一文讲清大模型AI应用架构

【AIGC调研系列】进行大模型调用开发使用的框架有哪些 这些框架和工具展示了AIGC大模型在不同领域的应用潜力,从文本处理到视频编辑,再到代码生成和多模态内容创作,为开发者提供了广泛的选择来满足他们的具体需求。 阅读详情

讲在开头:关于大模型 AI 应用架构的文章目前并不多,在经过几次小的项目探索后,这篇文章拿出来抛砖引玉,欢迎大家指正,一起探讨。

如果说 2023 年是大模型大爆发的一年,这一年的机会主要给了大厂或者拿到大笔融资的创业者;那么 2024 年将是 AI 应用大爆发的一年,也意味着普通人有更多的机会加入这一浪潮。今天结合基于大模型的 AI 产品架构来看看普通人的机会在哪里,这些普通人包括:

  • AI 应用开发者
  • AI 产品经理、提示词工程师
  • 希望通过 AI 来提效增收的中小老板

在讲述 AI 产品架构之前,我们先来看看客户的诉求。因为一切的设计都是从需求出发,大模型AI 产品也不例外。

1、从 AI 产品的诉求出发看 AI 产品设计

最近接触到最多的诉求是:如何基于自己的知识库构建自己的问答机器人,比如:

  • 绘本馆老板希望通过机器人对话来推荐书籍,提高社群活跃度。
  • 面向大学生的留学咨询机构希望通过机器人解答专业论文难题来获取留学线索。
  • 企业内部的 HR 希望通过机器人来进行日常的答疑解惑。

实际上,这些需求早已存在,只是一直没有被很好地解决,大模型之前做出来的机器人是"人工智障",大模型出来之后,“人工智障"变成了"人工幻觉”。可喜的是现在"幻觉"这一现象某种程度上正在被更好地解决,这一点本文会讲到,而解决幻觉问题也是 2024 年 AI 技术的一大趋势。

1.1、为什么不用 ChatGPT

你可能会说:问答工具用 ChatGPT 不就好了吗?

但如果你让一个绘本馆老板评价 ChatGPT 推荐书籍的能力,他估计会一笑了之,一是 ChatGPT 的推荐能力值得商榷,二是 ChatGPT 并不能让用户落在自己的绘本馆里。绘本馆老板真正的诉求是:

  • 为什么 ChatGPT 不能按照我的资料库推荐,我的资料比 ChatGPT 专业多了。
  • 我有精准的用户数据,比如用户之前看了什么书,用户的孩子多大了,而且还要结合馆内的库存状态给每个用户做不同的推荐。
  • 我这里还有丰富的书籍的推荐话术,但是我希望结合每个客户的不同习惯,同一本书籍用不同的话术推荐。

以上几点构成了基于大模型 AI 产品的三个诉求:

  • 个性化诉求:问答中所用到的知识库和数据(客户标签,客户阅读历史)希望用自己的。
  • 需要结合传统互联网数据洞察能力给出更精准的回答。
  • 强大的知识检索、整合、表达能力,其实只有最后一点才是"大模型特色"的能力。

而解决这三个问题的背后要依托的是一个完整 AI 产品架构,架构的每一层里都可以负责解决不同的问题。

2、一图说明基于大模型的 AI 产品架构

下面这张图就是我总结的优秀的 AI 产品架构(以问答机器人为例),如果你比较了解 AI 应用的现状,应该很容易理解。

在这里插入图片描述

接下来的内容就主要围绕这张图的深入讨论,你会发现看似简单的产品背后其实并不容易。首先我们按照调用时序来展开产品每一层的动作,以及由谁来做哪些事情。

2.1、用户层(前端)提问

这一层的目标是营造良好的用户体验,主要是产品经理,UE,UI 负责,和传统互联网产品没有区别。

需要注意的是,让用户感受不到 AI 的存在是最好的。在问答这个产品中,可能就是一个简单的对话框,甚至可能融入微信、钉钉等产品中。而推送仅仅在必要时进行,比如在绘本馆的这个例子中,我们仅仅在借阅书籍即将到期进行提醒,同时推荐合适的书籍。

