- 综合排序
- 最热优先
- 最新优先
- 来自专栏天意云&天意科研云&天意生信云
北大高歌教授综述：ChatGPT在生物信息学的革命性应用
生成语义特征向量 通过领域特定的微调，LLMs可以生成输入文本的语义特征，从而实现基于语义的文献检索，提高信息检索的准确性。 然而，LLMs在应用中仍存在以下挑战： 幻觉信息 LLMs可能生成看似合理但错误的回答，适合作为辅助工具而非独立决策者。 可靠性问题 由于幻觉现象存在，LLMs的结果需进一步验证以确保准确性。 为了提高LLMs在生物信息学中的应用，研究者提出了以下策略： 提示词调整（Prompt Engineering） 精心设计提示词以提升LLMs的任务表现，减少错误生成。 提取增强生成（RAG） 通过从外部数据库检索信息，增强LLMs的知识背景，减少幻觉的可能性。 插件功能 通过插件扩展LLMs的知识获取能力，如支持向量数据库搜索、网页浏览和文献检索等。 提供ChatGPT所有插件支持 地址链接：cloud.dftianyi.com 2. 生物数据的基础模型 文章还讨论了为生物数据设计的专门化基础模型。
48210编辑于 2025-03-06 - 来自专栏JavaEdge
AI 大模型企业应用实战(10)-LLMs和Chat Models
GPT-4 和 Anthropic 的 Claude-2 都是作为聊天模型实现的。 1.2 LLM LangChain 中的 LLM 指的是纯文本补全模型。 如： Anthropic 模型最适合使用 XML OpenAI 的模型最适合使用 JSON 设计应用程序时牢记这点。 2 实例 OpenAI与ChatOpenAI #调用chatmodels，以openai为例 from langchain.chat_models import ChatOpenAI from langchain.schema.messages 作者简介：魔都架构师，多家大厂后端一线研发经验，在分布式系统设计、数据平台架构和AI应用开发等领域都有丰富实践经验。 各大技术社区头部专家博主。 负责： 中央/分销预订系统性能优化 活动&券等营销中台建设 交易平台及数据中台等架构和开发设计 车联网核心平台-物联网连接平台、大数据平台架构设计及优化 LLM应用开发 目前主攻降低软件复杂性设计
41010编辑于 2025-06-01 - 来自专栏AIGC大模型应用
AI大模型企业应用实战(10)-LLMs和Chat Models
GPT-4 和 Anthropic 的 Claude-2 都是作为聊天模型实现。1.2 LLMLangChain 中的 LLM 指的是纯文本补全模型。 不同模型有不同的最佳提示策略，如：Anthropic 模型最适合用 XMLOpenAI 模型最适合用 JSON设计应用程序时牢记这点。 2 实例OpenAI与ChatOpenAI#调用chatmodels，以openai为例from langchain.chat_models import ChatOpenAIfrom langchain.schema.messages # LLM类大模型的流式输出方法from langchain.llms import OpenAIimport osapi_base = os.getenv("OPENAI_PROXY")api_key 4 追踪Token的使用# LLM的toekn追踪from langchain.llms import OpenAIfrom langchain.callbacks import get_openai_callbackimport
41100编辑于 2024-08-15 - 来自专栏技术专家成长之路
LLMs 可能在 2 年内彻底改变金融行业
