- 综合排序
- 最热优先
- 最新优先
- 来自专栏DrugOne
大语言模型是语境中的分子学习者
我们在ChEBI-20[3]和PubChem324K[2]两个分子-分子描述数据集上展开实验，实验结果表明，上下文分子微调可以使得Mistral-7B在分子-分子描述上取得SOTA或接近的结果，无需领域预训练和复杂的模型结构 表2、3列出了ChEBI-20数据集上，上下文分子微调和直接微调、基线模型的效果比较。 图3则说明了上下文设置（例子数量和截断长度）对上下文分子微调的影响，表明截断长度必须适应上下文长度，以及例子增多所可能带来的负面影响（如过多的噪声）。 图3: 模型性能随着上下文设置（例子数量和截断长度）变化的比较 而图4则展现了上下文分子微调所具备的scaling law，更大的模型因其具有更强的上下文学习和推理能力，因而会获得更好的上下文分子微调效果 graph-language modeling with cross-modal projector and uni-modal adapter. arXiv preprint arXiv:2310.12798. [3]
33510编辑于 2024-06-04 - 来自专栏FunTester
Groovy语境下的Map
使用Groovy就是为了简洁提效，不需要为了学习而学习花式炫技的语法，一旦时过境迁，自己会对自己的代码感觉陌生。
96610编辑于 2022-12-09 - 来自专栏深度学习自然语言处理
【ACL2020】基于语境的文本分类弱监督学习
高成本的人工标签使得弱监督学习备受关注。seed-driven 是弱监督学习中的一种常见模型。 使用上面算法，我们就可以将原始语料库转变为基于语境下的语料库： ? 第三步：使用基于语境下的语料库进行文档分类 本篇论文使用Hierarchical Attention Networks (HAN) 进行文本分类。 ?
1.1K20发布于 2021-01-14 - 来自专栏机器学习之旅
中文语境下的手机号识别
出现了比如： 9*6箱车转让，连线路一起打包，带线路转让，固定货源联系138-02##131234,手机号，非诚勿扰2+1合同 9*6箱车转让，连线路一起打包，带线路转让，固定货源联系138-洞2##幺3幺
1.2K30发布于 2019-05-14 - 来自专栏AI智能体从入门到实践
构建AI智能体：大模型三大适应技术详解：有监督微调、提示学习与语境学习
语境学习： 更强调即时适配、无需训练，它不需要提前准备标注数据或调整模型，只需在输入时给出少量示例或清晰的任务描述，模型就能在当前语境中快速理解任务逻辑，完成新需求。 示例：动态少样本学习通过Qwen1.5-1.8B-Chat模型演示了让AI模型通过示例学习新任务，通过情感分析判断文本情感倾向、实体识别提取人名、组织、地点以及文本分类划分文章类别，展示了大模型语境学习的实际应用 从“引导”到“改造”：介入深度的不同提示学习 & 语境学习（轻量级引导）：如上图左侧所示，它们位于同一层级，都属于不更新模型权重的方法。 ，达到更高专业度灵活性极高，可快速切换任务低，一个模型针对一个任务3. 实际项目，循序渐进原型与验证阶段（提示/语境学习）：当有一个新想法时，首先使用提示学习和语境学习来快速验证想法的可行性。这就像做一个概念验证，几乎零成本。目的：快速回答“大模型能不能做这个任务？”
35832编辑于 2026-01-19 - 来自专栏【腾讯云开发者】
React语境下前端DDD的长年探索经验
把前端应用归纳为3类，分别是业务系统、通用应用、工具类应用。它们虽然都是前端应用，但是在开发工作中呈现出来的关注度却非常不同。 前端语境下DDD的价值主张 1）前端需要DDD吗？ 这个问题可以细化为，前端需要与业务方领域专家进行沟通吗？在设计系统或功能时，需要基于沟通结构的领域模型展开完成模块的搭建吗？我们需要在前端建模吗？ 我们想从另一个角度为前端开发者描绘他的工作场景： 图3 前端开发人员的沟通域 上图中，我们描述了前端开发者在整个业务开发过程中所处的境地。 前后端要解决的问题大不相同： 表2 前后端要解决的问题对比 这也就意味着，在前端语境下，我们关注的内容范畴比后端还要大。 在前端语境下，由于前端关注的内容的异质性，我们不可能直接照搬后端的DDD实践，不得不探索前端DDD的特殊途径。基于DDD的设计，我们的架构剖离出不同的分层，在领域层和控制层完完全全描述了业务需求。
1K40编辑于 2023-01-18 - 来自专栏机器之心
观点 | 人工智能的三个阶段：我们正从统计学习走向语境顺应
统计学习（Statistical Learning）阶段 3. 语境顺应（Contextual Adaptation）阶段 Launchbury 的观点对我帮助极大。 图像识别 3. 强化学习 4. 问答机 5. 对抗式训练 6. 第三阶段：语境顺应（contextual adaption） 接下来呢？Lauchbury 说，当前统计学习时代出现了两个问题，第三个阶段要解决两个问题。 生成模型：这些模型可以从潜在语境中进行学习，比如一个模型，掌握了每个字母的笔画，而不是基于大量糟糕的书写样本进行粗暴分类。我们今天使用的生成模型有望显著减少对训练数据的需求。 鉴于这些特点，处在这一阶段的人工智能系统就能使用语境模型（contextual models）进行感知、学习、推理以及抽象，将从一个系统中学习到的东西应用到一个完全不同的语境中。
