登录社区云，与社区用户共同成长
邀请您加入社区
InSoulForge是基于Agent架构的智能QQ群聊机器人后端，采用Router+Executor两层设计，能判断是否回复、调用工具、管理长期记忆，支持图片识别、表情包、定时任务及Web管理后台，适合构建长期陪伴群聊的智能体。
这个工具包把“获客文案”拆成 5 个可以直接替换使用的提示词模板：冷邮件、LinkedIn 私信、跟进序列、提案、异议处理。适合自由职业者、小型代理机构和独立创业者。你只需要把服务、目标客户、成果案例填进去，就能快速生成高转化沟通内容。适用 ChatGPT、Claude、Gemini 等主流 AI。
<think>我们只需要根据内容生成摘要，不超过150字。需要概括Cosmos 3的核心功能、架构、训练数据、以及Q&A中的关键点。注意简洁。</think>Cosmos 3是NVIDIA推出的全模态世界基础模型，统一文本、图像、视频、音频与动作，支持场景理解、音视频生成、正/逆动力学推演及策略控制，并配套轻量化Edge版本。基于约百万小时视频训练，采用双塔架构与统一时间编码，旨在突破物理AI数据
摘要：复盘NLP明星公司衰败根源：过早商业化、项目制吞噬研发、资本锁死转型窗口。具身智能正复刻此路径，终局将寡头化。生存关键为双飞轮战略——七成资源投入通用基座，三成受控商业化，规避交付陷阱，方可避免沦为集成商。
ChatGPT 的回答当然能被“结构化抓取”，这从来不是一个技术难题，而是一个稳定性和合规性的权衡题。想要长期稳定、可商用：官方 API，没有之一。它提供的是明确的契约和稳定的接口，而不是“今天能抓、明天可能失效”的临时方案。想要快速导出自己的对话：浏览器插件最省事。打开页面、点击导出即可，学习成本最低。想要多平台研究、统一 Schema：通用 AI 抓取框架有它的价值。一次接入、多平台复用，适合
随着大模型能力从文本对话逐步走向实体行动，具身智能已经成为人工智能领域重要的研究方向。机器人基础模型、世界模型、多模态对齐、强化学习等研究，正在打通实验室理论与真实产业场景之间的壁垒。面向该交叉领域的学术交流需求，二轮征稿现已启动。会议由湖南信息学院、湖南科技大学主办，沈阳航空航天大学、浙江海洋大学海天智能物联网实验室、佛山市人工智能学会协办，将于 2026 年 10 月 23 日‑25 日于长沙
所以它会“创造”看起来像模像样的引用，但实际上这些文献可能根本不存在。毕夏AI最让我眼前一亮的，恰恰是它在这个问题上的处理方式。它底层由ChatGPT学术版模型驱动，采用AI5.0技术架构，但它的能力不止于“生成文字”，而是致力于让。
如何将生成式AI从简单内容产出升级为能够构建完整、可靠交付物的状态化智能体创建系统？论文系统性定义"智能体工件创建"概念，综述259项相关工作，提出统一分析框架和四条设计原则。
谁懂无数据分析论文的痛！😭写完论文全文，却卡在这一步！不会Origin、SPSS、MATLAB，手动做图又丑又不规范，配色土气、刻度错乱、标注不全，图表简陋到被导师吐槽“没有研究质感”。很多本科论文分数上不去，就是因为！今天专门安利OKBIYE，真正零代码零基础，不用学专业软件，一键生成规范学术图表、自动输出专业数据解读，小白也能做出期刊级配图✅。
24年6月来自无问芯穹、清华大学和上海交大的论文“A Survey on Efficient Inference for Large Language Models”。大语言模型 (LLM) 因其在各种任务中的出色表现而受到广泛关注。然而，LLM 推理对计算和内存的大量要求对在资源受限的情况下的部署带来了挑战。如何提高 LLM 推理效率？本文对现有的高效 LLM 推理进行了全面调查。首先分析 LL
摘要：多个AI模型(Grok、Geimini、DeepSeek、ChatGPT等)都能正确识别图片中的数学题目要求，但都给出了小学四五年级水平的错误解答。题目要求在一个8cm×6cm的长方形内画最大半圆并计算其周长。附加提示图片可能提供了更多解题思路，但所有测试模型均未能给出正确答案。这反映了当前AI在基础几何题解答上的局限性。
Langchain-Chatchat是一个基于ChatGLM大语言模型与Langchain应用框架实现，开源、可离线部署的检索增强生成(RAG)大模型的本地知识库问答应用项目。
自从谷歌提出ViT、Open AI发布CLIP，视觉语言模型（VLM）便成为了研究热点，凭借跨模态处理和理解能力，以及零样本学习方法，为CV领域带来了重大革新，今年CVPR'24自动驾驶挑战赛中，VLM也是参赛人数最多的赛道，围绕环境感知提升等，应用方案百花齐放，而为了性能不变下压缩模型体量，CVPR'24收录了一项突破性工作，VLM提示蒸馏新方法PromptKD！为了帮助大家综合掌握，集VLM、
在电商和社交媒体的世界里，序列推荐系统（Sequential Recommendation Systems, SRS）就像一个贴心的购物助手，它通过分析用户的历史行为来预测他们接下来可能感兴趣的商品。：对于长尾用户，LLM-ESR通过检索与目标用户语义相似的用户，并利用他们的交互信息来增强目标用户的偏好表示，就像是给长尾用户“借”了一些有用的信息。LLM-ESR它提出了一个全新的框架，用LLM的语
点击下方卡片，关注“AI生成未来”>>后台回复“GAI”，免费获取AI行业报告和资料！作者：APlayBoy编辑：AI生成未来链接：https://zhuanlan.zhihu.com/p/691719636本篇博客全面汇总了大型语言模型（LLMs）。从早期的预训练神经语言模型开始，探讨了它们的起源和发展。重点讨论了Transformer架构及其三个主要分类：仅编码器PLMs、仅解码.
