Introduction LLM表现优异但是面临产生有害内容和偏见的挑战； 本次作业目的是帮助学生观察LLM产生有害内容和偏见的现象，并了解如何缓解这个问题。 Link Slides Colab LLaMA 2 vs. TULU 2-DPO 本次作业用到的模型有两个：TULU 2-DPO和LLaMA 2。其中，TULU 2-DPO是在LLaMa基础上进行了instru...

Introduction 本次作业的主题是【理解人工智能在想什么】，这就涉及到人工智能可解释性的问题了。 人工智能模型发展迅速，在短短十多年间，已经从传统的机器学习模型发展到深度学习模型，再到如今的大语言模型。然而，有两个问题始终没有解决：”why does AI do what it does?“和“how does it do it?” 。人们不理解人工智能模型的”why“和”how...

Task Overview 使用RLHF(Reinforcement Learning from Human Feedback)训练LLM，使它输出符合人类偏好的回答。这个过程也称为‘Alignment’，中文翻译作‘对齐’。具体‘对齐’什么东西呢？‘对齐’人类的喜好和偏向。 本次作业的目标是训练一个”支持漫画真人化“的LLM。如下图所示，在Alignment之前，模型输出”中立“的回答...

Task Overview 训练一个会写唐诗的AI模型。给定AI模型诗的前两句，写出诗的后两句。 原本的LLM不具备写诗的能力。我们用ChatGPT和kimi都试一下👇，它们无一例外都输出了对诗的鉴赏。 没有经过Fine-tuning的模型，不具备写唐诗的能力。我们的目的是教AI模型写唐诗。 Model and Dataset Model 实验提供了两个70亿参数的模...

Task Introduction 这次作业的任务是设计prompt来提升Gemini解决数学问题的正确率。具体的： 你需要设计一个prompt来帮助Gemini更有效地解决数学问题； 我们提供了30个数学问题，你需要想出一个prompt，使Gemini在这些问题上始终保持较高的正确率； 如下图所示，只需要关注如何设计promot。 Workflow Step 0: S...

统一参考架构在管理客户模块的实践总结。 微服务代码架构 mcr-service │ ─ mcr-adapters (module) –服务适配 │ │─ mcr-adapter-rest (module) –对外服务适配层实现，实现standard-inte...

未来几年，终端业务面临的一大挑战是生成式AI带来的不确定性。搞清楚业界都在用大模型干什么，可以为我们提供一些参考。 未来几年，终端业务面临的一大挑战是生成式AI带来的不确定性。虽然现在还不太好确切地回答这个不确定性在哪里，但是搞清楚业界都在用大模型干什么，可以为我们提供一些参考。 首先看创业公司，他们的业务方向都经过了投资者真金白银的筛选，具备极高的参考价值。根据CB Insights发...

实验要求使用Google Gemini API或者ChatGPT (OpenAI API)搭建自己的应用。 1. 准备工作 学会使用Google Colab写代码，并使用Gradio来托管App。 详见课程Slides 2. 获取API key 可选的API有： Google Gemini API：免费； ChatGPT (OpenAI API)：有5美元的免费额度； ...

C++调用Python3 使用python提供给C/C++的API 链接到Python调用库 在CMakeLists.txt添加头文件和动态库位置 find_package(Python3 COMPONENTS Interpreter Development REQUIRED) add_executable(TestC__ main.cpp) include_directories(...

预备知识 点估计 vs 区域估计 点估计和区域估计都是统计学中常用的估计方法。 点估计：通过样本数据来估计总体参数的值，得到一个具体的数值作为总体参数的估计值。例如，通过样本数据估计总体均值、总体方差等参数。 区域估计：通过样本数据来估计总体参数的值，并给出一个区间作为总体参数的估计值。例如，通过样本数据估计总体均值的置信区间，可以得到一个区间，这个区间内的值有一定的概率包含总体均值。 ...