- 综合排序
- 最热优先
- 最新优先
知识图谱增强大模型应用架构
本文是知识增强大模型应用架构的简要概述，更加详细的内容，可以参考我所撰写的即将出版的《知识增强大模型导论》一书。 二、应用架构的设计原则 1. 三、知识增强大模型应用系统架构概览 知识增强大语言模型应用架构的核心思想是将外部知识以结构化或非结构化的形式注入大模型中，从而弥补模型自身知识的不足，这类似于人类学习过程中的“查阅资料”。 从架构上，知识增强大模型应用系统通常将大模型作为通用知识处理的基础设施，同时结合文档搜索、数据库检索和知识图谱来注入高精度、领域化的知识内容。架构整体设计如图所示。 4. 业务引擎 业务引擎是知识增强大模型中面向具体行业或应用场景的一个模块，专门处理与特定业务相关的知识。 金融科技 在金融科技场景中，大语言模型可辅助生成投资报告，解释复杂的金融指标，并通过知识图谱分析公司之间的关联网络，帮助用户做出更明智的决策。 4.
89210编辑于 2024-12-24- 来自专栏吾非同
Google 史上最强大模型 Gemini，全面「碾压」GPT-4 ?
Gemini VS GPT-4 谷歌声称 Gemini 的计算能力是 GPT-4 的 5 倍，因此训练速度更快。 谷歌在MMLU、DROP 等测试人工智能模型知识和解决问题能力的评测中，将Gemini与OpenAI的GPT-4进行深度评测，Gemini Ultra的能力全面超越了OpenAI的GPT-4，Gemini MMLU（大规模多任务语言理解）是测试 AI 模型知识和解决问题能力的最流行方式之一。 Gemini Ultra 在该测试中以 90.0% 的准确率成为首个超越人类专家的模型，作为对比，GPT-4 只有 86.4% 的准确率。 即使没有网络连接，记录器也可以获得手机对话录音、采访、演示等内容的摘要，强大的终端硬件是支撑这个功能的依托，而优化的侧端算法让「断网不断线」成为了可能。
87710编辑于 2023-12-11 - 来自专栏Python编程与实战
暴打GPT-4，谷歌发布史上最强大模型Gemini
大模型：Gemini、编辑：量子位 传闻中的谷歌杀手锏Gemini，来了！ 就在刚刚，谷歌CEO皮猜和哈萨比斯在谷歌官网联名发文，宣布推出这一万众瞩目的多模态大模型。 标题明晃晃写着“最大”、“最强”，主打的就是一个干爆GPT-4。 谷歌史上最强大模型Gemini 在LLM中的表现，也正如我们刚才所述，32个基准测试中拿下30个SOTA。 尽管没有透露Ultra和Pro版本的具体参数规模，但技术报告中提到，谷歌使用TPUv5e和TPUv4来训练Gemini。 训练Gemini Ultra使用了跨多个数据中心的大量TPUv4。 https://storage.googleapis.com/deepmind-media/gemini/gemini_1_report.pdf [3]https://youtu.be/jV1vkHv4zq8
56610编辑于 2023-12-13 - 来自专栏yuyy.info技术专栏
4.强大的 Stream API
Double> generate = Stream.generate(() -> Math.random()); generate.limit(5).forEach(System.out::println); 4.
