文章列表-AI魔法学院

文章列表

如何修复GPT幻觉、及评估数据集的挑战

考虑一些流行模型的压缩比：训练数据的压缩当然，这种压缩的关键在于生成模型存储输入（文本或像素）之间关系（概率）的数学表示，而不是输入本身。

大模型

基于 Kimi Chat 的 AI 渐进式阅读法

AI 总结存在一定幻觉，不同的模型效果不同，像 KIMICHAT 这样对 long-context 支持比较好的模型，效果相对来说会比较好。

Kimi Chat 阅读

大模型推理能力增强方法总结

但如果说，我们给模型一些关于解题的思路，就像我们数学考试，都会把解题过程写出来再最终得出答案，不然无法得分。

推理能力大模型

微软Phi-3、Mixtral 8x22B等小模型过拟合，三分之二存在数据污染

尽管研究者提供了多个模型的客观评估结果，但同时表示，解释评估结果就像对梦境的解释一样，往往是一项非常主观的工作。

过拟合小模型

Stable Diffusion

Stable Diffusion 加速/优化/升级优化出图速度

设置的比率越高，细节就会丢失越多，设置0.6或以上出图速度更快，但是会降低图像细节。

Stable Diffusion 文生图

用户意图对齐，无需人工标注，Zephyr-7B 超越 Llama2-Chat-70B

这种方法的优点是可以直接从静态数据中学习，不需要像 PPO 那样反复地与环境交互。

小型语言模型 Zephyr-7B

百万token上下文窗口也杀不死向量数据库？CPU笑了

通过Embedding过程，这些技术能够将文本、图像、音视频等多种形式的数据转换成向量形式，并将其存储在向量数据库中。

向量数据库大模型 cpu

检索增强生成(RAG)：LLM企业级应用落地的挑战与思考

(3) 构建用户画像，根据用户属性调整检索策略。

大语言模型 RAG检索增强

【语音识别】OpenAI语音力作Whisper

（个人想法：角色分离得单独做，科大讯飞有专门做这个，好像是基于聚类的思想，后续待深入了解）。

语音转文字 whisper

预训练对话大模型深度解读

2、生成式对话模型发展历史目前 AI 的发展已经历三个时代：基于规则时代，1966 年计算机发展之初，MIT 的教授基于规则研发了用于心理治疗的 Eliza，有点像我们的”正则表达式“；

最详细的文本分块(Chunking)方法——可以直接影响基于LLM应用效果

例如，sentence-transformer~[1]~模型在单个句子上工作得很好，但像text- embedt-ada -002~[2]~这样的模型在包含256或512个tokens的块上表现得更好。

RAG 大模型

LangChain 完整指南：使用大语言模型构建强大的应用程序

或者，如果您更喜欢在 Jupyter notebook 或 Python 脚本中工作，您可以像这样设置环境变量: import os os .environ[ "OPENAI_API_KEY"

langchain 大模型

关于大模型驱动的AI智能体Agent的一些思考

个人观点：我认为LLM像人脑一样需要记忆的是概念以及运用概念的能力（概念组合的方法，概念拆解的方法，概念转化的方法），LLM中的token=人脑中的概念，LLM的网络结构MLP+attention机制

大模型

深度好文，Agent盛行前传

概括能力通常是指可以整理总结过去的成功经验并且应用在新的场景上，而由于世界里状态的多变和复杂，对概括能力的需求一直巨大，比如一只以水果为主要食物的动物也许每天都会碰到一棵新的树，它也许需要在环境里快速适应，像受伤

Agent 大模型

面向知识图谱的大模型应用

3.6 集成多样的异构数据源 planner 可以集成额外的数据源，如 SQL 数据库，图像和互联网搜索引擎，并把它们作为模块化的工具可以访问 LLM。

知识图谱大模型

<...62 63 64 65 66 67 686970 71 >

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