AI 常见名词 有哪些

要让企业微信接上 AI 并变成一个 AI 客服，可以参考以下内容： 1. 基于 COW 框架的 ChatBot 实现方案：这是一个基于大模型搭建的 Chat 机器人框架，可以将多模型塞进微信（包括企业微信）里。张梦飞同学写了更适合小白的使用教程，链接为： 。 可以实现打造属于自己的 ChatBot，包括文本对话、文件总结、链接访问、联网搜索、图片识别、AI 画图等功能，以及常用开源插件的安装应用。 正式开始前需要知道：本实现思路需要接入大模型 API 的方式实现（API 单独付费）。 风险与注意事项：微信端因为是非常规使用，会有封号危险，不建议主力微信号接入；只探讨操作步骤，请依法合规使用，大模型生成的内容注意甄别，确保所有操作均符合相关法律法规的要求，禁止将此操作用于任何非法目的，处理敏感或个人隐私数据时注意脱敏，以防任何可能的滥用或泄露。 支持多平台接入，如微信、企业微信、公众号、飞书、钉钉等；多模型选择，如 GPT3.5/GPT4.0/Claude/文心一言/讯飞星火/通义千问/Gemini/GLM4/LinkAI 等等；多消息类型支持，能处理文本、语音和图片，以及基于自有知识库进行定制的企业智能客服功能；多部署方法，如本地运行、服务器运行、Docker 的方式。 2. DIN 配置：先配置 FastGpt、OneAPI，装上 AI 的大脑后，可体验知识库功能并与 AI 对话。新建应用，在知识库菜单新建知识库，上传文件或写入信息，最后将拥有知识库能力的 AI 助手接入微信。

围棋 AI 领域具有重要的研究价值和突破。在古老的围棋游戏中，AI 面临着巨大挑战，如搜索空间大、棋面评估难等。DeepMind 团队通过提出全新方法，利用价值网络评估棋面优劣，策略网络选择最佳落子，且两个网络以人类高手对弈和 AI 自我博弈数据为基础训练，达到蒙特卡洛树搜索水平，并将其与蒙特卡洛树搜索有机结合，取得了前所未有的突破。在复杂领域 AI 第一次战胜人类的神来之笔 37 步，也预示着在其他复杂领域 AI 与人类智能对比的进一步突破可能。此外，神经网络在处理未知规则方面具有优势，虽然传统方法在处理象棋问题上可行，但对于围棋则困难重重，而神经网络专门应对此类未知规则情况。关于这部分内容，推荐阅读《这就是 ChatGPT》一书，其作者备受推崇，美团技术学院院长刘江老师的导读序也有助于了解 AI 和大语言模型计算路线的发展。

以下 AI 工具可以实现提取多个指定网页的更新内容： 1. Coze：支持自动采集和手动采集两种方式。自动采集包括从单个页面或批量从指定网站中导入内容，可选择是否自动更新指定页面的内容及更新频率。批量添加网页内容时，输入要批量添加的网页内容的根地址或 sitemap 地址然后单击导入。手动采集需要先安装浏览器扩展程序，标注要采集的内容，内容上传成功率高。 2. AI Share Card：能够一键解析各类网页内容，生成推荐文案，把分享链接转换为精美的二维码分享卡。通过用户浏览器，以浏览器插件形式本地提取网页内容。

以下是关于文字生成视频（文生视频）的相关信息： 一些提供文生视频功能的产品： Pika：擅长动画制作，支持视频编辑。 SVD：Stable Diffusion 的插件，可在图片基础上生成视频。 Runway：老牌工具，提供实时涂抹修改视频功能，但收费。 Kaiber：视频转视频 AI，能将原视频转换成各种风格。 Sora：由 OpenAI 开发，可生成长达 1 分钟以上的视频。 更多相关网站可查看：https://www.waytoagi.com/category/38 。 制作 5 秒单镜头文生视频的实操步骤（以梦 AI 为例）： 进入平台：打开梦 AI 网站并登录，新用户有积分可免费体验。 输入提示词：涵盖景别、主体、环境、光线、动作、运镜等描述。 选择参数并点击生成：确认提示词无误后，选择模型、画面比例，点击「生成」按钮。 预览与下载：生成完毕后预览视频，满意则下载保存，不理想可调整提示词再试。 视频模型 Sora：OpenAI 发布的首款文生视频模型，能根据文字指令创造逼真且充满想象力的场景，可生成长达 1 分钟的一镜到底超长视频，视频中的人物和镜头具有惊人的一致性和稳定性。

