- 综合排序
- 最热优先
- 最新优先
- 来自专栏花雕学AI
《花雕学AI》30：ChatGPT的资料来源比例排名前20名是什么？
资料来源对于ChatGPT的性能至关重要，因为它们决定了ChatGPT可以学习到的知识和文本的范围、深度和新鲜度。不同类型和来源的资料会影响ChatGPT的回答品质、创意功能和对话风格。 因此，了解ChatGPT的资料来源有助于我们评估它的优势和局限性，并提出改进或应用的建议。 本文旨在探讨ChatGPT的资料来源比例排名前20名是什么，以及它们如何影响ChatGPT的表现。 我们将从以下三个方面进行分析：（1）ChatGPT的资料来源类型和比例；（2）ChatGPT的资料来源变化和更新；（3）ChatGPT的资料来源对其聊天品质和创意功能的影响。 图片 一、ChatGPT的资料来源类型主要有两种 它们分别是预训练资料和微调资料。 图片 结尾：本文探讨了ChatGPT的资料来源比例排名前20名是什么，以及它们如何影响ChatGPT的表现。我们发现，ChatGPT的资料来源主要有两种类型：预训练资料和微调资料。
43530编辑于 2023-05-05 - 来自专栏wujunmin
ChatGPT查资料和查代码有什么区别？
向ChatGPT提问XXX次之后，发现查询普通文本资料和查询代码（例如VBA、DAX或其他程序语言）有显著区别。 提问方式 ---- 无论是查询普通的资料还是代码，提问都需要具体、明确，以动名词为主。 ChatGPT查代码和搜索引擎查代码最明显的区别在于，前者的代码可以是为你定制的。你让告诉ChatGPT把VBA运行结果输出在B2单元格，它不会写到B1。 去除其中重复的内容和错误内容，就得到了一份完整的材料。 2. 验证方式 ---- 我们获得了答案，但并不意味着答案是可用的，获得的文本资料和代码证伪难易程度不同。 而常规的文本资料，由于不清楚AI调用的信源是什么，很难保证是否可靠。你可能需要为材料验证付出较大的时间成本。 综上，针对查询资料的使用场景，完全程式化的代码、技巧之类使用ChatGPT比搜索引擎效率更高；无需验证的（比如邀请函）或者马上就能验证（比如菜谱）的文本材料ChatGPT效率也比较高；需要严谨验证的资料现阶段建议主要使用搜索引擎
80940编辑于 2023-02-28 - 来自专栏硬件工程师
LDO的噪声来源、抑制方法
1 LDO 噪声来源 LDO 的噪声分为 LDO 内部的噪声和 LDO 外部的噪声。LDO 内部的噪声来自于内部电路的带隙基准源，放大器以及晶体管。LDO 外部的噪声来自于输入。 在大多数情况下，由于带隙基准源电路是由很多不同的电阻、 晶体管和电容组成，它所产生的噪声会远远大于反馈电阻产生的噪声。 而且带隙基准源是误差放大器的输入，它所产生的噪声也会经由误差放大器放大来控制 FET，所以误差放大器本身以及 FET 所产生的噪声也会比带隙基准源的噪声要低。 不同CFF 下的噪声频谱密度图。可以看出， CFF 越大，噪声从低频开始都能被很好的抑制。CFF 太小的时候，抑制噪声的作用就不太明显。 当频率很高的时候，不管用多大的CFF ，噪声频谱密度相差不会太大。所以，增加合适的前馈电容CFF ，对改善 LDO 低频噪声有非常好的效果。
85800编辑于 2025-03-31 - 来自专栏用户8739990的专栏
在线识别图片来源原理 选择好的在线识别图片来源程序
如今已是数字化时代，彩色的图片越来越多的图片进入到日常生活中。有很多的时候，大家可能会并不清楚一张图片的来源，这就需要用到一些在线识别图片来源的程序。那么在线识别图片的来源的程序是如何工作的？ 在众多的识别程序中，如何去选择好的识别程序呢？项目就来为大家简单介绍一下。 image.png 一、在线识别图片来源的原理 首先，在线识别图片的程序或程序主要是依托大数据来进行处理的。 通过算法模拟出该图片每种颜色所在的位置及其占比。最后就是在数据库中查询图片及其链接的网站地址。这样就实现了在线识别图片、图片查询来源的工作。 二、选择在线识别图片来源的程序的指南 一款好的图片识别程序关键就是要看数据库是否庞大。只有巨大的数据库才会有大量的识别材料，只有庞大的识别材料才会让用户查找图片来源的过程更加可靠、准确。 以上就是为大家带来的关于在线识别图片来源的原理，以及一些好的识别图片来源程序的选择方法。优质的图片识别程序并不少，只要精挑细选一下就可以找到好的程序。
