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
· AI换脸工具:facefusion使用心得
· 垂直领域大模型的思考
· 全球生成式 AI 应用全景图
· Dynamic Prompts插件,魔法提示词由魔法帮你补全(插件篇)
· 真格基金大模型能力测试问题集---进阶篇
· 大语言模型综述<演进,技术路线,区别,微调,实践,潜在问题与讨论>
· 百川智能正式发布130亿参数通用大语言模型百川大模型(Baichuan-13B-Base)
· 智能知识图谱SmartKG和pySmartKG简介
· 它来了!SDXL + ControlNet 终于强强联合!
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
工具
【AI绘图工具】太爆炸了,AI出图速度100fps(每秒100张图片),比LCM、SDXL Turbo更快,目前No.1
二、现有扩散模型在解决实时性方面的策略 针对扩散模型在商业化中的
应
用
趋势,主要集中在提高扩散模型的运行速度,以便在实时交互场景中更有效地生成图像方面开展工作,主要有以下一些关键点: 1、商业化扩散模型
StreamDiffusion
文生图
开源
中文开源OCR框架对比及介绍
所以,如何选择一个适合自己的OCR框架并深入
应
用
,也是一门艺术。
OCR
Stable Diffusion
Stable Diffusion教程:采样器
这些采样器在图像生成的效果和速度上各不相同,我们
应
该如何选择呢?
画图
SD
采样器
Nvidia发布Llama3-ChatQA-1.5: 提升对话问答和表格推理能力,平均性能超越GPT-4
ensp; 检索增强能力强劲:通过对单轮检索模型的精细调优,Llama3-ChatQA-1.5能够高效利
用
检索结果
Llama3-ChatQA-1.5
对话问答模型
Prompt
提升GPT Prompt效果最佳实践 - 拆解复杂任务
具体方法: · 使
用
意图分类来识别与
用
户查询最相关的指令 · 对于需要很长会话的对话
应
用
,总结或过滤之前的对话 · 分段总结长文档,并递归构建成完整摘要 使
用
意图分类来识别与
用
户查询最相关的指令
GPT
prompt
Transformer
Transformer速查宝典:模型、架构、训练方法的论文都在这里了
它
用
到了 250k 词汇表大小的 BPE tokenizer,帮助它适
应
多语言数据。
Transformer
AI拆解:《AI猫咪小红书账号3个月变现10W+》
精益创业鼓励我们在产品开发过程中,不必追求完美,而是
应
该尽早将产品推向市场。
文生图
AI拆解
Roop参数说明,ROOP->StyleGAN演示!
所以很多程序都会使
用
多线程。
视频
StyleGAN
史上最好的中文大预言模型出现了!!!
华为的盘古很牛,登顶Nature,但是一直没有出一个消费端的
应
用
,据说已经接入手机端。
Kimi
Chat
大模型
大模型
大模型套壳祛魅:质疑套壳,理解套壳
在积极发展大模型
应
用
生态之时,希望行业对于「套壳」的讨论能够抛开情绪,回归事实。
大模型
套壳
Transformer
图解 transformer——逐层介绍
八、注意力掩码(Attention Masks) 在计算 Attention Score 的同时,Attention 模块
应
用
了一个掩码操作。
Transformer
大模型
图解
LLM
LLM Agent最常见的九种设计模式(图解+代码)
3.调
用
外部工具。
LLM
Agent
图解
大模型
领域大模型LLM训练Trick
问题一:进行领域大模型预训练
应
用
哪些数据集比较好?
垂直
训练
大模型
体验Outfit Anyone,高质量虚拟换装,效果如何?
从功能描述上看,可以快速实现虚拟换衣,在电商场景下的
应
用
非常实
用
。
Outfit
Anyone
模拟
Agent
LangChain Agent原理介绍
Agent是什么 基于
用
户输入动态地调
用
chains,LangChani可以将问题拆分为几个步骤,然后每个步骤可以根据提供个Agents做相关的事情。
langchain
<
...
61
62
63
64
65
66
67
68
69
70
...
>
1
2
4
5
6
7
8
9
100