大模型中的参数和语料是什么意思

以下是为您提供的语料库训练相关文档： 中文数据集 |ID|标题|更新日期|数据集提供者|许可|说明|关键字|类别|论文地址|备注| ||||||||||| |6||2020 年|CLUE||CLUENER2020 数据集，是在清华大学开源的文本分类数据集 THUCTC 基础上，选出部分数据进行细粒度命名实体标注，原数据来源于 Sina News RSS。数据包含 10 个标签类别，训练集共有 10748 条语料，验证集共有 1343 条语料|细粒度；CULE|命名实体识别|\\|中文| |7||英文| |8||||EMNLP2015|命名实体识别||| |9||2005 年|MSR/PKU|||bakeoff2005|命名实体识别||| TTS 超全教程 音库制作和文本前端 音库制作 音频录制 音频的录制对合成语音的表现较为重要，较差的语音甚至会导致端到端声学模型无法正常收敛。用于训练的录音至少要保证录音环境和设备始终保持一致，无混响、背景噪音；原始录音不可截幅；如果希望合成出来的语音干净，则要删除含口水音、呼吸音、杂音、模糊等，但对于目前的端到端合成模型，有时会学习到在合适的位置合成呼吸音、口水音，反而会增加语音自然度。录音尽可能不要事先处理，语速的调节尚可，但调节音效等有时会造成奇怪的问题，甚至导致声学模型无法收敛。音频的录制可以参考录音公司的标准，购买专业麦克风，并保持录音环境安静即可。在音库录制过程中，可尽早提前尝试声学模型，比如音库录制 2 个小时语音后，就可尝试训练基线语音合成系统，以防止录音不符合最终的需求。 语料整理 检查文本和录制的语音是否一一对应，录制的音频本身一句话是否能量渐弱，参与训练的语音前后静音段要保持一致，能量要进行规范化。可使用预训练的语音活动检测（Voice Activity Detection，VAD）工具，或者直接根据语音起止的电平值确定前后静音段。可以使用一些开源的工具，比如统一所有语音的整体能量，这将有助于声学模型的收敛。当然，在声学模型模型训练时，首先就要对所有语料计算均值方差，进行统一的规范化，但是这里最好实现统一能量水平，防止一句话前后能量不一致。能量规整的示例代码如下。

以下是关于投喂语料库给 AI 的一些方法和步骤： 在音乐学习方面： 1. 步骤 3：把 Midi 导出到 MP3 虚拟演奏文件。可以直接导总谱，也可以分轨导出（适用于不同乐器组合）。由于制谱软件有很重的 midi 味，有时需要调整乐器音色。320kbit 码率是各大音乐平台的门槛，而向 Suno 导出的是 192k 的，后期如果想输出到 QQ 音乐之类，需要转个码。导出以后就可以喂给 AI 了。修改音色这一步不是必须，也有很多染色的软件可以用，比如用 Neutron4 从 Youtube 上面下载一些自己喜欢的乐器音色（比如雅马哈大钢琴），然后用宿主软件打开插件，导入这段音频，就可以实现渲染。 2. 步骤 4：丢给 AI 做二次创作。比较喜欢丢完整的小节给 AI，这样节奏的识别性更好，当然也可以在中间掐断，AI 的识别能力还是不错的。接下来就是细化去 roll 后面的部分，大家可以自由发挥。 在 OpenAI 方面： 如果作为输入的一部分提供，模型可以利用外部信息源。这可以帮助模型生成更明智和最新的响应。例如，如果用户询问有关特定电影的问题，将有关电影的高质量信息（例如演员、导演等）添加到模型的输入中可能会很有用。嵌入可用于实现高效的知识检索，以便在运行时将相关信息动态添加到模型输入中。文本嵌入是一个向量，可以衡量文本字符串之间的相关性。相似或相关的字符串将比不相关的字符串靠得更近。这一事实以及快速向量搜索算法的存在意味着嵌入可用于实现高效的知识检索。特别是，一个文本语料库可以被分割成块，每个块都可以被嵌入和存储。然后，给定的查询可以被嵌入，可以进行向量搜索，以找到与查询最相关的语料库的嵌入文本块（即，在嵌入空间中最接近的）。可以在中找到示例实现。有关如何使用知识检索来最小化模型编造错误事实的可能性的示例，请参阅策略“指示模型使用检索到的知识来回答查询”。

