IOS 开源项目(各种有用的第三方库)

BGE vs OpenAI Embedding:免费开源模型如何吊打商业API?实测对比告诉你答案 本文通过实测对比,深入分析了开源向量模型BGE(BAAI General Embedding)与OpenAI商业API在效果、成本、部署和隐私等方面的差异。文章指出,BGE在多语言支持、混合检索及本地部署方面优势显著,尤其在跨语言业务和长文档处理场景下,开源模型不仅能实现降本增效,还能提供更高的可控性与灵活性。 阅读详情

IOS 开源项目(各种有用的第三方库)

状态栏:MTStatusBarOverlay 
下拉刷新:EGOTableViewPullRefresh 
网络应用:ASIHTTPRequest 
等待特效:MBProgressHUD 
JSON解释:json-framework 
--------------------- 


纵向表格: 
https://github.com/danielctull/DTGridView/ 


http://www.cocoachina.com/bbs/simple/?t47282.html 

扫描wifi信息: 
http://code.google.com/p/uwecaugmentedrealityproject/ 
http://code.google.com/p/iphone-wireless/ 


条形码扫描: 
http://zbar.sourceforge.net/iphone/sdkdoc/install.html 

tcp/ip的通讯协议: 
http://code.google.com/p/cocoaasyncsocket/ 

voip/sip: 
http://code.google.com/p/siphon/ 
http://code.google.com/p/asterisk-voicemail-for-iphone/ 
http://code.google.com/p/voiphone/ 


three20 
https://github.com/facebook/three20 


google gdata 
http://code.google.com/p/gdata-objectivec-client/ 


720全景显示panoramagl 
http://code.google.com/p/panoramagl/ 


jabber client 
http://code.google.com/p/ichabber/ 


PLBlocks 
http://code.google.com/p/plblocks/ 


image processing 
http://code.google.com/p/simple-iphone-image-processing/ 


json编码解码:http://code.google.com/p/json-framework 

base64编码解码:http://code.google.com/p/google-toolbox-for-mac/source/browse/trunk/Foundation/?r=87 

xml解析:https://github.com/schwa/TouchXML 

安全保存用户密码到keychain中:https://github.com/ldandersen/scifihifi-iphone 

加载等待特效框架(private api):https://github.com/jdg/MBProgressHUD 

http等相关协议封装:http://allseeing-i.com/ASIHTTPRequest 

下拉刷新代码:https://github.com/enormego/EGOTableViewPullRefresh 

异步加载图片并缓存代码:http://www.markj.net/iphone-asynchronous-table-image/ 

iphone TTS:https://bitbucket.org/sfoster/iphone-tts 

iphone cook book 源码:https://github.com/erica/iphone-3.0-cookbook- 
iphone  正则表达式:http://regexkit.sourceforge.net/RegexKitLite/ 

OAuth认证:  http://code.google.com/p/oauth/ 
http://code.google.com/p/oauthconsumer/

实战对比:OpenAI、Gemini与BAAI三大Embedding模型在中文场景下的表现 本文深入对比了OpenAI、Gemini与BAAI三大Embedding模型在中文场景下的表现,涵盖语义理解、检索精度、计算效率和成本因素等多个维度。通过实际测试数据,揭示了各模型在中文文本处理中的优劣势,为开发者提供了选型建议,特别是在RAG(检索增强生成)应用场景中的表现分析。 阅读详情

相关推荐

本地RAG系统部署:BGE-M3+ChromaDB实战指南

RAG(检索增强生成)是一种将外部知识库与大语言模型结合的关键技术,其核心在于文档分块、向量嵌入(Embedding)、向量检索与答案生成的闭环协作。在中文私有化场景下,Embedding质量直接决定检索精度,而BGE-M3凭借多粒度编码、跨语言对齐和稠密+稀疏混合检索能力,已成为事实标准;ChromaDB则以轻量持久化、元数据驱动和增量更新友好等特性,成为中小规模本地知识库的首选向量数据库。本文聚焦真实工程落地,覆盖从PDF文档清洗、中文鲁棒分块、Ollama托管bge-m3验证,到ChromaDB生产级

weixin_30315723的博客 385

iphone开源框架

扫描wifi信息:http://code.google.com/p/uwecaugmentedrealityproject/http://code.google.com/p/iphone-wireless/条形码扫描:http://zbar.sourceforge.net/iphone/sdkdoc/install.htmltcp/ip的通讯协议:http://code.google.com/p/...

