大语言模型什么都不回答，不妨试试

最新推荐文章于 2025-05-01 21:42:17 发布
最新推荐文章于 2025-05-01 21:42:17 发布
阅读量379 收藏
点赞数 2
文章标签： 语言模型 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Aorg1/article/details/137029651
版权

如果大语言模型什么都不回答你，如下图我跑的实验：

不妨试试改改prompt

最后一个字要写成 \n答：

认真的说，不是开玩笑。开去试试吧

RuiyChen
关注
大模型实战—通义千问大模型微调
05-26 7万+
这个参数仅针对 llama 类型的模型结构，默认勾选的是 q_proj 和 v_proj，具体的名词不容易理解，我就不多说了，可以简单的认为是对模型的理解能力进行优化，一般这两个就够了。当这个值较高时，适应新任务的能力会增强，但是对基础模型的影响会比较大，有过拟合的风险，尤其是在数据量有限的情况下。为了方便测试，我在云环境也创建了一个镜像，相关的环境都配置好了，可以直接使用几个国内开源的大语言模型，比如清华智谱的ChatGLM3-6B、零一万物的Yi-34B，还有最近阿里云开源的Qwen1.5-32B。
『大模型笔记』Jason Wei: 大语言模型的扩展范式！
AI新视界
02-17 379
Jason Wei: 大语言模型的扩展范式！
语言模型の重大缺陷
whaosoft143ai的博客
09-29 179
作者验证了，尽管模型实现了无损知识压缩和充分知识增强，且能几乎 100% 正确提取这些知识，在经过微调后，模型仍无法进行知识的逆向搜索，准确率几乎为零（见图 7）。同样，模型预训练之后能准确回答每个人的专业（共 100 个不同专业），但即使用了 50000 个微调样本，让模型比较 “Anya 的专业和 Sabrina 的专业哪个更好”，正确率仅为 53.9%，近乎盲猜。图 5：若微调时不使用 CoT，让模型进行知识的分类 / 比较 / 减法，需要海量的样本或者正确率极低 —— 实验中用了 100 个专业。
模型拒答/拒绝回复的正则匹配
陪着青缘一起成长
02-23 136
2. 对待检测的样本与此拒答样本进行相似度计算，达到一定阈值之后判断为拒答。在检测大模型的回答/输出是否拒答时，可以使用以下函数进行检测。1.把用此函数检测出来的样本进行保存。
复旦大学最新研究：如何让大模型敢回答“我不知道”？
夕小瑶科技说
02-14 3394
我们的研究表明，通过与特定于模型的“I don’t know”（Idk）数据集对齐，AI助手能够在一定程度上意识到它所不知道的内容。在开放领域问答测试集中，AI助手能够明确指出它知道或不知道答案的问题，拒绝回答它不知道的问题，达到了78.96%的准确率。为了实现这一目标，我们采用了多种方法，包括提示、监督式微调和偏好感知优化，来利用Idk数据集进行对齐。此外，我们还进行了广泛的实验，探索了数据源、模型大小和确定模型是否知道某个问题的Ik阈值的影响。AI助手拒绝回答超出其知识范围的问题，可以减少事实错误。
【LLM】大模型幻觉问题的原因和缓解方法
发现问题，并解决问题，批判性思维
10-03 6752
一、幻觉定义 备注（下面提及的两个名词）： Faithfulness：是否遵循input content； Factualness：是否符合世界知识； 传统nlp任务重，幻觉大多数是faithfulness，比如Intrinsic Hallucination（冲突），摘要内容和document内容有冲突；再比如Extrinsic Hallucination（无中生有），生成内容中包含input要求的其他杂七杂八虚假信息；但LLM应该考虑的幻觉Factualness，因为数据源是Open-doman的世界知
大模型知道自己“不知道”哪些知识吗？
zenRRan的博客
09-10 696
知乎：何枝链接：https://zhuanlan.zhihu.com/p/655152338进NLP群—>加入NLP交流群幻觉（Hallucination）一直大模型比较头疼的问题，为了探索大模型有没有可能知道自己「知道哪些知识」，「不知道哪些知识」，我们进行了一次尝试实验。一种说法是，大模型的「幻觉」来自预训练和SFT时，我们总是在「鼓励模型说答案」，但我们并不确定「这些答案模型是否真的知...
