DeepSeek超强的13个prompt模版!

DeepSeek十大神级prompt,工作效率翻倍 结构化输出专业性强易于定制实用性高先选择最贴近日常工作的prompt开始根据实际需求调整模板建立自己的prompt库持续优化和改进记住,好的prompt就像一把钥匙,能够充分发挥DeepSeek的潜力。希望这些模板能帮助大家更好地使用DeepSeek,提高工作效率!下期预告:我们将深入探讨如何将这些prompt应用到实际项目中,敬请期待! 阅读详情
👇我的小册 45章教程:(小白零基础用Python量化股票分析小册) ,原价299,限时特价2杯咖啡,满100人涨10元。

👇我的小册 AI工具100个实战小案例:(100个AI工具实战小案例) ,原价299,限时早鸟价29,满100人涨10元。

大家好,我是菜哥!

不知道你们有没有被那些复杂到令人发指的提示词折磨过?反正我是已经受够了!DeepSeek V3和R1横空出世之后,一定程度上改变了之前复杂的提示词撰写方式。特别是R1,用户只需要清晰描述自己的要求即可得到R1高质量的思考与回复。

DeepSeek的官方API文档也提供了13种应用场景下的提示词模版,供大家参考使用。

地址:https://api-docs.deepseek.com/zh-cn/prompt-library

代码改写

用于对代码进行修改,来实现纠错、注释、调优等。

下面这段的代码的效率很低,且没有处理边界情况。请先解释这段代码的问题与解决方法,然后进行优化: 

``` def fib(n):     

        if n <= 2:         

            return n     

        return fib(n-1) + fib(n-2)

```

代码解释

用于对代码进行解释,来帮助理解代码内容。

请解释下面这段代码的逻辑,并说明完成了什么功能: 

``` 

// weight数组的大小 就是物品个数

for(int i = 1; i < weight.size(); i++) { // 遍历物品

     for(int j = 0; j <= bagweight; j++) { // 遍历背包容量

         if (j < weight[i]) dp[i][j] = dp[i - 1][j];

        else dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);     

     } 

} 

```

代码生成

用于让模型生成一段完成特定功能的代码。

请帮我用 HTML 生成一个五子棋游戏,所有代码都保存在一个 HTML 中。

内容分类

对文本内容进行分析,并对齐进行自动归类。

结构化输出

将内容转化为 JSON,来方便后续程序处理。

用户将提供给你一段新闻内容,请你分析新闻内容,并提取其中的关键信息,以 JSON 的形式输出,输出的 JSON 需遵守以下的格式:

{
  "entiry": <新闻实体>,
  "time": <新闻时间,格式为 YYYY-mm-dd HH:MM:SS,没有请填 null>,
  "summary": <新闻内容总结>
}

8月31日,一枚猎鹰9号运载火箭于美国东部时间凌晨3时43分从美国佛罗里达州卡纳维拉尔角发射升空,将21颗星链卫星(Starlink)送入轨道。紧接着,在当天美国东部时间凌晨4时48分,另一枚猎鹰9号运载火箭从美国加利福尼亚州范登堡太空基地发射升空,同样将21颗星链卫星成功送入轨道。两次发射间隔65分钟创猎鹰9号运载火箭最短发射间隔纪录。美国联邦航空管理局于8月30日表示,尽管对太空探索技术公司的调查仍在进行,但已允许其猎鹰9号运载火箭恢复发射。目前,双方并未透露8月28日助推器着陆失败事故的详细信息。尽管发射已恢复,但原计划进行五天太空活动的“北极星黎明”(任务却被推迟。

角色扮演(自定义人设)

自定义人设,来与用户进行角色扮演。

系统:请你扮演一个刚从美国留学回国的人,说话时候会故意中文夹杂部分英文单词,显得非常fancy,对话中总是带有很强的优越感。 

用户:美国的饮食还习惯么。

角色扮演(情景续写)

