- 综合排序
- 最热优先
- 最新优先
- 来自专栏量子位
大模型恋爱神器！16种MBTI自由定制，北大ChatLaw团队出品
Jiaxi 投稿自 凹非寺 量子位 | 公众号 QbitAI 北大团队新作，让大模型拥有个性！ 而且还是自定义那种，16种MBTI都能选。 这样一来，即便是同一个大模型，不同性格下的回答都不一样。 ENFP的大模型会说：喜欢参加社交活动，结识新朋友。 INFJ的大模型则回答：喜欢独自读过。 这样能干啥呢？北大的童鞋们列出来了一些情景 ： 在特殊节日，给你的男/女朋友寻找心仪的礼物。 深入理解大模型的定制化、个性化的方式及可能性。 在做出重大决策时，考虑不同情境下的个性特征。 通过深入了解人性的复杂性，促进个人成长和相互理解。 行为数据集的目的是为了让大模型可以表现出不同性格的回应，这部分是对Alpaca数据集进行个性化修改实现。 行为数据集中MBTI四个维度的比例如下： 自我意识数据集是为了让大模型能够意识到自己的个性特征。 通过一个两阶段的有监督训练微调过程，最后可以得到对应人格的大模型。
95610编辑于 2024-01-17 - 来自专栏AiCharm
训练开销骤减，10%成本定制专属类GPT-4多模态大模型
本文来自新加坡国立大学和清华大学的研究者提出了一个名为 VPGTrans 框架，以极低成本训练高性能多模态大模型。 多模态大模型定制：通过我们的 VPGTrans 框架可以根据需求为各种新的大语言模型灵活添加视觉模块。 开源多模态对话模型：我们开源了 VL-Vicuna，可实现高质量的多模态对话： 图 ２：VL-Vicuna 的交互实例 一、动机介绍 1.1 背景 2023 年是 AI 元年，以 ChatGPT 为代表的大语言模型 比如，LLM 在多模态理解领域掀起了一股从传统预训练视觉语言模型 (VLM) 到基于大语言模型的视觉语言模型 (VL-LLM) 的变革。 b) TaS 场景下，越小的语言模型上训练的 VPG，迁移到大模型时效率越高，最终效果越好。c) TaT 场景下，越小的模型之间迁移的 gap 越大。
47520编辑于 2023-06-07 - 来自专栏机器之心
训练开销骤减，10%成本定制专属类GPT-4多模态大模型
本文来自新加坡国立大学和清华大学的研究者提出了一个名为 VPGTrans 框架，以极低成本训练高性能多模态大模型。 多模态大模型定制：通过我们的 VPGTrans 框架可以根据需求为各种新的大语言模型灵活添加视觉模块。 开源多模态对话模型：我们开源了 VL-Vicuna，可实现高质量的多模态对话： 图 ２：VL-Vicuna 的交互实例 一、动机介绍 1.1 背景 2023 年是 AI 元年，以 ChatGPT 为代表的大语言模型 比如，LLM 在多模态理解领域掀起了一股从传统预训练视觉语言模型 (VLM) 到基于大语言模型的视觉语言模型 (VL-LLM) 的变革。 b) TaS 场景下，越小的语言模型上训练的 VPG，迁移到大模型时效率越高，最终效果越好。c) TaT 场景下，越小的模型之间迁移的 gap 越大。
54820编辑于 2023-05-22 - 来自专栏实验盒
NBT｜BioChatter：为生物医学量身定制的开源大语言模型应用平台
引言 近年来，生成式人工智能尤其是大语言模型（LLM）取得了显著进展，但在生物医学研究中的应用仍处于起步阶段。 BioChatter是一个开源的Python框架，旨在遵循开放科学原则，开发定制的生物医学研究软件。 它还促进了在简单性/经济性与安全性之间的定制部署，用户可以根据自己的需求在公共数据库、自托管云数据库和本地数据库之间进行选择，平衡安全性与成本。 系统提示与多智能体系统 BioChatter的可定制平台允许用户通过系统提示将其与自己的上下文对齐，并使用基于智能体的系统进行高级工作流程。 基准测试框架在所有模型和相关参数上运行这些测试，并通过BioChatter网站向社区报告结果。
48110编辑于 2025-02-05 - 来自专栏AI SPPECH
63_模型定制：领域微调技术