本地化部署大语言模型 ChatGLM
热门推荐
Maddie_Mo的博客
04-19 1万+
ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。暂时先这样吧，如果有时间的话就会更新模型微调文章以及抽时间更新GLM130B的部署，实在看不明白就留言，看到我会回复的。路漫漫其修远兮，与君共勉。
十分钟学会微调大语言模型
2401_85377976的博客
08-02 1129
在之前的文章中，我分享了一些使用大语言模型开发应用的方法，也介绍了几个开源大语言模型的部署方式，有同学给我留言说想知道怎么训练自己的大语言模型，让它更贴合自己的业务场景。完整的大语言模型训练成本比较高昂，不是我们业余玩家能搞的，如果我们只是想在某个业务场景或者垂直的方面加强大模型的能力，可以进行微调训练。本文就来介绍一种大语言模型微调的方法，使用的工具是我最近在用的 Text Generation WebUI，它提供了一个训练LoRA的功能。
国产大模型推理太慢？试试这5种提速神器，效果立竿见影！
在信息的熵增中，记录结构、重建秩序。 技术思想者的笔记，系统构建者的注释。
04-02 569
国产大模型部署之后，推理慢成为最常见、最令人抓狂的问题之一：启动慢、响应慢、接口卡、显存爆……这篇文章基于真实部署实测，汇总了 5 种立竿见影的提速方法，包括：模型量化、vLLM 推理框架、静态 batching、多轮裁剪、轻量模型替代策略。
大模型在问答领域的探索和实践
python12345_的博客
10-28 721
随着大模型应用持续火热，应用门槛也越来越低，去年底开始我们利用少部分精力做了一些 AI 探索和实践，并完成了业务所在垂直领域答疑机器人产品的上线。这里主要从普通使用者的视角，把一边学习一边实践的过程记录下来，和大家一起学习交流。本文定位。本文受众主要是入门玩家，但对大模型感兴趣想做一些小工具，或者在平常的业务工作中希望使用大模型来提效的读者。背景。
超全大模型常见面试题（附答案）
lyy2017175913的博客
08-10 5993
在大模型中，特别是像Transformer这样的模型中，由于自注意力机制（self-attention mechanism）是位置无关的，即无论序列中的token顺序如何变化，通过自注意力机制计算得到的每个token的隐藏嵌入（hidden embedding）都是相同的。这种方法的好处是可以保持预训练模型的大部分参数不变，从而减少过拟合的风险，并加速训练过程。：为了保证Tokenizer在模型训练和推理过程中的一致性，我们需要确保训练和推理时使用的Tokenizer是相同的，并且使用了相同的词汇表。
高压开关柜局部放电信号分析系统
m0_61057267的博客
04-28 1696
这个项目是我在2025年实现的高压开关柜局部放电信号分析系统，目的是通过采集分析局部放电信号，判断设备的工作状态和潜在故障。系统包含从信号模拟生成、特征提取、到深度学习模型训练的全流程，最终可自动生成分析报告。
CDP系统接入DeepSeek大模型应用场景方案
weixin_56222151的博客
04-28 839
本方案通过将CDP系统与DeepSeek大模型深度集成，构建智能化的客户数据洞察与交互平台。核心目标是通过大模型的自然语言处理、预测分析和生成能力，增强CDP在客户画像构建、行为预测、个性化推荐等场景的智能化水平。整体技术架构采用三层设计：数据层实现实时数据管道对接，模型层部署DeepSeek的API及微调接口，应用层支持业务系统调用。数据对接采用双通道机制，同时支持批量数据同步和实时事件流处理。
远光软件发布九天 AI 应用开发平台，加速企业研发效能跃升
YG_JT的博客
04-30 378
