书生大模型实战营 InternLM + LlamaIndex RAG 实践

最新推荐文章于 2024-10-06 22:46:19 发布
最新推荐文章于 2024-10-06 22:46:19 发布
阅读量173 收藏
点赞数 2
文章标签： 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/m19735499476/article/details/140837357
版权

先测试教程的例子
在这里插入图片描述
得到如下结果
在这里插入图片描述
使用开源 Sentence Transformer作为embedding
根据教程获取rag之后的回复
在这里插入图片描述
这个rag的效果非常好
在这里插入图片描述
未导入自己的数据集之前
在这里插入图片描述

尝试自己导入数据集
在这里插入图片描述

又问了个问题，也不知道对不对
在这里插入图片描述

m19735499476
关注
书生大模型实战营-InternLM + LlamaIndex RAG 实践
weixin_63652204的博客
08-08 249
发现模型不能很好的回答我们的问题 下来我们需要给它注入关于这方面的知识。我们需要安装词嵌入向量依赖 获取知识库 运行之后发现结果为。1.创建虚拟环境 下载所需要的包。4.链接Web UI 重新提问。已经达到我们想要的结果。
书生.浦江大模型实战训练营——（七）InternLM + LlamaIndex RAG 实践
weixin_63866037的博客
08-11 622
大模型RAG（Retrieval-Augmented Generation）是一个结合了信息检索和生成模型的技术框架。它旨在通过引入外部知识源来增强生成模型的能力。
【书生大模型实战营第三期 | 基础岛第4关-InternLM + LlamaIndex RAG 实践】
imath60的博客
08-09 432
通过学习本文档，我认识到了 RAG 技术在大型语言模型中的应用潜力，以及 LlamaIndex 框架在知识管理和检索方面的强大功能。文档中的实践步骤清晰，从环境配置到模型部署，再到最终的 Web 应用实现，每个环节都提供了详细的指导。特别是通过对比传统训练和 RAG 技术的效果，我更加明确了 RAG 在快速适应新领域知识方面的优势。此外，通过实际操作，我对 Python 编程和相关库的使用有了更深的理解。期待在未来的工作中，能够将这些知识应用到实际项目中，为解决实际问题提供支持。
【书生浦语大模型实战营第三期】基础岛 InternLM + LlamaIndex RAG 实践
weixin_40574825的博客
08-04 944
llamaindex+Internlm2 RAG实践。
书生大模型实战营L1-4 InternLM+LlamaIndex RAG实践
csdn8668的博客
08-02 478
Target:基于LlamaIndex构建自己的RAG知识库，寻找一个问题A在使用LLamaIndex之前InternLM2-Chat-1.8B不会回答，使用LLamaIndex后具备回答问题A的能力。
[书生实战营] InternLM + LlamaIndex RAG 实践
m0_52468897的博客
08-12 1539
给模型注入新知识的方式，可以简单分为两种方式，一种是内部的，即更新模型的权重，另一个就是外部的方式，给模型注入格外的上下文或者说外部信息，不改变它的的权重。第一种方式，改变了模型的权重即进行模型训练，这是一件代价比较大的事情。第二种方式，并不改变模型的权重，只是给模型引入格外的信息。类比人类编程的过程，第一种方式相当于你记住了某个函数的用法，第二种方式相当于你阅读函数文档然后短暂的记住了某个函数的用法。对比两种注入知识方式，第二种更容易实现。RAG正是这种方式。
书生大模型实战营基础岛 ：InternLM + LlamaIndex RAG 实践
2303_77267815的博客
08-29 140
任务要求：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前InternLM2-Chat-1.8B模型不会回答，借助 LlamaIndex 后 InternLM2-Chat-1.8B 模型具备回答 A 的能力，截图保存。问题：简要介绍药皇韩枫。
《书生大模型实战营第3期》基础岛 第4关 ：InternLM + LlamaIndex RAG 实践
shiter编写程序的艺术
08-11 957
光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。给模型注入新知识的方式，可以简单分为两种方式，一种是内部的，即更新模型的权重，另一个就是外部的方式，给模型注入格外的上下文或者说外部信息，不改变它的的权重。
书生大模型实战营 基础第4关 InternLM + LlamaIndex RAG 实践
qq_52700183的博客
08-22 337