引言：为什么需要模型定制与微调 ├── 2. 微调技术体系：从全参数到参数高效 ├── 3. 全参数微调：深度定制的经典路径 ├── 4. 参数高效微调：资源受限下的优化选择 ├── 5. 引言：为什么需要模型定制与微调 在2025年的AI生态系统中，通用大语言模型（LLM）如ChatGPT、LLaMA 4、Claude 4等已经展现出惊人的通用能力。 然而，当面对特定行业或场景的专业需求时，通用模型往往表现出局限性：术语理解不准确、领域知识不足、任务适配性差等问题。这正是模型定制与微调技术应运而生的背景。 全参数微调：深度定制的经典路径 全参数微调（Full Fine-tuning）是最传统的微调方法，通过更新预训练模型的所有参数来适应特定任务。 通过科学的数据工程、合理的技术选型和系统的评估优化，任何团队都可以构建出高性能、专业化的定制模型。
35210编辑于 2025-11-16 - 来自专栏AI科技评论
为每个用户提供专属定制服务，OPPO 安第斯大模型的新卷法
OPPO大模型团队认为，有了大模型技术加持的智能助手，将给用户带来全新的智能体验。 在大模型以前，各个公司也会涉及AI板块，但根据应用的不同，可能会泛化出各类不同的小组，比如，对话一个AI团队，视频一个AI团队。 而在大模型之后，一个通用大模型能解决所有问题。 刘海锋表示，OPPO大模型在模型的规格方面，希望做由不同规格组成的一系列大模型，既能够跟设备端更紧密的结合解决简单的任务，又可以部署在云端满足一些更复杂的需求。 安第斯大模型基于端云协同架构构建。 可以看出OPPO安第斯大模型主打知识与问答能力，显著提升了大语言模型知识与百科能力的覆盖面和准确性。 在各项测试榜单上，OPPO安第斯大模型能优于同行表现20%。 大模型加载的小布整个月活超过了1.4亿，每天产生的交互数据以亿计算。 用户对安第斯大模型的反馈在数据上得到了实实在在的反馈。
70220编辑于 2023-10-27 标题：金融风控大模型在腾讯云的定制化支持与技术指南
摘要： 本文旨在解析金融风控大模型技术能力，并提供基于腾讯云产品的定制化支持方案。文章将深入探讨技术核心价值、实施挑战、操作指南以及增强方案，并以结构化格式呈现，确保逻辑清晰、易于阅读。 3大关键挑战 数据隐私与安全：在处理敏感金融数据时，如何确保数据安全和隐私保护是一大挑战。 模型泛化能力：模型需要在不同的金融场景下保持高准确率，对模型的泛化能力提出了高要求。 实时性要求：金融风控需要实时或近实时的风险评估，对模型的响应速度和处理能力是一大考验。 操作指南 实施流程 数据准备与预处理 原理说明：数据是金融风控大模型的基础，需要从多个数据源收集并预处理数据以供模型训练。 在某银行客户实践中，通过腾讯云AI平台的定制化服务，成功将信用卡欺诈检测的准确率提高了20%。 通过本文的技术指南，您可以深入了解金融风控大模型的定制化支持方案，并利用腾讯云产品实现技术落地。
52910编辑于 2025-07-29- 来自专栏深度学习自然语言处理
VPGTrans: 10%的成本定制你自己的类GPT-4多模态大模型
来自于新加坡国立大学和清华大学的研究工作提出一个VPGTrans框架，帮助小伙伴们实现极低成本训练一个高性能多模态大模型。 多模态大模型定制 通过我们的VPGTrans框架可以根据需求为各种新的大语言模型灵活添加视觉模块。比如我们在LLaMA-7B和Vicuna-7B基础上制作了VL-LLaMA和VL-Vicuna。 为代表的大语言模型(LLM)大火。 比如，LLM在多模态理解领域掀起了一股从传统预训练视觉语言模型(VLM)到基于大语言模型的视觉语言模型(VL-LLM)的变革。 b) TaS场景下，越小的语言模型上训练的VPG，迁移到大模型时效率越高，最终效果越好。c) TaT场景下，越小的模型之间迁移的gap越大。
37420编辑于 2023-08-22 - 来自专栏量子位
ControlNet大更新：仅靠提示词就能精准P图，保持画风不变，网友：效果堪比定制大模型
只需要一张参考图就能完成以上转变，部分图片几乎可以达到定制大模型的效果了。 咳咳，各位AI绘画圈的朋友们，打起精神来，又有好玩的了。 （ps. 它不需要任何控制模型，直接使用参考图片就能引导扩散。 作者介绍，这个功能其实类似于“inpaint”功能，但不会让图像崩坏。
1.1K20编辑于 2023-05-19 - 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。
74901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 - 来自专栏AIGC 先锋科技
LORACLR:用于定制扩散模型的对比适应 !
