自然语言处理
包含命名实体识别、文本分类、分词、关系抽取、问答、推理、文本摘要、情感分析、机器翻译等多个领域
LLM 大模型学习必知必会系列(二)：提示词工程-Prompt Engineering 以及实战闯关
LLM 大模型学习必知必会系列(二)：提示词工程-Prompt Engineering 以及实战闯关
基于LangChain-Chatchat实现的本地知识库的问答应用-快速上手（检索增强生成(RAG)大模型）
基于LangChain-Chatchat实现的本地知识库的问答应用-快速上手（检索增强生成(RAG)大模型）
魔哈：Grok国内镜像
xAI 宣布正式开源 3140 亿参数的混合专家（MoE）模型「Grok-1」，以及该模型的权重和网络架构。这也使得Grok-1成为当前参数量最大的开源大语言模型。
DashVector&千问7B模型，打造极简RAG 之 基于专属知识的问答服务实践
参考官方教程和代码，以一个0基础学习者的角色，用DashVector&千问7B模型，打造极简RAG-基于专属知识的问答服务实践，也带入了自己的一些理解。
魔哈镜像迄今最大合成数据集 Cosmopedia
Cosmopedia 是一个由Mixtral-8x7B-Instruct-v0.1生成的合成教科书、博文、故事、帖子和WikiHow文章的数据集。该数据集包含超过3000万个文件和250亿个tokens，是HuggingFace用了10k张H100生成的迄今为止最大的开放合成数据集。
求助: 运行模型时报错module 'megatron_util.mpu' has no attribute 'get_model_parallel_rank'
运行ZhipuAI/Multilingual-GLM-Summarization-zh的官方代码范例时，报错AttributeError: MGLMTextSummarizationPipeline: module 'megatron_util.mpu' has no attribute 'get_model_parallel_rank' 环境是基于ModelScope官方docker镜像，尝试了各个版本结果都是一样的。
我们要对齐什么——从人类反馈数据收集过程中分析语言模型的对齐任务类型与对齐目标
在Modelscope活动中，主办方欲通过模型盲测收集并整理一批人类反馈数据。因为曾经使用直接偏好优化（Direct Preference Optimization）作为课程的小论文而对此领域有所了解，本次我在数据的收集过程之外，根据问答与模型的输出，结合论文From Instructions to Intrinsic Human Values A Survey of Alignment Goals for Big Models，具体探究了本次实验过程中的对齐目标。
AI智能写作工具-代码处理
随着AI的巨大发展，AI将走进我们的生活的各个方便。使用AI工具将变的非常迫切，因为AI可以提升人们的生活效率，提升生活的品质。 体验ModelScope中的代码处理功能，来一场程序员体验之旅。
模型的价值观需重视，文本理解与文本生成能力有待提高
随着算力的不断提高，NLP成为新时代人工智能的突破点——“大模型”。大模型之大不仅在于模型的大小之大，而且所用的训练数据集之大。如今，大模型在各行各业中逐渐落地，实现多场景应用。人们比较注重于LLM模型的语言文本理解、文本生成能力。在使用了阿里云多个模型的评测当中，有一些思考与建议。
使用ModelScope社区搭建OCR应用
简介： 本文介绍通过ModelScope来完成光学字符识别（OCR）这一应用，该应用使用两个模型： ● 文本检测（ocr_detection） ● 文本识别（ocr_recognition）
如何向大模型注入知识？达摩院通义对话模型SPACE系列探索
如何将人类先验知识低成本融入到预训练模型中一直是个难题。达摩院对话智能团队提出了一种基于半监督预训练的新训练方式，将对话领域的少量有标数据和海量无标数据一起进行预训练，从而把标注数据中蕴含的知识注入到预训练模型中去，打造了SPACE 1/2/3 系列模型，在11个国际公开对话数据集取得SOTA。
