Sensitive content

This media may contain sensitive content.

Video yükleniyor...

Video Yüklenemedi

Bu video yüklenirken bir sorun oluştu. Bu geçici bir ağ sorunundan kaynaklanıyor olabilir veya video kullanılamıyor olabilir.

Ana Sayfaya Dön

然冉老师的性知识小课堂：男性早泄延时脱敏训练（第二期）工具🛠️辅助与安全须知 “主要介绍工具类型，使用注意事项以及风险”

然冉S的科普日记

46,954 subscribers

136,738 görüntüleme • 5 ay önce •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

你想成为一个锁匠吗｜学习日志 · 第1期二合一解锁工具广泛用于锁匠职业培训与安全测试场景，尤其适合新手学习机械锁结构感知与弹子响应手感训练该工具将张力棒 + 拨动器合为一体，是理解锁芯内部动态的基础工具案例锁型：标准弹子锁（家用门锁）将二合一工具的两部分插入锁孔，使其卡稳张力杆位于一侧，拨动片深入锁芯内部结构顺/逆时针施加旋转张力（模拟钥匙旋转方向）拨动前端逐一感知弹子位置 → 对齐剪切线所有弹子归位后，锁芯旋转，完成开启（在训练锁上） 🛠️ 工具参考（用于锁匠模拟教学）：【门锁练习用】【汽车训练锁模型】

你想成为一个锁匠吗｜学习日志 · 第1期二合一解锁工具广泛用于锁匠职业培训与安全测试场景，尤其适合新手学习机械锁结构感知与弹子响应手感训练该工具将张力棒 + 拨动器合为一体，是理解锁芯内部动态的基础工具案例锁型：标准弹子锁（家用门锁）将二合一工具的两部分插入锁孔，使其卡稳张力杆位于一侧，拨动片深入锁芯内部结构顺/逆时针施加旋转张力（模拟钥匙旋转方向）拨动前端逐一感知弹子位置 → 对齐剪切线所有弹子归位后，锁芯旋转，完成开启（在训练锁上） 🛠️ 工具参考（用于锁匠模拟教学）：【门锁练习用】【汽车训练锁模型】

Mirror Tang

101,502 görüntüleme • 1 yıl önce

一个强大的开源知识库管理系统：Simba。能够轻松地任何检索增强生成（RAG）框架集成使用，并帮助我们更好地管理各种知识库。 GitHub：同时采用模块化设计，可根据需求，自由使用不同的向量存储、嵌入模型以及解析器等组件。有了该工具，大大简化对知识库管理的复杂性。

一个强大的开源知识库管理系统：Simba。能够轻松地任何检索增强生成（RAG）框架集成使用，并帮助我们更好地管理各种知识库。 GitHub：同时采用模块化设计，可根据需求，自由使用不同的向量存储、嵌入模型以及解析器等组件。有了该工具，大大简化对知识库管理的复杂性。

GitHubDaily

28,641 görüntüleme • 1 yıl önce

来看微软开源的AI数据可视化工具——data-formulator （11.7K ★）不知道大家是有用过 Apache SuperSet. 微软这个开源工具类似，简单来讲，这个工具可以连接任何数据源，比如RDBMS，接口等。然后将数据聚合并可视化展示。而且最大的改进是，这些可以用AI来辅助完成，类似使用自然语言写SQL。而不是自己苦哈哈的从0创建图表。项目地址：

来看微软开源的AI数据可视化工具——data-formulator （11.7K ★）不知道大家是有用过 Apache SuperSet. 微软这个开源工具类似，简单来讲，这个工具可以连接任何数据源，比如RDBMS，接口等。然后将数据聚合并可视化展示。而且最大的改进是，这些可以用AI来辅助完成，类似使用自然语言写SQL。而不是自己苦哈哈的从0创建图表。项目地址：

karminski-牙医

20,067 görüntüleme • 1 yıl önce

答应大家的AI歌手教程来了，手把手教你训练你自己的AI歌手，主要分为使用模型和训练模型两部分，这里是第一部分如何使用模型生成音乐的部分，主要介绍了音源的处理，模型的使用和后期音轨的合成。看在藏师傅生病肝教程的份上希望各位多多支持，下面是具体步骤🧶

