<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dinnnng的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/dinnnng</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dinnnng]]></copyright><item><title><![CDATA[MTEB排行榜上AI Embedding模型大盘点]]></title><link>https://blog.youkuaiyun.com/dinnnng/article/details/138547150</link><guid>https://blog.youkuaiyun.com/dinnnng/article/details/138547150</guid><author>dinnnng</author><pubDate>Tue, 07 May 2024 21:50:49 +0800</pubDate><description><![CDATA[下面，我将为大家整合目前市面上一些优秀的embedding模型，以及它们的相关信息和链接，希望能帮助到对这一领域感兴趣的朋友。Voyage团队认为业界对嵌入模型的重视程度远远不够，因此他们投入了5年时间，收集了海量的训练数据和预/后处理方法，打造出了SOTA的嵌入模型。网易有道开源的BCEmbedding模型，具备中英双语和跨语种能力，覆盖多领域，设计了标签分配方法，使得Embedding模型可以尽可能召回，而Reranker模型则负责精排和低质量过滤。市面上优秀的embedding模型。]]></description><category></category></item><item><title><![CDATA[一文打尽Topic Model方法——RAG系列(2)]]></title><link>https://blog.youkuaiyun.com/dinnnng/article/details/138321525</link><guid>https://blog.youkuaiyun.com/dinnnng/article/details/138321525</guid><author>dinnnng</author><pubDate>Mon, 29 Apr 2024 18:19:33 +0800</pubDate><description><![CDATA[对文档向量进行聚类，分成不同的簇，每个簇就代表一个主题，同一个簇的文档向量求 average，得到的向量作为该主题的 Topic 表示，再用离该 topic vector 最近的 NNN 个词作为该 Topic 的表示。聚类选择的是 HDBSCAN 这种 density-based 的聚类方法，但是在求主题向量时，是从 centroid-based 的角度，即是通过同一簇下的向量求平均得到主题向量，这会导致得到的主题向量是不准确的，从而造成主题表示是不准确的。好了，今天的分享就到这里。]]></description><category></category></item><item><title><![CDATA[国内注册使用HeygenAI教程]]></title><link>https://blog.youkuaiyun.com/dinnnng/article/details/137648229</link><guid>https://blog.youkuaiyun.com/dinnnng/article/details/137648229</guid><author>dinnnng</author><pubDate>Thu, 11 Apr 2024 18:19:32 +0800</pubDate><description><![CDATA[然而，并非所有用户都通过这种方式获得了成功，这表明平台的访问限制措施具有一定的复杂性，解决方案的有效性可能因人而异。近期，Heygen平台对其商业模式进行了调整，特别是在会员服务方面进行了优化，以提高用户的参与度和体验。平台通过调整积分获取机制，鼓励用户更加积极地参与到平台的互动中来，每次互动可以获得1积分，这是对用户活跃度的一种认可。同时，为了保障平台的安全性和用户体验，Heygen平台加强了对验证码的保护措施，确保用户信息的安全。平台对于账户的管理也更加严格，旨在维护一个健康、有序的网络环境。]]></description><category></category></item><item><title><![CDATA[RAG进阶——初探llamaIndex的Document Summary Index]]></title><link>https://blog.youkuaiyun.com/dinnnng/article/details/136493253</link><guid>https://blog.youkuaiyun.com/dinnnng/article/details/136493253</guid><author>dinnnng</author><pubDate>Tue, 05 Mar 2024 23:46:04 +0800</pubDate><description><![CDATA[我们展示了使用文档摘要进行基于LLM的检索和基于嵌入的检索。检索到的所有与所选文档对应的节点都将被检索。文档摘要索引将从每个文档中提取摘要，并存储该摘要以及与文档相对应的所有节点。文档摘要索引已经配置为进行高层次查询，您可以通过指定的查询获取响应。LLM检索已经配置，您可以通过指定的查询获取检索到的节点。本演示展示了对不同城市的维基百科文章进行的文档摘要索引。嵌入检索已经配置，您可以通过指定的查询获取检索到的节点。文档摘要索引已建立，您可以通过指定的文档ID获取摘要。使用默认模式构建文档摘要索引。]]></description><category></category></item><item><title><![CDATA[揭秘 LlamaIndex OPTIMIZING：通往高级LLM应用开发的捷径]]></title><link>https://blog.youkuaiyun.com/dinnnng/article/details/136383888</link><guid>https://blog.youkuaiyun.com/dinnnng/article/details/136383888</guid><author>dinnnng</author><pubDate>Thu, 29 Feb 2024 23:34:30 +0800</pubDate><description><![CDATA[在当今AI领域的热潮中，LlamaIndex 作为一款赋能大型语言模型（LLMs）并革新其应用场景的热门工具，已悄然成为众多开发者和企业眼中的焦点。它不仅连接了大模型与外部数据源之间的鸿沟，更是在 LLMOps 领域树立起一面鲜明的旗帜。然而，对于许多跃跃欲试的技术爱好者而言，LlamaIndex 所蕴含的进阶功能犹如隐藏在代码丛林中的瑰宝，等待着我们去发掘。今天，就让我们一同深入探索这个神秘的“黑匣子”，无需一行行研读英文文档，也能轻松掌握那些赋予 LlamaIndex 强大力量的关键特性。]]></description><category></category></item></channel></rss>