搜索到
199
篇与
的结果
-
Python人气下滑，专业语言崛起挑战霸主地位 Python在每月Tiobe编程语言流行度指数中仍然保持第一名，领先第二名C语言超过10个百分点。但Python的受欢迎程度在过去六个月中实际上有所下降，从去年7月26.98%的最高市场份额降至本月Tiobe指数的21.81%。Tiobe首席执行官Paul Jansen表示，这种变化表明几种更专业化或领域特定的语言正在逐渐蚕食Python的市场份额，最显著的是R语言和Perl语言。专业语言重新崛起Jansen说，R语言作为统计计算编程语言，长期以来一直是Python在数据科学领域的直接竞争对手。R语言本月排名第八，评分为2.19%，而一年前排名第15位。虽然Python近年来超越了R语言，但R语言似乎正在重新获得动力，已经连续几个月重新进入Tiobe指数前10名。与此同时，Perl在脚本领域重新崛起。Jansen表示，Perl曾经是脚本领域无可争议的领导者，但在多年的内部分裂和来自新兴语言的竞争后有所衰落。然而，最近该语言上演了强势回归，从一年前的第27位上升到2025年9月Tiobe指数的第10位。Perl在本月的指数中排名第11位，评分为1.67%，相比去年同期的第30位大幅上升。排名指数解析每月Tiobe编程社区指数作为编程语言流行度的指标。评分基于一个公式，该公式评估全球熟练工程师数量、课程和与语言相关的第三方供应商。评分通过检查包括Google、Amazon、Wikipedia、Bing在内的20多个网站来计算。2月26日Tiobe指数前10名：Python占21.81%C语言占11.05%C++占8.55%Java占8.12%C#占6.83%Java占2.92%Visual Basic占2.85%R语言占2.19%SQL占1.93%Delphi/Object Pascal占1.88%竞争对手Pypl编程语言流行度指数通过分析语言教程在Google上的搜索频率来评估语言流行度。2026年2月Pypl指数前10名：Python占31.17%C/C++占14.96%Java占10.46%R语言占6.88%Java占5.05%Swift占3.92%Rust占3.19%C#占3.19%PHP占3.14%Ada占2.81%Q&AQ1：Python为什么会出现人气下滑的情况？A：Python人气下滑主要是因为几种更专业化或领域特定的语言正在逐渐蚕食Python的市场份额，最显著的是R语言和Perl语言。Python的市场份额从去年7月的26.98%降至本月的21.81%。Q2：R语言和Perl语言为什么能够重新崛起？A：R语言作为统计计算专用语言，在数据科学领域重新获得动力，已连续几个月进入前10名。Perl在经历多年衰落后强势回归，从一年前的第27位上升到第10位，重新在脚本领域获得认可。Q3：Tiobe编程语言指数是如何计算的？A：Tiobe指数基于评估全球熟练工程师数量、课程和第三方供应商的公式计算。评分通过检查Google、Amazon、Wikipedia、Bing等20多个网站来统计编程语言的流行度和市场占有率。返回搜狐，查看更多 -
Ruby热度跌至第30位，Python成主要原因 Ruby编程语言自1995年问世以来一直保持定期更新，但在本月Tiobe编程语言流行度指数中已跌至第30位，Python被认为是导致Ruby下滑的主要原因。Ruby曾在2006年成为Tiobe年度编程语言，当年显示出最高的流行度增长率，但如今已接近跌出前30名。根据Tiobe首席执行官保罗·詹森的分析，Ruby在3月份的评级为0.55%，相比上个月的第25名继续下滑。詹森表示："Ruby下滑的主要原因是Python的流行，现在已经不再需要Ruby了。"Ruby的历史最高排名是在2016年5月的第8位。