- 综合排序
- 最热优先
- 最新优先
- 来自专栏大模型应用
大模型应用：大模型的词元化处理详解：BPE、WordPiece、Unigram.11
引言 词元化（Tokenization）是大模型预处理的核心步骤，将连续文本切分为模型可理解的最小语义单元（Token），这些词元可以是单词、子词或字符。 11. 对新文本进行分词（使用最长匹配策略）。注意：在WordPiece中，通常使用一个语言模型来评估合并后的似然变化，但这里我们使用对数似然增益的公式作为合并标准。6. 生成候选Token（例如所有单字、双字、多字组合，或者通过其他方式生成一个大词表）3. 构建初始大词表4. 训练Unigram语言模型（即计算每个词元的概率）5. 删除困惑度上升最小的词元（即对模型影响最小的词元）8. 更新词表，并重新计算每个词元的概率（重新训练语言模型）9. 重复步骤5-8直到词表大小达标10. 生成最终词表11. 六、总结 词元化是大模型理解文本的基础预处理步骤，核心是将中文文本切分为有语义的最小单元（Token）。
64733编辑于 2026-02-08 - 来自专栏java一日一条
Java初学者必知：Java语言的11大特点
1、Java语言是简单的 Java 语言的语法与C语言和C++语言很接近，使得大多数程序员很容易学习和使用Java。 对指针的丢弃是Java的明智选择。Java的安全检查机制使得Java更具健壮性。 5、Java语言是安全的 Java 通常被用在网络环境中，为此，Java提供了一个安全机制以防恶意代码的攻击。 Java系统本身也具有很强的可移植性，Java编译器是用Java实现的，Java的运行环境是用ANSI C实现的。 8、Java语言是解释型的 如前所述，Java程序在Java平台上被编译为字节码格式，然后可以在实现这个Java平台的任何系统中运行。 Java语言支持多个线程的同时执行，并提供多线程之间的同步机制（关键字为 synchronized）。 11、Java语言是动态的 Java语言的设计目标之一是适应于动态变化的环境。
2K21发布于 2018-09-19 - 来自专栏帅云霓的技术小屋
大模型与AI底层技术揭秘 (11) 变形记
有一天，小H在吃完午饭回到办公室，旁边几位同学在打《王者荣耀》，并且在挑拨匹配到的一对情侣队友分手。
36210编辑于 2023-11-27 Java已死，大模型才是未来？
本文将从多个维度深入探讨Java的现状、大模型技术的影响，以及Java与大模型融合的可能性，为读者提供一个更为全面和深入的视角。 Java与大模型的融合与变革在大模型技术崛起的背景下，Java作为一种成熟且广泛应用的编程语言，自然也在探索与大模型技术的融合之路。事实上，Java与大模型的融合已经取得了不少进展和成果。 首先，Java社区对于大模型技术的支持和探索已经初见成效。一些开源项目和框架在Java环境中实现了深度学习和大模型技术的支持，如Deeplearning4j、ND4J等。 这些项目和框架为Java开发者提供了丰富的工具和资源，使得他们能够更加方便地构建和部署基于大模型的应用。其次，Java自身的特性和优势也为其与大模型的融合提供了有力的支持。 同时，Java的跨平台特性也使得基于Java的大模型应用能够在不同的操作系统和硬件平台上运行，从而提高了应用的兼容性和可移植性。最后，Java与大模型的融合也推动了软件开发的智能化升级。
84320编辑于 2024-09-29- 来自专栏码农编程进阶笔记
Java + LangChain 开发大语言模型应用！
在 Baeldung 上看到了一篇介绍基于 Java + LangChain 开发大语言模型应用的基础入门文章，写的非常不错，非常适合初学者。于是，我抽空翻译了一下。 1. 如果我们将自然语言中的单词表示为词向量（Word Embeddings ）[11]，模型的性能将显著提升。词向量是能够编码单词语义的实值向量。 然而，目前没有官方的 Java 版本 LangChain 可供 Java 或 Spring 应用使用。 模块化组件不仅提供了有用的抽象，还包含了一系列操作语言模型的实现。接下来，我们将通过 Java 示例来讨论其中的一些模块。 5.1. wiki/Prompt_engineering#In-context_learning [10] 链式思维提示: https://www.promptingguide.ai/techniques/cot [11
2.7K12编辑于 2025-03-29 - 来自专栏快乐阿超
Java生态AI大模型框架langchat
