Walk&Retrieve基于知識(shí)圖譜，利用基于圖遍歷和知識(shí)表述來(lái)進(jìn)行零樣本RAG的語(yǔ)料庫(kù)生成。解決RAG系統(tǒng)的幻覺(jué)問(wèn)題。該框架思路比較簡(jiǎn)單，核心點(diǎn)在于零樣本RAG的語(yǔ)料庫(kù)生成，下面來(lái)看看，供參考。方法架構(gòu)語(yǔ)料生成在框架中，語(yǔ)料生成該方法的核心步驟。該階段從知識(shí)圖譜中提取相關(guān)信息，并將其轉(zhuǎn)化為適合LLM處理的文本格式。語(yǔ)料生成包括以下幾個(gè)步驟：基于圖的遍歷、知識(shí)表示和索引。1.基于圖的遍歷隨機(jī)游走：隨機(jī)游走是一種隨機(jī)過(guò)程...

大家好，我是九歌，一個(gè)智能體科普和實(shí)踐者。做智能體最難的事情，并不是如何怎么學(xué)會(huì)做智能體，工具的學(xué)習(xí)往往是簡(jiǎn)單的，如何找到智能體真正有用的應(yīng)用場(chǎng)景和業(yè)務(wù)需求才是核心能力。我們目前在各大智能體開(kāi)發(fā)平臺(tái)上的智能體，說(shuō)實(shí)話，更多是玩具的屬性。在AI大模型領(lǐng)域，企業(yè)端正在探索的方向主要有：1.企業(yè)的知識(shí)管理與數(shù)據(jù)治理老生常談的方向2.垂域模型打造利用企業(yè)私有的數(shù)據(jù)、知識(shí)、通用大模型，訓(xùn)練極速的垂域模型3.智能...

大家好，我是九歌。最近刷到最多的AI相關(guān)文章，就是一路好評(píng)的DeepWiki了！手癢難耐的我，也早早就上手體驗(yàn)了一下。整體體驗(yàn)下來(lái)，確實(shí)不錯(cuò)，對(duì)于想了解一個(gè)Github項(xiàng)目的新人來(lái)說(shuō)，確實(shí)非常有幫助。但是有一說(shuō)一，DeepWiki的缺點(diǎn)也是很明顯的，一是只能局限于Github項(xiàng)目，對(duì)于個(gè)人私有代碼倉(cāng)庫(kù)卻愛(ài)莫能助！二是時(shí)間具有滯后性，項(xiàng)目代碼不是最新的！如果公司有傳承已久的代碼庫(kù)，新入職的同事看到那山一樣高的代碼，內(nèi)心肯定是...

大家好，我是九歌。今天我們聊一聊使用大模型進(jìn)行數(shù)據(jù)分析。AI數(shù)據(jù)分析作為大模型應(yīng)用的剛需，在各大平臺(tái)上的表現(xiàn)卻大相徑庭。阿里百煉的析言、ChatGPT、商湯的小浣熊、豆包，用了一圈，發(fā)現(xiàn)能打的只有豆包。但是豆包只提供大模型接口，AI數(shù)據(jù)分析卻沒(méi)有對(duì)應(yīng)的接口。首先定義一下“AI數(shù)據(jù)分析”，本文所說(shuō)的AI數(shù)據(jù)分析，專指大模型對(duì)數(shù)據(jù)表格的處理能力，默認(rèn)數(shù)據(jù)超過(guò)2000行！2000行的表格直接喂給大模型讓其分析，可想而知，這...

摘要獎(jiǎng)勵(lì)反饋學(xué)習(xí)（ReFL）最近在各種生成任務(wù)中展現(xiàn)出了巨大的潛力，能夠使模型輸出與人類偏好保持一致。在這項(xiàng)工作中，我們首次將ReFL框架引入盲臉修復(fù)任務(wù)，稱之為DiffusionReward。DiffusionReward有效地克服了基于擴(kuò)散的方法的局限性，這些方法通常無(wú)法生成逼真的面部細(xì)節(jié)，并且身份一致性較差。我們框架的核心是面部獎(jiǎng)勵(lì)模型（FRM），它使用精心注釋的數(shù)據(jù)進(jìn)行訓(xùn)練。FRM提供反饋信號(hào)，在指導(dǎo)修復(fù)網(wǎng)絡(luò)的優(yōu)化過(guò)程中起著關(guān)鍵...

