本文讨论了如何使用 Hugging Face 推理终端搭建模块化的 “ASR + 说话人分割 + 投机解码”工作流。该方案使用了模块化的设计，使用户可以根据需要轻松配置并调整流水线，并轻松地将其部署至推理终端！

我就知道人大还留有后手。自从这篇中文大模型综述发布以后，在全网收到了一致好评。人大这边也一直没闲着，在后续一年之内修改了十多遍，收录了近千篇的参考文献，快马加鞭赶出了这本大语言模型中文版。一经发布就震惊国内高校和研究人员，是更适合中国体制的大模型指南。本书内容简单易懂，只需要有一点深度学习基础就能轻松读懂，可以作为一本入门级的技术书籍。全书一共有391页，主要分成5大部分，分别是大模型的预训练、指

RAG和微调即相似，又不完全相同，它们在能力上是互补的。很多人会奇怪RAG和微调有什么关系，而对RAG和微调了解的人应该都明白为什么会把RAG和微调放在一块讨论。有些人说有了RAG就不需要微调，而另一些人说有了微调就不需要RAG，这到底是怎么回事？RAG和微调之间到底存在什么样的恩恩怨怨？RAG与微调作者在第一次看到RAG和微调的标题时，也是一脸懵逼；RAG和微调有什么关系，它们完全是两种不同的技

本文提出的方法HippoRAG2，这是一个新的框架，旨在解决现有RAG系统在近似人类长期记忆的动态和相互关联的性质方面的局限性。HippoRAG 2为LLM的持续学习和长期记忆研究开辟了新的途径，通过在事实，意义构建和联想记忆任务中实现标准RAG方法的全面改进，显示出以前的方法在全面评估中忽视或无法实现的功能。未来的工作可以考虑利用基于图的检索方法，以进一步提高情景记忆能力的LLM在长对话。如何学

在大模型的应用中，提示词（Prompting）、检索增强生成（Retrieval-Augmented Generation, RAG）和微调（Fine-Tuning）是三种常见的技术手段。每种方法都有其独特的优点和适用场景，选择哪种方法取决于具体的应用需求和资源限制。

预测市场一直是研究者们关注的焦点。在更广泛的时间序列预测任务中，研究者们已经进行了无数尝试，从简单的移动平均到各种类型的模型，如自回归模型、N-BEATS 等全球单变量模型以及长期预测模型等。随着大型语言模型（LLM）的兴起，研究者们也尝试直接利用 LLM 的零样本预测能力来进行预测。利用预训练的 LLM 的好处包括能够将文本上下文与数值数据结合起来，以提高预测的准确性，并且能够利用强大的编码器/

本文尝试梳理。包括模型结构选择、数据预处理、模型预训练、指令微调、对齐、融合多模态以及链接外部系统等环节。目前主要有三种模型架构，基于Transformer解码器，基于General Language Model，以及混合专家模型。这一步可以直接选择开源的的基座模型，例如基于Transformer解码器架构的LLaMA模型族，模型结构及一些重要参数如下图。假设选择LLaMA-65B，Tokeniz

强化学习的艺术：基础知识、数学原理与Python实现》是一本290页的PDF书籍，全面深入地介绍了强化学习（RL）的各个方面。这本书是为那些希望将RL算法应用于自己项目中的机器学习工程师、数据科学家、软件工程师和开发人员准备的。它从基础的马尔可夫决策过程（MDP）出发，逐步深入到动态规划、蒙特卡洛方法、时差学习和价值函数近似等核心概念，为读者打下坚实的理论基础。

具身智能，英文Embodied AI，简称EAI, 依靠物理实体（如机器人、自动驾驶车辆等）与环境交互来实现智能增长的智能系统。在智能体与环境的交互过程中，通过感知、控制和自主学习来积累知识和技能，形成智能并影响物理世界的能力。其核心在于将感知、决策和执行紧密结合，主要挑战在于硬件性能、算法泛化能力与系统集成水平。

刚刚，AI大牛吴恩达官宣创业公司新成果——（Agent目标检测）。无需标注训练数据，模型就能在图片中定位指定物体。举个栗子，在一张长满草莓的图片中，提示词为“未成熟的草莓”，AI模型立马分分钟帮你找出。据吴恩达介绍，以前视觉AI要想识别物体，需要在大量标注数据上训练，而现在AI只需瞥一眼图片，短暂思考后（当前约20~30s）就能立刻输出正确内容。而的方法也令一众网友感到兴奋，未来应用潜力巨大。目前