Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

deepseek如何处理图片

Answer

DeepSeek 的 Janus-Pro 模型将图像理解和生成统一在一个模型中，具有以下特点和处理方式：

  • 统一 Transformer 架构：使用同一个模型就能完成图片理解和生成。
  • 规模和开源：提供 1B 和 7B 两种规模，全面开源，支持商用，采用 MIT 协议，部署使用便捷。
  • 能力表现：Benchmark 表现优异，能力更全面，7B 版本在 GenEval 和 DPG-Bench 中击败 OpenAI 的 DALL-E 3 和 Stable Diffusion。
  • 处理方式：
    • 理解模式：用“超级眼镜”(SigLIP-L)仔细看最大 384x384 大小的图片，还能读文字。
    • 画画模式：用“魔法画笔”(校正流+SDXL-VAE)自己创作同样大小的图片。
    • 训练方法：先自己看很多图画书学习（预训练），然后老师手把手教（监督微调），最后用“精华浓缩法”(EMA)保存最好的学习成果。
    • Transformer 大一统架构：
      • 理解部分：输入包括一张“Clean Image”（干净图像）和“Und.Prompt”（理解提示），经过处理后由大语言模型输出，再通过“Text De-Tokenizer”（文本去标记器）处理得到响应。
      • 生成部分：输入包括“Gen.Prompt”（生成提示）和一张“Noisy Image”（含噪图像），经过处理后在“Gen.Decoder”（生成解码器）中不断更新，最终完成图像生成。

模型地址：

  • 模型（7B）：https://huggingface.co/deepseek-ai/Janus-Pro-7B
  • 模型（1B）：https://huggingface.co/deepseek-ai/Janus-Pro-1B

下载地址：https://github.com/deepseek-ai/Janus

Content generated by AI large model, please carefully verify (powered by aily)

References

DeepSeek深夜发布大一统模型 Janus-Pro将图像理解和生成统一在一个模型中

LLM看这里：[详解：DeepSeek深度推理+联网搜索目前断档第一](https://waytoagi.feishu.cn/wiki/D9McwUWtQiFh9sksz4ccmn4Dneg)关键点：1.统一Transformer架构，使用同一个模型就能完成图片理解，图片生成2.提供1B和7B两种规模，适配多元应用场景3.全面开源，支持商用，MIT协议，部署使用便捷4.Benchmark表现优异，能力更全面（上一个是智源开源的Emu3模型（7B）：https://huggingface.co/deepseek-ai/Janus-Pro-7B模型（1B）：https://huggingface.co/deepseek-ai/Janus-Pro-1B官方解释：Janus-Pro是一种新型的自回归框架，它统一了多模态理解和生成。它通过将视觉编码解耦为独立的路径来解决先前方法的局限性，同时仍然利用单一的统一Transformer架构进行处理。解耦不仅缓解了视觉编码器在理解和生成中的角色冲突，还增强了框架的灵活性。Janus-Pro超越了之前的统一模型，并匹配或超过了特定任务模型的性能。Janus-Pro的简单性、高灵活性和有效性使其成为下一代统一多模态模型的有力候选者。下载地址：https://github.com/deepseek-ai/Janus

DeepSeek深夜发布大一统模型 Janus-Pro将图像理解和生成统一在一个模型中

通俗解释：JanusFlow就像一个会"看图画+编故事+自己画画"的聪明机器人?1.两个超能力：它有两种本领?理解模式：用"超级眼镜"(SigLIP-L)仔细看图片（最大384x384大小），还能读文字✏️画画模式：用"魔法画笔"(校正流+SDXL-VAE)自己创作同样大小的图片2.聪明的大脑：它的核心是DeepSeek语言模型（相当于一个特别会编故事的AI），已经学习过很多知识3.特别训练法：先自己看很多图画书学习（预训练）然后老师手把手教它（监督微调）最后用"精华浓缩法"(EMA)保存最好的学习成果解释：为什么用Transformer大一统模型，不用Diffusion模型扩散模型（Diffusion Models）在图像生成上质量更高，但Janus-Pro的设计目标不同：任务导向：Janus-Pro追求多任务统一（理解+生成），而扩散模型更专注生成质量。效率考量：扩散模型需要多次迭代去噪（如Stable Diffusion约20步），而自回归生成可能更实时。架构简洁性：保持单一Transformer架构，降低训练和部署成本。好处：统一Transformer架构：一个大脑，两种思维架构本质：虽然视觉处理分两条路，但后续处理仍用同一个Transformer（类似人脑不同区域处理不同信息）。关键设计：参数共享：底层Transformer同时学习理解和生成任务，促进知识迁移（例如学会「猫」的概念后，生成时自然能画猫）。注意力机制：通过跨模态注意力（如文字关注图像区域），实现图文深度对齐。灵活性：可通过调整输入（如切换理解/生成路径的Token）快速切换任务模式，无需重新训练模型

