直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

AI大模型历程

回答

AI 大模型的发展历程如下:

  1. 早期阶段(1950s - 1960s):包括专家系统、博弈论、机器学习初步理论。
  2. 知识驱动时期(1970s - 1980s):出现专家系统、知识表示、自动推理。
  3. 统计学习时期(1990s - 2000s):机器学习算法如决策树、支持向量机、贝叶斯方法等得到发展。
  4. 深度学习时期(2010s - 至今):深度神经网络、卷积神经网络、循环神经网络等技术兴起。

自 2022 年 11 月 30 日 ChatGPT 发布以来,国内大模型大致经历了三个阶段:准备期(ChatGPT 发布后国内产学研迅速形成大模型共识)、成长期(国内大模型数量和质量开始逐渐增长)、爆发期(各行各业开源闭源大模型层出不穷,形成百模大战的竞争态势)。

当前,随着大模型技术的愈发成熟和规模增大,为 AI Agent 提供了强大能力,有望构建具备自主思考、决策和执行能力的智能体,并广泛应用于多个行业和领域。当前 AI 的前沿技术点包括:大模型(如 GPT、PaLM 等)、多模态 AI(视觉 - 语言模型如 CLIP、Stable Diffusion 以及多模态融合)、自监督学习(自监督预训练、对比学习、掩码语言模型等)、小样本学习(元学习、一次学习、提示学习等)、可解释 AI(模型可解释性、因果推理、符号推理等)、机器人学(强化学习、运动规划、人机交互等)、量子 AI(量子机器学习、量子神经网络等)、AI 芯片和硬件加速。

内容由 AI 大模型生成,请仔细甄别(powered by aily)

参考资料

开发:AI应用大模型商业化落地现状与思考

大家下午好!很荣幸能够作为本次活动的分享嘉宾,我是甲木,LangGPT团队成员,很高兴给大家带来《大模型商业化落地现状与思考》的分享。本次分享的内容主要分为五个模块,从大模型的背景入手、深入探讨其在商业领域的现状和应用。接着,我们将分析在商业化过程中所遇到的挑战,并分享一些实战经验,最后将展望AI作为通用技术能够发挥生产力效能所要经历的几个阶段。[heading2]一、大模型的背景和趋势[content]首先,我们先来看大模型的背景和发展趋势。关于AI的演进历程,很多媒体包括各类研究资料都已经做过详细的介绍,相信今天在座的各位对AI的基本情况都已有所了解,因此我不会过多赘述AI的演进历程。(有兴趣的小伙伴可以多从公开资料中查找一下~)我们的重点将放在大模型当前的应用能力上,随着大模型技术的愈发成熟,规模增大,大模型为AI Agent()提供强大能力。Agent+大模型将有望构建具备自主思考、决策和执行能力的智能体,进一步提升大模型的应用能力,广泛应用于多个行业和领域。

问:AI的技术历史和发展方向,目前最前沿的技术点有哪些

AI技术的发展历程和前沿技术点可以概括如下:[heading2]AI技术发展历程[content]1.早期阶段(1950s-1960s):专家系统、博弈论、机器学习初步理论2.知识驱动时期(1970s-1980s):专家系统、知识表示、自动推理3.统计学习时期(1990s-2000s):机器学习算法(决策树、支持向量机、贝叶斯方法等)4.深度学习时期(2010s-至今):深度神经网络、卷积神经网络、循环神经网络等[heading2]当前AI前沿技术点[content]1.大模型(Large Language Models):GPT、PaLM等2.多模态AI:视觉-语言模型(CLIP、Stable Diffusion)、多模态融合3.自监督学习:自监督预训练、对比学习、掩码语言模型等4.小样本学习:元学习、一次学习、提示学习等5.可解释AI:模型可解释性、因果推理、符号推理等6.机器人学:强化学习、运动规划、人机交互等7.量子AI:量子机器学习、量子神经网络等8.AI芯片和硬件加速