当然,也有可能用户会主动提问:“有哪些适合 3-5 岁男孩看的绘本”,这时用户层就会唤起应用层。

2.2应用层提问

这一层是不同于传统互联网的一层,也是 AI 应用开发者,产品经理的重头戏。它的目标是将用户的提问加工,发给适合模型层的 Prompt 提示词,这里会分几步走:

第一步:将 "有哪些适合 3-5 岁男孩看的绘本"这个问题转化成专业提示词。

比如按照 CRISPE 结构进行提问(CRISPE 是一种提示词结构,可百度),这一步主要由提示词工程师完成,在小产品中由产品经理兼任,提示词能力是大模型 AI 产品经理的必备技能。

提示词需要根据不同领域、不同场景、不同的知识库、不同模型进行反复实验,同时要具备结构化特征,抽象成模板,以适用于不同的参数值,比如把"3-5 岁"抽象为参数 Age,把"男孩"抽象为参数"gender" 。专业提示词的目标是让开发能用,同时还能让应用给出的回答尽可能准确、可控。

以下是一个提示词模板的示例(摘自 Github 9000 STAR 的项目:https://github.com/yzfly/wonderful-prompts?tab=readme-ov-file#prompt-%E5%B7%A5%E7%A8%8B%E5%B8%88) 。

在这里插入图片描述

实际中你绝对不可能让用户输入这么长的提示词。作为产品经理出身,稍后也会有文章专门讲提示词的各种套路(关注我不迷路)。

第二步:根据提示词去检索客户已有知识库,数据库的内容。

这一步是解决用户的个性化诉求,即引用自有知识库、数据库内容,同时着重降低幻觉。

当下解决这一问题的武器主要是 RAG(Retrieval-Augmented Generation,检索增强生成,Augmented AI 也被认为是 2024 年 AI 发展的大趋势之一)。这一步的工作最繁重,会涉及三项:

  • 第一项:客户(希望通过 AI 来提效增收的中小老板)准备适合大模型理解和阅读的知识库,通常需要条理清晰,结构化,图片视频要配文字等,这里不仅仅是为了让机器人的回答更准确,更重要的是一定程度上可以节约大模型 token 的消耗成本。后面会整理文章专门说这一点,或许也可以找到合适的工具来做这个事情。
  • 第二项:主要是研发同学来做,负责知识库导入、分块、向量化处理(Embedding),建索引、检索等,而这其中的每一步都有不同方法,且会影响回答的效果(参考文章《RAG行业交流中发现的一些问题和改进方法》)。
  • 第三项:因为不同方法会有不同效果,所以最后还需要拉上产品经理同学一起进行评测(参考文章《LangChain应用开发指南-TruLens用量化对抗幻觉》)。

实际中,做好这三项是比较繁琐、困难的,也需要进行大量的实验。

第三步:将第一步、第二步里的内容合成提示词,加上问答上下文等,形成新的提示词。

所以最终你会看到客户的一个简短问题,变成了一个专业问题发给了大模型。这时一个新的问题诞生了,提示词越长,token 消耗越高,成本就越高(试问一次提问消耗 1 块钱还会不会有老板想用)所以提示词压缩的技术实践也应运而生。

第四步:压缩提示词

目前这块研究不多,暂时引用 知乎上的一篇文章《压缩你的Prompt,让LLMs处理多达2倍的Context》大家可以自行知乎搜索了解一下(公众号不能链接外部文章)。

经过四步处理,提示词终于来到了模型层。

2.3、模型层:

在这一层会有两种模型:

  • 一是直接使用通用大模型,众所周知,它是建立在算法算力数据上的基础设施
  • 二是垂直大模型(比如法律、医学、电商的垂直大模型),2023"百模大战"里的模型大部分属于这种。这些大模型一般是在通用大模型基础上进行有监督学习、强化学习改变大模型的参数,也就是我们说的"微调"。但"微调"的算力成本并不"微",对于普通个体来说,也没啥机会。

