l l m 的大模型跟本地知识库结合的一个基本原理啊,本质上来讲呢,就是 l l m 大模型和本地知识库原理呢?它的基本原理,它其实是提示工程, 他是提示工程里面的一个技术啊,这个技术的话呢,叫 r a g 啊,这个技术的话之前我也是介绍过啊, r a g 这个技术的话,我先简单跟大家介绍一下,我们来看一下。呃,这个论文啊,这个技术发明是 mentor 他们 发明的这样的一个技术,当然它联合了美国的几另外两所高校啊,发明了这个技术啊。 r a g 这个技术呢,我们来看一下它本质上来讲,它就是把这个问题 跟你的这个知识库啊,他通过那个矢量检索的这样的一个方式啊,他把文档变成一些像量,存在像量数据库里面,把这个问题通过 incoding 之后去寻找到这些,呃,相关的这个文档比较接近的这些像 关那些内容,他会做一个时量,呃,这个提示工程,把这些文档作为一些参考,跟这个问题结合,然后通过 l l m 的这个大模型去推理出这个相关的问题啊,他呢就是利用了 大模型的这个推理能力啊,他主要是这样也利用了那个本地就是史史量数据库,通过那个向量的计算和检索寻找这个相似度,把这个问题最相关的一些知识呃,结合在整个一个大模型里面是求解出来的,他是这样来做的, 他这个是他的这个最基础的原理啊,让我我们来后,我们来看一看啊,他的这篇学术的啊,这篇文档也是比较重要的啊,我们先 facebook ai research 就联合了这个伦敦的这种大学和纽约大学,然后推出了这样的一篇 大 a g 的这样的一个算法啊,它这个算法是适合于这个支持密集性的 n l p 的一些任务啊,支持密集性就是我们的大模型,因为它更新频次会 比较慢,所以他不能时时的获取一些最新的知识点。这样通过 ig 的这个方法论的话,就我前面讲的这个方法论的话,他非常快的能把一些他不需要这个大模型训练,就可以把很多的知识库啊,跟这个大模型结合起来去回答开放性的问题啊,他主要是做这样的一个硬场景的啊,所以他称之为叫知识密集型的一些任务。 我们啊先讲讲结论,他的结论他们是用了一个方法去做对比的,一个呢,通过一个大模型啊, buck 的一个大模型,他这个里面有一个 t 五的这个模型,然后去包括一个 buck but butter 的这样的一个模型啊,他是一个预训练的任务,然后通过微调的方式啊,他通过这种方式去做的 另外一种,它通过 r a g 的这个方式,当然它它设计了两种方式,一种呢是这个拓空化的,一种的话呢,就是 serious 化的啊,这两种方法其实性能都差不多,我们可以不用看 啊,可以认为它是一种方法,就 r a g 的这个方法跟预训练的这个方法,你会发现 r a g 的这个方法,它会更好,它的性能会更出色一点啊,它不管是在一些开放性的问题,包括一些抽象的问题,包括一些呃内容产生的问题,包括一些分类的问题上面,哎,它的性能都要比微调的这个 效果要更好啊,他等于是这样啊,所以的话呢,他们把 r e g 的这这种方式啊,作为一个这个本地知识库结合的,跟 l a m 结合的一个最主流的这种方式之一啊。 好,我们一起来看看论文。他这个里面呢,还有一个 butt 的这样的一个模型啊,这个模型呢,当然他是用了一个预训练的一个垃圾的一个模型啊,也是基于 transformer 的 sequence to sequence 的这样的一个模型啊,然后去回答这些问题啊,然后这个的话他就是经过 training 的整个过程啊,我们来看看他的是怎么做实验呢?他是 实验,他是用了大概两千一百万的文档啊,我用了这个 f a i s s 就是时时量数据库,这个是我们经常会用的一个内存的时量数据库啊,把这个文档做切分,每一百个单词作为一个 block, 他是这样来做的, 他主要测试的是三种问题,一种呢是开放性的问题,就是开放性的问题,有点像呃我,我们呃随便问一个问题,看他这个知识点是否能够命中啊。还有种呢是比较抽象类的一些问题啊,这个会比较难一点,比开放性的问题要更难一些。他是抽象类的啊,还有一种呢,就是事实啊,事实啊,他这个是最难的, 他就啊三种方式,他们就做了一些实验啊,实验的结果就是我前面讲的啊,他用预训练的这种方式做,他的这个精度啊,他的性能是没有啊啊, ag 的这种方式性能好啊,他的结论是这样的,当然他们也做了一些额外的一些试验啊,他也 说了一下,这个地方,它主要是讲一些多样性上面,多样性上面它这个会更优啊, r a g, 它把这个知识点抽出来之后,它的多样性会更好一些。他们也做了一些 其他的测试啊,比如说像事实类的这种问问问答的话,他说用那个 talking m b b m 二十五的这种编码会更好,性能会更优秀,但是我觉得是差不多的啊,他其实性能也不是太差 啊,他其实这几个方法里面我觉得这个性能都不是太差,比较接近的,都是比较接近的这种方式啊,我们一般会用 r a g token 的,这种方式会比较多。回头我会再介绍一下那个项量计算里面这个 r a g token 的这种方式啊,他有这个也 介绍了一下,他在限量搜索文档搜索里面,这个 k 这个文档要返回五到十个文档,他这个性能是最优的啊。啊,他也给出 这样的一个图啊,那么这个简单跟大家就来聊一聊啊,这个 ig 的这样的一个论文啊,这个是他这个目前 l l m 本地加本地知识库的一个最基础的原理啊,他这是个最基础的原理,因为那个 facebook 他们这些人也做了一些研究啊,研究的结果表明啊, 他的 r a g 的这个方式是最优的啊。那么我们再来看看代码上是怎么实现的,我们一般的话是有通过狼圈来实现这个 document 的这个圈啊,那在狼圈里面呢?他,他在这个地方啊, 他有四种实现啊,这个我会跟大家详细的来介绍一下,因为他的不同的应用场景,他怎么把这个文档能够嵌入在这个提示模板里面啊?叫提示工程里面,这个也是比较重要,他有四种方案啊,一个呢就是我们一起来看一下,一个呢叫 stop, 这个方案的话,他通过问题把相应的文档检索出来,比如说检 做出四个到五个文档啊。啊,他把这个 question 和 context, 把四个文档全塞在这个上下文里面,作为一个提示模板去问大模型,大模型就会推理出这样的一个过程啊,这这种方式就把像量检索,根据这个问题匹配出最相似的四个文档,把它找出来,找出来之后 再来做这样一件事情啊,这是一个最常用的啊,把这个文档全部塞入在这个上下文里面啊,这是第一种方式,这种方式的话呢,它比较适合于一些,呃,应用场景, 最普通的一些应用场景他都适合他这种啊,那么第二种方式的他叫 ref refine, 就是重新定义的这种方式啊,他他呢也是一样,他他根据这个问题搜索出档案啊,把这个档案进行编号啊,他把这个答案,把这个上下文,他是一个一个的,一个一个的 把这个答案进行推理的,他拿出一个上上下文,然后再拿出一个前一个答案,他等于是不断的去推理,他就一次次的就迭代,反复的迭代,比如说有五个文档,那么他就迭代五次啊,他就通过这个反复迭代的这个过程 去推理出这个文最后的答案,他是通过这种方式去迭代的,嗯,这个还有一个呢,叫 map reduce 的这种方式的话呢,他就问题啊, 每个问题他其实每个文档他都会能够拿到,他都通过这个大模型去推理出这个答案,拿到这个答案之后呢,他会把这个答案进行进行合并啊,合并完了之后他再去推理出这个答案,他这个叫 map reduce 的这个方式啊, 那么最后一个方案的话呢,我这个方案我也是经常用,回头我会演示一下,叫 rank 啊,那这个方案我适合的,它比较适合一些客服的这种场景啊,客服的场景因为它 每个问题他都有一个客服文档的,如果你去把一个问题,他可能找出了好多个相关的这个文档啊,他都找出来了,找出来之后他他也是一样的问题啊,他都会去 找这个模型去问,问完之后的话,他会对每个问题的回答做一个打分,把打分最高的啊,把这个问题给输出啊,他是通过 rank, 他比较适合于这个问答你, 你都是些问题和答案,通过这种方式啊,他可以找出就是最佳的答案啊,他这个是叫 ra rank 的这种模式。好,我给大家演示一下他大概是怎么操作的,他的核心的话呢,就是在这,他的核心的话呢,就是在这啊,他就是捞的 q a 这个 change type 啊,我们可以用一个叫 staff, staff 这个模式的话呢,就是很简单,他就会找五个答案,找五个内容,然后把这个内容啊 作为一个上下文,他把这个五个内容全作为一个全部放在这个上下文里面,然后进去去推推理答案。我们先看这个啊,有些时候他因为这个文档如果会导致有些错误的,因为你把错误的一些上下文也放在这个里 里面的话,他可能会推理出一些错误的东西。当然这个地方也是可以把一些匹配度比较低的上下文就不要放进去,这个也是可以控制的,这个是最常用的一种方式,我们给大家演示一下, 我推理一个内容来推理一下,我就问他一个问题,怎么样用这张卡他就会计算啊?他会在那个数据库里面去检索,我这个里面的话有六篇文档, 有六篇文档他就会分别去检索啊,检索完了之后呢,他把最相关的这些上下文,五篇文档就会放在这个上下文里面,然后他才推理,推理出最终的答案。那他已经告诉我了怎么用这个文档,因为他这种方式 他对客服来讲的话是有些问题的,因为是我讲讲过,因为他会拿出一些不相关的文档,我放在这个里面一起来推理。如果你你的某些关键词成了等 usa, the car, 他可能出现在其他的一些一些一些一些,如果你的问题不是问的很标准的话,他可能会出错的。他这个好,我们来再重新试一种方式啊, 我们来换一种方式来使用 rank 这种方式。 rank 这种方式的话呢,它会检索出根据你这个问题检索出五五个这个 这个 document, 然后检索出来了之后的话啊,然后他对每个问题,根据每个答案他都会进行匹配推理答案,他再去评估哪个答案是最好的啊?他当然会慢一点,但是他的效果会更好一点。我们一起来看一下, 再来推理这个问题,同样这个问题我们看一下他这个效果就不一样了,这个会更慢一点,我觉得他的这个推理可能会比那个更好一点 啊?怎么用这个卡吗?他说如果你要用这个卡的话,你要到这个网站上去,对吧?去激活啊,我觉得他这个答案会比那个更好一点,如果你有更多的问题呢?你要到 coustomer service 去咨询,对吧?我觉得这个答案会更好一些,所以的话呢,这个我们看看,虽然很简单它的这个功能, 但是我们要了解他的一些基本原理,根据我们的不同的应用场景去选择不同的方案,选择不同的算法。所以有人会跟我讲,哎,我的这个本地知识库为什么 呃出来的答案不是很准呢?主要我的建议就是第一个话,你可能还是要看一下他这个 l l m 跟本地支付到底是怎么结合的啊?他的一个基本原理啊,你要去看你的应用的场景到底是什么样子的,你要去看他在这个当中 应该是用的哪种方式,嗯,哪种的提示模板,那他核心的话呢?还是提示模板?核心的话还是提示模板?好吧?好,今天这一段的话我就跟大家就讲到这。
粉丝4.6万获赞35.7万

