苹果发文质疑：大语言模型根本无法进行逻辑推理
文章概要：
1，研究团队通过新基准-Symbolic对多个模型进行评估，结果显示模型在数值或名字变化时表现问题> 2. 研究团队从5个方面的当前准确率不可靠，对名称和数字变动，问题难度增加表现急剧下降，添加无关子句对性能有巨大影响，扩展规模和计算能力不能解决根本问题。
3. 研究人员表示，大语言模型的行为更像是复杂的模式匹配，而非具备形式推理能力，未来需要突破模式匹配，实现逻辑推理，才能应对不断变化的现实需求。
阅读原文
3. 研究人员表示，大语言模型的行为更像是复杂的模式匹配，而非具备形式推理能力，未来需要突破模式匹配，实现逻辑推理，才能应对不断变化的现实需求。
沈向洋院士：关于大模型的10个思考！
文章概要：
1 算力是门槛：大模型对算力的要求，过去10年非常巨大。今天要做人工智能大模型，讲卡伤感情、没卡没感情。
2. 关于数据的数据：如果有GPT-5出来，可能会上到200T的数据量。但互联网上没有那么多好的数据，清洗完以后，可能20T就差不多到顶了，所以未来要做GPT-5，除了现有的数据，还要更多的多模态数据，甚至人工合成的数据。
3. 大模型的下一章：有很多多模态的科研工作要做，我相信一个非常重要的方向是多模态的理解和生成的统一。
4. 人工智能的范式转移：o1出来后，从原来的GPT的预训练思路，变成了今天的自主学习的道路，就是在推理这一步强化学习，自我学习的过程。整个过程非常像人类思考问题、分析问题，也需要非常多的算力才行。
5. 大模型横扫千行百业：在中国的大模型建设浪潮当中，越来越多的是行业大模型。这个趋势肯定是这样的，未来通用大模型的占比会越来越低。
6. AI Agent，从愿景到落地：超级应用一开始就在那里，这个超级应用就是一个超级助理，就是一个超级Agent。
7. 开源vs闭源：我认为Meta的Llama并不是传统的开源，它只是开源了一个模型，并没有给你原代码和数据，所以我们在用开源系统的时候，模型的系统闭源的工作。
8. 重视AI的治理：人工智能对千行百业、对整个社会的冲击非常大，要大家共同来面对。
9. 重新思考人机关系：真正把人机交互搞清楚，才能成为每一代高科技企业真正有商业价值的领导者。现在讲OpenAI加上微软就代表这个时代还太早，他们是了，但是未来还有很多想象的空间。
10. 智能的本质：虽然大模型已经给大家带来很多的震惊，但是我们对大模型、是没有理论的。关于人工智能的涌现，大家只是讲讲，并没有讲清楚。
阅读原文
2. 关于数据的数据：如果有GPT-5出来，可能会上到200T的数据量。但互联网上没有那么多好的数据，清洗完以后，可能20T就差不多到顶了，所以未来要做GPT-5，除了现有的数据，还要更多的多模态数据，甚至人工合成的数据。
3. 大模型的下一章：有很多多模态的科研工作要做，我相信一个非常重要的方向是多模态的理解和生成的统一。
4. 人工智能的范式转移：o1出来后，从原来的GPT的预训练思路，变成了今天的自主学习的道路，就是在推理这一步强化学习，自我学习的过程。整个过程非常像人类思考问题、分析问题，也需要非常多的算力才行。
5. 大模型横扫千行百业：在中国的大模型建设浪潮当中，越来越多的是行业大模型。这个趋势肯定是这样的，未来通用大模型的占比会越来越低。
6. AI Agent，从愿景到落地：超级应用一开始就在那里，这个超级应用就是一个超级助理，就是一个超级Agent。
7. 开源vs闭源：我认为Meta的Llama并不是传统的开源，它只是开源了一个模型，并没有给你原代码和数据，所以我们在用开源系统的时候，模型的系统闭源的工作。
8. 重视AI的治理：人工智能对千行百业、对整个社会的冲击非常大，要大家共同来面对。
9. 重新思考人机关系：真正把人机交互搞清楚，才能成为每一代高科技企业真正有商业价值的领导者。现在讲OpenAI加上微软就代表这个时代还太早，他们是了，但是未来还有很多想象的空间。
10. 智能的本质：虽然大模型已经给大家带来很多的震惊，但是我们对大模型、是没有理论的。关于人工智能的涌现，大家只是讲讲，并没有讲清楚。
张晓璐：大模型如何重塑行业生态
文章概要：
1. 艾瑞数智科技有限公司首席数据官张晓璐在接受《企业家》杂志专访时，深入剖析了生成式AI的最新趋势及其在To B服务领域的应用现状。
2. 张晓璐认为当前生成式AI最新趋势包括以多模态大模型Sora为代表、超长文本生成技术取得显著进展、模型小型化、智能体的应用。
3. 大模型和小模型结合仍是当下人工智能产业的核心应用落点，大模型的场景主要是生成类，小模型的场景主要是决策类。
4. 目前，包括艾瑞数智的多数厂家普遍采用大小模型结合的办法，以在满足客户需求的前提下，达到成本效益的最优化。
5. 可预见的未来，随着大模型可控性能力的增强，AI Native应用会越来越多。
6. 生成式AI的产品价值在于其强大的内容生成能力，能够为用户提供高度个性化的内容生产，满足企业内外服务的多样化需求。
7. 发力B端和C端，在生成式技术的应用和发展上存在一些显著的不同之处。
8. 大模型在To B企业服务赛道上的应用情况良好，推荐系统、垂直领域知识问答、轻创平台（营销素材、生成、管理平台）、智能客服是To B服务的主要应用。
阅读原文
2. 张晓璐认为当前生成式AI最新趋势包括以多模态大模型Sora为代表、超长文本生成技术取得显著进展、模型小型化、智能体的应用。
3. 大模型和小模型结合仍是当下人工智能产业的核心应用落点，大模型的场景主要是生成类，小模型的场景主要是决策类。
4. 目前，包括艾瑞数智的多数厂家普遍采用大小模型结合的办法，以在满足客户需求的前提下，达到成本效益的最优化。
5. 可预见的未来，随着大模型可控性能力的增强，AI Native应用会越来越多。
6. 生成式AI的产品价值在于其强大的内容生成能力，能够为用户提供高度个性化的内容生产，满足企业内外服务的多样化需求。
7. 发力B端和C端，在生成式技术的应用和发展上存在一些显著的不同之处。
8. 大模型在To B企业服务赛道上的应用情况良好，推荐系统、垂直领域知识问答、轻创平台（营销素材、生成、管理平台）、智能客服是To B服务的主要应用。
人工智能国外大模型使用手册（2024年）
文章概要：
1. 随着科技的迅猛推进，人工智能（AI已全面渗透至我们生活每一个角落。在国际AI领域，国外大模型以其的自然语言处理能力和深度学习实力，正引领一场智能科技的变革。
. 幻影视界今天分享的是人工智能AI行业研究报告《2024人工智能国外大模型使用手册》，报告版权方/来源：图书馆。本报告共计51页
3. 国外AI大模型是指由科技公司、研究机构或开源社区开发，具有极高参数数量和复杂结构的机器学习模型。5. Gemini是由谷歌母公司Alphabet旗下的研究部门DeepMind开发的下一代多模态大型语言模型（M），与OpenAI的GPT-4模型竞争。
6. Claude是由美国人工智能初创公司Anthropic倾力打造的大型语言模型，与OpenAI的GPT系列并驾齐驱。
7.LaMA（Large Language Model AI）大模型是由Meta AI前身为Facebook）开发的一种大规模语言模型，旨在提高自然语言处理任务的性能。
8. Copilot模型是一款基于人工智能技术的智能辅助工具，旨在提高编程和办公效率。
. 在人工智能领域的快速发展浪潮中，了前文所述的主流大模型外，还有许多新兴或特色模型不断涌现，为这一领域注入了新的与可能性。
阅读原文
. 幻影视界今天分享的是人工智能AI行业研究报告《2024人工智能国外大模型使用手册》，报告版权方/来源：图书馆。本报告共计51页
3. 国外AI大模型是指由科技公司、研究机构或开源社区开发，具有极高参数数量和复杂结构的机器学习模型。
6. Claude是由美国人工智能初创公司Anthropic倾力打造的大型语言模型，与OpenAI的GPT系列并驾齐驱。
7.LaMA（Large Language Model AI）大模型是由Meta AI前身为Facebook）开发的一种大规模语言模型，旨在提高自然语言处理任务的性能。
8. Copilot模型是一款基于人工智能技术的智能辅助工具，旨在提高编程和办公效率。
. 在人工智能领域的快速发展浪潮中，了前文所述的主流大模型外，还有许多新兴或特色模型不断涌现，为这一领域注入了新的与可能性。
AI大模型：人工智能中文大模型使用手册（2024）
文章概要：
1 中文大模型 AI 领域的一项重要技术，正以其强大的自然语言处理能力能力，引领着智能科技的新浪潮。
2. 中文大模型一种基于的自然语言处理模型，它具备强大的生成语义理解和对话交互。
3. 大模型是指参数数量庞大网络结构复杂的机器学习模型。它们通常由深度神经网络构建而成，通过海量的训练数据学习数据的规律和特征。
4. 大模型自然语言处理图像识别、语音识别、系统等领域都有广泛的应用。<> 5.模型已成为迈向通用智能的里程碑技术自预训练，它经历了大规模预训练超大规模预训练模型的发展阶段，参数规模以惊人的速度增长，了从亿级百万亿的。
阅读原文
2. 中文大模型一种基于的自然语言处理模型，它具备强大的生成语义理解和对话交互。
3. 大模型是指参数数量庞大网络结构复杂的机器学习模型。它们通常由深度神经网络构建而成，通过海量的训练数据学习数据的规律和特征。
4. 大模型自然语言处理图像识别、语音识别、系统等领域都有广泛的应用。<> 5.模型已成为迈向通用智能的里程碑技术自预训练，它经历了大规模预训练超大规模预训练模型的发展阶段，参数规模以惊人的速度增长，了从亿级百万亿的。
大模型推理加速技术的学习路线是什么?
