AI.x社區
- 登錄/注冊
基于Agent的金融問答系統：RAG的檢索增強之ElasticSearch
原創前言本章內容，我們將在已經構建的agent框架基礎上，優化檢索器，為檢索器搭建ElasticSearch服務，實現問答系統的檢索增強。檢索問題通過測試天池大賽數據集的前100個問題，我們發現有很多問題RAG檢索不到，例如：?{"id":34,"question":"根據武漢興圖新科電子股份有限公司招股意向書，電子信息行業的上游涉及哪些企業？"}通過查看日志，檢索器沒有檢索到相關信息：優化方案分析上述case原因，檢索器太過簡單所致。classSimpleR...AgentRAG如何在組織中啟用機器學習
原創構建機器學習產品需要不同類型的技能和流程，而這些技能和流程需要逐步被吸納并融入組織的日常運作中。計劃在組織內部引入人工智能機器學習的產品經理通常會提出這樣一個問題：“我從哪里開始著手？”對于缺乏該領域經驗的組織來說，深入研究人工智能機器學習可能會讓人感到不知所措。構建機器學習產品需要不同類型的技能和流程，而這些技能和流程需要逐步被吸納并融入組織的日常運作中。事實表明，成功的關鍵在于從小處著手，...機器學習人工智能大型語言模型DeepSeek首發國產類o1模型！人人可以免費使用！
20日晚8點，DeepSeek在自己官方公眾號上放出了一個大殺器：全新自研的DeepSeekR1Lite預覽版正式上線。據介紹，DeepSeekR1系列模型使用強化學習訓練，推理過程包含大量反思和驗證，思維鏈長度可達數萬字。該系列模型在數學、代碼以及各種復雜邏輯推理任務上，取得了媲美o1preview的推理效果，并為用戶展現了o1沒有公開的完整思考過程。圖片等不及看下文的朋友，大家可以自行登錄DeepSeek官網（chat.deepseek.com），前往體驗與國...DeepSeeko1模型Suno AI v4：音樂創作人的飯碗正逐漸被提示詞所取代
近日，AI音樂生成平臺Suno正式發布了其第四代模型——Sunov4。本次升級在音質、歌詞精準度和歌曲結構等方面都有顯著提升，標志著AI音樂創作邁入了一個新的篇章。Sunov4利用深度學習技術，基于大量音樂數據進行訓練，生成更加自然、豐富的音樂作品。與之前的版本相比，v4提供了更清晰的音頻、更銳利的歌詞以及更具動感的作品。此外，新模型能夠生成多種風格的音樂，滿足不同聽眾的需求，提供豐富多樣的曲風。相比之下，Sunov3雖...AI提示詞SunoGPT-4和GPT-4V能否像人類一樣進行抽象推理
有關類似GPT4這樣的大型語言模型（LLM）是否真正模擬人類邏輯和推理的辯論正在進行中。一些研究人員認為，隨著規模的擴大，LLM可能會發展出對抽象推理、模式識別和類比制作的新能力。另一方面，一些人認為促使這些能力的內部機制尚未被解釋清楚。一些實驗證明，這些模型在其訓練數據范圍之外難以推廣。"在創建和推理抽象表示方面的能力對于強大的泛化至關重要，因此有必要了解LLM在這方面已經取得了多大的能力，"圣塔菲研究所的...GPT-4GPT-4V性能微軟發布Mora視頻模型，吊打Sora？
微軟與理海大學合作開發的多智能體視頻生成框架Mora，近日正式亮相，標志著人工智能在視頻創造領域的一次重大突破。Mora的問世不僅是對閉源的Sora模型的成功復現和擴展，更是向我們展示了AI技術向“去中心化”發展的可能性，為未來的AI系統架構、管理和倫理問題的討論打開了新的篇章。體驗網址：https:github.comlichaosunMoraMora框架的核心是整合了多個先進視覺AI智能體，模擬了Sora展現的通用視頻生成能力，包括文本到視頻生...微軟Mora視頻AI 賦能量子計算突破
?一、量子計算薛定諤的愛情與狄拉克的996一文中筆者帶大家領略了量子力學的魅力，并簡單探討了量子計算（QC:QuantumComputing）。QC處于技術創新的最前沿，業界期待其解決傳統計算平臺無法有效解決的復雜問題，特別是突破當下AI大模型遇到的算力瓶頸。另一方面，新的大模型機理具備更高維度的新穎性，可以通過揭示隱藏的聯系建立更廣泛有用的創新框架，成為科學和哲學探索的有力工具，包括QC。二、AI賦能QC牛津大學、NVIDIA、...AIQC驅動如何進行高效的LLM分布式推理
