- 综合排序
- 最热优先
- 最新优先
- 来自专栏磐创AI技术团队的专栏
6种用于文本分类的开源预训练模型
我们已经看到像谷歌的BERT和OpenAI的GPT-2这样的模型真的很厉害。在这里中，我将介绍6种最先进的文本分类预训练模型。 T5模型跟踪了最近关于未标记数据的训练趋势，然后在标记文本上微调该模型。可以理解的是，这个模型是巨大的，但是我们很有兴趣看到进一步研究如何缩小这种模型的规模，以获得更广泛的使用和分布。 预训练模型 5：NABoE 神经网络一直是NLP任务最受欢迎的模型，并且其性能优于更传统的模型。此外，在从语料库建立知识库的同时用单词替换实体可以改善模型学习。 NABoE模型在文本分类任务中表现得特别好: 预训练模型6：Rethinking Complex Neural Network Architectures for Document Classification 本文将这些结果与其他深度学习模型进行了实证比较，证明了该模型简单有效，并且结果说明了一切： 对于行业而言，这种模型可以被认为是一种新颖的方法，在该行业中，构建可用于生产的模型并且在指标上取得高分非常重要
3.4K10发布于 2020-06-29 6个开源的最佳本地运行大语言模型（LLM）工具
很多开发者选择本地运行开源模型的核心原因是：数据共享与隐私保护的顾虑。 的确，如果你通过 DeepSeek Chat 或 DeepSeek API 使用该模型，你的数据可能会被用于模型训练。 它支持来自多个模型提供方的 gguf 格式文件，例如 DeepSeek R1[4]、Phi-3[5]、Mistral[6]和 Gemma[7] 等。 如上方示意图所示，本文使用的是 Meta-Llama-3.1-8B-Instruct.Q6_K.llamafile，其中 Q6 表示量化等级。 •模型探索： 该功能允许开发者浏览并下载各种 LLM 模型进行实验。你可以从如 LLama、Mistral 等主流模型中，选择多达约 1000 个开源模型。 在前文提到的所有开源本地 LLM 工具中，Ollama 拥有最多的贡献者，且具备更强的可扩展性。 6.
3.3K10编辑于 2026-03-13- 来自专栏猫头虎博客专区
ChatGLM2-6B和ChatGLM-6B：开源双语对话模型，探索无限对话可能！
ChatGLM2-6B和ChatGLM-6B：开创双语对话生成新时代 摘要： 本文介绍了ChatGLM2-6B和ChatGLM-6B这两个开源的中英双语对话模型，它们由清华大学的KEG和数据挖掘小组（THUDM 缺点： 模型尺寸相对较小：与某些针对特定领域或任务的模型相比，ChatGLM2-6B和ChatGLM-6B的模型尺寸较小（6B），限制了复杂推理和泛化能力。 通常，一些数据集是完全开源的，可自由使用和修改，而另一些数据集可能有限制，需要申请或遵守特定规则。 6B或ChatGLM-6B模型，输入对话文本，即可得到对话回复。 ChatGLM2-6B和ChatGLM-6B的开源和商用授权政策也值得注意，选择合适的授权方式有助于充分利用它们的优势。让我们拥抱这两个强大的对话模型，一同探索无限的对话可能！
1.1K10编辑于 2024-04-08 - 来自专栏睡前机器学习
开源大模型到底开源什么？
但大语言模型的“开源”完全不是这么一回事。先别管OpenAI现在名叫钮钴禄氏·CloseAI，就算哪天良心发现，真的要找回自己做一个名副其实的OpenAI，洗心革面把GPT-4给开源了。 算法的核心部分主要包括有模型结构和训练方法，这两部分都有对应的源码。哪天OpenAI公开源码，我们应该就能看到的也就是模型结构和训练方法两部分。 当然，这只是核心部分。 那么，现在很多研究者在呼吁的开源，到底是要开源什么呢？开源模型，具体来说，是开源训练好的模型参数。模型参数拿到手，基本上就能完整复现能力了。 前面说过，模型这玩意距离能力复现就一步之遥，有很多人爱开源模型，也有很多人不爱开源模型，原因和上面差不多，还有一种是大公司大机构才敢用，官方辞令很多，譬如“出于社会责任考虑”，或者“安全伦理存在巨大风险 这里为咱们的中文开源大语言模型打个Call吧，能讲中文还开源的大语言模型真的不多，清华放出来的ChatGLM-6B应该是佼佼者，而是真·单卡就能运行。这里说的是消费级显卡。
1.6K20编辑于 2023-09-09 - 来自专栏frytea
在自己的电脑运行清华开源语言模型 ChatGLM-6B
