- 综合排序
- 最热优先
- 最新优先
5种大模型Agent模式
大模型中的5种AI Agent模式在大模型中，AI Agent（人工智能代理）模式是一种重要的应用方式，可以从以下几个方面来理解：1. 在大模型的背景下，AI Agent 是基于大规模预训练模型（如 GPT 等）构建的智能代理，能够利用模型的语言理解和生成能力来完成复杂的任务。 智能性：它基于大模型的强大语言理解能力，能够理解自然语言指令，并生成自然语言响应。这种智能性使其能够处理复杂的语言任务，如对话、写作、翻译等。 工作原理感知与理解：AI Agent 首先通过输入（如用户指令、环境数据等）感知外部信息，然后利用大模型的语言理解能力解析这些信息，确定任务目标。 下面介绍5种常见的AI Agent模式：1.
5.4K10编辑于 2025-05-07- 来自专栏啄木鸟软件测试
大模型测试：性能优化的5大实战策略
引言 随着ChatGLM、Qwen、DeepSeek及Llama系列大语言模型在金融、政务、医疗等关键场景加速落地，模型测试已远超传统‘功能是否正确’的范畴——性能成为决定能否上线的核心瓶颈。 这些并非个例，而是大模型测试进入深水区的典型信号：性能不是附加项，而是可信AI的第一道防线。 一、明确性能基线：拒绝‘拍脑袋’指标 大模型性能测试首要误区是套用小模型标准。 二、分层注入式压测：从单卡到集群的穿透验证 传统压力测试常止步于API层，而大模型性能瓶颈常藏于框架底层。 推荐采用‘四层注入法’： 1）API层：模拟真实用户请求分布（如80%短提示+15%中长提示+5%对抗性长上下文），避免均匀负载失真； 2）Engine层：直连vLLM/Triton推理引擎，注入不同 结语 大模型性能测试的本质，是构建‘可测量、可归因、可演进’的效能反馈闭环。
51810编辑于 2026-03-31 【大模型微调】一文掌握5种大模型微调的方法
（Prompt Tuning）在内的5种主流方法。 大模型微调究竟是什么？直观上，大模型微调即是指通过输入特定领域或任务的数据，并有选择性地调整模型参数的技术过程。 我们所讨论的5种微调方法，本质上都是对这个基础架构中自注意力机制与前馈神经网络等核心组件的参数进行优化的不同策略。 5、提示调整-轻量级的参数优化提示调整（Prompt Tuning）是一种“润物细无声”的微调，不改变模型自身，而是通过优化输入提示词的嵌入表示来引导模型输出。 四、大模型微调赋能智能未来综上所述，大模型微调是连接通用基座模型强大能力与具体业务需求的关键桥梁。
4.9K40编辑于 2025-10-23- 来自专栏张俊红
5 大常用机器学习模型类型总结
本文介绍了 5 大常用机器学习模型类型：集合学习算法，解释型算法，聚类算法，降维算法，相似性算法，并简要介绍了每种类型中最广泛使用的算法模型。我们希望本文可以做到以下三点： 1、应用性。 所以我们希望通过给出模型的一般类别，让你更好地了解这些模型应当如何应用。 2、相关性。 因此，与其创建模型来预测响应变量的值，不如创建解释性模型来帮助我们理解模型中变量之间的关系。 如果你不能解释一个模型是如何工作的，那么这个模型就很难取信于人，自然也就不会被人们应用。 参考链接： https://towardsdatascience.com/all-machine-learning-algorithms-you-should-know-in-2022-db5b4ccdf32f
3.7K20编辑于 2022-03-29 - 来自专栏有三AI
【模型解读】历数GAN的5大基本结构
如全卷积的DCGAN模型[1]，输入就是1*100的向量，然后经过一个全连接层学习，reshape到4*4*1024的张量，再经过4个上采样的反卷积网络，生成64*64的图。 5.1 级联结构[5] 早期以DCGAN为代表的网络生成的图片分辨率太低，质量不够好，都不超过100×100，在32×32或者64×64左右。 在图像分割中进行上采样时也采用学习小倍率的放大而不是大倍率的方法，如利用两个2倍上采样替换一个4倍的上采样，不仅可以增强网络的表达能力，还降低了学习难度。 5.2 并行与循环结构[6] GAN有一大应用就是风格化，实现两个域之间的风格互换，以CycleGAN[6]为典型代表。它包含了多个生成器和多个判别器。Cycle的典型结构如下： ? ? Triple Generative Adversarial Nets[J]. neural information processing systems, 2017: 4088-4098. [5] Denton