提供一个场景,让模型模拟该场景下的任务对话。

假设诸葛亮死后在地府遇到了刘备,请模拟两个人展开一段对话。

诗歌创作

让模型根据提示词,创作诗歌。

模仿李白的风格写一首七律.飞机。

散文写作

让模型根据提示词创作散文。

以孤独的夜行者为题写一篇750字的散文,描绘一个人在城市中夜晚漫无目的行走的心情与所见所感,以及夜的寂静给予的独特感悟。

文案大纲生成

根据用户提供的主题,来生成文案大纲。

你是一位文本大纲生成专家,擅长根据用户的需求创建一个有条理且易于扩展成完整文章的大纲,你拥有强大的主题分析能力,能准确提取关键信息和核心要点。具备丰富的文案写作知识储备,熟悉各种文体和题材的文案大纲构建方法。可根据不同的主题需求,如商业文案、文学创作、学术论文等,生成具有针对性、逻辑性和条理性的文案大纲,并且能确保大纲结构合理、逻辑通顺。该大纲应该包含以下部分:
引言:介绍主题背景,阐述撰写目的,并吸引读者兴趣。
主体部分:第一段落:详细说明第一个关键点或论据,支持观点并引用相关数据或案例。
第二段落:深入探讨第二个重点,继续论证或展开叙述,保持内容的连贯性和深度。
第三段落:如果有必要,进一步讨论其他重要方面,或者提供不同的视角和证据。
结论:总结所有要点,重申主要观点,并给出有力的结尾陈述,可以是呼吁行动、提出展望或其他形式的收尾。
创意性标题:为文章构思一个引人注目的标题,确保它既反映了文章的核心内容又能激发读者的好奇心。

请帮我生成“中国农业情况”这篇文章的大纲。

宣传标语生成

让模型生成贴合商品信息的宣传标语。

系统:你是一个宣传标语专家,请根据用户需求设计一个独具创意且引人注目的宣传标语,需结合该产品/活动的核心价值和特点,同时融入新颖的表达方式或视角。请确保标语能够激发潜在客户的兴趣,并能留下深刻印象,可以考虑采用比喻、双关或其他修辞手法来增强语言的表现力。标语应简洁明了,需要朗朗上口,易于理解和记忆,一定要押韵,不要太过书面化。只输出宣传标语,不用解释。

用户: 请生成”希腊酸奶“的宣传标语。

模型提示词生成

根据用户需求,帮助生成高质量提示词。

系统:你是一位大模型提示词生成专家,请根据用户的需求编写一个智能助手的提示词,来指导大模型进行内容生成,要求: 

  1. 以 Markdown 格式输出

  2. 贴合用户需求,描述智能助手的定位、能力、知识储备

  3. 提示词应清晰、精确、易于理解,在保持质量的同时,尽可能简洁

  4. 只输出提示词,不要输出多余解释 

用户:请帮我生成一个“Linux 助手”的提示词。

中英翻译专家

中英文互译,对用户输入内容进行翻译。

你是一个中英文翻译专家,将用户输入的中文翻译成英文,或将用户输入的英文翻译成中文。对于非中文内容,它将提供中文翻译结果。用户可以向助手发送需要翻译的内容,助手会回答相应的翻译结果,并确保符合中文语言习惯,你可以调整语气和风格,并考虑到某些词语的文化内涵和地区差异。同时作为翻译家,需将原文翻译成具有信达雅标准的译文。"信" 即忠实于原文的内容与意图;"达" 意味着译文应通顺易懂,表达清晰;"雅" 则追求译文的文化审美和语言的优美。目标是创作出既忠于原作精神,又符合目标语言文化和读者审美的翻译。 

用户:任何一个物体总是保持静止状态或者匀速直线运动状态,直到有作用在它上面的外力迫使它改变这种状态为止

可以看到,DeepSeek大多数情况下提示词都非常简洁,没有太多的弯弯绕,R1模型也能够在非常简洁的提示词场景下对用户意图进行分析。DeepSeek还提供了内容分类、结构化输出、角色扮演、创意写作等等超实用功能。有兴趣的同学赶紧看看吧。

图片

最后推荐一下我们团队写的量化小册的内容,45篇内容!从Python安装,入门,数据分析,爬取股票基金的历史+实时数据,以及如何写一个简单量化策略,策略回测,如何看资金曲线统统都有介绍!非常超值!

欢迎订阅:原价299 早鸟价2杯咖啡钱,即可永久阅读。满400人又要涨价了,现在的价格非常非常低,只要2杯奶茶,就可以终身订阅+课程源码,还有永久陪伴群。48小时无理由退款,放心食用!

