Qwen3与STM32嵌入式开发联动硬件状态可视化监控最近在折腾一个智能温室的监控项目用STM32采集温湿度、光照这些数据。数据是采集上来了但每天对着串口助手看一堆数字时间长了真有点头大。要是能有个更直观的图表甚至能提前告诉我“明天下午可能过热记得开窗”那该多好。这不我就想到了把Qwen3大模型给用上。你可能觉得大模型不是用来聊天的吗怎么跟硬件扯上关系了。其实不然Qwen3强大的文本理解和生成能力正好可以扮演一个“数据分析师”的角色。我的思路很简单让STM32老老实实当“数据采集员”把原始数据打包发到服务器然后让Qwen3这个“分析师”接手把枯燥的数字变成一目了然的图表报告甚至还能分析趋势给出点预警。今天我就来分享一下这个“硬件AI”的联动方案是怎么落地的希望能给做物联网和嵌入式开发的朋友们一点新灵感。1. 场景与痛点为什么需要AI介入硬件监控传统的嵌入式设备监控尤其是像STM32这类资源受限的微控制器数据处理和展示能力往往是个短板。常见的做法是本地简单显示通过OLED屏或者串口打印实时滚动显示几个传感器的数值。这种方式信息密度低看不出历史趋势。上位机软件开发一个PC端的应用程序接收串口或网络数据进行绘图和存储。这需要额外的开发工作且灵活性较差一旦监控需求变化比如想增加一个新的分析维度就需要修改上位机代码。物联网平台接入云平台利用平台提供的图表工具。这通常能解决可视化问题但数据分析能力局限于平台预设的功能想要进行个性化的、基于自然语言的深度分析例如“对比过去一周同一时段的温湿度找出异常模式”就很难实现。核心痛点在于我们拥有了数据但缺乏一个智能、灵活且低成本的“大脑”去理解这些数据背后的故事并以人类更喜欢的方式如图表、自然语言报告讲述出来。而Qwen3这类大模型恰好擅长理解上下文、处理结构化/非结构化信息并生成高质量的多模态内容包括描述图表的文字甚至指导生成图表的代码。它不需要我们为每一种分析场景都预先写好算法只需要用自然语言告诉它我们想看什么。2. 联动方案设计让STM32与Qwen3各司其职整个系统的架构可以很清晰我们遵循“边缘采集云端智能”的原则。整体工作流如下[STM32设备] --(传感器数据)-- [网络模块] --(HTTP/ MQTT)-- [后端服务器] --(结构化数据)-- [Qwen3 API] --(分析结果/图表代码)-- [Web前端] -- [可视化报告]各环节分工STM32 (边缘侧 - 执行者)核心任务精准、稳定地采集物理世界数据如温度、湿度、电压、开关状态。动作通过ADC、I2C、SPI等接口读取传感器。输出将数据封装成简单的JSON格式例如{temp: 25.6, humi: 60, ts: 1717654321}。传输通过ESP8266/ESP32、4G Cat.1等模块使用HTTP POST或MQTT协议将数据包发送到指定的服务器接口。这里以HTTP为例因为它更简单直观。后端服务器 (枢纽 - 协调者)接收提供一个API端点接收来自无数个STM32设备的数据并存入数据库如InfluxDB, MySQL时序库。预处理当需要生成报告时从数据库查询指定时间段、指定设备的数据。提问将查询到的数据、当前时间、设备ID等信息组合成一个清晰的“提示词Prompt”调用Qwen3的API。转发将Qwen3返回的结果可能是包含图表代码的HTML片段或一段分析文字再传递给前端。Qwen3 (云端 - 大脑)理解解析后端发来的Prompt理解用户想要的是“温度曲线图”还是“健康度评分”。分析基于提供的数据进行统计分析计算均值、最大值、发现异常点。生成方案A文本报告直接生成一段包含关键数据和洞察的自然语言描述。例如“过去24小时平均温度26°C最高于14:30达到30°C。湿度稳定在55%-65%之间。设备运行状态健康。”方案B可视化代码生成前端图表库如ECharts、Chart.js的JavaScript代码。这是更强大的方式因为代码可以被前端直接执行渲染出交互式图表。Web前端 (展示层 - 呈现者)渲染执行Qwen3返回的图表代码动态生成可视化界面。交互提供时间范围选择、设备切换等交互控件触发新的报告生成请求。3. 动手实现从数据发送到图表生成我们聚焦最核心的链条STM32发送数据后端调用Qwen3生成图表代码。3.1 STM32端数据采集与上报假设我们使用STM32CubeMX和HAL库搭配ESP8266模块。核心是构造一个JSON字符串并通过HTTP发送。// 示例代码需根据实际硬件和网络库调整 #include string.h #include stdio.h // 假设传感器数据 float temperature 25.6; float humidity 60.2; uint32_t timestamp get_current_timestamp(); // 获取时间戳的函数 // 构造JSON数据包 char json_buffer[256]; snprintf(json_buffer, sizeof(json_buffer), {\device_id\:\STM32_001\,\temp\:%.1f,\humi\:%.1f,\ts\:%lu}, temperature, humidity, timestamp); // 通过ESP8266发送HTTP POST请求 (伪代码依赖你的AT指令库) esp8266_connect_to_wifi(your_SSID, your_PASSWORD); esp8266_http_post(http://your-server.com/api/sensor-data, application/json, json_buffer);这段代码每隔一段时间例如每5分钟执行一次将数据点发送到服务器。