这一层主要是大模型厂商们的机会。在应用侧的产品经理、研发同学更应该关注的是"如何为自己的应用挑选合适的大模型",这其中要主要考虑能力匹配和成本因素。

  • 能力匹配方面:可以参照各大模型评测机构的结果
  • 成本方面:有个坑就是各大厂商的 token 的消耗量似乎尚未统一,甚至同一模型,同样的提问, token 的消耗也不一样,这一块可能要做一些实验才能得出结果。在经验不足的时候,我们使用文心一言测试曾遭遇过一个问题一万 token 的情况,合人民币一块钱。

接下来,就是生成回答的过程。

2.4、生成回答的过程

这个过程比较简单,主要集中在应用层收到模型层的回复后,需要做一层包装,最终返回给用户。这个包装可能包括:

  • 压缩冗余信息:大模型一般会对自己的思路进行阐述,这是产品经理或者提示词工程师调教时需要了解的信息,但对用户来说不需要,所以需要压缩。
  • 结合客户个性化需求,补充信息:比如在推荐书籍的同时,加上书籍的“在馆状态”等信息。

这一步也主要由产品经理来定义,与 UE,研发同学一起实现。

看完了整个过程,相信你对 AI 产品架构、架构每一层要实现的目标、主要角色和工作有了大概的理解。回应开头的产品诉求来看:

  1. 个性化的诉求主要留给应用层的 RAG, 提示词和传统互联网的思路来解决。模型层要做的是是否需要用垂直大模型。
  2. 强大的知识检索、整合、表达能力主要由模型层来解决,主要考虑适用性和成本。

网上有个很好的比喻:模型相当于一个勤学苦读的学生,学生要考试了,提示词相当于解题技巧,RAG 相当于开卷考试中可以参考的资料。

3、用人才成长阶梯重新审视 AI 产品架构

我们也经常听到一个比喻是"把大模型比作一个哈佛毕业的本科生"。我们以这个角色作为参照,再从底层到顶层来看大模型 AI 产品的架构,你会发现这其中每一层就像是从学校走向社会成为一个可用之才的过程。

在这里插入图片描述

第一层:算法算力数据这一层相当于教育体系。这包括教学硬件(算力),优秀的老师(算法),和丰富的学习资源(数据)。

第二层:模型层相当于在这个教育体系下培养出来的本科生(通用大模型)、研究生(垂直大模型)。

不管是本科生,还是研究生,他们具备了强大的综合知识,思维框架,和学习能力,还有一点,他们都是预训练的,距离真正有用还有一点距离。

第三层:应用层是职业生涯的开始。

尽管毕业于同一专业,进入不同的公司,会有不同的业务领域。面对不同问题,会首先考虑公司是不是有现有资源(RAG)知识库,再加上外部的通用知识,去提出解决方案。

可能在最初几年,会迅速成长为一个领域专家。这个时候,通常是对客户的问题进行专业分析,给出专业答案,但缺乏客户的同理心,直接面对客户会吓跑客户。

第四层:用户层就是成为客户喜欢的专家。

再过几年,你开始会为客户考虑,充分理解客户的诉求,然后用客户听得懂的语言回答。最终成长为一个用户喜欢的专家 ,这才是最终呈现给用户的"产品"。

4、总结

写到这里,也没想到自己写了这么长,过程中也给自己留了两个作业:

  1. AI 产品经理的知识结构之"提示词工程",目前网上这一块内容很多,大家可以参考 Github 9000star 的项目 ( https://github.com/yzfly/wonderful-prompts?tab=readme-ov-file#prompt-%E5%B7%A5%E7%A8%8B%E5%B8%88 )。后续会把自己一些特色实践补上。
  2. 老板们如何准备适合大模型易读的知识库,这一块内容不多,后面来补充。

最后来总结一下:

  • 算法、算力、数据是科研教育机构的机会
  • 模型层是大厂的机会
  • 应用层才是大多数个体的机会。

你是否找到了自己的机会呢?


​

如何学习AI大模型?

