以下为您推荐一些与 AI 翻译相关的文章和资源： 关于 PDF 翻译的 AI 产品： DeepL（网站）：点击页面「翻译文件」按钮，上传 PDF、Word 或 PowerPoint 文件即可。 沉浸式翻译（浏览器插件）：安装插件后，点击插件底部「更多」按钮，选择「制作双语 BPUB 电子书」、「翻译本地 PDF 文件」、「翻译 THML / TXT 文件」、「翻译本地字幕文件」。 Calibre（电子书管理应用）：下载并安装 calibre，并安装翻译插件「Ebook Translator」。 谷歌翻译（网页）：使用工具把 PDF 转成 Word，再点击谷歌翻译「Document」按钮，上传 Word 文档。 百度翻译（网页）：点击导航栏「文件翻译」，上传 PDF、Word、Excel、PPT、TXT 等格式的文件，支持选择领域和导出格式（不过进阶功能基本都需要付费了）。 彩云小译（App）：下载后点击「文档翻译」，可以直接导入 PDF、DOC、DOCX、PPT、PPTX、TXT、epub、srt 等格式的文档并开始翻译（不过有免费次数限制且进阶功能需要付费）。 微信读书（App）：下载 App 后将 PDF 文档添加到书架，打开并点击页面上方「切换成电子书」，轻触屏幕唤出翻译按钮。 相关文章： 《翻译：怎么把一份英文 PDF 完整地翻译成中文？》，这里介绍了 8 种方法，作者：ShowMeAI，分类：教育， 《入门经典必读》，作者： 内容由 AI 大模型生成，请仔细甄别。

目前在机关公文写作方面表现较好的大模型或智能体有： 智谱清言：由智谱 AI 和清华大学推出，基础模型为 ChatGLM 大模型。在工具使用排名国内第一，在计算、逻辑推理、传统安全能力上排名国内前三。更擅长专业能力，但在代码能力上还有优化空间，知识百科方面稍显不足。可应用场景广泛，在 AI 智能体方面相关的应用，包括任务规划、工具使用及长文本记忆相关场景表现出色，在较复杂推理应用上效果不错，也适用于广告文案、文学写作等。 此外，在大模型中，智能体是大模型的一个重要发展方向。智能体可以理解为在大模型（如 LLM）基础上增加了工具、记忆、行动、规划等能力。目前行业里主要用到的如 langchain 框架，能通过代码或 prompt 的形式将 LLM 与 LLM 之间以及 LLM 与工具之间进行串接。

目前在 AI 领域，有一些系统模块化的原型工具，例如 TensorFlow、PyTorch 等深度学习框架，它们提供了丰富的模块和组件，方便开发者构建和测试 AI 模型的原型。此外，像 Microsoft Power Apps 这类低代码开发平台，也能以模块化的方式帮助创建应用程序的原型。但具体选择哪种工具，取决于您的具体需求和技术背景。

AGI 即通用人工智能（Artificial General Intelligence），指能够像人类一样思考、学习和执行多种任务的人工智能系统。 OpenAI 在其内部会议上分享了 AGI 的五个发展等级： 1. 聊天机器人（Chatbots）：具备基本对话能力，主要依赖预设脚本和关键词匹配，用于客户服务和简单查询响应。 2. 推理者（Reasoners）：具备人类推理水平，能够解决复杂问题，如 ChatGPT，能根据上下文和文件提供详细分析和意见。 3. 智能体（Agents）：不仅具备推理能力，还能执行全自动化业务，但目前许多 AI Agent 产品在执行任务后仍需人类参与，尚未达到完全智能体的水平。 4. 创新者（Innovators）：能够协助人类完成新发明，如谷歌 DeepMind 的 AlphaFold 模型，可预测蛋白质结构，加速科学研究和新药发现。 5. 组织（Organizations）：最高级别的 AI，能够自动执行组织的全部业务流程，如规划、执行、反馈、迭代、资源分配和管理等。 此外，AI 分为 ANI 和 AGI，ANI 即弱人工智能（artificial narrow intelligence），只可做一件事，如智能音箱、网站搜索、自动驾驶、工厂与农场的应用等。而 AGI 则能做任何人类可以做的事。

以下是一些与 HR 相关的 AI 产品： 在 To B 领域，智能人力资源类产品主要利用模型进行一些工作，比如简历初筛、JD 自动生成、数据分析等。 案例方面，有“HR：团队绩效管理”，可根据团队和个人的绩效往期数据，分析员工绩效排名，输出绩效考评和迭代改进建议；“HR：面试工具”，是一个使用 GPT4 技术的实时转录工具，能帮助求职者在面试中生成完美回答。 写简历方面，有 Kickresume 的 AI 简历写作器，使用 OpenAI 的 GPT4 语言模型自动生成简历；Rezi 是领先的 AI 简历构建平台，能自动化创建可雇佣简历的各方面；Huntr 的 AI 简历构建器，提供免费模板及相关生成器和工作匹配。更多产品可查看 https://www.waytoagi.com/category/79 。