1.5K10发布于 2019-07-26 - 来自专栏啄木鸟软件测试
多模态大模型技术原理及实战(5)
国内外多模态大模型对比 国内 LLaMA-Adapter V2 香港中文大学 双语输出 输入 •图像 •语音 •文本 •视频 • 3D 点云 起源：LLaMA-Adapter •在线性层上进行偏差调整 •4、ChatGLM-6B 在 GLM 框架下，专门针对中文问答和对话进行了优化 mPLUG-Owl 阿里巴巴达摩研究院 2023年5月 架构 •视觉基础模块(采用开源的VTL-L) •视觉抽象模块 多模态大模型评测数据集 国内评测数据集 OwlEval •基于mPLUG-Owl模型发布 • 包含 •50 张图片 •82 个回题 •功能 •故事生成 •广告生成 •代码生成 MME •开发 •结构 •265 016张图片 •每张图片至少有 3 个问题(平均 5.4个每个问题） •每个问题 •有 10 个基本事实答案 •有 3 个合理(但可能不正确)的答案 多模态大模型的评测标准 国内评测标准 KROCC( Kendall Rank Order Correlation Coefficient，肯德尔秩相关系数) •RMSE( Root Mean Square Error,均方根误差 ) 多模态大模型对比
44410编辑于 2024-09-10 - 来自专栏星哥的AI自留地
OpenAI发布最新大模型GPT5、本地部署GPT开源模型
OpenAI发布最新大模型GPT5、本地部署GPT开源模型GPT-5概述北京时间 2025年8月8日 凌晨1点 OPENAI举行了1个小时的线上发布会，正式推出了其史上最聪明、最强大的大模型GPT-5 GPT-5是OpenAI发布的最新一代大型语言模型，它基于Transformer架构，经过大规模的文本数据训练，能够生成流畅、自然的语言输出。 GPT-5具备以下几个显著特点：更大的参数规模：GPT-5拥有比GPT-4更多的参数，使其能够处理更为复杂的语言任务。 使用微软的copilot可以免登录使用GPT5、但是需要一些魔法。 最后以上就是全部内容，GPT-5的简介和在本地搭建使用OpenAI的GPT-oss的开源模型。写文不易，如果你都看到了这里，请点个赞和在看，分享给更多的朋友；也别忘了关注星哥玩云！
2.6K10编辑于 2025-08-27 - 来自专栏量子位
清华大模型人才遭哄抢！盘点5大学术重镇10大产业玩家
经唐杰手的大模型，都是这几年里大家的“老朋友”：超大规模预训练大模型“悟道”（悟道2.0参数规模达到1.75万亿）；2021年与阿里达摩院联合发布的中文多模态预训练大模型M6；已经开源的中英文预训练语言大模型 黄民烈本人不仅参与了“悟道”大模型的开发，还基于大模型和对话系统的学术背景，在前年创办致力于打造“超拟人大模型”的聆心智能。 国内大模型力量百家争鸣：5大学术重镇，10大产业巨头 清华不是这轮浪潮中唯一的宠儿。随着AIGC和类ChatGPT产品相关话题日益高涨的热度，国内大模型人才市场好不热闹。 为此，量子位梳理了百家争鸣的国内产学研界大模型重镇，代表性机构和代表性人物，共计5支学术界团队和10大产业界力量，排名不分先后。当然极有可能挂一漏万，欢迎在评论区中补充。 科大讯飞公开资料披露，2022年12月，科大讯飞已经进一步启动生成式预训练大模型任务攻关，类ChatGPT技术将在今年5月落地公司AI学习机产品中。
2.2K20编辑于 2023-02-24 - 来自专栏大模型应用
大模型应用：概率驱动：大模型文字预测的核心机制与理论基础.5
