【源力觉醒 创作者计划】百度开源ERNIE-4.5系列模型与Qwen/DeepSeek/GPT-4横向深度测评及智能客服应用实践指南

已于 2025-08-01 16:33:01 修改
阅读量807 收藏 18
点赞数 30
CC 4.0 BY-SA版权
文章标签： 百度 开源 文心大模型 GitCode
于 2025-07-31 14:44:49 首次发布
本文为博主原创文章，未经博主允许不得转载
本文链接：https://blog.csdn.net/m0_61243965/article/details/149805513

前言

2025年6月30日，百度正式开源文心大模型4.5系列，涵盖10款不同参数规模的模型，目前，这些模型已可在GitCode代码托管平台进行下载，博主这里第一时间对文心开源模型和国内外知名开源模型进行了横向对比测评，此外并根据自身业务场景选择文心开源模型ERNIE-4.5-0.3B-Paddle构建了一个企业智能客服系统。

一起来轻松玩转文心大模型吧👉一文心大模型免费下载地址: https://ai.gitcode.com/paddlepaddle/ERNIE-4.5-VL-424B-A47B-Paddle

在这里插入图片描述

一、文心开源模型（ERNIE 4.5）模型架构解析

我们从GitCode平台可以看到，百度此次开源的文心大模型有十多款，形成了从0.3B到424B参数的梯度覆盖，不仅包含文本模型还包含了视觉多模态模型（VLM），除最小的0.3B 模型外，其余模型都采用异构多模态MoE（专家混合模型：Mixture of Experts）架构。

百度开源的ERNIE 4.5模型是一种异构混合型，也就是通过“分而治之”策略提升模型性能的人工智能架构：将多个不同类型的专家模块集成在一起，每个输入仅激活部分相关的专家模块，从而在不显著增加计算量的前提下大幅提升模型容量。

在这里插入图片描述

1.1、异构多模态MoE架构

ERNIE 4.5采用异构模态专家混合架构，突破传统单一模态训练的局限：

  • 专家分工：模型包含文本专家、视觉专家和共享专家三类，文本专家处理语言理解，视觉专家专注图像特征提取，共享专家实现跨模态知识融合。
  • 参数隔离：视觉专家参数量仅为文本专家的三分之一，既保证视觉处理效率，又避免干扰文本能力。
  • 路由机制：通过模态隔离路由（Modality-Isolated Routing）和路由器正交损失（Router Orthogonal Loss），确保专家负载均衡，提升训练稳定性

在这里插入图片描述

1.2、适配器与多模态对齐

  • 时空压缩：通过空间（2x2补丁）和时间（序列长度减半）压缩，减少序列长度，提升处理效率。
  • 像素混洗（Pixel Shuffle）：重新排列相邻token特征，结合MLP层处理，实现模态对齐到文本嵌入空间。
  • 统一模态处理：将静态图像视为合成两帧视频，统一图像和视频的时间建模。

1.3、多模态位置编码

采用了3D RoPE方案，独立编码时间、宽度和高度维度，低频分配给时间轴，剩余频率交错分配至空间轴，支持长视频理解及序列长度外推。

1.4、视觉编码器创新

  • 自适应分辨率：图像输入时独立调整宽高至ViT补丁大小的最近倍数，保留原始宽高比，避免固定分辨率导致的失真。
  • 2D RoPE编码：采用二维旋转位置嵌入（Rotary Position Embedding），分别编码高度和宽度维度的空间信息，提升图像空间理解能力。
  • 图像打包技术：高效处理多张图像，保持补丁间空间一致性，优化计算资源利用。

二、模型性能测评对比

本次测评的模型主要有开源的ERNIE-4.5系列（ERNIE-4.5-0.3B-Base, ERNIE-4.5-21B-A3B-Base, ERNIE-4.5-300B-A47B, ERNIE-4.5-VL-28B-A3B, ERNIE-4.5-VL-424B-A47B）以及其他主流开源模型：如Qwen3.0、DeepSeek、GPT4等。
在这里插入图片描述

