- 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
文章详细讨论了将这些大语言模型（LLMs）应用于生物信息学的几种方式： 作为“AI阅读器”或知识库 文本型基础模型通过对文本的语法和语义进行解析，用于文献总结和数据库整理，有助于研究者快速获取生物医学知识 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。
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。 4 追踪Token的使用 #LLM的toekn追踪 from langchain.llms import OpenAI from langchain.callbacks import get_openai_callback os.getenv("OPENAI_PROXY") api_key = os.getenv("OPENAI_API_KEY") llm = ChatOpenAI( model = "gpt-4" 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。
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。 # 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 osapi_base = os.getenv("OPENAI_PROXY")api_key = os.getenv("OPENAI_API_KEY")llm = ChatOpenAI( model = "gpt-4"
41100编辑于 2024-08-15 - 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
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。 4. 输出解析 -> 结构化结果：输出解析器将文本解析成结构化的数据。2. 基础示例 在LangChain中，llms模块负责与生成文本的模型交互。 4. 机器学习崛起（1990s-2000s） - 统计学习方法取代符号主义 - 支持向量机、决策树等算法广泛应用 - 互联网发展为AI提供大量数据 4. 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。 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)。 图4 AI智能体系统中的记忆与外部集成 AI智能体加速药物发现应用 用于分子优选的综合文献分析 在临床前药物发现中，从大型分子数据集中进行全面文献分析是一项繁琐且耗时的任务。 表4汇总了AI智能体系统生成的结果。 表4 Cashmeran代谢物的危害预测结果 自动化协议设计与执行 设计和验证分子检测实验，如定量聚合酶链式反应(qPCR)，仍然是一个缓慢且依赖专业知识的过程。 该系统已应用于商业与科研环境的有机合成中。实验设置与智能体系统的整合，使其更接近完全闭环的发现流程。
50410编辑于 2025-12-17 - 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
例如，LLMs可以分析分析师报告中的隐含信息，提供更全面的市场动态理解，提升交易策略的效果。 4. 资产组合优化 现代投资组合理论主要基于历史市场数据和统计分析，旨在平衡风险与回报。 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。 金融学习和教育 GPT-4在金融教育中，通过解释复杂金融概念、提供个性化学习体验和加强用户互动，提升学习效果。 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 - 来自专栏深度学习自然语言处理
ChatGPT 是 ENTJ，GPT4 竟是 INTJ？一项关于LLMs的MBTI测试
我们使用 MBTI（93题）对 ChatGPT、Llama、Bloom 等模型进行测试， 结果如下： LLMs MBTI Overview 我们是如何得到这个结果的呢？ 下图展示了比较明显 4 个模型结果： GPT-4 和 ChatGPT 在每一组上都能呈现比较明显的偏向性， 但 Bloom 和 BaiChuan 则在对 S-N、T-F、J-P 的偏向性上几乎没有太大的差别 当然，在某些场景中（如角色扮演应用程序），LLM 可能需要一些特定的设定来满足用户的偏好。 这是一个开放性的探讨问题，我们无法给出一个置信的结论。 原文链接： https://zhuanlan.zhihu.com/p/644878306 参考资料 [1]llms_mbti: https://github.com/HarderThenHarder/transformers_tasks /tree/main/LLM/llms_mbti
74010编辑于 2023-08-22 - 来自专栏Helloted
Runloop(4):应用
4、事件响应 苹果注册了一个 Source1 (基于 mach port 的) 用来接收系统事件，其回调函数为 __IOHIDEventSystemClientQueueCallback()。 随后苹果注册的那个 Source1 就会触发回调，并调用 _UIApplicationHandleEventQueue() 进行应用内部的分发。 实际上，start 这个函数的内部会会获取 CurrentRunLoop，然后在其中的 DefaultMode 添加了4个 Source0 (即需要手动触发的Source)。
53220编辑于 2022-06-07 - 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。 可以跨多个窗口显示 3D 场景 使用了 three.js 和 localStorage google/google-ctf[4] Stars: 4.1k License: Apache-2.0 这个项目是谷歌
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。 ——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 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]。 : https://github.com/nomic-ai/gpt4all [23] gpt4all-mpt: https://github.com/nomic-ai/gpt4all [24] gpt4all-j
