- 综合排序
- 最热优先
- 最新优先
- 来自专栏科技云报道
通用与垂直大模型之战：大模型驱动的商业智能变革之路
是做通用大模型还是垂直大模型，这一个争论在“百模大战”的下讨论愈发热烈。 目前，以微软、谷歌、百度、阿里等为代表的发力于通用大模型的科技大厂，也都开始推动大模型在垂直领域的商业化落地。 垂直大模型则更为直接的深入特定行业和应用场景，如金融、医疗或零售等，相比于通用大模型，垂直大模型能够更精准地满足行业特定的需求。 说到底，无论是通用还是垂直大模型，其核心点还是落地场景和商业化。 大模型重新定义了人工智能的边界和可能性，但更需要的是，在具体的商业环境中找到了新的生存空间和增长点。 在众多垂直领域中，大模型在智能商业BI领域落地尤为引人注目。 寻找通用与 垂直大模型的平衡点 回到开头通用和垂直大模型的讨论上。 这一次，有记者在网易数帆城市行媒体沟通环节将这个问题抛给了网易。 在大模型掀起的新时代里，许多企业都站在了一个十字路口，开始寻找通用大模型与垂直行业大模型之间的平衡。
1.2K50编辑于 2023-08-18 - 来自专栏机器之心
大语言模型的可信之路：TrustLLM全面揭秘
尽管⼈们已经付出了非常多的努力来确保大语言模型的可信赖，一个问题仍然存在：我们真正能在多大程度上信任 LLMs？ 论文得出的核心结论如下： 可信性与大语言模型的能力密切相关。作者的发现表明，可信性与实用性之间存在正相关，尤其在特定任务中更为明显。 由于 LLMs 的训练数据集大多是在互联网上收集而来的，其中可能包含错误的细节、过时的事实，甚至是故意的错误信息，从而损害了大语言 模型的真实性。 接下来，他们观察到不同程度的过度安全问题（如图 5 右侧），这是近期研究中突出的一个问题（大语言模型会拒绝回答无害的输⼊）。 最后，他们通过偏好询问来探究大语言模型中潜在的偏见问题（Preference）。 鲁棒性（Robustness） 在大型语言模型（LLMs）中，鲁棒性指的是它们在面对各种输⼊条件时的稳定性和性能。
59010编辑于 2024-02-26 - 来自专栏IT杂谈学习
探索AI大模型学习的未来之路
二、AI大模型学习的理论基础 2.1 深度学习 AI大模型学习建立在深厚的数学和算法基础之上。其中，深度学习技术是支撑大模型学习的重要基石。 2.2 数据处理 在大规模数据处理方面，AI大模型学习具有显著的优势。通过增加模型的深度和宽度，大模型能够捕捉到更多的信息，从而提高模型的准确性和泛化能力。然而，这也带来了计算复杂度和资源消耗的挑战。 3.2 AI大模型在特定领域的应用实例 AI大模型学习在自然语言处理、图像识别、语音识别等领域取得了显著的应用成果。 四、AI大模型学习的注意点 随着AI大模型学习在各领域的广泛应用，其带来的伦理和社会问题也逐渐凸显出来。首先，数据隐私是一个不可忽视的问题。 大模型往往具有复杂的结构和参数，使得其容易受到攻击和篡改。因此，加强模型的安全防护和鲁棒性是大模型学习领域的重要研究方向。
48710编辑于 2024-03-29 - 来自专栏资讯分享
为什么价值对齐是大模型的必由之路？
大模型价值对齐需要关注个体需求、集体规范、主体能动性，并兼顾技术实践与法律规制。6. 大模型价值对齐仍有理论局限，需要保持开放和审慎的态度，在实践中逐步推进。 刘鹏飞：技术开发人员容易低估大模型价值对齐的重要性我为什么会做大模型的价值对齐研究呢？ 过去在大模型没有出现时，我们还没有察觉到技术可以如此强大，随着GPT3到PaLM到各种各样开源模型出现，大模型的能力越来越强，我们进入到了生成式人工智能的时代。 滕妍：大语言模型的价值设计与评测当前，人工智能步入“通用模型”时代。 全球对于大模型的社会伦理问题非常关注。
63820编辑于 2023-11-10 - 来自专栏大数据成神之路
阿里大数据之路：数据模型篇大总结
，将金融业务划分为10大主题，并以设计面向金融仓库模型的核心为基础，企业基于此模型做适当调整和扩展就能快速落地实施。 至此，我们也得到了一个经验：在不太成熟、快速变化的业务面前，构建 ER 模型的风险非常大，不太适合去构建 ER 模型。 基于应用的数据组装 : 大宽表集市、横表转纵表、趋势指标串。 主要依据高内聚、低耦合的理念，在物理实现中，将业务关系大、源系统影响差异小的表进行整合： 将业务关系小、源系统影响差异大的表进行分而置之。 业务实体的结束时间分区：每天的分区存放当天结 束的数据，设计一个时间非常大的分区，比如 3000-12-31 ，存放截至当前未结束的数据。
