大語言模型
含有「大語言模型」共 49 篇內容
全部內容
發佈日期由新至舊
檢索增強生成（Retrieval-Augmented Generation, RAG）是一種方法，可為您公司的私有資料提供客製化的 ChatGPT，使您更容易找到並使用所需的知識。它可以幫助您快速有效地與大量資訊互動。
最近各組織正急於整合大型語言模型（LLMs）以改善其線上用戶體驗。這使它們面臨網路LLM攻擊的風險，這些攻擊嘗試取得不允許存取的資料、API或阻擋使用者。
本文介紹一個研究其提出一種透過接收人類回饋來提高文字生成圖像品質的方法。眾所周知，人類回饋有助於提升文字到圖像生成模型的性能，但傳統方法首先需要學習一個獎勵函數（reward function）來擷取和表達人類的期望，然後根據該獎勵函數改進模型。
在這篇文章中，我們將使用OpenAI的GPT-4模型來構建一個進階的RAG系統。透過利用GPT-4的強大能力，我們可以生成更為精確的回答。
檢索增強生成（RAG）在檢索特定資訊時有效，但不適合回答整個語料庫的全域問題。這是因為全域問題需要關注查詢焦點摘要（QFS）而非明確的資訊檢索。
RAG（Retrieval-Augmented Generation，檢索增強生成）是一種提高生成式AI回答精確度的方法，本文簡要總結了RAG的相關內容。
ChatGPT的推出大大加速了大型語言模型在真實世界中的應用。然而，對抗性攻擊或越獄提示可能會觸發模型輸出一些非預期的內容，這些內容很有可能會對用戶造成傷害。
一個好的機器學習模型通常需要大量樣本進行訓練。相比之下，人類學習新概念和技能要快得多，也更有效率。例如:小孩子只需見過幾次貓和鳥就能很快分辨它們。會騎自行車的人很可能在很少甚至沒有示範的情況下就能發現騎摩托車的方法。這樣的生活經驗讓大家想到是否有可能設計一個具有類似特性的機器學習模型: 元學習
大型transformer模型已成為最近的主流，在處理各種不同的任務上都獲得了很好的結果。大型transformer功能強大，但在計算效能和記憶體方面都有極高的要求，這也造成使用transformer大規模解決真實世界任務時的一個大瓶頸。本文嘗試介紹一些最佳化方法來突破這些瓶頸。
前言
許多年前已經有許多研究使用影像處理方法來生成文字，如圖像描述和視覺問答。傳統上，這類系統依賴於物體檢測網絡作為視覺編碼器來捕捉視覺特徵，然後通過文字解碼器生成文字。鑑於大量現有文獻。這篇文章會專注於解決視覺任務的一種方法，即擴展預訓練的通用語言模型，使其能夠處理視覺信號。本文大致將這些視覺語