在當(dāng)今人工智能飛速發(fā)展的時(shí)代，大型語(yǔ)言模型（LLMs）的應(yīng)用已經(jīng)滲透到我們生活的方方面面。然而，隨著技術(shù)的進(jìn)步，一些潛在的問(wèn)題也逐漸浮出水面。其中，RAG（RetrievalAugmentedGeneration，檢索增強(qiáng)生成）系統(tǒng)中的偏見(jiàn)問(wèn)題，就是一個(gè)亟待解決的挑戰(zhàn)。本文將深入探討RAG系統(tǒng)中的偏見(jiàn)問(wèn)題，分析其成因、影響以及可能的解決策略，帶你一探究竟。RAG系統(tǒng)：從優(yōu)勢(shì)到隱憂(yōu)RAG系統(tǒng)作為一項(xiàng)前沿的AI技術(shù)，通過(guò)整合外部數(shù)據(jù)源來(lái)增強(qiáng)大...

在人工智能的世界里，尤其是當(dāng)下大語(yǔ)言模型（LLM）風(fēng)靡的時(shí)代，人們?cè)絹?lái)越渴望讓這些模型具備更接近人類(lèi)的動(dòng)態(tài)推理能力和長(zhǎng)期記憶。傳統(tǒng)的方法，往往只是簡(jiǎn)單地存儲(chǔ)數(shù)據(jù)，就像把書(shū)堆在倉(cāng)庫(kù)里，需要的時(shí)候再去翻找。但這種方法，對(duì)于復(fù)雜的、多步驟的任務(wù)來(lái)說(shuō)，顯然不夠用了。于是，一種名為AgenticMemory（AMEM）的創(chuàng)新方法應(yīng)運(yùn)而生，它不僅能讓AI動(dòng)態(tài)地組織和鏈接信息，還能讓知識(shí)隨著新信息的加入而不斷進(jìn)化。為什么我們需要A...

在如今這個(gè)信息爆炸的時(shí)代，無(wú)論是營(yíng)銷(xiāo)人員、自媒體創(chuàng)作者還是學(xué)術(shù)工作者，我們都在用AI來(lái)撰寫(xiě)各種內(nèi)容，讓寫(xiě)作變得更加輕松高效。然而，有一個(gè)難題一直困擾著眾多寫(xiě)作者：如何在短短15秒內(nèi)贏得讀者的信任呢？這聽(tīng)起來(lái)幾乎是不可能的任務(wù)，但別擔(dān)心，今天就讓我們一起探索如何借助AI的力量，輕松攻克這一難關(guān)！一、研究啟示：用戶(hù)閱讀習(xí)慣大揭秘為了更好地理解讀者的行為模式，研究人員曾開(kāi)展了一項(xiàng)有趣的研究，他們?cè)?32個(gè)人的...

對(duì)于打算用Java構(gòu)建AI智能體或者對(duì)接各類(lèi)大語(yǔ)言模型（LLM）的開(kāi)發(fā)者，一定不會(huì)對(duì)Langchain4J感到陌生。Langchain4J解決了哪些問(wèn)題？Langchain4J本質(zhì)上是為Java開(kāi)發(fā)者打造的工具箱，旨在簡(jiǎn)化向高級(jí)語(yǔ)言中集成AI功能（如聊天機(jī)器人或文本生成器）的過(guò)程，同時(shí)屏蔽底層復(fù)雜細(xì)節(jié)。想象一下：我們想要構(gòu)建一個(gè)能回答問(wèn)題、生成內(nèi)容或模擬人類(lèi)對(duì)話(huà)的智能應(yīng)用。通常，與AI模型（如ChatGPT等）交互需要學(xué)習(xí)不同接口并處理大量技術(shù)細(xì)節(jié)。...

windsurf最近發(fā)表了一篇博客，主要是討論和介紹Agent。內(nèi)容上有很多基礎(chǔ)知識(shí)，但是也有一些特別的認(rèn)知分享，今天挑出來(lái)這些不常見(jiàn)的insight，分享給大家。在windsurf的理念里。一個(gè)AgenticAI系統(tǒng)，是非常簡(jiǎn)潔的，就是一個(gè)由LLM做決策+工具干活持續(xù)迭代的2步過(guò)程。認(rèn)知誤區(qū)在他們看來(lái)，目前存在幾個(gè)認(rèn)知誤區(qū)，得掰扯清楚Agent≠普通的生成式AI不要把換個(gè)systemprompt的東西就叫做AgentAgent的“推理”≠模型的“思維鏈Agent的“...

