大模型微调新突破!23个最新创新方案,全面提升模型性能!

【AI视野·今日NLP 自然语言处理论文速览 第三十九期】Fri, 22 Sep 2023 AI视野·今日CS.NLP 自然语言处理论文速览 Fri, 22 Sep 2023 Totally 59 papers 👉上期速览✈更多精彩请移步主页 Daily Computation and Language Papers LongLoRA: Efficient Fine-tuning of Long-Context Large Language Models Authors Yukang Chen, Shengju Qian, Haotian Tang, Xin Lai, Zhijia 阅读详情

【大模型微调】 是指在已经预训练好的大型语言模型基础上,使用特定的数据集进行进一步的训练,以使模型适应特定任务或领域。是最近两年在深度学习领域快速发展的一个研究领域,相对于从头训练一个大模型可以极大降低成本。近年来,多项优秀的大模型微调方法被提出,也有不少研究者们对已有的方法进行了改进与创新,创造出一系列新颖的大模型技术,并在不同的研究领域得到广泛的应用。

1.QLORA: Efficient Finetuning of Quantized LLMs

方法:

QLORA是一种高效的微调方法,它通过以下关键技术减少内存使用,使得在单个48GB GPU上微调一个65B参数的模型成为可能,同时保持完整的16位微调任务性能:

- 4-bit NormalFloat (NF4):一种针对正态分布权重信息论最优的新数据类型,与4位整数和4位浮点数相比,具有更好的经验结果。

- Double Quantization:通过量化量化常数来减少平均内存占用的方法,平均每个参数可节省约0.37位。

- Paged Optimizers:使用NVIDIA统一内存特性来避免在处理长序列的mini-batch时发生的梯度检查点的内存峰值。

- Low Rank Adapters (LoRA):在量化的预训练模型中添加一小套可学习的低秩适配器权重,通过反向传播梯度进行微调。

创新点:

- 4-bit Quantization with NF4:提出了一种新的4位量化方法,专门针对通常具有零中心正态分布的预训练神经网络权重,通过将权重转换到[-1, 1]范围内,实现了信息论最优的量化。

- Double Quantization:创新性地对量化常数进行二次量化,显著降低了模型的内存占用,为大型模型的微调提供了可能性。

- Paged Optimizers:引入了一种新的内存管理策略,通过在CPU和GPU之间自动转移内存页来处理内存峰值,使得在资源受限的设备上微调大型模型成为可能。

- LoRA Integration:将LoRA技术与量化模型相结合,通过在量化的权重上添加低秩适配器,使得模型能够在微调过程中学习到更丰富的表示。

- State-of-the-art Performance:通过QLORA微调的模型,在Vicuna基准测试中达到了前所未有的性能水平,与ChatGPT的性能接近,同时大大减少了所需的计算资源。

- Extensive Analysis:对使用QLORA微调的1000多个模型进行了深入分析,涵盖了指令跟随和聊天机器人性能,这些分析在常规微调方法中由于内存开销而无法实现。

图片

2.METAMATH: BOOTSTRAP YOUR OWN MATHEMATICAL QUESTIONS FOR LARGE LANGUAGE MODELS

方法:

- 问题自举(Question Bootstrapping): 通过从不同角度重新表述数学问题来自举问题,包括原始问题、LLM(大型语言模型)重述的问题、自我验证问题和FOBAR问题,以增加数据集的多样性。

- MetaMathQA数据集: 结合了正向和逆向推理路径以及增强的答案,创建了一个新的数据集用于微调(finetuning)。

- 微调(Finetuning): 在MetaMathQA数据集上微调现有的开源大型语言模型(如LLaMA-2),以提升其解决数学问题的能力。

- 答案增强(Answer Augmentation): 利用少量示例和温度采样生成多个推理路径,并筛选出正确答案的路径作为数据集的补充。

- 问题重述: 使用LLM对问题进行重述,以生成更多的训练样本,并通过监督方法评估重述问题与原始问题之间的一致性。

- 逆向推理问题: 通过遮蔽问题中的一个标记(例如,用“x”标识),并要求模型在提供答案的情况下预测被遮蔽的标记,以增强模型的逆向推理能力。

创新点:

