- 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
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。 #LLM类大模型的流式输出方法 from langchain.llms import OpenAI import os api_base = os.getenv("OPENAI_PROXY") api_key 笨死的) from langchain.llms import OpenAI from langchain.output_parsers import PydanticOutputParser from 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
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 笨死的)from langchain.llms import OpenAIfrom langchain.output_parsers import PydanticOutputParserfrom langchain.prompts langchain.output_parsers import CommaSeparatedListOutputParserfrom langchain.prompts import PromptTemplatefrom langchain.llms
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
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. 核心组件在LangChain中，两个核心组件是llms和embeddings：LLMs：大语言模型，负责文本生成、对话等任务。Embeddings：将文本转换为向量表示，用于语义搜索、相似度计算等。 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。 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。 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。 这些应用强调了NER在提高效率、确保合规性和支持战略决策中的重要作用。 15. 情感分析 在现代金融市场预测，特别是在比特币交易方面，情感分析的重要性已经通过多项学术研究得到证实 。 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。 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)。 该系统由与Misogi Labs相关的作者开发，采用层级监督模式，其中一个Orchestrator智能体协调具有不同领域专长的专业子智能体，包括专利提取智能体、文献检索智能体以及交叉比对智能体。 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)。 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。
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。 然而，目前许多基准测试 (benchmarks exist) 聚焦于对 LLM 在教科书式科学问题的知识、推理能力评估，却很难评估 LLM 在科研实际任务（如文献检索、方案规划和数据分析）中的性能，导致模型在应对实际科学任务时 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。
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。
85510编辑于 2024-05-22 - 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DrugOne
Nature | 大型语言模型编码临床知识
编译 | 曾全晨 审稿 | 王建民 今天为大家介绍的是来自google天团的一篇语言模型应用的论文。大型语言模型（LLM）展示了令人印象深刻的能力，但在临床应用方面的门槛较高。 最近大型语言模型（LLMs）的进展为重新思考人工智能系统提供了机会，其中语言作为人工智能与人类交互的工具。LLMs是大型预训练的人工智能系统，可以在多个领域和各种任务中重新利用，而只需进行最少的调整。 为了评估LLMs在医学中编码临床知识的程度并评估其潜在应用，作者考虑了回答医学问题的能力。这个任务具有挑战性：提供高质量的医学问题答案需要理解医学背景、回忆适当的医学知识，并与专家信息进行推理。 大型语言模型（LLMs）能够生成长、连贯和复杂的文本。然而，它们也可能生成事实上不准确的陈述。特别是在医学领域，这些失效模式需要经过仔细审查，在实际应用中，不太可能为真实的生成物应该被忽略。 使用非参数bootstrap方法来估计结果的任何显著变化，其中使用了1,000个bootstrap副本来生成每个集合的分布，并使用95%的bootstrap百分位间隔来评估变化，在图4-6中进行了可视化展示
57820编辑于 2023-09-19 - 来自专栏天意云&天意科研云&天意生信云
《Nature》发表：AI运用在医疗临床决策支持的系统评估
