XiaoMi-AI文件搜索系统
World File Search Systemrrd
Infrrd.ai 在 SemEval-2024 任务 7 中的表现：基于 RAG 的端到端训练以生成标题和数字
我们提出了一种基于检索增强生成 (RAG) 的训练算法来获得最相似的训练样本。获得的训练样本被用作参考，以执行基于上下文学习的大型语言模型 (LLM) 微调。我们使用提出的方法生成标题并从非结构化文本中提取数值。通过专门设计用于捕获数字的扩展标记语言 (XML) 标签，模型可以意识到非结构化文本中数字的存在。非结构化文本的标题经过预处理以包装数字，然后呈现给模型。许多数学运算也被作为参考传递，以涵盖思路链 (COT) 方法。因此，模型可以计算传递给数学运算的最终值。我们将数字验证作为后处理步骤，以验证模型计算的数值是否正确。生成的标题中的数字自动验证帮助模型在所涉及的方法中在人工评估中取得最佳结果。
Barrday是综合和保护市场的领先的高级材料提供商。 60多年来，我们已经开发了技术进步
Barrday的目标是提供高质量的高性能产品，以通过不断提高交付，形式，功能和可靠性来满足所有客户的期望。这些产品是在安全且环保的设施中生产的，该设施对我们的客户，员工和社区都有关注。所有设施均为ISO9001：2015认证，并在需要时获得AS9100D。
Infrrd.ai 在 SemEval-2022 任务 11：使用数据增强、基于 Transformer 的序列标记模型和 EnsembleCRF 进行命名实体识别的系统
在低资源语言中，训练数据量有限。因此，模型必须在未训练过的陌生句子和句法上表现良好。我们提出了一种通过编码器和语言模型集成来解决这个问题的方法。与多语言语言模型相比，特定语言的语言模型表现不佳。因此，多语言语言模型检查点针对特定语言进行了微调。在模型输出和 CRF 之间引入了一种新颖的独热编码器方法，以集成格式组合结果。我们的团队 Infrrd.ai 参加了 MultiCoNER 竞赛。结果令人鼓舞，团队位列前 10 名。在我们参加的大多数赛道中，与第三名的差距不到 4%。所提出的方法表明，以多语言语言模型为基础在编码器的帮助下的模型集成比单一语言特定模型的表现更好。
MIL-STD-889C | 科德萨
并倾向于在特定电解质溶液或其他环境中独立腐蚀。这种溶解或腐蚀趋势与金属在导电介质中的电位有关。电化学腐蚀本质上受组成电化学对的金属在电化学序列中的相对位置的影响。序列中位置接近的金属将具有更接近的电位，而位置差异越大，电位差就越大。使用表 I 作为确定不同金属组合的相对兼容性的指南。海水中金属的电化学序列如表 II 所示。兼容性并不表示完全没有电化学作用。电化学效应，即阳极的腐蚀程度，受金属在电化学序列中的差异、动力学因素（例如极化效应）、电解环境和金属的物理排列的影响。有关更多信息，请参阅附录 B。 4. 一般要求（不适用） 5. 详细要求