AI圖像生成的案例
數(shù)據(jù)分析與AI丨在企業(yè)環(huán)境中利用知識(shí)圖譜賦能生成式 AI
</p><p><br></p><p>在圖像生成方面，即便能生成部分細(xì)節(jié)正確的圖片，但需要微調(diào)的細(xì)節(jié)也很難達(dá)到理想效果。</p><p><br></p><p><strong>? 易產(chǎn)生幻覺(jué)：</strong></p><p><br></p><p>LLM 看似知識(shí)淵博，實(shí)則不然。其知識(shí)源于訓(xùn)練數(shù)據(jù)、字母組合概率等，<strong>響應(yīng)是基于訓(xùn)練學(xué)習(xí)路徑和相似概念生成</strong>，并非來(lái)自結(jié)構(gòu)化知識(shí)庫(kù)或數(shù)據(jù)庫(kù)。</p><p><br></p><p>而且，<strong>在沒(méi)有使用新數(shù)據(jù)訓(xùn)練時(shí)，LLM 也無(wú)法提供最新信息</strong>，信息局限于訓(xùn)練截止日期。這使得 LLM 容易產(chǎn)生看似可信但實(shí)際錯(cuò)誤的 “幻覺(jué)” 信息，誤導(dǎo)對(duì)相關(guān)領(lǐng)域了解不足的用戶。</p><p><br></p><p><strong>? 存在偏見(jiàn)：</strong></p><p><br></p><p>LLM 依據(jù)數(shù)據(jù)模式生成響應(yīng)，缺乏真正的理解，這導(dǎo)致其訓(xùn)練數(shù)據(jù)易受偏見(jiàn)和限制影響，進(jìn)而使輸出響應(yīng)也帶有同樣的問(wèn)題，而不會(huì)考慮用戶感受。</p><p><br></p><p>不過(guò)，也有應(yīng)對(duì)這些局限的方法。例如，當(dāng)在提示中包含上下文基礎(chǔ)時(shí)，GenAI 的表現(xiàn)會(huì)有所提升。將 <strong>LLM 生成的響應(yīng)限制在給定上下文信息內(nèi)，若上下文準(zhǔn)確，響應(yīng)也可能更準(zhǔn)確，這種技術(shù)被稱為檢索增強(qiáng)生成（RAG）技術(shù)。</strong></p><p><br></p><p>很多主流搜索引擎已開(kāi)始將 RAG 技術(shù)與現(xiàn)有搜索索引結(jié)合，以有效生成對(duì)搜索問(wèn)題的答案，通常還會(huì)提供用于為L(zhǎng)LM提供上下文的網(wǎng)頁(yè)參考URL。<strong>知識(shí)圖譜作為 RAG 的重要新形式，為生成或利用上下文基礎(chǔ)的技術(shù)提供支持。
展開(kāi) 大成建設(shè)（Taisei）圖像數(shù)據(jù)隱私保護(hù)與AI開(kāi)發(fā)協(xié)同案例解析
隨著AI攝像頭、無(wú)人機(jī)等視覺(jué)采集設(shè)備的普及，海量圖像數(shù)據(jù)在提升生產(chǎn)效率的同時(shí)，也帶來(lái)了敏感信息泄露的風(fēng)險(xiǎn)。
然而傳統(tǒng)模糊化處理技術(shù)往往陷入兩難境地——過(guò)度處理會(huì)破壞數(shù)據(jù)價(jià)值，而處理不足又難以滿足日益嚴(yán)格的隱私法規(guī)要求。如何在保護(hù)個(gè)人隱私的同時(shí)釋放數(shù)據(jù)潛力，成為橫跨各行業(yè)的核心難題。
一、客戶需求
日本建筑業(yè)巨頭Taisei Corporation（大成建設(shè)）最初涉足圖像識(shí)別人工智能領(lǐng)域時(shí)，采用了一款安裝有模糊處理應(yīng)用程序接口（API）的攝像頭來(lái)保護(hù)個(gè)人數(shù)據(jù)。
然而，這種方法因API本身的限制面臨諸多挑戰(zhàn)。比如，它會(huì)導(dǎo)致過(guò)度模糊，常常將整個(gè)人的上半身都模糊掉，這對(duì)訓(xùn)練人工智能系統(tǒng)而言會(huì)產(chǎn)生負(fù)面影響。此外，這種方法無(wú)法捕捉到性別和年齡等關(guān)鍵屬性，因?yàn)檫@些信息在模糊處理過(guò)程中會(huì)丟失。
