文章列表-AI魔法学院

文章列表

神奇的 OuteTTS - 0.1 - 350M：用几秒钟音频克隆声音的黑科技！

结构化提示创建（Structured prompt creation）按照特定格式创建结构化提示，如“[full transcription][word][duration token][audio

OuteTTS-0.1-350M 音频

一人搞定30万商品分类：AI落地实践故事！

由于AI推理的一定局限性和输出有token限制，我们不要一次性让它生成所有的商品分类。

embedding 大数据分类

基于 Kimi Chat 的 AI 渐进式阅读法

这导致了大量输出 token 数的浪费并且在让 AI 阅读文章，生成内容的过程中，加入大量本不属于文章内容的专有名词解释，这样的上下文可能会误导 AI 的总结效果，让 AI 产生更多的幻觉。

Kimi Chat 阅读

预训练对话大模型深度解读

论文地址：arxiv.org/abs/2109.09… 3.7 LaMDA 由Google研发，基于Decoder-Only架构，参数量137B，在2.81T的token

LLM应用架构之检索增强（RAG）的缘起与架构介绍

从上图可以看到，参数规模和训练的token数是正相关的，以gpt3为例，它有1750亿参数，其训练的token量达到了2000亿，据说包含了全球所有公开的文本信息，自然它能什么都懂就不奇怪了。

LLM

大模型套壳祛魅：质疑套壳，理解套壳

相较于 Embedding 和 Prompt 两者需要消耗大量的 Token，微调是训练大模型本身，消耗的 token 更少，响应速度也更快。

大模型套壳

2023年LLM如何入门？请看这篇综述！

ensp; 能力评估Capacity Evaluation 二、LM的四个发展阶段一般而言，LM的目标是建模单词序列的生成概率，以预测未来的或缺失的token

大模型

中国电信开源星辰AI大模型：央企中首个完成LLM研发和开源的选手诞生

这使得电信大模型的中文训练数据超过25TB，中文总token量超8万亿。

开源大模型电信

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

揭秘Baichuan 3超越GPT-4的中文实力！文心一言、GLM 4.0也甘拜下风？全方位对比测试大揭秘！

这位选手可谓是量大管饱，支持高达100k个Token（约75,000个词）的生成。

Baichuan 3 大模型

最强开源大模型Llama 3，在扎克伯格设想中其实是这样的

我们发现的一个有趣的事情是，即使有700亿个Token，我们也认为它会变得更加饱和。

Llama 3 大语言模型

OpenAI Assistants API 使用指南

] ) return thread 在 Thread 中没有限制 Message 的数量，但一旦超过 token

OpenAI Assistants API

真格基金大模型能力测试问题集---基础篇

amp; returns the stripe module; usable as stripe.Charge.create etc"""import util"""Create a Stripe token

大模型训练中文

精通结构化提示词：如何精确操控指令的作用域与优先级

多个规则导致模型需要多次交互澄清，浪费Token和次数。

提示词结构化

向量数据库失宠了？OpenAI 力捧检索增强生成（RAG）技术，对行业来说意味着什么？

再有，用户现在可以通过 API 向 OpenAI 发送其他文件，而且所能接收的上下文最多可达 128K token，相当于约 300 页的文本内容。

检索增强生成大语音模型

<...6 7 8 9 101112 13 14 15 >

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