生成式ai

HyperAI超神经

直接设计目标属性材料！微软MatterGen模型重磅开源，用生成式AI重新定义材料逆向设计新范式2023 年 12 月，谷歌 DeepMind 在「Nature」上发布其在材料化学领域的深度学习模型 GNoME，宣称发现了 220 万种新的无机材料的晶体结构。距离该突破性成就不到一周，微软就宣布将要推出用于材料逆向设计的生成式 AI 模型 MatterGen，并向大家表示，未来完全可以根据所需要的性质直接设计新材料的结构。

引领AI发展潮流：打造大模型时代的安全与可信——CCF-CV企业交流会走进合合信息会议回顾随着数字化浪潮的推动，人工智能技术正在以前所未有的速度深刻改变着我们的生活、工作方式以及社会结构。AI技术的飞速发展不仅为各行业带来了前所未有的机遇，也同时引发了关于其风险与挑战的广泛关注。如何平衡技术进步与安全保障，如何确保AI的可信性和可持续性，已成为行业内外的热点话题。12月11日，由中国计算机学会计算机视觉专委会（CCF CV）与上海合合信息科技股份有限公司联合举办的企业交流会，围绕“打造大模型时代的可信AI”展开，旨在深度探讨人工智能的安全问题与发展路径，推动产业在快速发展的同时实现可控与健康发

GenAIOps：生成式 AI 运维 - 实用指南https://medium.com/google-cloud/genaiops-operationalize-generative-ai-a-practical-guide-d5bedaa59d78

大语言模型提示技巧（八）－防止胡说八道自然语言往往充满歧义和模糊性，模型在学习时可能会产生误解或错误理解一些概念，导致生成不准确的信息。为了尽量减少这些问题，研究人员和工程师会使用更大规模、更多样化和更准确的训练数据，调整模型架构，以及使用更先进的训练技术。但是自然语言本身就是复杂且充满挑战的，完全消除这些问题可能是非常困难的。所以，在使用大语言模型时，我们会发现它有时候会编造一些胡说八道的信息。上述两个模型的回复信息都完全是虚假的，但模型会一本正经地给出回复，甚至介绍了实现原理。可见“胡说八道”是大语言模型的通病。甚至曾经有人在法庭文书中

大语言模型提示技巧（七）－扩展扩展是将较短的文本，例如一组提示或主题列表，输入到大型语言模型中，让模型生成更长的文本。我们可以利用这个特性让大语言模型生成基于某个主题的电子邮件或小论文。通过这种方式使用大语言模型，可以为工作与生活提供诸多便利，而即便不能获得满意的结果，大型语言模型也将是一名优秀的头脑风暴的伙伴。当然，如果以不负责任的目的使用这种功能，也可以快速产生大量垃圾内容，所以我们在使用大语言模型时须谨记我们的社会责任。继续以本系列文章前面曾使用过的网购客户评价为例，利用扩展可自动生成对评价的回复，提升客户购物的良好体验。你

大语言模型提示技巧（六）－文本转换大语言模型是基于自然语言的人工智能，所以它在语言上的表现相当出色，使用大语言模型进行可以进行诸如翻译、语气转换、润色、语言评价、扩写、润色等语言处理，对于日常文字工作，它是一名合格甚至优秀的私人秘书。（一）翻译在不同语言之间进行翻译是众多大语言模型都支持的特性，相对于翻译软件而言，语言模型的翻译往往更加出色，并且它可以根据指定的场景翻译出更地道的语言。请将以下由双引号包含的文本翻译成中文，分别展示成正式与非正式两种语气： "Would you like to order a pillow?" 上述示

大语言模型提示技巧（五）－推断大语言模型具备从文字中推断情感和主题的能力。这种能力可用于获知客户对产品评价的情感、新闻或媒体文章的主题或倾向等。大语言模型的这种推断能力可被应用于舆情分析等场景。推断可以看作是模型接收文本作为输入并执行某种分析的过程，其中涉及提取标签、提取实体、情感分析等。如果想要从一段文本中提取正面或负面情感，在传统的机器学习工作流程中，需要收集标签数据集、训练模型、确定如何在云端部署模型并进行推断。传统机器学习的这种做法也能达到还不错的效果，但是显然这个过程需要大量工作，而且对于每个不同任务，如情感分析、提取实体

大语言模型提示技巧（四）－文本概括文本概括是大语言模型的常用功能之一，我们总结一段文字、一篇文章的主要内容，一篇论文的摘要，甚至一本书的简介都属于文本概括的范畴。听起来文本概括对文字工作者有帮助，但事实上文本概括的应用可不止于此，例如一个常见的场景是电商商家对客户海量、冗长的评论进行概括，服务商能够高效地浏览更多评论，洞悉客户的偏好，从而指导平台与商家提供更优质的服务。以下是对从某电商平台上随意找到的一段相对较长的客户评论进行文本概括的示例，示例中隐去了具体平台的名称，修改了一个错别字，其余均保持评价原文不动。请将以下客户对商品的评价