以下是关于 ControlNet 的教程： ControlNet 是 Stable Diffusion 中的一个功能，能够让用户更精确地控制出图结果。比如可以控制人物的动作、建筑物的线条等。 在使用时，大模型和关键词正常填写生成所需照片。然后鼠标滑到最下面点击“ControlNet”： 1. 点击空白处上传指定姿势的照片。 2. 点击“启用”。 3. 在“预处理器”和“模型”里选择“openpose”，这用于让计算机识别人物姿势。 接着点击“预览预处理结果”，原照片右边会出现人物姿势的线条，最后点击生成照片即可得到指定姿势的图片。 另外，如果是用秋叶大佬的整合包，会自带 ControlNet 插件。若没有，可去扩展中搜索安装。 其使用逻辑是通过预处理器将图片提取特征并转换为 AI 可识别的形式，再通过模型进行图像生成。例如绘制女孩打篮球模仿库里动作的图片，输入相关关键词，选择大模型，在 ControlNet 中导入库里照片，选择合适的预处理器和模型，调试参数后生成。 在 ControlNet 中还可以尝试不同的预处理器，如 softedge_pidinet、depth、canny、tile 等，可能会得到不错的效果。同时要注意电脑配置，避免出现显存不足等问题。

以下是关于文生图的相关知识： 简明操作流程： 定主题：明确生成图片的主题、风格和要表达的信息。 选择基础模型 Checkpoint：根据主题选择贴近的模型，如麦橘、墨幽的系列模型。 选择 lora：寻找与生成内容重叠的 lora，以控制图片效果和质量。 ControlNet：可控制图片中特定图像，如人物姿态、生成特定文字等，属于高阶技能。 局部重绘：下篇再教。 设置 VAE：无脑选择 840000 这个即可。 Prompt 提示词：用英文写需求，使用单词和短语组合，用英文半角逗号隔开。 负向提示词 Negative Prompt：用英文写避免产生的内容，单词和短语组合，用英文半角逗号隔开。 采样算法：一般选 DPM++ 2M Karras，也可参考模型作者推荐的采样器。 采样次数：选 DPM++ 2M Karras 时，采样次数在 30 40 之间。 尺寸：根据喜好和需求选择。 提示词写作： Stable Diffusion 的生成方式主要分为文生图和图生图两种，文生图仅通过正反向词汇描述来发送指令。 文本描述分为内容型提示词和标准化提示词，内容型提示词用于描述想要的画面。 采样迭代步数通常控制在 20 40 之间。 常用采样方法有 Euler a、DPM++2S a Karras、DPM++2M Karras、DPM++ SDE Karras、DDIM，有的模型有指定算法，搭配更好。 比例设置为 800:400，高宽比尽量在 512x512 数值附近。 文生图工具： DALL·E：OpenAI 推出，可根据文本描述生成逼真图片。 StableDiffusion：开源，能生成高质量图片，支持多种模型和算法。 MidJourney：图像生成效果好，界面用户友好，在创意设计人群中流行。 更多工具可在 WaytoAGI 网站（https://www.waytoagi.com/category/104 ）查看。

以下是一些支持个性化训练的大语言模型： 1. Character.ai：更注重人格属性，试图满足社交、情感、陪伴等需求，与 ChatGPT 侧重不同，后者注重提高效率和解放生产力。 2. Midjourney：今天发布了模型个性化 Personalization 或 'p'的早期测试版本。模型个性化会学习用户的喜好，以便更可能用用户的口味来填补空白。其要求包括目前从成对排名中的投票和喜欢的探索页面上的图像中学习，需要大约 200 个成对排名/喜欢才能生效。使用时只需在提示后输入 'p'，或使用提示栏中的设置按钮为所有提示启用个性化功能，还可以使用 's 100'控制个性化效果的强度。但需注意个性化目前不是一个稳定的功能，会随着进行更多的成对排名而变化，且可能会在接下来的几周内推出算法更新。

已有的大语言模型如文心一言、kimi 等通常不支持个人进行个性化训练。 大语言模型的相关知识包括： 国内大模型有通用模型如文心一言、讯飞星火等，处理自然语言；还有垂直模型，专注特定领域。 大语言模型工作原理包括训练数据、算力、模型参数，在训练数据一致情况下，模型参数越大能力越强。 Transformer 是大语言模型训练架构，具备自我注意力机制能理解上下文和文本关联。 大模型可能因错误数据导致给出错误答案，优质数据集对其很重要。 Prompt 分为 system prompt、user prompt 和 assistant prompt，写好 prompt 的法则包括清晰说明、指定角色、使用分隔符、提供样本等。 Fine tuning 是基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 学习大型语言模型（LLM）的开发是一个系统性的过程，需要涵盖多个方面的知识和技能： 掌握深度学习和自然语言处理基础，包括机器学习、深度学习、神经网络等基础理论，以及自然语言处理基础，如词向量、序列模型、注意力机制等。 理解 Transformer 和 BERT 等模型原理，掌握相关论文。 学习 LLM 模型训练和微调，包括大规模文本语料预处理，使用预训练框架，以及微调 LLM 模型进行特定任务迁移。 掌握 LLM 模型优化和部署，包括模型压缩、蒸馏、并行等优化技术，模型评估和可解释性，以及模型服务化、在线推理、多语言支持等。 进行 LLM 工程实践和案例学习，结合行业场景，进行个性化的 LLM 训练，分析和优化具体 LLM 工程案例，研究 LLM 新模型、新方法的最新进展。 持续跟踪前沿发展动态。 机器学习是人工智能的一个子领域，深度学习是机器学习的一个子领域，大语言模型是深度学习在自然语言处理领域的应用之一，具有生成式 AI 的特点。

以下是为新手提供的从 0 学习 AI 的建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，可根据自己的兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出自己的作品。 在知识库中有很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。