


Model besar bahasa saintifik AI sangat popular. Anda boleh melakukan semua jenis komputer matematik dan biologi. Sangat mudah untuk menulis kod dan menulis ulasan.
Enjin carian AI berkembang semula? !
Berikan topik AI ini, dan ia akan memberi anda ulasan kertas dalam beberapa minit, dan ia juga akan memberikan petikan untuk kertas itu sendiri.
Atau anda boleh memasukkan kata nama saintifik, dan AI boleh menjana Wikipedia dengan cepat khusus untuk kata nama ini.
AI ini dipanggil Galactica ( singkatan GAL Ia adalah model bahasa saintifik sumber terbuka terkini yang mengubah AI kepada produktiviti saintifik.
Dan ia juga telah mencapai "penyatuan besar" disiplin ilmu Matematik, fizik, komputer...AI ini semua boleh digunakan.
Sebaik sahaja model itu dikeluarkan, ia dengan cepat membangkitkan perbincangan hangat di kalangan netizen Pada masa ini, tweet berkaitan telah dilihat hampir 150,000 kali, dan terkumpul suka, tweet semula dan petikan telah melebihi 5,000.
Bekas pegawai teknikal Facebook turut tampil menyokongnya.
Sesetengah netizen mengalaminya secara peribadi, dan ulasan literatur yang mereka tulis "kelihatan cukup bagus", malah berkata:
Langkah seterusnya ialah Bukan anda boleh menjana idea baru.
Malah, menulis ulasan literatur dan menghasilkan Wikipedia hanyalah sebahagian daripada fungsi GAL Selain daripada ini, ia juga boleh menjawab beberapa soalan profesional, menulis kod saintifik dan anotasi molekul dan protein... ...
Mari kita lihat kesan khusus~
Boleh digunakan sebagai alat untuk penghasilan saintifik
Apabila bercakap tentang produktiviti saintifik, ia pasti tidak dapat dipisahkan daripada pencarian kertas kerja. Tidak, GAL telah menyelesaikannya untuk anda.
Ia merangkumi lima disiplin saintifik: pembelajaran mesin, matematik, sains komputer, biologi dan fizik.
Pilih subjek, kemudian masukkan topik kertas yang anda cari dalam kotak kiri, dan GAL di sebelah kanan akan mengesyorkan kertas yang paling sesuai untuk dibaca.
Selain mengesyorkan kertas kerja, GAL juga mempunyai fungsi yang lebih praktikal: menjana nota kuliah.
Sebagai contoh, jika anda ingin membuat kursus pra tentang Teori Fungsian Ketumpatan (DFT), tetapi anda terlalu malas untuk menulis kuliah, anda boleh GAL sahaja dan selesaikan dalam beberapa minit (kepala anjing manual ).
GAL juga boleh digunakan untuk menganotasi molekul dan protein Berikut ialah manual operasi RDKit (yang boleh menjana deskriptor molekul untuk pembelajaran mesin) yang dihasilkan oleh GAL.
GAL juga menunjukkan beberapa butiran!
Sebagai contoh, jika anda tidak dapat memahami beberapa formula dan kod matematik yang kompleks, anda boleh menyerahkannya kepada GAL, ia boleh menterjemahkannya secara langsung ke dalam bahasa vernakular untuk anda.
Bukan itu sahaja, ia juga boleh merealisasikan penukaran antara formula dan kod matematik, atau penukaran antara pelbagai jenis kod.
Lebih penting lagi, ia juga mempunyai formula yang dipermudahkan dan fungsi semakan ralat.
Bagaimana untuk melakukannya?
GAL boleh mencapai fungsi yang begitu kompleks, jadi kita perlu menyebut set data latihannya.
