北京居民结婚登记办事指南

市民政局主管本市的婚姻登记管理工作,区、县民政局负责本辖区内的婚姻登记管理工作。
北京居民与北京居民的婚姻登记在一方或双方的常住户口所在区县的婚姻登记处办理。
一、   结婚登记的条件
1、男不得早于22周岁,女不得早于20周岁;
2、双方自愿并亲自到场;
3、双方均无配偶(未婚、离婚、丧偶);
4、双方不属于直系血亲和三代以内旁系血亲;
5、双方均不患有医学上认为不应当结婚的疾病;
 
二、   办理结婚登记所需证件和证明材料
1、双方的常住户口簿和居民身份证;
2、双方无配偶以及与对方没有直系血亲和三代以内旁系血亲关系的声明(办理时填写);
3、3张大2寸双方近期半身免冠合影照片。
 
注:
1、居民身份证与常住户口簿上的姓名、性别、  出生日期应一致,不一致的,当事人应当先到有关部门更正。
2、居民身份证或者常住户口簿丢失,当事人应先到公安户籍管理部门补办证件;
3、现役军人办理结婚登记,依据有关规定办理;
4、离婚的男女双方自愿恢复夫妻关系的,应当到婚姻登记机关办理复婚登记。复婚登记适用结婚登记的规定;
5、男女双方补办结婚登记的,适用本条例结婚登记的规定。 
资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子待分类文本。但实际应用中,类目样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值