文章概要：
1. 文章介绍了EfficientQAT，一种新型量化方式，可在41小时内完成对2 Llama-2-70B模型的量化感知训练，精度仅下降不到3%。
2. 文章解释了量化操作加速大语言模型的原理，即通过降低weight的bit数，减少显存和提升推理速度。
3. 文章详细阐述了EfficientQAT的方法，包括Block-wise Training和End-to-End Training两个阶段，以及在每个阶段的具体操作。
4. 文章展示了EfficientQAT的实验结果，包括在不同数据集上的性能表现、与其他方法的对比等。
5. 文章总结了EfficientQAT的优势，包括内存使用和训练时间效率高、性能超越现有方法、适用于不同模型和量化级别、简化部署过程等。
阅读原文
2. 文章解释了量化操作加速大语言模型的原理，即通过降低weight的bit数，减少显存和提升推理速度。
3. 文章详细阐述了EfficientQAT的方法，包括Block-wise Training和End-to-End Training两个阶段，以及在每个阶段的具体操作。
4. 文章展示了EfficientQAT的实验结果，包括在不同数据集上的性能表现、与其他方法的对比等。
5. 文章总结了EfficientQAT的优势，包括内存使用和训练时间效率高、性能超越现有方法、适用于不同模型和量化级别、简化部署过程等。
新手友好 | 什么是大语言模型和RAG？
文章概要：
1 大语言模型（M）是一种旨在理解和人类语言的人工智能模型，检索增强生成（RAG）则是一种从庞大知识库中检索到的相关，并以此为基础，指导大型语言模型生成更为精准的答案的模型架构。
2. LLM通常指包含数百亿（或更多）参数的语言模型，它们在海量的文本数据训练，从而获得对语言深层次的理解。与之对应的还有V（Visual Language Model，也称为视觉语言模型，是一种结合了视觉信息处理和理解的人工智能模型。
3 主流的LLM参考：https://arxiv.org/abs/2303.18223。
4. LLM的涌现能力可以与某些复杂任务有关我们更关注的是其通用能力。接下来，我们简要介绍LLM典型的涌现能力：上下文学习、指令、逐步推理。
5. LLM的特点：巨大的规模、预训练和微调、上下文感知、多语言支持、多模态支持、伦理和风险问题、高计算资源需求。
6. RAG是一个完整的，其工作流程可以简单地分为数据处理、检索、增强和生成四个。
阅读原文
2. LLM通常指包含数百亿（或更多）参数的语言模型，它们在海量的文本数据训练，从而获得对语言深层次的理解。与之对应的还有V（Visual Language Model，也称为视觉语言模型，是一种结合了视觉信息处理和理解的人工智能模型。
3 主流的LLM参考：https://arxiv.org/abs/2303.18223。
4. LLM的涌现能力可以与某些复杂任务有关我们更关注的是其通用能力。接下来，我们简要介绍LLM典型的涌现能力：上下文学习、指令、逐步推理。
5. LLM的特点：巨大的规模、预训练和微调、上下文感知、多语言支持、多模态支持、伦理和风险问题、高计算资源需求。
6. RAG是一个完整的，其工作流程可以简单地分为数据处理、检索、增强和生成四个。
盘点已问世的中医药大语言模型
文章概要：
1. 文章主要介绍了多个中医药大语言模型，包括‘仲景’、‘海河·岐伯’、‘数智岐黄’、‘数智本草’、TCMLLM、ShenNong-TCM-LLM、‘Huangi’、‘本草智库’、‘盘古、‘华佗’、‘岐黄问道’、‘讯飞星火’、‘聪宝素问’、‘天河灵枢’、中医药横琴大模型等。
2. 这些模型分别由不同的团队或单位开发具有不同的特点和应用场景。
3. 它们的出现为中医药的创新发展提供了新的机遇和支持。
阅读原文
2. 这些模型分别由不同的团队或单位开发具有不同的特点和应用场景。
3. 它们的出现为中医药的创新发展提供了新的机遇和支持。
17 个大模型应用场景示例上线，一键解锁最佳实践
文章概要：
1. 阶跃星辰开放平台场景示例上线，提供17个不同场景下提示词示例和参数参考，开发者大模型开发门槛和学习成本
2. 介绍了4个场景示例，包括工作小帮手、助力开发、学习好搭、脑洞大开
3. 提供了使用指南，包括进入场景示例页面，选择场景，点击前往体验中心试用，或者复制 Request代码直接在产品中调用> 4. 询问用户还希望哪个场景示例
阅读原文
2. 介绍了4个场景示例，包括工作小帮手、助力开发、学习好搭、脑洞大开
3. 提供了使用指南，包括进入场景示例页面，选择场景，点击前往体验中心试用，或者复制 Request代码直接在产品中调用> 4. 询问用户还希望哪个场景示例
17 个大模型应用场景示例上线，一键解锁最佳实践
文章概要：
1. 阶跃星辰开放平台场景示例上线，提供17个不同场景下提示词示例和代码参数设置参考，降低开发者大模型的开发门槛和学习成本
2. 介绍了工作小帮手、助力开发、学习好搭子、大开等场景示例
3.了使用指南，包括进入场景示例页面选择场景、前往体验中心或复制API Request代码在产品中调用
4. 演示视频
. 评论区可告诉平台希望增加哪个场景
阅读原文
2. 介绍了工作小帮手、助力开发、学习好搭子、大开等场景示例
3.了使用指南，包括进入场景示例页面选择场景、前往体验中心或复制API Request代码在产品中调用
4. 演示视频
. 评论区可告诉平台希望增加哪个场景
统一的多模态文字理解与生成大模型
文章概要：
1. 介绍NeurIPS 2024录用论文“Harmonizing Visual Text Comprehension and Generation”的主要工作
2 提出首个OCR领域的多模态文字理解与生成大模型，即TextHarmony
3. TextHarmony能够统一视觉文本的理解和生成
4.Slide-LoRA，缓解过程中的模态不一致问题
5. TextHarmony的训练分为两阶段>6. 在视觉文本场景对Harmony了四个方面的对比实验
7. TextHarmony是首个OCR领域的多模态生成模型，统一了视觉文本和生成任务>8. 针对多模态生成模型的模态不一致问题提出Slide-LoRA模块，在单一模型实现了视觉与语言和谐统一
9. TextHarmony展现出了优秀的文字感知、理解、编辑能力，为依赖于视觉文本理解生成的交互任务革命性的
10. 提供相关资源，包括论文链接和代码开源
阅读原文
2 提出首个OCR领域的多模态文字理解与生成大模型，即TextHarmony
3. TextHarmony能够统一视觉文本的理解和生成
4.Slide-LoRA，缓解过程中的模态不一致问题
5. TextHarmony的训练分为两阶段>6. 在视觉文本场景对Harmony了四个方面的对比实验
7. TextHarmony是首个OCR领域的多模态生成模型，统一了视觉文本和生成任务>8. 针对多模态生成模型的模态不一致问题提出Slide-LoRA模块，在单一模型实现了视觉与语言和谐统一