20.9K40发布于 2021-07-23 - 来自专栏python3
python的资料
Python系列英文原版电子书 http://down.51cto.com/zt/104 python简明教程(CHM) http://down.51cto.com/data/49213 Linux***的python Python 模块详解 http://down.51cto.com/data/130237 Python入门指南中文版 http://down.51cto.com/data/64689 python的函数查询手册 学习资料 http://down.51cto.com/data/242167 《Python标准库》中文版 http://down.51cto.com/data/313469 Python Unix和Linux 系统管理指南 （中文版） http://down.51cto.com/data/370178 Python灰帽子：***与逆向工程师的Python编程之道] http://down.51cto.com/ 源码剖析 http://down.51cto.com/data/141159 Python实现的黑白棋游戏 http://down.51cto.com/data/139878 CS模式的TCP聊天室程序
1.6K20发布于 2020-01-09 - 来自专栏AI进修生
别难为 ChatGPT 了，面对海量资料，NotebookLM + Gemini 的“外挂模式”才是降维打击
但是，一旦扔给它们一份 1000 页的技术文档、几个 G 的混合资料库（图片、视频、网页链接）, 就麻烦了： 现在当我有现成的资料的时候：笔记、视频、图片。。 如果不使用NotebookLM，Gemini3的上下文没这么大。而且对于那些多模态资料而言，前者更多的是RAG，后者是作为上下文。 甚至我也可以把与Gemini的好的输出再反向填到NotebookLM 中。拆解消化吸收。 总之，这是一个双向协作，互为补充的过程。 基于笔记本生成图片 生成图片：读取笔记中的抽象概念，自动生成对应的视觉配图。 我感觉生成的这个表的风格挺好的。。 NotebookLM 生成ppt，以可视化的方式查看聊天记录。 如果你的聊天记录是ai生图提示词的话，那效率太高了，生成的ppt里面包含了这些提示词的绘图。
64010编辑于 2026-02-27 - 来自专栏GEE遥感大数据学习社区
常见的世界地图数据来源
师姐这周没有鸽，鼓掌，呱唧呱唧呱唧 咳咳，进入正题，之前我写过“矢量数据来源”和常见的栅格数据来源的推文（点击图片可直接跳转） 分享的是国内的常见的数据获取，包括“行政边界”、“DEM”、“土地利用 ”......最近清理电脑内存有点多，看着总是不爽，毕竟我是“龙” （上下文仅有三毛钱关系） 这次呢，分享一些常见世界地图的数据来源 - 01 - DIVA-GIS http://swww.diva-gis.org 大兄弟，咱专注世界行政边界各个等级数据的收集整理和分析，这虽然是是个永无止境的工程，但是咱愿意并专一” 同样可以按照你需要的国家局部下载，也提供全球集合数据，目前提供最新版本数据是3.6版本，之前的还有 上述网站也不要tizi，就是浏览器下载的时候有点慢，我发现我的读者下载数据比我有套路，毕竟我只会傻瓜式下载 字数好像还有点不够，再来一个，上面介绍的三个主要是世界的极大范围的常规数据，下面这个主要是区域性的不咋地常规数据 软件相关资料和世界行政边界数据 注意：外网上的数据很多涉及到我国领土主权问题 比如GADM上的数据错将台湾省按照国家表示 建议直接访问 自然资源部地图技术审查中心 https://www.zrzyst.cn
