?日报&周刊合集 | ?生产力工具与行业应用大全 | ? 点赞关注评论拜托啦！
? Runway AIFF 2024 | 第二届AI电影节，作品提交进入50天倒计时
https://aiff.runwayml.com
补充一份背景：AIFF 全程是 AI Film Festival (AI电影节)，由 Runway 举办，旨在庆祝艺术家们拥抱新兴AI科技并用于电影制作；AIFF 2023是第一届，今年的 AIFF 2024 将这项「科技+电影」的盛会带入第二届~
当最先进的AI技术被用于影视制作，会有怎样炫酷的呈现呢？！AIFF 2024 可能会给到你一些答案！? 截图展示了本次赛程时间分布，2月底截至提交后，评委团进入评选环节，最终获奖团队将共享超过 60,000 美元的总奖金池。感兴趣的话点击链接可以查看全部信息~
官方给出的提交标准非常简明，满足以下三条即可：
1) 时长1-10分钟
2) 在创作过程中包含AI驱动的工具，这包括但不限于生成式AI
3) 使用 Runway 链接提交
https://aiff.runwayml.com/2023
官方页面还可以看到 ? 上一届获奖作品、制作人及其所获奖项名称，还有对应奖项的获奖金额等信息。点击左侧按钮，还可以播放这些视频。
? 第14届北京国际电影节 | AIGC电影短片单元，启动全球征片
第十四届「北京国际电影节」率先开启AIGC短片展映及评选，探索人工智能如何挑战和重塑传统的电影叙事。
主办方不仅提供专业的AI技术支持和创作指导，还给获奖作品提供电影节的展映机会，创作者也可以与全球著名导演、制片人及行业专家进行交流。
征集时间
2024年1月15日 至 2024年3月31日征集要求
短片时长：1 - 10分钟
技术要求：短片创作中，在叙事手法、影像美学、视觉特效、声音创作等等方面巧妙融合人工智能技术，并在提交作品时进行简短的书面描述
主题自由：鼓励自由探索科技与艺术的交汇，创作具有深度和意义的作品
参与资格：鼓励具有创新思维和实验精神的全球青年影人：学生、独立电影人、AI技术爱好者等 ⋙ 了解更多
? 中国美术学院 X 腾讯互娱 | 「时空博物馆」AIGC 数字艺术创作大赛，全球作品征集
http：//museum.caacosmos.com/
「时空博物馆」是由中国美术学院和腾讯互娱主办、多家博物馆联合主办、众多权威机构承办的一项活动，目的是与广大在校学生、艺术家与设计师们共同搭建一座数字艺术的博物馆，带领着人类文明的魅力一起穿越时空。
参赛作品需要是基于 AIGC 生成的动态影像、图像、音乐、文本等，进入主赛道、历史印记、传世匠心、书画韵味、传说之下、合作赛道等参与评审。主办方为优秀作品提供了丰厚的奖金。
征集时间
2023年12月10日 至 2024年1月25日作品提交要求
视频要求：时长不超过3分钟，格式为 MP4，画面比例自定，文件大小不超过100mb，可配字幕，但不得以任何形式出现个人信息
图片要求：10张以内，JPG格式，画面比例自定，解析度300ppi，RGB色彩模式，单张图片大小不超过 10MB ⋙ 了解更多
? 六类提示工程最佳实践，有效提高大语言模型的输出质量
https://mphr.notion.site/Prompt-Engineering-Best-Practices-0839585d4bce4c6abb0b551b2107a92a
补充一份背景：提示词 (Prompt) 是指与大语言模型交互时，用来指导模型产生特定输出的简短描述或指令；
提示工程 (Prompt Engineering) 是一种利用提示词来优化大语言模型输出的技术，提示工程师们通过精心设计和优化提示词，从而达到期望的输出效果
这是一篇提示工程 (Prompt Engineering) 的实践经验总结文章。作者可是把干货都掏出来了呀，还给了不少例子！原文篇幅不长但知识点慢慢，果断加入收藏清单呀！
清晰且具体的指令 (Clear and Specific Instructions)提供详细背景：为问题提供详细的上下文，减少歧义，从而降低无关或错误输出的可能性
使用分隔符：通过使用如章节标题、三重引号、三重反引号、三重破折号、尖括号等分隔符来清晰地指示输入的不同部分
指定输出格式或长度：例如，让模型扮演特定角色，或指定输出的长度
给模型思考的时间 (Give the Model Time to Think) 链式推理：通过要求模型逐步思考，可以减少推理错误 (例如可以添加「Think step by step」的提示) 多次提示模型 (Prompt Multiple Times) 调整参数：通过改变温度 (Temperature) 、示例数量 (Shots) 和提示的直接性 (Prompt) 来生成多个响应，并确定最佳答案 引导模型 (Guide the Model)处理长文档：如果文档过长，引导模型逐步处理并递归构建完整摘要
自我纠正：如果模型开始时回答错误，引导模型自我纠正 (例如通过提问「Are you sure about your answer?」)
避免引导性问题：确保问题开放性，不要引导模型给出特定答案