- MetaMath模型: 提出了一种新的微调语言模型,专门用于数学推理,通过自举问题生成了新的数据集MetaMathQA。

- 正向与逆向推理结合: 创新地结合了正向和逆向推理路径,以增强模型对数学知识的理解,而不是简单地记忆答案。

- 问题多样性: 通过问题自举方法显著增加了问题分布的多样性,有助于模型覆盖更多未见场景,提高泛化能力。

- 简化的数据集: MetaMathQA数据集的简化特性可能使其成为激活LLMs潜在数学知识的有效激活器。

- 无需对比学习: 即使没有采用对比学习,MetaMath模型也能在多个基准数据集上超越现有的开源LLMs,显示出数据增强方法的有效性。

- 开放资源: 论文提供了MetaMathQA数据集、不同大小的MetaMath模型和训练代码,供公众使用,这有助于推动开源社区的发展。

- 显著的性能提升: MetaMath在GSM8K和MATH两个流行的数学推理基准测试中,相比其他开源LLMs取得了显著的性能提升。

图片

3.MELTR: Meta Loss Transformer for Learning to Fine-tune Video Foundation Models

方法:

- 论文提出了一种名为MEta Loss TRansformer (MELTR)的新框架,用于学习如何微调视频基础模型。

- MELTR是一个插件模块,能够自动且非线性地结合各种损失函数,通过辅助学习来帮助学习目标任务。

- 该框架将辅助学习问题表述为双层优化问题,并提出了一种基于近似隐式微分(AID)的高效优化算法。

- MELTR基于Transformer架构,接受目标任务损失和预文本任务损失作为输入,并通过自注意力学习它们之间的关系。

- 为了解决在小规模元数据(或验证数据集)时出现的元过拟合问题,MELTR引入了一个正则化项来鼓励学习到的损失保持在合理范围内。

- 论文将MELTR应用于多个视频基础模型(UniVL、Violet和All-in-one),并在四个下游任务(文本到视频检索、视频问题回答、视频字幕生成和多模态情感分析)上进行了评估。

创新点:

- MELTR是首个提出用于学习如何微调视频基础模型的元损失变换器,它能够自动学习如何结合多个辅助损失以提升目标任务的性能。

- 论文提出了一种新颖的双层优化问题的公式化方法,并通过AID算法提供了一种高效的解决方案,避免了传统方法中的高计算成本。

- MELTR通过自注意力机制学习损失函数之间的关系,能够非线性地转换单个损失函数并将其组合成有效的统一损失。

- 论文进行了深入的定性分析,展示了MELTR如何非线性地转换单个损失函数并将其组合成对目标下游任务有效的统一损失。

- MELTR在多个视频基础模型和五个基准视频数据集上的实验结果表明,其显著优于使用单一任务和多任务学习方案的基线。

- 论文还提供了对MELTR如何从辅助学习中学习、以及提出的优化方法是否高效的深入分析和讨论。

图片

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
大模型微调在需求文档生成中的工程化应用 大模型微调在需求文档生成中的工程化应用,已从技术验证阶段进入规模化落地阶段。实践表明,通过建立标准化流程、优化资源配置、强化效果评估,可显著提升系统价值。建议企业:1)制定《需求生成系统开发规范》;2)设立AI工程化专项团队;3)构建持续迭代的反馈机制。未来研究应聚焦三大方向:1)开发轻量化领域模型(参数量<1亿);2)建立跨行业知识共享平台;3)探索人机协同的生成模式。正如李飞飞教授所言:"AI的需求工程不应替代人类,而是成为增强专业能力的智能助手"(AI for Everyone, 2023)。 阅读详情

相关推荐

大模型指令微调新范式:重构任务路由与意图槽位

指令微调是大语言模型适配人类意图的核心技术,其本质在于建立稳定、可泛化的‘指令→任务’映射机制。传统方法依赖统计拟合,易导致任务表征割裂、指令噪声放大与梯度方向漂移,造成效果不稳定和灾难性遗忘。新一代方法聚焦模型内部的指令理解机制,通过动态构建‘指令意图槽位(IIS)’并施加任务一致性正则与指令感知梯度裁剪,实现任务隔离、鲁棒泛化与高效收敛。该技术显著提升指令变体鲁棒性与零样本迁移能力,已在医疗、电商、金融等垂类场景验证其工程落地价值,为低成本、可迭代的大模型定制提供底层基础设施支撑。