在大模型相关术语中： 参数：主要指模型中的权重（weight）与偏置（bias），大模型的“大”通常体现在用于表达 token 之间关系的参数数量众多，例如 GPT3 拥有 1750 亿参数，其中权重数量达到了这一量级。 Token：大模型有着自己的语言体系，Token 是其语言体系中的最小单元。人类语言发送给大模型时，会先被转换为大模型的语言，这种转换的基本单位就是 Token。不同厂商的大模型对 Token 的定义可能不同，以中文为例，通常 1 Token 约等于 1 2 个汉字。大模型的收费计算方法以及对输入输出长度的限制，通常都是以 Token 为单位计量的。Token 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），在将输入进行分词时，会对其进行数字化，形成一个词汇表。

智能体可以帮助您完成根据元数据表在本地查询大量数据，并把匹配的数据参数复制到元数据表的工作。 智能体可以根据其复杂性和功能分为以下几种类型： 1. 简单反应型智能体：根据当前的感知输入直接采取行动，不维护内部状态，也不考虑历史信息。例如温控器，它根据温度传感器的输入直接打开或关闭加热器。 2. 基于模型的智能体：维护内部状态，对当前和历史感知输入进行建模，能够推理未来的状态变化，并根据推理结果采取行动。比如自动驾驶汽车，它不仅感知当前环境，还维护和更新周围环境的模型。 3. 目标导向型智能体：除了感知和行动外，还具有明确的目标，能够根据目标评估不同的行动方案，并选择最优的行动。例如机器人导航系统，它有明确的目的地，并计划路线以避免障碍。 4. 效用型智能体：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动，评估行动的优劣，权衡利弊。比如金融交易智能体，根据不同市场条件选择最优的交易策略。 5. 学习型智能体：能够通过与环境的交互不断改进其性能，学习模型、行为策略以及目标函数。例如强化学习智能体，通过与环境互动不断学习最优策略。 在实际应用中，多智能体 AI 搜索引擎的方案如下： 1. 第一步，快速搜索补充参考信息：根据用户的任务，使用搜索工具补充更多的信息，例如使用工具 API WebSearchPro。 2. 第二步，用模型规划和分解子任务：使用大模型把用户问题拆分成若干子搜索任务，并转换为 JSON 格式。 3. 第三步，用搜索智能体完成子任务：AI 搜索智能体具备联网搜索的能力，还能够自主分析并进行多轮搜索任务。 4. 第四步，总结子任务生成思维导图：智能体能调用各种插件，如思维导图、流程图、PPT 工具等。 此外，生物医药小助手智能体是由 1 个工作流和 6 个数据库实现的。工作流相对简单，而数据库包括公众号文章、执业药师教材、执业医师讲义、药监局新药审评报告、中国医药企业融资动态、药物对外授权动态、全球药物销售额等。在医疗领域，为保证回答的准确性，提示词约定回答只能来自于知识库。其商业化场景包括医药企业研发立项、科研机构临床转化评估、投资机构评估标的公司等。

要将提示词变成模板，每次输入需要的参数即可。以下是一些相关的方法和要点： 在 Stable Diffusion 中，下次作图时先选择模板，点击倒数第二个按钮可快速输入标准提示词。描述逻辑通常包括人物及主体特征（如服饰、发型发色、五官、表情、动作）、场景特征（室内室外、大场景、小细节）、环境光照（白天黑夜、特定时段、光、天空）、画幅视角（距离、人物比例、观察视角、镜头类型）、画质（高画质、高分辨率）、画风（插画、二次元、写实）等，通过这些详细提示词能更精确控制绘图。新手可借助功能型辅助网站书写提示词，如 http://www.atoolbox.net/ （通过选项卡快速填写关键词信息）、https://ai.dawnmark.cn/ （每种参数有缩略图参考），还可去 C 站（https://civitai.com/）抄作业，复制每张图的详细参数粘贴到正向提示词栏，注意图像作者使用的大模型和 LORA，也可选取部分好的描述词使用。 简单的提示词模板最终目标是把需求说清楚，如 GPTs 提示词模板：Act like a 输入最终结果），并给出了示例。 提示词母体系列（2）中，在掌握人物设计整体框架后编写提示词，可借鉴替换方式替换模板。模板构成包括：先看约束部分，规则放顶部加强约束，底部也有相应约束，整个约束包裹具体提示词以提示模型专注性；模板结构有基本信息（姓名、性别、年龄、职业）、外貌特征、背景和经历、性格和价值观、爱好特长和语言风格、人际关系和社交活动、未来规划和目标。

