- 综合排序
- 最热优先
- 最新优先
- 来自专栏DrugOne
基于知识指令的人类语言-蛋白质语言对齐模型
本文首次探索了蛋白质语言和人类语言的双向生成能力，展示了将生物序列作为大语言模型能力一部分的潜力，为其更好的服务科学领域提供可能。 知识图谱三元组转变为人类语言-蛋白质语言对齐的指令 模型训练 本文先在自然语言和蛋白语言的文本上分别进行与训练，然后再在指令数据集上进行微调，获得对齐两种语言的能力。 其次，尽管Galactica、BioMedGPT和Mol-Instructions都利用UniProtKB作为与蛋白质进行自然语言对齐的语料库，但InstructProtein始终表现优于它们。 Galactica的训练数据缺乏指令信号导致在指令与蛋白质对齐的零样本性能方面表现有限。Mol-Instructions在蛋白质语料库上缺乏预训练，这使得模型难以区分蛋白质的微妙差异，导致结果不佳。 总结 本文介绍了一种对齐自然语言和蛋白质语言的方法。
36710编辑于 2023-12-26 - 来自专栏技术人生黄勇
OpenAI正在让大模型和人类“对齐”-确保ChatGPT比人类聪明的同时还遵循人类意图
为了让人工智能变得更安全、更协调（更像人类，遵循人类的价值观），OpenAI在2022年8月就发表了一篇关于对齐的研究方法博客，并后续在今年5月高调宣布投入20%的计算资源，花费4年的时间全力打造一个超级对齐 这些功能可能会被人类滥用，如果未和人类对齐，也可能被人工智能本身利用。它们可能会导致社会不稳定并为恶意行为者提供支持。 04 — 对齐的设计 对齐的目标 对齐目的构建一个能够与人类水平相媲美的自动对齐研究器。其目标是尽可能地将与对齐相关的工作交由自动系统完成。 我们并不期望来自人类反馈的强化学习足以对齐 AGI，但它是我们最兴奋的可扩展对齐提案的核心构建块，因此完善这种方法很有价值。 /research/instruction-following https://openai.com/blog/governance-of-superintelligence 阅读推荐： 国内首批8个大模型全面开放
47410编辑于 2024-07-19 - 来自专栏数据派THU
无需强化学习的与人类偏好对齐的语言模型：Wombat袋熊
本文约1200字，建议阅读5分钟本文提出了基于排序的人类偏好对齐方法。 OpenAI 的 ChatGPT 理解多种多样的的人类指令，并且可以很好的应对不同的语言任务需求。 ChatGPT 令人惊叹的能力来源于一种新颖的大规模语言模型微调方法：RLHF（通过强化学习对齐人类反馈）。 RLHF 解锁了语言模型跟从人类指令的能力，并且使得语言模型的能力和人类的需求和价值观对齐，从而使得 RLHF 微调下的语言模型具有令人惊叹的能力。 在和人类对齐的角度上，强化学习算法是不是必须的呢？该篇论文提出了基于排序的人类偏好对齐方法。 训练得到的袋熊 Wombat 可以更好的与人类偏好对齐。以下是来自袋熊 Wombat 的一个自我介绍。
45810编辑于 2023-04-25 - 来自专栏机器之心
FudanNLP团队最新成果，借助RLHF实现人类对齐的MOSS-RLHF来了
然而，大模型回复与人类价值偏好经常存在不一致问题。 如何让大模型更好的与人类价值观对齐，理解语言背后的含义，生成更具 “人情味” 的内容成为大语言模型研究的热点。 未经人类对齐的大模型常常生成有害内容，存在安全性方面的隐患，直接影响大模型的落地。 面对这一技术挑战，研究人员迫切需要进一步探索 PPO 算法对大模型人类对齐的作用机理。 经人类对齐后大模型安全伦理表现优异 经过人类对齐训练后的 RLHF 模型相对 SFT（Supervised Fine-Tuning，监督微调）模型的性能表现如下图所示。 人类价值观对齐 使用 PPO-max 算法训练的模型与人类价值观实现了有效的对齐，模型落地更安全。
59360编辑于 2023-08-07 - 来自专栏CSDN博客专家-小蓝枣的博客
PyQt5 技术篇-设置alignment对齐方式。Qt Designer设置文本对齐方式。居中、左对齐、右对齐、上对齐、下对齐。
通过alignment设置，展开后可以设置水平方向或垂直方向的对齐方式。 PyQt5设置文本对齐方法： self.label.setAlignment(QtCore.Qt.AlignRight|QtCore.Qt.AlignVCenter) 两个参数一个是横向靠右，一个是纵向居中 Qt Designer设置文本对齐方法： 如图，水平默认的左对齐我改为了右对齐。 ?
