首页

投稿

通俗易懂理解全量微调和LoRA微调

12.4万

176

2024-07-02 18:01:00

未经作者授权，禁止转载

AI老兵文哲发消息

AI老兵文哲-技术科普

RAG增强检索是如何工作的？

03:48

RAG实战中常见的问题

04:35

通俗易懂理解全量微调和LoRA微调

11:56

理解向量数据库与文本向量检索效率

03:42

通俗易懂理解大模型预训练和微调

05:44

什么是灾难性遗忘？为什么要重视它？

05:58

最近火爆的GraphRAG是什么？真的那么有用吗？

08:00

通俗易懂理解提示工程、RAG和微调

04:08

模型微调中最不需要关注的应该是GPU成本

05:59

当前大模型技术能否走向AGI？

05:28

在大模型项目中构造好Benchmark的重要性

02:32

大模型是如何生成回复的？背后逻辑又是怎样？

07:25

使用大模型时可调节的TopK、TopP到底是什么意思？

08:07

大模型项目选择RAG还是微调：八个判断依据

04:30

大模型项目选择RAG还是微调：三个案例

04:54

微调一个模型需要多少GPU显存？

07:55

大模型成功背后的RLHF到底是什么？

06:45

什么是混合专家模型（MoE)？

05:18

通俗易懂理解自注意力机制（Self-Attention）

06:40

什么是生成式AI？生成AI不等于大模型，判别模型和生成模型

04:23

20240724-关于Llama3.1模型简要总结&启示-横屏

05:49

经典RAG结构的问题以及几点解决思路

06:04

什么是知识图谱？与大模型的关系是什么？

06:36

如何把RAG和知识图谱结合

07:38

什么是大模型量化和蒸馏？

05:38

20240712- 什么是模型的泛化能力？-横屏

03:36

什么是大模型幻觉？为什么会产生幻觉？

05:09

大模型项目落地中的五个坑

05:45

什么是端到端（End-to-End）模型？

07:30

从技术可行性剖析AI搜索场景的可落地性

03:59

传统AI与基于大模型AI之间的区别

05:18

选择大于一切：AI项目技术可行性与商业价值的双重解析

06:08

从Scaling laws来分析GPT5是否会远超GPT4

06:39

未来一年大模型发展的八大趋势

07:48

20240807-03通俗理解大模型领域关键术语以及它们之间的关系-横屏

05:32

适合与不适合用生成式AI的场景

06:01

经典RAG很难解决的问题以及Agent思路

05:23

什么是In-context learning

05:20

什么是Continue Pretraining(增量预训练)?

05:27

In-context learning微调和增量预训练之间的区别

05:55

为什么需要智能体（Agent）

07:47

个性化教育系统的核心要素以及设计理念

07:03

RAG、In-context learning微调之间的选择

09:01

通俗理解OpenAI O1的技术和应用

08:43

模型推理时所需的GPU显存

06:04

如何对AI项目做优先级排序

08:40

大模型项目失败的十大原因（一）

09:03

大模型项目失败的十大原因（二）

07:48

顶部