阿里云通义千问向全社会开放！

本文介绍在Apple M4 MacOS环境下搭建Ollama和qwen2.5-coder模型的过程。首先通过官网或Brew安装Ollama，然后下载qwen2.5-coder模型，可通过终端命令`ollama run qwen2.5-coder`启动模型进行测试。最后，在VS Code中安装Continue插件，并配置qwen2.5-coder模型用于代码开发辅助。

maven配置阿里云镜像源

安装Cursor后，进入设置修改OpenAI基础URL为阿里云的DashScope接口，并添加Qwen2.5-Coder 32B模型。需先访问阿里云百灵控制台申请免费Key。配置完成后，即可使用该模型进行开发和测试。

🎉 探索12款免费VSCode AI代码提示插件：Codeium、Codegeex、CodeFuse、TONGYI Lingma、Comate、iFlyCode、Fitten Code、Bito AI、Mintlify Doc Writer、Kodezi AI、aiXcoder、IntelliCode。这些插件提供智能补全、代码生成、注释、优化，支持多种语言，提升编程效率！🚀👩‍💻👨‍💻

角色扮演大模型通过模拟特定角色的行为、语言风格和情感表达，实现高度拟人化和定制化的互动体验。与传统通用模型相比，角色扮演模型在语言风格、性格特征和情绪反应上更加细腻，提供更真实的交互体验。本文介绍了如何通过system prompt、few-shot学习和微调等技术实现大模型的拟人化，包括使用阿里云百炼平台进行角色扮演测试，以及如何通过合成数据和Lora微调提高模型的表演效果。最终，展示了如何通过优化数据质量和训练策略，显著提升角色扮演模型的表现。

本文深入探讨了Qwen2.5 - 32B模型在VLLM框架上的部署过程，从模型下载、启动命令、资源占用分析到GPU资源分配及CUDA图应用，详述了大模型运行的挑战与优化策略，强调了硬件资源规划与技术调优的重要性。

本教程将带你从零开始，快速了解如何通过 API 使用通义千问大模型，并尝试使用大模型 API 开发一些简单的应用应用到工作中，提升效率。

本文介绍了两种大模型微调方法——LoRA（低秩适应）和PPO（近端策略优化）。LoRA通过引入低秩矩阵微调部分权重，适合资源受限环境，具有资源节省和训练速度快的优势，适用于监督学习和简单交互场景。PPO基于策略优化，适合需要用户交互反馈的场景，能够适应复杂反馈并动态调整策略，适用于强化学习和复杂用户交互。文章还对比了两者的资源消耗和适用数据规模，帮助读者根据具体需求选择最合适的微调策略。

本文介绍了基于阿里云通义千问72B大模型（Qwen-72B-Chat）的性能基准测试，包括测试环境准备、模型部署、API测试等内容。测试环境配置为32核128G内存的ECS云主机，配备8块NVIDIA A30 GPU加速卡。软件环境包括Ubuntu 22.04、CUDA 12.4.0、PyTorch 2.4.0等。详细介绍了模型下载、部署命令及常见问题解决方法，并展示了API测试结果和性能分析。

本文比较了Vue和React两大前端框架，从状态管理、数据流、依赖注入、组件管理等方面进行了详细对比。当前版本和下载量数据显示React更为流行，但Vue在国内用户量增长迅速。Vue 3通过组合式API提供了更灵活的状态管理和组件逻辑复用，适合中小型项目；React则更适合大型项目和复杂交互逻辑。文章还给出了选型建议，强调了多框架学习的重要性，认为技术问题已不再是选型的关键，熟悉各框架的最佳实践更为重要。

发现个好玩的模型，阿里最近开源的，可以便捷的复刻人声，本文提供全套安装过程。仓库地址：https://github.com/FunAudioLLM/CosyVoice。

通义万相是阿里云推出的视觉生成大模型，涵盖图像和视频生成。其2.0版本在文生图和文生视频方面进行了重大升级，采用Diffusion Transformer架构，提升了模型的灵活性和可控性。通过高质量美学标准和多语言支持，大幅增强了画面表现力。此外，视频生成方面引入高压缩比VAE、1080P长视频生成及多样化艺术风格支持，实现了更丰富的创意表达。未来，通义万相将继续探索视觉领域的规模化和泛化，打造更加通用的视觉生成大模型。

