你是否想过，LLM训练自己的数据，还能比人类筛选的更高效？传统code大模型依赖人工制定规则筛选数据，成本高、效率低，还容易带偏模型。

最近，字节跳动Seed团队开源 8B 参数代码模型

字节跳动推出了一款全新的 8B 参数开源代码模型 Seed-Coder。令人惊叹的是，这款模型在性能上竟超越了众多百亿参数的竞争对手，在代码生成的竞技场上脱颖而出，为开发者们带来了前所未有的高效编程工具。

一、技术创新

传统数据筛选方式的困境，如同沉重的枷锁，限制着代码模型的发展速度与质量。而 Seed-Coder 团队另辟蹊径，提出了一种极具创新性的解决方案 ——“让 LLM 自己当老师”。用模型筛选数据训练自己，打造出一系列8B参数的轻量级开源代码模型，性能甚至超越百亿级对手！

字节跳动的 Seed 团队重磅发布了视觉 - 语言多模态大模型： Seed1.5-VL！

在60个主流测试中狂揽38项第一！这个模型的视觉编码器仅有532M参数，却能在零样本分类任务中硬刚17.5B参数的EVA-CLIP。

Seed1.5-VL由三个主要部分组成：视觉编码器（Seed-ViT）、MLP适配器和LLM（200亿激活参数）。

Seed1.5-VL 效果展示

• 很模糊的图片也能清晰的抽取出来，并改正代码

论文：Seed1.5-VL Technical Report
链接：https://github.com/ByteDance-Seed/Seed1.5-VL/blob/main/Seed1.5-VL-Technical-Report.pdf

一、NFS介绍

NFS即网络文件系统，英文全称Network File System，分为服务端（Server）和客户端（Client），是由SUN公司1984年研制的UNIX表示层协议(presentation layer protocol)，它允许网络中的计算机之间通过TCP/IP网络共享资源。通过NFS，本地NFS的客户端应用可以透明地读写位于远端NFS服务器上的文件，就像访问本地文件一样方便。

图像分割技术在医疗病灶分析、自动驾驶车道线分割、绿幕人像抠图等领域发挥着举足轻重的作用。相比目标检测、图像分类等技术，图像分割需要将每个像素点进行分类，在精细的图像识别任务中不可替代。

准备写一些关于自动驾驶方面的东西，以前研究过一些，也比较感兴趣。

本文简单讲解如何使用深度学习语义分割估计车辆可行驶区域(free space)，并创建占位栅格（occupancy grid），然后使用占位栅格创建车辆代价图（vehicle costmap），代码运行环境为MATLAB R2018a。

语义分割是计算机视觉领域中的一个任务，旨在将图像中的每个像素标记为不同的语义类别。与对象检测将边界框绘制在图像中的物体上不同，语义分割更加精细，对每个像素进行分类。