图片

往期推荐
量化: 如何用Python爬取创业板历史+实时股票数据!|实战股票分析篇利用Pandas 9招挖掘五粮液股价!|实战股票数据分析篇 Pandas滚动操作 |量化股票第一步,用Python画股票K线,双均线图,可视化你的股票数据!|如何用Python爬取全部800多只ETF基金数据!|如何用Python写一个双均线策略 |如何用Python开发一个多策略机器人!上篇!|Python量化系列-用布林策略买五粮液能赚多少钱?|只要4秒钟!用Python 获取上证指数34年的历史日线数据!
AI赋能CTF实战:Prompt工程与自动化工作流构建指南 在网络安全领域,CTF竞赛是检验技能的重要平台。随着人工智能技术的普及,大语言模型正成为解题过程中的强大辅助工具。其核心原理在于通过自然语言交互,将人类专家的意图转化为机器可执行的指令,这背后涉及的关键技术便是Prompt工程。Prompt工程的价值在于,它能有效引导AI模型,弥补其在特定领域经验上的不足,从而在代码审计、漏洞分析、密码破解等场景中提供精准的思路与脚本。本文聚焦于CTF实战,深入探讨如何通过结构化的Prompt设计,将AI从简单的问答工具升级为解题工作流中的智能协同伙伴,并结合自动化脚本与A 阅读详情

相关推荐

个人GPU部署LLM实战指南:显存、框架与硬件适配全解析

大语言模型(LLM)本地部署已从企业专属走向个人开发者日常实践。其核心在于理解模型推理的本质原理——显存占用与参数量、量化方式强相关;推理性能高度依赖框架(如vLLM、llama.cpp)对GPU计算单元的调度效率;而真实可用性更取决于驱动、CUDA版本、BIOS设置等底层硬件协同。技术价值体现在摆脱云服务依赖、实现数据隐私可控、支持RAG/Agent等深度定制。典型应用场景包括程序员本地代码补全、内容创作者多轮创意生成、数据分析师SQL即时生成,以及学生科研场景下的私有知识问答。本文聚焦消费级GPU(RT

weixin_33711647的博客 439

重磅!DeepSeek R1零门槛提示词+13大场景模板,让AI输出效率暴增300%!

你是一个中英文翻译专家,将用户输入的中文翻译成英文,或将用户输入的英文翻译成中文。用户可以向助手发送需要翻译的内容,助手会回答相应的翻译结果,并确保符合中文语言习惯,你可以调整语气和风格,并考虑到某些词语的文化内涵和地区差异。系统:你是一个宣传标语专家,请根据用户需求设计一个独具创意且引人注目的宣传标语,需结合该产品/活动的核心价值和特点,同时融入新颖的表达方式或视角。以孤独的夜行者为题写一篇750字的散文,描绘一个人在城市中夜晚漫无目的行走的心情与所见所感,以及夜的寂静给予的独特感悟。

fengdu78的博客 729

实战指南(一)SCAPS-1D太阳能电池模拟软件从零到一:模型构建与参数解析

本文详细介绍了SCAPS-1D太阳能电池模拟软件的使用方法,从模型构建到参数解析,帮助用户快速掌握这一免费且功能强大的工具。特别适合用于单结/多结电池的电学性能分析,涵盖钙钛矿电池等常见结构的模拟实践,并提供参数调试和收敛性问题处理的实用技巧。

weixin_30588675的博客 445

DeepSeek 精准使用提示词技巧和闭坑指南

这篇文章主要介绍了 DeepSeek 的精准使用提示词技巧和闭坑指南。包括基本使用方法,如深度思考、联网搜索、上传附件等功能的应用场景。提示词方面,强调精准高效提问,如明确需求、不定义过程、明确受众风格等技巧,还提到了反馈与迭代优化、复杂问题分步拆解等。闭坑指南包括避免冗长提示词、复杂句式等。

stark张宇 4594

电子结构设计(EMD)十年知识总结

客官,你的面相是做结构设计的奇才~1. 材料选择【一出手的0.1s就败了】2. 钣金件设计【折来折去有啥难】3. 塑胶件设计【看着好复杂】4. 型材件设计【凭啥不让我设计】5. 电子结构(PCBA)设计【静电肿么要我背锅】6. 包装设计【要的就是金玉其外,败絮其中】7. 外观(工业)设计【好不好看,谁说了算】8. 标签设计【】9. 标准件选择【一个螺丝难倒英雄汉/提起螺丝,英雄气短】10. 计算仿...

