AI.x社區
- 登錄/注冊
IdentifyMe：一個具有挑戰性的長文本指代消解基準測試
1引言共指消解（CR）是文本理解的一個基本任務。盡管LLMs在廣泛的NLP任務上取得了巨大進展，但它們在CR上的表現相對不盡人意，甚至在指稱檢測上也面臨困難。通過廣泛分析，Gan等人（2024）的工作已經確定，在典型的CR設置中，由于基于跨度的輸出格式不適合LLMs，因此低估了LLMs出色的指稱理解能力。他們建議調整CR數據集和任務指標，以支持LLMs的評估。沿著這些思路，我們創建了IdentifyMe基準測試，用于MCQ格式的指稱消解，這...LLMsMCQIdentifyMe使用MCTS顯著提升LLM在復雜任務的推理能力
精華一、概述?Title:ReasoningwithLanguageModelisPlanningwithWorldModel?URL:??https:arxiv.orgabs2305.14992???Code：??https:github.commaitrixorgllmreasoners???Demo:??https:github.commaitrixorgllmreasonersblobmaindemo.ipynb??1Motivation?盡管COT表現不錯，但是當前LLM在生成plan、復雜數學推理、邏輯推理時仍然表現不夠好。?LLMs缺乏內部“世界模型”來預測世界狀態（例如環境狀態、中間變量值）并...MCTSLLMMCTS超強！一區直接寫！基于SSA+Informer-SENet故障診斷模型
1模型創新點介紹1.1時序特征捕捉與建模使用Informer的編碼器層來捕捉長故障信號時序依賴特征長時間序列處理：傳統的RNN和LSTM等方法在處理長時間序列時存在計算效率低、梯度消失等問題。Informer通過改進Transformer架構，使用ProbSparseSelfAttention機制，有效地提高了計算效率，特別是對于長時間序列數據。全局特征提取：通過多頭注意力機制，Informer能夠捕捉序列數據中的全局特征和長時間依賴關系，確保對故障信號的時序特...SSASENet模型RAG 應用效果不太理想？試試以下RAG優化策略大幅提升問答效果
原創自從2022年12月ChatGPT橫空面世以來，AI領域獲得了十足的關注和資本，其實AI的概念在早些年也火過一波，本輪AI熱潮相比于之前的AI，最大的區別在于：生成式。通過海量文本訓練的、能識別人類語言、執行語言類任務、擁有大量參數的模型，稱之為大語言模型。GPT、LLaMA、Mistral、BERT等都是LLM，LLM是對訓練文本信息的壓縮，同時擁有了泛化能力，不同于數據庫和搜索引擎，LLM能創造性地生成歷史上沒有出現過的文本內容。雖然LLM...RAGLLM大模型對于Advanced RAG系統，你不得不知道的三個階段優化技巧
原創我閱讀了一篇有關"AdvancedRAG"的論文，在閱讀這篇論文后，我發現其中的一些概念和技術具有很高的實用價值。接下來，我將結合我在公司的實踐經驗，分享以下RAG系統的三個階段的優化：預檢索和數據索引技術檢索技術檢索后處理預檢索和數據索引技術使用LLM增加信息密度如果來?異構數據源（例如PDF、抓取的?絡數據、?頻記錄）的?結構化數據沒有經過特定處理，信息密度比較低下，包含不相關的信息和或噪?，或者有很多信息重復...RAGGraphRAG與傳統RAG怎么選？二者的融合方案是什么
原創?最近工作比較忙，一直在重構公司現有的RAG推薦系統。在給GraphRAG提交了幾個PR并成功合并后，暫時沒有繼續對GraphRAG做出更多貢獻。然而，最近同事和粉絲紛紛私信我，他們最常問的問題有："什么時候應該使用GraphRAG？"，"在哪些場景下應該使用傳統的RAG"以及"我們目前在公司使用的是傳統RAG，那要如何與GraphRAG相結合呢？"。為了系統地解答這些問題，我決定寫一篇文章，對這些問題進行詳細的探討。我將先從多個方面解釋Grap...GraphRAGRAG自回歸和Rectified Flow完美融合統一多模態理解和生成！DeepSeek&北大等開源JanusFlow
