摘要：
阅读全文
posted @ 2025-10-27 22:28
sakuraLGGM
阅读(9)
评论(0)
推荐(0)
摘要：
L1G3-浦语提示词工程实践 1. 提示工程 1.1 什么是提示词 根据大模型的应用领域，可以把提示词分为五类。其中，“文本生成”提示词是最基础最重要的。 提示词是调用生成式AI能力的基础接口。 提示词调用生成式AI能力的两个阶段如下： 大模型词元预测的原理： 获取输入文本，模型处理获取文本特征 依 阅读全文
posted @ 2025-03-08 17:22
sakuraLGGM
阅读(129)
评论(0)
推荐(0)
摘要：
L2G3-LMDeploy 量化部署进阶实践 1. LMDeploy部署模型 1.1 什么是模型部署？ 1.2 一个大语言模型部署框架可以提供什么？ LMDeploy提供了大语言模型部署的全链条开源工具，能够十分便捷地帮助用户部署自己大模型应用。 推理引擎与大模型的关系（from claude 3. 阅读全文
posted @ 2025-03-01 12:51
sakuraLGGM
阅读(472)
评论(0)
推荐(0)
摘要：
L2G2-Lagent 自定义你的 Agent 智能体 1. Agent 入门 1.1 Agent 是什么 Agent 的核心是将感知，推理和行动结合成一个闭环。Agent 通过感知器感知外部的环境，获取输入的数据。然后输入数据到某种形式中（比如模型），它负责处理输入数据，制定行动策略。随后执行器根 阅读全文
posted @ 2025-03-01 12:49
sakuraLGGM
阅读(221)
评论(0)
推荐(0)
摘要：
L1G6-OpenCompass 评测书生大模型实践 1. 大模型评测入门 1.1 评测重要性和挑战 解释： 超级对齐的必备组件：大模型安全问题日益突出，人工监管能力有限，需要有基于评测的安全监督。 数据污染：有的模型可能在评测集上训练，得到的分数不可信。 评测成本：客观题数量较多时，大模型推理消耗 阅读全文
posted @ 2025-03-01 12:47
sakuraLGGM
阅读(250)
评论(0)
推荐(0)
摘要：
L1G4-InternLM + LlamaIndex RAG 实践 1. RAG技术 1.1 RAG技术概述 解决的问题： 生成幻觉：不知道的东西乱说 过时知识：大模型的训练是一次性的而不是实时的，不能及时获取最新的知识 缺乏透明和可追溯的推理过程：大模型给出的答案可能是对的，但我们不知道是怎么得到 阅读全文
posted @ 2025-03-01 12:45
sakuraLGGM
阅读(250)
评论(0)
推荐(0)
摘要：
L2G4-InternVL 多模态模型部署微调实践 数据集样本数量 = batch_size * accumulative_counts * step 由于显存有限，不能将数据集一次投入到模型中进行前向传播、计算损失、反向传播和参数更新，而是将数据分成若干个小批次（batch）。每个批次会通过前向传 阅读全文
posted @ 2025-02-25 19:56
sakuraLGGM
阅读(123)
评论(0)
推荐(0)
摘要：
L1G5-XTuner 微调个人小助手认知 1. 概念明晰 1.1 指令微调的概念 首先我们要认清指令微调的大模型训练过程中所属的位置： 大模型的训练过程可以分成预训练和后训练两个阶段： 而指令微调就是后训练的第一步： 指令微调这一步有三种范式，要注意第三种范式也叫做指令微调。 其中第二和第三种范式 阅读全文
posted @ 2025-02-17 20:48
sakuraLGGM
阅读(190)
评论(0)
推荐(0)
摘要：
L1G2-玩转书生「多模态对话」与「AI搜索」产品 基础任务 MindSearch 网址 问题：目前生成式AI在学术和工业界有什么最新进展？ MindSearch将我提出的问题拆分为了两个子问题，并分别搜索，整合得到最终回复。 对子问题“学术界生成式AI进展”的解答： 对子问题“学术界生成式AI进展 阅读全文
posted @ 2025-02-17 20:47
sakuraLGGM
阅读(21)
评论(0)
推荐(0)
摘要：
L1G1-书生浦语大模型开源开放体系 一、开源历程与发展 书生·浦语(InternLM)大模型的开源发展历程展现了其在性能和功能上的持续突破： 1. 首次开源（2023年7月6日） InternLM-7B模型首次开源发布 同步发布全链条开源工具体系，包括XTuner微调工具、LMDeploy部署工具 阅读全文
posted @ 2025-02-17 20:47
sakuraLGGM
阅读(84)
评论(0)
推荐(0)
浙公网安备 33010602011771号