文章列表-AI魔法学院

文章列表

个人从零预训练1B LLM心路历程

除此之外，本文会侧重介绍在做各部分内容的时候笔者遇到的问题、回过头来的思考、以及群友/读者问到过的技术细节。

LLM 训练

大模型RAG检索增强问答如何评估：噪声、拒答、反事实、信息整合四大能力评测任务探索

检索增强生成（RAG）是减轻大型语言模型（LLM）幻觉的一种有前途的方法。

大模型 RAG检索增强

AI大模型LLM可以帮助企业做什么？

毕竟，自从ChatGPT，这个大模型LLM的领军模型惊艳亮相以来，我感觉它几乎可以应付一切。

大模型

通往AGI之路：什么是结构化提示词

结构化的定义是信息+有序的规则。核心的落脚点在于有序，比如我们常见的文章目录结构，词典以及有排序属性的数据。这些信息因为有了顺序，可以很方便的被我们检索和利用。常见的结构化数据，比如我们常写的文章，计算机编程中常用的 Json，Yaml，Xml，Markdown 等都是结构化的。

提示词结构化

简单提升RAG的10种方法

RAG（检索增强）通过为LLM提供回答查询时使用的事实背景，使LLM变得更加实用。

RAG 大模型

谈谈RAG存在的一些问题和避免方式

我觉得去研究和实践基于LLM的应用更实际，而RAG就是非常好的一个方向，这对于很多企业来说是刚需。

RAG 大模型

如何提高RAG 的效果

写在前面 LLM+RAG 构建很简单，使用开源项目langchain几行代码就搞定，但简单的构建过程不意味着很好的效果。

RAG 大模型

检索增强生成 (RAG):What, Why and How?

被问及超出其知识范围或在知识截止日期之后发生的事件时，模型会产生幻觉高。

检索增强大模型

llm-action：让天下没有难学的大模型

LLM训练 LLM训练实战下面汇总了我在大模型实践中训练相关的所有教程。

大模型 LLM

ChatPDF | LLM文档对话 | pdf解析关键问题

没有处理过LLM文档对话的朋友可能不明白为什么要提取标题甚至是多级标题，因此我先来阐述提取标题对于LLM阅读理解的重要性有多大。

大模型

基于大模型（LLM）的Agent 应用开发

目前，业界一般认为基于大模型的应用集中在两个方向上：RAG 和 Agent，无论哪一种应用，设计、实现和优化能够充分利用大模型(LLM)潜力的应用都需要大量的努力和专业知识。

大模型 Agent

Stable Diffusion

Stable Diffusion基础：ControlNet之图片高仿

还有之前看很多文章说，Reference 可以一定程度上代替Lora，真的是这样吗？

文生图

Stable Diffusion

Stable Diffusion基础：ControlNet之细节替换

本文继续给大家分享 Stable Diffusion 的基础能力：ControlNet之细节替换，今天的主角是 Tile。

StableDiffusion 文生图

Stable Diffusion

Stable Diffusion基础：ControlNet之身份标识

本文给大家分享一个新的ControlNet类型：Instant ID，翻译为身份标识，核心能力是由国内的小红书团队开发的。这个ControlNet可以提取人的面部信息，然后在生成的人物图片中使用此面部。实测效果完全可以代替Lora模型，也就是我们不用再费劲吧啦的训练人物形象Lora了，只需要人物的一张正面照片，就可以直接出图了。

ControlNet 文生图

必读！RAG好用的3种Router

例如：写代码的Code-LM、做数学的meta-math,做图文多模态的Macaw-llm等等。

RAG Router

<1 234 5 6 7 8 9 10 ...>

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