發簡信
IP屬地：浙江
-
LLM筆記
LoRA解讀：https://zx2ow2qh1z5.feishu.cn/docx/XTq5daVFio7UWAxjgDmcfVu7nSb[ht...
-
RAG的效果評估RAG有兩個核心部分： 檢索部分：保證系統能根據用戶的Prompt找到對應的chunk 生成部分：充分發揮大模型能力，生成一個滿足用戶要求的正確...
-
第七節 評測OpenCompass 評測 https://github.com/InternLM/Tutorial/blob/camp2/opencompa...
-
第六節 AgentLagent & AgentLego 智能體應用搭建 一、概述 Lagent 是一個輕量級開源智能體框架，旨在讓用戶可以高效地構建基于大語言模型...
-
第五節LMDeploy 量化部署 LLM&VLM 實踐 一、理論基礎 大模型部署面臨的挑戰： 計算量巨大 內存開銷巨大 訪存瓶頸：硬件計算速度遠快于顯...
-
第三節筆記搭建 RAG 智能助理 一、RAG 1.1 概述 RAG（Retrieval Augmented Generation）技術，通過檢索與用戶輸入...
-
第四節筆記&作業XTuner 微調 LLM：1.8B、多模態、Agent 微調效果： XTuner 一個大語言模型&多模態模型微調工具箱。由 MMRazor 和...
-
第二節作業1. 使用 InternLM2-Chat-1.8B 模型生成 300 字的小故事 2. Lagent 部署 在 terminal 中輸入指令，構...
-
第二節筆記玩轉趣味Demo 主要任務 部署 InternLM2-Chat-1.8B 模型進行智能對話 部署實戰營優秀作品 八戒-Chat-1.8B 模型 ...