1.4K90发布于 2018-05-07 - 来自专栏时空探索之旅
CVPR 2026 | SounDiT: 地理语境声景到景观生成
万对声景–图像配对）；（2）研发了面向地理一致性声景到景观生成的生成模型 SounDiT；（3）提出了实用导向的评测框架“场所相似性分数”（Place Similarity Score，PSS）（涵盖要素 “地理语境声景到景观生成”（Geo-contextual Soundscape-to-Landscape, GeoS2L）问题 数据集构建 以往音频到图像研究多依赖通用音视数据集，主要用于声源定位与视听对应学习 SoundingSVI与SonicUrban数据集构建流程 图3. SoundingSVI与SonicUrban数据集覆盖范围 研究方法 GeoS2L（地理语境声景到景观生成）旨在从某地的环境声景生成与该地点语境一致的景观图像。 ： 1）要素层：比较树木、天空、水体、建筑等地理要素的构成一致性（用语义分割提取要素比例）； 2）场景层：判断整体场景类别（如森林、海滩、居住区等）是否一致（用场景分类模型）； 3）感知层：评估图像唤起的主观感受是否接近
13110编辑于 2026-04-02 - 来自专栏python3
python3学习(3)
= [] for num in list_1: result.append(num + 1) print(result) print([num + 1 for num in list_1]) 3、 "abcabdab1" print(count_letters(s,"ab")) 数学运算符： math.ceil()向上取整 math.ceil(5//2) 2 math.ceil(5/2) 3 coding=utf-8 def divmod_2(a,b): c = a//b d = a%b return c,d print(divmod_2(5,2)) 幂 2**3 左边补0，总长度是length bin(5)[2:] '101' bin(5)[2:].zfill(8) '00000101' int()函数携带base参数 int(bin(3) ,base=2)#把二进制转换成10进制 3 int("10",base=16)#把16进制转成10进制 16 int("10",16) 16 int("10",8) 8 int("10",base
50220发布于 2020-01-03 - 来自专栏Alter聊科技
“数字孪生”语境下的城市：拼图模式与航向之争
上世纪六十年代，NASA在“阿波罗计划”中建立了一套完整的物理仿真系统，地面上的“孪生飞行器”可以在仿真技术的帮助下预演登月过程中可能遇到的紧急情况。
53730编辑于 2023-01-13 《谷歌Gemini 1.5：长语境理解重塑文档分析与检索新格局》
谷歌Gemini 1.5的问世，凭借其卓越的长语境理解能力，在文档分析和检索任务方面掀起了一阵技术革新的浪潮。以往的大语言模型在处理长文本时，常因上下文窗口的限制而出现信息丢失、理解偏差等问题。 在文档分析领域，Gemini 1.5的长语境理解能力犹如一把精准的手术刀，能够深入剖析复杂文档。 而Gemini 1.5凭借强大的长语境理解能力，能够理解用户查询的真正意图，即使查询语句表述模糊，它也能在庞大的文档库中精准定位到最相关的文档。 尽管Gemini 1.5在长语境理解能力上取得了重大突破，但它并非完美无缺。在处理一些专业性极强、领域知识极为复杂的文档时，Gemini 1.5可能仍需要进一步学习和优化，以达到更精准的理解。 谷歌Gemini 1.5的长语境理解能力为文档分析和检索任务带来了巨大的变革，虽然还存在一些挑战，但它无疑为人工智能在这两个领域的应用开辟了新的道路，让我们对未来智能文档处理充满期待。
30910编辑于 2025-04-21- 来自专栏全栈程序员必看
MATLAB学习（3）
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/118720.html原文链接：https://javaforall.cn
31920编辑于 2022-07-12 - 来自专栏python3
学习笔记(3)
ls -dl /etc 显示/etc目录的信息 # ls -d /etc/* 显示/etc下面的文件和文件夹，并且文件夹不递归显示 # ls -d /etc/*/ 只显示/etc下面的文件夹 3. 为系统管理员命令，5为系统配置文件 9.将windows上传到linux环境中出现乱码的文本(windows中默认的是ANSI格式)，通过 #iconv -f gb2312 win.txt -o win3. bash_logout中写 rm -rf /tmp/* 45.killall vim 杀进程 46.tree -L 1 -d /boot 47.rmdir -p /data/dir1/dir2/dir3 mkdir -pv /testdir/dir1/{x/{a,b},y/{a,b}} 49.mkdir -pv /test/dir2/{x/{a,b},y} 50.mkdir -pv /test/{dir{3,4 (cmd 2>&1)>1.log 此命令会由于有括号的存在会先执行括号里面重定向，然后将正确的和错误的重定向输出都输出至1.log文件 以上3个命令可以总结出 命令是先执行正确的输出，然后再执行错误的输出
