大型语言模型实用指南

最新推荐文章于 2024-09-30 00:00:00 发布
最新推荐文章于 2024-09-30 00:00:00 发布
阅读量1.1k 收藏 11
点赞数 21
分类专栏： AIGC学习 AI创业 Unigine引擎深入研究 文章标签： 语言模型 人工智能 自然语言处理 gpt 3d 算法
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/ms44/article/details/142459660
版权

大型语言模型实用指南

一份精选的（仍在积极更新）LLM 实用指南资源列表。它们还构建了现代大型语言模型 (LLM) 的进化树，以追踪近年来语言模型的发展，并重点介绍了一些最著名的模型。

 

 

 

 

 

目录
 

 

 

 

  • 大型语言模型实用指南 
  
    • 模特实用指南 
    
      • BERT 风格语言模型：编码器-解码器或仅编码器
      • GPT 风格的语言模型：仅解码器
    • 数据实用指南 
    
      • 预训练数据
      • 微调数据
      • 测试数据/用户数据
    • NLP 任务实用指南 
    
      • 传统NLU任务
      • 生成任务
      • 知识密集型任务
      • 可扩展的能力
      • 具体任务
      • 现实世界的“任务”
      • 效率
      • 可信度
      • 基准指令调整
      • 结盟 
      
        • 安全对齐（无害）
        • 真实性校准（诚实）
        • 提示实用指南（有用）
        • 开源社区的协同努力
    • 使用和提取（模型和数据）
 

 

模特实用指南
 

 

 

 

BERT 风格语言模型：编码器-解码器或仅编码器
 

 

 

 

  • BERT BERT：用于语言理解的深度双向 Transformer 预训练，2018 年，论文
  • RoBERTa RoBERTa：一种稳健优化的 BERT 预训练方法，2019 年，论文
  • DistilBERT DistilBERT，BERT 的精简版：更小、更快、更便宜、更轻，2019 年，论文
  • ALBERT ALBERT：用于语言表征自监督学习的精简版 BERT，2019 年，论文
  • UniLM统一语言模型预训练，用于自然语言理解和生成，2019 年论文
  • ELECTRA ELECTRA：将预训练文本编码器用作鉴别器而非生成器，2020 年，论文
  • T5 “使用统一的文本到文本转换器探索迁移学习的极限”。Colin Raffel 等人。JMLR 2019。论文
  • GLM “GLM-130B：开放式双语预训练模型”。2022 年。论文
  • AlexaTM “AlexaTM 20B：使用大规模多语言 Seq2Seq 模型进行小样本学习”。Saleh Soltan 等人。arXiv 2022。论文
  • ST-MoE ST-MoE：设计稳定且可转移的稀疏专家模型。2022 年论文
 

 

GPT 风格的语言模型：仅解码器
 

 

 

 

  • GPT通过生成式预训练提高语言理解能力。2018 年。论文
  • GPT-2语言模型是无监督的多任务学习器。2018 年。论文
  • GPT-3 “语言模型是小样本学习者”。NeurIPS 2020。论文
  • OPT “OPT：开放预训练 Transformer 语言模型”。2022 年。论文
  • PaLM “PaLM：使用路径扩展语言建模”。Aakanksha Chowdhery 等人。arXiv 2022。论文
  • BLOOM “BLOOM：176B 参数开放获取多语言模型”。2022 年。论文
  • MT-NLG “使用 DeepSpeed 和 Megatron 训练 Megatron-Turing NLG 530B，一种大规模生成语言模型”。2021 年。论文
  • GLaM “GLaM：使用混合专家高效扩展语言模型”。ICML 2022。论文
  • Gopher “扩展语言模型：Gopher 训练的方法、分析和见解”。2021 年。论文
  • chinchilla “训练计算优化大型语言模型”。2022 年。论文
  • LaMDA “LaMDA：对话应用的语言模型”。2021 年。论文
  • LLaMA “LLaMA：开放高效的基础语言模型”。2023 年。论文
  • GPT-4 《GPT-4技术报告》。2023年。论文
  • BloombergGPT BloombergGPT：面向金融的大型语言模型，2023 年，论文
  • GPT-NeoX-20B：“GPT-NeoX-20B：一种开源自回归语言模型”。2022 年。论文
  • PaLM 2：“PaLM 2 技术报告”。2023 年。技术报告
  • LLaMA 2：“Llama 2：开放基础和微调聊天模型”。2023 年。论文
  • Claude 2：“模型卡和 Claude 模型评估”。2023.模型卡
 

