Infer.store

實用資源 MCP 合集 Agent Google ADK Support

開放醫療 Open Medical-LLM 排行榜

比較多個開放式醫學應用智能程序
數據集涵蓋了醫學的各個方面，例如一般醫學知識、臨床知識、解剖學、遺傳學等。 它們包含多項選擇題和開放式問題，需要醫學推理和理解。

OpenBioLLM-8B | 基於 Llama3 的醫學模型

最先進的開源生物醫學大語言模型
模型由 Saama AI Labs 開發。

🏥生物醫學專業：OpenBioLLM-8B 專為醫學和生命科學領域獨特的語言和知識要求而量身定制。它在大量高品質生物醫學數據的基礎上進行了微調，使其能夠以特定領域的準確性和流暢性理解和生成文字。

🎓卓越的性能：OpenBioLLM-8B 擁有 80 億個參數，其性能優於其他規模相似的開源生物醫學語言模型。與 GPT-3.5 和 Meditron-70B 等更大的專有和開源模型相比，它在生物醫學基準測試中也表現出了更好的結果。

🧠高階培訓技術：OpenBioLLM-8B 建立在Meta-Llama-3-8B和Meta-Llama-3-8B模型的強大基礎之上。它結合了 DPO 數據集和微調配方以及自訂的多樣化醫療指導數據集。

Llama 3 的 10 個狂野應用範例

Meta 開放 Llama-3，令所有人都感到驚訝
(英)Meta 開放了 Llama-3，令所有人都感到興奮。AI 狂熱分子幾乎每日都想出 “癲” 嘅用例，以令人難以置信嘅方式把模型推向極限。

以下是一些 Llama 3 的具體用例：
編寫營銷文案： Llama 3 可用於生成引人入勝的營銷文案，例如產品描述、廣告標語和社交媒體帖子。
創建教育內容： Llama 3 可用於創建教育內容，例如課堂講義、測驗和練習題。
客戶服務聊天機器人： Llama 3 可用於開發客戶服務聊天機器人，這些聊天機器人可以回答客戶的問題並提供支持。
編寫創意內容： Llama 3 可用於編寫創意內容，例如詩歌、小說和腳本。
翻譯法律文件： Llama 3 可用於翻譯法律文件，例如合同和訴訟。

RAG 101 – 令 Llama3 增加知識 10倍

"I want Llama3 to perform 10x with my private knowledge" - Local Agentic RAG w/ llama3

影片主要內容：

  • RAG 在知識管理中的應用： 大型語言模型 (LLM) 可以成為強大的 KM 工具，但它們難以處理和理解非結構化數據格式，例如 PDF 和演示文稿。RAG 通過結合檢索和生成技術來解決這一挑戰。該模型會根據用戶的查詢從數據庫中檢索相關文檔，然後使用這些文檔來生成其響應。
  • RAG 實現的挑戰：
    • 數據混亂： 現實世界中的數據通常很混亂，需要在 RAG 使用之前進行清理和轉換。
    • 選擇合適的檢索方法： 不同的檢索方法適用於不同的數據類型。例如，向量搜索可能不適合需要從各種數據源（結構化和非結構化）獲取知識的複雜問題。
    • 答案質量： 確保檢索到的文檔與用戶的查詢相關並完整地回答用戶的問題可能很困難。
  • 高級 RAG 技術： 介紹了一些高級 RAG 技術來提高 RAG 應用程序的質量和可靠性：
    • 更好的數據預處理： 使用 Llama Part 等專門為 LLM 設計的 PDF 解析器等工具可以顯著提高數據質量。
    • 重新排名檢索到的文檔： 而不是將所有檢索到的文檔都提供給 LLM，可以使用排名模型來識別最相關的文檔，從而提高答案的準確性和效率。
    • 混合搜索： 將向量搜索與關鍵字搜索相結合對於需要精確匹配的任務（例如電子商務產品搜索）很有用。
    • Agent RAG： 此技術利用代理來動態推理檢索過程。代理可以修改用戶的查詢，為複雜問題執行逐步檢索，並決定是從檢索到的文檔中生成答案還是進行額外的網絡搜索。
  • 構建本地 Agent RAG 應用程序： 影片講者演示了如何使用大型語言模型 Llama3 和向量數據庫工具 Goose3 構建本地 Agent RAG 應用程序。該應用程序從網站中檢索博客文章並使用它們來回答用戶的查詢。工作流程包括創建檢索模型、定義檢索條件、將條件邏輯納入以確定答案生成方法以及檢查答案的準確性。

