Afra_yanghongyun的博客

8.盘古预测大模型进行财务异常检测，构建一个大模型网络，在预训练阶段对大量跨领域的结构化数据进行训练，然后加载财务异常检测样本数据进行训练，由于大模型已经学习到了大量的跨领域知识，使得财务异常的样本数据在一定程度上可以建立起和预训练样本间关联，这样就可以利用夸领域的预训练的样本来弥补财务异常样本数不足的问题。10.LLM基于大量的训练数据，来预测输出文本中下一个词语的概率，确定词语后，组装到文本中继续预测，从而获得完整的输出文本，就是文字接龙。

15.盘古矿山大模型的CV工作流无需进行复杂的超参调优和模型选择，只需要配置好模型的输入数据，CV工作流的后台就会自动选择一个合适的网络结构，合适的超参来训练模型，训练完成后会自动选择一个效果最佳的模型反馈给用户，用户可以继续使用工作流模型进行自动化的线上部署和端测设备的下发部署，十分的方便。12.提示词的结构需要尽可能的直观，不要将所有的内容放在一行输入，适当的换行将提示词的内容结构拆分提现出来，一个结构清晰的提示词输入，能够让模型更好地理解你的意图。