- 综合排序
- 最热优先
- 最新优先
- 来自专栏后台技术汇
大模型应用之（4）：Langchain架构与大模型接入
作为一个语言模型集成框架，LangChain 的用例与一般语言模型的用例有很大的重叠。 重叠范围包括文档分析和总结摘要, 代码分析和聊天机器人。 Langchain架构 LangChain工具 组件：大模型包装器、聊天模型包装器、数据增强工具和接口链： 提供了标准接口，和数据平台和实际应用工具紧密集成 LangChain六大模块 模块 核心作用 Agent作为高级模块，可调用其他所有模块功能 大模型接入 接入示例 云服务和私有化大模型优劣对比 维度 开发成本 算力成本 运维成本 数据安全 云厂商大模型 较低，开箱即用 算力资源充足，大模型性能好 &吞吐量较高 较低，提供云平台监控 安全性低 私有化大模型 较高，自建大模型网关、服务鉴权、可用性等 算力硬件投入成本高，大模型性能较差低&吞吐量较低 较高，需要专业运维团队介入 安全性高，保密性强 小结： - 研发&测试环境：为了方便部署和测试，使用云服务 - 大客户生产环境：安全审核严格，大多数采用自建大模型的方式 总结 LangChain 是什么？
74510编辑于 2025-08-04 - 来自专栏科技云报道
通用与垂直大模型之战：大模型驱动的商业智能变革之路
是做通用大模型还是垂直大模型，这一个争论在“百模大战”的下讨论愈发热烈。 目前，以微软、谷歌、百度、阿里等为代表的发力于通用大模型的科技大厂，也都开始推动大模型在垂直领域的商业化落地。 垂直大模型则更为直接的深入特定行业和应用场景，如金融、医疗或零售等，相比于通用大模型，垂直大模型能够更精准地满足行业特定的需求。 说到底，无论是通用还是垂直大模型，其核心点还是落地场景和商业化。 大模型重新定义了人工智能的边界和可能性，但更需要的是，在具体的商业环境中找到了新的生存空间和增长点。 在众多垂直领域中，大模型在智能商业BI领域落地尤为引人注目。 寻找通用与 垂直大模型的平衡点 回到开头通用和垂直大模型的讨论上。 这一次，有记者在网易数帆城市行媒体沟通环节将这个问题抛给了网易。 在大模型掀起的新时代里，许多企业都站在了一个十字路口，开始寻找通用大模型与垂直行业大模型之间的平衡。
1.2K50编辑于 2023-08-18 - 来自专栏机器之心
大语言模型的可信之路：TrustLLM全面揭秘
尽管⼈们已经付出了非常多的努力来确保大语言模型的可信赖，一个问题仍然存在：我们真正能在多大程度上信任 LLMs？ 论文得出的核心结论如下： 可信性与大语言模型的能力密切相关。作者的发现表明，可信性与实用性之间存在正相关，尤其在特定任务中更为明显。 在 16 种流行大语言模型上的广泛测试为本文提供了宝贵的数据支撑和经验。他们的基准测试架构如图 2 所示。基准测试的中的数据集详细如图 4 所示，任务设置如图 5 所示。 接下来，他们观察到不同程度的过度安全问题（如图 5 右侧），这是近期研究中突出的一个问题（大语言模型会拒绝回答无害的输⼊）。 最后，他们通过偏好询问来探究大语言模型中潜在的偏见问题（Preference）。 鲁棒性（Robustness） 在大型语言模型（LLMs）中，鲁棒性指的是它们在面对各种输⼊条件时的稳定性和性能。
59410编辑于 2024-02-26 - 来自专栏IT杂谈学习
探索AI大模型学习的未来之路
二、AI大模型学习的理论基础 2.1 深度学习 AI大模型学习建立在深厚的数学和算法基础之上。其中，深度学习技术是支撑大模型学习的重要基石。 2.2 数据处理 在大规模数据处理方面，AI大模型学习具有显著的优势。通过增加模型的深度和宽度，大模型能够捕捉到更多的信息，从而提高模型的准确性和泛化能力。然而，这也带来了计算复杂度和资源消耗的挑战。 3.2 AI大模型在特定领域的应用实例 AI大模型学习在自然语言处理、图像识别、语音识别等领域取得了显著的应用成果。 四、AI大模型学习的注意点 随着AI大模型学习在各领域的广泛应用，其带来的伦理和社会问题也逐渐凸显出来。首先，数据隐私是一个不可忽视的问题。 大模型往往具有复杂的结构和参数，使得其容易受到攻击和篡改。因此，加强模型的安全防护和鲁棒性是大模型学习领域的重要研究方向。
