需求人群:
["适合医学研究人员和学生,提供准确的医学信息检索","对于医疗保健专业人员,可以辅助诊断和治疗决策","生物医学信息学领域的学者可以利用该模型进行深入研究","在资源有限的地区,可以作为提升医疗服务质量的工具"]
使用场景示例:
医学生使用Llama-3[8B] Meditron V1.0进行病例研究
医生利用该模型辅助诊断罕见疾病
研究机构用以分析医学文献,加速新药研发
产品特色:
在MedQA和MedMCQA等医学基准测试中表现出色
快速微调,24小时内完成
参数规模达到8亿,提供强大的语言处理能力
与Llama-2[70B]相比,性能提升显著
为低资源环境提供可访问的技术解决方案
是LiGHT实验室与多所大学和机构合作的成果
使用教程:
步骤1: 访问Llama-3[8B] Meditron V1.0的官方网站
步骤2: 阅读模型的介绍和性能指标
步骤3: 下载并安装必要的软件依赖
步骤4: 根据提供的文档进行模型的配置和微调
步骤5: 使用模型进行医学问题的查询和数据分析
步骤6: 根据模型输出的结果进行进一步的研究或应用
浏览量:73
最新流量情况
月访问量
0
平均访问时长
00:00:00
每次访问页数
0.00
跳出率
0.00%
流量来源
直接访问
48.93%
自然搜索
0
邮件
0
外链引荐
7.13%
社交媒体
43.94%
展示广告
0
截止目前所有流量趋势图
地理流量分布情况
瑞士
35.42%
美国
18.27%
加拿大
15.32%
德国
11.08%
意大利
10.14%
一款专为生物医学领域设计的开源大型语言模型
OpenBioLLM-8B是由Saama AI Labs开发的先进开源语言模型,专为生物医学领域设计。该模型在大量高质量的生物医学数据上进行了微调,能够理解并生成具有领域特定准确性和流畅性的文字。它在生物医学基准测试中的表现超越了其他类似规模的开源生物医学语言模型,并与更大的专有和开源模型如GPT-3.5和Meditron-70B相比也展现出更好的结果。
先进的开源生物医学大型语言模型,专为医疗领域设计。
OpenBioLLM-70B是由Saama AI Labs开发的先进开源语言模型,专为生物医学领域设计。该模型在大量高质量的生物医学数据上进行了微调,能够理解和生成具有领域特定准确性和流畅性的文字。它在生物医学基准测试中展示了超越其他类似规模开源生物医学语言模型的优越性能,并且在与更大的专有和开源模型如GPT-4、Gemini、Medtron-70B、Med-PaLM-1和Med-PaLM-2的比较中也展现了更好的结果。
基于知识图谱的检索增强生成框架,赋能大型语言模型处理知识密集型任务
KG-RAG是一个任务无关的框架,它结合知识图谱的显性知识和大型语言模型的隐性知识。这里,我们利用一个巨大的生物医学知识图谱SPOKE作为生物医学上下文的提供者。KG-RAG的主要特征是它从SPOKE知识图谱中提取“与提示相关的上下文”,这被定义为响应用户提示所需的最小上下文。
提升大型语言模型解决数学问题的能力
ChatGLM-Math 是一个基于自我批评流程定制的数学问题解决模型,旨在提高大型语言模型(LLMs)在数学问题解决方面的能力。该模型通过训练一个通用的Math-Critique模型来提供反馈信号,并采用拒绝采样微调和直接偏好优化来增强LLM的数学问题解决能力。它在学术数据集和新创建的挑战性数据集MathUserEval上进行了实验,显示出在保持语言能力的同时,显著提升了数学问题解决能力。
探索不同的文本生成模型,通过草拟消息和微调响应来提升体验。
Workers AI LLM Playground是一个在线平台,允许用户通过草拟消息和微调响应来探索不同的文本生成模型。该平台由先进的人工智能技术驱动,旨在为开发者和研究人员提供一个实验和学习的环境,以更好地理解和利用大型语言模型(LLM)的能力。
快速训练和微调大型语言模型
Unsloth 是一个旨在提高大型语言模型(LLMs)训练和微调速度的平台。它通过手动推导所有计算密集型数学步骤并手写GPU内核,实现了无需硬件更改即可显著加快训练速度。Unsloth 支持多种GPU,包括NVIDIA、AMD和Intel,并提供开源版本供用户在Google Colab或Kaggle Notebooks上免费试用。它还提供了不同级别的定价方案,包括免费版、Pro版和企业版,以满足不同用户的需求。
一款基于指令微调的大型语言模型
Mistral-7B-Instruct-v0.2 是一款基于 Mistral-7B-v0.2 模型进行指令微调的大型语言模型。它拥有 32k 的上下文窗口和 1e6 的 Rope Theta 值等特性。该模型可以根据给定的指令生成相应的文本输出,支持各种任务,如问答、写作、翻译等。通过指令微调,模型可以更好地理解和执行指令。虽然该模型目前还没有针对性的审核机制,但未来将继续优化,以支持更多场景的部署。
