AI前沿-Euler的博客

累计撰写 211 篇文章
累计创建 82 个标签
累计收到 0 条评论

目录CONTENT

以下是 AI前沿相关的文章

【论文】大语言模型在国际天文学奥林匹克竞赛(IOAA)中的金牌表现论文地址 arXiv: https://arxiv.org/html/2510.05016 标题: Large Language Models Achieve Gold Medal Performance at the International Olympiad on Astronomy & As
- 2025-10-13
- 6
- 0
- 0
- 论文
【论文】旋转位置编码增强的Transformer(RoFormer/RoPE) 论文概述论文标题: RoFormer: Enhanced Transformer with Rotary Position Embedding 作者: Jianlin Su, Yu Lu, Shengfeng Pan, Ahmed Murtadha, Bo Wen, Yunfeng Liu 机构:
- 2025-10-11
- 13
- 0
- 0
- 论文
【论文】顺序性指令微调大语言模型(SIT) 论文地址: Fine-Tuning Large Language Models with Sequential Instructions 核心问题现有的指令微调（Instruction Tuning）模型在处理包含多个指令的复杂查询时表现不佳。具体表现多步骤指令执行困难：模型难以导航单个命令中
- 2025-10-10
- 3
- 0
- 0
- 论文
【论文】：精确零样本密集检索无需相关性标签(HyDE) 论文地址: Precise Zero-Shot Dense Retrieval without Relevance Labels 核心问题现有的密集检索（Dense Retrieval）系统在零样本场景下表现不佳，特别是当没有相关性标签进行监督学习时。具体表现零样本学习困难：缺乏相关性标签时，
- 2025-10-08
- 18
- 0
- 0
- 论文
【论文】大型语言模型的低秩适配(LoRA) 论文概述论文标题: LoRA: Low-Rank Adaptation of Large Language Models 作者: Edward Hu, Yelong Shen, Phillip Wallis, Zeyuan Allen-Zhu, Yuanzhi Li, Shean Wang, Lu
- 2025-09-30
- 7
- 0
- 0
- 论文
【理论】深入理解Transformer中的正弦位置编码引言位置编码（Positional Encoding）是Transformer架构中一个精妙而关键的组件。不同于卷积神经网络天然具备的空间感知能力，Transformer的自注意力机制本身是位置无关的——如果不加入位置信息，模型无法区分"我爱你"和"你爱我"。本文将深入探讨Transformer为
- 2025-09-30
- 7
- 0
- 0
- 理论
【论文】注意力机制(Attention) 论文概述论文标题: Attention Is All You Need 作者: Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, Illia
- 2025-09-30
- 15
- 0
- 0
- 论文
【理论】注意力机制与多头注意力机制理解 1. 基础注意力机制 1.1 核心概念注意力机制模拟人类阅读时的"聚焦"行为，让模型在处理每个位置时，能够关注到输入序列中最重要的部分。 1.2 数学原理 \text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\r
- 2025-09-29
- 12
- 0
- 0
- 深度学习
【提示词】顺序性指令微调大语言模型 Fine-Tuning Large Language Models with Sequential Instructions 核心问题现有的指令微调（Instruction Tuning）模型在处理包含多个指令的复杂查询时表现不佳。具体表现多步骤指令执行困难：模型难以导航单个命令中的一系列子任
- 2025-09-28
- 3
- 0
- 0
- 论文
【机器学习】F1-Score、Recall、Precision详解：机器学习评估指标的核心概述在机器学习分类任务中，准确率（Accuracy）虽然是最直观的评估指标，但在处理不平衡数据集或需要关注特定类别性能时，往往不够全面。Precision（精确率）、Recall（召回率）和F1-Score（F1分数）这三个指标能够更细致地评估模型的性能，特别是在二分类和多分类问题中。混淆矩阵基
- 2025-09-24
- 11
- 0
- 0
- AI前沿

1
2
3
4
5
6