2023年度中文大模型基准测评报告.pdf

5(关键进展)时间准备期成长期爆发期◼自2022年11月30日ChatGPT发布以来,AI大模型在全球范围内掀起了有史以来规模最大的人工智能浪潮。国内学术和产业界在过去一年也有了实质性的突破。大致可以分为三个阶段,即准备期(ChatGPT发布后国内产学研迅速形成大模型共识)、成长期(国内大模型数量和质量开始逐渐增长)、爆发期(各行各业开源闭源大模型层出不穷,形成百模大战的竞争态势)。故事的起点:ChatGPT发布国内迅速形成大模型共识

其他人在问
请问有没有AI工具可以实现把一个物体生成多个角度
目前有一些 AI 工具可以实现把一个物体生成多个角度。例如,在图像生成方面,像 OpenAI 等机构的相关模型能够生成同一场景的多个角度,包括具有物理上准确的光线,甚至在某些情况下还能生成物理上准确的流体和雨水。 在生成 AI 人物形象时,也可以通过选择不同的拍摄角度来实现。常用的角度包括高角度、低角度和平视角度。 高角度:位于被拍摄对象的上方,适合拍摄俯视角度的场景,可以突出被拍摄对象的大小和高度。 低角度:位于被拍摄对象的下方,适合拍摄仰视角度的场景,可以突出被拍摄对象的高度和威严感。 平视角度:与被拍摄对象在同一高度,适合拍摄平面场景,可以突出被拍摄对象的水平线和平衡感。 此外,人物构图的视角还可以按照相机相对于被拍摄对象的位置,分为正面、背面和侧面等不同方向。 正视角:拍摄对象正对着相机的姿态,使人像呈现出正面的视角。 后视角:从被摄对象的背后拍摄的视角,能营造出神秘或者引人遐想的氛围。
2024-11-05
ai未来发展
AI 的未来发展具有以下几个方面的特点和趋势: 1. 应用场景不断扩展: 自动驾驶:用于开发自动驾驶汽车,提升交通安全性和效率。 交通管理:优化交通信号灯和交通流量,缓解拥堵。 物流和配送:优化物流路线和配送计划,降低运输成本,包括无人机送货到偏远地区。 教育:提供个性化学习体验。 农业:分析农田数据,提高农作物产量和质量。 娱乐:开发虚拟现实和增强现实体验。 能源:优化能源使用,提高能源效率。 2. 资金投入增加:预计 2024 年有团队会花费超过 10 亿美元训练单个大型模型,生成式 AI 的热潮持续且更加“奢华”。 3. 面临计算压力挑战:政府和大型科技公司承受计算需求压力,逼近电网极限。 4. 对选举的潜在影响:虽尚未成真,但需警惕。 5. 为公司赋能:许多公司将 AI 融入工作流程,快速达成 KPI,如 ServiceNow、Palo Alto Networks、Hubspot、Klarna 等公司通过不同方式获益。 6. 未来有望围绕 AI 功能重新设计 UX 和 UI,开发全新用户界面以提供新体验。 总之,AI 领域充满惊喜、伦理挑战和巨大的商业价值,未来将继续突破界限、挑战极限,并可能重新定义一些熟悉的词汇。
2024-11-05
视频导出动作的AI
以下是关于视频导出动作的 AI 相关信息: AI 视频导出方面:普通社交媒体分享选 1080P,需放大选 720P,码率越高越好,可自定义最高 5 万。 Move AI 推出的 Move API 能从 2D 视频生成 3D 运动数据,支持多种 3D 文件格式导出,为 AR 应用、游戏开发等提供高质量 3D 运动数据,相关链接为 https://move.ai/api 。
2024-11-05
有没有关于动捕的AI
以下是关于动捕的 AI 相关信息: Move AI 是由一家成立于 19 年的英国公司推出的产品。它的特点是通过手机拍摄视频画面实现动作捕捉,无需佩戴动捕设备即可获取动作捕捉数据,能够极大降低 3D 动画制作成本。 目前测试版应用还比较简陋,公开可下载的 Move AI 版本目前也不再接受新用户注册,全部功能开放使用应该还需要一定时间。 Move AI 支持多台移动端设备同时录制视频,视频上传到 web 端后进行动作检测,支持导出为 FBX 等格式的文件,并导入 iClone 8、Blend、Maya 等软件中,驱动模型进行动作播放。 目前无法实践测试效果,找了半年前的一个测评案例给大家看下,by JSFILMZ,完整使用过程可见:https://www.youtube.com/watch?v=PDFqN_pvEUE 。 该产品若开放使用,会对电影、游戏 3D 动画制作、虚拟主播直播、影视剧制作等场景会产生深刻影响。未来设计师可能只需要拍摄特定动作并映射到制作好的 3D 模型中,快速制作动画方案。 此外,在游戏创作中,还有一些公司涉足动捕相关的生成式 AI 领域,如 Kinetix、DeepMotion、RADiCAL、Move Ai 和 Plask。