9. TextHarmony展现出了优秀的文字感知、理解、编辑能力，为依赖于视觉文本理解生成的交互任务革命性的
10. 提供相关资源，包括论文链接和代码开源
【每日精读】烧钱、耗费资源、难以盈利，被持续唱衰的大语言模型在艰难中倔强前行
文章概要：
1 本文探讨了大语言模型面临的困境，包括烧、耗费资源和难以盈利问题。
. 尽管大语言模型持续唱衰，但它们仍在艰难中倔强前行。
阅读原文
. 尽管大语言模型持续唱衰，但它们仍在艰难中倔强前行。
银行业AI大模型，从入局到求变
文章概要：
1. 在人工智能浪潮的下，银行业成为大模型率先探索的重要行业。
2. 经过一年多的发展，银行业AI大模型运用上，大行占据领先位置，在场景应用上不断开花，中小银行则“另辟蹊径”地行动起来。
3. AI大模型为银行业科技发展无限可能实际应用效果有差异。
4 越来越多的中小银行已经“另辟蹊径”地行动起来，如就大模型进行招标，且目标性比较强。
阅读原文
2. 经过一年多的发展，银行业AI大模型运用上，大行占据领先位置，在场景应用上不断开花，中小银行则“另辟蹊径”地行动起来。
3. AI大模型为银行业科技发展无限可能实际应用效果有差异。
4 越来越多的中小银行已经“另辟蹊径”地行动起来，如就大模型进行招标，且目标性比较强。
【e+资讯】推进大模型在数字政府中的应用
文章概要：
1 ChatGPT开启生成式人工智能大众化序幕，大模型成为产业发展焦点，数字政府建设中应用广泛，但尚处早期，需理性思考。
2. 大模型分为通用大模型和大模型，政务大模型属垂直大模型，各地区纷纷上线政务领域大平台。
3. 大模型大”表现为算法参数多、数据大、算力强，发展存在不确定性，竞争导致技术规模定律出现，对监管提出挑战。
5. 政务大模型平台存在基础大模型开放性不足、合规化审查缺乏统一标准、数据规模和质量、数据存在隐患算力资源分散等问题。
6. 以开放审慎态度推进大数字应用需妥善处理好发展和安全、人机关系、技术创新导向和应用场景导向的关系。
阅读原文
2. 大模型分为通用大模型和大模型，政务大模型属垂直大模型，各地区纷纷上线政务领域大平台。
3. 大模型大”表现为算法参数多、数据大、算力强，发展存在不确定性，竞争导致技术规模定律出现，对监管提出挑战。
5. 政务大模型平台存在基础大模型开放性不足、合规化审查缺乏统一标准、数据规模和质量、数据存在隐患算力资源分散等问题。
6. 以开放审慎态度推进大数字应用需妥善处理好发展和安全、人机关系、技术创新导向和应用场景导向的关系。
用好大模型，让前端开发效率如火箭般一飞冲天！
文章概要：
1. 团队需求随着公司开发团队壮大，需要挑选好用的工具提升团队开发效率，作者选择了大模型GLM-4-Plus。
2. 对市场上的国产大模型进行调研，发现GLM-4-Plus在SuperBench⼤模型评测排名中打破了国外模型垄断前三甲的局面。
. 介绍GLM-4-Plus的功能，包括解决程序员的烦恼、文件分析、数学问题与算法能力、打造自己的GLM-4-Plus机器人、接口调用等。
4. 智谱致力于推广AI的普及，目前，以GLM-4-Plus为基础的大模型系列，包括CogVideoX、GLM-4V-Plus、CogView-3-Plus，以及新近推出的GLM-4-Plus-VideoCall（视频通话大模型），均已成功部署在该平台上，该模型处于内测阶段，可访问链接申请内测使用。
阅读原文
2. 对市场上的国产大模型进行调研，发现GLM-4-Plus在SuperBench⼤模型评测排名中打破了国外模型垄断前三甲的局面。
. 介绍GLM-4-Plus的功能，包括解决程序员的烦恼、文件分析、数学问题与算法能力、打造自己的GLM-4-Plus机器人、接口调用等。
4. 智谱致力于推广AI的普及，目前，以GLM-4-Plus为基础的大模型系列，包括CogVideoX、GLM-4V-Plus、CogView-3-Plus，以及新近推出的GLM-4-Plus-VideoCall（视频通话大模型），均已成功部署在该平台上，该模型处于内测阶段，可访问链接申请内测使用。
大模型谁在用??怎么用?未来去向何方?人工智能应用的发展趋势分享|《追AI的人》第44期来啦~
文章概要：
1 本期热点讨论目前哪些行业或企业模型技术提升竞争力，百模大战中不同大模型的差异和竞争优势，以及北京市出台的人工智能政策对大模型产业发展的影响。
2. 10月17日（本周四）19:00，《追的人》直播第44期邀请阿里云战略发展部政策研究中心主任宋逸群分享《模型谁在用？透视大模型应用落地实践环境。
3 直播主题为《大模型？应用落地实践与发展环境》，直播时间为024年1月17日（周四19:00，直播地点为微信搜索AI治理中心号，B站搜“AAIG课代表。br> 4 本议题将从一线观察视角，梳理大模型发展应用的四大线路及背后逻辑结合案例和北京市人工智能政策，分析大模型应用情况和未来发展趋势。
5. 课程大纲包括大模型蝶变、人工智能应用、企业机构拥抱大模型的基础条件、政策鼓励模型应用发展、模型应用的产业下一步去向等。
6. 宋逸群是阿里云战略发展部北京研究中心主任，北京市人民政府研究室合作外脑、北京和信息服务业协会专家。
7. 《追AI的人》系列直播是由阿里巴巴人工智能治理与可持续发展中心（AAIG）联合高校和产业界发起的AI治理交互栏目，关注并分享人工智能新技术、AI治理观点、可持续发展向。
阅读原文
2. 10月17日（本周四）19:00，《追的人》直播第44期邀请阿里云战略发展部政策研究中心主任宋逸群分享《模型谁在用？透视大模型应用落地实践环境。
3 直播主题为《大模型？应用落地实践与发展环境》，直播时间为024年1月17日（周四19:00，直播地点为微信搜索AI治理中心号，B站搜“AAIG课代表。br> 4 本议题将从一线观察视角，梳理大模型发展应用的四大线路及背后逻辑结合案例和北京市人工智能政策，分析大模型应用情况和未来发展趋势。
5. 课程大纲包括大模型蝶变、人工智能应用、企业机构拥抱大模型的基础条件、政策鼓励模型应用发展、模型应用的产业下一步去向等。
6. 宋逸群是阿里云战略发展部北京研究中心主任，北京市人民政府研究室合作外脑、北京和信息服务业协会专家。
7. 《追AI的人》系列直播是由阿里巴巴人工智能治理与可持续发展中心（AAIG）联合高校和产业界发起的AI治理交互栏目，关注并分享人工智能新技术、AI治理观点、可持续发展向。
企业入局大模型第一关：如何选择适合自己的产品？
文章概要：
1. 224年是大模型走向应用的关键之年，企业在大模型落地过程中会面临诸多挑战，如何选择适合自己的产品是企业面临的第一个难题。
2. 文章围绕长文本能力、结构化和非结构化数据处理能力、理解能力、知识产权属性、部署环境等维度对市场上的主流大模型进行了分析，包括LLaMA3、GPT4、ChatGLM、通义、Yi、文心一言、混元大模型、百川大模型、火山方舟大模型、盘古大模型、Kimi等。< 3. 数巅企业大模型通过数据虚拟化引擎X-Engine和R技术对基座大模型进行二次训练和增强，结合数巅科技大量的工具和行业沉淀，拥有了高准确率和快速的性能，让基座大模型能够真正深入地应用到企业的日常业务中，让企业员工能够快速提升业务能力。
