AI与OCR未来在多模态融合方面有何趋势 - 飞书文档
https://docs.feishu.cn/v/wiki/Ywe1wzBXFivCHZklculcs1oxnih/aa在过去，传统的OCR方法主要依赖于手工特征提取和模板匹配。这种方式在面对复杂的图像环境时，往往显得力不从心。例如，当图像存在模糊、噪声、光照不均或者文字字体 ...
飞搜侠
热门搜索
人工智能算法在视频和图像中的目标检测与识别 - 飞书文档
https://docs.feishu.cn/v/wiki/MATew18ZjiI5cgkcEOucAJu3nmy/ae基于特征匹配的识别算法. 基于特征匹配的识别算法首先提取目标的特征，然后与已知的目标特征模板进行匹配。这种方法在一些特定的应用场景下仍然具有一定的优势，例如在 ...
正则表达式在角色阶段设定中必要吗？
https://docs.feishu.cn/v/wiki/CINmw1U6gihSDYkrvBicCFZAnHd/ai综上所述，正则自动替换的方法的主要优点是：阶段分明，人设鲜明，节省tokens。现在我将通过具体的例子，告诉你正则该如何书写。下一节再将将关键词和世界书匹配起来。
RAG Fusion的优劣何在？ - 飞书文档
https://docs.feishu.cn/v/wiki/Z5TJw2EnQiAC4aknM1Ecvg1NnZb/ab语义检索：基于向量空间的KNN算法. 相关性检索：传统的文本精确匹配方法，包括BM25、TF-IDF ... 模板，然后去检索文档chunk. 6.3 Query向量化/文档向量化前加特定的Prompt.
LangChain应用开发指南-TruLens用量化对抗幻觉 - 飞书文档
https://docs.feishu.cn/v/wiki/XXFDwmeLUiVV6Jkgb5HcTKnhntk/ae2024年1月4日 ... RAG的优点是，它可以利用检索系统来提供LLM所缺乏的知识和信息，从而提高LLM的生成质量和多样性。RAG的缺点是，它也可能引入一些错误和幻觉，例如检索出不相关 ...
Jinja模版设计文档（翻译）
https://docs.feishu.cn/article/wiki/FwSowbTBciCAdIkbUVWcGFPsnE7... 方法是将整个模板模块导入到一个变量中。这样，可以访问属性： {% import 'forms ... 未来可能会更改此行为，以便与Python 匹配，如果有可能引入升级路径的话。 3 ...
LLM4Rec：当推荐系统遇到大模型 - 飞书文档
https://docs.feishu.cn/article/wiki/DMqOwfhbIi2kUlkxu0RcVaYjn2F既然是大模型在推荐系统中的应用，那么首先要梳理下传统推荐模型和LLM 的优缺点 ... 场景是百度搜索召回，建模query-doc 之间的相关性匹配。 简单说就是用ERNIE 替代了 ...
一文读懂：大模型RAG（检索增强生成） - 飞书文档
https://docs.feishu.cn/article/wiki/KVIBwTxnrixYrFkT7oycPX7QnBg理解不难，就是通过自有垂域数据库检索相关信息，然后合并成为提示模板，给大模型生成漂亮的回答。 ... 不过首先，我们先列一下RAG融合的优缺点。 优点：. 提供多样化的上下文： ...
ChatGPT在情感对话任务中的优势与不足 - 飞书文档
https://docs.feishu.cn/v/wiki/TJnKwZlcfiXkRWkPiwlcglNHnJd/a8... 优缺点，并思考情感对话领域未来的研究方向。 任务设置. 我们将从情感对话理解和生成能力这两个维度出发，对ChatGPT 在其下各个主流任务的性能表现进行比较和分析。 评测方法.
embedding模型如何选择？ - 飞书文档
https://docs.feishu.cn/v/wiki/WiAwwqSfYiT8sKkYU33c7FMpnvh/akRAG模型的关键在于它结合了这两种方法的优点：检索系统能提供具体、相关的事实和 ... 将用户的问句与向量数据库中的chunk匹配，匹配出与问句向量最相似的top k个。