登录
主页
 文章
CLIP 跨模态学习
CLIP（Contrastive LanguageImage Pretraining）跨模态学习是OpenAI提出的一种能够将自然语言和图像两种模态进行联合学习的技术。通过在大规模数据集上联合训练图像和文本，使模型学习到图像内容与自然语言描述之间的映射关系。计算图像和文本的嵌入向量，通过衡量两者之间的余弦相似度，实现跨模态的检索和分类，可用于根据文本搜索相关图像或判断图像与文本的匹配程度等任务。
2025-02-05
836
9
6
大语言模型的语境应用
大语言模型的语境指的是在语言交互过程中，围绕特定文本或话语所存在的各种相关信息，这些信息能够帮助模型更好地理解和生成语言，使语言表达和理解更加准确、连贯和合理。一、语境分类1.上下文语境 文本上下文：在一段连续的文本中，位于目标文本前后的文字内容构成了文本上下文语境。比如在一篇文章中，前文提到的主题、事件、观点等信息，会为后续内容的理解提供基础。例如，前文描述了“人工智能在医疗领域的应用越来越广泛”，后面提到“它可以辅助医生进行疾病诊断”，这里的“它”就通过前文的文本上下文明确指向“人工智能”。
2025-02-04
682
5
12
主流LLM大语言模型的商业模式与盈利状况
随着人工智能技术的飞速发展，特别是自然语言处理（NLP）领域的突破，大型语言模型（Large Language Models, LLMs）已经成为科技界炙手可热的话题之一。这些模型能够执行广泛的任务，从文本生成到对话理解等，为众多行业提供了前所未有的机会。然而，开发和维护这样复杂的系统需要巨大的投入，因此探索有效的商业模式对于确保其可持续发展至关重要。
2025-02-03
744
7
13
LLM大语言模型的市场竞争格局
随着人工智能技术的飞速发展，大型语言模型（Large Language Models, LLMs）已经成为AI领域的一个重要组成部分。这些模型能够处理复杂的自然语言任务，如文本生成、翻译、问答等，极大地促进了人机交互的进步。一、主要参与者1. OpenAI (GPT系列)● 优势: ○ 强大的技术创新能力：OpenAI在自然语言处理领域的创新成果显著，其GPT系列模型不断刷新行业标准。
2025-02-03
595
7
4
DeepSeek vs ChatGPT
DeepSeek和ChatGPT都是强大的语言模型，但它们在多个方面存在主要技术区别。一、技术特征1.基础架构- 模型架构 - DeepSeek：基于Transformer架构，不过它在架构设计上进行了针对性优化，使其能更高效地处理大规模数据和长文本，对于超长上下文信息有较好的捕捉和理解能力。
2025-02-03
1148
6
7
LLM大语言模型的组成部分
LLM（Large Language Model）大语言模型由输入层将文本转为向量，基于Transformer架构的编码器提取语义与上下文信息，解码器据此生成输出，输出层经Softmax和搜索策略将向量转为最终文本；通过在大规模无监督语料上预训练学习通用知识，再针对具体任务用有标注数据微调；记忆与缓存机制处理长序列并提高效率，评估模块用困惑度等指标衡量性能，优化模块据此调整超参数、改进结构 。
2025-02-03
819
8
11
多层感知机（Multilayer Perceptron，MLP）
MLP也被称为人工神经网络（Artificial Neural Network，ANN）的一种基本形式，以下从定义、结构、工作原理、训练算法、应用等方面进行介绍：多层感知机是一种前馈人工神经网络，由多个神经元（神经节点）组成，这些神经元按照层次结构排列，包括输入层、隐藏层和输出层，层与层之间的神经元通过权重连接，信息从输入层依次向前传播到输出层，没有反馈连接。
2025-02-03
818
9
2
大模型推理能力的发展