4. 数巅企业大模型从底层存储到上层应用的核心代码自研，解决了人工智能和大数据领域的基础软件核心难题，适配多家国产基座大模型，已完成多项国产化硬件兼容性测试，且支持私有化部署。
5. 当前，数巅企业大模型已经在金融、通讯和制造等多个行业成功落地，帮助中国电信、中国移动、浦发银行和天弘基金等企业成功实现了数据智能升级。
阅读原文
2. 文章围绕长文本能力、结构化和非结构化数据处理能力、理解能力、知识产权属性、部署环境等维度对市场上的主流大模型进行了分析，包括LLaMA3、GPT4、ChatGLM、通义、Yi、文心一言、混元大模型、百川大模型、火山方舟大模型、盘古大模型、Kimi等。< 3. 数巅企业大模型通过数据虚拟化引擎X-Engine和R技术对基座大模型进行二次训练和增强，结合数巅科技大量的工具和行业沉淀，拥有了高准确率和快速的性能，让基座大模型能够真正深入地应用到企业的日常业务中，让企业员工能够快速提升业务能力。
4. 数巅企业大模型从底层存储到上层应用的核心代码自研，解决了人工智能和大数据领域的基础软件核心难题，适配多家国产基座大模型，已完成多项国产化硬件兼容性测试，且支持私有化部署。
5. 当前，数巅企业大模型已经在金融、通讯和制造等多个行业成功落地，帮助中国电信、中国移动、浦发银行和天弘基金等企业成功实现了数据智能升级。
企业入局大模型第一关：如何选择适合自己的产品？
文章概要：
阅读原文10大国产AI大模型深度解析：哪个是你的不二之选？（上篇）
文章概要：
1. 文章介绍了中国十大AI模型的最新功能与特色，因篇幅限制，本文先选取了前五个进行解读，包括Kimi、文小言、通义千问、混元大模型、星火。
2. Kimi是由北京月之暗面科技有限公司开发的一款智能助手，最大特点之一是支持处理和理解长达0万字的文本，并且在2024年3月18日启动了200万字无损上下文内测。
3. 文心一言是百度全新一代知识增强大语言模型，能够与人对话互动、回答问题、协助创作，高效便捷地帮助人们获取信息、知识和灵感。
4. 通义千问是由阿里巴巴达摩院自主研发的超大规模语言模型，依托阿里云强大的算力支持，致力于在自然语言处理领域提供卓越的服务。
5. 腾讯混元大模型是由腾讯公司研发的大语言模型，基于Transformer神经网络架构，拥有万亿参数规模。该模型具备强大的中文创作能力、复杂语境下的逻辑推理能力，以及可靠的任务执行能力。
6.讯飞推出的星火认知大模型是一个先进的人工智能平台，具备跨领域知识和语言理解能力。
阅读原文
2. Kimi是由北京月之暗面科技有限公司开发的一款智能助手，最大特点之一是支持处理和理解长达0万字的文本，并且在2024年3月18日启动了200万字无损上下文内测。
3. 文心一言是百度全新一代知识增强大语言模型，能够与人对话互动、回答问题、协助创作，高效便捷地帮助人们获取信息、知识和灵感。
4. 通义千问是由阿里巴巴达摩院自主研发的超大规模语言模型，依托阿里云强大的算力支持，致力于在自然语言处理领域提供卓越的服务。
5. 腾讯混元大模型是由腾讯公司研发的大语言模型，基于Transformer神经网络架构，拥有万亿参数规模。该模型具备强大的中文创作能力、复杂语境下的逻辑推理能力，以及可靠的任务执行能力。
6.讯飞推出的星火认知大模型是一个先进的人工智能平台，具备跨领域知识和语言理解能力。
我的心得：利用人工智能（AI大模型）帮助学习，实现高效办公
文章概要：
1. 作者为了实现高效办公，自学Python但未能灵活运用。
2. 作者分享了利用AI帮助深入实践Python和加强工作的心得。
3. 作者推荐了几款国产AI大模型，并介绍了讯飞星火的使用方法。br>. 作者将星火当作搜索工具和学习导师，解决了工作中的问题。
阅读原文
2. 作者分享了利用AI帮助深入实践Python和加强工作的心得。
3. 作者推荐了几款国产AI大模型，并介绍了讯飞星火的使用方法。br>. 作者将星火当作搜索工具和学习导师，解决了工作中的问题。
中科大研究人员推出高效的“大模型卸载技术”，移除特定内容的同时还可保持性能
文章概要：
1. 中科大研究人员推出高效的“大模型卸载技术”，移除特定内容的同时还可保持性能。
2. 研究人员提出三个额外指标评估输出中的token多样性、句子语义和事实正确性。
3 研究人员将现有的卸载微调方法分为非针对性和针对性两类，并分别讨论了它们在实现过程中遇到的问题和挑战。
4. 研究人员提出通过最大化预测熵来指导卸载过程，使得模型在处理遗忘集时的行为更像是随机猜测，从而避免泄露任何敏感信息。
5. 研究人员提出答案保留损失，作为一种正则化，以减少模型对拒绝模板的依赖，同时保持对原始答案的概率，确保模型在卸载后的实用性。
6. 研究人员了三种不同的实验场景验证新方法的有效性，虚构卸载、持续卸载和现实世界卸载。
阅读原文
2. 研究人员提出三个额外指标评估输出中的token多样性、句子语义和事实正确性。
3 研究人员将现有的卸载微调方法分为非针对性和针对性两类，并分别讨论了它们在实现过程中遇到的问题和挑战。
4. 研究人员提出通过最大化预测熵来指导卸载过程，使得模型在处理遗忘集时的行为更像是随机猜测，从而避免泄露任何敏感信息。
5. 研究人员提出答案保留损失，作为一种正则化，以减少模型对拒绝模板的依赖，同时保持对原始答案的概率，确保模型在卸载后的实用性。
6. 研究人员了三种不同的实验场景验证新方法的有效性，虚构卸载、持续卸载和现实世界卸载。
大模型基础能力完备性测评体系发布
文章概要：
1. 大模型能力需要经过严格测评与验证，建立测试体系很有必要，科学测评将为大模型实际应用提供依据，推动其发展。
2 2024年9月4日，“2024大模型数字生态发展大会暨铸基计划年中”召开，大会发布了“大模型能力聚合平台网络”技术底座。
3. 中国信通构建了“大模型基础能力完备性”测评包括数据安全、性能评测、效率评测三个模块通过测评促进大模型的安全性、、与兼容性。
4. 中国信通院对首次入选高质量数字化转型产品及图2024上半年度）》大模型板块的0余家企业了测评，百度网讯企业的大模型率先通过测试。
5. 大模型基础能力完备性测评持续征集测评单位，企业将入驻大模型能力聚合为全提供高质量模型解决方案。
阅读原文
2 2024年9月4日，“2024大模型数字生态发展大会暨铸基计划年中”召开，大会发布了“大模型能力聚合平台网络”技术底座。
3. 中国信通构建了“大模型基础能力完备性”测评包括数据安全、性能评测、效率评测三个模块通过测评促进大模型的安全性、、与兼容性。
4. 中国信通院对首次入选高质量数字化转型产品及图2024上半年度）》大模型板块的0余家企业了测评，百度网讯企业的大模型率先通过测试。
5. 大模型基础能力完备性测评持续征集测评单位，企业将入驻大模型能力聚合为全提供高质量模型解决方案。