weixin_34122604的博客 452

大模型训练优化方法

在训练模型尤其是大模型的时候,如何加快训练速度以及优化显存利用率是一个很关键的问题。本文主要参考HF上的一篇文章:https://huggingface.co/docs/transformers/perf_train_gpu_one,以及笔者在实际训练中的一些经验,给出一些比较实用的方法。方法加快训练速度优化显存利用率YesYesNoYesNoYesYesNoYesYesYesNoNoYesYesNo。

python12222_的博客 4544

【大模型微调与应用开发实战指南】从理论到工业级部署

本文通过5大工业级案例,深入解析大模型微调的核心技术与实践方法,涵盖数据准备、模型优化、分布式训练全流程,并提供可复现的代码实现。

赶紧的博客 1545

【机器学习】模型优化改进建议

改进机器学习算法模型的方法有很多例如: 获得更多的训练样本——通常是有效的,但代价较大,下面的方法也可能有效。 减少特征的数量 获得更多的特征 增加多项式特征 减少正则化程度 增加正则化程度 但是,我们不应该随机选择上面的某种方法来改进算法,而是运用一些机器学习诊断法来帮助了解上面哪些方法对我们的算法是有效的。 评估一个假设 ...

让算法融入生活,改变生活! 8183

智能解决装箱问题:使用优化算法实现高效包装

装箱问题(Bin Packing Problem)是组合优化领域中的一个经典问题,主要涉及如何将一系列对象高效地装入有限数量的容器(或“箱”)中,同时满足特定的约束条件。这个问题的目标是最小化所需使用的箱子数量或者最大化箱子的装载效率,以减少空间或资源的浪费。

MindOpt_003的博客 5554

ubuntu20.04 终端安装claude

【代码】ubuntu20.04 终端安装claude。

hongliyu_lvliyu的博客 2601

MetaMath 项目使用教程

MetaMath 项目使用教程 1. 项目介绍 MetaMath 是一个用于生成数学问题的大型语言模型(LLM)项目。该项目旨在通过自举方式生成数学问题,以提升模型的数学推理能力。MetaMath 提供了多种模型,包括 MetaMath-7B、MetaMath-13B 和 MetaMath-70B,这些模型在 GSM8k 和 MATH 基准测试中表现优异,超越了现有的开源 LLM 模型。 2. 项...

gitblog_00379的博客 877

普源精电DHO系列示波器选购指南:从学生党到工程师的完整对比

本文深入评测普源精电DHO系列示波器,从DHO800到DHO4000各型号的核心参数、功能特点及适用场景进行全面对比,帮助学生党和工程师根据实际需求选择最佳型号。重点分析带宽、采样率、存储深度等关键指标,并提供实用的选购建议和进阶使用技巧,帮助用户充分发挥示波器性能。

weixin_30485379的博客 169

MetaMath:开启自定义数学问题生成之旅

MetaMath:开启自定义数学问题生成之旅 1. 项目基础介绍 MetaMath 是一个开源项目,旨在通过大型语言模型 bootstrap 自定义的数学问题。该项目主要使用 Python 语言进行开发,目前已在 GitHub 上获得超过400的关注。项目的核心是利用先进的自然语言处理技术,为数学教育提供更加灵活和个性化的题目生成方案。 2. 核心功能 MetaMath 的核心功能是能够根据用户的...

gitblog_00233的博客 642

PYNQ-Z2 开发板从镜像烧录到 Jupyter 交互全流程指南

本文详细介绍了PYNQ-Z2开发板从镜像烧录到Jupyter交互的全流程指南,包括硬件解析、镜像烧录技巧、设备启动与网络配置、Jupyter Notebook深度使用以及实战案例分享。通过具体步骤和实用技巧,帮助开发者快速上手PYNQ-Z2开发板,实现高效的FPGA开发和智能家居控制应用。

weixin_28736355的博客 441

在cadence中进行sdf文件的反标及并进行数模混仿

3.在Main-Include Option Settings-Libraries Files/Directories下面加载上面说到的两个.v文件(综合文件和工艺库器件文件),其他默认点击OK;最近在做一个数模混合电路的流片工作,数字部分综合后会生成一个.sdf(标准延时格式)文件,正常来说应该是要在vcs软件上进行电路延时的反标,但由于我的电路需要信号在数字模块和模拟模块中来回循环多次,因此,打算在cadence中完成sdf文件反标,进行数模混合仿真。1.综合生成的电路网表的.v文件;

