总是盯着大模型幻觉问题？用工程性思维可以解决一部分，后续幻觉也是一种意识涌现？（别拍我）

深圳王哥 2024-11-14 16:10:11

基于提示词实现的类似 o1 通用思维链，借用这个提示词生成了这个提示词的结构图

...全文

307 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

迄今为止，应该没有人还怀疑大模型的能力吧？但目前大模型实现真正落地，其实还有一段艰难的路要走。**1. 大模型：**一般指1亿以上参数的模型，但是这个标准一直在升级，目前万亿参数以上的模型也有了。大语言模型（Large Language Model，LLM）是针对语言的大模型。**2. 175B、60B、540B等：**这些一般指参数的个数，B是Billion/十亿的意思，175B是1750亿参数，这是ChatGPT大约的参数规模。3. 强化学习：（Reinforcement Learning）一种机器学习

掌握这16个核心术语，不仅是理解AI技术的“起点”，更是打通“技术认知-产品设计-业务落地”的关键一步。对AI产品经理而言，这些术语背后的逻辑，能帮你在需求评审时精准对接研发团队、在功能规划时明确技术边界、在效果优化时找到核心抓手；对开发者和技术爱好者来说，它们则是深入大模型技术体系的“导航图”，让复杂的AI技术变得可理解、可应用。值得注意的是，AI技术仍在快速迭代，新的术语和技术方案会不断涌现，但“基础概念-模型架构-训练方法-应用策略”的核心框架相对稳定。

AutoResearch 不是一个简单的超参数优化（HPO）脚手架，AutoResearch 是一个由大语言模型驱动的、能真正实现"意图与代码执行完全闭环"的智能实验代理（Agent）层。它不同于 Optuna 或贝叶斯优化这类停留在"数值盲盒"层面的工具。市面上的传统工具大多停留在"空间搜索"：你设定范围，它去试错。而 AutoResearch 的设计哲学是**“意图驱动的代码级进化”。它不仅仅是在帮你跑 Python 脚本，它更是在接管**你的整个 PyTorch 实验生命周期。维度。

当你对一个组件或一个功能的愿景已经比较清楚的时候，下一步应该做的事情，是把这些愿景写实，写成一句一句可执行的期望，例如“我们真正想要的行为是什么”“什么情况算达标，什么情况算失败”。我非常同意这个说法。为了这件事，我们花了非常多的时间，去确保每一个项目都能给模型提供准确的描述、配套的文件、真实的示例，而这些材料在模型的原始训练数据里往往是不存在的。Vibe Coding 更像是自由的创作和探索，AI 辅助工程则更靠近传统的软件工程方法，它需要清晰的规划，需要成体系的需求说明，需要完整且可追溯的上下文。

目录AI大模型的应用范式和商业模式AI大模型的应用范式和商业模式## 应用范式## 商业模式AI大模型应用的6种架构设计模式，你知道几种？如何战略性理解大模型企业的商业模式？生成式AI：我跟大家来分享两方面的观点大模型行业是泡沫吗？大模型时代的“Linux”生态，开启人工智能新十年AI大模型产品应用范式和商业模式在不断演进，以下是一些关键点：基础模型+中间件+垂直应用：平台化思维：集成与整合：个性化与定制化：端侧与云侧结合：API订阅与按需付费：垂直应用产品化：增值服务与集成服务：硬件+软件一体化：数据与算

3

社区成员

10

社区内容

发帖

与我相关

我的任务

AI作画AIGCgpt 个人社区湖南省·长沙市

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章