2024-11-05
AI大模型的历史路径
AI 大模型的发展历史路径大致如下: 1. 早期阶段(1950s 1960s):出现专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期(1970s 1980s):专家系统、知识表示、自动推理得到发展。 3. 统计学习时期(1990s 2000s):机器学习算法如决策树、支持向量机、贝叶斯方法等兴起。 4. 深度学习时期(2010s 至今):深度神经网络、卷积神经网络、循环神经网络等技术不断发展。 自 2022 年 11 月 30 日 ChatGPT 发布以来,AI 大模型在全球范围内掀起了大规模的人工智能浪潮。国内学术和产业界在过去一年也有了实质性突破,大致分为三个阶段: 1. 准备期:ChatGPT 发布后,国内产学研迅速形成大模型共识。 2. 成长期:国内大模型数量和质量开始逐渐增长。 3. 爆发期:各行各业开源闭源大模型层出不穷,形成百模大战的竞争态势。 随着大模型技术的愈发成熟和规模增大,为 AI Agent 提供了强大能力,有望构建具备自主思考、决策和执行能力的智能体,广泛应用于多个行业和领域。当前 AI 前沿技术点包括大模型(如 GPT、PaLM 等)、多模态 AI、自监督学习、小样本学习、可解释 AI、机器人学、量子 AI 以及 AI 芯片和硬件加速等。
2024-11-05
详细描述AI大模型历史
AI 大模型的发展具有丰富的历史。 早期阶段,人工智能经历了从图灵测试、早期的图灵机器人和 ELISA,到 IBM 的语音控制打印机、完全由人工智能创作的小说、微软的同声传译系统等的发展。 随着技术的进步,大模型逐渐兴起。其由数据、算法、算力构成,算法有技术架构的迭代,如英伟达的显卡辅助模型训练,而数据质量对生成理想的大模型至关重要。 近年来,从 2022 年开始掀起了生成式 AI 的革命。生成式 AI 是深度学习中的一个细分流派,相较之前的所有 AI 实现方法,在结果质量和效果上有了根本性、跨时代的进步。在某些细分场景应用中,甚至让人感觉通过了图灵测试。 随着大模型技术愈发成熟、规模增大,为 AI Agent 提供了强大能力,有望构建具备自主思考、决策和执行能力的智能体,广泛应用于多个行业和领域。如今,大模型和多模态模型呈现出百花齐放的态势。
2024-11-05
AI的发展历程
AI 的发展历程如下: 1. 早期阶段(1950s 1960s):包括专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期(1970s 1980s):主要有专家系统、知识表示、自动推理。 3. 统计学习时期(1990s 2000s):出现了机器学习算法,如决策树、支持向量机、贝叶斯方法等。 4. 深度学习时期(2010s 至今):深度神经网络、卷积神经网络、循环神经网络等得到广泛应用。 当前 AI 前沿技术点包括: 1. 大模型,如 GPT、PaLM 等。 2. 多模态 AI,如视觉 语言模型(CLIP、Stable Diffusion)、多模态融合。 3. 自监督学习,如自监督预训练、对比学习、掩码语言模型等。 4. 小样本学习,如元学习、一次学习、提示学习等。 5. 可解释 AI,包括模型可解释性、因果推理、符号推理等。 6. 机器人学,涵盖强化学习、运动规划、人机交互等。 7. 量子 AI,如量子机器学习、量子神经网络等。 8. AI 芯片和硬件加速。 AI 的起源最早可追溯到 1943 年,心理学家麦卡洛克和数学家皮特斯提出了机器的神经元模型,为后续的神经网络奠定了基础。1950 年,图灵最早提出了图灵测试,作为判别机器是否具备智能的标准。1956 年,在美国达特茅斯学院召开的会议上,人工智能一词被正式提出,并作为一门学科被确立下来。此后近 70 年,AI 的发展起起落落。 最初,符号推理流行,带来了专家系统等重要进展,但因方法的局限性,20 世纪 70 年代出现了“人工智能寒冬”。随着计算资源变便宜、数据增多,神经网络方法在计算机视觉、语音理解等领域展现出卓越性能,过去十年中,“人工智能”一词常被用作“神经网络”的同义词。
