解释一下大语言模型的幻觉

AI 智能体是指类似于 AI 机器人小助手的存在。简单理解，参照移动互联网，它类似 APP 应用的概念。AI 大模型是技术，而面向用户提供服务的产品形式就是智能体，所以很多公司关注 AI 应用层的产品机会。 在 C 端，比如社交方向，用户注册后先创建自己的智能体，然后让其与他人的智能体聊天，聊到一起后真人再介入，这是一种有趣的场景；还有借 Onlyfans 入局打造个性化聊天的创业公司。在 B 端，如果字节扣子和腾讯元器是面向普通人的低代码平台，类似 APP 时代的个人开发者，那还有帮助 B 端商家搭建智能体的机会，类似 APP 时代专业做 APP 的。 目前有不少大厂推出自己的 AI 智能体平台，如字节的扣子、阿里的魔搭社区等。AI 智能体拥有各项能力，能帮我们做特定的事情。它包含了自己的知识库、工作流，还可以调用外部工具，再结合大模型的自然语言理解能力，就可以完成比较复杂的工作。AI 智能体的出现是为了解决像 GPT 或者文心一言大模型存在的胡编乱造、时效性、无法满足个性化需求等问题，结合自身业务场景和需求，定制出适合自己的智能体来解决问题。 例如，扣子（Coze）是字节跳动旗下的新一代一站式 AI Bot 开发平台，无论用户是否具备编程基础，都能在该平台上迅速构建基于 AI 模型的各类问答 Bot，开发完成后还可将其发布到各种社交平台和通讯软件上供用户交互聊天。创建智能体通常包括起名称、写介绍、使用 AI 创建头像等简单步骤。

AI 即人工智能，是一个广泛的概念，旨在让计算机模拟人类智能。 机器学习是人工智能的一个重要分支。它指的是计算机通过寻找数据中的规律进行学习，包括监督学习、无监督学习和强化学习等方式。 监督学习使用有标签的训练数据，目标是学习输入和输出之间的映射关系，包括分类和回归任务。 无监督学习处理的数据没有标签，算法自主发现规律，经典任务如聚类。 强化学习则是从反馈中学习，以最大化奖励或最小化损失，类似于训练小狗。 深度学习是一种参照人脑神经网络和神经元的方法，由于具有很多层所以称为深度。神经网络可用于监督学习、无监督学习和强化学习。 生成式 AI 能够生成文本、图片、音频、视频等内容形式。 LLM 是大语言模型，对于生成式 AI ，生成图像的扩散模型不属于大语言模型；对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型可用于语义理解，像上下文理解、情感分析、文本分类等，但不擅长文本生成。 2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它基于自注意力机制处理序列数据，比 RNN 更适合处理文本的长距离依赖性。

Transformer 的工作流程如下： 1. 输入嵌入（Input Embeddings）：将每个单词映射为一个向量，例如将“ I ”映射为一个 512 维的向量。 2. 位置编码（Positional Encodings）：由于 Transformer 没有能捕获序列顺序的结构，如递归或卷积，所以给每个词位置加上位置编码，让模型知晓词语的相对位置。 3. 编码器（Encoder）：输入序列的嵌入向量和位置编码相加后被送入编码器层。编码器由多个相同的层组成，每层有两个核心部分，一是多头注意力机制（MultiHead Attention），用于捕捉单词间的依赖关系；二是前馈神经网络（FeedForward NN），对 attention 的结果进行进一步编码。 4. 解码器（Decoder）：编码器的输出被送入解码器层。解码器同样由多个相同层组成，每层除了编码器组件外，还有一个额外的注意力模块，对编码器的输出序列建模依赖关系。 5. 输出嵌入（Output Embeddings）：解码器最后一层的输出被映射为输出单词概率分布，例如生成“我”“是”等单词的概率。 6. 生成（Generation）：基于概率分布，以贪婪或 beam search 等解码策略生成完整的输出序列。 注意力机制是 Transformer 最关键的创新，允许模型捕获长距离依赖关系。多头注意力可并行计算，因此高效。残差连接和层归一化有助于优化网络。整体上，Transformer 无递归和卷积结构，计算并行化程度高，更适合并行加速。 Transformer 是一个大参数（千亿级别）的回归方程，其底层是 function loss 损失函数。它是在一定 prompt condition 情况下，repeat 曾经出现过的数据内容，实现“生成”能力。回归方程的 Function loss 拟合 A to B mapping 关系，实现数据集的压缩与还原。 在公众传播层面，AIGC 指用 Stable Diffusion 或 Midjourney 生成图像内容，后来泛指用 AI 生成音乐、图像、视频等内容；LLM 指 NLP 领域的大语言模型，如 ChatGPT；GenAI 是生成式人工智能模型，国内官方政策文件使用这个词相对科学，涵盖了 LLM 和 AIGC；AGI 指通用人工智能。公众传播一般会混用上述名词，但底层是 Transformer 结构。 大语言模型是一个 perfect memory，repeat 曾经出现的内容。它与 Alpha Go 有差异，Alpha Go 是一个增强学习模型，学习结果会调整模型自身参数，有推理能力，但大语言模型在推理这块很弱。Transformer 决定 LLM 是一个生成式模型。