《从零构建大模型》本书不是泛泛而谈的 LLM 概念介绍，而是完整还原了一个大语言模型的构建路径——从文本预处理、词嵌入、注意力机制、Transformer 架构，到模型训练、指令微调，再到推理优化与部署，内容扎实全面，环环相扣。
（能写作文、编代码、答考题，甚至陪你聊人生），175B = 1750亿个脑细胞！
本文分享了chinese-roberta-wwm-ext模型在意图识别任务中的五个核心实战技巧。针对模型微调中的常见痛点，详细探讨了批量大小的科学设置、余弦退火学习率调度器的应用、针对中文特点的数据增强策略、标签平滑的正则化效果，以及如何构建高质量的验证集以精准指导调优，旨在帮助开发者提升模型在实际业务中的性能与稳定性。
在配备单个NVIDIA RTX 4090 GPU的个人电脑上,PowerInfer在各种LLM(包括OPT-175B)上实现了平均13.20 tokens/s的令牌生成速率,峰值可达29.08 tokens/s。为了解决这一问题,来自上海交通大学的研究人员开发了PowerInfer,这是一个创新的LLM推理引擎,能够在配备单个消费级GPU的个人电脑上实现高速推理。通过创新的设计和优化技术,它使个人
知识库问答是一种应用广泛的系统，可以在许多领域发挥重要作用。不过以往的系统通常是基于固定规则、相似度检索或者seq2seq模型，这类系统开发成本较高、修改也较为麻烦，尤其在数据准备过程需要耗费大量精力。
接上回的算子层面优化内容，本节从系统层面介绍**模型层面**的优化内容。
它就像是你身边那位无所不知的图书馆管理员，能够迅速从庞大的知识库中检索出与太空探索相关的最新科研成果、历史趣闻和未来展望，然后基于这些信息，以人类难以企及的速度和创意，生成既科学又引人入胜的文章内容。更重要的是，它将极大地降低内容创作的门槛，让更多人能够轻松表达自己的想法和创意，共同推动人类文化的繁荣与发展。它不仅能模仿人类写作风格，还能在保持内容准确性的同时，注入独特的创意和见解。从新闻报道的即
本文介绍 了BERT之前的常见机器阅读理解模型，包含机器阅读理解开篇之作的论文解读。
大语言模型（LLM）用于理解和生成自然语言和编程语言的人工智能模型。它可以帮助完成适用程度和成本效率不同的各种任务。本文通过测试来自同一基础模型的多个独立模型，以找到最佳的大语言模型。这一技术领域发展迅猛，尽管本文已尽可能保持时效性，也还是需要读者随时关注最新发布的模型，根据成本效益判断该模型是否更佳。官方网站：https://openai.com/图片来源：Unsplash。
本文拆解大语言模型推理的工作流程，计算时间分布和显存占用分布，进而分析对应的优化策略，可以通过本文理解为什么优化策略朝着这个方向做。本文数据和内容引用自A Survey on Efficient Inference for Large Language Models，感兴趣的读者可以参考更多细节信息。（1）工作流和步骤分解：最受欢迎的大型语言模型（LLMs），即仅解码器结构的LLMs，通常采用自回
BEIR(A Heterogeneous Benchmark for Zero-shot Evaluation of Information Retrieval Models)文本检索任务的基准，使用`18 个数据集`为检索系统的零样本评估提出了一个标准化基准， BEIR 基准上在`9个不同领域的检索任务`评估 `10 种不同的检索方法`。
大语言模型是基于深度学习的自然语言处理工具，能够理解和生成文本。通过在大量文本数据上训练，它具备问答、翻译和文本生成等功能。常用于聊天机器人、内容创作和教育等领域。尽管表现出色，但仍面临理解深度不足的挑战。随着技术进步，其应用潜力不断扩大。如果说。
RAG主要关注通过检索到的信息来改善LLMs的回答质量，而很少关注LLMs真正需要回答原始查询的类型知识。作者提出，长尾知识对RAG至关重要，因为在大规模预训练期间LLMs已经记住了常见的世界知识。基于此观察，作者提出了一种简单但有效的长尾知识检测方法，引入了一种新的基于统计和语义的生成预期校准误差（GECE）指标来衡量知识的“长尾性”。大语言模型，LLM， 长尾知识，检索增强