我们将分别从通用能力、推理能力、数学能力、知识能力、编码能力等五个维度来测评和对比模型的性能指标。

2.1、通用能力

从测评数据中看到ERNIE-4.5-300B-A47B模型在C-Eval、CMMLU等中文和多语言基准测试中的性能表现都是排名第1，显示出其在通用语言理解和生成方面的强大实力。

在通用能力方面，ERNIE-4.5系列模型对中文语境有着深刻的理解，这种优势来自于百度规模庞大且高质量的中文语料数据集上，在此语料库上进行进行的深度预训练，以及对中文特有的词法结构、句法规则和语义内涵进行的精细算法优化，使的文心模型在中文及多语言通用能力上实现了显著跃升。

  • C-Eval 大模型中文理解能力
  • CMMLU 中文语境下的知识和推理能力方面
  • MMLU 评估模型在多个任务上的语言理解能力
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

2.2、 推理能力

在模型的推理能力测评这一方面，我们可以从测评数据可以看到ERNIE-4.5-300B-A47B在BBH（Big-Bench Hard）、DROP等具有挑战性的常识推理与复杂推理基准上也表现优异，优于deepseek模型和GPT4模型，进一步展示了其处理复杂、多步骤推理问题的强大能力。

  • BBH：由Google、斯坦福等研究人员开发的数据集,包含大量复杂语言理解任务的集合,可能包含需要深度推理、常识运用或复杂认知技能的任务
  • DROP ：评测任务的形式是让机器理解一个篇章,并回答篇章中的问题,但与其他大多数阅读理解评测任务不同,DROP主要考察模型的数学推理能力

在这里插入图片描述
在这里插入图片描述

2.3、 数学能力

在数学解题能力这一块，我们可以看到不同模型在CMath数学基准测试中得分是非常接近的，但ERNIE-4.5-300B-A47B会更高一些，展示其在逻辑思维、问题分解和逐步推理方面的优势。

当然Qwen3和DeepSeek系列模型在部分数学任务上也表现良好，基本都在94分以上，但ERNIE-4.5的整体表现更为均衡和领先，拿到了96.7分。可能源于其在训练过程中加入了更多的数学问题集，以及对思维链等推理范式的有效学习。

  • CMath： 模型在数学应用题中的解题能力
    在这里插入图片描述

2.4、知识能力

在知识能力方面，ERNIE-4.5-300B-A47B在ChineseSimpleQA和SimpleQA等知识问答任务中展现出领先优势，尤其是在ChineseSimpleQA上，得分高达77.1，表明其拥有丰富的中文知识储备和问答能力。这清晰反映了模型经过海量知识学习后所具备的丰富中文知识库和精准问答能力。

  • SimpleQA ：测量语言模型回答简短的事实性问题的能力
  • ChineseSimpleQA：评估大型语言模型在中文环境下回答简短问题事实性能力的基准测试，包含3000个高质量问题。
    在这里插入图片描述
    在这里插入图片描述

2.5 、编码能力

随着各类AI编程工具的不断创新应用，模型的代码生成能力也显得尤为重要。而且程序员群体大部分也会用到模型的编程能力来辅助开发。

从测评数据可以看到，ERNIE-4.5在HumanEval+和MBPP+等代码生成和理解任务中表现出色，与GPT4模型能力不相上下，其在HumanEval+上与GPT-4.1并列第一，得分92.1，充分证明了咱们国产开源模型的编码能力已达到和国外模型并肩水准。

  • HumanEval+ ：包含164个精心设计的Python编程问题，这些问题通过一系列测试用例来检验代码LLMs在零样本条件下生成代码的能力
  • MBPP+：包含了500个编程问题，专注于评估模型在给定少量样本情况下的代码生成性能
    在这里插入图片描述
    在这里插入图片描述

2.6 总结

本次测评基于其官方技术报告及相关参考文献进行展开，根据以上测评指标，综合评估得出结论：ERNIE-4.5系列模型在各项核心能力基准测试中的表现，其在通用语言能力、数学计算、逻辑推理、代码生成以及多模态理解方面均展现出业界领先的性能水平。

