InternLM+LlamaIndex RAG作业

已于 2024-08-08 21:26:46 修改
阅读量153 收藏
点赞数 3
CC 4.0 BY-SA版权
文章标签： 大作业 人工智能
于 2024-08-08 15:49:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/VC_Alexa/article/details/141028319

初次提问结果：

RAG后提问结果：

streamlit web:

VC_Alexa
关注
第四期书生大模型实战营【基础岛】—— InternLM + LlamaIndex RAG 实践
weixin_45730545的博客
02-11 610
基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前 InternLM2-Chat-1.8B 模型不会回答，借助 LlamaIndex 后 InternLM2-Chat-1.8B 模型具备回答 A 的能力，截图保存。：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前 浦语 API 不会回答，借助 LlamaIndex 后 浦语 API 具备回答 A 的能力，截图保存。
Camp4-L1:InternLM + LlamaIndex RAG 实践
fangsfdavid的博客
10-31 807
书生浦语大模型实战营第四期-InternLM+LlamaIndexRAG实践
InternLM + LlamaIndex RAG 实践 作业
2401_86461867的博客
09-12 181
4. LlamaIndex RAG
InternLM + LlamaIndex RAG 实践作业
weixin_56230406的博客
08-01 180
After RAG。
InternLM + LlamaIndex RAG 实践
hahahagehahage的博客
09-02 217
RAG之前RAG之后。
L1G4000作业-InternLM+Llamaindex RAG 实践
m0_73878994的博客
11-16 1710
书生浦语训练营
InternLM Camp4 L1G400 InternLM + LlamaIndex RAG 实践
weixin_51617262的博客
11-13 725
本博客是第四期书生大模型实战营基础岛的第四个大任务。我们需要基于 LlamaIndex 构建自己的 RAG 知识库，让 InternLM2-Chat-1.8B 或者浦语API之前不会回答的问题现在会回答了。
《书生大模型实战营第3期》基础岛 第4关 ：InternLM + LlamaIndex RAG 实践
shiter编写程序的艺术
08-11 1089
光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。光刻机是电子工业中最重要的设备，也是世界上造价最高的设备。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。
8.17 书生大模型实战营-基础岛4 -InternLM+LlamaIndex RAG 实践作业
zjzjsuus的博客
08-18 1228
1. 模型幻觉对于一些大模型不知道的知识，大模型可能会胡乱生成，并且试图让其看起来合理！2. 过时知识大模型本身在训练时，是一次性训练，因此采用的是过去的知识。当我们想要一些最新的知识时，大模型回答不了3. 缺乏透明和可追溯的推理过程大模型在生成回答时，可能答案是正确的，但是并不能展现大模型本身的一个推理过程，RAG的技术可以帮助我们追溯推理过程（对于这个点有点疑惑如图所示，由于xtuner是一款比较新的框架，训练数据库中并没有收录到它的相关信息。左图中问答均未给出准确的答案。右图未对。
第三期书生大模型实战营（【基础岛】- 第4关 | InternLM + LlamaIndex RAG 实践）
博客
10-08 1209
基础岛通关奖励：结营证书，解锁全部 50% A100 权限，1688 算力点奖励助力项目申请和落地。
书生大模型实战营第四期-闯关挑战L1G4000 InternLM + LlamaIndex RAG 实践 任务记录
qq_39297910的博客
11-27 843
（我们也可以选用别的开源词向量模型来进行 Embedding，目前选用这个模型是相对轻量、支持中文且效果较好的。，由于需要避免在项目中储存API KEY，这里在原有的基础上简单地加上了API KEY输入和检测。通过llamaindex使用RAG后，浦语API成功认识了xtuner。，点击vscode弹窗自动配置端口映射，打开后询问得到结果。因为开发机没有魔法，这边直接在本地把项目做好上传了。可见目前本地部署的大模型不认识xtuner。为了完成这次的任务，我们解锁了更强的算力。运行时长： 默认8小时。
书生大模型4期基础岛闯关4-InternLM + LlamaIndex RAG 实践
m0_57280180的博客