4月25日，远光软件在“2025珠海软件产业年会暨AI技术赋能行业发展交流会”上以虚拟直播方式发布了远光九天AI应用开发平台。
Python项目--基于计算机视觉的手势识别控制系统
exlink2012的专栏
04-23 3316
随着人机交互技术的快速发展，传统的键盘、鼠标等输入设备已经不能满足人们对自然、直观交互的需求。手势识别作为一种非接触式的人机交互方式，具有操作自然、交互直观的特点，在智能家居、游戏控制、虚拟现实等领域有着广泛的应用前景。 本项目旨在开发一个基于计算机视觉的手势识别控制系统，通过摄像头捕获用户的手部动作，实时识别手势类型，并将识别结果转化为相应的控制命令，实现对计算机或其他设备的非接触式控制。
存算一体架构下的新型AI加速范式：从Samsung HBM-PIM看近内存计算趋势
最新发布
高效做AI，就上Aladdin! 同学们用得起的H卡算力平台。
05-01 839
存算一体不是简单的技术改良，而是对计算本质的重新思考。当HBM-PIM将能效边界推向10 TFLOPS/W，我们正站在架构革命的临界点。这场变革的终极目标，是让计算回归数据本源——‌在比特诞生的地方处理比特‌。本文实验数据基于Samsung Aquabolt-XL HBM-PIM实测，更多技术细节请参考ISSCC 2023论文《A 1ynm 16Gb 4.8TFLOPS/W HBM-PIM with Bank-Level Programmable AI Engines》。
ArcGIS按掩膜提取之后边界不贴合有锯齿怎么办 向我提问的人太多,我回答不过来了呢,我们正在努力扩容中,请稍等一会再试试~~~ 深度思考 DeepSeek-R1 在此输入您的问题~ 所有内容均由AI模型输出，请遵守 《CSDN隐私协议》
03-29
<think>嗯，用户之前已经问过关于ArcGIS按掩膜提取后边界不贴合有锯齿的问题，我也给出了详细的解决步骤。现在用户再次提出同样的问题，但系统提示可能需要等待，但用户还是继续询问。这时候我需要再仔细检查之前的回答是否全面，有没有遗漏的地方，或者是否有更简洁的方式重新组织信息。 首先，用户可能遇到了同样的问题，但之前的解决方案没有解决他们的具体情况，或者他们需要更简明的步骤。也可能他们在操作过程中遇到了新的问题，比如某些步骤执行后仍然存在锯齿。我需要考虑用户可能的操作错误，比如环境设置中的捕捉栅格是否正确应用，或者重采样方法是否合适。 另外，用户可能对某些术语不太理解，比如“投影栅格”或“重采样”，是否需要更通俗的解释？或者他们在数据格式转换时遇到了问题，比如使用GRID格式导致的问题，可能需要强调推荐使用.tif格式。 还要注意用户可能的操作环境，比如使用的是矢量还是栅格数据作为掩膜，不同的情况解决方法不同。比如矢量掩膜需要检查节点和简化，而栅格掩膜可能需要平滑处理。用户可能没有正确栅格化矢量数据，导致边缘锯齿。 此外，后处理步骤中的焦点统计工具是否正确应用，参数设置是否合理，比如邻域大小和统计类型的选择。用户可能没有正确使用这些工具，导致效果不佳。 最后，显示优化部分，用户可能只是视图缩放的问题，不需要复杂处理，只需调整显示比例或符号化设置即可。需要确认用户是否了解这些显示技巧，或者是否有硬件或软件性能限制导致显示问题。 总结下来，需要确保回答涵盖所有可能的情况，并且步骤清晰，让用户能逐步排查问题。同时，语言要简洁明了，避免技术术语过多，必要时举例说明。可能还需要提醒用户检查数据质量，比如原始数据的分辨率是否足够，掩膜边界是否足够平滑。如果用户的问题依然存在，可能需要更详细的数据信息或截图来进一步诊断。