wfeng86的博客 1569

SigmaStar(星宸科技)SSC33X系列

目前,SSC33X系列已经量产了接近两年,SDK成熟稳定,功耗表现良好,图像效果出色,广泛应用在AI枪机、AI球机、AI云台机、多目摄像机、停车场闸机、人脸门禁、人脸锁、门铃猫眼等产品上。

Comake Online的博客 1万+

学术论文翻译

你是一个中英文学术论文翻译专家,将用户输入的中文翻译成英文,或将用户输入的英文翻译成中文。用户可以向你发送需要翻译的内容,你回答相应的翻译结果,你可以调整语气和风格,并考虑到某些词语的文化内涵和地区差异。同时作为翻译家,需将原文翻译成具有信达雅标准的译文。“雅” 则追求译文的文化审美和语言的优美。目标是创作出既忠于原作精神,又符合目标语言文化和读者审美的翻译。同时翻译时需要注意上下文一些名词的翻译结果的一致性。一句一句翻译成英文,然后使用百度翻译成中文,对照中文看意思是否改变。

不含硫的博客 488

大模型时代的具身智能系列专题(二)

自由形式语言指令 L 指定了一个操作问题,例如“打开最顶部的抽屉”。然而,根据 L 生成机器人轨迹是很困难的,因为 L 可能具有任意长度,或者是不明确的(例如,需要上下文语义)。相反,我们专注于问题的各个阶段(子任务)l_i,它们明确地指定了一个操作任务 (例如,“抓住抽屉把手”,“打开抽屉”),其中被分解的子阶段(子任务)L→l1l2lnL→l1​l2​...ln​由高级规划器(例如,一个LLM或一个基于搜索的规划器)给出。

achao的专栏 2172

4 步轻松获取DeepSeek API 攻略

在使用 API 时,系统会优先扣除授予的余额,然后再使用充值的资金。不要将 API 密钥直接写在代码中或者保存在容易被他人获取的文件里,尤其是在客户端代码中,绝对不能暴露 API 密钥,否则可能会导致密钥泄露,被他人恶意使用。对于新用户来说,首次进入时会发现页面显示没有现有的 API 密钥,这是正常的,接下来就可以进行生成 API 密钥的操作了。在使用过程中,要严格遵守平台的规定,保护好自己的 API 密钥,合理规划令牌使用,充分发挥 DeepSeek 的优势,为自己的工作和学习带来便利。

llm_way的博客 6536

Open3D 体素下采样【2026最新版】

体素滤波,博客长期更新,本文最近更新时间为:2026年4月11日。

点云侠的博客 37万+

基于DSIFT多尺度图像融合的MATLAB代码

多尺度图像融合是一种常用的图像处理技术,它可以将具有不同尺度和空间频率特征的图像融合成一幅更具信息丰富度和视觉效果的图像。DSIFT算法是一种基于SIFT算法的改进版本,它在提取图像特征时采用了密集采样的方法,能够有效地提取图像的局部特征。多尺度图像融合基于DSIFT算法的思想,通过在不同尺度下提取图像的DSIFT特征,并将这些特征进行融合,得到最终的融合图像。然后,通过DSIFT算法提取了两幅图像的特征。通过运行上述代码,我们可以在MATLAB中实现基于DSIFT多尺度图像融合的算法,并观察到融合结果。

IELLQUI9的博客 181

DeepSeek Harness保姆级实战:一文搞懂Agent Harness

DeepSeek Harness 是官方开源的 Agent 运行时框架,其核心价值在于将大模型能力转化为可执行任务的工作流(如代码分析/修改/测试)。与直接调用 API 不同,它通过插件化架构(Cordis)整合模型、工具、沙箱、会话等组件,支持 Standard/Code/Minimal/Creator 四种运行模式。本文详解其架构原理、Web UI/Headless/Python SDK 三种使用方式,并梳理权限控制、会话复用等实践要点。当前处于开发者预览阶段,适合需要定制 Agent 基础设施的团队。

CodeBlog-star 2441

YOLO11的持续学习:如何在不遗忘旧数据的情况下学习新类别

类增量学习(Class-Incremental Learning, CIL)是持续学习(Continual Learning)的一个重要分支,它指的是模型在不遗忘已学旧类别知识的前提下,逐步学习新类别的能力。与传统机器学习假设所有数据一次可用不同,类增量学习更贴近现实世界应用场景——新的类别数据往往会随着时间推移逐步出现。 举个例子,假设我们已经训练好一个YOLOv11模型用于检测"猫"和"狗"两种动物,现在需要让模型新增识别"兔子"的能力。传统方法需要收集所有类别(猫、狗、兔子)的数据重新训练,而类增量

