书生大模型第四期基础营作业第二关

原创已于 2024-12-26 23:59:03 修改 · 404 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#python

于 2024-12-26 23:56:58 首次发布

摘要：
关卡编号：L1G2000
关卡名称：玩转书生「多模态对话」与「AI搜索」产品

一、书生·浦语

InternLM 开源模型官方的对话类产品
选择逻代码编程、文章创作、灵感创意、角色扮演、语言翻译、逻辑推理以上任意一个场景或者你自己感兴趣的话题与浦语进行对话 (轮次不限)。
在这里插入图片描述

二、MindSearch

开源的 AI 搜索引擎
使用 MindSearch 在以下三个问题中选择一个你感兴趣的进行提问

目前生成式AI在学术和工业界有什么最新进展？
2024 年诺贝尔物理学奖为何会颁发给人工智能领域的科学家 Geoffrey E. Hinton，这一举动对这两个领域的从业人员会有什么影响？
最近大火的中国 3A 大作《黑神话·悟空》里有什么让你难忘的精彩故事情节？

问题：最近大火的中国 3A 大作《黑神话·悟空》里有什么让你难忘的精彩故事情节？
在这里插入图片描述
理性的思考方式，可以参考广阔的数据，很牛x的功能

三、书生·万象

InternVL 开源的视觉语言模型官方的对话产品
体验书生·万象模型多模态能力，从图片 OCR、图片内容理解等方面与书生·万象展开一次包含图片内容的对话
在这里插入图片描述

四、MindSearch 话题挑战

分享到知乎的链接：最近大火的中国 3A 大作《黑神话·悟空》里有什么让你难忘的精彩故事情节？ - 说笑的回答 - 知乎
https://www.zhihu.com/question/1915582405/answer/64862022669

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

cold_cookies

关注关注

5
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

书生大模型第四期实战营作业第四关

cold_cookies的博客

12-25

954

关卡编号：L0G4000关卡名称：玩转HF/魔搭/魔乐社区。

书生大模型第四期实战营作业第二关

cold_cookies的博客

12-21

349

闯关任务1：Leetcode 383(笔记中提交代码与leetcode提交通过截图)闯关任务2：Vscode连接InternStudio debug笔记。任务2：Vscode连接InternStudio debug笔记。发生错误的原因：输入函数json.loads不符合格式要求。任务1：Leetcode 383。关卡名称：Python基础知识。关卡编号：L0G2000。

参与评论您还未登录，请先登录后发表或查看评论

书生大模型第四期实战营作业第三关

cold_cookies的博客

12-24

1005

每位参与者提交一份自我介绍。提交地址：https://github.com/InternLM/Tutorial 的 class 分支～1.命名格式为 .md，其中是您的报名问卷UID。2.文件路径应为 ./icamp4/。3.【大家可以叫我】内容可以是 GitHub 昵称、微信昵称或其他网名。4.在 GitHub 上创建一个 Pull Request，提供对应的 PR 链接。

第三期书生大模型实战营第2关 Python 基础知识

wux_labs的博客

07-11

895

Hello大家好，这里是第三期书生大模型实战营，闯关地图入门岛的第2关 Python 基础知识。我们将学会简单使用Python进行词频统计，并实现VSCode代码调试等。让我们开始吧~

第四期书生大模型训练营——入门关第一关

NULLL123的博客

10-22

1818

SSH全称Secure Shell，中文翻译为安全外壳，它是一种网络安全协议，通过加密和认证机制实现安全的访问和文件传输等业务。SSH 协议通过对网络数据进行加密和验证，在不安全的网络环境中提供了安全的网络服务。SSH 是（C/S架构）由服务器和客户端组成，为建立安全的 SSH 通道，双方需要先建立 TCP 连接，然后协商使用的版本号和各类算法，并生成相同的会话密钥用于后续的对称加密。在完成用户认证后，双方即可建立会话进行数据交互。那在后面的实践中我们会配置SSH密钥。

第四期书生大模型训练营——基础第一关书生大模型全链路开源开放体系

NULLL123的博客

09-19

468

InternLM 大模型性能天梯。

书生大模型第四期闯关作业——L1G6000OpenCompass 评测书生大模型实践

weixin_49465398的博客

12-05

1893

1.使用 OpenCompass 评测浦语 API 记录复现过程并截图。（注意：写博客提交作业时切记删除自己的 api_key！2.使用 OpenCompass 评测 internlm2.5-chat-1.8b 模型在 ceval 数据集上的性能，记录复现过程并截图。（可选）

