文章列表-AI魔法学院

文章列表

一文探秘LLM应用开发-Prompt(相关概念)

对于模型来讲，我们仍然可以以这样人类熟悉的方式与模型进行交互，让它按照我们的预期工作，这就是上下文学习（In-Context-Learning），缩写为ICL。

prompt 大模型

openpose原理及安装教程（姿态识别）

OpenPose是一个用于实时多人姿态估计的开源库，它可以检测图像或视频中的人体关键点，并且能够识别不同的身体部位和动作。

行为识别姿态识别

停用词(Stop Words)的价值、收集与使用

这个倒排索引看起来，不仅不会提升检索速度，反而会增加检索的复杂度——随着文档库的规模增加，倒排的作用会逐渐由负变正的。

停用词

【爆肝整理】500+ AI 最佳提示词

给我写一个（产品或服务）的模板销售宣传。

提示词

【CLIP系列Paper解读】CLIP: Learning Transferable Visual Models From Natural Language Supervision

作者随即在互联网上采集了4亿个（text，image）对，准备开始训练模型。

OpenAI 自然语言监督

Python程序混淆和打包exe文件流程和方法

模块还依赖其他模块，pip 在安装 PyInstaller 模块时会先安装它的依赖模块。

Python 程序

自动优化Prompt：Automatic Prompt Engineering的3种方法

常规生成模式，提供一些任务examples，让LLM在最后生成prompt。

prompt 大模型

完整ChatGLM3部署教程，支持手机和车载平台部署

ChatGLM3cd ChatGLM3 然后使用 pip 安装依赖： pip install -r requirements.txt 其中 transformers 库版本推荐为

ChatGLM3 大模型

RAG从入门到精通-RAG简介

前言 RAG（Retrieval Augmented Generation,检索增强生成）是一个将大规模语言模型(LLM)与来自外部知识源的检索相结合的框架,以改进问答能力的工程框架。

rag 大模型

最详细的文本分块(Chunking)方法——可以直接影响基于LLM应用效果

本文主要内容： RAG中涉及的技术环节什么是分块分块需要考虑的四种因素分块的多种方法 RAG是一个考验技术的工作这两周发的文章大模型偏多，但如果你有阅读过前面的文章

RAG 大模型

GitHub工程师分享开发Copilot所采用的提示词工程

如果这两个领域之间没有被正确映射，例如，没有在提示词中告知响应应该被作为“一个有用的 IT 专家”生成的内容返回，那么返回的响应可能会很一般。

开源模型

语义检索系统[全]：基于Milvus+ERNIE+SimCSE+In-batch Negatives样本策略的学术文献语义检索

在召回阶段，最常见的方式是通过双塔模型，学习Document(简写为Doc)的向量表示，对Doc端建立索引，用ANN召回。

开源模型

3 个令人惊艳的 GitHub 开源项目，诞生了！

那些经 AI 之手创作的图像，艺术风格极具创意且逼真形象。

开源模型

摆脱 OpenAI 依赖，8 分钟教你用开源生态构建全栈 AI 应用

(也被称作自回归Transformer 模型)大语言模型，Llama 2-Chat 针对聊天对话场景进行了微调，采用了监督微调（SFT）和人类反馈强化学习（RLHF）进行了迭代优。

开源模型

Giraffe：世界上第一个商业可用的32K长上下文开源LLM（基于Llama-2）

我们对如何改善这种影响有一些想法，并计划在未来的工作中进行。

开源模型

<...62 63 64 656667 68 69 70 71 ...>

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