首页
Ai 资讯
Ai 知识库
创作魔法
绘画魔法
视频魔法
训练魔法
Ai术语
Ai提示词
Ai创意图
Ai工具
Ai视频
VIP专区
VIP专区
登录
AI魔法学院客服
最新
排序
收藏
全部
七天内
一个月内
选择分类
全部
写作魔法
绘画魔法
视频魔法
训练魔法
其他
AI工具
VIP视频
推荐阅读
换一批
· 爆火的“哄哄模拟器”,它是如何炼成的?Prompt泄漏了
· Coze多智能体(Multi-Agents)模式体验!
· ComfyUI官方使用手册【官网直译+关键补充】
· AI声音克隆 | 最全最简教程(权威版)
· 从 GPT-4o 到 LiveKit:实时语音交互的开源实现
· 最强国产开源多模态大模型MiniCPM-V:可识别图片、视频,还可在端侧部署
· 【语音领域-又双叒更新】阿里开源FunAudioLLM: 2大核心模型、5大亮点功能!效果炸裂!手把手带你理论+实战部署推理!
· 6个最佳开源TTS引擎
· 2024!深入了解 大语言模型(LLM)微调方法(总结)
· 必看!ComfyUI故障应对指南,让您轻松应对每一个挑战
热门标签
Stable Diffusion
stable diffusion
Midjourney
midjourney
ComfyUI
comfyui
ChatGPT
chatgpt
大模型
数字人
开源
人工智能
Sora
文心一言
天工
零一万物
知海图
星火
文心一格
混元
通义千问
盘古
言犀
ChatGLM
Github
微软
热门标签
免费
教程
插件
免费
教程
插件
免费
教程
插件
文章列表
Prompt
Prompt工程如此强大,我们还需要模型训练吗?
4.2 Few-shot-CoT提示方法
从
诞生时间上来说,Few-shot-CoT诞生时间要早于Zero-shot-CoT,它们之间的区别是:Zero-shot-CoT是
零
样本提示的情况下通过修改提示词后缀激发模型的思维链
大模型
大模型
真超越了GPT?国产大模型实用场景横评②
当时,对于不少
从
业者而言,AI大模型的重点不是能不能做顺口溜或回答哲学问题,而是在于AI是否能够在实际工作中发挥作用,提升效率。
大模型
OCR
完全指南——使用python提取PDF中的文本信息(包括表格和图片OCR)
然而,在我们
开
始
之前,我们需要指定目前不同类型的pdf,更具体地说,是出现最频繁的三种: 1.
大语言模型
python
大模型
最透彻的大模型PPO原理和源码解读
所以,在写这篇文章时,我直接
从
一个RLHF
开
源项目源码入手(deepspeed-chat),根据源码的实现细节,给出尽可能丰富的训练流程图,并对所有的公式给出直观的解释。
PPO
大模型
源码解读
工具
RAG 与 Finetuning,谁是提升 LLM 的最佳工具?
然而,当
开
箱即用的预训练LLM没有按预期或希望执行时,如何提高LLM应用的性能的问题。
训练
ComfyUI
教会AI画汉字(ComfyUI篇)
最近,央视公
开
了一些由ai生成的图片与视频,其中有几张图片非常有趣,成功吸引到了我, 那便是这几张由ai与文字相结合的图片,这种奇妙的效果令我十分好奇,于是我便
开
始
找寻相关的插件来达成类似的效果
comfyui
文生图
提示词
【爆肝整理】500+ AI 最佳提示词
创建可用于
开
始
讨论(主题)的问题列表。
提示词
LLM
Byzer-LLM 快速体验智谱 GLM-4
Byzer-LLM 可以让用户用一套接口就可以部署和使用市面上主流的
开
源和SaaS版本大模型, 之前以Qwen 写过一篇,可以看这里:Byzer-LLM 支持同时
开
源和SaaS版通义千问 今天我们升级了一个
Byzer-LLM
GLM-4
白话Embedding:普通人都能懂的科普文
绘制一个有一千个维度的空间是非常困难的,想象一个维度几乎是不可能的,但是
从
数学上讲,这真的很容易。
Embedding
向量
RAG
检索增强生成(RAG)有什么好的优化方案
我们分别展
开
讨论。
RAG
检索增强生成
Prompt
Learn Prompting-基础篇
我该如何
开
始
?
prompt
Prompt
让你起飞的五个Prompt框架模型
这种技术可以被视为一种超能力,因为它使我们能够更有效地与AI交互,
从
而获取更准确的结果。
prompt
大模型
贝叶斯定理的颠覆:为什么你永远说服不了阴谋论者?
为了充分理解贝叶斯推理,我们需要
从
数学上理解为什么会出现这样的情况。
贝叶斯定理
【进阶】-文生图术语解释
开
发时未考虑 win,目前在 win 有兼容性问题故不可用 8bit/bsb 一般指 Bitsandbyte,一种 8 比特算法,能极大降低 vram
文生图
工具
使用这个工具后,我将 RAG 的准确性和召回率都提高了两倍!
embedding—创建索引—检索—排序(Rerank)—LLM 归纳生成,不过实际落地过程来看,将用户查询转换为嵌入向量直接检索,很多时候的结果在相关度方面没有那么理想,本篇分享一种对用户查询进行重写再去检索
从
而提高准确性和召回率的方案
RAG
大语言模型
<
...
30
31
32
33
34
35
36
37
38
39
...
>
1
2
4
5
6
7
8
9
100