Menurut berita rasmi, GAL dilatih tentang set data saintifik berkualiti tinggi baharu yang dipanggil NatureBook, yang membolehkan model itu menggunakan istilah saintifik, formula matematik dan kimia serta kod sumber.
Termasuk lebih daripada 48 juta kertas, buku teks dan nota kuliah, serta berjuta-juta sebatian dan protein, tapak web saintifik, ensiklopedia dan banyak lagi.
Selain itu, untuk mencari kertas kerja dan menormalkan petikan, set data GAL mengandungi lebih 360 juta petikan kontekstual dan lebih 50 juta rujukan unik yang dinormalkan merentas sumber yang berbeza.
Selepas mempunyai set data yang begitu besar, kita akan menghadapi dua masalah.
Soalan pertama ialah cara mengurus set data berkualiti tinggi ini Untuk mencapai matlamat ini, GAL menggunakan dua langkah:
Semua data diproses dalam format penanda biasa untuk melepasi Halangan antara data. daripada pelbagai sumber.
Pra-latihan termasuk set data untuk tugasan tertentu, yang memastikan anda boleh menjadi lebih profesional apabila menangani tugasan tertentu.
Soalan lain ialah: Bagaimana untuk mereka bentuk interaksi antara muka?
Pertama sekali, seperti yang dinyatakan di atas, GAL boleh menyokong pelbagai jenis tugas.
Oleh itu, pelbagai tugas dikelaskan semasa mereka bentuk interaksi antara muka Pengelasan yang berbeza akan menyokong jenis data yang berbeza.
Memandangkan GAL mempunyai set data saintifik yang terurus dan berkualiti tinggi, bagaimanakah ia dibandingkan dengan model lain?
Muat naik data terus!
Dari segi penaakulan, kelebihan GAL terserlah dalam matematik MMLU (pemahaman bahasa pelbagai tugas berskala besar), prestasinya lebih baik daripada Chinchilla dari segi matematik, prestasinya juga lebih baik daripada Palm 540B dan GPT-3 175B.
Walaupun GAL belum dilatih mengenai set data umum, prestasinya di BIG-bench masih lebih baik daripada BLOOM dan OPT-175B .
Jika anda rasa gatal selepas membacanya, sila hentikan dahulu!
Portal: https://galactica.org/
Pautan rujukan: [1]https://twitter.com/paperswithcode/status/1592546933679476736[2]https://github . com/paperswithcode/galai[3]https://galactica.org/static/paper.pdf
Atas ialah kandungan terperinci Model besar bahasa saintifik AI sangat popular. Anda boleh melakukan semua jenis komputer matematik dan biologi. Sangat mudah untuk menulis kod dan menulis ulasan.. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Untuk membuat pangkalan data Oracle, kaedah biasa adalah menggunakan alat grafik DBCA. Langkah -langkah adalah seperti berikut: 1. Gunakan alat DBCA untuk menetapkan DBName untuk menentukan nama pangkalan data; 2. Tetapkan SYSPASSWORD dan SYSTEMPASSWORD kepada kata laluan yang kuat; 3. Tetapkan aksara dan NationalCharacterset ke Al32utf8; 4. Tetapkan MemorySize dan Tablespacesize untuk menyesuaikan mengikut keperluan sebenar; 5. Tentukan laluan logfile. Kaedah lanjutan dibuat secara manual menggunakan arahan SQL, tetapi lebih kompleks dan terdedah kepada kesilapan. Perhatikan kekuatan kata laluan, pemilihan set aksara, saiz dan memori meja makan