DeepSeek深夜发布大一统模型 Janus-Pro将图像理解和生成统一在一个模型中

一个模型生成，左侧（a）理解部分，右侧（b）生成部分[heading4]理解部分（a）：自回归（Autoregressive）[content]1.输入：左侧有一张“Clean Image”（干净图像），通过“Und.Encoder”（理解编码器）进行编码处理。同时，还有“Und.Prompt”（理解提示）通过“Text Tokenizer”（文本标记器）进行标记化处理。2.处理：经过上述处理的图像和文本信息进入“Large Language Model”（大语言模型）。3.输出：大语言模型的输出通过“Text De-Tokenizer”（文本去标记器）处理，得到“Response(Next Token Prediction)”（响应，即下一个标记预测）。[heading4]生成部分（b）：修正流（Rectified Flow）[content]1.输入：“Gen.Prompt”（生成提示）通过“Text Tokenizer”（文本标记器）进行标记化处理，然后进入“Large Language Model”（大语言模型）。同时，有一张“Noisy Image”（含噪图像）通过“Gen.Encoder”（生成编码器）处理。2.处理：大语言模型的输出与含噪图像经编码器处理后的信息，在“Gen.Decoder”（生成解码器）中处理，得到“Velocity(All Image Tokens)”（速度，即所有图像标记）。根据公式对进行更新，用覆盖。3.输出：通过不断重复上述更新过程，直到，最终完成图像生成相关操作。[Github Repository GitHub仓库](https://github.com/deepseek-ai/Janus)新模型Janus-Pro，其中7B版本在GenEval和DPG-Bench（）中击败OpenAI的DALL-E 3和Stable Diffusion

