分享AI使用方法

[復(fù)制鏈接]

1216294890

電梯直達(dá)

1^#

發(fā)表于 2024-12-25 14:20:06 | 只看該作者 |只看大圖 |倒序?yàn)g覽 |閱讀模式

用AI的閱讀模塊，可以幫我們解讀一些標(biāo)準(zhǔn)和守則；
例如可以先問AI你的問題在哪個標(biāo)準(zhǔn)，找到標(biāo)準(zhǔn)上傳，就可以隨便提問標(biāo)準(zhǔn)里的要求

分享到: QQ好友和群 QQ空間

收藏2 轉(zhuǎn)播 分享 淘帖0 問題專業(yè)，描述清楚0 伸手黨/灌水/看不懂0

回復(fù)

使用道具舉報

浩浩乎

點(diǎn)評

學(xué)者11

使用rga向量化文檔，哥們說人話，你在機(jī)械論壇扯什么向量化。發(fā)表于 2024-12-25 15:11

回復(fù) 問題專業(yè)，描述清楚伸手黨/灌水/看不懂

使用道具舉報

學(xué)者11

4^#

發(fā)表于 2024-12-25 15:35:20 | 只看該作者

拽詞裝B失敗的典型，那叫使用rag向量化文檔。
"RAG" 是 "Retrieval-Augmented Generation" 的縮寫，它是一種結(jié)合了信息檢索（Retrieval）和生成模型（Generation）的技術(shù)。
在傳統(tǒng)的文本生成任務(wù)中，模型僅基于其訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)測或生成新的文本。然而，在某些情況下，我們希望模型能夠訪問最新的、特定領(lǐng)域的或者更加廣泛的信息來增強(qiáng)其生成的內(nèi)容。這時，RAG 就可以派上用場。
首先，需要將文檔庫中的文檔轉(zhuǎn)換為向量表示。這一步驟通常使用預(yù)訓(xùn)練的編碼器（比如 BERT 或其他類似的模型），將每個文檔編碼成一個固定長度的向量。這些向量隨后被存儲在一個高效的索引結(jié)構(gòu)中，如 FAISS 或 Annoy，以便快速搜索相似的文檔。
當(dāng)有一個查詢或者需要生成內(nèi)容時，該查詢會被相同的編碼器轉(zhuǎn)化為向量形式。
接下來，查詢向量會與文檔庫中的文檔向量進(jìn)行比較，以找到最相關(guān)的文檔。這個過程通常是通過計(jì)算余弦相似度或其他距離度量完成的。
檢索到的相關(guān)文檔會被作為額外的信息提供給生成模型。這涉及到直接附加到查詢之后，或者以某種方式融入到生成模型的輸入中。
最后，生成模型利用查詢以及檢索到的相關(guān)文檔的信息來生成更準(zhǔn)確、更豐富的響應(yīng)。

問題這些騒操作是普通人能做的了的嗎，他必須在自家電腦上下載個LLM，然后還用高級顯卡來訓(xùn)練這個模型。
并且在需要的時候使用RAG向量文檔，這不是發(fā)燒友就根本做不到。
所以我說要講人話，你應(yīng)該知道普通人只可能聯(lián)網(wǎng)使用公有云上的大模型。