AI知識ベース

笔记：https://colab.research.google.com/github/run-llama/llama_index/blob/main/docs/docs/examples/multi...

专为 AI 产品团队和 AI 领导者设计，介绍如何评估基于 LLM 的产品。提供轻松入门的学习方式，无需编程知识。课程将于 2024 年 12 月 9 日 开始。 您将学习到的内容 LLM 评估的...

课程 俗话说：“写作就是重写。” 事实证明，当被要求时，Claude 通常可以提高其回答的准确性！ 有许多方法可以提示 Claude “再思考一下”。那些让人自然检查自己工作的方式通常也适用于 Cla...

o3 来了，分享一些个人的浅见。关于 Test-time Scaling Law 的进展，比我们想象中的要快得多。但我想说的是，这条路其实有些曲折——它是 OpenAI 在追求 AGI 的道路上，采取...

ColBERT（基于 BERT 的上下文化后交互）与传统的密集嵌入模型有所不同。以下是 ColBERT 工作原理的简要说明： Token 层级嵌入：不同于直接为整个文档或查询创建单个向量，ColBER...

引言 基于句窗口的检索增强生成（Retrieval-Augmented Generation，简称 RAG）方法是 RAG 框架的高级实现，旨在增强 AI 生成回答的上下文感知能力和连贯性。该方法...

GraphReader：大規模言語モデルのための長文テキスト処理を強化するグラフベースのインテリジェンス Graphic Expert：マインドマップを作ることに長けた家庭教師のように、長文テキストを知識の明確なネットワークに変換し、AIが地図に沿って探索するように簡単に答えに必要な様々なレベルを見つけることを可能にする...

介绍 自查询 RAG（Self-Query RAG） 是一种先进的检索增强生成（RAG）方法，它通过在摄取阶段引入元数据提取以及在检索阶段引入智能查询解析，从而增强了传统 RAG 流程。 https...

一、测试提示词的根本原因： LLM 对提示词高度敏感，细微的措辞变化可能导致显著不同的输出结果 未经测试的提示词可能产生： 事实错误的信息 不相关的回复 不必要的 API 成本浪费 二、系统化的提...

並べ替えモデルは、ユーザの質問に対する意味的な一致度に基づいて候補文書のリストを並べ替えることで、意味的ランキングの結果を改善する。 よく使われるbge-reranker-v2-m3やcohere

在人工智能领域，模型的选择至关重要。OpenAI 作为行业领导者，提供了两种主要类型的模型系列：推理模型 (Reasoning Models) 和 GPT 模型 (GPT Models)。前者以 o ...

简介 自动合并检索器是增强检索生成（RAG）框架的一种高级实现。该方法旨在通过将可能分散且较小的上下文合并成更大且更全面的上下文，从而增强 AI 生成响应的上下文感知能力和连贯性。 https://g...

简介 评估是开发和优化检索增强生成（RAG）系统的关键环节。评估涉及对 RAG 流程各方面的性能、准确性和质量进行衡量，包括从检索效果到生成响应的相关性和真实性。 RAG 评估的重要性 对 RAG...

介绍 RAG-Fusion 是一种先进的信息检索和文本生成方法，建立在检索增强生成（RAG）的基础上。该项目实现了 RAG-Fusion，以提供更准确、更具上下文相关性且更全面的用户查询响应。 htt...

检索增强生成（RAG）是生成式 AI （GenAI）中的一类应用，支持使用自己的数据来增强 LLM 模型（如 ChatGPT）的知识。 RAG 通常会用到三种不同的AI模型，即 Embedding 模...

引言 在大型语言模型 (LLMs) 的应用领域，尤其是在检索增强生成 (RAG) 系统中，文本分块 (Chunking) 扮演着至关重要的角色。 文本分块的质量直接关系到上下文信息的有效性，进而影响 ...

对于任何需要检索增强生成 (RAG) 系统的应用来说，将海量 PDF 文档变成机器能读懂的文本块（也就是 “PDF 分块”）都是个让人头疼的大难题。 市面上既有开源的方案，也有商业化的产品，但说实话...

大型语言模型 (LLM) 在人工智能领域扮演着越来越重要的角色。为了更好地理解和应用 LLM，我们需要深入了解其核心概念。本文将聚焦于 Token、最大输出长度和上下文长度这三个关键概念，帮助读者扫清...

OpenAI関数呼び出しV2の特徴 関数呼び出しV2の中核的な目標は、OpenAIのモデルに外界と相互作用する能力を与えることです。