【视频】DI-Talks之腾讯混元大模型在物流领域的创新运用
文章概要:
1 该视频是DI-Talks系列,主题为腾讯混元大物流领域的创新运用
2. 视频发布者为新创融媒,发布时间为2024年125日
. 视频来源为洞隐科技,新创融媒尊重与保护知识产权
阅读原文
2. 视频发布者为新创融媒,发布时间为2024年125日
. 视频来源为洞隐科技,新创融媒尊重与保护知识产权
腾讯终于出手开发出来了,macOS端已上线
文章概要:
1. 腾讯基于混元大模型的.copilot智能工作台,涵盖搜索、知识库管理和智能写作等功能,实用且免费,值得尝试
2. 该产品目前没有网页端,直接就是,用户可在官网下载macOS端
3. 搜索功能基本搜索的结果都是基于腾讯旗下的产品,如微信公众号、腾讯新闻,算不上全网搜索
4. 知识库的功能可以将用户感兴趣的优质内容整合到个人知识库,实现知识的获取和管理,非常方便
5.功能和智能写作内含论文、、文案等模板,支持内容扩写、缩写和翻译等操作,用户可将AI回答和原文内容添加到笔记中,方便后续编辑和深度解读
阅读原文
2. 该产品目前没有网页端,直接就是,用户可在官网下载macOS端
3. 搜索功能基本搜索的结果都是基于腾讯旗下的产品,如微信公众号、腾讯新闻,算不上全网搜索
4. 知识库的功能可以将用户感兴趣的优质内容整合到个人知识库,实现知识的获取和管理,非常方便
5.功能和智能写作内含论文、、文案等模板,支持内容扩写、缩写和翻译等操作,用户可将AI回答和原文内容添加到笔记中,方便后续编辑和深度解读
腾讯投资走向窄门:左手AI,右手医疗
文章概要:
1. 腾讯投资的转折发生在2021年,由于互联网行业发生结构性转折,腾讯投资开始全线收缩,投资业务方面,截至2024年11月15日,腾讯投资共计投资16起,相比于2023年的投资总量下降近六成。
2. 近几年,腾讯投资已“调仓换道”,投的项目越来越“硬”,主要集中在AI和医疗赛道。腾讯对AI的重视,已经贯彻到公司的产品和技术布局中,明确腾讯云2024年的重点发展路径,将人工智能与大语言模型作为核心方向,致力于将腾讯的AI大模型深度融入各类场景,实现与具体场景的紧密结合。
3. 腾讯在医疗领域的野心,从来不小,截至目前,腾讯在医疗健康领域已累计投资将近90多个项目,投资总额超过千亿元。腾讯在医药医疗领域投资的底层逻辑,是凭借其数字化及互联网等技术优势,构建病理数据库,为数字化医疗创造实践机会,同时汇聚优秀的研发与营销团队,实现与自身知识库及产品管线的协同发展。
阅读原文
2. 近几年,腾讯投资已“调仓换道”,投的项目越来越“硬”,主要集中在AI和医疗赛道。腾讯对AI的重视,已经贯彻到公司的产品和技术布局中,明确腾讯云2024年的重点发展路径,将人工智能与大语言模型作为核心方向,致力于将腾讯的AI大模型深度融入各类场景,实现与具体场景的紧密结合。
3. 腾讯在医疗领域的野心,从来不小,截至目前,腾讯在医疗健康领域已累计投资将近90多个项目,投资总额超过千亿元。腾讯在医药医疗领域投资的底层逻辑,是凭借其数字化及互联网等技术优势,构建病理数据库,为数字化医疗创造实践机会,同时汇聚优秀的研发与营销团队,实现与自身知识库及产品管线的协同发展。
基于腾讯混元大模型,业务落地实践汇总!
文章概要:
1 腾讯大语言模型应用场景:腾讯大模型技术应用覆盖微信生态、社交内容、视频新闻、办公文档、游戏等多个业务场景,包括内容生成、内容理解、智能客服、开发Copilot和角色扮演核心业务场景。主要使用SFT、RAG和Agent三种技术方式,并通过混元大模型平台提供一整套从基础模型管理到复杂应用开发的支持体系。
2. RAG技术原理及优化实践:RAG技术通过结合检索与生成机制,为模型注入动态更新的外部知识,显著提高模型在复杂场景中的回答准确性与知识实时性。面临的挑战包括文档解析、切分、离线知识扩充、索引召回、知识生成等。
3. GraphRAG在角色扮演场景中的应用:GraphRAG技术通过知识图谱的构建和使用,实现了从知识提取到推理生成的全链路优化,解决了RAG在角色扮演场景中缺乏全局信息、上下文关联和幻觉问题等局限性。
4. Agent技术原理和应用:Agent技术结合了推理和行动,模型在执行任务前进行推理,并根据推理结果执行相应的行动。在混元中的实现包括角色定义、流程和应用案例。
5. 问答环节:回答了关于生成chunk后embedding的处理方式、中文语义切的具体方法、问答系统的评估、模型进行SFT的判断标准、SFT对模型在特定文本风格上的表现的影响、调后的SFT模型是否适用于通用的Agent LLM以及翻译后的SFT模型是否会影响其PR等问题。
阅读原文
2. RAG技术原理及优化实践:RAG技术通过结合检索与生成机制,为模型注入动态更新的外部知识,显著提高模型在复杂场景中的回答准确性与知识实时性。面临的挑战包括文档解析、切分、离线知识扩充、索引召回、知识生成等。
3. GraphRAG在角色扮演场景中的应用:GraphRAG技术通过知识图谱的构建和使用,实现了从知识提取到推理生成的全链路优化,解决了RAG在角色扮演场景中缺乏全局信息、上下文关联和幻觉问题等局限性。
4. Agent技术原理和应用:Agent技术结合了推理和行动,模型在执行任务前进行推理,并根据推理结果执行相应的行动。在混元中的实现包括角色定义、流程和应用案例。
5. 问答环节:回答了关于生成chunk后embedding的处理方式、中文语义切的具体方法、问答系统的评估、模型进行SFT的判断标准、SFT对模型在特定文本风格上的表现的影响、调后的SFT模型是否适用于通用的Agent LLM以及翻译后的SFT模型是否会影响其PR等问题。