文章列表-AI魔法学院

文章列表

用了一个月，终于找到点写 AI Agent 的思路

进行数据的预选，能够避免这些问题，将问题缩小在输入相关的信息上。

AI Agent Ops 运维工具

大模型时代-行业落地的再思考

而且，该阈值和预训练模型的大小，预训练时原始数据的比例等条件都息息相关，需要在实践中反复修正（这个时候就能看出scaling law的重要性了）。

大模型

通俗解读大模型微调(Fine Tuning)

Prompt Tuning Prompt Tuning的出发点，是基座模型(Foundation Model)的参数不变，为每个特定任务，训练一个少量参数的小模型，在具体执行特定任务的时候按需调用。

大模型微调

12个RAG常见痛点及解决方案

子问题:将查询分解为几个较小的问题，每个问题针对不同的工具。

RAG 大模型

一文带你认识ELMo

所谓word embedding就是一个n*1维的列向量，其中n表示embedding向量的大小；第二步：送入双向LSTM模型中，即上图中的Lstm；第三步：将LSTM的输出

embedding

摆脱 OpenAI 依赖，8 分钟教你用开源生态构建全栈 AI 应用

ensp; · 成本更低：与OpenAI的LLM服务相比，私有化的LLM允许用户在定制化的基础上，用更小的模型达到相似的效果

开源模型

深入探讨GPTs和AI Assistant

thread = client.beta.threads.create() Threads 本身并无大小限制，因此你可以在单个 Thread 对话中发送任意数量的消息（Messages

GPTs AI Assistant

栩栩如生,音色克隆,Bert-vits2文字转语音打造鬼畜视频实践

ensp;256 } } 这里需要修改的参数是batch_size，通常情况下，数值和本地显存应该是一致的，但是最好还是改小一点

Bert-vits 语音

忘掉 RAG，未来是 RAG-Fusion！搜索的下一个前沿：检索增强生成遇上倒数排名融合和生成查询

它还可以将更长、更复杂的查询分解成向量搜索可以处理的更小、更易管理的部分。

RAG-Fusion 检索增强

图解 Transformer——功能概览

然而，它们在处理长距离的依赖关系方面也有限制：卷积层中，只有图像（或文字，如果应用于文本数据）中足够接近于核大小的部分可以相互作用。

Transformer 大模型图解

Stable Diffusion

99%的人都不懂的Stable Diffusion高级功能，Negative Prompt如何正确使用?

地图编辑器中的错误或缺失：使用现实世界中的地图编辑器可以提供有用的信息，例如道路的长度、方向、建筑物的位置和大小等。

Negative Prompt 文生图

AI提示设计技巧剖析 - 29个动词助你获取更好文本生成

每个人都可以从日常生活中的小事做起，比如减少单次使用的塑料制品，选择步行或骑自行车而不是开车，关掉不必要的电灯和电器，尽可能地回收和再利用物品。

提示词文本

手把手教你认识学会LangChain

最简单的例子是，你可能想把一个长的文档分割成较小的块状，以适应你的模型的上下文窗口。

langchain

RAG 与 Finetuning，谁是提升 LLM 的最佳工具？

微调：这是采用预先训练的 LLM 并在较小的特定数据集上对其进行进一步训练的过程，以使其适应特定任务或提高其性能。

训练

请收好这12种Prompt编写模式，让不可靠的模型生成可交付的可靠结果

它们有助于缩小人机认知鸿沟，建立人类可信赖的AI系统。

prompt

<...66 67 68 69 70 71 72 737475 >

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

© 2023-2024 AI魔法学院

京ICP备20027199号-1