文章列表-AI魔法学院

文章列表

复旦开源中文医疗大模型，基于百川微调，模型和数据集都公开

为了满足患者的需求，我们采取了一项创新的举措，通过人工筛选，构建了符合人类偏好的高质量小规模行为微调样本。

大模型

从0到1基于ChatGLM-6B使用LoRA进行参数高效微调

之前尝试了基于LLaMA使用LoRA进行参数高效微调，有被惊艳到。

大模型

超越Animate Anyone! 南加大&字节提出MagicPose，不需任何微调就可生成逼真的人类视频

南加州大学&字节提出MagicPose，一种新颖有效的方法，提供逼真的人类视频生成，实现生动的运动和面部表情传输，以及不需要任何微调的一致的野外零镜头生成。

MagicPose 视频

大模型微调应用实践，没那么简单，看看曾经踩过的坑

随着各大模型开源免费商用，应该会有更多的企业参与到大模型的微调应用，也许会碰到各种问题。

大模型

AutoGPT与LLM Agent解析

更多内容也可以参考我之前对于 LangChain 的一些分享：微软 365 Copilot 是如何实现的？

大模型

【一步一步引导】从零详细地梳理一个完整的 LLM 训练流程

当前，不少工作选择在一个较强的基座模型上进行微调，且通常效果不错（如：[alpaca]、[vicuna] 等）。

大模型训练

大语言模型综述<演进，技术路线，区别，微调，实践，潜在问题与讨论>

高效参数微调方法 PEFT 随着大语言模型的参数量越来越大，进行大模型的全量微调成本很高。

大模型

Prompt、RAG、微调还是重新训练？如何选择正确的生成式AI的使用方法

微调也提供了相当精确的结果，输出的质量与RAG相当。

生成式AI

大模型LLM基础｜分词

/dataset.txt --model_prefix=m --vocab_size=5000') 参考一下LLaMA和ChatGLM等大模型用的分词算法就知道目前LLM首选分词算法就是基于

开源模型

RAG 与 Finetuning，谁是提升 LLM 的最佳工具？

微调的优势在于能够使LLM的行为适应特定的细微差别、语气或术语。

训练

WeChatpy：Python中优秀的微信开发库，与微信官方接口交互的工具

如果你想在自己的应用中集成微信的功能或开发自己的微信机器人，那么WeChatpy是一个非常值得考虑的选择。

WeChatpy 开发库

七问大模型幻觉｜LLM Hallucination

为什么需要解决LLM的幻觉问题？

大模型

LLM应用架构之检索增强（RAG）的缘起与架构介绍

也正是如此，大量企业在模型争霸赛时，没有一直坚持下去，堆叠规模，而是采用了专才思路，具体看：一文探秘LLM应用开发(5)-微调(背景与挑战)，错过了人工智能的圣杯，而OPENAI坚持住了，发现了涌现，继而将我们是使用模型的方式从以

LLM

RAG超参数调优食用指南

目前构建 LLM 应用程序存在一个巨大的问题，那就是需要调整大量的参数，而且远远超出了提示范围，例如分块、检索策略、元数据等。

rag 大模型

个人从零预训练1B LLM心路历程

不过即使我在预训练里加了这部分数据，效果也是大概率比不过在qwen、llama这种大机构发布的模型基础上进行微调的。

LLM 训练

<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