大语言模型的推理能力，简单来说，就是让模型像人一样“动脑子思考”，根据已经知道的信息来得出新的结论或者做出合理的判断。大语言模型首先要能理解输入给它的各种信息，就像我们看一篇文章、听别人说话要明白是什么意思一样。比如你给它一段关于动物习性的描述，它得知道说的是哪种动物，有什么特点等。然后，它还要能对这些信息进行分析，把重要的部分挑出来，就像我们读完一篇文章后总结重点一样。例如，给模型输入“猫喜欢抓老鼠，老鼠会打洞，猫有锋利的爪子”这段话，它能理解这是在说猫和老鼠的一些特性，并分析出猫和老鼠的行为特点以及猫的身体特征这些关键信息。
2025-02-02
1034
6
1
搜索引擎与大语言模型的融合趋势
有一种观点是大语言模型会取代传统搜索引擎。综合分析得出大语言模型不太可能完全取代搜索引擎，二者各有特点和局限性，更可能是相互融合、协同发展。大语言模型的知识基于预训练数据，可能存在过时、不准确的情况，难以提供如搜索引擎般实时更新的信息，对于需要获取最新资讯、动态信息的用户需求无法很好满足。如金融市场的实时行情、突发新闻事件等，搜索引擎能快速索引到最新网页内容，而大语言模型可能无法及时更新知识。搜索引擎可返回大量不同来源的网页链接，用户能通过多来源信息交叉验证，确保信息可靠性。大语言模型的回答基于自身模型和算法，用户难以验证其可靠性，且可能存在信息不全面的问题。
2025-02-02
640
8
10
开源搜索引擎的选型指南
开源搜索引擎是指搜索引擎的源代码是公开可用的，允许用户自由地使用、修改和分发的搜索引擎。一、优缺点1.优点 高度可定制性：由于源代码开放，用户可以根据自身特定需求对搜索引擎的功能、算法、界面等进行深度定制。例如，企业可以针对自己的业务领域和数据特点，修改搜索算法，使其更精准地匹配和检索相关信息，以满足内部员工查找资料或面向客户的搜索服务需求。
2025-02-02
943
1
10
2025年值得关注的10家具身人工智能初创企业
● Neural Foundry：自适应人工智能智能机器人● Focoos AI：即用型神经网络● ReSim.ai：人工智能测试平台● Meraker：人工智能传感器技术● Resmonics：用于呼吸症状检测的人工智能传感器● Garda - Tech：商用厨房电器智能监控● BROSWARM：地雷探测技术● Dropla：基于无人机的未爆弹药探测
2025-02-02
1154
9
11
知识推理的发展历程
知识推理是从已有的知识出发，运用逻辑规则、推理算法等手段，推导出新的知识或结论的过程，在人工智能、知识图谱、数据挖掘等多个领域都有重要应用。知识推理的目的是获取新知识。通过对已掌握的知识进行分析、推导，发现隐藏在数据和知识中的新信息，扩展知识边界。例如，在医疗领域，根据患者的症状、检查结果以及已有的医学知识，推理出可能患有的疾病及潜在的并发症，从而为诊断和治疗提供更多依据。
2025-02-02
981
4
5
什么是多跳知识推理
多跳知识推理是一种在知识图谱等知识表示结构上进行的复杂推理方式，通过多个步骤或“跳跃”来推断出隐含的知识或关系。多跳知识推理是指在知识图谱中，从一个或多个已知的节点（实体）出发，通过沿着多条边（关系）进行多次跳转，利用多个相关的知识片段，来推导出新的知识或结论的过程。例如，在一个包含人物、电影、导演等信息的知识图谱中，已知“演员A出演了电影B”以及“电影B的导演是C”，通过这两条信息的“跳跃”，可以推理出“演员A和导演C有合作关系”。
2025-02-02
569
1
9
OpenAI的“推理”模型o3-mini
OpenAI于2024年12月20日发布了人工智能“推理”模型o3-mini，并于2025年2月1日在ChatGPT和API中正式上线。人工智能 “推理” 模型是一类能够模拟人类推理过程，对输入信息进行分析、判断和决策的智能模型。o3-mini模型会展开事实核查，可规避一些常见的模型陷阱，但会产生响应延迟，通常为几秒到几分钟。使用 “私人思想链” 进行 “思考”，能在响应前暂停，考虑相关提示并解释推理过程，最终总结出最准确的答案。可调整推理时间，有低、中、高三种计算级别，计算级别越高，任务执行性能越好。在软件工程能力测评中准确度得分 71.7%。在 2024 年 AIME 数学竞赛题目测试中准确度得分为 96.7%。以 100% 为最高分的 ARC-AGI 评估结果显示，最低成绩为 75.7%，最高成绩为 87.5%
