- 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
最后，上下文分子微调借助于大语言模型的上下文学习能力，生成最终的分子/分子描述。 具体来说，N如果比精排结果n大很多，召回的质量就可能被影响，而n如果太小（接近于N），则可能会损害结果多样性，因此在本文中，考虑到上下文长度的限制，n是个不超过5的数字，而N被设置为10. 上下文分子微调 MolReGPT[1]已经表明，上下文学习对于提示大语言模型进行分子-描述翻译任务是有效的，但是为了达到这种效果，需要依赖于上下文学习和推理能力，而这种能力通常都对模型的参数量和性能有着极高的要求 因此，我们提出上下文分子微调，去训练大语言模型，使得他们具有从上下文中提取有用信息和学习分子片段和描述片段之间的对应的能力，不同于直接微调的损失函数： 上下文分子微调同时学习了上下文例子所给出的对应关系 表4、5列出了PubChem324K数据集上，上下文分子微调与直接微调的效果比较，其结果与ChEBI-20的结果相类似，上下文分子微调相较于直接微调都带来了可观的表现增益。
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
strict=True) In [41]: obj.get_all_phone_number(text) Out[41]: '96箱车转让连线路17打包带线路转让固定货源联系13802131234手机号非诚5扰
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。 5. 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。 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
因为对于业务而言，这一功能可能会在5年甚至10年后还要继续使用，而如果功能不够健壮，或者设计之初没有充分考虑业务发展后所需要的扩展能力，很有可能在之后的迭代中给自己挖下巨大的坑。 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？ 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。 我们的系统包含PC端、APP端和微信内嵌H5，APP端和H5端交互基本相同，稍有些细节差异，但PC和移动端的差异大的就不止一点点。 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。 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
那么，AI 能否模拟人类这种“听声想景”的能力，仅凭声景生成与地点语境一致的环境图像？ “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。 图5. 场所相似性分数（Place Similarity Score，PSS）框架图 图6. SounDiT图片生成结果与基线方法对比定量评估 讨论 研究结果显示，SounDiT 可将地理语境声景到景观生成同时做到可控与可解释，并将听觉线索与场所语境连接起来，支持下游分析与设计。
13110编辑于 2026-04-02 - 来自专栏后端技术学习
RocketMQ学习5
进行消息发送的过程首先会准备好路由信息，最终是由netty完成的，也即使用nettyRemotingClient来实现的。
68420发布于 2020-08-04 - 来自专栏c++与qt学习
Qt学习--------5
自定义信号： 写到signal下 返回值是void，只需要声明，不需要实现 可以有参数，可以重载
32910发布于 2021-02-22 - 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
海纳云“1+5+2”战略 第二种是中心化的平台战略，华为、阿里可以说是其中的典型代表。
53730编辑于 2023-01-13 - 来自专栏明丰随笔
WCF学习笔记 5
服务通过 ServiceHost 进行寄宿。可以添加终结以暴露可被调用寻址和调用的资源。
91120发布于 2019-09-03 - 来自专栏萌海无涯
Django学习路由（5）
电话A 打电话给 1001 需要用到中转设备来指路，走那条线路可以到达目的地。如果表中没有，则不管他！
57810发布于 2019-09-03 - 来自专栏python练习
基础学习python（5）
通过这半个月的学习总结出来的规律跟做小学应用题一样 1、先审题 看看题目给的信息 干什么 条件是啥，怎么干，得到啥结果，基本上是这样。
38620发布于 2020-02-27 - 来自专栏python3
python 学习总结5
（5）字符串特殊字符 ? 二、字符串操作符 ? 三、字符串处理函数 ? ? 四、字符处理方法 ? ? ? 五、字符串类型的格式化 ? ? ? ? ?
45220发布于 2020-01-17 - 来自专栏Puppeteer学习
MongoDB学习（翻译5）
本节C#驱动教程谈论C#类到BSON对象的序列化和反序列化。序列化是映射一个对象到可保存到MongoDB库中BSON对象的过程，反序列化由BSON文档重建对象的逆过程。因此，序列化过程通常被称为“对象映射”
66620编辑于 2022-05-09 - 来自专栏WD学习记录
Dubbo 学习笔记（5）
参考：http://dubbo.apache.org/zh-cn/docs/user/references/telnet.html telnet命令： 使用telnet命令来进行服务治理： telnet localhost 20880 或者 echo status | nc -i 1 localhost 20880 ls ls:显示服务列表 ls -l:显示服务详细信息列表 ls XxxService：显示服务的方法列表 ls -l XxxService:显示服务的方法详细信息列表
50330发布于 2019-01-07 - 来自专栏森屿暖树
前端特效学习5
input type="radio" name="select" id="slide_4"> <input type="radio" name="select" id="slide_<em>5</em>" <label for="slide_4" class="slide slide_4"></label> <label for="slide_<em>5</em>" class="slide slide_<em>5</em>"></label>
<label for="slideImg" class="img"><label for="slideImg" class="img"> <img class="img_<em>5</em>"
33910编辑于 2022-03-23 - 来自专栏周小末天天开心
Java 基础学习（5）
目录 前言 一、逻辑运算符 （1）逻辑运算符介绍 （2）逻辑运算符分类 （3）逻辑运算符运算规则 （4）逻辑与短路的区别 （5）演示 （6）逻辑异或 二、赋值运算符 （1）赋值运算符介绍 （2）赋值运算符分类 ）逻辑或（|）：当 a 和 b 有一个为 true 时，结果为 true ， 否则为 false 4）短路或（||）：当 a 和 b 有一个为 true 时，结果为 true ， 否则为 false 5） false 2）对于短路或来说，如果第一个条件为 true ，则后面的条件不会在判断，结果为 true 对于逻辑或来说，如果第一个条件为 true ，则后面的条件也会继续判断，结果为true （5） if((5 < 10)^ (10 > 100)) { System.out.print("正确"); } else { System.out.print("错误"); }
31120编辑于 2022-10-26 《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
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