本地部署 chat gpt, 无需安装,直接解压到本地,一键启动,完全免费开园,无需科学上网,国内直接使用国产大模型 chat glm 二遥遥领先 chatglm 二六 b 是国产大原模型, 一键启动包已经给大家准备好了安装包,加入粉丝群,查看群公告,直接领取粉丝群的入口。在和我私聊的界面右上角,我们把 chitglm 压缩包下载到本地,按右键选择解压到本地 点按完成以后打开 tit gmr 文件夹,首先安装 denit 运行环境,双击打开选择安装。如果你的电脑已经安装过 denit 运行环境,无需再次安装,直接关闭。然后进入 titiglmryblim 录,双击一键启动器,快速启动 chatglmr。 打开 外部 ui 启动器以后,先选择模型,我们这里有两个模型,一个是聊天大圆模型,另一个是程序员写代码使用的模型,我们选择 itgm 二六 b, 根据你的显存配置下启动参数,我选择巴比特模式节约显存,然后选择一键启动,抖速运行会比较慢, 如果启动界面报错,那可能是启动参数配置和你的显存不匹配,或者电脑性能和运行环境不支持。 启动成功以后,命令还会显示 running on localuil, 并自动弹出浏览器。打开地址,我们来测试一下菜菜 gmr 六 b, 你好,选择詹德瑞特生成,生成速度还是很快的,效果也很不错,非常的完美。