在艾伦·图灵研究所（The Alan Turing Institute）最新的一项研究中，我们看到了大型语言模型（Large Language Models，LLMs）的一种可能性。 这份研究报告，是首个专门探讨大型语言模型在金融生态系统中的应用。研究结果显示，金融领域的从业者已经开始利用大型语言模型来支持各种内部流程，比如法规审查。 在探讨大型语言模型在金融领域的未来应用时，与会者普遍认为，未来两年内，大型语言模型将会被广泛应用于投资银行和风险投资策略的开发。 我们成功地汇聚了金融生态系统中的专家，共同探讨和理解这些技术在大规模应用中的用例、潜在风险、价值贡献以及实施时间线。” 艾伦·图灵研究所的金融和经济项目主任，卢卡斯·斯普鲁赫（Lukasz Szpruch）教授，对大型语言模型在金融行业的应用表示乐观的态度。
25710编辑于 2024-04-03 - 来自专栏大模型应用
大模型应用：LangChain核心组件深度解析：llms与embeddings.3
LangChain 简介 LangChain 是一个用于构建大语言模型（LLM）应用程序的框架。 它提供了一套工具和组件，使得开发者可以轻松地将LLM与其他数据源和工具连接起来，构建复杂的应用程序。2. 二、LLMs 组件详解1、LLMs介绍 在LangChain中，LLMs组件是核心之一，它是对各种大语言模型的抽象。通过LLMs组件，我们可以以统一的方式调用不同的模型。 2. 基础示例 在LangChain中，llms模块负责与生成文本的模型交互。 六、总结 通过LangChain，我们可以方便地集成LLMs和Embeddings组件，构建强大的应用程序。
34032编辑于 2026-01-31 - 来自专栏Dance with GenAI
LLMs大模型在金融投资领域的15个具体应用场景
近年来，深度学习技术如循环神经网络（RNN）、卷积神经网络（CNN）和Transformer模型的应用显著提升了股票时间序列预测的精度和效率。 2. 数学推理 数学推理在金融领域构建复杂的金融理论、模型和实践的基础。微积分、统计学、概率论和线性代数等数学学科用于设计和解释金融模型，评估投资策略和优化投资组合。 尽管目前个性化建议有限，LLMs的应用将推动机器人顾问向更广泛适用的投资原则发展。 6. 并购与收购预测 在并购与收购预测中，LLMs通过分析财务报告、新闻文章和新闻发布，揭示潜在的趋势和战略转变。 还有其他多样化的研究方法，如为情感分析设计专门的NLP子模块 ，N-gram和朴素贝叶斯算法的应用 ，基于词典的情感分析 ，以及情绪分类配合每日情感评分 。时间序列分析模型也被应用于此领域 。 通过以上应用，LLMs展示了其在金融投资领域的广泛潜力，从预测和优化到教育和服务，推动金融科技的发展和创新。
1.1K10编辑于 2024-07-22 - 来自专栏DrugOne
AI智能体在药物发现中的应用概述
这类智能体不再局限于单一的预测或生成任务，而是作为一组可适应的独立组件协同工作，可用于文献检索、化合物分类、毒性终点预测、实验规划，甚至直接与实验室自动化系统交互。 图2 药物发现中智能体AI的四类典型工具 图3展示了常见的AI智能体架构。ReAct智能体是一个由推理与行动组成的循环，其中LLMs会动态选择并调用工具(图3a)。 Supervisor智能体系统是一种层级化多智能体架构，由监督者LLMs将子任务分配给专门化LLMs智能体，每个智能体都具备推理与调用工具的能力(图3c)。 专利分析智能体通过基于Morgan指纹的相似性搜索检索到相关药物专利；文献检索智能体查询科学数据库获取激酶选择性数据(表2)和ADMET属性；交叉比对智能体识别不同来源之间的冲突测量(表3)。 表2 多来源IC₅₀数据提取-Acalabrutinib与多种激酶靶点 表3 冲突数据检测与合理性说明 体外毒性预测 在计算机毒理预测应用中，Human Chemical Co.的相关作者构建了一个采用
50410编辑于 2025-12-17 - 来自专栏开源服务指南
LLMs 应用程序的构建利器：LangChain 助您驰骋 AI 世界 | 开源日报 No.100
