     :-1[2025-06-22 10:04:16,962] [    INFO] - metric_for_best_model         :accuracy[2025-06-22 10:04:16,962] [    INFO] - minimum_eval_times            :None[2025-06-22 10:04:16,962] [    INFO] - no_cuda                       :False[2025-06-22 10:04:16,962] [    INFO] - num_train_epochs              :0.5[2025-06-22 10:04:16,962] [    INFO] - optim                         :OptimizerNames.ADAMW[2025-06-22 10:04:16,962] [    INFO] - output_dir                    :work/query_reply_pair/test[2025-06-22 10:04:16,962] [    INFO] - overwrite_output_dir          :False[2025-06-22 10:04:16,962] [    INFO] - past_index                    :-1[2025-06-22 10:04:16,962] [    INFO] - per_device_eval_batch_size    :128[2025-06-22 10:04:16,962] [    INFO] - per_device_train_batch_size   :128[2025-06-22 10:04:16,963] [    INFO] - prediction_loss_only          :False[2025-06-22 10:04:16,963] [    INFO] - process_index                 :0[2025-06-22 10:04:16,963] [    INFO] - remove_unused_columns         :True[2025-06-22 10:04:16,963] [    INFO] - report_to                     :['visualdl'][2025-06-22 10:04:16,963] [    INFO] - resume_from_checkpoint        :None[2025-06-22 10:04:16,963] [    INFO] - run_name                      :test[2025-06-22 10:04:16,963] [    INFO] - s*e_on_each_node             :False[2025-06-22 10:04:16,963] [    INFO] - s*e_steps                    :100[2025-06-22 10:04:16,963] [    INFO] - s*e_strategy                 :IntervalStrategy.STEPS[2025-06-22 10:04:16,963] [    INFO] - s*e_total_limit              :2[2025-06-22 10:04:16,963] [    INFO] - scale_loss                    :32768[2025-06-22 10:04:16,963] [    INFO] - seed                          :42[2025-06-22 10:04:16,963] [    INFO] - should_log                    :True[2025-06-22 10:04:16,963] [    INFO] - should_s*e                   :True[2025-06-22 10:04:16,963] [    INFO] - train_batch_size              :128[2025-06-22 10:04:16,963] [    INFO] - warmup_ratio                  :0.0[2025-06-22 10:04:16,963] [    INFO] - warmup_steps                  :0[2025-06-22 10:04:16,963] [    INFO] - weight_decay                  :0.0[2025-06-22 10:04:16,963] [    INFO] - world_size                    :1[2025-06-22 10:04:16,963] [    INFO] - 
[2025-06-22 10:04:16,964] [    INFO] - ***** Running training *****[2025-06-22 10:04:16,965] [    INFO] -   Num examples = 17268[2025-06-22 10:04:16,965] [    INFO] -   Num Epochs = 1[2025-06-22 10:04:16,965] [    INFO] -   Instantaneous batch size per device = 128[2025-06-22 10:04:16,965] [    INFO] -   Total train batch size (w. parallel, distributed & accumulation) = 128[2025-06-22 10:04:16,965] [    INFO] -   Gradient Accumulation steps = 1[2025-06-22 10:04:16,965] [    INFO] -   Total optimization steps = 67.5[2025-06-22 10:04:16,965] [    INFO] -   Total num train samples = 8634.0
100%|███████████████████████████████████████████| 67/67 [00:17<00:00,  4.40it/s][2025-06-22 10:04:34,326] [    INFO] - 
Training completed. 