AI 在设备风控场景的落地可以从以下几个方面考虑： 法律法规方面：《促进创新的人工智能监管方法》指出，AI 的发展带来了一系列新的安全风险，如对个人、组织和关键基础设施的风险。在设备风控中，需要关注法律框架是否能充分应对 AI 带来的风险，如数据隐私、公平性等问题。 趋势研究方面：在制造业中，AI Agent 可用于生产决策、设备维护、供应链协调等。例如，在工业设备监控与预防性维护中，Agent 能通过监测传感器数据识别异常模式，提前通知检修，减少停机损失和维修成本。在生产计划、供应链管理、质量控制、协作机器人、仓储物流、产品设计、建筑工程和能源管理等方面，AI Agent 也能发挥重要作用，实现生产的无人化、决策的数据化和响应的实时化。

以下是 4 月 11 日、4 月 9 日和 4 月 14 日的 AI 视频相关资讯汇总： 4 月 11 日： Pika 上线 Pika Twists 能力，可控制修改原视频中的任何角色或物体。 Higgsfield Mix 在图生视频中，结合多种镜头运动预设与视觉特效生成视频。 FantasyTalking 是阿里技术，可制作角色口型同步视频并具有逼真的面部和全身动作。 LAM 开源技术，实现从单张图片快速生成超逼真的 3D 头像，在任何设备上快速渲染实现实时互动聊天。 Krea 演示新工具 Krea Stage，通过图片生成可自由拼装 3D 场景，再实现风格化渲染。 Veo 2 现已通过 Gemini API 向开发者开放。 Freepik 发布视频编辑器。 Pusa 视频生成模型，无缝支持各种视频生成任务（文本/图像/视频到视频）。 4 月 9 日： ACTalker 是多模态驱动的人物说话视频生成。 Viggle 升级 Mic 2.0 能力。 TestTime Training在英伟达协助研究下，可生成完整的 1 分钟视频。 4 月 14 日： 字节发布一款经济高效的视频生成基础模型 Seaweed7B。 可灵的 AI 视频模型可灵 2.0 大师版及 AI 绘图模型可图 2.0 即将上线。

以下是一些 AI 常用专业术语的名词解释： Agents（智能体）：一个设置了一些目标或任务，可以迭代运行的大型语言模型。与大型语言模型在像 ChatGPT 这样的工具中的通常使用方式不同，Agent 拥有复杂的工作流程，模型本质上可以自我对话，无需人类驱动每一部分的交互。 ASI（人工超级智能）：尽管存在争议，但通常被定义为超越人类思维能力的人工智能。 Attention（注意力）：在神经网络的上下文中，有助于模型在生成输出时专注于输入的相关部分。 Bias（偏差）：AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。 Chatbot（聊天机器人）：一种计算机程序，旨在通过文本或语音交互模拟人类对话。通常利用自然语言处理技术来理解用户输入并提供相关响应。 CLIP（对比语言图像预训练）：由 OpenAI 开发的 AI 模型，用于连接图像和文本，使其能够理解和生成图像的描述。 Gradient Descent（梯度下降）：在机器学习中，是一种优化方法，根据模型损失函数的最大改进方向逐渐调整模型的参数。 Hallucinate,Hallucination（幻觉）：在人工智能的背景下，指模型生成的内容不是基于实际数据或与现实明显不同的现象。 Hidden Layer（隐藏层）：神经网络中不直接连接到输入或输出的人工神经元层。 Hyperparameter Tuning（超参数调优）：为机器学习模型的超参数（不是从数据中学习的参数）选择适当值的过程。 Inference（推理）：使用经过训练的机器学习模型进行预测的过程。 Instruction Tuning（指令调优）：机器学习中的一种技术，其中模型根据数据集中给出的特定指令进行微调。 Latent Space（潜在空间）：在机器学习中，指模型创建的数据的压缩表示形式。类似的数据点在潜在空间中更接近。 Compute（计算）：用于训练或运行 AI 模型的计算资源（如 CPU 或 GPU 时间）。 CNN（卷积神经网络）：一种深度学习模型，通过应用一系列过滤器来处理具有网格状拓扑（例如图像）的数据。通常用于图像识别任务。 Data Augmentation（数据增强）：通过添加现有数据的略微修改的副本来增加用于训练模型的数据量和多样性的过程。 Double Descent（双降）：机器学习中的一种现象，其中模型性能随着复杂性的增加而提高，然后变差，然后再次提高。 EndtoEnd Learning（端到端学习）：一种不需要手动设计功能的机器学习模型。该模型只是提供原始数据，并期望从这些输入中学习。 Expert Systems（专家系统）：人工智能技术的应用，为特定领域的复杂问题提供解决方案。 XAI（可解释的人工智能）：Explainable AI，人工智能的一个子领域专注于创建透明的模型，为其决策提供清晰易懂的解释。

