MaxKB = Max Knowledge Base，是一款基于大语言模型和 RAG 的开源知识库问答系统，广泛应用于企业内部知识库、客户服务、学术研究与教育等场景。

所有的项目都是基于 TailwindCSS 实现了响应式，同时支持网页端和移动端的显示效果。这期尝试开发的 AI 应用是使用通义千问的大模型 API，开发一个 AI 看舌苔的应用。整个项目的操作流程比较简单，第一屏用户上传自己的舌头的照片， 保存到 OSS 中。然后将 OSS 保存的图片发送给通义千问的大模型（这里采用了 qwen-vl + qwen-max 两个大模型），让大模型生成我们的前端

Ollama安装大模型1.安装ollama(本教程以win10系统为例）（1）下载地址：https://ollama.com/打开后进入以下下载地址下载windows版本ollama,其它系统选择对应版本如下图：下载后直接运行安装即可，安装好后右下角会显示一个羊驼的小图标（注意：ollama一般默认自动安装在C盘，后期如果下多个大模型，有的同学可能会面临空间不够，这里可以使用我找到的这个方法，如果

MindSpee-LLM是昇腾AI面向大模型分布式训练提供的语言大模型套件，仓库涵盖了模型、算法以及各类开发工具链，支持开箱即用及灵活组装开发。仓库配备了详细的使用指南和示例代码，欢迎加入和体验：​。

本文将从 Embedding 的本质、Embedding的原理、Embedding的应用三个方面，详细介绍Embedding（嵌入）。

FastGPT 是一个基于 LLM 大语言模型的知识库问答系统，提供开箱即用的数据处理、模型调用等能力。同时可以通过 Flow 可视化进行工作流编排，从而实现复杂的问答场景！FastGPT 是开源项目，遵循附加条件 Apache License 2.0 开源协议，可以Fork之后进行二次开发和发布。FastGPT 社区版将保留核心功能，商业版仅在社区版基础上使用 API 的形式进行扩展，不影响学习

01标签平滑（Label Smoothing）是一种正则化技术，用于深度学习中的分类任务，尤其是在Transformer模型中。它的目的是减少模型对于训练数据中硬标签（hard labels，即标准的one-hot编码）的过度自信，从而提高模型的泛化能力并减少过拟合。02在传统的分类任务中，模型的输出通常通过softmax函数转换为概率分布，然后使用交叉熵损失函数与硬标签（one-hot编码）进行

在这篇文章中，我们将尽可能详细地梳理一个完整的 LLM 训练流程。包括模型预训练（Pretrain）、Tokenizer 训练、指令微调（Instruction Tuning）、奖励模型（Reward Model）和强化学习（RLHF）等环节。

从数据库里拿到原始数据后，我们得给用户生成一个人类能看懂的自然语言响应。这就得利用语言模型的能力，把原始数据转换成容易理解的内容。我们可以写一个函数，它接收（用户问题）、schema（结构）、sql（SQL 查询）、datatemplate = """根据表结构、问题、SQL 查询和 SQL 响应，提供一个结构化的、人类可读的响应。仅提取响应中可用的字段，并正确格式化它们。{schema}问题：{

最近就是新项目和老项目一起支撑，老项目的人以为我还在支撑，然后新项目的人以为我不在支撑老项目了。本来我还乐呵呵的两边一起支撑，后来领导突然问我怎么还在干老项目，让我把老项目的事情交给另一个同事去干。感觉有点吃力不讨好之后，我直接完全不管老项目了，在我的签名上直接加上了老项目支撑=〉xx同事。新项目这边之前干过一个星期，有点基础，上手也挺快。这周当了两天测试，当了几天开发，解了一个问题单。具体的话就