答应大家的AI歌手教程来了，手把手教你训练你自己的AI歌手，主要分为使用模型和训练模型两部分，这里是第一部分如何使用模型生成音乐的部分，主要介绍了音源的处理，模型的使用和后期音轨的合成。看在藏师傅生病肝教程的份上希望各位多多支持，下面是具体步骤🧶

歸藏(guizang.ai)

394,448 görüntüleme • 3 yıl önce

Cognition发布首位AI软件工程师Devin，这个演示相当惊艳。 Devin 是一个自主Agents，它通过使用自己的 shell、代码编辑器和网络浏览器来解决工程任务。 Devin成功通过了知名人工智能公司的实际工程面试，甚至还在 Upwork 上完成了实际工作。 Devin 在无辅助情况下正确解决了 13.86% 的问题，远远超过了之前最先进模型 1.96% 的无辅助和 4.80% 的辅助性能。它可以学习如何使用不熟悉的技术，可以为成熟的生产资源库做出贡献，可以训练和微调自己的人工智能模型，甚至试着在 Upwork 上给 Devin 提供真实的工作，它也能完成。

Cognition发布首位AI软件工程师Devin，这个演示相当惊艳。 Devin 是一个自主Agents，它通过使用自己的 shell、代码编辑器和网络浏览器来解决工程任务。 Devin成功通过了知名人工智能公司的实际工程面试，甚至还在 Upwork 上完成了实际工作。 Devin 在无辅助情况下正确解决了 13.86% 的问题，远远超过了之前最先进模型 1.96% 的无辅助和 4.80% 的辅助性能。它可以学习如何使用不熟悉的技术，可以为成熟的生产资源库做出贡献，可以训练和微调自己的人工智能模型，甚至试着在 Upwork 上给 Devin 提供真实的工作，它也能完成。

歸藏(guizang.ai)

64,873 görüntüleme • 2 yıl önce

大型语言模型与生成式AI——介绍LLM和生成式AI项目的生命周期9——生成配置 #大型语言模型与生成式AI 这个视频介绍了如何利用配置参数影响大型语言模型（LLM）的输出。每个模型都有一套可以在推理时调用的配置参数，包括“Max new tokens”（最大新标记数）等。视频还讨论了贪婪解码和随机抽样等解码方式，以及如何使用top k和top p抽样技术限制随机抽样并增加输出有意义的可能性。此外，还介绍了一个名为“temperature”的参数，可以控制模型输出的随机性。温度越高，随机性越大；温度越低，随机性越小。这些知识可以帮助我们更好地理解和控制模型生成的内容，提高其性能。课程地址：播放列表：

大型语言模型与生成式AI——介绍LLM和生成式AI项目的生命周期9——生成配置 #大型语言模型与生成式AI 这个视频介绍了如何利用配置参数影响大型语言模型（LLM）的输出。每个模型都有一套可以在推理时调用的配置参数，包括“Max new tokens”（最大新标记数）等。视频还讨论了贪婪解码和随机抽样等解码方式，以及如何使用top k和top p抽样技术限制随机抽样并增加输出有意义的可能性。此外，还介绍了一个名为“temperature”的参数，可以控制模型输出的随机性。温度越高，随机性越大；温度越低，随机性越小。这些知识可以帮助我们更好地理解和控制模型生成的内容，提高其性能。课程地址：播放列表：

宝玉

12,463 görüntüleme • 3 yıl önce

Google的教学视频《Introduction to Large Language Models | 大语言模型介绍》（中英双语字幕）这个视频介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及Google的Gen AI开发工具。大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。原始视频链接：

Google的教学视频《Introduction to Large Language Models | 大语言模型介绍》（中英双语字幕）这个视频介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及Google的Gen AI开发工具。大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。原始视频链接：

宝玉

114,706 görüntüleme • 3 yıl önce

IBM刚刚放出来一款小模型：Granite 4.0 Nano，主打边缘和终端设备，指令遵循和工具调用能力强 1B和350M两个规格在0.2B–2B参数中，通用知识、数学、代码以及安全上平均准确率领先Qwen、Gemma、LFM等 #小模型 #IBMGranite