65910编辑于 2022-06-28 - 来自专栏Vue中文社区
4个强大JavaScript运算符
这些运算符不常见但很强大！在语法上看起来很相似，作用却不一样，一定要仔细阅读。 1. ?? 非空运算符 在 JS 中，?? 运算符被称为非空运算符。 4. ?: 三元运算符 ?: 又叫条件运算符，接受三个运算数：条件 ? 条件为真时要执行的表达式 : 条件为假时要执行的表达式。 y : x } nullishAssignment(null, 8) // => 8 nullishAssignment(4, 8) // => 4 在结束之前，让我们使用三元运算符重构前面示例中的函数 = plans; return newPlans; } 结论 我们现在已经学习了这些运算符的使用方法，在这里有更多关于这些运算符的知识。 请勿直接用在生产环境， 可使用 webpack+babel 进行转义，解决浏览器兼容性问题） 延伸阅读 https://medium.com/javascript-in-plain-english/4-
81410发布于 2021-02-26 - 来自专栏人工智能
知识图谱 —— 结构化知识的强大工具
在金融领域，知识图谱同样展现了其独特的优势。利用知识图谱将账户、交易、金融产品以及客户之间的潜在关系整合在一起，可以实时发现异常交易与资金流向，从而帮助银行、保险公司、证券公司建立起有效的反欺诈模型。 当前，许多先进的人工智能模型特别是大规模生成模型（例如GPT模型）的输出常常缺乏对事实信息的准确性和逻辑性。而融合知识图谱可以作为背景知识，为生成模型的推理与校验提供强有力的支持。 设想在智能客服系统中，系统在回答用户问题时，不仅依赖于预训练模型的语言生成能力，同时借助知识图谱对相关事实进行查证，避免了因信息错误引起用户误解的问题。 这样一种融合方式正是当前研究者们努力实现的一种新型人工智能应用模型。我们进一步探讨实际场景中的知识图谱构建过程时，可以借助Python语言来辅助说明这一概念的实现方式。 在日常工程实践中，知识图谱的构建往往要考虑到数据的动态更新与跨平台融合。面对大规模数据集，开发者通常借助图数据库工具，例如Neo4j或JanusGraph，以满足海量图数据存储与高效查询的需求。
36610编辑于 2026-03-09 - 来自专栏人工智能
知识图谱 —— 结构化知识的强大工具
在金融领域，知识图谱同样展现了其独特的优势。利用知识图谱将账户、交易、金融产品以及客户之间的潜在关系整合在一起，可以实时发现异常交易与资金流向，从而帮助银行、保险公司、证券公司建立起有效的反欺诈模型。 当前，许多先进的人工智能模型特别是大规模生成模型（例如GPT模型）的输出常常缺乏对事实信息的准确性和逻辑性。而融合知识图谱可以作为背景知识，为生成模型的推理与校验提供强有力的支持。 设想在智能客服系统中，系统在回答用户问题时，不仅依赖于预训练模型的语言生成能力，同时借助知识图谱对相关事实进行查证，避免了因信息错误引起用户误解的问题。 这样一种融合方式正是当前研究者们努力实现的一种新型人工智能应用模型。我们进一步探讨实际场景中的知识图谱构建过程时，可以借助Python语言来辅助说明这一概念的实现方式。 在日常工程实践中，知识图谱的构建往往要考虑到数据的动态更新与跨平台融合。面对大规模数据集，开发者通常借助图数据库工具，例如Neo4j或JanusGraph，以满足海量图数据存储与高效查询的需求。
18100编辑于 2026-03-10 - 来自专栏tkokof 的技术,小趣及杂念
编程小知识之 自增(自减)运算符
本文链接：https://blog.csdn.net/tkokof1/article/details/102795683 本文讲述了 C/C++ 中 自增(自减)运算符 的一些知识~ 自增(自减 )运算符应该是 C/C++ 编程中的基础知识了,而自增(自减)运算符又有两种形式,分别是 前置自增(自减) 和 后置自增(自减) (出于简单考虑,后文仅以自增运算符进行举例讲解). (多用前置自增,少用后置自增),理由也很简单:虽然 前置自增 和 后置自增 的效率相仿甚至相同,但是 前置自增 仍然在理论上要优于 后置自增. 但后面从 Game Engine Architecture 中却了解到了一个有些颠覆的知识: 前置自增 效率上其实一般是要 慢于 后置自增 的 !!! : 多用后置自增,少用前置自增 !
1.3K20发布于 2019-10-30 - 来自专栏机器之心
ChatGPT增六项功能，GPT-4成默认模型，可上传文件、用快捷键
第二点 ChatGPT 背后默认模型是 GPT-4，即 Plus 用户开始一个新的聊天时，ChatGPT 会记住用户对之前模型的选择，默认模型不再是 GPT-3.5。 ChatGPT 默认的模型，下周应该会改变。 接下来是用户可以上传多个文件，以后用户可以要求 ChatGPT 根据上传的多个文件进行数据分析、生成见解。此外。 用户只需单击一下即可更深入地探索主题，从而使用户与 AI 模型的交互更加动态和灵活。 以上这六点更新，大家下周就能使用了。 显然，这位网友也非常赞同这一提议： 但也有网友并不买账，前段时间大家都在讨论 GPT-4 变笨了，3 个月内其数学能力雪崩式下降，代码能力也变差。 这段时间以来，GPT-4 的回复质量急剧下降。」 不管怎样，对于很多用户来说，还是很期待的。
