文章列表-AI魔法学院

文章列表

【万字长文】LLaMA, ChatGLM, BLOOM的参数高效微调实践

因此，基座模型的性能是至关重要的，如果基座模型的性能不够好，指令微调和强化学习也难以取得很好的效果。

大模型微调训练

SD入门教程三：采样器及参数调整

以下是各种采样方式的出图效果： · Euler a速度和质量都非常不错,适合快速出图,但是要注意自己的提示词,因为快也很容易出一些崩坏图； · ·

SD 入门教程

最新最强开源模型Qwen3本地运行指南！Windows+ollama+chatwise轻松搞定

如果你之前已经安装过了，那么操作就非常简单了。

Qwen3 开源模型

解读wav2lip：探究语音驱动唇部动作的技术原理！

在训练阶段，将该专家判别器保持冻结状态，保证判断结果不受伪影的干扰。

wav2lip 语音

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>

从结果来看，虽然LLaMA-13B模型参数量只有GPT3的不到1/10，但在大部分任务上效果都超过了GPT3。

大模型

Stable Diffusion

stable diffusion最全18种controlnet模型，详细教程讲解。

首先要转二次元得有二次元大模型，其次要反推之前真人照片的提示词，要到图生图里去做，效果好一点。

Stable Diffusion 文生图 controlnet

Stable Diffusion

这篇深入浅出帖助你早日实现Stable diffusion自由

我们对AI提的要求其实就是提示词 Prompts ，如果AI没有达到想要的效果，就不断补充、说明，多试几次总有一次可以抽到想要的效果～虽说AI是人工智能，但它和人类智慧还是有一定差距的，有时候你会发现即使提示词已经给了很多

AI图片

Stable Diffusion

AI绘画巅峰对决：Stable Diffusion 3与DALL·E 3原理深度比较

这个框架不依赖复杂的模拟或对数似然估计，而是直接处理生成目标概率路径的向量场。

Stable Diffusion DALL·E

向量数据库失宠了？OpenAI 力捧检索增强生成（RAG）技术，对行业来说意味着什么？

在此之前，如果想要开发基于大语言模型（LLM）的应用，首先需要保证该应用能够识别相关数据（即存放在防火墙之后、或虚拟私有云之内的数据），这就需要用到 LangChain、Llamaindex 以及纯向量数据库等一整套工具组合

检索增强生成大语音模型

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！

这为前端开发带来了一场自动化革命，其中多模态大型语言模型（LLMs）有望直接将视觉设计转换为代码实现。

设计转代码大模型

摆脱 OpenAI 依赖，8 分钟教你用开源生态构建全栈 AI 应用

; 成本更低：与OpenAI的LLM服务相比，私有化的LLM允许用户在定制化的基础上，用更小的模型达到相似的效果。

开源模型

点评：六大向量数据库

这些数据库以其高效的向量检索和相似度搜索功能，为各种应用场景提供了强大的支持。

向量数据库

Stable Diffusion

Stable Diffusion API

如果有任何问题，请参阅 wiki。

文生图 SD

大模型LLM基础｜分词

基于机器学习的分词基于机器学习的分词方法通常使用诸如条件随机场(CRF)、长短时记忆(LSTM)等算法，学习从标注的语料库中推断分词的模式。

开源模型

LLM之RAG实战（五）| 高级RAG 01：使用小块检索，小块所属的大块喂给LLM，可以提高RAG性能

如果我们可以基于更小、更有针对性的块进行嵌入/检索，但仍有足够的上下文供LLM合成响应，该怎么办？

RAG 检索

<...59 60 61 626364 65 66 67 68 ...>

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