字節(jié)最新發(fā)布了一個(gè)強(qiáng)悍的閉源多模態(tài)大語(yǔ)言模型Seed1.5VL，其技術(shù)報(bào)告內(nèi)容簡(jiǎn)非常坦誠(chéng)，值得一讀。筆者將在本文帶大家按文章的寫(xiě)作順序，一步步精讀這篇技術(shù)報(bào)告。概述??https:arxiv.orgabs2505.07062??Seed1.5VL由一個(gè)擁有532M參數(shù)的視覺(jué)編碼器和一個(gè)擁有20B活躍參數(shù)的MoELLM構(gòu)成，在60個(gè)多模態(tài)視覺(jué)語(yǔ)言模型的Benchmark中有38個(gè)達(dá)到了SOTA。在GUI、視頻理解、視覺(jué)推理中表現(xiàn)出了極強(qiáng)的性能。目前Seed1.5VL是一個(gè)商用模型，...

Anthropic推出的MCP（模型上下文協(xié)議）取得了成功，這顯然激發(fā)了AI行業(yè)里的其他參與者，大家都想來(lái)定義一些開(kāi)放協(xié)議，好用在AIAgent系統(tǒng)（AgenticSystems）的集成里。1、MCP架構(gòu)設(shè)計(jì)MCP（模型上下文協(xié)議）是由Anthropic定義的一個(gè)開(kāi)放協(xié)議，標(biāo)準(zhǔn)化應(yīng)用程序如何為大語(yǔ)言模型（LLM）提供上下文。更具體地說(shuō)，它試圖標(biāo)準(zhǔn)化基于LLM的應(yīng)用程序與其他環(huán)境集成的協(xié)議。在AIAgent系統(tǒng)（AgenticSystems）中，上下文可以通過(guò)多種方式提供...

最近，AIAgent和外部工具之間的互動(dòng)變得越來(lái)越流行。從OpenAI最先推出的FunctionCalling功能，到各種插件和框架，大家都在努力讓AI模型能更有效地調(diào)用外部的功能。不過(guò)，目前這些集成方式還是比較分散，開(kāi)發(fā)者需要為每個(gè)服務(wù)手動(dòng)設(shè)置接口、處理認(rèn)證和邏輯，而且不同平臺(tái)之間還互不兼容，確實(shí)挺麻煩的。就在這種情況下，Anthropic在2024年底推出了一個(gè)叫做模型上下文協(xié)議（ModelContextProtocol，簡(jiǎn)稱MCP）的新東西。這個(gè)協(xié)議的...

今天分享一篇來(lái)自HarvardUniversity和KempnerInstitute的文章，標(biāo)題為EchoChamber:RLPosttrainingAmplifiesBehaviorsLearnedinPretraining(RL后訓(xùn)練放大預(yù)訓(xùn)練中學(xué)到的行為)。這篇文章旨在系統(tǒng)性地研究強(qiáng)化學(xué)習(xí)（RL）微調(diào)對(duì)語(yǔ)言模型行為的影響，特別是其與預(yù)訓(xùn)練數(shù)據(jù)組成、超參數(shù)和模型規(guī)模的相互作用。該研究通過(guò)從頭開(kāi)始訓(xùn)練模型，并使用完全公開(kāi)的數(shù)據(jù)集混合物進(jìn)行預(yù)訓(xùn)練和RL微調(diào)，揭示了RL微調(diào)如何放大預(yù)訓(xùn)練數(shù)據(jù)中的特定模...

前言本期新增GAF+Vgg16、GAF+Resnet18、GAF+SwinTransformer，來(lái)作為與創(chuàng)新模型GAF+SwinCNNGAM的對(duì)比與學(xué)習(xí)。1創(chuàng)新模型相關(guān)解釋●數(shù)據(jù)集：CWRU西儲(chǔ)大學(xué)軸承數(shù)據(jù)集●環(huán)境框架：python3.9pytorch2.1及其以上版本均可運(yùn)行●時(shí)頻圖像變換：提供5種時(shí)頻圖像變換方法●模型：創(chuàng)新模型和三種對(duì)比模型●準(zhǔn)確率：測(cè)試集100%●使用對(duì)象：論文需求、畢業(yè)設(shè)計(jì)需求者●代碼保證：代碼注釋詳細(xì)、即拿即可跑通。提供馬爾可夫轉(zhuǎn)換場(chǎng)MTF、遞歸圖R...