现在社会上大模型越来越普及了,已经有很多人都想往这里面扎,但是却找不到适合的方法去学习。

作为一名资深码农,初入大模型时也吃了很多亏,踩了无数坑。现在我想把我的经验和知识分享给你们,帮助你们学习AI大模型,能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习,等录播视频免费分享出来,需要的小伙伴可以扫取。

在这里插入图片描述

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向,东学一点西学一点,像只无头苍蝇乱撞,我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

在这里插入图片描述

二、AI大模型视频教程

在这里插入图片描述

三、AI大模型各大学习书籍

在这里插入图片描述

四、AI大模型各大场景实战案例

在这里插入图片描述

五、结束语

学习AI大模型是当前科技发展的趋势,它不仅能够为我们提供更多的机会和挑战,还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型,我们可以深入了解深度学习、神经网络等核心概念,并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时,掌握AI大模型还能够为我们的职业发展增添竞争力,成为未来技术领域的领导者。

再者,学习AI大模型也能为我们自己创造更多的价值,提供更多的岗位以及副业创收,让自己的生活更上一层楼。

因此,学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。

大模型应用的 10 种架构模式 在塑造新领域的过程中,我们往往依赖于一些经过实践验证的策略、方法和模式。这种观念对于软件工程领域的专业人士来说,已经司空见惯,设计模式已成为程序员们的重要技能。然而,当我们转向大模型应用和人工智能领域,情况可能会有所不同。面对新兴技术,例如生成式 AI,我们尚缺乏成熟的设计模式来支撑这些解决方案。作为一位老码农,我在这里整理总结了一些针对大模型应用的设计方法和架构模式,试图应对和解决大模型应用实现中的一些挑战,如成本问题、延迟问题以及生成的不准确性等。\1. 路由分发模式。 阅读详情

相关推荐

面向 “大模型” 的未来服务架构设计

发展研究中心 5 月底发布的《中国人工智能大模型地图研究报告》显示,我国 10 亿参数规模以上的大模型已发布79个,几乎进入“百模大战”。 百度的文心一言 ,阿里的通义千问、讯飞星火大模型、智谱AI的ChatGLM 等纷纷发布。此后,美团、百川智能、云知声、美图、腾讯……新加入大模型赛道的国内科技公司此起彼伏,一场围绕大模型的 “军备竞赛” 已趋白热化。

魏小言的博客 1337

人人需要掌握的大模型技术架构深度剖析

随着 AIGC 新时代到来,大型的语言模型逐渐成为学术界和工业界的热点。在自然语言处理、智能对话、知识获取等领域,大型模型发挥着越来越重要的作用。本文将从工程架构、算法架构及应用架构三个方面对大模型的技术架构进行深入剖析。1、工程架构剖析第一、分布式训练大型模型的训练通常需要大量的计算资源,分布式训练成为了实现这一目标的关键技术。分布式训练通常采用以下两种方式进行:数据并行(Data Parall...

musicml的博客 6471

企业AI创新能力建设中的大模型应用:AI应用架构师的选型与落地

2023年至今,大模型(如GPT-4、文心一言、通义千问等)就像“突然长大的AI超级大脑”,不仅能写代码、做分析,还能理解复杂业务逻辑。但很多企业买了大模型API,却发现“用不起来”:有的用大模型写周报结果数据泄露,有的花百万算力训练模型却解决不了实际问题,有的团队连“Prompt怎么写”都没搞懂就上线应用……如何从0到1做好大模型的选型与落地,让大模型真正融入业务,提升企业AI创新能力?

AI算力网络与通信的博客 1197

大模型应用的6种架构模式,你知道几种?

▼最近直播超级多,预约保你有收获架构设计模式已成为程序员的重要技能。然而,当我们转向大模型应用领域,情况可能会有所不同。面对新兴技术,比如:生成式 AI,我们尚缺乏成熟的设计模式来支撑这些解决方案。根据多年的架构设计经验,我在这里整理总结了一些针对大模型应用的设计方法和架构模式,试图应对和解决大模型应用实现中的一些挑战,比如:成本问题、延迟问题以及生成的幻觉等问题。—1—路由分发架构模式当用户输...

musicml的博客 4675

告别Sourceforge安装器!手把手教你下载MinGW-w64离线包并配置环境变量(Windows 10/11)