大语言模型提示技巧（三）－迭代式提示我们与大语言模型交互时，往往给出的提示过于简略，而大语言模型还没有达到能够准确猜测你意图的程度，这个时候大模型并不能立即反馈出令人满意的答复，此时，我们需要做的是对大语言模型进行迭代式提示，这个迭代可以反复推进，直至大语言模型给出了令人满意的答案。比如，某款智能灯箱产品需要一篇营销文案，而当前我们已经获得了该智能灯箱的产品介绍，下面我们看看如何让大语言模型利用这灯箱的产品介绍生成我们需要营销文案。提示词：以下是一个产品的相关技术信息，请根据这些信息生成一份产品的营销文案。 ``` IUBIOT灯箱安

大语言模型提示技巧（二）－给模型时间思考在与大语言模型交互的时候，如果模型给出了错误的结论，不要着急否定大模型的能力，我们应当尝试重新构建查询，请求模型在提供它的最终答案之前进行一系列相关的推理。也就是说，如果给模型一个在短时间或用少量文字无法完成的任务，它可能会给出不那么完美甚至是错误的回答。其实这种情况对人类来说也是存在的。一个人解答复杂的数学问题时，如果没有充足时间进行计算，他们通常也不能给出正确的答案。因此，如果模型给出了错误的结论，我们可以指示模型花更多时间进行思考，以便最终得出令人满意的结果。策略1：指定完成任务所需要的步骤例：

大语言模型提示技巧（一）－指令要清晰、具体在与大语言模型对话时，应该提供尽可能清晰和具体的指令来表达希望模型执行的操作，这将有助于模型给出接近你所期待的输出，并降低得到无关或不正确回复的可能性。但需要注意的是，编写清晰的指令不意味着编写简短的指令，事实上，更长的提示实际上更清晰且提供了更多的上下文，这会使得大语言模型输出更详细更相关的内容。本文介绍了编写清晰、具体指令的几个策略。以下所有示例的实测，均使用文新大模型3.5。策略1：使用分隔符清晰地表示输入的不同部分通常指令中会包含表达用户目的“指令”本身及“指令”所在处理的“内容”，此时可以

从2024 re:Invent，看亚马逊云科技的AI布局生成式 AI 已成为全球云计算厂商竞相逐鹿的战略高地。其中，基础设施、模型平台、应用生态成为头部玩家竞相发力的三大细分战场。

通信仿真实验室

（4）CHATGPT-3和GPT-4是生成式AI的一部分吗？ChatGPT-3 和 GPT-4 都是大型语言模型（LLMs），也是生成式AI（生成式人工智能）的例子。它们属于一类称为transformers的模型，特别擅长处理数据序列，比如与文本相关的任务。

GPT-5 要来了：抢先了解其创新突破Microsoft 的工程师计划于 2024 年 11 月在 Azure 上部署 Orion (GPT-5)。虽然这一版本不会向公众开放，但其上线被视为人工智能领域的一个重要里程碑，并将产生深远的影响。

携手亚马逊云科技，神州泰岳如何打通生成式AI落地最后三公里导读：神州泰岳成为首批获得亚马逊云科技生成式AI能力认证的合作伙伴。“过去6年来，在与亚马逊云科技的合作过程中，我们大概签约了300家以上的中国出海企业。”近日在一次沟通会上，神州泰岳副总裁兼云事业部总经理刘家歆这样向媒体表示。

大模型预训练结果到底是什么？近日参加一个线下 AI 交流会议，会上有个非本行业的老师提问：“大家说的训练好的大模型到底是什么？是像 Word 软件一样可以直接使用的程序吗？” 这个问题看似简单，却一下把我问住了。的确，我们这些身处 AI 领域的人，每天都在谈论“预训练”、“微调”、“大模型”，却很少停下来思考，这些专业术语对于圈外人来说意味着什么。

五阿哥爱跳舞

生成式AI导论2024-李宏毅生成式AI的入门课程生成式人工智慧是什么？当你用类神经网络（模型）来表达这上万个参数的时候，你做的事情就是深度学习。

人工智能应用正在改变我们的生活在这个AI蓬勃发展的时代，你如何使用人工智能？如果您认为还没有，请再想一想。人工智能已经为我们的许多日常活动提供了动力，尽管您可能还没有有意将其用作工具，但这种情况可能会在不久的将来发生变化。随着顶尖科技公司构建和改进自己的大型语言模型（LLM），人工智能竞赛才刚刚开始。微软上个月推出了自己的 Bing AI 聊天机器人，谷歌的“Bard”于今年 3 月发布，同时我们也不能忘记划时代的事件： OpenAI 的 ChatGPT。

图灵追慕者

生成式AI的崭新时代：重塑软件开发流程与开发工具随着人工智能的快速发展，生成式AI正逐渐成为软件开发领域的一匹黑马，它以其强大的自动化能力和智能优化功能，正在重塑软件开发流程和开发工具，为开发人员带来了前所未有的便利和效率。生成式AI的出现，不仅加速了软件开发的节奏，还为开发人员开辟了更广阔的创新空间和发展前景。

使用微软Phi-3-mini模型快速创建生成式AI应用微软Phi-3大语言模型是微软研究院推出的新一代系列先进的小语言模型。Phi-3系列包括phi-3-mini、phi-3-small和phi-3-medium三个不同规模的版本。这些模型在保持较小的参数规模的同时，通过精心设计的训练数据集和优化的算法，实现了与大型模型相媲美的语言理解和推理能力。