<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zphyix的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/zphyix</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zphyix]]></copyright><item><title><![CDATA[开源最强模型 Llama3 发布：看看羊驼提示词]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/137960953</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/137960953</guid><author>zphyix</author><pubDate>Fri, 19 Apr 2024 12:49:20 +0800</pubDate><description><![CDATA[Meta 推出的 Llama 3 是一款非常有实力的产品。它坚持基本原理，在坚实的系统和数据工作上花费了大量时间，探索了长期训练模型的极限。此外，400B 模型也非常令人期待，它可能是第一个 GPT-4 级开源版本。我想很多人会要求更多的上下文长度。]]></description><category></category></item><item><title><![CDATA[一文说明 Llama2 提示词结构与编写指南]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/137454638</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/137454638</guid><author>zphyix</author><pubDate>Sun, 07 Apr 2024 10:26:26 +0800</pubDate><description><![CDATA[（我的花园里有一只羊驼，我该怎么办）时，实际输入模型的提示词内容。通过 RAG，您可以将其连接到外部知识来源，如您公司所有文档和产品信息的数据库 —— 无论是将文档添加到提示中，还是使用检索模块。例如，‘总结这篇文档’可能会产生不理想的结果。然而，具体指定并要求模型以相关的方式回应，比如使用特定的角色，可能会大大改善结果。要限制额外的 tokens，需要结合之前的技巧，包括分配角色、应用规则和限制以及提供明确的提示词。使用精确的细节说明输出的长度，如字符计数，或者使用特定的角色，将会得到更好的输出。]]></description><category></category></item><item><title><![CDATA[幻觉正是 AI 聪明的表现]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/137425714</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/137425714</guid><author>zphyix</author><pubDate>Sat, 06 Apr 2024 12:46:44 +0800</pubDate><description><![CDATA[AI "幻觉" 现象是人类幻觉的外化表现，反映的是人类的幻觉，根本原因在我们自身。提示启动了梦境，根据 LLM 对其训练文件的朦胧回忆，大多数情况下，梦境的结果都是有用的。但是在我看来，机器会撒谎，尤其是能将谎言编织的毫无逻辑漏洞，甚至虚构事实，才恰恰说明了机器的聪明，机器的可怕。在各种场景下，相信 "幻觉" 都是被作为大模型的问题，大模型不好的方面来被阐述的。]]></description><category></category></item><item><title><![CDATA[赚钱的不是AI]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/137391418</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/137391418</guid><author>zphyix</author><pubDate>Fri, 05 Apr 2024 08:23:13 +0800</pubDate><description><![CDATA[拿去 AI，也不存在 plus 订阅费一说了，这是真正的 AI 生意。昨天发了一篇文章 《大部分 AI 信息都是无用的》之后，引发了许多朋友的共鸣和讨论，今天借着昨天的话题继续谈谈 AI 和搞钱，如何分析一个赚钱的生意和 AI 的关系。所以这个生意挣钱的核心不是AI，如果是以切入这个生意为目的，学习了AI写作，你会发现你自己做事困难重重。这是我在学习写科幻作品的时候，从一位德高望重的前辈那里学习到的一个很棒的思维方式。判断一件事情的核心是什么，将其元素从中剥离，如果还成立，则说明这不是核心。]]></description><category></category></item><item><title><![CDATA[RAG 提示工程系列（一）]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/137390873</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/137390873</guid><author>zphyix</author><pubDate>Fri, 05 Apr 2024 07:37:55 +0800</pubDate><description><![CDATA[如此看来，想要让模型进一步降低幻觉，不仅仅要靠结构化提示词和强悍的模型，基于外部的准确知识片段同样重要。即使在上下文中存在知识片段但确是错误知识的情况下，模型仍然没有直接回答问题，这可能是因为模型在生成回答时，会考虑到多种因素，包括但不限于上下文的准确性、问题的合理性以及模型内部的约束机制。