 

数据实用指南
 

 

 

 

预训练数据
 

 

 

 

  • RedPajama，2023年。回购
  • The Pile：用于语言建模的 800GB 多样化文本数据集，Arxiv 2020。论文
  • 预训练目标如何影响大型语言模型对语言属性的学习？，ACL 2022。论文
  • 神经语言模型的缩放定律，2020 年。论文
  • 以数据为中心的人工智能：一项调查，2023 年。论文
  • GPT 的能力是如何获得的？语言模型的新兴能力溯源，2022 年。博客
 

 

微调数据
 

 

 

 

  • 零样本文本分类基准测试：数据集、评估和蕴涵方法，EMNLP 2019。论文
  • 语言模型是小样本学习器，NIPS 2020。论文
  • LLM 的合成数据生成是否有助于临床文本挖掘？ Arxiv 2023论文
 

 

测试数据/用户数据
 

 

 

 

  • 自然语言理解中大型语言模型的快捷学习：一项调查，Arxiv 2023。论文
  • 关于 ChatGPT 的稳健性：对抗性和分布外视角Arxiv，2023 年。论文
  • SuperGLUE：通用语言理解系统的更粘性基准Arxiv 2019。论文
 

 

NLP 任务实用指南
 

 

 

 

我们为用户的 NLP 应用构建了一个选择 LLM 或微调模型的决策流程~\protect\footnotemark。该决策流程可帮助用户评估其手头的下游 NLP 应用是否满足特定条件，并根据该评估确定 LLM 或微调模型是否是其应用的最合适选择。
 

 

 

 

 

传统NLU任务
 

 

 

 

  • 民事评论数据集上的恶意评论分类基准Arxiv 2023论文
  • chatgpt 是通用的自然语言处理任务解决器吗？ Arxiv 2023论文
  • 对新闻摘要的大型语言模型进行基准测试Arxiv 2022论文
 

 

生成任务
 

 

 

 

  • GPT-3 时代的新闻摘要与评价Arxiv 2022论文
  • chatgpt 是一款好用的翻译器吗？是的，使用 GPT-4 作为引擎Arxiv 2023论文
  • 微软用于 WMT21 共享任务的多语言机器翻译系统、WMT2021论文
  • ChatGPT 也能理解吗？chatgpt 与 fine-tuned bert 的比较研究，Arxiv 2023，论文
 

 

知识密集型任务
 

 

 

 

  • 衡量大规模多任务语言理解能力，ICLR 2021论文
  • 超越模仿游戏：量化和推断语言模型的能力，Arxiv 2022论文
  • 逆向扩展奖，2022 年链接
  • Atlas：使用检索增强语言模型进行小样本学习，Arxiv 2022论文
  • 大型语言模型编码临床知识，Arxiv 2022论文
 

 

可扩展的能力
 

 

 

 

  • 训练计算优化的大型语言模型，NeurIPS 2022论文
  • 神经语言模型的缩放定律，Arxiv 2020论文
  • 使用基于过程和结果的反馈解决数学应用题，Arxiv 2022论文
  • 思维链提示在大型语言模型中引发推理，NeurIPS 2022论文
  • 大型语言模型的新兴能力，TMLR 2022论文
  • 逆向缩放可以变成 U 形，Arxiv 2022论文
  • 面向大型语言模型的推理：一项调查，Arxiv 2022论文
 

 

具体任务
 

 

 

 