以下是一些常见的 AI 名词解释： Compute：用于训练或运行 AI 模型的计算资源（如 CPU 或 GPU 时间）。 CNN：卷积神经网络，一种深度学习模型，通过应用一系列过滤器来处理具有网格状拓扑（例如图像）的数据。此类模型通常用于图像识别任务。 Data Augmentation：通过添加现有数据的略微修改的副本来增加用于训练模型的数据量和多样性的过程。 Double Descent：机器学习中的一种现象，其中模型性能随着复杂性的增加而提高，然后变差，然后再次提高。 EndtoEnd Learning：一种不需要手动设计功能的机器学习模型。该模型只是提供原始数据，并期望从这些输入中学习。 Expert Systems：人工智能技术的应用，为特定领域的复杂问题提供解决方案。 Agents：智能体，一个设置了一些目标或任务，可以迭代运行的大型语言模型。这与大型语言模型（LLM）在像 ChatGPT 这样的工具中“通常”的使用方式不同。在 ChatGPT 中，你提出一个问题并获得一个答案作为回应。而 Agent 拥有复杂的工作流程，模型本质上可以自我对话，而无需人类驱动每一部分的交互。 ASI：人工超级智能，尽管存在争议，但 ASI 通常被定义为超越人类思维能力的人工智能。 Attention：在神经网络的上下文中，注意力机制有助于模型在生成输出时专注于输入的相关部分。 Bias：AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。 Chatbot：一种计算机程序，旨在通过文本或语音交互模拟人类对话。聊天机器人通常利用自然语言处理技术来理解用户输入并提供相关响应。 CLIP：对比语言图像预训练，由 OpenAI 开发的 AI 模型，用于连接图像和文本，使其能够理解和生成图像的描述。 TPU：张量处理单元，谷歌开发的一种微处理器，专门用于加速机器学习工作负载。 Training Data：用于训练机器学习模型的数据集。 Transfer Learning：机器学习中的一种方法，其中对新问题使用预先训练的模型。 Validation Data：机器学习中使用的数据集的子集，独立于训练数据集和测试数据集。它用于调整模型的超参数（即架构，而不是权重）。 Knowledge Distillation：数据蒸馏旨在将给定的一个原始的大数据集浓缩并生成一个小型数据集，使得在这一小数据集上训练出的模型，和在原数据集上训练得到的模型表现相似。数据蒸馏技术在深度学习领域中被广泛应用，特别是在模型压缩和模型部署方面。它可以帮助将复杂的模型转化为更轻量级的模型，并能够促进模型的迁移学习和模型集成，提高模型的鲁棒性和泛化能力。 RAG：检索增强生成。

以下是关于模型训练的基本名词和方法的介绍： 基本名词： 1. 过拟合&欠拟合：过拟合和欠拟合都是不好的现象，需要加以控制以让模型达到理想效果。解决方法包括调整训练集、正则化和训练参数等，过拟合可减少训练集素材量，欠拟合则增加训练集素材量。 2. 泛化性：泛化性不好的模型难以适应其他风格和多样的创作。可通过跑 lora 模型生图测试判断泛化性，解决办法与过拟合和欠拟合类似，从训练集、正则化、训练参数等方面调整。 3. 正则化：是解决过拟合和欠拟合情况、提高泛化性的手段，给模型加规则和约束，限制优化参数，有效防止过拟合，提高模型适应不同情况的表现和泛化性。 方法： 1. 全面充分采集训练素材：例如在角色训练素材中，应包含各种角度、表情、光线等情况的素材，确保模型具有较好泛化性。 2. 图像预处理：对训练素材进行分辨率调整、裁切操作，并对训练集进行打标签处理。 3. 参数调优：尽量将训练时长控制在半小时左右，过长易导致过拟合，通过调整参数控制时长。 4. 观察学习曲线：通过观察学习曲线来调整训练素材和参数。 5. 过拟合&欠拟合处理：测试训练好的模型，观察过拟合和欠拟合问题，进一步通过调整训练素材和正则化等手段优化。 此外，在模型训练中还需注意： 1. 数据集获取渠道：可通过网上收集、购买、使用无版权问题的如古画等，原则是根据生成图的需求找对应数据集，要清晰、主体元素干净、风格统一。 2. 数据集处理：包括基础处理如裁剪保证清晰和分辨率，更重要的是写标注。 3. 设置模型触发词：可自定义，完整形式可以是一句话，建议以王 flags 模型为主。 4. 统一标注风格与应用场景：例如未来高科技 3D 天然风格，用于互联网首页图像等，并概括主题内容、描述物体特征等。 5. 利用 GPT 辅助描述并人工审核：让 GPT 按要求描述，人工审核修改。 6. 模型训练的准备与流程：完成数据集描述后进入训练流程，选择模型训练分类和数据集，创建并上传数据集压缩包，注意数据名与图片命名一致。选择训练模式和参数，新手选用普通基础模式，训练集质量重要，训练参数中总步数与训练集图片数量相关，触发词设定要避免概念混乱。

