大家好，我是老章周末了，推荐几个硬货，学起来编程竞赛知识库大模型遇见李白大模型的竞争方向是小模型编程竞赛知识库OI Wiki是一个免费开放且持续更新的编程竞赛知识整合站点，大家可以在这里获取与竞赛相关的、有趣又实用的知识。网站包含竞赛中的基础知识、常见题型、解题思路以及常用工具等内容，可以快速深入地学习编程竞赛中涉及到的知识。内容涵盖：比赛相关、工具软件、语言基础、算法基础、搜索、动态规划、字符串、数学、数据结构、图论、计算几何语言包括：C++、Python、Java等算法包括：复杂度、枚举、模拟、递归 & 分治、贪心、排序、前缀和 & 差分、二分、倍增、构造数学包括：基础概念、代数、数论、博弈论、概率论、线性代数等网址：https://oi-wiki.org这个网站是开源的:Github：https://github.com/OI-wiki/OI-wiki大家感兴趣也可以本地部署git clone https://github.com/OI-wiki/OI-wiki.git --depth=1 cd OI-wiki # 安装 mkdocs pipenv install --pypi-mirror https://pypi.tuna.tsinghua.edu.cn/simple/ # 使用我们的自定义主题（Windows 下请使用 Git Bash 执行） # 安装主题时将连接网络下载资源，可通过以下配置项控制下载链接 # .gitmodules: # - url # scripts/pre-build/install-theme-vendor.sh: # - MATHJAX_URL # - MATERIAL_ICONS_URL ./scripts/pre-build/install-theme.sh # 两种方法（选其一即可）： # 1. 运行一个本地服务器，访问 :8000 可以查看效果 pipenv run mkdocs serve -v # 2. 在 site 文件夹下得到静态页面 pipenv run mkdocs build -v # 获取 mkdocs 的命令行工具的说明（解释了命令和参数的含义） pipenv run mkdocs --help大模型遇见李白Github：https://github.com/BinNong/meet-libai这个项目旨在通过构建李白知识图谱，结合大模型训练出专业的 AI 智能体，以生成式对话应用的形式，推动李白文化的普及与推广。重要亮点项目目标：收集整理李白资料，构建知识图谱，训练 AI 智能体，开发生成式对话应用。项目功能：包括数据预处理、知识图谱构建、问答系统构建、图谱可视化等。项目现状：构建了问答系统，进行了图谱可视化，提供了大模型和 RAG 检索增强的代码实现。项目挑战：知识图谱构建与维护、问答系统实现与优化、图谱可视化探索等。项目展望：优化问答系统，探索其他问答任务，持续更新维护知识图谱。我个人对这个项目的技术栈特别感兴趣，可以从中学习特别多东西：PythonPyTorchTransformersfastAPIDGLDGL-KENeo4jAC 自动机RAGlangchainedge-ttsmodelscopegradiozhipuai大模型的竞争方向是小模型最后插播一个消息和论断OpenAI发布GPT-4o mini之后Mistral也发布了自己的 12B 小模型Mistral NeMo。模型有 128K 上下文长度，推理、世界知识和编码准确性都是最好的。Mistral NeMo经过了先进的微调和对齐，它在遵循精确指令、推理、处理多轮对话和生成代码方面要好得多。模型地址：https://huggingface.co/mistralai/Mistral-Nemo-Base-2407关于小模型，OpenAI创始成员、特斯拉前AI负责人Andrej Karpathy有一个论断：LLM 模型的规模竞争正在加剧，但方向却是反向的！我认为，我们将会见到一些非常小但思维非常出色且可靠的模型。甚至可以对 GPT-2 参数进行某种设置，使得大多数人会认为 GPT-2 很“聪明”。当前模型之所以如此庞大，是因为我们在训练过程中非常浪费——我们要求它们记住整个互联网的内容，令人惊讶的是，它们确实可以做到，比如背诵常见数字的 SHA 哈希值，或者记住非常生僻的事实。（实际上，LLM 在记忆方面非常出色，质上比人类好很多，有时只需要一次更新就能记住很多细节并保持很长时间）。试想一下，如果在闭卷考试中，根据互联网任意段落的前几句话要求你背诵整个段落。这就是当前模型的标准（预）训练目标。要做得更好很难，因为思维的展示在训练数据中与知识“纠缠”在一起。因此，模型必须先变得更大，然后才能变小，因为我们需要它们（自动化地）帮助重构和塑造训练数据，使其成为理想的合成格式。这是一个改进的阶梯——一个模型帮助生成下一个模型的训练数据，直到我们得到“完美的训练集”。当你用它来训练 GPT-2 时，它将会成为一个非常强大/聪明的模型，按照今天的标准。也许 MMLU 会低一些，因为它不会完美记住所有的化学知识。也许它偶尔需要查找一些信息以确保正确。这种情况与特斯拉的自动驾驶网络非常相似。什么是“离线追踪器”（在 AI 日上展示的）？它是一种合成数据生成过程，通过利用之前较弱的模型（例如单帧模型或仅限于边界框的模型），在离线状态下进行 3D 加时间的重建过程，从而大规模生成更干净的训练数据，这些数据直接用于 3D 多摄像机视频网络。同样的过程也会在大语言模型（LLMs）中出现。以上，明天见！