——严歌苓 Github： GitHub - TyCoding/langchat: LangChat: Java LLMs/AI Project, Supports Multi AI Providers ( OpenAI / Gemini / Ollama / Azure / 智谱 / 阿里通义大模型 / 百度千帆大模型), Java生态下AI大模型产品解决方案，快速构建企业级AI知识库、AI机器人应用 官方文档： https://langchat.cn/ 介绍： LangChat是Java生态下企业级AIGC项目解决方案，在RBAC权限体系的基础上，集成AIGC大模型能力，帮助企业快速定制AI知识库 接入 OpenAI / Gemini / Ollama / Azure / Claude / 智谱AI / 阿里通义大模型 / 百度千帆大模型 等大模型。 这里顺带说一下咱们dromara的easyai也是Java生态的AI大模型框架，采用Apache-2.0开源协议，可以免费商用～
43010编辑于 2024-09-13 - 来自专栏java学习
Java程序员必备的11大Intellij插件
https://plugins.jetbrains.com/plugin/6317-lombok-plugin 支持lombok的各种注解，从此不用写getter setter这些 可以把注解还原为原本的java 代码 非常方便 截图： 3. p3c 地址：https://plugins.jetbrains.com/plugin/10046-alibaba-java-coding-guidelines 阿里巴巴出品的 java代码规范插件 可以扫描整个项目 找到不规范的地方 并且大部分可以自动修复 更多可看: https://github.com/alibaba/p3c/tree/master/idea-plugin GsonFormat 地址：https://plugins.jetbrains.com/plugin/7654-gsonformat 一键根据json文本生成java类 非常方便 截图: 6. Rainbow Brackets 地址：https://plugins.jetbrains.com/plugin/10080-rainbow-brackets 彩虹颜色的括号 看着很舒服 敲代码效率变高 截图: 11
47810发布于 2018-09-21 - 来自专栏开发者技术前线
Java程序员必备的11大Intellij插件
https://plugins.jetbrains.com/plugin/6317-lombok-plugin 支持lombok的各种注解，从此不用写getter setter这些 可以把注解还原为原本的java 代码 非常方便 截图： 3. p3c 地址：https://plugins.jetbrains.com/plugin/10046-alibaba-java-coding-guidelines 阿里巴巴出品的 java代码规范插件 可以扫描整个项目 找到不规范的地方 并且大部分可以自动修复 更多可看: https://github.com/alibaba/p3c/tree/master/idea-plugin GsonFormat 地址：https://plugins.jetbrains.com/plugin/7654-gsonformat 一键根据json文本生成java类 非常方便 截图: 6. Rainbow Brackets 地址：https://plugins.jetbrains.com/plugin/10080-rainbow-brackets 彩虹颜色的括号 看着很舒服 敲代码效率变高 截图: 11
71110发布于 2020-11-24 - 来自专栏程序猿DD
Java程序员必备的11大IntelliJ插件
https://plugins.jetbrains.com/plugin/6317-lombok-plugin 支持lombok的各种注解，从此不用写getter setter这些 可以把注解还原为原本的java 代码 非常方便 截图： 3. p3c 地址：https://plugins.jetbrains.com/plugin/10046-alibaba-java-coding-guidelines 阿里巴巴出品的 java代码规范插件 可以扫描整个项目 找到不规范的地方 并且大部分可以自动修复 更多可看: https://github.com/alibaba/p3c/tree/master/idea-plugin GsonFormat 地址：https://plugins.jetbrains.com/plugin/7654-gsonformat 一键根据json文本生成java类 非常方便 截图: 6. Brackets 地址：https://plugins.jetbrains.com/plugin/10080-rainbow-brackets 彩虹颜色的括号 看着很舒服 敲代码效率变高 截图: 11
48720编辑于 2023-04-04 - 来自专栏数据结构与算法
11:大整数减法