10.8K30发布于 2020-09-23 - 来自专栏韩曙亮的移动开发专栏
【CSS】vertical-align 垂直对齐 ( 块级元素对齐 | 行内元素 行内块元素对齐 | 基线对齐 | 垂直居中 | 顶部对齐 | 底部对齐 )
可以设置四种对齐 : baseline 基线 / top 顶线 / middle 中线 / bottom 底线 ; 基线对齐 : 图片底部位置 与 文字基线 对齐 ; 这是默认的对齐方式 , 如果是 : 图片顶部 与 文字顶线 对齐 ; vertical-align: top; 底部对齐 : 图片底部 与 文字底线 对齐 ; vertical-align: bottom; 二、vertical-align DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-<em>8</em>"> <title>vertical-align 垂直对齐示例</title> ; } .three { /* 顶线对齐 - 图片顶部与文字顶线对齐 顶部对齐*/ vertical-align: top; } .four { /* 底线对齐 - 图片底部与文字底线对齐 ="one"> 基线对齐 : 图片底部与文字基线对齐
中线对齐 : 图片中心与文字中心对齐
5.3K30编辑于 2023-04-24 - 来自专栏机器之心
人类偏好就是尺！SPPO对齐技术让大语言模型左右互搏、自我博弈
最近，顾全全教授团队和卡内基梅隆大学（CMU）Yiming Yang教授团队合作开发了一种名为「自我博弈偏好优化（Self-Play Preference Optimization, SPPO）」的对齐技术 尽管LLM的能力令人瞩目，但要使这些模型的输出行为更符合实际应用中的需求，通常需要通过对齐（alignment）过程进行微调。 这个过程关键在于调整模型以更好地反映人类的偏好和行为准则。 这些模型虽然提供了合理的人类偏好近似，但未能完全捕获人类行为的复杂性。 这些模型往往假设不同选择之间的偏好关系是单调和传递的，而实证证据却常常显示出人类决策的非一致性和非线性，例如Tversky的研究观察到人类决策可能会受到多种因素的影响，并表现出不一致性。 结论与未来展望 自我博弈偏好优化（SPPO）为大语言模型提供了一个全新的优化路径，不仅提高了模型的生成质量，更重要的是提高了模型与人类偏好的对齐度。
51010编辑于 2024-05-14 - 来自专栏深度学习与python
OpenAI 设立 Superalignment 团队：让 AI 对齐人类价值观，预防潜在风险
OpenAI 强调了使人工智能系统与人类价值保持一致的必要性，以及主动采取措施防止潜在危害的重要性。 创造符合人类理想和目标的人工智能系统的过程被称为人工智能校准。 这需要确保 AI 系统理解伦理概念、社会标准和人类目标，并据此采取行动。AI 校准旨在缩小人类需求和福祉与 AI 系统目标之间的差距。 通过将 AI 与人类价值相结合，减少人工智能的危害，增加其潜在的优势。 OpenAI 的 Superalignment 团队将专注于促进对 AI 校准的理解和实现。 这是一个确保 AI 系统按照人类价值和目标行事的过程。通过研究强大的校准方法和开发新技术，该团队旨在创建在其整个发展过程中始终以人为本的人工智能系统。 不过，这种方法依赖于人类的监督，如果 AI 的的智力超越了人类，变得比它的监督者更聪明，这种方法可能就行不通了。
51230编辑于 2023-09-08 - 来自专栏三丰SanFeng
字节对齐
