1234567英文名称: True Knowledge Comes from Practice: Aligning LLMs with Embodied Environments via Reinforcement Learning中文名称: 实践出真知：通过强化学习将LLMS与具体环境对齐链接: https://arxiv.org/abs/2401.14151代码: https://github.com/WeihaoTan/TWOSOME作者: Weihao Tan, Wentao Zhang, Shanqi Liu, Longtao Zheng, Xinrun Wang, Bo An机构: 新加坡南洋理工大学, 浙江大学, Skywork AI日期: 2024-01-25 1 读后感 这篇论文试图解决的问题是：当自然语言模型与现实世界进行交互时所产生的问题。这种问题不仅可以应用于游戏和机器人等领域，可以说它可被应用在需要代理与环境进行多步交互以解决问题的各个领域，该方法主要用于优化每一步的决策。 在使用大模型时，常见的问题是将复杂问题分解为多个步骤来解决，而每一步动作在真实场景中会 ...

12345678英文名称: ITRANSFORMER: INVERTED TRANSFORMERS ARE EFFECTIVE FOR TIME SERIES FORECASTING中文名称: ITRANSFORMER：倒置Transformers在时间序列预测中的有效性链接: https://openreview.net/forum?id=X6ZmOsTYVs代码: https://github.com/thuml/iTransformer作者: Yong Liu, Tengge Hu, Haoran Zhang, Haixu Wu, Shiyu Wang, Lintao Ma, Mingsheng Long机构: 清华大学软件学院, 清华大学国家数字化治理工程技术研究中心, 蚂蚁集团日期: 2023-10-10引用次数: 0 读后感 作者提出了一个疑问：为什么在很多情况下，时序问题使用 Transformer 结构反而不如线性模型好？按理说，Transformer 作为预测序列化数据的模型，应该更擅长处理时序问题。作者认为可能是数据组织方式不够优化引起。 文章主要讨论了多变量时序预 ...

昨天和小伙伴讨论技术方案时，突然意识到在过去的半年里，参与的几个与人工智能相关的项目，大家都纠结于选择：是使用程序实现？还是调用大模型？亦或是进行模型训练？ 在这里我们不讨论为了使用而使用 AI 的场景，只考虑在日常工作中，如何更省钱省力。 1 可供选择的方案 用程序写规则实现 调用现有模型 +RAG（检索增强生成） 训练模型 2 背后的逻辑 可以看到每种方案都有它适用的领域。 2.1 程序不能解决的问题 程序不能解决“复杂”问题，试想以下场景： 在与用户进行交互过程中，可能有很多不同的说法来表达一个问题，程序无法一一列举。这时候就需要使用模型。 对于图像、音频等模拟信号处理来说，更有无数种可能性。对于这些信息的识别、生成或判断，很难用硬性指标来界定，这时候可以使用模型。 2.2 调模型不能解决的问题 调用模型最大的问题是：通用模型不了解你的领域知识和背景知识。 如果想得到很好的结果，首先得选择一个靠谱的模型。另外，还需要把提示写得非常准确，比如让它写一段程序。如果描述非常清晰，细化到函数内部逻辑，就能生成更符合你期望的内容。如果只说“给我写一个音乐播放器”，没有描述它的系统、编程 ...

12345678英文名称: CodeFuse-13B: A Pretrained Multi-lingual Code Large Language Model中文名称: CodeFuse-13B：预训练的多语言代码大语言模型链接: https://arxiv.org/pdf/2310.06266.pdf代码: https://github.com/codefuse-ai作者: Peng Di, Jianguo Li, Hang Yu...机构: 蚂蚁集团日期: 2023-10-10 v1引用次数: 4 读后感 CODEFUSE 是蚂蚁集团开源的代码生成模型，目前开源了两个版本：CodeFuse-13B 和 CodeFuse-CodeLlama-34B。其中，13B 是基于论文中设计的模型架构，34B 则是在 CodeLlama-34b-Python 的基础上进行微调。 从整体上看，无法确定 CODEFUSE 是根据自己设计的架构从头训练，还是基于 CODELAMMA 进行自然语言训练并逐步微调，哪个更好。论文需要有创新性，打榜又需要高分，所以只能采用这种写法。 既然如此，就没必要深究 ...

12345678英文名称: Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity中文名称: Switch Transformers: 用简单高效的稀疏性将模型扩展到万亿参数规模链接: https://arxiv.org/abs/2101.03961代码: https://github.com/tensorflow/mesh作者: William Fedus, Barret Zoph, Noam Shazeer机构: 谷歌, 美国加利福尼亚州山景城日期: 2021-01-11引用次数: 1205 读后感 MoE 相对于原始的 Transformer 来说是一个稀疏模型，其中包含多个专家模型。在不同场景下通过路由调用不同的模型进行计算。具体方法如图 -2 所示，该方法将 Transformer 中的 FFN 变成了选择某个具体的 FFN 进行路由操作，而其它模块（非蓝色部分）则保持不变，由各个专家共用。 从论文的角度来看，其提出了训练一个巨大模型，并在不同区域 ...

