色yeye在线视频观看_亚洲人亚洲精品成人网站_一级毛片免费播放_91精品一区二区中文字幕_一区二区三区日本视频_成人性生交大免费看

AI大模型是指擁有超大規(guī)模參數(shù)（通常在十億個(gè)以上）、復(fù)雜計(jì)算結(jié)構(gòu)的深度學(xué)習(xí)模型，能夠處理海量數(shù)據(jù)，完成各種復(fù)雜任務(wù)，如自然語(yǔ)言處理、圖像識(shí)別等。

大模型包含如下一些技術(shù)：

Prompt

Prompt提示是模型接收以生成響應(yīng)或完成任務(wù)的初始文本輸入。我們給AI一組Prompt輸入，用于指導(dǎo)模型生成響應(yīng)以執(zhí)行任務(wù)。這個(gè)輸入可以是一個(gè)問(wèn)題、一段描述、一組關(guān)鍵詞，或任何其他形式的文本，用于引導(dǎo)模型產(chǎn)生特定內(nèi)容的響應(yīng)。

Transformer

Transformer是一種用于自然語(yǔ)言處理（NLP）和其他序列到序列（sequence-to-sequence）任務(wù)的深度學(xué)習(xí)模型架構(gòu)，它在2017年由Vaswani等人首次提出。Transformer架構(gòu)引入了自注意力機(jī)制（self-attention mechanism），這是一個(gè)關(guān)鍵的創(chuàng)新，使其在處理序列數(shù)據(jù)時(shí)表現(xiàn)出色。

結(jié)構(gòu)如下：

預(yù)訓(xùn)練

預(yù)訓(xùn)練（Pre-training）通常是指對(duì)模型進(jìn)行無(wú)監(jiān)督或自監(jiān)督學(xué)習(xí)的過(guò)程，在大規(guī)模未標(biāo)注數(shù)據(jù)上先訓(xùn)練模型，以便為后續(xù)任務(wù)提供一個(gè)高質(zhì)量的初始權(quán)重。這個(gè)過(guò)程對(duì)于許多復(fù)雜模型尤其是 transformer 架構(gòu)（比如BERT、GPT系列等）來(lái)說(shuō)極其重要。

Function calling

Function Calling 是一個(gè)允許大型語(yǔ)言模型（如 GPT）在生成文本的過(guò)程中調(diào)用外部函數(shù)或服務(wù)的功能。

Function Calling允許我們以 JSON 格式向 LLM 模型描述函數(shù)，并使用模型的固有推理能力來(lái)決定在生成響應(yīng)之前是否調(diào)用該函數(shù)。模型本身不執(zhí)行函數(shù)，而是生成包含函數(shù)名稱(chēng)和執(zhí)行函數(shù)所需的參數(shù)的JSON

Rag

RAG（中文為檢索增強(qiáng)生成） = 檢索技術(shù) + LLM 提示。例如，我們向 LLM 提問(wèn)一個(gè)問(wèn)題（answer），RAG 從各種數(shù)據(jù)源檢索相關(guān)的信息，并將檢索到的信息和問(wèn)題（answer）注入到 LLM 提示中，LLM 最后給出答案。

Gpts

GPTs其實(shí)就是一個(gè)模板，把你的需求告訴GPTs，它會(huì)按照你的想法去生成新的ChatGPT，相當(dāng)于把你的想法寫(xiě)成了一個(gè)模板，供你個(gè)性化使用。每次使用的時(shí)候直接輸入你的話(huà)題或者部分內(nèi)容，這時(shí)候的ChatGPT就會(huì)按照你設(shè)定的使用規(guī)則跟你對(duì)話(huà)，直接輸出你需要的內(nèi)容，而不需要你每次都輸入一定的提示指令去引導(dǎo)。

Langchain

LangChain 就是一個(gè) LLM 編程框架，你想開(kāi)發(fā)一個(gè)基于 LLM 應(yīng)用，需要什么組件它都有，直接使用就行；甚至針對(duì)常規(guī)的應(yīng)用流程，它利用鏈(LangChain中Chain的由來(lái))這個(gè)概念已經(jīng)內(nèi)置標(biāo)準(zhǔn)化方案了。

Agent

智能體的英文是 Agent，AI 業(yè)界對(duì)智能體提出了各種定義。個(gè)人理解，智能體是一種通用問(wèn)題解決器。從軟件工程的角度看來(lái)，智能體是一種基于大語(yǔ)言模型的，具備規(guī)劃思考能力、記憶能力、使用工具函數(shù)的能力，能自主完成給定任務(wù)的計(jì)算機(jī)程序。

Fine-tuning

微調(diào)是指在預(yù)訓(xùn)練模型（Pre-trained model）的基礎(chǔ)上，針對(duì)特定任務(wù)或數(shù)據(jù)領(lǐng)域，對(duì)部分或全部模型參數(shù)進(jìn)行進(jìn)一步的訓(xùn)練和調(diào)整（Fine Tune）。預(yù)訓(xùn)練模型通常是在大規(guī)模數(shù)據(jù)集上訓(xùn)練得到的，具有一定的通用性和泛化能力。微調(diào)的目標(biāo)是在較小的目標(biāo)數(shù)據(jù)集上，通過(guò)有限的訓(xùn)練數(shù)據(jù)，使模型更好地適應(yīng)特定任務(wù)，從而提高模型在該任務(wù)上的性能。