因此，Taisei需要的是一種既能有效保護(hù)個(gè)人隱私，又能保留圖像中關(guān)鍵信息（如性別、年齡等屬性），以滿足人工智能訓(xùn)練需求的解決方案，即需要滿足三重目標(biāo)：
1. 法律合規(guī)性：符合日本《個(gè)人信息保護(hù)法》及歐盟GDPR對(duì)個(gè)人信息的嚴(yán)格規(guī)定
2. 數(shù)據(jù)可用性：處理后的圖像保留性別、年齡等基本屬性
3. 技術(shù)擴(kuò)展性：支持后續(xù)AI分析（如安全行為識(shí)別、自動(dòng)化施工監(jiān)測(cè)）的數(shù)據(jù)結(jié)構(gòu)化需求
二、解決方案
對(duì)于Taisei在匿名化與可用性的需求，深度自然匿名化（DNAT）方案顯然是一個(gè)絕佳的選擇。該解決方案利用先進(jìn)的深度學(xué)習(xí)技術(shù)， 可以有效地檢測(cè)鏡頭中的人臉和車牌。一旦人臉和車牌得到檢測(cè)，DNAT就會(huì)隨機(jī)生成一個(gè)真實(shí)的覆蓋層替代它們。
這種方法有效地隱藏了圖像中個(gè)人信息，同時(shí)保留了原始數(shù)據(jù)中的關(guān)鍵特征，平衡了隱私保護(hù)和數(shù)據(jù)效用，完美地解決了Taisei目前所遇到的困境。
展開(kāi) 生成式 AI 重塑自動(dòng)駕駛仿真：4D 場(chǎng)景生成技術(shù)的突破與實(shí)踐
用于Log2World仿真的流程示例(IVEX+aiSim)
四、應(yīng)用場(chǎng)景與系統(tǒng)集成實(shí)踐
生成式AI+4D場(chǎng)景生成技術(shù)目前已在以下典型場(chǎng)景中形成落地：
（1）閉環(huán)驗(yàn)證系統(tǒng)：自動(dòng)識(shí)別模型薄弱場(chǎng)景，動(dòng)態(tài)生成補(bǔ)全，形成仿真-訓(xùn)練-驗(yàn)證閉環(huán)；
（2）多模態(tài)數(shù)據(jù)生成引擎：結(jié)合仿真接口輸出RGB圖像、深度圖、點(diǎn)云、語(yǔ)義標(biāo)簽等，用于感知模型訓(xùn)練；
（3）長(zhǎng)尾用例擴(kuò)增：生成特定條件組合下的稀有事件，如夜間施工、交通事故、人車混行等；
（4）仿真平臺(tái)集成：與CARLA、Unreal、aiSim等平臺(tái)對(duì)接，作為自動(dòng)構(gòu)圖/行為驅(qū)動(dòng)模塊使用；
（5）城市級(jí)數(shù)字孿生：快速還原城區(qū)典型路段結(jié)構(gòu)及交通特征，支持區(qū)域智能交通仿真與決策測(cè)試。
五、結(jié)語(yǔ)
未來(lái)，隨著大模型融合語(yǔ)義驅(qū)動(dòng)生成（如Prompt-to-Scene）、行為軌跡生成器與語(yǔ)義控制接口集成、生成內(nèi)容與實(shí)車反饋協(xié)同優(yōu)化機(jī)制的發(fā)展，AI生成的4D場(chǎng)景將成為自動(dòng)駕駛數(shù)據(jù)體系中的基礎(chǔ)設(shè)施，為模型迭代、安全驗(yàn)證與持續(xù)運(yùn)營(yíng)提供核心支撐。
4D場(chǎng)景生成技術(shù)正從研究階段走向規(guī)模應(yīng)用，構(gòu)建出兼顧真實(shí)性、復(fù)雜性與效率的場(chǎng)景生成能力，是實(shí)現(xiàn)自動(dòng)駕駛系統(tǒng)仿真閉環(huán)與持續(xù)優(yōu)化的關(guān)鍵引擎。
生成式AI正逐步承擔(dān)起從世界建模者到智能驗(yàn)證者的角色，其影響力正在由測(cè)試階段擴(kuò)展至研發(fā)、訓(xùn)練、部署等完整流程。可以預(yù)見(jiàn)，未來(lái)的自動(dòng)駕駛系統(tǒng)開(kāi)發(fā)，將越來(lái)越依賴于這一類“生成驅(qū)動(dòng)的智能仿真基礎(chǔ)設(shè)施”。
