文章列表-AI魔法学院

文章列表

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

显然，实际上，由弱模型微调的强模型的性能其实可能并没有达到它上限水平，因此它与强模型上限的差距就是未来我们要缩小的目标。

OpenAI 人工智能

大模型能力评估体系

我们正见证一个充满激动人心的技术革新时刻，很多技术团队在面对大模型的技术迭代时，就像小男孩面对满屋子的乐高积木，兴奋而专注地探索着每一种可能的组合。

大模型评估

用了一个月，终于找到点写 AI Agent 的思路

进行数据的预选，能够避免这些问题，将问题缩小在输入相关的信息上。

AI Agent Ops 运维工具

OpenAI 无需向量化的 RAG 新架构设计范式剖析

· 跨章节推理：大模型能够发现文档不同部分之间的关联，避免传统 RAG 因分块过小而可能错失的联系，提高了答案的准确性。

OpenAI RAG 架构

通俗解读大模型微调(Fine Tuning)

Prompt Tuning Prompt Tuning的出发点，是基座模型(Foundation Model)的参数不变，为每个特定任务，训练一个少量参数的小模型，在具体执行特定任务的时候按需调用。

大模型微调

大模型时代-行业落地的再思考

而且，该阈值和预训练模型的大小，预训练时原始数据的比例等条件都息息相关，需要在实践中反复修正（这个时候就能看出scaling law的重要性了）。

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

ensp; · 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

一文带你认识ELMo

所谓word embedding就是一个n*1维的列向量，其中n表示embedding向量的大小；第二步：送入双向LSTM模型中，即上图中的Lstm；第三步：将LSTM的输出

embedding

深入探讨GPTs和AI Assistant

thread = client.beta.threads.create() Threads 本身并无大小限制，因此你可以在单个 Thread 对话中发送任意数量的消息（Messages

GPTs AI Assistant

12个RAG常见痛点及解决方案

子问题:将查询分解为几个较小的问题，每个问题针对不同的工具。

RAG 大模型

忘掉 RAG，未来是 RAG-Fusion！搜索的下一个前沿：检索增强生成遇上倒数排名融合和生成查询

它还可以将更长、更复杂的查询分解成向量搜索可以处理的更小、更易管理的部分。

RAG-Fusion 检索增强

图解 Transformer——功能概览

然而，它们在处理长距离的依赖关系方面也有限制：卷积层中，只有图像（或文字，如果应用于文本数据）中足够接近于核大小的部分可以相互作用。

Transformer 大模型图解

Python状态机：优雅处理复杂业务逻辑的利器

基本的状态机实现开销很小,主要是查表操作。

Python状态机设计模式

栩栩如生,音色克隆,Bert-vits2文字转语音打造鬼畜视频实践

ensp;256 } } 这里需要修改的参数是batch_size，通常情况下，数值和本地显存应该是一致的，但是最好还是改小一点

Bert-vits 语音

Stable Diffusion

99%的人都不懂的Stable Diffusion高级功能，Negative Prompt如何正确使用?

地图编辑器中的错误或缺失：使用现实世界中的地图编辑器可以提供有用的信息，例如道路的长度、方向、建筑物的位置和大小等。

Negative Prompt 文生图

<...69 70 71 72 73 74 75 767778 >

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