2024-10-29
大语言模型发展历程
大语言模型的发展历程如下: 2017 年,发布了《Attention Is All You Need》论文,为后续发展奠定基础。 2018 年,Google 提出 BERT(Bidirectional Encoder Representations from Transformers),其创新性地采用双向预训练并行获取上下文语义信息,以及掩码语言建模(MLM)以更好地推断语义信息,参数规模在 110M 到 340M 之间。 2018 年,OpenAI 提出 GPT(Generative Pretrained Transformer),开创了仅使用自回归语言建模作为预训练目标而无需额外监督信号的方式,展示了强大的语言生成能力,参数规模达 1750 亿。 2021 年,Meta 提出 Large LAnguage Model Approach(LLAMA),这是首个开源模型,为构建更大规模、更通用的语言模型提供了方法与工具,参数规模在十亿到千亿之间。 此外,OpenAI 的 GPT3.5 是其大语言模型 GPT 系列中多年来最完善的一次迭代,并通过 ChatGPT 成功推向大众,在短时间内实现了用户的快速增长。 在语言模型的发展中,20 世纪 80 年代发明了递归神经网络(RNN)处理单词序列,但存在训练速度慢和遗忘问题。1997 年发明的长短期记忆(LSTM)网络解决了部分问题,但语言能力有限。 2020 年中期,Lewis 等人提出检索增强生成(RAG),它将外部数据检索整合到生成过程中,提高了模型提供准确和相关回答的能力。RAG 的演进轨迹在四个不同阶段展开,2017 年的创始阶段主要重点是通过预训练模型(PTM)来吸收额外的知识以增强语言模型。
2024-10-15
ai发展历程
AI 技术的发展历程大致可分为以下几个阶段: 1. 早期阶段(1950s 1960s):包括专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期(1970s 1980s):主要有专家系统、知识表示、自动推理。 3. 统计学习时期(1990s 2000s):出现了机器学习算法,如决策树、支持向量机、贝叶斯方法等。 4. 深度学习时期(2010s 至今):深度神经网络、卷积神经网络、循环神经网络等得到广泛应用。 当前 AI 的前沿技术点包括: 1. 大模型,如 GPT、PaLM 等。 2. 多模态 AI,例如视觉 语言模型(CLIP、Stable Diffusion)、多模态融合。 3. 自监督学习,如自监督预训练、对比学习、掩码语言模型等。 4. 小样本学习,包括元学习、一次学习、提示学习等。 5. 可解释 AI,涵盖模型可解释性、因果推理、符号推理等。 6. 机器人学,涉及强化学习、运动规划、人机交互等。 7. 量子 AI,包含量子机器学习、量子神经网络等。 8. AI 芯片和硬件加速。
2024-09-30
详细介绍aigc技术发展历程
AIGC 技术的发展历程主要包括以下几个重要阶段: 1. 机器学习阶段: 根据卡耐基梅隆大学计算机学院教授汤姆·米切尔(Tom Michell)的定义,机器学习是指“计算机程序能从经验 E 中学习,以解决某一任务 T,并通过性能度量 P,能够测定在解决 T 时机器在学习经验 E 后的表现提升”。 数据获取:为机器提供用于学习的数据。 特征工程:提取出数据中的有效特征,并进行必要的转换。 模型训练:学习数据,并根据算法生成模型。 评估与应用:将训练好的模型应用在需要执行的任务上并评估其表现,如果取得了令人满意的效果就可以投入应用。 2. 图灵测试与起源阶段:1950 年,艾伦·图灵发表了一篇划时代的论文《计算机器与智能》,探讨了让机器具备人类一样智能的可能性。论文在开篇就抛出了一个有趣的问题:“机器能思考吗?” 3. 行为主义阶段: 行为主义起源于控制论,主要关注模拟人的智能行为和动作,而非内部认知过程。 与符号主义相比,行为主义不强调对智能的深层理解,而是通过观察和模仿行为来实现智能控制。 这一流派在智能机器人和自动化控制系统领域有广泛应用,21 世纪末随着相关技术的进步,行为主义开始受到更多关注,尽管它在智能模拟方面存在局限性,如缺乏对智能本质的深入理解。