本文将介绍 Spring Cloud Alibaba AI 的基本概念、主要特性和功能，并演示如何完成一个在线聊天和在线画图的 AI 应用。

`dataset_info.json` 文件用于管理 llama factory 中的所有数据集，支持 `alpaca` 和 `sharegpt` 格式。通过配置此文件，可以轻松添加自定义数据集。数据集的相关参数包括数据源地址、数据集格式、样本数量等，支持 Hugging Face 和 ModelScope 两个平台的数据集仓库。针对不同格式的数据集，提供了详细的配置示例，如 `alpaca` 格式的指令监督微调数据集、偏好数据集等，以及 `sharegpt` 格式的多模态数据集等。今天我们通过自定义数据集的方式来进行qwen2.5_14B_instruct模型进行微调

本文以构建AIGC落地应用ChatBot和构建AI Agent为例，从代码级别详细分享AI框架LangChain、阿里云通义大模型和AnalyticDB向量引擎的开发经验和最佳实践，给大家快速落地AIGC应用提供参考。

介绍什么是通义听悟以及通义听悟的功能体验

基于Camel agent框架和 QWEN-VL实现的星际争霸2 多模态 决策环境, 提出了基于vlm的self-attention 算法

本文介绍了一项基于Qwen系列大模型的多智能体在商业咨询领域的应用案例，旨在为NASA与SpaceX合作的火星移民计划提供专业支持。通过搭建一个多智能体系统，模拟中国航天员、NASA研究员和企业方在虚拟空间中的协作，确保方案满足马斯克的高标准。该方案采用不同类型的Qwen模型（如MAX、PLUS、 TURBO、MAX LASTEST等），以优化性能和成本效益。最终，通过CAMEL-AI框架确定了火星移民计划和详细的飞行路线图方案。并展示了Qwen系列大模型在实际商业应用中的潜力和优势。项目视频和代码示例进一步验证了方案的可行性和实用性。

《SwanLab机器学习实战教程》推出了一项基于Qwen2-VL大语言模型的LaTeX OCR任务，通过指令微调实现多模态LLM的应用。本教程详述了环境配置、数据集准备、模型加载、SwanLab集成及微调训练等步骤，旨在帮助开发者轻松上手视觉大模型的微调实践。

基于Qwen模型的智能客服Discord机器人，使用CAMEL、SambaNova、Firecrawl和Qdrant实现RAG Agent。构建了一个能够处理复杂问题并能进行快速响应的强大聊天机器人。该机器人可在Discord平台上运行，支持实时对话和语义搜索，提供准确、全面的回答。项目包含详细的安装步骤、代码示例及集成指南，适合开发者快速上手。

【10月更文挑战第16天】

【10月更文挑战第18天】

Qwen2-7BS适配昇腾910A教程。

本项目利用CAMEL生成高质量的CoT数据，结合Unsloth对Qwen2.5-1.5B模型进行微调，并将结果上传至Hugging Face。通过详细步骤介绍从数据生成到模型微调的完整流程，涵盖环境配置、API密钥设置、ChatAgent配置、问答数据生成与验证、数据转换保存、模型微调及推理保存等内容。最终展示了如何优化问答系统并分享实用技巧。 [CAMEL-AI](https://github.com/camel-ai/camel) 是一个开源社区，致力于智能体扩展研究。欢迎在GitHub上关注并加入我们！

近年来,基于大模型的语音人工智能技术发展迅猛,为自然语音人机交互带来新的可能。通义语音大模型无疑是这一领域的佼佼者。它涵盖了语音理解与语音生成两大核心能力,可支持多种语音任务,包括多语种语音识别、语种识别、情感识别、声音事件检测以及语音合成等

本文介绍了大语言模型（LLM）的HTTP API流式调用机制及其在前端的实现方法。通过流式调用，服务器可以逐步发送生成的文本内容，前端则实时处理并展示这些数据块，从而提升用户体验和实时性。文章详细讲解了如何使用`fetch`发起流式请求、处理响应流数据、逐步更新界面、处理中断和错误，以及优化用户交互。流式调用特别适用于聊天机器人、搜索建议等应用场景，能够显著减少用户的等待时间，增强交互性。

