LLM用の効果的なプロンプトの作成
いくつかの試行錯誤が必要ですが、
まだ、LLMがあなたの意図を理解しようとする際に混乱しないようにするための、良いプロンプトを書くためのいくつかの一般的なアプローチがあります。
AI
Python チートシート - Python の役に立つコードの一部。
よく使用されるPythonコードの断片
時折必要になるが、すぐに見つからないことがある。
そのため、ここにすべてを保存しておく。
Label Studio と MMDetection を使用したオブジェクト検出 AI のトレーニング
ラベリングとトレーニングには、ある程度の接着が必要です。
以前に オブジェクト検出AIのトレーニング を行った際、LabelImgは非常に役立つツールでしたが、 Label StudioからCOCOフォーマットへのエクスポートは MMDetectionフレームワークで受け入れられていませんでした。
LLMの要約能力の比較
8つのllama3（Meta+）および5つのphi3（Microsoft）LLMバージョン
パラメータ数や量子化の異なるモデルの挙動をテストしています。
Ollama モデルの保存場所を変更する
Ollama の LLM モデルファイルは非常に多くのディスク領域を占有します。
ollama のインストール 後、すぐに Ollama を再設定して、新しい場所にモデルを保存するようにするのが良いでしょう。そうすれば、新しいモデルをプルした際に、古い場所にダウンロードされなくなります。
大規模言語モデルの速度テスト
LLMのGPUとCPUでの速度をテストしてみましょう
いくつかのLLM（大規模言語モデル）のバージョン（llama3（メタ/Facebook）、phi3（マイクロソフト）、gemma（グーグル）、mistral（オープンソース））におけるCPUおよびGPUでの予測速度の比較。
LLMを用いた論理的誤謬の検出
さまざまなLLMの論理的誤謬検出の質をテストしましょう
ここではいくつかのLLMバージョンを比較しています：Llama3（Meta）、Phi3（Microsoft）、Gemma（Google）、Mistral Nemo（Mistral AI）、Qwen（Alibaba）。