論文鏈接：https:arxiv.orgpdf2411.07975github鏈接：https:github.comdeepseekaiJanus亮點直擊統一多模態框架：提出JanusFlow，一個同時處理圖像理解和文本到圖像生成任務的統一模型，解決了任務分離帶來的架構復雜性問題。創新優化策略：采用任務解耦和表示對齊兩大關鍵策略，提高理解與生成任務的獨立性與語義一致性。卓越性能表現：在多模態理解與文本到圖像生成基準測試中超越現有專用模型和統一模型，取得領先成績。緊湊...模型生成AI像人一樣操控電腦：多模態AI Agents和屏幕交互新范式
原創編者按：未來我們與計算機的交互方式將發生怎樣的變革？當AI能像人類一樣自如地操控電腦和手機，我們的工作方式會有什么改變？本文深入剖析了Anthropic、微軟和蘋果三大科技巨頭在突破這一瓶頸上的最新進展。通過解讀他們各自獨特的技術路線——從Anthropic采用像素計數方式實現精準導航，到微軟將界面解析為結構化數據，再到蘋果專注于移動端的多模態交互方案，文章為我們展現了AI驅動屏幕交互的未來圖景。作者TulaMasterman編...AILLMsAI AgentsAI Agent大爆發！微軟剛剛發布大量商用AI Agent，全民智能體！
今天凌晨，微軟在芝加哥召開“Microsoftignite2024”全球開發者大會，AIAgent成為本次大會的重點。微軟發布的這些AIAgent包括簡單易用的開發、維護一站式平臺AzureAIFoundry、AzureAIAgent，同時也有集成在Microsoft365、Dynamics365等主打產品。這體現出了微軟力推AIAgent商業化的決心。這些AIAgent的基礎模型全部由OpenAI的GPT4o、o1提供技術支持，可視化操作界面簡單易用，沒有編程經驗的業務人員也能快速完成開發，同時內置...智能體生成AdaBoost分類器完全圖解
原創本文將通過完整的源碼與圖解方式向你展示AdaBoost算法運行邏輯，并指出其優點與不足，還將其與隨機森林算法進行對比分析。簡介每個人都會犯錯，即使是機器學習領域最簡單的決策樹也存在這個問題。AdaBoost（自適應增強）算法不會忽略這些錯誤，而是會做一些不同的事情：它會從這些錯誤中學習（或適應）以變得更好。與一次生成多棵樹的隨機森林不同，AdaBoost算法從一棵簡單的樹開始，并識別它錯誤分類的實例。然后，它會構建新...AdaBoost機器學習算法GraphRAG新增文件對已有知識庫影響有多大？緩存又是何時失效？一文帶你探究到底
原創在使用LLM應用時，我們經常會遇到需要向知識庫中添加新文件的需求。傳統的RAG通過對chunk進行embedding來處理這種情況，并且新文件的加入不會影響之前生成的chunkembedding。但是，GraphRAG的處理方式有所不同。由于其索引過程涉及多個pipeline階段，因此可能會產生一些問題：當新文件加入時，是否需要對已有的文件重新進行索引？緩存在這個過程中起到了什么作用？哪些workflow需要重做？帶著這些問題，我們來一探究竟。GraphRA...知識圖譜GraphRAGRAGOmnivision-968M：最小多模態模型，為邊緣設備而生！
原創 精華最近在HuggingFace上有一個開源多模態模型引起了廣泛關注：Omnivision968M。這款模型以其不到1B參數量的小巧體積（僅968M參數量）脫穎而出，成為目前市場上最小的視覺語言模型之一。Blog:???https:nexa.aiblogsomnivision???Model:https:huggingface.coNexaAIDevomnivision968MOmnivision968M??Omnivision968M是由NexaAI這家創業公司推出（與國內做CMOS聞名的同名半導體企業Omnivision無關）。NexaAI的愿景是打造先進的端...多模態模型【技術前沿】FlashAttention-2：深度學習中的高效注意力機制新突破
一、引言在深度學習領域，尤其是自然語言處理和計算機視覺任務中，Transformer模型憑借其強大的性能已成為主流架構。然而，Transformer模型中的注意力機制雖然有效，但往往伴隨著高昂的計算成本和內存消耗。為了解決這一問題，研究人員不斷探索新的方法以優化注意力機制的性能。近期，FlashAttention2的提出為這一領域帶來了新的突破。本文將詳細介紹FlashAttention2，探討其如何在保持精確性的同時，實現快速且內存高效的注意...深度學習性能應用前景o1的風又吹到多模態，直接吹翻了GPT-4o-mini
