文章列表-AI魔法学院

文章列表

检索增强生成(RAG)：LLM企业级应用落地的挑战与思考

RAG系统充分利用了检索和生成能力的结合。

大语言模型 RAG检索增强

大模型实践总结

仅编码器架构（Encoder-only）：自编码模型（破坏一个句子，然后让模型去预测或填补），更擅长理解类的任务，例如：文本分类、实体识别、关键信息抽取等。

大模型训练

NEFTune：在Embedding中加入噪⾳提⾼指令微调效果！

图1：LLaMA2-7B模型在数据集微调时，使⽤和不使⽤NEFTune的AlpacaEval胜率百分比。

NEFTune 大语言模型

用ComfyUI整了一套照片转Q版手办的工作流

在收集了一波好的功能和工作流之后就开始搞起来了。

comfyui 文生图

如何提高RAG 的效果

这个问题在使用外部搜索引擎（bing, google）获取结果时比较明显，一种可能的解决办法是对候选文档生成主题描述（类似论文的摘要），先进行支持性判断，后续可选择性的深入文档细节进行部分内容提取或其他操作

RAG 大模型

如何估计大模型所需要的显存大小？HuggingFace发布Model Memory Calculator，一键计算大模型显存需求

但是，具体每个模型消耗多少显存，需要多少资源大模型才能比较好的运行是很多人关心的问题。

大模型

实测：本地跑llama3:70B需要什么配置

前几天发布的开源大语言模型Llama 3 70B的能力通过测试结果的展示已经达到了一个全新的高度，甚至可以与Claude 3 Sonnet和Gemini 1.5 Pro等一众顶级模型相媲美，甚至在某些方面已经超过了去年发布的两款

llama GPU内存

阿里的AI一键换衣（AnyDoor）工具来了

正面的应用，是电商行业，用塑料模特的照片，换成真人，而衣服能够保持自然；负面的应用，是把正常人的衣服换成暴露的情况。

AnyDoor 换装文生图

对于大模型RAG技术的一些思考

doc类的文档相对来说还比较容易处理，毕竟大部分内容是文字，信息密度较高。

RAG 大模型

一文讲明白什么是预训练、微调和上下文学习

预训练模型作为广泛的自然语言处理任务的基础，例如文本分类、命名实体识别和情感分析。

大模型训练

回望做大模型一年后的感悟

但现在大家都在讨论“scaling law”还能不能持续下去，GPT5可能带来的能力提升是什么；chatgpt用户量增长几乎平了，productivity类的产品会不会有增长天花板，从推理成本来看chatgpt

大模型感悟

开发语音产品时设计唤醒词和命令词的技巧

命令词中字的音节较长且相邻汉字的声韵母区分度越大越好； 3.

语音产品唤醒词命令词

研究人员开源中文文本嵌入模型，填补中文向量文本检索领域的空白

由于 GPT 使用的 Transformer 模型的自身特性，导致模型只能从固定长度的上下文中生成文本。

GPT

Stable Diffusion

AI绘画巅峰对决：Stable Diffusion 3与DALL·E 3原理深度比较

这个模型套件真的很强大，参数范围从800M到8B，选择多多，无论你有什么创意需求，它都能满足你。

Stable Diffusion DALL·E

迄今为止，最强ChatGPT写论文技巧，总共6步，手把手告诉你！

可能有朋友会问了，既然ChatGPT人人都能用，大学生根本不用再找代写，分分钟可以自己整出一篇啊。

chatgpt 提示词

<...70 71 72 737475 76 77 78 79 ...>

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