文章列表-AI魔法学院

文章列表

改进召回（Retrieval）和引入重排（Reranking）提升RAG架构下的LLM应用效果

1）基于LLM的召回或重排在逻辑概念上，这种方法使用 LLM 来决定哪些文档/文本块与给定查询相关。

大模型

玩转大模型必备：milvus向量数据库私有化安装部署及使用介绍

Milvus通过运行: docker-compose up -d 运行docker-compose up 命令后会下载三个镜像 etcd 、minio还有milvus 这个也很好理解

向量数据库

自从prompt用了示例演示，GPT的输出稳定性达90%

示例是prompt的具体化，它们为GPT提供了更具体的参考例子，使其能更准确地理解用户的意图。

prompt 提示词

手把手带你微调一个自己的 ChatGLM2-6B 模型

但当前版本的 ChatGLM2-6B 对单轮超长文档的理解能力有限，我们会在后续迭代升级中着重进行优化。

ChatGLM2-6B

目前大语言模型的评测基准有哪些？

着眼于综合评价大模型的能力，使其能全面地测试大模型的效果，又能考察模型在中文特有任务上的理解和积累，SuperCLUE从三个不同的维度评价模型的能力：基础能力、专业能力和中文特性能力。

人工智能评测大模型

开源的大模型数据集

大模型训练数据集的质量是提升大模型效果最有效的途径，也是最苦最累的脏活，积累前人已经整理开源的数据集，站在数据集巨人的肩膀上，持续迭代大模型。

开源模型数据集

Prompt提示优化工具

bestprompts 按照职业和主题查看已有的ChatGPT提示词。

prompt 提示词

4种通过LLM进行文本知识图谱的构建方法对比介绍

但是对于知识图谱的创建是一个很复杂的过程，比如需要对属性增加限制，创建符合特定主题/模式的图谱，并且有时文档非常大，无法作为单个提示处理，所以在切分后的提示中创建的图谱需要前后一致。

知识图谱大模型

什么情况用Bert模型，什么情况用LLaMA、ChatGLM类大模型，咋选？

NLU（自然语言理解）任务效果很好，单卡GPU可以部署，速度快，V100GPU下1秒能处理2千条以上。

大模型

OmniVision - 968M：小巧精悍的视觉语言模型，释放多模态边缘计算强大潜能

二、技术原理 1.

OmniVision -968M 多模态模型

AIGC沸腾200多天后，投资人达成三大共识

AI市场格局发生新变化，创投圈的关注点再次被锁定。

大模型

ComfyUI安装及生成第一张图

第3步：下载 Checkpoint 模型您需要一个检查点模型才能开始使用 ComfyUI。

ComfyUI 文生图

应用编排的未来是Pipeline，LlamaIndex开发预览版推出Query Pipeline，提升应用开发的灵活性

传统做法是固化召回，粗排，精排等环节，形成标准的推荐系统处理流程，虽然有利于行业内交流沟通，但这样的方式，在实际生产环境下往往难以快速应对差异化的需求且人为导致模块的割裂及维护的困难，而笔者曾开源了一个

Query Pipeline 大模型

取代 Vue 和 React？25 年码龄程序员不满 Web 现状创建新框架 Nue JS，能将代码量减少 10 倍！

这是一款新的 JS 运行时、捆绑器、测试运行器外加 NPM 兼容型包管理器。

开源模型

智能知识图谱SmartKG和pySmartKG简介

它可以应用于自然语言处理（NLP）、大数据分析挖掘（Big Data Mining）、智能问答（Intelligent Q&A）、机器人智能对话（Robot Intelligence Dialogue

知识图谱

<...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