3.2 后端服务接收数据并调用Qwen3后端可以用Python Flask/Django等快速搭建。这里展示一个Flask示例包含接收数据和生成报告两个端点。# app.py (后端核心部分) from flask import Flask, request, jsonify import requests import json from datetime import datetime, timedelta # 假设有一个函数从数据库查询数据 from database import query_sensor_data app Flask(__name__) QWEN_API_KEY your-qwen-api-key QWEN_API_URL https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions # 示例URL # 端点1接收STM32数据 app.route(/api/sensor-data, methods[POST]) def receive_sensor_data(): data request.json device_id data.get(device_id) # 将数据存入数据库这里省略具体实现 save_to_database(device_id, data) return jsonify({status: success}), 200 # 端点2请求生成设备监控报告 app.route(/api/generate-report, methods[GET]) def generate_report(): device_id request.args.get(device_id, STM32_001) hours int(request.args.get(hours, 24)) # 查询最近多少小时的数据 # 1. 从数据库查询数据 end_time datetime.now() start_time end_time - timedelta(hourshours) records query_sensor_data(device_id, start_time, end_time) # 将数据整理成列表方便放入Prompt # records 示例: [{ts: ..., temp: 25.6, humi: 60}, ...] # 2. 构造给Qwen3的Prompt prompt f 你是一个物联网数据分析专家。请根据以下设备在最近{hours}小时内的传感器数据生成一份可视化监控报告。 设备ID: {device_id} 数据记录时间戳, 温度°C, 湿度%: {json.dumps(records, indent2)} 请完成以下任务 1. 分析温度、湿度的整体趋势、平均值、最高/最低值。 2. 如果发现任何异常数据点如温度骤升骤降请指出。 3. **最重要的一步**请生成一段完整的ECharts JavaScript代码绘制一个包含两个y轴的折线图。左y轴为温度°C右y轴为湿度%x轴为时间。将代码包裹在 html 代码块中。 4. 基于图表和数据用一两句话给出设备健康状态评估和简单建议。 # 3. 调用Qwen3 API headers { Authorization: fBearer {QWEN_API_KEY}, Content-Type: application/json } payload { model: qwen-max, # 根据可用模型调整 messages: [ {role: user, content: prompt} ], temperature: 0.1 # 低温度值使输出更稳定 } try: response requests.post(QWEN_API_URL, headersheaders, jsonpayload, timeout30) result response.json() # 提取Qwen3返回的文本内容 qwen_reply result[choices][0][message][content] return jsonify({report: qwen_reply}) except Exception as e: return jsonify({error: str(e)}), 500 if __name__ __main__: app.run(host0.0.0.0, port5000)3.3 前端展示执行动态生成的图表前端页面很简单一个按钮触发报告生成一个区域显示结果。关键是能安全地执行Qwen3返回的HTML/JS代码。!DOCTYPE html html head titleSTM32设备监控面板/title script srchttps://cdn.jsdelivr.net/npm/echarts5.4.3/dist/echarts.min.js/script /head body h1设备监控报告生成器/h1 button onclickgenerateReport()生成最近24小时报告/button div idreportContainer stylemargin-top: 20px; !