Linux fcitx 中文输入问题

最新推荐文章于 2025-05-25 21:59:23 发布
最新推荐文章于 2025-05-25 21:59:23 发布
阅读量254 收藏
点赞数
分类专栏： Linux
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/albert_smith/article/details/106053086
版权

kate中文输入

在 .profile 文件中添加

export QT_IM_MODULE=fcitx

如果使用zsh，则在.zprofile中添加

export QT_IM_MODULE=fcitx

Qt Creator 中文输入

确认安装 fctix-fronted-qt4 、fcitx-fronted-qt5

找到 libibusplatforminputcontextplugin.so 将其拷贝到

$QT_CREATOR/Qt/plugins/platforminputcontexts/ 目录下

终极方案

执行 fcitx-diagnose 根据输出结果，修改系统变量

论文阅读：arxiv 2024 INSIDE: LLMs‘ Internal States Retain the Power of Hallucination Detection
CSPhD-winston的博客
04-12 742
这篇论文《INSIDE: LLMs’ INTERNAL STATES RETAIN THE POWER OF HALLUCINATION DETECTION》发表于ICLR 2024会议，主要研究大语言模型（LLMs）的幻觉检测问题。研究团队提出INSIDE框架，利用LLMs内部状态进行幻觉检测，提升检测性能。
论文阅读：2024 arxiv Jailbreaking Black Box Large Language Models in Twenty Queries
CSPhD-winston的博客
04-30 1241
这篇论文是来自宾夕法尼亚大学的研究人员撰写的，主要探讨大语言模型（LLMs）的安全漏洞问题，提出了一种叫PAIR的算法来进行攻击测试，相关成果有助于提升大语言模型的安全性。，主要展示了大语言模型越狱攻击的两种类型，以及PAIR算法的运行机制。通过直观的图示，有助于理解不同越狱攻击的特点和PAIR算法的工作流程。
【论文阅读】Defending Large Language Models Against Jailbreak Attacks via Layer-specific Editing
Devilike的博客
08-27 1565
大型语言模型 (LLM) 越来越多地被广泛应用于现实世界的应用中。尽管LLM的表现令人印象深刻，但最近的研究表明，即使通过人类反馈的强化学习或监督微调进行调整，LLM也很容易受到故意设计的对抗性提示的影响。虽然现有的防御方法侧重于检测有害提示或通过各种手段减少有害响应的可能性，但基于 LLM 内部机制来保护 LLM 免受越狱攻击仍然很大程度上尚未探索。在这项工作中，我们研究了llm如何响应有害提示，并提出了一种称为特定层编辑（LED）的新颖防御方法，以增强llm抵御越狱攻击的能力。
LLMs之Agent：Personal_LLM_Agents_Survey的简介、使用方法之详细攻略
热门推荐
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
01-17 1万+
​ LLMs之Agent：Personal_LLM_Agents_Survey的简介、使用方法之详细攻略 目录 Personal_LLM_Agents_Survey的简介 Personal_LLM_Agents_Survey的使用方法 Personal_LLM_Agents_Survey的简介 个人LLM代理(智能体)被定义为一种特殊类型的基于LLM的代理，它与个人数据、个人设备和个人服务深度集成。它们最好部署到资源受限的移动/边缘设备和
ACL 2024 | 如何避免LLM生成有毒回复？基于知识编辑的大模型祛毒初探
Paper weekly
05-31 754
论文链接：https://arxiv.org/abs/2403.14472代码链接：https://github.com/zjunlp/EasyEditBenchmark:https://huggingface.co/datasets/zjunlp/SafeEdit摘要当下大模型（LLMs）虽然取得了显著的成功，但在实际应用中依然面临着泄露隐私、偏见、以及恶意滥用等安全问题 [1]。常用的 SFT...
AgentPoison: Red-teaming LLM Agents via Poisoning Memory or Knowledge Bases
qq_61673686的博客
03-20 994
View recent discussion. Abstract: LLM agents have demonstrated remarkable performance across various applications, primarily due to their advanced capabilities in reasoning, utilizing external knowledge and tools, calling APIs, and executing actions to int