过去这段时间 AIGC 市场竞争异常激烈，各大厂纷纷祭出自家的大预言模型，在这场国产 AI 大乱斗中，清华大学于 2023 年 3 月 28 日发布的开源通用语言模型 —— ChatGLM-6B 显得格外不同 ，因为这是一款开源的语言模型。 ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。 经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 已经能生成相当符合人类偏好的回答。 每个人都可以将源代码和模型下载到自己的电脑上运行。这也许才是未来 AI 正确的打开方式，避免一家独大造成垄断格局。
51840编辑于 2023-10-21 - 来自专栏AI进修生
6k Star！ChatTTS：开源领域最强的文本到语音转换（TTS）模型！
该模型能预测和控制细粒度的韵律特征，如笑声、停顿和插入词，韵律表现超越大部分开源TTS模型。同时提供预训练模型，支持进一步研究。 最大的模型使用了10万小时以上的中英文数据进行训练。在HuggingFace中开源的版本为4万小时训练且未SFT的版本. 细粒度控制: 该模型能够预测和控制细粒度的韵律特征，包括笑声、停顿和插入词等。 3. 更好的韵律: ChatTTS在韵律方面超越了大部分开源TTS模型。同时提供预训练模型，支持进一步的研究。 这个韵律超越了许多开源模型[uv_break]。 请注意，chat T T S 的使用应遵守法律和伦理准则，避免滥用的安全风险。 usp=sharing 计划路线 • 开源4w小时基础模型和spk_stats文件 • 开源VQ encoder和Lora 训练代码 • 在非refine text情况下, 流式生成音频* •
1.8K10编辑于 2024-12-02 - 来自专栏存储内核技术交流
redis 6多线程模型
redis 多线程架构 redis6之前的版本一直单线程方式解析命令、处理命令，这样的模式实现起来简单，但是无法使用多核CPU的优势，无法达到性能的极致；到了redis 6，redis6采用多线程模式来来读取和解析命令 ，但是命令的执行依然通过队列由主线程串行执行，多线程的好处是分离了命令的解析和命令执行，命令的解析有独立的IO线程进行，命令执行依旧有main线程执行,多线程增加了代码的复杂度 开启多线程模型 Redis.conf readQueryFromClient->processInputBuffer->processCommandAndResetClient->processCommand->call } } } //多线程模型初始化
59520编辑于 2022-08-17 - 来自专栏AI科技大本营的专栏
Meta 开源 ImageBind 新模型，超越 GPT-4，对齐文本、音频等 6 种模态！
似乎是为了出一口“气”，也为证明自家的实力，相比 OpenAI、Google 推出闭源的 GPT-4、Bard 模型，Meta 在开源大模型的路上一骑绝尘，继两个月前开源 LLaMA 大模型之后，再次于 ，趟出一条属于开源大模型的路。 通过对齐 6 种模态，你可以实现一些仅靠文本的 GPT-4 无法实现的花式功能： 跨模态检索：将其视为多媒体谷歌搜索 嵌入空间算术：无缝地组合不同的数据格式。 与之形成对比的是，支持开源的人则认为，像 Meta 开源 ImageBind 的做法有利于生态的快速建立与发展，也能集结全球的力量，帮助 AI 模型快速迭代和捕捉 Bug。 所以，OpenAI 和 Google 两家在 AI 大模型上你追我赶的竞争中，谁能笑到最后，也未必就不会是 Meta，我们也将拭目以待。对此，你是否看好开源大模型的发展？
1.2K30编辑于 2023-05-15 - 来自专栏HyperAI超神经
回顾 2018 ：最 6 的 6 个机器学习开源项目
GitHub 地址 ：https://github.com/fastai/fastai 这是 Fast.ai 发布的一个免费开源 Pytorch 库，最初是为 Fast.ai 课程的学生创建的，于 18 GitHub 地址： https://github.com/facebookresearch/fastText 它也是来自于 Facebook AI 的资料库，于 16 年开源。 它支持多种语言，配备有训练过的 150 多种语言的单词向量模型。这些单词向量有多种用途，包括文本分类，摘要和翻译。 另外相比于深度模型，fastText 能将训练时间由数天缩短到几秒钟。 GitHub 地址：https://github.com/jhfjhfj1/autokeras Auto-Keras 是一个用于自动机器学习（ AutoML ）的开源软件库。 Auto-Keras 则在这个方面迈出了一步，它能提供自动搜索深度学习模型和超参数的功能。 Dopamine ?
