资源简单易懂的理财实战课，银行行长教你驾驭金钱

资源简单易懂的理财实战课，银行行长教你驾驭金钱 资源简介：罗元裳，前渣打银行东方支行行长，创立国内首家独立理财机构，7分钟理财CEO，致力于理财行业15年，当当新书畅销榜冠军《7分钟理财》作者。 课程中，所有晦涩难懂的金融术语，都被替换成了简单、有趣、易懂的人话。 从0开始，教你一步步解决理财问题。 链接：【百度网盘】点击获取 关键词：#付费专栏 #理财 合作 • 云盘投稿 • 云盘搜索

母婴行业短视频运营：教你写个吸引人的标题，45节课+45个方法

母婴行业短视频运营：教你写个吸引人的标题，45节课+45个方法 描述：母婴行业短视频开篇+标题45招，如何在短视频中写一个吸引人的开篇加标题，让你的视频被更多人爱看。 链接： 大小：未统计 标签：#知识 #学习 来自：雷锋 频道：@Aliyundrive_Share_Channel 群组：@alyd_g 投稿：@AliYunPanBot

Open AI传奇研究员Andrej Karpathy的新课，教你理解和构建GPT Tokenizer。

Open AI传奇研究员Andrej Karpathy的新课，教你理解和构建GPT Tokenizer。 他可以把相当复杂的LLM概念用非常好理解的方式讲出来。希望了解LLM的强烈建议听一下他的课，包括一些历史课程。 用GPT-4翻译了一下这节课，感兴趣可以听一下。字幕文件下载和历史课程会放最后。 补充一下视频介绍： 分词器是大语言模型（LLM）处理流程中一个独立且关键的环节。它们有专属的训练数据集、采用特定的训练算法字节对编码（Byte Pair Encoding），训练完成后，分词器能够执行两个核心功能：encode() 函数将普通文本字符串转换为词元，而 decode() 函数则能将词元还原为原始文本字符串。在这场讲座中，我们将一步步揭开 OpenAI GPT 系列分词器的构建过程。 我们将发现，许多大语言模型(LLM)表现出的异常行为和问题，其实都源于标记化(tokenization)这一环节。我们会针对这些问题进行详细讨论，探究标记化为何成为问题的关键所在，以及为什么最理想的情况是有人能够找到办法，完全去除这一处理阶段。 字幕及视频下载：

《跨境老板快速布局TK的冷启动系统课，TikTok全案运营课程 小白入门最佳选择》

《跨境老板快速布局TK的冷启动系统课，TikTok全案运营课程 小白入门最佳选择》 简介：本课程专为跨境商家和新手设计，系统讲解TikTok平台从零起步的运营策略，涵盖账号搭建、内容创作、流量增长及变现技巧，结合实战案例解析冷启动核心方法，助力快速打开海外市场，提升品牌曝光与转化效率。 亮点： 1. 零基础友好：拆解复杂流程为易懂步骤，新手轻松上手 2. 全案式教学：从内容制作到商业闭环，覆盖完整运营链路 3. 实战工具箱：提供涨粉模板、算法机制解读等即用资源包 4. 差异化定位：指导挖掘跨境领域精准人设与内容定位 标签：#TikTok运营 #跨境电商 #冷启动策略 #零基础教学 #流量变现 链接：https://pan.quark.cn/s/de01a353c732

【「得到」6次折戟IPO，罗振宇被年轻人抛弃？】“得到”正在变“轻”，从几百节的年课变成十几节的小课，相应的也带来用户对课程水平

【「得到」6次折戟IPO，罗振宇被年轻人抛弃？】“得到”正在变“轻”，从几百节的年课变成十几节的小课，相应的也带来用户对课程水平的质疑，甚至被批“贩卖知识焦虑”。另一重大失利是2017年短视频平台兴起时，为了将流量集中到“得到”上，在其他所有音视频平台都停止更新，堪称“完美”地错过了短视频风口。 #抽屉IT

斯坦福这节课讲清楚了LLM做RAG所有最重要的问题。

斯坦福这节课讲清楚了LLM做RAG所有最重要的问题。 这节课就是传说中的Stanford CS25中的一节讲座。授课人就是RAG论文的作者之一Douwe Kiela，课程中他分享了一个检索增强语言模型的架构图。 这张图重要到让我觉得，做RAG只要记住这一张图就够了。所有相关概念和工程实践中的权衡，全都涵盖在这张图的架构和问题中了。 这个架构主要包括input、prompt、通过retriever检索增强生成的context，然后把这三部分一起输入给generator即模型，最终输出output作为结果。 关于这几个核心概念，值得注意的是： 1⃣input和prompt的区别和联系在于，input可理解为既包含system prompt，又包含用户输入的检索范围的指向，而prompt则强调用户输入的指令。 以公司知识库RAG举例，比如用户输入chatbot的内容为"检索公司2023年的财务数据并生成总结报告"，其中"公司2023年的财务数据"是对公司知识库检索范围的指向，应理解为input的一部分，而"检索并生成总结报告"则是指令，应理解为prompt。 2⃣retriever的作用机制，我理解类似于在图书馆借书的过程，提供书名(query)-系统查找图书编号(query编码)-对应书架书籍编号(docs编码)-找到并借出图书(context)。 接着上文公司知识库的例子，从input获取query(如"2023年资产负债表, 2023年利润表, 2023年现金流量表")，对应的query编码("2023年资产负债表, 2023年利润表, 2023年现金流量表"的向量化表达)在docs编码(公司知识库所有文本的向量化表达)中检索匹配，提取匹配的部分作为context(涉及公司2023年财务数据的文本)。 其中query和input的关系，我想到两种可能性，一种是直接把input作为query，另一种是模型基于input生成的query，架构图简化表达了。 3⃣retriever和context之间可加一步reranker架构，对检索结果按特定规则进行重新排序。reranking的机制既可通过模型判断，也可在模型基础上预设特定规则。 比如根据员工职级限制其可获取的企业知识库信息范围。