分解任务或提示 (Break Down the Task or Prompt)将复杂任务分解为简单任务：通过分解任务，语言模型可以一次专注于一个方面，减少复杂任务中常发生的误差，还可以解决成本
例如，如果用户需要巴黎旅行的建议，可以将任务分解为单独的意图 (如打包建议、餐饮推荐和公共交通指导)，然后 LLM 可以针对每个意图分别提供定制的建议
使用外部工具 (Use External Tools)可以借助外部工具，将 LLM 的自然语言处理能力与外部工具的专业功能结合起来，从而提高整体的工作效率和准确性
Calculator (计算器) ：LLM 在数学计算方面可能不够精确，使用计算器可以显著提高模型在数学问题上的表现
RAG (信息检索) ： 通过连接LLM到一个智能的信息检索系统，可以更有效地检索信息
Code Execution (代码执行) ：使用代码执行功能或调用外部 API，来执行和测试由 LLM 创建的代码
External Functions (外部函数) ：为 LLM 定义外部函数，如send_email()、get_current_weather()或get_customers()，这些函数可以在用户的端执行，并将结果返回给模型
? 万字长文！手把手教你构建**基于RAG的LLM应用，并部署到生产环境
https://github.com/ray-project/llm-applications
https://www.anyscale.com/blog/a-comprehensive-guide-for-building-rag-based-llm-applications-part-1
这是一份超级详细的开发指南，一步一步地介绍如何基于RAG (检索增强生成)构建 LLM 应用并将其部署到生产环境中。
文章不仅有大量的结构示意图，还附上了实践代码，并且强调了开发过程中可能遇到的挑战以及解决方式，包括如何通过增加上下文来提高答案质量、如何通过调整块大小/使用不同的嵌入模型来优化性能、如何通过持续迭代和数据飞轮来改进应用程序等。宝藏好文！收藏 +1
文章要点简述
? 开发：一个从头开始的基于检索增强生成 (RAG) 的 LLM 应用程序
? 扩展：主要工作负载 (加载、分块、嵌入、索引、服务等) 到具有不同计算资源的多个工作者
✅ 评估：应用程序的不同配置，以优化每个组件 (例如 retrieval_score) 和整体性能 (quality_score)
? 实施：在开源与闭源LLM之间的混合代理路由方法，创建性能最佳且成本效益最高的应用程序
? 服务：以高度可扩展和可用的方式提供应用程序
? 学习：如何通过微调、提示工程、词汇搜索、重新排名、数据飞轮等方法影响应用程序的性能
RAG 应用开发的全流程概述
概述 (Overview)
介绍了RAG应用程序的开发，旨在通过结合外部数据源来扩展 LLM 的能力，特别是针对 Ray 框架的文档向量数据库创建 (Vector DB creation)
加载数据：使用 wget 命令从 Ray 文档网站下载 HTML 文件到本地目录
分节：开发函数提取 HTML 页面中的各个部分，并将其保存为字典列表，映射文本到特定 URL 和部分锚点 ID
分块数据：将每个部分的文本分割成较小的块，以减少噪声并提高检索效率
嵌入数据：使用预训练模型 (如OpenAIEmbeddings) 将数据块嵌入到向量空间中，以便快速检索
索引数据：将嵌入的数据块存储在 Postgres 数据库中，使用 pgvector 进行高效检索
查询检索 (Query Retrieval)
使用嵌入模型对查询进行嵌入，然后从数据库中检索最相关的数据块响应生成 (Response Generation)
代理：结合上下文检索和LLM生成响应，创建了一个方便的查询代理评估 (Evaluation)
评估器：定义一个评估器来评分和评估响应质量，使用GPT-4作为评估器
冷启动：在没有准备好的问题和答案数据集的情况下，使用LLM生成问题
LLM实验 (LLM Experiments)
工具：定义了一些实用函数来帮助实验流程，包括生成响应和评估响应
上下文：测试额外上下文对答案质量的影响
分块大小：探索不同分块大小对检索和质量的影响
分块数量：测试使用不同数量的分块对性能的影响
嵌入模型：比较不同嵌入模型的性能
开源与闭源LLM：评估开源和闭源 LLM 的性能
MoEs无上下文：测试没有上下文的 MoEs 性能
微调 (Fine-tuning)
合成数据集：创建一个用于微调嵌入模型的合成数据集，通过生成问题和答案
训练数据：将数据集分为训练和验证集
验证：使用信息检索评估器进行验证
嵌入模型：初始化嵌入模型进行微调，包括全参数和仅嵌入层的微调
调整tokenizer：调整 tokenizer 以包含新词汇，能更好地表示数据
提示工程 (Prompt engineering)
探索了不同的提示工程方法，以提高LLM的性能词汇搜索 (Lexical search)
BM25：使用 BM25 算法进行词汇搜索，以补充基于嵌入的检索
语义：比较词汇搜索与基于嵌入的检索
词汇实验：将词汇搜索结果纳入检索工作流程，以提高检索的准确性
重新排名 (Reranking)