2.7K22编辑于 2022-11-11 - 来自专栏新智元
ChatGPT全年更新大总结！重看「大模型风向标」进化之路
新智元报道 编辑：LRS 【新智元导读】2024年，OpenAI的ChatGPT在大模型领域不断突破，推出了多项创新功能，如个性化聊天机器人商店、增强记忆功能、多模态处理能力等，在安全性、稳定性和高效性方面也持续优化 2024年，大模型已经深入融入了我们的日常生活。 而作为领跑者，ChatGPT也一直是大模型届的指南针，无论是去年发布的大模型o1-pro，Sora Turbo，还是各种小功能，比如视频模式、打断说话等，甚至是每月200美元的高额定价，OpenAI的每一场发布会都能给广大 下面共同回顾一下OpenAI在2024年发布的关键更新，一起见证大模型的进化之路！ 1月 GPT商店：用户可以发布构建的个性化聊天机器人（GPTs），按类别进行搜索，如写作、生活方式和教育等。 ，用户可以在一次对话中集成和与多个AI模型交互。
76710编辑于 2025-02-15 - 来自专栏AI科技评论
大模型行至深处，「悟道」如何走好全面开源之路？
也因此，智源被斯坦福、谷歌等企业列为大模型的先驱。 尽管如此，由于早期，大模型还缺乏好的应用场景和产品，价值始终无法发挥，大模型的研发也曾受到一些争议。 早在大模型的潜力还不为大多数人所熟悉时，智源是国内为数不多率先关注 AI 大模型开源与基础工作的机构之一。 通用性更强，应用门槛低 此前业界讨论大模型时，往往焦点都放在了语言大模型。 目前，天秤 FlagEval 大模型评测体系及开放平台已推出语言大模型评测、多国语言文图大模型评测及文图生成评测等工具，并对各种语言基础模型、跨模态基础模型实现评测。 其中，FlagOpen 的核心 FlagAI 是大模型算法开源项目，当中集成了全球各领域的一些明星模型，如语言大模型 OPT、T5，视觉大模型 ViT、Swin Transformer，多模态大模型 CLIP
78920编辑于 2023-08-08 - 来自专栏AI实验室应用
RLHF三大挑战与突围之路：如何让大模型更懂人类偏好？
从RLHF到DPO：大模型对齐技术的深度演进与实战解析 当大语言模型学会理解人类偏好，一场关于对齐的技术革命正在悄然发生。 最近几年，从ChatGPT到LLaMA 2，大语言模型的“类人”能力不断提升。这背后的关键技术之一便是基于人类反馈的强化学习。 01 大模型训练的三段式进阶之路 基础构建：预训练阶段 预训练（Pre-training）：利用数十亿到数万亿个token的庞大文本语料库对模型继续预训练，使模型能够根据提供的文本来预测「下一个单词」 03 RLHF的五大核心挑战与创新解决方案 挑战一：人工标注成本高、难规模化 解决方案：AI反馈替代人类反馈 RLAIF：使用大模型评估其他模型的输出，构建AI偏好数据集 Constitutional 零样本对齐：在新任务上无需额外对齐 可解释对齐：让对齐过程更加透明可控 个性化对齐：适应不同用户的偏好和价值观 05 结论：对齐之路，以人为本 大模型对齐技术的发展，本质上是让机器更好地理解和服务人类的过程
72822编辑于 2025-12-17 - 来自专栏人工智能极简应用
AI智能体研发之路-模型篇（三）：中文大模型开、闭源之争
一、引言 周日休息在家，只有码字才能缓解焦虑哈哈哈，闲逛CSDN发现又出新的话题活动啦——《开源大模型和闭源大模型，你怎么看》。“我怎么看？我坐着看，或者躺着看”。 今天我们详细聊聊中文大模型开闭源的那些事。 二、中文开/闭源大模型概览 大家先看《2024年中文大模型全景图》，对国内中文大模型开闭源情况有个概念。 Tips：图片引自SuperCLUE中文大模型基准测评2024年4月报告，国内领先的大模型评测公司，高中室友创办的，没想到毕业多年，兜兜转转进入到了一个行业，如需合作需要可以联系我哈 闭源大模型：主要有文心一言 三、开源大模型 3.1 优点 1、创新和灵活性：开源模型鼓励创新，研究人员和开发者可以自由探索和改进模型，推动技术的发展。 四、闭源大模型 4.1 优点 1、质量和稳定性保障：闭源模型通常由专业的团队开发和维护，经过严格的测试和验证，质量和稳定性相对较高。
