GitCode 2021-02-21 升级公告

已于 2022-01-20 19:34:17 修改
阅读量692 收藏 1
点赞数 1
分类专栏： GitCode 开源加速器 开源项目 文章标签： GitCode 开源
于 2021-02-20 10:30:19 首次发布
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/csdn_codechina/article/details/113877991
版权

GitCode 系统维护 升级 2021-02-21 服务暂停
关键词由CSDN通过智能技术生成

GitCode 升级公告(2021-02-21)

GitCode 计划于 2021年2月20日晚11点30 至 2021年2月21日 5点 进行系统维护升级，特此公告。

系统升级维护期间，所有项目代码的推送、拉取，项目 Issue 及 Release 等内容均无法访问，系统维护升级后我们将会为您继续提供以上服务，请提前做好准备。

系统升级维护期间给您带来的不便，敬请谅解。

GitCode 2021.2.20

GitCode 官方
关注
专栏目录
博客
GitCode见证：华为云DevUI如何定义下一代前端开发
07-02 998
华为创新研发，DevUl开源前端框架，现已正式入驻GitCode
博客
夏日编码狂欢：GitCode x DevUI挑战赛，点燃你的创造力
07-02 669
GitCode与DevUI联合赛事火热开启
博客
万元补贴助力开源项目！「GitCode 开源摘星计划」已开启
06-13 521
三大核心权益，精准有效助力开源项目成长!
博客
在 Copilot 的协助下编程白皮书——2023 年的数据显示了代码质量面临的挑战 [译]
02-02 805
2023 年是 GitHub Copilot 大放异彩的一年。在短短不到两年的时间里，这款 AI 编程助手已从一个初步的原型迅速成为众多开发者和企业中不可或缺的重要工具 [1]。它的迅猛发展开启了编写代码的新纪元。GitHub 已经发布了数份关于 AI 如何影响软件开发的增长和影响的研究。他们的一项重要发现是，开发者在使用 Copilot 时，编码速度提升了“55%”。面对大量由 LLM 生成的代码，我们不禁要问：这些代码在质量和可维护性上与人工编写的代码相比如何？
博客
【编程英语纠错神器】chinese-programmer-wrong-pronunciation：拯救你的技术英语发音难题
02-01 869
chinese-programmer-wrong-pronunciation 是一个专注于纠正中国程序员常犯英语发音错误的开源项目。该项目精心收集并整理了一系列程序员在日常工作中可能会遇到的技术词汇，并针对每一个单词提供了正确的美式和英式发音示例。
博客
【开源精选导航】GitHub-Chinese-Top-Charts：一榜在手，优质中文项目轻松找寻
01-30 2883
GitHub-Chinese-Top-Charts，正如其名，它扮演着中文开源项目的“排行榜单”角色，专门针对含有中文文档的开源项目进行科学严谨的筛选和排名。这份榜单不是随意排序，而是依据项目的活跃程度和每日平均增星数量进行综合评估，这意味着上榜的项目不仅保持着良好的更新节奏，还受到广大开发者的广泛认可。
博客
6个 AI 进阶学习项目合集，最高27,000+ Star，助你开启 AI 学习！
01-27 1318
该项目是一个AI学习项目的汇总，包括了各种AI算法和技术的实现和应用，以及相关的教程和经验分享。
博客
2.5W+ Star的人工智能（AI）项目，微软官方出品，助你快速入门！
01-27 732
该项目是微软推出的人工智能（AI）入门课程，旨在帮助初学者了解和学习 AI 的基本概念、技术和应用。此外，该项目还可以帮助用户建立自己的AI技能体系，为未来的职业发展和技术选型提供指导。通过该项目，用户可以学习到人工智能的基本概念、技术和应用，掌握机器学习、深度学习等 AI 技术的基本原理和应用方法。同时，用户还可以了解 AI 的发展趋势和未来前景，为自己的职业发展和技术选型提供指导。
博客
Voyager：「我的世界」中的 Agent
01-19 1051
项目视频 https://voyager.minedojo.org/论文地址 https://arxiv.org/abs/2305.16291代码地址：https://github.com/MineDojo/Voyager作者推特；
博客
什么是 AI agent？深入了解未来的 AI 界面
01-19 825
首先，我们需要定义一些术语，然后我们会深入到更多的细节中。虽然没人喜欢背单词，但在AI领域中，为了理解一些奇特的术语，确立正确的概念是至关重要的。GPT = generative pre-trained transformer，也就是生成式预训练转换器，这是驱动大型语言模型（LLM）如ChatGPT的核心机器学习模型架构。GPT是一个非常专业的术语，但通过ChatGPT被广大群众所熟知。接下来，我们来看看什么是Agent：Agent（智能体） = 一个设置了一些目标或任务，可以迭代运行的大型语言模型。