影片最後總結 Agent RAG 和更簡單的 RAG 實現之間的權衡。Agent RAG 提供了卓越的質量和控制，但代價是響應速度較慢。

RAG 整合 Streamlit 直接與你的文件交談

Chat with Documents Using LLM
Developing RAG and Streamlit chatbots with LLMs for document-based Q&A. Enhance user engagement and streamline information retrieval.
探討如何使用 RAG (Retrieval-Augmented Generation) 和 Streamlit 建立一個文件交談聊天機器人。這個聊天機器人可以回答使用者關於文件的問題，並提供相關的文件內容。
什麼是 RAG？
RAG 是一種自然語言處理 (NLP) 模型，它可以從大型文件集中檢索和生成文本。它可以用於各種應用，例如客服聊天機器人、文件摘要和文件搜尋等。
什麼是 Streamlit？
Streamlit 是一個 Python 框架，它可以用於建立交互式網頁應用程序。它可以用於資料科學、機器學習和資料視覺化等領域。
建立文件交談聊天機器人
以下是建立文件交談聊天機器人的步驟：
  1. 安裝 RAG 和 Streamlit
  2. 準備文件集
  3. 建立 RAG 模型
  4. 建立 Streamlit 應用程序
  5. 整合 RAG 和 Streamlit
結論
在這篇文章中，我們探討了如何使用 RAG 和 Streamlit 建立一個文件交談聊天機器人。這個聊天機器人可以回答使用者關於文件的問題，並提供相關的文件內容。我們希望這篇文章能夠幫助您建立自己的文件交談聊天機器人。

更多提示技巧 – Stable diffusion prompt

More Prompting Techniques for Stable Diffusion

介紹更多 Stable Diffusion 的提示技巧。Stable Diffusion 是一個強大的圖像生成模型，但它可能很難使用，尤其是在沒有經驗的情況下。該網頁可以幫助您提高結果的質量和一致性。

關鍵要點包括：

  • 使用描述性提示： 您的提示越描述性，Stable Diffusion 就越有可能生成您想要的圖像。嘗試使用具體的詞彙和短語來描述圖像的內容、風格和構圖。
  • 使用參考圖像： 您可以向 Stable Diffusion 提供參考圖像來幫助它了解您想要生成的圖像類型。這對於生成具有特定風格或主題的圖像非常有用。
  • 使用負面提示： 您可以使用負面提示來告訴 Stable Diffusion 您不希望在圖像中看到什麼。這對於避免生成您不想要的元素或特徵非常有用。
  • 調整步驟數： 步驟數是 Stable Diffusion 用來生成圖像的迭代次數。更高的步驟數將產生更詳細的圖像，但也會更耗時。
  • 調整學習率： 學習率是 Stable Diffusion 用來調整其參數的速率。更高的學習率將產生更具創造性的圖像，但也有可能導致不穩定性。
  • 使用批處理： 您可以將多個提示分批提交給 Stable Diffusion 以提高效率。這對於生成大量圖像或實驗不同提示非常有用。

本文還介紹了一些更高級的提示技巧，例如：

  • 使用控制網： 控制網是一種可以用於對 Stable Diffusion 生成的圖像進行精細控制的神經網絡。這對於生成具有特定屬性的圖像非常有用，例如特定面部表情或姿勢。
  • 使用擴散模型： 擴散模型是一種可以用於生成具有特定風格或主題的圖像的技術。這對於生成創意或藝術圖像非常有用。

總體而言，https://machinelearningmastery.com/prompting-techniques-stable-diffusion/ 是一個很好的資源，可以了解使用 Stable Diffusion 生成圖像的更多提示技巧。這些技巧可以幫助您提高結果的質量和一致性，並生成更具創造性和藝術性的圖像。

以下是一些額外的提示，可以幫助您充分利用 Stable Diffusion：

  • 在開始之前，請務必閱讀 Stable Diffusion 文檔。 文檔包含有關模型工作原理以及如何使用的許多有用信息。
  • 從簡單的提示開始，然後再繼續使用更複雜的提示。 這將幫助您了解模型的工作原理並避免常見錯誤。
  • 使用 Stable Diffusion 社區。 有許多很棒的在線資源可以幫助您，包括論壇、教程和示例。
  • 耐心點。 Stable Diffusion 是一個強大的工具，但它可能很難使用。需要一些時間和練習才能掌握。
Page 31 of 47
1 … 29 30 31 32 33 … 47