▍參考文獻(xiàn)
1. EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision
2. S3Gaussian: Self-Supervised Street Gaussians for Autonomous Driving
展開(kāi) Abaqus導(dǎo)入圖像生成模型
<p>首先選取一張待導(dǎo)入Abaqus的圖片，這里采用優(yōu)化的隨機(jī)生長(zhǎng)算法生成一張圖片，繪圖參數(shù)及生成結(jié)果見(jiàn)下圖。</p><div contenteditable="false" width="100%">
<figure class="figure-image" data-img="https://img.jishulink.com/202406/attachment/b137dcf7c4004526b6201aa7d9f42f08.png" style="text-align: center">
<img src="https://img.jishulink.com/202406/attachment/b137dcf7c4004526b6201aa7d9f42f08.png" data-mobile-src="https://img.jishulink.com/202406/attachment/b137dcf7c4004526b6201aa7d9f42f08.png?image_process=/format,webp/resize,w_400" data-pc-src="https://img.jishulink.com/202406/attachment/b137dcf7c4004526b6201aa7d9f42f08.png?image_process=/format,webp/resize,w_760" data-initial-src="https://img.jishulink.com/202406/attachment/b137dcf7c4004526b6201aa7d9f42f08.png">
</figure>
</div><p><br></p><p>利用CAD圖像導(dǎo)入插件將圖片導(dǎo)入到AutoCAD軟件內(nèi)。
展開(kāi) 
SYNOPSYS 光學(xué)設(shè)計(jì)軟件課程二十四：帶楔塊誤差的校驗(yàn)和圖像誤差的 AI 分析的公差實(shí)例
課程二十四：帶楔塊誤差的校驗(yàn)和圖像誤差的 AI 分析的公差實(shí)例
本課程將介紹前面討論的一些功能，并添加一些功能強(qiáng)大的新選項(xiàng)。在這里，我們將使用 BTOL 來(lái)計(jì)算八片式透鏡的公差，然后查看通過(guò)校驗(yàn)單元格中的元件來(lái)補(bǔ)償楔形誤差的情況下的像質(zhì)統(tǒng)計(jì)。最后，我們將在重新對(duì)焦鏡頭和校驗(yàn)元件之后，檢查一組 100 個(gè)鏡頭的橫向色差的統(tǒng)計(jì)數(shù)據(jù)，這些鏡頭受公差限制。
這是一個(gè) MACro，它將創(chuàng)建公差預(yù)算：
FETCH X33 ! 拿出開(kāi)始的鏡頭
BTOL 90 ! 要求達(dá)到90%的置信度
TPR ALL ! 所有的表面都與試驗(yàn)板相匹配。.
EXACT ALL INDEX ! 假設(shè)收到所有熔體數(shù)據(jù)。
EXACT ALL VNO ! 所以指數(shù)和色散的公差為零.
TOL WAF .18 .32 .18 ! 要求在三個(gè)視場(chǎng)點(diǎn)上的這個(gè)波前方差.
FOCUS REAL ! 聚焦軸上圖像點(diǎn)
ADJUST 14 TH 100 ! 厚度為14（最后一個(gè)空域）的情況下.
PREP MC ! 準(zhǔn)備好蒙特卡洛評(píng)估的輸入數(shù)據(jù).
GO ! 開(kāi)始BTOL.
