LLM大模型AI应用的三阶技术

已于 2024-06-18 17:49:11 修改
阅读量208 收藏
点赞数 1
分类专栏： 大模型专栏 文章标签： 语言模型 LLM 大模型 人工智能
于 2024-06-07 20:09:28 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/yangyin007/article/details/139534783
版权

第一阶 指令工程（Prompt Enginner）

设计提示（Prompt Design） 

结果优化（Response Optimization）

交互设计（Interaction Design）

模型理解（Model Understanding）

第二阶 应用框架

向量数据库、

向量检索

LangChain

Semantic Kernel

智能体 ....

第三阶 模型微调（Fine-tune）

奇华智能
关注
专栏目录
大模型应用开发之业务架构和技术架构（从AI Embedded 到 Copilot,再到Agent）
2301_81940605的博客
04-26 2411
本文章，我们从大模型目前应用的典型业务架构和技术架构进行分析，让大家初步能够了解我们都是在如何使用LLM的，从而大家在自己的实际落地场景中，也可以对照分析，如何建设自己的业务架构和技术架构，以及选择什么样的技术路线。
LLM大模型入门指南：基本技术原理与应用
2301_81940605的博客
08-16 695
本文带着大家初步了解一下大模型的基本技术原理，包括深度神经网络、激活函数、损失函数、优化算法、正则化和模型结构等。
LLM 大模型安全 | 大语言模型应用安全入门
2301_81888214的博客
07-10 741
在本文中，会以应用安全工程师的视角，汇总梳理有关 LLM 的原理和基础知识，以赋能安全工程师为后续新型使用 LLM 的产品的信息安全保驾护航。
轻松搭建AI应用的三个大模型技术路线
2401_85325557的博客
06-05 808
和。
基于大模型（LLM）的Agent 应用开发
2301_81940605的博客
05-01 1708
目前，业界一般认为基于大模型的应用集中在两个方向上：RAG 和 Agent，无论哪一种应用，设计、实现和优化能够充分利用大模型(LLM)潜力的应用都需要大量的努力和专业知识。
20个主流的代码生成LLM大模型及9种常见应用场景
python12345678_的博客
07-22 2120
自动完成或代码生成功能已在开发工具中存在多年。早在 1996 年，微软就在 Visual Studio 中为 Visual Basic 引入了这一功能（IntelliSense）。熟悉 Eclipse 的人可能使用过 Java getter 和 setter 生成函数，以及变量名的字符串导出函数（著名的“public String toString()”函数）。提供下一行代码仍然是这些 IDE 工具的一个重要功能，通常通过同时按下 Control 和空格键来激活。
LLM大模型之快速入门Agent （ai大模型）
2401_82469710的博客
07-13 783
LangChain支持构建应用程序，将外部数据源和计算源连接到LLM。我们将从一个简单的 LLM 链开始，它只依赖于提示模板中的信息来响应。
LLM大模型应用开发之准备篇（OpenAI的plugins、GPTs与RAG、Agent）
AAI666666的博客
07-17 1078
家陆续在很多文章中可能已经看到过了很多概念，比如plugins、GPTs、Agent，这里面自ChatGPT3.5爆火以来，有众多的AI创业公司从不同的切入点在做，OpenAI公司也在不断推进自家产品的核心能力和生态的迭代更新，比如去年最引人瞩目的GPT-4 turbo的发布。
AI应用 | 【AI+工业】LLM（大型语言模型）在工业领域中的十个应用
python1234_的博客
07-25 959
随着时间的推移，LLM（大型语言模型）的特性和能力逐渐为人们所熟知。它们展现了无与伦比的人类语言理解、出色的文本生成能力以及友好的对话指令跟随倾向。而像GPT-4和Claude等更为强大的LLM则展现出了对现实世界因果关系的深刻理解。据报道，GPT-4甚至采用了八个与GPT-3.5规模相当的LLM，通过混合专家（MoE）的方式进行配置。
LLM技术发展及在垂直领域中如何应用-经验学习大全
weixin_44077556的博客
07-24 9673
语言建模（LM)是提高机器语言智能的主要方法之一。一般来说，LM旨在对词序列的生成概率进行建模，以预测未来tokens的概率。: 起源于 20世纪90年代。其基本思想是基于马尔可夫假设建立词预测模型，由于需要估计指数级数量的转换概率，因此很难准确估计高阶语言模型。因此需要专门设计平滑策略，如回退估计和古德图灵估计被引入以缓解数据稀疏问题。: 通过神经网络，如循环神经网络（RNN）,来描述单词序列 的概率。作为一个显著贡献。工作引入了词的分布式表示这一概念，并在聚合上下文特征的条件下构建词预测函数。