图1：模型能力雷达图对比
在这里插入图片描述
图二：模型多维能力雷达图汇总
在这里插入图片描述

三、基于文心开源大模型开发一个智能客服系统

我们可以使用文心开源模型在本地化部署成功后，使用可以调用的API接口，基于模型接口再加上补充的知识库，就可以开始进行我们的应用系统开发工作了。
在这里插入图片描述

3.1、知识库构建

主要流程：加载 → 分割 → 向量 → 存储 → 检索 → 生成

  • 文本分割处理：首先对产品资料进行分块处理，将长文档转化为适合语义检索的知识单元

  • 数据向量化处理及入库：将文本块转化为向量（embedding）。建立原始文本与向量数据的关联存储，形成高效检索的"文本-向量"双索引结构存储在知识向量库中。

  • 知识库的构建使得系统能够通过计算问题向量与知识库向量的相似度，快速定位最相关的文本片段，为大模型生成精准回答提供数据支撑
    在这里插入图片描述

3.2、技术架构

本项目主要采用以下前沿技术和工具：

  • Vue 3 +vite：项目基于 Vue 3 构建，并采用 TS 语法，使组件书写更简洁、代码更加严谨。
  • TDesign Vue Next：集成TDesign 前端组件库，实现了对话框、按钮、输入框、弹窗等多种 UI 组件，保证了界面的一致性和良好的用户体验。
  • marked和Localstorage：用于解析和渲染大模型返回的Markdown字符串，使得消息中内容能够友好显示；Localstorage：用于实现对话记录的本地存储
  • 流式 API 请求封装：通过 Fetch API 的流式请求与 SSE 技术，实现了聊天机器人实时响应，保证用户体验的流畅性。
  • 知识库的构建：加载专业文档、处理文本、创建向量嵌入及数据入库
  • 文心开源大模型私有化部署：为应用提供智能问答服务.
  • 基于知识库的智能问答：检索问题改写、知识库检索、 使用大模型基于检索回来的相关文本段落整理检索结果，生成最终的回答。专业领域知识语料补充，解决模型数据时效性和回答幻觉问题.
    在这里插入图片描述

3.3、功能介绍

3.3.1 智能客服能进行多轮对话与意图识别

精准解析用户问题：【文心开源大模型+知识库】提供准确回答，电商场景商品咨询应答准确率提升35%，政务业务合规性检查准确率达80%。

3.3.2 对话展示

消息以气泡样式展示，支持 markdown格式文件渲染，用户与系统的对话清晰分隔。每条消息下方附有删除、引用及反馈按钮，方便用户管理和互动。

3.3.3 历史数据存储

通过Localstorage本地存储，支持用户将历史问答记录本地存储，便于存档或再次询问。

3.3.4消息反馈

针对每条对话，用户可点赞或点踩，通过反馈组件记录用户对回答满意度，同时可以点击引用按钮快速将消息内容导入输入框继续讨论。方便模型进一步调优

3.4、核心代码展示

3.4.1文本分割、向量化处理

# 安装必要库 (运行前取消注释)
# !pip install chromadb sentence-transformers nltk

import re
import nltk
from nltk.tokenize import sent_tokenize
from sentence_transformers import SentenceTransformer
import chromadb
from chromadb.config import Settings

