AI.x社区
- 登录/注册
默认
发布时间
热度
原创
精华
理化诺奖、人工智能与知识领域的融合
社区头条
热门内容榜 • 最近上榜引言近期的发展标志着人工智能领域的一个激动人心的时期。2024年诺贝尔物理学奖授予了约翰·霍普菲尔德（JohnHopfield）和杰弗里·辛顿（GeoffreyHinton），以表彰他们在人工智能领域的奠基性工作；而化学奖则颁给了大卫·贝克（DavidBaker）、德米斯·哈萨比斯（DemisHassabis）和约翰·琼珀（JohnJumper），以表彰他们利用人工智能解决蛋白质折叠问题的成就——这是科学界长达50年的重大挑战。随着人工智能在物理学和化学中的...人工智能知识领域统计力学NLP范式总结 | 拥抱新范式
1.基于传统机器学习的范式（第一范式）在早期的自然语言处理（NLP）研究中，神经网络尚未被引入。在这个时期，NLP处理方法通常需要从自然语言语料库中提取各种特征，例如词性标注、命名实体识别和短语结构分析。然后，使用特定的规则或数学、统计学模型来对提取出的特征进行匹配和应用。例如，可以通过词性标注和短语结构分析提取文本中的关键信息，然后利用数学模型，如隐马尔可夫模型或贝叶斯网络，来执行序列分类和序列标注...NLP范式机器学习利用 Schemonic 优化数据库模式描述以降低大语言模型成本
1.研究背景1.1背景随着GPT4等大语言模型在数据管理领域的广泛应用，如文本到SQL的生成和信息提取任务，向模型准确描述关系数据库的schema成为解决问题的关键步骤。但由于LLM提供商通常按输入（和输出）文本的令牌数量收费，数据库schema描述的长度直接关系到成本。例如，在文本到SQL的生成场景中，较长的schema描述会增加输入令牌数量，进而提高每次转换的成本。常见的描述schema的方法如使用DDL命令，虽能准确表达模式，但往往...Schemonic语言模型数据库一个很强大的集成学习算法：XGBoost!
一、算法介绍XGBoost（eXtremeGradientBoosting）是一种高效的梯度提升框架，它实现了梯度提升决策树（GradientBoostingDecisionTrees,GBDT），并在此基础上进行了优化。XGBoost在许多机器学习竞赛中表现出色，因其高效性和强大的预测能力而受到广泛欢迎。XGBoost支持多种目标函数和评估指标，可以处理回归、分类以及排名等问题。二、算法原理三、案例分析3.1数据集介绍本次案例分析使用的数据集包含了一系列工业机器的运行状态...算法XGBoostROCLLM合集：谷歌推出逆向思维RevThink框架，大模型零样本性能提升13.53%
1.ReverseThinkingMakesLLMsStrongerReasoners逆向思维在人类推理中扮演着至关重要的角色。人们不仅可以从问题推导出解决方案，还可以反过来从解决方案推导出问题。这种双向思考方式往往能提高整体的推理性能，因为它允许前后思维之间的一致性检查。为了使大型语言模型（LLM）具备逆向思维能力，我们引入了逆向增强思维（RevThink）框架，该框架由数据增强和学习目标组成。在RevThink中，我们通过收集教师模型提供的结构化正向...LLM框架大模型什么是AI Agent，以及怎么实现AI Agent?