任务要求：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前InternLM2-Chat-1.8B模型不会回答，借助 LlamaIndex 后 InternLM2-Chat-1.8B 模型具备回答 A 的能力，截图保存。
【 书生·浦语大模型实战营】学习笔记（三）：“茴香豆” 搭建你的RAG 智能助理
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 1100
本篇笔记内容主要分为RAG理论介绍和“茴香豆” RAG 智能助理实战。前半部分对RAG流程、向量数据库、优化等展开介绍，后半部分实战任务分为以web页面及Internlm框架进行茴香豆实战，欢迎大家交流学习！
使用RAGAs + LlamaIndex进行RAG评估
安静的软件工程师
02-24 2095
使用RAGAs + LlamaIndex进行RAG评估
【大模型应用开发 动手做AI Agent】LlamaIndex和基于RAG的AI开发
AI天才研究院
05-27 788
随着人工智能技术的飞速发展,大语言模型(Large Language Models, LLMs)在各个领域得到了广泛应用。LLMs通过从大规模文本语料中学习,可以生成连贯、自然的文本,完成复杂的自然语言处理任务。然而,LLMs仍然存在知识储备有限、推理能力不足等问题。为了进一步增强LLMs的能力,学术界和工业界开始探索LLMs与其他技术的结合,比如知识图谱、检索增强生成(Retrieval-Augmented Generation, RAG)等。
大模型微调和RAG的应用场景
热门推荐
herosunly的博客
06-19 10万+
本文主要介绍了大模型微调和RAG的应用场景，希望对学习大语言模型的同学们有所帮助。 文章目录 1. 前言 2. 大模型微调 vs. RAG
【 书生·浦语大模型实战营】作业（三）：“茴香豆” 搭建你的RAG 智能助理
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 319
本次作业内容： 在茴香豆 Web 版中创建自己领域的知识问答助手 - 参考视频零编程玩转大模型，学习茴香豆部署群聊助手。 - 线上茴香豆助手对话截图(不少于5轮) - 参考代码在自己的服务器部署茴香豆 Web 版（可选） 在 InternLM Studio 上部署茴香豆技术助手 - 根据教程文档搭建 茴香豆技术助手，针对问题"茴香豆怎么部署到微信群？"进行提问
论文阅读笔记-How to Fine-Tune BERT for Text Classification?
mohen_777的博客
10-06 972
预训练语言模型BERT的最后一层较于其他层来说更加有助于分类合适的学习率和层宽有助于BERT的catastrophic forgetting使用任务语料或者同域语料进行further pre-training效果更好哦是在任务语料太少，混入跨领域数据也可，但是效果并不明显哦。
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-03
10-04 2148
随着在纽约证券交易所上市的公司数量呈指数级增长，市场分析师、交易员和股东需要定期监控和评估大量公司的表现和战略转变，面临着重大挑战。提出了一种新颖的数据驱动方法，利用大型语言模型（LLMs）系统地分析和评估基于其SEC 10-K文件的公司表现。这些文件提供了公司财务表现和战略方向的详细年度报告，是评估公司健康状况各个方面（包括信心、环境可持续性、创新和劳动力管理）的丰富数据源。此外，介绍了一个自动化系统，用于提取和预处理10-K文件。
AMD发布首个AI小语言模型：6900亿token、推测解码提速3.88倍
weixin_41446370的博客
10-03 876
按照AMD的说法，它的性能与其他开源小模型基本相当或略有领先，比如Hellaswag、SciQ、ARC-Easy等任务超过Llama-68M、LLama-160M，Hellaswag、WinoGrande、SciQ、MMLU、ARC-Easy等任务则基本类似GTP2-124MN、OPT-125M。它使用了一种名为“推测解码”(speculative decoding)的方法，通过较小的草稿模型，在单次前向传播中生成多个候选token，然后发送给更大的、更精确的目标模型，进行验证或纠正。
探索大型语言模型在文化常识方面的理解能力与局限性
最新发布
知来者逆的博客
10-06 962
近年来，大型语言模型（LLM）不仅被广泛应用于各个领域，而且通过大量的基准评估，证明它们能够理解人类所拥有的常识（=Commonsense）。这里的常识指的是世界上大多数人所共有的关于世界的广泛而基本的常识，包括关于日常事件、现象和关系的一般知识。LLM群体在过去投入了大量精力，除了公共常识外，还建立了更为专业的知识库，如物理常识和社会常识。另一方面，常识，如 “红色是婚纱的常见颜色”，在中国、印度和越南是共同的文化规范但在意大利或法国却不是。
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