-- Qwen3生成的报告和图表将在这里显示 -- /div script function generateReport() { const deviceId STM32_001; // 可以从下拉框选择 fetch(http://your-server.com/api/generate-report?device_id${deviceId}hours24) .then(response response.json()) .then(data { const container document.getElementById(reportContainer); container.innerHTML ; // 清空旧内容 // 将Qwen3返回的纯文本进行渲染 // 注意这里简单地将内容作为HTML插入实际生产环境需谨慎处理来自AI的代码考虑安全性如沙盒。 const reportContent data.report; // 一个简单的处理寻找 html 代码块并执行其中的echarts初始化 const htmlMatch reportContent.match(/html\n([\s\S]*?)\n/); const textParts reportContent.split(/html[\s\S]*?/); // 先添加文本部分 textParts.forEach(part { if(part.trim()) { const p document.createElement(p); p.style.whiteSpace pre-wrap; p.textContent part; container.appendChild(p); } }); // 如果有图表代码创建div并执行 if (htmlMatch htmlMatch[1]) { const chartDiv document.createElement(div); chartDiv.id mainChart; chartDiv.style.width 800px; chartDiv.style.height 500px; container.appendChild(chartDiv); // 动态执行图表JS代码确保代码中引用的是我们已引入的ECharts const scriptContent htmlMatch[1]; // 这里需要确保scriptContent中的echarts初始化代码是完整的。 // 一种更安全的方式是解析代码提取option然后用我们自己的echarts.init渲染。 // 以下为简化示例假设Qwen3生成的代码是 var myChart echarts.init(...); myChart.setOption(...); const script document.createElement(script); script.textContent scriptContent; document.body.appendChild(script); document.body.removeChild(script); // 执行后移除 } }) .catch(error { console.error(生成报告失败:, error); document.getElementById(reportContainer).innerHTML p报告生成失败请检查网络和后端服务。/p; }); } /script /body /html4. 效果与价值从数字到洞察的飞跃实际跑通这个流程后体验的提升是立竿见影的。过去需要登录服务器查询数据库写SQL语句。把数据导出到Excel手动生成图表。对着图表自己分析哪里可能有问题。现在一键报告在网页上点一下按钮等上几秒钟一份图文并茂的报告就出来了。不仅有漂亮的趋势图还有关键数据的总结。智能预警通过精心设计Prompt可以让Qwen3做初步的异常检测。比如在Prompt里加上“如果连续三个数据点温度超过30°C请在报告中用醒目方式提示‘高温风险’。” Qwen3就能在生成的文本里给出警告。无限扩展今天想看温湿度曲线明天想看电压稳定性与温度的关联分析。我只需要修改后端的Prompt描述不需要改动STM32固件也不需要重写复杂的前端图表配置逻辑。Qwen3就像一个万能的数据可视化生成器。带来的核心价值开发效率将复杂的可视化与分析逻辑开发转变为对AI的“描述”工作极大降低了开发门槛和周期。运维体验为运维人员或终端用户提供了极其友好、直观的信息获取方式不再需要面对原始数据日志。系统智能化为简单的数据监控系统嵌入了一个可进化、可对话的“智能分析”模块为后续的预测性维护打下了基础。5. 总结把Qwen3和STM32结合起来做硬件监控这个想法实践下来比预想的要顺畅。它并不是要替代传统的物联网数据管道而是在这个管道的末端加装了一个强大的“信息加工车间”。STM32负责收集原材料数据Qwen3负责把这些原材料加工成直接可用的“成品”洞察与图表。对于开发者来说最大的解放是不再需要为每一种数据展示需求去编写特定的前端图表代码。你可以把更多精力放在硬件稳定性、数据准确性这些更本质的问题上。当然目前这套方案在实时性极高的场景要求毫秒级响应还不适合但对于大多数状态监控、日志分析、日报周报生成这类场景已经绰绰有余。如果你也在做物联网项目不妨试试这个思路。先从一个小功能开始比如让Qwen3帮你把一周的数据总结成邮件正文你会发现硬件项目也能玩出点AI的新花样。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