做风控，传统深度学习vs大模型，谁的收益更高？
文章概要：
1. 11月2Fun将举办「DataFunSummit2024：智能风控技术峰会」，设置「内容风控」，邀请腾讯音乐安全研发总监翔担任出品人携手四位专家结合实际案例分析内容风控的最新挑战和收益问题
2. 峰会共设5大热门论坛，邀请到蚂蚁集团资深技术专家岳立、eBay业务产品负责人范抒等20多位专家，分享智能风控的前沿技术思考和实践经验
3. 「智能风控体系」论坛旨在探讨智能技术在风控领域的应用，关注智能风控模型的构建、数据分析技术的应用，以及如何利用AI实现更精准的预测与预警
4. 「模型安全与价值观对齐」论坛希望聚焦模型安全确保决策合规且与企业价值观一致，防范潜在风险
5. 「金融反欺诈」论坛希望聚焦信贷、支付、交易和跨境业务等场景，邀请相关领域的分享最新的风控经验
6. 「电商黑灰产」论坛诚邀该领域的专家前来分享应对策略和最佳实践，帮助各企业提升安全防护能力，保护资产安全
阅读原文
2. 峰会共设5大热门论坛，邀请到蚂蚁集团资深技术专家岳立、eBay业务产品负责人范抒等20多位专家，分享智能风控的前沿技术思考和实践经验
3. 「智能风控体系」论坛旨在探讨智能技术在风控领域的应用，关注智能风控模型的构建、数据分析技术的应用，以及如何利用AI实现更精准的预测与预警
4. 「模型安全与价值观对齐」论坛希望聚焦模型安全确保决策合规且与企业价值观一致，防范潜在风险
5. 「金融反欺诈」论坛希望聚焦信贷、支付、交易和跨境业务等场景，邀请相关领域的分享最新的风控经验
6. 「电商黑灰产」论坛诚邀该领域的专家前来分享应对策略和最佳实践，帮助各企业提升安全防护能力，保护资产安全
工业大模型：体系架构、关键技术与典型应用
文章概要：
1. 本文从五个挑战问题的分析出发，提出了工业大模型的全新定义和体系架构，阐述了工业大模型核心关键技术。2. 本文探讨了面向产品全生命周期的工业大模型典型应用场景，并给出了”基石“工业大模型原型系统在生成式人工智能方面。3. 本文探讨和展望了工业大模型未来的研究方向和开放性问题。
阅读原文
大模型应用开发过程中主流架构模式——大模型+多个小模型
文章概要：
1. 在上一篇文章中讲到大模型的能力问题，虽然说经过这一两年的发展大模型的已经得到巨大的提升，甚至有些模型已经了意料。但大模型在工程化落地中面临着很多问题，比如说成本问题，技术问题，以及能力问题，大模型并不是万能的，模型虽然在某些方面表现较强，但并不是无所不能的。因此，通用大模型+多个垂直小模型的解决方案就
2. 大+多个小模型并不是从传统意义从技术角度理解的模型，从业务角度上的模型。这里的大模型指的是公司主要业务依赖的模型，多个垂直小模型也并不是说一定是体量小的模型，而是非主要业务的模型；可能是自己维护的小模型，也可能是调用第三方的模型服务。
3. 大模型+小模型的配置方式细分来说还有很多场景，比如业务模型+边缘业务模型再比如，一个功能强大的视频生成模型+多个不同风格的垂下小模型，大+小的方式来解决不同场景的问题，以及节约企业。br>4. 使用大模型+多个小模型的方案虽然能带来很多好处但同样也面临着很多。使用多个模型最大的问题就是要适配不同的，每个模型都有其不同的输入和输出，不同模型的能力不一足。我们要在兼容不同的基础之上，还要同时兼顾多种模型的复杂性和稳定性。总之，没有一成不变的架构，也没有完美无缺系统我们需要根据实际情况根本不同的业务场景，合适的，而不是想着靠一个架构解决所有问题。
阅读原文
2. 大+多个小模型并不是从传统意义从技术角度理解的模型，从业务角度上的模型。这里的大模型指的是公司主要业务依赖的模型，多个垂直小模型也并不是说一定是体量小的模型，而是非主要业务的模型；可能是自己维护的小模型，也可能是调用第三方的模型服务。
3. 大模型+小模型的配置方式细分来说还有很多场景，比如业务模型+边缘业务模型再比如，一个功能强大的视频生成模型+多个不同风格的垂下小模型，大+小的方式来解决不同场景的问题，以及节约企业。br>4. 使用大模型+多个小模型的方案虽然能带来很多好处但同样也面临着很多。使用多个模型最大的问题就是要适配不同的，每个模型都有其不同的输入和输出，不同模型的能力不一足。我们要在兼容不同的基础之上，还要同时兼顾多种模型的复杂性和稳定性。总之，没有一成不变的架构，也没有完美无缺系统我们需要根据实际情况根本不同的业务场景，合适的，而不是想着靠一个架构解决所有问题。
浅议工业大模型
文章概要：
1. 工业大模型赋能工业应用产生产业新，是制造业数字化转型的重要载体，当下主要有两条技术路线；
2. 工业大模型主要分为通用、行业、场景三类；
. 工业技术架构主要包括数据、、模型、应用四层；<>4. 工业大模型典型应用包括化研发、精准化生产、智辅化管理、增值化服务、智能化设备；
5. 工业大模型产业态势包括数据资产化、算力一体化、模型融合化、应用高级化、生态网络化；
6. 通用大模型无法直接用于复杂的工业问题，亟需开展全新的工业大模型基础理论和关键技术研究；
7. 工业大模型面向工业应用的需求，其独特架构和训练方法的支持下，形成包括智能问答、场景认知、过程决策、终端控制、内容生成和科学发现；
8. 工业大的应包括工业数据制备，工业基座模型训练，工业任务/行业模型适配，工业场景交互应用4个阶段。
阅读原文
2. 工业大模型主要分为通用、行业、场景三类；
. 工业技术架构主要包括数据、、模型、应用四层；<>4. 工业大模型典型应用包括化研发、精准化生产、智辅化管理、增值化服务、智能化设备；
5. 工业大模型产业态势包括数据资产化、算力一体化、模型融合化、应用高级化、生态网络化；
6. 通用大模型无法直接用于复杂的工业问题，亟需开展全新的工业大模型基础理论和关键技术研究；
7. 工业大模型面向工业应用的需求，其独特架构和训练方法的支持下，形成包括智能问答、场景认知、过程决策、终端控制、内容生成和科学发现；
8. 工业大的应包括工业数据制备，工业基座模型训练，工业任务/行业模型适配，工业场景交互应用4个阶段。
张钹院士：从大语言模型到通用人工智能的
文章概要：
1. 张钹院士主要讲了三个问题，分别是如何从大语言模型走向通用人工智能，大模型的发展对产业和职业的影响，以及对人工智能产业的思考。
2. 张钹院士介绍了人工智能的发展历程，以及目前存在的问题和挑战。
3. 张钹院士认为，人工智能的发展需要建立可解释与鲁棒的AI理论与方法，推动AI的创新应用与产业化，充分发挥知识、数据、算法、算力的作用。
4. 张钹院士强调，大语言模型为实现真正的人工通用智能提供了可能性，但距离最终目标还有一定差距。
阅读原文
2. 张钹院士介绍了人工智能的发展历程，以及目前存在的问题和挑战。
3. 张钹院士认为，人工智能的发展需要建立可解释与鲁棒的AI理论与方法，推动AI的创新应用与产业化，充分发挥知识、数据、算法、算力的作用。
4. 张钹院士强调，大语言模型为实现真正的人工通用智能提供了可能性，但距离最终目标还有一定差距。
