收藏 / 列表

u_16380863 頭像

未聞花名AI - 構建AI智能體：十六、構建本地化AI應用：基於ModelScope與向量數據庫的文本向量化

將文本轉換為向量（文本嵌入）是自然語言處理中的核心任務，有許多大模型可以完成這項工作。上一篇文章《構建AI智能體：十五、超越關鍵詞搜索：向量數據庫如何解鎖語義理解新紀元》我們是通過阿里雲的api調用的text-embedding-v4模型，同樣還有很多其他輕量級的模型可以很好的完成這個任務，我們今天找兩個結合前期講到的本地化部署來嘗試一下。 一、核心組件回顧

yyds乾貨盤點 , 搜索 , NLP , 相似度 , 加載 , 人工智能

u_16213315 頭像

mob64ca12d42833 - anaconda 安裝stable_baselines3

以下是關於“anaconda 安裝stable_baselines3”的詳細記錄： 在進行強化學習相關研究或項目時，我發現 stable_baselines3 是一個非常有用的庫。它提供了許多強化學習算法，可以幫助我們快速實現和測試各種模型。然而，安裝這個庫時涉及到的一些步驟讓我花費了一些時間。在這裏，我記錄下整個過程，以便後續參考。 環境準備 在開始安裝 stable_ba

User , aigc , ci , Python

u_16175513 頭像

mob649e8167c4a3 - modelscope 運行 llama

modelscope 運行 llama 的問題，是在進行大規模深度學習模型實驗時我所遇到的一個技術挑戰。本文將詳細記錄解決這一問題的思路和過程。 首先進行業務場景分析，我們的主要目標是使得模型能夠在不同的環境下高效而準確地運行。基於此，我繪製了一張四象限圖，以展示團隊在技術債務的分佈情況，幫助識別優先級和影響力的關係。 quadrantChart title 技術債務分佈

優先級 , aigc , 基礎設施 , 迭代

u_16175473 頭像

mob649e815ddfb8 - llama3如何在win下漢化

llama3如何在win下漢化的過程描述 在如今高度依賴人工智能應用的時代，用户常常需要將各種工具和模型本地化，以更好地適應自己的需求。比如，llama3這款在文本生成領域表現優異的模型，用户們希望在Windows環境下進行漢化，以便更便利地使用英文模型完成中文任務。在這個過程中，用户通常面臨許多挑戰，包括字符編碼不兼容、語言轉化工具匱乏以及模型輸出的準確性等等。接下來，我們將詳細描

User , windows , aigc , ci

u_16213334 頭像

mob64ca12d8c182 - deepseek code v2 多模態

深度學習在計算機視覺中的應用越來越廣泛，而“deepseek code v2 多模態”作為重要的框架，在處理多種數據形式時表現出了其強大的能力。本文將詳細記錄解決“deepseek code v2 多模態”問題的整個過程，涵蓋版本對比、遷移指南、兼容性處理、實戰案例、排錯指南及生態擴展等六個部分。 版本對比 對比不同版本的“deepseek code v2 多模態”，我們可以看到

數據 , aigc , 模態 , 代碼示例

u_16213305 頭像

mob64ca12d1a59e - mac docker 安裝 langchain

為了幫助大家在 Mac 上通過 Docker 安裝 LangChain，本文將詳細介紹整個過程，包括環境準備、分步指南、配置詳解、驗證測試、優化技巧以及排錯指南。無論你是新手還是有經驗的開發者，希望這篇文章能夠全面指導你完成安裝。 環境準備 在進行我們的安裝之前，有一些前置依賴需要準備好。這裏我們將以表格的形式列出版本兼容性矩陣。 組件

bash , aigc , Docker

u_16213393 頭像

mob64ca12e732bb - 二次封裝elementui plustable

在現代前端開發中，將框架組件進行“二次封裝”是一項常見的需求，旨在提高代碼的複用性和可維護性。本文將重點介紹如何實現element-ui中的plustable組件的二次封裝，涵蓋環境準備、集成步驟、配置詳解、實戰應用、排錯指南以及性能優化等模塊。 環境準備 首先，確保您擁有正確的開發環境。對於使用element-ui和plustable的項目，您應該使用以下依賴： | 依賴