IBM刚刚放出来一款小模型：Granite 4.0 Nano，主打边缘和终端设备，指令遵循和工具调用能力强 1B和350M两个规格在0.2B–2B参数中，通用知识、数学、代码以及安全上平均准确率领先Qwen、Gemma、LFM等 #小模型 #IBMGranite

AIGCLINK

12,057 görüntüleme • 10 ay önce

🚨卧槽！高盛开源了他们的量化工具库 gs-quant Goldman Sachs 把内部 quants 使用的 Python 量化工具库开源了，目前 GitHub 已获得 11.3K Star。它提供了丰富的量化分析工具，适合做结构化产品、风险建模和策略研究等工作。虽然完整 API 需要高盛机构客户权限，但核心库已经开源，普通用户也可以安装使用（pip install gs-quant）。核心亮点： > 机构级量化工具：支持衍生品定价、风险管理、回测、交易策略开发等全流程 > 生产级代码质量：直接来自高盛交易台的真实工具栈 > 支持 Claude Skills：官方已集成 Claude 技能，可直接在 Claude 中使用 > 覆盖广泛资产类别：股票、期权、期货、外汇等衍生品分析能力极强 > 持续维护更新：最新版本 2.1.1 刚刚发布 > Apache-2.0 开源协议，可直接用于研究和开发对想学习机构级量化建模、做衍生品定价与风险管理、或者用 AI 辅助量化研究的开发者来说，这是目前开源里含金量最高的量化工具库之一。

🚨卧槽！高盛开源了他们的量化工具库 gs-quant Goldman Sachs 把内部 quants 使用的 Python 量化工具库开源了，目前 GitHub 已获得 11.3K Star。它提供了丰富的量化分析工具，适合做结构化产品、风险建模和策略研究等工作。虽然完整 API 需要高盛机构客户权限，但核心库已经开源，普通用户也可以安装使用（pip install gs-quant）。核心亮点： > 机构级量化工具：支持衍生品定价、风险管理、回测、交易策略开发等全流程 > 生产级代码质量：直接来自高盛交易台的真实工具栈 > 支持 Claude Skills：官方已集成 Claude 技能，可直接在 Claude 中使用 > 覆盖广泛资产类别：股票、期权、期货、外汇等衍生品分析能力极强 > 持续维护更新：最新版本 2.1.1 刚刚发布 > Apache-2.0 开源协议，可直接用于研究和开发对想学习机构级量化建模、做衍生品定价与风险管理、或者用 AI 辅助量化研究的开发者来说，这是目前开源里含金量最高的量化工具库之一。

爱吃折耳根的Ace

44,481 görüntüleme • 1 ay önce

川普今天上朝的时候签了一道行政令，要训练小学生使用AI（或用边上教育部长的念法：A1）。签之前助手向他介绍行政令内容和意义，显然川普事先不知道要签什么行政令，别人让他签他就签，就是个傀儡。

川普今天上朝的时候签了一道行政令，要训练小学生使用AI（或用边上教育部长的念法：A1）。签之前助手向他介绍行政令内容和意义，显然川普事先不知道要签什么行政令，别人让他签他就签，就是个傀儡。

方舟子

153,433 görüntüleme • 1 yıl önce

《DeFi应用、赛道入门指南》上期建议大家从DeFi入手，去体验Web3应用、研究项目和赛道，这期就来系统性的了解一下DeFi吧！我不会介绍一大堆DeFi是什么，而是从它的实际意义、细分功能、实践要点来讲。一、实际意义经常有新人不理解，CEX使用起来丝滑、便捷，为什么还要使用DEX？ 1）CEX始终存在着内部风控和外部监管的风险，比如门头沟、FTX暴雷，DEXX被盗等事件。其实，更多的是你看不到的、无法维权的吃客损、数据盘等暗箱操作。 2）Crypto二级市场的利润空间小，且与美国经济绑定深，不体验Defi应用会错过链上牛市。 3）使用限制少、链上透明度高。二、DeFi的常见功能及相关工具基础：交易、借贷、流动性挖矿衍生品：稳定币、期货期权、合成资产、RWA 工具：聚合器、跨链桥（详情见视频，这期内容做的很早了，不然高低得把Hyperliquid、GMGN写进去。） DeFi有一个个资金池，协议的运作模式让它们的收益、风险存在差异，项目方负责建造、维护它们，用户可以选择注入或者借出流动性，承担着与收益相匹配的风险。而在资金流动的过程中，会有很多技术、工具、服务提供支持。三、实践建议 1）新人可以去Solana生态体验DeFi应用，产品体验好、Gas费低；以太坊上也有很多经典项目；还可以去Monad测试网，说不定能获得空投。 2）谨防钓鱼！ 3）关注链上数据、善用各种分析工具。感谢收看！