  • 图像作为外语：针对所有视觉和视觉语言任务的 BEiT 预训练，Arixv 2022论文
  • PaLI：一种联合缩放的多语言语言图像模型，Arxiv 2022论文
  • AugGPT：利用 ChatGPT 进行文本数据增强，Arxiv 2023论文
  • GPT-3 是一个好的数据注释器吗？，Arxiv 2022论文
  • 想降低标签成本？GPT-3 可以提供帮助，EMNLP 发现 2021论文
  • GPT3Mix：利用大规模语言模型进行文本增强，EMNLP 发现 2021论文
  • 患者试验匹配法学硕士：隐私感知数据增强，以实现更好的性能和通用性，Arxiv 2023论文
  • ChatGPT 在文本注释任务上的表现优于众包工作者，Arxiv 2023论文
  • G-Eval：使用 GPT-4 进行 NLG 评估，具有更好的人体对齐效果，Arxiv 2023论文
  • GPTScore：按您的意愿评估，Arxiv 2023论文
  • 大型语言模型是最先进的翻译质量评估工具，Arxiv 2023论文
  • ChatGPT 是一个好的 NLG 评估器吗？一项初步研究，Arxiv 2023论文
 

 

现实世界的“任务”
 

 

 

 

  • 通用人工智能的火花：GPT-4 的早期实验，Arxiv 2023论文
 

 

效率
 

 

 

 

  1. 成本
 

 

  • Openai 的 GPT-3 语言模型：技术概述，2020 年。博客文章
  • 测量云实例中人工智能的碳强度，FaccT 2022。论文
  • 在人工智能领域，规模越大就越好吗？《自然》文章 2023。文章
  • 语言模型是小样本学习器，NeurIPS 2020。论文
  • 定价，OpenAI。博客文章
 

 

  1. 延迟
 

 

  • HELM：语言模型的整体评估，Arxiv 2022。论文
 

 

  1. 参数高效微调
 

 

  • LoRA：大型语言模型的低秩自适应，Arxiv 2021。论文
  • 前缀调整：优化连续提示以进行生成，ACL 2021。论文
  • P-Tuning：快速调整可与跨尺度和任务的微调相媲美，ACL 2022。论文
  • P-Tuning v2：即时调整可与跨尺度和任务的通用微调相媲美，Arxiv 2022。论文
 

 

  1. 预训练系统
 

 

  • ZeRO：针对训练万亿参数模型的内存优化，Arxiv 2019。论文
  • Megatron-LM：使用模型并行训练数十亿参数语言模型，Arxiv 2019。论文
  • 使用 Megatron-LM 在 GPU 集群上进行高效的大规模语言模型训练，Arxiv 2021。论文
  • 减少大型 Transformer 模型中的激活重新计算，Arxiv 2021。论文
 

 

可信度
 

 

 

 

  1. 稳健性和校准
 

 

  • 使用前校准：提高语言模型的少样本性能，ICML 2021。论文
  • SPeC：基于软提示的校准方法，用于减轻临床笔记摘要中的性能差异，Arxiv 2023。论文
 

 

  1. 虚假偏见
 

 

  • 大型语言模型可能是懒惰的学习者：分析上下文学习中的捷径，ACL 2023论文的发现
  • 自然语言理解中大型语言模型的快捷学习：一项调查，2023 年论文
  • 减轻字幕系统中的性别偏见，WWW 2020论文
  • 使用前校准：提高语言模型的少样本性能，ICML 2021论文
  • 深度神经网络中的捷径学习，《自然机器智能》2020论文
  • 基于提示的模型真的理解其提示的含义吗？，NAACL 2022论文
 

 

  1. 安全问题
 

 

  • GPT-4 系统卡片、2023 年论文
  • 检测 llm 生成文本的科学，Arxiv 2023论文
  • 刻板印象如何通过语言传播：社会类别和刻板印象传播 (scsc) 框架的回顾与介绍，传播研究评论，2019 年论文
  • 性别差异：商业性别分类中的交叉准确度差异，FaccT 2018论文
 

 

基准指令调整
 

 

 

 

  • FLAN：微调语言模型是零样本学习器，Arxiv 2021论文
  • T0：多任务提示训练实现零样本任务泛化，Arxiv 2021论文
  • 通过自然语言众包指令实现跨任务泛化，ACL 2022论文
  • Tk-INSTRUCT：超自然指令：通过声明性指令对 1600 多个 NLP 任务进行泛化，EMNLP 2022论文
  • FLAN-T5/PaLM：扩展指令微调语言模型，Arxiv 2022论文
  • Flan Collection：设计数据和方法以实现有效的指令调整，Arxiv 2023论文
  • OPT-IML：通过泛化视角扩展语言模型指令元学习，Arxiv 2023论文
 

 

结盟
 

 

 

 