1.1K10发布于 2020-01-08 - 来自专栏悟空被FFmpeg玩
LPI学习-----3
Filesystem volume name: <none> Last mounted on: <not available> Filesystem UUID: 1a1354d1-3a6d Journal inode: 8 Default directory hash: half_md4 Directory Hash Seed: 1514e018-3be3
65430发布于 2019-03-05 - v-show指令 <h3 v-show="isShow">我是一个三级标题</h3> <! </h3> <! -- v-bind:省略为： --> …… data:{ msg:"今天学习VUE", d:false,来自专栏雪胖纸的玩蛇日常
vue学习（3）
指令系统 v-* var app=new Vue({ el:"#app01", data:{ msg:"今天学习 指令系统 v-* var app=new Vue({ el:"#app01", data:{ msg:"今天学习 -- 刷新网页随机产生不同的内容 -->
3.1K20发布于 2018-08-16
Gitee Wiki：软件工厂语境下的知识管理中台实践
GiteeWiki：软件工厂语境下的知识管理中台实践在全球数字化转型浪潮下，软件开发的工业化进程正加速推进，软件工厂模式正成为企业提升研发效能的关键路径。
ASP.NET Core 6框架揭秘实例演示：利用Session保留语境
单一的对话毫无意义，在在同一语境下针对某个主题进行的多次对话才会有结果。 会话的目的就是在同一个客户端和服务器之间建立两者交谈的语境或者上下文，ASP.NET Core利用一个名为SessionMiddleware的中间件实现了会话。 图2 呈现当前会话的Session Key 如果有这个保存当前会话状态的Session Key，我们就可以按照图3所示的方式采用命令行的形式将存储在Redis数据库中的会话状态数据提取出来。 当会话状态在采用默认的分布式缓存进行存储时，整个数据字典（包括Key和Value）会采用预定义的格式序列化成字节数组，这基本上可以从图3体现出来。 图3 存储在Redis数据库中的会话状态 [S2303] 查看Cookie 虽然整个会话状态数据存储在服务端，但是用来提取对应会话状态数据的Session Key需要以Cookie的形式由客户端来提供。
开发 | 用 Tensorflow 搭建能理解语境的聊天机器人！
想掌握对话沟通，语境为王。 我们将使用Tensorflow构建一个聊天机器人框架，向大家示范如何实现上下文的语境处理。 有没有想过为什么大多数聊天机器人缺乏会话语境？ 首先是导入的包： 如果是新手，看看“7行代码搞定深度学习”（https://chatbotslife.com/deep-learning-in-7-lines-of-code-7879a8ef8cfb） 语境化 我们想要处理一个关于租赁摩托车的问题，并咨询租金是否今天到期。是非问题是一个简单的语境响应。如果用户回答“今天” ，上下文是租赁的时间范围，那么最好调取租赁公司编号1-800的问答响应。 语境很有用！ 有一些事情需要考虑了，那就是下面的语境化... 带状态的状态模型 没错，你的聊天机器人将不再像无状态的服务端那么轻松愉快了。 想想意图影响和反应不同上下文（语境）设定的创意方式。用户的上下文字典可以包含各种各样的会话上下文。 来一起愉快地玩耍起来！ via chatbots magazine，AI科技评论编译。
无效学习 VS 有效学习 （3）
以下文章来源于种个模型树 ，作者付出 目前为止，我说了无效学习的2种表现， 重复性搬运 和 没有明确目标。 但这些不是最本质的。 无效学习和有效学习， 最本质的区别在于，能不能把知识用起来， 去解决现实层面的问题。 有没有听说过这样一句话，“懂了很多道理，却仍然过不好这一生”。 为什么会这样呢？为什么把知识用起来这么难？ 2.缺乏微观体感，需要先“自下而上”式学习。 方法论：观察+思考 关于，这节内容，我是有欠缺的。 主要原因是微观体感不够（生活+人际+专业知识方面）， 所以相关实例，我后续再回来补充。
制定「机器学习」学习计划【3】
身处这样一个热点行业，学习是必须的。 大数据、AI（人工智能）相继席卷世界后，作为程序员，真得学点机器学习了。 之前我们讲过，有效学习三要点：目标明确、系统性强、足够深入，三者缺一不可。 既然是定制针对自己的学习计划，那么势必要让计划符合这三个要素。 教学双方能够配合好至少有三个前提： 1）教的人有足够的个人积累和授课技巧用以传达知识； 2）学的人主动吸收传授内容并同步思考、理解； 3）教的人教的内容与学的人想学的内容相匹配，且张力适度。 3）制定计划也是一个了解自己的过程。 知道自己现在缺什么，缺到何种程度。同时对照培训课程大纲和介绍，也可以辨识自己目前知识背景和培训课程深度是否匹配。 3）然后，在尽量广泛地收集了大量培训信息后，对照课程大纲和自己的学习计划进行选择。 教师声誉、培训机构声誉、网友评价等可以作为参考和背书，但核心是课程大纲与个人计划的匹配度！
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