在法律科技（LegalTech）领域，法律判例检索（Legal Case Retrieval, LCR）一直是至关重要的环节，它直接关系到法律专家的工作效率和司法公正的维护。然而，传统判例检索方法在面对海量数据和复杂法律关系时，往往显得力不从心。近期，一项名为 LegalSearchLM 的创新研究，尝试以生成式检索的视角，将判例检索转化为法律要素生成问题，并构建了大规模的LEGAR BENCH基
近年来，大模型技术的发展日新月异，其中零样本预测能力尤为引人注目。零样本预测，即在没有任何训练数据的情况下，仅凭先验知识或少量示例（In-Context Learning, ICL）完成预测任务，极大地降低了模型部署成本和数据依赖性。本文将深入探讨名为TiRex的创新模型，该模型在零样本时序预测领域取得了突破性进展，尤其是在长短期预测方面，超越了以往的SOTA模型。 背景与挑战：传统时序预测模型的
人工智能领域的快速发展，如同打开了潘多拉的魔盒，各种创新层出不穷。然而，每一个突破性的进展往往伴随着新的挑战。大模型的能力日益强大，但在实际应用中却面临着信息孤岛的困境。例如，ChatGPT无法直接读取Slack线程，Claude也无法访问您的数据库。企业内部署的各种智能体（agents）各自独立运行，虽然具备一定的智能，但缺乏有效的连接与协作。随着企业不断堆叠模型、智能体和API，真正的瓶颈不再
人工智能 (AI) 并非科幻电影中拥有独立意识的个体，而是一系列精密的算法，它们在海量数据的驱动下，以前所未有的方式重塑着我们的生活。本文将深入探讨人工智能如何通过算法和数据驱动，颠覆并深刻影响我们生活的方方面面，揭示其背后的技术原理和应用前景。 大数据：人工智能腾飞的燃料 如果说算法是人工智能的发动机，那么大数据就是驱动这台发动机的燃料。没有庞大的数据集，再精妙的算法也难以发挥作用。原文中提到，
近年来，人工智能（AI）尤其是大型语言模型（LLM）的迅猛发展，如同一场数字淘金热，吸引着各行各业的人们竞相追逐。然而，在这股热潮之下，我们是否忽略了真正的基础知识？特别是在生物学领域，AI的应用潜力巨大，但盲目追求新工具，而忽视其内在原理，可能会导致误用、滥用，甚至适得其反。本文将深入探讨AI赋能生物学的现状，揭示其突破与挑战，并强调基础知识的重要性。 LLM：生物学领域的语言大师 大型语言模型
在人工智能（AI）领域日新月异的今天，重新审视被称为“古早味AI”（Good Old-Fashioned AI，简称GOFAI）的符号规则AI，显得尤为重要。最近，我参加了康奈尔大学eCornell的“设计与构建AI解决方案”认证项目，在Lutz Finger教授的指导下，深入学习了GOFAI，尤其是符号规则AI。本文将分享我从该项目第二模块“探索古早味AI”中的一些关键学习心得，重点探讨符号规则
大型语言模型（LLM），如ChatGPT、Gemini和Llama，正在以惊人的速度改变我们与人工智能交互的方式。它们强大能力的背后，隐藏着一个核心结构——Transformer架构。本文将深入浅出地解析Transformer架构，让你了解它如何驱动这些令人印象深刻的AI模型。 1. Transformer：超越传统序列模型的革新 在Transformer出现之前，循环神经网络（RNNs）和长短期
随着微服务架构的普及，API 端点的数量呈指数级增长，全面彻底地测试这些 API 的成本也随之水涨船高。即使存在 OpenAPI (Swagger) 规范，编写 API 测试用例仍然是一项手动、重复性的工作。那么，我们是否可以仅仅依靠 OpenAPI schema 自动生成有意义的 测试用例呢？近年来，大型语言模型 (LLMs) 的崛起为我们提供了一种新的可能性。本文将深入探讨如何结合 OpenA
随着大型语言模型（LLMs）在各个领域迅速普及，对它们的评测变得至关重要。本文深入探讨了LLM评测的原理、方法、挑战以及伦理考量，并分析了如何利用评测框架来确保LLM的性能、可靠性和安全性，最终构建一个可信赖的AI未来。 1. 领域特定模型评测的必要性 通用LLM侧重于广泛的语言能力，而领域特定模型则通过在特定领域数据集上的针对性训练，在特定行业（如医疗、法律、金融）中表现出色。Bloomberg
随着大模型 (LLM) 技术的飞速发展，我们正步入一个全新的智能系统时代。这些模型正从静态、通用型的模式，向着动态、特定任务型的系统转变，具备了实时推理和自主行为的能力。这一变革的核心驱动力在于两项关键技术进步：检索增强生成 (RAG) 和 自主Agent 的涌现。本文将深入探讨这些技术，并对比传统RAG与图RAG系统，以及对Agent层级进行分类，同时也会涉及到对大模型进行微调的技术，以提升其在
llmtrend