deephub

摘要： 3D Gaussian Splatting（3DGS）現在幾乎成了3D視覺領域的標配技術。NVIDIA把它整合進COSMOS，Meta的新款AR眼鏡可以直接在設備端跑3DGS做實時環境捕獲和渲染。這技術已經不只是停留在論文階段了，產品落地速度是相當快的。 所以這篇文章我們用PyTorch從頭實現最初 閱讀全文

摘要： Model Context Protocol (MCP) 這個協議簡單說就是給大語言模型接入外部數據和工具提供了一套標準化方案。MCP 統一了模型和各種數據源、工具服務之間的交互方式。 FastMCP 是目前用 Python 構建 MCP 服務器最順手的框架，把底層那些復雜的協議實現全都封裝好了，開 閱讀全文

摘要： 用 LangChain 構建 AI Agent 的人應該都遇到過這種情況：測試階段一切正常，部署到生產環境就開始出各種問題。上下文管理混亂，Agent 的行為變得難以預測，最后不得不寫一堆自定義代碼來控制信息流向。 這是因為在v1.0 之前的 LangChain 對上下文工程的支持不夠系統化。上下文 閱讀全文

摘要： 文本到圖像(T2I)生成模型的發展速度超出很多人的預期。從SDXL到Midjourney,再到最近的FLUX.1,這些模型在短時間內就實現了從模糊抽象到逼真細膩的跨越。但問題也隨之而來——如何讓模型生成的不僅僅是"一張圖",而是"正確的那張圖"？這涉及到如何讓AI理解人類在審美、風格和構圖上的真實偏 閱讀全文

摘要： 實踐是最好的學習方式。為了深入理解 LangGraph 和模型上下文協議（MCP）服務器的生態，我們來從零開始構建一個 CLI 編碼代理。我們的目標是，拋開 Claude Code 那些花里胡哨的功能，看看最基礎的編碼代理能做到什么程度。那些商業編碼代理往往會添加各種專有的"秘密配方"——特殊的上下 閱讀全文

摘要： 特征越多模型效果就越好？這個想法在實踐中往往站不住腳，因為過多的特征反而會帶來過擬合、訓練時間過長、模型難以解釋等一堆麻煩。遞歸特征消除(RFE)就是用來解決這類問題的，算是特征選擇里面比較靠譜的方法之一。 本文會詳細介紹RFE 的工作原理，然后用 scikit-learn 跑一個完整的例子。 RF 閱讀全文

摘要： AutoSampler是個智能采樣器，能根據具體問題自動挑選 Optuna 里最合適的優化算法。這個工具在 OptunaHub 上熱度很高，每周下載量超過 3 萬次。最早的版本對單目標優化做了專門的自動選擇邏輯，為了配合下個月發布的 Optuna v4.6，AutoSampler 終于把多目標和約束 閱讀全文

摘要： 現在的 Agent 系統有個很明顯的問題 —— 會話一結束，什么都忘了。 這不是個技術缺陷，但是卻限制了整個系統的能力邊界。Agent 可以做推理、規劃、執行復雜任務，但就是記不住之前發生過什么。每次對話都像是第一次見面，這種狀態下很難說它真正"理解"了什么。 記憶能力是把 LLM 從簡單的問答工具 閱讀全文

摘要： Pandas 缺失值最佳實踐：用 pd.NA 解決缺失值的老大難問題 做數據處理的都知道，一個 NaN 就能讓整個數據清洗流程崩盤。過濾條件失效、join 結果錯亂、列類型莫名其妙變成 object——這些坑踩過的人應該都有所體會。而Pandas 引入的可空數據類型（nullable dtypes） 閱讀全文

摘要： LLM的強化學習訓練最近進展很快，SOTA模型在各種推理benchmark上的表現確實亮眼。但更值得關注的其實是另一條信息——從Rutgers到Alibaba再到HKUST，這些研究團隊正在攻克的是RL領域的一個老大難：怎么控制好熵，同時避免模型退化成毫無用處的確定性輸出。 三篇新論文給出了不同角度 閱讀全文