以下是为您找到的关于主流大模型应用能力评测的相关报告： 小七姐的测评： 测评机制：以同组提示词下 ChatGPT 4.0 生成的内容做对标参照，对智谱清言、文心一言 4.0、Kimi Chat 进行测评。 能力考量：包括复杂提示词理解和执行（结构化提示词）、推理能力（CoT 表现）、文本生成能力（写作要求执行）、提示词设计能力（让模型设计提示词）、长文本归纳总结能力（论文阅读）。 测评轮次：共分为五轮，分别针对不同的任务和模型进行多次测试。 中文大模型基准测评 2023 年度报告： 优秀模型：文心一言 4.0 API（百度）。 模型特点：在计算、逻辑推理、生成与创作、传统安全这 4 大基础能力上排名国内第一，在代码、知识与百科、语言理解与抽取、工具使用能力上排名国内前三，各项能力表现均衡且水平较高。 适合应用：能力栈广泛，可应用于查询搜索知识应用、任务拆解规划 Agent、文案写作、代码编写及纠错等方面，在逻辑推理方面表现不俗，可关注在科学研究、教育、工业方面的落地能力。 观点文章中的测评： 目前体验效果比较好的有科大星火模型、清华 ChatGLM、百度文心一言。 星火目前感觉最接近 GPT3.5（0301 版本）的 80%90%，但 GPT3.5 进化到 6 月版本效果更强。 对大模型的评估可从基础能力、职场能力、探索对话三个方面判断，基础能力包括语言（文本）生成和语言理解，如常识类问题和分词类问题。

以下是零基础学习 AI 知识的建议： 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的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库提供了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。 通过与这些 AI 产品的对话，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。 对于中学生学习 AI 的建议： 1. 从编程语言入手学习： 可以从 Python、JavaScript 等编程语言开始学习，学习编程语法、数据结构、算法等基础知识，为后续的 AI 学习打下基础。 2. 尝试使用 AI 工具和平台： 可以使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。 探索一些面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识： 了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等。 学习 AI 在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目： 参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动。 尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 5. 关注 AI 发展的前沿动态： 关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展。 思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。 总之，无论是零基础还是中学生，学习 AI 可以从编程基础、工具体验、知识学习、实践项目等多个方面入手，全面系统地学习 AI 知识和技能。

AlphaGo 是由 Google DeepMind 开发的计算机程序。在 2016 年，它成为首个在围棋游戏中击败人类职业棋手的程序，并以四比一的比分战胜了世界顶级围棋选手李世石。 AlphaGo 结合了多种元素，包括价值和策略神经网络。这些网络是卷积网络，将围棋棋盘视为 19×19 输入“图像”。通过使用专业人士的围棋比赛数据训练策略网络，在监督训练阶段完成后，强化学习发挥作用，AlphaGo 与自己对抗以完善棋步策略和评估获胜可能。 2016 年 3 月在首尔，AlphaGo 对战李世石具有划时代意义，这不仅是 AI 对人类的胜利，也展示了其超越简单模式模仿、真正“思考”的开端。与早期游戏 AI 系统不同，AlphaGo 在预训练时模仿人类专家决策，还会在作答前“停下来思考”，通过模拟未来棋局和评估得分选择最优应对方式，推理时间增加其表现提升并最终超过人类。 在游戏人工智能的发展中，AlphaGo 是一个典型案例，它与电子游戏和人工智能的发展密切相关。甚至最近突破性的 AI 技术 ChatGPT 也与游戏 AI 存在一定关联。

基座模型是在自然语言处理领域中具有重要地位的模型。 例如，GLM（General Language Model）是清华提出的基座模型，属于Prefix LM方式。其出发点是希望能同时在3种NLP任务上达到最优，同时不想引入原始encoderdecoder成倍的计算量代价。具体做法是先用双向网络encoder对题干（prompt）审题，然后通过decoderonly的方式把题干中位置做展开作答。 此外，还有一些开源的基座模型，如： 1. CPMBee：一个完全开源、允许商用的百亿参数中英文基座模型。采用Transformer自回归架构，在超万亿高质量语料上进行预训练，拥有强大的基础能力。 2. TigerBot：一个多语言多任务的大规模语言模型，开源了包括模型：TigerBot7B、TigerBot7Bbase、TigerBot180B，基本训练和推理代码，100G预训练数据，涵盖金融、法律、百科的领域数据以及API等。 3. 书生·浦语：由商汤科技、上海AI实验室联合香港中文大学、复旦大学和上海交通大学发布的千亿级参数大语言模型，具有1040亿参数，基于“包含1.6万亿token的多语种高质量数据集”训练而成。 在一些应用中，如Kolors，会选择直接使用大语言模型如ChatGLM6BBase作为文本编码的基座模型。

