摘要： 探索 LangGraph、LangChain、LangFlow 和 LangSmith 之间的关键区别，了解哪种框架最适合您的语言模型应用——从工作流构建到性能监控。 近年来，自然语言处理（NLP）领域见证了可用于构建基于语言模型的应用程序的框架、库和工具数量的激增。在这些工具中，LangGraph 阅读全文

摘要： 转：https://www.cnblogs.com/boydfd/p/18791215 背景 自ChatGPT诞生以来，各个企业都开始尝试引入LLM落地实施“智能”应用，而目前并没有太多文章系统地介绍应该怎么落地实施一个基于LLM的应用，到底应该做哪些步骤。本人从2023年12月份开始，陆陆续续开发 阅读全文

摘要： 在训练大语言模型时，大家可能会搞混以下几个概念，下面做一个详细的对比区分： 概念 Pre-training（预训练） Post-training（后训练） Continue Training（持续训练）定义 预训练是指在模型的初始阶段，使用大量数据对模型进行训练，以便让模型学习到通用的特征和知识。这 阅读全文

摘要： CRAG（Corrective Retrieval Augmented Generation）是一种纠错检索增强生成方法，其主要步骤如下： 1. 检索阶段 用户输入查询 ：用户向系统输入一个查询请求，例如“艾萨克·牛顿是如何发现万有引力的？”。 检索器检索文档 ：系统中的检索器根据用户查询从预设的知 阅读全文

摘要： 湖仓架构与概念在北美大火，多家科技巨头纷纷跟进 01 今年众多的 AI 交易中，有如下两笔交易： 6月4日，Databricks 宣布收购最火的数据湖表格式 Apache Iceberg 背后的商业机构 Tabular，Databricks 表示最终的交易价格将在 10 亿美元以上。 6月21日，O 阅读全文

摘要： 反幻觉（Anti-Hallucination）的核心目标 问题本质：生成模型（如大语言模型）可能虚构信息（幻觉），需通过技术手段约束其输出，使其更忠实于事实或输入数据。 常见方法： 知识增强：引入外部知识库（如检索数据库、向量数据库）辅助生成。 事实检查模块：通过后处理验证输出准确性。 Prompt 阅读全文

摘要： https://zhuanlan.zhihu.com/p/678902427 来自于 Meta AI，原文链接如下： 原文链接​arxiv.org/abs/2309.11495 LLM 经常遇到的主要问题就是幻觉，减少幻觉的方法大致可分为三类：训练时校正、生成时校正和通过增强（使用工具）进行校正。 阅读全文

摘要： 导读 本文将分享大模型在蚂蚁集团推荐场景中的应用（以下全部为蚂蚁集团的研究工作及落地）。 主要内容包括以下几大部分： 1. 背景介绍 2. 利用大模型进行知识提取 3. 大模型作为教师模型 4. Q&A 分享嘉宾｜胡斌斌 蚂蚁集团AI创新研发部门NextEvo 算法专家 编辑整理｜王甲君 内容校对｜ 阅读全文

摘要： EmoLLM 是一系列能够支持 理解用户-支持用户-帮助用户 心理健康辅导链路的心理健康大模型，由 LLM指令微调而来，欢迎大家star~⭐⭐。目前已经开源的 LLM 微调配置如下： 心理健康大模型（Mental Health Grand Model）是一个综合性的概念，它旨在全面理解和促进个体、群 阅读全文

摘要： 导读 随着 ChatGPT 的流行，LLMs（大语言模型）再次进入人们的视野。然而，在处理特定领域查询时，大模型生成的内容往往存在信息滞后和准确性不足的问题。如何让 RAG 和向量搜索技术在实际应用中更好地满足企业需求？如何在向量之上构建全链路 RAG 服务，提升开发者效率，降低成本？本文整理自 T 阅读全文