又一本开源免费的大模型书来了，449页pdf！
文章概要：
1. 《自然语言处理：大模型实践》（预览版）一书以自然语言处理中语言模型为主线，涵盖了从基础理论到高级应用的全方位内容。
2. 作者将该资源上传至网盘，读者长按识别下方二维码，添加时备注：（资源编码），即可获得网盘下载地址。
3.50大佬的大模型实战系列课，699，现在0元。
4. 919-21日，华为全联接大会2024在上海举行，恩辅导行业中受邀参会的公司，沃恩也在会上的沃研Turbo大模型。
5给大家申请到特别的福利——沃的沃研Turbo免费使用，直接扫码，获取限时免费福利！
阅读原文
2. 作者将该资源上传至网盘，读者长按识别下方二维码，添加时备注：（资源编码），即可获得网盘下载地址。
3.50大佬的大模型实战系列课，699，现在0元。
4. 919-21日，华为全联接大会2024在上海举行，恩辅导行业中受邀参会的公司，沃恩也在会上的沃研Turbo大模型。
5给大家申请到特别的福利——沃的沃研Turbo免费使用，直接扫码，获取限时免费福利！
一句废话就把OpenAI o1干崩了？大模型的推理能力还真挺脆弱的。
文章概要：
1. OpenAI悄悄发布了o1，o1的推理能力是有目共睹的。
2. 苹果的一篇LLM的研究论文表明，多加一两句无关紧要的和目标无关的话，别说奥赛题了，可能模型连小学数学题都做不对了。
3. 论文想研究的一个核心问题是：这些模型是否真正具备逻辑推理能力？尤其是在数学推理任务中。
4. 论文围绕GSM8K数据集展开诸多的实验，做了自己的扩展。其中最有趣的，当属通过魔改GSM8K，来向小学数学问题添加一些无关紧要的一个信息，来测试模型的推理成功率。
5. 作者通过测试发现，大模型推理的成功率，直接大幅下降。
6. 作者还随手的case，会发现模型们也磕磕绊绊，时不时就出错。
7. 作者认为，现在的AI，并不是在真正的推理，而是试图复制在训练数据中所观察到的推理步骤。
8. 论文中还有一些其他比较重要的结论：随着问题难度的提升，如增加更多句子，模型的表现迅速下降；有时候改变数值也会导致推理结论变化，比如把每袋大米改为60元；改变名词也会导致结论变化，比如把小明改为小红。
9. 以上种种都表明，这些大语言模型在推理复杂问题时非常脆弱。
10到底会不会。也许，他们会。但却是以我们尚未识别或无法控制的方式。那时，新的神。就诞生了。
阅读原文
2. 苹果的一篇LLM的研究论文表明，多加一两句无关紧要的和目标无关的话，别说奥赛题了，可能模型连小学数学题都做不对了。
3. 论文想研究的一个核心问题是：这些模型是否真正具备逻辑推理能力？尤其是在数学推理任务中。
4. 论文围绕GSM8K数据集展开诸多的实验，做了自己的扩展。其中最有趣的，当属通过魔改GSM8K，来向小学数学问题添加一些无关紧要的一个信息，来测试模型的推理成功率。
5. 作者通过测试发现，大模型推理的成功率，直接大幅下降。
6. 作者还随手的case，会发现模型们也磕磕绊绊，时不时就出错。
7. 作者认为，现在的AI，并不是在真正的推理，而是试图复制在训练数据中所观察到的推理步骤。
8. 论文中还有一些其他比较重要的结论：随着问题难度的提升，如增加更多句子，模型的表现迅速下降；有时候改变数值也会导致推理结论变化，比如把每袋大米改为60元；改变名词也会导致结论变化，比如把小明改为小红。
9. 以上种种都表明，这些大语言模型在推理复杂问题时非常脆弱。
10到底会不会。也许，他们会。但却是以我们尚未识别或无法控制的方式。那时，新的神。就诞生了。
一句废话就把OpenAI o1干崩了？大模型的推理能力还真挺脆弱的。
文章概要：
1. OpenAI悄悄发布了o1，其推理能力有目共睹，作者用很难的测试样例试验，o1答对了姜萍奥赛的数学题。
2. 苹果发布的一篇LLM研究论文表明，多加一两句无关紧要的和目标无关的话，模型可能连小学数学题都做不对。
3. 论文想研究的核心问题是模型是否真正具备逻辑推理能力，尤其是在数学推理任务中。
4. 主流的评估方式是通过设计一系列逻辑推理任务，包括但不限于数学问题、逻辑谜题、推理判断等，然后让模型尝试解决这些任务。
5. 论文围绕GSM8K数据集展开诸多实验，其中最有趣的是通过魔改GSM8K，来向小学数学问题添加一些无关紧要的信息来测试模型的推理成功率。
6. 作者测试了几个题目，发现模型们也磕磕绊绊，时不时就出错。
7. 苹果的论文中，也有类似的描述：随着问题难度的提升，如增加更多句子，模型的表现迅速下降。
8. 有时候改变数值也会导致推理结论变化，比如把每袋大米改为60元。
9. 改变名词也会导致结论变化，比如把小明改为小红。
10. 以上种种都表明，这些大语言推理复杂问题时非常脆弱。
阅读原文
2. 苹果发布的一篇LLM研究论文表明，多加一两句无关紧要的和目标无关的话，模型可能连小学数学题都做不对。
3. 论文想研究的核心问题是模型是否真正具备逻辑推理能力，尤其是在数学推理任务中。
4. 主流的评估方式是通过设计一系列逻辑推理任务，包括但不限于数学问题、逻辑谜题、推理判断等，然后让模型尝试解决这些任务。
5. 论文围绕GSM8K数据集展开诸多实验，其中最有趣的是通过魔改GSM8K，来向小学数学问题添加一些无关紧要的信息来测试模型的推理成功率。
6. 作者测试了几个题目，发现模型们也磕磕绊绊，时不时就出错。
7. 苹果的论文中，也有类似的描述：随着问题难度的提升，如增加更多句子，模型的表现迅速下降。
8. 有时候改变数值也会导致推理结论变化，比如把每袋大米改为60元。
9. 改变名词也会导致结论变化，比如把小明改为小红。
10. 以上种种都表明，这些大语言推理复杂问题时非常脆弱。
苹果发文质疑：大语言模型根本无法进行逻辑推理
文章概要：
1. 苹果的Iman Mirzadeh及其研究团队提出了一个名为GSM基准，针对多个开源源模型进行了大规模评估，结果当问题中的数值或名字变化时，模型的会表现出显著的波动
2. 研究团队认为，这种表现下降是因为当前的大语言模型缺乏真正的逻辑推理能力，更多是在基于训练数据中的模式进行匹配像人类一样进行符号和逻辑推导
3. 研究团队从5个为何他们认为大语言模型不具备形式推理>4. 研究人员表示，总体而言，这项研究没有发现大语言模型正式的推理能力，无论是开源模型，还是源模型
5. 随着大语言模型在各类应用场景中被采用，如何确保它们能够处理更复杂、更多样化的问题，已成为AI研究领域面临的一个重大
阅读原文
2. 研究团队认为，这种表现下降是因为当前的大语言模型缺乏真正的逻辑推理能力，更多是在基于训练数据中的模式进行匹配像人类一样进行符号和逻辑推导
3. 研究团队从5个为何他们认为大语言模型不具备形式推理>4. 研究人员表示，总体而言，这项研究没有发现大语言模型正式的推理能力，无论是开源模型，还是源模型
5. 随着大语言模型在各类应用场景中被采用，如何确保它们能够处理更复杂、更多样化的问题，已成为AI研究领域面临的一个重大
大模型带来内啡肽，不带来多巴胺
文章概要：