# 下载NLTK数据（句子分割需要）
nltk.download('punkt')

# 1. 文本分割函数
def text_segmenter(text, max_length=200):
    """
    将长文本分割为语义段落
    策略：先分句，然后合并短句直到达到最大长度
    """
    sentences = sent_tokenize(text)
    segments = []
    current_segment = ""
    
    for sentence in sentences:
        # 清理句子中的多余空格
        cleaned_sentence = re.sub(r'\s+', ' ', sentence).strip()
        
        if len(current_segment) + len(cleaned_sentence) <= max_length:
            current_segment += " " + cleaned_sentence if current_segment else cleaned_sentence
        else:
            if current_segment:
                segments.append(current_segment)
            # 如果单句就超过max_length，直接截断
            if len(cleaned_sentence) > max_length:
                chunks = [cleaned_sentence[i:i+max_length] for i in range(0, len(cleaned_sentence), max_length)]
                segments.extend(chunks)
            else:
                current_segment = cleaned_sentence
    
    if current_segment:
        segments.append(current_segment)
    
    return segments

# 2. 向量化处理函数
def vectorize_texts(texts):
    """
    使用Sentence Transformer模型生成文本向量
    """
    # 加载轻量级模型（首次运行会自动下载）
    model = SentenceTransformer('all-MiniLM-L6-v2')
    embeddings = model.encode(texts)
    return embeddings.tolist()

# 3. 向量数据库入库
def store_in_chroma(segments, embeddings, collection_name="doc_segments"):
    """
    将文本片段和向量存入ChromaDB
    """
    # 创建客户端（持久化到本地目录）
    client = chromadb.Client(Settings(
        chroma_db_impl="duckdb+parquet",
        persist_directory="./vector_db"  # 向量数据库存储路径
    ))
    
    # 创建或获取集合
    collection = client.get_or_create_collection(name=collection_name)
    
    # 生成文档ID
    ids = [f"doc_{i}" for i in range(len(segments))]
    
    # 添加到集合
    collection.add(
        documents=segments,
        embeddings=embeddings,
        ids=ids
    )
    
    print(f"成功存储 {len(segments)} 个文本片段到集合 '{collection_name}'")
    return client

# 示例使用
if __name__ == "__main__":
    # 示例文本（替换为你的实际内容）
    sample_text = """
    大型语言模型（LLM）是人工智能领域的重要突破。它们通过分析海量文本数据学习语言模式，
    能够生成人类般的文本。Transformer架构是LLM的核心，它使用自注意力机制处理文本序列。
    
    LLM的应用包括：机器翻译、文本摘要、对话系统等。例如，ChatGPT展示了LLM在对话生成方面的强大能力。
    然而，LLM也存在挑战，如训练成本高、可能产生有偏见的输出等。
    
    研究人员正在开发更高效的训练方法，如参数高效微调(PEFT)。未来LLM可能会与多模态技术结合，
    处理图像、音频等非文本信息。这将开启人工智能应用的新篇章。
    """

    # 文本分割
    segments = text_segmenter(sample_text, max_length=150)
    print("\n分割后的文本片段:")
    for i, seg in enumerate(segments):
        print(f"[Segment {i+1}]: {seg[:80]}...")  # 显示前80字符

    # 向量化处理
    embeddings = vectorize_texts(segments)
    print(f"\n生成 {len(embeddings)} 个向量，维度: {len(embeddings[0])}")

    # 存储到向量数据库
    chroma_client = store_in_chroma(segments, embeddings)
    
    # 查询示例
    collection = chroma_client.get_collection("doc_segments")
    query = "语言模型有哪些应用？"
    query_embedding = vectorize_texts([query])[0]
    
    results = collection.query(
        query_embeddings=[query_embedding],
        n_results=2
    )
    
    print("\n相似性查询结果:")
    for i, doc in enumerate(results['documents'][0]):
        print(f"结果 {i+1}: {doc}")

# 注意：实际使用时可能需要处理更长的文本，建议添加错误处理和大文件处理逻辑

3.4.2 应用端调用模型api接口实现智能问答

/**
 * 调用模型api接口实现智能问答
 */

const getChatData = async (messages, options) => {
  const { success, fail, complete, cancel } = options;
  const controller = new AbortController();
  const { signal } = controller;
  cancel?.(controller);
  // your-api-key
  const apiKey = "";
  const responsePromise = fetch("/v1/chat", {
    method: "POST",
    headers: {
      "Content-Type": "application/json",
      Authorization: `Bearer${apiKey ? ` ${apiKey}` : ""}`,
    },
    body: JSON.stringify({
      messages, // 消息列表
      model: "", // 模型
      stream: true, // 流式输出
    }),
    signal,
  }).catch((e) => {
    const msg = e.toString() || "流式接口异常";
    complete?.(false, msg);
    return Promise.reject(e); // 确保错误能够被后续的.catch()捕获
  });