AI 是一门令人兴奋的科学，它研究如何使计算机表现出智能行为，例如做一些人类所擅长的事情。简单来说，就是让计算机或机器能像我们人类一样思考和学习的技术。 在小学课堂上，可以用学生能理解的语言来解释 AI。比如，先和学生互动，听听他们口中的 AI，再引出我们的概念。可以告诉学生，AI 就像一个聪明的机器人，它可以通过学习和分析大量的数据，来完成各种任务，例如识别图像、语音识别、翻译等。 虽然计算机已经很先进了，但有些任务我们并不知道明确的解法，例如从一个人的照片中来判断他/她的年龄。而 AI 对这种类型的任务感兴趣，它可以通过学习和分析大量的照片数据，来学会如何判断一个人的年龄。 总之，AI 是一种非常酷的技术，它可以帮助我们解决很多难题，让我们的生活变得更加便捷和有趣。

LangChain是一个用于构建高级语言模型应用程序的框架，它提供了一系列的工具和组件，使得开发人员能够更容易地使用大型语言模型（LLM）来创建各种应用程序。LangChain的设计主张集中在模块化组件上，这些组件提供用于使用LLM的行为抽象，并为每个抽象提供实现的集合，从而允许开发人员构造新链或实现现成的链。 RAG，即检索增强生成（RetrievalAugmented Generation），是一种结合了检索（检索外部知识库中相关信息）和生成（利用LLM生成文本）的技术。RAG能够为LLM提供来自外部知识源的附加信息，使得LLM在应对下游任务时能够生成更精确和上下文相关的答案，并减少LLM的幻觉现象。 LangChain和RAG之间的关系可以概括为： 1. 框架与技术：LangChain作为一个框架，提供了实现RAG所必需的工具和组件。RAG作为一项技术，可以在LangChain框架内得以实施和利用。 2. 模块化实现：LangChain允许开发者通过其模块化组件来构建RAG应用程序，例如使用LangChain的检索器（Retriever）和生成模型（LLM）来创建一个完整的RAG流程。 3. 简化开发：LangChain通过提供现成的链（Offtheshelf chains）和提示模板（Prompt Templates），简化了RAG应用程序的开发过程。 4. 提高性能：利用LangChain实现RAG可以帮助开发者创建更高效、更准确的应用程序，特别是在需要大量外部信息来辅助决策的场景中。 5. 应用构建：LangChain通过其丰富的API和组件库，支持开发者构建复杂的RAG应用，如智能问答系统、内容推荐引擎等。 总的来说，LangChain为RAG提供了一个强大的基础设施，使得开发者可以更容易地实现复杂的、基于LLM的应用程序，同时RAG作为LangChain支持的关键技术之一，能够帮助应用程序更好地利用外部知识源，提升应用的性能和准确性。