论文翻译 - Defending Against Alignment-Breaking Attacks via Robustly Aligned LLM
anniewwy的博客
03-25 1053
最近，大型语言模型 (LLM) 取得了重大进展，现在广泛用于各个领域。不幸的是，人们越来越担心llm可能被滥用来生成有害或恶意的内容。尽管一项研究侧重于将 LLM 与人类值对齐并防止它们产生不适当的内容，但这种对齐通常很容易受到攻击，并且可以通过对抗性优化或手工制作的越狱提示来绕过对齐进行攻击。在这项工作中，我们引入了一个鲁棒对齐LLM (RA-LLM)来防御潜在的对齐破坏攻击。
大模型攻防｜Prompt 提示词攻击（非常详细），零基础入门到精通，看这一篇就够了
2301_79455190的博客
03-17 1016
本文介绍大模型攻防领域中「Prompt提示词攻击」的相关知识。
论文阅读 2024 arxiv Comprehensive Assessment of Jailbreak Attacks Against LLMs
CSPhD-winston的博客
04-30 953
这篇论文是关于大语言模型越狱攻击的全面评估，研究发现现有大语言模型都存在越狱风险，当前防御手段也无法完全抵御这些攻击。Figure 1：不同越狱攻击方法示例。Figure 2：测量过程概述。
论文阅读：2024 arxiv Analyzing the Inherent Response Tendency of LLMs: Real-World Instructions-Driven Jai
CSPhD-winston的博客
04-30 914
这篇论文主要介绍了一种针对大语言模型（LLMs）的越狱攻击新方法RADIAL，探讨了LLMs在安全方面存在的问题。Figure 2：RADIAL方法总体框架。Figure 1：越狱方法示意图。
论文阅读：2024 arxiv FlipAttack: Jailbreak LLMs via Flipping
CSPhD-winston的博客
04-29 1051
Figure 2展示了FlipAttack这种针对大语言模型（LLMs）越狱攻击方法的整体流程，主要包含攻击伪装模块和翻转引导模块两部分，目的是绕过LLMs的安全防护并让其执行有害指令。这篇论文主要介绍了一种针对大语言模型（LLMs）的越狱攻击方法FlipAttack，研究人员希望通过这种研究，让人们更了解大语言模型的安全问题，从而推动更安全的人工智能技术发展。
【论文阅读】KIMI-VL TECHNICAL REPORT
最新发布
xianshuiyihui的博客
05-25 794
VLM--KIMI-VL模型论文阅读
StepX-Edit：一个通用图像编辑框架——论文阅读笔记
Guo_Python的博客
05-21 958
近年来，图像编辑技术发展迅速，GPT- 4o、Gemini2 Flash等前沿多模态模型的推出，展现了图像编辑能力的巨大潜力。 这些模型展示了令人印象深刻的适应能力，能够满足绝大多数用户驱动的编辑需求，标志着图像处理领域取得了重大进展。然而，开源算法与这些闭源模型之间仍存在较大差距。为此，我们介绍了一种最先进的图像编辑模型——Step1X-Edit，旨在提供与GPT-4o和Gemini2 Flash等闭源模型相当的性能。
论文阅读笔记——Emerging Properties in Unified Multimodal Pretraining
Multiple_x的博客
05-24 779
Emerging Properties in Unified Multimodal Pretraining 论文阅读笔记
【论文阅读】LLaVA-OneVision: Easy Visual Task Transfer
xianshuiyihui的博客
05-23 1763
多模态大模型LLaVA- OneVision论文详解
[论文阅读]Pandora: Jailbreak GPTs by Retrieval Augmented Generation Poisoning
m0_52911108的博客
05-23 798
间接越狱攻击GPT的RAG增强过程分四个阶段：❶GPT首先组织不同的用户上传的文档类型（PDF、HTML、Word），主要按文件名排序以实现高效检索。❷ 对于用户提示，GPT 确定是否需要信息检索，根据文件名从上传中选择文档。GPT 一次处理一个文件以提高效率。❸ 所选文档被分段和向量化，以便与用户的查询向量进行相似度计算。提取相似度得分最高的前 K 个片段，增强响应上下文。❹ 最后，将这些片段的内容与用户的提示相结合。该复合输入由大语言模型处理，通过直接合并文本或将矢量化片段嵌入到原始内容中。
【论文阅读】——D^3-Human: Dynamic Disentangled Digital Human from Monocular Vi
河海大学研究生在读的学习笔记
05-24 839
【论文阅读】——D^3-Human: Dynamic Disentangled Digital Human from Monocular Vi
论文阅读笔记——Janus，Janus Pro
Multiple_x的博客
05-25 386
Janus、Janus Pro 论文阅读笔记
评论
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