11:大整数减法 查看 提交 统计 提问 总时间限制: 1000ms 内存限制: 65536kB描述 求两个大的正整数相减的差。 输入共2行，第1行是被减数a，第2行是减数b(a > b)。 char a[10001]; 6 char b[10001]; 7 int a1[10001]; 8 int b1[10001]; 9 int c[10001]; 10 int main() 11
1.4K100发布于 2018-04-11 - 来自专栏创作是最好的自我投资
通用大模型VS垂直大模型
在人工智能这个充满无限可能的领域内，通用大模型和垂直大模型各有千秋。就我个人而言，在二者之间的选择上，并不存在偏向某一方的倾向。我觉得应当依据实际应用场景的具体需求，来挑选最为契合的大模型。 通用大模型通用大模型，乃是旨在应对多种任务与数据类型的庞然大物级人工智能模型。 在知识覆盖的广度方面，通用大模型无疑具有明显的优势。当我们对于当下所需模型所涉及的精确专业领域的界限感到模糊不清时，选择通用大模型无疑是一种明智之举。垂直大模型接下来谈谈垂直大模型。 然而，由于垂直大模型的训练内容聚焦于当前行业，其涉猎的范围更集中，数据针对性更强，所以在提供专业咨询时往往更加精准、细致，这也正是垂直大模型的独特价值所在。 因此，对于通用大模型或者垂直大模型，更倾向于哪一方不取决于个人想法，而是取决于用户需要。
78101编辑于 2024-12-30 - 来自专栏AIOT
在Jetson上玩转大模型Day11：SAM2应用
见面文章中提到Google研究院所提出的ViT（Vision Transofmers）技术，将机器视觉与大语言模型结合成多模态的应用，为机器视觉领域开创新的纪元，于是在这个基础之上又发展出许多新的技术， 该模型也可以根据用户具体诉求，选择分割某个物体或某个区域，使控制更加精准。 该模型首先将图像转换为图像嵌入，从而允许从提示中高效地生成高质量的掩模。为模型提供了一个简单的接口用于提示模型，允许用户首先使用set_image方法设置图像，该方法计算必要的图像嵌入。 该模型可以将点和框提示以及之前预测迭代的掩码作为输入。 在帧上添加点击（或框）以获取和细化掩码（时空掩码） 在整个视频中传播点击（或框）以获得掩码 同时分割和跟踪多个目标 現在就可以開始好好跟隨每個ipynb裏面所提供的指示，開始輕鬆學習SAM2有趣並且強大的功能
93710编辑于 2024-11-08 - 来自专栏机器之心
IDC最新报告，7大维度11家大模型厂商比拼，唯一全优是谁？
近日，全球领先的国际数据公司（IDC） 最新发布的大模型实测报告《中国大模型市场主流产品评估，2024》从基础能力到应用能力 7 大维度对 11 家大模型厂商的 16 款市场主流产品进行实测。 在 IDC 列出的厂商里，有很多我们熟悉的公司，国外厂商如 OpenAI；国内厂商包括阿里、商汤、科大讯飞、百川、智谱、昆仑万维等 11 家大模型厂商的 16 款产品参与了本次评估。 基于上述两方面的设计，文心大模型已经发展出基础模型应用、智能体模式应用、多模态应用等多种创新应用模式，真正地把大模型能力转化成了生产力的提升。 例如在行业落地上，百度智能云推出千帆大模型平台，以一站式企业级大模型开发及服务运行平台服务大众。 一直到这波大模型浪潮，百度率先推出国产大模型产品，并不断迭代技术、推进落地应用。而经过一年半的「百模大战」，大模型进入了拼落地应用的阶段。
97010编辑于 2024-06-17 - 来自专栏怀英的自我修炼
Java漫谈11
因为String不是8大基本的数据类型，所以String的值其实存的是一个内存地址，在这个地址就相当于存储值的那个仓库的编号。 Java的String这个类是我在一开始学习的时候遇到的，起初一直把它误认为是一个基本的数据类型，以为它就是很简单的一个底层的实现。
722110发布于 2018-03-12 - 来自专栏AIGC大模型应用
AI大模型企业应用实战(11)-Document Loader文件加载器机制
0 前言 loader机制让大模型具备实时学习的能力： 1 加载markdown 准备一个 md 文件： # 使用loader来加载markdown文本 from langchain_community.document_loaders
50300编辑于 2026-04-25 - 来自专栏IT大咖说
Java 19 正式发布，七大特性齐发，最常用的还是 Java 11
◆ Java 19 的七大亮点更新 根据官方发布的公告显示，Java 19 版本带来了七大主要功能更新，包括结构化并发、记录模式、外部函数和内存 API 的预览，以及对开源的 Linux/RISC-V 本提案的目标不是要改变 Java 的基本并发模型，也不是要在 Java 语言或 Java 库中提供新的数据并行结构。它的目标也不是去除线程的传统实现，或默默地将现有的应用程序迁移到使用虚拟线程。 该 API 的开发者使用 HotSpot 自动矢量器，可获得了一种在 Java 中编写复杂的向量算法的方法，但有一个用户模型，使向量化更可预测和稳健。 然而，Oracle 内部对 Java 更新频率的加快，让不少开发者报以“你更新任你更新，我就不用”的态度，也让很多人成为 Java 8、Java 11 等老版本的“钉子户”。 根据知名科技公司 New Relic 之前发布的《Java 生态系统状况报告》显示，2018 年 9 月发布的 Java 11 是目前最受欢迎的 Java 版本（48%），其次是 2014 年 3 月发布的
