- 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。 with get_openai_callback() as cb: result = llm.invoke("给我讲一个笑话") print(result) print(cb) 5 api_base, ) parser = CommaSeparatedListOutputParser() prompt = PromptTemplate( template = "列出5个 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 512,)with get_openai_callback() as cb: result = llm.invoke("给我讲一个笑话") print(result) print(cb)5 openai_api_base = api_base,)parser = CommaSeparatedListOutputParser()prompt = PromptTemplate( template = "列出5个
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. 核心检索阶段： 向量检索：在向量数据库中搜索与问题向量最相似的文档向量相似度计算：使用余弦相似度等算法找到最相关的文档片段返回结果：获取前K个最相关的文档块（通常K=3-5）5. 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)。 一个多智能体框架可以通过在分布式数据源之间自动协调文献分析任务来改变这一过程(图5)。 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。 5. 机器人顾问 机器人顾问利用LLMs和AI技术，提供个性化的投资组合调整和市场动态分析。LLMs解析大量数据集，发现复杂的金融市场模式，提供明智的投资指导。 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。 列出了自 2017 年起使用过的大部分 CTF 挑战题目 包含可用于运行挑战题目所需基础设施 通过公开未修复漏洞进行学习和研究 NaiboWang/EasySpider[5] Stars: 4.1k
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 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]。 •2023年5月29日：LocalAI现在有一个网站，https://localai.io[71]！请查看专门的新闻栏目[72]！
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。 如下图所示，研究人员评估了 human、random、claude-3-5-sonnet-20240620、claude-3-opus-20240229、gemini-1.5-pro-001、gpt-4o 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NetCore 从壹开始
5-5 各个服务应用启动
5、修改域名解析映射 添加解析这块，如果是泛域名或者通用域名解析就很简单的， 但是我这边毕竟是免费的，动动手，十分钟就能解决了的。 等待十分钟，就表示迁移完成了。
28920编辑于 2023-01-09 - 来自专栏剑指工控
MACS5应用
Hoyllsys在工业自动化领域应用越来越广泛和普及，尤其在化工和电厂，铁路等大面积推广，今天就对MACS5做一些案例分享。 ，配置完成后，进行“数据库跟新”，“完全编译”,对“操作员站和服务器”进行下装，在CODESYS里面“在线登录”“参数下载” 上位机中的单元设备和下位机CODESYS的组态，右键单击如图HSSCS5顺控火电模块 总结MACS5的组态修改步骤： 数据库修改： 数据库总控￫选择域￫编辑数据库￫数据操作￫选择类名￫选择项名￫确定￫保存￫更新数据库￫确定￫校验￫完全编译。
83420发布于 2021-11-09 - 来自专栏文大师的新世界
5. ListView应用
ListView大概是所有移动应用都会用到的组件了，大部分都在首页，这章结合redux来看如何从API取数据再到如何应用redux更新渲染组件ListView。
79650发布于 2018-08-30 - 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?」 该平台由斯坦福大学的两位学生 Rehaan Ahmad 和 Raj Palleti 于 2023 年 5 月创立，最初是一个本科项目，目的是为学生和研究人员提供在线平台，用于讨论 arXiv 上未经同行评审的预印本论文
73910编辑于 2025-04-10 - 来自专栏mythsman的个人博客
MD5算法应用
MD5（Message-Digest Algorithm 5）算法是一种非常常见的信息摘要hash算法，一般可以用来进行数字签名，或者理解成为一种压缩算法。他的本质是一种分组加密算法。 百度上对MD5算法简要的叙述为：MD5以512位分组来处理输入的信息，且每一分组又被划分为16个32位子分组，经过了一系列的处理后，算法的输出由四个32位分组组成，将这四个32位分组级联后将生成一个128 用十六进制表示的话，每四位变成一个十六进制数，这样也就是生成了总共为32位的十六进制数，即MD5码。 这里不介绍MD5的加密和解密算法的细节。从应用的角度讲，我们完全暂且不需要理解算法的过程。 作为应用而言，比如解决IDF实验室的第一题，我们只需要一个能够为我们调用的加密解密的接口来方便我们编程。 当然这个API只能解决简单的MD5，对于一些复杂的还是要通过别的办法解决。
63530编辑于 2022-11-14 - 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 类似地，对于九个得分最差的情况：11·0 [9·25;11·25]、10·25 [9·5;10·5]]、10·25 [8·5;11·0] 和8·5 [7·75；10·25]。 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 - 来自专栏全栈程序员必看
docker（5）docker运行web应用
接下来让我们尝试使用 docker 构建一个 web 应用程序。 我们将在docker容器中运行一个 Python Flask 应用来运行一个web应用。 查看 WEB 应用容器 使用 docker ps 来查看我们正在运行的容器： [root@jkc ~]# docker ps CONTAINER ID IMAGE 这时我们可以通过浏览器访问WEB应用 我们也可以通过 -p 参数来设置不一样的端口： [root@jkc ~]# docker run -d -p 5000:5000 training/webapp 上面我们创建的 web 应用容器 ID 为 0d3fe01b6c13 名字为 lucid_lederberg。 00:00:00 python app.py 检查 WEB 应用程序 使用 docker inspect 来查看 Docker 的底层信息。
84210编辑于 2022-09-19 - 来自专栏PHP在线
HTML5移动应用开发
1.离线缓存为HTML5开发移动应用提供了基础 HTML5 Web Storage API可以看做是加强版的cookie，不受数据大小限制，有更好的弹性以及架构，可以将数据写入到本机的ROM中，还可以在关闭浏览器后再次打开时恢复数据 2.专为移动平台定制的表单元素 浏览器中出现的html5表单元素与对应的键盘： 类型 用途 键盘 Text 正常输入内容 标准键盘 Tel 电话号码 数字键盘 Email 电子邮件地址文本框 带有@和. 提升互动能力：拖拽、撤销历史操作、文本选择等 Transition – 组件的移动效果 Transform – 组件的变形效果 Animation – 将移动和变形加入动画支持 设计师要知道，HTML5提供的交互方式是非常丰富的 4.HTML5使用上的优势 更低的开发及维护成本； 使页面变得更小，减少了用户不必要的支出；而且，性能更好使耗电量更低； 方便升级，打开即可使用最新版本，免去重新下载升级包的麻烦，使用过程中就直接更新了离线缓存 设计师要知道，用户想要什么，HTML5能提供给用户什么。 5.CSS3 视觉设计师的辅助利器 CSS3支持了字体的嵌入、版面的排版，以及最令人印象深刻的动画功能。
3.6K80发布于 2018-03-07
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