我想训练一个个人日程提醒工具，需要输入哪些信息，什么格式？

很抱歉，目前没有相关的具体计划内容。但您可以利用一些 AI 工具来辅助学习，比如使用智能语言学习软件，它能根据您的水平制定个性化的学习计划、提供练习题目和模拟测试，并实时评估您的学习进度。您还可以利用 AI 翻译工具，帮助您理解复杂的英语文本。 以下是一个大致的月度、周和日的计划框架供您参考： 月度计划： 第一个月：熟悉雅思考试的题型和要求，通过 AI 工具进行基础评估，制定整体学习策略。 第二个月：重点提升听力和阅读能力，利用 AI 推荐的学习资源进行每日练习。 第三个月：加强写作和口语的训练，使用 AI 批改和模拟对话功能。 第四个月：进行阶段性模拟测试，分析薄弱环节，利用 AI 针对性地强化训练。 第五个月：继续巩固各项能力，增加练习难度和时长。 第六个月：参加真实的雅思模拟考试，根据结果调整学习计划。 第七个月：针对薄弱点进行最后的冲刺训练。 第八个月：进行全面复习，通过 AI 工具进行知识点的查漏补缺。 第九个月：保持练习状态，调整心态。 第十个月：再次进行模拟考试，评估学习效果。 第十一个月：做最后的强化复习和准备。 第十二个月：做好考试的各项准备，保持良好状态迎接考试。 周计划： 每周安排 5 天进行学习，每天至少 2 小时。 每周进行一次小测试，评估本周学习成果。 每周利用 AI 工具分析学习数据，调整下周学习重点。 日计划： 每天早上背诵单词和短语，可使用 AI 记忆辅助工具。 白天工作间隙利用碎片时间进行听力练习。 晚上集中进行阅读、写作和口语的练习。 睡前复习当天学习内容。 请注意，这只是一个初步的框架，您需要根据实际情况和 AI 工具的特点进行具体的调整和优化。祝您学习顺利，早日实现目标！

以下是一些根据课程进行日程安排并自动按照记忆曲线形成学习复习提醒的工具： 1. Memrise：结合 AI 技术，根据学习者的记忆曲线提供复习和练习，增强记忆效果。使用方法是选择学习语言，使用应用提供的词汇卡和练习进行学习。 2. FluentU：使用真实世界的视频，通过 AI 生成个性化的词汇和听力练习。选择学习语言，观看视频并完成相关练习，积累词汇和提升听力理解能力。 此外，还有一些其他与 AI 学习外语相关的工具和平台： 1. Speechling：提供口语练习和发音反馈，帮助学习者改进口音和发音准确性。使用方法是录制语音，提交给 AI 系统或人类教练，获取反馈和改进建议。 2. Grammarly：可以帮助提高写作的语法和词汇准确性，支持多种语言。使用方法是将写作内容粘贴到 Grammarly 编辑器中，获取语法和词汇改进建议。 3. Google Translate：提供实时翻译、语音输入和图像翻译功能，适合快速查找和学习新词汇。输入或语音输入需要翻译的内容，查看翻译结果和示例句子。 4. Reverso Context：提供单词和短语的翻译及上下文例句，帮助理解和学习用法。输入单词或短语，查看翻译和例句，学习实际使用场景。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

目前市面上有几款能够安排日程的AI助理，其中包括： 1. Google Assistant：Google Assistant是一款功能强大的AI助理，能够帮助用户安排日程、设置提醒、管理待办事项等。用户可以通过语音或文本输入与其交互，并且可以在多个设备上使用。 2. Apple Siri：Apple的Siri也是一个智能的AI助理，可以帮助用户安排日程、设置提醒、发送消息等。Siri可以在iPhone、iPad、Mac等多个设备上使用，并且支持语音和文本输入。 3. Microsoft Cortana：Microsoft的Cortana是一个智能的AI助理，能够帮助用户安排日程、设置提醒、管理待办事项等。Cortana可以在Windows 10设备、Android和iOS设备上使用。 4. Amazon Alexa：Amazon的Alexa是一个智能的AI助理，可以帮助用户安排日程、设置提醒、播放音乐等。Alexa可以在Amazon Echo设备上使用，并且支持语音输入。 这些AI助理都具备安排日程和管理时间的能力，用户可以根据自己的需求选择合适的AI助理。此外，还有一些专门的智能日程管理工具，如Google Calendar、Microsoft Outlook等，也能够帮助用户高效地管理时间和日程。