低秩适应（LoRA）[12]已成为一种强大的工具，可用于对预训练模型进行小量再训练以实现定制化，从而实现灵活且高效的个性化。 最近，研究重点转向了大规模的文本到图像的扩散模型，这些模型在大规模数据集 [34] 上进行训练，使得图像生成更加细腻和准确。 个性化图像生成与定制。 进一步的发展致力于提高定制化的可扩展性和效率。(Custom Diffusion [20] 通过仅对交叉注意层进行微调，平衡了定制精度和计算效率。 作者评估了作者的方法与其他在多主题定制方面领先的 Baseline 方法的性能对比，包括：DB-LoRA [30]、\mathcal{P}+ [39]、Custom Diffusion [20]、Mix-of-Show 合并12个LoRA模型仅需5分钟。相比之下，[24]需要从头开始微调每个LoRA模型，每个模型大约需要10-15分钟。
40300编辑于 2025-02-20 使用DPO在SageMaker中定制Nova模型
解决方案概述在SageMaker训练作业中使用Nova定制配方的工作流程包含以下关键步骤：选择特定Nova定制配方，该配方提供完整的配置参数来控制训练过程通过API向SageMaker控制平面提交配方配置 SageMaker使用训练作业启动脚本在托管计算集群上运行配方训练完成后自动释放计算资源业务用例实现本案例重点优化Nova Micro模型在结构化函数调用方面的表现：使用nvidia/When2Call ": 128, "adapter_dropout": 0.01, }, }, }, },}模型评估结果指标 基准模型微调模型提升幅度F1 0.26 0.46 81% ROUGE-1 0.38 0.52 39% ROUGE-2 0.28 0.40 42% 模型部署训练完成的模型可通过CreateCustomModel API部署到推理服务：request_params = { "modelName": "nova-micro-sagemaker-dpo-peft
20400编辑于 2025-08-06- 来自专栏AIGC新知
AIGC | 打通大模型私有化定制的最后一公里：PromptBench动态评估
. ", 'label': 0}] 加载模型 然后，可以通过 promptbench 轻松加载 LLM 模型。 emotion of the following sentence as positive or negative: {content}" ]) 可能需要为模型输出定义投影函数 由于提示中定义的输出格式可能与模型输出不同。例如，对于 sst2 数据集，标签为“0”和“1”表示“负”和“正”。但模型输出是“负”和“正”。我们需要定义一个投影函数来将模型输出映射到标签。 mapping = { "positive": 1, "negative": 0 } return mapping.get(pred, -1) 使用提示、数据集和模型执行评估
30710编辑于 2024-10-08 - 来自专栏AIGC新知
AIGC | 打通大模型私有化定制的最后一公里：PromptBench基准测试
PromptBench是微软研究人员设计的一个用于测量大型语言模型(LLM)对抗性提示鲁棒性的基准测试。 promptbench 目前提供什么？ 快速模型性能评估：提供用户友好的界面，允许快速构建模型、加载数据集和评估模型性能。 提示工程：实施了几种快速工程方法。 评估对抗性提示：promptbench 集成了提示攻击，使研究人员能够模拟模型上的黑盒对抗性提示攻击并评估其鲁棒性。 01、Models模型 支持的LLM模型： google/flan-t5-large databricks/dolly-v1-6b Llama2 series vicuna-13b, vicuna-13b-v1.3
47410编辑于 2024-10-08 - 来自专栏软硬件融合
大算力芯片，向左（定制）还是向右（通用）？