行业背景数字孪生城市是现代化城市治理方式的创新性变革。物理城市中所有的人、地、物、事、情、组织等要素，借助数字孪生技术在数字世界建设虚拟映像，实现“物理—数字”虚实融合交互。同时，数字孪生城市也是未来城市提升长期竞争力、实现精明增长、实现可持续发展的新型基础设施，也是一个吸引高端智力资源共同参与，持续迭代更新的城市级创新平台。国家“十四五”规划纲要中明确提出加快数字化发展建设数字中国战略，推进城市
©PaperWeekly 原创 ·作者 |避暑山庄梁朝伟背景随着 ChatGPT 的火爆出圈，大模型也逐渐受到越来越多研究者的关注。有一份来自 OpenAI 的研究报告 (Scaling laws for neural language models) 曾经指出模型的性能常与模型的参数规模息息相关，那么如何训练一个超大规模的 LLM 也是大家比较关心的问题，常用的分布式训练框架有 Megatr..
大语言模型的发展历程呈现出从早期试验阶段到深度学习崛起，再到预训练模型的全球应用的脉络。这一发展过程不仅推动了自然语言处理技术的飞速发展，也深刻地改变了人们对智能的认知和期望。未来，随着技术的不断演进，大语言模型将持续发挥着在人工智能领域的引领作用，为人类社会带来更多的智慧和便利。
本文提出了一种全面评估大语言模型（LLMs）表格推理能力的基准TReB，包含26个子任务，覆盖6大核心技能（自然语言理解、表格理解、表格基本操作、表格计算操作、数据分析和高级数据分析）。针对现有基准在数据质量、推理模式和评估指标方面的不足，TReB构建了高质量数据集（含人工验证的5,000+表格问答对），支持三种推理模式（TCoT、PoT、ICoT），并设计了多维度评估指标。实验测试了20+先进L
在韩语多任务推理基准KMMLU上，A.X 3.1 Lite得分61.7，约为SK电信更大的A.X 4.0 Lite模型的96%。上周，韩国SK电信在全球AI竞赛中发布了一款新产品：A.X 3.1 Lite，这是一个拥有70亿参数的大语言模型，完全从零开始为韩语应用场景训练。它足够小，可以在智能手机上运行，但仍能处理广泛的任务，无需云服务。"基于我们稳步建立的韩语大语言模型开发能力，我们将努力增强A
本文根据 Fabarta AI 算法专家邱道明在“2023中国数据与存储峰会”主题演讲整理而来。本文将围绕以下几部分来探讨：企业数据的演进、大语言模型相关概念、大语言模型企业场景应用的挑战、Fabarta 产品和解决方案、大语言模型企业场景应用案例。
研究人员发现，扩展预训练模型（Pre-training Language Model，PLM），例如扩展模型大小或数据大小，通常会提高下游任务的模型性能，模型大小从几十亿（1 B = 10亿）逐步扩展至千亿级别，后续研究者们将大型的PLM称之为LLM（Large Language Model）从下图中可以看出大语言模型的发展阶段从下图中可以看出近年来主流的大语言模型OpenAI发展史。
M3D项目的推出标志着3D医学图像分析进入了一个新的发展阶段。通过结合大语言模型的强大能力和专业的医学知识,M3D为医疗AI的发展提供了新的思路和工具。虽然目前该技术还处于研究阶段,但其潜力是巨大的。我们期待看到更多研究者和开发者能够基于M3D项目进行探索,共同推动医疗人工智能技术的进步,最终造福患者和整个医疗健康领域。随着项目的持续更新和完善,M3D有望成为3D医学图像分析领域的重要基础设施,为
今年工业界陆续开源了多款优秀的大语言模型，并放出了技术报告，本文整理工业界主流开源LLM的后训练方案，着重介绍训练算法和数据处理部分。以下是模型列表：Qwen2（阿里云）AFM（Apple）Yi（01ai）GLM-4（智谱）Baichuan2 Alignment（百川）总结以上技术报告，可以发现一些基本趋势：数据合成已成为工业界主流LLM后训练的基本方案，未来大概率也会持续发展，快速开发出领先的数
