LLM (大语言模型)

IT帮帮(https://itbangbang.cn) 本系统是本人注册的一人公司名下的系统,是100%本人独立完成的所有工作。包括:前端、后端、架构、产品设计、运维、爬虫、域名等。 1.本人完成(100%) 后台管理部分; 用户端部分: 目前上线部分分为:联系、需求、服务、商机、帮豆模块。 需求:发布需求、我的需求。主要为IT类发布任务。 服务:发布任务、我的任务。主要我技能服务类服务。 商机:通过网络爬虫selenium抓取招标数据,进行展现。 帮豆:在线充值,需求竞标、查看商机会消耗帮豆。 之前曾经上线,目前暂时未显示的模块: comfyUI:采用大模型进行在线绘画作图。 视频播放; 资源上传与下载功能等。 2.涉及技术: caddy、springboot、dubbo、redis、mongodb、bootstrap、websocket、netty、MySQL、selenium、多线程、jdk17、python、jquery、vue.js、Https、 开源安全模块(天池)等、第三方支付、在线文件预览、下载模块
680javamysql
项目分为文生图、图生图、dreambooth微调模型、图片管理几个模块。 文生图:通过关键词AI绘画出相关图片 图生图:通过本地图片加上关键词AI绘画相同风格的图片 dreambooth:微调模型可根据不同需求训练出自定义风格的AI绘图模型
300javareact
描述:本产品将各个公司的ChartGPT资源进行整合 负责模块:负责官网的开发与迭代。 相关技术描述 基于electron开发的一款AI智能应用,把市场AI进行整合,对接各个AI应用接口,前端通过sse进行结果渲染 技术栈:electron + vue
610html5LLM (大语言模型)
某企业AI智能客服项目旨在利用人工智能技术,为企业打造一个高效、智能的客户服务系统。该项目通过模拟人类客服的对话方式,与用户进行实时交流,解答用户的问题、提供帮助和建议,从而提升企业服务效率、降低运营成本,并增强用户的满意度和忠诚度。 一、模块组成 智能问答模块:基于自然语言处理、深度学习等技术,对用户的问题进行识别、分析和回答。该模块能够准确理解用户意图,提供精准的答案和解决方案。 用户交互模块:负责与用户进行实时对话,包括语音、文本等多种形式的交互。该模块通过语音识别、语音合成等技术,实现与用户的语音交互;同时,也支持文本输入和输出,方便用户进行文字交流。 知识库管理模块:存储和管理企业的各类知识、常见问题及解决方案。该模块支持知识的动态更新和维护,确保智能客服系统能够随时提供最新、最准确的信息。 数据分析模块:对用户行为、问题类型、服务效果等数据进行收集和分析,为企业提供有价值的业务洞察和改进建议。 二、使用到的技术 自然语言处理技术:用于将用户的语言转化为机器可理解的形式,从而能够准确理解用户的需求和问题。通过分词、词性标注、句法分析等处理,提取出用户问题中的关键
1001java人工智能
1.支持多个大模型同时服务,图像生成/文本生成/视频 等全域开源大模型; 2.支持910b/tpu/cpu/gpu部署,支持单卡和多卡混合部署,并发支持; 3.demo使用了3种大模型, 2层级分支处理逻辑, 实现了订腾讯会议、代码解释生成、图片生成和处理一般问题; 4.深度支持RAG,检索增强生成,层次化知识存储;demo支持上传文档,体验专属个人助手(用完即删不会存档,txt或md文件); 5.全套代码独有,支持前后端定制,支持大模型预训练/指令微调 等微调工作; 6.给出和现有系统混合协作的解决方案;
740javascript机器学习/深度学习
项目简介:基于 Langchain RAG 框架的自定义知识库对话系统 1. 功能模块及用户功能: 对话接口: 用户可以通过文本输入与系统进行自然语言对话。 系统能够理解用户的查询并返回相关信息。 知识库检索: 系统能够从事先构建好的知识库中检索相关内容,以支持对话中的信息提供。 用户反馈: 用户可以通过点击按钮提供对话结果的反馈,包括正确性、流畅性等方面的评价。 2. 我的任务、技术栈与成果: 任务: 搭建自定义知识库对话系统,提供高效、准确的信息查询服务。 技术栈: 使用 Langchain 提供的 RAG 框架作为对话系统的核心。 选择 Qwen-14B-Chat 作为基座模型,具有强大的对话生成能力和对话理解能力。 使用 Streamlit 框架重新设计前端界面,提供用户友好的交互体验。 成果: 成功搭建了一个自定义知识库对话系统,能够通过与用户交互,提供准确、丰富的信息支持。 引入了用户反馈功能,能够持续收集用户的评价数据,用于优化系统性能和调整知识库内容。 3. 难点与解决方案: 难点: 如何有效地组织和索引知识库中的内容,以便快速、准确地进行检索。 解决方案: 使用
