🧪#晚安提示词# 一套很容易出效果的人像，也可以用在占位图或者品牌宣传上。#AI画图#

需要更改的内容就是遮挡面部的物品，比如蝴蝶和花朵，还有就是整体的颜色氛围。

提示词：
a close up of a young Chinese male covered in white and purple flowers, in the style of cyberpunk realism, charming realism, exaggerated facial features, high resolution, enchanted realism, pale palette --chaos 5 --ar 2:3 --style raw --v 6

006KpAl0ly1hmlff0e6dlj324023cb2f.jpg

7.3 MB

Josh Miller（Arc 浏览器 CEO）这个关于后 URL 时代（人工智能时代）的互联网畅想有点意思，Arc 最近的更新应该就是以这个判断进行的。#ai#

这个东西可能很多人都想过，很早就有人提出来未来的 UI 会是一个对话页面加上各种匹配数据展示样式的组件来完成，Josh Miller这个更近一步解决了内容来源的问题，由网站自己暴露对应内容的元数据，然后在浏览器或者系统完成整合。

文章内容大致介绍了互联网的未来发展方向，主要包含以下三个部分：

1️⃣提到了一种新的元标签（Meta Tags），这些标签能够提供事实、媒体、小部件（例如，预约/航班可用性）给AI工具，使得每项任务都可以在单一标签页/视图中从头到尾完成，这样可以避免上下文切换。

2️⃣“网站”和“应用”将直接嵌入在AI界面中（类似于过去嵌入的YouTube视频），并且有自定义样式权限以保留内容创造者的特色。自定义交互式小部件成为了一种新的应用平台。

3️⃣用户代理（浏览器，操作系统）将拥有内置钱包，以便轻松完成微交易（例如，Apple Pay），这将减少消费者的摩擦，提高购买转化率，降低供应商和支付处理商的欺诈行为。

每项任务都可以通过同一界面完成，无需上下文切换，无论用户身在何处，都可以进行购物、研究等。互联网来到了用户面前。

ARC浏览器这更新频率太离谱了，新增了一个功能，可以直接自动将你打开的一堆标签页按内容分组。还是在Arc Max中打开。#ai#歸藏的AI工具箱的微博视频

小度把文心一言集成了，做了个对话机器人，画风是这样的：
我儿：我水撒了
小度：你傻了，没关系啊，你傻了也还是很可爱啊。

我说咱做不好是不是就别硬做了。

RMBG v1.4一个新的背景分割开源模型，效果非常好，感觉跟现在顶尖的产品 remove bg 的效果不相上下了。

该模型在精心挑选的数据集上进行了训练，其中包括：普通图片库、电子商务、游戏和广告内容，使其适用于商业用例，为大规模的企业内容创建提供动力。

模型使用超过 12,000 张高质量、高分辨率、手动标记（像素精度）、完全许可的图像进行训练。

其准确性、效率和多功能性目前可与领先的开源模型相媲美。

模型下载：https://huggingface.co/briaai/RMBG-1.4

AI探索指南

elvis写了一篇非常详细的文章来介绍 RAG 生态的所有部分，还会添加清晰易懂的参考文献列表以及技术性编程教程帮助提高 RAG 系统的性能。 主要内容来自《大语言模型的检索增强生成：一项调查》这篇论文，我简要总结了一下文章每个部分的内容，感兴趣可以去看原文： 检索增强生成（Retrieval Augmented Generation, RAG）技术，旨在通过结合外部知识源，如数据库，来提升大语言模型（LLMs）的能力。它主要用于解决领域知识的缺失、事实性问题和生成错误。RAG特别适用于那些需要最新知…

RAG目前面临的挑战包括适应更广泛的上下文窗口、提高对虚假信息的抵抗能力、理解规模化定律，以及开发可投入生产的系统。此外，人们也在关注多模态RAG和为评估制定更细致的标准。

RAG工具

构建RAG系统可以使用包括LangChain和LlamaIndex在内的工具，以及针对不同目的的专业工具。云服务提供商也在提供以RAG为中心的服务，以促进RAG应用的发展。

原文链接：https://www.promptingguide.ai/research/rag

elvis写了一篇非常详细的文章来介绍 RAG 生态的所有部分，还会添加清晰易懂的参考文献列表以及技术性编程教程帮助提高 RAG 系统的性能。

主要内容来自《大语言模型的检索增强生成：一项调查》这篇论文，我简要总结了一下文章每个部分的内容，感兴趣可以去看原文：

检索增强生成（Retrieval Augmented Generation, RAG）技术，旨在通过结合外部知识源，如数据库，来提升大语言模型（LLMs）的能力。它主要用于解决领域知识的缺失、事实性问题和生成错误。RAG特别适用于那些需要最新知识、又不需针对每个特定任务重复训练LLM的应用场景，比如对话代理和知识密集型任务。