10.8K30编辑于 2023-08-10 - 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。 其中，FigQA 衡量的是 LLMs 理解和推理科研图表的能力，FigQA 的问题仅包含图表的图像，没有图表标题、论文文本等其他信息。大多问题要求模型整合图表的多种元素信息，需要模型具有多模态能力。 通过对 human、random、不同模型的评估可得，模型在克隆场景上的表现也远低于人类表现，Gemini 1.5 Pro 和 GPT-4-turbo 的覆盖率较低。
41010编辑于 2024-07-31 - 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 - 来自专栏自然语言处理(NLP)论文速递
最全Prompt工程方法总结，与ChatGPT、GPT-4等LLMs的交互更高效！
因此，根据实际应用场景创建最有效的Prompt（Prompt工程）已经成为LLMs领域内外令人垂涎的专业知识。这也催生出了Prompt工程师的岗位。 简单Prompt工程策略 Prompt工程能够让我们根据具体应用场景高效的使用LLMs。它包括制作清晰而具体的请求指令，以从语言模型中获取所需的响应。 具体实例如下所示： Zero-shot Prompt Zero-shot Prompt策略主要是应用在为ChatGPT、GPT-4等LLMs没有任何示例或上下文的情况下生成答案。 例如： One-shot Prompt One-shot Prompt策略主要是应用在为ChatGPT、GPT-4等LLMs提供的单个示例或上下文的情况下生成答案。 例如： Few-shot Prompt Few-shot Prompt策略主要是应用在为ChatGPT、GPT-4等LLMs提供的一些示例或上下文的情况下生成答案。
10.9K21编辑于 2023-09-14 - 来自专栏自然语言处理(NLP)论文速递
Amazon | 深入研究LLMs与AutoGPT的结合：揭示出GPT-4惊人的人类决策能力！
今天给大家分享的这篇文章，作者针对决策任务，对Auto-GPT代理进行了全面的基准研究，探索了大型语言模型（LLM）在决策任务中的应用。 （autonomous agents）在决策制定、角色模拟和工具应用等任务中取得了巨大成功。 在此过程中，「作者还提出了一种新方法，即通过外部模型提供额外意见的方式来增强LLMs」。 专家模型增强LLMs 「为了引入来自外部专家模型的额外意见，作者改进了Auto-GPT的工作流」，如下图所示。 实验结果 对于本文提出将大型语言模型（LLMs）与专家模型结合起来的方法。作者首先从专家模型中采样出前k个附加观点，然后将这些观点呈现给LLMs，让它们考虑这些观点并做出最后的决定。
59630编辑于 2023-09-14 - 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。 训练数据中存在的任何问题，如偏见和错误，都会被LLMs放大。例如，ChatGPT-4最初是训练到2021年9月的数据，这意味着该模型的建议直到最近才不知道过去两年的数据。 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 - 来自专栏萌海无涯
Django学习创建应用（4）
我们接下来就要搭建应用 了！通过 Djaong 编写的每个应用 都是由 Python 包组成的，这些包存放在你的 Python 路径中并且遵循一定的命名规范。 Django 提供了个实用工具可以自动生成一个应用的基本目录架构，因此你可以专注于编写代码而不是去创建目录。 说起来搭建应用 ，这个应用 是干嘛的？ 项目与应用之间有什么不同之处？ 应用是一个提供功能的 Web 应用 – 例如：一个博客系统、一个公共记录的数据库或者一个简单的投票系统。项目是针对一个特定的 Web 网站相关的配置和其应用的组合。一个项目可以包含多个应用。 创建应用： 理解了应用之后我们就可以学习在Django怎么创建应用了！ 注意：运行命令的目录同样需要与 manage.py 同目录。 此目录结构就是投票应用。 目录截图： ?
61230发布于 2019-08-30 - 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。 FinRobot由AI4Finance等提出，它主要包含四个主要层:1、金融AI代理层:将复杂问题分解为逻辑步骤。2、金融LLM算法层:为特定任务配置模型应用策略。 3、LLMops和DataOps层:通过训练和微调技术，使用相关数据生成准确模型，4、多源LLM基础模型层:集成多种山M，提供直接访问，FinRobot通过这些层，推动金融领域AI的更广泛应用。 【AI4finance 之前还发布过金融领域大模型:FinGPT，相关链接:FinGPT：一个「专用于金融领域」的开源大语言模型（LLM）框架，源码公开！】
1.9K10编辑于 2024-06-11 - 来自专栏Web 技术
【Swift4】(7) 枚举 | 应用
,Int,Int,Int) case QRCode(String) //将枚举变量QRCode关联为String类型 } let productCodeA = Barcode.UPCA(4, //"UPC-A with value of 4, 102, 306,8.
30920编辑于 2023-10-07 - 来自专栏架构师成长之路
Spring boot(4)-应用打包部署
合适的资源过滤 4、合适的插件配置（exec插件，surefire，Git commitID，shade） 5、针对 application.properties和application.yml 的资源过滤 启动： 我们直接启动：java -jar demo-0.0.1-SNAPSHOT.jar 4、部署到javaEE容器 修改启动类，继承 SpringBootServletInitializer 是 beans 显示应用中包含的 Spring bean 的信息。 是 configprops 显示应用中的配置参数的实际值。 是 dump 生成一个 thread dump。 是 health 显示应用的健康状态信息。 否 info 显示应用的基本信息。 否 metrics 显示应用的性能指标。 是 mappings 显示 Spring MVC 应用中通过“ @RequestMapping”添加的路径映射。 是 shutdown 关闭应用。
1.9K20编辑于 2022-04-14 - 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
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