Others are asking
deepseek官方教程
以下是关于 DeepSeek 的官方教程相关信息： 火山方舟 DeepSeek 申请免费额度教程，包含多种 API 使用方式，如飞书多维表格调用、Coze 智能体调用、浏览器插件调用。可以使用邀请码 D3H5G9QA，通过邀请链接 https://www.volcengine.com/activity/deepseek?utm_term=202502dsinvite&ac=DSASUQY5&rc=D3H5G9QA 邀请可拿 3000 万 tokens，畅享 671B DeepSeek R1，活动截止至北京时间 20250218 23:59:59。同时，火山方舟大模型服务平台的模型服务计费文档有更新，DeepSeekR1、V3 模型分别提供了 50 万免费额度和 API 半价活动。 有关于一线教师的 AI 需求与高效工具推荐，如让模型创作诗歌、生成宣传标语、提示库（https://apidocs.deepseek.com/zhcn/promptlibrary）、代码解释、内容分类、角色扮演（自定义人设）、散文写作、文案大纲生成、模型提示词生成等。 2 月 14 日的社区动态中，有《突破 DeepSeek R1 能力天花板，火山引擎扣子+飞书一站式企业解决方案》《羊毛快薅|字节火山上线了 DeepSeek 系列模型并悄悄更改了模型服务价格...》等内容，还附上了飞书多维表格、Coze 的接入使用方法等。此外，还有关于 DeepSeek 关键 9 篇论文及创新点的讲解，以及 DeepSeek 官方发布的 R1 模型推荐设置。
2025-04-15
我想让DEEPSEEK帮我写一篇论文，题目已经定好了，怎么给他输入指令
以下是给 DeepSeek 输入指令以帮助您写论文的一些建议： 1. 采用结构化提示词： 优先保留专业领域术语和技术词汇，这些术语通常具有高信息价值。 对不同类型的信息设置权重，按优先级排序：任务定义>关键约束>专业术语>定量信息>方法论>背景。 以完整语义单元为基本保留单位，而非单个词语，确保压缩后的内容仍保持语义完整性。 避免详细指导思考过程，让模型自主生成思维链。 2. 高阶能力调用： 文风转换矩阵：例如“用鲁迅杂文风格写职场 PUA 现象”“将产品说明书改写成《史记》列传格式”“把这篇论文摘要翻译成菜市场大妈能听懂的话”。 领域穿透技术：如行业黑话破解“解释 Web3 领域的'胖协议瘦应用'理论”。 3. 场景化实战策略： 创意内容生成。 技术方案论证。 4. 效能增强技巧： 对话记忆管理：包括上下文锚定（如“记住当前讨论的芯片型号是麒麟 9010”）、信息回溯（如“请复述之前确认的三个设计原则”）、焦点重置（如“回到最初讨论的供应链问题”）。 输出质量控制：针对过度抽象、信息过载、风格偏移等问题，使用相应的修正指令。 5. 特殊场景解决方案： 长文本创作：可采用分段接力法，如“先完成故事大纲→逐章扩展→最后进行伏笔校验”“确保新章节与前文的三处细节呼应”。 敏感内容处理：使用概念脱敏法（如“用经济学原理类比说明网络审查机制”）或场景移植法（如“假设在火星殖民地讨论该议题”）。 在输入指令时，您需要清晰明确地描述论文的题目、研究目的、主要论点、关键论据、期望的结构和风格等重要信息，以便 DeepSeek 能够为您生成符合要求的内容。
2025-04-14
coze搭建工作流调用deepseek如何把模型的输出存入到多维表中
以下是将模型的输出存入到多维表中的步骤： 1. 逐步搭建 AI 智能体： 搭建整理入库工作流。 设置大模型节点提取稍后读元数据，使用 MiniMax 6.5s 245k，设置最大回复长度至 50000，以确保能完整解析长内容网页。 进行日期转时间戳，后续的飞书多维表格插件节点在入库日期字段时只支持 13 位时间戳，需要使用「日期转时间戳time_stamp_13」插件进行格式转化。 把稍后读元数据转换为飞书多维表格插件可用的格式，飞书多维表格插件目前（2024 年 08 月）只支持带有转义符的 string，以 Array<Object>格式输入，所以必须将之前得到的元数据数组进行格式转换。 添加「飞书多维表格add_records」插件，只需要设置{{app_token}}与{{records}}参数，将元数据写入飞书表格。 2. 搭建 Coze 工作流： 打开 Coze 的主页，登录后，在【工作空间】创建一个智能体。 在编排页面，给智能体编辑好人设，可先写一个简单的，然后点右上角自动优化，系统会自动补全更精细的描述。点击工作流的+，创建一个工作流。 大模型节点把 input 给到 DeepSeek，让 DeepSeek 按照提前规定的输出框架生成对应文案。 生图节点将输出给到图像生成组件画图。 结束输出时，两个输出给到最终的 end 作为最终的输出。注意在编写系统提示词时，如果需要 input 可被 DeepSeek 调用，需要用{{input}}作为参数引入，不然大模型不知道自己需要生成和这个 input 相关的结果。编排完，点击【试运行】，调试至满意后点击发布。