《DeFi应用、赛道入门指南》上期建议大家从DeFi入手，去体验Web3应用、研究项目和赛道，这期就来系统性的了解一下DeFi吧！我不会介绍一大堆DeFi是什么，而是从它的实际意义、细分功能、实践要点来讲。一、实际意义经常有新人不理解，CEX使用起来丝滑、便捷，为什么还要使用DEX？ 1）CEX始终存在着内部风控和外部监管的风险，比如门头沟、FTX暴雷，DEXX被盗等事件。其实，更多的是你看不到的、无法维权的吃客损、数据盘等暗箱操作。 2）Crypto二级市场的利润空间小，且与美国经济绑定深，不体验Defi应用会错过链上牛市。 3）使用限制少、链上透明度高。二、DeFi的常见功能及相关工具基础：交易、借贷、流动性挖矿衍生品：稳定币、期货期权、合成资产、RWA 工具：聚合器、跨链桥（详情见视频，这期内容做的很早了，不然高低得把Hyperliquid、GMGN写进去。） DeFi有一个个资金池，协议的运作模式让它们的收益、风险存在差异，项目方负责建造、维护它们，用户可以选择注入或者借出流动性，承担着与收益相匹配的风险。而在资金流动的过程中，会有很多技术、工具、服务提供支持。三、实践建议 1）新人可以去Solana生态体验DeFi应用，产品体验好、Gas费低；以太坊上也有很多经典项目；还可以去Monad测试网，说不定能获得空投。 2）谨防钓鱼！ 3）关注链上数据、善用各种分析工具。感谢收看！

Van1sa

12,577 görüntüleme • 1 yıl önce

强，字节刚刚开源了一款“ChatGPT Pulse”类工具： MineContext，它会主动推送洞察、日/周总结、待办、活动记录等信息以每日总结、每周回顾、关键Tips或待办事项等形式，主动推送到主页 MineContext具有上下文感知能力，它目前基于屏幕截图+内容理解，看到看懂用户数字世界的上下文，再基于底层的上下文工程框架，进行主动推送未来会支持其他来源的多模态信息，文档、图片、视频、代码、外部应用数据等无感收集，开启后，它会在后台自动收集上下文，无需进行任何额外操作智能浮现，当需要创作或查找资料时，它可以智能浮现出相关历史上下文，以辅助创作比ChatGPT Pulse，MineContext所有的数据都会经过压缩后保存在本地，更具安全性 MineContext等于把沉默的电脑数据变成了随时可用的第二大脑，学生或研究者可以用来辅助构建知识体系，内容创作者可以用来提供灵感、优化工作流等 #MineContext #AI信息推送助手

强，字节刚刚开源了一款“ChatGPT Pulse”类工具： MineContext，它会主动推送洞察、日/周总结、待办、活动记录等信息以每日总结、每周回顾、关键Tips或待办事项等形式，主动推送到主页 MineContext具有上下文感知能力，它目前基于屏幕截图+内容理解，看到看懂用户数字世界的上下文，再基于底层的上下文工程框架，进行主动推送未来会支持其他来源的多模态信息，文档、图片、视频、代码、外部应用数据等无感收集，开启后，它会在后台自动收集上下文，无需进行任何额外操作智能浮现，当需要创作或查找资料时，它可以智能浮现出相关历史上下文，以辅助创作比ChatGPT Pulse，MineContext所有的数据都会经过压缩后保存在本地，更具安全性 MineContext等于把沉默的电脑数据变成了随时可用的第二大脑，学生或研究者可以用来辅助构建知识体系，内容创作者可以用来提供灵感、优化工作流等 #MineContext #AI信息推送助手

