文章列表-AI魔法学院

文章列表

你是否发现ChatGPT甚至不能按字数要求回复问题？有人做了评测并讨论了可能的原因

关于如何提高：作者鼓励两个方向的探索：1）链/树/思维图推理，2）结合LLM与非自回归生成能力（如，NADO）。

大模型控制

从0到1谈谈智能客服系统的设计与实现

为了帮助大家从宏观上理解客服系统，以下列出了整体功能的架构图。

智能客服

微软打破Decoder-Only架构！大幅降低GPU内存需求，网友：把Llama3 70B弄20GB GPU上运行

一张图来看YOCO和标准Transformer的比较。

Decoder-Decoder YOCO 架构

活久见，世界上第一个被人类骗走钱的AI，刚刚出现了！

- 试图误导Freysa，让它相信转移资金并不违反规则提示中的任何规定。

Freysa 智能体

用了一个月，终于找到点写 AI Agent 的思路

如上图，服务化的 Agent 是以 API 的形式提供任务执行、环境感知的能力。

AI Agent Ops 运维工具

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

一、4个衡量RAG性能的测试任务该工作将RAG评测分为4个测试维度，如图1所示： 1、噪声鲁棒性（Noise Robustness）模型能从噪声文档中提取有用信息。

大模型 RAG检索增强

OpenAI的官方Prompt工程指南详解 - 看这一篇真的就够了

最后我会再放一张脑图，没空看的可以收藏一下文章，然后滑到最后去保存脑图。

提示词 prompt

基于LLM+向量库的文档对话痛点及解决方案

· 举例及标答如下图片来源于网络用户：根据文档内容，征信中心有几点声明？

开源模型

Python程序混淆和打包exe文件流程和方法

由于该程序没有图形用户界面，因此如果读者试图通过双击来运行该程序，则只能看到程序窗口一闪就消失了，这样将无法看到该程序的输出结果。

Python 程序

BGE M3-Embedding：智源最新发布的text embedding模型，多语言检索效果超过微软跟openai

具体情况如下图，这三种不同来源的数据相互补充，分别作用于模型不同阶段的训练，三个源头的数据量逐渐递减，但是数据数量逐渐提升。

BGE M3-Embedding 多语音检索

HAI-Chat：高效且轻量的一键式 RLHF 训练工具

如下图所示：这样，奖励模型可以用来为后续模型生成的新响应打分，从而在后续的训练中引导模型生成更符合人类偏好的内容。

HAI-Chat RLHF

两天star量破千：OpenAI的Whisper被蒸馏后，语音识别数倍加速

图源：https://twitter.com/xenovacom/status/1720460890560975103 所以，虽然刚刚发布两三天，Distil-Whisper 的 star 量已经破千

语音 HeyGen

发现一个好东西，一键本地运行各种大模型！包括最新的Qwen1.5

默认保存路径在C盘，如果要修改路径可以看下图。

Qwen1.5 大模型

AI Agent行业深度：框架拆解、应用方向、应用领域及相关公司深度梳理！

智能体模拟，力图更加拟人可信。

AI Agents 大模型

AI Agent行业深度：框架拆解、应用方向、应用领域及相关公司深度梳理

智能体模拟，力图更加拟人可信。

AI Agent 大模型人工智能

<...54 55 56 575859 60 61 62 63 ...>

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