picture langchain-ai/langchain[1] Stars: 67.9k License: MIT picture LangChain 是一个旨在通过组合性来构建 LLMs 应用程序的库 它可以帮助开发者快速将 LangChain 应用程序部署到生产环境，同时提供了统一的开发平台，用于构建、测试和监控 LLM 应用程序。 LangChain 具有以下核心优势： 提高 LLMs 效率 统一接口标准 支持各种常见类型的链式操作 为代理选择提供多样化选项 内置内存模块支持 主要特点： 帮助管理 prompt 并进行优化。 提供通用界面以适配所有 LLMs。 标准链式操作接口和其他工具集成。 数据增强生成涉及外部数据源交互获取信息并使用其进行生成步骤。 AmruthPillai/Reactive-Resume[2] Stars: 13.2k License: MIT picture Reactive Resume 是一个免费的开源简历构建工具，它简化了创建
43910编辑于 2023-12-01 - 来自专栏山行AI
LocalAI——一款可在消费级硬件上本地运行 LLMs的AI应用
前言 在AI盛起的当下，各类AI应用不断地出现在人们的视野中，AI正在重塑着各行各业。笔者前前后后调研过无数个AI应用项目，它们都是各自应用场景中的佼佼者。 它允许您在消费级硬件上本地或本地运行 LLMs（不仅仅是）支持多个与 ggml 格式兼容的模型系列，不需要 GPU。 可本地布署的AI助理 Auto-GPT知多少 Flowise——通过拖放界面构建定制的LLM流程 基于LangChain的优秀项目资源库 LangChain 完整指南：使用大语言模型构建强大的应用程序 privatGPT——私有化GPT模型的全新应用 另外，LocalAI与Flowise结合还能有更奇妙的用处，比如本地打好Embedding存入向量数据库中来辅助搜索、分类、推荐和AIGC等，可用于打造一个完全智能化的知识库 它允许您在消费级硬件上本地或本地运行 LLMs（不仅仅是）支持多个与 ggml 格式兼容的模型系列。不需要 GPU。 有关支持的模型系列列表，请参见模型兼容性表[5]。
10.8K30编辑于 2023-08-10 - 来自专栏开源服务指南
多语言支持 SDK：轻松集成 LLMs 到应用程序 | 开源日报 No.261
该项目主要功能、关键特性和核心优势包括： 可以快速轻松地将 LLM 技术整合到应用程序中 支持 C#、Python 和 Java 等多种编程语言 允许定义插件，并能够自动协调这些插件与人工智能进行交互
43110编辑于 2024-05-17 - 来自专栏HyperAI超神经
全新生物学基准数据集LAB-Bench震撼开源！覆盖8大任务，超2.4K选择题
的研究人员推出了 LAB-Bench 生物学基准测试数据集，用于评估 AI 系统在文献检索和推理、图形解释、表格解释、数据库访问、撰写协议、DNA 和蛋白质序列的理解和处理、克隆场景等实际生物学研究的表现 如今，将大语言模型 (LLMs) 和 LLM 增强系统用于生物学、海洋科学、材料科学等领域的研究，进而提高科研效率、成果产出，已成为很多科学家关注的重点方向。 值得注意的是，随着 LLMs 在科研领域的日益普及，建立一套高质量、专业性强的评估基准变得至关重要。 AI 系统在文献检索和推理 (LitQA2 and SuppQA)、图形解释 (FigQA)、表格解释 (TableQA)、数据库访问 (DbQA)、撰写协议 (ProtocolQA)、DNA 和蛋白质序列的理解和处理 LitQA2 基准测试衡量模型从科学文献中检索信息的能力。
41010编辑于 2024-07-31 - 来自专栏软件测试那些事
大型语言模型（LLMs）在软件工程中的应用：过度炒作还是颠覆性变革？