以下是一些常见的 AI 名词： ModelBased Iterative Reconstruction：基于模型的迭代重建 ModelConstruction：模型构建 Modelling Scenario：建模场景 Molecular Graph Theory：分子图论 Molecular Modelling：分子建模 Monte Carlo Tree Search：蒙特卡洛树搜索 Moore’S Law：摩尔定律 msQSBEREL Model：基于人工神经网络组合的结构生物学效应定量关系多尺度模型 MultiAgent Control System：多智能体控制系统 MultiCore Desktop Computer：多核台式计算机 MultiDimensional Big Data Analysis：多维度大数据分析 Agnostic PAC Learnable：不可知 PAC 可学习 Algorithm：算法 Almost Everywhere：几乎处处 Almost Sure：几乎必然 Almost Sure Convergence：几乎必然收敛 AlphaBeta Pruning：αβ修剪法 Alternative Splicing Dataset：选择性剪接数据集 Ambiguity：分歧 Analytic Gradient：解析梯度 Ancestral Sampling：原始采样 Annealed Importance Sampling：退火重要采样 Anomaly Detection：异常检测 Bayesian Mcmc Methods：贝叶斯马尔可夫链蒙特卡洛方法 Bayesian Methods：贝叶斯方法 Bayesian Molecular：贝叶斯分子（设计方法） Bayesian Prior：贝叶斯先验 Bayesian Program Learning：贝叶斯程序学习 Bayesian Regularized Neural Network：贝叶斯正则化神经网络 BeamScanning：波束扫描 Best Separates：最优分离 Biased Dataset：有偏数据集 Bit Collisions：字节碰撞/冲突 Black Box：黑盒

以下是为您改写的内容： AI 在工作场景中的应用：如何借助 AI 批量制作单词卡片 一、完整提示词 此段提示词相对简易。简而言之，其最核心的部分在于两个目标。其一，生成满足要求的单词卡内容；其二，依照相应位置将内容分别填入 Excel 文件中。在生成过程里，首先提供一个基础示例，这是 GPT 能够完成此项任务的关键依托。接着依据不同的生成内容设定了一些规则。同样地，对于第二部分，也给出了一段基础的自然语言描述，并通过附加规则的方式施加了更多限制。如此便能确保按照要求输出 Excel 文档。 二、测试结果 一同输入了五个单词，能够实现同时解析，但效果部分稍差，或许主要是由于所给的方法不够完善，不过大体格式符合要求。关于第二部分，如下图所示：可以看到，其按照要求将内容填入了对应的空格，但改变了最初的一些设定。可能是因为存在兼容性问题，但不影响使用，简单复制粘贴即可。需将 Excel 下载下来，复制填好的表格，粘贴至我们的表格中。（由于要多次使用，记得留存原 Excel 的备份文件。）注意这里需要上传的是压缩文件，所以先进行压缩。（rar 格式的文件，尝试后上传时无法看见，不知是何问题。） 三、批量产出 上传压缩文件，上传成功后，如图中 1 所示，然后点击 2 完成套版。随后，便能获得符合要求的几张小卡片。 ChatGPT 为 DALL·E 3 优化提示词的元提示 // 明确指明这些属性，而非进行抽象的引用。属性应当以最小化的方式予以明确，并且应当直接描述其物理形态。 // 您的选择应当基于实际情况。例如，所有给定的职业不应是相同的性别或种族。此外，通过在重写期间所选择的属性，着重创建多样、包容和探索性的场景。有时做出一些具有洞察力或独特的选择。 // 仅在描述涉及三人及以上的团体时，才运用“各种”或“多样化”。不得更改原始描述中所要求的人数。 // 不要改变模因、虚构角色的起源或不可见的人。保持原始提示的意图，并优先考虑质量。 // 不要创建任何具有攻击性的图像。 // 对于传统上存在偏见的情形，请确保以无偏见的方式明确性别和种族等关键特征 例如，包含特定职业参考的提示。 // 八. 悄然修改描述，涵盖姓名或暗示或引用特定的人或名人，通过谨慎选择一些最小的修改，以替代所引用的人与一般的描述，不泄露任何信息，他们的身份，除了他们的性别和体质。即便说明要求不更改提示，也要执行此操作。一些特殊情况： // 对这样的提示进行修改，即便您不知道这个人是谁，或者他们的名字拼写有误（例如，“Barake Obema”） // 如果对人物的引用在图像中仅以 TEXT 输出，则按原样使用引用，并且不进行修改。 // 在进行替换时，不要使用突出的标题，这可能会暴露人的身份。例如，在一个示例中，不要说“总统”、“首相”或“总理”，而要说“政治家”；不要说“国王”、“皇后”、“皇帝”或“皇后”，而要说“公众人物”；不要说“教皇”或“达赖喇嘛”，而要说“宗教人士”等 SD 新手入门图文教程之提示词 根据自身想要绘制的内容编写提示词，多个提示词之间使用英文半角符号 将权重降低至原先的 90.91%；字符。