RAG（Retrieval Augmented Generation，检索增强生成）是一种利用大模型能力搭建知识库的技术。以下是关于 RAG 的详细介绍： 背景：大模型训练数据有截止日期，当需要依靠不在训练集中的数据时，RAG 应运而生。 过程： 文档加载：从多种来源加载文档，如 PDF 等非结构化数据、SQL 等结构化数据、Python 等代码。 文本分割：把文档切分为指定大小的块。 存储：包括将切分好的文档块嵌入转换成向量形式，并将向量数据存储到向量数据库。 检索：通过检索算法找到与输入问题相似的嵌入片。 输出：把问题及检索出来的嵌入片提交给 LLM，生成更合理的答案。 核心组件：分为检索、增强、生成三部分。其中检索是核心组件之一，负责从外部数据源或知识库中获取与用户查询相关的信息，其质量和效率对 RAG 系统性能至关重要。涉及检索策略、检索粒度、检索方法、检索效率、外部数据源等关键概念和技术。 引入方式：可以从 AI 搜索切入来理解 RAG。AI 大模型擅长语义理解和文本总结，但不擅长获取实时信息；搜索引擎擅长获取实时信息但信息分散。AI 与搜索引擎结合，给 AI 配备知识库，类似于 RAG 原理。

以下是关于“scaling law”的相关信息： 在 AI 领域，“scaling law”（规模法则）具有重要意义。以下是一些相关的研究和报告： 在 GPT 相关的研究中，如Tom Henighan 等人的“Scaling laws for autoregressive generative modeling”（2020），对语言模型的规模法则进行了探讨。 在关于 OpenAI 技术栈的研究中，“良好且通用的数据表示，良好且通用的数据标注，良好且通用的算法”为检测“scaling law”做好了准备。例如在 GPT1、2、3 几代的迭代路径，以及 Sora 中，都可以在更小规模的模型和数据上检测算法的效果。同时，公理 3“Emerging properties”也是一条检验公理，用于判断“scaling law”带来的是“质变”而非“量变”。当模型随着“scaling law”的进行，突然能够稳定掌握之前不能掌握的能力，这是所有人能够直观体验到的。 此外，还有一些相关的参考文献，如Ian McKenzie 等人的“Inverse Scaling Prize:First round winners”（2022）等。

Transformer 是一种深度学习模型，其核心思想是“Attention is all you need”。以下为您详细介绍其工作流程： 假设我们有一个英文句子“I am a student”需要翻译成中文。 1. 输入嵌入（Input Embeddings）：首先，将每个单词映射为一个向量，即单词嵌入（word embeddings）。例如“I”映射为一个 512 维的向量。 2. 位置编码（Positional Encodings）：由于 Transformer 没有递归或卷积等捕获序列顺序的结构，所以需要给每个词位置加上位置编码，使模型知道词语的相对位置。 3. 编码器（Encoder）：输入序列的嵌入向量和位置编码相加后被送入编码器层。编码器由多个相同的层组成，每层有两个核心部分： 多头注意力机制（MultiHead Attention）：捕捉单词间的依赖关系。 前馈神经网络（FeedForward NN）：对 attention 的结果进行进一步编码。 4. 解码器（Decoder）：编码器的输出被送入解码器层。解码器也是由多个相同层组成，每层除了编码器组件外，还有一个额外的注意力模块，对编码器的输出序列建模依赖关系。 5. 输出嵌入（Output Embeddings）：解码器最后一层的输出被映射为输出单词概率分布。例如生成单词“我”“是”等概率。 6. 生成（Generation）：基于概率分布，以贪婪或 beam search 等解码策略生成完整的输出序列。 Transformer 主要用于处理序列数据，包括现在最火的 NLP 任务。与之前的模型不同，Transformer 完全基于注意力机制，不使用传统的循环神经网络（RNN）或卷积神经网络（CNN）的计算架构。它可以用来翻译文本、写诗、写文章，甚至生成计算机代码。像 GPT3、BERT、T5 等功能强大的自然语言处理（NLP）模型都是基于 Transformer 模型构建的。如果您想在机器学习，特别是自然语言处理方面与时俱进，对 Transformer 有一定的了解是很有必要的。