减少大模型幻觉的方法主要有以下几点： 1. 使用 Prompt：在与大模型交互时，Prompt 是一套语言模板。它能为大模型提供更多的输入、限定、上下文和更明确的结果输出要求，帮助大模型更好地理解用户问题，从而减少随意发挥导致的幻觉问题。 2. 上采样（Up Sampling）：针对“Imitative Falsehoods”，即样本存在错误的情况，上采样可以作为一种缓解办法。 3. 注意数据隐私保护：减少模型见数据的次数，例如避免模型过多重复接触某些数据，以降低记忆隐私泄露的风险，这在一定程度上也有助于减少幻觉问题。 大模型出现幻觉的原因包括： 1. 样本存在错误：如果大模型学习的“教材”中有错误，其输出也可能出错。 2. 信息过时：存在以前正确但现在过时的信息。 此外，大语言模型偶尔会根据输入输出荒谬或不符合事实的内容，目前各家大语言模型在该问题上的表现都有待改进。

AI 幻觉是指 AI 系统生成的信息与事实不符或与预期不符，就像在“一本正经地胡说八道”。这并非 AI 故意为之，而是由技术局限性造成的错误。 AI 幻觉的定义为：AI 系统生成的输出内容看似合理流畅，但实际上与输入信息、上下文环境或客观事实相矛盾，缺乏逻辑或经验支撑。其表现形式多种多样，比如生成不存在的人物、地点、事件，或者对已知事实进行错误的描述。 AI 幻觉产生的原因与训练数据的质量、模型的结构和训练策略有关。如果训练数据存在偏差或错误，模型就会学习到这些偏差和错误，并将其体现在生成的内容中。 AI 幻觉存在诸多风险，可能会误导用户，导致用户获取错误信息从而做出错误判断，例如医疗 AI 助手给出错误诊断建议，可能延误患者治疗；可能被用于制造和传播虚假信息，误导公众，影响社会稳定，比如生成虚假新闻报道或社交媒体帖子用于政治宣传或商业炒作；还会损害 AI 系统的可信度，降低用户对 AI 系统的信任度，阻碍 AI 技术推广和应用，比如用户发现 AI 经常“胡说八道”，可能不再信任其判断甚至拒绝使用相关产品。 为了避免 AI 幻觉，您可以参考，但需要注意的是，AI 幻觉不可能完全消除。另外，AI 不会解释自己，当您要求它解释为何生成某些内容时，它给出的答案可能是完全编造的。在使用 AI 时，您需要对其输出负责，并检查所有内容。

以下是关于解决 AI 幻觉问题的一些方法： 1. 借鉴人类应对认知偏差的方法：为解决 AI 幻觉问题提供思路，开发相应技术手段，帮助 AI 更好地理解世界，做出更准确的判断。例如对 AI 模型的训练数据进行“大扫除”，去除错误、补充缺失、平衡偏差，让其学习到更真实全面的知识。 2. 打开 AI 的“黑箱”：让 AI 的“思考过程”更透明，便于人类理解和监督。可解释性 AI 技术能帮助理解 AI 模型如何做出判断，避免因错误逻辑或数据导致错误结论。 3. 打造 AI “智囊团”：让多个 AI 模型协同工作，共同解决问题，避免单个模型的局限性导致的错误。 4. 运用提示词工程：在询问代码功能时，要求 AI 逐行解释代码的含义。明确限制 AI 的生成范围，例如在询问名人名言时指定名人姓名和相关主题，在询问新闻事件时指定事件的时间范围和相关关键词。将提示词变得清晰、具体、有针对性，引导 AI 生成更准确可靠的内容。 5. 进行数据“体检”：为 AI 模型提供“干净”“健康”的训练数据，是预防 AI 幻觉的根本措施。包括数据清洗，去除错误信息、补充缺失数据、修正不一致内容，并消除数据中的偏见；数据增强，为模型提供更多更丰富的训练数据，提高模型的泛化能力。

大模型的幻觉是指模型倾向于生成看似令人信服但是无根据或虚假的回应。这一现象提出了关于模型输出可靠性和可信度的关键问题，需要采取全面的方法来评估和解决这一问题。已有大量研究致力于从各个角度剖析幻觉问题。这包括旨在评估不同模型和场景中幻觉的程度和性质的努力。这些评估提供了宝贵的见解，说明了幻觉如何以及为什么发生，为制定减少其发生的策略奠定了基础。同时，大量研究集中于设计和实施方法以减少这些大型模型中的幻觉。