hulefei29的专栏 201

高级RAG(一):Embedding模型的选择

今天我们测试了openai,gemini,baai它们的embedding模型,我们发现baai的embedding模型表现最为优秀,它检索出了所有的相关文档,而gemini的embedding模型表现最差,它机会都没有检索出任何相关文档,我并不清楚这是什么原因造成的。

weixin_42608414的博客 1万+

很好用的ios7开源项目

http://www.cocoachina.com/industry/20130701/6515.html zhe'g

shijikl的专栏 2503

从OpenAI到BGE:RAG项目中文本嵌入模型的国产化替换实战

文本嵌入模型是自然语言处理中的核心技术,它将文本转换为数值向量,从而让计算机能够理解和计算语义相似度。其原理通常基于深度神经网络,通过在海量文本数据上进行预训练,学习到文本的分布式表示。这项技术的核心价值在于为下游任务如语义搜索、文本聚类和检索增强生成(RAG)提供了基础能力。在RAG等应用场景中,高质量的文本嵌入是实现精准语义检索的关键。随着技术发展,国产开源模型如智源BGE系列在中文任务上表现出色,为追求数据安全、成本可控和本地化部署的工程实践提供了可靠选择。本文聚焦于将RAG项目中的嵌入模型从云端AP

weixin_30243533的博客 292

从OpenAI到国产模型:RAG系统中文本嵌入模型的替换实践与选型指南

文本嵌入模型是自然语言处理中的核心技术,它将文本转换为计算机可理解的稠密向量表示。其核心原理在于通过深度神经网络学习文本的语义信息,使得语义相似的文本在向量空间中的距离更近。这项技术的价值在于为下游任务如信息检索、文本分类和聚类提供了高质量的语义特征表示,是构建智能应用的基础。在检索增强生成(RAG)和语义搜索等应用场景中,嵌入模型的质量直接决定了检索的准确性和最终生成内容的相关性。随着大模型技术的发展,国产文本嵌入模型在中文语义理解、成本控制和数据安全方面展现出独特优势,例如智谱AI的text2vec系列

weixin_29061041的博客 350

直接拿来用!最火的iOS开源项目

1. GMGridView GMGridView是一款开源的iOS(iPhone/iPad)表格视图,允许用户手势对表格单元进行排序,在单元格需要展示时才进行装载,这样极大地提高了表格的效率。其中的伸缩/旋转/平移手势能够让用户改变视图,还能够实现从CellView到全屏的切换。 详情请参考:gmoledina 2. appirater Appirater是

夏树正茂的专栏 3066

长期免费的Embedding向量化API——零成本基建系列

做知识库、语义搜索或 RAG 时,Embedding 往往是第一笔容易被忽略的成本。把文本切块以后,每一块都要变成向量;文章多一点、重新建一次索,调用次数很快就上去了。这次只留下现在还能反复调用免费档、并且实际跑通的服务。注册送一笔 token 的试用不算进来,没测过的也不拿来凑表。测试用了同一组中英文语义检索样本:给“退款”问题找对应的退款政策,再和一段无关的服务器日志比较余弦相似度。这一轮不是基准测试,分数也不能跨模型横向比较。

围炉漫谈间,一起深聊人工智能、大数据这类前沿科技领域的新动态,在这里为你拆解前沿技术百货的多样精彩。 789

Use ssh-agent in wsl2 with keychain for passwordless ssh connection

概要 ssh-agent可使我们在的私钥有密码的情况下,快速ssh到服务主机而不需用输入私钥密码。 通常使用如下方法启动 eval `ssh-agent -s` ssh-add ~/.ssh/id.rsa 平但是时在使用wsl2的ssh-agent的时候,每开启一个终端会话就需要重新生成一个ssh-agent,非常的麻烦。 最近想到了使用keychain来管理我的ssh-agent,基本符合需求,只需用在启动wsl2的时候输入一次密钥的密码,就算后面关掉terminal,也不需要重新生成ssh-ahent

