官方服务器常出现“繁忙”提示，很影响使用体验。
为了用DeepSeek-R1用得爽，今天，我将手把手教你如何利用火山方舟引擎和Cherry Studio，免费体验强大的DeepSeek模型！
新用户可享受免费50万Tokens的额度，助你零成本体验AI魅力。
参与入口：https://www.volcengine.com/experience/ark?utm_term=202502dsinvite&ac=DSASUQY5&rc=9ZVEJHSV 邀请码：9ZVEJHSV
具体操作步骤如下：
通过链接注册火山引擎，还能得15元代金券（或者在邀请码栏填入邀请码：9ZVEJHSV）
来到了模型广场
找到DeepSeek-R1
点击立即体验
进入了体验界面
在Sora出现之后，文/图生视频领域发展迅速，但开源文生视频模型效果与闭源模型存在差距，且开源模型进展缓慢。香港科技大学提出的一种新颖强大的视频自动编码器VAE有望改变这一局面。
潜在视频扩散模型（LVDM）已成为流行框架，成功应用于多个文生视频模型。视频VAE作为其关键组成部分备受关注，它可降低训练成本并提高生成视频质量。然而，早期采用图像VAE逐帧压缩视频存在时间闪烁、信息冗余问题，后续研究虽在改进，但当前视频VAE仍存在运动重影、模糊、卡顿等性能问题。
该算法在真实输入视频上重建效果出色，精准重建原始视频信息，为生成高质量视频奠定基础。
git clone git@github.com:yzxing87/vae.git并进入目录。conda create --name vae python=3.10 -y并激活。pip install -r requirements.txt。examples/videos/和examples/images/下按格式构建。bash scripts/run_inference_video.sh或bash scripts/run_inference_image.sh。香港科技大学提出的视频VAE在开源文生视频领域取得重大进展，其算法在多个方面表现出色，有望推动开源文生视频的发展。
在自然语言处理技术蓬勃发展的今天，大语言模型在众多生成自然语言文本任务中表现卓越，广泛应用于现实场景。然而，其存在的“幻象”问题，即生成看似合理实则错误的信息，严重制约了模型的可信度与实用性。传统幻象检测方法多依赖闭源大型语言模型（如GPT - 4），不仅计算成本高昂，且不利于技术的开放性和广泛应用。在此背景下，本文提出一种基于开源小模型的自动化幻象检测智能体——HaluAgent，旨在解决上述问题。
将幻象检测任务定义为以下五种类型：
为增强开源小LLM的幻象检测能力，设计综合工具箱，包含以下工具：
在域内（HaluEval - QA、WebQA、Ape210K、HumanEval、WordCnt）和域外（HalluQA、HaluEval 2.0）数据集评估HaluAgent，对比闭源模型（GPT - 4 prompt、GPT - 4 pipeline）和开源模型（Baichuan2 - Chat 7B和13B），利用FacTool数据集评估细粒度检测能力。
本文提出的HaluAgent框架通过构建多功能工具箱、设计精细化三阶段检测框架、合成轨迹数据微调模型，在幻象检测方面表现出色。在域内和域外数据集上性能显著提升，与未使用工具增强的GPT - 4相当甚至更优，能为用户与LLM交互提供有效幻象检测服务，具有高度灵活性和适应性。
在过去的一年里，我们与数十个团队合作，构建了跨行业的大型语言模型（LLM）代理。一直以来，最成功的实现都没有使用复杂的框架或专门的库。相反，他们使用简单的、可组合的模式进行构建。
在这篇文章中，我们分享了我们从与客户和自己构建代理的工作中学到的东西，并为开发人员提供构建有效代理的实用建议。
“Agent”可以用几种方法来定义。一些客户将代理定义为完全自主的系统，这些系统在较长的时间内独立运行，使用各种工具来完成复杂的任务。
其他人使用这个术语来描述遵循预定义工作流的更具规范性的实现。在Anthropic，我们将所有这些变化归类为智能体系统，但在工作流和智能体之间做出了重要的架构区分：
工作流是通过预定义的代码路径编排llm和工具的系统。
另一方面，代理是llm动态指导自己的过程和工具使用的系统，保持对它们如何完成任务的控制。
下面，我们将详细探讨这两种类型的智能体系统。在附录1（“实践中的代理”）中，我们描述了两个领域，客户在使用这些类型的系统时发现了特别的价值。
在使用llm构建应用程序时，我们建议找到尽可能简单的解决方案，并只在需要时增加复杂性。这可能意味着根本不需要建立智能体系统。智能体系统通常会权衡延迟和成本来获得更好的任务性能，您应该考虑这种权衡何时有意义。
当需要更多的复杂性时，工作流为定义良好的任务提供了可预测性和一致性，而当大规模需要灵活性和模型驱动决策时，代理是更好的选择。然而，对于许多应用程序来说，使用检索和上下文示例优化单个LLM调用通常就足够了。