</think>在ArcGIS中解决“按掩膜提取”后边界不贴合或出现锯齿的问题，可按照以下 **阶梯式排查与修复方案** 操作： --- ### **一、初级排查（5分钟）** #### 1. **坐标系急救检查** - **症状**：边界整体偏移 - **操作**： - 右键图层属性 ➔ 对比输入数据和掩膜数据的坐标系 - 若不一致：使用【投影工具】统一坐标系（*矢量用“投影”，栅格用“投影栅格”*） #### 2. **显示优化试调** - **症状**：仅视觉锯齿但数据无问题 - **操作**： - 缩小视图至1:10,000以下比例尺 - 右击结果图层 ➔ 符号化 ➔ 颜色渐变+10%透明度 --- ### **二、中级修复（15分钟）** #### 3. **栅格手术：重采样** - **适用场景**：低分辨率卫星影像/DEM提取 - **操作流**： 1. 【数据管理工具】→【栅格】→【重采样】 2. 参数设置： - 输出像元尺寸 = 原始数据1/2（*如30m→15m*） - 重采样技术：**双线性插值**（地形数据）/ **三次卷积**（遥感影像） #### 4. **掩膜精修** - **矢量掩膜处理**： - 启用编辑模式 ➔ 【简化线工具】（容差0.1-1个像元大小） - 栅格化时分辨率 ≥ 输入数据（*矢量转栅格工具设置*） - **栅格掩膜处理**： - 【焦点统计】→ 3×3矩形邻域，MEAN计算（*相当于抗锯齿滤镜*） --- ### **三、高级调参（需GIS经验）** #### 5. **环境设置暗门** - **关键参数**： ```python # 脚本工具隐藏参数示例 arcpy.env.snapRaster = "掩膜栅格" # 强制像元对齐 arcpy.env.cellSize = "MINOF" # 自动取最小像元尺寸 arcpy.env.extent = "掩膜图层范围" # 严格限定处理范围 ``` #### 6. **后处理黑科技** - **抗锯齿二重奏**： 1. 【栅格计算器】：`Con("提取结果", FocalStatistics("提取结果", 3, "MEAN"))` 2. 【平滑线工具】（转矢量后）：平滑容差 = 1.5倍像元尺寸 --- ### **四、避坑指南** | 常见错误 | 科学方案 | 原理 | |---------|----------|------| | 直接使用行政边界矢量 | 先做5m缓冲区再取反擦除 | 消除坐标系转换误差 | | 用JPEG作掩膜 | 转PNG/TIFF后处理 | 避免有损压缩干扰 | | 跨180度经线操作 | 切换为太平洋视图投影 | 规避坐标系撕裂 | --- ### **五、效能监测** - **诊断命令**： ```python # 在Python窗口运行 import arcpy desc = arcpy.Describe("提取结果") print(f"像元对齐状态：{desc.spatialReference.name == arcpy.Describe('掩膜').spatialReference.name}") print(f"分辨率匹配度：{desc.meanCellWidth/arcpy.Describe('输入数据').meanCellWidth}") ``` --- ### **终极解决方案** 若上述步骤无效，可采用 **“四步重生法”**： 1. 将掩膜转换为CAD格式 2. 在Global Mapper中进行矢量平滑 3. 用QGIS的GDAL_RASTERIZE以200%分辨率栅格化 4. 最后在ArcGIS中重新提取 --- 通过以上方法，90%的边界问题可在30分钟内解决。若仍存在特殊锯齿（如海岸线提取），建议提供 **数据样本+截图** 至GIS技术社区进一步分析。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值