文章列表-AI魔法学院

文章列表

领域大模型-训练Trick&落地思考

目前还没有一个准确的答案，BloombergGPT（从头预训练）预训练金融和通用数据比例基本上为1:1，ChatHome（继续预训练）发现领域：通用数据比例为1:5时最优。

垂直训练大模型

【进阶】-文生图术语解释

由于链接库问题，目前/预计未来在 win 不可用损失# 一种衡量指标，用于衡量模型的预测偏离其标签的程度。

文生图

AI颠覆的第一个体育赛道，来了

此外，AI视觉系统在沙滩排球项目中用于跟踪和预测球的运动轨迹，提高了判定的准确性。

体育 AI

一文读懂AIGC产业链：AIGC的前世今生和未来展望

AIGC内容产生的逻辑： AIGC落地各行业和应用场景： AIGC对各行业赋能的市场规模增长预测： AIGC商业化落地思路： AIGC产业分类在我国的AIGC

生成式AI

天塌了，Scaling Law 已撞收益递减墙？OpenAI 在内，所有大模型都正遭遇巨大瓶颈

测试代号为 Orion 的新模型的 OpenAI 员工发现，尽管它的性能超过了 OpenAI 的现有模型，并且只完成了 20% 的训练就达到了 GPT-4 的水平，但与从 GPT-3 到 GPT-4

Scaling Law AI大模型

从零开始学习大模型-第一章-大模型简介

选择预训练模型：首先，你需要选择一个适合你任务的预训练大模型。

大模型从零开始

来自Microsoft Build 2023：大语言模型是如何被训练出来的

语言模型的训练就是根据这个数据，来预测。

大模型

贝叶斯定理的颠覆：为什么你永远说服不了阴谋论者？

假定朋友继续掷骰子5次，并成功预测出5次的结果。

贝叶斯定理

手把手带你微调一个自己的 ChatGLM2-6B 模型

ChatGLM2-6B 使用了 GLM 的混合目标函数，经过了 1.4T 中英标识符的预训练与人类偏好对齐训练，评测结果显示，相比于初代模型，ChatGLM2-6B 在 MMLU（+23%）、

ChatGLM2-6B

OpenAI 无需向量化的 RAG 新架构设计范式剖析

· 可扩展性有限：对于极其庞大的文档集合，传统预处理（比如：向量化）可能仍然更高效。

OpenAI RAG 架构

Stablediffusion3论文下载-确定了Stablediffusion3与Sora的架构是一致的

我们的结果表明，这些指标与验证损失之间存在很强的相关性，这表明后者可以很好地预测模型的整体性能。

SD 论文

链接大模型与外部知识，智源开源最强语义向量模型BGE

Benchmark)，包含6大类评测任务和31个数据集，为评测中文语义向量的综合表征能力奠定可靠的基础，全部测试数据以及评测代码已开源。

embedding 语义向量

大模型：泛化即智能，压缩即一切！

在人工智能领域，通俗地说，泛化是指模型在训练数据中学习到的共性，这样在面对从未见过的数据时就能够具备很好的预测能力。

泛化大模型

冲击传统模特，商汤发布高质量虚拟试衣Diffusion模型

在对齐阶段，将衣物无关的分割图与密集姿态结合起来，然后与衣物一起输入到对齐网络中，预测出一个外观流场来对齐衣物。

文生图

用AI生成PPT、用AI优化PPT!

我在手机端生成了一个婚纱摄影方案，老实说，惊艳到我了，比预期的要好。

AI ppt

<...17 18 19 202122 23 24 25 26 ...>

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