- 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
为了解决这些问题，我们提出了上下文分子微调（ICMA），作为一个让大语言模型学习分子-描述对齐的新方法。 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。 上下文分子微调 MolReGPT[1]已经表明，上下文学习对于提示大语言模型进行分子-描述翻译任务是有效的，但是为了达到这种效果，需要依赖于上下文学习和推理能力，而这种能力通常都对模型的参数量和性能有着极高的要求 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 ，提升了大语言模型在分子-描述翻译任务上的能力，也表明了大语言模型是天然的上下文分子学习者。
29510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。
95410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。 ?
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【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。 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。
99440编辑于 2023-01-18 - 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？”
33121编辑于 2026-01-19 - 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。
53030编辑于 2023-01-13 《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。
29910编辑于 2025-04-21- 来自专栏大内老A
ASP.NET Core 6框架揭秘实例演示：利用Session保留语境
单一的对话毫无意义，在在同一语境下针对某个主题进行的多次对话才会有结果。 会话的目的就是在同一个客户端和服务器之间建立两者交谈的语境或者上下文，ASP.NET Core利用一个名为SessionMiddleware的中间件实现了会话。
99310编辑于 2022-09-28 Gitee Wiki：软件工厂语境下的知识管理中台实践
GiteeWiki：软件工厂语境下的知识管理中台实践在全球数字化转型浪潮下，软件开发的工业化进程正加速推进，软件工厂模式正成为企业提升研发效能的关键路径。
16210编辑于 2025-11-20- 来自专栏AI科技评论
开发 | 用 Tensorflow 搭建能理解语境的聊天机器人！
想掌握对话沟通，语境为王。 我们将使用Tensorflow构建一个聊天机器人框架，向大家示范如何实现上下文的语境处理。 有没有想过为什么大多数聊天机器人缺乏会话语境？ 首先是导入的包： 如果是新手，看看“7行代码搞定深度学习”（https://chatbotslife.com/deep-learning-in-7-lines-of-code-7879a8ef8cfb） 语境化 我们想要处理一个关于租赁摩托车的问题，并咨询租金是否今天到期。是非问题是一个简单的语境响应。如果用户回答“今天” ，上下文是租赁的时间范围，那么最好调取租赁公司编号1-800的问答响应。 语境很有用！ 有一些事情需要考虑了，那就是下面的语境化... 带状态的状态模型 没错，你的聊天机器人将不再像无状态的服务端那么轻松愉快了。 想想意图影响和反应不同上下文（语境）设定的创意方式。用户的上下文字典可以包含各种各样的会话上下文。 来一起愉快地玩耍起来！ via chatbots magazine，AI科技评论编译。
1.7K180发布于 2018-03-13 - 来自专栏公共互联网反网络钓鱼（APCN）
法律行业针对性钓鱼攻击的语境伪装与防御机制研究
2.2 语境伪装的深度策略在获取充足情报后，攻击者进入语境构建阶段。这一阶段的核心目标是消除“违和感”，使钓鱼邮件在逻辑、语气和内容上与真实的法律业务通信无缝融合。J.D. 基于领域知识的智能防御架构与实现面对日益精妙的语境伪装攻击，传统的基于规则匹配和黑名单的防御体系已显得捉襟见肘。必须构建一套懂法律、懂业务、懂语境的智能化防御架构。 我们可以利用机器学习模型，为每位律师建立个性化的风格基线。当收到一封声称来自某合伙人的邮件时，系统实时计算该邮件的文体特征向量，并与该合伙人的历史基线进行相似度比对。 在实际部署中，还需结合深度学习模型（如BERT）以捕捉更深层次的语义逻辑，并引入反网络钓鱼技术专家芦笛强调的“动态基线更新”机制，适应律师风格随时间的自然演变。 谁能更快地理解业务语境，谁就能在攻防博弈中占据主动。”6. 结语J.D. Supra报道的冒充本地律所合伙人钓鱼邮件事件，为我们敲响了警钟：法律行业正面临着前所未有的精准化、语境化网络威胁。