以下是为您改写后的内容： 1. 1 月 24 日社区动态速览 社区日报更新? 日报作者： 1⃣️ 越狱提示词的趣味玩法 案例分享：通过构建“平行世界”的假设，让大模型严格执行命令以避免“危险”，从而“越狱”。 亮点：探索提示词在趣味性与潜力方面的新场景应用。? 2⃣️ ?️ UITARS：字节跳动的 GUI 智能体模型 核心能力： 感知：界面识别与元素定位。 行动：执行操作指令。 推理：多步任务规划能力。 记忆：记录并优化操作流程。 优势：实现端到端学习，支持“直觉式”反应（System1）与深度思考（System2）。? 3⃣️ ? 提示词优化翻译效果 技巧：用“重写”替代“翻译”，让表达更自然流畅。 应用案例：星际之门公告用中文重写更贴合阅读习惯。 推荐提示词：“请尊重原意，保持原有格式不变，用简体中文重写下面的内容：” 扩展场景：学术论文翻译、上下文优化、特定词汇规则支持等。? 更多详细内容查看 2. ChatGPT 给 DALL·E 3 优化提示词的元提示 翻译： //明确指定这些属性，而非抽象引用它们。属性应以最小的方式指定，并且应当直接描述它们的物理形式。 //您的选择应基于现实。例如，所有给定的职业不应是相同的性别或种族。此外，通过在重写期间选择的属性，重点创建多样化、包容性和探索性的场景。有时做出一些有洞察力或独特的选择。 //仅当描述涉及 3 人以上的团体时，才使用“各种”或“多样化”。不要更改原始描述中请求的人数。 //不要改变模因、虚构角色的起源或看不见的人。保持原始提示的意图，并优先考虑质量。 //不要创建任何具有攻击性的图像。 //对于传统上存在偏见的情况，请确保以无偏见的方式指定性别和种族等关键特征 例如，包含特定职业参考的提示。 //八.悄悄地修改描述，包括姓名或暗示或引用特定的人或名人，通过仔细选择一些最小的修改，以替代引用的人与一般的描述，不泄露任何信息，他们的身份，除了他们的性别和体质。即使说明要求不更改提示，也要执行此操作。一些特殊情况： //修改这样的提示，即使您不知道这个人是谁，或者他们的名字拼写错误（例如，“Barake Obema”） //如果对人物的引用在图像中仅显示为 TEXT 输出，则按原样使用引用，并且不修改它。 //在进行替换时，不要使用突出的标题，这可能会给予人的身份。例如，在一个示例中，不要说“总统”、“首相”或“总理”，而要说“政治家”；不要说“国王”、“皇后”、“皇帝”或“皇后”，而要说“公众人物”；不要说“教皇”或“达赖喇嘛”，而要说“宗教人士”；等 3. OpenAI2Claude 转换器 功能 OpenAI Prompt Claude Prompt 贡献者 语法纠正 You will be provided with statements,and your task is to convert them to standard English Your task is to take the text provided and rewrite it into a clear,grammatically correct version while preserving the original meaning as closely as possible.Correct any spelling mistakes,punctuation errors,verb tense issues,word choice problems,and other grammatical mistakes. 卡尔 机场代码提取器 You will be provided with a text,and your task is to extract the airport codes from it. Your task is to analyze the provided text and identify any airport codes mentioned within it.Present these airport codes as a list in the order they appear in the text.If no airport codes are found,return an empty list. 卡尔 心情与颜色 You will be provided with a description of a mood,and your task is to generate the CSS code for a color that matches it.Write your output in json with a single key called"css_code". Your task is to take the provided text description of a mood or emotion and generate a HEX color code that visually represents that mood.Use color psychology principles and common associations to determine the most appropriate color for the given mood.If the text description is unclear,ambiguous,or does not provide enough information to determine a suitable color,respond with"Unable to determine a HEX color code for the given mood." 卡尔