{'train_runtime': 17.4487, 'train_samples_per_second': 494.821, 'train_steps_per_second': 3.84, 'train_loss': 0.352832708785783, 'epoch': 0.4963}
100%|███████████████████████████████████████████| 67/67 [00:17<00:00,  3.84it/s][2025-06-22 10:04:34,416] [    INFO] - S*ing model checkpoint to work/query_reply_pair/test[2025-06-22 10:04:36,894] [    INFO] - tokenizer config file s*ed in work/query_reply_pair/test/tokenizer_config.json[2025-06-22 10:04:36,895] [    INFO] - Special tokens file s*ed in work/query_reply_pair/test/special_tokens_map.json
***** train metrics *****
  epoch                    =     0.4963
  train_loss               =     0.3528
  train_runtime            = 0:00:17.44
  train_samples_per_second =    494.821
  train_steps_per_second   =       3.84[2025-06-22 10:04:36,898] [    INFO] - ***** Running Evaluation *****[2025-06-22 10:04:36,898] [    INFO] -   Num examples = 4317[2025-06-22 10:04:36,898] [    INFO] -   Pre device batch size = 128[2025-06-22 10:04:36,898] [    INFO] -   Total Batch size = 128[2025-06-22 10:04:36,898] [    INFO] -   Total prediction steps = 34
100%|███████████████████████████████████████████| 34/34 [00:02<00:00, 12.31it/s]
***** eval metrics *****
  epoch                   =     0.4963
  eval_accuracy           =     0.8826
  eval_loss               =      0.283
  eval_runtime            = 0:00:03.21
  eval_samples_per_second =   1344.038
  eval_steps_per_second   =     10.585[2025-06-22 10:04:40,112] [    INFO] - ***** Running Prediction *****[2025-06-22 10:04:40,112] [    INFO] -   Num examples = 53757[2025-06-22 10:04:40,112] [    INFO] -   Pre device batch size = 128[2025-06-22 10:04:40,112] [    INFO] -   Total Batch size = 128[2025-06-22 10:04:40,112] [    INFO] -   Total prediction steps = 420
100%|█████████████████████████████████████████| 420/420 [00:51<00:00, 11.37it/s]***** test metrics *****
  test_runtime            = 0:00:52.06
  test_samples_per_second =   1032.496
  test_steps_per_second   =      8.067
100%|█████████████████████████████████████████| 420/420 [00:52<00:00,  7.95it/s]

       

训练结果可视化：

点击页面最左侧一列菜单栏中的 数据模型可视化 ，添加 logdir 然后启动服务，就可以看到训练过程的 loss 曲线等信息。

log 文件会保存在类似 work/query_reply_pair/runs/Jun22_10-01-49_jupyter-532817-4195533 这样的路径下面。

由于上面训练过程只跑了 0.5 个 epoch，曲线基本只有一个点，这里就不进行展示了。

测试集预测结果保存在 work/query_reply_pair/test/test_labels.tsv 文件中，你可以直接点开看一下结果。

In [7]

import pandas as pd
file_path = "work/query_reply_pair/test/test_labels.tsv"df = pd.read_csv(file_path, sep='\t')
df.head()

       

          query         reply  label
0  东区西区？什么时候下证？        我在给你发套      0
1  东区西区？什么时候下证？     您看下我发的这几套      0
2  东区西区？什么时候下证？    这两套也是金源花园的      0
3  东区西区？什么时候下证？           价钱低      0
4  东区西区？什么时候下证？  便宜的房子，一般都是顶楼      0

               

生成竞赛提交文件：

In [8]

import pandas as pd
sample_submit_path = "data/data144231/sample_submission.tsv"submit_path = "submit.tsv"submit = pd.read_csv(sample_submit_path, sep='\t', header=None)
submit.columns = ['query_id', 'reply_id', 'label']
test_labels = pd.read_csv(file_path, sep='\t')
label = test_labels['label']
submit['label'] = label
submit.to_csv(submit_path, sep='\t', header=None, index=None)

   