1 读后感 UVR5（Ultimate Vocal Remover 5）是一款音频处理工具，主要用于从混音中分离人声和乐器轨道。它的主要目标是去除人声，保留乐声。然而，使用该工具提取人声可能会遇到一些问题。 其原理基于卷积神经网络（CNN）和自动编码器等模型。 音频文件被转换成频谱图，通常是通过短时傅里叶变换（STFT）将时域信号转换成频域表示。 UVR5 可能使用了一种称为 U-Net 的神经网络架构，它是一种常用于图像分割的模型。这种网络结构适用于音频分离，因为它能够在不同的频率和时间尺度上捕捉到音频的特征。 预训练好的模型会接收混合音频的频谱图作为输入，并输出两个频谱图：一个对应人声，另一个对应伴奏。 2 相关论文信息 12345678英文名称: MULTI-SCALE MULTI-BAND DENSENETS FOR AUDIO SOURCE SEPARATION中文名称: 用于音频源分离的多尺度多频段密集网络链接: https://ieeexplore.ieee.org/abstract/document/8678825/代码: https://github.com/An ...

1 功能 我有一个公网地址，想把本地服务通过公网地址暴露出来，供外部调用，方法如下： 2 说明 这个过程被称为反向 SSH 隧道或 SSH 远程端口转发。在这个过程中，你实际上是在本地机器 A 上建立了一个到云服务器 B 的 SSH 连接，并通过这个连接将云服务器 B 上的某个端口（例如 8080）转发到本地机器 A 的另一个端口（例如 80）。 在这个设置中，GatewayPorts yes 的配置是必要的，它允许从云服务器 B 的任何地址来的连接都能够连接到转发的端口（在这个例子中是 8080 端口）。 3 操作 在有公网 IP 的机器 B 上运行： 123$ vi /etc/ssh/sshd_config修改：GatewayPorts yes$ sudo systemctl restart ssh 在本地机器 A 上运行： 1$ ssh -NTf -R 公网端口:本地机器IP:本地端口 用户名@公网机器IP 如果想设置断开重连，用 autossh 替换 ssh 12$ apt-get install autossh$ autossh -M 55555 -NTf -R 公网端口:本 ...

（这篇结构挺乱的，但是最近信息量太大，时间太少，我也只能做成这样了） 最近，一个朋友拜访了多家开发大型模型的头部公司，探讨他们的行业与大模型结合的方式。回来与我们分享了一些见解。 实际上，在过去的一年中，大型模型似乎非常火爆，但认真反思，真正成功应用的场景并不多。 1 肉眼可见的改变 大厂都已经发布了自己的大模型，而且还有很多提供精调的功能。 云服务提供商也开始提供自己的大模型以及模型云端部署。 多家公司发布了 AI PC 时间表，感觉这种全民 AI 的趋势已经来临（我个人认为云部署比 PC 更合适）。 各种 AI 学习班也开始涌现出来。 围绕生成展开的工具： 翻译、推荐等小工具似乎比之前更好用了一些 智能客服好像很火，但是我不常购物，也没用过 内容生成方面，公众号自动生成文章和配图，生成各种学习体会和总结 辅助工具方面有润色、总结等功能 自动编码可以辅助编程 论文工具方面有阅读和撰写功能 聊天方面有围绕某个行业或者功能进行问答的功能 换声换脸诈骗 总的来说，多是一些辅助性的工作，可以增强个人能力，但使用时还需要人们进行甄别。 2023年_大模型相关的热门开源工具 2 大模型小 ...

1 简介 MinIO 是一个开源的对象存储服务器，与 Amazon S3 兼容。它的设计目标是为大规模数据工作负载提供简单、安全和高性能的存储。 以下是 MinIO 的一些主要特性：高性能，S3 兼容，安全性，可扩展性，开源，简单性。 MinIO 可以在各种环境中运行，包括裸机、虚拟机、容器化环境、私有云和公有云等。这使得 MinIO 成为一个非常灵活的对象存储解决方案，可以适应各种不同的部署需求。 简单来说，这是又小又好用的服务，可以在 300M 以内进行部署，并包含友好的 Web 界面。它的内部存储格式也非常直观。 2 部署 2.1 下拉镜像 1$ docker pull bitnami/minio:latest image 大小约 270M，是个轻量级的服务。 2.2 启动镜像 1$ docker run --rm --name minio -p 9000:9000 -p 9001:9001 -e MINIO_ROOT_USER=root -e MINIO_ROOT_PASSWORD=密码 -v /exports/tmp/minio/:/bitnami/minio/data -i ...

1 引言 优化模型之后，评估是不可避免的。打榜可以证明模型的能力，同时还有其他一些好处： 当我们对模型进行微调或进行工程优化后，需要采用相对客观的标准来评估工作成果。 在选择模型基座或在应用中选择适合自己的模型时，至少要了解一下所选模型在行业内的水平，毕竟论文实验里可能存在田忌赛马的情况。 如果项目庞大且复杂，可能需要建立自己的评估工具，以进行更有针对性的测试。除了评估大型模型的自动编码效果外，还上可评估我们的代码质量。 以下是一些推荐的评估工具和排行榜。EvalPlus 是一个比较推荐的工具，它是 HumanEval 的增强版，并对程序错误进行了更严格的判断。论文首次提交于 2023 年 5 月，排行榜一直在更新。推荐该工具主要因为排行榜得分与我们主观感受比较一致。 2 HumanEval：LLM 代码生成基准 HumanEval 可以算是代码模型的标准测试，一般论文实验部分都使用它评测，它主要评测的是模型自身的性能。 HumanEval 由 HumanEval 数据集和用于评估 LLM 性能的 pass@k 指标组成。这个手工制作的数据集包含 164 个编程挑战的单元测试，以及 ...