三要素：rewards, actions, states 马尔可夫奖励过程：马尔可夫奖励过程可以表示为 $<S,P,R,\gamma>$，其中： $S$ 为状态集合； $P$ 为状态转移矩阵，$P_{ss’}=P[S_{t+1}=s’|S_t=s]$； $R$ 为奖励函数，$R_s=E[R_{t+1}|S_t=s]$； $\gamma

安装Remix-ide先排个雷，目前官方提供的remix-ide desktop版能安装，但是跑不起来，我在github release列表下了latest version,启动后就是漫长的白屏，网上给的解释是需要修改代理ping通github，但是我这边是能ping通的，多次尝试无果后我选择使用Remix-Ethereum IDE + 本地 remixd。remixd是Remix IDE提供的一

区块链与加密货币入门指南基础篇：区块链与加密货币基础学习目标 理解区块链基本原理 掌握加密货币基础知识 了解DeFi生态系统 尝试链上交互 核心学习资源1. 入门 视频教程: 3Blue1Brown的”比特币和区块链是如何工作的” - 通过可视化方式解释区块链的基本原理 在线课程: Coursera - 区块链基础知识 & PKU学生区块链中心WEB3新人公开课 书籍: 《精通比特币》(

BIO标记法B-（Begin）：表示一个实体的开始（首个 token）。 I-（Inside）：表示实体的内部（除首个 token 以外的部分）。 O-（Outside）：表示非实体的 token。 例如：**”Apple Inc. is based in California.” BIO 标注： Token BIO 标签 Apple B-ORG Inc. I-ORG is O

Sec.1 传统RAG系统面临的挑战复杂的查询理解：传统的 RAG 方法依赖于简单的关键字匹配和向量相似性技术，不足以捕捉准确和全面所需的深层语义细微差别和多步骤推理过程。例如，当询问概念 A 和概念 D 之间的联系时，这些系统通常只检索直接相关的信息，而错过了像 B 和 C 这样可以弥合关系的关键中间概念。这种狭窄的检索范围限制了 RAG 的能力，使其无法进行广泛的上下文理解和复杂的推理 集成来

1.GNN-RAG: Graph Neural Retrieval for Large Language Model Reasoning 开源代码：https://github.com/cmavro/GNN-RAG Motivation: 将GNN的推理能力和LLM的语言理解能力相结合用于知识图谱问答 Methodology：首先，GNN 对密集的 KG 子图进行推理，以检索给定问题的答案候选者。

Graph + RAG图RAG相比于传统RAG的优势： 多跳推理能力 2. 关系建模能力 3. 高效的知识更新与管理 4. 减少检索的噪声和生成的幻觉 最近看了几篇图RAG的论文： G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering（https://

最近微调模型进行原因预测任务训练的时候，在eval阶段进行推理生成时遇到了一个警告：“A decoder-only architecture is being used, but right-padding was detected! For correct generation results, please set padding_side='left' when initia

1. 显存单位换算在讨论显存占用时，首先要明白“B”和“G”的含义。通常，“B”指的是十亿（1B = 10^9），而“G”则表示千兆字节（1G = 10^9字节）。例如，1B参数意味着有10亿个参数。显存的单位通常以字节计算，而1个字节等于8位。🎈如果使用全精度训练（fp32），每个参数需要占用32位（即4个字节），因此1B的参数需要占用4GB的显存。🎈如果使用半精度（fp

1.人工智能竞赛平台 Biendata：Data Competition Community - Biendata介绍： 2018 年 5 月，人工智能和大数据的竞赛平台 Biendata 完成天使轮融资，由DeepTech深科技投资，旨在打造中国人工智能赛事顶级 IP，赛事相关媒体运营。Biendata 的比赛客户既包括今日头条、知乎、摩拜、搜狐等企业，也包括了 IEEE、ACM、中国计算机学