文章列表-AI魔法学院

文章列表

AI出题，做不完，根本做不完

nbsp; "打招呼": "介绍<简介>" } 在这个例子中，我们通过“简介”来声明角色；通过“系统”来定义针对用户输入的处理规则，包括要求用户输入的信息以及返回格式

大模型提示词试题

让 AI 更懂你的 Prompt 提示词宝藏网站-FlowGPT

我们增加一下预设角色（提示词），然后再让以这个主题重新生成一篇小红书文案：你是一名小红书博主，你的任务是根据我的提示词或描述生成小红书风格的文案：包括标题和内容。

prompt 提示词 FlowGPT

Prompt屠龙术-思维链

# 输出格式: 每一步骤完成后以文本形式输出其结果，包括主题扩展的详细描述、人物档案、情节概要、章节草稿和最终修订稿。

Prompt 思维链

领域大模型-训练Trick&落地思考

但这对现有领域模型是十分困难的，所以在哪些场景上来用大模型是很关键的，并且如何将模型进行包装，及时在模型能力不足的情况下，也可以让用户有一个很好的体验。

垂直训练大模型

链接大模型与外部知识，智源开源最强语义向量模型BGE

鉴于当前中文社区缺乏全面的评测基准，智源团队发布了当前最大规模、最为全面的中文语义向量表征能力评测基准C-MTEB (Chinese Massive Text Embedding Benchmark)，包含

embedding 语义向量

9.4k Star！MemGPT：伯克利大学最新开源、将LLM作为操作系统、无限上下文记忆、服务化部署自定义Agent

▲ MemGPT（左）在收到有关上下文空间有限的系统警报后将数据写入持久内存 MemGPT通过将内存分为两个主要层进行操作:“主要上下文”，它包括LLM正在处理的直接数据，以及“外部上下文

MemGPT 大语言模型

LLM应用架构之检索增强（RAG）的缘起与架构介绍

首先它应该是生成式的，第二它的模型规模要足够大，这里的规模包含了参数规模和数据规模。

LLM

大模型套壳祛魅：质疑套壳，理解套壳

Transformer 的原始架构包含两个核心组件——编码器（Encoder）与解码器（Decoder），编码器负责理解输入文本，解码器负责生成输出文本。

大模型套壳

被低估的面壁：打造出不输 OpenAI 的 Scaling Law 曲线

“Predicting Emergent Abilities with Infinite Resolution Evaluation”被接收，引起了海内外多个关注“Scaling Law”的团队讨论，包括

Grok-1 开源模型

解读OpenAI Sora文生视频技术原理

然而仅仅从时空碎片的表象上是获取不到足够捕获其内在规律的信息的，未来人类科学家们可以将他们长期殚精竭虑探索的领域，包括但不局限于物理化学生物等等学科的范畴，可视化为图像或视频，交给视频生成大模型去学习，

sora

Yann LeCun杨立昆最新观点：AGI不存在

维基百科是众包的，因为它有效。

AGI 大语言模型观点

GitHub上的RPA小工具，可以将重复、繁琐的任务自动化

使用pandas库：pandas是一个功能强大的Python数据处理库，可以用来读取、写入和操作各种数据结构，包括表格数据。

RPA 自动化

手把手教你本地部署清华大学KEG的ChatGLM-6B模型——Windows+6GB显卡版本和CPU版本的本地部署

量化的预训练文件下载地址：https://huggingface.co/THUDM/chatglm-6b-int4/tree/main 需要注意的是，在GitHub上，官方提供了模型在清华云上的下载地址，但是那个只包含预训练结果文件

提示词 prompt chatgpt

实操：基于 Ollama+AnythingLLM 的 AI 超级阅读法

在第一步的 prompt 里，为了更好地了解内容，我让大模型帮我总结了书籍的元数据，包括标题、作者和标签；一句话总结内容，再写了摘要，我只要阅读这部分，就可以大概知道文档讲的是什么

Ollama AnythingLLM 阅读

【工具书】文生图Midjourney最全prompt提示词分类对照表

studded garter belt 吊袜带 sock dangle 大腿系带 thigh strap 腿部花边环 leg_garter 包扎腿

提示词 prompt 文生图

<...64 65 66 67 686970 71 72 73 >

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