ChatGPT 的训练模型主要包括以下几个方面： 1. 预训练（Pretrain）阶段：建立模型的能力上限，如确定模型各方面能力的天花板。此阶段跟 GPT3 的方法近似，例如采用 decoderonly 的网络架构，有特定的模型大小、输入窗口大小、单词本大小，见过大量的 tokens，使用大量的原始训练文本。 2. 监督微调（Supervised Finetune，SFT）阶段：让模型学会对话的形式展开，即知道如何按照对话的格式进行交流。 3. 强化学习从人类反馈（Reinforcement Learning from Human Feedback，RLHF）阶段：细分为奖励模型（RM）阶段和强化学习（RL）阶段，能激发模型具备多种能力，包括安全性、推理能力和稳定性等。 训练方式主要是通过材料学习，不断形成模型。其本质功能是“单字接龙”，通过自回归生成的方式，将生成的下一个词与之前的上文组合，不断重复生成任意长的下文。训练的目的不是记忆，而是学习提问和回答的通用规律，实现举一反三，即泛化。学习材料用于调整模型，得到通用模型，以处理未被数据库记忆的情况。ChatGPT 不是搜索引擎的升级版，搜索引擎无法给出未被数据库记忆的信息，而 ChatGPT 作为生成模型可以创造不存在的文本，但可能存在混淆记忆、无法直接查看和更新所学、高度依赖学习材料以及缺乏及时性和准确性等缺点。

训练模型的方法有多种，以下为您介绍几种常见的训练模型方式： 1. 用 SD 训练一套贴纸 LoRA 模型： 原始形象：MJ 初步产出符合设计想法的贴纸原始形象。 二次加工：完成贴纸的白色边线等细节加工。 处理素材：给训练集图片打 tag，修改 tag。 训练模型：将上述处理好的数据集做成训练集，进行训练。 2. 基于百川大模型训练虚拟专家： 选择 Baichuan27BChat 模型作为底模，配置模型本地路径，配置提示模板。 在 Train 页面里，选择 sft 训练方式，加载定义好的数据集 wechat 和 self_cognition。 学习率和训练轮次非常重要，根据自己的数据集大小和收敛情况来设置。 使用 FlashAttention2 可减少显存需求，加速训练速度。 显存小的朋友可以减少 batch size 和开启量化训练，内置的 QLora 训练方式非常好用。 需要用到 xformers 的依赖。 显存占用 20G 左右，耐心等待一段时间。 3. 使用编码器解码器架构构建诗歌生成器： 在训练模型之前，需要一个损失函数，由于本质上是一个多类分类问题，损失将是稀疏的分类交叉熵损失，配置从 logits 计算的损失。 有了损失后编译模型，将损失和优化器联系在一起。 选择训练的时期，一个时期是对数据集的完整传递，进行多次训练，并提供回调以确保在训练期间保存权重。 从实际的字符串中提取字符序列，使用 TensorFlow 的 TF 字符串 Unicode 拆分功能。 将字符序列转化为数字，使用 TF Keras 层中的 StringLookup 函数将每个字符映射到给定的 ID，也可使用同一层的 StringLookup 函数获得反向映射。 将处理后的数据作为神经网络的训练数据集，使用 TF Data Dataset API。

以下为一些关于建筑三维模型渲染的 AI 网站： 1. 3dfy.ai：这是一家专注于将稀疏数据转化为逼真三维世界的公司。其领导团队由计算成像领域资深专家组成，拥有近四十年综合专业知识。适用于数字内容创作者、艺术家、游戏开发者、动画制作人、教育和培训行业专业人士、医疗行业以及建筑和工程领域等。 2. HDAidMaster：云端工具，在建筑设计、室内设计和景观设计领域表现出色，搭载自主训练的建筑大模型 ArchiMaster。 3. Maket.ai：主要面向住宅行业，在户型设计和室内软装设计方面有探索。 4. ARCHITEChTURES：AI 驱动的三维建筑设计软件，在住宅设计早期阶段可引入相关标准和规范。 5. Fast AI 人工智能审图平台：形成全自动智能审图流程，实现数据汇总与管理。 但需注意，每个工具都有其特定应用场景和功能，建议您根据自身具体需求选择合适的工具。