2025-04-14
Deepseek自动生成网站前端页面
以下是关于 DeepSeek 自动生成网站前端页面的相关内容： DeepSeek v3 能力更新后虽能生成炫目的前端页面，但多为静态且实用性有限。可结合飞书多维表格将生成的漂亮前端变为真实的系统，如【智能作业分发系统】。 该系统整体包括用户登陆（可加飞书调查表二维码实现注册）、作业类型、作业详情（含连连看游戏、AI 智能问答、考试系统）。其实现逻辑为用户登陆系统后进入页面看到老师分配的作业分类，选择分类进入作业详情页面，详情页有学习单词发音及三个模块。 对于小白，可用飞书作数据源，通过飞书 API 接口获取内容，用 DeepSeek v3 制作前端+后端（用 Trae 更方便）。获取请求参数时，测试成功后的示例代码中有完整的请求参数和请求体可直接复制使用。创建前后端时，若用 DeepSeek 官网搭建需按代码目录结构创建对应文件（用 Trae 可省略），首次运行可能遇到飞书 API 未正确配置 CORS 导致浏览器拦截请求的问题，V3 会给出修改意见。 此外，Same dev 能像素级复制任意 UI 界面并生成前端代码，支持多种文件格式和技术栈代码，但免费额度消耗快，网站被谷歌标记。360 智脑复现了 DeepSeek 强化学习效果并发布开源模型 LightR114BDS。 AI 时代生存法则：会提需求比会写代码更重要，会开脑洞比会复制粘贴更值钱，真正的大佬都是让 AI 当乙方！
2025-04-13
deepseek写论文
以下是关于 DeepSeek 在不同方面应用的相关信息： 应用场景：包括脑爆活动方案、会议纪要、批量处理客户评论、分析总结复盘内容、生成专业软件使用过程、写小说框架、写论文、写文案、写小红书笔记、写周报、做设计头脑风暴、做网站、分析感情问题等。 优势与不足：在写文方面全面领先，但长文可能太发散、文风用力过猛导致审美疲劳，且模型多样性不够，相同 prompt 提问多次答案雷同。 应对策略：写理性文章时，可先与 DeepSeek 讨论思路，再用 Cloud 3.5 批量生成；用 O1 模型对创作的字数控制有一定效果，也可通过多轮对话让 AI 增删改查来调整字数。 创作相关：模仿特定小说家的文学方式创作小说，需在提示词中描述文风特征；邀请大家在腾讯频道发布用 AI 写的小说并鉴赏。 发展历程：DeepSeek 历时 647 天在大语言模型（LLM）领域取得突破，发布 13 篇论文。谷歌 CEO 坦言 Deep Seek 的突破标志着 AI 的全球化进程。
2025-04-13
使用Deepseek写论文有哪些固定指令模板
以下是使用 DeepSeek 写论文的一些指令模板： 1. 进阶控制技巧： 思维链引导： 分步标记法：请逐步思考：1.问题分析→2.方案设计→3.风险评估 苏格拉底式追问：在得出最终结论前，请先列举三个可能存在的认知偏差 知识库调用： 领域限定指令：基于 2023 版中国药典，说明头孢类药物的配伍禁忌 文献引用模式：以 Nature 2022 年发表的论文为参考，解释 CRISPRCas9 最新突破 多模态输出 2. 高级调试策略： 模糊指令优化： 问题类型：宽泛需求 修正方案：添加维度约束 示例对比：原句：“写小说”→修正：“创作以 AI 觉醒为背景的悬疑短篇，采用多视角叙事结构” 问题类型：主观表述 修正方案：量化标准 示例对比：原句：“写得专业些”→修正：“符合 IEEE 论文格式，包含 5 项以上行业数据引用” 迭代优化法： 首轮生成：获取基础内容 特征强化：请加强第三段的技术细节描述 风格调整：改用学术会议报告语气，添加结论部分 最终校验：检查时间逻辑一致性，列出可能的事实性错误 3. 核心原理认知： AI 特性定位： 多模态理解：支持文本/代码/数学公式混合输入 动态上下文：对话式连续记忆（约 8K tokens 上下文窗口，换算成汉字是 4000 字左右） 任务适应性：可切换创意生成/逻辑推理/数据分析模式 系统响应机制： 采用意图识别+内容生成双通道 自动检测 prompt 中的：任务类型/输出格式/知识范围 反馈敏感度：对位置权重（开头/结尾）、符号强调敏感 4. 