語(yǔ)言并不總是推理的最自然或最有效的模態(tài)，特別是在涉及空間和幾何信息的任務(wù)中。基于此，劍橋&Google等提出并開(kāi)源了一種新的范式——視覺(jué)規(guī)劃（VisualPlanning），它通過(guò)純視覺(jué)表示進(jìn)行規(guī)劃，獨(dú)立于文本。在這個(gè)范式中，規(guī)劃是通過(guò)圖像序列來(lái)執(zhí)行的，這些圖像序列在視覺(jué)領(lǐng)域編碼了逐步推理的過(guò)程，類似于人類如何繪制草圖或可視化未來(lái)的行動(dòng)。推理范式的比較。傳統(tǒng)方法（上兩行）會(huì)生成冗長(zhǎng)且不準(zhǔn)確的文字計(jì)劃，而視覺(jué)規(guī)劃范式...

LRMs在通過(guò)強(qiáng)化學(xué)習(xí)（RL）提升了推理能力，但，擴(kuò)展到長(zhǎng)文本場(chǎng)景（如120Ktokens）仍然是一個(gè)未解決的挑戰(zhàn)，為此，阿里提出并開(kāi)源了QwenLongL1框架，首個(gè)通過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練用于長(zhǎng)文本情境推理的長(zhǎng)文本情境大型推理模型（LRM）。QwenLongL132B優(yōu)于OpenAIo3mini和Qwen3235BA22B等旗艦LRMs，其性能與Claude3.7SonnetThinking相當(dāng)，展現(xiàn)出在最先進(jìn)的LRMs中領(lǐng)先的性能。QwenLongL1是一個(gè)新穎的強(qiáng)化學(xué)習(xí)(RL)框架，旨在促進(jìn)LRM從短上下文...

眾所周知，目前的多模態(tài)推理系統(tǒng)大多依賴于靜態(tài)的視覺(jué)信息處理方式，即在推理開(kāi)始時(shí)模型提取全局視覺(jué)信息，然后完全依靠文本推理進(jìn)行后續(xù)決策。這種方法存在明顯的缺陷。隨著推理鏈的延展，模型往往逐漸喪失對(duì)視覺(jué)內(nèi)容的關(guān)注，導(dǎo)致最終結(jié)論缺乏準(zhǔn)確的視覺(jué)依據(jù)。例如，在處理數(shù)學(xué)視覺(jué)題目或科學(xué)圖表時(shí)，當(dāng)前模型僅使用一次性的視覺(jué)輸入，而無(wú)法在推理過(guò)程中動(dòng)態(tài)調(diào)整焦點(diǎn)，這使得許多細(xì)節(jié)被忽略，推理質(zhì)量受限。更進(jìn)一步，現(xiàn)有的...

當(dāng)前大多數(shù)智能體框架沿襲自頂向下（TopDown）的設(shè)計(jì)思路——人類事先定義目標(biāo)、拆解任務(wù)，并構(gòu)建工作流供智能體執(zhí)行。這種方法在封閉環(huán)境中表現(xiàn)卓越，但當(dāng)智能體需要在開(kāi)放、非結(jié)構(gòu)化環(huán)境中自主適應(yīng)和學(xué)習(xí)時(shí)，它們往往力不從心。問(wèn)題的癥結(jié)在于傳統(tǒng)的智能體設(shè)計(jì)過(guò)于依賴人工干預(yù)，無(wú)法自主進(jìn)化。在自頂向下工作流中，智能體的能力主要依賴預(yù)定義的API、任務(wù)提示和專家設(shè)計(jì)的執(zhí)行路徑。但現(xiàn)實(shí)世界并非一個(gè)由任務(wù)明確、結(jié)構(gòu)清晰...

在AI模型卷出“天際”的今天，僅有強(qiáng)大還不夠。Anthropic最新發(fā)布的Claude4系列，不僅在能力上刷新高度，更在安全性與負(fù)責(zé)任AI實(shí)踐上，交出了一份令人矚目的答卷。這篇文章將帶你深入解讀Claude4Opus與Sonnet的真實(shí)能力，從“混合推理”到“屏幕操控”、從智能體化到安全機(jī)制，每一項(xiàng)突破背后都藏著Anthropic對(duì)AI邊界的深思與創(chuàng)新。一、Claude4是什么？它比以往更聰明了嗎？Claude4系列包括ClaudeOpus4和ClaudeSonnet4，被稱為...

