书生大模型 茴香豆作业

已于 2024-09-03 15:24:31 修改
阅读量89 收藏
点赞数 1
文章标签： 自然语言处理
于 2024-09-03 15:22:05 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/m19735499476/article/details/141860949
版权

拉取仓库

在这里插入图片描述

  • pip环境配置，会遇到一些和之前的llamaindex不兼容的问题，影响不大

启动服务

在这里插入图片描述
直接问茴香豆是什么出来的，看起来训练不是很充分，或者说数据集鲁棒性不行
在这里插入图片描述
用英文可以
在这里插入图片描述
什么应激反应大模型
在这里插入图片描述
但是gradio又可以，奇妙在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

m19735499476
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【 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！
04-12 285
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
【 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 1048
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！
【书生大模型实战营】茴香豆：企业级知识问答工具实践
qq_41234663的博客
08-27 1024
【书生大模型实战营】茴香豆：企业级知识问答工具实践
书生·浦语大模型实战营
sorrowyn的博客
05-11 1899
Lagent 是一个轻量级、开源的基于大语言模型的智能体（agent）框架，支持用户快速地将一个大语言模型转变为多种类型的智能体，并提供了一些典型工具为大语言模型赋能。它的整个框架图如下:流式输出：提供 stream_chat 接口作流式输出，本地就能演示酷炫的流式 Demo。接口统一，设计全面升级，提升拓展性，包括：Model : 不论是 OpenAI API, Transformers 还是推理加速框架 LMDeploy 一网打尽，模型切换可以游刃有余；
书生浦语大模型实战课 第二课作业（更新）
04-04
### 书生浦语大模型实战课程第二课作业解析与技术难点详解 #### 一、课程背景概述 在书生浦语大模型实战课程中，第二课主要涉及模型的部署与调试过程。本次作业旨在通过实际操作加深学员对模型部署流程的理解，并...
书生浦语大模型实战课（第二期） 第二课作业
04-04
### 书生浦语大模型实战课（第二期）第二课作业知识点总结 #### 一、使用Powershell配置端口及权限问题处理 在学习过程中，遇到的第一个问题是在使用Powershell配置端口时出现问题，尝试修改端口号并复制密码，但...
书生·浦语大模型第二课
03-04
根据提供的信息，“书生·浦语大模型第二课”似乎是指一次课程或者教学活动的内容，主要涉及“浦语大模型”的相关内容。虽然提供的信息较为有限，但从这些线索中，我们可以推测出这可能是一次关于自然语言处理（NLP...
书生浦语大模型实战营微调部署至OpenXlab.zip
07-26
个人深耕AI大模型应用领域积累的成果，希望对您有所帮助。有大模型账号、环境问题、AI大模型技术应用落地方案等相关问题，欢迎详聊，能为您解决问题是我的荣幸！ 个人深耕AI大模型应用领域积累的成果，希望对您有所...
书生浦语大模型实战课 第二课笔记
03-31
书生浦语大模型实战课 第二课笔记
深度学习速通系列:Bert模型vs大型语言模型（LLM）
最新发布
Ven%的博客
09-01 806
选择使用Bert模型、LLaMA模型或ChatGLM模型等大型语言模型（LLM）时，应根据具体的应用场景、任务需求、资源限制和预期目标来决定。
Language Models are Unsupervised Multitask Learners
靓仔沾点健忘症，写给时间下游的自己
08-29 1044
机器学习系统现在通过结合使用大型数据集、高容量模型和监督学习(Krizhevsky et al.， 2012) (Sutskever et al.， 2014) (Amodei et al.， 2016)，在训练任务上表现出色(预期)。然而，这些系统很脆弱，对数据分布(Recht等人，2018)和任务规范(Kirkpatrick等人，2017)的微小变化很敏感。目前的系统更倾向于由狭隘的专家组成，而不是有能力的通才。
论文速读|大型语言模型作为通用模式机器
2301_81924597的博客
09-01 419
本研究探讨了大型语言模型（LLMs）作为通用模式机器的潜力，特别是在机器人技术领域。研究发现，LLMs 能够在没有额外训练的情况下，通过上下文学习完成复杂的序列模式，包括数字序列和更复杂的空间模式，如 Abstraction and Reasoning Corpus（ARC）中的任务。这表明 LLMs 可以作为通用序列模型器，并在机器人技术中应用于序列提升、轨迹优化和策略发现。
【Python机器学习】NLP词频背后的含义——隐性语义分析
weixin_39407597的博客
08-29 1001
在LSA中提取出词的含义的数学方法称为奇异值分解（SVD）。SVD来自线性代数，是LSA用来创建类似上面的词-主题矩阵中的向量的数学工具。
NLP入门
djylovehzt的博客
08-30 598
定义:针对每一个词汇,都会用一个向量表示,向量的长度是n,n代表去重 之后的词汇总量,而且向量只有0,和1两种数字。Word2Vec是一种无监督训练方法,本质是训练一个模型,将模型的参数矩阵当作所有词汇的词向量表示。一般实现模型训练的时候，模型接受的文本基本最小单位是词语，因此我们需要对文本进行分词。英文具有天然的空格分隔符，而中文分词的目的：寻找一个合适的分词边界，进行准确分词。文本预处理作用：将文本转换成模型能够识别的形式，进而实现模型的训练。在精确模式分词的基础上,将长粒度的词再次切分。
【Python机器学习】NLP词频背后的含义——奇异值分解
weixin_39407597的博客
08-30 1041
奇异值分解是LSA背后的算法。
【Python机器学习】NLP词频背后的含义——主成分分析
weixin_39407597的博客
08-30 1291
当SVD用于降维时，主成分分析（PCA）是SVD的另一个叫法。scikit-learn中的PCA模型对SVD做了一些调整，这将提高NLP流水线的精确率。
【Python机器学习】NLP词频背后的含义——隐性狄利克雷分布（LDiA）
weixin_39407597的博客
08-30 1782
LDiA生成的主题对人类来说更容易理解和解释。这是因为经常一起出现的词被分配给相同的主题，而人类的期望也是如此。
【随笔】使用spring AI接入大语言模型
code2cat的博客
08-29 1405
Spring AI是Spring生态系统中的一个模块，旨在帮助开发者集成重要的AI服务。通过Spring AI，开发者可以方便地与OpenAI、Hugging Face等AI服务进行交互。Spring AI提供了简单且强大的API，使得集成AI变得更加直观和高效。通过使用Spring AI，您可以轻松地将ChatGPT集成到Java应用中。本文详细介绍了从配置环境到集成和部署的全过程。在实际项目中，还可以根据需求进行进一步的优化和扩展，充分发挥AI技术的潜力。
书生·浦语大模型 黑屏
06-13
"书生·浦语"并不是一个广泛为人知的特定模型，可能是某个特定项目、产品或者人物的代称。由于信息有限，我无法提供详细的介绍。如果你是在问关于某个特定领域的大模型，比如人工智能研究中的一个模型，通常这类模型是由大型科技公司或研究机构开发的，如阿里云的通义千问或谷歌的BERT等。如果这是个虚构的名字，那可能是一个文学作品或者游戏中的角色。 若你想了解类似"浦语"这样的人工智能模型，通常这类模型会涉及自然语言处理技术，能够进行语言理解和生成，例如对话系统、文本翻译或内容创作。
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