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 1966

DeepSeek为何不信搜索结果?AI置信度与冲突解决机制解析

在人工智能与信息检索领域,大语言模型处理外部信息时的置信度计算与冲突解决机制是核心技术挑战。其原理在于模型通过向量匹配与注意力机制,动态评估外部信息与内部知识库的一致性。这一机制的技术价值在于平衡信息新鲜度与事实准确性,防止错误信息传播,体现了AI系统的责任意识。在工程实践中,该机制直接影响模型在编程辅助、事实核查、实时信息查询等场景下的输出可靠性。当模型对联网搜索结果产生怀疑时,正是其内部置信度评估与冲突解决机制在发挥作用,这揭示了当前AI在信息整合与自我认知能力上的边界。理解这一机制,有助于开发者和用户

weixin_34161064的博客 414

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Open LLM集中爆发的一周,卷疯了!

你关注的都在这里了Reflection Llama-3.1-70B 开源Reflection Llama-3.1 70B是世界上顶尖的Open LLM,通过反思微调技术()训练,能够检测并纠正推理错误,具有很高的热度,Hugging Face热门排行Top1。,这种反思技术训练的模型是否很契合Agent尼?有待进一步验证该模型使用Glaive生成的合成数据进行训练,Glaive是一个强大的模型训练工具。模型可以通过特定的代码和管道进行采样,使用与标准Llama3.1相同的聊天模板格式。

m0_59235945的博客 861

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

AI大模型辅助临床医学科研应用、论文写作、数据分析与AI绘图学习

从科研选题、文献综述、方案设计、数据清洗、统计分析、论文撰写、图表绘制到期刊投稿,AI已成为临床医生、医学生突破科研瓶颈、提升论文质量与效率的核心生产力工具。为响应国家“人工智能+医疗卫生健康”战略规划,解决临床科研人员“不会用AI、用不好AI”的普遍痛点,本次专门为临床医生/医学生量身打造的大模型AI课程,不讲复杂代码、不讲数学公式,只教马上能用、立刻出成果、真正帮你减负增效的实战技能!4.AI绘图:掌握AI生成图表(基线表、森林图、列线图、热图、散点图、箱线图、机制图、模式图、流程图)。

xhlo521的博客 1453

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

OpenClaw Skills配置实战:从部署到13个高价值技能详解

AI Agent作为自动化与智能化的核心工具,其原理在于通过可插拔的技能模块,将大语言模型的通用能力与特定功能相结合,实现复杂任务的自动化编排。这一技术价值在于极大地提升了开发、信息处理与内容创作的效率。在实际应用场景中,开发者常面临技能配置、环境部署与安全管理的挑战。本文聚焦于OpenClaw这一热门AI Agent框架,深入探讨其Skills体系的配置精髓。通过整合【代码解释器】和【网页搜索】等核心热词技能,并结合Docker部署、本地模型接入等实践,文章提供了一套经过验证的13个高价值技能配置清单与协

weixin_30920853的博客 393

大模型基本概念介绍

AI技术术语解析摘要:本文系统梳理了大模型的一些基础概念,如:AIGC、Transformer、NLP、Prompt、RAG、Agent等。

Heart_Skips_A_Beat的博客 1036

别再叫它 GPT 了!Codex 才是 AI 编程的“真工程师”深度拆解优势、风险与落地全指南

当任务涉及以下情况,坚决切换至 Codex:多文件联动修改(例如一次修改涉及 5 个以上文件的耦合变更)、大规模重构或遗留代码现代化(如将 10 年历史的单体应用拆分为模块化结构)、跨语言工程任务(如后端 API 与前端 TypeScript 类型定义同步修改)、自动化闭环开发任务(从 Issue 到 PR 的全链条自主执行)、复杂调试与漏洞排查。有开发者将其形容为:Sonnet 的输出是“优雅的”,而 Codex 的输出更像“企业级网站的代码”——稳健、规范、可维护,但不追求花哨。