大模型文字预测1. 基本原理 文字预测，就是让模型根据已经出现的文字，预测下一个最可能出现的字（或词）。比如，输入“今天天气很”，模型可能预测出“好”、“热”、“冷”等。2. 大模型的做法：它的大脑里有一个“概率字典”。 大模型不是一个真正的大脑，而是一个极其复杂的数学网络。我们可以把它想象成一个巨大的、经过特殊训练的自动补全机器。模型的输入：你给它的所有文字（我们称之为 “上下文” 或 “提示”）。 5. 纠错与调整： 如果模型预测“分支”的概率很高，系统就会表扬它，并微调内部参数，强化这个连接。 5. 损失函数：衡量预测的差距 模型会用一个叫做损失函数的指标来衡量预测值与真实值的差距。
52232编辑于 2026-02-02 2026-2027 大模型领域5大突破性方向展望
结合当前技术瓶颈与行业需求，笔者判断，2026-2027年大模型领域的下一波大进展，将集中在交互体验、模型架构、底层基建、认知能力和推理可靠性五大核心方向，每一个方向的突破，都将为AGI（通用人工智能） 二、参数可调基座大模型：从“固定能力”到“动态适配”，解锁模型复用新可能当前主流的大模型，本质上是“训练完即固定”的静态模型——即便通过LoRA微调、Prompt工程等方式优化，也存在迭代周期长、资源消耗大 而参数可调的基座大模型，将成为下一代大模型架构的核心突破点。 简单来说，一个可调基座大模型，就能替代多个专用模型，实现“一基多用”。 大模型的发展已进入“质变”前夜，这五大突破性方向，不仅将重塑大模型的技术格局，也将推动AI技术从“实验室”走向“产业界”，真正赋能千行百业。
6.7K10编辑于 2026-03-15- 来自专栏全栈测试技术
大模型工程实现全解：5大落地路径从入门到实战
其实行业里所有大模型应用，归根结底就5种工程实现方式：提示词工程、RAG、微调、续训、智能体开发。今天重新梳理案例、补充实战经验，带你一次性把基础全部吃透，以后做项目选型直接就能套用。 三、大模型绕不开的致命问题：模型幻觉不管多强的大模型，都逃不开幻觉这个通病，做工程落地必须首先正视它。什么是模型幻觉大模型输出看着逻辑通顺、语气笃定，但事实错误、凭空编造、引用造假，这就是幻觉。 四、大模型工程落地5大核心模块这是重点，所有大模型项目，都逃不开这五种实现方式，按从简单到复杂、低成本到高成本梳理。 5.智能体Agent开发：最高阶落地形态提示词、RAG、微调都搞不定多步骤复杂任务、需要工具调用、自主规划的场景，就上智能体。智能体=大模型+记忆+任务规划+工具调用+环境交互。 五、5大工程方案选型决策口诀简单文案、常规问答→优先提示词工程私有知识库、实时新知、降低幻觉→直接上RAG固定风格、专属话术、指令统一→用微调行业深度知识严重缺失→考虑续训多步骤复杂任务、需要工具自主调用
28920编辑于 2026-06-02 - 来自专栏大模型应用
大模型应用：大模型业务落地规避低效陷阱：直击5大高频误区深度拆解与整改指南.134
、5大实践误区1. 本地闭环测试：规则校验层 + 大模型推理层联合本地批量压测3. 灰度小流量放量：仅开放 5% 用户访问，实时监控错误日志与拒绝率4. 问题闭环修复：漏洞统一迭代优化后，再全量正式上线4.5 对大模型应用的核心价值提前拦截底层语义识别缺陷，规避线上批量事故；优化大模型在非标口语场景的基础适配能力，降低运维应急处置压力。5. 共情话术库配置 → 绑定规则拦截与大模型柔性输出模板4. 本地非标数据集全量压测 → 方言 / 错字 / 短句多维度验证容错5. 基础高危词库初始化 → 设置自动化每周迭代更新机制6. 高危词库支持动态周期更新，覆盖新型隐性风险"""大模型实战5大典型误区 ｜错误写法 VS 正确写法 全集统一运行工程业务场景：心理情绪陪伴对话前置校验系统"""import reprint("=" *
26732编辑于 2026-06-11 - 来自专栏CreateAMind
大语言模型无法实现具身智能：5万字自我模型
