alexa2077

摘要： 2025年11月最佳AI大模型排行 这是一份AI大模型评测报告，提供多个行业流行的测试基准评分， 测试基准详见：Chatbot Arena 、MMLU(5-shot)、 Arena-Hard-Auto。 见大模型性能榜单表格。 1 Openai 全球领先的人工智能公司，其 GPT 系列模型具备强大的 阅读全文

摘要： 与传统认为 Benchmark 仅包含评测数据集不同，大模型基准测试体系包括关键四要素：测试指标体系、测试数据集、测试方法和测试工具。指标体系定义了“测什么？”，测试方法决定“如何测？”，测试数据集确定“用什么测？”，测试工具决定“如何执行？”。 大模型基准测试（Benchmark）的目标是通过设计 阅读全文

摘要： 0 概述 **VLM可以做的任务类型** 视觉定位/物体检测（Visual grounding） 图像和视频总结（image caption） 视觉问答（visual question answering） 图像-文本对比学习 生成式任务 对齐式任务文本解析和手写文档 图像分类 语义分割 图像文本检 阅读全文

摘要： 论文标题：Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG 文章导图： 1 Introduction LLMs 由于依赖静态的预训练数据而面临重大限制。这种依赖通常导致信息过时、虚构的回答，以及无法适应动态的现实场景。这些 阅读全文

摘要： 通常来说基于LangChain实现一个RAG的原理如下： 加载文件 -> 读取文本 -> 文本分割 -> 文本向量化 -> 问句向量化 -> 在文本向量中匹配出与问句向量最相似的top k个 -> 匹配出的文本作为上下文和问题一起添加到prompt中 -> 提交给LLM生成回答。 核心流程包括： 数 阅读全文

摘要： 1 Retrieval Augmented Generation 检索增强生成 **Why RAG？** 当我们将大模型应用于实际业务场景时会发现，通用的基础大模型基本无法满足实际业务需求，主要有以下几方面原因： 知识的局限性：大模型自身的知识完全源于训练数据，而现有的主流大模型（deepseek、 阅读全文

摘要： https://github.com/humanlayer/12-factor-agents 传统agent的困境： 这种方法的问题在于： 控制流不可预测：完全依赖LLM决策 错误处理困难：缺乏结构化的异常处理 状态管理混乱：执行状态与业务状态混合 可观测性差：难以调试和监控 真正优秀的Agent不 阅读全文

摘要： OpenAI Functions Agent 概述 现有的大模型可以检测何时应该调用特定的函数,并应该将该函数的正确输入进行响应。在API调用中，您可以描述想要调用的函数，然后让模型智能地选择输出包含调用这些函数所需参数的JSON对象。 在LangChain中，create_openai_funct 阅读全文

摘要： 半监督学习是一种介于监督学习和无监督学习之间的机器学习方法，它利用大量的未标记数据和少量的标记数据来进行模型训练。以下是几种常见的半监督学习方法： 自训练（Self-training）： 方法：自训练方法先使用标记数据训练一个初始模型，然后用该模型来预测未标记数据的标签。接着，将置信度较高的预测结果 阅读全文

摘要： collections模块常用类型有： 默认字典（defaultdict） dict的子类，可以调用提供默认值的函数 双向队列（deque） 类似于list的容器，可以快速的在队列头部和尾部添加、删除元素 计数器（Counter） dict的子类，计算可hash的对象 有序字典（OrderedDic 阅读全文