性能優化 , 封裝 , aigc , ci

u_16175507 頭像

mob649e8166179a - ollama 跑雙顯卡的原因不跑GPU

ollama 跑雙顯卡的原因不跑GPU 在當今的深度學習和人工智能應用中，使用雙顯卡的配置可以極大地提升模型訓練和推理的性能。然而，許多用户在使用 ollama 時，發現儘管配置了雙顯卡，卻仍然無法有效利用 GPU。本文將深入探討這個問題的背後原因，並提供解決方案。 背景定位 適用場景分析，人們希望在高性能計算任務中充分利用硬件資源，尤其是在進行深度學習模型訓練時，雙顯卡的配

性能需求 , aigc , 深度學習 , CUDA

u_16213349 頭像

mob64ca12dc88a3 - langchain router 語義路由

在當今的信息技術領域，langchain router 語義路由已經成為一種頗具盛名的工具，其在自然語言處理和數據處理任務上提供了強大的能力。本文將通過系統性的結構來詳細記錄如何解決相關問題，從環境預檢到擴展部署，確保實現高效的語義路由系統。 環境預檢 首先，通過思維導圖來梳理需要的相關環境與硬件構成，確保所有組件能夠正常協同工作。 mindmap root((環境預檢)

服務器 , API , bash , aigc

u_16213431 頭像

mob64ca12f062df - ollama 限制大模型使用gpu

ollama 限制大模型使用gpu 在我最近的項目中，我遇到了一個關於“ollama”限制大模型使用 GPU 的問題。這對於任何需要高性能計算資源的深度學習應用來説，都是一個棘手的障礙。本文將詳細記錄解決這一問題的過程，從背景描述到技術原理，再到架構解析和代碼分析，力求清晰呈現整個解決思路。 背景描述 首先，讓我們瞭解一下該問題的背景——為何會出現“ollama”限制大模型使

aigc , Processing , ci , Python

u_16213358 頭像

mob64ca12dedda8 - ollama Windows 怎麼使用GPU

在使用 Ollama 進行開發時，許多用户希望能夠利用其強大的 GPU 加速能力，尤其是在 Windows 操作系統上。然而，很多人可能會發現實現這一點並不那麼簡單。本文將詳細記錄如何解決“ollama Windows 怎麼使用GPU”這一問題，包括使用GPU的背景，可能遇到的錯誤現象，根因分析，具體的解決方案，以及後續的驗證和預防措施。 問題背景 在近年來的開發中，隨着數據處理

驅動程序 , aigc , 解決方案 , CUDA

u_16213421 頭像

mob64ca12edea6e - ollama下載的權重文件在何方

ollama下載的權重文件在何方 在使用ollama這款生成模型工具時，許多用户會遇到一個常見的問題，就是如何找到下載的權重文件。下面我們將一步步梳理出解決這一問題的全過程。 環境準備 在開始之前，我們需要確保有一個合適的環境來運行ollama。首先，確保你的計算機或服務器上已經安裝了以下前置依賴。 操作系統：Linux (Ubuntu 20.04 以上), ma

權重 , aigc , Docker , Python

u_16213413 頭像

mob64ca12ebf2cc - AIGC提示詞工程樣本

AIGC提示詞工程樣本 在當今的信息技術行業，如何有效地應用AIGC（人工智能生成內容）提示詞工程顯得尤為重要。本文將通過系統化的步驟，展示如何解決AIGC提示詞工程樣本的問題。 環境準備 為了順利進行，我們需要先安裝必要的依賴。以下是跨平台安裝命令： # Ubuntu sudo apt-get install python3-pip # MacOS brew inst

API , aigc , JAVA , Json

u_17507674 頭像

網易雲信IM - 網易雲信與四川央國企共探產業升級新生態

近日，網易數智攜手川酒集團、虹信軟件共同赴成都蜀智雲鏈，舉辦了主題為“產業數字化轉型與採購場景技術升級”的交流會。此次活動不僅圍繞數字化轉型實踐、核心技術賦能以及生態協同發展展開深度對話，還特別安排了對蜀智雲鏈參與建設的分散評標場地的現場參觀，讓與會嘉賓實地感受該系統在分散評標招採場景中的落地效果。虹信軟件企業業務中心總經理袁仁東、川酒集團信息化部部長楊益、成都蜀智雲鏈科技總經理