​LLM之新手入门：大预言模型的概念介绍与应用
qq_17827079的博客
03-14 2831
最近，我在系统地学习大型语言模型（LLM）的相关知识。在这个学习过程中，我努力将所学的内容整理成博客文章。在这篇博客中，我首先简要介绍了人工智能的发展历史，然后探讨了大型模型的基本原理、训练方法、微调技巧、实际使用方式、模型压缩策略以及它们可能的应用场景。通过这篇文章，读者可以对大型语言模型的整体框架和功能有一个初步而全面的认识。
1.AI大模型四阶技术总览
YPeng_Gao的博客
06-09 655
• 技术浪潮：弱人工智能、机器学习、深度学习、大语言模型• 应用浪潮：高校共识、硅谷创新、中美博弈• 把握浪潮：AI 大模型助力超级个体和小团队。
大模型的实践应用8-利用PEFT和LoRa技术微调大模型(LLM)的原理介绍与指南
weixin_42878111的博客
11-28 384
大家好，我是微学AI，今天给大家介绍一下大模型的应用8-利用PEFT和LoRa技术微调大模型(LLM)的原理介绍与指南，2023年是大语言模型爆发的元年，在我国大语言模型分布就有上百种，随着人工智能技术的不断发展，对于GPT这样的大型语言模型的规模只会变得越来越大。随着模型规模的增大，这些模型的功能和复杂性也随之增加，复杂性和模型大小的增加也会带来新的挑战。训练更大的模型需要更广泛的数据集，并且随着模型的增长，必须调整更多的参数。这可能需要大量计算，因此成本也非常高。
【大模型应用开发 动手做AI Agent】Function Call 与 API 插件
AI天才研究院
06-17 1023
在大模型的应用开发中，特别是在构建AI Agent时，我们经常需要让大模型与外部世界进行交互，例如访问数据库、调用各种API服务等。Function Call（函数调用）和API插件技术的出现，为大模型赋予了这种与外界交互的能力，极大地拓展了大模型的应用范围和实用性。本文将深入探讨Function Call和API插件技术在AI Agent开发中的原理和实践。Function Call和API插件为大模型赋予了连接外部世界的能力，极大地拓展了其应用范围和实用价值。
UOS AI 1.6 版本升级，如何实现精准搜索，效率翻倍？
vickynesss的博客
11-01 384
通过直接接入互联网的实时数据流，搜索结果变得多样化，不仅限于文字总结，还包括思维导图、事件与人物的综合概述，以及图片、视频、音频等多种形式，显著提高了回答的准确性和全面性。全局搜索全新搭载端侧大模型：支持离线自然语言搜索，无论身在何处，即使没有网络，只需通过快捷键“Shift+space(空格键）”唤醒全局搜索，都能轻松找到所需文件。：对于日常积累的海量截图，只需借助全局搜索功能，简要描述图片内的文字信息，便能迅速锁定并检索到所需图片。：重要信息直接添加到知识库，方便日后查阅，让全局搜索成为你的第二大脑。
基于Keras的U-Net模型在图像分割与计数中的应用
10-31 1960
网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。
如何在 AI 时代打造你的核心竞争力？
玉树芝兰
11-01 269
（注：本文为小报童精选文章。已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）焦虑在《AI 研究已摘得诺奖桂冠，普通科研工作者将何去何从？》一文中我谈过自己对目前 AI 技术浪潮对大众影响的体会——未来已来，只是分布不均。很多人在还没有意识到 AI 带来的变革潜能时，觉得与自己无关，日子该怎么过怎么过，倒也轻松。而一旦突然意识到 AI 的重要性，就会变得焦虑万分。这种焦虑，就是挣扎与思考在外...
基于MATLAB的战术手势识别
最新发布
2401_84801422的博客
11-03 642
模板匹配法：作为最接近人本身对事物的识别的方法，模型匹配法是将传感器输入的原始数据与预先存储的模板进行匹配，通过测量两者之间的相似度来完成识别，相应的，模型匹配法需要大量的基础数据作为匹配对象来确保识别率，所以受到噪声、光照等复杂环境影响较大，并且识别速度慢。手势的完成是一个动态的过程，这个过程包括了手指弯曲引起的手的形状和手在空间中的位置和方位的变化两个方面，在实际识别过程中，根据手势的时间特征，可以将手势分为静态手势和动态手势两种。同时，为训练成果的检验提供了一种更为智能化的方式。
YoloV9改进策略：Block改进|RFE模块，提高小物体的识别精度|即插即用|代码+修改过程
m0_47867638的博客
10-29 396
本文介绍了一种基于YOLOv5的人脸检测方法，命名为YOLO-FaceV2。该方法旨在解决人脸检测中的尺度变化、简单与困难样本不平衡以及人脸遮挡等问题。通过引入一系列创新模块和损失函数，YOLO-FaceV2在WiderFace数据集上取得了优异的表现，特别是在小物体、遮挡和困难样本的检测上。
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