AI

由于标准 Ollama 没有直接的重排序 API，
您需要通过生成查询-文档对的嵌入向量并对其进行评分来实现 使用 Qwen3 重排序器在 GO 中进行重排序。

在一个寒冷的七月冬天……
那是在澳大利亚……
我感到迫切需要训练一个AI模型，用于检测未封口的混凝土钢筋……

在这项测试中，我正在比较不同LLMs在Ollama上如何将Hugo页面从英语翻译成德语。

我测试的三页内容涉及不同主题，其中包含一些结构良好的markdown内容：标题、列表、表格、链接等。

这个小的 Go代码示例重新排序调用Ollama生成嵌入 用于查询和每个候选文档， 然后按余弦相似度降序排序。

Qwen3 Embedding 和 Reranker 模型 是 Qwen 系列的最新发布，专为高级文本嵌入、检索和重排序任务而设计。

在现代世界纷乱的环境中，我在这里比较不同显卡的技术规格，这些显卡适用于AI任务 (深度学习， 目标检测
和大语言模型）。 不过它们都非常昂贵。

氛围编程 是一种由人工智能驱动的编程方法，开发者通过自然语言描述所需的功能，从而让人工智能工具自动生成代码。

我之前使用过 MMDetection (mmengine, mdet, mmcv)，用得不少，
但现在看起来它似乎已经退出了舞台。
真可惜，我喜欢它的模型库。

DeepSeek’s 第一代推理模型，其性能可与 OpenAI-o1 相媲美，包括基于 Llama 和 Qwen 的 DeepSeek-R1 的六个密集模型。

不久之前发布了。让我们跟上进度并
测试Mistral Small与其他LLMs的性能表现。

最近，Black Forest Labs 发布了一组
文本到图像AI模型。
这些模型据说具有更高的输出质量。
让我们试试看

美味的食物不仅令人垂涎，也是一道视觉盛宴。
但在这篇文章中，我们将比较两个基于人工智能的搜索系统，Farfalle 和 Perplexica。

这非常令人兴奋！
与其调用 Copilot 或 Perplexity.ai 并告诉全世界你想要什么，
你现在可以在自己的 PC 或笔记本电脑上运行类似的服务！

最近我们看到有几款新的大型语言模型（LLMs）发布。
令人兴奋的时刻。
让我们进行测试，看看它们在检测逻辑谬误时的表现如何。

当我开始尝试使用大型语言模型（LLMs）时，它们的用户界面正处于积极开发中，而现在其中一些已经非常出色了。