要设置 Roo Code 的 API Provider 参数，您可以按照以下步骤进行操作： 1. 首先，进入 deepseek 的官网（https://www.deepseek.com/）。 2. 进入右上角的 API 开放平台。早期 deepseek 是有赠送额度，如果没有赠送的余额，可以选择去充值，支持美元和人民币两种结算方式，以及各种个性化的充值方式，并创建一个 API key。注意，API key 只会出现一次，请及时保存下来。 3. 接下来，以 cursor 作为代码编辑器为例，下载安装 cursor（https://www.cursor.com/），在插件页面搜索并安装 Roocline。安装完后，打开三角箭头，就可以看到 RooCline，选中 RooCline，并点击齿轮，进入设置。 4. 依次设置配置基本参数： API Provider：选择 DeepSeek。 API Key：填入已创建的 key。 模型：选择 DeepSeekreasoner。 5. 进行语言偏好设置。 6. 小贴士：记得把 HighRisk 选项都打开，这样 AI 才能帮您自动生成文件。最后做完所有不要忘记点击 Done 保存修改。在聊天框输入产品需求，输入需求后点击这个 blingbling 的星星，优化提示词。最终，在 deepseekr1 的加持下基本上是一遍过，各种特效效果交互逻辑也都正确。画面也算优雅，交互效果也不错，是您想要的。

LoRA 训练的参数主要包括以下方面： 1. 学习步数：指 AI 对每张图片的学习次数。二次元图片的 repeat 一般在 10 15，写实人物图片的 repeat 一般在 30 50，真实世界的景观场景可能要达到 100。repeat 值越高，AI 越能读懂图片，但图片精细度越高，学习步数也要越高。 2. 循环次数：AI 将所有图片按照学习步数学习一轮就是一次循环，循环次数就是将这个过程重复的遍数。一般数值在 10 20 之间，次数并非越多越好，过多会导致过拟合。总的训练步数 = 图片张数×学习步数×循环次数。 3. 效率设置：主要控制电脑的训练速度，可保持默认值，也可根据电脑显存微调，但要避免显存过载。 4. DIM：不同场景有不同的推荐值。如二次元一般为 32，人物常见为 32 128，实物、风景则≥128。DIM 为 64 时，输出文件一般为 70MB +；DIM 为 128 时，输出文件一般为 140MB + 。 5. 样图设置：主要控制训练过程中的样图显示，可实时观测训练效果。“sample every n steps”为 50 代表每 50 步生成一张样图，prompts 提示词可预设效果或自定义。 6. 并行数量：代表 AI 同一时间学习的图片数量。数值越大，训练速度越快，内存占用越大，收敛得慢；数值越小，训练速度越慢，内存占用越小，收敛得快。以 512×512 的图片为例，显存小于等于 6g，batch size 设为 1；显存为 12g 以上，batch size 可设为 4 或 6。增加并行数量时，通常也会增加循环次数。 7. 质量设置： 学习率：指 AI 学习图片的效率，过高会过拟合，过低会不拟合。1e 4 即 1 除以 10 的 4 次方，等于 0.0001；1e 5 即 1 除以 10 的 5 次方，等于 0.00001。一般保持默认，如需调整可点击数值旁的加减号。 网格维度：network dim 决定出图精细度，数值越高有助于 AI 学会更多细节，但数值越大学习越慢，训练时间越长，易过拟合。

在参数规模的角度，大模型的微调分为全量微调（FFT，Full Fine Tuning）和少量参数微调（PEFT，ParameterEfficient Fine Tuning）两条技术路线。 全量微调是对全量的模型参数进行全量的训练。少量参数微调则只对部分模型参数进行训练。从成本和效果的综合考虑，PEFT 是目前业界较流行的微调方案。 微调是在较小的、特定领域的数据集上继续 LLM 的训练过程，通过调整模型本身的参数，而非像提示工程和 RAG 那样仅更改提示，能大幅提高模型在特定任务中的性能。微调有两大好处：一是提高模型在特定任务中的性能，可输入更多示例，经过微调的模型可能会失去一些通用性，但对于特定任务会有更好表现；二是提高模型效率，实现更低的延迟和成本，可通过专门化模型使用更小的模型，且只对输入输出对进行训练，舍弃示例或指令进一步改善延迟和成本。 关于微调的具体实现，LoRA 微调脚本见：。 在微调的超参数方面，选择了适用于一系列用例的默认超参数，唯一需要的参数是训练文件。调整超参数通常可产生更高质量输出的模型，可能需要配置的内容包括：model（要微调的基本模型的名称，可选择“ada”“babbage”“curie”或“davinci”之一）、n_epochs（默认为 4，训练模型的时期数）、batch_size（默认为训练集中示例数量的 0.2%，上限为 256）、learning_rate_multiplier（默认为 0.05、0.1 或 0.2，具体取决于 final batch_size）、compute_classification_metrics（默认为假，若为 True，为对分类任务进行微调，在每个 epoch 结束时在验证集上计算特定于分类的指标）。要配置这些额外的超参数，可通过 OpenAI CLI 上的命令行标志传递。 OpenAI 官方微调教程：