Qwen3与STM32嵌入式开发联动：硬件状态可视化监控
Qwen3与STM32嵌入式开发联动硬件状态可视化监控最近在折腾一个智能温室的监控项目用STM32采集温湿度、光照这些数据。数据是采集上来了但每天对着串口助手看一堆数字时间长了真有点头大。要是能有个更直观的图表甚至能提前告诉我“明天下午可能过热记得开窗”那该多好。这不我就想到了把Qwen3大模型给用上。你可能觉得大模型不是用来聊天的吗怎么跟硬件扯上关系了。其实不然Qwen3强大的文本理解和生成能力正好可以扮演一个“数据分析师”的角色。我的思路很简单让STM32老老实实当“数据采集员”把原始数据打包发到服务器然后让Qwen3这个“分析师”接手把枯燥的数字变成一目了然的图表报告甚至还能分析趋势给出点预警。今天我就来分享一下这个“硬件AI”的联动方案是怎么落地的希望能给做物联网和嵌入式开发的朋友们一点新灵感。1. 场景与痛点为什么需要AI介入硬件监控传统的嵌入式设备监控尤其是像STM32这类资源受限的微控制器数据处理和展示能力往往是个短板。常见的做法是本地简单显示通过OLED屏或者串口打印实时滚动显示几个传感器的数值。这种方式信息密度低看不出历史趋势。上位机软件开发一个PC端的应用程序接收串口或网络数据进行绘图和存储。这需要额外的开发工作且灵活性较差一旦监控需求变化比如想增加一个新的分析维度就需要修改上位机代码。物联网平台接入云平台利用平台提供的图表工具。这通常能解决可视化问题但数据分析能力局限于平台预设的功能想要进行个性化的、基于自然语言的深度分析例如“对比过去一周同一时段的温湿度找出异常模式”就很难实现。核心痛点在于我们拥有了数据但缺乏一个智能、灵活且低成本的“大脑”去理解这些数据背后的故事并以人类更喜欢的方式如图表、自然语言报告讲述出来。而Qwen3这类大模型恰好擅长理解上下文、处理结构化/非结构化信息并生成高质量的多模态内容包括描述图表的文字甚至指导生成图表的代码。它不需要我们为每一种分析场景都预先写好算法只需要用自然语言告诉它我们想看什么。2. 联动方案设计让STM32与Qwen3各司其职整个系统的架构可以很清晰我们遵循“边缘采集云端智能”的原则。整体工作流如下[STM32设备] --(传感器数据)-- [网络模块] --(HTTP/ MQTT)-- [后端服务器] --(结构化数据)-- [Qwen3 API] --(分析结果/图表代码)-- [Web前端] -- [可视化报告]各环节分工STM32 (边缘侧 - 执行者)核心任务精准、稳定地采集物理世界数据如温度、湿度、电压、开关状态。动作通过ADC、I2C、SPI等接口读取传感器。输出将数据封装成简单的JSON格式例如{temp: 25.6, humi: 60, ts: 1717654321}。传输通过ESP8266/ESP32、4G Cat.1等模块使用HTTP POST或MQTT协议将数据包发送到指定的服务器接口。这里以HTTP为例因为它更简单直观。后端服务器 (枢纽 - 协调者)接收提供一个API端点接收来自无数个STM32设备的数据并存入数据库如InfluxDB, MySQL时序库。预处理当需要生成报告时从数据库查询指定时间段、指定设备的数据。提问将查询到的数据、当前时间、设备ID等信息组合成一个清晰的“提示词Prompt”调用Qwen3的API。转发将Qwen3返回的结果可能是包含图表代码的HTML片段或一段分析文字再传递给前端。Qwen3 (云端 - 大脑)理解解析后端发来的Prompt理解用户想要的是“温度曲线图”还是“健康度评分”。分析基于提供的数据进行统计分析计算均值、最大值、发现异常点。生成方案A文本报告直接生成一段包含关键数据和洞察的自然语言描述。例如“过去24小时平均温度26°C最高于14:30达到30°C。湿度稳定在55%-65%之间。设备运行状态健康。”方案B可视化代码生成前端图表库如ECharts、Chart.js的JavaScript代码。这是更强大的方式因为代码可以被前端直接执行渲染出交互式图表。Web前端 (展示层 - 呈现者)渲染执行Qwen3返回的图表代码动态生成可视化界面。交互提供时间范围选择、设备切换等交互控件触发新的报告生成请求。3. 动手实现从数据发送到图表生成我们聚焦最核心的链条STM32发送数据后端调用Qwen3生成图表代码。3.1 STM32端数据采集与上报假设我们使用STM32CubeMX和HAL库搭配ESP8266模块。核心是构造一个JSON字符串并通过HTTP发送。// 示例代码需根据实际硬件和网络库调整 #include string.h #include stdio.h // 假设传感器数据 float temperature 25.6; float humidity 60.2; uint32_t timestamp get_current_timestamp(); // 获取时间戳的函数 // 构造JSON数据包 char json_buffer[256]; snprintf(json_buffer, sizeof(json_buffer), {\device_id\:\STM32_001\,\temp\:%.1f,\humi\:%.1f,\ts\:%lu}, temperature, humidity, timestamp); // 通过ESP8266发送HTTP POST请求 (伪代码依赖你的AT指令库) esp8266_connect_to_wifi(your_SSID, your_PASSWORD); esp8266_http_post(http://your-server.com/api/sensor-data, application/json, json_buffer);这段代码每隔一段时间例如每5分钟执行一次将数据点发送到服务器。