60410发布于 2019-11-30 - 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。 优点： 1.透明性和可验证性： 开源模型的代码和数据完全公开，任何人都可以检查模型的构建和训练过程，确保其行为的透明性。 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。 3.资源共享与独占优势： 开源大模型在资源共享方面表现突出，任何人都可以利用这些开源资源进行学习和研究，促进技术的普及和应用。
1.7K10编辑于 2024-10-09 - 来自专栏DevOps
AI模型：开源大语言模型bloom学习
作为一名开源爱好者，我非常不喜欢知识付费或者服务收费的理念，所以便有决心写下此系列，让一般大众们可以不付费的玩转当下比较新的开源大语言模型bloom及其问答系列模型bloomz。 一、模型介绍 bloom是一个开源的支持最多59种语言和176B参数的大语言模型。 bigscience在hugging face上发布的bloom模型包含多个参数多个版本，本文中出于让大家都能动手实践的考虑，选择最小号的bloom-1b1版本，其他模型请自行尝试。 (checkpoint) #下载模型 网速足够快的情况下等一会就下载好了，但通常情况下我们得ctrl+c打断代码运行，手动下载模型存放到对应位置，即.cache\huggingface\hub\models–bigscience–bloom 下载模型地址: https://huggingface.co/bigscience/bloom-1b1/tree/main 把如上图所示链接中的五个文件（不包含这个flax_model.msgpack）
90810编辑于 2024-03-29 - 来自专栏技术趋势
google开源大模型-gemini
官网：https://deepmind.google/technologies/gemini/#introduction 简介 Gemini是谷歌公司发布的人工智能大模型，能够在从数据中心到移动设备等不同平台上运行 Gemini包括一套三种不同规模的模型：Gemini Ultra是最大、功能最强大的类别，被定位为GPT-4的竞争对手；Gemini Pro是一款中端型号，能够击败GPT-3.5，可扩展多种任务；Gemini “双子座”Ultra版本是首个在“大规模多任务语言理解”（MMLU）领域超越人类专家的模型。---百度百科 https://baike.baidu.com/item/Gemini/63729669? embed_other.whitelist&vd_source=7d0e42b081e08cb3cefaea55cc1fa8b7 相关能力对比 能力 基准 描述 Gemini GPT-4V（当GPT-4V不支持此功能时，列出了先前的SOTA模型 随着未来大模型的普及我们的工作肯定有一部分会通过AI来提高效率，所以可以提升了解并实践
2.4K10编辑于 2024-01-15 - 来自专栏xiaosen
LLM主流开源代表模型
LLM主流开源大模型介绍 1 LLM主流大模型类别 随着ChatGPT迅速火爆，引发了大模型的时代变革，国内外各大公司也快速跟进生成式AI市场，近百款大模型发布及应用。 目前，市面上已经开源了各种类型的大语言模型，本章节我们主要介绍其中的三大类： ChatGLM-6B：衍生的大模型（wenda、ChatSQL等） LLaMA：衍生的大模型（Alpaca、Vicuna 、BELLE、Phoenix、Chimera等） Bloom：衍生的大模型（Bloomz、BELLE、Phoenix等） 2 ChatGLM-6B模型 ChatGLM-6B 是清华大学提出的一个开源 训练数据以英文为主，不包含中韩日文，所有训练数据都是开源的。 小结 主要介绍了LLM主流的开源大模型，对不同模型架构、训练目标、优缺点进行了分析和总结。
63810编辑于 2024-06-04 - 来自专栏哆哆Excel
Thinkphp6（6）模型学习与知识总结（二）
Thinkphp6（6）模型学习与知识总结（二） 上一次学习了模型，对模型有一点小认识，今天再来学习一下，我一开始是没有想到要学习模型，原因是CURD（增删改查）中很多可以用Db类在控制器中完成，其实模型有很多好东西的 COMMENT '删除时间', PRIMARY KEY (id) ) ENGINE=InnoDB AUTO_INCREMENT=15 DEFAULT CHARSET=utf8; 二、再建立一个模型 位字符型的数字以方便测试用的 public function numStr($num) { static $seed = array(0,1,2,3,4,5,6,7,8,9 第一步，你要在数据表中有一个字段是delete_time, 第二步要在模型中引入类：use think\model\concern\SoftDelete;， 第三步在模型中开启//开了软删除功能 ，这也是模型类的好处哦
1.2K30编辑于 2022-10-25 - 来自专栏云计算运维
6 个用于写书的开源工具