本文详细介绍了如何在Windows 10/11系统上通过下载MinGW-w64离线包并配置环境变量,完全绕过Sourceforge安装器的问题。从选择正确的版本、解压到本地目录,到设置系统环境变量和验证编译环境,手把手指导开发者快速搭建稳定的GCC编译环境,解决常见的安装困扰。

weixin_30896825的博客 338

一文讲清大模型AI应用架构(非常详细)零基础入门到精通,收藏这一篇就够了

写到这里,也没想到自己写了这么长,过程中也给自己留了两个作业:AI 产品经理的知识结构之"提示词工程",目前网上这一块内容很多,大家可以参考 Github 9000star 的项目 ( https://github.com/yzfly/wonderful-prompts?后续会把自己一些特色实践补上。老板们如何准备适合大模型易读的知识库,这一块内容不多,后面来补充。最后来总结一下:算法、算力、数据是科研教育机构的机会模型层是大厂的机会应用层才是大多数个体的机会。你是否找到了自己的机会呢?

leah126的博客 2583

Ubuntu22.04下ROS2与PX4仿真环境搭建全流程解析

本文详细解析了在Ubuntu22.04系统下搭建ROS2与PX4仿真环境的全流程,包括系统准备、ROS2 Humble安装、PX4飞控环境部署、ROS2与PX4通信桥梁搭建等关键步骤。针对常见问题提供了解决方案,并分享了性能优化和开发调试技巧,帮助开发者快速构建无人机仿真开发环境。

weixin_29248653的博客 609

一文讲清楚AI大模型的各种术语!

人工智能(Artificial Intelligence,AI) 是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学。它包括多种类型,如弱人工智能(专注于解决特定任务,如语音识别、图像识别等)、强人工智能(具有类似人类的意识和情感,能够理解、学习和应用知识)和超人工智能(在几乎所有领域都比人类更聪明)。 生成式人工智能(Generati

EnjoyEDU的博客 1048

YOLOv8【第十三章:模型压缩与极致优化篇·第4节】LAMP 剪枝算法——无需超参的自动化剪枝策略!

🏆 本文收录于 《YOLOv8实战:从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例(当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向),坚持持续更新 + 深度解析,质量分长期稳定在 97 分以上,可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。

**My Coding Family** 5648

YOLO26涨点改进 | 全网独家创新!注意力改进篇 | CVPR 2025 | 引入RALA秩增强线性注意力模块,含多种创新改进,助力YOLO26适合目标检测、图像分割、图像分类有效涨点

🔥本文给大家介绍使用RALA模块改进YOLO26可以显著提升其性能,尤其在复杂场景和小物体检测中。通过增强线性注意力机制的矩阵秩,RALA改善了模型对空间信息的建模能力,提升了特征的多样性和全局信息的融合,进而提高了检测精度。同时,RALA保持了线性复杂度,避免了Softmax注意力的高计算成本,使YOLO26在实时检测任务中既能保持高效计算,又能提高检测精度,尤其是在小物体和遮挡物体的检测中表现突出。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进!

Ai缝合怪、助力小伙伴高效发论文 146

【拥抱AI】如何挑选大模型?一文讲清楚

大模型是指那些拥有数十亿甚至更多参数的深度学习模型。这些模型通常在大规模的文本数据上进行预训练,然后通过微调来适应特定任务。目前市场上较为知名的大模型包括 OpenAI 的 GPT-3、Anthropic 的 Claude、Google 的 PaLM、阿里云的 Qwen 等。

保持前进,即便速度慢,也不能停下脚步... 1255

【华为OD机试真题E卷】474、推荐多样性 | 机试真题+思路参考+代码解析(E卷复用)(C++、Java、Py)

题目描述 >推荐多样性需要从多个列表中选择元素,一次性要返回 N 屏数据(窗口数量),每屏展示 K 个元素(窗口大小),选择策略:   各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一个元素,再从第二个列表中为每屏选择一个元素,依次类推   每个列表的元素尽量均分为 N 份,如果不够 N 个,也要全部分配完,参考样例图:

KJ.JK 4437

大模型是什么?一文讲清楚大模型原理(附学习方法)