以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 微调：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，以适应特定领域的需求。 RAG：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。

以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 微调：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，以适应特定领域的需求。 RAG：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。

以下是对一些大模型产品的对比介绍： 智谱清言：由智谱 AI 和清华大学推出，基础模型为 ChatGLM 大模型。2023 年 10 月 27 日，智谱 AI 于 2023 中国计算机大会（CNCC）上推出了全自研的第三代基座大模型 ChatGLM3 及相关系列产品。 模型特点：在工具使用排名国内第一，在计算、逻辑推理、传统安全能力上排名国内前三。更擅长专业能力，但代码能力有优化空间，知识百科稍显不足，是很有竞争力的大模型。 适合应用：场景广泛，可优先推进在 AI 智能体方面相关的应用，包括任务规划、工具使用及长文本记忆相关场景，在较复杂推理应用上效果不错，也适用于广告文案、文学写作。 其他大模型产品： OpenAI 发布 GPT4 科大讯飞发布星火 1.0 及升级至星火 3.0 百度发布文心一言 1.0 及升级至 V3.5 清华开源 ChatGLM 360 发布 360 智脑 1.0 及升级至智脑 4.0 复旦开源 MOSS 元语开源 ChatYuan 阿里云发布通义千问 1.0 及开源 Qwen7B 商汤科技发布商量 1.0 及升级至商量 2.0、商量 3.0 昆仑万维发布天工 1.0 出门问问发布序列猴子 华为发布盘古 3.0 西湖心辰发布西湖大模型 云从科技发布从容大模型 理想汽车发布 MindGPT OPPO 发布 AndesGPT vivo 发布 BlueLM 小米发布大模型 MiLM 元象科技开源 XVERSE13B Google 发布多模态大模型 Gemini 上海人工智能实验室开源 InternLM20B 百川智能发布 Baichuan2—Turbo 关于大模型在营销方面的应用： 大模型在实体类产品的营销标语生成上表现较好，虚拟类产品相对欠佳。可能是因为大模型训练数据中实体类语料多，更能调用已有知识加工，而虚拟类产品非标准品，大模型认识不足。 情绪价值在营销领域有很多用武之地，除快消商品外，很多产品的营销需要反复沟通，虚拟产品对感性成交依赖更大，大模型在这方面仍有很大发展空间。

在视频领域搭建 AI 模型的成本因多种因素而异。对于创业者或小公司来说，这个领域存在一定的挑战。 腾讯的混元 AI 视频模型目前只支持文生视频，且已开源免费。 在模型供应商方面，不同供应商的特点和成本有所不同： 智谱 GLM4V 是通用视觉类大模型，为拍立得最早使用的模型，接口响应速度快，指令灵活性差一些，调用成本为 0.05 元/千 tokens。 阿里云百炼 qwenvlplus 也是通用视觉类大模型，是拍立得目前使用的模型，指令灵活性比较丰富，接口调用入门流程长一些，密钥安全性更高，调用成本为 0.008 元/千 tokens，训练成本为 0.03 元/千 tokens。 阶跃星辰是通用视觉类大模型，响应速度快，支持视频理解，输入成本为 0.005 0.015 元/千 tokens，输出成本为 0.02 0.07 元/千 tokens。 百度 PaddlePaddle 是 OCR 垂直小模型，文本识别能力补齐增强，私有化部署有服务费，API 调用在 0.05 0.1 元/次。 此外，获取高质量数据的难度较高，大厂在该领域的护城河深厚。大公司在争取大模型 API 客户方面更具优势，且开源大模型的发展可能会影响创业公司的业务。去年为大客户定制一个大模型的最高订单额可达 1000 万元，而今年则快速降到了百万元级别乃至更低。

