GGCCCL的博客

项目名称：视频内容智能解析参赛背景：2024年DataWOW大模型应用开发比赛作品，团队约10人（在校大学生 + 在职人员），通过开源社区结识，共创开发。开发周期：约2周，最终获“卓越作品奖”（上百参赛者、70+作品中排名前10%）。开源地址核心目标：利用大模型提升视频/音频学习效率，解决：学生跟不上课堂节奏、记笔记慢；在职人员无大块时间看会议/直播/长视频（B站、知乎上百集长系列常见）；大模型早期多模态（语音+语言）结合应用少。本项目是典型的多模态大模型应用。

RAG 定义：Retrieval Augmented Generation，通过引入外部知识库检索相关信息，增强大模型生成过程，生成更准确、符合上下文的答案。解决基础大模型痛点知识局限性：模型知识限于训练数据，无法掌握实时或非公开知识。数据安全性：无需将私有数据纳入训练集，避免泄露风险。大模型幻觉：基于概率生成易产生错误内容，尤其在未知领域。优势：简单有效，已成为主流大模型应用方案之一，显著减少幻觉、提升事实准确性。RAG 基本三步骤索引（Indexing）

语言模型核心目标：预测词序列中下一个词或缺失词的概率，对人类语言内在规律建模。四代语言模型演化统计语言模型（SLM）：基于马尔可夫假设的n-gram模型。神经语言模型（NLM）：神经网络（如RNN）+分布式词向量（Word Embedding）。代表：word2vec。预训练语言模型（PLM）：海量无标注数据预训练（biLSTM或Transformer）+下游任务微调。代表：ELMo、BERT、GPT-1/2。大语言模型（LLM）