1.背景這次指的大型語言模型（LLMs）主要說的是采用Transformers架構的模型，該架構在訓練階段具有高度的并行性。然而，在實際應用中，高效地部署這些模型面臨一些挑戰。這是因為生成推理是逐個token進行的，而每個token的計算都依賴于先前生成的標記。因此，支持大規模訓練的模型需要仔細考慮并行布局和內存優化，以實現所需的可擴展性和高效的低延遲推理。從而更好地支持大規模訓練的模型在實際應用中實現高效的低延遲推理，...LLM分布式MQA關于自適應模態分解方法
依據基本原理、分解過程和分解特性，可以將自適應模式分解方法分為三類，分別是基于時域局部特征、基于頻譜分割和基于時變濾波的信號分解方法。基于時域局部特征的多分量信號分解方法基于時域局部特征的多分量信號分解方法，依據信號特征自適應地將多分量信號分解為一組分量，為多分量信號的進一步分析提供了便利。對于分解到的分量，一方面可以運用：Hilbert變換、能量算子、歸一化Hilbert變換、經驗調幅調頻分析、廣義過零點...自適應模態Hilbert變換一夜小模型王座易主！英偉達發布超強小模型，性能、速率、緩存全面超越Llama3.2！
原創編輯｜言征小模型王座一夜易主了！冷不防，英偉達就丟出了一個新混合架構，以后不再只是Transformer的天下了。日前，NVIDIA剛剛發布了Hymba1.5BBase，這是一個將Transformer注意力機制與狀態空間模型（SSM）集成的小型語言模型。這種全新的混合架構只使用1.5T的Tokens進行訓練，性能、速度卻全面超越了市面上主流的所有小模型！英偉達的科學家兼研究經理PavloMolchanov在X上宣布了這一最新發展。圖片HuggingFace的技術負責人及...Llama3.2！人工智能模型超Gemini-1.5-pro 9.5%！字節&上交&北大開源StoryTeller：生成一致性高的長視頻描述
文章鏈接：https:arxiv.orgpdf2411.07076數據集&代碼：https:github.comhyc2026StoryTeller亮點直擊引入音畫角色識別任務：提出了音畫角色識別任務，通過整合視覺、音頻和文本信息，實現對白與角色的精準匹配，從而解決長視頻描述中的一致性挑戰，包括角色描述和故事邏輯連貫性。StoryTeller系統創新:開發了StoryTeller系統，包含視頻分割模塊、音畫角色識別模塊和身份感知的描述生成模塊，生成密集且一致性高的長視頻描述，兼...模型AI從 Llama 1 到 3.1：Llama 模型架構演進詳解
原創編者按：面對Llama模型家族的持續更新，您是否想要了解它們之間的關鍵區別和實際性能表現？本文將探討Llama系列模型的架構演變，梳理了Llama模型從1.0到3.1的完整演進歷程，深入剖析了每個版本的技術創新，還通過實際實驗對比了Llama2和Llama3在推理速度、答案長度和相對答案質量（RAQ）等關鍵指標上的表現差異。根據本文，Llama模型的架構演變主要經歷了以下三個階段：Llama1：基于原始Transformer架構，引入了預歸一化、RMSNo...LLMLlama基于Agent的金融問答系統：代碼重構
原創前言在上一章??【項目實戰】基于Agent的金融問答系統：前后端流程打通??，我們已經完成了金融問答系統的前后端搭建，形成了可用的Demo。本章，我們將介紹代碼重構的過程，并介紹一些優化點。代碼重構簡介在開啟本章介紹之前，請允許我花點時間啰嗦兩句，聊一聊代碼重構的哪些事兒。在過去經歷的項目中，代碼重構很少被人重視。看著像??一樣的代碼(抱歉爆粗口，我所經歷的一些項目包括我自己曾經寫的代碼，回看確實像??一樣)...Agent代碼重構只需一張圖片！實現任意3D/4D場景生成！港科大&清華&生數發布DimensionX