1.5K10编辑于 2022-09-20 - 来自专栏DrugIntel
合并不同来源的IC50或Ki值是显著噪声的来源！
令人惊讶的是，我们的分析显示，在合并来自不同文献Ki测定的数据时，存在相似程度的噪声。 不同的测定生物体或细胞类型：靶蛋白可能在不同细胞类型中重组表达（ChEMBL中的靶点ID基于靶点的原始来源分配），或者测定可能使用不同的细胞类型进行。 所有这些在不同测定中测量针对"相同"靶点的活性值的变异性来源（不兼容的测定、实验室间差异、实验误差等）都会给旨在用于生物活性建模的合并数据集带来噪声。 • 文献以外的来源：移除来自无关联文献日期来源的任何测定。 • 测定规模：默认移除包含>100种化合物的测定。 原始文献未提供足够的数据来源信息以理解这种变异性的原因[16,17]。
27010编辑于 2026-01-16 - 来自专栏生信技能树
不同数据来源的生存分析比较
对比2015.11.1的TCGA数据，最新的TCGA数据，GOBO数据三种数据来源的CCR1，CCL23两种基因在乳腺癌病人中的生存分析。 于是想重复一下，这篇文献的数据来源是GOBO，一个乳腺癌的专属数据库，所以我一开始选择了调用TCGA的数据，但是很可惜这个结果的癌症种类特异性是比较强的，试了几种癌症都没有这么显著的结果，要么就是相反的结果 不过在曾老师的指引之下我顺便探索了一下不同数据来源的生存分析结果会有什么不同。 两个数据来源都是和老版本TCGA数据库的结果有些许的差别，但大致的趋势是一致的。 GOBO 最后再用文献的数据来源试试。 总结 三种数据来源的结果大体趋势一致，但是显著性和一些细节上有差别。
2.1K11发布于 2019-12-26 - 来自专栏张善友的专栏
Rainbow的相关资料
Rainbow的asp.net 2.0版本还没有正式发布,从他的代码库可看出来,asp.net 2.0的版本将是非常不错的一个产品。
86280发布于 2018-01-22 - 来自专栏锦小年的博客
课程笔记6--fMRI的噪音来源
BOLD fMRI包含多种来源的噪音，与设备本身和被试本身相关 噪音的来源 －系统内自由电子的热运动 －磁场和其梯度的不稳定性 －头动及其对磁场的交互影响 －生理影响：心跳、呼吸，co2浓度 这些噪声如何在数据内出现 -高频的spikes -图像的伪影和畸变 -低频的漂移和周期性的波动 如何减少噪音和伪影的影响 在获取过程中： －我们需要高质量的控制以确保扫描器本身工作很正常 －合理安排实验的序列 －我们还可以用一些特殊的序列 所有fmri的数据都有一些伪影，在做数据分析的时候如果遇到严重的伪影问题是很难处理的，所以我们需要在数据获取的时候就尽量避免。 蓝色的代表真实的高频信号，红色的点代表采样 ? 为了避免这个现象，我们需要至少比信号的频率快两倍的采样频率，如果我们采样的更快，测的的信号的变化方式也更接近原始的信号。 转载声明： 作者：李竞捷 链接：https://zhuanlan.zhihu.com/p/22221789 来源：知乎 著作权归作者所有。
1.4K20发布于 2019-05-26 - 来自专栏HTML5学堂
hasLayout IE浏览器bug的来源
HTML5学堂：IE6浏览器曾经“坑”了一代又一代的前端工程师，了解浏览器兼容问题的同时，抱着“理科思维”的我们，必然会去思考为何IE6会这么“坑”，所以，我们来说说IE6浏览器bug的根源-haslayout 很多的ie下的css bug都与其息息相关。在ie中，一个元素要么自己对自身的内容进行计算大小和组织，要么依赖于父元素来计算尺寸和组织内容。 这个时候可以尝试触发父容器及其中的子容器的haslayout属性，通常可以通过加上zoom: 1;来调试。直到找到了产生问题的元素，再进行针对性的修正。最好的办法是对这个元素设置尺寸属性。 但是，有时不便指定尺寸属性的情况下，就只能寻找替代方案了。对于ie7 ，最好的办法是设置最小高度属性为0；这个技术是无害的，因为0本来就是这个属性的初始值。而且没有必要对其他浏览器隐藏这个属性。 display 启动haslayout的值:inline-block 取消hasLayout的值:其他值 width/height 启动hasLayout的值：除了auto以外的值 取消hasLayout