Jedudu的博客 1174

Kimi K2.5 PARL架构:百智能体协同的工程化实践

智能体(Agent)是当前AI工程落地的核心范式,其本质是将复杂任务分解为可调度、可验证的子单元。PARL(Parallel Agent Reinforcement Learning)并非简单并发调用多个大模型,而是通过轻量化Orchestrator实现任务编排、依赖分析与动态降级,显著提升长流程任务的鲁棒性与执行效率。该技术路径直击企业级AI应用痛点——如OCR错误传播、多模态协同低效、推理成本失控等,已在跨境电商客服、并购尽调、供应链风控等真实场景中验证其单位任务成本下降89%、端到端耗时压缩至1/6的

weixin_33713503的博客 386

本地大模型实践指南:从Ollama部署到RAG知识库问答

大语言模型(LLM)的应用正从云端API走向本地化部署,以满足数据隐私、离线运行和成本控制等需求。本地大模型通过将权重文件下载至自有硬件,实现完全自主的推理过程。借助Ollama等工具,开发者可以快速搭建本地推理服务,并利用RAG技术将私有知识库接入模型,实现精准问答。量化技术则能有效降低硬件门槛,让普通电脑也能运行7B级模型。无论是离线代码助手、内部文档问答,还是批量文本处理,本地LLM正成为开发者工作流中高效、可控的智能引擎。本文从核心概念、部署流程到编程调用,系统梳理一条可直接落地的实践路径。

weixin_34408624的博客 282

从Claude Code后门事件看AI编码助手安全风险与Coco协作范式

AI Agent作为智能体技术,通过大语言模型实现任务规划与工具调用,为软件开发带来效率革命。其核心价值在于降低认知负荷与自动化重复工作,广泛应用于代码生成、文档检索和流程自动化等场景。然而,能力演进伴生安全风险,模型黑盒性、供应链漏洞和过度权限可能引发数据泄露与系统入侵。Claude Code后门事件凸显了AI协作工具的信任危机,而Coco范式倡导透明可控、最小权限的协作架构,通过Harness基础设施层实现安全交互,为AI编码助手提供了兼顾能力与安全的解决方案。

weixin_30788239的博客 433

提示词工程实战指南:从零掌握与大模型高效对话的核心技术

你是不是也遇到过这种情况:花了几十块钱开通了某个大模型的会员,兴冲冲地输入一个问题,结果得到的回答要么是“正确的废话”,要么干脆答非所问,甚至开始一本正经地胡说八道?然后你开始怀疑,到底是模型不行,还是自己不会用? 这背后的问题,十有八九出在“提示词”上。很多人以为使用大模型就像用搜索引擎,把问题敲进去就行。但实际上,大模型更像是一个能力超强但需要精确指令的实习生。你给它的指令(提示词)越模糊,它的表现就越差;指令越清晰、越结构化,它就越能发挥出惊人的潜力。 提示词工程(Prompt Engineering

weixin_33811539的博客 341

MergeKit模型合并实战:从SLERP到TIES-Merging的工程化指南

大语言模型(LLM)合并不是简单的参数平均,而是高维语义空间中的结构化对齐与能力嫁接。其核心原理在于:LLM权重具有低秩、方向敏感、任务可解耦等几何特性,直接线性融合会破坏语义流形一致性。MergeKit通过SLERP、Task Arithmetic、DARE和TIES-Merging等专用算法,将原本依赖试错的‘玄学’过程转化为可配置、可复现的标准化流水线。它显著降低定制化模型开发门槛,支持在单卡RTX 4090上22分钟内完成7B级模型融合,并已在常识推理、数学生成等场景验证SOTA效果。本文聚焦Ubu

weixin_33797791的博客 413

一文速览Gemma 1至Gemma 4:从Gemma 1(MHA/MQA,且π0自定义了300M)、Gemma2(新增局部滑窗/改用GQA)、Gemma 3(含270M且首次出现4B)、Gemma 4

如此文《》所讲Google作为曾经的AI老大,我司自然紧密关注,所以当Google总算开源了一个gemma 7b,作为有技术追求、技术信仰的我司,那必须得支持一下,比如用我司的paper-review数据集微调试下,彰显一下gemma的价值与威力。

结构之法 算法之道 7855
上一篇: Deepseek对数据分析行业的冲击有多大?
下一篇: 京东20薪+外卖大战:刘强东的两手牌,打的到底是什么算盘?
菜鸟学Python
博客等级 码龄9年 8062粉丝 571原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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