1. 大模型可以给人带来，幸福来自于大脑的内啡肽，是克服困难的喜悦，而不是犬马的刺激，也就是大脑的多巴胺
2 内啡肽是一种使人产生愉悦和满足感的神经递质，通常是在克服挑战、解决问题或完成一项复杂任务之后产生
3. 多巴胺则是与即时愉悦和感官刺激有关的神经，它享受美食、观看精彩电影或体验某些刺激活动时分泌，使人产生快速、强烈的快感
4. 大模型在提供内啡肽式愉悦的能力，提醒我们在设计和创新时要注重其帮助用户解决问题、增强学习和探索动机的特性
5. 对于那些寻求深度满足感、希望在探索中获得成就的人来说，大模型无疑是一种强大而有力的工具
6. 对于那些追求即时快感和情感刺激的领域，自身的与仍然不可替代的
阅读原文
2 内啡肽是一种使人产生愉悦和满足感的神经递质，通常是在克服挑战、解决问题或完成一项复杂任务之后产生
3. 多巴胺则是与即时愉悦和感官刺激有关的神经，它享受美食、观看精彩电影或体验某些刺激活动时分泌，使人产生快速、强烈的快感
4. 大模型在提供内啡肽式愉悦的能力，提醒我们在设计和创新时要注重其帮助用户解决问题、增强学习和探索动机的特性
5. 对于那些寻求深度满足感、希望在探索中获得成就的人来说，大模型无疑是一种强大而有力的工具
6. 对于那些追求即时快感和情感刺激的领域，自身的与仍然不可替代的
京东大模型革命电商搜推技术：挑战、实践与未来趋势
文章概要：
1. 电商行业的发展和技术演进
2. 大模型电商场景下的问题
3. 电商大模型关键技术
4. 电商搜索场景下大模型应用实践
5. 下一代 AI 电商搜索
阅读原文
2. 大模型电商场景下的问题
3. 电商大模型关键技术
4. 电商搜索场景下大模型应用实践
5. 下一代 AI 电商搜索
大模型技术：能源安全与绿色转型的未来丨湖南智库·生态与环境研究所
文章概要：
1. 全球视野：多重危机下的能源安全挑战
2. 大模型技术：前所未有的变革机会
3. 前沿探索：能源革新中的可能与挑战
阅读原文
2. 大模型技术：前所未有的变革机会
3. 前沿探索：能源革新中的可能与挑战
人工智能大模型在教学中的万向应用
文章概要：
1. 人工智能大在教学中的万向应用
2. 高教国培
3. 2024105日 0:49 北京
4. 微信扫一扫 关注该公众号> 5.滑动看下一个
6. 高教国培
7. 向上滑动一个，选择留言身份
阅读原文
2. 高教国培
3. 2024105日 0:49 北京
4. 微信扫一扫 关注该公众号> 5.滑动看下一个
6. 高教国培
7. 向上滑动一个，选择留言身份
搞懂这些AI大模型名词，你也能轻松入门！
文章概要：
1. 介绍了LlamaIndex、Llama、Ollama、Anthropic、Hugging Face、Flask、LangChain等大模型领域重要的名词，以及它们的作用和关联性
2. 对比了LlamaIndex与LangChain、Ollama与Hugging Face、Flask与LangChainLlama与Claude（Anthropic模型）、Hugging Face与大模型（GPT，Qwen等）等两两容易混淆的名词
3. 表达了大模型开发的未来应保持开放的心态，通过不断解决实际问题，真正在未来时代握紧属于自己的一张船票的观点
阅读原文
2. 对比了LlamaIndex与LangChain、Ollama与Hugging Face、Flask与LangChainLlama与Claude（Anthropic模型）、Hugging Face与大模型（GPT，Qwen等）等两两容易混淆的名词
3. 表达了大模型开发的未来应保持开放的心态，通过不断解决实际问题，真正在未来时代握紧属于自己的一张船票的观点
【带链接】Chat、Kimi、蓝心、盘古、文心一言等24个AI大模型功能比较，哪些最适合您？
文章概要：
1. 对Chat、Kimi、蓝心、盘古、文心一言等4个AI大模型功能比较，探讨哪些最适合用户。
2. 介绍了高考物理疑难问题专题突破训练营、教师如何解锁青春期学生的行为密码直播课、橘园洲高中生物社群正式开放、征集副主编和若干编委著书入编《中学生物学课题论文探究与范文精粹》、生物学教育课题研究与论文写作高级研修班精华直播课、204年高考试卷评析及25年高考备考免费直播活动。
阅读原文
2. 介绍了高考物理疑难问题专题突破训练营、教师如何解锁青春期学生的行为密码直播课、橘园洲高中生物社群正式开放、征集副主编和若干编委著书入编《中学生物学课题论文探究与范文精粹》、生物学教育课题研究与论文写作高级研修班精华直播课、204年高考试卷评析及25年高考备考免费直播活动。
【中国存储大会】论坛系列介绍 | 大模型存储技术
文章概要：
1. 中国计算机学会中国存储大会（CCF ChinaStorage）是我国一年一度信息存储与计算领域学术界和产业界联合举办的大型年度盛会。本次大会以“存力、算力、智力”为主题，将于2024年11月29日-12月1日在广东省广州市长隆国际会展中心召开。大会将组织32个主题论坛，汇集存储技术领域的知名学者和业界专家，搭建最广阔深入的产学研交流平台。
2. 本期带来《大模型存储技术》论坛介绍，该论坛围绕大模型存储系统展开讨论，探索新型大模型应用模式、新型存算架构以及面向大模型的存储优化方案等多个技术领域的趋势和最新进展，提供学术和技术交流平台，促进交叉合作，联合创新。论坛邀请近年来具有代表性成果的杰出学者和头部企业技术负责人进行分享，共同促进大模型存储系统领域的发展和进步。
3. 论坛为何水兵（浙江大学）和阮若夷（蚂蚁集团）。
4. 论坛讲者及报告：舒继武（清华大学），报告题目为面向大模型计算的高效存储技术；吴非（华中科技大学），报告题目为AquaPipe：如何采用动态细粒度流水大幅提高LLM性能？；曾令仿（之江实验室，报告题目为文件系统的演变：从百花齐放到“统一”；刘键（蚂蚁集团），报告题目为蚂蚁大模型存储实践；程力（腾讯云），报告题目为腾讯云AIGC大模型训练存储加速。
阅读原文
2. 本期带来《大模型存储技术》论坛介绍，该论坛围绕大模型存储系统展开讨论，探索新型大模型应用模式、新型存算架构以及面向大模型的存储优化方案等多个技术领域的趋势和最新进展，提供学术和技术交流平台，促进交叉合作，联合创新。论坛邀请近年来具有代表性成果的杰出学者和头部企业技术负责人进行分享，共同促进大模型存储系统领域的发展和进步。
3. 论坛为何水兵（浙江大学）和阮若夷（蚂蚁集团）。
4. 论坛讲者及报告：舒继武（清华大学），报告题目为面向大模型计算的高效存储技术；吴非（华中科技大学），报告题目为AquaPipe：如何采用动态细粒度流水大幅提高LLM性能？；曾令仿（之江实验室，报告题目为文件系统的演变：从百花齐放到“统一”；刘键（蚂蚁集团），报告题目为蚂蚁大模型存储实践；程力（腾讯云），报告题目为腾讯云AIGC大模型训练存储加速。
最新直播回放＋PPT|赵春江院士：农业大模型与知识服务平台
文章概要：
1. 近日，CAAI副理事长、中国工程院院士、国家农业信息化工程技术研究中心主任赵春江作《农业大模型与知识服务平台主旨报告，探讨如何利用大规模预训练模型处理农业领域的复杂问题，为农业生产提供精准决策支持，农业生产效率和可持续性