49110编辑于 2024-03-29 - 来自专栏大模型成长之路
【大模型学习 | MINIGPT-4原理】
MINIGPT-4: ENHANCING VISION-LANGUAGE UNDERSTANDING WITH ADVANCED LARGE LANGUAGE MODELS在GPT4未开源的情况下，作者认为其表现优越是因为采用了最为先进的 LLM模型，因此，作者在BLIP2的基础上，将LLM模型替换为了Vicuna，同样也是通过一个线性映射层将图像表征映射为LLM的输入。 开源代码：https://minigpt-4.github.io/一、预训练方法预训练方法几乎和BLIP2模型一致，可以参考：【大模型学习 | BLIP2原理】-腾讯云开发者社区-腾讯云1.1 Q-Former ； MINI-GPT4表现比BLIP2要强上许多？ ① MiniGPT-4 使用的是 Vicuna（基于 LLaMA 的开源 ChatGPT 对话模型），具有更强的自然语言表达和指令理解能力；而BLIP-2 使用的 LLM 主要是 Flan-T5 或 OPT
74810编辑于 2025-07-02 - 来自专栏资讯分享
为什么价值对齐是大模型的必由之路？
4. 解决对齐困境的出路包括：达成全球共识的伦理价值体系、开发可解释的对齐技术路线、建设完善的对齐效果评估体系。5. 大模型价值对齐需要关注个体需求、集体规范、主体能动性，并兼顾技术实践与法律规制。 过去在大模型没有出现时，我们还没有察觉到技术可以如此强大，随着GPT3到PaLM到各种各样开源模型出现，大模型的能力越来越强，我们进入到了生成式人工智能的时代。 例如早期GPT-4和Bing搜索结合的一个产品，在交聊过程中可能会给出危害人类的回复或编造虚假回复，GPT-4还会欺骗人类通过验证码测试。第二，可能会产生与人类意图不一致的危险行为。 近期有很多关于大语言模型的安全问题，例如“奶奶漏洞”、乱序的Prompt可以使ChatGPT越狱成功从而生成勒索软件、用摩斯、凯撒、埃特巴什、统一码等加密密码可以向GPT-4询问非法内容并得到有效答案、 全球对于大模型的社会伦理问题非常关注。
64220编辑于 2023-11-10 - 来自专栏大数据成神之路
阿里大数据之路：数据模型篇大总结
，将金融业务划分为10大主题，并以设计面向金融仓库模型的核心为基础，企业基于此模型做适当调整和扩展就能快速落地实施。 至此，我们也得到了一个经验：在不太成熟、快速变化的业务面前，构建 ER 模型的风险非常大，不太适合去构建 ER 模型。 基于应用的数据组装 : 大宽表集市、横表转纵表、趋势指标串。 主要依据高内聚、低耦合的理念，在物理实现中，将业务关系大、源系统影响差异小的表进行整合： 将业务关系小、源系统影响差异大的表进行分而置之。 硬刚Hive | 4万字基础调优面试小总结 数据治理方法论和实践小百科全书 标签体系下的用户画像建设小指南 4万字长文 | ClickHouse基础&实践&调优全视角解析 【面试&个人成长】2021
2.7K22编辑于 2022-11-11 - 来自专栏算法一只狗
LLama4 原生多模态大模型
Meta最新发布了原生多模态大模型 Llama 4，一经亮相即登上LMSYS大模型排行榜第二名，仅次于Google的Gemini-2.5-pro，分差仅为22分，实力可见一斑。 在模型规模方面，Llama 4系列的确非常庞大，尤其是Behemoth模型，远超业内主流，例如DeepSeek R1参数量仅为6710亿，只有Behemoth的约三分之一。 当前行业趋势多偏向小而高效的模型，Llama 4如此庞大的规模实属少见。 总结与展望Llama 4的发布，意味着Meta正式进入原生多模态大模型竞争核心领域。 相比Gemini系列、GPT-4o、Claude 3、DeepSeek等主流模型，Llama 4以务实高效的技术路线，突出计算成本、推理效率与多模态能力的平衡。