微调可以提高非微调模型的性能，并使交互更加频繁有效率的它特别适合强调基础模型中的现有知识，修改或自定义模型的输出，并向提供复杂的指令模型然而，微调不适合合并模型中的新知识或需要的情况新用例的快速迭代。]]></description><category></category></item><item><title><![CDATA[人工智能可以解决科学问题吗？(二）]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/137378464</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/137378464</guid><author>zphyix</author><pubDate>Thu, 04 Apr 2024 17:29:48 +0800</pubDate><description><![CDATA[相反，我们想知道的是诸如蛋白质是否有“正确的整体形状”，具有正确的“可识别特征”（如alpha螺旋），或正确的功能属性。（当然，可以说所有“合理的蛋白质”，通常在生物学中出现的，可能具有某些特征，并且将神经网络应用于“非生物学的”随机蛋白质可能是“不公平的”——尽管例如在适应性免疫系统中，生物学确实有效地生成了至少短的“随机蛋白质”。所以，是的，我们可以继续，不仅仅是在上面那样的特定“数据窗口”上训练，而是在整个函数族上训练——比如说三角函数的集合，或者也许是Wolfram语言中所有内置的数学函数。]]></description><category></category></item><item><title><![CDATA[人工智能可以解决科学问题吗？(一）]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/137378426</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/137378426</guid><author>zphyix</author><pubDate>Thu, 04 Apr 2024 17:27:23 +0800</pubDate><description><![CDATA[注意：点击任何图表都能获得重现它的Wolfram语言代码。用于训练这里使用的神经网络的Wolfram语言代码（需要GPU）。注意：点击任何图表都能获得重现它的Wolfram语言代码。用于训练这里使用的神经网络的Wolfram语言代码（需要GPU）。]]></description><category></category></item><item><title><![CDATA[大部分 AI 信息都是无用的]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/137378384</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/137378384</guid><author>zphyix</author><pubDate>Thu, 04 Apr 2024 17:25:29 +0800</pubDate><description><![CDATA[各种新产品、新功能也是如此，先放放口风，发发消息，填各种 waitlist，第一波先给红队使用，然后是小批量体验用户，等轮上普通用户时已经不知道是猴年马月。用上了之后，发现也就那样，我既没有迎来泼天的流量，也没享受到​泼天的富贵。（也可能是我自己太穷，所接触的圈子也穷，存在认知偏差，是的话请挣钱的大佬不吝赐教）当我回顾过去的这一年多时间，我现在越来越意识到，2023年7月之后到现在，90%以上的 AI 信息对我来说都是无用的。以我有限的时间精力还有能量，能做好手头几件重要的事情就不错了，按自己的节奏来。]]></description><category></category></item><item><title><![CDATA[多模态提示重要一步——使用 DALL·E 编辑图片]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/137351393</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/137351393</guid><author>zphyix</author><pubDate>Wed, 03 Apr 2024 16:59:38 +0800</pubDate><description><![CDATA[您可以选择在 DALL·E 编辑器界面的右侧对话面板中提供您想要的编辑提示，而无需使用选择工具。如果您希望编辑应用于图片中的特定区域，我们建议在您的提示中添加该信息。屏幕左侧的滑块允许您改变选择工具的大小，屏幕底部的撤销和重做按钮允许您撤销和重做您的选择。DALL·E 编辑器界面允许您通过选择图片的某个区域并在聊天中描述您的更改来编辑图片。您也可以在对话面板中提供您想要的编辑提示，无需使用选择工具。在编辑器的左上方，您可以更改选择工具的大小，以便轻松突出显示您想要更新的区域。您也可以从图片中移除对象。]]></description><category></category></item><item><title><![CDATA[如何让 LLM 应用性能登峰造极]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/137346605</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/137346605</guid><author>zphyix</author><pubDate>Wed, 03 Apr 2024 15:12:01 +0800</pubDate><description><![CDATA[对生产级的应用而言，对 LLM 准确性和稳定性的要求都较高的情况下，如何构建可靠的 L。提示工程始终是优化过程的第一步。从精心设计的提示词开始，我们就能了解模型对于任务的固有能力，有时候许多任务通过提示工程可能就能达到理想效果！微调可以完善模型对任务的理解，使其提供正确的输出。