LLM Portfolio Projects Ideas to Wow Employers
使用 LangChain、VectorDB、FastAPI、OpenAI API、Zyte、Ollama 和 Hugging Face 构建有趣的 AI 项目。
Do LLMs Reign Supreme in Few-Shot NER? Part III
通过使用基于 LLM 的方法比较其性能，探索 LLM 在少样本命名实体识别 (NER) 中的有效性。
Clarifai 10.5: Gear Up Your AI: Fine-Tuning LLMs
微调 LLM、编码应用程序模板、Clarifai LiteLLM 集成、新模型：GPT-4o、Gemini-1.5-Flash、Snowflake Arctic-Instruct 模型，以及其他功能改进和错误修复。
Empowering AI Builders with DataRobot’s Advanced LLM Evaluation and Assessment Metrics
DataRobot 在其 Playground 中引入了一套高级 LLM 评估、测试和评估指标，提供使其有别于其他平台的功能。文章 使用 DataRobot 的高级 LLM 评估和评估指标为 AI 构建者赋能首次出现在 DataRobot AI 平台上。
Beginner’s Guide to Building LLM Apps with Python
在本文中，您将了解开始使用 Python 编程语言构建 LLM 应用程序所需的知识。
What We Learned from a Year of Building with LLMs (Part III): Strategy
我们之前分享了我们在操作 LLM 应用程序时磨练的策略的见解。策略是细粒度的：它们是用于实现特定目标的具体行动。我们还分享了我们对运营的看法：支持战术工作以实现目标的更高级别流程。但这些目标从何而来？这是战略的领域。战略回答 […]
What We Learned from a Year of Building with LLMs (Part II)
许多领导人都曾说过这样一句可能不实的名言：“业余人士谈论战略和战术。专业人士谈论运营。”战术视角看到的是一大堆独特的问题，而运营视角看到的是需要修复的组织功能障碍模式。战略视角看到的是机遇，而运营视角看到的是值得迎接的挑战。部分原因在于 […]
MoRA: игры, финансы, медицина - границы применения LLM расширяются
科学家们发现了如何降低训练大型语言模型的成本。
What We Learned from a Year of Building with LLMs (Part I)
现在是使用大型语言模型 (LLM) 进行构建的激动人心的时刻。在过去的一年里，LLM 已经“足够好”用于现实世界的应用。LLM 的改进速度，加上社交媒体上的一系列演示，将推动到 2025 年对人工智能的投资达到约 2000 亿美元。LLM 也广泛可用，允许每个人[…]
Может ли ИИ читать мысли? LLM-модели осваивают теорию разума
新研究表明 GPT-4 和 Llama 2 如何更接近人类智能。
The Human Touch: Evaluating the Real-World Effectiveness of LLMs
简介 随着大型语言模型 (LLM) 的发展加速，全面评估它们在各个领域的实际应用至关重要。本文深入探讨了 LLM（例如 BLOOM）经过严格测试的七个关键领域，利用人类洞察力来衡量其真正的潜力和局限性。人工智能的人类洞察力 #1：有毒语音检测 […]
Natural language boosts LLM performance in coding, planning, and robotics
三种神经符号方法可帮助语言模型在自然语言中找到更好的抽象，然后使用这些表示来执行复杂的任务。
How to Choose the Right LLM for Your Use Case
让我们深入了解如何轻松地为模型设置端点、探索和比较 LLM 并安全地部署它们，同时在生产中启用强大的模型监控和维护功能。文章“如何为您的用例选择合适的 LLM”首先出现在 DataRobot AI 平台上。
Clarifai 10.2: Report card for your LLMs
探索 LLM 评估的最新更新、新模型（Claude 3、Gemma 等）、免费深度训练剩余时间通知等。
研究人员演示了一种通过提示注入传播的蠕虫。详情：在一个案例中，研究人员扮演攻击者，写了一封包含对抗性文本提示的电子邮件，该提示使用检索增强生成 (RAG)“毒害”电子邮件助手的数据库，这是 LLM 从系统外部提取额外数据的一种方式。Nassi 表示，当 RAG 响应用户查询检索电子邮件并将其发送到 GPT-4 或 Gemini Pro 以创建答案时，它会“越狱 GenAI 服务”并最终窃取电子邮件中的数据。 Nassi 表示：“生成的响应包含敏感用户数据，当它用于回复发送给新客户的电子邮件并存储在新客户的数据库中时，它会感染新主机。”
Introducing MPT-7B: a new open-source, commercially usable LLM
MPT-7B 提供优化的架构和性能增强，包括与 HuggingFace 生态系统的兼容性。该模型在 1 万亿个文本和代码标记上进行了训练，并为可商业使用的 LLM 树立了新标准。