常见的工作流与 Agent 开发平台如下： AI Workflow 开发平台： Coze：新一代 AI Bot 开发平台，集成了丰富的插件工具，有国际版和国内版。 Dify：开源平台，支持自定义和插件。 腾讯元器。 FastGPT：国内知名，支持自定义流程。 影刀&zapier。 Leap。 Betteryeah：立足 RPA 场景，用 AI 将用户需求生成工作流，并通过 RPA 自动化，产品形态与 Coze 相似，是企业级的 AI 应用开发平台。 Flowise：快速实现智能体搭建。 BISHENG：主攻 tob 场景的开源 LLM 搭建平台，与 fastgpt 功能类似，但面向的客户不同，整体功能和部署成本更重。 Agent 构建平台： Coze：具有拓展强、好上手、不用出国等优点。 Mircosoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及将 Copilot 部署到各种渠道。 文心智能体：百度推出的基于文心大模型的智能体平台。 MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识，以及访问第三方数据和服务或执行设计良好的工作流。 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于客服、营销、销售等多种场景。 钉钉 AI 超级助理：依托于钉钉强大的场景和数据优势，提供更深入的环境感知和记忆功能，在处理高频工作场景如销售、客服、行程安排等方面表现出色。 此外，Inhai 的 Agentic Workflow 将一整套工作流组合起来，每个工具在每一个节点执行一个任务。LangGPT 提示词框架应用了 CoT 完成从输入到思维链再到输出的映射。

大模型并非仅指大语言模型。大型模型主要分为两类：一是大型语言模型，专注于处理和生成文本信息；二是大型多模态模型，能够处理包括文本、图片、音频等多种类型的信息。 大型多模态模型与大型语言模型存在以下区别： 1. 处理的信息类型不同：大型语言模型专注于文本信息，而大型多模态模型能处理多种信息类型。 2. 应用场景不同：大型语言模型主要用于自然语言处理任务，如文本翻译、生成、情感分析等；大型多模态模型可应用于图像识别与描述、视频分析、语音识别与生成等更广泛的领域。 3. 数据需求不同：大型语言模型主要依赖大量文本数据训练，大型多模态模型则需要多种类型数据。 当我们提到“小模型”时，是相对大型模型而言，规模较小。这些小模型通常是为完成特定任务而设计，比如最初用于图像分类，只能分辨是或不是某一个东西（如猫、狗）。 “小模型”在特定任务上表现出色，但“大模型”像多功能基础平台，能处理多种任务，应用范围广泛，拥有更多通识知识。 大模型并不拥有无限知识，其知识来源于训练过程中的有限数据，只能回答训练中见过或类似的问题，知识库不会自动更新，在某些特定或专业领域的知识可能不够全面。 大型语言模型的运作机制主要是通过大量数据训练学习语言结构和模式，然后根据输入生成相应文本，类似于词语接龙游戏，永远在猜测下一个字符将要生成什么。