RAG如何工作

RAG通过接收输入的提示信息，从资源如维基百科中检索相关文档，再将这些文档作为上下文来生成回答。这种方法使LLMs能够访问最新的信息，并生成更准确、更可控、更相关的内容。它能及时适应不断变化的信息，这对于LLM来说至关重要，因为它们的知识库本身是静态的。

RAG系统的发展

RAG系统已经从初级阶段（Naive RAG）发展到高级阶段（Advanced RAG）和模块化阶段（Modular RAG），以解决性能、成本和效率的限制。高级RAG通过优化不同阶段，如预检索、检索和检索后处理，来提高检索质量。模块化RAG则通过调整不同的功能模块来适应特定问题的背景，提供了更大的灵活性。

RAG系统的关键组成

检索：包括提升语义表示、对齐查询与文档，以及调整检索器输出以符合LLM的偏好。
生成：涉及将检索到的信息转化为连贯的文本，并在检索后对LLM进行微调。
增强：在生成任务中融合检索到的段落的上下文，包括不同阶段和增强数据源。
RAG与模型微调
RAG适合用于集成新知识，而模型微调则有助于提升模型的性能和效率。这两种方法可以互补，结合提示工程（Prompting Engineering），能够优化LLM在复杂和可扩展应用中的表现。

RAG的评估

RAG系统的评估基于检索到的上下文质量和生成的内容质量。评估指标包括规范化折扣累计增益（NDCG）、命中率、F1值和精确匹配（EM）等。评估重点是上下文的相关性、答案的准确性和相关性，以及抗噪声能力和信息整合能力。

RAG面临的挑战与未来展望

Chat GPT发布之初就放出Demo的UI设计稿自动生成应用，今天终于向所有用户开放了。

支持文字图片以及线稿直接生成UI设计稿。
—
Galileo 1.0：改变游戏规则的 UI 提示平台现已向所有人开放。

我们的使命是增强设计师的创作过程，让设计变得简单、快速和神奇。

提出您的想法，让人工智能来完成繁重的工作。

开始使用： useGalileo.ai

最近在 kimi 和 ChatGPT 的帮助下，逐字逐句地精读了三篇AI相关的文章，觉得收获非常大。

很多困扰我已久的问题，在这三篇文章里看到了些线索。

比如，生成式 AI 生成的内容，当前无法实现精准控制，这个问题是否就无解呢？其实不是的，第一篇文章中就提到了他们的解法。

再比如，RAG 在处理幻觉方面这么牛，各种 RAG 技术的通用性如何呢？答案可能没那么乐观，因为他们可能只是某个特定 use case 上做得很好，但不意味着可以轻易推广到其他所有场景。

Fg5-OQHryWWiDpGDwug3BdihWT3dv3.jpg

1.2 MB

Fl0o4R1EgShUcO0eT32XlwGSt_1-v3.jpg

1.1 MB

FqzXb9EgGIGT5-rwX3Uct0o2rMv6v3.jpg

742 KB

程序员圈子里有个流传已久来吐槽测试的段子：

一个测试工程师走进一家酒吧，要了一杯啤酒；
一个测试工程师走进一家酒吧，要了一杯咖啡；
一个测试工程师走进一家酒吧，要了 0.7 杯啤酒；
一个测试工程师走进一家酒吧，要了-1 杯啤酒；
一个测试工程师走进一家酒吧，要了 2^32 杯啤酒；
一个测试工程师走进一家酒吧，要了一杯洗脚水；
一个测试工程师走进一家酒吧，要了一杯蜥蜴；
一个测试工程师走进一家酒吧，要了一份 asdfQwer@24dg!&*(@；
一个测试工程师走进一家酒吧，什么也没要；
一个测试工程师走进一家酒吧，又走出去又从窗户进来又从后门出去从下水道钻进来；
一个测试工程师走进一家酒吧，又走出去又进来又出去又进来又出去，最后在外面把老板打了一顿；
一个测试工程师走进一家酒吧，要了一杯烫烫烫的锟斤拷；
一个测试工程师走进一家酒吧，要了 NaN 杯 Null；
一个测试工程师冲进一家酒吧，要了 500T 啤酒咖啡洗脚水野猫狼牙棒奶茶；
一个测试工程师把酒吧拆了；
一个测试工程师化装成老板走进一家酒吧，要了 500 杯啤酒并且不付钱；
一万个测试工程师在酒吧门外呼啸而过；
一个测试工程师走进一家酒吧，要了一杯啤酒';DROP TABLE 酒吧；
测试工程师们满意地离开了酒吧。
然后一名顾客点了一份炒饭，酒吧炸了。

我发现作为一个开发，我也差不多是这么对待大模型的😝