在使用系统提示词（sys prompt）为模型定义角色具有以下重要性： 1. 符合特定应用场景：通过定义角色，使模型的行为和输出更符合具体的应用需求，例如让模型作为历史顾问回答历史问题，或作为技术专家解决技术难题。 2. 明确任务和风格：不仅可以指定具体的人物角色，还能设定一种交流风格，如正式、幽默、友好等。 3. 引导模型行为和输出：为模型提供固定的模板，确保其输出与期望和工作流的需求保持一致。 4. 优化用户体验：ChatGPT 有默认的“一个乐于助人的助手”角色，可通过修改系统提示词来满足更个性化的需求。 然而，也有观点认为不需要过度依赖角色扮演类的提示词。关键是要非常具体地描述出模型所在的使用环境，提供足够详细的信息，以避免模型未按预期完成任务。提示词最重要的是表达清晰准确。

目前比较知名的 AI 大模型有： 北京企业机构： 百度（文心一言）：https://wenxin.baidu.com 抖音（云雀大模型）：https://www.doubao.com 智谱 AI（GLM 大模型）：https://chatglm.cn 中科院（紫东太初大模型）：https://xihe.mindspore.cn 百川智能（百川大模型）：https://www.baichuanai.com/ 上海企业机构： 商汤（日日新大模型）：https://www.sensetime.com/ MiniMax（ABAB 大模型）：https://api.minimax.chat 上海人工智能实验室（书生通用大模型）：https://internai.org.cn 大模型的特点和架构： 架构方面： encoderonly 模型通常适用于自然语言理解任务，例如分类和情感分析，最知名的代表模型是 BERT。 encoderdecoder 模型同时结合了 Transformer 架构的 encoder 和 decoder 来理解和生成内容，代表是 Google 的 T5。 decoderonly 模型更擅长自然语言生成任务，目前耳熟能详的 AI 助手基本都来自此类架构。 大模型的优势在于： 预训练数据非常大，往往来自于互联网上，包括论文、代码、公开网页等，最先进的大模型一般用 TB 级别的数据进行预训练。 参数非常多，Open 在 2020 年发布的 GPT3 就已经达到 170B 的参数。 大模型比较火的应用场景： 文本生成和内容创作：撰写文章、生成新闻报道、创作诗歌和故事等。 聊天机器人和虚拟助手：提供客户服务、日常任务提醒和信息咨询等服务。 编程和代码辅助：代码自动补全、bug 修复和代码解释。 翻译和跨语言通信：促进不同语言背景的用户之间的沟通和信息共享。 情感分析和意见挖掘：为市场研究和产品改进提供数据支持。 教育和学习辅助：创建个性化的学习材料、自动回答学生问题和提供语言学习支持。 图像和视频生成：如 DALLE 等模型可以根据文本描述生成相应的图像，未来可能扩展到视频内容的生成。 游戏开发和互动体验：创建游戏中的角色对话、故事情节生成和增强玩家的沉浸式体验。 医疗和健康咨询：提供初步的健康建议和医疗信息查询服务。 法律和合规咨询：帮助解读法律文件，提供合规建议，降低法律服务的门槛。 需要注意的是，随着大模型的普及，也需要关注其在隐私、安全和伦理方面的挑战。