Lisp 格式的提示词主要用于让 Claude 等模型生成特定的输出，以下是一些关于其使用的要点： 1. 用 Lisp 编写提示词能使生成 SVG 图形的效果优于 Markdown 版本。这可能是因为 Transformer 架构擅长从一种语言映射到另一种语言，Lisp 和 SVG 都是代码，两者距离更近，且 Lisp 的 List 结构更适合描述 SVG 卡片的设计规范、元素构成和配置参数。 2. 在实际应用中，可能会采用 Markdown 和 Lisp 混合的组合形式。如果通过 Chatbot 界面使用大语言模型，只能杂糅成一条提示词，一般情况下会拆成工作流，通过多次调用大语言模型来实现。 3. 用 Lisp 这种编程语言写提示词是之前在 prompt 圈被带火的，使用起来更为凝练和简洁。但平时写提示词用的更多的是 Markdown 语法，其简单且大语言模型能很好“理解”。 4. 要使用 Lisp 格式的提示词，可直接打开 Claude 首页，把提示词发送，完成初始化后即可使用。但通过 API 调用 Claude 可能输出效果不佳，网页版也许会更好。 5. 虽然 Markdown 版本与 Lisp 版本的提示词在语义上几乎一致，但在执行过程和某些效果上存在差异。Markdown 版本会输出中间“思考”过程，而 Lisp 版本很难让大语言模型有条理地执行流程。但用 Lisp 编写提示词时，更多是作为描述性语言而非程序性语言。

在 Coze 工作流中利用下一个代码节点合并前两个代码节点的输出并以正确格式传入飞书多维表格插件节点的步骤如下： 1. 搭建整理入库工作流： 3.4 大模型节点：提取稍后读元数据。根据对稍后读阅读清单的元数据期望设置大模型节点，使用 MiniMax 6.5s 245k，设置最大回复长度至 50000 以完整解析长内容网页，用户提示词需相应设置。 3.5 日期转时间戳。后续的飞书多维表格插件节点在入库日期字段时只支持 13 位时间戳，需使用「日期转时间戳time_stamp_13」插件进行格式转化，具体设置明确。 3.6 大模型节点：把稍后读元数据转换为飞书多维表格插件可用的格式。飞书多维表格插件目前（2024 年 08 月）只支持带有转义符的 string，以 Array<Object>格式输入，所以要将之前得到的元数据数组进行格式转换，大模型节点配置及用户提示词需相应设置。 3.7 插件节点：将元数据写入飞书表格。添加「飞书多维表格add_records」插件，设置{{app_token}}与{{records}}参数。 3.8 结束节点：返回入库结果。「飞书多维表格add_records」插件会返回入库结果，直接引用该信息用于通知外层 bot 工作流的入库是否成功。 2. 搭建选择内容推荐流： 4.1 开始节点：输入想阅读的内容主题。收到用户输入的“想看 xxx 内容”这类指令开始流程，无需额外配置。 4.2 变量节点：引入 bot 变量中保存的飞书多维表格地址，添加变量节点并设置。 4.3 插件节点：从飞书多维表格查询收藏记录。添加「飞书多维表格search_records」插件，设置{{app_token}}参数，并在{{app_token}}引用变量节点的{{app_token}}，输出结果的{{items}}里会返回需要的查询结果，也可在这一步定向检索未读状态的收藏记录。 4.4 大模型节点：匹配相关内容。为处理稳定采用批处理，对检索出来的收藏记录逐个进行相关性匹配，用户提示词可优化以提升匹配精准度。 搭到这里，别忘了对整个工作流进行测试。