以下是为您提供的小白学习 AI 辅助修图从入门到精通的教程大纲： 一、基础知识与基本玩法 1. 了解 AI 辅助修图的概念和基本原理。 2. 熟悉常见的 AI 修图工具和软件。 二、常见问题与注意事项 1. 风格局限性：如全是二次元风格，缺少适合特定需求的风格。 2. 图像叙事性不足：画出来的多为美少女看镜头，缺乏叙事内容。 3. 素材局限性：已有素材单一，图生图可行性低，训练泛化性差。 三、常见误区与避坑指南 1. 避免盲目依赖初始的 Embedding、CKPT 等方法，不断尝试和改进。 2. 注意训练集中人物朝向固定等问题，采取相应处理措施，如镜像处理。 四、从入门到精通的进阶玩法 1. 掌握不同的训练方法，如 Lora 等，以获得更理想的效果。 2. 学会引导 AI 画出具有前景后景区分明显的图像，如制作引导图。 五、高级卡 bug 玩法 探索一些非常规但有效的技巧和方法，以突破常规限制，实现更出色的修图效果。但需注意，此部分玩法可能存在一定风险和不确定性。 六、常见红海赛道 分析当前 AI 辅助修图在不同领域的竞争激烈程度和应用热点。 在学习过程中，还需了解以下 AI 相关的技术原理和概念： 1. 生成式 AI 生成的内容称为 AIGC。 2. 相关技术名词： AI 即人工智能。 机器学习包括监督学习、无监督学习、强化学习，监督学习有标签，无监督学习无标签，强化学习从反馈中学习。 深度学习参照人脑神经网络，神经网络可用于多种学习方式。 生成式 AI 可生成多种内容形式。 LLM 为大语言模型，不同模型有不同擅长的任务。 3. 技术里程碑：2017 年 6 月谷歌团队发表的《Attention is All You Need》提出了 Transformer 模型。

以下是一份小白学习 AI 应用（包括 app 和网站）的入门到精通的教程，涵盖学习大纲、常见问题等方面： 一、学习大纲 1. 了解 AI 基本概念 阅读相关资料，熟悉 AI 的术语和基础概念，包括人工智能的定义、主要分支（机器学习、深度学习、自然语言处理等）及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前应用和未来发展趋势。 2. 开始 AI 学习之旅 参考「」中的初学者课程，了解生成式 AI 等基础知识，推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）按照自己的节奏学习，并争取获得证书。 3. 选择感兴趣的模块深入学习 AI 领域广泛，包括图像、音乐、视频等，根据自身兴趣选择特定模块深入学习。 掌握提示词技巧，因其上手容易且实用。 4. 实践和尝试 理论学习后进行实践，巩固知识，尝试使用各种产品创作作品。 分享实践后的经验和成果。 5. 体验 AI 产品 与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式，获得实际应用体验。 二、常见红海赛道 目前，AI 在自然语言处理、图像识别、智能推荐等领域竞争较为激烈。 三、常见问题 1. 对复杂应用的需求理解不准确，导致产品出错。 2. 技术组件的配置和整合可能遇到困难。 四、注意事项 1. 注重基础知识的学习，打牢根基。 2. 实践过程中要耐心，遇到问题多尝试解决。 五、常见误区 1. 认为 AI 学习短期内就能精通，忽略了长期积累和实践的重要性。 2. 过度依赖现成的模型和工具，缺乏对原理的深入理解。 六、避坑指南 1. 在选择学习资源时，要注意其权威性和适用性。 2. 开发 AI 应用时，要充分考虑用户需求和实际场景，避免盲目跟风。 希望以上内容对您有所帮助，祝您在 AI 学习的道路上取得成功！

以下是一份小白学习 AI 视频制作从入门到精通的教程大纲： 一、基础玩法 1. 项目规划 确定短片主题和目标观众。 制定详细的制作计划。 2. 剧本创作 编写故事脚本。 设计角色和场景以及创意。 3. 分镜头脚本 根据脚本制作分镜头脚本，确定每个镜头的画面和动作。 4. 资源准备 准备动画制作所需的素材，包括背景、角色和音效。 5. 画面图片制作 利用 AI 出图工具，比如通过 ChatGPT、MJ、SD 等工具快速生成高质量的图片。 6. 视频制作 利用 AI 工具制作动画，通过 RUNWAY、Luma、Dreamina 等平台快速生成高质量的动画。 7. 后期剪辑 添加音效、配音和字幕，进行最终的剪辑和合成。 8. 发布和推广 将完成的动画短片发布到各大平台，并进行推广和宣传。 二、高级玩法 1. 写提示词 掌握有效的提示词撰写技巧，以获得更符合需求的生成结果。 2. 导入图片用 Mini Max、模型的首尾帧玩法等操作实现一镜到底效果。 3. 利用不同模型进行创作，如海螺无限生成。 4. 反复修改提示词以优化生成效果。 三、常见红海赛道 1. 创意广告类视频。 2. 短视频故事类。 四、常见问题 1. 生成效果不符合预期。 2. 工具操作不熟练。 3. 资源获取困难。 五、注意事项 1. 注重版权问题，合法使用素材和工具。 2. 不断学习和更新知识，跟上 AI 技术发展。 六、常见误区 1. 过度依赖 AI，忽略自身创意和审美。 2. 忽视视频的逻辑性和连贯性。 七、避坑指南 1. 提前了解不同工具的收费模式，避免不必要的费用支出。 2. 多参考优秀案例，避免重复常见错误。 希望这份大纲能帮助您在 AI 视频制作的学习道路上不断进步！