WSBHX的博客 3285

收藏必备 | 大模型微调新范式:LoRA技术如何让参数更新效率提升千倍

收藏必备 | 大模型微调新范式:LoRA技术如何让参数更新效率提升千倍

优快云_430422的博客 1153

Vivado与Vscode无缝集成:高效Verilog开发环境搭建指南

本文详细介绍了如何将Vivado与Vscode无缝集成,打造高效的Verilog开发环境。通过替换Vivado默认编辑器为Vscode,配置必备插件和语法检查工具,开发者可以大幅提升FPGA项目的编码效率。文章还提供了代码片段、Testbench自动生成等高级技巧,帮助开发者快速上手这一集成方案。

weixin_33737774的博客 493

【大模型微调】99-AI大模型微调培训总体介绍

AI大模型微调是当前人工智能领域的核心技术之一。本培训材料系统介绍了大模型微调的概念、技术路线、方法分类及实战应用。培训内容从基础概念入手,逐步深入到各种微调技术的细节,包括传统全量参数微调与参数高效微调(PEFT)的对比分析,以及LoRA、QLoRA、Adapter等主流高效微调技术的原理与实现。通过本培训,学习者将能够掌握大模型微调的核心技术,理解不同微调方法的适用场景,并具备实际应用微调技术解决问题的能力。

rengang66的博客 1088

实现真正的「人机」对战:引入三方 AI 引擎

引入三方 AI 引擎 前边,我们实现了与云库对战的象棋游戏。这一节中,我们将开始实现真正的「人机」对战 — 人与手机 AI 之间对弈; 实现一套象棋 AI 工程浩大,这个工作我们后续文章会做一番介绍。现代软件工程并不主张每个人都「造轮子」,因此我们要有「站在巨人肩膀上」的小智慧。 本节概要 从 github 寻找开源中象引擎 梳理引擎接入的思路 寻找适合的开源中国象棋引擎 github 上有大...

tosmart的博客 984

MFC C++ 中实现跨平台(WindowsLinux)的远程桌面控制

**输入捕获**:在显示窗口中捕获鼠标/键盘事件(重写 `OnLButtonDown`、`OnMouseMove`、`OnKeyDown` 等),将事件坐标/键值通过网络发送到服务端。- **显示窗口**:使用 `CStatic` 或自定义 `CWnd` 派生类显示远程桌面图像(通过 `StretchDIBits` 绘制解压后的像素数据)。// 转换为相对坐标。- **Wayland 支持**:需使用 `libweston` 或 `xdg-desktop-portal`,较复杂,建议优先支持 X11。

寒寒豆豆软件公司的博客 157

MiSS微调方法:被ICLR 2026顶级会议收录,性能全面超越LoRA的大模型优化新方案

MiSS是一种新型微调方法,采用"分片共享"结构,将预训练权重矩阵分解为多个片段,并仅使用一个共享的可训练矩阵替代LoRA的双矩阵优化方式。这种方法解决了LoRA收敛速度慢和参数利用率低的问题,实验表明MiSS在自然语言任务上性能优于LoRA、DoRA等主流变体,能够更快收敛,在更少参数下达到最佳性能与效率平衡。

2401_84204413的博客 717

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

RAG:大模型微调的革命性增强——检索增强生成技术深度解析

RAG(检索增强生成)技术解决了大模型知识固化的核心痛点,通过解耦知识存储与推理能力,实现静态知识库与动态生成的完美融合。其核心架构包含检索器、向量知识库和生成器三大模块,采用四阶段训练法优化性能。相比传统方案,RAG在知识更新速度(秒级)、事实准确率(92.8%)和成本效益($800)上具有显著优势。工程实践中结合LlamaIndex可实现高效检索,未来RAG将向智能体协同和多模态方向演进。该技术不仅降低训练成本10倍,还建立了可审计的知识系统,正在重新定义人机协作边界,成为大模型落地的基础设施。

m0_72427326的博客 1862

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

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。

【AI】LoRA技术深度解析:大模型高效微调的革命性突破

LoRA(Low-Rank Adaptation)是一种通过实现大模型参数高效优化的技术。其核心原理是将预训练模型的权重矩阵分解为两个低秩矩阵的乘积(W′WBA),仅训练新增的秩为r的低维参数(通常r=8-64)。以LLaMA-7B模型为例,LoRA可将训练参数量从70亿压缩至百万级,显存消耗降低3倍。通过参数更新量ΔW的,将原本d×k维的参数矩阵分解为B∈d×r和A∈r×k,使总参数量从d×k降至r×dk。

Nanki_的博客 2070

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

如何系统的入门大模型?30天!让你彻底搞懂AI大模型!收藏这篇就够了!

