文章列表-AI魔法学院

文章列表

如何最简单、通俗地理解Transformer？

首先，Transformer引入的自注意力机制能够有效捕捉序列信息中长距离依赖关系，相比于以往的RNNs，它在处理长序列时的表现更好。

Transformer 大模型

字正腔圆,万国同音,coqui-ai TTS跨语种语音克隆,钢铁侠讲16国语言

此外，通过在训练过程中使用多个讲话者的语音数据，并引入自动编码输入来帮助稳定注意力，进一步扩展了模型的规模，使其能够在所有训练过程中看到的语种中一致地合成可理解的语音，包括训练讲话者的本地口音或外国口音

coqui-ai TTS 语音

深度对比丨探索LLM（大模型）部署服务的七大框架差异

负载均衡器在各个之间有节点之间有效分配传入请求，从而缩短应用程序响应时间。

大模型

AI产品经理视角：如何构建人工智能产品

例如，如果您正在开发虚拟助手，您的用户体验设计师将必须了解提示工程才能创建自然的用户流程。

大模型产品经理

什么是BERT？

在这过程中并不需要对BERT进行任务特定的结构修改。

embedding

【AI科技大创意】2024年人工智能10大趋势

人工智能最终将在来年解锁语音优先的应用程序，特别是在伴侣和生产力类别中。

人工智能趋势

谈谈LLM在推荐域的渗透，探索推荐新范式

如上图所示，一个完整的推荐系统包含召回、排序（粗排、精排、重排、端排序）、业务过滤层等几个重要的逻辑分层。

大模型

对于大模型RAG技术的一些思考

Excel也还好处理，本身就是结构化的数据，合并单元格的情况使用程序填充了之后，每一行的信息也是完整的。

RAG 大模型

大模型的最大bug，回答正确率几乎为零，GPT到Llama无一幸免

新研究假设这种排序效应是由于逆转诅咒造成的。

大模型

秒懂AI-深度学习五大模型：RNN、CNN、Transformer、BERT、GPT简介

1、RNN（循环神经网络）时间：20世纪90年代关键技术：循环结构和记忆单元处理数据：适合处理时间序列数据应用场景：自然语言处理、语音识别、时间序列预测等 RNN是一种神经网络模型，它的基本结构是一个循环体

大模型学习

检索增强生成(RAG)：LLM企业级应用落地的挑战与思考

但搜索过程计算量大，实时性略差。

大语言模型 RAG检索增强

OpenAI视频模型Sora的推理生成成本多高？

Frame">而 Diffusion Transformer 把整个 video 切成 m*n*t 三维的 patch （仍是 RGB 像素空间）阵列后，经过空间映射会得到 latent 空间中的一维序列

Sora 推理算力

一个小妙招从Prompt菜鸟秒变专家！加州大学提出PromptAgent，帮你高效使用ChatGPT！

但对于大部分公司来说，prompt工程师是请不起的，怎么办呢？

PromptAgent 大模型

写好Prompt要记住这六点！

在我们开始详细分解并深入探讨这个公式之前，有一点非常关键，那就是我们必须认识到解题过程中顺序的重要性，就像制作精美菜肴时对配料加入顺序的严谨把控，值得注意的是，并不是每一个步骤都是严格必须的，有些可以视具体情况进行省略或调整

prompt 写作

图解大模型训练之：张量模型并行(TP)，Megatron-LM

其中： · b：batch_size，表示批量大小 · s：sequence_length，表示输入序列的长度 · h：hidden_size，表示每个token向量的维度

开源模型

<...23 24 25 262728 29 30 31 32 ...>

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