但是因为编译器要对数据成员在空间上进行对齐。 所以使用sizeof(strcut A)值为8。 现在把该结构体调整成员变量的顺序。 ，恢复缺省对齐*/ sizeof(struct C)值是8。 又C的自身对齐值为4，所以 C的有效对齐值为2。又8%2=0,C只占用0x0000到0x0007的八个字节。所以sizeof(struct C)=8. 2 Linux32位系统下gcc编译器默认对齐为4字节 3 在64位系统#pragma pack(4)的情况下，a1->c的地址按4字节对齐而不是按8字节(long在64位下为8字节长)，会不会影响 4 在32位系统下，double和long long的有效对齐值为4，而不是8，这是因为它们在32位系统下是被当成2个32位对象来进行处理的 版权声明：本文为博主原创文章，未经博主允许不得转载。
2.8K50发布于 2018-01-16 - 来自专栏机器之心
LLM超越人类时该如何对齐？谷歌用新RLHF框架解决了这个问题
机器之心报道 编辑：Panda 让 LLM 在自我进化时也能保持对齐。 我们这个世界是不断变化的开放世界。 对基于 LLM 的 AI 来说，高质量的人类数据非常关键，但已有研究预计这些高质量数据将在未来几年耗尽。 based on human-generated data》 此后，这类数据的质量也将停滞不前：随着 LLM 能力越来越强，它们将能解决越来越复杂和越来越多的难题，而这些难题所需的训练数据已经超出了人类的能力 于是，问题就来了：语言模型能否自我创建可学习的新任务，从而实现自我改进以更好地泛化用于人类偏好对齐？ 为了提升语言模型的对齐能力，人们已经提出了许多偏好优化算法，但它们都默认使用固定的提示词训练分布。 此外，在 MT-Bench 上，使用新的人类提示词进行训练通常会在第一轮中表现出性能下降，在第二轮中也只会有适度的提升。相比之下，eva 能显著提高第二轮的表现。
41400编辑于 2025-02-14 - 来自专栏机器之心
DeepMind新研究：ReST让大模型与人类偏好对齐，比在线RLHF更有效
然而，LLM 又面临这样一个困境，即产生的输出很大程度上与人类偏好并不一致。如果没有适当的对齐，语言模型可能输出不安全的内容。此外，对齐 LLM 还有助于改善下游任务。 有研究者提出基于人类反馈的强化学习 (RLHF)，通过使用人类偏好来解决对齐问题。 本文，来自 Google DeepMind 的研究者提出了一种简单的算法使 LLM 与人类偏好对齐，他们将该方法命名为 ReST（Reinforced Self-Training）。 不同于 RLHF 使用人类反馈改进语言模型，ReST 通过生成和使用离线数据进行训练，从而使得 LLM 与人类偏好保持一致。 下图表明，所有 ReST 变体在人类评分方面优于 BC 方法：
54220编辑于 2023-09-08 - 来自专栏golang分享
内存对齐
Go语言称为寄存器宽度的这个值，就可以理解为机器字长，也是平台对应的最大对齐边界，而数据类型的对齐边界是取类型大小与平台最大对齐边界中的较小的那个 类型 大小 RegSize int8 1 byte 8 byte int16 2 byte 8 byte int32 4 byte 8 byte int64 8 byte 8 byte string 16 byte 8 byte slice 24 byte 8 byte … … … 同一个类型在不同平台上的大小可能不同，不按照最大对齐边界或者最小对齐边界来考虑是为了减少浪费、提高性能 如何确定一个结构体的对齐边界 先确定每个成员的对齐边界，然后取最大值 type T stract { a int8 1 byte b int64 8 byte c int32 4 byte 最大对齐 8 byte ，然后是第二个成员b,它要对齐到8字节，但是接下来的地址对8取模不等于0,所以要往后移。
5.2K21编辑于 2023-07-30 - 来自专栏python3
打印对齐