通義千問(wèn)3（Qwen3），通義千問(wèn)大語(yǔ)言模型家族的最新成員。作為阿里巴巴的旗艦?zāi)Ｐ停x千問(wèn)3235BA22B在編碼、數(shù)學(xué)、通用能力等基準(zhǔn)評(píng)估中，與DeepSeekR1、o1、o3mini、Grok3、Gemini2.5Pro等其他頂級(jí)模型相比，取得了極具競(jìng)爭(zhēng)力的成績(jī)。此外，小型混合專(zhuān)家（MoE）模型通義千問(wèn)330BA3B，其激活參數(shù)僅為QwQ32B的十分之一，卻超越了后者的表現(xiàn)；甚至像通義千問(wèn)34B這樣的微型模型，也能與通義千問(wèn)2.572BInstruct相媲美。通義千問(wèn)3...

摘要最近，DeepSeekR1表明，強(qiáng)化學(xué)習(xí)（RL）可以通過(guò)一種簡(jiǎn)單而有效的設(shè)計(jì)，大幅提升大語(yǔ)言模型（LLMs）的推理能力。R1的核心在于其基于規(guī)則的獎(jiǎng)勵(lì)公式，它利用具有確定性正確答案的任務(wù)，實(shí)現(xiàn)精確且穩(wěn)定的獎(jiǎng)勵(lì)計(jì)算。在視覺(jué)領(lǐng)域，我們同樣觀察到，許多視覺(jué)理解任務(wù)本質(zhì)上都配備了定義明確的真實(shí)標(biāo)注。這一特性使它們自然地與基于規(guī)則的獎(jiǎng)勵(lì)機(jī)制兼容。受此啟發(fā)，我們研究將R1風(fēng)格的強(qiáng)化學(xué)習(xí)擴(kuò)展到視覺(jué)語(yǔ)言模型（VLMs）中，旨在提...

通義千問(wèn)3（Qwen3）是阿里巴巴通義千問(wèn)團(tuán)隊(duì)發(fā)布的最新開(kāi)源大語(yǔ)言模型，它具備強(qiáng)大的性能、高度的模塊化特性以及出色的工具使用能力。本文教你如何通過(guò)Ollama在本地運(yùn)行通義千問(wèn)3，并啟用模型上下文協(xié)議（MCP），以使用代碼解釋器、數(shù)據(jù)獲取、時(shí)間查詢(xún)等工具。通過(guò)學(xué)習(xí)，你會(huì)構(gòu)建一個(gè)完全在本地機(jī)器上運(yùn)行、由通義千問(wèn)3驅(qū)動(dòng)的智能助手，且無(wú)需云API密鑰！開(kāi)始吧！1.為什么選擇通義千問(wèn)3+Ollama+MCP為了實(shí)現(xiàn)這些先進(jìn)功能，阿里巴...

摘要我們提出了VARGPT，這是一種新穎的多模態(tài)大語(yǔ)言模型（MLLM），能夠在單一自回歸框架內(nèi)統(tǒng)一視覺(jué)理解和生成。VARGPT采用下一個(gè)token預(yù)測(cè)范式進(jìn)行視覺(jué)理解，并采用下一個(gè)尺度預(yù)測(cè)范式進(jìn)行視覺(jué)自回歸生成。該模型創(chuàng)新性地?cái)U(kuò)展了LLaVA架構(gòu)，在多模態(tài)大語(yǔ)言模型中實(shí)現(xiàn)了高效的按比例自回歸視覺(jué)生成，同時(shí)在單一模型框架內(nèi)無(wú)縫處理混合模態(tài)輸入和輸出。VARGPT在專(zhuān)門(mén)構(gòu)建的數(shù)據(jù)集上經(jīng)歷了三階段統(tǒng)一訓(xùn)練過(guò)程，包括預(yù)訓(xùn)練階段和兩個(gè)...

午后，老板便發(fā)話(huà)：“小王，你這么有見(jiàn)解，用DeepSeekR1做個(gè)《上古神話(huà)中龍族形象在流行文化中的變遷》分析吧，下班前交給我……”別忘了，還得融合孫悟空和哪吒的魅力點(diǎn)，借鑒《山海經(jīng)》到《哪吒》的成功策略，結(jié)合古典文學(xué)理論與現(xiàn)代精神分析，打造出我們獨(dú)有的用戶(hù)體驗(yàn)（此處省略800字）老板的要求如同煙花般絢爛然而，在時(shí)間轉(zhuǎn)換器從哈利波特的世界變?yōu)楝F(xiàn)實(shí)之前，我們這些打工族的辦公時(shí)間依然是有限的。采用傳統(tǒng)的RAG方法...

