- 博客(15)
- 收藏
- 关注
RSS订阅原创 使用豆包Marscode编写贪吃蛇小游戏
本项目旨在实现一个现代化、可扩展的贪吃蛇游戏，结合前端技术和用户交互设计，提升游戏体验，并允许用户自定义游戏参数，如速度、分数显示等。通过使用HTML、CSS和JavaScript技术，本项目成功实现了一个简单且可互动的贪吃蛇游戏，提供了基本的游戏玩法和自定义选项。随着技术的进一步发展，本游戏可进一步优化，加入更多创新功能如AI对战和排行榜系统，提升玩家的整体体验。虽然目前贪吃蛇游戏的设计没有直接涉及人工智能（AI），但未来可以通过引入AI技术进一步改进游戏的体验。
2025-01-01 03:03:39
666
原创 MarsCode(豆包)AI辅助编程
请你基于html、tailwind css和javascript，帮我设计一个“井字棋游戏”。要求UI简洁美观大方，同时具有呼吸感，人类玩家以及电脑玩家放置棋子，游戏胜负平局判定条件能够完美实现。要求UI简洁美观大方，同时具有呼吸感，点击开始计时、点击暂停计时和重置计时的功能能够完美实现。在AI创作时，可能不能一次性跑通项目，需要多次跟AI进行交互，把出现的问题用文字描述清楚，发送给AI，AI生成新的代码，替换后成功。3.进入项目界面（界面介绍）按钮创建项目，可以修改。点击下方链接进入官网。
2024-12-31 21:30:09
1054
原创 Transformer模型量化Quantization 笔记
为了详细说明模型的参数数量和每个参数在显存中占用的空间大小，我们以 facebook OPT-6.7B 模型为例。逐步推理计算过程：1. 估计参数总量：OPT-6.7B 模型指一个含有大约 6.7 Billion（67亿）个参数的模型。2. 计算单个参数的显存占用：OPT-6.7B 模型默认使用 Float16，每个参数占用16位（即2字节）的显存。3. 计算总显存占用 = 参数总量 × 每个参数的显存占用。代入公式计算：67亿参数×2字节/参数=134亿字节=13.4×109字节。
2024-09-12 00:30:11
863
原创 Qwen2技术报告读后感
Qwen2 系列模型通过优化预训练数据、采用专家混合架构、引入新颖的长上下文处理机制，以及在后训练阶段结合人类反馈强化学习，显著提升了模型在生成、推理和多语言处理等任务中的表现。稠密模型和MOE模型的区别，两个模型架构分别介绍一下稠密模型是一种架构简单且稳定的模型，适合需要一致计算能力的任务，但在处理超大规模模型时，计算和内存成本高。MoE模型通过动态激活部分专家网络，提高了模型的计算效率和扩展性，适合处理复杂任务和大规模模型，但训练复杂性较高，推理结果可能不如稠密模型稳定。在Qwen2。
2024-09-07 13:40:47
1654
原创 OpenCompass 评测 InternLM-1.8B 实践-材料提交
确保按照上述步骤正确安装 OpenCompass 并准备好数据集后，可以通过以下命令评测 InternLM-Chat-7B 模型在 C-Eval 数据集上的性能。由于 OpenCompass 默认并行启动评估过程，我们可以在第一次运行时以。# 列出所有跟 internlm 及 ceval 相关的配置。# 将会在opencompass下看到data文件夹。模式下，任务将按顺序执行，并实时打印输出。模式启动评估，并检查是否存在问题。# 解压评测数据集到 data/ 处。
2024-08-09 18:18:33
508
原创 XTuner微调个人小助手认知
对于全量微调的模型（full）其实是不需要进行整合这一步的，因为全量微调修改的是原模型的权重而非微调一个新的 Adapter ，因此是不需要进行模型整合的。比如我们这里微调的是书生·浦语的模型，我们就可以匹配搜索。在 PART 1 的部分，由于我们不再需要在 HuggingFace 上自动下载模型，因此我们先要更换模型的路径以及数据集的路径为我们本地的路径。，在使用前我们需要准备好三个路径，包括原模型的路径、训练好的 Adapter 层的（模型格式转换后的）路径以及最终保存的路径。我们可以添加自己的输入。
2024-08-09 02:25:08
404
原创 InternLM + LlamaIndex RAG 实践
给模型注入新知识的方式，可以简单分为两种方式，一种是内部的，即更新模型的权重，另一个就是外部的方式，给模型注入格外的上下文或者说外部信息，不改变它的的权重。st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？
2024-08-08 19:25:22
780
原创 LangGPT结构化提示词编写实践
提示工程是一种通过设计和调整输入(Prompts)来改善模型性能或控制其输出结果的技术。在模型回复的过程中，首先获取用户输入的文本，然后处理文本特征并根据输入文本特征预测之后的文本，原理为。指令要清晰提供参考内容复杂的任务拆分成子任务给 LLM“思考”时间(给出过程)使用外部工具系统性测试变化。
2024-08-08 13:00:32
833
原创 茴香豆“:零代码搭建你的 RAG 智能助理
RAG（Retrieval Augmented Generation）技术，通过检索与用户输入相关的信息片段，并结合来生成更准确、更丰富的回答。解决 LLMs 在处理知识密集型任务时可能遇到的挑战, 如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供更准确的回答、降低推理成本、实现外部记忆。
2024-07-26 19:53:37
1615
原创 玩转书生大模型-demo
InternLM (书生·浦语) is a conversational language model that is developed by Shanghai AI Laboratory (上海人工智能实验室). It is designed to be helpful, honest, and harmless.# 与 studio-conda 等效的配置方案。# save_dir是模型保存到本地的目录。通过左侧文件夹栏目，双击进入。配置完成后，进入到新创建的。# 创建保存模型目录。
2024-07-25 22:39:52
696
原创 书生·浦语大模型全链路开源开放体系笔记
6. 工具体系：为了简化从模型到应用的过程，开发了全链条的工具体系并开源。这些工具支持从数据准备、模型训练、微调、部署到评测的整个过程，旨在帮助开发者和研究者更容易地使用和开发大模型应用。2. 书生浦语大模型的特点：书生浦语大模型是一个全链条的开源体系，支持长达20万汉字的输入，是全球大模型产品中支持的最长上下文输入长度。包括升级千亿参数大模型、支持8K语境、推出全免费商用的7B开源模型和全链条工具体系、发布多模态预训练语料库、升级对话模型等。CompassHub基准社区。微调：增量续训、有监督微调。
2024-07-25 19:57:01
218
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人