文章列表-AI魔法学院

文章列表

领域大模型LLM训练Trick

主要与领域数据量有关系，当数据量没有那么多时，一般领域数据与通用数据的比例在1:5到1:10之间是比较合适的。

垂直训练大模型

LLM微调神器Lamini，疯狂获星1.9k，免费可用！！

LLM（大规模语言模型）的微调不再困难！！

大模型

RAGFlow：开源的RAG引擎，专注于深入的文档理解，支持处理各种复杂格式的非结构化数据

项目简介 RAGFlow是一个开源的RAG引擎，专注于深入的文档理解。

RAGFlow RAG 开源

12个RAG常见痛点及解决方案

并且将深入研究这些RAG痛点的解决方案，这样我们能够更好地在日常的RAG开发中避免和解决这些痛点。

RAG 大模型

AI+智能客服：大模型可落地的最成熟场景之一

因此我估计这个主题可能会比之前的主题引起更大的争议，但是如果从产品形态而言，我认为智能客服就是LLM可用于生产的最成熟情景之一。

ai 客服

谈谈LLM在推荐域的渗透，探索推荐新范式

微软用ChatGPT把New-Bing进行了升级之后，给了业界很大的震撼，搜索的范式发生了变化，基于大模型的生成式搜索随之引入眼帘。

大模型

Stable Diffusion

深入浅出学习Stable diffusion之线稿转效果图

4、可以叫做训练模型，别的模型是训练好了的，这个是用来反向训练的，这个内容将之后做另外讲解。

Stable Diffusion 文生图大模型

检索增强生成(RAG)有什么好的优化方案？

这种方法有一些缺点，比如无法获取长程关联知识[3]、信息密度低（尤其当LLM context window较小时不友好）。

RAG 检索增强

检索增强生成(RAG)有什么好的优化方案

这种方法有一些缺点，比如无法获取长程关联知识[3]、信息密度低（尤其当LLM context window较小时不友好）。

RAG 检索增强生成

阿里RAG新框架R4：增强检索器-重排序-响应器，5个知识密集任务上都超过Self-RAG等！

尽管检索增强的LLMs通过检索外部数据来减少这种幻觉，但现有的方法通常不考虑检索文档与LLMs之间的细粒度结构语义交互，这在处理长文档时尤其影响回答的准确性。

RAG 检索大型语言模型

2024！深入了解大语言模型（LLM）微调方法（总结）

LLM项目生命周期在介绍大模型微调方法之前，首先带大家了解一下大语言模型的项目生命周期，它大致可以分为以下几个步骤，如下图所示「1、项目目标」：首先，明确项目目标。

大模型微调

大模型检索增强生成RAG的优化

这种方法有一些缺点，比如无法获取长程关联知识[3]、信息密度低（尤其当LLM context window较小时不友好）。

RAG 检索增强大模型

对于大模型RAG技术的一些思考

但是，当公司内部真实文档导入之后，效果急转直下。

RAG 大模型

无限长的上下文，也干不掉的RAG

之前有一个论调，说如果大模型支持足够长的上下文内容时候，是否就不在需要向量库。

RAG 大模型

RAG模型的主要痛点和解决方案

- 设计一个验证头网络，以在生成之前明确验证声明。

rag 大模型

<1 2 3 456 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