1.PersonalizedGraphBasedRetrievalforLargeLanguageModels隨著大語言模型（LLMs）的演進(jìn)，它們提供個(gè)性化和上下文相關(guān)響應(yīng)的能力具有改變用戶體驗(yàn)的潛力。然而，現(xiàn)有的個(gè)性化方法通常僅依賴用戶歷史來增強(qiáng)提示，這在冷啟動(dòng)場(chǎng)景或數(shù)據(jù)稀疏的情況下限制了其有效性。為了克服這些限制，我們提出了一種基于圖的個(gè)性化檢索增強(qiáng)生成（PGraphRAG）框架，該框架利用用戶中心的知識(shí)圖來豐富個(gè)性化。通過直接將結(jié)構(gòu)化的用戶知識(shí)融入檢索...

BagofWords將文本看作由單詞構(gòu)成的無序集合，通過統(tǒng)計(jì)單詞在文本中出現(xiàn)的頻次來表示文本。因此，BagofWords主要用于文本分類、情感分析、信息檢索等自然語言處理任務(wù)中1.什么是詞袋模型（BagofWords）2.實(shí)現(xiàn)BagofWords的步驟2.1文本預(yù)處理2.2構(gòu)建詞匯表2.3向量化文本（詞袋表示）2.4通過文本的向量表示，使用余弦相似度分析句子相似度3.統(tǒng)計(jì)詞頻，通過評(píng)論提升餐廳滿意度在自然語言處理領(lǐng)域，如何將人類語言轉(zhuǎn)化為機(jī)器能夠理解...

隨著2024年漸行漸遠(yuǎn)，我們迎來了一個(gè)充滿AI創(chuàng)新與突破的年度回顧。從大型語言模型的進(jìn)一步發(fā)展，到計(jì)算機(jī)視覺、AI安全等領(lǐng)域的革命性進(jìn)展，研究社區(qū)在過去一年里確實(shí)做出了許多令人震撼的貢獻(xiàn)。面對(duì)如此多的科研成果，哪些研究真正讓我們停下來思考？哪些論文啟發(fā)了我們，激發(fā)了“我如何將這些成果應(yīng)用到自己的工作中？”的好奇心？在這篇文章中，我將分享我個(gè)人最喜歡的2024年AI研究論文，這些研究不僅令我興奮，也讓我迫不及...

編輯言征出品51CTO技術(shù)棧（微信號(hào)：blog51cto）在1月6日拉斯維加斯的CES峰會(huì)上，黃仁勛終于現(xiàn)身了！出場(chǎng)就讓直播間的評(píng)論區(qū)炸了，黃教主上身blingbling的新皮夾克引起了網(wǎng)友的好奇，這是鱷魚皮的嗎，有鏈接嗎，這得幾萬刀吧（狗頭）？“大家喜歡我的新皮夾克嗎？”圖片黃仁勛：現(xiàn)在的AI到了“GeForce”編程應(yīng)用階段黃仁勛開場(chǎng)用了10分鐘的時(shí)間介紹了英偉達(dá)的成長(zhǎng)史，他回憶了GeForce顯卡和CUDA、AI的容器三個(gè)階段的標(biāo)志性里程碑...

你是不是也經(jīng)常遇到這樣的情況：面對(duì)一本厚厚的專業(yè)書籍或一篇長(zhǎng)篇報(bào)告，讀到一半就感覺信息量過載，忘了前面講了什么？辛辛苦苦做完讀書筆記，回過頭來看卻發(fā)現(xiàn)抓不住重點(diǎn)？在信息爆炸的時(shí)代，高效閱讀和知識(shí)管理變得尤為重要。今天，我們就來聊聊一種能幫助我們更好地理解和吸收復(fù)雜信息的有效方法——漸進(jìn)式摘要，并介紹如何借助強(qiáng)大的AI大模型來實(shí)現(xiàn)它。什么是漸進(jìn)式摘要？漸進(jìn)式摘要，顧名思義，指的是逐步深入、層層提煉...