3.2 后端服务接收数据并调用Qwen3后端可以用Python Flask/Django等快速搭建。这里展示一个Flask示例包含接收数据和生成报告两个端点。# app.py (后端核心部分) from flask import Flask, request, jsonify import requests import json from datetime import datetime, timedelta # 假设有一个函数从数据库查询数据 from database import query_sensor_data app Flask(__name__) QWEN_API_KEY your-qwen-api-key QWEN_API_URL https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions # 示例URL # 端点1接收STM32数据 app.route(/api/sensor-data, methods[POST]) def receive_sensor_data(): data request.json device_id data.get(device_id) # 将数据存入数据库这里省略具体实现 save_to_database(device_id, data) return jsonify({status: success}), 200 # 端点2请求生成设备监控报告 app.route(/api/generate-report, methods[GET]) def generate_report(): device_id request.args.get(device_id, STM32_001) hours int(request.args.get(hours, 24)) # 查询最近多少小时的数据 # 1. 从数据库查询数据 end_time datetime.now() start_time end_time - timedelta(hourshours) records query_sensor_data(device_id, start_time, end_time) # 将数据整理成列表方便放入Prompt # records 示例: [{ts: ..., temp: 25.6, humi: 60}, ...] # 2. 构造给Qwen3的Prompt prompt f 你是一个物联网数据分析专家。请根据以下设备在最近{hours}小时内的传感器数据生成一份可视化监控报告。 设备ID: {device_id} 数据记录时间戳, 温度°C, 湿度%: {json.dumps(records, indent2)} 请完成以下任务 1. 分析温度、湿度的整体趋势、平均值、最高/最低值。 2. 如果发现任何异常数据点如温度骤升骤降请指出。 3. **最重要的一步**请生成一段完整的ECharts JavaScript代码绘制一个包含两个y轴的折线图。左y轴为温度°C右y轴为湿度%x轴为时间。将代码包裹在 html 代码块中。 4. 基于图表和数据用一两句话给出设备健康状态评估和简单建议。 # 3. 调用Qwen3 API headers { Authorization: fBearer {QWEN_API_KEY}, Content-Type: application/json } payload { model: qwen-max, # 根据可用模型调整 messages: [ {role: user, content: prompt} ], temperature: 0.1 # 低温度值使输出更稳定 } try: response requests.post(QWEN_API_URL, headersheaders, jsonpayload, timeout30) result response.json() # 提取Qwen3返回的文本内容 qwen_reply result[choices][0][message][content] return jsonify({report: qwen_reply}) except Exception as e: return jsonify({error: str(e)}), 500 if __name__ __main__: app.run(host0.0.0.0, port5000)3.3 前端展示执行动态生成的图表前端页面很简单一个按钮触发报告生成一个区域显示结果。关键是能安全地执行Qwen3返回的HTML/JS代码。!DOCTYPE html html head titleSTM32设备监控面板/title script srchttps://cdn.jsdelivr.net/npm/echarts5.4.3/dist/echarts.min.js/script /head body h1设备监控报告生成器/h1 button onclickgenerateReport()生成最近24小时报告/button div idreportContainer stylemargin-top: 20px; !