在 SYNOPSYS? 中打開(kāi)名為 X33.RLE 的文件，我們使用 FETCH 命令將其取出。
運(yùn)行此 MACro 時(shí)，BTO L公差已準(zhǔn)備好并列在探測(cè)器上。現(xiàn)在我們需要使用 MC。
展開(kāi) 識(shí)別生成式AI解決方案的商業(yè)價(jià)值
識(shí)別生成式AI解決方案的商業(yè)價(jià)值 課程時(shí)長(zhǎng)：1小時(shí) 課程大小：140.0MB 發(fā)布年份：2026 課程內(nèi)容：許多機(jī)構(gòu)在引入生成式AI時(shí)，缺乏評(píng)估其價(jià)值與展示實(shí)際回報(bào)的清晰框架。本課程將幫助你掌握評(píng)估生成式AI應(yīng)用場(chǎng)景的能力，使其與實(shí)際業(yè)務(wù)成果相匹配。你將學(xué)習(xí)生成式AI基礎(chǔ)理念、成
借助生成式AI進(jìn)行更智能的API審查
本文翻譯自：Smarter API Reviews With Gen AI
原文作者：Qt Group軟件工程師Daniel Smith
隨著生成式AI的興起，各企業(yè)正試圖探索如何在其環(huán)境中實(shí)施，以提升流程的效率。或許最佳切入點(diǎn)是尋找流程中的現(xiàn)有痛點(diǎn)，然后思考AI如何應(yīng)對(duì)這些問(wèn)題。（本篇博文由真人撰寫）
Dall-E 3圖像生成提示語(yǔ)：一臺(tái)設(shè)計(jì)時(shí)尚的未來(lái)智能機(jī)器人坐在電腦前，分析屏幕上代碼的差異。機(jī)器人外觀友好、平易近人，屏幕展示了帶有高亮部分的復(fù)雜代碼。周圍環(huán)境暗示這是一個(gè)現(xiàn)代化的高科技辦公空間。
歷史背景
Qt Project的一個(gè)主要痛點(diǎn)歷來(lái)是在版本發(fā)布前按時(shí)完成API審查。API的增加和改動(dòng)對(duì)Qt框架的使用方式有重大影響，并且對(duì)已有API的改動(dòng)經(jīng)常會(huì)破壞用戶的系統(tǒng)兼容性，所以這些變更必須在加入最終發(fā)布版本之前仔細(xì)審查。為Qt添加新功能通常意味著引入新的API，我們希望未來(lái)這些新API能夠?yàn)橛脩籼峁┝己玫脑O(shè)計(jì)和穩(wěn)定的使用體驗(yàn)。然而有時(shí)現(xiàn)有的API免不了發(fā)生變更，我們也需要確保這些變更是經(jīng)過(guò)深思熟慮的，而且除了變更外，沒(méi)有其他替代方案能夠避免破壞兼容性。
這種做法雖然多年來(lái)行之有效，但在一些重要API更改初步合并后，卻因?yàn)樵诎l(fā)布審查時(shí)需要撤回或在最終發(fā)布前進(jìn)行重大修改，而導(dǎo)致發(fā)布日期多次延誤。為了縮短API變更實(shí)施與最終發(fā)布準(zhǔn)備之間的時(shí)間差，我們希望在周期的早期階段進(jìn)行API變更審查。但該如何實(shí)現(xiàn)呢？
最初的討論主要集中在簡(jiǎn)單地為任何頭文件變動(dòng)打上標(biāo)簽以供人工審查，但這樣的解決方案太過(guò)繁縟。反而會(huì)導(dǎo)致工作量增加。但是，如果我們可以讓AI承擔(dān)一部分初步的代碼分析任務(wù)，至少可以用它來(lái)判斷某個(gè)改動(dòng)是否“重大”，這樣會(huì)不會(huì)更好呢？
什么是GPT？
展開(kāi) 用20行Python代碼生成雞湯，打造AI咪蒙指日可待
“努力贏得自己的幸福和世界”
“what we would end create, creates the ground and you are the one to warm it”
“我們想要結(jié)束的創(chuàng)造卻造就了大地，唯你抱以溫情”
“l(fā)ook and give up in miracles”
“仰望奇跡，放棄幻想”
但其實(shí)上面這些雞湯句子全都是電腦生成的，而且其生成雞湯文所用的程序還不到 20 行 Python 代碼。