目前常见的大型语言模型多采用右侧只使用 Decoder 的 Decoderonly 架构，例如我们熟知的 ChatGPT 等。这些架构都是基于谷歌 2017 年发布的论文“attention is all you need”中提出的 Transformer 衍生而来，其中包括 Encoder 和 Decoder 两个结构。 大模型的特点在于： 1. 预训练数据非常大，往往来自互联网上的论文、代码、公开网页等，一般用 TB 级别的数据进行预训练。 2. 参数非常多，如 Open 在 2020 年发布的 GPT3 就已达到 170B 的参数。 大模型之所以能有效生成高质量有意义的回答，关键在于“大”。例如 GPT1 的参数规模是 1.5 亿，GPT2 Medium 的参数规模是 3.5 亿，到 GPT3.5 时，参数规模达到惊人的 1750 亿，参数规模的增加实现了量变到质变的突破，“涌现”出惊人的“智能”。 大模型的预训练机制是指其“脑袋”里存储的知识都是预先学习好的，预训练需要花费相当多的时间和算力资源。在没有其他外部帮助的情况下，大模型所知道的知识信息总是不完备且滞后的。

以下是用大模型构建属于自己的助手的几种方法： 1. 在网站上构建： 创建百炼应用获取大模型推理 API 服务： 进入百炼控制台的，在页面右侧点击新增应用，选择智能体应用并创建。 在应用设置页面，模型选择通义千问Plus，其他参数保持默认，也可以输入一些 Prompt 来设置人设。 在页面右侧提问验证模型效果，点击右上角的发布。 获取调用 API 所需的凭证： 在我的应用>应用列表中查看所有百炼应用 ID 并保存到本地。 在顶部导航栏右侧，点击人型图标，点击 APIKEY 进入我的 APIKEY 页面，创建新 APIKEY 并保存到本地。 2. 微信助手构建： 搭建，用于汇聚整合多种大模型接口，并获取白嫖大模型接口的方法。 搭建，作为知识库问答系统，将大模型接入用于回答问题，若不接入微信，搭建完成即可使用其问答界面。 搭建接入微信，配置 FastGpt 将知识库问答系统接入微信，建议先用小号以防封禁风险。 3. 基于 COW 框架构建： COW 是基于大模型搭建的 Chat 机器人框架，可将多模型塞进微信。 基于张梦飞同学的更适合小白的使用教程：。 实现功能包括打造属于自己的 ChatBot（文本对话、文件总结、链接访问、联网搜索、图片识别、AI 画图等）、常用开源插件的安装应用。 注意事项： 微信端因非常规使用有封号危险，不建议主力微信号接入。 只探讨操作步骤，请依法合规使用。 大模型生成的内容注意甄别，确保操作符合法律法规要求。 禁止用于非法目的，处理敏感或个人隐私数据时注意脱敏，以防滥用或泄露。 支持多平台接入，如微信、企业微信、公众号、飞书、钉钉等。 支持多模型选择，如 GPT3.5/GPT4.0/Claude/文心一言/讯飞星火/通义千问/Gemini/GLM4/LinkAI 等。 支持多消息类型，能处理文本、语音和图片，以及基于自有知识库进行定制的企业智能客服功能。 支持多部署方法，如本地运行、服务器运行、Docker 的方式。

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，具有以下特点： 简介：可以想象成集成了 stable diffusion 功能的 substance designer，通过将 stable diffusion 的流程拆分成节点，实现更精准的工作流定制和完善的可复现性。 优劣势： 优势：对显存要求相对较低，启动和出图速度快；具有更高的生成自由度；可以和 webui 共享环境和模型；可以搭建自己的工作流程，能导出流程并分享，报错时能清晰发现错误所在；生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势：操作门槛高，需要有清晰的逻辑；生态没有 webui 多（但常用的都有），也有一些针对 Comfyui 开发的有趣插件。 生图原理： Pixel Space 和 Latent Space：像素空间对应输入图像的像素空间，潜在空间中许多操作都在进行，图像被映射到潜在空间后，扩散过程在这个空间中进行。 扩散过程：噪声的生成和逐步还原，通过调度器控制，可选择不同的调度器控制如何在潜在空间中处理噪声和逐步去噪回归到最终图像，时间步数会影响图像生成的精细度和质量。 基础教程： 应用场景和不可替代性：ComfyUI 的 UI 界面复杂，连线方式类似搭建自动化工作流。从功能角度看，与 SD WebUI 提供的功能相同，只是呈现方式不同。这种连线方式的好处是可以根据需求搭建适合自己的工作流，无需依赖开发者，也能根据需求开发并改造某个节点。选择 ComfyUI 最核心的原因在于其自由和拓展。 案例：生成四格故事漫画。 官方链接：从 github 上下载作者部署好环境和依赖的整合包，按照官方文档安装即可：https://github.com/comfyanonymous/ComfyUI 。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