于是，大家开始认为，各家互联网公司有自己的差异化竞争力，需要针对性定制的芯片来支撑，认为芯片定制是未来趋势。甚至有一些知名的芯片公司，开始为客户提供定制化服务。 定制芯片是可行的，许多大客户有这个诉求。这块的论述不是本文的重点。 技术层次。大芯片功能定制则是不可行的，技术层次的大芯片架构和设计实现需要足够通用。本篇文章，会就技术层面进行详细分析。 ---- 大算力芯片，定制还是通用？向左还是向右？ 1 从历史中借鉴 1.1 CPU取代ASIC，成为计算芯片的主流 CPU之前，几乎所有的芯片功能都是固定的，我们只能对芯片施加一些基本的控制。 而DSA则支持一些可编程能力，使得其功能覆盖的领域范围相比ASIC要大很多。 DSA，一方面可以实现ASIC一样的极致的性能，另一方面，可以像通用CPU一样执行软件程序。 上图对各类处理引擎的性能和灵活性进行了定性的分析，我们来进一步分析，DSA架构AI芯片的问题可以总结如下： AI场景目前从性质上来说，属于应用层次：算法众多，模型众多，而且算法迭代很快。
70240编辑于 2022-12-16 - 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。
1.6K10编辑于 2024-10-09 - 来自专栏IT从业者张某某
大模型与大模型的幻觉问题
参考 大模型中的涌现 OpenAI 科学家：幻觉是大模型与生俱来的特性，而非缺陷 大模型「幻觉」，看这一篇就够了｜哈工大华为出品 大模型 什么是大模型 大语言模型（LLM）是基于海量文本数据训练的深度学习模型 大模型的模型发展如下图 涌现 参考：大模型中的涌现 什么是涌现？先从蚂蚁开始说起。蚂蚁是自然界中一种个体非常简单，但是群体能力非常强大的生物。 如何解决大模型的「幻觉」问题？ 方向一：什么是大模型「幻觉」 大模型出现幻觉，简而言之就是“胡说八道”。 用文中的话来讲，是指模型生成的内容与现实世界事实或用户输入不一致的现象。 OpenAI 科学家 Andrej Karpathy关于大模型幻觉 在 Karpathy 看来： 从某种意义上说，大语言模型的全部工作恰恰就是制造幻觉，大模型就是「造梦机」。 只有大模型助手存在幻觉问题。 方向二：造成大模型「幻觉」的原因 那么致使大模型产生幻觉的原因都有哪些？
1.8K11编辑于 2024-01-04 - 来自专栏数据派THU
原创 | 大模型扫盲系列——初识大模型
为了提高模型的性能，研究者们不断尝试增加模型的参数数量，从而诞生了大模型这一概念。本文将从大模型的原理、训练过程、prompt和相关应用介绍等方面进行分析，帮助读者初步了解大模型。 为了提高模型的性能，研究者们不断尝试增加模型的参数数量，从而诞生了大模型这一概念。本文讨论的大模型将以平时指向比较多的大语言模型为例来进行相关介绍。 5）公司业务定制化大模型：大模型具有通用性能力，但是在很多零样本的场景的表现依然比不上那个领域正在使用的产品，例如在某些垂直领域，包括工业领域，医药领域，管理领域等场景下进行专业问题，研究型问题的使用依然需要特定场景的数据进行微调 ，这种定制化的服务也能给企业带来巨大的效率提升和节省成本的收益，属于比较有前景的业务。 除这些外还包括算法优化、隐私和数据安全以及模型可解释性等方面的研究和应用，每天还有很多大模型的应用正在不断涌现，大模型在未来仍然有很大的发展潜力，国内的优秀大模型代表例如百度文心大模型也正在搭建全系统产业化的大模型全景
21.2K29编辑于 2023-11-22 - 来自专栏大内老A
ASP.NET Core MVC应用模型的构建: 定制应用模型
，而最初的元数据则来源于应用模型，所以有时候一些针对请求流程的控制需要间接地利用针对应用模型的定制来实现。 通过前面的内容，我们知道应用模型的定制可以通过注册自定义的IApplicationModelProvider实现类型，接下来我们就来做相应的演示。 图2 注册自定义IApplicationModelProvider实现类型定制应用模型 四、自定义IApplicationModelConvention 除了利用自定义的IApplicationModelProvider 实现类型对应用模型进行定制之外，我们还可以注册各种类型的约定达到相同的目的。 = _groupName; } } 用于定制应用模型的各种约定需要注册到代表MVC应用配置选项的MvcOptions对象上，所以我们需要对应用承载程序作相应的修改。
68310编辑于 2024-02-28
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