微调与 RAG 搭配使用的情况下，模型不仅知道该说什么，而且还能从知识库中获取正确适当的信息。RAG+微调的这种双重方法充分利用了微调（针对特定任务的性能）和 RAG（动态、上下文丰富的信息检索）的优势，使 LLM 应用程序性能更强。]]></description><category></category></item><item><title><![CDATA[LangGPT提示词社区年度分享：AI 交流的艺术]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/136923083</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/136923083</guid><author>zphyix</author><pubDate>Thu, 21 Mar 2024 23:07:39 +0800</pubDate><description><![CDATA[2024 年 1 月 13 日，昆仑巢举办了北京 AIGC 中国开发者大会，我作为嘉宾在会上进行了提示工程领域的内容分享。]]></description><category></category></item><item><title><![CDATA[如何使用 GitHub Copilot：提示、技巧和使用案例]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/136922256</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/136922256</guid><author>zphyix</author><pubDate>Thu, 21 Mar 2024 22:05:48 +0800</pubDate><description><![CDATA[在生成式AI编程工具的上下文中，提示可以根据你是在询问正在构建和微调这些工具的机器学习（ML）研究者，还是在他们的IDE中使用它们的开发者，意味着不同的事情。对于这份指南，我们将从在IDE中使用生成式AI编程工具的开发者的视角定义这些术语。但为了给你一个完整的画面，我们还在下面的图表中添加了ML研究者的定义。]]></description><category></category></item><item><title><![CDATA[LangGPT提示词： 面向大语言模型的自然语言编程框架]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/136914316</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/136914316</guid><author>zphyix</author><pubDate>Thu, 21 Mar 2024 17:08:07 +0800</pubDate><description><![CDATA[大语言模型 (Large Language Models, LLMs) 在不同领域都表现出了优异的性能。然而，对于非AI专家来说，制定高质量的提示来引导 LLMs 是目前AI应用领域的一项重要挑战。现有的提示工程研究已经提出了一些零散的优化原则，也有些研究设计了基于经验的提示优化器。然而，这些研究缺乏结构化的设计模板，学习成本高，可复用性低。受到编程语言的结构化和可复用性的启发，我们提出了双层提示设计框架 LangGPT，作为面向 LLM 的编程语言。LangGPT 具有易于学习的规范结构，并为迁移和]]></description><category></category></item><item><title><![CDATA[AI 提示工程：什么是提示工程以及如何驾驭 AI]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/136913659</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/136913659</guid><author>zphyix</author><pubDate>Thu, 21 Mar 2024 16:51:39 +0800</pubDate><description><![CDATA[提示工程指的是以一种特定的方式设计提示，以便从 AI 获得更好的结果。创建 AI 系统的人，如OpenAIGoogle等许多其他组织，甚至在聘请“提示工程师”来帮助训练他们的模型。一些“创造者”甚至在 Etsy 这样的平台上出售他们的 Midjourney 提示。简而言之，AI 系统就像数据一样：垃圾进，垃圾出。如果你有一个糟糕的输入，你可能会得到一个糟糕的结果。提示工程在很大程度上受到上下文的影响。]]></description><category></category></item><item><title><![CDATA[LangGPT —— 让人人都能编写高质量 Prompt]]></title><link>https://blog.youkuaiyun.com/zphyix/article/details/130784944</link><guid>https://blog.youkuaiyun.com/zphyix/article/details/130784944</guid><author>zphyix</author><pubDate>Sat, 20 May 2023 19:31:15 +0800</pubDate><description><![CDATA[要用好现有大模型的能力严重依赖高质量 prompt， 然而编写高质量 prompt 在现阶段还是个手艺活，太依赖个人经验。虽然也有许多个人自发分享的 prompt 方法、框架，以及吴恩达老师的 prompt 教程，但是现有 Prompt 创建方法还是有各种各样的缺点：缺乏系统性：大多是细碎的规则，技巧，严重依赖个人经验缺乏灵活性：对他人分享的优质 prompt 进行调整需要直接修改 prompt 内容。]]></description><category></category></item></channel></rss>