大模型微调十诫：关于将微调模型部署到生产环境的十条建议：（1）不要盲目微调模型，先尝试使用提示的方式满足需求。只有当提示无法达到质量、性能或成本目标时，才考虑微调。（2）一定要编写提示。通过提示证明任务是可行的，作为微调的基线。如果提示就可以达到要求，微调可以进一步提升；如果提示不起作用，微调成功的可能性就很低。（3）一定要检查数据质量。删除或修正问题数据。数据质量直接决定模型质量。（4）使用真实

从支持模型数量,以及各种特性来看, xinference框架特性最全,支持模型最多, 从易用性来说, ollama绝对适用于一些初学者。有了部署框架,对LLM一知半解的后端人员也能轻易部署LLM模型,不需要深入了解每个模型.。

资深机器人专家Eric Jang不久前曾预言：“ChatGPT 曾在一夜之间出现。我认为，有智慧的机器人技术也将如此。3月13日深夜，一段人形机器人的视频开始热传。在视频中，Figure的人形机器人，可以完全与人类流畅对话，理解人类的意图，同时还能理解人的自然语言指令进行抓取和放置，并解释自己为什么这么做。而其背后，就是OpenAI为其配置的大型语言模型。由于OpenAI模型还支持多模态输入，因此

使用。

本文详解LangChain 1.0两大核心更新：create_agent简化了带工具调用的ReAct agent创建，通过循环判断tool_call实现自动化；Middleware采用切面编程提供6个hook点，使Context Engineering更加便捷，内置人工确认、请求限制等实用功能，大幅简化了多轮循环应用的开发流程。LangChain 最近更新了1.0版本，其中最重要的两个内容是和。

文章介绍了斯坦福大学开源的"Generative Agents"（斯坦福小镇）项目，探索了AI与AI之间的智能交互。项目包含25个由AI驱动的智能体，它们基于预设身份和初始记忆，通过自然语言交流，形成自发社会行为。展示了AI在没有人类干预下如何互动、传播信息，探讨了AI自我迭代可能性，为未来AI协作提供了新思路。在初始化场景下，让AI离开人类的干扰，让AI自主的生活将会是一个什么样的场景。

大家有没有想过这样的问题：“已经有大模型了，为什么还要做Agent？大模型不是也能得到Agent中得到的结果吗？“Agent与大模型之间具体有什么区别呢？首先让我们先从定义上看看这两者有什么区别：大模型是基于深度学习、拥有数十亿至数千亿参数的人工智能模型，能通过海量数据学习复杂模式，具备文本生成、逻辑推理等多任务处理能力，是当前 AI 领域的核心突破方向。所以从上述来看，大模型只提供任务方法，具体

Year:2024。

随着条件生成模型的快速发展，分子生成技术在药物反应预测和药物靶标结合亲和力等任务中取得了显著进展。然而，这些为特定任务生成的分子在工业生产中的应用仍显不足，因此分子优化成为了一项关键任务。传统方法依赖化学家的经验和直觉，效率低下。深度学习方法通过学习SMILES、图形和3D结构来加速分子优化，但这些方法往往忽视了保留分子核心结构的重要性。此外，基于引导搜索的方法虽然采用了先进的优化技术，却受限于外

在当今人工智能领域，大规模语言模型成为了研究和应用的热点之一。它们以其大规模的参数和强大的性能表现，推动着机器学习和深度学习技术的发展。对于GPT 系列大规模语言模型的发展历程，有两点令人印象深刻。第一点是可拓展的训练架构与学习范式:Transformer 架构能够拓展到百亿、千亿甚至万亿参数规模，并且将预训练任务统一为预测下一个词这一通用学习范式;