·即时开发人员反馈——LLMs在软件开发中的应用已经受到了一些应得和不应得的怀疑。 在软件工程中应用LLMs时需要考虑的警告 在将LLMs应用于软件工程时，也必须承认其缺点。 对于那些盲目应用LLMs生成的输出而不花时间和精力验证结果的人来说，幻觉是一个重大的担忧。 在SEI（软件工程研究所），我们正在进行的倡议包括确定与DoD（美国国防部）相关的场景，试验LLMs的应用，以及推动将生成性AI技术应用于软件工程任务的界限。我们将在未来几个月报告我们的进展。 在软件工程生命周期中应用LLMs的最佳机会可能是在发挥LLMs优势的活动中，这是我们将在即将推出的博客中详细探讨的主题。
85410编辑于 2024-05-22 - 来自专栏奇点大数据
RHadoop 应用（2） ： rmr2
上篇中我们介绍了rhdfs插件，R语言通过它可以加载和操作hdfs，这里为大家继续介绍Rhadoop的另一个插件rmr2,它能够在计算过程调用MapReduce，来看下如何使用： 1 安装 下载安装文件 rmr2_2.1.0.tar.gz，在bash环境本地安装 bash> R CMD INSTALL rmr2_2.1.0.tar.gz 注意： 如果是分布式环境，需要在所有datanode节点进行安装 2 测试 测试方法很简单，由于mapreduce也需要操作hdfs 因此rmr2封装了新的一套函数 from.dfs() 和 to.dfs() 来读取写入hdfs，这里的操作函数对写入hdfs的数据进行了压缩
994100发布于 2018-04-11 - 来自专栏云计算linux
Struts 2常见应用
学习内容 Struts 2国际化 Struts 2的异常处理 Struts 2的文件上传与下载 能力目标 熟练使用Struts 2实现国际化 能通过Struts 2的异常处理增强WEB应用的健壮性 使用Struts2实现文件上传与下载 本章简介 本章主要介绍Struts 2的常见应用，主要包括Struts 2国际化、Struts 2异常处理和文件上传与下载。 Internet把全世界联系在了一起，WEB应用可以通过浏览器被全世界的人们所使用，所以开发人员需要考虑WEB应用系统在不同地区和语言环境中的使用情况，使WEB 应用系统能在不同的地区和语言环境中以当地的语言进行显示 文件的上传与下载也是WEB应用常见的功能，例如上传图片，本章最后会学习使用Struts 2实现文件的上传与下载。 WEB应用系统。
39910编辑于 2024-12-17 - 来自专栏golang云原生new
Deployment 升级应用2
上次我们说到自己手动的做使用 RS 的方式来升级 pod ，感觉还是蛮复杂的，并且容易弄错，实际生产过程中，肯定不会这样来弄，很危险 那么今天我们来分享 Deployment 的方式来显示的升级应用吧 ，也是比较容易的，为了接下来的案例清晰，我们就把上述的 RS 全部删除掉，留下 Service 后续可以使用 Deployment 是使用应用程序声明的方式来升级应用，而不是通过 RS 或者 RC 了 对于使用 Deployment 升级应用，我们需要知道 Deployment 涉及 2 个升级策略： RollingUpdate 滚动升级，这个策略会渐进式的删除旧的 pod，同时创建新的 pod， 为什么我们升级 v2 版本之后 之前的 RS 还在？ 为什么 deploy 会有升级记录？ 版本的时候，deploy 便会创建 RS2，并且 RS2 管理着 Pod：v2，RS1 仍然继续保留 当我们进行回滚的时候，也是类似的，但是不会创建新的 RS，会直接使用我们要回滚的版本对应的 RS，
27850编辑于 2023-09-01 - 来自专栏自然语言处理(NLP)论文速递
分享几个有趣的大模型（LLMs）应用场景，涉及金融分析、物联网、招聘、战术分析等
引言 数字化时代，大模型以其卓越的数据处理和智能决策能力，当前应用已经渗透至了各行各业。 那么，今天给大家盘点了几个比较有趣的大模型（LLMs）应用场景，其中主要包括招聘面试、代码精细化、物联网感知、金融决策、战术分析、假新闻检测、检索QA问答等。 这些有趣的应用不仅展现了大模型的多面性，更预示着人工智能在未来社会中的无限可能。 MoLLM利用大型语言模型(LLMS)扮演面试官和候选人，以提供额外的评估信息，超越了仅依赖简历和职位描述的传统方法。实验结果显示，MockLLM在提高人职匹配性能和模拟面试质量方面表现优异。 2、金融LLM算法层:为特定任务配置模型应用策略。