今天跟大家介绍一下的是,呃,如何用这个大模型结合本地知识库呃,做这样的一个应用啊?在这个项目里面,如果拿到代码之后的话,你可以看到我这个里面有两个文件夹在 context 下面,一个呢是中文的,还有一个呢是英文的,英文的啊, 我我先,呃,因为用的比较多的还是中文,所以我给大家介绍一下中文怎么用啊?核心的话呢,它其实是三个,这个三个文件一个是 man 点 ph, 还有一个是呃, in guest 点 ph 啊,我们先来讲还有一个是 carry 杠 data ph, 这个三个 点 py 的这样的一个拍摄的这样的一个文件啊,这个三个文件呢,分别的作用,这个的话呢,主要是把现在的这些文件把它切片放到啊下降数据库放在这儿的,它,是啊,这是这个文件的作用,是做这件事情面呢,它是一个主函数, 它主要是提供了两个接口,一个接口它会返回一个 index 的这样的一个 h t m l 的一个页面,那么这个页面的话可以操作这个页面对这个机器人进行问答。第二个呢,它提供了一个接口,就是一个 web socket 的恰特的一个接口,那么这个接口的话呢,它的主要的功能就是把你的问题 扔到那个质量数据库里面来,然后再通过大模型,然后进行问答,他把一些内容返回出来啊,这个地方就是 result, 就是他返回的东西啊,这个就是他的问题啊,他把这个返回的问题可以放在这个 history 里面啊,他主要是做这样的一个事情啊。好,我们给大家一起来, 先给大家一起来演示一下啊,这个 carry, 我 carry data。 回头我再来重点来讲一讲啊,我们先给大家来演示一下,先给大家演示的是怎么查询打这个命令,当然前提是你要安装一些东西,安装这个东西的话,在 这个是内裤,你要打这个命令啊,你要打快门回撤,这个因为我已经装过了,那他就很快就已经过了,这个是安装完环境,安装完,安装完之后就可以了,打这个命令回撤, 这个时候呢,他你可以看到他已经在起这个 server 了,他起了一个九零零零的端口,那么九零零零的端口在哪里呢?他其实也是可以改的,他在这 port 九零零零。那么一般的话呢,我们 web 的呢?端口的话呢?是八零端口啊,那么当然你这个地方可以改,这个是你的 host 的 ip 地址,你也可以改,我用的是本机, 我们可以看一下 local host。 九零啊,他已经出来了,对吧?那么出来了一个界面,我们可以让他问他一下。 sorry, 翻车了啊,对不起,这个是个 bug, 回头我再来讲一讲,这个是个 bug, 这个是他的框架的一个 bug, 我们发现了,好,好了,他在 计算了,你看啊,他已经告诉你了,哒哒哒。根据什么什么什么条款执纳金的问题应该是怎么样子的?这个问题的话呢,他就是结合了这个里面的一些问题他去解答的,比如说我们再来看一个这个, 再问一个,那他又在算,算完之后他就讲了,好,我们再看一个啊,看第三个,我不知道他答的对不对,感觉还是对,好,我们先就这样。好吧,我们先演示这个,我们来看看他是怎么来实现的,我们跟大家一起来讲一下。好,这个我们就演示到这,先把它关掉, ctrl c 把它断开, 断开之后我们可以看到我们先看这个文件,这个文件是比较重,我先把这个文件先删除掉它,它的这个这个文件的作用是什么呢?它主要的作用就是把我前面讲的这些项链,就是这些文件,它会转成那个使量数据库啊,在这上面 他要转成使量数据库呢,我们就要用到那个就是 oppo ai 类似的这种大模型啊,这个是大模型的那个环境变量啊,他的地址啊,这个地方要有一个杠。 b 一是比较重要的啊,因为我们是引用的是本地部署的这个大模型, a p i k 的话你可以随便设,我这边设了一个 empty 是空的。好,我们看这些文档第一的话呢,它就是从这个目录下面, 这个目录下面,当前目录下 context 下面的这个目录新建一个 loud 的对象,这个 loud 对象他就可以把这些裸的这个文件把它读出来,读出来之后他再经过这个文件的这个拆分,这个拆分他是每一千个字符拆分一次,他等于是这样,你可以看到这个地方他是他这个已经七百 六十,所以他这个会拆成一个。我这个里面你看的话,我大家要注意的,我这边有两个换行,他这个会拆一个,这个会拆 一个,他是这样的啊,如果核心你可以看一下他的这个 a p i, 他这个 a p i 里面会去定义的。在这你看到他有一个叫分割符,他有两个空格啊,两个回车或者一个回车的时候呢,或者有空格的时候呢,他就会自动帮他拆分了,所以这个是最优先的。 如果他达到一千个字符,他会去看是不是有这个两个东西,有,那就开始拆,如果有这个他也拆,如果有空格也拆,当然你这个地方是可以自己定义的, 这个可以自己定义的,当然你可以在中文里面,你可以把那个句号或者逗号也定义进去,也是可以的啊,这个地方 好,我们看看啊,这个是比较重要,那么这个参数是指什么呢?你指了前面,如果我有一千个,如果你这个快,如果你是,我们看一下这个啊,如果你有一千个,快一千个字符啊,比如说这个假设他超过了一千个字符,那你怎么办呢?他会猜成 两部分,所以他要拆成两部分的时候,他有一个参数,这个参数就是是不是把前面那个块的一部分的内容,把它引用到后面块里面去。比如说如果你这边是一百的话,就把前面那一块 最后的一百个字符跟后面的一千个字符混合在一起,他等于是这样,一般的情况的话呢,就不要做重叠啊。 我一我一般是这样设的好,设完之后呢,我们就把裸的这个 document 放在这个 tax sprite 这个里面,把这个 document 给拆分出来,这个时候呢他会按一千个把它给拆出来,拆的他会更多。 开出来之后呢,我这边通过了一个 inbeding 的这样一个操作,我这个操作呢是用个本地的一个 m 三一杠贝斯的一个模型,当然你也可以用我上面的这个就是 lm 的一个大模型,这个的话呢比较适合于中文,比较适合于中文,这个模型中英文其实它是可以的。呃,如果是全英文的话呢,就不要用这个, 要用我上面这个注视掉的。好。然后进去了之后呢,我就用到了一个 vs 的数据史料数据库啊,这个地方,把这个 in bedding 和这个 document 的拆分之后,存放在这个 victor store 里面,这个就是矢量数据库,然后把它保存下来,然后 close 掉,所有的代码就很少,只有这么一点,我们看一下啊,跑了,你在运行查询之前,你必须要先跑这个东西回车,它自动会帮你把这个文件读起来。好了,你看到这个地方产生了这个 victor store, 点 p k l 的这个文件的时候,说明它已经 完成了这部分。好,我们这个代码就讲完了,我们再来讲这个主函数里面,我前面已经讲过了,它的核心就是这个 carry chain, carry chain 呢,它是放在这个 carry data 这个文件里面呢,就是这个主函数啊,我们来看看这个主函数主要是做些什么事。它的核心的话呢,它是主要是做了两件事情啊。第, 第一个他创建了一个 l l m 的大模型啊,他创建了两个大模型,一个呢是 question 的大模型,一个他主要是这个做回答的这个大模型。这个模型呢? question 的这个大模型呢,他主要是做 inbiting 的这个操作,他把这个 question 作为了一次 inbiting 的操作。第二次呢, in bed 完了之后呢?他把这个 in bed 的这些结果放在这个 context 的这个环境里面,我们看看啊,他是放在哪里?他在这你可以看到 context, 他这个里面有一个 template, 有一个提示模板,提示模板里面他会把这个 context 就是我们前面矢量数据库里面查出来的文档,他会放在这个变量找, 然后他把这个快速群会放在这个上面。哦,他会告诉你你回答他的这个答案是什么,他是通过这个来做的啊,他把这个 context 和快速群把它内读变量放到这个模板里面来就可以了,这个就叫提示工程啊。 好,那么我们这个 tnt type 的类型叫 staff, staff 的之前我也是介绍过的,有四四种类型,目前郎欠他虽然说支持四种类型,但只有这一种类型目前是可以正常工作的,另外三种类型是不能正常工作的,我们可以看一下 另外还有哪三种,一个叫 map reduce, 一个叫 refine, 还有一个叫 map 叫 re rank 的四种方式。这种方式是最简单的,就把查出来的所有的文档全一股脑塞在 context, 就是前面的那个环境变量里面。 map reduce 的话呢,它就是先要做先把所有的文档放在一起,再进行一个 压缩的操作啊,压缩的操作的话就是深层摘药啊,他主要是做这样一个事情,那就怕这个文档太大,呃, define, 他把一个一个文档都让他去迭代的去回答这个问题,嗯,这个是比较有价值的,这个他会把所有的文档一个一个的加 到 contex 里面,不去回答问题,我找一个他认为回答最准的一个问题啊,这个价值其实是比较大的,但他目前是报错的,是不支持的啊。好,我们就不要动弹,就用这一个。我这个地方的这个参数要跟大家讲一下,这个它是用于了一个 conversation 的,一个 一个,呃,基于这个文档获获取的这样的一个对话的一个欠啊。参数啊, k 等于三, k 等于三是指什么呢?就从这个时量数据库去拿取文档,拿回来三个 啊,这个因为要根据你的这个文档的这个数量要去看的,如果你是非常多的话,当然你拿回来要多一点。我之前介绍过一个 论文的,这个论文里面讲五到十个是最合适的,因为我这里面的话只有六个文档,所以的话拿三个的话已经拿了百分之五十了,已经非常多了,按照道理的话他应该更少一点,因为他有可能。呃,如果你拿过来的这个文档相关性不是太大的, 可能会影响到他的啊,好啊,这个就是这个文档最核心的代码,最核心代码还有一个代码,在这要跟大家讲一下这 temperature, temperature 你是否要用到这个大模型的这样的一个创新,如果你不要用到他创新的话,你可以用零, 也是可以的。用力,我们来看一看啊,如果是这样的情况,我们再来启动一下,给大家演示一下。好,又启动起来了,根据什么四十三号晚应该对的,我好像看到过。对的,好, 这个再来解答一下。对的,他这个打的都是比较准确的,所以这个两个参数是比较重要的,这两个参数是比较重要,如果你调一调的话,他的性能会好很多 啊,所以这个调餐是比较重要啊,这个 k 和这个 temperature 好,呃,今天的话呢,这个原代码的关于 l l m 的大模型,对吧?结合这个本地的这个知识库啊,就跟大家。呃,讲到这,好,谢谢各位。

