- 综合排序
- 最热优先
- 最新优先
AI大模型知识库
而基于AI大模型构建的知识库系统，通过自然语言处理技术和深度学习算法，能够自动完成文本解析、语义关联与智能检索，使分散的知识资源形成有机网络，为企业知识管理带来革命性变革。 相较于传统方案，AI大模型知识库在技术特性上展现出显著优势：语义理解深度方面，传统方案依赖关键词匹配，误差率高，而AI方案具备上下文感知能力，准确率超92%；更新维护成本上，传统方案人工录入月均耗时120h 二、典型应用场景落地AI大模型知识库在多场景落地应用，创造显著价值：智能问答机器人可7×24小时解答员工关于政策制度、操作流程的咨询，某金融机构部署后人力咨询量下降47%，提升咨询响应效率；辅助决策沙盘整合市场动态 三、实施路径规划建议成功部署AI大模型知识库需经历三个阶段：首先是领域定制化训练，使用企业专属语料对基座模型进行调优，确保模型适配企业业务场景；其次是人机协同校验机制建立，通过人工复核保障输出内容的合规性与准确性 五、未来演进方向展望随着多模态融合技术的发展，下一代AI大模型知识库将突破文本局限，实现图纸三维模型与操作视频的联动检索，拓展知识呈现与应用形式。
51410编辑于 2025-10-16- 来自专栏机器学习与统计学
基于大模型、SKills 的知识管理
整个系统的架构可以拆成五个模块： Karpathy 知识库系统：五大模块 1. 数据导入（Data Import） 把各种原始素材——论文、文章、代码库、数据集、图片——统统丢进 raw/ 目录。 2. 知识编译（Wiki Compilation） 这是整个系统最核心的一步——让 LLM 把 raw/ 目录里的散碎材料"编译"成一个结构化的维基。 具体做什么？ 这点我必须插一嘴——40 万字对现在的长上下文模型来说真不算什么。 Gemini 的百万 token 窗口，Claude 的 200K 上下文，处理这个量级的知识库绑绑有余。 video-script-converter，接着"用豆包转成音频"触发 doubao-tts-voice-clone，最后"音频转视频"触发 audio-to-video 从一篇文章到一条短视频，全程约 8 分钟，传统方式需要 2- 40 万字知识库微调一个专属的小模型，让它从骨子里"理解"你的领域知识和思考方式。
21720编辑于 2026-04-13 - 来自专栏深度学习自然语言处理
FuseLLM：大语言模型的知识融合！
Knowledge Distillation：知识蒸馏最初被提出用于模型压缩，包括在一个或多个教师模型的指导下训练学生模型。在NLP中已有较为广泛的应用。本文的方法与传统的知识蒸馏有显著的区别。 首先，在传统的知识蒸馏中，学生模型通常被限制为比教师更小的尺寸。然而，在本文的场景中，目标模型的大小没有限制。其次，传统的知识蒸馏通常会导致学生模型在蒸馏后落后于教师的表现。 相比之下，本文预计在融合之后，目标模型将超过任何源模型的性能。 方法 模型架构 上图展示了传统模型融合技术和本文的LLM知识融合方法(FUSELLM)的对比。不同的动物图标代表不同的LLM。 知识融合vs.知识蒸馏 知识蒸馏技术也可以用来增强LLM的能力，但FuseLLM由于两个不同的方面而脱颖而出，本文从Llama-2 13B 中提取概率分布，并应用传统的知识蒸馏方法将其能力转移到Llama 如上表所示： 蒸馏模型在所有基准测试中都优于原始的Llama2 7B，证明了知识蒸馏的有效性。 与FuseLLM相比，Llama-2 KD实现的改进相对适中。
1.2K11编辑于 2024-01-31 - 来自专栏深度学习|机器学习|歌声合成|语音合成
tensorflow2系类知识-2：线性模型
文章目录 tensorflow2线性模型 步骤 源代码 tensorflow2线性模型 步骤 使用 tf.keras.datasets 获得数据集并预处理 使用 tf.keras.Model 和 tf.keras.layers 构建模型 构建模型训练流程，使用 tf.keras.losses 计算损失函数，并使用 tf.keras.optimizer 优化模型 构建模型评估流程，使用 tf.keras.metrics 计算评估指标
38920发布于 2021-01-14 AI 大模型知识管理平台：让企业知识“活”起来
