- 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。 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 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 于此同时，本文也展开了大量的实验去探究影响上下文分子微调效果的因素，集中探究了召回算法对效果的影响、上下文设置的影响、不同基座模型的影响（模型类型和模型参数量） 表6、7展示了使用不同召回算法进行上下文分子微调的效果区别 图4: 上下文分子微调（ICMA）的scaling law，这里选取了Galactica-125M，Galactica-1.3B，和Mistral-7B进行比较 表11、12进一步说明了上下文分子微调的通用性
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
最近在做一个关于中文大段文本中的手机号码识别，由于属于对抗性的一个文本，发现传统的手机号码识别方法，比如正则匹配并不是很适用。
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
针对中小企业或技术储备有限的使用者，行业已探索出多条轻量化、低门槛的落地路径，其中有监督微调、提示学习与语境学习最为核心，它们能帮我们绕开大规模硬件投入与复杂技术壁垒，高效发挥大模型的能力：有监督微调： 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。 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
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。 图7 DDD的建模方案 在建立对象模型时，我们根据对象在业务中所表达的意义，选择其中对应的方案来进行建模。例如，我们为一个投资对象进行建模，首先需要区分，投资对象的边界在哪里？ 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 - 来自专栏各类技术文章~
Redis学习（7）
Redis 作为一个内存服务器，它需要处理很多来自外部的网络请求，它使用I/O多路复用机制同时监听多个文件描述符的可读和可写状态，一旦受到网络请求就会在内存中快速处理，由于绝大多数的操作都是纯内存的，所以处理的速度会非常地快。Redis在4.0后的版本中引入多线程，但仅在部分命令上引入，比如非阻塞的删除操作，在整体的架构设计上，主处理程序还是单线程模型的。无论是使用单线程模型还是多线程模型，都是为了更好地提升Redis的开发效率和运行性能。
34020发布于 2021-09-16 - 来自专栏c++与qt学习
Qt学习-----------7
c++11中lambda表达式用于定义并创建匿名的函数对象 lambda表达式的基本构成：
38810发布于 2021-02-22 - 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。 Launchbury 表明，到目前为止，我们已经拥有非常先进、细分和强大预测能力的系统，但是仍然还没有理解语境和最小推理能力。 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7. SounDiT图片生成结果与基线方法对比 图8. 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MiningAlgorithms
机器学习7：集成学习--XGBoost
对于特征的值有缺失的样本，xgboost可以自动学习出它的分裂方向。 7. xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的？ RF和Bagging对比：RF的起始性能较差，特别当只有一个基学习器时，随着学习器数目增多，随机森林通常会收敛到更低的泛化误差。 划分训练集、测试集 myDatas.data,myDatas.target, #load_iris的原始数据集 test_size = 0.3, random_state = 7 ，找一个最合适的学习率 #设几个不同学习率的列表，后面来遍历它，看哪个学习率下分类精确度最高，就用哪个学习率代回模型重新建模 learning_rate=[0.0001,0.001,0.1,0.2,0.3 ] #这次使用交叉验证（交替充份使用有限数据）划分数据集 #实例化交叉验证类 kfold = StratifiedKFold(n_splits=2,shuffle=True,random_state=7)
2K20发布于 2019-08-08 - 来自专栏萌海无涯
Django学习模板（7）
前面学了视图，我们可以在访问 localhost:8000/polls/ 看到我们返回的内容。
61420发布于 2019-09-03 - 来自专栏一个爱吃西瓜的程序员
学习SQL【7】-函数
二：算术函数 算术函数是最基本的函数，也就是我们常用的四则运算： +（加法） -（减法） *（乘法） /（除法） 为了学习算术函数，我们首先得创建一种示例用表： --创建SampleMath表 --DDL INSERT INTO SampleMath VALUES (NULL, NULL, NULL);INSERT 0 1 INSERT INTO SampleMath VALUES (NULL, 7, ---+---+----------- 500.000 | 0 | 500 -180.000 | 0 | -180 | | | 7 2.270 | 1 | 2.3 5.555 | 2 | 5.56 | 1 | 8.760 | | (11 行记录) 字符串函数 为了学习字符串函数 今天可以留言了，大家可以尽管吐槽啦 每天学习一点点，每天进步一点点。
1.5K120发布于 2018-04-04 - 来自专栏WD学习记录
Dubbo 学习笔记（7）
参考：http://dubbo.apache.org/zh-cn/docs/dev/design.html config配置层：对外配置接口，以ServiceConfig，ReferenceCon
51020发布于 2019-01-07 - 来自专栏周小末天天开心
Java 基础学习（7）
2）八进制：0 - 7，满 8 进 1，以数字0开头。 3）十进制：0 - 9，满 10 进 1。 演示： 0237 => 0 3(011) 3(011) 7(111) => 0b11011111 // 八进制转二进制 0x23b => 0x 3(0011) 3(0011) b(1011) = 0b001100111011
29610编辑于 2022-10-26 - 来自专栏Puppeteer学习
MongoDB学习（翻译7）
手动构造类映射时您可以简单地通过不将字段或属性添加到类映射。当使用自动映射你需要指定应忽略该字段或属性的方法。可以使用属性编写如下编写：
47120编辑于 2022-05-09 《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 - 来自专栏米扑专栏
Python 学习入门（7）—— lambda
C#中的lambda表达式关键字是=>，看下面的一个例子： var array = new int[] {2, 3, 5, 7, 9}; var result = array.Where(n => n 10)] 但是，奇怪的是， >>> fs[3](4) 13 >>> fs[4](4) 13 >>> fs[5](4) 13 结果并没有达到这位老兄的预期，预期的结果应该是： >>> fs[3](4) 7 修改一下： fs = [(lambda n, i=i : i + n) for i in range(10)] >>> fs[3](4) 7 >>> fs[4](4) 8 >>> fs[5](4) 9 如： Python代码 def myadd(x,y): return x+y sum=reduce(myadd,(1,2,3,4,5,6,7)) print sum #结果就是输出 1+2+3+4+5+6+7的结果即28 当然，也可以用lambda的方法，更为简单： Python代码 sum=reduce(lambda x,y:x+y,(1,2,3,4,5,6,7)) print
67250发布于 2019-02-19 - 来自专栏java开发的那点事
Activiti7 学习总结
就是通过计算机对业务流程进行自动化处理,实现多个参与者按照预定义的流程去自动执行业务流程
78011发布于 2020-12-01
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