（1）右对齐 >>> print("PI=%10.3f"%a) #约束一下，这个的含义是整数部分加上小数点和小数部分共计10位，并且右对齐 PI= 3.142 （2）左对齐 >> > print("PI=%-10.3f"%a) #要求显示的左对齐，其余跟上面一样 PI=3.142 二、字符类型（str） 和数值类型类似，不过将%d、%f的占位符变为了%s的占位符。
2.3K20发布于 2020-01-09 - 来自专栏初学C++
内存对齐
内存对齐应用于三种数据类型中：struct、class、union；为什么要内存对齐：提高内存访问效率，减少cpu访问内存次数用sizeof运算符可以得到整个结构体占用内存的大小。 内存对齐：#pragma pack(字节数) 如果用1，那么内存之间就没有空隙了合理使用内存对齐规则，某些节省内存的做法可能毫无意义。 pack宏定义，有这个宏的情况下结构体的自身宽度是宏定义的数值（但是当成员中占用字节数最大的类型的字节大小比宏定义的数值小的时候，会按照字节数来）#pragma pack 的参数只能是 1、2、4、8、 遵循以上规则，做一些练习：以下都以32位操作系统为例（32位和64位下数据类型有一些区别，例如long在32位系统下占4字节，在64位下占8字节；指针在32下占4字节，在64下占8字节）struct A ；当结构体中的最大的数据类型的大小 小于 宏定义的大小时，就会以结构体中最大的数据类型的大小来进行内存对齐#pragma pack(8) struct test { char a; int
86740编辑于 2023-09-02 - 来自专栏知识同步
内存对齐
使用伪代码表示： min(#pragma pack, 结构最大数据成员长度) * N 规则2 在数据成员完成各自对齐之后，结构(或联合)本身也要进行对齐，对齐也按照#pragma pack指定的数值和结构 规则3 如果没有使用#pragma pack指令来显式的指定内存对齐的字节数，则按照默认字节数来对齐，各个平台的默认对齐规则如下：32位CPU默认按照4字节对齐；64位CPU默认按照8字节对齐。 } struct x{ char a; //4 char b; int i; //4 }; int main() { cout << sizeof(x); //8 } 上面两个如果在#pragma pack(8)下也是一样，因为int是4个字节，小于8，所以是4字节对齐 struct x{ long long a; //8 char b; //
1.7K30编辑于 2022-12-26 - 来自专栏我爱计算机视觉
YOLO系列模型的部署、精度对齐与int8量化加速
下面说一下我们这个项目做了哪些事情： YOLO系列模型在tensorrt上的部署与精度对齐 该项目详细介绍了Yolo系列模型在TensorRT上的FP32的精度部署，基于mmyolo框架导出各种yolo 模型的onnx，在coco val数据集上对齐torch版本与TensorRT版本的精度。 在此过程中我们发现，由于TopK算子限制和NMS算子实现上的不同，我们无法完全对齐torch和yolo模型的精度，不过这种风险是可解释且可控的。 实践证明，我们采用上述配置的分离PTQ量化在yolov8上可以取得基本不掉点的int8量化精度。 原文链接：https://www.hbblog.cn/%E6%A8%A1%E5%9E%8B%E9%83%A8%E7%BD%B2/mmyolo_tensorrt/ END
1.1K20编辑于 2023-11-07 **解锁Agent智能体新纪元：自主协作、任务分解与人类意图对齐的终极指南**