基础指令框架： 四要素模板 格式控制语法： 强制结构：使用```包裹格式要求 占位符标记：用{{}}标注需填充内容 优先级符号：>表示关键要求，!表示禁止项 5. 高阶能力调用： 文风转换矩阵： 作家风格移植：“用鲁迅杂文风格写职场 PUA 现象” 文体杂交：“将产品说明书改写成《史记》列传格式” 学术口语化：“把这篇论文摘要翻译成菜市场大妈能听懂的话” 领域穿透技术：行业黑话破解→“解释 Web3 领域的‘胖协议瘦应用’理论” 商业决策支持 6. 场景化实战策略： 创意内容生成 技术方案论证 7. 效能增强技巧： 对话记忆管理： 上下文锚定：“记住当前讨论的芯片型号是麒麟 9010” 信息回溯：“请复述之前确认的三个设计原则” 焦点重置：“回到最初讨论的供应链问题” 输出质量控制： 问题类型：过度抽象 修正指令：“请具体说明第三步操作中的温度控制参数” 问题类型：信息过载 修正指令：“用电梯演讲格式重新组织结论” 问题类型：风格偏移 修正指令：“回归商务报告语气，删除比喻修辞” 8. 特殊场景解决方案： 长文本创作： 分段接力法：“先完成故事大纲→逐章扩展→最后进行伏笔校验”“确保新章节与前文的三处细节呼应” 敏感内容处理： 概念脱敏法：“用经济学原理类比说明网络审查机制” 场景移植法：“假设在火星殖民地讨论该议题”
2025-04-13
可以增强图片清晰的的ai
以下是一些可以增强图片清晰度的 AI 工具： 1. Magnific：https://magnific.ai/ 2. ClipDrop：https://clipdrop.co/imageupscaler 3. Image Upscaler：https://imageupscaler.com/ 4. Krea：https://www.krea.ai/ 更多工具可以查看网站的图像放大工具库：https://www.waytoagi.com/category/17 此外，PMRF 也是一种全新的图像修复算法，它具有以下特点： 擅长处理去噪、超分辨率、着色、盲图像恢复等任务，生成自然逼真的图像。 不仅提高图片清晰度，还确保图片看起来像真实世界中的图像。 能够应对复杂图像退化问题，修复细节丰富的面部图像或多重损坏的图片，效果优质。 详细介绍： 在线体验： 项目地址： 这些 AI 画质增强工具都具有不同的特点和功能，可以根据您的具体需求选择合适的工具进行使用。
2025-04-18
图片提取文字
以下是关于图片提取文字的相关信息： 大模型招投标文件关键数据提取方案：输入模块设计用于处理各种格式的文档输入，包括 PDF、Word、Excel、网页等，转换成可解析的结构化文本。多种文件格式支持，对于图片，可以借助 OCR 工具进行文本提取，如开放平台工具：。网页可以使用网页爬虫工具抓取网页中的文本和表格数据。 谷歌 Gemini 多模态提示词培训课：多模态技术可以从图像中提取文本，使从表情包或文档扫描中提取文本成为可能。还能理解图像或视频中发生的事情，识别物体、场景，甚至情绪。 0 基础手搓 AI 拍立得：实现工作流包括上传输入图片、理解图片信息并提取图片中的文本内容信息、场景提示词优化/图像风格化处理、返回文本/图像结果。零代码版本选择 Coze 平台，主要步骤包括上传图片将本地图片转换为在线 OSS 存储的 URL 以便调用，以及插件封装将图片理解大模型和图片 OCR 封装为工作流插件。
2025-04-15
图片变清晰
以下是关于图片变清晰的相关内容： 使用清影大模型： 输入一张图片和相应提示词，清影大模型可将图片转变为视频画面，也可只输入图片让模型自行发挥想象生成有故事的视频。 选用尽可能清晰的图片，上传图片比例最好为 3:2（横版），支持上传 png 和 jpeg 图像。如果原图不够清晰，可采用分辨率提升工具将其变清晰。 提示词要简单清晰，可选择不写 prompt 让模型自行操控图片动起来，也可明确想动起来的主体，并以“主体+主题运动+背景+背景运动”的方式撰写提示词。 常见的 AI 画质增强工具： Magnific：https://magnific.ai/ ClipDrop：https://clipdrop.co/imageupscaler Image Upscaler：https://imageupscaler.com/ Krea：https://www.krea.ai/ 更多工具可查看网站的图像放大工具库：https://www.waytoagi.com/category/17 用 AI 给老照片上色并变清晰： 将照片放入后期处理，使用 GFPGAN 算法将人脸变清晰。然后将图片发送到图生图中，打开 stableSR 脚本，放大两倍。切换到 sd2.1 的模型进行修复，vae 选择 vqgan，提示词可不写以免对原图产生干扰。
