ollama调用的模型可以直接在DIFY中或者Python通过接口形式调用。

大模型的解释-语言模型（GPT4 解释 GPT2）

XBRL是针对金融数据集中的数字等实体进行标注，实体类型种类较多，在FiNer中，涵盖了139个type。文章给出的解释是，中文不类似于英文以空格来分词，中文没有明显的分词标志，所以提出了一种用于中文NER的方法。具体来说，给定一个被注释的实体，一部分概率被分配给其周围的跨度，而剩余的概率1-被分配给最初被注释的跨度。不在考虑使用硬边界（确定性实体边界，非0即1），二是软边界（边界周围也可能是实体

Genetic Prompt Search (GPS) 通过提示改进少样本学习，它利用遗传算法自动搜索高性能提示遗传提示搜索 (GPS) 算法，该算法使用生成模型逐渐改变提示，并根据它们在小型开发集上的表现来选择候选者。GPS不需要更新任何参数，只是为每个下游任务搜索最优的硬提示。

它的可视化功能旨在响应给定的Cypher查询来显示存储在数据库中的基础数据的节点图表示，从而显示节点的圆和关系的线。与Neo4j的连接非常简单明了，并且由于它是在Neo4j的属性图模型的基础上构建的，因此 Neovis 的数据格式与数据库保持一致。凭借广泛的可扩展性和大型功能集，可以满足您所有的可视化需求。Neo4j的设计本质上是非常直观的，使用节点和关系，用户可以轻松地将数据建模为开发人员、数据

prompt learning.(提示学习）打破了传统在PLM+finetune的方式，而是直接在应用预训练+prompt解决下游任务。（可是实现无监督、低资源场景，利用的是PLM中存储到的先验知识）在看2022评选出最佳论文中，以个是考虑了文本简化的评估方法，认为现有的评估并不能有效的表明简化文本的真实性（现有的方法有部分是根据词匹配度作为评分依据的）Evaluating Factuality

因为需要对文件的主题，做聚类分析，得到本体或者文件所属类别，尝试了现有的两种非常常用的聚类手段，K-means均值聚类和LDA主题聚类模型（主题-词语，文件-主题分布）可参考资料：()

作为了参与loss计算的semantic representation3、在constractive loss layer，是要保持similarity 的samples的距离尽可能的近，而dissimilar的samples的距离尽可能的远。

patch alignment，是从每个patch计算text的CLS之间的相似值，作为权重，得到的image representation。然后，使用INfoLOSS 更新模型参数。

是机器学习算法的一种。在分类时，选择距离预测点最近的前K个点，作为判断预测点类别的依据。距离的计算：可以采用等等。举个例子。1、有下面的图片中的数据推测《唐人街探案》属于那种电影类型。movie_data = {“宝贝当家”: [45, 2, 9, “喜剧片”],“美人鱼”: [21, 17, 5, “喜剧片”],“澳门风云3”: [54, 9, 11, “喜剧片”],“功夫熊猫3”: [39,