1140pythonLLM (大语言模型)
1.项目主要分为短信校验登录,用户管理,财务管理,功能探索,语聊助手,链接、二维码分享,用户分销等模块,是一个基于openai大模型得智能问答系统,支持文生文,文生图还有文件解析助手功能 2.我主要负责语聊助手,用户管理,短信校验登录模块 3.难点在于流式接口得开发,以及对接openai返回格式得显示处理
170javaLLM (大语言模型)
介绍 JFinalOA 是基于 JFinal 框架开发的企业办公系统。最新迭代产品为,点狮OA,财务系统、财务软件、办公系统,人力资源管理系统,HRM,hrm,档案管理系统,AM,财务管理系统,ERP,企业资源管理系统,APP手机端,CRM,客户资源管理 功能特点 1、点狮OA是一套【多租户】的企业办公系统,可以提供给【集团级企业用户】使用,也可对外提供为SAAS服务多公司进行入驻。【租户】可以设置自己公司独有的【个性化流程】【人员管理】【用户管理】【角色管理】【菜单权限】【所有的单据申请信息】等等。 2、点狮OA基于【点狮后台管理】开发,该平台可以无缝扩展集成现有其他项目【点狮HRM】、【点狮AM(档案)】、【点狮CRM】、【点狮IM(即时通讯)】、【点狮ERP(企业资源管理)】等等。以及可以作为【点狮OA-APP】和【小程序】的后台服务。 3、点狮OA扩展了流程设计器,可以手动设置指定任务的办理人,以及指定岗位办理,流程设计更加方便。 4、点狮OA集成了Flowable流程引擎,可以实现,流程审批的,【并行】、【串行】、【会签】、【回退】、【取回】,等操作。 5、系统内置
160javaHTML5开发相关
大模型有较强的语义理解能力、常识推理能力,任务规划能力,但在面向特定领域时,存在以下挑战: 领域知识匮乏 • 领域应用的本质是复杂决策。通用大模型具备宽 广的知识底座,具有宽度有余但深度不足,无法 直接胜任复杂任务。 大模型的“幻觉”问题 • 没有依据的答案,通过简单类比得出错 误答案,在企业内,需要确保领域问题 的准确性。 数据和知识过时,难更新 • LLM的知识很容易过时,很难更新;难以保证数 据的完整性,容易形成错误回答,或者无法回答。 对于给定信息的“忠实度” • 在领域任务中,我们需要大模型遵循特定领域的规范、制 度、流程和知识进行回答。然而,如果没有进行适当的调 优,大模型往往会抛开给定的文档或信息,而倾向于利用 已习得的通用知识进行自由发挥。飘逸的创造发挥与忠实 的事实陈述是一对难以调和的矛盾。 不可解释 • 生成的答案是否有依据?为什么是A而不是B?
330需求分析机器学习/深度学习
1. 系统描述:本系统为AI多模态人工智能聊天系统,展示的模块为青少年问卷调查智能问卷。系统根据用户对问卷内容的回答,智能分析诊断用户的心理健康状况,为医生提供指导性建议 2. 责任描述: 整个系统架构搭建,问卷流程设计,以及AI核心模块的开发 3. 成果:已经与上海卫建委成功签订合作合同,并申报为24年度政府相关科研课题
870javaredis
针对NLP模型无法识别长文本意图,无法进行多轮次交互意图识别等,进行意图识别增强,并赋能场景,以提升导航意图识别的准确率。客服大模型主要是针对语音导航未识别的对话实时二次识别,进行语义理解能力增强。
120深度学习自然语言处理
1. 实现AI大模型应用,为用户提供智能化解决方案,提高生活和工作效率。小程序包括AI社区(AI作品分享、点赞、收藏等)、AI创作(小红书、视频脚本等)、AI对话(AI女友、AI医生助手等)。 2.项目中集成和调用AI大模型,使用Prompt工程、RAG技术增强模型的信息检索能力,使得用户获得更准确和全面的AI体验。
290java微信小程序
本项目主要提供智能翻译功能的引擎。 实现原理是利用Transformer架构通过深度学习进行语言翻译。 和流行的大语言模型翻译的主要区别在于: 1.推理速度快,参数量小,可以在端侧实行推理 2.不像生成式模型大多只用了Transformer的解码器部分。此项目同时使用编码器和解码器,环顾整个句子的前后文字关系进行翻译,提高翻译准确度 本人主要对此项目的神经网络模型进行设计编写和优化。
90深度学习LLM (大语言模型)