2025-04-14
怎么让图片动起来
要让图片动起来，可以参考以下几种方法： 1. 使用即梦进行图生视频：只需上传图片至视频生成模块，提示词简单描绘画面中的动态内容即可生成时长为 3 秒钟的画面。运镜类型可根据剧本中的镜头描绘设置，主要设置以随机运镜为主。生成速度根据视频节奏选择，比如选择慢速。 2. 使用 Camera Motion： 上传图片：点击“Add Image”上传图片。 输入提示词：在“Prompt”中输入提示词。 设置运镜方向：选择想要的运镜方向，输入运镜值。 设置运动幅度：运动幅度和画面主体运动幅度有关，与运镜大小无关，可以设置成想要的任意值。 其它：选择好种子（seed），是否高清（HD Quality），是否去除水印（Remove Watermark）。 生成视频：点击“create”，生成视频。 3. 对于复杂的图片，比如多人多活动的图： 图片分模块：把长图分多个模块。 抠出背景图：智能抠图，用工具把要动的内容去除掉，用 AI 生成图片部分。 绿幕处理前景图：将要拿来动起来的部分抠出，放在绿幕背景里或者画的背景颜色，导出图片。 前景图动态生成视频：用 AI 视频生成工具写入提示词让图片动起来，比如即梦、海螺、混元等。不停尝试抽卡。 生成视频去掉背景：用剪映把抽卡合格的视频放在去掉内容的背景图片，视频的背景用色度抠图调整去掉。多个视频放在背景图片，一起动即可。
2025-04-12
图片文字转文档
图片文字转文档可以通过以下方式实现： coze 插件中的 OCR 插件： 插件名称：OCR 插件分类：实用工具 API 参数：Image2text，图片的 url 地址必填 用途：包括文档数字化、数据录入、图像检索、自动翻译、文字提取、自动化流程、历史文献数字化等。例如将纸质文档转换为可编辑的电子文档，自动识别表单、票据等中的信息，通过识别图像中的文字进行搜索和分类，识别文字后进行翻译，从图像中提取有用的文字信息，集成到其他系统中实现自动化处理，保护和传承文化遗产。 插件的使用技巧：暂未提及。 调用指令：暂未提及。 PailidoAI 拍立得（开源代码）： 逻辑：用户上传图片后，大模型根据所选场景生成相关的文字描述或解说文本。 核心：包括图片内容识别，大模型需要准确识别图片中的物体、场景、文字等信息；高质量文本生成，根据图片生成的文字不仅需要准确，还需符合专业领域的要求，保证文字的逻辑性、清晰性与可读性。 场景应用： 产品文档生成（电商/零售）：企业可以利用该功能将商品的图片（如电器、服饰、化妆品等）上传到系统后，自动生成商品的详细描述、规格和卖点总结，提高电商平台和零售商的商品上架效率，减少人工编写文案的工作量。 社交媒体内容生成（品牌营销）：企业可使用图片转文本功能，帮助生成社交媒体平台的营销文案。通过上传产品展示图片或品牌活动图片，模型可自动生成具有吸引力的宣传文案，直接用于社交媒体发布，提高营销效率。 法律文件自动生成（法律行业）：法律行业可以使用图片转文本技术，自动提取合同、证据材料等图片中的文本信息，生成法律文件摘要，辅助律师快速进行案件分析。
2025-04-11
如何去除图片中的文字内容
以下是去除图片中文字内容的方法： 1. 图像预处理： 图像去噪：使用去噪算法（如高斯滤波、中值滤波）去除图像中的噪声。 图像增强：通过增强算法（如直方图均衡化、对比度增强）提升图像的清晰度和对比度。 2. 图像分割：使用图像分割算法将图片中的文字和背景分离。常用的分割算法包括阈值分割、边缘检测和基于区域的分割方法。 3. 文字检测：在分割后的图像中，使用文字检测算法（如基于深度学习的文本检测模型）识别出文字区域。 4. 文字识别：对检测到的文字区域进行文字识别，将文字内容转换为计算机可处理的文本数据。常用的文字识别技术包括基于深度学习的端到端文本识别模型和传统的 OCR（Optical Character Recognition）技术。 5. 后处理：根据需求进行后处理，如去除残余的噪点、填补文字区域的空白等。 6. 机器学习模型训练（可选）：如有足够的数据，可以采用机器学习技术训练模型，通过学习样本中的文字特征来自动去除图片上的文字。 7. 优化算法：对整个处理流程进行优化，提高处理速度和准确度。可以采用并行计算、硬件加速等方法提升算法的效率。 8. 移动端集成：将设计好的算法和模型集成到移动应用程序中，以实现去除图片文字的功能。可以使用移动端开发框架（如 iOS 的 Core ML、Android 的 TensorFlow Lite）来实现模型的部署和调用。 此外，像 Gemini 2.0 Flash 等工具也可以通过自然语言指令来去除图片中的文字，指令如“去掉 XXX”。DALL·E 也能实现去掉图片中的错误文字等操作。