本文旨在帮助使用Windows电脑的开发者们为其设备配置环境变量，以更好地支持大模型应用的开发工作。文中详细介绍了三种配置方法：一是将环境变量设置为系统级变量；二是在命令行界面通过`SET`命令或`PowerShell`临时设置变量；三是借鉴MAC的方式，创建全局环境变量文件`.zshrc`进行配置。这些方法简单实用，便于根据实际需求选择适合的方式进行配置。

本地离线部署大模型知识库OLLAMA+Anything（保姆级）

在魔搭社区，通义千问团队发布了Qwen-7B-Chat的Int4量化模型，Qwen-7B-Chat-Int4。该方案的优势在于，它能够实现几乎无损的性能表现，模型大小仅为5.5GB，内存消耗低，速度甚至超过BF16。

大模型的风潮还未停歇，国内大模型的研发也正如火如荼地开展着。你试用过哪些大模型呢？你觉得哪一款产品最适合开发者呢？你有想过训练出自己的大模型吗？这不就来了！ 通义千问开源！阿里云开源通义千问70亿参数模型，包括通用模型Qwen-7B和对话模型Qwen-7B-Chat，两款模型均已上线ModelScope魔搭社区，开源、免费、可商用。点击链接，立即开启模型开源之旅：https://modelscope.cn/models/qwen/Qwen-7B/summary

本文介绍在MAC环境下设置环境变量的方法，以“DASHSCOPE_API_KEY”为例，图文展示设置环境变量的操作方法。

本文介绍了使用 `VLLM` 和 `ModelScope` 部署 `Qwen2.5` 大模型的实践过程，包括环境搭建、模型下载和在双 32G VGPU 上的成功部署，展现了高性能计算与大模型结合的强大力量。

Qwen2.5是一款强大的生成式预训练语言模型，擅长自然语言理解和生成，支持长文本解析、数据预测、代码生成等复杂任务。Qwen-Long作为其变体，专为长上下文场景优化，适用于大型文档处理、知识图谱构建等。Qwen2.5在ESG报告解析、多Agent协作、数学模型生成等方面表现出色，提供灵活且高效的解决方案。

上期，我们介绍了通义千问7B模型的微调+部署方式，但在实际使用时，很多开发者还是希望能够结合特定的行业知识来增强模型效果，这时就需要通过外接知识库，让大模型能够返回更精确的结果。

在企业的数字化转型过程中，智能客服系统已成为提高客户满意度和降低运营成本的重要手段。阿里云的通义千问作为一款强大的大语言模型，具有自然语言理解、对话生成、知识检索等能力，非常适合用来开发智能客服与问答系统。 通过本博客，我们将演示如何基于阿里云的通义千问模型，结合阿里云相关产品如函数计算（FC）、API网关、RDS等，搭建一个功能齐全的智能客服系统。

在AI浪潮下，大模型技术迅猛发展，为各行业带来变革。为确保算法安全有序发展，需进行相关备案登记。具体包括：大模型备案（面向公众提供生成式服务）、大模型登记（借助第三方大模型）、算法备案（5类算法）及双新评估（舆论属性服务）。未及时备案将面临法律处罚，备案流程涉及属地初审、中央终审等环节，周期约3-4个月。境外模型和特定行业有额外限制，备案后仍需常态化安全管理。

本教程展示如何使用CAMEL框架和Qwen模型生成结构化数据。CAMEL是一个强大的多智能体框架，支持复杂的AI任务；Qwen由阿里云开发，具备自然语言处理等先进能力。教程涵盖安装、API密钥设置、定义Pydantic模型，并演示了通过Qwen生成JSON格式的学生信息。最后，介绍了如何利用Qwen生成多个随机学生信息的JSON格式数据。欢迎在[CAMEL GitHub](https://github.com/camel-ai/camel)上为项目点星支持。

通义灵码 能不能支持一下 eclipse java编程？

在AI热潮下，算法成为互联网服务的核心驱动力，但也带来了大数据杀熟、算法歧视等问题。为规范行业发展，算法备案制度应运而生。该制度涵盖网站、APP等多种产品形式，要求企业在2个月内完成备案，依据《互联网信息服务算法推荐管理规定》等法规。未备案企业可能面临无法上线、罚款甚至刑罚的后果。备案流程包括注册、主体备案、信息填报及审核，确保算法合规运营。通过悬挂备案号、标识AI生成内容和定期自查，企业需持续维护算法安全与合规。