未来人们很可能会转向AI大型语言模型（LLMs）来咨询健康/医疗建议，就像在以前用百度/Google上搜索诊断一样. 总之，商业LLMs（GPT-4）在连续两个主要版本中展示了医疗问答的潜力不断增长。然而，一些弱点凸显了医疗保健领域需要强大且受监管的人工智能模型。 除了考试模拟之外，之前的作品还展示了 ChatGPT 在日常医学中的潜在好处，例如，在医学写作中，通过从电子健康记录中提取信息、协助文献检索或提供写作风格和格式指导的使用，例如加强牙科远程医疗服务或改善放射学中以患者为中心的护理 总体而言，与 GPT3·5 和 GPT-4 相比，我们观察到开源 LLMs 的性能稍差。此外，我们无法观察到两种开源 LLM （Llama ）配置之间存在明显的性能差异。
38710编辑于 2025-03-06 - 来自专栏自然语言处理
【RAG论文】检索信息中的噪音是如何影响大模型生成的？
本文旨在分析信息检索组件对Retrieval-Augmented Generation (RAG)系统的影响，探究文献检索的关键特征，以及检索到的文献应该具备哪些特点，从而提高RAG系统的生成能力。 为了评估LLMs生成的响应的准确性，论文采用：检查LLMs生成的响应中是否包含预定义的至少一个正确答案，根据答案是否存在以二进制方式测量LLMs的响应的正确性。 ", "pol"] EntityQuestions 是基于维基数据事实的简单、实体丰富的问题数据集 为了在应用场景中包含更广泛的问题类型，作者采用了另一个广泛使用的以实体为中心的QA数据集整体问题来扩大多样性 为了方便评测，采用多项选择题的形式进行LLMs评估，将“正确答案”、“错误答案”以及“不确定”作为选择供LLMs选择。 实验结果 无关信息数量的影响 无关信息数量的增加会降低LLMs识别真正相关信息的能力，使它们更容易分心。 语义相关性的影响 与不相关信息相比，LLMs更容易被高度语义相关的无关信息所误导。
70210编辑于 2024-05-28 - 来自专栏软件安装技巧
Endnote软件怎么下载？文献管理软件Endnote x9中文版下载安装
Endnote软件是一款专门为学术写作提供支持的文献管理软件，旨在帮助作者更快速地管理文献信息、自动化引用格式转换和实时文献检索等功能。 3.实时文献检索：Endnote软件可以通过在线数据库实时检索文献信息，用户能够快速地找到所需要的文献内容。 总结 本文详细介绍了Endnote软件的特色功能和使用方法，并结合实例讲解了软件在实际应用中的具体操作流程。 Endnote软件是一款非常实用的文献管理工具，具有丰富的元数据管理功能、自动化引用格式转换和实时文献检索等特色功能，能够帮助作者更快速地管理文献信息和提高文献准确性。
42710编辑于 2023-04-17 - 来自专栏天意云&天意科研云&天意生信云
硕博研究生必备的 25 个超实用科研工具！
· #文献检索工具 1. 谷歌学术 谷歌学术包含多个领域的论文，可以快速搜索文献、查看文献摘要、显示文献引用次数及其他相关信息，是一款常用的学术搜索引擎。 2. PubMed PubMed 可以免费下载文献摘要、索引信息及部分全文，是医学与生物科研人员常用的文献检索平台，主要收录了医学与生物学等相关领域的期刊文章。 3. 该平台还可以进行文献检索、管理与共享等。 9. NoteExpress 这是一款专业级中文文献管理软件，常用于国内高校和科研机构。 支持浏览器插件和多种应用，适合学术写作和商务交流。 #文献综述工具 17. MATLAB MATLAB 主要用于算法开发、可视化和数据分析，广泛应用于工程、科学研究、数学和计算金融等多个领域。 科研AI使用教程：
4.3K11编辑于 2025-06-08 Multi-Agent 技术原理与落地场景全解析
今天我们就来拆解这项正在重塑 AI 应用的核心技术，看看它的底层逻辑的落地价值。 常见角色包括： 任务规划 Agent：将总目标拆分为可执行的子任务（如把 “营销活动” 拆分为文案、设计、投放）； 执行 Agent：专注具体子任务落地（如文献检索 Agent、数据清洗 Agent）； 协调 Agent：监控进度、处理子任务依赖关系（如 “先完成文献检索再搭建论文框架”）； 评估 Agent：校验结果质量（如检测内容事实一致性、格式规范性）。 科研与学术 协作流程：选题 Agent→文献检索 Agent→框架 Agent→写作 Agent→润色 Agent→查重 Agent。将论文撰写周期从数月缩短至数天，降低学术门槛。 2. 某汽车工厂应用后，设备利用率从 72% 提升至 89%，能耗降低 15%。 4.
1.4K10编辑于 2025-12-31论文解读-对话中的多模态情感识别综述
论文通过ACL文集、Google学术及通用搜索引擎等资源，开展全面的文献检索工作。在ACL文集中，论文重点关注顶级会议，如EMNLP、ACL、NAACL及其相关研讨会。选择标准。 随着大型语言模型（LLMs）的规模不断扩大，其在情感计算中的计算成本也显著增加。 同样，SpeechCueLLM引入了一种轻量级插件，可以将语音特征转换为自然语言提示，使LLMs能够在不改变架构的情况下执行多模态情感识别。 利用多模态语言模型（LLMs）的高效微调方法。多模态LLMs在使机器跨模态学习方面取得了重大进展。一些模型越来越多地应用于多模态情感识别（MERC），能够实现不同模态下的零样本或少量样本泛化。 MERC应用。随着交互式机器应用的日益普及，MERC成为了一个重要的研究领域。
38310编辑于 2025-11-19
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