  • 根据人类偏好进行深度强化学习，NIPS 2017论文
  • 学习从人类反馈中总结，Arxiv 2020论文
  • 通用语言助理作为对齐实验室，Arxiv 2021论文
  • 通过人类反馈的强化学习来训练一个有用且无害的助手，Arxiv 2022论文
  • 教授语言模型以支持带有经过验证的引文的答案，Arxiv 2022论文
  • InstructGPT：训练语言模型遵循人类反馈的指令，Arxiv 2022论文
  • 通过有针对性的人类判断改善对话代理的协调性，Arxiv 2022论文
  • 奖励模型过度优化的缩放定律，Arxiv 2022论文
  • 可扩展监督：衡量大型语言模型可扩展监督的进展，Arxiv 2022论文
 

 

安全对齐（无害）
 

 

 

 

  • 红队语言模型与语言模型，Arxiv 2022论文
  • 宪法人工智能：人工智能反馈的无害性，Arxiv 2022论文
  • 大型语言模型中的道德自我纠正能力，Arxiv 2023论文
  • OpenAI：我们的 AI 安全方法，2023 年博客
 

 

真实性校准（诚实）
 

 

 

 

  • 语言模型的强化学习，2023 年博客
 

 

提示实用指南（有用）
 

 

 

 

  • OpenAI Cookbook。博客
  • 及时工程。博客
  • ChatGPT 为开发人员提供快速工程！ 课程
 

 

开源社区的协同努力
 

 

 

 
 

 

使用和限制
 

 

LLM 的使用限制（例如用于商业和研究目的）
 

 

LLMsModelData
LicenseCommercial UseOther noteable restrictionsLicenseCorpus
Encoder-only
BERT series of models (general domain)Apache 2.0✅PublicBooksCorpus, English Wikipedia
RoBERTaMIT license✅PublicBookCorpus, CC-News, OpenWebText, STORIES
ERNIEApache 2.0✅PublicEnglish Wikipedia
SciBERTApache 2.0✅PublicBERT corpus, 1.14M papers from Semantic Scholar
LegalBERTCC BY-SA 4.0❌Public (except data from the Case Law Access Project)EU legislation, US court cases, etc.
BioBERTApache 2.0✅PubMedPubMed, PMC
Encoder-Decoder
T5Apache 2.0✅PublicC4
Flan-T5Apache 2.0✅PublicC4, Mixture of tasks (Fig 2 in paper)
BARTApache 2.0✅PublicRoBERTa corpus
GLMApache 2.0✅PublicBooksCorpus and English Wikipedia
ChatGLMChatGLM License❌No use for illegal purposes or military research, no harm the public interest of societyN/A1T tokens of Chinese and English corpus
Decoder-only
GPT2Modified MIT License✅Use GPT-2 responsibly and clearly indicate your content was created using GPT-2.PublicWebText
GPT-NeoMIT license✅PublicPile
GPT-JApache 2.0✅PublicPile
---> DollyCC BY NC 4.0❌CC BY NC 4.0, Subject to terms of Use of the data generated by OpenAIPile, Self-Instruct
---> GPT4ALL-JApache 2.0✅PublicGPT4All-J dataset
PythiaApache 2.0✅PublicPile
---> Dolly v2MIT license✅PublicPile, databricks-dolly-15k
OPTOPT-175B LICENSE AGREEMENT❌No development relating to surveillance research and military, no harm the public interest of societyPublicRoBERTa corpus, the Pile, PushShift.io Reddit
---> OPT-IMLOPT-175B LICENSE AGREEMENT❌same to OPTPublicOPT corpus, Extended version of Super-NaturalInstructions
YaLMApache 2.0✅UnspecifiedPile, Teams collected Texts in Russian
BLOOMThe BigScience RAIL License✅No use of generating verifiably false information with the purpose of harming others;
 content without expressly disclaiming that the text is machine generated		PublicROOTS corpus (Lauren¸con et al., 2022)
---> BLOOMZThe BigScience RAIL License✅same to BLOOMPublicROOTS corpus, xP3
GalacticaCC BY-NC 4.0❌N/AThe Galactica Corpus
LLaMANon-commercial bespoke license❌No development relating to surveillance research and military, no harm the public interest of societyPublicCommonCrawl, C4, Github, Wikipedia, etc.
---> AlpacaCC BY NC 4.0❌CC BY NC 4.0, Subject to terms of Use of the data generated by OpenAILLaMA corpus, Self-Instruct
---> VicunaCC BY NC 4.0❌Subject to terms of Use of the data generated by OpenAI;
 Privacy Practices of ShareGPT		LLaMA corpus, 70K conversations from ShareGPT.com
---> GPT4ALLGPL Licensed LLaMa❌PublicGPT4All dataset
OpenLLaMAApache 2.0✅PublicRedPajama
CodeGeeXThe CodeGeeX License❌No use for illegal purposes or military researchPublicPile, CodeParrot, etc.
StarCoderBigCode OpenRAIL-M v1 license✅No use of generating verifiably false information with the purpose of harming others;
 content without expressly disclaiming that the text is machine generated		PublicThe Stack
MPT-7BApache 2.0✅PublicmC4 (english), The Stack, RedPajama, S2ORC
falconTII Falcon LLM License✅/❌Available under a license allowing commercial usePublicRefinedWeb
 