【L0G2000】书生大模型第四期实战营第2关Python基础知识

xiaohou963的博客

11-23

2044

本文将详细记录完成三个任务的全过程，包括编程技巧、工具使用以及问题解决思路。任务包括 Leetcode 问题解决、API 调试，以及 pip 安装到指定目录的实践。希望通过我的分享，能够帮助大家提升编程能力。完成 Leetcode 383 (“Ransom Note”)，并提交代码，同时附上通过截图。题目要求通过判断字符串中的所有字符是否都能在中找到（且字符出现次数必须足够），来确定是否可以用中的字符组成。以下是解决方案代码：测试与提交测试用例通过调试 OpenAI 接口代码，定

书生大模型实训营第4期基础岛第一关：书生大模型全链路开源体系介绍

weixin_54052852的博客

11-10

1412

书生大模型实训营第4期基础岛第一关任务笔记

【L0G1000】书生大模型第四期实战营第1关Linux 基础知识

xiaohou963的博客

11-20

873

我们可以通过VSCode的远程开发插件连接到开发机，进行代码编写和调试。这表明你已经在正确的conda环境中，且使用的是Python 3.8。现在，你可以在该虚拟环境下安装项目所需的依赖包，并运行Python代码。在开发过程中，掌握一些基础的Linux命令是非常重要的。端口映射是指将开发机的端口映射到本地机器的某个端口上，以便通过本地端口访问远程资源。通过这些步骤，大家已经掌握了开发机的基本使用方法，后续可以顺利开展项目开发工作。输入密码后，VSCode将远程连接开发机，并打开远程的文件系统。

书生浦语大模型实战课（第二期）第二课作业

04-04

### 书生浦语大模型实战课（第二期）第二课作业知识点总结 #### 一、使用Powershell配置端口及权限问题处理在学习过程中，遇到的第一个问题是在使用Powershell配置端口时出现问题，尝试修改端口号并复制密码，但...

书生大模型第四期—基础第五关：Xtuner 微调

NULLL123的博客

10-06

2168

环境安装：我们想要用简单易上手的微调工具包 XTuner 来对模型进行微调的话，第一步是安装 XTuner ！安装基础的工具是一切的前提，只有安装了 XTuner 我们才能够去执行后续的操作。前期准备：在完成 XTuner 的安装后，我们下一步就需要去明确我们自己的微调目标了。我们想要利用微调做一些什么事情呢，然后为了实现这个目标，我们需要准备相关的硬件资源和数据。启动微调：在确定了自己的微调目标后，我们就可以在 XTuner 的配置库中找到合适的配置文件并进行对应的修改。修改完成后即可一键启动训练！训练好

推荐 | JoyAgent-JDGenie：开箱即用的端到端多智能体产品

lpfasd123的博客

12-05

178

如果你在寻找一款真正可落地的多智能体产品，用来“搜索-分析-生成报告”、“数据问答与诊断”、“代码解释与图表生成”，同时希望易部署、易扩展、易二次开发——JoyAgent-JDGenie 是非常值得试用与推荐的选择。只需填好少量配置，即可获得端到端的流式体验与交付能力。

大模型应用：大模型 MapReduce 全解析：核心概念、中文语料示例实现.12

minhuan的专栏

12-03

1169

本文介绍了MapReduce编程模型及其在大模型训练中的应用。MapReduce通过"分治-并行-聚合"思想处理大规模数据，传统Hadoop MapReduce侧重结构化数据计算，而大模型MapReduce则针对自然语言处理任务。文章详细对比了两者在架构、处理对象和核心算力等方面的差异，并提供了中文词频统计的Python实现示例，包括单机版和分布式版本。分布式实现利用多进程模拟集群计算，展示了数据分片、Map、Shuffle和Reduce的完整流程。

零基础学JAVA--Day41(IO文件流+IO流原理+InputStream+OutputStream)

Dxxyyyy的博客

12-05

668

文件在程序中是以流的形式来操作的流：数据在数据源（文件）和程序（内存）之间经历的路径输入流：数据从数据源（文件）到程序（内存）的路径输出流：数据从程序（内存）到数据源（文件）的路径。