2. 同时还将分享知识服务平台的建设情况，促进农业知识的共享与应用，加速农业科技成果转化，为智慧农业的发展提供了的思路与实践指导
3. 来源：本文转自农业科技侠数字与智慧农业微信公众号
4. 编辑：刘刚
5. 来源：机器人研究
阅读原文
2. 同时还将分享知识服务平台的建设情况，促进农业知识的共享与应用，加速农业科技成果转化，为智慧农业的发展提供了的思路与实践指导
3. 来源：本文转自农业科技侠数字与智慧农业微信公众号
4. 编辑：刘刚
5. 来源：机器人研究
多模态大模型，开源！
文章概要：
1. 多模态大模型开源，框架在概念上很简单：利用双视觉编码器提供低分辨率视觉嵌入和高分辨率候选；提出补丁信息挖掘以在高分辨率和低分辨率视觉查询之间进行补丁级挖掘；利用LLM将文本与图像结合，同时进行理解和生成。br>2. MGM（多模态大模型Multi-modal Generative Model）是一个强大的模型框架，它结合了多种模态（如文本、图像、音频等）的进行生成和推理任务。
3. 多模态大模型的应用场景非常广泛，它们通过文本、图像、音频等多种类型的数据，提供了更加全面和深入的理解能力，从而在各种领域中都出了巨大的潜力。以下是主要的应用领域：搜索系统、医疗领域、教育领域、助手、交互、智能安防、智能交通。
阅读原文
3. 多模态大模型的应用场景非常广泛，它们通过文本、图像、音频等多种类型的数据，提供了更加全面和深入的理解能力，从而在各种领域中都出了巨大的潜力。以下是主要的应用领域：搜索系统、医疗领域、教育领域、助手、交互、智能安防、智能交通。
中央党校《学习时报》刊发实验室负责人熊德意教授文章：《认识大模型》
文章概要：
1. 2024年10月9日，中央党校《学习时报》刊发天津大学自然语言处理实验室负责人德意教授文章《认识大模型》。
2. 文章介绍了大模型的诞生、发展与应用，其在信息交互上的创新尤为显著，引入了长上下文窗口、检索增强及智能体等机制，极大增强了信息处理能力。
3. 文章指出大模型背后有三项关键技术，包括神经网络架构Transformer、基于自监督学习的预训练技术及扩展法则、后训练阶段的精调和对齐技术。
4. 文章认为大模型的突破点与创新方向包括模型架构、预训练与后训练，以及类人推理能力、AI合成数据能力与模型的自我迭代能力、自我发现和创新能力、可扩展的监督。
5. 文章介绍了我国大模型技术的进展情况与发展路径，我国在大模型技术方面初期存在一定滞后，但近一年来发展迅速，不仅在研究领域取得了显著成果，还在产业应用上展现出了强劲实力。
阅读原文
2. 文章介绍了大模型的诞生、发展与应用，其在信息交互上的创新尤为显著，引入了长上下文窗口、检索增强及智能体等机制，极大增强了信息处理能力。
3. 文章指出大模型背后有三项关键技术，包括神经网络架构Transformer、基于自监督学习的预训练技术及扩展法则、后训练阶段的精调和对齐技术。
4. 文章认为大模型的突破点与创新方向包括模型架构、预训练与后训练，以及类人推理能力、AI合成数据能力与模型的自我迭代能力、自我发现和创新能力、可扩展的监督。
5. 文章介绍了我国大模型技术的进展情况与发展路径，我国在大模型技术方面初期存在一定滞后，但近一年来发展迅速，不仅在研究领域取得了显著成果，还在产业应用上展现出了强劲实力。
中央党校《学习时报》刊发实验室负责人熊德意教授文章：《认识大模型》
文章概要：
1. 202年10月9日，中共中央党校（国家行政学院）《学习时报》刊发天津大学自然语言处理实验室负责人熊德意教授文章： 《认识大模型》。
2. 文章指出大模型正引领着一场深刻的技术变革，其影响力已超越技术范畴，预示着人工智能、科学探索乃至人类社会的全面重塑。
3. 文章介绍了大模型的诞生、发展与应用，包括其前身是历经数十年研究的语言模型，广泛应用于机器翻译、语音识别等领域。
4. 文章指出大模型作为新兴而迅速发展的技术，已跨越至多模态领域，涵盖语言、语音、视觉等，并细化为通用、行业及任务特定模型，其在信息交互上的创新尤为显著，引入了长上下文窗口、检索增强及智能体等机制，极大增强了信息处理能力。
5. 文章介绍了大模型背后的关键技术，包括大模型底层的神经网络架构Transformer、基于自监督学习的预训练技术及扩展法则、后训练阶段的精调和对齐技术。
6. 文章指出大模型的突破点与创新方向，包括模型架构、预训练与后训练，以及类人推理能力、AI合成数据能力与模型的自我迭代能力、自我发现和创新能力、可扩展的监督。
7. 文章介绍了我国大模型技术的进展情况与发展，包括我国在大模型技术方面初期存在一定滞后，但近一年来发展迅速，不仅在研究领域取得了显著成果，还在产业应用上展现出了强劲实力。
阅读原文
2. 文章指出大模型正引领着一场深刻的技术变革，其影响力已超越技术范畴，预示着人工智能、科学探索乃至人类社会的全面重塑。
3. 文章介绍了大模型的诞生、发展与应用，包括其前身是历经数十年研究的语言模型，广泛应用于机器翻译、语音识别等领域。
4. 文章指出大模型作为新兴而迅速发展的技术，已跨越至多模态领域，涵盖语言、语音、视觉等，并细化为通用、行业及任务特定模型，其在信息交互上的创新尤为显著，引入了长上下文窗口、检索增强及智能体等机制，极大增强了信息处理能力。
5. 文章介绍了大模型背后的关键技术，包括大模型底层的神经网络架构Transformer、基于自监督学习的预训练技术及扩展法则、后训练阶段的精调和对齐技术。
6. 文章指出大模型的突破点与创新方向，包括模型架构、预训练与后训练，以及类人推理能力、AI合成数据能力与模型的自我迭代能力、自我发现和创新能力、可扩展的监督。
7. 文章介绍了我国大模型技术的进展情况与发展，包括我国在大模型技术方面初期存在一定滞后，但近一年来发展迅速，不仅在研究领域取得了显著成果，还在产业应用上展现出了强劲实力。
大模型的基本功怎么练？
文章概要：
1. 推荐几个大模型的练手程序，包括trans_XX_to_llama.py、modeling_XX.py、multi_infer.py和Channel Loss等。
2. 这些程序可以帮助理解每个开源模型的独特之处，实现快速微调操作，提高推理速度，以及观察不同数据源的loss曲线。
3. 文章还提到了一些进阶篇的内容，如trans_llama_to_megatron.py、的ing文件加入有趣的东西来助力日常的debug、实现多机的并行推理、使用更快的推理框架、在megatron中实现channel_loss等。
阅读原文
2. 这些程序可以帮助理解每个开源模型的独特之处，实现快速微调操作，提高推理速度，以及观察不同数据源的loss曲线。
3. 文章还提到了一些进阶篇的内容，如trans_llama_to_megatron.py、的ing文件加入有趣的东西来助力日常的debug、实现多机的并行推理、使用更快的推理框架、在megatron中实现channel_loss等。