文章鏈接：https:arxiv.orgpdf2412.21079項(xiàng)目鏈接：https:ezioby.github.ioedicho亮點(diǎn)直擊顯式對(duì)應(yīng)性引導(dǎo)一致性編輯：通過將顯式圖像對(duì)應(yīng)性融入擴(kuò)散模型的去噪過程，改進(jìn)自注意力機(jī)制與分類器自由引導(dǎo)（CFG），在保持高質(zhì)量的同時(shí)顯著提升編輯一致性。融合無條件嵌入特征：受NULLtextInversion技術(shù)啟發(fā)，提出融合無條件嵌入特征的方法，進(jìn)一步增強(qiáng)一致性效果，實(shí)現(xiàn)更精細(xì)的編輯控制。廣泛適用性與優(yōu)越性能：方法具有免訓(xùn)練和即...

全球AI領(lǐng)導(dǎo)者NVIDIA（英偉達(dá)）在2025年CES展會(huì)上，開源了全新世界大模型NVIDIACosmos。Cosmos能從數(shù)據(jù)整合、訓(xùn)練再到定制各個(gè)開發(fā)階段的，大規(guī)模模擬、構(gòu)建物理世界的基礎(chǔ)模型，同時(shí)支持自定義微調(diào)。例如，你想開發(fā)一個(gè)實(shí)體倉儲(chǔ)機(jī)器人，但沒有真實(shí)大型倉儲(chǔ)環(huán)境為機(jī)器人提供貨物搬運(yùn)、揀選、分揀等訓(xùn)練環(huán)境，通過Cosmos就能輕松創(chuàng)建一個(gè)模擬的物理倉儲(chǔ)環(huán)境，來訓(xùn)練、觀察、優(yōu)化機(jī)器人各種動(dòng)作。在自動(dòng)駕駛領(lǐng)域，想觀察汽車在大雨...

AI的興起極大地影響了編碼和開發(fā)領(lǐng)域。AI驅(qū)動(dòng)的代碼生成器有助于簡(jiǎn)化編碼過程，自動(dòng)化日常任務(wù)，甚至預(yù)測(cè)和建議代碼片段。下面，我們將介紹一些好用的AI代碼生成器，包括它們的獨(dú)特功能，以及它們?nèi)绾螐氐赘淖兡愕木幊腆w驗(yàn)。1、??GitHubCopilot??GitHubCopilot由GitHub與OpenAI合作開發(fā)，代表了AI編程輔助的新水平。這個(gè)工具的功能就像一個(gè)虛擬的結(jié)對(duì)程序員，幫助開發(fā)人員以更快的速度編寫更好的代碼。它通過在你鍵入時(shí)提示...

出品51CTO技術(shù)棧（微信號(hào)：blog51cto）2024年，在應(yīng)用層面，哪條AI賽道融資最順暢？恐怕要屬AI輔助編程了。國內(nèi)大家感知最明顯，阿里的通義靈碼、百度的文心快碼、商湯的小浣熊等產(chǎn)品的推出，都得到了開發(fā)者的青睞。國外，微軟、谷歌更是一早就布局了這條賽道。殊不知，不止大廠，現(xiàn)在放眼望去，這條路上已經(jīng)擠滿了初創(chuàng)AI公司，而且一個(gè)個(gè)成績(jī)斐然。據(jù)英國《金融時(shí)報(bào)》報(bào)道，Replit、Anysphere、Magic、Augment、Supermaven和Po...

零一萬物倒了？一夜之間，零一萬物被阿里云收購的消息就傳遍了AI圈。一位AI博主在X上爆料，言簡(jiǎn)意賅：零一萬物垮了，團(tuán)隊(duì)散伙，卡和訓(xùn)練團(tuán)隊(duì)賣給阿里了。李開復(fù)在評(píng)論區(qū)辟謠：完全沒有的事。三句話全部錯(cuò)誤。圖片此后，李開復(fù)又發(fā)朋友圈再度辟謠！表示零一萬物的資金沒有問題，沒必要賣身阿里：2024年，零一萬物的確認(rèn)收入一個(gè)多億，2025年會(huì)倍數(shù)增長(zhǎng)。并說“不知道為什么會(huì)有這樣的謠言散播”。最后，李開復(fù)表示“2025年是中國...