DeepSeek 常见应用技巧包括以下方面： 1. 高阶能力调用： 文风转换矩阵，如作家风格移植（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，如行业黑话破解（解释 Web3 领域的“胖协议瘦应用”理论）。 2. 场景化实战策略： 商业决策支持。 创意内容生成。 技术方案论证。 3. 效能增强技巧： 对话记忆管理，包括上下文锚定（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，如针对过度抽象（请具体说明第三步操作中的温度控制参数）、信息过载（用电梯演讲格式重新组织结论）、风格偏移（回归商务报告语气，删除比喻修辞）等问题的修正指令。 4. 特殊场景解决方案： 长文本创作，如分段接力法（先完成故事大纲→逐章扩展→最后进行伏笔校验）、逻辑粘合剂（确保新章节与前文的三处细节呼应）。 敏感内容处理，如概念脱敏法（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）。 Deepseek 时代提示词的针对性技巧： 1. 身份定位技巧，目的是让 AI 理解您的背景和专业水平，例如差的表述：“帮我写一篇营销方案”，好的表述：“作为一名刚入职的电商运营，需要为天猫美妆店铺制定 618 活动方案”。 2. 场景描述技巧，目的是提供具体的应用场景和限制条件，例如差的表述：“写一篇新品发布文案”，好的表述：“为新上市的儿童智能手表写一篇朋友圈文案，目标用户是 2535 岁的年轻父母，预算 3000 以内，需强调安全定位功能”。 3. 结构化输出技巧，目的是指定具体的输出格式和内容结构，例如差的表述：“分析最近的新能源汽车销量数据”，好的表述：“请用表格对比 2024 年 Q1 特斯拉、比亚迪的销量数据，包含以下维度：月度销量、同比增长、市场份额，并在表格下方总结三个关键发现”。 4. 分步骤提问技巧，目的是将复杂问题拆解为可管理的小任务，例如差的表述：“怎么做短视频运营？”，好的表述：“请分三步指导新手做美食短视频：前期准备：需要哪些设备和技能 拍摄阶段：关键场景和机位选择 后期制作：剪辑节奏和音乐配合建议”。 5. 反馈优化技巧，目的是通过追问获得更精准的答案，例如第一轮：“帮我做一份产品分析报告”，追问 1：“内容太专业了，能用更通俗的语言解释吗？”，追问 2：“可以增加一些具体的用户案例来支撑观点吗？”。 6. 深度思考引导技巧，目的是获得更深入的分析和见解。 以下是一些用户使用 DeepSeek 的实际情况： 帮我脑爆活动方案（AJ 杭州）。 会议纪要给它出方案思考非常到位，稍加修改就可以呈现高质量的会议总结。 本地搭超级 AI 助手（陈星北京）。 DS+飞书批量处理客户评论（Lily 温州）。 分析总结复盘内容。 生成专业专用软件详细使用过程，非常正确（兰州）。 辰、李意儿用。 变现当然。 Candice 代码编写。 帮我写小说框架。 让 ds 给出拓展市场的梳理角度和咨询梳理。 写党员的用自我批评用古诗改简历（苏州）。 学长刚蝈。 探索外太空。 大创苏州 a 文案胡泽华改简历。 园子。 写文案。 Forget，之前用过 deepseek 分析过感情问题，补充了对于心理学的一些空缺，了解了更多。 Ecfa 苏州一晚三个营销方案，Deepseek 一晚，干了之前一个月的活。 Yvonne 写论文。 AI 中医+心理咨询师。 AI 育儿，生图 AI 撰写提示词辅食（北京，赵赵）。 帮我。 帮我生帮。 短视频脚本。当百度用。 写方案，做图。 用 a 帮我。 南京得一写小红书笔记，八字算命。 写周报用。 帮我做设计头脑风暴。 上海 BaoBig 粒。 Guigui 北京。 算命。 分析。 柯柯武汉做网站葉用。 投喂大量的 deepseek。