一提到自然語(yǔ)言生成，人們通常會(huì)覺(jué)得這一定是很先進(jìn)的 AI 系統(tǒng)，使用了很高級(jí)的數(shù)學(xué)知識(shí)。但是，事實(shí)并非如此。在本文我（作者 Ramtin Alami——譯者注）會(huì)用馬爾科夫鏈（Markov chains）和一個(gè)很小的雞湯文數(shù)據(jù)集生成新的雞湯文。
馬爾科夫鏈
馬爾科夫鏈?zhǔn)且环N隨機(jī)模型，能根據(jù)先前的事件單獨(dú)預(yù)測(cè)一個(gè)事件。舉個(gè)簡(jiǎn)單的例子，就用我家喵主子的生活狀態(tài)轉(zhuǎn)換解釋一下吧。我家喵主子總是要么吃、要么睡、要么玩玩具。她大部分時(shí)間都是在睡覺(jué)，但是偶爾會(huì)睡醒起來(lái)用膳。通常，用膳過(guò)后她會(huì)倍兒精神，開(kāi)始玩玩具，玩夠了就回去睡，然后再睡醒去吃。
用馬爾科夫鏈就能很容易地模擬出我家喵主人的生活狀態(tài)，因?yàn)樗龝?huì)根據(jù)之前的狀態(tài)決定下一步去干嘛。她一般不會(huì)醒來(lái)后直接去玩玩具，但是吃完?yáng)|西后，有很大概率去玩一會(huì)。這些生活狀態(tài)轉(zhuǎn)換也可以用圖表的形式表現(xiàn)出來(lái)：
每個(gè)橢圓代表一種生活狀態(tài)，箭頭所指的是下一個(gè)生活狀態(tài)，箭頭旁邊的數(shù)字是指她從一種狀態(tài)轉(zhuǎn)到另一種狀態(tài)的概率。我們可以看到，狀態(tài)轉(zhuǎn)換的概率基本上只根據(jù)上一種生活狀態(tài)。
展開(kāi) 康謀分享 | aiSim5基于生成式AI擴(kuò)大仿真測(cè)試范圍（終）
在前面的幾章節(jié)中探討了aiSim仿真合成數(shù)據(jù)的置信度，此外在場(chǎng)景重建和測(cè)試流程閉環(huán)的過(guò)程中，難免會(huì)面臨3D場(chǎng)景制作重建耗時(shí)長(zhǎng)、成本高、擴(kuò)展性低以及交通狀況復(fù)雜程度難以滿意等問(wèn)題，當(dāng)前的主要挑戰(zhàn)在于如何自動(dòng)化生成3D靜態(tài)場(chǎng)景并添加動(dòng)態(tài)實(shí)例編輯，從而有效縮短測(cè)試流程，擴(kuò)大仿真測(cè)試范圍。
編輯
圖1：實(shí)際圖像
圖2：NeRF重建場(chǎng)景
對(duì)于3D重建，目前主要的兩種解決方案為NeRF和3DGS。
一、NeRF
1、神經(jīng)輻射場(chǎng)（Neural Radiance Fields）
NeRF是將三維空間中的每個(gè)點(diǎn)的顏色和密度信息編碼為一個(gè)連續(xù)的函數(shù)并由MLP參數(shù)化。給定一個(gè)視角和三維空間中的點(diǎn)，NeRF可以預(yù)測(cè)該點(diǎn)的顏色和沿視線方向的密度分布。通過(guò)對(duì)這些信息進(jìn)行體積渲染，NeRF能夠合成出新視角下的圖像。
2、優(yōu)勢(shì)
高保真輸出。
基于NerFStudio提供了較為友好地代碼庫(kù)。
相對(duì)較快的訓(xùn)練時(shí)間。
對(duì)于待重建區(qū)域具有可擴(kuò)展性。
3、不足及主要挑戰(zhàn)
渲染速度緩慢。NeRF需要沿著從相機(jī)到場(chǎng)景的每條光線進(jìn)行大量的采樣和計(jì)算，以準(zhǔn)確估計(jì)場(chǎng)景的體積密度和顏色。這個(gè)過(guò)程計(jì)算密集，在NVIDIA A100上進(jìn)行了測(cè)試，全HD分辨率下，渲染一張圖像大約需要10s。
場(chǎng)景深度估計(jì)效果不理想。NeRF通過(guò)體積渲染隱式地學(xué)習(xí)了場(chǎng)景的深度信息，但這種深度信息通常是與場(chǎng)景的顏色和密度信息耦合在一起的。這意味著，如果場(chǎng)景中存在遮擋或非朗伯（non-Lambertian）反射等復(fù)雜情況，NeRF可能難以準(zhǔn)確估計(jì)每個(gè)像素的深度。