文章鏈接：https:arxiv.orgpdf2411.04928項目鏈接：https:chenshuo20.github.ioDimensionX亮點直擊提出了DimensionX框架，通過可控的視頻擴散技術，僅使用單張圖像生成逼真的3D和4D場景。提出了STDirector，通過學習（空間和時間）維度感知模塊，并結合我們精心挑選的數據集，解耦視頻擴散模型中的空間和時間先驗。進一步通過基于視頻擴散去噪過程本質的訓練無關組合方法，增強了混合維度控制。為了彌合視頻擴散與真實場景之間...3D 場景生成基于Agent的金融問答系統：前后端流程打通
原創前言在上一章??《【項目實戰】基于Agent的金融問答系統：Agent框架的構建》??中，我們已經完成了基于agent的問答系統主流程構建，本章將介紹如何將Agent通過langserve部署為后端服務，同時基于Vue.js+Vite構建前端頁面，完成問答系統前后端聯調。目標將Agent部署為后端服務構建前端頁面，完成問答系統前后端聯調后端實現代碼實現基于《大模型應用開發之Prompt初步了解》中langserve的所學內容，我們需要做的第一步為：1、安...AgentAI 創意大比拼！華盛頓大學和艾倫人工智能研究所聯手，用幽默風趣的方式，揭示了 AI 創意背后的真相
原創你是否曾為ChatGPT生成的那首“驚艷”詩歌而贊嘆不已？又或是被GPT4編寫的“神級”劇本所折服？然而，華盛頓大學和艾倫人工智能研究所的最新研究卻給我們潑了一盆冷水——AI的“創意”，其實不過是“拼湊大師”罷了！研究人員們開發了一套名為“創意指數”（CREATIVITYINDEX）的評估體系，通過分析文本中與網絡文本的相似度，來衡量AI的“創意”程度。結果令人驚訝——專業人類作者的“創意指數”平均比AI高出66.2%！這簡直就像...ChatGPTGPT-4AI 創意一個開源、清晰的本地 Graph RAG UI，支持Graph RAG 和 Hybrid RAG（支持Ollama）
原創這周boss提了一個需求，希望能夠直觀感受一下GraphRAG的問答效果，希望我讓團隊的前端同事做一些基礎的前端工作，包括PDF文件上傳、流式輸出、配置Global或Local查詢方式等基本功能。作為團隊負責人，并非boss提的所有需求都不假思索直接安排人開發,要分析本質需求是什么？這個需求的本質是只希望有一個UI界面能夠試用一下GraphRAG。如果我讓組里的前端開發這樣的功能，大約需要兩到三天的時間，而這些代碼很可能在以后會被廢棄...GraphRAG開源什么是好的GenAI 產品？哪些以LLM技術為支持的產品值得開發？
原創最近幾天，我參加了公司組織的幾次產品討論會，主要議題是是否值得開發以大型語言模型（LLM）技術為核心的產品。目前市場上一些基于LLM的產品未能達到預期的盈利水平，這讓大家對LLM的商業潛力產生了疑慮，并在多次討論會上探討未來的發展方向。不可否認的是，人工智能初創企業的競爭非常激烈，尤其是在大型語言模型的推動下，許多初創公司如雨后春筍般涌現。然而，盡管這一領域有著明顯的發展趨勢，只有少數生成型人工智能初創...LLM大模型RAG工作流哪種組合效果最佳？深入探究RAG領域最佳實踐
原創 精華?檢索增強型生成（RAG）技術已被證明在整合最新信息、減少錯誤想象以及提升回應質量方面非常有效，特別是在特定領域中。雖然已經提出了許多旨在通過查詢依賴的檢索來增強大型語言模型的RAG方法，但這些方法仍然受到其復雜實現和延長響應時間的影響。通常，一個RAG工作流涉及多個處理步驟，每個步驟都可以以不同的方式執行。那么哪些處理步驟的組合能起到好的效果呢？今天給大家分享一篇相關的論文：RAG領域的最佳實踐[1]。1.介...RAGLLM從技術的角度來看大模型產業鏈
原創“分工合作才是社會進步的根本，而大模型也是如此，每個人都應該在大模型領域找到自己的位置”大模型技術雖然指的是以機器學習和神經網絡模型為主的機器學習模型，但大模型并不只是一個獨立的技術，由于其復雜度和對算力和能源的需求，因此大模型整個體系由多層功能組成，而這些層就組成了以大模型為中心的產業鏈集群。從技術的角度看大模型產業鏈的組成大模型因為其復雜度決定了其絕對不可能是一個單打獨斗的產業，因此大模型...大模型產業鏈