2024-09-28
AIGC技术发展历程
AIGC 技术的发展历程如下: 起源:1950 年,艾伦·图灵发表了划时代的论文《计算机器与智能》,探讨了让机器具备人类一样智能的可能性,提出了“机器能思考吗?”这一问题,开启了 AIGC 技术的探索。 行为主义:行为主义起源于控制论,主要关注模拟人的智能行为和动作,而非内部认知过程。21 世纪末随着相关技术的进步,行为主义在智能机器人和自动化控制系统领域受到更多关注,尽管存在对智能本质缺乏深入理解等局限性。 发展现状:GenAI(生成式 AI)作为一种强大的技术,能够从已有数据中学习并生成新的数据或内容,利用 GenAI 创建的内容即 AIGC。AIGC 主要分为语言文本生成、图像生成和音视频生成。语言文本生成利用马尔科夫链、RNN、LSTMs 和 Transformer 等模型生成文本,如 GPT4 和 GeminiUltra。图像生成依赖于 GANs、VAEs 和 Stable Diffusion 等技术,应用于数据增强和艺术创作,代表项目有 Stable Diffusion 和 StyleGAN 2。音视频生成利用扩散模型、GANs 和 Video Diffusion 等,广泛应用于娱乐和语音生成,代表项目有 Sora 和 WaveNet。此外,AIGC 还可应用于音乐生成、游戏开发和医疗保健等领域,展现出广泛的应用前景。目前,我国对 AIGC 的监管框架由《网络安全法》《数据安全法》及《个人信息保护法》构成,并与《互联网信息服务算法推荐管理规定》《互联网信息服务深度合成管理规定》《生成式人工智能服务管理暂行办法》《科技伦理审查办法(试行)》等形成了共同监管的形势。
2024-09-28
AI的发展历程
AI 的发展历程主要分为以下几个阶段: 1. 早期阶段(1950s 1960s):出现了专家系统、博弈论以及机器学习的初步理论。 2. 知识驱动时期(1970s 1980s):专家系统、知识表示和自动推理得到发展。 3. 统计学习时期(1990s 2000s):机器学习算法如决策树、支持向量机、贝叶斯方法等兴起。 4. 深度学习时期(2010s 至今):深度神经网络、卷积神经网络、循环神经网络等技术成为主流。 AI 绘画的发展历程显示,从早期的机械臂机器人到当前的大语言模型,技术的进步使得 AI 绘画在创作质量和速度上取得了新的突破。这种技术进步不仅为艺术家提供了新的工具和可能性,也推动了传统艺术的数字化和普及化。 关于大模型,随着其技术愈发成熟、规模增大,为 AI Agent 提供了强大能力。Agent + 大模型有望构建具备自主思考、决策和执行能力的智能体,进一步提升大模型的应用能力,并广泛应用于多个行业和领域。
2024-09-13
大模型预测文本
大模型的构建过程通常包括以下步骤: 1. 收集海量数据:如同教孩子成为博学多才的人,让其阅读大量书籍、观看纪录片、与人交谈一样,对于 AI 模型,要收集互联网上的文章、书籍、维基百科条目、社交媒体帖子等各种文本数据。 2. 预处理数据:就像为孩子整理学习资料,AI 研究人员需要清理和组织收集到的数据,如删除垃圾信息、纠正拼写错误、将文本分割成易于处理的片段。 3. 设计模型架构:如同为孩子设计学习计划,研究人员要设计 AI 模型的“大脑”结构,通常是一个复杂的神经网络,比如 Transformer 架构,这种架构擅长处理序列数据如文本。 4. 训练模型:如同孩子开始阅读和学习,AI 模型开始“阅读”提供的数据,反复尝试预测句子中的下一个词,通过不断重复这个过程,逐渐学会理解和生成人类语言。 大模型存在一些问题: 1. 输出结果具有不可预测性,静态的训练数据导致知识存在截止日期,无法即时掌握最新信息,通用的基础大模型无法满足实际业务需求。 2. 知识具有局限性,模型自身的知识源于训练数据,对于实时性、非公开或离线的数据无法获取。 3. 存在幻觉问题,会在没有答案时提供虚假信息、过时或通用的信息,从可信度低非权威来源提供结果等。 4. 