  responsePromise
    .then((response) => {
      if (!response?.ok) {
        complete?.(false, response.statusText);
        fail?.();
        throw new Error("Request failed"); // 抛出错误以便链式调用中的下一个.catch()处理
      }
      const reader = response.body.getReader();
      const decoder = new TextDecoder();
      if (!reader) throw new Error("No reader available");

      const bufferArr = [];
      let dataText = ""; // 记录数据
      const event = { type: null, data: null };

      async function processText({ done, value }) {
        if (done) {
          complete?.(true);
          return Promise.resolve();
        }
        const chunk = decoder.decode(value);
        const buffers = chunk.toString().split(/\r?\n/);
        bufferArr.push(...buffers);
        let i = 0;
        while (i < bufferArr.length) {
          const line = bufferArr[i];
          if (line) {
            dataText += line;
            const response = line.slice(6);
            if (response === "[DONE]") {
              event.type = "finish";
              dataText = "";
            } else {
              try {
                const choices = JSON.parse(response.trim())?.choices?.[0];
                if (choices.finish_reason === "stop") {
                  event.type = "finish";
                  dataText = "";
                } else {
                  event.type = "delta";
                  event.data = choices;
                }
              } catch (error) {
                console.error("解析错误:", error);
              }
            }
          }
          if (event.type && event.data) {
            const jsonData = { ...event };
            success(jsonData);
            event.type = null;
            event.data = null;
          }
          bufferArr.splice(i, 1);
        }
        return reader.read().then(processText);
      }

      return reader.read().then(processText);
    })
    .catch(() => {
      // 处理整个链式调用过程中发生的任何错误
      fail?.();
    });
};

//传参messgaes 示例
 messages=[
      {"role": "system", 
      "content": "你是一位电商售后客服专家，擅长处理客户售后服务问题，对产品使用体验、物流配送、售后服务、退换货流程和日常保养等都有丰富的实践经验。"},
      {"role": "user", 
      "content": "请问一般的产品售后有哪些保障，如何退换货？."},
  ]

四、总结

百度开源的文心ERNIE-4.5-0.3B-Paddle模型凭借其创新的架构、轻量化设计与PaddlePaddle框架的工业级支持，为智能客服系统提供了高性能、低成本的解决方案。通过方便部署、实时响应与行业定制化功能，该模型已在客服、政务、零售等领域验证了其价值，未来将进一步整合在线学习与多模态能力，推动智能客服从“效率工具”向“体验引擎”升级。

文心是百度自主研发的产业级知识增强大模型，以创新性的知识增强技术为核心，从单模态大模型到跨模态、从通用基础大模型到跨领域、跨行业持续创新突破，构建了模型层、工具与平台层，百度开源文心大模型这一动作，大幅降低人工智能开发和应用门槛，加快人工智能大规模产业化进程并拓展人工智能技术边界。

如果文章前的你也想自己私有化部署来构建自己的项目应用话，不妨考虑文心开源模型成为你的首选基座：

  • 使用轻量化模型？推荐使用文心4.5-0.3B-Base，实测英伟达4090显卡运行没问题。

  • 想使用多模态智能体？文心4.5-VL-28B-A3B 只需要80G显存就可以运行部署。

  • 本地资源有限，不想部署？直接用百度千帆API，省心还便宜。

下载链接：文心大模型免费下载地址：https://ai.gitcode.com/paddlepaddle/ERNIE-4.5-VL-424B-A47B-Paddle