以下是关于如何写好 AI 提示词及格式的相关内容： 1. 陶力文律师的观点： 结构化内容组织：使用编号、子标题和列表来组织文章，使内容条理清晰，易于读者理解。 规定概述内容解读结语结构：围绕主题展开讨论，首先概述规定内容，然后逐条解读具体内容，并以结语结束。 案例和挑战的结合：通过引入实际案例和潜在挑战，增强论点的说服力，并提供实用的解决方案。 结合法规和实际操作：通过引入法规内容和实际操作案例，提供详细的解释和建议。 商业术语的使用：在写作中融入行业特定的术语和概念，确保内容的专业性和针对性。 输出的文章结构： 标题：开门见山、切中要害，用疑问句引起目标群体悬念。 第一部分：说清楚本文要解决的问题是什么，问题的背景是什么，这个问题可能导致哪些损失。 第二部分：以一个案例引入，这个案例改写自【基础材料】的【类案参考】部分，需要写清楚案号、案件事实经过、法院裁判结果、法院作出这一裁判结果的关键依据和其他与文章有关的要点。 第三部分：对案例进行进一步的分析，写明需要注意的关键点，分析可以改写自【基础材料】的【问答结果及分析】部分，这部分不要给建议。 第四部分：给出具体的操作建议，应分为：事前应注意事项；事中需要注意留存的证据；事后可以采取的补救措施，三个部分；每个部分分别给出三条清晰具体的建议。 2. 潘帅的观点： Prompt 指的是给人工智能（AI）系统提供的信息或者问题，用来引导 AI 产生特定的回答或者执行特定的任务。 Prompt 的建议框架及格式： CRISPE： Capacity and Role（能力与角色）：比如，你是一名专注于民商事法律领域的律师，擅长案例研究、法律条文检索以及案件策略分析。 Insight（洞察）：比如，处理一起复杂的合同纠纷案件，我们可以向 AI 提供案件的关键事实、相关法律以及案件涉及的背景。 Statement（陈述）：比如，直接明确期望 AI 完成的任务是什么。以合同纠纷案件为例，我们可以要求 AI 总结此案件中双方的诉求、检索法条、预测可能的判决结果。 Personality（个性）：比如，你希望 AI 以什么风格或方式回答你。 Experiment（举例）。 3. 陈财猫的观点： 一个效果很好的 prompt 不需要很多奇怪的格式，自然语言是最好的方式，人好懂，机器就好懂。 厂商有在前端显示排版的需求，模型会比较熟悉 markdown，写点 markdown 是不错的。Claude 对 xml 格式做了点优化，GPT 对 json 做了点优化等等。

以下是一个使用 Python 实现读取 CSV 文件并按行倒序排列的代码示例： ```python import pandas as pd 读取 CSV 文件 data = pd.read_csv 按行倒序排列 reversed_data = data.iloc 打印结果 print ``` 在上述代码中，首先使用 `pandas` 库的 `read_csv` 函数读取 `data.csv` 文件，然后使用 `iloc` 索引和切片操作 `` 实现按行倒序排列。

您提供的程序存在一些错误。正确的实现方式应该是： ```python a = '唐代' b = '将近酒' c = '李白' print ``` 这样就可以实现格式化输出这三个变量的值了。

以下是一些可用于将一张图片的格式色调复制到另一张图片而不改变绘制内容的方法和工具： 1. ComfyUI_LayerStyle 插件： 添加 节点，可自动调整图片色调。 将 LUT 应用到图像： 支持.cube 格式的 LUT 文件。 节点选项包括 LUT 选择、色彩空间选择等。 自动调整图片的亮度、对比度和白平衡，可手动调整强度及各通道参数。 改变图像的色温、色彩平衡、色阶和 Gamma 值等。 2. 其他可能的方法： 某些专业的图像处理软件，如 Adobe Photoshop 等，可能具有相应的功能来实现色调复制。 您可以根据具体需求和使用习惯选择适合的方法和工具。

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。

以下是关于通过飞书机器人与 Coze 搭建的智能体进行对话，并利用飞书多维表格存储和管理稍后读数据，实现跨平台的稍后读收集与智能阅读计划推荐的具体操作方法： 前期准备： 1. 简化“收集”： 实现跨平台收集功能，支持电脑（web 端）、安卓、iOS 多端操作。 输入一个 URL 即可完成收集，借鉴微信文件传输助手的方式，通过聊天窗口完成收集输入。 2. 自动化“整理入库”： 系统在入库时自动整理每条内容的关键信息，包括标题、摘要、作者、发布平台、发布日期、收集时间和阅读状态。 阅读清单支持跨平台查看。 3. 智能“选择”推荐： 根据当前收藏记录和用户阅读兴趣进行相关性匹配，生成阅读计划。 使用飞书·稍后读助手： 1. 设置稍后读存储地址： 首次使用，访问。 点击「更多创建副本」，复制新表格的分享链接。 将新链接发送到智能体对话中。 还可以发送“查询存储位置”、“修改存储位置”来更换飞书多维表格链接，调整稍后读存储位置。 2. 收藏待阅读的页面链接： 在对话中输入需要收藏的页面链接，第一次使用会要求授权共享数据，授权通过后再次输入即可完成收藏。但目前部分页面链接可能小概率保存失败。 3. 智能推荐想看的内容： 在对话中发送“我想看 xx”、“xx 内容”，即可按个人兴趣推荐阅读计划。 至此，专属 AI 稍后读智能体大功告成，您可以尽情享受相关服务。