67510编辑于 2024-08-13 - 来自专栏科控自动化
SCADA 大咖之路
对于WinCC V7.x来说，在画面设计中使用脚本将带来非常大的便利性。当要实现对象的动态化，你可以只通过组态的方式来实现。常规的动态应用，通过动态化窗口实现都没有问题。 因此，开始学习并且掌握好JavaScript，就成了更好地使用Portal WinCC Unified的必经之路。 看到这里，你可能会想，我大概明白了编程在SCADA应用中的重要性。 这样，当在网上找到别人编写的一大段代码时，才能在浏览一下，大概就能弄清程序的结构脉络。在理解程序结构的基础上，再去研究其细节的功能实现。才能不至于一下子就掉到某个函数的细节上，而丢失了对整体的把握。 但站在 WinCC 的角度上，多掌握些与 WinCC 相关的 Windows 知识，对我们的 WinCC 成长之路还是大有裨益的。 操作系统，其实也是一种程序，一种特殊的程序而已。 追溯DLL 产生背景，应该是在计算机应用早期，为了解决单体应用程序体积大及占用内存过多而采取的一种解决方案。多个应用程序共享的功能库不用再静态链接到每个单体程序中，从而减小其程序体积。
1.9K20编辑于 2022-03-29 - 来自专栏算法一只狗
OpenAI下一代大模型Orion被爆出提升有限，大模型之路还有机会吗？
如果你对于大模型有关注，这篇文章将为您提供有价值的参考。 而这一次，大模型Orion被曝出效果不佳，大模型悲观主义学派Gary Marcus直接就宣布： 游戏结束，是我赢了。GPT大模型正在进入一个收益递减期。 这里总结了网上几个主流的观点 目前大模型存在的问题 1.数据集的问题 目前最主流的说法认为，大模型的scaling raw正在慢慢失效，也就是目前的大模型尽管有着大量的数据集进行训练，但是其能力却没有大规模的提升 主要是现在大模型所需要的大规模数据集已经耗尽了，高质量的数据集其实没有多少。 OpenAI就为此创建了一个“基础团队”，主要研究怎么合成高质量的数据，提供给大模型进行学习。 所以说，目前OpenAI训练一个大模型，特别是训练下一代大模型Orion，其花费应该是天价了。
32930编辑于 2024-11-18 - 来自专栏算法channel
AI大模型之路 第三篇：从零实现词嵌入模型，加深理解！
今天我们研究「AI大模型第三篇」：词维度预测，很多读者听过词嵌入，这篇文章解答下面问题： 词嵌入是什么意思？ 怎么做到的？原理是什么？ 1 skip-gram模型 Skip-gram模型是一种广泛使用的词嵌入（Word Embedding）方法，由Mikolov等人在2013年提出。 它是Word2Vec模型的一种形式，主要用于从大量文本中学习词汇的高质量向量表示。 Skip-gram模型的目标是通过给定的目标词来预测其上下文中的词汇，从而在这个过程中学习词的嵌入表示。 因此，Skip-gram模型通过给定词预测上下文，来最终学习到每个单词的词嵌入表示。 ★有些同学可能不理解，通过给定词预测上下文，是什么意思？为什么要这么做？ 2 使用Word2Vec模型预测“fox”的上下文词。 3 通过调整模型权重来最小化预测误差，使得模型可以更准确地预测到“fox”的正确上下文。
1.1K20编辑于 2024-04-25 - 来自专栏机器之心
适配超20+芯片厂商，昇思MindSpore大模型之路走南闯北
在 2.0 的大版本更新上，昇思在大模型能力、科学计算和 AI 技术落地上继续实现大幅改进。 作为一款 AI 框架，昇思将大模型开发的系统工程难题集成到软件框架中解决，沉淀出了整套从预训练到场景应用的大模型实践方案。 在训练阶段，如果算力有限，昇思可以通过异构与存储优化技术实现基于一台服务器，八张训练卡支持千亿参数大模型训练。 太初、鹏程系列等百亿、千亿级大模型，根据《中国人工智能大模型地图研究报告》中的数据，基于昇思孵化的产业落地大模型，占到国内总数的 40%。 在技术上进一步提升自动并行的核心能力，实现大模型从训练到推理部署的端到端闭环。 昇思 AI 框架，将会成为更多行业的首选。
70820编辑于 2023-08-07 - 来自专栏Dance with GenAI
读书笔记之《AI大模型开发之路-从入门到实践》
