文章列表-AI魔法学院

文章列表

AI颠覆的第一个体育赛道，来了

据报道，人工智能技术的发展速度令人惊叹，OpenAI推出的Sora和Plaier平台等工具正在改变体育界的面貌。

体育 AI

如何使用 Megatron-LM 训练语言模型

数据加载 Megatron-LM 带有一个高效的 DataLoader，其中数据在训练前被 tokenize 和 shuffle。

开源模型

大模型应用的10种架构模式

对于刚入门的用户，可以选择使用预先构建的服务，如 GPTCache，或者使用常见的缓存数据库，如 Redis、Cassandra、Memcached来运行自己的服务。

大模型架构

RAG与Long-Context之争—没必要争

RAG的本质是通过用户问题从数据库/知识库中找到相关片段内容，再利用大模型查找或总结出答案。

RAG Long-Context 大模型

一文看懂RAG：大语言模型落地应用的未来

处理大量和多样化的数据：RAG可以处理和理解庞大的数据集，如维基百科或其他专业数据库。

rag 检索增强

LangChain: LLM 应用聚焦的两大方向，RAG 和 Agents

LLM 的能力，这其中就包括了外部向量数据库、外部知识图谱、甚至直接把现有的 ES 接入，或者干脆把现有的生产环境下的搜索引擎接入等方式。

大模型

Agent：OpenAI的下一步，亚马逊云科技站在第5层

我们知道，在生成式AI爆发之后，向量数据库也实在火爆不已。

开源模型

大模型在金融行业的应用场景

应用场景知识库/知识问答知识库目前是大模型落地最多的场景，也是其他业务的基石。

大模型金融应用

TrOCR——基于transformer模型的OCR手写文字识别

该数据集包括数亿张打印文本行的图像。

OCR 手写文字识别

大模型时代-行业落地的再思考

，或者利用外挂数据库的方式。

大模型

图解检索增强式生成（RAG）技术 | 万字长文

在实际运行时，我们使用相同的编码器模型将用户的查询转换成向量，然后对这个查询向量进行搜索，针对索引找到前 k 个结果，从数据库中检索相应的文本段落，并将它们作为上下文输入到 LLM 的提示中。

检索增强式生成 RAG

Langchain中改进RAG能力的3种常用的扩展查询方法

使用扩展后的查询将从向量数据库中获取更多相关文档。

检索增强生成 Langchain

WSL2安装（详细过程）

learn.microsoft.com/en-us/windows/wsl/about 适用于 Linux 的 windows 子系统允许开发人员直接在 Windows 上运行 GNU/Linux 环境 -- 包括大多数命令行工具

虚拟化 docker

从⼤模型到 AI 应⽤落地，工程实现有多复杂?

私有化数据接⼊：持续更新与调整⼤模型都是通过公开可⽤的数据集进⾏预训练的，对单次输⼊

大模型

LLM应用架构之检索增强（RAG）的缘起与架构介绍

从架构图上可以看到，除了LLM，编排服务外，向量数据库十分重要，它不仅保存了从领域知识库中导入的被embedding的领域知识外，还存储着用户与大模型对话的信息，被称作memory。

LLM

<...22 23 24 252627 28 29 30 31 ...>

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