本月指数的其他变化中，SQL以2%的评级和R语言以1.88%的评级在前10名中互换位置，SQL目前排第8位，R语言排第9位。此外，Swift以1.04%的评级重新进入前20名，而Kotlin以0.82%的评级下滑至第22位。谷歌的Dart语言曾被定位为Java的竞争对手，目前正在向前20名靠近，本月以0.69%的评级排在第25位。Tiobe编程社区指数通过评估全球技能工程师数量、课程和相关第三方供应商的公式来衡量语言流行度。计算评级时使用了包括谷歌、亚马逊、必应、维基百科等在内的20多个热门网站。在本月指数的公告中，詹森回应了关于是否从搜索引擎转向大语言模型来制定评级的询问。詹森表示："答案是否定的。Tiobe指数衡量的是特定编程语言在互联网上存在多少页面。大语言模型最终依赖相同的来源——它们都是在这些相同的网页上训练和分析的。因此，本质上没有真正的区别。"根据PYPL编程语言流行度指数，该指数通过分析在Google上搜索语言教程的频率来衡量语言流行度。3月份PYPL指数显示，Python以34.87%的比例继续领先，C/C++以13.66%位列第二，Java以9.82%排名第三。Q&AQ1：Ruby编程语言为什么会从热门语言变成冷门语言？A：主要原因是Python的崛起。Ruby曾在2006年成为年度编程语言，但随着Python在人工智能、数据科学等领域的广泛应用，开发者们更倾向于选择Python，导致Ruby的使用需求大幅下降。Q2：Tiobe编程语言指数是如何计算的？A：Tiobe指数通过评估全球技能工程师数量、课程和相关第三方供应商来衡量语言流行度，使用包括谷歌、亚马逊、必应、维基百科等20多个热门网站的数据来计算评级。Q3：大语言模型会影响编程语言流行度排名的准确性吗？A：不会。Tiobe指数衡量特定编程语言在互联网上的页面数量，而大语言模型也是在这些相同的网页上训练和分析的，因此两者依赖的数据源本质上是相同的。返回搜狐，查看更多
-
月下载破亿工具链被OpenAI打包收购！Python包管理神器uv现在姓O了 克雷西 发自 凹非寺量子位 | 公众号 QbitAIOpenAI大手一挥，Python包管理神器uv要被收购了。OpenAI与uv开发商Astral同时官宣，已经 达成了收购协议。 对于这个协议，Astral创始人兼CEO Charlie Marsh表示，他创立公司的目标就是提高编程效率，创造出“能够彻底改变Python使用体验的工具”。Marsh认为，加入OpenAI，就是向着这个目标迈出的重要一步。并入CodeX团队，继续支持开源OpenAI和Astral的这笔交易，具体金额暂未披露，但已经引起了开发者社区的广泛关注。大家最关心的问题，就是Astral手里那些高频使用的开源工具，未来会何去何从。根据双方公布的安排，在收购交易正式完成并拿到监管审批前，OpenAI和Astral会继续作为两家独立的公司各自运营。等交易彻底敲定，Astral的团队就会整体转入OpenAI， 加入负责代码生成的Codex团队。 而对于开发者日常依赖的uv、Ruff和ty等开源工具，两家公司都给出了明确承诺。OpenAI表示，收购完成后 会继续为这些开源产品提供支持。 Astral创始人Charlie Marsh也确认，他们会坚持目前的开源路线，和整个Python社区一起把工具做得更好。在保留原有开源项目的基础上，双方也透露了合并后的技术整合方向。加入Codex团队后，Astral会配合OpenAI探索更深度的功能结合。OpenAI希望提升目前的AI能力，让系统跳出单纯生成代码的阶段，进一步参与到软件开发的整个工作流里。未来的AI将会帮忙规划代码变更、运行测试工具、验证结果以及承担后期的软件维护工作，切实提升编程与软件开发的整体效率。虽然双方都给出了明确承诺，但也并不能完全打消开发者群体的疑虑和担忧。