2025-04-11
处理 excel 表格 的 AI 工具
以下是一些可用于处理 Excel 表格的 AI 工具： 1. Excel Labs：这是一个 Excel 插件，新增了基于 OpenAI 技术的生成式 AI 功能，可在 Excel 中直接利用 AI 进行数据分析和决策支持。 2. Microsoft 365 Copilot：微软推出的整合了 Word、Excel、PowerPoint 等办公软件的 AI 工具，通过聊天形式，用户告知需求后，Copilot 会自动完成任务，如数据分析或格式创建。 3. Formula Bot：提供数据分析聊天机器人和公式生成器两大功能，用户可通过自然语言交互式地进行数据分析和生成 Excel 公式。 4. Numerous AI：支持 Excel 和 Google Sheets 的 AI 插件，除公式生成外，还能根据提示生成相关文本内容、执行情感分析、语言翻译等任务。 5. Ajelix：可处理 Excel 和 Google Sheets 表格的 AI 工具，链接为。 6. FormX.ai：能够自动从表格和文档中提取数据的 AI 工具，链接为。 随着技术的不断发展，未来可能会有更多 AI 功能被集成到 Excel 中，进一步提高工作效率和数据处理的智能化水平。内容由 AI 大模型生成，请仔细甄别。
2025-04-11
LLM模型响应时间较长，如何处理超时时间问题
处理 LLM 模型响应时间过长导致的超时问题，可以考虑以下方法： 1. 参数有效调整：这是一种新颖的微调方法，通过仅训练一部分参数来减轻微调 LLM 的挑战。这些参数可能是现有模型参数的子集，或者是一组全新的参数，例如向模型添加一些额外的层或额外的嵌入到提示中。 2. 优化提示设计：采用合适的提示方法，如零样本提示、一次性提示、Fewshot prompting 等。零样本提示是只给出描述任务的提示；一次性提示是让 LLM 执行任务的单个示例；Fewshot prompting 是让 LLM 执行任务的少量示例。同时，可以使用结构化模式设计提示，包含上下文、问题示例及相应答案等组件，以指示模型应如何响应。 3. 避免频繁调整某些参数：尤其是 Top K 和 Top P，不需要经常对其进行调整。 4. 关注模型响应质量：即使有良好的提示设计，模型输出仍可能不稳定，需要持续关注和优化。 5. 考虑成本和时间：微调大型模型可能耗时且成本高，为大模型提供服务也可能涉及额外麻烦和成本，需要综合评估和优化。
2025-04-11
cursor 长文档处理长文档
以下是关于 Cursor 长文档处理的相关信息： UI 用户界面： 当 Cursor 仅添加其他文本时，补全将显示为灰色文本。如果建议修改了现有代码，它将在当前行的右侧显示为 diff 弹出窗口。 您可以通过按 Tab 键接受建议，也可以通过按 Esc 键拒绝建议。要逐字部分接受建议，请按 Ctrl/⌘→。要拒绝建议，只需继续输入，或使用 Escape 取消/隐藏建议。 每次击键或光标移动时，Cursor 都会尝试根据您最近的更改提出建议。但是，Cursor 不会始终显示建议；有时，模型预测不会做出任何更改。 Cursor 可以从当前行上方的一行更改为当前行下方的两行。 切换： 要打开或关闭该功能，请将鼠标悬停在应用程序右下角状态栏上的“光标选项卡”图标上。 @Docs： Cursor 附带一组第三方文档，这些文档已爬取、索引并准备好用作上下文。您可以使用@Docs 符号访问它们。 如果要对尚未提供的自定义文档进行爬网和索引，可以通过@Docs>Add new doc 来实现。粘贴所需文档的 URL 后，将显示相应模式。然后 Cursor 将索引并学习文档，您将能够像任何其他文档一样将其用作上下文。 在 Cursor Settings>Features>Docs 下，您可以管理已添加的文档，包括编辑、删除或添加新文档。 @Files： 在 AI 输入框中（如 Cursor Chat 和 Cmd K），可以使用@Files 引用整个文件。如果继续在@后键入，将在策略之后看到文件搜索结果。 为确保引用的文件正确，Cursor 会显示文件路径的预览，这在不同文件夹中有多个同名文件时尤其有用。 在 Cursor 的聊天中，如果文件内容太长，Cursor 会将文件分块为较小的块，并根据与查询的相关性对它们进行重新排序。