大模型是指输入大量语料，使计算机获得类似人类的“思考”能力，能够理解自然语言，并进行文本生成、推理问答、对话、文档摘要等工作。 大模型的训练和使用过程可以用“上学参加工作”来类比： 1. 找学校：训练大模型需要大量计算，GPU 更合适，只有购买得起大量 GPU 的才有资本训练自己的大模型。 2. 确定教材：大模型需要的数据量特别多，几千亿序列（Token）的输入基本是标配。 3. 找老师：即用合适的算法讲述“书本”中的内容，让大模型能够更好理解 Token 之间的关系。 4. 就业指导：为了让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 5. 搬砖：就业指导完成后，正式干活，比如进行翻译、问答等，在大模型里称之为推导（infer）。 在大模型中，Token 被视为模型处理和生成的文本单位，它们可以代表单个字符、单词、子单词，甚至更大的语言单位，具体取决于所使用的分词方法（Tokenization）。Token 是原始文本数据与大模型可以使用的数字表示之间的桥梁。在将输入进行分词时，会对其进行数字化，形成一个词汇表（Vocabulary）。 为了让计算机理解 Token 之间的联系，还需要把 Token 表示成稠密矩阵向量，这个过程称之为 embedding，常见的算法有： 基于统计：Word2Vec，通过上下文统计信息学习词向量；GloVe，基于词共现统计信息学习词向量。 基于深度网络：CNN，使用卷积网络获得图像或文本向量；RNN/LSTM，利用序列模型获得文本向量。 基于神经网络：BERT，基于 Transformer 和掩码语言建模（Masked LM）进行词向量预训练；Doc2Vec，使用神经网络获得文本序列的向量。 以 Transform 为代表的大模型采用自注意力（Selfattention）机制来学习不同 token 之间的依赖关系，生成高质量 embedding。大模型的“大”，指的是用于表达 token 之间关系的参数多，主要是指模型中的权重（weight）与偏置（bias），例如 GPT3 拥有 1750 亿参数，其中权重数量达到了这一量级，而词汇表 token 数只有 5 万左右。 此外，如果您想获取更多模型，大多数模型可以在 Civitai（C 站）https://civitai.com/ 下载。下载模型时的注意事项包括： 科学上网，需自行想办法。 点击右上角筛选按钮，找到所需模型类型，如 Checkpoint=大模型、LoRA=Lora 等。 看照片，感兴趣的点进去，点击右边“Download”下载保存到电脑本地。还可以点击左上角“Images”，查看别人做好的图片，找到喜欢的点进去，复制图片信息。 模型下载保存地址： 大模型：SD 根目录即存放 SD 的文件夹。 Lora、VAE 等也有相应的保存位置。 如果不知道下载的模型类型及应存放的文件夹，可以使用秋叶的模型解析工具 https://spell.novelai.dev/，将模型拖动到空白处，自动弹出模型信息，查看模型种类。

以下是一些对中文支持较好的开源大语言模型： 1. OpenChineseLLaMA： 地址： 简介：基于 LLaMA7B 经过中文数据集增量预训练产生的中文大语言模型基座，对比原版 LLaMA，该模型在中文理解能力和生成能力方面均获得较大提升，在众多下游任务中均取得了突出的成绩。 2. BELLE： 地址： 简介：开源了基于 BLOOMZ 和 LLaMA 优化后的一系列模型，同时包括训练数据、相关模型、训练代码、应用场景等，也会持续评估不同训练数据、训练算法等对模型表现的影响。 3. Panda： 地址： 简介：开源了基于 LLaMA7B,13B,33B,65B 进行中文领域上的持续预训练的语言模型,使用了接近 15M 条数据进行二次预训练。 4. Llama2Chinese13bChat： 地址： 5. Gemma7bit： 地址： 此外，AndesGPT 在语言理解与抽取、角色扮演能力上排名国内前一，在代码、生成与创作、上下文对话能力上排名国内前三，各项能力较为均衡，聚焦在移动设备端的应用。Baichuan213BChat 是百川智能自主训练的开源大语言模型，是中文开源模型的主导力量。

以下是使用 Coze 搭建一个关于自然语言课程期末复习指南智能体的步骤： 1. 访问 Coze 官网（https://www.coze.cn），注册并登录。 2. 点击页面左上角的⊕，通过【标准创建】填入智能体的基本信息。 3. 了解 Bot 开发调试界面： 人设与回复逻辑（左侧区域）：设定智能体的对话风格、专业领域定位，配置回复的逻辑规则和限制条件，调整回复的语气和专业程度。 功能模块（中间区域）： 技能配置： 插件：扩展智能体的专业能力，如计算器、日历等工具。 工作流：设置固定的处理流程和业务逻辑。 图像流：处理和生成图像的相关功能。 触发器：设置自动化响应条件。 知识库管理： 文本：存储文字类知识材料。 表格：结构化数据的存储和调用。 照片：图像素材库。 记忆系统： 变量：存储对话过程中的临时信息。 数据库：管理持久化的结构化数据。 长期记忆：保存重要的历史对话信息。 文件盒子：管理各类文档资料。 交互优化（底部区域）： 开场白：设置初次对话的问候语。 用户问题建议：配置智能推荐的后续问题。 快捷指令：设置常用功能的快速访问。 背景图片：自定义对话界面的视觉效果。 预览与调试（右侧区域）：实时测试智能体的各项功能，调试响应效果，优化交互体验。 4. 设定智能体的人设与回复逻辑后，为智能体配置对应的技能，以保证其可以按照预期完成目标任务。例如，以获取 AI 新闻的智能体为例，需要为它添加一个搜索新闻的接口来获取相关新闻。具体操作如下： 在智能体编排页面的技能区域，单击插件功能对应的+图标。 在添加插件页面，选择相关功能，然后单击新增。 修改人设与回复逻辑，指示智能体使用相应插件来搜索所需内容。 （可选）为智能体添加开场白，让用户更好地了解智能体的功能。开场白功能目前支持豆包、微信公众号（服务号）。 5. 配置好智能体后，在预览与调试区域中测试智能体是否符合预期。可单击清除图标清除对话记录。 6. 完成测试后，将智能体发布到社交渠道中使用。具体操作如下： 在智能体的编排页面右上角，单击发布。 在发布页面输入发布记录，并勾选发布渠道。 单击发布。 更多内容，请访问 Coze 官方文档： 英文版：https://www.coze.com/docs/welcome.html 中文版：https://www.coze.cn/docs/guides/welcome