1.9K10编辑于 2024-06-11 - 来自专栏机器之心
论文党狂喜！alphaXiv推出Deep Research一秒搜遍arXiv，研究效率直接爆表
机器之心报道 编辑：+0 刚刚，alphaXiv 推出了新功能「Deep Research for arXiv」，该功能可协助研究人员更高效地在 arXiv 平台上进行学术论文的检索与阅读，显著提升文献检索及研究效率 随后，用户询问「What are the latest breakthroughs in RL fine-tuning for LLMs?」
73910编辑于 2025-04-10 - 来自专栏饭勺oO的技术博客
单层应用升级到多层应用2
接上文，我们已经粗略的拆分了单层应用，主要讲一些基础设施功能代码抽离出去，但是业务代码部分还是比较臃肿。 接下来就准备将业务部分抽离一下。 Application主要是业务应用部分的代码。 开始迁移 Wheel.Application 新建一个类库Wheel.Application，将我们的Service代码全部迁移过去。 那么下一篇文章我们将继续做我们的多层应用升级的拆分优化。
25110编辑于 2024-01-23 - 来自专栏Ywrby
2-应用层
唯一的指定了一个会话（2个进程之间的会话关系） 应用使用这个标示，与远程的应用进程通信 不必在每一个报文的发送都要指定这4元组 简单，便于管理 UDP上的套接字（数据报套接字） 数据报套接字提供一种无连接的服务 由于数据报套接字不能保证数据传输的可靠性，对于有可能出现的数据丢失情况，需要在程序中做相应的处理对于使用无连接服务（UDP）的应用而言，套接字是2元组的一个具有本地意义的标示 2元组：IP，port 应用 对等式网络（英语：peer-to-peer， 简称P2P），又称点对点技术，是无中心服务器、依靠用户群（peers）交换信息的互联网体系，它的作用在于，减低以往网路传输中的节点，以降低资料遗失的风险 ，与服务器上载N个相同文件所花费时间中的最大值，即： D_{c/s}\geq max{\frac{N*F}{U_s},\frac{F}{D_1},…,\frac{F}{D_N}} 而P2P应用在进行文件传输的时候 P2P文件分发应用：BitTorrent BitTorrent协议是架构于TCP/IP协议之上的一个P2P文件传输通信协议，处于TCP/IP结构的应用层。
2.2K30编辑于 2022-10-27 - 来自专栏学习笔记持续记录中...
应用的架构演变（2）
应用的架构演变图 ? 上图描述了从单一应用架构-->垂直应用架构-->分布式服务架构-->流动计算架构，应用的发展演变过程 单一应用架构 当网站流量很小时，只需一个应用，将所有功能都部署在一起，以减少部署节点和成本。 缺点： 性能扩展都比较差 协同开发问题 不利于升级维护 垂直应用架构 当访问量逐渐增大，单一应用增加机器带来的加速度越来越小，将应用拆成互不相干的几个应用，以提升效率，此时，用于加速前端页面开发的Web ，降低了维护和部署的难度，团队各司其职更易管理性能扩展也更方便，更有针对性 缺点： 每个应用的完整性，比如页面的修改都要重新部署，没有做到界面+业务逻辑的实现分离 2.每个应用无法做到完全的独立，比如订单可能要用到用户的信息 ，每个应用之间有交互的需要 分布式服务架构 当垂直应用越来越多，应用之间交互不可避免，将核心业务抽取出来，作为独立的服务，逐渐形成稳定的服务中心，使前端应用能更快速的响应多变的市场需求。
1.1K20发布于 2020-03-17
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