 

 


                

        

        

    

  


    

      

        

            

              
                
                  拉达曼迪斯II
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          









                



	

		

			

				
					
大语言模型应用指南：执行Python代码

				
			

			

				

					AI天才研究院
				

				

					06-09
					
					1008
					
				

			

		

		

			
				
随着人工智能技术的快速发展，大语言模型（Large Language Models，LLMs）已经成为了自然语言处理领域的重要突破。这些模型不仅能够理解和生成人类语言，还能够理解和生成代码。在众多编程语言中，Python因其简洁、易读、功能强大的特性，成为了大语言模型与编程结合的首选语言之一。本文将深入探讨如何利用大语言模型执行Python代码，包括其原理、实现方法、安全考虑以及性能优化等方面。我们将以实际案例和代码示例来阐述这一过程，帮助读者更好地理解和应用这一强大的技术。

			
		

	



                

              
                



	

		

			

				
					
大语言模型应用指南：大语言模型的安全技术

				
			

			

				

					AI天才研究院
				

				

					06-05
					
					988
					
				

			

		

		

			
				
大语言模型应用指南：大语言模型的安全技术
1. 背景介绍
1.1 大语言模型的兴起
近年来,大语言模型(Large Language Models, LLMs)在自然语言处理(NLP)领域取得了令人瞩目的成就。这些模型通过在海量文

			
		

	



                


  
              

                


	

		

			

				
					
探索医疗领域新纪元：医学大型语言模型实用指南

				
			

			

				

					gitblog_00005的博客
				

				

					06-02
					
					256
					
				

			

		

		

			
				
探索医疗领域新纪元：医学大型语言模型实用指南
 MedLLMsPracticalGuideA curated list of practical guide resources of Medical LLMs (Medical LLMs Tree, Tables, and Papers)项目地址:https://gitcode.com/gh_mirrors/me/MedLLMsPracticalG...

			
		

	





	

		

			

				
					
如何从大语言模型获取JSON输出：实用指南

				
			

			

				

					数智笔记
				

				

					08-19
					
					1128
					
				

			

		

		

			
				
Photo byon大型语言模型（LLMs）在生成文本方面表现出色，但获得像 JSON 这样的结构化输出通常需要巧妙的提示，并希望 LLM 能够理解。值得庆幸的是，在 LLM 框架和服务中变得越来越普遍。这让你可以定义你想要的确切输出格式。这篇文章将深入探讨使用 JSON 模式的受限生成。我们将使用一个复杂、嵌套且现实的 JSON 模式示例，引导 LLM 框架/API，如 Llama.cpp 或 Gemini API，生成结构化数据，特别是旅游地点信息。这建立在之前一篇关于使用。

			
		

	



		

			
		



	

		

			

				
					
新手入门：大语言模型训练指南

				
			

			

				

					xzp740813的博客
				

				

					07-25
					
					1335
					
				

			

		

		

			
				