本训练营提供为期30天的系统化AI大模型学习路径,分为四个阶段:基础筑基(7天)、核心技术突破(10天)、高阶实战(10天)和知识整合(2天)。课程涵盖Transformer架构、模型量化、微调技术、企业级应用开发等核心内容,包含BERT/GPT-2等基础模型实践,以及基于LangChain的知识库问答系统等实战项目。每日学习模板包含理论、实践、项目开发等模块,配套精选论文、工具集和实战数据集。通过150小时高强度训练,学员将掌握从模型微调到企业级部署的全链路能力,获得大模型时代的核心竞争力。

m0_65555479的博客 1302

AI大模型微调技术深度解析:从理论到实践的全方位指南

在人工智能领域,大模型微调(Fine-tuning)已成为连接通用AI能力与垂直行业应用的桥梁。这项技术通过在预训练大模型(如GPT-4、LLaMA等)基础上进行针对性训练,使模型具备特定领域的专业知识或任务能力。与动辄需要数百万美元训练的基座模型相比,微调技术能以1%-10%的成本实现90%以上的专业场景效果。典型案例对比:通用ChatGPT在医疗问答中的准确率:约65%经过医学文献微调的版本准确率:可达92%以上训练成本对比:从头训练需4.6Mvs微调仅需4.6Mvs微调仅需50k。

2501_91588927的博客 1616

MiSS微调方法:大模型优化的新突破与实践指南

大模型微调是自然语言处理中的关键技术,通过调整预训练模型参数使其适应特定任务。传统方法如LoRA采用低秩适应策略,而新兴的MiSS(Mixture of Subspace Specialists)通过动态子空间划分和专家混合机制实现了更高效的参数利用。这种架构将模型参数空间划分为多个子空间,每个由专门专家处理,在金融、法律等复杂任务中展现出显著优势。实验表明,MiSS在7B参数模型上可减少15-23%训练时间,同时提升效果5-8%。该方法特别适合文本生成、SQL转换等场景,配合Kaiming初始化和梯度裁剪

weixin_32285357的博客 297

大模型微调技术:LoRA、RAG与全参微调实战解析

大模型微调技术是自然语言处理领域的关键技术,通过调整预训练模型的参数,使其适应特定任务需求。参数高效微调技术(PEFT)如LoRA和RAG,显著降低了计算成本,提升了模型适配效率。LoRA通过低秩分解引入可训练参数,适用于领域自适应任务;RAG结合外部知识库,适合实时知识需求场景。这些技术在金融、医疗等行业有广泛应用,如医疗问答系统采用LoRA微调+领域知识注入,准确率提升23%。本文深度解析这些技术的原理、应用场景及优化策略,帮助开发者高效选择和实践。

weixin_28684497的博客 316

23张PPT搞懂DeepSeek核心技术!

在人工智能领域,DeepSeek模型以其卓越的性能和创新的技术架构,成为2025年备受瞩目的焦点。DeepSeek不仅在自然语言处理(NLP)任务中表现出色,还在多个行业实现了落地应用,推动了智能大数据技术的发展。本文将详细解析DeepSeek模型的训练优化及数据处理的技术精髓。腾讯公司通过发布23张精心制作的PPT,向公众全面揭秘其旗下AI大模型DeepSeek的核心技术。这一举措旨在让技术爱好者、专业人士和从业者更深入地了解DeepSeek的技术精髓,并启发更多关于人工智能创新发展的思考与探索。

qq_46094651的博客 768
上一篇: 悄悄掌握这六个ChatGPT提示词撰写方法,让你秒杀所有同事
下一篇: 大模型分布式训练效能提升的必要性(万字长文推荐收藏)
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