音視頻 , 會議組件 , 數字化 , aigc , bard , 遠程異地評標 , 遠程異地評標會議組件

u_16175438 頭像

mob649e815574e6 - ollama ubuntu 開放API

ollama ubuntu 開放API 是一個強大的工具，可以幫助開發者快速集成並利用各種服務。本文將詳細介紹在 Ubuntu 中使用 Ollama 開放 API 的過程，包括環境準備、集成步驟、配置詳解、實戰應用、排錯指南和性能優化等方面。讓我們開始吧！ 環境準備 在開始之前，我們需要確保環境中已安裝必要的軟件。以下是支持 Ollama API 的版本和相應的技術棧兼容性。

API , bash , aigc , Ubuntu

u_16175487 頭像

mob649e816138f5 - diffusion模型 gpu利用率低

在近期的項目中，我們觀察到“diffusion模型 GPU 利用率低”的問題。這直接影響了模型的推理速度和整體性能，必須通過深度分析和優化來解決這一問題。以下是我們針對這一問題的詳細記錄和解決方案。 用户原始需求 我們的用户希望能夠提升 diffusion 模型在 GPU 上的運行效率，以加速圖像生成和處理的速度，同時也期望能夠優化資源消耗。 演進

高負載 , aigc , 應用場景 , 解決方案

u_16213341 頭像

mob64ca12da726f - langchain mysql fastgpt

在本文中，我們將探討如何利用 LangChain 和 FastGPT 來與 MySQL 進行高效的數據交互和處理，展示出集成的整個過程。此外，我們會涵蓋性能優化及生態擴展的相關內容，幫助大家更好地整合這一技術棧，實現數據處理的高效性與靈活性。 環境準備 在開始之前，我們需要確保所有技術棧之間能夠完美兼容。以下是我們將使用的軟件及其對應版本： 技術

數據 , MySQL , aigc

lookingdream 頭像

yzy121403725 - MLOps

1. 定義與本質 MLOps 是一套將機器學習模型從開發（實驗）落地到生產環境，並實現全生命週期自動化、可觀測、可追溯的工程實踐體系。 核心目標：解決 “模型訓練出來能用，但上線難、維護難、迭代慢” 的痛點（比如傳統 ML 流程中，數據科學家訓練的模型，運維人員難以部署，且上線後數據漂移、模型性能下降無法及時感知）。 與傳統運維的區別：傳統運維聚焦

數據 , MLOps , aigc , llama , ML

u_17469189 頭像

mb68738fa1c4e31 - ? TRAE SOLO 3.0 實戰速通指南：在編程馬拉松中打造高分產品的五步策略?

🏆 TRAE SOLO 3.0 實戰速通指南：在編程馬拉松中打造高分產品的五步策略 🎯 引言：黑客馬拉松的評審維度 大家好，我是圍巾哥蕭塵，昨天參與了武漢 TRAE 黑客馬拉松的評審工作，本次活動有 80 多人蔘與，共產生了 40 多個產品，其中 20 個產品入圍了路演階段。 作為評審，我們主要從以下三個關鍵維度來評估作品的質量和潛力：

app , 功能結構 , AI寫作 , aigc

u_16213384 頭像

mob64ca12e51ecb - 如何搭建免費的Copilot

搭建免費的 Copilot：從問題到解決方案的全流程分析 在日常開發中，代碼助手工具如 Copilot 極大地提高了開發效率，幫助開發者減少了手動編碼的時間和精力。然而，商業版的 Copilot 費用不菲，因此很多開發者希望能借助免費工具或自建環境來實現類似的功能。接下來，我們將詳細講述如何搭建免費的 Copilot，涵蓋各個方面，從用户需求到實際操作，力求為大家提供一個完整的解決方

API , aigc , 解決方案 , 開發者