文章列表-AI魔法学院

文章列表

使用BELLE项目部署bloomz模型（专业程序员精简版）

中文对话大模型ELLE（BE Large Language Model Engine），基于BLOOM和LLAMA针对中文做了优化，模型调优仅使用由ChatGPT生成的数据，为中文指令提供更好的支持。

belle 训练大模型

如何微调Meta Llama-3 8B

Meta 推出了 Meta Llama 3 系列 LLM，包括 8 和 70B 大小的预训练和指令调整的生成文本模型。

Meta Llama 3 大模型

使用ChatGPT润色出高品质文章的提示词

8、更改字母大小写规范输入 “调整字母大小写规范”，可以对文章中不规范或不一致的大小写进行检测，并提供相应的调整建议。

写作大模型 ChatGPT

使用这个工具后，我将 RAG 的准确性和召回率都提高了两倍！

RAG（Retrieval Augmented Generation）是一种检索增强生成技术，它利用大型语言模型来处理用户查询，RAG 技术的主要组成包括数据提取—embedding—创建索引—检索—

RAG 大语言模型

RAG与Long-Context之争—没必要争

本质区别在于外部知识如何给到大模型，以及给多少到大模型。

RAG Long-Context 大模型

图解 Transformer——功能概览

一、引言随着大型语言模型如 ChatGPT 的横空出世，我们进入了自然语言处理（NLP）的一个新纪元。

Transformer 大模型图解

分析了数百万ChatGPT用户会话后发现的秘密

但并不表明生成式人工智能的兴趣或使用实际上正在下降：理论 A）专业/常规使用仍处于历史最高水平或不断增长；只有新用户/那些没有特定任务的检查者正在下降理论B）大量使用与功课有关

大语言模型

LlamaIndex的QueryPipeline在实现RAG应用后，Agent应用也可以实现了（附开发示例）

Agent应用可以通过QueryPipeline的方式实现吗？如果可以，它将能统一整个应用的构建模式，对于开发者来讲，会带来一致的开发体验。这个答案是肯定的，最近官方放出了一个通过QueryPipeline构建ReAct Agent示例。实际上，实现思路很直接，就是定义了AgentWorker（类似于langchain的AgentExecutor的实现，支持ReAct模式的循环）在其上实现了一些Agent特有的组件，进而基于此实现了AgentPipeline，但langchain现在已经发现了这样设计在生产条件下的限制，推出了langgraph。

Agent QueryPipeline 大模型

12个RAG常见痛点及解决方案

当实际答案不在知识库中时，RAG系统提供一个看似合理但不正确的答案，这会导致用户得到误导性信息解决方案：在由于知识库中缺乏信息，系统可能会提供一个看似合理但不正确的答案的情况下，更好的提示可以提供很大的帮助

RAG 大模型

小心你的GPTs 防守篇 - 自带六神装的高防GPTs

距离我们 GPTs 攻防的上篇发布到现在已经过去了两周，也有很多的群友积极参与了我们的攻防活动，但是截止目前还没有人破解到我们的 prompt，不少群友想要我们分享一下防守的经验，这一篇我们就来为大家带来

GPTs 大模型

LLM微调经验&认知

数据质量可能更重要，太大的数据量有可能“阉割”掉模型原有的base能力 8.

LLM 大模型

Prompt：我常用的对话技巧

这里正好给大家介绍一下我平时使用大模型的小技巧，相信有人在很多地方已经用过了。

prompt 大模型

如何提高RAG 的效果

同理，检索到的信息中如果存在冲突，或者冗余的内容时会极大的影响LM 的生成效果。

RAG 大模型

混合专家模型 (MoE) 详解

例如，在混合专家模型 (MoE) 中，尽管较大的批量大小通常有利于提高性能，但当数据通过激活的专家时，实际的批量大小可能会减少。

MoE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

<...55 56 57 585960 61 62 63 64 ...>

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