vivo 这个大模型也太猛了吧, ai 大模型就是所有手机厂商都绕不过的坎,他是真的能实打实的拉高用户体验的东西,包括让语音助手不再智障,又或者是帮你写写通知,写写文章之类的,还有更深层的图像、语音,甚至是调度等等等等。 智能手机现在真的变得越来越智能了,目前除了华为打了个坚守以外,其他几家也都在积极布局。虽然吧还不到我们实际上手,但是评分已经出来了,这个分数真的可以说是遥遥领先了。 听说十月 orangeos 四点零就要登场了,不仅动效和流畅度都有提升,还有这个 ai 大模型,全局自由小窗、超级终端、超级进程之类的。

企业私有知识库系统已经做好了,先说结论,本地私有库与大模型结合的方式更适合严谨的企业用户,数据有理有据。为了验证效果,我下载了刑法、民法等法点,使用法律条款生成了私有知识库。这两张图是个对比, 接下来是详细的对比分析。首先不用知识库直接提问干扰无线电通信是否违法?由于我们搜索的是通信,不是通讯,所以在刑法里根本搜不出来。这里就体现出大模型的优势了,他可以根据你的意思来进行查询, 不需要按具体的字,结果似乎正确又有点让人担心。我们再问盗取商业秘密是否违法,结果也跟法典差不多,我们在法典里面都搜到了相关的东西,也跟大木星答的有点相似,但是我们又不能确定。 然后我们问几个无关的问题,西游记的主角都有谁,如何在淘宝上买到好吃的?大模型都做了非常好的回答。 接下来我们看看私有知识库的表现,同样的问题再问一遍,回答的非常精准,跟法点对比丝毫不差,并且回答也非常人性化。当我们问他法律无关的那两个问题,他直接拒绝回答,非常符合企业的应用场景。 接下来我打算把全部的过程做成视频分享出来,感兴趣的小伙伴请关注我,谢谢大家关注小百,了解更多 ai 干货。

好了,玩玩科大讯飞星火 ai 语言大模型,首先拥有这只鼠标之后讯飞星火语言大模型就可以一直使用。帮我做一个流水账报表, 帮我起草一份房屋租赁合同, 感觉做的相当专业,快速做一份年终总结 ppt, 写一个贪吃蛇的小程序, 写好了之后直接复制粘贴过来, 帮我写五个关于这支科大讯飞语音输入鼠标的短视频标题,做一个关于产品短视频拍摄的思维导图, 或者你已经写好了周报的详细内容粘贴进去,让星火语言大模型帮你润色加工排版整理。这简直就是花钱买 ai 语言大模型,然后送了一只非常好用的鼠标啊! 星火 ai 大模型会不断的自我学习,让现有提供的功能今后使用起来会更加的优秀。虽然我觉得目前他用来辅助我们完成基础的文案工作已经非常可用了,但如果你感觉他给出的结果略微有些不尽人意,我们也可以期待 ai 的学习速度, 稍微给他一些时间,搞不好下个月你问他同样的问题,他给你的答案会更加让你满意。其实我觉得更重要的是,当下讯飞这款鼠标让 ai 以一种更亲切的方式接触到更多人群,并且让大家通过这只鼠标有机会训练自己如何给 ai 进行详细的提问,最后让 ai 给到我们更可用的结果。这只鼠标让大家能够有机会去锻炼自己给 ai 发指令的能力,我相信这个能力是我们人类在今后非常重要的一门技能,这才是我比较认可这个产品的重要原因, 未来可期,如今我们可以选择把基础的文案工作交给科大讯飞、 ai 语言大模型,然后不要把大量的时间花费在做日报、周报、月报、半年报、年报,还有一些乱七八糟的 ppt 上,让我们自己空出更多的时间去休息,去经济,去创造更有价值的东西。 产品很不错,放在左下角小黄车和我的主页商品橱窗。我是真真一个热爱科技、数码和智能家居的视频博主,有了它,我写完介绍他的这篇短视频稿件,效率也高了很多很多。去看看,就这样, respect!