1.1K40发布于 2018-03-12 - 来自专栏互联网老辛
Python的学习资料
看到后台有人要python的学习资料，上次就是因为发了Python视频被投诉，导致号被封了三个月。 不过这次我依然想把一些Python视频分享给大家，希望大家可以更好的学习和成长。 链接里的内容是哪个培训机构的我就不写了，每个机构都有 注： 所有视频资源，只做学习使用，勿做商用 链接：https://pan.baidu.com/s/1OspiQvgh-4d0Yzy3oItqVw 密码
64320发布于 2018-10-09 - 来自专栏野生AI架构师
推理与统计：推理的来源是什么？
最近chatGPT大火，自己也刷了不少相关的文章，自己一知半解，网上大都也是蹭热点的小作文。 有文章提到chatgpt已经具备了复杂的推理能力，按照自己以前对这些大模型的了解，是不太相信的，那不过就是从训练数据提炼出来的观点，本质是一种统计的运算。 网文说，chatgpt的推理能力很可能是来源于代码的学习，代码确实可能是学习逻辑的最佳训练集了，如果他从海量的代码里，学习到了逻辑运算的模式，再加上大模型本身所学到的知识，如果融合在一起，是不是就是产生推理能力了呢 但是显然，目前基于冯诺依曼架构的机器计算显然比人脑生物计算的能耗要高出许多，不过这样的理解是不是正确的呢，毕竟我们的人脑发展成今天的样子也是经过三十多年才成今天的样子。 话又说回来，推理的来源是不是也是统计？这么理解是不是也是可行的。
33410编辑于 2023-08-26 - 来自专栏FreeBuf
获取来源IP地址的正确姿势
每次和客户对接，我都花很长的时间跟对方的技术人员解释如何正确地获取来源IP地址，但是每家公司的情况都有所差别，没有一个标准方法。 前面提到了，来源IP是保留IP的情况，其实大多数是由于业务系统直接以TCP报文中的remote address作为来源IP使用了。而这个IP，一般是企业自己的反向代理服务器。 可信区域，就是平台自己，或者友商建立的系统，可以保证从这些系统中获取并传递的数据是真实的、可信的。 获取来源IP的正确方式，是提取并记录本次请求首次进入可信区域时的remote address。 此外，某些CDN服务商，会有自己定制化的Header字段，情况比较多，建议结合具体的情况来决定如何获取用户的来源IP。 那么其实只要获取XFF中倒数第三个IP，作为来源IP即可。 一种参考方式如下： 在反向代理(Nginx)上配置，增加Real-IP字段： ? 业务系统中，获取来源IP的代码如下(Java示例)： ?
4.6K70发布于 2018-02-28 - 来自专栏FunTester
测试人员的信心来源——权威的测试准则
作为一个测试人员，报告相关人员影响系统的功能和威胁系统性能的问题是我们工作中的任务。 可能你常会遇到领导拦着问你：我们测试结果如何，还有故障吗？版本可以发布了吗？ 其实这些问题与我们产品的可测性相关。如果我们获取知识的平台不稳定，我们怎么能够确保所学的东西是正确的呢？ 本文讨论的核心就是：测试人员的信心来源——权威的测试准则。 测试准则 其实测试准则的问题简单来讲，就是“一致性”问题。期望结果与实际结果是否一致的问题。 我们已经说过：世界上没有完美的准则。 权威的测试准则只在局部有效，即只能与我们定义的系统相一致才有效。那么，我们在定义权威的测试准则时，需要考虑哪些方面呢？ End FunTester原创专题推荐~ FunTester宣言（ChatGPT版） FunTester900原创合集 2021年原创合集 2022年原创合集 接口功能测试专题 性能测试专题 Groovy
33230编辑于 2023-08-04 - 来自专栏IT知识进阶学习