大语言模型在医疗领域有以下应用和相关项目： XrayGLM：首个会看胸部 X 光片的中文多模态医学大模型。 地址：https://github.com/WangRongsheng/XrayGLM 简介：促进中文领域医学多模态大模型的研究发展，在医学影像诊断和多轮交互对话上有潜力。 MeChat：中文心理健康支持对话大模型。 地址：https://github.com/qiuhuachuan/smile 简介：由 ChatGLM6B LoRA 16bit 指令微调得到，通过扩展真实的心理互助 QA 为多轮对话，提高在心理健康支持领域的表现。 MedicalGPT 地址：https://github.com/shibing624/MedicalGPT 简介：训练医疗大模型，实现包括二次预训练、有监督微调、奖励建模、强化学习训练，并发布中文医疗 LoRA 模型。 在商业化应用方面： 彭博发布了金融领域的大模型 BloombergGPT，医联发布了医疗大语言模型 MedGPT，在其所在的垂直领域发挥实际诊疗价值。 OpenAI 对 GPT 模型进行了更新，降低了价格，且正在开发新的技术以降低训练模型的成本。 商汤科技联合创始人杨帆认为大模型能加速商业化落地，缩短产业应用周期。 360 公司创始人周鸿祎表示大模型是工业革命级的生产力工具，能赋能百行千业。 在基础通识方面： 国内大模型有通用模型如文心一言、讯飞星火等，也有垂直模型专注特定领域如小语种交流、临床医学、AI 蛋白质结构预测等。 以特定例子体验了不同大模型的回答和续写能力，大模型基于统计模型预测生成内容。 大语言模型工作原理包括训练数据、算力、模型参数，在训练数据一致情况下，模型参数越大能力越强。 Transformer 是大语言模型训练架构，具备自我注意力机制能理解上下文和文本关联，通过单词预测生成内容。 大模型可能因错误数据导致给出错误答案，优质数据集很重要。 Prompt 分为 system prompt、user prompt 和 assistant prompt，写好 prompt 有清晰说明等法则。 Fine tuning 是基于通用大模型针对特定领域任务提供数据进行学习和调整。

以下是为您制定的利用 AI 快速学习 Python 的方法： 首先，您需要了解 Python 基础，包括基本语法（如变量命名、缩进等规则）、数据类型（如字符串、整数、浮点数、列表、元组、字典等）、控制流（如条件语句 if、循环语句 for 和 while 控制程序执行流程）、函数（定义和调用函数、理解参数和返回值、掌握作用域和命名空间）、模块和包（学会导入标准库或第三方库、安装和使用包扩展功能）、面向对象编程（了解类和对象的定义与实例化、属性和方法的定义与调用、继承和多态）、异常处理（理解异常的概念和工作方式、使用 try 和 except 语句处理错误）以及文件操作（学会文件读写、处理文件与路径）。 您可以参考以下课程内容进行学习： 1. “和 Cursor AI 一起学 Python 编程”： 第二节：Python 基础语法与文本处理，45 分钟。教学内容包括 Python 基础语法、数据类型、控制结构、文本处理基础、字符串操作方法、文件读写操作。实践实验包括中文文本的基本处理，如统计字符数、词语数、句子数，讨论中文编码问题及解决方法。教学目标是掌握 Python 基本语法和结构，能够进行简单文本数据处理。 第三节：利用 Python 进行自然语言处理（NLP），45 分钟。教学内容包括自然语言处理的概念和重要性、Python 中的 NLP 库、分词原理举例、介绍结巴分词等工具、用 Jieba 进行课文分词。实践实验包括中文分词与词频分析，统计词频并找出高频词汇，讨论词频分析在语言教学中的应用。教学目标是掌握使用 Python 进行基本的 NLP 操作，理解 NLP 技术在语言研究和教学中的应用。 在学习过程中，您可以借助 AI 工具辅助理解和解决问题，例如通过智能问答获取对概念的解释，或者让 AI 为您生成示例代码帮助理解。祝您学习顺利！