博客
如何写出高质量的Prompt
01-19 865
看到有人发《全网都在找的 GPT 最权威的 160 条指令》，其实没人记得住 160 条 Prompt，也没有必要去记 160 条 Prompt！跟 ChatGPT 交互，最重要是掌握 Prompt 的模板或者说结构，而不需要记住那么多 Prompt。
博客
解析 Tansformer 模型：理解 GPT-3、BERT 和 T5 背后的模型
01-19 810
原文链接：https://daleonai.com/transformers-explained作者：Dale Markowitz （@Google Labs，领导生成式 Al 的宣传和教育）发表时间：2021年5月6日翻译：数据派 THU（译者：王可汗，校对：和中华），略有修改中文翻译原地址：https://mp.weixin.qq.com/s/KfSW7ccYUAGp1AHWWF6c1w你知道这句话吗，当你有一把锤子的时候，所有东西看起来都像钉子?
博客
基于大语言模型的 AI Agents：Part3
01-19 990
Github。
博客
基于大语言模型的 AI Agents：Part2
01-19 726
作者:Breezedeus链接:https://www.breezedeus.com/article/ai-agent-part2声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
博客
基于大语言模型的AI Agents：Part1
01-19 827
代理（Agent）这个词来源于拉丁语“agere”，意为“行动”。现在可以表示在各个领域能够独立思考和行动的人或事物的概念。它强调自主性和主动性[1]。智能代理/智能体是以智能方式行事的代理；Agent感知环境，自主采取行动以实现目标，并可以通过学习或获取知识来提高其性能 [8]可以把单个Agent看成是某个方面的专家。Agent：P（感知）→ P（规划）→ A（行动）感知（Perception）是指Agent从环境中收集信息并从中提取相关知识的能力。规划（Planning）
博客
构建高级RAG的指南和技巧
01-19 794
作者：Leonie Monigatti这是一份全面的 RAG 指南，详细阐述了采用 RAG 的动机，以及如何超越基础或初级 RAG 构建的技术和策略。新的一年伊始，你可能正考虑进入 RAG 领域，尝试构建你的首个 RAG 系统。或者，你已经构建了基础 RAG 系统，现在希望进一步提升，以便更好地处理用户的查询和数据结构。无论你处于哪种情况，如何着手可能都是一个挑战！希望这篇博客文章能为你指明下一步的方向，并为你在构建高级 RAG 系统时提供一个思维模型，帮助你做出决策。
博客
高级 RAG 技术图解概览
01-19 1211
这样的搜索分为两步：首先利用摘要来筛选出相关文档，然后只在这个筛选出的相关文档集中继续深入搜索。
博客
VSCode 核心开发吕鹏：对不久的未来的一些展望
01-19 486
作为AI/LLM行业的从业者（VS Code/Copilot），基于我对现有的公开产品、论文及过去两年的行业发展的感受，对未来（2024年至2025年中）进行了一些展望。总体而言，我的看法是偏悲观的。以下内容很大概率听起来像废话，这也是为什么我特意加上了时间限定（2024年至2025年中）。21/22年我们在使用Tabnine的时候对未来有着美好的展望，当时我的感受是未来人人都会通过AI模型辅助写代码。结果LLM只花了半年就把“未来”变成了“现在”，实在是令人震惊。
博客
大语言模型在自主化学研究中的应用
01-19 706
作者：Daniil A. Boiko1,Robert MacKnight1,Ben Kline2,Gabe Gomes基于 Transformer 技术的大语言模型（LLMs）在多个领域已取得显著进展，例如自然语言处理、生物学、化学和计算机编程。本文展示了由 GPT-4 驱动的人工智能系统 Coscientist 的开发与能力。Coscientist 能自主设计、规划并执行复杂的实验，它整合了大语言模型并配备了包括互联网搜索、文档查询、代码执行以及实验自动化等工具。
博客
大型语言模型的检索增强生成：调查
01-19 746
大型语言模型（LLM）表现出强大的能力，但它们在实际应用中仍然面临挑战，例如幻觉、知识更新缓慢和答案缺乏透明度。检索增强生成 （RAG） 是指在使用 LLM 回答问题之前从外部知识库中检索相关信息。RAG 已被证明可以显着提高答案的准确性，减少模型幻觉，特别是对于知识密集型任务。通过引用来源，用户可以验证答案的准确性并增加对模型输出的信任。它还有助于知识更新和特定领域知识的引入。RAG 有效地将 LLM 的参数化知识与非参数化的外部知识库相结合，使其成为实现大型语言模型的最重要方法之一。
评论
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