「源力觉醒 创作者计划」_全方面实测文心ERNIE-4.5-VL-28B-A3B开源大模型
背锅神童的博客
07-31 614
此次百度开源的ERINE-4.5系列模型共22个，包含2个多模态大模型，4个大语言模型及其不同变体的庞大家族，其核心采用了创新的异构多模态混合专家（MoE）架构，在提升多模态理解能力的同时，实现了文本处理性能的同步增强。每个版本的模型都开源了基座（带Base）版本和后训练版本（不带Base）。本次实测以文心大模型为例，分别从语言理解方面、逻辑推理方面、知识问答方面、代码理解方面、图片识别方面评测文心大模型。
源力觉醒！百度文心4.5对比Qwen3：开源大模型双雄终极评测
Loving_enjoy的博客
07-16 1925
当我们在医疗诊断场景选择文心的深度知识理解，在代码生成任务使用Qwen的高效推理能力，在复杂系统中实现二者的智能协同——这正体现了"源力觉醒"计划的真谛：**让最合适的AI能力，在最需要的场景绽放光芒！| **维度** | **文心4.5** | **Qwen3** |", return_tensors="pt")| **需求场景** | **推荐模型** | **关键优势** |
【源力觉醒 创作者计划】文心开源大模型ERNIE-4.5系列与Qwen/DeepSeek/GPT-4横向深度测评报告
风中追风
07-11 1056
百度开源文心大模型4.5系列测评概览 百度近期开源了文心大模型4.5系列，涵盖10款不同规模的模型（0.3B至424B参数），包含文本和多模态模型。本次测评对比了ERNIE-4.5与Qwen、DeepSeek、GPT-4等主流开源模型在五个维度的表现： 架构创新：采用异构多模态MoE架构，整合文本、视觉和共享专家模块，通过路由机制实现高效计算。 性能表现： 通用能力：中文理解能力领先（C-Eval 86.2分） 推理能力：BBH任务优于GPT-4 数学能力：CMath测试得分96.7 知识问答：Chines
一文看懂文心一言4.5开源模型！全方位全应用场景技术评测
master_hunter的博客
07-06 1263
百度文心大模型4.5开源评测摘要 百度于2025年6月30日开源文心大模型4.5系列，包含MoE混合专家架构的47B/3B参数模型和0.3B稠密模型，采用跨模态异构MoE技术实现高效多模态处理，支持128K超长上下文。评测显示该模型在中文任务上表现优异，HumanEval编程测试达68.2%，综合能力与主流模型相当。开源举措显著降低AI应用门槛，使开发者可直接基于预训练模型进行定制开发，推动产业智能化转型。模型在智能办公、客服等场景展现出快速落地潜力，但其实际影响力仍需更多应用验证。
2024年热门开源大模型总结
2401_85280106的博客
11-26 3928
目前Qwen2作为开源模型效果还是不错的，并且能够打败开源的LLAMA3模型，只能说一句：中国大模型牛逼！并且从多个问题测试下来，发现和GPT-4o使用体验差别不大。Qwen2模型不仅性能优越，还在不断进步。随着Qwen2发布的同时，也在开源社区推动着开源大模型的不断发展。
主流AI大模型横向测评：谁才是真正的王者？
m0_59162559的博客
07-09 785
当前，人工智能技术正迎来以大模型为核心驱动力的革命性发展浪潮。自2022年底开始，以GPT系列大语言模型（LLM）为代表的突破性技术，凭借其卓越的性能表现迅速引发全球科技界的广泛关注。这些先进模型不仅在自然语言处理领域实现了质的飞跃，更在编程辅助、复杂推理、跨模态交互等多元化应用场景中展现出前所未有的能力，这种变革性技术正在重塑科研创新、教育教学、金融服务、医疗健康、文化娱乐等众多行业的发展路径与产业格局。
太强了！10大开源大模型！
数据派THU
05-17 866
本文约2700字，建议阅读9分钟 本文将详细介绍最新的顶级开源LLMs大模型。大型语言模型（LLMs）无疑是人工智能革命中的核心驱动力，它们建立在Transformer架构的稳固基石之上，并根据缩放定律不断演进。简而言之，缩放定律揭示了一个重要原则：随着数据规模的扩大、参数数量的增加以及计算能力的提升，模型的能力将迈向新的巅峰。正是通过预先训练海量的文本数据，LLMs展现出了卓越的对话和任务处理能...