原创 社区头条 热门内容榜 • 最近上榜“AIAgent的核心是推理规划能力，其次才是函数调用和记忆能力；但三者又缺一不可。”最近发现有些人还不了解什么是AIAgent，或者是看了Agent的概念，但还是不知道什么是AIAgent，今天我们就来详细介绍一下什么是AIAgent。什么是AIAgent？这篇关于Agent的文章，即是对AIAgent的介绍，也是为了记录自己对AIAgent的理解。网上的介绍说，AIAgent中文翻译叫智能体，是一种能够感知环境，进行决策和执行动作的智能实体。看了以上的定...AI Agent一文彻底搞懂机器学习 - 端到端机器学习
原创机器学习通过构建和训练模型，使计算机能够从数据中自动学习和寻找规律，进而做出预测或决策。而端到端机器学习则是机器学习领域中的一种设计范式，它强调从原始数据到最终输出的完整流程自动化，减少了人工干预，提高了效率和性能。端到端机器学习的核心在于将特征提取的任务也交给模型自动完成，减少了人工干预，提高了自动化程度和效率。EndtoEnd一、端到端机器学习端到端机器学习（EndtoEndMachineLearning）是什么？端到端...机器学习4 个关键的 AI 趋势 | 吴恩达在 Snowflake Build 2024 上的演讲大纲
AI就像电力一样。”这是因为，作为一种通用技术（类似于电力），AI有着无数的应用场景。如果有人问你：“电力能用来做什么？”这个问题很难回答，因为电力几乎无处不在。同样，新兴的AI技术正在为我们创造一个庞大的机会空间，能够开发以前无法实现的应用。经常有人问我：“AI最大的机会在哪里？”我对AI技术栈的理解是这样的：在最底层，是半导体技术。在其上是云基础设施。当然，再往上是各种基础模型训练工具和模型本身。大...AI趋势智能体从“聪明工具”到“万能助手”：全景解读AI Agents生态版图
随着生成式AI技术的全面爆发，AIAgents正成为人工智能应用的新宠。这些“智能代理”不仅能完成特定任务，还能像一位贴心助手般跨场景协作。那么，这些AIAgents背后的技术堆栈是如何构建的？它们的生态系统又如何助力开发者和企业高效落地应用？今天我们通过一张最新发布的《AIAgentsStack》图解，带您快速掌握这个领域的核心脉络！1.垂直代理：专业AI助手，解决具体问题垂直代理是AI领域中最简单易懂的一类工具，它们就像是行业...万能助手AIAgents马斯克告OpenAI再加码：已请求禁令，阻止向营利公司转型！若成功，OpenAI融资66亿或变负债
原创 社区头条编辑伊风马斯克对OpenAI又放大招了。OpenAI在做新一轮融资时，曾明确提出：投资者不得同时资助其竞争对手，包括xAI。律师写道：“马斯克确认，至少有一位参与OpenAI10月融资轮的主要投资者后来拒绝投资xAI。”断人财路怎么能忍，马斯克出手申请禁令，直接请求联邦法院阻止OpenAI转变为完全营利的商业实体！这步棋狠在哪里？要知道，OpenAI新募集到的66亿元融资，是有条件的：OpenAI许诺将在两年内重组为营利公司。否则，投资者...马斯克OpenAI转型突破空间限制！从2D到3D：北大等开源Lift3D，助力精准具身智能操作！
文章链接：https:arxiv.orgpdf2411.18623项目链接：https:lift3dweb.github.io亮点直击提出了Lift3D，通过系统地提升隐式和显式的3D机器人表示，提升2D基础模型，构建一个3D操作策略。对于隐式3D机器人表示，设计了一个任务感知的MAE（MaskedAutoencoder），它掩盖了任务相关的可操作性区域，并重建了深度几何信息，从而增强了2D基础模型的3D空间感知能力。对于显式3D机器人表示，提出了一种2D模型提升策略，利用2D基础模型的预...模型训练线上RAG应用pdf文档频繁更新，老板下了死命令要节省预算，不能重复做embedding，我这么做.....
原创我们最近在一个项目中遇到了一个问题。项目的场景是这样的：用户将他们的PDF文档存储在磁盘的某个特定目录中，然后有一个定时任务来扫描此目录并从中的PDF文档构建知识库。一开始，我们采用"增量更新"策略。在扫描目录中的文档时，我们会对每个文档进行哈希运算以生成其指纹，并检查该指纹是否已存在于数据库中。如果指纹不存在，就表示这是一个新文件，我们会对新文件的document做embedding，然后将其加入到知识库中。然而，这...LangChainRAG大模型让你的RAG应用更加智能！引入自我反思的大模型 RAG 框架(Self-RAG)