JAVA自学-标识符、变量的来源
首先我们知道语言的目的在于让人能够和特定的对象进行交流，向特定对象传达我们想要表达的意思并得到响应，而程序语言的交流对象是计算机，通过它告诉计算机我们想要做什么，它应该怎么做。 (当然，如果有人能够出一个将英语的思维转成汉语的思维，相信会让学习英语的难度有一定程度降低)。 回归正题，如果我们想要学好JAVA语言，那么最好的方式就是找出JAVA语言和汉语之间的关联，使用类比的思想去学习，这样能够最小程度地去更快接纳和学习JAVA语言中的特点。 既然定义标识符的名称有这么多规则，那么是否有一些在定义标识符好的建议呢？答案是肯定的，我们在定义时有以下的一些建议，但不是强制要求。 只能由数字、JAVA字母、下划线和美元符号组成，这里的的JAVA字母并不单纯只指英文字母，它的意思是Unicode字符集中包含的字符，其中也包括一些中文汉字，但是命名的时候并不推荐使用中文命名 ---
80020编辑于 2022-09-13 - 来自专栏ytkah
微信指数是怎么调取数据来源的
之前张晓龙说过好几次，少就多，所以，微信指数能否作为一个搜索引擎的逻辑概念，从哪里调取数据来源？微信公众号的文章？还是微信嵌入进来的各种第三方网站的内容来源？或者是其他？ 微信派给出了一个提示：基于微信的大数据分析，微信指数能够帮助大家看到关键词在微信内的热度情况，热度情况有且只限于微信搜索、公众号文章以及朋友圈公开转发文章形成的综合分析。 我们再来看看微信官方的说法 微信指数的应用场景 1、捕捉热词，看懂趋势 微信指数整合了微信上的搜索和浏览行为数据，基于对海量数据的分析，可以形成当日、7日、30日以及90日的“关键词”动态指数变化情况， 2、监测舆情动向，形成研究结果 微信指数可以提供社会舆情的监测，能实时了解互联网用户当前最为关注的社会问题、热点事件、舆论焦点等等，方便政府、企业对舆情进行研究，从而形成有效的舆情应对方案。 3、洞察用户兴趣，助力精准营销 微信指数提供的关键词的热度变化，可以间接获取用户的兴趣点及变化情况，比如日常消费、娱乐、出行等，从而对品牌企业的精准营销和投放形成决策依据，也能对品牌投放效果形成有效监测
6.7K50发布于 2018-03-06 - 来自专栏reizhi
ViewWizard 查看弹出窗口来源的小工具
在你的电脑被安装上了各种国产软件全家桶之后，各种各样的广告弹窗也就随之而来了。与网页广告不同的是，这些桌面弹窗有时无法判定来源软件，让人十分头疼。 比如下面这个来自网友的例子： 虽然提供了关闭按钮，但它如果不定时的弹出也会让人非常恼火，最重要的是我们不知道究竟是什么软件引发了这个弹窗。 不过有了 ViewWizard 窗口信息查看精灵这款绿色软件之后，定位窗口来源变得易如反掌。只要广告窗口还未关闭，我们便可以对他进行寻根溯源。 在找到问题的根源之后，就可以通过更改设置或者卸载软件的方式来解决问题了。不过某些软件不得不保留却又不支持禁止弹窗的话，可以尝试使用各种国产管家软件提供的弹窗拦截，在工具箱中基本都可以找到。 新增的多项功能对于普通用户并没有什么作用。点我下载
7.1K20编辑于 2022-09-26 - 来自专栏太阳影的学习记录
数值分析笔记（1）——误差的来源和分类
误差的来源和分类 误差的分类 这两种不是数值分析的重点内容，主要是不可避免的，所以不考虑。下面的才是实际上重点关注的内容。 截断误差和舍入误差的区别在于截断误差是我们主观上选择的，而舍入误差主要是计算机内存有限只能够存有限位，客观导致的。 绝对误差只用于理论分析，因为精确值往往是不可知的。 例题： 可知这里的误差是截断误差。 这里用到的知识点就是绝对误差限和相对误差限。 即1.24，近似值末位，1.24中4对应的位，即0.01，因为是半个单位，所以是0.005，因此绝对误差就是0.005。 参考 东北大学公开课——数值分析
2.5K20发布于 2021-10-15
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