AIGCLINK

35,881 görüntüleme • 11 ay önce

信息差就是巨大的商机！最新一期 Indigo Talk 邀请老同事曹老师来聊「AI 培训市场的信息差」就像四五年前的理财培训，有机构能做到月流水几千万到上亿，教授的并非深度投资技巧，而只是基金定投、保险分类等基础概念，对小白极具吸引力👀 普罗大众对 AI 认知不足，对“省时、省力、赚快钱”的愿望却非常强烈，催生了五花八门的小课和培训项目。一次性课程只能“秀效果”；真要让学习落地，需要社群、陪伴、持续迭代的体系化课程。静态技能易学，动态心态难得！技术会不断更新，人必须持续学习，不断适应新工具。AI 时代的学习需要“自驱力 + 好奇心 + 长期思维”。

信息差就是巨大的商机！最新一期 Indigo Talk 邀请老同事曹老师来聊「AI 培训市场的信息差」就像四五年前的理财培训，有机构能做到月流水几千万到上亿，教授的并非深度投资技巧，而只是基金定投、保险分类等基础概念，对小白极具吸引力👀 普罗大众对 AI 认知不足，对“省时、省力、赚快钱”的愿望却非常强烈，催生了五花八门的小课和培训项目。一次性课程只能“秀效果”；真要让学习落地，需要社群、陪伴、持续迭代的体系化课程。静态技能易学，动态心态难得！技术会不断更新，人必须持续学习，不断适应新工具。AI 时代的学习需要“自驱力 + 好奇心 + 长期思维”。

indigo

33,229 görüntüleme • 1 yıl önce

一个中国小伙，非程序员出身，利用AI工具，一人一家公司OPC，成功干出了一年1000万的收入！他就是使用CHATGPT等AI工具设计付费的APP工具。他的工作流程是这样子的： 1.洞察需求 2.打磨需求 3.总结需求文档 4.做产品原型图 5.做产品的功能 6.做出MVP 7.验证MVP 8.找到1000个用户 9.设计变现点 10.验证失败验证成功 11.投放市场 AI时代，懂得使用AI工具的人可以放大自身的能力，创造一切可能性，值得我们好好学习。他具体是怎么实现的？请看下面的视频，听他的一一介绍工作流程。

一个中国小伙，非程序员出身，利用AI工具，一人一家公司OPC，成功干出了一年1000万的收入！他就是使用CHATGPT等AI工具设计付费的APP工具。他的工作流程是这样子的： 1.洞察需求 2.打磨需求 3.总结需求文档 4.做产品原型图 5.做产品的功能 6.做出MVP 7.验证MVP 8.找到1000个用户 9.设计变现点 10.验证失败验证成功 11.投放市场 AI时代，懂得使用AI工具的人可以放大自身的能力，创造一切可能性，值得我们好好学习。他具体是怎么实现的？请看下面的视频，听他的一一介绍工作流程。

小龙先生

66,317 görüntüleme • 3 ay önce

斯坦福2023年公开课CS25 - 大语言模型与人类对齐（中英文字幕）这是斯坦福2023年公开课CS25的第二课：《Language and Human Alignment》，讲师是OpenAI的Jan，他目前领导OpenAI的对齐（Alignment）团队，并曾在DeepMind担任研究员。他拥有强化学习理论博士学位，并且在过去的10年里一直在思考对齐问题。这节课的主要内容是探讨AI的对齐问题，也就是如何让AI系统符合人类的意图和偏好，以及如何构建能遵循人类意图的AI系统？遵循人类意图意味着：对于明确的意图，能遵循指令，成为一个可靠的助手；对于不明确的意图，需要通过后续问题明确，不要编造，不要做有害的事情。现在使用的主要技术是强化学习反馈，这是用来训练InstructGPT和ChatGPT的技术。首先需要训练一个奖励模型，然后要用人类标注员去标注数据，来告诉模型哪些结果更是人类想要的。虽然每个人类标注员都有自己的偏好，甚至可能有不一致的地方，但模型会多结果进行平均。从成本上来说，人类反馈的成本要远低于预训练的成本，不到预训练计算量的2%。基于人类反馈的强化学习(RLHF)可以让模型做任何它想做的事情，它可以自己找出最好的方法来做事情，你只需要对它的结果进行评估就好了。 “评估比生成容易” 很多任务虽然人类不擅长，但是可以很容易的给出评估。 RLHF也有一些限制，比如当人工智能进化到一定程度，其可以完成的任务难度也会提升，但是人类评估任务的水平却无法提高，这时候人类将无法再给AI有效的反馈。所以未来我们需要AI来辅助人类进行评估，让AI帮助指出结果中的问题，人类对AI评估的结果进行评估。课程页面：参考材料： - ChatGPT： - InstructGPT： - Language Models are Few-Shot Learners (GPT-3)：