2025国产AI三强对决：文心4.5、DeepSeek-V3、Qwen3深度测评——创作者选谁更趁手？
Loving_enjoy的博客
07-27 1178
💡 **横向总结**：**DeepSeek-V3** 在**前端实现简洁度**上胜出；**Qwen3** 在**系统设计完整性**上更优；**文心4.5** 在**移动端适配和多媒体**上表现突出。> ✍️ **创作方向建议**：**情感向选Qwen3**，**技术惊悚选DeepSeek**，**多模态创作选文心**。> ✅ **DeepSeek-V3 表现**：将逻辑问题转化为可验证的代码约束，体现其**强推理结构化能力**。if (actualDeg < 60) result = "一等奖";
「源力觉醒 创作者计划」文心一言VSDeepSeek
07-25
本次将深入探讨「源力觉醒 创作者计划」中，文心一言与DeepSeek的对决，解析两者在技术上的较量及对相关行业的潜在影响。 首先，文心一言是由中国科技公司推出的AI模型，它基于强大的算法框架，能处理大量数据，...
【源力觉醒 创作者计划】文心大模型开源：从封闭研发到生态共建的转折点
热门推荐
全沾软贱开发攻城狮
07-31 1万+
人工智能的浪潮在近几年席卷全球，不仅颠覆了传统技术路径与行业习惯，更在大模型领域掀起了一场激烈的生态争夺战。自去年起，"百模大战"的硝烟弥漫，微软、谷歌、百度、阿里等科技巨头纷纷入局，在大模型的研发与布局中各显神通。
谷歌发布开源大模型 Gemma，评测+最佳微调实践来啦！
机器学习社区
02-24 4204
Gemma 是由 Google 推出的一系列轻量级、先进的开源模型，他们是基于 Google Gemini 模型的研究和技术而构建。它们是一系列text generation，decoder-only的大型语言模型，对英文的支持较好，具有模型权重开源、并提供预训练版本（base模型）和指令微调版本（chat模型）。本次 Gemma 开源提供了四个大型语言模型，提供了 2B 和 7B 两种参数规模的版本，每种都包含了预训练版本（base模型）和指令微调版本（chat模型）。
大模型评测【开源篇】Qwen大模型｜同样的基座，推理模型Qwq相比常规模型Qwen-instruct，到底哪里更强？
easyllm的博客
04-11 1717
相比instruct模型，qwq总分提高了13%，十分可观。最突出的改进，除了“推理与数学计算”提升21%外，“法律”及“行政公务”都有大幅提高，分别达到20%、27%。 “推理与数学计算”方面的改进在我们预料之中，然而“法律”及“行政公务”方面的显著效果却没有那么显而易见。但仔细琢磨后会发现，医疗/教育/金融/心理健康等领域都更偏向考察知识的熟记程度，而法律/行政公务（特别是后者的行测题）更依赖于逻辑推理能力。
五大中文大模型数据集与能力深度解析：DeepSeek、Qwen、腾讯元宝、文心一言、Kimi)
ggbooo的博客
03-12 2424
如整理有误，欢迎及时指正！
OpenCompass 大模型评测实战（笔记）
2301_80703617的博客
04-25 432
对话模型：一般是在的基座模型的基础上，经过指令微调或人类偏好对齐获得的模型（如OpenAI的ChatGPT、上海人工智能实验室的书生·浦语），能理解人类指令，具有较强的对话能力。上海人工智能实验室科学家团队正式发布了大模型开源开放评测体系 “司南” (OpenCompass2.0)，用于为大语言模型、多模态模型等提供一站式评测服务。基座模型：一般是经过海量的文本数据以自监督学习的方式进行训练获得的模型（如OpenAI的GPT-3，Meta的LLaMA），往往具有强大的文字续写能力。
Qwen-2.5、DeepSeek-R1、DeepSeek-V3 核心区别
Z_Flank的博客
03-02 2588
Qwen-2.5、DeepSeek-R1、DeepSeek-V3 核心区别
【AI大模型】五大主流开源大模型RAG评估框架详解，小白也能看懂！！
datian1234的博客
12-06 2645