使用大型语言模型进行逆向工程:反编译二进制代码
LLM4Decompile是一个开源项目,旨在创建并发布第一个专门用于反编译的LLM(大型语言模型),并通过构建首个专注于可重编译性和可执行性的反编译基准测试来评估其能力。该项目通过编译大量C代码样本到汇编代码,然后使用这些数据对DeepSeek-Coder模型进行微调,构建了评估基准Decompile-Eval。
集成音乐能力的开源LLM
ChatMusician是一个开源的大型语言模型(LLM),它通过持续的预训练和微调,集成了音乐能力。该模型基于文本兼容的音乐表示法(ABC记谱法),将音乐视为第二语言。ChatMusician能够在不依赖外部多模态神经结构或分词器的情况下,理解和生成音乐。
1.8B语言模型,开源免费
H2O-Danube-1.8B是一个基于1T标记训练的1.8B语言模型,遵循LLama 2和Mistral的核心原则。尽管我们的模型在训练时使用的总标记数量明显少于类似规模的参考模型,但在多个基准测试中表现出极具竞争力的指标。此外,我们还发布了一个经过监督微调和直接偏好优化训练的聊天模型。我们将H2O-Danube-1.8B以Apache 2.0许可证开放源代码,进一步将大型语言模型民主化,让更广泛的受众经济地受益。
通过加权平均奖励模型提高大型语言模型的效率和可靠性。
WARM是一种通过加权平均奖励模型(WARM)来对齐大型语言模型(LLMs)与人类偏好的解决方案。首先,WARM对多个奖励模型进行微调,然后在权重空间中对它们进行平均。通过加权平均,WARM相对于传统的预测集成方法提高了效率,同时改善了在分布转移和偏好不一致性下的可靠性。我们的实验表明,WARM在摘要任务上的表现优于传统方法,使用最佳N和RL方法,WARM提高了LLM预测的整体质量和对齐性。
提高LLM选择性预测能力的框架
ASPIRE是一个设计精良的框架,用于增强大型语言模型的选择性预测能力。它通过参数高效的微调训练LLM进行自我评估,使其能够针对生成的答案输出置信度分数。实验结果表明,ASPIRE在各种问答数据集上明显优于目前的选择性预测方法。
构建GPT-4级别的对话问答模型
ChatQA是一系列对话问答(QA)模型,可以达到GPT-4级别的准确性。我们提出了一种两阶段指导调优方法,可以显著提高大型语言模型(LLMs)的零射击对话QA结果。为了处理对话式QA中的检索,我们在多轮QA数据集上对密集检索器进行微调,这提供了与使用最先进的查询重写模型相当的结果,同时大大降低了部署成本。值得注意的是,我们的ChatQA-70B在10个对话QA数据集的平均得分上可以胜过GPT-4(54.14 vs. 53.90),而不依赖于OpenAI GPT模型的任何合成数据。
TOFU数据集为大型语言模型的虚构遗忘任务提供基准。
TOFU数据集包含根据不存在的200位作者虚构生成的问答对,用于评估大型语言模型在真实任务上的遗忘性能。该任务的目标是遗忘在各种遗忘集比例上经过微调的模型。该数据集采用问答格式,非常适合用于流行的聊天模型,如Llama2、Mistral或Qwen。但是,它也适用于任何其他大型语言模型。对应的代码库是针对Llama2聊天和Phi-1.5模型编写的,但可以轻松地适配到其他模型。
增强LLM推理能力的ReFT
ReFT是一种增强大型语言模型(LLMs)推理能力的简单而有效的方法。它首先通过监督微调(SFT)对模型进行预热,然后使用在线强化学习,具体来说是本文中的PPO算法,进一步微调模型。ReFT通过自动对给定问题进行大量推理路径的采样,并从真实答案中自然地得出奖励,从而显著优于SFT。ReFT的性能可能通过结合推理时策略(如多数投票和重新排名)进一步提升。需要注意的是,ReFT通过学习与SFT相同的训练问题而获得改进,而无需依赖额外或增强的训练问题。这表明ReFT具有更强的泛化能力。
医学大型语言模型套件
Meditron 是一套开源的医学大型语言模型(LLM)套件。它通过对一份经过综合筛选的医学语料库进行持续预训练,包括选定的 PubMed 论文和摘要、一份新的国际认可的医学指南数据集以及一个通用领域语料库,将 Llama-2 适应到医学领域。Meditron-70B 在相关数据上进行了微调,性能优于 Llama-2-70B、GPT-3.5 和 Flan-PaLM。
芯片设计领域自适应大型语言模型
ChipNeMo 是英伟达发布的一个探索将大型语言模型(LLMs)应用于工业芯片设计的项目。与直接使用现成的商业或开源 LLMs 不同,我们采用了定制的分词器、领域自适应的持续预训练、带有领域特定指令的监督微调(SFT)以及领域适应的检索模型等领域自适应技术。