根目录下 submit.tsv 文件就可以拿去提交啦，提交大概 0.75+ 的分数 （num_train_epochs = 5.0 的情况下）。

以上就是【AI达人特训营】PaddleNLP实现聊天问答匹配的详细内容，更多请关注其它相关文章！

# qq  # 杭州市  # 都是  # 一言  # 给你  # 我在  # 什么时候  # 中文网  # 达人  # fig  # udio  # 万知  # talk  # red  # ai  # python  # type  # 活动房网站推广费用情况  # SEO工具移动端  # 莱山seo优化推广方式  # 网站建设优化推广致电  # 江苏网站推广sem  # 乐清团购推广网站  # seo需要懂html吗  # 青海seo助手怎么选  # 旅游推广哪个网站好  # ktv营销策划推广文案  # 两套  # 只有一个 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： ChatGPT 可以设计机器人吗？  华为推出全新操作系统HarmonyOS 4，AI和新引擎完美融合  爱设计 AI 一键生成 PPT 工具上线：输入标题即可生成 PPT  【澎湃原动力】人工智能产业协同创新中心：全产业链资源在这里汇聚  华为发布两款AI存储新品  重磅！ 捷通华声灵云AICC荣获第二届光合组织AI解决方案大赛二等奖  微软Bing聊天机器人电脑端即将支持语音提问  Moka发布AI原生HR SaaS产品“Moka Eva”，布局AGI时代  《共同的演化》展览启幕，重新思考人类与人工智能关系  OpenAI 为开发者推出 GPT 聊天机器人 API 大更新，同时降低价格  山东机器人编程：Scratch编程基础，认识舞台！~济南机器人编程  助力人工智能产业高质量发展 龙岗区算法训练基地正式启用  AI与5G的强强联合：唤醒数字时代的无尽潜能  iPhone两秒出图，目前已知的最快移动端Stable Diffusion模型来了  PHP和OpenCV库：如何实现人脸识别  利亚德加码AI战略，与光年无限图灵机器人全面开展AI研发业务合作  麦肯锡：到 2045 年左右，将有 50% 工作被 AI 接管  厂商陆续公布AI进展 完美世界游戏展示复合应用AI in GamePlay  视觉中国推出AI灵感绘图功能，付费后可在“合法合规前提下使用”  杭州举办第19届亚运会，主题为「亚运元宇宙」的发布仪式举行  ​布局智能物联新时代,中国移动“5G+物联网”亮相2025 MWC  人工智能助力林草行业高质量发展  AI绘画，还需要懂数学？  数字彩排、虚拟建厂！这家顶级洗衣机工厂敲开“工业元宇宙”之门  大型无人机FH-98国内首次夜航转场成功  RoboNeo安装教程  第四范式「式说」大模型入选《2025年通用人工智能创新应用案例集》  如何用AI开创智慧能源新时代？固德威正让能源“通人性”！  首届亚太网络法实务大会召开 九位大咖探讨元宇宙与人工智能发展  智能化解决方案：保障数据安全阻击泄露和丢失  AI+游戏首度大范围公布实际应用成果，AI全面来临还有多远？  科学家称，面对人工智能，人类未来或只有灭亡与虚拟永生两个选择  大模型训练成本降低近一半！新加坡国立大学最新优化器已投入使用  报告称 70% 程序员已使用各种 AI 工具编程  普渡机器人与变形金刚品牌合作，特别活动爆火，商品售罄！  DeepMind推惊世排序算法，C++库忙更新！  全球首款AI裸眼3D平板 国产的售价破万  马斯克回应“人工智能让一切变得更好”：我们已经是半机器人了  【|直播|预告】人工智能高峰论坛将于7月2日13:30准时开播！  央视报道！星纪魅族集团车载人机交互技术成世界移动通信大会焦点  创作音乐/音频的Meta开源AI工具AudioCraft，让用户通过文本提示实现  人工智能创作的“婴儿版超级英雄”，你觉得哪个最可爱  国宝级文物“铜兽驮跪坐人顶尊铜像”完成模拟拼接，腾讯AI立功  云南首例达芬奇机器人微创心脏手术成功开展  水路两栖艇、消防灭火机器人……这个展览“黑科技”抢眼  基于信息论的校准技术，CML让多模态机器学习更可靠  乐天派桌面机器人加入小米米家生态系统，实现与其他智能设备的互联  马斯克反讽人工智能AI炒作：“机器学习”本质就是统计  曝光HarmonyOS 4的重要新能力：全面升级AI大模型，小艺实现全面进化  清华系面壁智能开源中文多模态大模型VisCPM ：支持对话文图双向生成，吟诗作画能力惊艳