-- Qwen3生成的报告和图表将在这里显示 -- /div script function generateReport() { const deviceId STM32_001; // 可以从下拉框选择 fetch(http://your-server.com/api/generate-report?device_id${deviceId}hours24) .then(response response.json()) .then(data { const container document.getElementById(reportContainer); container.innerHTML ; // 清空旧内容 // 将Qwen3返回的纯文本进行渲染 // 注意这里简单地将内容作为HTML插入实际生产环境需谨慎处理来自AI的代码考虑安全性如沙盒。 const reportContent data.report; // 一个简单的处理寻找 html 代码块并执行其中的echarts初始化 const htmlMatch reportContent.match(/html\n([\s\S]*?)\n/); const textParts reportContent.split(/html[\s\S]*?/); // 先添加文本部分 textParts.forEach(part { if(part.trim()) { const p document.createElement(p); p.style.whiteSpace pre-wrap; p.textContent part; container.appendChild(p); } }); // 如果有图表代码创建div并执行 if (htmlMatch htmlMatch[1]) { const chartDiv document.createElement(div); chartDiv.id mainChart; chartDiv.style.width 800px; chartDiv.style.height 500px; container.appendChild(chartDiv); // 动态执行图表JS代码确保代码中引用的是我们已引入的ECharts const scriptContent htmlMatch[1]; // 这里需要确保scriptContent中的echarts初始化代码是完整的。 // 一种更安全的方式是解析代码提取option然后用我们自己的echarts.init渲染。 // 以下为简化示例假设Qwen3生成的代码是 var myChart echarts.init(...); myChart.setOption(...); const script document.createElement(script); script.textContent scriptContent; document.body.appendChild(script); document.body.removeChild(script); // 执行后移除 } }) .catch(error { console.error(生成报告失败:, error); document.getElementById(reportContainer).innerHTML p报告生成失败请检查网络和后端服务。/p; }); } /script /body /html4. 效果与价值从数字到洞察的飞跃实际跑通这个流程后体验的提升是立竿见影的。过去需要登录服务器查询数据库写SQL语句。把数据导出到Excel手动生成图表。对着图表自己分析哪里可能有问题。现在一键报告在网页上点一下按钮等上几秒钟一份图文并茂的报告就出来了。不仅有漂亮的趋势图还有关键数据的总结。智能预警通过精心设计Prompt可以让Qwen3做初步的异常检测。比如在Prompt里加上“如果连续三个数据点温度超过30°C请在报告中用醒目方式提示‘高温风险’。” Qwen3就能在生成的文本里给出警告。无限扩展今天想看温湿度曲线明天想看电压稳定性与温度的关联分析。我只需要修改后端的Prompt描述不需要改动STM32固件也不需要重写复杂的前端图表配置逻辑。Qwen3就像一个万能的数据可视化生成器。带来的核心价值开发效率将复杂的可视化与分析逻辑开发转变为对AI的“描述”工作极大降低了开发门槛和周期。运维体验为运维人员或终端用户提供了极其友好、直观的信息获取方式不再需要面对原始数据日志。系统智能化为简单的数据监控系统嵌入了一个可进化、可对话的“智能分析”模块为后续的预测性维护打下了基础。5. 总结把Qwen3和STM32结合起来做硬件监控这个想法实践下来比预想的要顺畅。它并不是要替代传统的物联网数据管道而是在这个管道的末端加装了一个强大的“信息加工车间”。STM32负责收集原材料数据Qwen3负责把这些原材料加工成直接可用的“成品”洞察与图表。对于开发者来说最大的解放是不再需要为每一种数据展示需求去编写特定的前端图表代码。你可以把更多精力放在硬件稳定性、数据准确性这些更本质的问题上。当然目前这套方案在实时性极高的场景要求毫秒级响应还不适合但对于大多数状态监控、日志分析、日报周报生成这类场景已经绰绰有余。如果你也在做物联网项目不妨试试这个思路。先从一个小功能开始比如让Qwen3帮你把一周的数据总结成邮件正文你会发现硬件项目也能玩出点AI的新花样。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