開源LLaVAo1：一個設計用于進行自主多階段推理的新型VLM。與思維鏈提示不同，LLaVAo1獨立地參與到總結、視覺解釋、邏輯推理和結論生成的順序階段。LLaVAo1超過了一些更大甚至是閉源模型的性能，例如Gemini1.5pro、GPT4omini和Llama3.290BVisionInstruct。基礎模型與LLaVAo1的比較。基礎模型Llama3.211BVisionInstruct在推理過程中有明顯的缺陷，整個推理過程中出現了幾個錯誤。相比之下，LLaVAo1首先概述問題，從圖像中解釋相關...o1GPT視覺解釋解密心智理論：從人類社會到人工智能的集體智慧提升之路
精華集體智慧（CollectiveIntelligence，CI）在許多領域都扮演著至關重要的角色。無論是在經濟學、進化理論，還是在神經網絡和社會性昆蟲的研究中，集體智慧都展現出了其廣泛的應用前景。在經濟學中，市場行為往往可以被視為一種集體智慧的表現，個體的決策匯聚成市場的集體行為，這種現象在信息傳播、價格形成等方面尤為明顯。在進化理論中，集體智慧則體現在物種的協同進化過程中，例如螞蟻和蜜蜂的群體行為，這些社會性昆蟲通過...人工智能優化群體系統LangChain-RAG必備：向量數據庫如何CRUD
今天我將帶領大家，以最為基礎的CRUD入手來看看向量數據庫應該如何使用。考慮到目前市面上的向量數據庫眾多，每個數據庫的操作方式也無統一標準。「本文將基于LangChain提供的VectorStore類中的統一操作方法，以chroma向量數據庫作為示例進行演示。」向量數據庫新增LangChain的VectorStore類是一個通用的向量數據庫的接口，它可以對接不同的底層向量數據庫，如chroma、faiss、annoy等，實現統一的操作方法和API。VectorStore類...LangChainCRUD數據庫2024時序預測都有哪些經典工作—總結篇
在這個系列里，圓圓會帶大家梳理2024年時間序列預測領域的經典工作，涉及多個優化方向。在這一節里，會為大家整體介紹2024年的時間序列一些具有突破性進展的領域。后續章節將持續在知識星球中更新，深入解讀和串聯這些領域的相關工作。1.時間序列基礎模型2024年是時間序列預測與大模型深度結合的元年，涌現了很多時間序列基礎模型和大模型中建模方法在時間序列預測的應用。一方面，今年出現了很多類型的時間序列基礎模型，希望...時序預測LLM擴散模型對話華為云馬會彬：AI原生應用變革，本質上是一場「從1到 0」的創新
嘉賓馬會彬編輯云昭出品51CTO技術棧（微信號：blog51cto）進入2024年，業界對于生成式AI的注意力開始轉向應用層。AI編程領域的Cursor、AI生成視頻領域的可靈、自動駕駛領域的Robotaxi等，都取得了很大的突破。據有關媒體報道，2024年創投界在AI應用層上的投資規模整體超過了模型層。這種轉變的背后，折射出業界對于大模型的認知發生了新變化。為什么AI應用會成為今年的焦點？華為云高級技術專家馬會彬對此表示，“這背后是因為...華為云馬會彬AINano-graphrag: 輕量級、靈活的 GraphRAG 實現
微軟提出的GraphRAG很有效，但是官方實現和使用都很復雜，不易修改和定制。近日，網絡上出現一個國人開發的更簡潔、易用且高度可定制的版本實現——nanographrag，它保留了核心功能，同時提供了更友好的用戶體驗。值得一提的是之前介紹的fastgraphrag也受到了該項目的啟發。nanographrag核心特點是其簡潔性、易用性和可定制性。代碼量僅為1100行（不包括測試和提示），是官方實現的緊湊高效替代品。它設計為輕量級、異步和完全...GraphRAGLLM函數【智匯金秋創造季】智匯成海，致敬開發者的“超級碼力”！
以下為本次活動獲獎名單（名單中為用戶昵稱），請于三日內向51CTO小助手（微信號：assistant51cto）提供回帖截圖用以核實獲獎信息，并將收貨信息發給51CTO小助手，包括收貨姓名、收貨電話、收貨地址等。活動一：探索AI技術，成為尋寶智多星活動二：票選你心中的超級“碼”力東風洪飛wx62284da96d71b玨大爺王大腰Doris沈JakeSU??答案公布1??活動1：探索AI技術，成為尋寶智多星六個問題答案如下，看看你答對了沒？序號問題答案Q...谷歌Google