2.7K20编辑于 2022-09-27 - 来自专栏小洁叫你mysql
【AI大模型】训练Al大模型
大模型超越AI 目前所指的大模型，是“大规模深度学习模型”的简称，指具有大量参数和复杂结构的机器学习模型，可以处理大规模的数据和复杂的问题，多应用于自然语言处理、计算机视觉、语音识别等领域。 本文将探讨大模型的概念、训练技术和应用领域，以及与大模型相关的挑战和未来发展方向。 大模型是指具有庞大参数数量的机器学习模型。传统的机器学习模型通常只有几百或几千个参数，而大模型则可能拥有数亿或数十亿个参数。 训练大模型的挑战 训练大模型需要应对一系列挑战，包括： 以下是与大模型相关的一些代码示例： 计算资源需求： import tensorflow as tf # 指定使用GPU进行训练 with tf.device 更智能的模型压缩技术：模型压缩和加速技术将继续发展，以减小大模型的计算和存储开销。 更好的计算平台支持：为了支持训练和部署大模型，计算平台将继续改进，提供更强大的计算资源和工具。
1.5K30编辑于 2023-10-10 TL-JAVA+AI大模型智能应用开发
在人工智能的浪潮之巅，大语言模型（LLM）以其惊人的能力，正以前所未有的深度和广度重塑着各行各业。 起点：不止于“Hello, World”的模型调用对于许多开发者而言，与AI大模型的初次邂逅往往始于一个简单的API调用。 核心：RAG——让大模型“接上地气”单纯依赖大模型预训练知识的应用是脆弱的。为了让AI能够理解企业私有的、动态更新的知识，检索增强生成（RAG）架构应运而生。 RAG逻辑编排： 在Java后端服务中，RAG的核心逻辑——接收用户查询、检索相关文档片段、构建增强的Prompt、调用大模型、返回结果——可以被清晰地编排成一个业务流程。 结语：Java，AI时代的可靠基石从最初的一个简单API调用，到一个承载着核心业务、具备高可用性和可扩展性的企业级AI服务，Java以其无与伦比的生态成熟度、稳定性和企业级特性，为AI大模型的全链路开发铺就了一条坚实的道路
37110编辑于 2025-11-24TL-JAVA+AI大模型智能应用开发
在人工智能技术席卷全球的当下，企业级大模型应用正成为数字化转型的核心驱动力。然而，传统Java开发者往往面临技术断层：既需要突破AI算法的复杂门槛，又要解决大模型与现有业务系统的融合难题。 混合编程突破技术边界针对Java生态与AI工具的兼容性问题，TL课程推出“双引擎协同方案”：轻量级场景：通过JNI调用PyTorch模型，在Java服务中直接嵌入图像识别能力。 智慧医疗：知识图谱与大模型的协同创新TL课程独创的“双脑驱动”模式在某三甲医院落地：知识图谱构建：从300万份电子病历中提取12万组实体关系，形成医疗知识中枢大模型推理：基于知识增强的GPT模型，将辅助诊断准确率提升至 四、未来展望：智能系统的无限可能随着大模型技术进入“工程化落地”深水区，TL课程正探索三大前沿方向：自适应学习系统：开发能够根据业务反馈自动优化模型参数的智能引擎隐私增强计算：研究同态加密、差分隐私等技术 ，保障企业数据安全具身智能集成：探索大模型与机器人、物联网设备的深度融合在AI重塑产业格局的今天，TL课程证明：Java开发者不仅不会被时代淘汰，反而能凭借工程化优势成为智能系统构建的核心力量。
52910编辑于 2025-11-21- 来自专栏学习
开源大模型与闭源大模型
在人工智能（AI）和机器学习（ML）的快速发展过程中，大模型（Large Models）已经成为推动技术进步的重要力量。当前，业界存在两种主要的大模型开发模式：开源大模型和闭源大模型。 一、开源大模型 开源大模型是指开发者将模型的代码和训练数据公开，使得任何人都可以访问、修改和使用这些资源。 二、闭源大模型 闭源大模型是指模型的代码和数据不对外公开，通常由商业公司开发和维护。代表性的闭源大模型包括OpenAI的GPT-3和Google的BERT。 三、开源大模型与闭源大模型的对比 1.透明性与可控性： 开源大模型的透明性更高，任何人都可以查看和验证其代码和数据，确保模型的行为符合预期。这对于学术研究和技术验证非常重要。 闭源大模型通过控制代码和数据的访问，能够更好地保护用户隐私和数据安全，降低被恶意利用的风险。 五、总结 开源大模型和闭源大模型各有优缺点，适合不同的应用场景和需求。
1.7K10编辑于 2024-10-09
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