在 Coze 中引导用户输入内容可以参考以下步骤： 1. 设计一个吐槽心灵鸡汤的应用，允许用户输入心灵鸡汤类内容，AI 生成对应的反心灵鸡汤，并展示在前端页面。应用体验地址为：https://www.coze.cn/s/iDGHwn8t/ 核心操作流程： 用户在页面输入指定文本。 用户在页面点击【开喝】按钮。 Coze 后台调用工作流生成对应内容。 工作流生成的内容展示在前端界面内。 核心前端设计： 用户界面提供一个元素 A（Coze 中称作组件），让用户输入内容。 用户界面提供一个按钮 A，让用户点击后调用工作流。 用户界面提供一个元素 B，向用户展示工作流的结果。 核心业务逻辑： 读取元素 A 的用户输入。 将用户输入传递给 AI 大模型。 AI 大模型按照提示词设定生成指定内容。 在元素 B 展示 AI 大模型生成的内容。基于上述业务逻辑，只需要设计一个简单的工作流即可。该工作流由【开始】节点（用户输入）、【大模型】节点（AI 生成内容）、【结束】节点构成（内容输出）。 2. 搭建选择内容推荐流，用于根据用户输入的“想看 xxx 内容”，在稍后读存储地址（飞书多维表格）中，检索现有的收藏记录，匹配符合阅读兴趣的内容记录。 新建工作流「recommendRead」，根据弹窗要求自定义工作流信息。 工作流全局流程设置： 4.1 开始节点：收到用户输入的“想看 xxx 内容”这类指令就开始流程，不需要额外配置（至于如何判断哪些用户输入是在交代想阅读的内容主题，交由外层 bot 的大模型判断）。 4.2 变量节点：引入 bot 变量中保存的飞书多维表格地址，添加变量节点。 4.3 插件节点：添加「飞书多维表格search_records」插件，只需要设置{{app_token}}参数，在{{app_token}}引用变量节点的{{app_token}}，输出结果的{{items}}里会返回需要的查询结果，也可以通过额外的配置定向检索状态为“仅记录（即未读状态）”的收藏记录。 4.4 大模型节点：为了处理的稳定性，这一步采用批处理，对检索出来的收藏记录逐个进行相关性匹配。可以继续优化提示词以提升匹配的精准度。

360 于 8 月 1 日发布了集合国内 16 家主流模型的 AI 助手。用户可以通过其桌面客户端和浏览器等多个入口随时唤起，支持在同一问题上同时使用多个模型进行解答。当用户不确定选择哪个模型时，AI 助手会通过意图识别自动选择模型。您可以体验一下：https://bot.360.com

以下是关于“SOP+AI”的相关内容： 怎样利用 AI 节约 10 倍内容创作时间？ 最近团队开始运营小红书账号，于是打造了“小红书文案专家”。 BOT 名称：小红书文案专家 功能价值：见过多个爆款文案，输入网页或视频链接就能生成对应的小红书文案，辅助创作者生成可一键复制发布的初稿，提供创意和内容，节约 10 倍文字内容创作时间。 应用链接：https://www.coze.cn/s/ij5C6LWd/ 设计思路： 痛点：个人时间有限，希望有人写初稿并生成配图。 实现思路：为自己和团队设计工作流，让 AI 按运营思路和流程工作。 一期产品功能： 1. 提取任何链接中的标题和内容。 2. 按小红书平台文案风格重新整理内容。 3. 加入 emoji 表情包，使文案更有活力。 4. 为文案配图片。 二期计划功能：持续优化升级，增加全网搜索热点功能，提炼热点新闻或事件关键信息，结合用户想要生成的内容方向输出文案和配图。 SOP+AI：打造职场高效能人士的秘密武器 案例分享：X 公司客服团队引入 SOP 和 AI 助手后，工作效率显著提升。引入 SOP 前，客服工作流程混乱，效率低下，客户满意度不高。引入 SOP 标准化操作后，效率提高。进一步引入 AI 助手，自动回复常见问题、处理简单请求，减少客服工作量，还能及时发现问题帮助优化。结果客服团队工作效率提升 30%以上，客户满意度显著提高。SOP 能提升效率、减少失误、促进协作，借助 AI 助手，SOP 制定和优化更高效智能。

