微软公开招聘谷歌杀手zz

微软与Google之间的竞争不但表现在两者针锋相对的各种网络服务上,还表现在两者互挖墙脚上。早前我介绍了几位从微软跳槽到Google的狠角色,这也是令微软比较生气的地方。因此微软要采取行动,公开招纳能干掉Google的能人异士。今天在Amit的blog里看到微软在中国招聘谷歌杀手的消息,更有趣的是,相关的职位名称就是“Google Compete Lead”(Google竞争主管)。



如果你直接进入中文版的“微软中国招聘主页”查看相关职位,会找不到这个Google Compete Lead。不过在微软的英文网站上,我们就可以很清楚地找到相关的信息(点击左边的Administration,展开后可见):

在Google Compete Lead的职位描述里清楚地说明,微软就是想招聘能干掉Google(谷歌)的人才,并且他/她必须要对中国本地各种政策非常熟悉。这样明显的信息不但表明了微软直接与Google死拼的决心,还颇有几分公开挖角的意味,因为对Google最熟悉的莫过于Google自家的成员了。

不过无论如何,能担当起这个角色的人选并不多,因为早前离开微软而加盟Google的Vic Gundotra就是因为不能干掉Google而让微软非常的不满。李开复的离职让人们感受到了微软的无奈和愤怒,身为一名普通网民,我当然希望这场戏会越来越精彩,至少,让Google内部也出一个“李开复”,这样才算公平,呵呵。

出处:http://www.kenwong.cn/post/microsoft-hiring-google-killer-in-china.html

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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