《AI 大模型开发之路：从入门到实践》是一本全面探索人工智能大模型开发领域的实用指南，旨在带领读者深入了解并掌握 AI 大模型的核心技术与应用实践。 第1章：AI大模型基础 AI大模型概述：介绍自然语言处理（NLP）的发展历史和AI大模型的基本概念，帮助读者了解领域背景。 第2章：AI大模型鼻祖——Transformer模型 Transformer简介：概述Transformer模型的基本架构和作用，解释其在AI大模型中的重要地位。 这一步是生成文本过程中的关键步骤，因为它直接关系到模型预测的准确性。 第3章：百度千帆大模型平台实战 介绍百度千帆大模型平台的特点和优势，以及如何注册和使用该平台。 第7章：项目实战——AutoGPT开发 用LangChain开发AutoGPT项目的架构和步骤 第8章：AI大模型部署 如何实地部署AI大模型。 在着手部署AI大模型之前，需要进行充分的准备工作。
41210编辑于 2025-02-28 - 来自专栏算法channel
AI大模型之路 第二篇： Word2Vec介绍
你好，我是郭震 今天我来总结大模型第二篇，word2vec，它是大模型的根基，一切NLP都会用到它。 深度学习的推动：Word2Vec的推出加速了深度学习技术在NLP领域的应用，为后来的模型如BERT、GPT等复杂的语言模型奠定了基础。 训练过程： 使用神经网络作为训练模型，输入层为一个独热编码的向量，通过隐藏层（不使用激活函数的全连接层）将此向量映射到低维空间中，输出层则根据模型架构（CBOW或Skip-gram）来决定。 使用Word2Vec模型预测“fox”的上下文词。 通过调整模型权重来最小化预测误差，使得模型可以更准确地预测到“fox”的正确上下文。 这些向量之后可以用于各种机器学习模型和NLP应用，从而实现更复杂的语言处理任务。接下来大模型第三篇，我会讲解word2vec的神经网络训练代码，欢迎关注。
2K20编辑于 2024-04-18 - 来自专栏云云众生s
大语言模型如何指引我们走向配置和编码的幸福之路
但很多时候，你只想走上幸福之路，尽快到达目的地。 随着我们的系统变得越来越复杂、分层和相互依赖，不顺畅的路径也随之增多。 在所有技术领域中，配置是最容易出现不顺畅路径的领域。 这周，我需要扩展 人类洞察力 + 大语言模型的苦力 = 创意出版解决方案 中描述的解决方案。 如果这些文档只是本地系统上的文本文件，那么这将是微不足道的，因为大语言模型具有强大的正则表达式能力。但它们是 Google 文档，这完全是另一回事。 大语言模型扩展了我们与知识渊博的人交流的机会。这是一种间接的访问方式，它是不个人的，如果我能及时找到合适的人，我不会选择它。但这很少可能，与大语言模型交谈是一个很好的替代方案。 语言模型在提供你之前见过的解决方案方面非常出色。” 有些人认为，通过聚合从人类经验中汲取的知识，大语言模型（LLM）并非如“生成式”一词所暗示的那样是创造力的来源，而是平庸的传播者。 既对又不对。
32810编辑于 2024-08-11 - 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。
77601编辑于 2024-12-30 - 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 当OCR遇见大语言模型：智能文本处理的进化之路
但当这项成熟技术遇到新兴的大语言模型（LLM），会碰撞出怎样的火花？本文将通过技术解析和代码实例，为你揭示这场跨领域融合带来的革命性进步。 chi_sim+eng')print("识别结果：")print(text)这种传统方案存在明显短板：模糊、倾斜文本识别率骤降复杂排版（表格/公式）处理困难上下文纠错能力缺失语义理解几乎为零二、LLM的赋能效应大语言模型的三大核心能力恰好弥补 OCR短板：上下文推理：通过语义关联修正识别错误结构理解：智能解析表格、公式等复杂内容多模态处理：直接处理图像与文本的关联三、技术融合的五大优势3.1 错误校正（以医疗报告为例）pythonfrom transformers 3.2 复杂文档解析pythondef parse_invoice(image_path): # 多模态模型直接处理图像 mm_model = load_multimodal_model()
1.2K11编辑于 2025-02-19- 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