#解锁Agent智能体新纪元：自主协作、任务分解与人类意图对齐的终极指南摘要本文深入探讨AIAgent智能体的核心技术实现，聚焦自主协作机制、复杂任务分解策略及人类意图对齐方法三大核心领域。 "agent_type":"文档解析"},{"step3":"计算关键指标","agent_type":"数据分析"},{"step4":"生成折线图","agent_type":"可视化引擎"}]}人类意图对齐实战方案意图对齐的难点在于偏好建模和反馈集成 result=primary_agent.run(user_query)foragentinsecondary_agents:result=agent.refine(result)#结果精炼#步骤4：人类对齐校验 ifsimilarity<drift_threshold:raiseIntentDriftError(f"意图偏移度达{1-similarity:.2f}")避坑指南：实战中的血泪教训记忆污染问题在3月8日的版本中 (execution_graph):returnbreak_cycle(graph)#自动断开最近依赖边总结与思考通过本文的完整实践，你已经掌握：✅多智能体协作系统的架构设计✅动态任务分解的工程实现✅人类意图对齐的前沿方案
22210编辑于 2026-02-12- 来自专栏新智元
无需RLHF就能对齐人类，性能比肩ChatGPT！华人团队提出袋熊Wombat模型
OpenAI的ChatGPT能够理解各种各样的人类指令，并在不同的语言任务中表现出色。这归功于一种新颖的大规模语言模型微调方法——RLHF（通过强化学习对齐人类反馈）。 同时，从与人类对齐的角度来看，强化学习算法并不是必须的。 RRHF通过对回复进行评分，并通过排名损失来使回复与人类偏好对齐。 与PPO不同，RRHF的训练过程可以利用人类专家或GPT-4的输出作为对比。 文章作者在HH数据集上进行了实验，也可以看到和PPO可比的效果： RRHF算法可以有效地将语言模型输出概率与人类偏好对齐，其训练思路非常简单，训练完成的模型有几个特点： 仅需要1到2个模型，而PPO需要 袋熊Wombat作为新的开源预训练模型相比于LLaMA、Alpaca等可以更好的与人类偏好对齐。作者们实验发现Wombat-7B拥有角色扮演和进行反事实推理等复杂的能力。
85120编辑于 2023-05-09 - 来自专栏计算机视觉战队
Yolo系列模型的部署、精度对齐与int8量化加速
下面说一下我们这个项目做了哪些事情 1、YOLO系列模型在tensorrt上的部署与精度对齐 该项目详细介绍了Yolo系列模型在TensorRT上的FP32的精度部署，基于mmyolo框架导出各种yolo 模型的onnx，在coco val数据集上对齐torch版本与TensorRT版本的精度。 在此过程中我们发现，由于TopK算子限制和NMS算子实现上的不同，我们无法完全对齐torch和yolo模型的精度，不过这种风险是可解释且可控的。 2、详解TensorRT量化的三种实现方式 TensorRT量化的三种实现方式包括trt7自带量化、dynamic range api，trt8引入的QDQ算子。 实践证明，我们采用上述配置的分离PTQ量化在yolov8上可以取得基本不掉点的int8量化精度。
1.5K20编辑于 2023-11-08 - 来自专栏快乐阿超
文本精准对齐
然而，传统的 position: absolute 方式往往会导致文本发生 偏移，影响对齐。 translate(-50%, -50%) 精准居中 向左移动自身宽度 50% (translateX(-50%)) 向上移动自身高度 50% (translateY(-50%)) 让 文本的中心点 对齐到 不会偏移 ✅ vw/vh 控制字体大小，确保文本等比例缩放 总结 在响应式设计中，position: absolute + transform: translate(-50%, -50%) 是 文本精准对齐 它不仅可以解决 文本随背景图缩放不偏移 的问题，还广泛用于 模态框居中、按钮对齐等场景，是前端开发中必备的 CSS 技巧。
85610编辑于 2025-03-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号