基于 AI 大模型的知识管理平台正彻底改变这一现状，让知识真正流动起来，成为驱动企业创新的活水源头。图片什么是 AI 大模型知识管理平台？ 核心技术：RAG 如何让大模型更“懂”企业？AI 知识管理平台的核心技术是检索增强生成（RAG）。这一技术巧妙结合了信息检索和大语言模型生成的优势。 当用户提问时，平台会先在知识库中检索相关信息，然后将这些信息作为上下文提供给大模型，最终生成精准可靠的答案。 这种方法既利用了大模型的强大理解能力，又确保了回答内容基于企业权威知识，有效避免了常见的大模型“幻觉”问题。例如，潍柴集团通过此类平台，在客服场景中实现了94% 的问答准确率，大幅提升了工作效率。 结语AI 大模型知识管理平台不仅是技术工具，更是企业智能化转型的核心基础设施。它让知识从静态存储变为动态资源，从成本中心转化为价值引擎。对于技术社区而言，这一领域充满创新机遇。
41610编辑于 2025-10-11- 来自专栏创作是最好的自我投资
知识蒸馏：让大模型“瘦身”的魔法
AI界的“知识浓缩术”核心定义蒸馏模型（Distillation Model）是一种通过“师生教学”的方式，将庞大复杂的大模型（教师模型）中的核心知识，“浓缩”到轻量级小模型（学生模型）中的技术。 传统训练 vs 知识蒸馏传统训练：学生模型就是直接从数据中学习（如同自学），需要大模型自己从海量数据中提取自己需要的信息，就像你想上学，但是没有资金支持，只能自己通过书籍来学习，那么在没有人指导的情况下 对于大模型来说，通常的数据训练只能保证在通常情景下的问题回答，在涉及到一些相对专业的领域往往回答效果就不是太好，这个时候就需要进行微调优化，比如对特定领域进行特定数据的训练，从而提高在特定领域的回答准确性 未来展望：蒸馏模型将如何改变AI？边缘计算革命：智能音箱、摄像头等设备将具备本地大模型能力。就像把大模型拆解成无数"小模型"，从而在手机、摄像头、工厂机器人甚至红绿灯里就地处理数据。 通过在智能终端增加大模型能力，从而使得智能家居不联网也能听懂指令。这也就意味着让数据不再拥堵在"云端高速公路"，从而既保护隐私又省电，像给大模型装上会思考的"神经末梢"。
1K30编辑于 2025-04-09 大模型+知识库rag项目架构
在AI领域，“大模型”通常指的是具有大量参数的深度学习模型，它们能够处理复杂的任务，如自然语言处理（NLP）、图像识别等。 而“知识库”则是指存储大量结构化或半结构化数据的系统，这些数据可以用于支持决策、提供信息查询等服务。 将大模型与知识库结合的项目架构（RAG项目架构）可能指的是一种结合了检索（Retrieval）和生成（Generation）的架构，即RAG（Retrieval-Augmented Generation RAG架构的一般流程如下：检索阶段（Retrieval）：首先，系统会从知识库中检索出与输入查询相关的信息。这可以通过关键词匹配、语义搜索或其他相关性度量来实现。 例如，检索系统可以使用不同的搜索引擎或推荐系统，而生成模型可以是传统的语言模型，也可以是专门为特定任务训练的模型。
1K10编辑于 2024-04-19- 来自专栏技术丛林大冒险
基于大语言模型构建知识问答系统
本文探索使用大语言模型（Large Language Model, LLM），通过其对自然语言理解和生成的能力，揣摩用户意图，并对原始知识点进行汇总、整合，生成更贴切的答案。 从大语言模型（Large Language Model, LLM）角度而言，上面的需求是在两阶段训练模式下，面向下游场景进行适配的问题。 与普通搜索结合，使用基础模型对搜索结果加工。Fine-Tuning使用下游特定领域的知识对基础模型进行微调，改变神经网络中参数的权重。 消耗的资源量虽然相对大模型预训练减少，但还是不容小觑的。比如Alpaca 的微调，据作者介绍他们使用8 个 显存80GB A100 ，花费了 3 个小时。 经过分析比较后，决定探索 LLM +搜索 的方式进行处理，并在 NBA2K Online2 攻略应用场景进行验证。该方法：将本地知识通过传统搜索框架进行处理，并作为答案的基础数据源。
7K85编辑于 2023-05-08 - 来自专栏老张的求知思考世界
性能测试知识科普(六)：三大模型
今天的这篇文章是性能测试知识科普的第六篇，我会聊聊在实际工作中开展性能测试，前期最核心的工作。即业务模型、流量模型和数据模型这三大模型，该如何评估和建立。 为了便于大家理解三大模型，我会以电商业务下单的场景来举例说明，如下图： 业务模型 大家可以将业务模型看作功能测试中的业务场景。 生产环境全链路压测场景 针对生产集群的全链路压测，常见的案例就是双11电商大促。 ； 构建流量模型 下面是之前我实际工作中一次双11大促时的流量模型构建案例，仅供参考。 预估大促时的支付转化率为60%，则可得：大促峰值订单支付QPS为（200/40%）*60%*（200W/50W）=1200QPS。
1.6K20编辑于 2023-03-01 - 来自专栏《活动征集》
DeepSeek大模型的基础知识解析!
