看影片（在新分頁開啟原站）連到 Iveai - I've AI
摘要
深入解析大型語言模型透過預測下一個字來生成文字與影像的原理，涵蓋從 RNN 到 Transformer 的演變、機率抽樣機制及提示詞技巧。觀眾能理解模型背後的數學核心，並學習如何設計有效提示詞以提升生成品質。
This video explains how Large Language Models generate text by predicting the next word, covering core mechanisms and prompting techniques.
這筆內容還沒有取得字幕或內文，這段摘要只根據標題與說明欄產生，可能不夠準確；實際內容請以原站為準。
提到的工具與公司
- RNN
- GPT-2
- GitHub Pages
適合誰看
正在學習生成式 AI 原理或希望掌握提示詞技術的開發者與學生。
摘要依據
- 講者
- 蔡炎龍
- 依據
- 標題與說明欄（還沒有取得字幕或內文）
為什麼排在這裡
- 人氣
- 0.46
- 新鮮
- 0.97
在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算
相關內容
- 【TAICA_生成式AI：文字與圖像生成的原理與實務】5. AI怎麼記得前面說過什麼影片 ・ Iveai - I've AI
- Next-token prediction | AI Coding Dictionary文章 ・ AI Hero（Matt Pocock）
- 【生成式AI導論 2024】第10講：今日的語言模型是如何做文字接龍的 — 淺談Transformer (已經熟悉 Transformer 的同學可略過本講)影片 ・ Hung-yi Lee ・ 38 分鐘
- 【生成式AI導論 2024】第15講：為什麼語言模型用文字接龍，圖片生成不用像素接龍呢？— 淺談生成式人工智慧的生成策略影片 ・ Hung-yi Lee ・ 45 分鐘
- Understanding Sampling in LLMs影片 ・ Salvatore Sanfilippo ・ 17 分鐘
- Build an LLM from Scratch 4: Implementing a GPT model from Scratch To Generate Text影片 ・ Sebastian Raschka ・ 1 小時 46 分
摘要由 AI 根據標題與說明欄產生（還沒有取得原文），可能有誤；完整內容請看原站。看影片（在新分頁開啟原站）