对扣子智能体进行专属训练时，需要注意以下要点： 1. 跳转设置：扣子在节点切换提供了独立和非独立两种识别模式。独立识别模式中每个节点都有一个独立识别模型，非独立模式则直接使用当前智能体模型进行判断，实际使用中推荐独立模式。 2. 独立模式的选择：独立模式有两种选择。第一种是面对通用指令时，选择已经训练好的、专门用于节点切换的大型模型，其优点是经过特定训练，无需额外操心设计。第二种是在遇到非常复杂的情景时，使用自定义的大型模型，可根据需求定制模型和编写特定提示词以适应复杂交互场景，但实际测试效果不理想，所以推荐使用第一种。 3. 关键注意点：在使用专门训练的意图识别模型进行节点切换时，要特别注意两个关键点。一是每个智能体的用途必须清晰明确，在设计和实现时要清楚标注其功能和目的，以确保系统能准确识别和响应用户意图。二是智能体的名称非常重要，应清晰、易于识别，便于系统识别和记忆。

以下是关于预训练的相关内容： Atom 系列模型的预训练： Atom 系列模型包含 Atom7B 和 Atom13B，基于 Llama2 做了中文能力的持续优化。Atom 大模型在 Llama2 的基础上，采用大规模的中文数据进行持续预训练，数据来源广泛，包括百科、书籍、博客、新闻、公告、小说、金融数据、法律数据、医疗数据、代码数据、专业论文数据、中文自然语言处理竞赛数据集等。同时对庞大的数据进行了过滤、打分、去重，筛选出超过 1T token 的高质量中文数据，持续不断加入训练迭代中。为了提高中文文本处理的效率，针对 Llama2 模型的词表进行了深度优化，扩展词库至 65,000 个单词，提高了中文编码/解码速度约 350％，还扩大了中文字符集的覆盖范围，包括所有 emoji 符号。Atom 大模型默认支持 4K 上下文，利用位置插值 PI 和 Neural Tangent Kernel（NTK）方法，经过微调可以将上下文长度扩增到 32K。 GPT 助手的预训练： 预训练阶段是 GPT 训练中计算工作基本发生的地方，占用了训练计算时间和浮点运算的 99%。在这个阶段，需要收集大量的数据，如 Common Crawl、C4、GitHub、维基百科、图书、ArXiv、StackExchange 等，并按照一定比例采样形成训练集。在实际训练前，需要进行预处理步骤 Tokenization（分词/标记化），将原始文本翻译成整数序列。 OpenAI o1 的预训练： GPT 4 等 LLM 模型训练一般由“预训练”和“后训练”两个阶段组成。“预训练”通过 Next Token Prediction 从海量数据吸收语言、世界知识、逻辑推理、代码等基础能力，模型规模越大、训练数据量越多，则模型能力越强。

以下是关于 TTS 模型训练的相关内容： 使用 GPTSoVITS 进行 TTS 模型训练： GPTSoVITS 是一个声音克隆和文本到语音转换的开源 Python RAG 框架。 只需 1 分钟语音即可训练一个自己的 TTS 模型。5 秒数据就能模仿您，1 分钟的声音数据就能训练出一个高质量的 TTS 模型，完美克隆您的声音。 主要特点： 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感。模仿出来的声音会更加接近原声，听起来更自然。 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。 预训练模型：项目提供了一些已经训练好的模型，您可以直接下载使用。 GitHub： 视频教程： TTS 模型训练的音库制作和文本前端： 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。 GPTSoVITS 实现 AIyoyo 声音克隆的步骤： 前置数据获取处理： 选择音频，开启切割。 有噪音时，进行降噪处理。 降噪处理完成，开启离线 ASR。 GPTSowitsTTS： 训练集格式化：开启一键三连，耐心等待即可。 微调训练：开启 SoVITS 训练和 GPT 训练。 推理：开始推理 刷新模型 选择微调后的模型 yoyo。 成功：出现新的 URL，说明您自己的声音微调完毕，然后可以进行使用。 声音复刻：开启声音复刻之旅，实现跨多语种语言的声音。 希望以上内容对您有所帮助。