11-13 218
任务要求1（必做，参考readme_api.md）：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前 浦语 API 不会回答，借助 LlamaIndex 后 浦语 API 具备回答 A 的能力，截图保存。注意：写博客提交作业时切记不要泄漏自己 api_key！
时间序列预测Python机器学习应用
木头大左的博客
07-23 1207
时间依赖性：当前值受过去值的影响。趋势性：数据可能呈现长期上升或下降的趋势。季节性：数据在固定周期内重复出现的模式。噪声：随机波动，无明显规律。
跨境支付入门～国际支付结算（风控篇）
lkf19711的博客
07-25 687
跨境支付企业的"吞金兽"：风控系统成为最大成本黑洞。这类系统需采购海量第三方数据（年费超千万），并应对国际卡组织的高额合规要求（如VISA系统年增300万美元成本）。核心防控AML（反洗钱）和CFT（反恐融资）风险，通过四阶KYC认证体系（证件核验到持续监控）和KYB企业审查（股权穿透到贸易背景验证）。采用AI检测（准确率98.7%）、知识图谱等技术，并实施分级审核策略（CDD/EDD）。风控系统需融合3000+规则引擎和机器学习模型，实现全流程监控，是跨境支付企业的生死线。
大模型开发
2302_81352523的博客
07-23 1006
AI（人工智能）是使机器具备类人思考和解决问题能力的技术，其核心是Transformer神经网络模型（如GPT）。大模型应用结合传统编程实现记忆等复杂功能，应用开发技术包括Prompt问答、微调、Agent调用和RAG（外挂知识库），适用于客服、医疗、办公自动化等场景。AI通过数据训练掌握语言规律，处理模糊性问题，与传统程序互补形成强大应用。
统计与大数据分析与数学金融方向课程差异有哪些？如何提升职场竞争力？
LRQ2025的博客
07-23 959
统计与大数据分析和数学金融专业存在显著课程重叠（概率统计、编程、优化等），但主攻方向不同。统计侧重机器学习、大数据处理及广泛领域应用；数学金融则深入金融建模、衍生品定价等专业领域。建议新生结合兴趣（数据算法vs金融建模）与职业规划（数据科学家vs量化分析师），利用大一大二共同基础课程进行体验后选择。两个专业基础课高度相似，扎实掌握数学与编程核心能力是关键。
[2025CVPR]ViKIENet：通过虚拟密钥实例增强网络实现高效的 3D 对象检测
hasakie的博客
07-22 1137
ViKIENet论文摘要：ViKIENet提出一种高效的多模态3D物体检测框架，通过虚拟关键实例（VKIs）解决LiDAR点云稀疏性和传统虚拟点方法的高计算噪声问题。其核心创新包括：1）语义关键实例选择（SKIS），仅提取关键区域的虚拟点，减少90%计算量；2）多阶段融合模块（VIFF），结合BEV与RoI特征增强关键区域；3）深度校准模块（VIRA），抑制深度补全噪声。扩展版ViKIENet-R引入旋转等变特征，平衡精度与效率。实验显示，在KITTI、nuScenes等数据集上，ViKIENet以22.7
人工智能与交通：智能出行的变革与突破
最新发布
一套方法论打通全栈闭环，从 0 到 1 教你驾驭需求、设计、开发、项目、课题、论文和软著，速成全栈王者！
07-25 665
AI 驱动的智能交通不仅是技术升级，更是对城市空间、能源利用、社会分工的全面重构。从自动驾驶解放人类的驾驶时间，到智能调度让城市告别拥堵，再到绿色交通助力碳中和，每一项进步都在重新定义 “出行” 的意义 —— 从 “必要的负担” 变为 “高效、安全、愉悦的体验”。实现这一愿景需要技术突破、法规创新、社会协同的多方努力。当技术足够成熟、法规足够清晰、公众足够信任时，智能交通将成为 “未来城市” 的血管系统，支撑起更高效、更公平、更可持续的人类生活方式。
Mamba（SSM、S4、S4）
BigGod139的博客
07-23 834
状态空间模型SSM，20世纪60年代有卡尔曼等研究者提出，概念很在提出。连续SSM一般形式如下：State Equation：x′(t)=Ax(t)+Bu(t)x'(t) = Ax(t) + Bu(t)x′(t)=Ax(t)+Bu(t) 其中：Output Equation：y(t)=Cx(t)+Du(t)y(t) = Cx(t) + Du(t)y(t)=Cx(t)+Du(t) 或 y(t)=Cx(t)y(t) = Cx(t)y(t)=Cx(t) 其中：离散SSM一般形式如下：与连续SSM相比，x,t,u,
基于deepseek+llamaindex
03-25
而LlamaIndex，之前称为GPT Index，是一个用于构建索引和高效检索数据的工具，常用于RAG（检索增强生成）应用，帮助模型获取外部知识。 接下来，我需要考虑如何将两者集成。通常，集成大模型和LlamaIndex的步骤包括...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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