项目介绍: 基于医疗知识图数据库,构建一个在线诊疗系统,用来给患者提供对应病情分析。用户通过在线系 统请求到在线诊疗服务,系统根据用户输入病情实时地为用户提供对应疾病类型。 项目内容: 1、命名实体识别(NER)任务:通过搭建BiLSTM_CRF模型,将提取出的命名实体传入下一步进行 命名实体审核(NE)任务。使用准确率,召回率和 F1-score 来评估模型,最终能够模型在训练集 和验证集的召回率分别在:0.85和0.78左右; 2、命名实体审核(NE)任务:使用BERT中文预训练模型对句子编码,构建RNN模型训练函数,通过 绘制训练和验证的损失和准确率对照曲线最终模型准确率维持在0.98左右; 3、在线部分: werobot 服务模块、主要逻辑服务模块、句子相关模型服务模块、会话管理模块, 图数据库模块以及对话(查询neo4j图数据库并返回查询结果)/Unit 模块。
210深度学习可视化
这是一个类似于 ChatGPT 的 Web chatbot,它的独特之处在于能够将对话内容以知识图谱的形式保存到服务器上,从而实现永久记忆的功能。相比之下,它不仅仅是一个简单的聊天工具,更是一个能够记录和积累知识的智能伙伴。通过这种方式,每次对话都成为了知识的积累,形成了一个不断扩展和丰富的知识体系。这使得它在长期使用中能够更好地理解用户的需求和问题,提供更加准确和有用的回答。它的永久记忆能力使其成为一个不断学习和成长的智能助手,为用户提供更优质的服务和支持。
280flutter机器学习/深度学习
马鞍山市道路运输管理服务中心(下称“运管中心”),对城市公共交通客运和城乡长途客运进行客运安全监管。 马鞍山公交集团公交司机约600名,长运客运长途客运司机约400名,公司指挥调度中心可对车辆行车轨迹和驾驶员位置实时图像进行连续监控。同时,公司定期针对驾驶员心理健康状况,邀请权威医疗机构进行心理评估,建立心理健康档案。驾驶员也可主动申报心理健康状况,专业机构评估后,由企业安全中心对驾驶员是否具备出车条件进行综合评估。 各企业调度中心建设有车载定位系统,日常前一天根据各班组排班情况,绑定线路与车辆号及车牌号,驾驶员出车前,在线下端车辆输入工号,匹配上排班后,即可出车。 马鞍山道路客运路况相对复杂,客量不断增多、客运班次运行强度不断增高,客运班组长与驾驶员所需应对的行车压力增大。 实现: (1)实时监测。利用可穿戴设备传感器,结合边缘设备统一管理和车载定位系统技术,实现行车轨迹、行车时间和车辆信息等人、事、物的实时监测与匹配; (2)快速感知。应用人工智能分析和先进的生物体征分析等技术,实现行车期间驾驶员情绪变化的快速感知; (3)系统评估。结合司机基础体征信息基准值和行车习惯等特征化数据
240axure路由器/防火墙
1、数据资源梳理; 2、数据资源治理; 3、数据产权登记; 4、数据资产质量评价+数据资产价值评估; 5、数据资产资本化
460多线程jQuery表单及相关
通过私有化部署AI模型通义千问,将AI与JIRA打通,使用AI来预处理jira ticket,释放出更多的生产力,为用户带来更好的云上体验 通过AI预处理工单后,人工投入大大降低了35%,并且给用户带来了高效的服务响应体验,特别是新上云的用户,体验最佳,并不断探索通过agent来完成自动化运维工作
230pythonLLM (大语言模型)
目前能够跑通深度学习中目标检测、目标分割、对抗网络的代码,主要对这三个方向比较了解与专攻,几乎有所有的代码,包括一些最新的CVPR的代码,能够实现在自己电脑中训练、推理与部署。曾经尝试郭修改算法结构,使其达到更好的效果。
150C/C++程序调试工具
根据甲乙双方合作的要求,乙方在规定时间内完成“基于Discord的GPT***”软件的功能开发,该系统的设计要求如下: a、根据甲方需求设计开发与描述匹配的系统。 b、能顺利实现甲方需求中描绘的基于用户单句指令自动生成Bot(多个组件自动组合形成的workflow)的功能(见附录1中的组件说明与bot示例)。 c、产品需要有组件扩展性来满足后续版本中bot的单句指令生成(见附录2)。 d、0.01版本产品稳定性需要达到业界标准水平,非第三方原因的稳定性达3个9。本产品稳定性需要达到业界标准水平,非第三方原因的的稳定性达4个9 该软件的主要功能: 基于GPT,用户在discord中用一句自然语言生成一个workflow(如有必要可通过主动询问用户1-3个问题来实现),该workflow可以帮助用户实现特定的功能需求。
290c#LLM (大语言模型)
当前共74个项目
×
寻找源码
源码描述
联系方式
提交