今天我们来讲述的是人工智能中最核心深度学习能力——大模型。大模型是人工智能领域的一种超大规模深度学习模型,它通过海量数据训练和千亿级参数实现对复杂信息的理解与创造。随着我们学习的深入,通过主角“大模型”的叙述,了解人工智能深度学习背后的故事。

大模型研究中心 1874

基于STM32的录音机设计(STM32F103+VS1053B)

本项目设计并实现了一款基于STM32微控制器的便携式录音机。该录音机采用STM32F103C8T6作为主控芯片,结合VS1053B音频编解码模块、SD卡存储、OLED显示屏以及按键模块,提供了手动录音、自动录音和录音回放等多种功能。

1万+

手把手教你玩转CPU微架构专栏--​​​​1.5 工具准备:用Gem5模拟器“看见”微架构(安装、基础仿真命令)​

本文介绍了如何使用Gem5模拟器进行微架构学习和实验。Gem5是一款支持多种指令集的开源微架构模拟器,可模拟CPU流水线、缓存等核心组件。文章详细说明了在Ubuntu和macOS上安装Gem5的步骤,包括依赖安装、源码编译和验证方法。通过一个简单的加法指令测试程序,演示了如何运行基础仿真并解读输出日志,包括指令执行流程和性能统计数据。此外,还提供了两个实战实验:修改L1缓存大小和观察分支预测失败,帮助读者理解微架构参数对性能的影响。最后指出Gem5是学习微架构的"显微镜",能直观观察指令

xiaoheshang_123的博客 142

一文讲清楚,AI、AGI、AIGC与AIGC、NLP、LLM,ChatGPT等概念

一文讲清楚,AI、AGI、AIGC与AIGC、NLP、LLM,ChatGPT等概念

2401_82469710的博客 11万+

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

自建 DeepSeek AI大模型时代已来,一文讲清联网搜索如何高效实现

(全套教程扫描领取哈)• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。截至目前大模型已经超过200个,在大模型纵横的时代,不仅大模型技术越来越卷,就连大模型相关的岗位和面试也开始越来越卷了。• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

2301_79455190的博客 1816

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

一文讲清:AI大模型的工作原理,它是怎么做到这么聪明的?

近年来,大模型技术逐渐走进我们的生活。无论是在科技新闻里,还是在日常聊天中,总能听到它的名字。它不仅能写文章、画图、翻译语言,还能帮医生诊断疾病,甚至完成一些我们以前觉得只有人类才能做的事情。“大模型”到底是什么?为什么它这么厉害?它是怎么做到的?这篇文章就用大白话,带您了解大模型的基本概念、工作原理。

javatiange的博客 787

一文讲清:AI大模型的原理及发展现状概要介绍

AI的核心目标是让机器能够执行通常需要人类智能的任务,例如语言理解、图像识别、复杂问题解决等。 • 早期阶段:以规则为基础的专家系统,依赖预设的逻辑和规则。 ——规则库 • 机器学习时代:通过数据训练模型,使机器能够从数据中学习规律。 ——几十、几百个参数 • 深度学习时代:利用神经网络模拟人脑的复杂结构,处理更复杂的任务。 ——几百万个参数 • 大模型时代:以大规模数据和算力为基础,构建通用性强、性能卓越的AI模型。——671b个参数(6710亿)

javatiange的博客 833

【2025版】最全面的AI 大模型架构及应用场景深度分析,一文讲清大模型应用!

商汤领先发布“日日新 SenseNova”大模型体系,提供自然语言、内容生成、自动化数据标注、自定义模型训练等多种大模型以及能力,结合决策智能大模型,为 AGI 实现提供重要起点。除语言大模型“商 量 SenseChat”外,“如 影SenseAvatar”、“琼宇 SenseSpace”、“格物SenseThings”、“秒画 SenseMirage”一系列生成式 AI 模型,能够在文生图创作、2D/3D数字人生成、大场景/小物体生成实现应用。

Libra1313的博客 4341
上一篇: 斯坦福开源新突破:百行代码助H100性能提升30%
下一篇: 百度陈之若:第一批大模型伙伴已经实现财富自由了
AI大模型_学习君
博客等级 码龄3年 6138粉丝 551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