案例使用的試驗(yàn)數(shù)據(jù)來源于常見的凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心，試驗(yàn)臺(tái)采集的振動(dòng)信號(hào)數(shù)據(jù)包括四種狀態(tài)，分別是健康狀態(tài)、內(nèi)圈故障、滾動(dòng)體故障、外圈故障。案例選擇驅(qū)動(dòng)端振動(dòng)傳感器采集的數(shù)據(jù)，采樣頻率為12000Hz，軸承信號(hào)為SKF6205。為簡(jiǎn)化試驗(yàn)，僅使用電動(dòng)機(jī)負(fù)荷為0的振動(dòng)信號(hào)，轉(zhuǎn)速為1797rmin。為便于對(duì)注意力的分布進(jìn)行解釋，案例應(yīng)用包絡(luò)譜作為模型的輸入。對(duì)于四種狀態(tài)的軸承數(shù)據(jù)，使用滑窗選取55段信號(hào)，每段信號(hào)包含1200...

?一、技術(shù)架構(gòu)與訓(xùn)練數(shù)據(jù)對(duì)比?在探討ChatGPT與文心一言的區(qū)別時(shí)，我們首先要關(guān)注的是它們的技術(shù)架構(gòu)和訓(xùn)練數(shù)據(jù)來源。文心一言，作為百度自主研發(fā)的AI模型，采用了Transformer網(wǎng)絡(luò)架構(gòu)，這種架構(gòu)在處理中文信息時(shí)展現(xiàn)出了極高的適應(yīng)性，尤其在處理復(fù)雜語句和中文表達(dá)上表現(xiàn)優(yōu)異。而ChatGPT，由OpenAI推出，采用LSTM（長(zhǎng)短期記憶）網(wǎng)絡(luò)，其優(yōu)勢(shì)在于對(duì)對(duì)話內(nèi)容的記憶與理解能力，為流暢、自然的對(duì)話體驗(yàn)提供了保障。在訓(xùn)練數(shù)據(jù)方...

隨著人工智能的快速發(fā)展，智能體成為重要?jiǎng)?chuàng)新領(lǐng)域。其在多個(gè)行業(yè)已得到應(yīng)用且不斷進(jìn)化，研究這些趨勢(shì)有助于企業(yè)和個(gè)人了解未來技術(shù)走向，提前做好準(zhǔn)備，利用智能體提升效率、改善體驗(yàn)，推動(dòng)各行業(yè)變革，同時(shí)確保其合理、道德地發(fā)展。文章首先介紹了人工智能智能體的定義及2024年的發(fā)展趨勢(shì)，如在客戶服務(wù)、網(wǎng)絡(luò)安全等領(lǐng)域的應(yīng)用。接著詳細(xì)闡述了2025年的十大趨勢(shì)，包括采用率增長(zhǎng)、主動(dòng)式智能體、超個(gè)性化、情感智能、多模態(tài)能...

隨著大模型技術(shù)的不斷發(fā)展，尤其是大模型上下文窗口（contextwindow）逐漸增大的趨勢(shì)，許多研究者開始思考是否可以借此特點(diǎn)簡(jiǎn)化傳統(tǒng)的RAG（RetrievalAugmentedGeneration）架構(gòu)。在此背景下，2024年12月的研究論文提出了一個(gè)創(chuàng)新方案——CAG（CacheAugmentedGeneration），這是一種通過預(yù)加載外部文檔到大模型的上下文窗口來簡(jiǎn)化傳統(tǒng)RAG流程的方法。本文將詳細(xì)介紹CAG的特點(diǎn)、工作原理、實(shí)驗(yàn)結(jié)果、適用場(chǎng)景以及如何快速上手。1....

01、概述近年來，大型語言模型（LLMs）在自然語言處理領(lǐng)域取得了顯著進(jìn)展，它們已廣泛應(yīng)用于文本生成、摘要生成以及問答系統(tǒng)等任務(wù)。然而，這些模型依賴“逐字預(yù)測(cè)”（tokenlevelprocessing）的方法，這種方式盡管有效，但仍存在明顯局限，難以真正實(shí)現(xiàn)接近人類的語言理解與生成能力。MetaAI提出的大概念模型（LCMs,LargeConceptModels）則開辟了新的方向，通過引入高維嵌入空間和語言模態(tài)無關(guān)的建模方法，試圖突破傳統(tǒng)語言模型...