大语言模型无法实现具身认知 具身智能到底是什么？ 正如知觉错觉所证明的那样[51,52]，到达感官的信息本质上是模糊的，因为类似的输入可能来自无限数量的世界状态（例如，一个物体是小而近，还是大而远？）。 5. Neurophenomenology of Agency 5.1. 我们实际上填充了一个完整而丰富的模拟环境，还是这种主观体验是某种“大幻觉”，实际上我们只填充了环境的局部方面 以一种特别的方式[8,324-326]？ 虽然意识的某些丰富性可能代表了一种“大幻觉”，但在许多方面，这种所谓的幻觉现象可能会通过根据需要填充细节来发挥作用，就好像一个丰富而完整的领域总是存在的。
41210编辑于 2026-03-11 - 来自专栏创作是最好的自我投资
通用大模型VS垂直大模型
在人工智能这个充满无限可能的领域内，通用大模型和垂直大模型各有千秋。就我个人而言，在二者之间的选择上，并不存在偏向某一方的倾向。我觉得应当依据实际应用场景的具体需求，来挑选最为契合的大模型。 通用大模型通用大模型，乃是旨在应对多种任务与数据类型的庞然大物级人工智能模型。 在知识覆盖的广度方面，通用大模型无疑具有明显的优势。当我们对于当下所需模型所涉及的精确专业领域的界限感到模糊不清时，选择通用大模型无疑是一种明智之举。垂直大模型接下来谈谈垂直大模型。 然而，由于垂直大模型的训练内容聚焦于当前行业，其涉猎的范围更集中，数据针对性更强，所以在提供专业咨询时往往更加精准、细致，这也正是垂直大模型的独特价值所在。 因此，对于通用大模型或者垂直大模型，更倾向于哪一方不取决于个人想法，而是取决于用户需要。
1K01编辑于 2024-12-30 - 来自专栏小洁叫你mysql
【AI大模型】训练Al大模型
大模型超越AI 目前所指的大模型，是“大规模深度学习模型”的简称，指具有大量参数和复杂结构的机器学习模型，可以处理大规模的数据和复杂的问题，多应用于自然语言处理、计算机视觉、语音识别等领域。 本文将探讨大模型的概念、训练技术和应用领域，以及与大模型相关的挑战和未来发展方向。 应用领域 首先来谈一谈大模型的·成就 大模型已经在许多应用领域取得了显著的成果，包括： 自然语言处理： import torch from transformers import T5Tokenizer , T5ForConditionalGeneration # 加载预训练模型和分词器 model = T5ForConditionalGeneration.from_pretrained('t5-base 大模型是指具有庞大参数数量的机器学习模型。传统的机器学习模型通常只有几百或几千个参数，而大模型则可能拥有数亿或数十亿个参数。
1.9K30编辑于 2023-10-10 - 来自专栏机器学习与推荐算法
SIGIR2024 | OpenP5: 大模型推荐评测平台
TLDR: 本文介绍了一个开源大模型推荐评测平台OpenP5，旨在促进用于研究的基于大模型生成式推荐系统的开发、训练和评估。 上述局限性可能会阻碍基于大模型推荐研究的探索。 本文提出了一个开源平台OpenP5，旨在促进用于研究目的的基于大模型的生成式推荐系统的开发、训练和评估。该平台在10个广泛认可的公共数据集上进行实验。 另外，OpenP5使用编码器-解码器大模型(如T5)和仅解码器的大模型(如Llama-2)实现，满足了两个基本的推荐任务:序列推荐和直接推荐。下图展示了不同推荐任务所对应的提示的不同。 认识到物品ID在基于大模型的推荐中的重要作用，我们还在OpenP5平台中纳入了三种物品索引方法:随机索引、顺序索引和协同索引。 下表展示了OpenP5相比于基线方法的优越性，并探索了在不同大模型基础上的实验效果。
83710编辑于 2024-07-05 - 来自专栏学习
开源大模型与闭源大模型