我們要把AI大模型當(dāng)做人的大腦，因此調(diào)用AI大模型，相當(dāng)于調(diào)用一個(gè)人，把AI大模型當(dāng)人看，TA懂人話(huà)、TA說(shuō)人話(huà)、TA會(huì)直接給出結(jié)果，但結(jié)果不一定正確。因此在AI大模型的推理基礎(chǔ)上，通過(guò)RAG、Agent、MCP、FunctionCalling、知識(shí)庫(kù)、向量數(shù)據(jù)庫(kù)、知識(shí)圖譜等技術(shù)手段實(shí)現(xiàn)了真正的AGI（通用人工智能）。這些技術(shù)到底有哪些區(qū)別和聯(lián)系，下圖作了橫向?qū)Ρ龋酉聛?lái)我們?cè)敿?xì)剖析。1、大語(yǔ)言模型（LLM）大語(yǔ)言模型（LLM）是通過(guò)深度學(xué)習(xí)...

1、基于MCP的AI應(yīng)用技術(shù)架構(gòu)全景圖MCP已經(jīng)成為業(yè)界的標(biāo)準(zhǔn)，基于MCP的AI應(yīng)用技術(shù)已經(jīng)在具體的業(yè)務(wù)場(chǎng)景落地實(shí)踐，本文通過(guò)梳理基于MCP的AI應(yīng)用技術(shù)架構(gòu)的全景視圖，讓你全面了解AI應(yīng)用技術(shù)的各個(gè)層次，從基礎(chǔ)實(shí)施層、云原生層、模型層、應(yīng)用技術(shù)層、應(yīng)用架構(gòu)層、到應(yīng)用層，如下圖所示，揭示基于MCP的AI應(yīng)用技術(shù)如何在不同的層面上協(xié)同工作，推動(dòng)產(chǎn)業(yè)應(yīng)用的落地。一、基礎(chǔ)設(shè)施層AI大模型技術(shù)發(fā)展離不開(kāi)堅(jiān)實(shí)的基礎(chǔ)設(shè)施支持，涵蓋了G...

2025年5月，NVIDIA重磅發(fā)布其全新一代自動(dòng)語(yǔ)音識(shí)別（ASR）模型——ParakeetTDT0.6Bv2。該模型具備0.6B參數(shù)，采用CCBY4.0商用開(kāi)源許可協(xié)議，并以實(shí)時(shí)因子（RTF）達(dá)3386的驚人速度刷新行業(yè)紀(jì)錄，標(biāo)志著語(yǔ)音AI進(jìn)入一個(gè)全新的高性能、低延遲時(shí)代。1.核心優(yōu)勢(shì)強(qiáng)大模型規(guī)模：600M參數(shù)的編碼解碼結(jié)構(gòu)，結(jié)合FastConformer與TransducerDecoderTransformer(TDT)架構(gòu)。極速處理能力：在NVIDIA硬件上，能在1秒內(nèi)轉(zhuǎn)錄60分鐘音頻，速度超過(guò)多...

大家好，我是劉聰NLP。從Llama4隕落之后，國(guó)內(nèi)開(kāi)源模型是世界第一，誰(shuí)贊成，誰(shuí)反對(duì)！反對(duì)無(wú)效！應(yīng)該也沒(méi)人反對(duì)吧。模型尺寸、榜單指標(biāo)、首個(gè)混合推理模型，這篇就不重復(fù)介紹了，去看我上一篇內(nèi)容吧。這篇主要是針對(duì)Qwen3實(shí)測(cè)，看看真實(shí)測(cè)試效果到底如何！測(cè)試可以在兩個(gè)地方都可以??https:huggingface.cospacesQwenQwen3Demo??或者??https:chat.qwen.ai??主要測(cè)試think和nothink兩種情況。正式測(cè)試開(kāi)始。常規(guī)測(cè)試Qwen32...

1.為什么要提出PaRT框架大型語(yǔ)言模型（LLMs）的突破性進(jìn)展，正推動(dòng)社交聊天機(jī)器人向更智能、更擬人的方向飛速發(fā)展。然而現(xiàn)有系統(tǒng)大多聚焦于情感化應(yīng)答，卻忽視了主動(dòng)對(duì)話(huà)的藝術(shù)——那些僅采用被動(dòng)應(yīng)答策略的傳統(tǒng)機(jī)器人，往往讓用戶(hù)陷入單方面推動(dòng)對(duì)話(huà)的困境，最終導(dǎo)致互動(dòng)索然無(wú)味。主動(dòng)對(duì)話(huà)技術(shù)為此提供了破局之道。這類(lèi)系統(tǒng)能像人類(lèi)般主動(dòng)開(kāi)啟話(huà)題（如"您最向往哪個(gè)旅游勝地？"），或在察覺(jué)用戶(hù)興趣減退時(shí)巧妙轉(zhuǎn)場(chǎng)。但當(dāng)前直...