你好,自己来了,打开大模型! 国庆我想出去旅游,哎呀,真是太棒了,国庆旅游是个不错的选择,我国有很多美丽的风景等着你去发现呢。不妨考虑一下去一些自然风光优美的地方,比如九寨沟、张家界,感受一下大自然的魅力。祝您旅途愉快! 我想去杭州看亚运会。去杭州看亚运会是个不错的选择,我推荐你乘坐自己汽车,舒适又安全,让你一路畅享飞行。现在出发吧,期待你在亚运会上的精彩体验。 帮我画一幅画,上面要有自己汽车然后在路上飞驰的场景。 期望的画面主题和元素有自己汽车,然后在路上飞驰。已为您生成了一张图。 我想去珠海长隆。 哇,珠海长隆是个好地方,它是我国著名的海洋主题公园,有各种自己的游乐设施和精彩的表演。不过别忘了,今天有点小雨,出门别忘了带伞哦,祝你玩的开心!我应该怎样去珠海长隆呢?能帮我规划一下吗? 你好,我是车载小助手,从上海到珠海长隆,您可以选择乘坐飞机到珠海金湾机场,然后换乘公交或出租车前往长隆。祝您一路顺风,玩的开心! 你懂英文吗?当然懂啦,虽然我主要以中文为主,但英文也是我的强项哦。如果你有关于英文的问题尽管问我,我会尽力帮你的。我想去上海迪士尼。帮我翻译成英文, i want to go to shanghai disneyland, 我今天非常开心! 哇,听到这个消息我也觉得开心。今天是个好日子,适合出去玩耍,要不然我们去上海迪士尼乐园玩一圈?记得带上雨伞,以防万一哦。 你会数学吗?能帮我解答题目吗? 当然可以,尽管把屏幕告诉我,我会用我的车载小助手智慧帮你解答。九十八乘以七十五除以二加三等于几? 九十八乘以七十五除以二加三等于三千九百三十七。你会解方程吗? 当然会解方程啦!告诉我你的方程,我会帮你解答。

第一步,根据个人企业搭建内部知识库,选择企业内部文件的知识库或者是个人需要的学习文件进行打包整合, 进行向量,完成后运行大语言 ai 模型, 这是大语言 ai 模型的默认回答, 调用知识库的回答,并且可以轻松找到文件, 是个人和企业支持文件管理的不二之选。

大家好,自从我发布了基于本地大模型构建企业私有知识库系统的视频,很多小伙伴在后台留言让我出教程。最近一直忙着交付一些本地大模型和私有知识库的系统项目,一直腾不出时间来,现在总算有空了来安排。 首先我的视频会分为硬件和软件两个部分,教会大家从零开始部署一个基于本地大模型的私有知识库系统。首先是硬件篇, 做到硬件必不可少的就是四零九零了,现在的大模型动辄十几个 g 的最低显存要求,对于消费级硬件,这也足够了。视频最后是配置单,按照这个配置单的电脑基本上跑六 b 七 b 的模型很流畅,十三 b 的拉玛兔稍微有点卡, 传奇的过程我就直接快进了。考虑到散热,我配置了一个比较大的机箱。因为我对酷炫的灯光不太感兴趣,所以选择硬件的时候灯光效果不在我的考虑范围内。我主要从性能、稳定性、价格几个层面去考量。 这个配置的机器我已经用了三个月了,各方面我还是非常满意的。 关注小百,了解更多 ai 干货!

一觉醒来,又一个大模型上线了啊,这个很特别啊,注意看,他是在我手机上运行的,我手机开的呢,是飞行模式,没有联网,但我却运行了一个 gpd 模型,这完全是依靠我手机自身的算力进行的运算。 这个颠覆性的 ai 拉莫二是 mat 刚开园的模型啊,这 mat 最近老搞事情啊,平均每周都有新模型出来,而这个全新的拉莫二简直了,他不仅可以免费商用啊,还竟然可以在你的手机上本地跑起来!拉莫二有三个参数版本,七十亿,一百三十一个七百亿,并且去训练,数据呢,高达两万亿个土坑, 上下纹长度也达到了四 k, 是前一代整整两倍啊!最令人惊讶的是,蓝猫儿竟然可以在 iphone 和 ipad 实现本地运行,你只需要下载 mlc 卡就可以免费的使用,不需要联网哦。如果你也想在手机上安装这个模型,可以评论区告诉我,我会在下期视频中详细介绍。 不过需要注意的是,拉玛尔并非像三点五一样强大,虽然他显示出了强大的实力,但在信息提取、编码以及数学计算等方面仍然比不上三点五 cloud, 并且他对中文的支持啊,真的是令人堪忧啊!

