相关新闻

placeholder

Barret李靖

55分钟前

LLM 出来之后，在应用层的折腾从未停歇。从 Prompt 调优到 Workflow 配置，再到 Agent 构建，最终目的都是一样的：让 LLM 更好地为人类干活，把机器的性能压榨到极致。 对 LLM 的压榨，可以分为两个维度。一是帮助它找到最优算法，让推理少走弯路。 为此我们几乎把能想到的路子都走了一遍，让 LLM 学会反思（reflection、self-consistency、self

placeholder

Gorden Sun

1小时前

Sora2是完全可以写好中文的，希望这个能力迁移到GPT5（4o）

placeholder

RamenPanda

8小时前

对于科技股 那些对标美股的港股的弹性会非常大，机器人、AI等 但不能认定为长牛，最核心的原因 China doesn’t have a market 这个短期内是无法解决的

placeholder

吕立青_JimmyLv (🐣, 🐣) 2𐃏25 | building bibigpt.co

12小时前

要学新东西，直接在BibiGPT搜索， 然后咔咔批量总结，太特么爽了！ 聚合搜索+异步总结+批量处理+自定义提示词+消息通知+自动保存Notion 这一套下来，整个视频知识管理流程无比丝滑~

placeholder

Susan STEM

14小时前

只要你真正理解了：大语言模型的本质就是符号映射，它的通用性就是把语言压缩成一个最小原语——预测下一个 token，那么你就会明白： 1）语言和符号有边界。 LLM 是符号模型，它的疆域不在于重复旧的 NLP 技巧，而在于人类能否把符号宇宙推到极致，把更多经验、直觉和制度转写为符号。 2）传统 NLP 已经沦为低阶能力。 翻译、摘要、问答这些曾经的难题，如今已轻易被模型吃掉。什么故事书生成、教科