87150编辑于 2023-09-08 - 来自专栏Java全栈·
ES6---4个强大运算符（??、??=、?.、?:）
4. 三元运算符（ ?: ）?: ：又叫条件运算符，接受三个运算数：条件 ? 条件为真时要执行的表达式 : 条件为假时要执行的表达式。
6K31编辑于 2022-07-25 - 来自专栏柠檬先生
zepto 基础知识(4)
61.prev prev() 类型：collection prev(selector) 类型：collection 获取对相集合中每一个元素的钱一个兄弟节点，通过选择器来进行过滤 62.prev prev() 类型：collection prev(selector) 类型：collection 获取对象集合中每一个元素的前一个兄弟节点，通过选择器用来进行过滤。 63.prop prop(name) 类型：valu
1K100发布于 2018-01-19 golang基础知识(4)
goCopy codenumbers := []int{1, 2, 3, 4, 5}for index, value := range numbers { fmt.Printf("Index: % func main() {http.HandleFunc("/", handler)http.ListenAndServe(":8080", nil)}这些基础知识点涵盖了Golang中一些更深入的概念
24510编辑于 2024-02-01- 来自专栏c++与qt学习
项目知识盲区整理4
项目知识盲区整理4 常用富文本编译器集合 常用图表插件 常用字体插件 验证码 element jwt 跨域--origin请求头 非Controller层通过RequestContextHolder.getRequestAttributes
65910编辑于 2021-12-07 - 来自专栏mysql
mysql基础知识（4）
SMALLINT：2字节整数，范围-32768到32767（无符号0到65535） MEDIUMINT：3字节整数，范围-8388608到8388607（无符号0到16777215） INT或INTEGER：4字节整数 float是单精度浮点数，占用4个字节的存储空间，适用对精度要求不高，节省存储空间的场合 double是双精度浮点数，占用8个字节的存储空间，适用需要高精度计算的场合 定点 DECIMAL或NUMERIC 可变长度的二进制字符串 TINYBLOB：最大长度255的二进制字符串 BLOB：最大长度65,535的二进制字符串 MEDIUMBLOB：最大长度16,777,215的二进制字符串 LONGBLOB：最大长度4,294,967,295 4、GROUP BY GROUP BY 子句将具有相同值的行分组。这通常与聚合函数（COUNT、SUM、AVG等）一起使用，以对分组数据执行计算。该子句是根据指定的列将数据组织到群组中。 3.分析器，这里对sql语句进行解析，根据关键字识别是什么样的sql，然后判断这条sql是否有语法错误，如果有则会报错：You have an error in your SQL syntax 4.优化器
1.1K10编辑于 2025-03-06 - 来自专栏天意云&天意科研云&天意生信云
Nature推荐：使用这4个方法，文献处理效率暴增300%
Notion Notion官网 推荐理由： Notion是一款功能强大的知识管理与协作工具，适合个人和团队使用。它的界面简洁明了，支持笔记、任务、日历和数据库的创建，满足多样化需求。 使科研人从「信息接收者」到「知识建构者」，在实验设计、学术竞争与成果转化中建立了显著优势。 如何在国内使用Grok 3 由于某些众所周知的原因，很多国内的小伙伴不知道如何使用Grok。 这里我们推荐天意科研AI平台（ai.dftianyi.com），它是一家专门针对国内科研人的宝藏站点，提供一站式AI大模型辅助服务。 ✔️ChatGPT-4o [TOP1通用模型] ✔️Claude 3.7 Sonnet [编程能力提升] ✔️Gemini 2.5 Pro [科研全能王] ✔️Grok 3 [搜文献准确度MAX 【省心】跨模型上下文记忆 ✅️【稳定】云端计算资源调度（国家级大数据中心支持） 平台背景 天意科研云平台自2023年创建以来 已拥有6w+科研用户， 服务超过500+家高校、单位。
82110编辑于 2025-05-09 - 来自专栏一飞开源
一款可对接大模型的智能问答知识库，强大灵活的组织权限管理
