- @qq_36603091
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
Kimi-1.5 和 DeepSeek-R1 都是通过强化学习提升大型语言模型推理能力的优秀模型。Kimi-1.5 在多模态任务中表现出色，而 DeepSeek-R1 在数学和编码任务中略胜一筹。未来的研究可以进一步探索如何结合两者的优点，开发出更高效、更通用的推理模型。
阿里团队提出WebWalkerQA基准和WebWalker多智能体框架，解决传统RAG在开放域问答中仅能横向检索浅层内容的问题。WebWalkerQA包含680道需多层级网页跳转的中英双语题目，测试显示GPT-4o准确率仅40%。WebWalker通过Explorer（模拟点击）和Critic（信息筛选）双Agent协同，实现纵向深度检索。实验表明，横向RAG与纵向WebWalker结合可使准确率
阿里团队提出WebWalkerQA基准和WebWalker多智能体框架，解决传统RAG在开放域问答中仅能横向检索浅层内容的问题。WebWalkerQA包含680道需多层级网页跳转的中英双语题目，测试显示GPT-4o准确率仅40%。WebWalker通过Explorer（模拟点击）和Critic（信息筛选）双Agent协同，实现纵向深度检索。实验表明，横向RAG与纵向WebWalker结合可使准确率
XML结构化提示技术成为提升大模型稳定性的关键突破。这种方法通过明确标签划分系统指令、用户输入和任务定义，有效解决了提示注入攻击、输出不可控等核心问题。研究表明，结构化提示能显著降低AI幻觉率，将错误率从语义层面的概率推断转变为语法层面的确定性解析。工程实践中的三种核心模式——上下文隔离、层次组织和输出格式化，分别解决了命名空间冲突、任务依赖关系和输出解析难题。尽管XML会增加token消耗，但其
XML结构化提示技术成为提升大模型稳定性的关键突破。这种方法通过明确标签划分系统指令、用户输入和任务定义，有效解决了提示注入攻击、输出不可控等核心问题。研究表明，结构化提示能显著降低AI幻觉率，将错误率从语义层面的概率推断转变为语法层面的确定性解析。工程实践中的三种核心模式——上下文隔离、层次组织和输出格式化，分别解决了命名空间冲突、任务依赖关系和输出解析难题。尽管XML会增加token消耗，但其
IBM推出智能体通信协议ACP，推动AI智能体互操作性发展 IBM研究中心于2025年推出智能体通信协议(ACP)，旨在解决AI智能体间的互操作性问题。ACP作为开放式通信标准，支持不同框架和技术栈的智能体相互协作，有效解决了当前智能体集成面临的框架多样性、自定义集成复杂等挑战。该协议随后被捐赠给Linux基金会，并与谷歌的A2A协议合并，形成了统一的行业标准。项目展示了基于ACP-SDK构建的深
IBM推出智能体通信协议ACP，推动AI智能体互操作性发展 IBM研究中心于2025年推出智能体通信协议(ACP)，旨在解决AI智能体间的互操作性问题。ACP作为开放式通信标准，支持不同框架和技术栈的智能体相互协作，有效解决了当前智能体集成面临的框架多样性、自定义集成复杂等挑战。该协议随后被捐赠给Linux基金会，并与谷歌的A2A协议合并，形成了统一的行业标准。项目展示了基于ACP-SDK构建的深
传闻 DeepSeek 即将发布 DeepSeek R2
在RAG中，我们首先需要将文档解析成结构化的数据，然后将其拆分成更小的块，以便提取详细的特征并进行嵌入表示。传统的分块方法通常是基于规则的，比如固定大小的分块或相邻分块的重叠。然而，这些方法在实际应用中可能会遇到一些问题，比如检索上下文不完整或分块过大导致噪声过多。语义分块的目标是确保每个分块尽可能包含语义上独立的信息。这样一来，RAG模型在检索和生成时就能更加精准地找到相关信息，避免“捡了芝麻丢