Mewujudkan pangkalan data Oracle tidak mudah, anda perlu memahami mekanisme asas. 1. Anda perlu memahami konsep pangkalan data dan Oracle DBMS; 2. Menguasai konsep teras seperti SID, CDB (pangkalan data kontena), PDB (pangkalan data pluggable); 3. Gunakan SQL*Plus untuk membuat CDB, dan kemudian buat PDB, anda perlu menentukan parameter seperti saiz, bilangan fail data, dan laluan; 4. Aplikasi lanjutan perlu menyesuaikan set aksara, memori dan parameter lain, dan melakukan penalaan prestasi; 5. Beri perhatian kepada ruang cakera, keizinan dan parameter, dan terus memantau dan mengoptimumkan prestasi pangkalan data. Hanya dengan menguasai ia dengan mahir memerlukan amalan yang berterusan, anda boleh benar -benar memahami penciptaan dan pengurusan pangkalan data Oracle.

Inti dari pernyataan Oracle SQL adalah pilih, masukkan, mengemas kini dan memadam, serta aplikasi fleksibel dari pelbagai klausa. Adalah penting untuk memahami mekanisme pelaksanaan di sebalik pernyataan, seperti pengoptimuman indeks. Penggunaan lanjutan termasuk subqueries, pertanyaan sambungan, fungsi analisis, dan PL/SQL. Kesilapan umum termasuk kesilapan sintaks, isu prestasi, dan isu konsistensi data. Amalan terbaik pengoptimuman prestasi melibatkan menggunakan indeks yang sesuai, mengelakkan pilih *, mengoptimumkan di mana klausa, dan menggunakan pembolehubah terikat. Menguasai Oracle SQL memerlukan amalan, termasuk penulisan kod, debugging, berfikir dan memahami mekanisme asas.

Panduan Operasi Lapangan di MySQL: Tambah, mengubah suai, dan memadam medan. Tambahkan medan: alter table table_name tambah column_name data_type [not null] [default default_value] [primary kekunci] [AUTO_INCREMENT] Modify Field: Alter Table Table_Name Ubah suai column_name data_type [not null] [default default_value] [Kunci Utama]

Kekangan integriti pangkalan data Oracle dapat memastikan ketepatan data, termasuk: tidak null: nilai null dilarang; Unik: Keunikan menjamin, membolehkan nilai null tunggal; Kunci utama: kekangan utama utama, menguatkan unik, dan melarang nilai null; Kunci asing: Mengekalkan hubungan antara jadual, kunci asing merujuk kepada kunci utama jadual utama; Semak: Hadkan nilai lajur mengikut syarat.

Pertanyaan bersarang adalah cara untuk memasukkan pertanyaan lain dalam satu pertanyaan. Mereka digunakan terutamanya untuk mendapatkan data yang memenuhi syarat kompleks, mengaitkan pelbagai jadual, dan mengira nilai ringkasan atau maklumat statistik. Contohnya termasuk mencari pekerja di atas gaji purata, mencari pesanan untuk kategori tertentu, dan mengira jumlah jumlah pesanan bagi setiap produk. Apabila menulis pertanyaan bersarang, anda perlu mengikuti: Tulis subqueries, tulis hasilnya kepada pertanyaan luar (dirujuk dengan alias atau sebagai klausa), dan mengoptimumkan prestasi pertanyaan (menggunakan indeks).

Oracle adalah syarikat perisian Sistem Pengurusan Pangkalan Data (DBMS) terbesar di dunia. Produk utamanya termasuk fungsi berikut: Sistem Pengurusan Pengurusan Pangkalan Data Relasi (Oracle Database) Alat Pembangunan (Oracle Apex, Oracle Visual Builder) Middleware (Oracle Weblogic Server, Oracle SOA Suite) Analisis Awan (Oracle Cloud Infrastructure)

Artikel ini menerangkan cara menyesuaikan format log Apache pada sistem Debian. Langkah -langkah berikut akan membimbing anda melalui proses konfigurasi: Langkah 1: Akses fail konfigurasi Apache Fail konfigurasi Apache utama sistem Debian biasanya terletak di /etc/apache2/apache2.conf atau /etc/apache2/httpd.conf. Buka fail konfigurasi dengan kebenaran root menggunakan arahan berikut: Sudonano/etc/Apache2/Apache2.conf atau Sudonano/etc/Apache2/httpd.conf Langkah 2: Tentukan format log tersuai untuk mencari atau