强大灵活的组织权限管理+精准的全文检索/多维检索+文件在线预览+版本控制与回滚+手机端支持+钉钉/企业微信集成+丰富的扩展接口+第三方集成/知识推送+多种知识分享沟通方式。 大模型能力加持，结合本地知识库，打造最懂您的知识智能管家，让大模型帮您对知识进行分类、标签、摘要，并且通过智能问答获得精准、扼要的本地知识库信息。 支持本地化部署的大语言模型（典型：ollama），亦支持扩展对接第三方主流的大模型，如chat-GPT、通义千问、智普、文心一言等。 灵活的知识权限管理机制，只有你想不到的，没有支持不了的。 基于强大的 Elasticsearch 检索引擎技术构建，检索能力强大，支持最全面的检索特性，可以无限可能的集群扩展，支持高达百亿级别的数量。 性能优秀，最低配置：2核4G即可运行，典型配置：4核8G。
73510编辑于 2025-11-30 成本暴降90%的秘密：DeepSeek+RAGGraphRAG全解析，尽在灯塔书《知识增强大模型》
一、大模型的困境与破局：从“幻觉”到“知识增强”DeepSeek等大模型虽表现卓越，但其“幻觉”问题（生成与事实不符的内容）和知识更新滞后性，严重限制了其在金融、医疗、工业、制造、电信、能源等严肃场景的应用 例如，在回答历史人物关系时，大模型可能因依赖过时数据而给出错误答案，而知识图谱则可通过结构化数据确保准确性。 解决这些问题的关键在于“知识增强”技术：通过检索增强生成（RAG）和知识图谱的结合，将大模型的生成能力与结构化知识库的动态更新能力相融合。 RAG技术的“四两拨千斤”RAG通过外部知识库（如向量数据库、知识图谱）增强大模型，解决其知识静态化的短板。 “灯塔书”《知识增强大模型》以“知识增强”为核心方法论，结合国产大模型DeepSeek的突破性技术，揭示了如何通过RAG与知识图谱技术实现成本暴降90%的行业革命。
2.6K20编辑于 2025-04-18- 来自专栏Michael阿明学习之路
4. 训练模型
线性模型正则化 4. 早期停止法（Early Stopping） 本文为《机器学习实战：基于Scikit-Learn和TensorFlow》的读书笔记。 中文翻译参考 1. (100,1) y = 4+3*X+np.random.randn(100,1) plt.plot(X,y,"b.") plt.axis([0,2,0,15]) ? 上图显示训练集和测试集在数据不断增加的情况下，曲线趋于稳定，同时误差都非常大，欠拟合 欠拟合，添加样本是没用的，需要更复杂的模型或更好的特征 模型的泛化误差由三个不同误差的和决定： 偏差：模型假设不贴合 ，高偏差的模型最容易出现欠拟合 方差：模型对训练数据的微小变化较为敏感，多自由度的模型更容易有高的方差（如高阶多项式），会导致过拟合 不可约误差：数据噪声，可进行数据清洗 3. ElasticNet(alpha=0.1, l1_ratio=0.5) elastic_net.fit(X, y) elastic_net.predict([[1.5]]) # array([4.99822842]) 4.
65140发布于 2021-02-19 Gemma 3：单卡运行的强大开源模型
单GPU或TPU上运行的超强模型：Gemma 3Gemma 开源模型家族致力于让实用的AI技术更易获取。 Gemma 3 是一系列轻量级、最先进的开源模型，基于与 Gemini 2.0 模型相同的研究和技术构建。这些模型专为快速运行而设计，可直接部署在从手机、笔记本电脑到工作站的设备上。 Gemma 3 提供多种尺寸（1B、4B、12B 和 27B），可根据特定硬件和性能需求选择最佳模型。开发者可用的新能力世界最佳单加速器模型：Gemma 3 在其尺寸级别提供了最先进的性能。 量化模型实现高性能：Gemma 3 引入了官方量化版本，在保持高精度的同时减小了模型尺寸和计算需求。 ShieldGemma 2 内置图像安全功能ShieldGemma 2 是一个基于 Gemma 3 构建的 4B 参数图像安全检测器。它输出三个安全类别（危险内容、色情内容和暴力内容）的安全标签。
20410编辑于 2026-05-05- 来自专栏自然语言处理(NLP)论文速递
ACL 2024 | 构建超关系知识图谱（KG），增强大模型多跳Multi-hop QA问答能力！
当前的大模型可以看作是一个强大的工具，可以应用于各种NLP任务。然而，尽管 LLM 实力雄厚，但当其面临多跳QA任务时，往往会力不从心。 为了解决该问题，有研究人员提出了StructQA，旨在从原始文本中提取 KG 三元组形式的结构化知识，并将其与 Chain-ofThought (CoT) 推理相结合。 「然后」，通过从查询中识别命名实体并使用它们进行广度优先搜索，利用大型语言模型直接从原始文本生成三元组。进一步将这些三元组增强为包含源文档标题的超关系四元组，为模型提供必要的上下文信息。 最后通过修剪过程，使用查询对齐的图架构来精炼超关系知识图，以提取最相关的组成部分，从而提高大型语言模型在生成答案时的效率和有效性。 「最后」，将修剪后的超关系知识图谱中的每个超三元组转换为自然语言句子，并通过特定的符号连接成长句子。然后，根据与知识架构的相似度得分，将句子按降序排列形成输入提示，确保与查询最相关的信息最接近查询。
2.6K11编辑于 2024-06-19
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