原创SelfRAG出现的背景经典的RAG模型通过提供与问题相关的上下文信息来支持LLM在回答知识密集型问题。然而，这种方法存在两个主要问题：过度检索：RAG系统并不针对用户意图进行精细的判断，而是对每次输入都执行topk的知识检索，可能导致引入不必要或偏离主题的信息，从而影响输出的质量。例如，当用户仅是打招呼时（如"hello"），理想的做法是直接利用LLM的能力来回答，而不需要查询知识库输出一致性问题：无法百分百确定回答的内...RAG大模型从零到一带你实战RAG混合检索
原创在之前的文章中，我们探讨了混合检索的概念以及其后续的重新排序（rerank）和重组（reorder）操作。今天，我们将从实践角度解析如何执行混合检索。下图是混合检索的流程：BM25众所周知，混合检索主要通过关键词匹配来确定可能的答案，接着结合语义匹配以进一步提升答案的精确度。BM25就是其中一种常见的关键词搜索技术。BM25就像一个智能的匹配工具，在我们使用搜索系统时，它能帮助我们找到最相关的信息。BM25如何做到这一点呢...RAG大模型最大限度提高人工智能训练效率：选择合适的模型
原创 社区头条快速准确地训练人工智能模型，对于建立对这些工作流工具的信任非常重要。随着人工智能驱动的应用程序执行复杂任务的能力越来越强，数据科学家和机器学习工程师需要探索新方法。要为特定用例开发最佳模型，利用合适的模型、数据集和部署可以简化人工智能开发过程并产生最佳结果。选择合适的模型选择最佳的模型架构对于完成特定任务而获得最佳结果非常重要。解决不同类型的问题需要不同的模型架构：卷积神经网络（CNN）递归神经网...人工智能神经网络CNN微软即将推出超强RAG: LazyGraphRAG 效果更好，且成本能降低近1000倍！
原创 精华 社区头条 热门内容榜 • 最近上榜1、什么是LazyGraphRAGGraphRAG[1]旨在通过利用非结构化文本中的隐式关系来扩展AI系统可以在私有数据集上回答的问题类别，相对于传统矢量RAG（或“语义搜索”）的一个关键优势是它能够回答解决整个数据集的全局查询，例如“数据中的主要主题是什么？"，或者“X最重要的含义是什么"。相反，向量RAG擅长于本地查询，其中答案类似于查询并且可以在特定文本区域内找到，如通常针对“who”、“what”、“when”和“where”问题的情况...微软RAGLazyGraphRAG知识图谱大模型技术的重点与难点，以及在实际操作中需要注意的事项
原创 社区头条 热门内容榜 • 最近上榜大模型（LargeModel,如GPT、PaLM、LLaMA等）的重点与难点在于它们的构建、训练、应用以及部署过程中涉及到的多方面挑战。以下从技术、资源、应用等角度详细说明其重点与难点。1.大模型的重点(1)规模与性能参数规模：大模型的核心是参数量通常达到数十亿甚至万亿级别，参数的规模直接影响模型的表达能力和推理能力。多模态扩展：部分大模型支持跨模态输入（如文本、图像、音频等），需要对不同模态的数据进行融合建模。通用性...人工智能大模型技术关于两次大模型文本生成的尝试，以及由此带来的思考
原创“技术的发展是一个循序渐进的过程，而我们要做参与者，而不是旁观者”最近一段时间做了一次小实验，那就是用大模型写公众号，在一字不改的情况下直接发布，会是什么效果。两次测试，第一次使用的是字节的豆包，第二次使用的是chatGPT；而且第二次内容的阅读量直接破千。不知道大家有没有看出来哪两个是大模型写的文章；一个是豆包写的——《人工智能：开启未来新纪元》和GPT写的——大模型技术全面解析，从大模型的概念，...人工智能大模型技术一文彻底搞懂机器学习 - 基础知识
原创 社区头条机器学习是人工智能的一个分支，通过让计算机系统从数据中自动学习并改进性能以做出预测或决策，它分为监督学习、无监督学习、半监督学习、强化学习等多种类型，并面临数据质量、过拟合与欠拟合、梯度消失和梯度爆炸等挑战。机器学习流程涵盖数据收集、处理、特征工程（含特征提取、选择与创造）及模型训练与评估。特征工程尤为关键，它旨在从数据中挖掘出对模型有用的特征，而特征选择则是从中精选出对预测或决策贡献最大的特...机器学习论文解读：Expressive Whole-Body 3D Gaussian Avatar
在数字娱乐、虚拟现实和增强现实等领域，创建真实感强、能够表达丰富情感的3D虚拟人物一直是研究的热点。最近，来自DGIST和CodecAvatarsLab,Meta的研究团队在这一领域取得了突破性进展，他们提出了一种名为ExAvatar的技术，能够从单目的视频中学习并创建出具有丰富表情和手势的全身3D人像。本文将对这项技术进行详细解读。一、研究背景传统的3D人像往往只能模拟身体动作，而无法表现面部表情和手部动作。这限制了虚拟人物在交互...3D建模