2025-02-01
735
6
2
大模型稀疏动态架构
DeepSeek应用稀疏动态架构（Sparse Dynamic Architecture）是其大模型技术的核心创新点。大模型稀疏动态架构是一种用于构建大规模人工智能模型的先进架构，整体提高了模型的效率、灵活性和性能。一、发展历程1.早期探索阶段 起源基础：20世纪8090年代的早期机器学习主要集中在决策树、SVM、KNN等经典算法，模型规模小，依赖手工特征。之后在2006年Geoffrey Hinton提出逐层无监督预训练缓解深层网络训练难题，为深度学习发展奠定基础。
2025-02-01
1106
8
11
大语言模型多token预测技术
近年来，大语言模型（LLM）在自然语言处理领域取得了突破性进展，凭借其强大的语言理解和生成能力，在各种NLP任务中展现出惊人的性能。传统的基于下一个token预测的训练方法虽简单有效，但在获取语言、世界知识和推理能力方面效率不高。且这种方法使模型过于关注局部模式，忽视了“困难”的决策，导致当前先进的下一个token预测器需要比人类儿童多几个数量级的数据才能达到相同的语言水平。
2025-02-01
645
7
1
自定义RAG用户界面（Kotaemon）
kotaemon由Cinnamon开发开源，提供了一个干净且自定义的RAG用户界面，通过与文档的聊天功能，帮助用户进行问答。兼容多种LLM API供应商，包括OpenAI、Azure OpenAI和Cohere，以及本地模型。支持多用户登录，允许用户将文件组织成公共或私有集合并进行共享，能够处理包括图形和表格在内的多种文档格式，支持多模式文件解析。适用于需要进行文档问答的终端用户，以及希望构建自己的RAG管道的开发者。
2025-02-01
759
3
10
机器学习技术——强化学习从人类反馈（RLHF）
强化学习从人类反馈（Reinforcement Learning from Human Feedback，RLHF）是一种将人类反馈融入机器学习模型训练的技术。通过将人类的偏好、评价或直接指导等反馈作为奖励信号，训练奖励模型，再利用该奖励模型通过强化学习来优化智能体的策略，使智能体的行为与人类期望和偏好保持一致。
2025-01-31
947
8
2
基于强化学习（RL）的自主思考模型
基于强化学习（Reinforcement Learning）的自主思考模型通过纯强化学习训练模型，让AI能够自己去发现问题的解决方案，避开了传统数据集依赖带来的“脆弱性”，使AI模型能够更加自主地推理和解决问题，提高了模型的泛化能力和适应性。它能够通过与环境进行交互，不断学习和优化自己的行为策略，以实现特定的目标。
2025-01-31
969
5
10
开源RAG后端平台（JamAIBase）
JamAIBase集成了嵌入式数据库(SQLite)和嵌入式矢量数据库(LanceDB)，具有托管内存和RAG功能。内置LLM、矢量嵌入以及重新排序器编排和管理功能，所有这些都可以通过方便、直观、类似电子表格的UI和简单的REST API访问。支持任何LLM，可结合基于关键字的搜索、结构化搜索和矢量搜索以获得最佳结果。适合不同技术水平的用户进行数据操作和管理，尤其适合需要利用先进的AI能力进行数据处理和分析的用户。
2025-01-31
1195
4
3
- -
© 2021 - 现在 杭州极深数据有限公司 版权所有 联系我们 
浙公网安备 33018302001059号  浙ICP备18026513号-1号