增强检索生成技术（Retrieval Augmented Generation，简称 RAG）目前正成为增强大语言模型（LLM）性能的核心手段。该技术通过将外部知识库融入LLM，大幅提升了大模型的精确度和对上下文的感知力。然而，对 RAG 系统性能的评测颇具挑战，这促使了一系列开源 RAG 评估框架的诞生。下面，让我们共同探讨**5大开源的 RAG 评估框架**。
百度智能云x中科大脑：「城市智能体」如何让城市更会思考
最新发布
lihui49的博客
08-14 502
智能体产品作为智慧城市建设的重要支撑，论坛上，百度智能云、中科大脑、北京邮电大学、北京大学通用人工智能研究院等多家单位共同启动智能体生态合作计划，聚焦共创融合应用场景、共育繁荣创新生态和加强科技成果转化三个关键维度，携手擘画“数启新纪元 ”下智慧城市建设的未来图景。百度智能云利用大模型技术，构建城市治理智能中枢，实现政务场景全流程智能化升级，打造集专业文书生成、城市治理监测、政务数据查询、便民服务办理、民生诉求响应于一体的城市智能体解决方案，推动政务服务从"人工处理"向"智能驱动"转型。
开源WAF新标杆：雷池SafeLine用语义分析重构网站安全边界
LT15171009269的博客
08-13 1249
当个人或企业站点上线后面临的首要威胁往往来自网络攻击——据统计，超过60%的Web应用漏洞利用尝试在流量到达服务器前即被拦截。而国产开源项目雷池（SafeLine）正是为此而生：它以反向代理形态部署，在流量抵达网站前完成智能清洗，成为防御黑客渗透的第一道防线。
ZKmall开源商城的容灾之道：多地域部署与故障切换如何守护电商系统
08-12 760
ZKmall 开源商城针对电商业务的高可用性需求，设计了一套完善的多地域部署与故障切换机制，通过 "异地多活" 架构和智能容灾策略，把系统故障的影响压到最小。不管是突发的自然灾害、机房断电，还是流量峰值导致的服务过载，都能快速切换到备用节点，确保核心交易流程不断档。
PaddlePaddle
07-27
PaddlePaddle是一个开源的深度学习平台，可以用于构建和训练深度学习模型。如果你想使用PaddlePaddle，可以通过源码编译的方式来安装。首先，你需要在Git Bash中执行以下两条命令来将PaddlePaddle的源码克隆到本地，并进入Paddle目录： ``` git clone https://github.com/PaddlePaddle/Paddle.git cd Paddle ``` 接下来，你可以根据自己的需求进行编译。如果你使用的是Windows系统，可以使用源码编译来安装符合你需求的PaddlePaddle版本。具体的编译步骤可以参考官方文档中的Windows下源码编译部分\[2\]。 如果你想在docker镜像中编译PaddlePaddle，可以使用以下命令启动docker镜像并进行编译。如果你需要编译CPU版本，可以使用以下命令： ``` sudo docker run --name paddle-test -v $PWD:/paddle --network=host -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash ``` 如果你需要编译GPU版本，可以使用以下命令： ``` sudo nvidia-docker run --name paddle-test -v $PWD:/paddle --network=host -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash ``` 以上是关于使用源码编译PaddlePaddle的一些基本步骤和命令。你可以根据自己的需求和操作系统选择适合的方式来安装PaddlePaddle。 #### 引用[.reference_title] - *1* *2* *3* [《PaddlePaddle从入门到炼丹》一——新版本PaddlePaddle的安装](https://blog.csdn.net/qq_33200967/article/details/83052060)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

言程序plus

你的鼓励将是我最大的创作动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值