2025-04-10
关于处理法律事务的提示词
以下是关于处理法律事务的提示词相关内容： 1. 陶力文律师观点：不能期待设计一个完美的提示词让 AI 百分百给出完美答案，应将提示词视为相对完善的“谈话方案”，成果在对话中产生。对于尝试 AI 的朋友，建议多给 AI 几轮对话修正的余地，不要期望一次输入提示词就得到想要的东西。陶律师习惯用的大模型是 KIMI，也可使用 GPT、文心一言、豆包等。其个人 Prompt 库取名为【元始洞玄灵宝枢机 AI 符法集成道藏】，库里每篇灵机符箓命名为【敕令 XXXX】。【箓】描述符箓整体所属、版本，【符】关键，涉及具体操作步骤和方法，开头赋予 AI 身份划定边界。 2. 潘帅观点：律师常用 Prompt 场景包括案例检索和类案检索。案例检索最好使用法律行业垂类的 AI 产品，通用型 AI 可能存在问题。案例检索的 Prompt 指令词结构为【案例领域或类型+明确需要查找的重点内容+查找案例的目的+其他希望 AI 做的事情】，并列举了多个具体例子，如商标侵权案件中“混淆可能性”标准的判例检索等。
2025-04-03
目前的大模型ai工具中 你觉得文本处理 写作这方面那个工具最强 最像人
目前在大模型 AI 工具中，对于文本处理和写作方面，以下是一些相关信息： 生成式人工智能的工作原理：在整体的人工智能领域，监督学习用于标记事物，一直占据很大比例。现在生成式 AI 快速崛起，强化学习与无监督学习也是重要工具。生成式 AI 由监督学习技术搭建，大语言模型使用监督学习不断预测下一个词语来生成文本，这需要大量数据。 大语言模型的应用：运用大语言模型写故事、修改文本很有用，但它可能编造故事产生错误信息，需要鉴别信息准确。网络搜索与大语言模型的区别在于网络搜索可追寻信息来源，大语言模型能提供建议与策略。 写作方面：使用大模型工具如 LLM 来写作，集思广益、头脑风暴非常有用。网页版聊天时提供更多信息，翻译也可使用 LLM，但其效果受网络文本量影响。 推荐的大模型工具：chatGPT 4.0、kimichat、智谱清言 4 等。一些国产模型如智谱和文心可以文生图。 相关工具：除了 Snapbox 外，还有 OpenCAT 等类似工具可供选择。有多种文本处理与总结工具，如 kimi 网页总结助手、ChatHub 等，以及翻译插件与 AI 对话插件、沉浸式翻译插件等。Memo Al 可以对音频视频进行转文字、字幕翻译、语音合成等，并由多种 AI 模型提炼内容精华总结、生成思维导图。 综合来看，不同的大模型工具在文本处理和写作方面各有特点，难以简单地确定哪一个最强、最像人，具体取决于您的需求和使用场景。
2025-04-01
长文本处理
以下是关于长文本处理的相关信息： 通义千问发布了一个模型并开源了两个模型，其中一个在长文本处理方面有显著提升。 开源的 Qwen2.51M 大模型推出 7B、14B 两个尺寸，在处理长文本任务中稳定超越 GPT4omini，同时开源推理框架，在处理百万级别长文本输入时可实现近 7 倍的提速，首次将开源 Qwen 模型的上下文扩展到 1M 长度。在上下文长度为 100 万 Tokens 的大海捞针任务中，Qwen2.51M 能够准确地从 1M 长度的文档中检索出隐藏信息，仅有 7B 模型出现少量错误。对于更复杂的长上下文理解任务，通义官方选择了等测试集。 Qwen2.51M 系列模型在大多数长上下文任务中显著优于之前的 128K 版本，特别是在处理超过 64K 长度的任务时表现出色。Qwen2.514BInstruct1M 模型不仅击败了 Qwen2.5Turbo，还在多个数据集上稳定超越 GPT4omini，可作为现有长上下文模型的优秀开源替代。 此外，还有关于利用 Langchain+Ollama+RSSHub 实现本地部署资讯问答机器人的内容，包括导入依赖库、从订阅源获取内容、为文档内容生成向量等步骤。其中使用了 feedparse 用于解析 RSS 订阅源，ollama 用于在 python 程序中跑大模型，文本向量模型 bgem3 具有支持多语言、长文本输入、集成多种检索能力等特点。
2025-03-31