近距離物體重建質(zhì)量可能較低。
展開(kāi) 新思科技攜手AMD榮登世界經(jīng)濟(jì)論壇MINDS榜單，生成式與自主式AI推動(dòng)芯片設(shè)計(jì)進(jìn)入全新階段
MINDS 獎(jiǎng)項(xiàng)與項(xiàng)目隸屬于世界經(jīng)濟(jì)論壇的 AI Global Alliance（全球人工智能聯(lián)盟）計(jì)劃，旨在甄選能夠在高復(fù)雜度、高風(fēng)險(xiǎn)挑戰(zhàn)中引領(lǐng)人工智能應(yīng)用落地的組織。新思科技與 AMD 是基于雙方在半導(dǎo)體芯片設(shè)計(jì)領(lǐng)域?qū)?qiáng)化學(xué)習(xí)、生成式 AI 以及代理式（Agentic）AI 應(yīng)用于工程流程方面的突出貢獻(xiàn)而受到表彰——這是一個(gè)對(duì)創(chuàng)新速度與精度要求極高的技術(shù)領(lǐng)域。
在芯片設(shè)計(jì)中引入人工智能，已不再是可選項(xiàng)。架構(gòu)復(fù)雜性快速攀升、性能目標(biāo)日益激進(jìn)以及人才缺口持續(xù)擴(kuò)大，使傳統(tǒng)的工程工作流面臨極限壓力。
AI 驅(qū)動(dòng)的設(shè)計(jì)流程緩解了這些壓力——它們并非取代工程師，而是提升專家知識(shí)的效能與決策質(zhì)量。代理式（Agentic）與基于學(xué)習(xí)的系統(tǒng)能夠幫助開(kāi)發(fā)者更快速地探索龐大的設(shè)計(jì)空間，更有效地權(quán)衡取舍，并在問(wèn)題成本最低時(shí)提前發(fā)現(xiàn)潛在隱患，從而實(shí)現(xiàn)更短的開(kāi)發(fā)周期、更高質(zhì)量的芯片以及更具韌性的創(chuàng)新鏈路。隨著上市時(shí)間壓力加劇以及高端芯片需求持續(xù)增長(zhǎng)，這類流程正成為半導(dǎo)體行業(yè)未來(lái)發(fā)展的關(guān)鍵路徑。
新思科技與 AMD 被選為 MINDS 獎(jiǎng)項(xiàng)得主，凸顯了在前所未有的行業(yè)壓力下，AI 創(chuàng)新在半導(dǎo)體行業(yè)中的戰(zhàn)略重要性。通過(guò)對(duì)這兩家公司的認(rèn)可和表彰，世界經(jīng)濟(jì)論壇強(qiáng)調(diào)：基于代理式（Agentic）和強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的 AI 正從實(shí)驗(yàn)階段邁向可規(guī)模化、可投入生產(chǎn)的工作流程。它們?cè)谠鰪?qiáng)人類開(kāi)發(fā)者專業(yè)能力的同時(shí)，為工程團(tuán)隊(duì)及更廣泛的科技生態(tài)體系帶來(lái)實(shí)質(zhì)性價(jià)值。
作為全球最具創(chuàng)新力企業(yè)的重要研發(fā)合作伙伴，新思科技始終致力于推動(dòng)行業(yè)前行。此次入選世界經(jīng)濟(jì)論壇 MINDS 項(xiàng)目，并因 AI 在芯片設(shè)計(jì)這一極其復(fù)雜的工程領(lǐng)域中的突破性應(yīng)用而獲得認(rèn)可，我們深感榮幸。
展開(kāi) 高級(jí)RAG：構(gòu)建與部署生產(chǎn)級(jí)生成式AI應(yīng)用 發(fā)布于2026年，視頻格式MP4，視頻編碼h264，分辨率1920×1080，音頻編碼AAC，采樣率44.1kHz，雙聲道。課程共114講，時(shí)長(zhǎng)11小時(shí)
高級(jí)RAG：構(gòu)建與部署生產(chǎn)級(jí)生成式AI應(yīng)用 發(fā)布于2026年，視頻格式MP4，視頻編碼h264，分辨率1920×1080，音頻編碼AAC，采樣率44.1kHz，雙聲道。課程共114講，時(shí)長(zhǎng)11小時(shí)，文件大小10.1GB。 你將學(xué)到：使用BM25混合搜索、RRF融合與Qdr