這篇文章將從代碼能力、推理表現(xiàn)、多模態(tài)能力、開(kāi)發(fā)工具集成、價(jià)格策略等維度，帶你深入比較這兩款旗艦?zāi)Ｐ停⒔o出不同使用場(chǎng)景下的選擇建議。編程表現(xiàn)：Claude4系列遙遙領(lǐng)先在AI編程領(lǐng)域，Anthropic新發(fā)布的ClaudeOpus4被認(rèn)為是目前最強(qiáng)的編程模型。根據(jù)官方數(shù)據(jù)：模型SWEbench準(zhǔn)確率并行推理下的準(zhǔn)確率ClaudeSonnet472.7%80.2%ClaudeOpus472.5%79.4%Gemini2.5Pro63.2%OpenAIo369.1%GPT4.154.6%ClaudeSonnet4在SWEbench上比Ge...

今天給大家介紹一篇最近東南大學(xué)發(fā)表的長(zhǎng)周期時(shí)間序列預(yù)測(cè)工作。這篇文章的側(cè)重點(diǎn)也是多尺度建模，但和以往工作側(cè)重對(duì)輸入進(jìn)行多尺度處理不同，本文的核心是引入多尺度的預(yù)測(cè)，并對(duì)不同尺度預(yù)測(cè)結(jié)果進(jìn)行變量粒度個(gè)性化的加權(quán)融合。論文標(biāo)題：AMultiscaleRepresentationLearningFrameworkforLongTermTimeSeriesForecasting下載地址：??https:arxiv.orgpdf2505.08199??1、研究背景多元長(zhǎng)周期時(shí)序預(yù)測(cè)是時(shí)間序列預(yù)測(cè)中比較有挑...

在模型性能越來(lái)越強(qiáng)且趨同的大背景下，知識(shí)庫(kù)、工具成為了AI應(yīng)用的差異性壁壘。MCP就是規(guī)范Agent與工具的交互而產(chǎn)生。但MCP協(xié)議本身還比較簡(jiǎn)單，在實(shí)際生產(chǎn)中，Agent如何與海量的、異構(gòu)的外部軟件和服務(wù)進(jìn)行有效、安全的連接與操作以及如何管理海量的MCPServer就是一大挑戰(zhàn)。傳統(tǒng)上為每個(gè)Agent單獨(dú)開(kāi)發(fā)和維護(hù)工具接口及認(rèn)證邏輯的方式，其復(fù)雜性和低效性已成為制約AIAgent能力規(guī)模化擴(kuò)展的因素之一。因此，針對(duì)這一挑戰(zhàn)，很多公...

前言電商數(shù)據(jù)分析在現(xiàn)代商業(yè)中具有重要的戰(zhàn)略價(jià)值，通過(guò)對(duì)消費(fèi)者行為、銷售趨勢(shì)、商品價(jià)格、庫(kù)存等數(shù)據(jù)的深入分析，企業(yè)能夠獲得對(duì)市場(chǎng)動(dòng)態(tài)的精準(zhǔn)洞察，優(yōu)化運(yùn)營(yíng)決策，預(yù)測(cè)市場(chǎng)趨勢(shì)、優(yōu)化廣告投放、提升供應(yīng)鏈效率，并通過(guò)競(jìng)爭(zhēng)分析幫助商家發(fā)現(xiàn)潛在機(jī)會(huì)和風(fēng)險(xiǎn)。但是這些電商平臺(tái)（如亞馬遜）往往有反爬機(jī)制，因此通過(guò)代理IP進(jìn)行數(shù)據(jù)爬取成為一種常見(jiàn)的策略，能夠有效避免IP被封禁或限制請(qǐng)求頻率，從而保證數(shù)據(jù)的連續(xù)性和穩(wěn)定性...

隨著全球氣候變化和自然災(zāi)害頻發(fā)，精確可靠的地球系統(tǒng)預(yù)測(cè)對(duì)于減輕災(zāi)害影響、支持人類社會(huì)進(jìn)步都至關(guān)重要。傳統(tǒng)的數(shù)值模型雖然功能強(qiáng)大，但計(jì)算成本極高，限制了其廣泛應(yīng)用。近年來(lái)，人工智能在環(huán)境預(yù)測(cè)領(lǐng)域展現(xiàn)出巨大潛力，特別是在提高預(yù)測(cè)性能和效率方面。然而，在地球系統(tǒng)多個(gè)關(guān)鍵領(lǐng)域，AI的潛力仍未得到充分探索。為了應(yīng)對(duì)這一挑戰(zhàn)，微軟研究院及其合作者推出了首個(gè)大規(guī)模大氣基礎(chǔ)模型Aurora，通過(guò)在超過(guò)一百萬(wàn)小時(shí)的多樣...