前言：拆解YOLO的"超级大脑"

还记得我们上篇文章用5行代码实现的物品检测吗？今天我要带你走进YOLOv12的"大脑"，看看这个闪电侠是如何思考的！

本文转自新智元 编辑：肖琴、大明

一张贴纸让你在AI面前”隐身“。

来自比利时鲁汶大学 (KU Leuven) 几位研究人员最近的研究发现，借助一张简单打印出来的图案，就可以完美避开 AI 视频监控系统。

研究人员表示，他们设计的图像可以将整个人隐藏起来，不会让计算机视觉系统发现。这项研究在YOLO (v2) 的开源对象识别系统上进行了演示。

如上图所示，AI 系统成功检测到左边的人，而右边的人被忽略了。右边的人身上挂着一块彩色纸板，在论文中被称为 “对抗性补丁”(adversarial patch)，正是这块补丁 “欺骗” 了 AI 系统，让系统无法发现画面中还有一个人。

自从Deepseek横空出世以来，人们会情不自禁地拿Deepseek和ChatGPT作比较。看两者到底有何不同。

那么在模型架构和工资机制比较上，有一个术语，非常不容易理解，就是ChatGPT的Transformer模型架构中的

有人质疑、嘲讽和挖苦我先前一篇短文说的神经网络大量计算就是矩阵乘法、大模型就是统计模型，但又不提供具体的反例证据，那我就借用别人总结的大模型核心算法-自注意力机制图（类似的图网上有很多）简单解释回应一下：

图中的方块都表示为矩阵，Q、K、V都是X矩阵和相应的权重矩阵相乘而来，再经过Q、K矩阵相乘，归一化处理得到P矩阵，最后P、V矩阵相乘，得到注意力得分矩阵。是否多数时间在进行矩阵乘法运算？

萧箫 发自 凹非寺
量子位 | 公众号 QbitAI

要说Transformer的核心亮点，当然是注意力机制

——1——

文章信息

《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting》，收录于国际人工智能会议（AAAI-2019），作者是北京交通大学的郭晟楠，宋超，冯宁，以及林友芳、万怀宇老师。

论文下载地址：
https://aaai.org/ojs/index.php/AAAI/article/download/3881/3759

近日，清华大学团队打造了首个用于推理加速的微缩版 FP4 注意力机制——SageAttention3，在英伟达 RTX5090 上实现了 1038TOPS 的计算性能。

转自 新机器视觉

单例模式是 Java 中最简单的设计模式之一，它是指一个类在运行期间始终只有一个实例，我们就把它称之为单例模式。它不但被应用在实际的工作中，而且还是面试中最常考的题目之一。通过单例模式我们可以知道此人的编程风格，以及对于基础知识的掌握是否牢固。

我们本课时讲的是，单例的实现方式有几种？它们有什么优缺点？

典型回答

单例的实现分为饿汉模式和懒汉模式。