- 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
2024年6月，北京大学高歌教授课题组在《Quantitative Biology》期刊上发表了一篇题为《生物信息学中的基础模型》的综述。 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. 6. 文本分割：将加载的文档分割成更小的文本块，以便于处理和嵌入。7. 文档嵌入：将分割后的文本块通过嵌入模型转换为向量表示。8. 向量存储：将文本块的向量表示存储到向量数据库中。9. 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)。 结果表明Cashmeran的代谢相对快速，其总体危害特征较为理想(图6)。 图6 六种化学物质在代谢步骤中的内分泌干扰概率 AI智能体系统还使用其化学信息学工具生成了Cashmeran的预测代谢物，并对这些代谢物重复进行了危害预测。表4汇总了AI智能体系统生成的结果。 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。 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。 huggingface/chat-ui[6] Stars: 4.1k License: Apache-2.0 picture chat-ui 是一个使用开源模型 (如 OpenAssistant 或
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。 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]。 请参见构建说明[6]。 发布说明[68]更新日志[69]• 2023年6月6日：v1.18.0：许多更新、新功能和更多内容 ，请查看发布说明[70]！
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Java实战博客
6 ElasticSearch 高级-应用篇
bulk 批量操作 ：将文档 增删改查 一系列的操作，通过一次请求全部做完。优点：可以减少网络传输次数。
50710编辑于 2022-01-17 - 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python3
6-3pxe应用入门
install dhcp tftp-server tftp syslinux vsftpd---配置成一个dhcp server 此时还需要一个kickstart文件，视频中是从服务器获取 centos 6改 接下来需要准备yum仓库 mkdir /var/ftp/pub/centos mount --bind /media/cdrom/ /var/ftp/pub/cnetos---这是绑定的方式 vim centos6. -------------------#####以下没用，只是示例 repo --name="Fedora EPEL" --baseurl=http://172.16.0.1/fedora-epel/6/ basic-desktopbr/>@chinese-support @client-mgmt-tools -------------------------------####以上没用 cp centos6. 表示一个控制符，表示按A快速定位 menu default kernel vmlinuz append initrd=initrd.img ks=ftp://192.168.10.16/pub/centos6.
84230发布于 2020-01-15 - 来自专栏全栈程序员必看
ODrive应用 #6 编码器
在编码器校准过程中，必须允许转子旋转而且不能有偏载。 这意味着载荷均匀和较弱的摩擦载荷才行，但是重载或类似弹簧载荷不行。 在 odrivetool中输入<axis>.requested_state = AXIS_STATE_ENCODER_OFFSET_CALIBRATION Enter。 要验证一切正常，请检查以下变量：
2.5K10编辑于 2022-07-23 - 来自专栏iSharkFly
Gradle 6 应用 gradleEnterprise 提示错误
在应用 gradleEnterprise 的时候，提示错误： > Could not find method gradleEnterprise() for arguments [settings_5wv4b365n0pw4ey5aj1mu1468 run_closure1@5b527bd] on settings 'covid-19' of type org.gradle.initialization.DefaultSettings. ---- 这是因为你可能没有应用插件 termsOfServiceUrl = 'https://gradle.com/terms-of-service' termsOfServiceAgree = 'yes' } } 需要先应用
1.6K40发布于 2020-04-02 - 来自专栏运维经验分享
Zabbix的应用(6)----常见错误
Zabbix的应用(6)----常见错误 【摘要】 常见问题：问题1：Service "sppsvc" (Software Protection) is not running (startup type
1.6K20发布于 2019-08-23 - 来自专栏TomatoCool
TP6多应用部署
tp6默认是不会开启多应用的，此时我们需要在项目目录下输入以下代码开启多应用模式。 然后根据需求创建自己的应用，输入以下命令创建名为index和test的app，可以看到app目录下多出两个目录。
39220编辑于 2023-07-30 - 来自专栏运维经验分享
Zabbix的应用(6)----常见错误
Zabbix的应用(6)----常见错误 【摘要】 常见问题：问题1：Service "sppsvc" (Software Protection) is not running (startup type
90510发布于 2019-08-23 - 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 - 来自专栏菜鸟成长学习笔记
Thinkphp6多应用路由管理
ThinkPHP是一个免费开源的，快速、简单的面向对象的轻量级PHP开发框架，是为了敏捷WEB应用开发和简化企业应用开发而诞生的。 今天就来给大家分享一下ThinkPHP6中，如何基于多应用定义路由配置。该篇文章需要注意的是，官方文档说的多应用是针对多个域名，而本篇文章是基于同一个域名来实现多应用。 目录说明第一步肯定是需要安装ThinkPHP6官方框架，这里就直接省略这一步。接下来就是安装多应用的组件包。 这里我们创建一个admin的应用。admin.controller 为应用的controller层，文章演示用到了分层controller。这里分为api和admin。 route 为应用的路由文件，在该目录下存在一个app.php的文件，为具体的路由文件，所有的应用路由都是定义在这里。路由定义第二步在route目录下的app.php文件定义路由。
1.2K50编辑于 2023-05-18
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