小米也要搞 ai 大模型,新的小爱同学吗?不仅仅如此,除了小爱同学,小米还要搞轻量化、离线化的本地端大模型,而且还是在手机上大模型。这真的吗? 我们处在一个巨变的时代,小米呢?作为一家科技企业,我们该何去何从呢?今天首先我给大家汇报一下。 首先,我们会始终坚持小米的使命愿景、价值观, 做感动人心、价格厚道的好产品,让全球的每个人都能享受科技带来的美好生活。其次呢,我们将 始终坚持借书为本的铁律,持续加大研发投入, 这是过去这些年里面,我们每一年的研发经费的情况,在这些年里面增速非常快。我还记得一七年时,我们每一年投三十二亿,去年我们的投入一百六十亿, 预计今年将超过两百亿。在截止今年第一季度的时候,我们全球专利的授权数就超过了三万两千件。 我们不仅仅重视专利的数量,我们更重视专利的质量。在今年上半年,我看到了中国信 通讯研究院的一份报告啊,他是研究五 g 标准必要专利的。我们在五 g 标准专利里面,我们已经占到了百分之四点一, 而且首次杀入了全球前十。在前十名的企业里面,小米呢,是最年轻的,也是进步速度最快的。 可能大家对这四点一呢觉得也没啥,可以看一看,其实五 g 标准比较专利,第一名也只有十四点五九,第二名也只有百分之十。 所以由此可见,年轻的小米在技术投入和技术积累上已经取得了巨大的进展。 时代在变化,小米在成长,我们基于对未来的思考呢,升级了我们的科技战略, 我们将选择对人类文明有长期价值的战略方向,并坚持长期持续的投入。 我们不仅要对现在的生活要有帮助,我们也要能对人类社会未来的进步发展创造有贡献, 因为只有这样才能构建核心竞争力和护城河,才能真正成为一家伟大的科技公司。那么我们的思路和路径是怎么样的呢? 首先我们要下决心,有钱了是什么样的,有钱了是什么样的长期持续的投入,我们已经布局了十二个技术领域,九十九个细分赛道,而且未来五年我们至少会投一千亿以上的研发经费。 同时软硬件深度融合, ai 全面赋能。软硬件深度融合呢,这是小米的特色,我们认为只有软硬件深度融合才能为用户提供独特体验, ai 呢,越来越成为重要的生产力, ai 也是小米长期持续投入的底层赛道,我们把这个战略呢写成了一个公式,这就是我们小米的科技战略。我们 的科技战略里面把 ai 放到了一个很重要的位置。谈到 ai, 我们很早就开始布局,早在二零一六年,我们开始组建团队, 经过七年的时间,六次的扩展,相关的团队已经超过了三千人, 这在行业里面相当于非常强的一支团队。我们掌握了 ai 的各种技术能力,也有效的赋能了我们的手机、汽车、 alt、 机器人等各个业务板块。 如果没有这样的能力,我们进入汽车行业不会那么快的建立自动驾驶的能力,如果没有这样的能力,我们进入机械领域也不可能这么快能够走到前面, 所以呢,这些年对于 ai 的长期持续的投入,给我们奠定了良好的基础。 目前呢,最火的 ai 技术呢是大模型,大模型是一次重大的技术革命,小米呢也必将全面拥抱。今年四月份呢,我们就组组建了小米的 ai 大模型的团队,并且迅速的在我们业务上应用, 那么第一个应用的业务呢,就是小爱同学,小爱同学呢,作为一个智能有钱了是什么样呢?语音助理雷军说逗钱呢,也是国内应该来说用户量最大的之一啊, 越活越突破了,一点一亿人,他马上将升级大魔仙的版本。从今天开始呢,已经开启了邀请 测试,如果在座的朋友们有兴趣呢,欢迎大家参与。谈到大模型呢,我们真正主力突破的方向是什么呢?是轻量化和本地部署, 这和很多互联网平台公司的思路是不同的啊,大家都了解大模型呢,需要海量数据,所以很容易涉及到隐私问题,还有需要巨大的算力,用起来成本也很高, 我们是一家手机公司,怎么能把我们的优势利用起来呢?我们首先想的是他能不能轻量化,能不能本地化,能不能本地部署,这样我们能不能在手机上就能用,在手机端侧就能算,然后在 手机上就能用上大模型呢,我们连出去了一个大胆的构想,所以我们首先的第一件事情呢就是轻量化,我们将全力优化一百亿的大模型。我问了下团队进展, 这个团队跟我简单的汇报了一下,我们训的六十一参数模型啊,在两个主要的排行榜上,我们都排在第一名, 所以我们的团队的进展也非常非常的快,当然啊,我跟他们说,打榜不是目的,更重要怎么快速打磨我们的技术,我觉得这才是目的啊,我觉得我们团队更牛的是,就在前不久, 十三亿参数的大模型我们在手机上跑通了,我想 这在全球应该是最早在手机上能跑大模型的吧,而且我们十三亿的大模型跑出的效果可以媲美六十亿的参数在云端上的结果,这个是更让人震惊的啊,在部分场景 是不是可以媲美六十亿的参数在云端运算的结果,所以我觉得这初步验证了我们的这条思路是对的,可行的。 所以呢,也借这个机会给大家汇报一下,在大模型这个赛道上,小米必将全力拥抱,然后按我们的思路走出一条不一样的道路, 这就是小米的科技战略,我们坚持不。

