书生大模型实战营-进阶岛第2关（L2G2000）

res内容解析出错。查询发现res结构不满足json包需求。1. 提交leetcode 383，笔记中提交代码与leetcode提交通过截图。2. Vscode连接InternStudio debug笔记。

（4）输入项目名称（可以使用“Lagent”），选择免费订阅，并在凭据设置中创建新的凭据。另外再次询问，让其搜索文献，可以看到，模型具备了根据任务情况调用不同工具的能力。（5）创建后，回到“项目管理”页面，找到你的 API Key 并复制保存。（3）在控制台中，点击左侧的“项目管理”，然后点击右上角“创建项目”。在左侧边栏可以看见多了一个天气查询插件。勾选上所有插件，输入查询天气的命令。（2）点击页面右上角的“控制台”。

1. 使用 MindSearch 在以下三个问题中选择一个你感兴趣的进行提问2. 选择逻代码编程、文章创作、灵感创意、角色扮演、语言翻译、逻辑推理以上任意一个场景或者你自己感兴趣的话题与浦语进行对话 (轮次不限)。3. 体验书生·万象模型多模态能力，从图片 OCR、图片内容理解等方面与书生·万象展开一次包含图片内容的对话。

任务类型任务内容预计耗时闯关任务Leetcode 383(笔记中提交代码与leetcode提交通过截图)20mins闯关任务Vscode连接InternStudio debug笔记10mins。

2. 2024 年诺贝尔物理学奖为何会颁发给人工智能领域的科学家 Geoffrey E. Hinton，这一举动对这两个领域的从业人员会有什么影响？二：选择逻代码编程、文章创作、灵感创意、角色扮演、语言翻译、逻辑推理以上任意一个场景或者你自己感兴趣的话题与浦语进行对话 (轮次不限)。三：体验书生·万象模型多模态能力，从图片 OCR、图片内容理解等方面与书生·万象展开一次包含图片内容的对话。3. 最近大火的中国 3A 大作《黑神话·悟空》里有什么让你难忘的精彩故事情节？

（笔记+作业）第五期书生大模型实战营---L2G2000 GraphGen：训练数据合成实践

【代码】书生大模型实战营-入门岛。

``json\n{\n “model_name”: “书生浦语InternLM2.5”,\n “developer”: “上海人工智能实验室”,\n “parameter_versions”: [1.8B, 7B, 20B],\n “max_context_length”: 1000000\n}\n```想要的是“```json\n”与“\n```”之间的JSON字符串，对于大模型返回的markdown与json格式正确的回答，可尝试使用正则表达式提取，如果仍然出现格式错误，可进行异常处理。

什么是git常用命令提交一份自我介绍。从远程仓库 origin 中拉取 class 分支的最新内容。在本地创建一个名为 class 的新分支。自动切换到这个新创建的本地 class 分支。设置本地的 class 分支跟踪远程的 class 分支。还没添加git配置，所以提示commit时无法识别我的身份。这里我们使用命令行配置一下即可：# 全局配置# 局部配置可以提交git push origin class_<你的uid>执行查看结果。

预训练模型的词表是固定的。它不认识你自定义的特殊标记（如实体标记、领域术语、新表情符号等）。掌握如何向预训练模型的分词器和词表中添加新的 Token（包括普通 Token 和特殊 Token），理解其对模型的影响，并学会正确调整模型权重。新 Token 的 ID（30523, 30524）在模型的 Embedding 矩阵里。想象一下，你给模型一个任务：“找出文本里的汽车和隧道实体”。增加了词表大小（比如从 30522 增加到 30524），模型的 Embedding 矩阵（这里标记了一个实体！

敏感数据目录能力是数据安全的起点

black box -> machine learning不需要标签，根据内在特征进行聚类等相似操作；这就是ML所擅长的，从数据中找出特征进而得到label；序列行为实现最优的回报；可以将policy使用深度神经网络这也是DRL的由来；RL算法的作用就是基于观测，奖励等去优化策略，以采取最优动作进而获得最大回报；所以，RL就是一个优化问题：与其他优化问题区分开来：关键点：评估状态价值，将能够使得智能体获得更高回报，而不是只是关注即时奖励；如果不能够评估状态价值，很有可能导致Agent陷入利用（贪婪）的状态，

本文提出了一种创新的神经特征函数匹配（NCFM）方法用于高效数据集蒸馏。该方法通过构建minmax对抗优化框架，引入神经特征函数差异（NCFD）作为新的分布度量指标，在复数空间实现数据特征的对齐。NCFM具有三大创新点：1）基于复数相位和振幅解耦的神经特征函数度量；2）动态采样网络实现高效计算；3）层级式特征对齐机制。实验表明，在CIFAR-100等数据集上，NCFM相比现有方法内存消耗降低300倍，处理速度提升20倍，同时保持无损压缩效果，为低资源环境下的模型训练提供了新范式。该方法在边缘计算、隐私保护数

在自然语言处理、信息检索和数据清洗等领域，计算文本相似度是一个基础而重要的任务。无论是检测重复文档、拼写纠错，还是推荐系统，都需要准确地衡量两个文本之间的相似程度。本文将深入解析多种文本相似度计算方法，帮助您选择最适合的算法。文本相似度是指两个文本在内容、结构或语义上的相近程度。通常用0到1之间的数值表示，0表示完全不同，1表示完全相同。文本长度: 短文本适合 Dice 系数，长文本适合余弦相似度计算性能: 汉明距离最快，Levenshtein 较慢但精确应用场景。

将分享如何利用AI技术为鸿蒙生态注入新活力，打造更智能的产品体验。从理论到实践，深入解析智能体的核心逻辑及其在鸿蒙生态中的应用场景。无论你是初学者还是资深开发者，这场直播都能为你带来启发与收获！手把手教你如何基于鸿蒙系统，快速搭建属于自己的智能体项目！高级开发者必备的实战经验与优化策略，助你突破技术瓶颈。想知道鸿蒙生态里 AI 能玩出啥新花样？鸿蒙生态中的 AI 新玩法-CSDN直播。对智能硬件与生态开发感兴趣的极客。黄紫妍 | HarmonyOS。AI赋能鸿蒙产品开发。

摘要 本文介绍了利用LangGraph和Dagre构建AI工作流的自动排版方案。LangGraph作为大模型工作流构建框架，可定义模块化执行节点和流程关系；Dagre则基于图论算法实现自动布局计算。二者结合可快速生成清晰的工作流可视化图谱，其优势包括： 高效性：自动排版大幅提升开发效率 可维护性：模块解耦支持独立更新 扩展性：统一API层便于系统扩展 可视化：直观展示复杂工作流结构 这套方案特别适合LLM等复杂AI系统的架构设计和开发协作，15分钟即可完成从定义到可视化的全流程。

大模型本质上是人工智能对人类知识的高度压缩映射系统。它通过数十亿参数、海量数据和强大算力，将复杂的人类知识（语言、图像、音频等）转化为数学矩阵。这种技术既具有优势（智能灵活、多任务处理能力强），也存在挑战（资源消耗大、隐私风险等）。在应用层面，大模型可赋能数字化营销（内容生成、广告优化等）。其核心原理借鉴了傅里叶变换、主成分分析等数学方法，但需要更先进的工具来处理人类知识的不确定性和动态性。大模型代表了一种创新而复杂的技术系统，需要在性能与伦理间寻求平衡。

本文使用TensorFlow框架实现了与之前NumPy和PyTorch相同的回归分析任务，通过比较可以更清楚地了解不同框架之间的特点。