检索增强生成（Retrieval Augmented Generation，RAG）是一种强大的工具，它通过将企业外部知识整合到生成过程中，增强了大语言模型（LLM）的性能。 第一、自定义知识库（Custom Knowledge） 定制知识库是指一系列紧密关联且始终保持更新的知识集合，它构成了 RAG 的核心基础。这个知识库可以表现为一个结构化的数据库形态（比如：MySQL），也可以表现为一套非结构化的文档体系（比如：文件、图图片、音频、视频等），甚至可能是两者兼具的综合形式。 第二、分块处理（Chun

日本的一个研究小组发布了Fugaku-LLM，一个大型语言模型(1)具有增强的日语能力，使用RIKEN超级计算机Fugaku。该团队由东京工业大学的Rio Yokota教授、东北大学的Keisuke Sakaguchi副教授、富士通株式会社的Koichi Shirahata、RIKEN的Mohamed Wahib团队负责人、名古屋大学的Koji Nishiguchi副教授、CyberAgent， Inc的Shota Sasaki和Kotoba Technologies Inc.的Noriyuki Koj

浏览器创新者 Opera 将 Opera One 浏览器中增加对大约 50 个模型系列的 150 个本地 LLM（大型语言模型）变体的实验性支持。这一举措将使得用户可以通过浏览器的内置功能，轻松访问和管理本地的LLM。这些本地AI模型是Opera在线Aria AI服务的免费补充。受支持的本地 LLM 包括： Llama from Meta Vicuna Gemma from Google Mixtral from Mistral AI And many families more 使用本地的大型语言模型

自ChatGPT为代表的大语言模型（Large Language Model, LLM）出现以后，掀起了新一轮研究和应用浪潮，出现了许多包括LLaMA、ChatGLM、Baichuan、Qwen等在内的通用模型。 随后，来自不同领域的人们基于通用模型通过持续预训练/指令微调将其应用于垂直领域。 本项目旨在收集和梳理垂直领域的开源模型、数据集及评测基准。 欢迎大家贡献本项目未收录的开源模型、数据集、评测基准等，一起推动大模型赋能各行各业！ 通用模型 领域模型通常在通用模型的基础上进行持续预训练或指令微调得