2010年2月10,腊月27,公司的最后一天班

作者分享了自己一天的生活经历,从早起煮粥到匆忙上班的过程,期间还穿插了体检、帮助同事等事件。文章透露出作者对当前生活的感受及对未来的迷茫与担忧。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

[size=medium]
今天下午的任务都搞定了,下午下班就可以回家了,
明天晚上的火车票……

今天早上7点钟起床煮好我的稀饭,最近胃不舒服吃不下硬东西,要养下胃,但是不能吃,约好了今天体检,等体检完后再回来吃吧,

体检人很多,意料之外搞到了10点,更意外的是体检单子上写着提供早餐,之后直接赶时间去了公司,任智文还等着我发传真给他传我的户口过来,真是急死人了。没怎么写文章,现在写就像汲牙膏样的,没那么多支离破粹的东西


回想毕业这么多日子来,有太多的不顺,有太多的痛苦,有太多的悲剧,让我深深的体会到社会的残忍,体会到社会的竞争,出门在外靠的是哥们,靠的是朋友!多亏了他们的资助,才度过了那段艰难的日子。但是以后的路,该怎么走,不是象大学那样没事做的时候的迷茫,更多的是一种担心,因为没人知道我内心私处的那一点痛,父母,不是,高中,大学同学,不是朋友,哥们,不是,唯有我一个人在那里象受了伤的狮子一样舔着滴血的伤口……
[/size]
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