训练自有数据的大模型可以通过以下步骤实现： 1. 了解大模型的概念：大模型是输入大量语料，让计算机获得类似人类的“思考”能力，能够进行文本生成、推理问答、对话、文档摘要等工作。可以用上学参加工作来类比大模型的训练、使用过程，包括找学校（需要大量 GPU 等计算资源）、确定教材（需要大量数据）、找老师（选择合适算法）、就业指导（进行微调）、搬砖（推导）。在 LLM 中，Token 被视为模型处理和生成的文本单位，会对输入进行分词并形成词汇表。 2. 基础训练步骤： 进入厚德云模型训练数据集，如 https://portal.houdeyun.cn/sd/dataset 。 创建数据集：在数据集一栏中，点击右上角创建数据集，输入数据集名称。可以上传包含图片+标签的 zip 文件，也可单独上传照片，但建议提前打包。Zip 文件里图片名称与标签文件应当匹配，上传后等待一段时间确认创建，返回上一个页面等待上传成功并可点击详情检查，能预览数据集的图片及对应的标签。 Lora 训练：点击 Flux，基础模型会默认是 FLUX 1.0D 版本。选择数据集，触发词可有可无，模型效果预览提示词随机抽取数据集里的标签填入。训练参数可调节重复次数与训练轮数，厚德云会自动计算训练步数，可默认 20 重复次数和 10 轮训练轮数，按需求选择是否加速，点击开始训练，会显示所需消耗的算力，等待训练完成，会显示每一轮的预览图，鼠标悬浮到想要的轮次模型，中间会有生图，点击可自动跳转到使用此 lora 生图的界面，点击下方下载按钮可自动下载到本地。 3. 部署和训练自己的 AI 开源模型的主要步骤： 选择合适的部署方式，如本地环境部署、云计算平台部署、分布式部署、模型压缩和量化、公共云服务商部署，根据自身资源、安全和性能需求选择。 准备训练所需的数据和计算资源，确保有足够的训练数据覆盖目标应用场景，并准备足够的计算资源，如 GPU 服务器或云计算资源。 选择合适的预训练模型作为基础，如开源的预训练模型 BERT、GPT 等，也可自行训练基础模型。 针对目标任务进行模型微调训练，根据具体应用场景对预训练模型进行微调训练，优化模型结构和训练过程以提高性能。 部署和调试模型，将训练好的模型部署到生产环境，对部署的模型进行在线调试和性能优化。 注意安全性和隐私保护，大模型涉及大量数据和隐私信息，需要重视安全性和合规性。 总的来说，训练自有数据的大模型需要综合考虑多方面因素，包括部署方式、数据准备、模型训练、部署调试以及安全性等。需要根据具体需求选择合适的方法，并注意优化各个环节以提高模型性能和应用效果。

训练自己的 AI 可以从以下几个方面考虑： 1. 像在医疗保健领域一样，创建模型生态系统，让 AI 像优秀的从业者那样学习。顶尖人才的培养通常从多年的密集信息输入和正规教育开始，再通过学徒实践从出色的实践者那里学习，获取书本外的信息。对于 AI ，应通过堆叠模型训练，而非仅依靠大量数据和生成模型。例如先训练基础学科模型，再添加特定领域数据点。 2. 部署和训练自己的 AI 开源模型的主要步骤： 选择合适的部署方式，如本地环境部署、云计算平台部署、分布式部署、模型压缩和量化、公共云服务商部署等，根据自身资源、安全和性能需求选择。 准备训练所需的数据和计算资源，确保有足够的训练数据覆盖目标应用场景，并准备足够的计算资源，如 GPU 服务器或云计算资源。 选择合适的预训练模型作为基础，如开源的 BERT、GPT 等，也可自行训练基础模型。 针对目标任务进行模型微调训练，根据具体应用场景对预训练模型进行微调，优化模型结构和训练过程以提高性能。 部署和调试模型，将训练好的模型部署到生产环境，并进行在线调试和性能优化。 注意安全性和隐私保护，重视大模型涉及的大量数据和隐私信息的安全性和合规性。 3. 学习拆解复杂任务，先想清楚如何拆解： 一步步思考，包括自我反省，检查答案是否正确、是否符合法律/道德等。 运用组合拳，如 Tree of Thoughts、Algorithm of Thoughts、Graph of Thoughts 等。 学会使用工具，如搜索引擎（警惕“幻觉”）、RAG（提供资料库/让其上网搜）、写公式 Program of Thought 、上千个工具等，并自己学习使用工具。

