文章

您是否应该删除、插入或估算？

人工智能模型是否正在向现实的统一表征演进？柏拉图表征假说认为，人工智能模型正在趋同。 麻省理工学院最近的一篇论文引起了我的注意，因为它提出了一个令人印象深刻的观点：人工智能模型正在趋同，甚至跨越了不同的模态–视觉和语言。“我们认为，人工智能模型，尤其是深度网络中的表征正在趋同”，这是 The Platonic Representation Hypothesis (https://arxiv.org/abs/2405.07987)论文的开头。

多年来，一种名为长短期记忆（LSTM）的神经网络一直是处理文本等序列数据的主要模型。LSTM 早在 20 世纪 90 年代就已问世，它善于记忆长程模式，避免了早期递归网络所面临的 “梯度消失” 技术问题。这使得 LSTM 在语言建模、文本生成、语音识别等所有语言任务中都具有难以置信的价值。在相当长的一段时间里，LSTM 看起来势不可挡。

前言 将自然语言查询转化为代码是 NLP 领域最艰巨的挑战之一。将一个简单的英语问题转换成复杂代码的能力为开发人员的工作效率和快速软件开发生命周期提供了多种可能性。这就是开源大语言模型 Google Gemma 发挥作用的地方。本指南将探讨如何使用 unsloth 微调 Google Gemma，以便从自然语言查询生成代码语句。

大型语言模型（LLM）和知识图谱（KG）是让更多人访问数据的不同方法。知识图谱使用语义学将数据集通过其含义（即它们所代表的实体）连接起来。LLM 使用向量和深度神经网络来预测自然语言。它们通常都以 “解锁 “数据为目标。对于实施 KGs 的企业来说，最终目标通常是建立数据市场、语义层、使数据 FAIR 化或使企业更加以数据为中心。这些都是不同的解决方案，但最终目标是相同的：让更多数据更快地提供给合适的人。对于实施 LLM 或其他类似 GenAI 解决方案的企业来说，其目标往往是相似的：为员工或客户提供一个 “数字助理”，以便更快地将正确的信息提供给正确的人。这种潜在的共生关系是显而易见的：LLM 的一些主要弱点，即它们是黑盒模型，难以处理事实知识，而这正是 KG 的一些最大优势。从本质上讲，KG 是事实的集合，而且完全可以解释。但是，在企业中，KGs 和 LLMs 究竟应该如何结合使用呢？

「基于 GPT 的书签自动搜索 pipeline 分步指南」

一年一度的中文网志年会与今晨八点开始，不过没想到的是昨晚就已经完成了开幕式。在 Google+上由Isaac Mao主持开幕 Hangout 视频。可惜我没有看到！

![image][1] [本文知乎专栏地址][2] 在 Enlight 出来之前，Snapseed 曾经是我最主要的修图工具。 当然，Enlight 确实是大而全的一款 App，但是使用中，却让我有了无法忍受的一点。那就是丢失部分图片信息。 导出的时候，Enlight 导出所用的格式是 PNG，而 Snapseed 仍然是 jpg 导出。自然大家都知道 PNG 图片所用的格式是无损的，这就是说，Snapseed 导出的图像相比 Enlight 要小很多，因为 iPhone 默认拍照所保存的都是 jpg 格式，所以即便再导出 PNG 格式，那所增加的部分应该是软件通过算法添加进去的。 而，Enlight 在导出的 PNG 格式图片里，却丢失了相机信息，地理位置信息和更重要的拍照时间信息。照片的时间被导出的时间所代替。

许很多的影片我都应该从新温习一遍。不只是因为我学的就是这个，更重要的是每次看一遍都能理解一些新的东西。

I MISS U.