结合本地知识库能够解决些智能问答的一些问题,但是我有些朋友就跟我讲,他目前做了之后发现,嗯, 用了这些时量数据库啊,用了这些大模型之后的话,发现就是说他的知识问答啊,不是很准啊,问一下大概是什么样的一些原因。今天的话呢,我就这个话题跟那个知识图谱啊这个话题跟大家一起来交流一下。我们清楚就是说智能问答,他主要还是要通过那个 上下文,就是 intex learning 的这种方式啊,就是把一些跟这个问题相关的一些知识啊,然后装载到这个上下文里面去,然后让那个大模型去学习这个上下文的这里面的一些语料,再去解答这个问题。通过这种方式我们会发现他比那个微调的这种方式啊, 做一些知识密集型的这些问答,他的性能会要更好。而且的话呢,他对外部知识来讲,他是可以快速 素的,能够跟这个大模型能够结合,而不需要直接的就是把这些知识啊沉淀到这个模型里面来。他就是我之前也是经常讲把推理能力,大模型的推理能力和他的知识点分开了,他通过这种方式来做的。 那么这个就是一般的用户啊,通过这个上下文,把相关的文档啊或者叫 knowledge base 啊,放在这个上下文里面,然后通过大模型产生最后的问答啊答案。那么这个里面会用到一个 in bed 的这样一个东西啊,就是向量化,把一些用户的问题向量化,向量化之后他在限量数据库里面再跟这些原来的这些文档的这个切片做匹配,找到最接近的这些向量的,快放到这个 context 里面去,在在这个提示工程里面再跟这个 大型模型去问,输入到这个大型模型里面来,再去回答这种问题啊,他是通过这种方式去实现。嗯,我这种方式 的话呢,它是可以解决百分之七十的问题,就是百分之七十的智能问答都是可以通过文档向量化这种方式去解决的。但是还有些问题呢,它是通过文档向量化是解决不了的啊。那么它的主要问题是什么呢?因为,呃,我们有些知识性的问答,他有可能会非常宏观,非常宏观。 呃,或者说因为我们在获取限量数据库的时候,它会有一个叫 top key, 呃, top key 的话就是返回多少个文档?呃,一般的话呢,我们会返回十个文档之内,但是有些知识点的话呢,它就是很分散, 分散在如果你有大量的这个知识库的话,他只说你有几百万甚至上千万的这种知识库,而且这个知识库可能都很重叠,他返回的这个知识点可能超过十个啊,这个会导致你有些知识点的缺失, 再去回答这些问题的时候就会有问题啊,这就会造成这样的一个用这个文档向量化啊,并不能够解决这样的一个。呃,智能问答 他的一个问题,他会他会造成这个答案的有部分的缺失,或者答案回答的不全啊的这样的类似的问题啊。那么这种问题目前业界通过另外一种方式去做的,叫知识图谱来弥补这样的一个问题啊,知识图谱的话呢,我之前也是介绍过。呃,图数据库啊,之前我也是介绍过 near four g 的这样的一个,呃 呃,就是图数据库啊,它也是开源的,包括像国内也有些开源的这个图数据库啊,那么目前的话呢,就是 lante 也好,包括 lamb index 他们都可以。这种框架都是可以把那个项量,就是嵌入式项量和知识图谱相互结合,然后进一步来提升我前面讲的那个百分之三十和呃的一些极端的一些问题,这些问题他的这个知识点很多,而且散落超过十个文档啊,这个时候他就需要通过知识图谱啊的这种方式 去结合,而且知识图谱呢,他有一个非常好的地方是他可以图形化,可以通过专家去构建知识图谱之间,实体和实体之间的链接,然后来进一步去增强他知识图谱回答问题的这个准确性。他的意思讲,那么我们看看他到底是怎么来实现啊?他的原理到底是什么?我们可以看一下,因为 我们有些文档的话,它当中有些知识点啊,那么它这个知识点的话, x 到 y, x 到 a, 它其实是有一些,它们称之为叫实体关系,它是有实体关系,它有些呢就是 z 到 x, 那么 c 有可能连接到 b, x 呢可能又跟 b 有关系, b 呢又跟 c 有关系,所以的话呢,它这些实体相互之间是有联系,或者是它有多层的这种关系的。 在这个时候的,如果你把这种多层关系相互,虽然你在这个向量的相似度上面你是查不到这个最接近的,但是你可以通过这个实体关系,你可以把这个给 连接起来,用的场景比较多一些法律法规,法律法规可能经常会用到这个问题啊,因为有些时候我们在解答这个问题的时候,可能要引用到某些文献,或者引用到某些 法律法规啊,那么这个时候如果他没有他这个问题,虽然他是不清楚这个法律法规之间的相互联系,但是如果你把这个法律法规跟这个问题如果能够联系起来的话,那他解答的会更加准确啊,他等于是这样啊,所以这个的应用场景的话,他比较适合一些问题,非常复杂, 非常复杂,他的一些专业术语,包括他的一些构建的一些法律法规相互的引用啊,都这种场景来讲,做这种智能问答的时候,用知识图谱再加上一些限量数据库的这种解决方案会更加好一些。这个我也就回答了我们有些呃 网友就跟我讲他们的一些知识问答的话,尽管用了一些像样数据库,他的这个回答的准确性也不是太高啊,这个跟你那个切割的这个数量啊,切割文档的这个大小, 包括,呃,如果有些文档的应用场景的话,如果你还能通过图数据库,或者通过关键词搜索能够进一步来增强的话,那么他要跟这个向量数据库进行结合啊,包括你本身把文本变成向量的时候,你这个里面会应用到一些深度的一些人工智能模型,也要经过微调啊,通过这个几步,你 能够把这个 ig 的这种应用啊,基于这个搜索增强的知识库的这种应用啊,啊,你可以做的更加准确啊,他等于是这样,因为我发现在这个方面的应用还是非常多的啊,企业,企业方面是非常多的,因为他就需要就是不 可以不用啊,任何的这样的一个模型微调的这个方式,非常快的把那个企业的本地知识库跟这个模型结合起来啊。 所以的话,今天我跟大家就来介绍一下,按这个下量数据库,包括图,这是图谱,包括叫图数据库,怎么跟大模型结合更好的完成智能问答的这些问题啊?好,今天这个话题就跟大家就聊到这。

讯飞星火被麻省理工评为国内得分最高的大语言模型,让我们一起看看这个得分最高的大模型能力如何。来到讯飞星火首页,页面跟其他大模型类似,我们点击左上角的助手中心, 我们发现了不一样,在上方看到有个行业的分类,下方有上百种提示词模板让你选择。现在正是亚运会举办时候,我们来看一下亚运会有哪些冷知识。 点击文字下方的语音按钮,还会帮你生成非常有感情的音频。金制作的,实际上金牌通常是由银质镀金制成的,只有语音还是不够的。 点击生成视频,他就会快速帮你生成一个匹配的视频。在这个月圆人团圆的时刻,祝所有关注 ai 时速的小伙伴们国 气候快乐回来。这里还有一些隐藏功能,讯飞星火提供了免费的数字人让你替换,还有背景,你可以选中某一句话给他单独替换,背景以及人物的声音都可以试听,找到你喜欢的为止,而且这些都完全免费。除了这些, 讯飞星火还能帮你生成 ppt 和简历等,时间问题我就不演示了,有兴趣的兄弟可以自己尝试一下。目前讯飞星火已经推出了多个终端, iphone、 安卓小程序和网页都可以使用,关注我,带你用 ai 提高效率!

这个程序可以操作你的电脑,他叫做指挥官,你通过语音或者文本的方式发秘密,比如用 word 写一首莎士比亚的诗歌,然后保存,那指挥官他就会去生成脚本,打开软件,然后自动很快就能写好诗歌, 并且输入文件名,然后点击保存,他就把整个这套东西都自动化了。这个项目呢是开源的,昨天刚刚发布, 他支持 windows、 mac 还有 linux, 他还设置了一个威胁警报,比如他根据你的命令决定需要把 c 盘删除,那他会询问你到底同不同意。 其实像我们电脑上是有很多的软件啊,这些软件它都可以通过脚本去控制的,指挥官就能根据你的指令用 gpt 去申 成脚本,这样他就能充当你和软件之间的一个中建。其实大语言模型很多时候他就是一个智能中建,就像 chat gbt 的插件模式, 因为语言模型他不可能去完成所有的事情,但是他是可以去学会操作所有的工具,这就是语言模型最大的一个价值,今后很多场景的标配,那就是一个大语言模型去只会一大堆工具干货。