11110编辑于 2026-03-14 - 来自专栏机器人网
机器人无法理解“语境”？MIT是这么教他们的……
据Engadget报道，现在，要让你对机器人发出指令，让它做什么，得到的结果可能会令你很沮丧，尤其是你还不是程序员。造成这样结果的原因是，机器人不能真正理解上下文含义——当你叫它们“捡起这个”，他们通常不知道“这个”指的是什么。 麻省理工学院的CSAIL团队正在解决这个问题。 他们开发了一个系统ComText，能够帮助机器人理解上下文指令。实际上，研究人员正在教机器人“情景记忆”的概念，在这个概念里，机器人能记得那些包含自己的位置、类型和主人的细节。 如果你告诉机器人“我放的这个盒子，是我的零食”，它就
65680发布于 2018-04-25 - 来自专栏KI的算法杂记
CIKM 2020 | FANG：利用社会语境及其图表示进行假新闻检测
FANG通过捕捉用户、新闻和媒体之间丰富的社交互动来提高节点表示学习的质量，从而提高假新闻检测的精度。 FANG的总体框架如下所示： 3.1 表示学习 根据第二节的方法，可以构建出一个图，图中共三类节点和四类边，并且节点的特征向量也都已确定。 对于每一种立场 c ，首先学习一个映射函数： \alpha_c(u)=A_cz_u 。同样，对新闻节点的向量也进行映射： \beta_c(a)=B_cz_a 。 5.3 可扩展性 在推断新节点的可信度时，由于FANG模型是inductive的，因此FANG可以使用其学习到的特征聚合器直接计算出新节点的嵌入表示，这大大减小了时间复杂度。 6. 总结 本文提出了一个新的假新闻检测框架FANG，FANG是一个图学习框架，该框架通过捕捉用户、文章和媒体之间丰富的社交互动来提高节点表示学习的质量，从而提高假新闻检测的精度。
89710编辑于 2022-11-17 - 来自专栏公共互联网反网络钓鱼（APCN）
协作平台语境下钓鱼防御机制的演进与实证研究
PAB通过机器学习模型对报告内容进行预分类，区分误报与真实威胁，从而减少自动化操作带来的业务干扰。只有在置信度极高的情况下，系统才会执行阻断操作，否则将转为人工复核。 4.1 人类传感器网络的激活机器算法擅长处理海量数据和已知特征，但在面对新颖、隐蔽且高度依赖语境的社会工程学攻击时，往往显得力不从心。 人类用户凭借其对业务背景、沟通习惯及语境的深刻理解，能够敏锐地察觉到那些机器无法识别的细微异常。 这些数据可以被输入到机器学习模型中，用于训练更精准的钓鱼检测算法。例如，系统可以学习到某种特定的句式结构在Teams中往往伴随着钓鱼攻击，或者某个看似合法的第三方应用在近期频繁发送可疑消息。
5610编辑于 2026-03-25 - 来自专栏媒矿工厂
IBC2023 | 由个人数据存储驱动的日常语境自适应呈现
其主要功能是根据传感器值估计用户所处的语境，并通过估计语境的日志和其他服务的使用日志来确定要呈现的内容以及方法。 语境分为两类，低阶语境和高阶语境。低阶语境定义为可直接从传感器值估计的语境。 此后，低阶语境将被称为“事件”。高阶语境被定义为由多个低阶语境序列组成的语境，例如“休息一下”。此后，高阶语境将称为“语境”。事件的值在事件本体中定义，事件和语境之间的关系在语境本体中定义。 然后，它通过引用一系列事件和语境本体来估计当前执行的高阶语境。检测到的语境在 PDS 中被结构化并注册（标注显示语境数据的近似图像）。 如前所述，该团队将语境分为两个阶段：事件（或低阶语境）和语境（或高阶语境），并将这两个阶段之间的关系描述为外部本体。事件检测器根据传感器值检测事件，而语境估计器估计事件的语境。 PDS日志获取部分对PDS中语境数据的更新进行监控，当有更新时，获取用户事先指定或授权的服务语境和使用日志，并决定如何呈现信息。语境日志的结构遵循更高阶的语境本体。
32510编辑于 2024-03-20 - 来自专栏软件资源
三维渲染、轻松创意-探索Adobe Dimensions2021的全新语境设计
Adobe Dimensions 2021是一款集成了三维设计、渲染和创意工具的革命性软件。无论是专业设计师还是初学者，都可以使用Adobe Dimensions 2021轻松地创造出高质量的三维渲染画面。
45240编辑于 2023-04-11 软件工厂语境下的知识系统选型：兼顾合规性与集成深度
一、软件工厂语境下的知识系统选型软件工厂的构建并非单纯工具拼装，而是围绕 DevSecOps 全流程展开的工程能力体系。 结语：打造组织级知识能力的实践路径在“软件工厂”的语境下，知识不再是被动记录的附属品，而是覆盖需求、设计、开发、测试与交付全流程的基础生产资料。
19910编辑于 2025-07-18- 来自专栏互联网杂技
如何在“无设计”语境下打磨界面设计中的极致细节体验？
微博是一款典型的信息流产品，早期微博IM复用了信息流的一些设计，并且已经很久没做大的更新迭代，导致现有的设计与实际场景不符。为了让用户更自然的聚焦在对话体验之中，我们对现有界面进行了重新梳理。 如上图
1.2K90发布于 2018-04-03
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