80800编辑于 2025-05-01 - 来自专栏新智元
ChatGPT全年更新大总结！重看「大模型风向标」进化之路
新智元报道 编辑：LRS 【新智元导读】2024年，OpenAI的ChatGPT在大模型领域不断突破，推出了多项创新功能，如个性化聊天机器人商店、增强记忆功能、多模态处理能力等，在安全性、稳定性和高效性方面也持续优化 2024年，大模型已经深入融入了我们的日常生活。 而作为领跑者，ChatGPT也一直是大模型届的指南针，无论是去年发布的大模型o1-pro，Sora Turbo，还是各种小功能，比如视频模式、打断说话等，甚至是每月200美元的高额定价，OpenAI的每一场发布会都能给广大 下面共同回顾一下OpenAI在2024年发布的关键更新，一起见证大模型的进化之路！ 1月 GPT商店：用户可以发布构建的个性化聊天机器人（GPTs），按类别进行搜索，如写作、生活方式和教育等。 4o，根据自身需求定制对话模型，提高效率和一致性。
76910编辑于 2025-02-15 - 来自专栏AI科技评论
大模型行至深处，「悟道」如何走好全面开源之路？
也因此，智源被斯坦福、谷歌等企业列为大模型的先驱。 尽管如此，由于早期，大模型还缺乏好的应用场景和产品，价值始终无法发挥，大模型的研发也曾受到一些争议。 、5 种任务、4 大类指标共 600 + 维全面评测，任务维度当前包括 22 个主客观评测数据集和 84433 道题目，更多维度的评测数据集正在陆续集成。 目前，天秤 FlagEval 大模型评测体系及开放平台已推出语言大模型评测、多国语言文图大模型评测及文图生成评测等工具，并对各种语言基础模型、跨模态基础模型实现评测。 大模型技术经过这几年的你追我赶，研发技术上已较为成熟，而 ChatGPT 和 GPT-4 的火爆，将大模型应用拉向了大规模落地的阶段。 这当中，开源扮演着重要角色。 其中，FlagOpen 的核心 FlagAI 是大模型算法开源项目，当中集成了全球各领域的一些明星模型，如语言大模型 OPT、T5，视觉大模型 ViT、Swin Transformer，多模态大模型 CLIP
79220编辑于 2023-08-08 - 来自专栏啄木鸟软件测试
多模态大模型技术原理与实战(4)
多模态大模型核心技术 1多模态的困难 困难 数据集标志困难 人工标注生成 COCO Visual Genome ... OpenAl的DALL-E2和GPT4 谷歌大脑的 lmaen和Stable Diffusion 百度的文心一言 文本生成图像 基于GAN的文本生成图像方法 AlignDRAW:第一个现代文本生成图像模型 图像解码器 把隐信息还原成图像 4语音多模态技术 文本生成语音 以前技术：拼接法和参数法 基于非深度学习的文本生成语音技术 隐马尔可夫模型 (HMM) 文本信息提取模块 声学特征提取模块 可调整的低秩适配(Adaptive Low-Rank Adaptation，AdaLoRA)技术和量化压缩远程注意力(Quantized Long-Range Attention，QLoRA)技术 8 GPT-4多模型核心技术介绍 Transformer：编码器-解码器框架 编码器：衍生出了自编码大模型，如BERT、RoBERT和ALBERT 解码器：衍生出了自回归大模型,如GPT-1和GPT-2 整体衍生出：T5和GLM
47710编辑于 2024-09-10 - 来自专栏AI实验室应用
RLHF三大挑战与突围之路：如何让大模型更懂人类偏好？