数据集：创建了一个数据集，用于训练一个模型来预测文档部分的相关性
预处理：对数据进行预处理，以改善其表示
训练：训练一个简单的逻辑回归模型进行重新排名
测试：评估重新排名模型的性能
重新排名实验：在检索后应用重新排名模型，以优化检索结果的顺序
成本分析 (Cost analysis)
分析了不同配置的成本效益，包括提示和采样定价，以及如何根据成本和性能进行权衡路由 (Routing)
描述了如何根据查询的复杂性或主题将查询路由到适当的 LLM，以实现性能和成本的最佳平衡服务 (Serving)
使用 Ray Serve 和 FastAPI 部署 RAG 应用程序，以实现可扩展和高效的服务数据飞轮 (Data flywheel)
描述了如何通过用户反馈和数据迭代来持续改进应用程序，包括自动重新索引和评估影响 (Impact)
讨论了 RAG 应用程序对产品和生产力的积极影响，以及如何作为基础代理支持其他 LLM 应用程序的开发了解更多 (Learn more)
使用 Ray 和 Anyscale 来扩展和生产化 LLM 应用程序的资源和联系方式，以及参与 Ray 和 Anyscale 社区的方式? 人类如何应对「AI+编程」的冲击：三类程序员策略各异
https://stackoverflow.blog/2023/12/11/three-types-of-ai-assisted-programmers
AI工具的代码能力在逐渐成熟，「AI+编程」成为越来越高频出现的话题。我们都要掌握编程技能么？使用AI工具编程可以一劳永逸么？程序员会因此全部失业么？
这篇文章把用户分为没有编程经验、新手程序员、资深程序员三类，分别讨论了AI工具对他们的帮助，以及可用场景和使用建议等，很中肯也很专业。看看你在哪一类呀~
没有编程经验
AI编程工具如 ChatGPT 能够快速生成代码片段，对于没有编程经验的人来说相当有吸引力，给人一种破解行业壁垒的感觉；但是这些AI工具生成的代码质量不一，虽然能够运行但可能不够可靠、可维护、安全或无bug
对于没有编程经验的人来说，AI工具可能不适合构建复杂的应用程序，但可以用于生成一次性的SQL查询、VBA宏等，或者帮助快速实现&验证一些想法
新手程序员
对新手程序员来说，AI工具可以减轻大量工作压力，但需要警惕的是过度依赖AI可能导致浅尝辄止并因此影响个人能力成长
更安全的做法是用它来学习和理解代码，例如生成代码示例或将生成内容与自己写的进行比较，而不是完全依赖它来生成代码
资深工程师
资深工程师可以使用AI工具提高开发速度，并将节省的时间用来提升代码质量和软件架构可持续性
AI生成的代码，需要资深工程师进行审查和重构，以确保质量合格；以及遇到不熟悉的编程语言或制作快速原型时，AI工具的提效作用将更加明显
? 头豹研究院 X 沙利文 | 2023中国大模型「行研」能力评测报告
ShowMeAI知识星球资源编码：R217
补充一份背景：行研，也就是行业研究，指的是通过分析特定行业的定义、竞争格局、市场规模等关键方面，产出深刻洞察和观点；弗若斯特沙利文 (Frost & Sullivan) 是一家权威调研机构
这份报告很有意思，是「行业研究」这个细分领域里的国产大模型能力评估。原报告对12个国产大模型进行了多维度的平度，并且给出了非常详细的评估标准、过程和结果。
? 这两张图是核心结论图，可以看出在「行业研究」场景下国产大模型能力排名，以及在报告撰写能力、行研基础能力、行业理解能力这三个细分方向上的评估结果。? 以下是更细致的报告页面，感兴趣可以下载报告原文。
? 多伦多大学2024冬季最新课程 | CSC2547: AI Alignment
https://alignment-w2024.notion.site/CSC2547-AI-Alignment-b44359978f3a4a8f95c90adb0a6e7d53
补充一份背景：AI Alignment (人工智能对齐) ，指的是人工智能系统的目标和行为与人类的价值观、意图和长远利益相一致
注意！课程时间安排、视频、资料、讲座、作业等等都还没有！因为是新课，还没公布这些信息~ 感兴趣可以关注下课程页面，跟着一起打卡学习啦~
随着人工智能技术的发展，尤其是通用人工智能 (AGI) 的出现，使得AI系统可能会在没有人类直接监督的情况下自主追求目标，甚至忽视人类的安全和福祉。所以 AI Alignment 的研究非常必要。
不过，AI Alignment 是一个新兴的研究领域，新的研究成果和理论不断涌现但都还没形成体系。所以，超级期待 Roger Grosse 教授这门课程，可以跟着课程进行系统学习啦！！
根据课程页面介绍，课程前半部分关注强大的AI系统的理性模型 (包括最优规划者和通用归纳)，课程后半部分关注大语言模型的实践安全性和对齐技术 (包括从人类反馈中学习的强化学习、机制解释性、健壮无害性、可扩展的监督等)。
感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们！
◉ 点击 ?日报&周刊合集，订阅话题 #ShowMeAI日报，一览AI领域发展前沿，抓住最新发展机会！
◉ 点击 ?生产力工具与行业应用大全，一起在信息浪潮里扑腾起来吧！