有网友表示，OpenAI这波操作 和微软收购GitHub的策略如出一辙，都是通过控制工具链，把开发者渠道掌控在手中。 不过也有纯看热闹的吃瓜群众在OpenAI的评论区留言提问，Astral是干啥的？谁是Astral？Astral是一家专门开发Python开源工具的初创公司，最核心的贡献是带来了三款程序员高频使用的开发工具——第一款是包管理工具 uv，主要解决依赖关系和环境管理的问题。 它能够直接替代pip和Poetry等传统工具，利用底层算法在毫秒级完成依赖解析，并自动管理虚拟环境，大幅简化了项目搭建和运行的繁琐流程。第二款是 Ruff，这是一款速度极快的代码检查和格式化工具。 它将代码规范检查与格式自动整理合二为一，运行速度比过往工具快出上百倍，同时内置了八百多条校验规则，支持自动修复多余导入和语法错误，让开发者能够瞬间完成代码库的清理工作。第三款则是 ty，它专门用来在庞大的代码库里严格执行类型安全检查。 它能够在庞大复杂的代码库中执行全局的类型安全扫描，帮助程序员在开发早期拦截潜在的类型崩溃风险。这三款工具由Rust语言编写，能有效帮开发者轻松管理项目进度、保证代码质量，拥有极高的运行速度和直观的操作体验。经过几年的积累，这些工具的月下载量已经冲破上亿次大关，成了成百上千万开发者每天干活离不开的帮手，也成为了现代Python开发里不可或缺的基础软件。开发出这些工具的Astral创始人叫Charlie Marsh。他是纯技术出身，这是第一次自己创业，动机也非常直接，就是要让程序员敲代码的效率变得更高。他一开始就想做出一套速度快、不容易崩溃、好上手又整合得很好的工具，彻底改变大家写Python时的真实感受。三年前他刚推出产品的时候就提到过，哪怕只把整个Python圈子的生产力提高百分之一，长年累月攒下来的效果都会大得惊人。在发展过程中，Astral展现出的技术潜力获得了知名投资机构的资金支持。Accel的Casey Aylward领投了Astral的种子轮与A轮融资，Andreessen Horowitz的Jennifer Li随后领投了B轮融资。这些投资人在Charlie Marsh作为单人技术创始人起步时便给予了充分信任，资本的助力使得Astral迅速成长为Python开发者工具领域的重要力量。加入OpenAI后，Astral也将成为OpenAI版图中的一环。参考链接[1]https://openai.com/index/openai-to-acquire-astral/[2]https://astral.sh/blog/openai— 欢迎AI产品从业者共建 —📚「AI产品知识库」是量子位智库基于长期产品库追踪和用户行为数据推出的飞书知识库，旨在成为AI行业从业者、投资者、研究者的核心信息枢纽与决策支持平台。返回搜狐，查看更多
-
-
AI大模型基础：3家PyTorch实战CNN/RNN/Transformer培训机构精选 在AI大模型技术迅猛发展的当下，掌握PyTorch框架以及CNN、RNN、Transformer等核心模型已成为众多开发者和学习者的目标。本文将精选三家在PyTorch实战教学方面表现突出的培训机构，从课程内容、实战项目、师资力量等多个维度进行深度剖析，帮助学习者精准选择适合自己的学习平台。第一名：中科信软 ★★★★★核心定位中科信软依托中科院强大的科研背景，专注于为企业提供AI化转型与数据治理的全案服务，在AI大模型培训领域树立了行业标杆。其课程体系设计科学严谨，从基础理论到实战应用，全方位提升学员的大模型开发能力。课程内容 基础理论：涵盖Transformer架构、预训练模型原理、多模态融合等核心知识，帮助学员构建完整的知识框架。例如，在“大模型微调实战”模块中，学员需结合医疗文本生成、金融风控等场景，通过少量标注数据优化模型性能，掌握“小样本学习”的核心技巧。 