我在 1993 年首次使用并贡献了免费和开源软件，从那时起我一直是一名开源软件的开发人员和布道者。 尽管我被记住的一个项目是 FreeDOS 项目，这是一个 DOS 操作系统的开源实现，但我已经编写或者贡献了数十个开源软件项目。 我最近写了一本关于 FreeDOS 的书。 这本书几乎完全是用开源软件制作的。我想分享一下对用来创建、编辑和生成《使用 FreeDOS》的工具的看法。 Google 文档 Google 文档是我使用的唯一不是开源软件的工具。 我确信有开源协作工具，但 Google 文档能够让两个人同时编辑同一个文档、发表评论、编辑建议和更改跟踪 —— 更不用说它使用段落样式和能够下载完成的文档 —— 这使其成为编辑过程中有价值的一部分。
2.1K10发布于 2021-10-26 - 来自专栏coding for love
CSS入门6-盒模型
各执一词的W3C标准盒模型与IE盒模型 设想你是一位快递运输员，需要在你的货车撞上需要运输的货物。 我们来看一下两种盒模型的详细说明。 2.1 W3C标准盒模型 ? 标准盒模型更为方便。 参考 深入理解盒模型 CSS 盒子模型 css 盒子模型理解 想要清晰的明白（一）： CSS视觉格式化模型|盒模型|定位方案|BFC CSS 布局_1 盒模型 学会使用box-sizing布局 box-sizing 盒子模型
79610发布于 2018-08-27 - 来自专栏CreateAMind
实现最小意识模型-6总结
•时间厚度:作为推理的隐含计划需要一个行动结果的生成模型。 因为结果晚于原因，这意味着未来的生成模型；即超越现在并获得时间深度或厚度的生成模型(Albarracin等人，2022；舒拉奎，2011年；Kirchhoff等人，2018)。 然而，即使不与对定性特征的强有力的表征主义的承诺配对，内屏模型也有解释第一人称体验的不寻常特征的资源，这些特征激发了质的概念。 3.5最小统一模型和经验预测 虽然科学理论需要经验验证，但还不清楚这是否是建立内部筛选模型作为MUM的必要条件。事实上，MUM可以理解为一个综合框架，其解释力在于它的简约。 目前的综合是通过结合先前存在的意识模型发展起来的，因此，利用了这些理论的证据基础。因此，我们的提案的内部一致性以及与其他得到良好支持的模型/框架的协调程度可以被视为对我们框架的(趋同)有效性的测试。
38820编辑于 2023-11-01 - 来自专栏图形学与OpenGL
实验6 OpenGL模型视图变换
3．实验原理： 首先来简单了解计算机图形学中四个主要变换概念： (1)视图变换：也称观察变换，指从不同的位置去观察模型； (2)模型变换：设置模型的位置和方向，通过移动、旋转或缩放变换， 总结起来，OpenGL中矩阵坐标之间的关系为：模型世界坐标→模型视图矩阵→投影矩阵→透视除法→规范化设备坐标→窗口坐标。 为当前窗口指定键盘回调 glutIdleFunc(myIdle);//可以执行连续动画 glutMainLoop();//进入glut时间处理循环，永远不会返回 return 0; } 运行结果如图A.6（ 图A.6(a) 5．实验提高 设置键盘回调函数myKey()，实现键盘交互操作，实现上下前后移动、透视和平行投影模式切换、线框模式切换、退出等操作，见图A.6(b)。 ? 图A.6 (b)
2.7K30发布于 2020-10-27 - 来自专栏大模型&AIGC
6种大模型微调技术
值得一提的是，通过使用T5模型进行模型大小的消融实验，我们展示了提示微调随着规模的增加变得更加具有竞争力：当模型参数超过数十亿时，我们的方法“缩小了差距”并达到了模型微调（即调整所有模型权重）的强大性能 input和target，则使用原始的input embedding(5) 使用方式离散和连续template token混合时，显示地插入一下anchor（离散的token）有助于template的优化(6) 特点优点：能缓解离散prompt方法，导致的模型输出结果到达局部最优缺点：查找的最优提示，可能是次优的在小参数量模型中表现差（小参数模型如Bert，330M），上了10B的模型效果才开始可以持平序列标注等对推理和理解要求高的任务 当参数量达10B，效果相当于FT6.LoRA（2021）(1) 论文信息来自论文：《LORA: LOW-RANK ADAPTATION OF LARGE LANGUAGE MODELS》（2）摘要自然语言处理的一个重要范式包括在通用领域数据上进行大规模预训练 Model)，学习目标为而加入LoRA后，学习目标为：(6) 配置在多个部位$(Q/K/V/Output)$同时添加$\bigtriangleup W$ ，会比只在单一部分上添加权重$\bigtriangleup
2.6K00编辑于 2025-05-08 - 来自专栏iSharkFly
Confluence 6 数据模型 原
本文档提供了 Confluence 的数据结构视图（schema ）和数据模型概念上的的概述。 备注： Hibernate 的映射文件是针对 Confluence 数据模型的直接描述。
38520发布于 2019-01-31
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