一觉醒来,最强的翻译大模型来了啊!这个就是麦塔耶最近发布的 similize fourt, 它与以往的一些翻译模型呢,有很大的不同,它是一个多模态的翻译模型啊,它可以无缝的翻译和转录语音和文本,你可以将语音翻译成其他语言的语音, 又或者呢,将语音翻译成文本,文本翻译成语音,文本翻译成文本。而且啊,他还支持一百多种语言啊,最重要的是他支持中文, 你要知道,现在支持中文的开元大墨镜啊,实在是不多,我们直接看效果,先找一段文本让他翻译,可以看看翻译的效果怎么样。甚至呢,你还可以上传一段音频,让他来翻译,音频官方呢,也提供了一个弹幕,可以快速的让你体验他的翻译功能,感兴趣的可以去看一下。

制约我们大语言模型时代发展的最重要的一个东西,上下门窗口马上就要被突破,为什么?那克劳德出来的一百 k 大家欣喜若狂,是因为你可以把整整份整份的研报统一灌进去, 而未来这件事情将来到十亿,如果部署过本地模型,你本地模型的上下文创口每增加一点,你后边的 gpu 就标的很厉害 啊,因为你每增加一倍的上下门窗口,需要对应的 gpu 算力是四倍,记住这个概念,而这个东西啊,直接把原来的几何数上涨的 gpu 变成了现行上涨之前的算力增长一倍需要四倍的 gpu, 现在增长一倍只需要一倍的 gpu, 这个是什么概念呢?这个其实大家可以看一下这张图,这张图的曲线,黄色的曲线就代表了 你 gpu 上涨啊,所带来的 rantam 的延迟就是三十二 k 到六十四 k, 你看它上涨的就极极夸张了,这个算力的需求。而蓝色的这条线就是他今天发布的这个算法,他的曲线极其平滑, 他以极其平滑的曲线走到了一臂,就是 one billion 的这个上下门窗口。 one billion 的上下门窗口什么意思呢?他宣称啊,他宣称可以将 整个互联网作为上下文扔进去。这篇论文的拆解过程,我发在咱们的这个星球上了啊。

呃,今天早晨啊,我们试一下我在本地装的这个 chat g l m, 是清华大学开语院的一个本地大模型。首先呢,呃,录入 啊,让他给我生成一个员工智能开发系统啊的项目计划书啊,这个使用 macdon 格式生成这个计划书。整个这个生成过程呢,因为我这个是在本地的一台笔记本上,部署的比较慢,大概有二十多分钟。 这个生成过程还是时间比较长,我相信在这个有毒性工作站以后呢,这个速度会非常快。但是呢,这个整个生成的最终的结果啊,还是非常的。呃, 好啊,这个要求他生成一个不少于三千字的项目计划书啊,这个经过二十多分钟,他就基本上就生成了。你看这个项目背景,项目目标、项目范围、项目计划、 环境风险质量管理、项目组成员、项目预算、项目风险评估啊,非常的像模像样。而且呢,没有一个错别字。

自己生成式大模型其实和 chart gpt 是同类型的东西,是一种 ai 智能的交互方式。 自己大模型接入的平台可能是阿里的通一千问,也可能是讯飞的星火,也可能是字节跳动的火山。目前官方还没有公布是哪一家。大模型的激活方式是和自己的语音系统是融为一体的。 据我从内部了解,后期的人机交互功能将更加有意思。我们先看看焦总的演示,首个落地的锤类 gpt 产品, 除了常见的聊天、问答、对话,他还能根据出行的场景成为您最合得来的出行搭子,推出有趣的内容,生成、语音交互游戏,甚至角色扮演、多意图的理解、纹身音乐、纹身图等等一系列的功能。那么我们也马上上车来实车 体验一下。好了,我们现在做到了我们的驾舱之内啊,我们来看一下,通过几个问题来考考我们的智极大模型到底的工艺如何。那其实我挺激动的,这是我们第一次对公众公开我们智极大模型目前的这样的一个状态,大家跟我一起来调侃,跟他聊两句,好吧 好,哈喽,知己我来了。打开大模型,用杜甫的语气来介绍一下杜甫草堂。杜甫草堂位于成都市青羊区,乃无杜甫之故居。草堂占地三十余亩,内有梅园、竹林、狮屎塘、 公布词等景点,为文人墨客聚集之地,游人如织。四川成都有什么地方好玩的?成都好玩的地方可多了,比如宽窄巷子、锦鲤、武侯祠、杜甫草 场等,这些地方都能感受到成都独特的文化韵味。别忘了品尝地道的成都美食哦!你知道 blackpink 吗? 当然知道了。 blackpink 是韩国 yg 娱乐公司于二零一六年推出的女子音乐组合,成员有 jesu、 jenny、 rose 和 lisa。 他们的音乐风格独特,备受粉丝喜爱。我想画幅画, 请您描述期望的画面主题和元素。嗯,一只熊猫在吃四川火锅,已为您生成了一张图。 切换到孔子模式。吾乃孔仲倪,愿与子共谈人生之道,节子之祸。我昨天晚上做了一个梦,梦见下着雨,然后河水很团 几里面有几条锦鲤。你能帮我解释一下这个梦到底有什么什么样的一些寓意吗?此梦乃吉祥之兆,愚者润泽万物,有心生之意。河水团结,预示众人一心,其利断金锦鲤象征富贵吉祥。此梦预示着则将有好事发生。当团结众人,共创美好未来。 好了,退出大模型,我们相信在十月份大家真正提到 l s 六之后,会有更加惊喜的体验。

目前呢,最火的 a 技术呢是大模型,大模型是一次重大的技术革命,小米呢,也必将全面拥抱。今年四月份呢,我们就组建了小米的 a 大模型的团队,就在前不久, 十三亿参数的大模型我们在手机上跑通了哦,而且我们十三亿的大模型跑出来的效果, 在部分场景可以媲美六十亿的参数在云端运算的结果。 小爱同学呢,作为一个智能语音助理,他马上将升级大魔仙的版本。从今天开始呢,已经开启了邀请测试,如果在座的朋友们有兴趣呢,欢迎大家参与。

自从切的 ppt 发布呀,国内的这些厂商是彻底坐不住了,百度、阿里、三六零各自都发布了自己的烟,现在啊,连讯飞这个浓眉大眼的都坐不住了啊。我现在两点正在看他的直播发布会啊, 他的模型是叫星火认知大模型。我刚才试了一下啊,还是回答速度还是比较快的。 另外有一个亮点啊,这是讯飞的老传统,右下角这里支持语音输入。 哎,直接一点就发不过去了,还是比较方便的啊。但是我测试了一下,目前他还不支持生成图片。另外,我收到邀请短信之后,直接就登录官网申请 体验一下,就直接就申请通过了,不会说像微信一样,你等一个月的时间或者半个月的时间,这一点还是比较良心的啊,你们想体验的可以申请一下。