文章列表-AI魔法学院

文章列表

大模型应用设计的10个思考

这其实是“Garbage in，Garbage out”原则在人工智能时代的一种体现。

大模型应用

Kimichat炒股：7个提示词案例

- **债券指数基金**：债券通常比股票风险更低，债券指数基金可以提供稳定的收入流。

Kimichat 提示词

AI 绘画新时代：ChatGPT + DALL-E 3

，能够获取详细的人类反馈。

文生图图生图 chatGPT DALL-E

大模型应用的10种架构模式

面向微调的分层缓存策略模式我们将缓存策略和相关服务引入到大模型应用架构中，可以成功地解决成本、数据冗余以及训练数据等组合问题。

大模型架构

大模型：泛化即智能，压缩即一切

这种举一反十的能力就是我们常说的泛化能力，可见在孔子看来一个人的泛化能力才是决定了其上限的根本。

大模型泛化

初创企业必知的 30种商业模式（附实例）

· 10 开源商业模式开源软件是带源代码的软件，而且这些代码任何人出于个人用途都可以查看、修改与增强。

初创商业模式

解读wav2lip：探究语音驱动唇部动作的技术原理！

Fig.1 wav2lip architecture 2.1 数据集处理本文使用的LRS2数据集，来自BBC的唇语视频，包含4万多个口语句子，它的训练集、验证集和测试集是根据广播日期进行划分。

wav2lip 语音

一文探秘LLM应用开发-Prompt(相关概念)

提示是描述人工智能应该执行的任务的自然语言文本。

prompt 大模型

一文讲明白什么是预训练、微调和上下文学习

预训练的主要下游任务如下：文本生成：预训练模型可以生成连贯且上下文相关的文本，使它们对聊天机器人、虚拟助手和内容生成等应用程序有价值。

大模型训练

Stable Diffusion

Stable Diffusion高级教程 - 图生图(img2img)模式

5.Batch Count 批次数量，我更愿意用下面的 Batch size 调整生产图的总数。

Stable Diffusion 图生图

用ChatGPT辅助学习，成为超级学霸

这是许多人终其一生都难以解答的谜题，而答案其实不言而喻：每位学生的学习体系各异。

教育 AI 学习

RLHF 在 Text2SQL 领域中的探索

01 定义 RLHF：Reinforcement Learning from Human Feedback，通过强化学习方式方式根据人类反馈优化语言模型，使得在一般文本数据语料库的语言模型能够和复杂人类价值观对齐

Text2SQL RLHF

LangChain - RAG：线上系统多文档要频繁更新，每次都要重新花钱做一次 embedding，老板不批预算，批我...

图二：关键在于，在 embedding 之前记录一下 chunks 的哈希值详细看一下 LangChain 是怎么帮忙开发人员化解这个问题的，首先如上图所示，我们需要一个对象来记录、管理文档 chunks

大模型

超越Claude-2.1和GPT-3.5-Turbo，Qwen1.5还藏了哪些黑科技？32K Tokens上下文支持只是开胃菜！

多语言处理、符合人类喜好、智能体能力，还有检索增强生成，它都游刃有余。

Qwen1.5 开源模型

深入解析 Mistral AI 的 Mixtral 8x7B 开源MoE大模型

1.3、每个Token仅需2个专家即可高效处理 Mixtral 8x7B最引人注目的特点之一是其对处理效率的强调。

开源模型 Mixtral 8x7B

<...76 77 78 798081 82 83 84 85 ...>

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