数据安全性是企业关注的重点,企业不愿承担数据泄露风险,将私域数据上传第三方平台训练。 而 RAG 是解决上述问题的有效方案,它能让大模型从权威、预先确定的知识来源中检索、组织相关信息,更好地控制生成的文本输出,用户也能深入了解 LLM 生成最终结果的过程。RAG 可与微调结合使用,两者不冲突。RAG 类似于为模型提供教科书,适用于回答特定询问或解决特定信息检索任务,但不适合教模型理解广泛领域或学习新语言、格式或样式。微调类似于让学生内化知识,适用于模型需要复制特定结构、样式或格式的情况。参考资料:《RetrievalAugmented Generation for Large Language Models:A Survey》(https://arxiv.org/pdf/2312.10997.pdf)
2024-11-05
应急大模型推荐哪个
以下为一些应急大模型的推荐及相关信息: 常用的模型网站有: 不同类型的模型安装位置: 大模型(Ckpt):放入 models\\Stablediffusion VAE 模型:一些大模型需要配合 vae 使用,对应的 vae 同样放置在 models\\Stablediffusion 或 models\\VAE 目录,然后在 webui 的设置栏目选择。 Lora/LoHA/LoCon 模型:放入 extensions\\sdwebuiadditionalnetworks\\models\\lora,也可以在 models/Lora 目录 Embedding 模型:放入 embeddings 目录 不同照片风格对应不同大模型,例如生成真人 AI 小姐姐,可选用 chilloutmix 的大模型。生成真实场景下的字体,可选择 lofi.v2 等大模型。不同的大模型对 ControlNet 模型的控制力有不同的适应度,可能需要微调参数。
2024-11-05
开源大模型ChatGLM 系列有哪些版本
ChatGLM 系列的开源版本包括: ChatGLM36B:第三代 ChatGLM 对话模型,采用全新设计的 Prompt 格式,原生支持工具调用、代码执行和 Agent 任务等复杂场景。 ChatGLM36Bbase:第三代 ChatGLM 基座模型,采用更多样的训练数据、更充分的训练步数和更合理的训练策略,在 10B 以下的基础模型中性能较强。 ChatGLM36B32k:第三代 ChatGLM 长上下文对话模型,在 ChatGLM36B 的基础上进一步强化了对长文本的理解能力,能处理最多 32K 长度的上下文。
2024-11-04
智谱清言的开源大模型哪些种类
智谱清言的开源大模型种类包括: 多模态模型: CogAgent18B:基于 CogVLM17B 改进的开源视觉语言模型,拥有 110 亿视觉参数和 70 亿语言参数,支持 11201120 分辨率的图像理解,具备 GUI 图像的 Agent 能力。代码链接:、始智社区。 CogVLM17B:强大的开源视觉语言模型(VLM),在多模态权威学术榜单上综合成绩优异。代码链接:。 Visualglm6B:开源的支持图像、中文和英文的多模态对话语言模型,语言模型基于 ChatGLM6B,具有 62 亿参数;图像部分通过训练 BLIP2Qformer 构建起视觉模型与语言模型的桥梁,整体模型共 78 亿参数。代码链接:。 RDM:Relay Diffusion Model,级联扩散模型,可以从任意给定分辨率的图像快速生成,而无需从白噪声生成。代码链接:。 此外,智谱清言是智谱 AI 和清华大学推出的大模型产品,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。智谱清言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。总体来看,智谱清言更擅长专业能力,但在代码能力上还有一定优化空间,知识百科与其他第一梯队模型相比稍显不足。综合来看,智谱清言是一个很有竞争力的大模型。可应用的场景相对广泛,根据 SuperCLUE 测评结果,优先推进在 AI 智能体方面相关的应用,包括任务规划、工具使用及一些长文本记忆相关的场景。另外在较复杂推理应用上的效果会比较不错,在广告文案、文学写作方面也是一个很好的选择。
2024-11-04