从RLHF到DPO：大模型对齐技术的深度演进与实战解析 当大语言模型学会理解人类偏好，一场关于对齐的技术革命正在悄然发生。 最近几年，从ChatGPT到LLaMA 2，大语言模型的“类人”能力不断提升。这背后的关键技术之一便是基于人类反馈的强化学习。 01 大模型训练的三段式进阶之路 基础构建：预训练阶段 预训练（Pre-training）：利用数十亿到数万亿个token的庞大文本语料库对模型继续预训练，使模型能够根据提供的文本来预测「下一个单词」 03 RLHF的五大核心挑战与创新解决方案 挑战一：人工标注成本高、难规模化 解决方案：AI反馈替代人类反馈 RLAIF：使用大模型评估其他模型的输出，构建AI偏好数据集 Constitutional 零样本对齐：在新任务上无需额外对齐 可解释对齐：让对齐过程更加透明可控 个性化对齐：适应不同用户的偏好和价值观 05 结论：对齐之路，以人为本 大模型对齐技术的发展，本质上是让机器更好地理解和服务人类的过程
74122编辑于 2025-12-17 - 来自专栏人工智能极简应用
AI智能体研发之路-模型篇（三）：中文大模型开、闭源之争
一、引言 周日休息在家，只有码字才能缓解焦虑哈哈哈，闲逛CSDN发现又出新的话题活动啦——《开源大模型和闭源大模型，你怎么看》。“我怎么看？我坐着看，或者躺着看”。 存在即合理，从ios vs android，打到GPT4 vs LLama3，可能永远不会有胜负。今天我们详细聊聊中文大模型开闭源的那些事。 二、中文开/闭源大模型概览 大家先看《2024年中文大模型全景图》，对国内中文大模型开闭源情况有个概念。 Tips：图片引自SuperCLUE中文大模型基准测评2024年4月报告，国内领先的大模型评测公司，高中室友创办的，没想到毕业多年，兜兜转转进入到了一个行业，如需合作需要可以联系我哈 闭源大模型：主要有文心一言 3、训练和部署难度：对于一些复杂的大模型，训练和部署可能需要较高的技术水平和计算资源。 4、数据隐私和安全：开源模型可能涉及数据的共享和使用，需要注意数据隐私和安全问题。
68110编辑于 2024-08-13 - 来自专栏科控自动化
SCADA 大咖之路
对于WinCC V7.x来说，在画面设计中使用脚本将带来非常大的便利性。当要实现对象的动态化，你可以只通过组态的方式来实现。常规的动态应用，通过动态化窗口实现都没有问题。 因此，开始学习并且掌握好JavaScript，就成了更好地使用Portal WinCC Unified的必经之路。 看到这里，你可能会想，我大概明白了编程在SCADA应用中的重要性。 4个版本的操作系统都可以正常安装 WinCC。没有出现任何报错信息。 然后测试WinCC使用。A系统和D系统没有问题，都可以正常建立新项目。并可以对项目进行画面、变量、归档等常见功能的组态。 大家在使用软件时遇到问题，一定要首先排除掉兼容性可能性，从而减少很多不必要的时间浪费和不必要的争论，为顺利的项目调试和执行打下坚实的基础 4、操作系统 – 需要了解的那些技术 操作系统，是 WinCC 但站在 WinCC 的角度上，多掌握些与 WinCC 相关的 Windows 知识，对我们的 WinCC 成长之路还是大有裨益的。 操作系统，其实也是一种程序，一种特殊的程序而已。
1.9K20编辑于 2022-03-29 - 来自专栏算法一只狗
OpenAI下一代大模型Orion被爆出提升有限，大模型之路还有机会吗？
OpenAI的下一代大模型被曝出提升效果有限~ 其下一代模型“猎户座”（Orion），对比于GPT-4来说提升效果不明显，同时还存在GPT-4上的一些明显错误。 而这一次，大模型Orion被曝出效果不佳，大模型悲观主义学派Gary Marcus直接就宣布： 游戏结束，是我赢了。GPT大模型正在进入一个收益递减期。 训练一个如此庞大的模型，需要消耗大量的计算资源和能源。 从网上的公开资料显示，OpenAI训练GPT-4的成本估计达到了7840万美元。 从上面图可以看出，2017年的时候训练一个transformer仅仅需要930美元，但是到训练GPT4训练模型则翻到了70000多倍的成本。也就是模型结构越复杂，其训练成本也会指数级增长。 特别是对于两个巨无霸GPT-4和GEmini Ultra来说，这两个模型的费用简直一骑绝尘。 除了单独训练模型需要大量的成本以外，其实耗费成本最多的是人力资源和每天的推理资源。
