文章列表-AI魔法学院

文章列表

从⼤模型到 AI 应⽤落地，工程实现有多复杂?

私有化数据接⼊：持续更新与调整⼤模型都是通过公开可⽤的数据集进⾏预训练的，对单次输⼊

大模型

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

拥有同一文档的多个版本使我们能够在模型大小和一个模型的上下文位置内获得详尽且公平的评估，因为我们本质上要求的是相同的信息。

开源模型

基于大模型（LLM）的Agent 应用开发

AutoGen 旨在为开发者提供一个有效且易于使用的框架来构建下一代应用程序，并且已经展示了构建创造性应用程序的良好机会，为创新提供了广阔的空间。

大模型 Agent

百万token上下文窗口也杀不死向量数据库？CPU笑了

其主要特点包括： § Embedding功能：数据写入/检索自动向量化，无需关注向量生成过程，这意味着使用门槛被狠狠地打了下去。

向量数据库大模型 cpu

【进阶】-文生图术语解释

打个比方，想象你的提示是一个带有可变宽度光束的手电筒，你将它照到模型的潜在空间上以突出显示特定区域——你的输出图像将从该区域内的某个地方绘制，具体取决于种子。

文生图

OpenAI 上线新功能力捧 RAG，开发者真的不需要向量数据库了？

所幸，OpenAI 的函数调用能力允许开发者无缝接入自定义的检索器，从而打破对于知识库数据量的限制，更好地适应多样化的用例。

RAG 检索向量库

SD入门教程四：图生图基础用法

图生图并不是单纯的直接由图片生成图片，原始图片只是做主体参考图，打个比喻，你要做一道经典的意大利肉酱面，这是“原图”，现在，你想尝试一种新的风味，比如将传统的肉酱换成海鲜酱。

SD 入门图生图

ViTPose+：迈向通用身体姿态估计的视觉Transformer基础模型

FFN-MoE结构表5 ViTPose+性能比较然而，不同的姿态估计数据集有不同的分布，简单通过单一模型来建模不同的姿态估计数据集会因为数据集之间的冲突造成各个数据集上的性能下降

ViTPose+Transformer 身体姿态

解读wav2lip：探究语音驱动唇部动作的技术原理！

视觉质量判别器 D 由多个卷积块组成，训练目标是最大化目标函数 L disc： 2.5 生成器训练生成器的最终优化目标是重建损失、同步损失和对抗损失的加权和，用公式表示如下

wav2lip 语音

中文LLaMA-2基座模型和Alpaca-2指令精调大模型-中文LLaMA-2以及Alpaca-2系列模型

ensp;基于NTK的自适应上下文扩展技术在一期项目中，我们实现了基于NTK的上下文扩展技术，可在不继续训练模型的情况下支持更长的上下文在上述基础上，我们进一步设计了方便的自适应经验公式

大模型

微调大型语言模型-核心思想和方法介绍

这是因为让人类参与学习过程会造成瓶颈，因为我们无法实时获得反馈。

大模型训练

AIGC系列之一-一文理解什么是Embedding嵌入技术

Embedding的目标是在大数据中体现相关性的主体，通过Embedding向量表征学习到主体的向量信息，使用向量度量公式也能体现出主体间的相关性。

AIGC Embedding 嵌入技术

【TTS语音克隆开源最强王者】5款爆火开源模型(Fish、F5、GPT、CosyVoice、MaskGCT)效果对比，等你来评!

零样本能力：F5-TTS在公共100K小时多语言数据集上训练，展示了高度自然和富有表现力的零样本能力，以及无缝的代码切换能力。

语音克隆开源模型

FaceFusion参数详解

output-video-encoder hevc_nvenc --output-video-quality 99 --face-mask-types box occlusion 1 （1.2）配置文件覆盖不想每次都打很长的命令行

FaceFusion 文生图

Stable Diffusion

Stable Diffusion 文生图全网最细详解

fingers, extra digit,bad hands, missing fingers,(((extra arms and legs))), 其中的一些细节，比如提示语的语法格式、公式

文生图 SD

<...67 68 69 70 71 72 737475 76 >

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