1. 数字孪生安防：虚拟与现实系统同步演练2. 自主安全决策：AI驱动的智能应急响应3. 区块链存证：安防数据不可篡改记录4. 预测性防护：基于行为分析的风险预警5. 元宇宙培训：沉浸式安防场景演练大模型呼叫中心正在重构安防服务体系，通过：- 知识驱动的智能运维- 数据支持的安全决策- 高效协同的应急响应- 精准预测的设备管理- 全链条的数字洞察随着智慧城市发展，大模型系统将成为安防运营的"智能安
1. AI、AGI、AIGC是什么？AI：人工智能，让机器模仿人类智能解决问题。AGI：通用人工智能，让机器像人一样思考、学习和处理多种任务。AIGC：生成式人工智能，利用模型生成新内容，如文本、图像等。2. ChatGPT是什么？ChatGPT是OpenAI开发的聊天机器人，能模拟人类对话。可用于撰写论文、创作诗歌、编写代码等。利用自然语言处理技术，与用户进行有意义的互动。3. 如何使用Chat
大语言模型（Large Language Models）是一种基于深度学习的自然语言处理（NLP）模型，用于处理和生成人类语言文本。主要应用领域自然语言理解（NLU）文本分类信息抽取情感分析命名实体识别自然语言生成（NLG）文本生成摘要生成机器翻译对话生成与响应。
¶文档类视觉语言模型是当前一种前沿的多模态处理技术，旨在解决传统文档处理方法的局限性。传统方法往往局限于处理特定格式或预定义类别的文档信息，而文档类视觉语言模型能够融合视觉与语言信息，理解并处理多样化的文档内容。通过结合计算机视觉与自然语言处理技术，模型可以识别文档中的图像、文本及其相互关系，甚至能理解复杂版面结构中的语义信息。这使得文档处理更加智能化、灵活化，具备更强的泛化能力，在自动化办公、信
我们在论文中对7类LLM Ensemble方法进行了总结性分析。如图5所示，分析主要从三个核心维度展开：集成策略、集成粒度和集成目标。从集成策略的角度来看，聚合式（Aggregation）方法（如对所有模型输出进行平均或加权融合）相较于挑选式（Selection）方法（即从多个输出中选出一个，类似于硬投票）要更为复杂。另外，再生成式（Regeneration）方法通常需要额外准备大量特定的训练数据
根据自身需求和应用场景选择合适的大语言模型，如 OpenAI 的 GPT 系列、百度的文心一言、智谱的 GLM 等。需要考虑模型的性能、功能特点、适用领域、成本等因素。
最近很多朋友搞不懂大模型和大预言模型的区别，总是把大模型就认为是大语言模型。今天就用这篇帖子做一个科普。
在AI应用（如对话系统、智能助手、代码生成工具）中，意图识别是连接用户需求与系统响应的“第一道关卡”。它的准确性直接决定了后续流程的效果——如果AI误解了用户的“订机票”意图为“查航班”，即使后续的航班信息再精准，也无法满足用户需求。歧义问题：“我想喝奶茶”可能是“购买奶茶”（电商场景），也可能是“推荐奶茶配方”（内容场景）；上下文依赖：“帮我取消它”中的“它”需要结合上一轮对话（如“我订了明天的
2021SC@SDUSC1.PaddleOCR论文分析PP-OCR是一种实用的超轻型OCR系统。整个PaddleOCR模型仅用3.5M识别6622个汉字;2.8M识别63个字母数字符号。PP-OCR引入了一系列策略来增强模型的能力、减小模型的规模。并给出了相应的烧蚀实验和实际数据。同时，发布了几个预先训练的中英文识别模型，包括文本检测器(使用97K图像)、方向分类器(使用600K图像)和文本识别器
第一作者：罗浩然，北京邮电大学博士研究生，研究方向为知识图谱与大语言模型协同推理OpenKG地址：http://openkg.cn/tool/bupt-chatkbqaGitHub地址：https://github.com/LHRLAB/ChatKBQA论文链接：https://arxiv.org/abs/2310.08975动机随着ChatGPT 的问世，属于大模型的时代就此开始。无可否认，大型
自然语言处理
——自然语言处理
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
AtomGit AI 社区
EazyDevelop社区
乐奇 Rokid 开放社区