33430编辑于 2024-11-18 - 来自专栏运维开发故事
OpenStack踩坑之路（4）
对于计算节点内存小于4 GB的环境，我们建议创建m1.nano每个实例仅需要64 MB 的风格。为了测试目的，请仅将CirrOS图像用于此规格。 mykey //添加公钥，或者不用执行上一条命令，直接使用现有的公钥 验证密钥对添加 [root@controller ~]# openstack keypair list 4. 重新启动Web服务器和会话存储服务 [root@controller ~]# systemctl restart httpd.servicememcached.service 4.
1.8K30发布于 2019-07-28 - 来自专栏算法channel
AI大模型之路 第三篇：从零实现词嵌入模型，加深理解！
今天我们研究「AI大模型第三篇」：词维度预测，很多读者听过词嵌入，这篇文章解答下面问题： 词嵌入是什么意思？ 怎么做到的？原理是什么？ 1 skip-gram模型 Skip-gram模型是一种广泛使用的词嵌入（Word Embedding）方法，由Mikolov等人在2013年提出。 2 使用Word2Vec模型预测“fox”的上下文词。 3 通过调整模型权重来最小化预测误差，使得模型可以更准确地预测到“fox”的正确上下文。 4 训练模型 用到的包 import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import words for 'fox' predicted_context_words = predict_context(model, 'fox', word_to_ix, ix_to_word, top_n=4)
1.1K20编辑于 2024-04-25 - 来自专栏科学最Top
近期值得关注的4个时序大模型研究
前言 梳理了近期几篇时间序列大模型研究文章（后台回复：“论文合集”获取），时间序列大模型的研究正在迅速发展，并且在多个领域和应用中展现出巨大的潜力。 随着技术的不断进步，预计未来会有更多创新的方法和应用出现，但我感觉目前可以重点关注以下三方面： 基础模型的构建：研究者们正在尝试构建时间序列预测的基础模型，这些模型可以在不同的时间序列数据集上进行预训练 特定领域的应用：大模型正在被应用于特定领域的时间序列预测，如金融、医疗、交通等，以解决特定问题并提供可解释的预测。 这一模型采用了一个创新的统一网络架构，结合了序列和变量注意力机制、动态线性算子，并作为一个统一模型进行训练。在38个跨领域的数据集上，UniTS展现了超越特定任务模型和基于自然语言的LLMs的性能。 4、Lag-Llama 论文标题：Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting 在过去的几年中
1.7K10编辑于 2024-09-18 - 来自专栏生信补给站
R编程之路（4）
runif(10,min=0,max=1)#产生10个最小值为0，最大值为1的随机数
32020发布于 2020-08-06 - 来自专栏编程
Python之路-day4
#读取文件内容 withopen("readme.txt")asmyFile: content = myFile.readlines() print(content) #把内容写入文件 withopen("hello.txt","w")asmyFile: myFile.write("hello world!\n") 这是一段读取文件和写入文件的代码，参考书是：《Head First Head》 要注意的是以下几点： 此段代码文件保存位置是：C:/Users/苏小爪/20171208.py 所以“readme
66560发布于 2018-01-25
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