斯坦福2023年公开课CS25 - 大语言模型与人类对齐（中英文字幕）这是斯坦福2023年公开课CS25的第二课：《Language and Human Alignment》，讲师是OpenAI的Jan，他目前领导OpenAI的对齐（Alignment）团队，并曾在DeepMind担任研究员。他拥有强化学习理论博士学位，并且在过去的10年里一直在思考对齐问题。这节课的主要内容是探讨AI的对齐问题，也就是如何让AI系统符合人类的意图和偏好，以及如何构建能遵循人类意图的AI系统？遵循人类意图意味着：对于明确的意图，能遵循指令，成为一个可靠的助手；对于不明确的意图，需要通过后续问题明确，不要编造，不要做有害的事情。现在使用的主要技术是强化学习反馈，这是用来训练InstructGPT和ChatGPT的技术。首先需要训练一个奖励模型，然后要用人类标注员去标注数据，来告诉模型哪些结果更是人类想要的。虽然每个人类标注员都有自己的偏好，甚至可能有不一致的地方，但模型会多结果进行平均。从成本上来说，人类反馈的成本要远低于预训练的成本，不到预训练计算量的2%。基于人类反馈的强化学习(RLHF)可以让模型做任何它想做的事情，它可以自己找出最好的方法来做事情，你只需要对它的结果进行评估就好了。 “评估比生成容易” 很多任务虽然人类不擅长，但是可以很容易的给出评估。 RLHF也有一些限制，比如当人工智能进化到一定程度，其可以完成的任务难度也会提升，但是人类评估任务的水平却无法提高，这时候人类将无法再给AI有效的反馈。所以未来我们需要AI来辅助人类进行评估，让AI帮助指出结果中的问题，人类对AI评估的结果进行评估。课程页面：参考材料： - ChatGPT： - InstructGPT： - Language Models are Few-Shot Learners (GPT-3)：

宝玉

149,114 görüntüleme • 3 yıl önce

诺奖得主费曼:父亲用一只鸟教会了我“知道”和“理解”有什么差别。 1.了解：对于外部特征和相关的表象知识的感受。 2.理解：对于产生表象的直观形式、因果关系、初步的根据有关经验层次的梳理。 3.知道：系统化的因果序列下与具体表象的必然性生成关系，以及延续性。

诺奖得主费曼:父亲用一只鸟教会了我“知道”和“理解”有什么差别。 1.了解：对于外部特征和相关的表象知识的感受。 2.理解：对于产生表象的直观形式、因果关系、初步的根据有关经验层次的梳理。 3.知道：系统化的因果序列下与具体表象的必然性生成关系，以及延续性。

Morris

156,127 görüntüleme • 2 yıl önce

在实践过程中什么最重要安全与沟通，m有知情权事先详细讨论什么能做，什么不能做，可能存在的风险必须是双方自愿与持续的，不是一次说ok就永远有效，过程中m可以随时说no bdsm不是单方面发泄简单来讲，S要时刻知情并同意在安全的基础上进行的游戏享受过程，事后照顾，持续反思 #上海女s

在实践过程中什么最重要安全与沟通，m有知情权事先详细讨论什么能做，什么不能做，可能存在的风险必须是双方自愿与持续的，不是一次说ok就永远有效，过程中m可以随时说no bdsm不是单方面发泄简单来讲，S要时刻知情并同意在安全的基础上进行的游戏享受过程，事后照顾，持续反思 #上海女s

