文章列表-AI魔法学院

文章列表

大模型微调方法总结

Adapter 方法不需要微调预训练模型的全部参数，通过引入少量针对特定任务的参数，来存储有关该任务的知识，降低对模型微调的算力要求。

开源模型

ViTPose+：迈向通用身体姿态估计的视觉Transformer基础模型

然而，对于姿态估计任务来说，这引入了额外的数据需求。

ViTPose+Transformer 身体姿态

大模型训练工程那些事

好在大模型时代的模型结构单一和收敛，这些操作系统上面仅需要适配少量几类模型即可覆盖绝大多数技术路径的需求。

训练工程大模型

llm-action：让天下没有难学的大模型

LLM分布式训练并行技术近年来，随着Transformer、MOE架构的提出，使得深度学习模型轻松突破上万亿规模参数，传统的单机单卡模式已经无法满足超大模型进行训练的要求。

大模型 LLM

依赖倒置：以数字和AI的思维模式思考

这种整体性衍生出来的两个要求是实时反馈和中心决策。

写文章

准备迎接超级人工智能系统，OpenAI宣布RLHF即将终结！超级对齐技术将接任RLHF，保证超级人工智能系统遵循人类的意志

但是，对于一个几百万行的代码系统，可能需要AI系统根据前面1000行代码的人类评估过程来推广，去自行评估这个几百万行代码的系统是否准确遵从了人类的意图且符合安全要求。

OpenAI 人工智能

【大模型微调】 Llama 2 ：对话模型的全过程微调

作者将“帮助性”定义为 Llama 2-Chat 回答是否能够满足用户的请求，“安全性”则指回应是否符合安全指导方针。

大模型

一个充满多智能体的数字社会正在浮现，商业的底层逻辑已进入重构倒计时

随后，它要求模块化输出，赋予代理人与人类专业人员相媲美的领域专业知识，以验证输出并最小化累积错误。

大模型

图解检索增强式生成（RAG）技术 | 万字长文

根据你的索引选择、数据和搜索需求，你还可以将元数据与向量一起存储，然后使用元数据过滤器来搜索特定日期或来源的信息。

检索增强式生成 RAG

美的数字化转型10年，方洪波的反思。作为领导者的高瞻远瞩与宽广胸襟！

这个用户直达是中国制造业，尤其是做消费类的制造业面临最大的挑战，就是我们离用户太远，你不了解用户的需求，你不知道用户在想什么。

工作

中文OCR超越GPT-4V，参数量仅2B，面壁小钢炮拿出了第二弹

面对逐渐增多的生成式 AI 落地需求，「清华系」创业公司面壁智能一直在致力于对语言模型进行优化，使其在同等成本下达到更好的效果。

MiniCPM 大模型

大语言模型综述<演进，技术路线，区别，微调，实践，潜在问题与讨论>

由于概率分布的数学期望是确定值，因此可以改为求输出的期望：E[mx]=xE[m]，即对输入乘上伯努利分布的期望值p=E[m]。

大模型

人工智能大语言模型微调技术：SFT 、LoRA 、Freeze 监督微调方法

冻结共享模型，并通过替换矩阵 A 和 B 可以有效地切换任务，从而显著降低存储需求和多个任务切换的成本。

大模型微调

垂直领域大模型的一些思考及开源模型汇总

同时，由于不同模型对不同类型问题解决效果并不相同，所以在真正使用阶段，采用HuggingGPT作为调度器的方式，在每次用户请求的时候去选择调用更加适配的模型。

垂直领域大模型开源模型汇总

“大模型+机器人”的现状和未来，重磅综述报告来了！

在规划阶段，DiffSkill根据任务要求，通过反向扩散过程生成平滑、自然的机器人轨迹，并交由运动控制模块执行。

论文机器人

<...55 56 57 58 59 60 616263 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