作为一款国产大模型，DeepSeek不仅在技术上做出了突破，还承载着国产AI的雄心壮志。很多人对大模型可能还抱有一丝困惑，尤其是像 DeepSeek 这样的模型。那么，DeepSeek究竟是什么？ 前言：DeepSeek，国产大模型的代表 近年来，随着深度学习的迅猛发展，大模型成为人工智能领域的主流。 DeepSeek 作为国产大模型的佼佼者，不仅仅代表了技术上的创新，也象征着中国在 AI 领域日益崛起的竞争力。 预训练与微调：模型的“养成”之路 DeepSeek 采用了 预训练 + 微调 的训练方式。首先，模型在大规模的无标签数据上进行 预训练，学习通用的知识和规律。 2. 自监督学习：让机器“自我发现” 自监督学习是一种无需人工标注的学习方法，模型通过数据本身来构建学习目标。
82321编辑于 2025-02-08 - 来自专栏从流域到海域
大模型基础知识 - 语言模型及其演进 公开版
接下来我们来从0到1了解一下大语言模型背后的基础知识。 导语 通过本节课程，希望大家能够了解： 语言模型的数学基础：概率语言模型 （25分钟） 神经网络语言模型的发展历史：即大语言模型是如何发展而来的 （10分钟） GPT训练流程：大语言模型是如何训练的 （ Scaling Laws for Neural Language Models 神经网络语言模型发展史 nlp中的预训练语言模型总结(单向模型、BERT系列模型、XLNet) 大模型时代之前 ，大语言模型的雏形出现。 随着神经网络语言模型的参数量继续增大到一个千亿级别，开始表现出强大的涌现能力，辅以instruction fituning和RLHF的（大语言模型）训练流程改进，突破性的大语言模型ChatGPT出现，大模型时代来临
77630编辑于 2023-10-12 - 来自专栏NLP/KG
LLM 大模型学习必知必会系列(一)：大模型基础知识篇
后续百川发布了 13B 模型，以及百川 2 系列模型，同步开源 base 和 chat 两个版本。 2. LLM 类型介绍 2.1 Base 模型和 Chat 模型 我们通常会看到某模型研发机构开源了 base 模型和 chat 模型，那 base 模型和 chat 模型有什么区别呢？ 然而，针对大语言模型，我们希望更好的使用 LLM，让 LLM 更好的遵循我们的指令，按照我们可控的方式和特定行业的知识输出答案。 检索增强生成 (RAG) 通过整合来自外部数据库的知识成为一个有前途的解决方案，这增强了模型的准确性和可信度，特别是对于知识密集型任务，并且允许知识的不断更新和整合特定领域的信息。 Swingdeploy：**可以通过简单的选择 0 代码的方式，即可部署魔搭社区的模型到云上并生成供应用程序使用的 API 接口，支持弹性扩缩容和按需调用。 **2.