【Android逆向工程】第19章：协议分析与接口还原

w987333120的博客

12-03

405

本文介绍了网络协议分析的关键技术与工具。主要内容包括HTTP/HTTPS协议分析流程、常用抓包工具配置（Charles/Burp Suite）、协议格式解析方法以及签名算法还原技术。通过示例展示了完整的请求/响应分析过程，涵盖请求行、请求头、请求体的解析方法，特别关注签名相关字段的识别。文章还提供了Python代码示例演示如何自动分析HTTP请求结构，帮助逆向工程师理解业务逻辑、还原接口签名算法并实现自动化脚本。

使用 DeepSeek 提升工作效率

Deng872347348的博客

12-03

669

摘要：本文系统介绍了如何利用DeepSeek AI工具提升工作效率。文章首先分析职场痛点，指出DeepSeek在技术文档、代码开发、数据处理等专业场景的优势。随后详细解析核心功能模块，包括文本生成、代码支持、数据分析和知识管理，并明确其适用边界。重点提供了可直接复用的指令模板，涵盖技术文档撰写、脚本开发、数据可视化等典型场景，如自动生成API文档、Python数据分析脚本等。最后给出集成办公软件的最佳实践，并针对不同行业提供适配方案，强调AI工具"增强而非替代"的定位，帮助用户将重复性工

第30篇：逆袭量化路：用 bot_start 和 bot_loop_start 玩转 Freqtrade 策略

最新发布

qq_36936892的博客

12-06

167

Freqtrade策略开发中，bot_start()和bot_loop_start()是两个关键生命周期函数。bot_start()在机器人启动时仅调用一次，适合初始化数据、加载资源等操作；bot_loop_start()在每个交易循环开始时触发，可用于状态刷新、动态参数调整等周期性任务。开发者应注意前者只需快速执行，后者需保持轻量以避免阻塞。合理使用这两个函数能增强策略灵活性，支持复杂交易逻辑实现。掌握这两个回调函数是提升Freqtrade策略开发效率的重要环节。

python中快速更新ini文件之方法~

英布之剑的优快云 Blog

12-02

182

Python标准库中的configparser模块可方便读写INI格式配置文件。通过ConfigParser()创建对象，使用read()读取文件，set()修改键值，write()保存更改。示例代码展示了更新INI文件的完整流程：创建解析器、读取文件、修改指定分组下的键值、保存修改并清理对象。使用前需导入configparser模块。该方法简单高效，适用于处理标准INI格式的配置文件。

第四期书生大模型：书生基础通关岛第三关

01-20

### 关于书生大模型第四期基础通关岛第三关针对书生大模型第四期基础通关岛第三关的任务，此阶段主要聚焦于通过不同参数量训练模型并结合多种微调技术来优化特定任务的表现。具体而言，在对比 xcomposer2-4khd、internVL1.5 和 llava-llama3-8b 这些具有不同参数规模的预训练模型时，采用 LORA（低秩自适应）、QLORA 及 FULL 训练方法可以有效增强模型处理少量样本学习(few-shot learning)以及专门领域内图纸识别的能力[^1]。为了成功完成这一挑战，建议采取如下策略： #### 数据准备确保拥有高质量的数据集用于训练和验证，特别是那些能够代表目标应用场景中的特征数据，比如工业设计图或其他形式的技术绘图。 #### 模型选择与调整基于项目需求挑选合适的基线模型，并考虑其参数大小对性能的影响。较小的模型可能更适合资源受限环境下的部署；而较大的模型则通常能提供更好的泛化能力。 #### 微调技巧应用利用LORA或QLORA等高效微调方式快速适配新任务，减少计算成本的同时保持较高的准确性。对于更复杂的要求，则可尝试FULL fine-tuning以获得最佳效果。 ```python from transformers import AutoModelForSequenceClassification, Trainer, TrainingArguments model_name = "path_to_pretrained_model" model = AutoModelForSequenceClassification.from_pretrained(model_name) training_args = TrainingArguments( output_dir="./results", evaluation_strategy="epoch", per_device_train_batch_size=8, per_device_eval_batch_size=8, num_train_epochs=3, weight_decay=0.01, ) trainer = Trainer( model=model, args=training_args, train_dataset=train_dataset, eval_dataset=val_dataset, ) ``` 上述代码片段展示了如何设置一个简单的`Trainer`对象来进行模型微调操作。实际实现过程中还需要根据具体的任务类型调整配置项。