苏老师S 上海女王上海女S

102,883 görüntüleme • 2 ay önce

如何让 GitHub Copilot 更好的帮你完成编码任务 GitHub Copilot 不过是开发者工具箱里众多工具之一；要想有效使用它，就需要掌握一定的技巧。我们经常接收到开发者的提问，他们想知道如何更好地利用 GitHub Copilot、如何编写有效的注释来生成代码，以及应该提出哪些问题。我们请来了企业解决方案工程师 Lindsey Bocatto 来分享使用 GitHub Copilot 的最佳实践，以及如何有效地利用这一新工具。 ▬▬▬▬▬▬ 视频时间点 ⌚ ▬▬▬▬▬▬ 0:00 开场介绍 1:12 如何开始使用 GitHub Copilot 5:22 GitHub Copilot 是如何理解提示上下文的？ 8:00 通过 GitHub Copilot 聊天功能提出问题 10:51 向 GitHub Copilot 提供更多上下文信息 13:43 使用 GitHub Copilot 的小贴士

如何让 GitHub Copilot 更好的帮你完成编码任务 GitHub Copilot 不过是开发者工具箱里众多工具之一；要想有效使用它，就需要掌握一定的技巧。我们经常接收到开发者的提问，他们想知道如何更好地利用 GitHub Copilot、如何编写有效的注释来生成代码，以及应该提出哪些问题。我们请来了企业解决方案工程师 Lindsey Bocatto 来分享使用 GitHub Copilot 的最佳实践，以及如何有效地利用这一新工具。 ▬▬▬▬▬▬ 视频时间点 ⌚ ▬▬▬▬▬▬ 0:00 开场介绍 1:12 如何开始使用 GitHub Copilot 5:22 GitHub Copilot 是如何理解提示上下文的？ 8:00 通过 GitHub Copilot 聊天功能提出问题 10:51 向 GitHub Copilot 提供更多上下文信息 13:43 使用 GitHub Copilot 的小贴士

宝玉

64,701 görüntüleme • 2 yıl önce

哈佛CS50课程节选：如何构建基于GPT-4的应用上一节介绍了什么是GPT-4，这一节则是基于GPT-4可以构建什么样的应用，以及如何构建。这部分课程介绍了GPT-4可以构建的各种类型的应用，包括不限于： - 助手应用：GPT可以用于创建AI助手，帮助完成写作、编程或回答问题等任务。通过结合专业领域知识和用户的喜好，还可以对这些助手可以进一步定制。 - 文档问答系统：GPT可以用于构建基于上下文、对文档的问答系统。 - 实用功能：GPT可用于自动化需要基本语言理解的任务，如生成单元测试、查找文档、重写功能或检查品牌一致性。 - 创意创作：GPT可以用于在各个领域生成想法、可能性或建议，包括写作、营销和研究。通过将GPT的生成能力与专业领域的知识相结合，用户可以创建更有针对性和相关性的输出。 - Baby AGI或多步计划机器人：GPT可以放入一个循环中，与自己对话并指导自己的行动，从而创建一个基于一组工具和目标的自主执行任务或生成结果的自主代理。通过这个教程，可以大概了解GPT能做一些什么事情，以及背后的原理是什么。上一节什么是GPT-4：完整课程视频地址： edX:

哈佛CS50课程节选：如何构建基于GPT-4的应用上一节介绍了什么是GPT-4，这一节则是基于GPT-4可以构建什么样的应用，以及如何构建。这部分课程介绍了GPT-4可以构建的各种类型的应用，包括不限于： - 助手应用：GPT可以用于创建AI助手，帮助完成写作、编程或回答问题等任务。通过结合专业领域知识和用户的喜好，还可以对这些助手可以进一步定制。 - 文档问答系统：GPT可以用于构建基于上下文、对文档的问答系统。 - 实用功能：GPT可用于自动化需要基本语言理解的任务，如生成单元测试、查找文档、重写功能或检查品牌一致性。 - 创意创作：GPT可以用于在各个领域生成想法、可能性或建议，包括写作、营销和研究。通过将GPT的生成能力与专业领域的知识相结合，用户可以创建更有针对性和相关性的输出。 - Baby AGI或多步计划机器人：GPT可以放入一个循环中，与自己对话并指导自己的行动，从而创建一个基于一组工具和目标的自主执行任务或生成结果的自主代理。通过这个教程，可以大概了解GPT能做一些什么事情，以及背后的原理是什么。上一节什么是GPT-4：完整课程视频地址： edX:

宝玉

172,667 görüntüleme • 3 yıl önce