有许多框架可以使智能体系统更容易实现，包括：
缩放定律是一种在不同领域中观察到的普遍现象，它描述了当某一个量（如规模、复杂度等）发生变化时，其他相关量如何相应地变化。缩放定律在多个领域中都有所体现，包括集成电路设计、机器学习和自然语言处理等。
Dennard缩放定律是集成电路领域的一个重要定律，它指出当晶体管的尺寸减小，其所消耗的电压和电流也会以相同的比例减小。这意味着晶体管的功耗密度在缩小的同时保持不变，从而使芯片的功耗与芯片面积成正比。这一定律在集成电路行业的发展中起到了关键作用，使得芯片性能得以持续提升。然而，随着晶体管尺寸的进一步缩小，量子隧穿效应开始介入，导致晶体管漏电现象出现，从而破坏了Dennard缩放定律的成立。
在机器学习领域，也有类似的缩放定律。研究发现，通过扩大模型规模可以提高深度学习模型的性能，但这种幂律缩放也带来了巨大的资源消耗。最近，MetaAI的研究人员发现了一种通过数据剪裁的方法，可以在规模更小的数据集上实现与大模型相当的性能。这种指数缩放的实现被认为是突破了传统的幂律缩放规则。
在其他领域中，如集成电路设计，还有摩尔定律和库梅定律等经验性定律，它们都与集成电路性能的提升有关。然而，随着物理实现的限制，这些定律在近年来已经不再完全奏效。
缩放定律是一种描述系统中各量如何随某个关键量变化的规律。在不同的领域中，这些定律都对技术发展和性能提升起到了重要作用。然而，随着技术的进步和物理限制的显现，这些定律也在不断被挑战和更新。
下载所需的ubuntu系统。去官网下载需要的版本，我下载的是18.04版本的桌面系统。
使用win+x键打开菜单，选择磁盘管理。
使用创建卷或者压缩卷创建一个略大于系统（Ubuntu系统）所需空间的存储空间。格式化为FTA32格式的。我压缩了5G，这个空间可以在系统安装完毕后删除。
在创建一个500MB的空间，格式化为FTA32的格式用来储存引导文件。
在准备一块空间，大小看自己的需要，因为我是打算用来学习大语言模型，因此，尽可能大大一点。主要要考虑交换空间，一般是内存的2倍。空间不进行任何操作，保持未添加状态，用来安装系统。
将刚刚下载的系统解压到5G的那个用于制作启动盘的硬盘中。
下载easyUEFI并启动。
点击管理EFI启动项按钮进入下图界面。
CoT 步数与模型表达能力之间存在有趣的关系：
想象一个能根据问题复杂度自动调整思维链长度的 AI 系统。简单问题快速解决，复杂问题细细推敲。
将 CoT 方法扩展到图像、音频等多模态任务中。AI 不仅能解释文字，还能一步步分析图片、视频中的复杂场景。
多个 AI 系统协同工作，每个系统负责思维链中的不同部分，共同解决超大规模的复杂问题。
允许人类专家干预和修改 AI 的推理过程，创造人机协作的新模式。
生成和处理长链推理需要大量计算资源，这在某些实时应用场景中可能成为瓶颈。
此外，如何确保每一步推理都是正确的，避免错误传播和放大，也是需要解决的问题
RAG系统中，文本分割的策略严重的影响着内容的召回效果。例如：以维基百科上的一篇关于柏林的文章为例，若将其分割为句子块，不难发现诸如“其”和“这座城市”等指代表达，实际上指向的是文章开头提到的“柏林”。
“迟分”策略，则是先过 Embedding 模型再分块，我们先将 Embedding 模型的 transformer 层应用到整个文本或尽可能多的连续文本，为每个 token 生成一个包含丰富上下文信息的向量表示序列。随后，再对这些 token 向量序列进行平均池化，进而得到考虑了整个文本上下文的块 Embedding。
迟分生成的块 Embedding 是“有条件的”，这意味着每个块都编码了更多的上下文信息，从而大大提升了编码的质量和准确性。
代理工作流(Agentic Workflow)是与大型语言模型(LLM)交互和完成任务的一种新方法。
传统上
传统上,我们与LLM交互时，会直接输入一个提示(prompt),LLM然后会基于这个提示直接生成一个输出结果。这种做法有点像让一个人一次性从头到尾写出一篇文章,没有反复修改和迭代的机会。
代理工作流
代理工作流则更像是将写作过程分解为多个步骤：首先是根据主题大纲写一个草稿，然后是对草稿进行分析、修改和补充，之后是进一步完善和润色,如此反复迭代,直到最终生成期望的结果。
作用
测试任务是:”给定一个非空整数列表,返回所有偶数位置元素的和”。使用零示例提示方法,也就是直接让AI生成解决方案代码，GPT-3.5的正确率仅为48%,GPT-4的正确率为67%，表现都相对一般。
但是，当采用代理工作流程，将任务分解为分析问题、迭代编写代码、测试和调试等多个步骤时，GPT-3.5的表现甚至超过了GPT-4使用零示例提示的正确率。Ng指出,在GPT-4模型上应用代理工作流程,也同样取得了非常出色的结果。
