一、大模型一些概念介绍

• 1）产品和大模型的区别（产品通过调用大模型来具备的能力）
  

• 2）AGI定义
  概念：一切问题可以用AI解决

• 3）大模型通俗原理
  根据上文，猜测下一个词
  

• 4）大模型测试代码

from openai import OpenAI

from dotenv import load_dotenv,find_dotenv
_ = load_dotenv(find_dotenv())


client = OpenAI()
prompt = "今天我很"
# prompt = "下班了，今天我很"
# prompt = "放学了，今天我很"
# prompt = "AGI 实现了，今天我很"

response = client.completions.create(
	model      = "gpt-3.5-turbo-instruct",
	propt      = prompt,
	max_tokens = 512,
	stream     = True
)

for chunk in response:
	print(chunk.choices[0].text,end='')

二、市面上大模型对比

三、大模型使用安全选型

四、使用大模型的方式（一问一答、Agent+ Function Calling、RAG、Fine-tuning

）
①一问一答

②Agent+ Function Calling


③RAG


④Fine-tuning
努力记住考试内容，长期记住，活学活用（在基础大模型之上加一层微调，该百年模型的权重）

五、大模型使用路线

1）是否要补充知识？
是—使用RAG
2）是否要对接其他系统
是—Function Calling
3）值得尝试微调？
是—用旧数据做fine-tune，有几大好处
①提高大模型的稳定性
②用户量大，降低推理的成本
③提高大模型生成速度

九、补充说明

1）注意力机制讲解

• 文本举例讲解
  

• 有没有注意力机制的区别图
  

①RNN会有一个隐藏状态，是AI用来理解一个中文词义的作用，可以看到JE和SUIS通过神经网络变成了一个向量

• 注意力网络的实现
  
  注意力网络做的事：
  ①每个同学h(x)都听一遍
  ②同时还要找出其重点
  非注意网络做的事：
  ①线性传播一个人只能传递给下一个人
• 注意力网络的方式
  上下文的向量：

c2 = a21h1+a22h2+a23h3 

①x(数字)是输入的语言，通过RNN神经网络变成一个状态h1，
②α是输入的加权平均（attention weight）
③c是每一个词权重的重点