文章列表-AI魔法学院

文章列表

大语言模型微调：定制自己的微调数据集

尽管有研究表明重复数据并不降低模型的质量，但是重复冗余的数据会增加额外的微调成本。

大模型

GitHub上很火的RPA框架：一款用于验收测试和 RPA 的通用自动化框架robotframework

5.强大的报告和日志功能：Robot Framework 生成详细的测试报告和日志，可以帮助用户分析测试结果和问题定位。

RPA框架自动化

BGE M3-Embedding：智源最新发布的text embedding模型，多语言检索效果超过微软跟openai

其三是合成得到的监督数据，利用GPT3.5为来自Wiki跟MC4的长文本生成对应的问题，用于缓解模型在长文档检索任务的不足，同时引入额外的多语言数据。

BGE M3-Embedding 多语音检索

长窗口大战要终结了？谷歌魔改Transformer，推出了“无限注意力”

Infini attention 让基于Transformer的模型能够在有限的内存占用和计算量下高效处理无限长的输入序列，它把压缩内存集成到标准的注意力机制中，并在单个Transformer块内构建了掩码局部注意力和长期线性注意力机制

大模型上下文

让ChatGPT帮我写SQL

https://github.com/whoiskatrin/sql-translator.git //安装依赖 cd sql-translato rnpm install //生成应用程序

SQL

最详细的文本分块(Chunking)方法——可以直接影响基于LLM应用效果

这个真正难题我在前面的文章中《一些LLM的声音总结》中提到过，基于大模型的企业应用中很大一部分需求就是RAG——检索增强生成。

RAG 大模型

国内法律类大模型介绍

; * 基础模型：ChatLAW-13B * 数据：论文、新闻、法规、司法解释、法律咨询、法考题、判决文书组成，

法律大模型

会“追问”的Agent，大模型知识库另类实践

在实际的生产环境中，此类知识库应用可能遇到两类问题：知识型和政策型（图1）。

大模型

回归分析：探索变量之间的奥秘

无论在哪个领域，经济学、生物学、医学还是社会科学，回归分析都发挥着至关重要的作用，成为指引我们前进的明灯。

回归分析变量

深入探秘：百川7B大模型的训练代码解析，揭秘巨无霸语言模型背后的奥秘

（二、软件和部署) 本期开始，为大家讲下这些大模型是怎么训练生成的首先，为了确保本系列的讲解流畅，我将直接深入讲解大型语言模型的代码。

大模型

强大高效的微信爬虫Wechat_Articles_Spider：快速获取公众号文章的利器

打开终端或命令提示符，并执行以下命令安装wechat_articles_spider： pip install wechatarticles 步骤 3：安装完成后

微信爬虫

大模型时代-行业落地的再思考

这类做法只是对大模型的生搬硬套，对解决领域问题和传统方法并没有很大的帮助。

大模型

百川智能正式发布130亿参数通用大语言模型百川大模型（Baichuan-13B-Base）

7B版本采用RoPE编码方式，而13B使用了ALiBi位置编码技术，后者能够处理长上下文窗口，甚至可以推断超出训练期间读取数据的上下文长度，从而更好地捕捉文本中上下文的相关性，让预测或生成更准确。

大模型中文

基于Ollama本地部署Llama3指南！

实际使用Llama3 llama3_8B的生成速度非常快，这个版本用N卡8G的显存跑问题也不大。

LLama3 ollama

《OpenAI官方：GPT 最佳实践》大白话编译解读版本

明确完成任务所需的步骤 5.

提示词官方翻译

<...92 93 94 95 969798 99 100 101 >

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