大模型的训练方式如下： 1. 通俗来讲，大模型是输入大量语料，让计算机获得类似人类的“思考”能力，能进行文本生成、推理问答、对话、文档摘要等工作。可以用“上学参加工作”来类比其训练和使用过程： 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。 确定教材：大模型需要大量数据，几千亿序列（Token）的输入基本是标配。 找老师：即选择合适算法讲述“书本”内容，让大模型更好理解Token之间的关系。 就业指导：为让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 搬砖：就业指导完成后，进行如翻译、问答等工作，在大模型里称之为推导（infer）。Token被视为模型处理和生成的文本单位，能代表单个字符、单词等，在将输入进行分词时，会形成词汇表。 2. 100基础训练大模型的步骤： 步骤一·创建数据集：进入厚德云模型训练数据集（https://portal.houdeyun.cn/sd/dataset），在数据集一栏中点击右上角创建数据集，输入数据集名称。zip文件可以是包含图片+标签txt，也可以只有图片没有打标文件，也可以一张一张单独上传照片，但建议提前把图片和标签打包成zip上传。Zip文件里图片名称与标签文件应当匹配，例如：图片名"1.png"，对应的达标文件就叫"1.txt"。上传zip以后等待一段时间，确认创建数据集，返回到上一个页面，等待一段时间后上传成功，可以点击详情检查，可预览到数据集的图片以及对应的标签。 步骤二·Lora训练：点击Flux，基础模型会默认是FLUX 1.0D版本，选择数据集，点击右侧箭头，会跳出所有上传过的数据集。触发词可有可无，取决于数据集是否有触发词。模型效果预览提示词则随机抽取一个数据集中的标签填入即可。训练参数这里可以调节重复次数与训练轮数，厚德云会自动计算训练步数，如果不知道如何设置，可以默认20重复次数和10轮训练轮数，可以按需求选择是否加速，点击开始训练，会显示所需要消耗的算力，然后等待训练，会显示预览时间和进度条，训练完成的会显示出每一轮的预览图，鼠标悬浮到想要的轮次模型，中间会有个生图，点击会自动跳转到使用此lora生图的界面。点击下方的下载按钮则会自动下载到本地。 步骤三·Lora生图：点击预览模型中间的生图会自动跳转到相应页面。模型上的数字代表模型强度，可在0.61.0之间调节，也可以自己添加lora文件，点击后会显示训练过的所有lora的所有轮次。VAE不需要替换，正向提示词输入写的提示词，可以选择基于这个提示词一次性生成几张图，选择生成图片的尺寸，横板、竖版、正方形。采样器和调度器新手小白可以默认，迭代步数可以在2030之间调整，CFG可以在3.57.5之间调整，随机种子1代表随机生成图。所有设置都好了以后，点击开始生态，生成的图会显示在右侧。如果有哪次生成结果觉得很不错，想要微调或者高分辨率修复，可以点开那张图，往下滑，划到随机种子，复制下来，粘贴到随机种子这里，这样下次生成的图就会和这次的结果近似。如果确认了一张很合适的种子和参数，想要搞清放大，则点开高清修复，可以选择想放大的倍数，新手小白可以就默认这个算法，迭代步数建议在2030之间，重回幅度根据需求调整，正常在0.30.7之间调整。 3. 今日作业：按照比赛要求，收集六个主题中一个主题的素材并且训练出lora模型后提交lora模型与案例图像。提交链接:https://waytoagi.feishu.cn/share/base/form/shrcnpJAtTjID7cIcNsWB79XMEd