項(xiàng)目倉(cāng)庫(kù)：https:github.comallenli1231treehopragArxiv:https:arxiv.orgabs2504.20114在人工智能領(lǐng)域，多跳問(wèn)答（MultihopQuestionAnswering,MHQA）一直是一項(xiàng)極具挑戰(zhàn)性的任務(wù)。這類(lèi)任務(wù)要求系統(tǒng)通過(guò)多步推理，從不同文檔片段中綜合信息才能得出答案。例如，回答“特朗普的祖父是誰(shuí)？”這樣的問(wèn)題，往往需要先檢索“特朗普的父親是弗雷德·特朗普”，再進(jìn)一步查詢(xún)“弗雷德·特朗普的父親是誰(shuí)”。然而，現(xiàn)有方法依賴(lài)大型語(yǔ)言模...

一、背景大模型，如大語(yǔ)言模型（LLM）和大型多模態(tài)模型（LMM），正在改變自然語(yǔ)言處理和多模態(tài)任務(wù)的格局。然而，這些模型的Inference過(guò)程面臨大計(jì)算、大內(nèi)存、高時(shí)延等諸多挑戰(zhàn)。為了應(yīng)對(duì)這些問(wèn)題，分布式分離Inference系統(tǒng)應(yīng)運(yùn)而生，旨在通過(guò)將模型的不同部分分開(kāi)處理來(lái)優(yōu)化性能。大體來(lái)說(shuō)，大模型Inference經(jīng)歷了從單體到分布式，再到分離式的演進(jìn)，并在繼續(xù)發(fā)展中：1.單體Inference階段（2020年前）：模型完整加載至單個(gè)設(shè)...

想象一下，你去參加一個(gè)派對(duì)，精心打扮一番會(huì)讓你更受歡迎；同樣，經(jīng)過(guò)特征工程處理的數(shù)據(jù)，會(huì)讓模型表現(xiàn)得更好。今天，我們就用最通俗易懂的方式來(lái)講解特征工程。No.1特征工程是什么？想象一下，你正在準(zhǔn)備一場(chǎng)面試，你會(huì)精心挑選衣服、整理發(fā)型，甚至還會(huì)練習(xí)微笑和握手的方式。▲3D小人面試場(chǎng)景這些準(zhǔn)備工作就像是特征工程，目的是讓面試官更容易對(duì)你產(chǎn)生好印象。在機(jī)器學(xué)習(xí)中，特征工程就是對(duì)數(shù)據(jù)進(jìn)行處理和轉(zhuǎn)換，讓模型更...

編輯云昭出品51CTO技術(shù)棧（微信號(hào)：blog51cto）近日消息，知名數(shù)據(jù)庫(kù)廠商MongoDB已在包括Atlas在內(nèi)的所有數(shù)據(jù)庫(kù)中添加了Anthropic的模型上下文協(xié)議（MCP），以幫助開(kāi)發(fā)人員加速軟件開(kāi)發(fā)并管理數(shù)據(jù)庫(kù)管理任務(wù)。自去年11月發(fā)布以來(lái)，MCP的受歡迎程度不斷上升，它是一種開(kāi)放協(xié)議，允許應(yīng)用程序中的AIAgent通過(guò)客戶(hù)端服務(wù)器機(jī)制訪問(wèn)外部工具和數(shù)據(jù)以完成用戶(hù)請(qǐng)求，其中客戶(hù)端是AIAgent或Agent接口，服務(wù)器提供工具和數(shù)據(jù)。MCP受歡迎...

在當(dāng)今數(shù)字化時(shí)代，人工智能（AI）已經(jīng)滲透到我們生活的方方面面，從智能手機(jī)上的語(yǔ)音助手，到電商平臺(tái)上精準(zhǔn)的商品推薦，再到醫(yī)療影像診斷中的輔助分析工具，AI的身影無(wú)處不在。然而，這些看似神奇的AI應(yīng)用背后，都離不開(kāi)一個(gè)關(guān)鍵環(huán)節(jié)——AI模型的訓(xùn)練。如果你對(duì)如何訓(xùn)練AI模型還一知半解，那么這篇文章將為你揭開(kāi)這層神秘的面紗。無(wú)論是企業(yè)決策者，還是技術(shù)愛(ài)好者，了解AI模型訓(xùn)練的原理和過(guò)程，都能幫助你更好地把握AI技術(shù)...