在这个信息爆炸的时代，人工智能技术正以前所未有的速度渗透到我们生活的方方面面。从智能手机上的语音助手到自动驾驶汽车，AI的应用无处不在。而在这些令人惊叹的技术背后，大语言模型（LLM）扮演着至关重要的角色。它们不仅能够理解和生成自然语言，还能在多种场景下提供智能决策支持。然而，对于许多对AI感兴趣的新手来说，大语言模型的训练和应用似乎是一件高不可攀的事情。复杂的技术术语、晦涩的理论知识，以及高昂的硬件要求，往往让人望而却步。但其实，只要掌握正确的方法和工具，每个人都能成为AI领域的探索者和实践者。本文将带你

			
		

	





	

		

			

				
					
LLMsPracticalGuide - 大模型实用指南

				
			

			

				

					AI + 工程
				

				

					07-20
					
					590
					
				

			

		

		

			
				
一、关于 LLMsPracticalGuide
最新消息💥
LLM的其他实用指南
二、模型实用指南
1、BERT风格的语言模型：Encoder-Decoder or Encoder-only
2、GPT风格的语言模型：Decoder-only
三、数据实用指南
1、预训练数据
2、微调数据
3、测试数据/用户数据
四、NLP任务实用指南
1、传统NLU任务
2、生成任务
3、知识密集型任务
4、扩展能力
5、具体任务
6、现实世界的“任务”
7、效率
8、信任度
9、基准指令调整
10、对齐
安全校准（无

			
		

	





	

		

			

				
					
构建大型语言模型（LLM）产品的实战指南

				
			

			

				

					2301_79342058的博客
				

				

					06-04
					
					1348
					
				

			

		

		

			
				
每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！订阅：https://rengongzhineng.io/使用大型语言模型（LLM）进行开发的时代令人兴奋。过去的一年中，LLM在实际应用中的表现已经达到“足够好”的水平，并且每年都在变得更好且更便宜。

			
		

	





	

		

			

				
					
大语言模型应用指南：长期记忆

				
			

			

				

					AI天才研究院
				

				

					07-18
					
					976
					
				

			

		

		

			
				
大语言模型应用指南：长期记忆
作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming
1. 背景介绍
1.1 问题的由来
随着人工智能领域的快速发展，大语言模型因其强大的语言生

			
		

	





	

		

			

				
					
掌握大型语言模型的指南

				
			

			

				

					DUT_LYH
				

				

					03-22
					
					1025
					
				

			

		

		

			
				
LLM是一类深度学习模型，在大量文本语料库上进行预训练，使其能够生成类人的文本并以前所未有的水平理解自然语言。与传统依赖规则和注释的NLP模型不同，LLM如GPT-3通过预测句子中的掩蔽词以无监督、自我监督的方式学习语言技能。它们的基础性质使它们可以针对广泛的下游NLP任务进行微调。LLM代表了AI的一个范式转变，并使像聊天机器人、搜索引擎和文本生成器这样的应用成为可能，这些应用在以前是无法实现的。

			
		

	





	

		

			

				
					
ChatGPT和大型语言模型（LLMs）： 实用指南

				
			

			

				

					04-15
				

			

		

		

			
				
 这个字节大小的课程将让您了解大型语言模型（LLM），包括提示设计、微调和这项激动人心的技术的未来等主题!  课程概述  本课程由对话式人工智能工程师讲授，将教你如何使用大型语言模型（LLM），如ChatGPT，用于你...

			
		

	





	

		

			

				
					
LLM Concepts Guide - 谷歌大型语言模型概念指南.pdf

				
			

			

				

					11-07
				

			

		

		

			
				
《LLM Concepts Guide - 谷歌大型语言模型概念指南》是一本面向开发者的专业书籍，深入探讨了大型语言模型（LLMs）的基本原理和应用。这本书旨在帮助人工智能行业的学生、程序员、产品经理以及从业者理解和利用LLMs...

			
		

	





	

		

			

				
					
提示工程指南：大型语言模型的高效应用与优化

				
			

			

				

					09-14
				

			

		

		

			
				
内容概要：本PDF详细介绍了提示工程的相关概念和技术，涵盖大型语言模型（LLMs）的基本概念及其构建方法，强调了提示工程技术的重要性，并深入讲解基本的提示方式如角色提示法、少样本提示法以及思维链提示法等技巧...

