10.1 基于数据逇工作-构建高质量数据集 为了减少大模型生成内容时的幻觉问题，首先需要关注数据的质量。数据质量直接影响模型的生效效果，因此在训练和评估数据上进行改进，能够有...
发简信
IP属地：上海
-
10. 如何缓解大模型幻觉问题？
-
9. 如何评估大模型幻觉问题？
关于大模型评估，可以分为基于参开的评估和无参考的评估。 9.1 Reference-based（基于参考的评估） Reference-based方法是指在评估生成内容的准确性...
-
8. 什么是大模型幻觉问题
8.1 大模型幻觉问题定义 当模型生成的文本不遵循原文(一致性，Faithfulness)或者不符合事实(事实性，Factualness)，我们就可以认为模型出现了幻觉问题。...
-
7. 什么是Scaling law？7.1 什么是Scaling law 7.1.1 Scaling low的目标 在训练之前了解模型能力，以改善关于大模型的对齐，安全和部署的决定。 虚线表示对较小模型(不包括...
-
6. LLMs中，涌现能力是啥原因？什么是涌现能力当一个复杂系统由很多个微小个体构成，这些微小个体凑到一起，相互作用，当数量足够多时，在宏观层面上展现出微观个体无法解释的特殊现象，就可以称之为涌现能力。例如雪花...
-
5. LLMs中常用的预训练任务包含哪些？在进行模型的大规模预训练时，往往需要设计合适的自监督预训练任务，使得模型能够从海量无标注数据中学习到广泛的语义知识和世界只是。 目前，常用的预训练任务主要分为三类，包括语言建...
-
4. 目前主流的LLMs开源模型体系有那些？在预训练语言模型时代，自然语言处理领域广泛采用了预训练 + 微调的范式，并诞生了以BERT为代表的编码器(Encoder-only)架构、以GPT为代表的解码器(Decode...
-
3. 常见的大模型(LLMs)分类
3.1 根据输入内容分类 语言大模型（NLP）：指在自然语言处理(Natural Language Processing, NLP)领域中的一类大模型，通常用于处理文本数据和...
-
2. 大语言模型(LLMs)具有什么优点？什么缺点
2.1 优点 语言理解和生成能力强：大语言模型可以基于大量文本数据进行训练，从而对自然语言的理解和成成有出色的表现。 跨领域知识广泛：大语言模型在医学、法律、工程等多个领域提...
-
2022-09-19
3.1 从数据操作的类型划分：读锁、写锁 对于数据库中并发事务的 读-读 情况并不会引起什么问题。对于 写-写 、 读-写 或者 写-读 这些情况可能会引起一些问题，需要使用...
-
2022-09-17
2.3 读-写或写-读情况 读-写 或 写-读 ，即一个事务进行读取操作，另一个进行改动操作 。这种情况下可能发生 脏读 、 不可重复读 、 幻读 的问题。 各个数据库厂商对...
-
精讲MySQL 第十五章(一)：锁概览事务的隔离性由锁（LOCK）来实现。 1. 概述 锁是计算机协调多个进程或线程并发访问某一资源的机制。在程序开发中会存在多线程同步的问题，当多个线程并发访问某个数据的时候，尤...
-
synchronize
## Java对象头(64位虚拟机) - 整个对象头一共有128位，Mark Word有64位，Klass Word有64位，但是Klass Word因为指针压缩的原因被压缩...
-
hive(一)：hive概述
2.1 Hive安装地址 1）Hive官网地址 https://hive.apache.org/[https://hive.apache.org/] 2）文档查看地址 htt...
-
hive(一)：hive概述
1.1 什么是Hive 1） Hive简介 2） Hive本质：将HQL转化成MapReduce程序 [图片上传失败...(image-94c4b5-164010173020...
-
MapReduce(十)：压缩
概述 1）压缩的好处和坏处 压缩的优点：以减少磁盘IO、减少磁盘储存空间 压缩的缺点：增加CPU开销 2）压缩的原则 （1）运算密集型的job，少用压缩 （2）IO密集型的j...
-
MapReduce(九)：开发总结及数据清洗（ETL）
ETL "ETL"是英文Extract_transform-Load的缩写，用来描述将数据从来源端经过抽取（Extract）、转换（Transform）、加载（Load）到目...