以下是关于如何用 AI 挣钱的一些信息： 1. 从 GPTs/GLMs 赚钱：大多数人难以通过 GPTs/GLMs 赚到钱，但可以从一个 AI 产品经理的角色复盘 2023 年的所见所闻所感来探讨 AI 赚钱（应用落地）这件事。比如查看相关商店的数据。 2. 大型语言模型与赚钱：学了 AI 有可能赚钱，人工智能领域有高薪工作，如数据科学家、机器学习工程师等，掌握 AI 技能可增加就业机会和职业发展可能性，但能否赚钱还取决于个人学习能力、实际应用能力、对市场和商业的理解等。 3. 工具利用：2023 年有一些能帮助月赚 5w 的 AI 工具，包括 AI 研究工具（如 Claude、ChatGPT 等）、图片处理工具（如 DallE 等）、版权写作工具（如 Rytr 等）、设计工具（如 Canva 等）、网站搭建工具（如 10Web 等）、视频处理工具（如 Klap 等）、音频处理工具（如 Murf 等）、SEO 优化工具（如 Alli AI 等）、Logo 设计工具（如 Looka 等）、聊天机器人工具（如 Droxy 等）、自动化工具（如 Make 等）、市场营销相关工具等。

以下是学习用 AI 制作视频的方法和流程： 1. 制作流程： 小说内容分析：使用 AI 工具（如 ChatGPT）分析小说内容，提取关键场景、角色和情节。 生成角色与场景描述：根据小说内容，使用工具（如 Stable Diffusion 或 Midjourney）生成角色和场景的视觉描述。 图像生成：使用 AI 图像生成工具根据描述创建角色和场景的图像。 视频脚本制作：将提取的关键点和生成的图像组合成视频脚本。 音频制作：利用 AI 配音工具（如 Adobe Firefly）将小说文本转换为语音，添加背景音乐和音效。 视频编辑与合成：使用视频编辑软件（如 Clipfly 或 VEED.IO）将图像、音频和文字合成为视频。 后期处理：对生成的视频进行剪辑、添加特效和转场，以提高视频质量。 审阅与调整：观看生成的视频，根据需要进行调整，比如重新编辑某些场景或调整音频。 输出与分享：完成所有编辑后，输出最终视频，并在所需平台上分享。 2. 工具与网址： Stable Diffusion（SD）：一种 AI 图像生成模型，可以基于文本描述生成图像。网址：https://github.com/StabilityAI Midjourney（MJ）：另一个 AI 图像生成工具，适用于创建小说中的场景和角色图像。网址：https://www.midjourney.com Adobe Firefly：Adobe 的 AI 创意工具，可以生成图像和设计模板。网址：https://www.adobe.com/products/firefly.html Pika AI：文本生成视频的 AI 工具，适合动画制作。网址：https://pika.art/waitlist Clipfly：一站式 AI 视频生成和剪辑平台。网址：https://www.aihub.cn/tools/video/clipfly/ VEED.IO：在线视频编辑工具，具有 AI 视频生成器功能。网址：https://www.veed.io/zhCN/tools/aivideo 极虎漫剪：结合 Stable Diffusion 技术的小说推文视频创作提效工具。网址：https://tiger.easyartx.com/landing 故事 AI 绘图：小说转视频的 AI 工具。网址：https://www.aihub.cn/tools/video/gushiai/ 请注意，具体的操作步骤和所需工具可能会根据项目的具体需求和个人偏好有所不同。此外，AI 工具的可用性和功能也可能会随时间而变化，建议直接访问上述提供的工具网址获取最新信息和使用指南。

以下是系统学习 AI 的方法： 1. 编程语言基础：从 Python、JavaScript 等编程语言开始学习，掌握编程语法、数据结构、算法等基础知识，为后续的 AI 学习打下基础。 2. 工具和平台体验：使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。探索面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 基础知识学习：了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等。学习 AI 在教育、医疗、金融等领域的应用案例。 4. 实践项目参与：参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动。尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 5. 关注前沿动态：关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展。思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。 对于新手学习 AI： 1. 了解基本概念：阅读“”部分，熟悉 AI 的术语和基础概念。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）按自己节奏学习，并争取获得证书。 3. 选择感兴趣模块深入：AI 领域广泛，如图像、音乐、视频等，根据兴趣选择特定模块深入学习，掌握提示词技巧。 4. 实践和尝试：理论学习后进行实践，巩固知识。尝试使用各种产品做出作品，在知识库分享实践成果。 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。