AI

在这项测试中，我正在比较不同LLMs在Ollama上如何将Hugo页面从英语翻译成德语。

我测试的三页内容涉及不同主题，其中包含一些结构良好的markdown内容：标题、列表、表格、链接等。

这个小的 Go代码示例重新排序是调用Ollama生成嵌入 用于查询和每个候选文档， 然后按余弦相似度降序排序。

在现代世界纷乱的环境中，我在这里比较不同显卡的技术规格，这些显卡适用于AI任务 (深度学习， 目标检测
和大语言模型）。 不过它们都非常昂贵。

氛围编程 是一种由人工智能驱动的编程方法，开发者通过自然语言描述所需的功能，从而让人工智能工具自动生成代码。

我之前使用过 MMDetection (mmengine, mdet, mmcv)，用得不少，
但现在看起来它似乎已经退出了舞台。
真可惜，我喜欢它的模型库。

DeepSeek 的第一代推理模型，性能可与 OpenAI-o1 相媲美， 包括基于 Llama 和 Qwen 从 DeepSeek-R1 蒸馏出的六个密集模型。

不久之前发布了。让我们跟上进度并
测试Mistral Small与其他LLMs的性能表现。

最近，Black Forest Labs 发布了一组
文本到图像AI模型。
这些模型据说具有更高的输出质量。
让我们试试看

美味的食物不仅令人垂涎，也是一道视觉盛宴。
但在本文中，我们将比较两个基于人工智能的搜索系统，Farfalle 和 Perplexica。

这非常令人兴奋！
与其调用 Copilot 或 Perplexity.ai 并告诉全世界你想要什么，
你现在可以在自己的 PC 或笔记本电脑上运行类似的服务！

最近我们看到有几款新的大型语言模型（LLMs）发布。
令人兴奋的时刻。
让我们进行测试，看看它们在检测逻辑谬误时的表现如何。

当我开始尝试使用大型语言模型（LLMs）时，它们的用户界面正处于积极开发中，而现在其中一些已经非常出色。

仍然有一些常见的方法可以编写良好的提示，使大语言模型（LLM）在理解你的需求时不会感到困惑。

当我 训练目标检测AI 一段时间之前 - LabelImg 是一个非常有用的工具， 但从 Label Studio 导出到 COCO 格式 不被 MMDetection 框架接受…

测试不同参数数量和量化模型的行为。