基于LLM的企业智能工作助手
LLime是一个基于大型语言模型的企业智能工作助手,可以为企业的各个部门提供定制化的AI助手,提升工作效率。它提供简单易用的界面,支持根据企业数据进行模型微调,确保模型精准适配企业需求。主要功能包括代码探索、数据分析、内容策略等,可以帮助开发者、管理者和市场人员的工作决策。该产品采用订阅制,根据部门和员工人数定价。
使用大型语言模型生成机器人模拟任务
GenSim利用大型语言模型生成大量的机器人模拟任务,支持目标导向生成和探索性生成两种模式,可用于多任务策略训练和任务级别泛化。使用GPT4扩展了现有基准测试10倍以上,支持超过100个任务,通过有监督微调和评估多个LLM,包括微调的GPT和Code Llama,生成机器人模拟任务的代码。最小的模拟到真实世界的适应后,预训练在GPT4生成的模拟任务上的多任务策略在真实世界中展现了更强的转移能力,超过基线25%。
处理长文本的大型语言模型
LongLLaMA 是一个大型语言模型,能够处理长篇文本。它基于 OpenLLaMA,并使用 Focused Transformer (FoT) 方法进行了微调。它能够处理长达 256k 标记甚至更多的文本。我们提供了一个较小的 3B 基础模型(未经过指令调整),并在 Hugging Face 上提供了支持更长上下文的推断代码。我们的模型权重可以作为现有实现中 LLaMA 的替代品(适用于最多 2048 个标记的短上下文)。此外,我们还提供了评估结果和与原始 OpenLLaMA 模型的比较。
增强视觉语言理解的高级大型语言模型
MiniGPT-4是一个基于先进的大型语言模型的视觉语言理解模型,具有生成详细图像描述、从手写草稿生成网站等功能。它还能根据给定的图像写故事和诗歌、提供解决问题的方法、根据食物照片教用户烹饪等。MiniGPT-4通过对原始图像文本对进行预训练,并使用对话模板的对齐数据进行微调,以提高生成结果的连贯性和准确性。MiniGPT-4的定价和定位信息请参考官方网站。
无代码AI后端API
Backengine是一个无代码AI后端API平台,可帮助您快速构建和部署复杂的应用逻辑。它由大型语言模型提供支持,无需编写任何代码或搭建基础设施。您可以描述API响应示例,以及使用自然语言定义API端点逻辑。您可以在测试环境中测试API端点,并微调提示和请求结构。一键部署API端点并集成到您的应用程序中。Backengine的功能包括快速构建和部署应用逻辑、零代码工作空间、无需个别语言模型账户、零基础设施、安全保护、团队协作等。
开发者的低代码人工智能平台
Predibase是开发者的低代码人工智能平台,可以在几行配置文件中快速训练、微调和部署任何模型,从线性回归到大型语言模型。它是第一个为开发者打造的低代码人工智能平台,通过使用您的数据和可扩展的基础设施,以及预先训练的模型,帮助您更快地交付价值。
无需代码或训练数据即可建立强大的计算机视觉模型
DirectAI是一个基于大型语言模型和零样本学习的平台,可以根据您的描述即时构建适合您需求的模型,无需训练数据。您可以在几秒钟内部署和迭代模型,省去了组装训练数据、标记数据、训练模型和微调模型的时间和费用。DirectAI在纽约市总部,并获得了风投支持,正在改变人们在现实世界中使用人工智能的方式。
跳到主要内容 Chrome 应用商店探索扩展程序
BenAI Research Assistant是一款基于人工智能的文献分析插件,用于增强生物医学研究。它可以帮助科学家更高效地阅读文献、快速发现证据,并提供工具来加快阅读速度。它支持决定是否阅读一篇文章、理解和发现文章的关键见解、回答科学问题、保持研究流程无需额外工具等主要功能。适用于学术界、制药和生物技术公司的科学家。
开源工具包,用于大型语言模型水印技术的研究和应用。
MarkLLM是一个开源工具包,旨在促进大型语言模型(Large Language Models, LLM)中水印技术的研究和应用。随着LLM的广泛使用,确保机器生成文本的真实性和来源变得至关重要。MarkLLM通过提供一个统一的、可扩展的平台,简化了水印技术的访问、理解和评估。它支持多种水印算法,包括KGW家族和EXP家族的算法,并提供了可视化工具和评估模块,帮助研究人员和开发者评估水印技术的可检测性、稳健性和对文本质量的影响。
比较不同大型语言模型的输出
LLM Comparator是一个在线工具,用于比较不同大型语言模型(LLMs)的输出。它允许用户输入问题或提示,然后由多个模型生成回答。通过比较这些回答,用户可以了解不同模型在理解、生成文本和遵循指令方面的能力。该工具对于研究人员、开发者和任何对人工智能语言模型有兴趣的人来说都非常重要。
© 2024 AIbase 备案号:闽ICP备2023012347号-1