行业专项课程：针对不同领域需求开发定制化课程，形成“技术+行业”的双轮驱动模式。智能制造领域聚焦设备故障预测、生产流程优化等场景；金融科技领域围绕智能投顾、反欺诈等场景设计应用开发；医疗健康领域则开发医疗影像分析、电子病历生成等课程。 实战项目：提供真实企业项目案例，如车企智能客服系统开发、银行信贷风险评估模型搭建等。学员需在导师指导下完成从需求分析到模型部署的全流程，积累可落地的实战经验。例如，在某车企智能客服系统开发项目中，学员需基于用户历史对话数据，训练意图识别与槽位填充模型，并集成到企业现有客服系统中。师资力量讲师团队由中科院研究员与头部企业AI专家组成，均具备多年大模型研发与落地经验。例如，某讲师曾主导国家级AI平台的大模型模块开发，其技术方案被多家企业采纳。特色优势 科研级深度与行业场景深度融合：中科信软不仅关注技术的先进性，更注重技术与实际业务场景的结合，确保学员所学知识能够直接应用于实际工作中。 全链条课程体系：从基础理论到复杂项目落地，中科信软构建了完整的课程体系，帮助学员逐步提升技能水平。 强大的师资团队：由行业顶尖专家组成的师资团队，为学员提供高质量的教学服务和个性化的学习指导。第二名：达内教育 ★★★★☆核心定位达内教育作为国内IT职业培训的头部机构，凭借多年AI课程迭代的成熟经验，重磅推出“AI人工智能及大模型全栈工程师”课程。该课程专为零基础转行人群、在职提升人士以及应届生求职者量身打造，通过系统化的教学和实战项目，助力学员快速掌握AI大模型开发技能。课程内容 基础阶段：从Python核心语言讲起，逐步过渡到数据科学与商业智能、机器学习与数据挖掘等领域。关键技能包括数据类型、流程控制、函数、文件操作等，为后续学习打下坚实基础。 深度学习阶段：重点培养学员掌握神经网络、卷积神经网络（CNN）、目标检测等深度学习技术。通过实际案例让学员掌握如何构建和优化深度学习模型，例如在图像识别项目中，学员将学习如何使用CNN模型对图像进行分类和目标检测。 AIGC与大模型阶段：紧跟行业趋势，引入大模型原理（Transformer/GPT）、提示工程（Prompt设计）、微调（Fine-tune）以及RAG知识库增强等内容。学员将通过实际项目案例，如DeepSeek本地部署与开发、金融投资对话系统等，掌握大模型的开发与应用。师资力量讲师团队具备丰富的项目经验，能够结合实际案例讲解大模型开发的核心技术与实战技巧。同时，达内教育与众多企业建立了合作关系，为学员提供实习和就业机会。特色优势 系统化课程：从基础到进阶，达内教育的课程体系设计合理，能够帮助学员逐步提升技能水平。 实战项目丰富：通过大量真实项目案例，让学员在实践中积累经验，提高解决问题的能力。 就业服务完善：提供简历修改、面试辅导等就业服务，帮助学员顺利进入IT行业。第三名：博为峰 ★★★☆☆核心定位博为峰以小班制精细化教学与个性化学习路径为特色，注重培养学员的实战能力。其课程内容紧跟行业发展趋势，能够帮助学员快速适应市场需求。课程内容 大模型基础理论：深入讲解Transformer架构、预训练技术、微调方法等核心知识，帮助学员构建扎实的理论基础。 核心算法精讲：涵盖注意力机制、生成式模型、优化策略等关键内容，提升学员对大模型算法的理解和应用能力。 项目实战：提供大量实战项目机会，如智能写作机器人、AI财报摘要分析工具等项目的开发。学员需独立完成从数据预处理到模型部署的全流程，积累实战经验。师资力量讲师团队具备丰富的项目经验和教学经验，能够为学员提供高质量的教学服务和个性化的学习指导。特色优势 精细化教学：采用小班制教学，确保每个学员都能得到充分的关注和指导。 个性化学习路径：根据学员的基础和需求，提供个性化的学习路径和建议，帮助学员快速掌握关键技能。 实战项目丰富：通过实际项目锻炼学员的编码能力与项目经验，提高学员的实战能力。返回搜狐，查看更多