			
		

	





	

		

			

				
					
Unigine简介

				
			

			

				

					ms44的专栏
				

				

					02-06
					
					4035
					
				

			

		

		

			
				
Unigine简介
Unigine是一款强大的3D 仿真引擎。拥有完全不逊于其余商业3D引擎的渲染和表现能力。

Unigine 以SDK的方式，提供给广大的技术爱好者，项目制作者，研究学者等，以通用的C/C++及灵活的脚本等开发方式针对各行业的3D应用产品和项目。



Unigine拥有接近真实照片级画质的渲染效果，有着足以骄傲的成熟的着色，光照，大气，和众多高级特殊效果。主要的特性诸如：...

			
		

	





	

		

			

				
					
Unigine免费了

				
			

			

				

					ms44的专栏
				

				

					04-16
					
					1957
					
				

			

		

		

			
				
Unigine这个强大的3D引擎，拥有足以挑战Unreal的光影效果，最近终于发出免费版本了。

其收费版本高达百万元，有免费的版本迫不及待的想试试。

直接上官方网站www.unigine.com

点击Get Unigine， 其中点击Free Download





弹出的窗口，填写简单的信息，和邮箱，就可以下载SDK Browser下载器进行下载SDK了。

记得邮箱要确认账号信息哦...

			
		

	





	

		

			

				
					
Unigine源代码分析

				
			

			

				

					ms44的专栏
				

				

					03-03
					
					1876
					
				

			

		

		

			
				
Unigine是一款不错的3D引擎。主要方向是仿真。其实天才才能写出如此好的引擎。

我个人并不觉得比UE和U3D 逊色。同时又比开源的很多引擎OSG，OGRE，irrlicht， 等等商业化程度很多。稳定很多。

在一些网上，你可以买到早期大约是2013年左右泄漏的源代码，但是离现在7年了，软件这东西，没有持续的维护，实质上已经意义不大。

所以我们只说最新的源代码2.X开始版本。

Unigi...

			
		

	





	

		

			

				
					
基于WebRTC的流式系统揭秘

					
最新发布

				
			

			

				

					ms44的专栏
				

				

					09-30
					
					1790
					
				

			

		

		

			
				
流式这种叫法应该是从英文的说法上翻译过来的。英文原来的单词是Streaming . 一般有Video Streaming , Audio Streaming , 中文就是视频流，音频流，我们一般也称为流媒体。当然实质上也被称为云系统，比如采用WebRTC同等架构的Google的云游戏平台Stadia，还有腾讯的云游戏平台，其实都是基于WebRTC或者同等架构或作用的产品，同时由于运行在公有云上，因此被称为云系统，流式系统，或者串流系统等各种叫法。

			
		

	





	

		

			

				
					
WebGPU和像素流之间的对比和分析

				
			

			

				

					ms44的专栏
				

				

					09-26
					
					1765
					
				

			

		

		

			
				
想要开发软件的公司在开发过程中的某个阶段会问自己应该使用哪些技术。未来可行性方面的投资是一个需要考虑的点；例如，如果 XYZ 公司使用 Perl 编写应用程序，他们可能很难在 20 年后找到能够继续使用这项技术进行开发的新开发人员（The HFT Guy，2019 年）。以下文章将讨论两种技术，它们为未来几年开发 3D 应用提出了重要问题：公司/开发者应该朝哪个方向投资？它们有哪些优势和劣势？最重要的是：这些技术是什么？

			
		

	





	

		

			

				
					
理解生成式人工智能的综合指南

				
			

			

				

					ms44的专栏
				

				

					09-24
					
					1565
					
				

			

		

		

			
				
生成式人工智能是一种先进的技术，能够以文本、语音、视觉效果甚至合成数据的形式生成内容。它利用深度学习模型和大型语言模型来着手创作新颖内容。wp:quote其（生成式人工智能）性能将与排名前 25% 的人相媲美，在 2040 年之前完成所有任务。——麦肯锡/wp:quote生成式人工智能已成为世界轰动的焦点，人工智能的迈克尔·乔丹接连得分。它绝对不仅限于情境对话，还包括量身定制的建议、直观的解决方案等等。其应用广泛分布于从高科技到农业和消费品等各个行业。

			
		

	





	

		

			

				
					
WebGPU 的一些小故事

				
			

			

				

					ms44的专栏
				

				

					09-21
					
					1491
					
				

			

		

		

			
				
2013 年，

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		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
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
拉达曼迪斯II

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
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