🏆 基座模型
①项目:Llama-3.1-Storm-8B
★Llama-3.1-Storm-8B 是一款先进的语言模型,旨在提升8B参数模型在各种任务中的表现。该模型基于 Llama-3.1-8B-Instruct,通过自我策划高质量数据、针对性监督微调和模型融合等技术,显著提升了指令跟随和函数调用的性能。其中自我策划高质量数据来自NeurIPS 2023挑战赛中的优胜方案,根据教育价值和难度水平从大量开源数据中选择了约97.5万个高质量训练示例,利用模型自身评估数据质量,增强了训练数据集的相关性和有效性。
☆一键收藏:
https://sota.jiqizhixin.com/project/llama-3-1-storm-8b
②项目:Magnum v2 123b
★magnum-v2-123b 是一个旨在复制 Claude 3 模型(特别是 Sonnet 和 Opus)的散文质量的模型。该模型在 Mistral-Large-Instruct-2407 基础上进行了微调,支持多达 9 种语言,适用于文本生成和对话任务。
☆一键收藏:
https://sota.jiqizhixin.com/project/magnum-v2-123b
🛠️框架平台、必备工具
①项目:Controllable-RAG-Agent
★Controllable-RAG-Agent 是一个高级的检索增强生成 (RAG) 解决方案,旨在解决简单语义相似性检索无法解决的复杂问题。该项目展示了一个复杂的确定性图作为自主Agent的“头脑”,能够从自定义数据集中回答非平凡的问题。其特点包括防止幻觉、多步推理和适应性规划。
☆一键收藏:
https://sota.jiqizhixin.com/project/controllable-rag-agent
②项目:RAGMeUp
★RAG Me Up 是一个通用的框架(包括服务器和用户界面),使用户能够轻松地在自己的数据集上执行 RAG(检索增强生成)。其核心是一个小型轻量级服务器和几种运行用户界面与服务器通信的方法。RAG Me Up 可以在 CPU 上运行,但在使用默认的指令模型时,最好在具有至少 16GB vRAM 的 GPU 上运行。
☆一键收藏:
https://sota.jiqizhixin.com/project/ragmeup
③项目:Sensei
★Sensei 是一个开源类perplexity的 AI 驱动的答案引擎,利用多个开源大型语言模型(LLMs)来提供智能搜索和回答功能。该项目使用了现代的前后端技术栈,并支持本地和云端部署,适用于需要高效搜索和问答功能的各种应用场景。
☆一键收藏:
https://sota.jiqizhixin.com/project/sensei
④项目:ADAS
★ADAS(自动化设计代理系统)是一个研究项目,旨在自动创建强大的代理系统设计。该项目探索了发明和组合这些系统的新构建模块的创新方法。ADAS的核心是一个简单而有效的算法,称为元代理搜索(Meta Agent Search)。该算法允许一个“元”代理基于先前的发现迭代地编程新的代理,从而促进新颖而强大的代理设计的发明。
☆一键收藏:
https://sota.jiqizhixin.com/project/adas
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。