4.3K512编辑于 2024-05-11 - 来自专栏Soul Joy Hub
【大模型AIGC系列课程 3-2】国产开源大模型：ChatGLM
GLM https://arxiv.org/pdf/2103.10360.pdf GLM是General Language Model的缩写，是一种通用的语言模型预训练框架。 具体来说，GLM通过随机遮盖文本中连续的标记，并训练模型按顺序重新生成这些遮盖的部分。这种自回归的空白填充目标使得GLM能够更好地捕捉上下文中标记之间的依赖关系，并且能够处理可变长度的空白。 这个图示说明了GLM预训练的过程，具体解释如下： a) 原始文本：给定一个原始文本，例如[x1, x2, x3, x4, x5, x6]。 在生成过程中，模型可以根据之前生成的词片段和Part A中的上下文来预测下一个词片段。 d) 自注意力掩码：为了限制模型的注意力范围，
76020编辑于 2023-08-28 - 来自专栏大模型成长之路
【大模型学习 | BERT 量化实战（2） 】
BERT 量化实战分析前言：在【大模型学习 | 量化实战（1）】-腾讯云开发者社区-腾讯云中基于BERT实现了情感分析系统以及量化的实现，但是量化的结果导致了模型的精确度急剧下降，从90%降到了54%， 未出现截断情况（即分布区域超过量化上下限）、分布近似 scale过大scale的计算如下所示：scale=\frac{max(w)-min(w)}{255} , 个别层的权重有离群值，会导致scale非常大， Sensitive Layers:") for r in results[:5]: print(f"{r[0]:40s} | Acc: {r[1]:.4f} | ΔAcc: {r[2] :.4f}") return results 其他分析方法层级 fallback 到 FP32与敏感性分析相关，该方法是将原模型逐层量化，观察精度下降情况误差传播分析对 float32 模型 和 模型 vs INT8 模型输出差异有多大
78710编辑于 2025-06-27 - 来自专栏大模型成长之路
【大模型学习 | BLIP2原理】
BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models 作者提出一种从离线、梯度冻结的图像、语言模型中提升图文的预训练模型。为了联系两个不同模态预训练模型，作者提出一种使用两个阶段预训练模型Querying Transformer (Q-Former)。 一、预训练方法这种预训练方法分为了两个阶段 （1）视觉语言特征表示学习阶段 （2）视觉到文本的生成学习阶段 1.1 Q-Former主要作用就是对齐两个不同模态的冻结预训练模型 Q-Former包含了两个 transformer子模块：（1）Image Transformer （特征提取） （2） Text transformer (作为文本编码器和解码器) ; 一组可学习的查询嵌入向量作为 Image 作者尝试了两种LLM冻结模型：(1) decoder-based LLMs : query 表征作为 LLM 的输入前缀（prefix） → LLM 自己完成文本生成(2) encoder-decoder-based
1.1K00编辑于 2025-07-01 AI 大语言模型知识图谱：让模型“更懂知识、更聪明、更可信”
在传统的大模型训练方式中，知识依赖海量语料“读出来”，但容易出现知识碎片化、逻辑断层、更新不及时的问题；模型回答看似流畅，却可能犯事实性错误或在复杂推理上“卡住”。 而 AI 大语言模型知识图谱，就是用结构化、逻辑化、可计算的技术体系，为大模型安装一套“知识骨架”，让模型不仅会说，还真正“懂知识、会推理、能更新”。 知识不再是散乱的语句，而是能够被计算机理解和逻辑推演的网络。二是知识图谱 + 大模型协同推理，让模型“更准、更稳、更懂逻辑”。 ，大模型在聊天、问答、检索、写作等场景都能调用同一套知识图谱，实现一致的知识标准。 AI 大语言模型知识图谱，用知识抽取、结构建模、图谱推理和动态更新，让模型从“会说话”走向“会理解”。它不仅提升模型的准确性与稳定性，也为专业场景提供真正可用的 AI 智能。
55510编辑于 2025-11-18- 来自专栏数智转型架构师
一文秒懂大模型硬件知识