微微一笑 425

告别OpenAI API费用:手把手教你用本地BGE模型+FAISS搭建LangChain私有知识库

本文详细介绍了如何利用开源的BGE嵌入模型和FAISS向量数据库,结合LangChain框架,构建一个完全离线运行的企业级知识问答系统。该方案不仅零API调用成本,还能在企业内网安全处理敏感数据,特别适合需要数据隐私和成本控制的开发者。文章涵盖技术栈选型、环境搭建、知识库构建全流程及性能优化技巧,帮助开发者快速实现私有化知识库部署。

weixin_29166013的博客 370

BGE中文嵌入模型GGML量化部署:从PyTorch到LocalAI的完整实践

文本嵌入模型作为自然语言处理的核心组件,通过将文本转换为高维向量(即“数字指纹”)来表征语义信息。其原理基于深度学习架构学习文本的分布式表示,使语义相似的文本在向量空间中距离更近。这项技术的核心价值在于为语义搜索、文本分类、聚类及RAG(检索增强生成)系统提供了高效的基础能力,尤其适合构建本地化AI应用。在实际工程中,为了在资源受限环境下(如CPU服务器)实现高效部署,常需对原始PyTorch模型进行格式转换与量化优化。本文以中文领域广泛使用的BGE模型为例,详细演示如何通过GGML格式转换与量化技术,在L

413

BGE模型实战:5分钟搞定中文文本嵌入,比OpenAI还强的本地部署方案

本文详细介绍了智源研究院开源的BGE模型,这是一个强大的中文文本嵌入本地部署方案。文章通过实战演示,展示了如何在5分钟内完成环境搭建与模型部署,并对比了其在C-MTEB基准测试中超越OpenAI的性能表现。内容涵盖基础使用、相似度计算、检索优化、高级功能(如重排序与混合检索)以及生产环境下的性能优化与部署建议,为开发者提供了一个高效、安全且免费的替代方案。

weixin_29035147的博客 1064

n8n工作流自动化进阶:本地嵌入模型与Milvus向量库的实战集成

本文详细介绍了如何在n8n工作流自动化平台中,集成本地嵌入模型与Milvus向量数据库,构建私有、可控的智能文档处理流水线。通过实战步骤,指导读者部署BAAI/bge-m3模型服务、配置Milvus向量库,并串联n8n节点实现文本向量化与存储,有效解决数据隐私、成本与可控性问题。

brandy的博客 429

从零搭建一个RAG Fusion问答系统:用Chroma+BGE模型替代Pinecone+OpenAI(省钱实战)

本文详细介绍了如何从零搭建一个低成本RAG Fusion问答系统,使用Chroma向量数据库和BGE中文Embedding模型替代昂贵的Pinecone和OpenAI方案。通过实战指南,读者可以学习到技术选型、环境搭建、知识库构建及核心逻辑实现,大幅节省成本的同时提升数据隐私和定制自由度。

weixin_29094539的博客 342

我自己升级优化的siphon 2.3.2,支持arm64,Xcode 7.0

用xcode直接打开 Siphon.xcodeproj 就可以了 siphon2.3.2 修改:2015.9.23 1、增加对Xcode7.0的支持,主要修改了,不能进入界面问题,链接网络问题。 2、修改主界面为输入Sip配置信息,而不是一个提示到设置中去配置。 3、改正了2.3.1版本设置不能用的bug。 在iPhone 的设置中,选Siphon,然后可以更换sip账号。 siphon2.3.1版本由herycom在siphon2.3的基础上修改而成,在xcode6.3.2下可以正常编译运行。 1、增加了AVFoundation.framework 2、升级到pjsip2.4全平台静态库 3、Architectures由32位改为了Standard architectures(arm7,arm64),现在的app store都要支持arm64才能上传 4、补充最近通话记录图标 5、pjsip引用简化,直接将所有头文件都整合到一个目录,所有库文件在一个目录。适合不需要修改编译pjsip的开发者。 如果需要编译,请自行下载pjsip源码进行编译,本项目为了减少包大小,没有包含在内。 可提供技术支持。

open-source-ios-apps.zip

open-source-ios-apps.zip,Collaborative List of Open-Source iOS Apps

大模型RAG(二)向量化(embedding)模型选型与实战评估

本文深入探讨了大模型RAG中的向量化(embedding)模型选型与实战评估,详细对比了BGE、M3E等主流开源模型及OpenAI、Cohere等商业API的性能特点。通过语言适配性、性能指标、上下文窗口等五个黄金维度,为开发者提供模型选型指南,并分享量化压缩、缓存机制等性能优化技巧,助力提升RAG系统的检索效率与准确率。

weixin_29046611的博客 313

利用SSKeyChain存储秘钥以及生成UUID

关于SSKeyChain存储密码,账号 手机唯一标识生成

上一篇: GBK 转 UTF8
下一篇: iOS真机调试
focusjava
博客等级 码龄14年 127粉丝 528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