文章列表-AI魔法学院

文章列表

用户意图对齐，无需人工标注，Zephyr-7B 超越 Llama2-Chat-70B

该研究目标是创建一个与用户意图更符合的小型语言模型。

小型语言模型 Zephyr-7B

10个具有代表性的AI-Agents，将如何改变互联网/重塑Web3

基于以上两个关键构成，事实上，生成式代理的整体行为分为【记忆与检索】【反思】【规划与反应】三大部分构成，具体可以参考原论文内容。

开源模型

ChatGLM3-6B：新一代开源双语对话语言模型，流畅对话与低部署门槛再升级

更强大的基础模型： ChatGLM3-6B 的基础模型 ChatGLM3-6B-Base 采用了更多样的训练数据、更充分的训练步数和更合理的训练策略

ChatGLM3 语音模型开源模型

混合专家模型 (MoE) 详解

这导致了批量大小的不均匀分配和资源利用效率不高的问题。

MoE大模型

AI Agent / 智能体观察笔记（上）

智能体和自动化生产制造的区别自动化生产制造所基于的外部环境是充分限定的，制造苹果手机的工序流程是标准的，过程中通过自动化的方式代替一部分人力操作提高效率，所有环节都要尽可能充分可控。

大模型

大模型：泛化即智能，压缩即一切

当然同时还有一点十分关键：就是测试分布和训练分布必须保持一致，只有在这种情况下，监督学习理论才能发挥作用。

大模型泛化

推荐智能体：利用大模型进行交互式推荐

此过程确保提供的推荐与用户当前的意图相关,并符合其整体偏好和品味。

大语言模型推荐

RLHF 在 Text2SQL 领域中的探索

91.2，EM 得分第一也是 MiniSeek 提交的 81.5，因为运用了 GPT-4 以及一些其他的 trick，所以得分最高。

Text2SQL RLHF

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

为了使文档不包含事实错误，手动修改了答案并替换了文档中的相应部分。

大模型 RAG检索增强

斯坦福宣布前端开发要失业了？！一张截图生成代码，64%优于原网页！

例如，使用GPT-2分词器对抓取的代码文件进行分词，平均每个文件的令牌数为31215.6，涵盖了84种标准HTML5标签。

设计转代码大模型

大语言模型微调：定制自己的微调数据集

数据样本应该充分，以确保模型能够准确地学习特定任务的格式和规律。

大模型

45个 DALL-E 3 使用案例 (附提示词)

提示词：为一本儿童读物绘制生动的场景，场景设定在[特定的环境，如 "神奇的森林"]，主角是[特定的人物，如 "友好的小龙和好奇的小女孩"]，他们正在进行[特定的活动或互动，如 "在巨大的蘑菇下分享故事

DALL-E 提示词文生图

停用词(Stop Words)的价值、收集与使用

引言我刚开始接触自然语言处理时，做的第一个练手任务是文本分类。

停用词

10大Midjourney描述词网站，让你Ai创作随心所欲！

关键词描述：日本机器人艺伎的写实肖像画与汉字符号和贴花，辛烷值渲染，复杂的细节，4k，虚幻引擎5，机器，irobot 为了验证，我将复制的关键词放入

描述词文生图

GitHub上的RPA小工具，可以将重复、繁琐的任务自动化

可以使用文件读写操作、字符串处理等功能来实现自动化的数据读取和处理。

RPA 自动化

<...46 47 48 495051 52 53 54 55 ...>

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