自从一头扎进AI大模型的奇妙世界，你是不是也曾有过这样的经历： 刚刚弄明白“提示词”（Prompt）怎么写，一扭头就撞上了一堵“硬件墙”。 训练一个大模型 = 建造一艘航空母舰 所有的硬件术语，我们都可以在这个“造航母”的过程中找到它们的位置。 模型参数、计算数据这些“零件”，必须先搬到工作台上才能开始组装。 为什么总说“显存不够”？ 因为大模型的“零件”（参数）实在太多了！ 显存大小，直接决定了你能“玩”多大的模型。 HBM (高带宽内存)是什么？ 这是给工作台配的“超高速传送带”，能以极快速度在工作台各处搬运零件，让工程师不用花时间在等待零件上。 2. 2. InfiniBand：连接车间的“跨厂高铁” 它是什么？ 训练真正的大模型，需要几百上千台服务器（几千上万块GPU）一起工作。这就好比一个巨大的造船工业园，里面有无数个车间。
26910编辑于 2025-12-30 - 来自专栏数据猿
【AI大模型展】网易数帆代码领域大模型——知识增强领域模型加速数智软件生产
网易数帆AI大模型 该AI大模型由网易数帆投递并参与数据猿与上海大数据联盟联合推出的《2023中国数据智能产业AI大模型先锋企业》榜单/奖项”评选。 数据智能产业创新服务媒体 ——聚焦数智 · 改变商业 知识增强领域大模型是网易数帆独创的一套落地方法论，底层采用网易伏羲、网易杭州研究院、网易数帆AI团队共建的网易玉言大模型基座，旨在结合大模型微调和知识增强技术降低实施交付成本 应用场景/使用群体 网易数帆知识增强代码领域大模型已经和全栈低代码融合，形成了CodeWave智能开发平台，实现了开发、测试、运维等软件生产全链路的智能化，面向企业级业务开发者提供服务。 产品优势 在网易数帆知识增强代码领域大模型加持下，即使不具备深厚的技术背景的开发者也可以实现从”智能生成“到”可视化拖拽调整”的全栈低代码应用搭建，让开发过程更加高效，同时也可以提高应用程序的安全性和可靠性 2、应用广泛，目前已经覆盖网易集团公司生态，包括游戏、音乐、电商、教育、客服、IT等领域。 3、数据安全，可随大模型应用系统私有化部署，业务敏感数据更加安全可控。
47910编辑于 2023-10-29 - 来自专栏AI+运维：智能化运维的未来
大模型技术在运维中的知识管理革命
于是，大模型技术应运而生，为运维中的知识管理带来了革命性的变化。什么是大模型技术？大模型技术，主要指的是基于深度学习的模型，如GPT-3、BERT等，它们通过训练大量的数据，能够理解和生成自然语言。 这些模型在各个领域都有广泛的应用，尤其在文本生成、翻译、情感分析等方面表现出色。在运维领域，这些大模型的应用不仅仅限于简单的文本处理，而是深入到知识管理和自动化运维的方方面面。 大模型技术在知识管理中的应用日志分析和异常检测大模型可以帮助自动化分析系统日志，检测潜在的异常情况。例如，通过训练一个基于深度学习的模型，可以识别出日志中的异常模式，并及时报警。 知识共享：通过构建智能知识库，团队成员可以方便地获取所需的信息，避免重复劳动。实时响应：大模型可以实时分析和处理异常情况，确保系统的稳定运行。 模型的解释性：大模型的决策过程往往复杂，缺乏透明性，给故障排查带来一定难度。结语大模型技术在运维中的知识管理应用前景广阔。
37210编辑于 2025-01-23 - 来自专栏NewBeeNLP
「大模型」之所短，「知识图谱」之所长
01、大语言模型与知识图谱的对比 首先来对比一下大语言模型和知识图谱的优势与劣势。 去年 ChatGPT 问世的初期，还曾有声音说知识图谱已经过时了，将被大模型所替代。 然而，随着这一年来的深入探讨和研究，目前业界普遍认为，大语言模型和知识图谱各有所长，能够互相补充[1,2]。 2. 评测结论 从目前的测试结果来看，有几点颇具趣味性的结论值得关注。首先，大模型在知识记忆、理解、应用和创新等任务中普遍存在较大的局限性。 05、知识图谱助力大语言模型落地应用 1. 知识图谱作为外接工具或插件提高大模型生成内容的知识准确性和可解释性 知识图谱辅助大语言模型的另一个方面是可以帮助大模型的落地应用。 事实上，Google 提出知识图谱的初衷便是为了提升其搜索引擎的性能。 2. 知识图谱可以提升大模型生成内容的安全性和一致性 知识图谱还有助于提高大模型生成内容的安全性和一致性。
3.9K10编辑于 2024-05-15
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