在人工智能（AI）和机器学习（ML）的快速发展过程中，大模型（Large Models）已经成为推动技术进步的重要力量。当前，业界存在两种主要的大模型开发模式：开源大模型和闭源大模型。 一、开源大模型 开源大模型是指开发者将模型的代码和训练数据公开，使得任何人都可以访问、修改和使用这些资源。 二、闭源大模型 闭源大模型是指模型的代码和数据不对外公开，通常由商业公司开发和维护。代表性的闭源大模型包括OpenAI的GPT-3和Google的BERT。 三、开源大模型与闭源大模型的对比 1.透明性与可控性： 开源大模型的透明性更高，任何人都可以查看和验证其代码和数据，确保模型的行为符合预期。这对于学术研究和技术验证非常重要。 闭源大模型通过控制代码和数据的访问，能够更好地保护用户隐私和数据安全，降低被恶意利用的风险。 五、总结 开源大模型和闭源大模型各有优缺点，适合不同的应用场景和需求。
2.3K10编辑于 2024-10-09 - 来自专栏IT从业者张某某
大模型与大模型的幻觉问题
参考 大模型中的涌现 OpenAI 科学家：幻觉是大模型与生俱来的特性，而非缺陷 大模型「幻觉」，看这一篇就够了｜哈工大华为出品 大模型 什么是大模型 大语言模型（LLM）是基于海量文本数据训练的深度学习模型 大模型的模型发展如下图 涌现 参考：大模型中的涌现 什么是涌现？先从蚂蚁开始说起。蚂蚁是自然界中一种个体非常简单，但是群体能力非常强大的生物。 如何解决大模型的「幻觉」问题？ 方向一：什么是大模型「幻觉」 大模型出现幻觉，简而言之就是“胡说八道”。 用文中的话来讲，是指模型生成的内容与现实世界事实或用户输入不一致的现象。 OpenAI 科学家 Andrej Karpathy关于大模型幻觉 在 Karpathy 看来： 从某种意义上说，大语言模型的全部工作恰恰就是制造幻觉，大模型就是「造梦机」。 只有大模型助手存在幻觉问题。 方向二：造成大模型「幻觉」的原因 那么致使大模型产生幻觉的原因都有哪些？
2.1K11编辑于 2024-01-04 - 来自专栏数据派THU
原创 | 大模型扫盲系列——初识大模型
为了提高模型的性能，研究者们不断尝试增加模型的参数数量，从而诞生了大模型这一概念。本文将从大模型的原理、训练过程、prompt和相关应用介绍等方面进行分析，帮助读者初步了解大模型。 为了提高模型的性能，研究者们不断尝试增加模型的参数数量，从而诞生了大模型这一概念。本文讨论的大模型将以平时指向比较多的大语言模型为例来进行相关介绍。 BERT，RoBERT，ALBERT等 2）Encoder-Decoder，既包含编码器也包含解码器，通常用于序列到序列（Seq2Seq）任务，如机器翻译、对话生成等，这类代表是以Google训出来T5为代表相关大模型 5）公司业务定制化大模型：大模型具有通用性能力，但是在很多零样本的场景的表现依然比不上那个领域正在使用的产品，例如在某些垂直领域，包括工业领域，医药领域，管理领域等场景下进行专业问题，研究型问题的使用依然需要特定场景的数据进行微调 除这些外还包括算法优化、隐私和数据安全以及模型可解释性等方面的研究和应用，每天还有很多大模型的应用正在不断涌现，大模型在未来仍然有很大的发展潜力，国内的优秀大模型代表例如百度文心大模型也正在搭建全系统产业化的大模型全景
21.6K29编辑于 2023-11-22 别再“为了大模型而大模型”了
最近这两年，在很多公司里，大模型成了一种奇妙的存在。 它不像一个技术工具，更像是一只突然闯进会议室的大象。 领导一拍桌子： “我们也要上大模型！” 业务同事一听： “我们这个流程能不能加个大模型？” 但现在有些项目会直接说： “让大模型来判断吧。” 乍一听很高级，仔细一想很浪费。 大模型当然能判断，但它不一定最适合判断。 大模型天然消耗昂贵的GPU和电力，成本更高；大模型的参数量巨大，运算速度更慢；大模型基于语言的概率给出答案，结果不稳定，大模型内核原理对业务就是一个黑盒，无法说明，解释更困难；出了错还不好定位，你只能靠经验去猜 不需要梳理业务流程了，大模型会自己理解； 不需要总结专家经验了，大模型会自己推理； 不需要定义评价标准了，大模型会自己判断； 不需要建设知识库了，大模型会自己知道。 七、别把大模型当神仙，要把它当同事 我一直觉得，企业用大模型最健康的心态，不是“请神”，而是“招人”。
30911编辑于 2026-06-01
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