文章列表-AI魔法学院

文章列表

24年首篇离奇论文：加点噪声，RAG效果翻倍？

论文：《The Power of Noise: Redefining Retrieval for RAG Systems》这篇论文探讨了基于检索增强的语言模型（RAG）系统中的信息检索（IR）组件对系统性能的影响

RAG 检索增强

两天star量破千：OpenAI的Whisper被蒸馏后，语音识别数倍加速

其中，这个语音转文字的 Whisper 模型非常好用。

语音 HeyGen

RLHF 在 Text2SQL 领域中的探索

本文主要介绍了 Text2SQL 的基本概念，以及 RLHF 的概念和框架，最后结合 DB-GPT-Hub 项目，将 RLHF 方法应用于 Text2SQL 任务进行实践探索。

Text2SQL RLHF

OmniVision - 968M：小巧精悍的视觉语言模型，释放多模态边缘计算强大潜能

多层感知器（MLP）作为投影层，起到了桥梁的作用，将视觉编码器生成的图像嵌入与基础语言模型的标记空间进行对齐，使模型能够实现端到端的视觉语言理解。

OmniVision -968M 多模态模型

惊艳推荐！8款好用又免费的文本转语音TTS工具

TTS Maker TTS Maker 是一个文本到语音（TTS）服务，支持多种语言和不同的声音选项（包括：中文、英语、日语、法语、阿拉伯语、韩语等等，甚至转换成方言：包括东北话、粤语、闽南话等等

TTS Maker 语音

GPT-4o实时语音方案提供商Livekit开源voice agent：轻松处理音视频流

该框架包括用于常见工作流程的插件，例如语音活动检测和语音转文本。

voice agent 开源音视频

中文版开源Llama 2同时有了语言、多模态大模型，完全可商用

语音到文本多模态开源对话模型 (LLaSM) LinkSoul.AI 开源了可商用的中英文双语语音 - 语言助手 LLaSM 以及中英文语音 SFT 数据集 LLaSM-Audio-Instructions

开源模型

OpenAI 开源语音识别 Whisper 的使用体验怎么样？

近期，AI 领域异常热门，众多惊人且令人担忧的工具不断涌现。

生成式AI

从 GPT-4o 到 LiveKit：实时语音交互的开源实现

今天我们来聊聊OpenAI 发布会提到的实时对话语音技术。

GPT-4o 语音交互

RAG从入门到精通-RAG简介

前言 RAG（Retrieval Augmented Generation,检索增强生成）是一个将大规模语言模型(LLM)与来自外部知识源的检索相结合的框架,以改进问答能力的工程框架。

rag 大模型

炸裂！百川开源第1个7B多模态大模型 Baichuan-Omni | 能够同时分析图像/视频/音频/文本

探索了自然多模态人机交互的初期研究。

Baichuan-Omni 多模态大模型

Whisper对于中文语音识别与转写中文文本优化的实践(Python3.10)

阿里的FunAsr对Whisper中文领域的转写能力造成了一定的挑战，但实际上，Whisper的使用者完全可以针对中文的语音做一些优化的措施，换句话说，Whisper的“默认”形态可能在中文领域斗不过

Whisper 语音优化

你真的会写 Prompt ? 剖析 RAG 应用中的指代消解

着 ChatGPT 等大语言模型(LLM)的不断发展，越来越多的研究人员开始关注语言模型的应用。

Prompt 大语言模型 RAG

一文看懂RAG：大语言模型落地应用的未来

其中一些主要限制包括：不适应多模态数据：基础RAG主要关注文本数据的检索和生成，对于多模态数据（例如图像、音频）的处理能力有限。

rag 检索增强

24年首篇离奇论文：加点噪声，RAG效果翻倍？！

论文：《The Power of Noise: Redefining Retrieval for RAG Systems》这篇论文探讨了基于检索增强的语言模型（RAG）系统中的信息检索（IR）组件对系统性能的影响

RAG 检索论文

<1 2 3 456 7 8 9 10 ...>

汇聚AI资讯，网罗AI文档，详解AI工具！

关于我们用户协议隐私条款商务合作：skillupvip

© 2023-2025 AI魔法学院

京ICP备20027199号-1