文章列表-AI魔法学院

文章列表

摆脱 OpenAI 依赖，8 分钟教你用开源生态构建全栈 AI 应用

为了让计算机能够理解和处理这些非结构化数据，这些数据会被转换成向量，使用嵌入技术。

开源模型

阿里出品自动化视频剪辑工具FunClip！

; 自动化语音识别：通过使用阿里巴巴通义实验室的FunASR Paraformer系列模型，FunClip能将视频中的语音内容转换为文本

FunClip 视频阿里

60分钟吃掉ChatGLM2-6b微调范例~

值得注意的是，尽管我们以文本分类任务为例，实际上，任何NLP任务，例如，命名实体识别，翻译，聊天对话等等，都可以通过加上合适的上下文，转换成一个对话问题，并针对我们的使用场景，设计出合适的数据集来微调开源

开源模型

AI落地里那些假的机会

需要围着品牌渠道打，不能围着技术转。

大模型

最新最全的开源中文大语言模型列表

FlagAI-Open/FlagAI/tree/master/examples/Aquila 简介：由智源研究院发布，Aquila语言大模型在技术上继承了GPT-3、LLaMA等的架构设计优点，替换了一批更高效的底层算子实现

大模型

Stable Diffusion

AI绘画巅峰对决：Stable Diffusion 3与DALL·E 3原理深度比较

Latent Diffusion Transformer（DiTs）换掉扩散模型中的 U-Net 结构。

Stable Diffusion DALL·E

ChatGPT提示工程5篇合集(五)：ChatGPT提示工程 - 邮件回复、营销文案

所以看起来还不错，但如果您看基础部分，刀锁定的部分看起来不如几年前的版本那么好，但我打算对其非常温柔（例如，我会先在搅拌机中捣碎像豆子、冰、米等非常硬的物品，然后将它们粉碎成我想要的份量，然后切换到打蛋器刀片制作更细腻的面粉

prompt 提示词

检索增强生成(RAG)有什么好的优化方案？

具体流程是：根据query抽取实体，然后把实体作为种子节点对图进行采样（必要时，可把KG中节点和query中实体先向量化，通过向量相似度设置种子节点），然后把获取的子图转换成文本片段，从而达到上下文增强的效果

RAG 检索增强

检索增强生成(RAG)有什么好的优化方案

具体流程是：根据query抽取实体，然后把实体作为种子节点对图进行采样（必要时，可把KG中节点和query中实体先向量化，通过向量相似度设置种子节点），然后把获取的子图转换成文本片段，从而达到上下文增强的效果

RAG 检索增强生成

微软Phi-3、Mixtral 8x22B等小模型过拟合，三分之二存在数据污染

School Arithmetic · 论文链接：https://arxiv.org/pdf

过拟合小模型

AI Agent / 智能体观察笔记（下）

任务指定器会把用户的要求转换成一个具体、专业的提示词，然后两个智能体自主交流协作，最后把结果给到用户。

大模型

Python程序混淆和打包exe文件流程和方法

一、混淆 PyObfuscate是一个用于混淆Python代码的库，它的主要作用是将Python代码进行转换，使其更难以阅读和理解。

Python 程序

你要牢记的四个常用AI提示词框架：ICIO、CRISPE、BROKE、RASCEF，有助于获取更加稳定和高质量的内容

数据处理与转换：当用户需要 AI 处理特定的数据并按照特定格式输出时，如数据清洗、文本翻译或图像转换。

大模型提示词

大模型业务应用中数据准备的要求、难点及解决思路

简单来说，感知类场景就是“能听会看”，指的是有明确的规则，不需要理解复杂的逻辑即可完成任务的场景，比如OCR图片识别、语音转写、文本情绪判断等；而认知类场景要求的是“能思考、会创造”，需要在感知场景要素的基础上

大模型

Stable Diffusion

这篇深入浅出帖助你早日实现Stable diffusion自由

AI通过深度学习的方式，将很多不同的图像都转换成了这样的抽象内容，并逐渐开始理解了这个“扩散”的过程，每学一张图，它就会通过一些方式提取图像里的信息特征，并和它的原图建立关联。

AI图片

<...30 31 32 333435 36 37 38 39 ...>

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