概覽該論文提出了一種名為CLIP（ContrastiveLanguageImagePreTraining）的多模態(tài)預(yù)訓(xùn)練模型，用于學(xué)習(xí)圖像和文本之間的語義關(guān)系。該模型使用自然語言作為監(jiān)督信號(hào)，通過對(duì)比預(yù)測(cè)正確的圖像文本配對(duì)和錯(cuò)誤的配對(duì)來學(xué)習(xí)特征表示。具體來說，CLIP首先將輸入的圖像和文本分別編碼為高維向量，并在兩個(gè)空間中計(jì)算它們之間的相似度。然后，CLIP使用一個(gè)對(duì)比損失函數(shù)來優(yōu)化這些向量的表示，以最大化正確配對(duì)的相似度并最小化錯(cuò)誤配對(duì)的...

01、概述在人工智能快速發(fā)展的浪潮中，語言模型已經(jīng)展現(xiàn)出非凡的推理能力，尤其是在數(shù)學(xué)和編程等復(fù)雜領(lǐng)域。然而，盡管這些模型取得了顯著的進(jìn)步，它們?cè)谔幚砀唠y度問題時(shí)仍面臨諸多挑戰(zhàn)。隨著可擴(kuò)展監(jiān)督（scalableoversight）領(lǐng)域的興起，研究人員試圖探索更加高效的監(jiān)督方法，以幫助AI系統(tǒng)達(dá)到甚至超越人類的推理水平。在這一背景下，阿里巴巴和Qwen團(tuán)隊(duì)推出了一個(gè)具有里程碑意義的數(shù)學(xué)推理評(píng)估基準(zhǔn)——PROCESSBENCH，為語言模...

什么是RAG？RAG的全稱是檢索增強(qiáng)生成（RetrievalAugmentedGeneration，簡(jiǎn)稱RAG），它結(jié)合了檢索和和生成技術(shù)，通過整合檢索系統(tǒng)和生成模型的優(yōu)勢(shì)，來提升模型生成文本的質(zhì)量和上下文相關(guān)性。這種技術(shù)主要是為了解決生成式模型在面對(duì)需要具體、實(shí)時(shí)或領(lǐng)域?qū)I(yè)知識(shí)時(shí)可能產(chǎn)生的準(zhǔn)確性不足和上下文不敏感的問題。即它先根據(jù)外部知識(shí)庫搜索到的信息來作為上下文，再來輔助模型回答問題，使得模型的回答更準(zhǔn)確。比如你想做一個(gè)智能助...

01、概述隨著云計(jì)算技術(shù)的不斷演進(jìn)和復(fù)雜化，企業(yè)對(duì)云基礎(chǔ)設(shè)施的依賴越來越深。如今，幾乎所有大型企業(yè)都依靠云平臺(tái)確保業(yè)務(wù)順利運(yùn)營。然而，隨著微服務(wù)架構(gòu)和無服務(wù)器計(jì)算的興起，云計(jì)算環(huán)境的復(fù)雜度也隨之加劇，給云計(jì)算的可靠性和運(yùn)維帶來了前所未有的挑戰(zhàn)。站點(diǎn)可靠性工程師（SREs）和DevOps團(tuán)隊(duì)肩負(fù)著保障云平臺(tái)的穩(wěn)定性、故障檢測(cè)、診斷及修復(fù)等重要任務(wù)。然而，隨著服務(wù)模型的復(fù)雜化，傳統(tǒng)的運(yùn)維方式顯得捉襟見肘，無法...

?數(shù)據(jù)驅(qū)動(dòng)的AI變革：AI的普及推動(dòng)了存儲(chǔ)系統(tǒng)從單純追求性能向企業(yè)級(jí)綜合能力（包括數(shù)據(jù)管理、效率、韌性等）轉(zhuǎn)變，并凸顯了高質(zhì)量數(shù)據(jù)和有效數(shù)據(jù)治理對(duì)AI戰(zhàn)略成功至關(guān)重要的作用。高性能對(duì)象存儲(chǔ)崛起：對(duì)象存儲(chǔ)正通過技術(shù)創(chuàng)新，突破傳統(tǒng)應(yīng)用邊界，向高性能計(jì)算領(lǐng)域（尤其是AI和數(shù)據(jù)分析）拓展，并有望挑戰(zhàn)并行文件系統(tǒng)的主導(dǎo)地位。AI驅(qū)動(dòng)混合云智能化升級(jí)：企業(yè)級(jí)AI工作負(fù)載的需求推動(dòng)混合云從資源整合向更智能的集成和優(yōu)化演...