ComfyUI 的工作流包括以下方面： 1. 一般的 Workflow 概念：Workflow 是 ComfyUI 的节点结构及数据流运转过程。 2. 推荐的工作流网站： Openart.ai：流量较高，支持上传、下载、在线生成，免费账户有 50 个积分，加入 Discord 可再加 100 积分，开通最低每月 6 美元的套餐后每月有 5000 积分。 ComfyWorkflows 网站：支持在线运行工作流，实际下载量和访问量略少于 openart。 Flowt.ai：https://flowt.ai/community 3. FLUX 低显存运行工作流： 目的是让 FLUX 模型能在较低显存情况下运行。 分阶段处理思路： 初始生成在较低分辨率下进行以提高效率。 采用两阶段处理，先用 Flux 生成，后用 SDXL 放大，有效控制显存使用。 使用 SD 放大提升图片质量。 工作流流程： 初始图像生成（Flux）：包括 UNETLoader 加载 flux1dev.sft 模型、DualCLIPLoader 加载 t5xxl 和 clip_l 模型等步骤。 初始图像预览。 图像放大和细化（SDXL）：包括 CheckpointLoaderSimple 加载 SDXL 模型、UpscaleModelLoader 加载 RealESRGAN_x4.pth 用于放大等步骤。 最终图像预览。 4. 换装服饰一致性工作流： 应用场景：电商服饰行业、换装、虚拟试穿等。 整体思路： 首先生成适合服装的模特，很多时候换装效果不好是因为服装和人物不匹配，可抽卡抽到满意模特后进入第二步。 第二步进行高精度换装，先预处理拼出 mask，然后重绘 mask 区域。 模特生成：加入 Redux 模型，强度不用太高，让提示词生效。 服装高精度处理：包括 mask 的处理，使用 Flux 的 fill 模型，提示词书写格式有特定要求，Redux 权重需调整为最大。

AGI 指通用人工智能。在公众传播层面，它是一种能够完成任何聪明人类所能完成的智力任务的人工智能。部分人觉得大语言模型（LLM）具有 AGI 潜力，但也有人反对，比如 LeCun。OpenAI 原计划在 2027 年发布的 Q2025（GPT8）将实现完全的 AGI，但由于埃隆·马斯克的诉讼而被推迟。GPT3 及其半步后继者 GPT3.5 在某种程度上是朝着 AGI 迈出的巨大一步，而早期的模型则不具备这样的能力。

AGI 即通用人工智能（Artificial General Intelligence），通常指一种能够完成任何聪明人类所能完成的智力任务的人工智能系统，能够在许多领域内以人类水平应对日益复杂的问题。例如，像 GPT3 及其半步后继者 GPT3.5 在某种程度上是朝着 AGI 迈出的巨大一步。OpenAI 致力于 AGI 的研发，其开发的 ChatGPT 就是相关成果之一。我们的使命是确保 AGI 造福全人类，从某种意义上说，AGI 是人类进步脚手架上的另一个工具。

“Enable CORS”的意思是启用跨源资源共享（CrossOrigin Resource Sharing）。 跨源资源共享（CORS）是一种机制，它允许网页应用从不同的源（域名、协议或端口）获取资源。当启用 CORS 时，服务器会明确告知浏览器哪些来源可以访问其资源，从而解决了浏览器的同源策略限制，使得不同源之间能够进行安全的资源交互。

AGI 即 artificial general intelligence，指的是通用人工智能，即能够做任何人类可以做的事。 在 AI 领域，AI 分为 ANI 和 AGI，ANI（artificial narrow intelligence，弱人工智能）只可做一件事，如智能音箱、网站搜索、自动驾驶、工厂与农场的应用等；而 AGI 则涵盖了广泛的认知技能和能力，符合 1994 年心理学家们对智能的广泛定义，包括推理、规划、解决问题、抽象思维、理解复杂思想、快速学习和从经验中学习等能力，并且要求这些能力在或超过人类水平。名词“通用人工智能”（AGI）在 2000 年代初流行起来，以强调从“狭义 AI”到更广泛的智能概念的追求。