以下是关于亚马逊大语言模型全景培训的相关内容： Andrej Karpathy 亲授的大语言模型入门讲座提到： 1. 大型语言模型（LLMs）：神经网络实际上是下一个词预测网络，通过给它一些单词来预测下一个单词。尽管下一个单词预测任务看似简单，但它迫使神经网络学习大量关于世界的信息，并将其编码在参数中。例如，预测关于露丝·汉德勒的内容时，模型参数需学习相关知识。模型推理是生成接下来的单词，通过采样选择单词并反馈回模型获取下一个单词，从而“梦想”出类似互联网文档的内容，如 Java 代码、亚马逊产品、维基百科文章等。 2. 获取辅助模型的方式：保持优化相同，更换训练数据集。过去对互联网文档训练，现在替换为手动收集的数据集，通过雇用人员按标签说明提问并写下答案。预训练阶段文本量大但质量低，第二阶段更看重质量而非数量，文档少但都是高质量对话。 该讲座的作者是天空之城城主，来源为 https://mp.weixin.qq.com/s/fmb4nvIEA9AC5JpNPWN7Q ，宝玉的另一翻译版本为 https://twitter.com/dotey/status/1728959646138880026 。讲座分为三大部分，包括第一部分的大型语言模型（LLMs）、第二部分的 LLM 的未来、第三部分的 LLM 安全性。Andrej Karpathy 近期进行了一场 30 分钟的入门讲座，虽未录制，但因受欢迎决定重新录制并上传至 YouTube 平台。

以下为您推荐几款可以快速生成多国语言电商海报的 AI 工具： 1. Canva（可画）：https://www.canva.cn/ 这是一个非常受欢迎的在线设计工具，提供大量模板和设计元素，用户通过简单拖放操作即可创建海报，其 AI 功能可帮助选择合适的颜色搭配和字体样式。 2. 稿定设计：https://www.gaoding.com/ 稿定智能设计工具采用先进的人工智能技术，自动分析和生成设计方案，稍作调整即可完成完美设计。 3. VistaCreate：https://create.vista.com/ 这是一个简单易用的设计平台，提供大量设计模板和元素，用户可使用 AI 工具创建个性化海报，其智能建议功能可帮助快速找到合适的设计元素。 4. Microsoft Designer：https://designer.microsoft.com/ 通过简单的拖放界面，用户可以快速创建演示文稿、社交媒体帖子和其他视觉内容，还集成了丰富的模板库和自动图像编辑功能，如智能布局和文字优化，大大简化了设计流程。 此外，您还可以参考以下关于如何用 AI 快速做一张满意海报的方法： 1. 需求场景：当您想在社交平台发布内容时，为了避免干巴巴的文字、网上图片的质量问题和撞图风险，以及相册照片的尴尬情况，可以考虑使用 AI 制作海报。 2. 大致流程： 主题与文案：确定海报主题后，可借助 ChatGPT 等文本类 AI 工具协助完成文案。 风格与布局：选择想要完成的风格意向，背景不一定是空白的，可根据文案和风格灵活调整画面布局。 生成与筛选：使用无界 AI，输入关键词，生成并挑选一张满意的海报底图。 配文与排版：将上述素材进行合理排版，得到成品。排版同样可以参考 AIGC 海报成果。 内容由 AI 大模型生成，请仔细甄别。