返回首页
最新
我厌倦了每次签署重要文件时都要翻阅一大堆法律文本，因此我开发了一个Chrome扩展，它利用人工智能来：
- 识别红旗和可疑条款——在你阅读在线合同时，它会实时自动高亮显示风险区域。
- 评估合同的安全性——基于行业标准的风险参数，它会给出一个一目了然的评分，让你了解文件可能存在的风险。
- 简化术语——它会生成关键点的快速摘要，免去你逐段详细阅读的麻烦。
再也不用凭直觉或运气签字了！
目前，这个扩展处于测试阶段，任何加入候补名单的人在发布当天都可以享受50%的折扣。这个工具对我自己的心理健康帮助很大——尤其是那些看起来设计得让你永远滚动的多页电子合同。
我非常欢迎任何反馈或想法，以便让我能让这个工具更有价值。
简而言之：我制作了一个变换器模型和一个封装库，用于将文本分割成有意义的语义块。<p>目前的文本分割方法依赖于启发式算法（尽管可以使用神经嵌入器将语义相关的句子进行分组）。<p>我提出了一种完全基于神经网络的语义分块方法。<p>我使用基础的DistilBERT模型，并在一本书的语料库上进行了训练，以将连接在一起的文本段落分割成原始段落。基本上，这是一个标记分类任务。模型的微调在两块1080Ti显卡上花费了一天半的时间。<p>这个库可以用作RAG系统中的文本分割模块，或者用于分割转录文本等。<p>我看到的使用模式如下：去掉所有标记标签以生成纯文本，然后将该文本输入模型。<p>问题在于，尽管理论上这应该提高整体RAG管道的性能，但我没有成功地进行准确测量。其他限制包括：目前模型仅支持英语，输出文本为小写。<p>请试用一下。我将非常感谢您的反馈。<p>Python库：<a href="https://github.com/mirth/chonky">https://github.com/mirth/chonky</a><p>变换器模型：<a href="https://huggingface.co/mirth/chonky_distilbert_base_uncased_1" rel="nofollow">https://huggingface.co/mirth/chonky_distilbert_base_uncased_...</a>
我和我的同事们写了一篇论文，并将其整合到变换器中。<p>它在准确性和速度上都优于NF4。<p>我们已经压缩了hf模型，供大家尝试：<a href="https://huggingface.co/collections/ISTA-DASLab/higgs-675308e432fd56b7f6dab94e" rel="nofollow">https://huggingface.co/collections/ISTA-DASLab/higgs-675308e...</a>
我制作了一个基于浏览器的TI-84计算器，无需安装或登录即可使用。<p>这对于没有实体计算器的学生或需要快速检查某些内容的人非常有用。<p>欢迎反馈或建议！
我们刚刚发布了RxInferServer的Python SDK，使得Python开发者能够使用托管在RxInferServer上的模型进行远程贝叶斯推断。
<p>什么是RxInfer？
https://reactivebayes.github.io/RxInfer.jl
<p>RxInfer.jl是一个为反应式消息传递和概率编程设计的Julia包。它支持在复杂模型中进行实时贝叶斯推断，支持精确推断和变分推断算法。
<p>主要特点：
- 远程模型执行：可以直接从Python调用托管在RxInferServer上的RxInfer模型。
- OpenAPI规范：RxInferServer提供OpenAPI接口，便于无缝集成和客户端生成。
- Julia互操作性：经过少量修改，RxInferServer可以执行任意Julia代码，而不仅限于RxInfer模型。
<p>示例笔记本：状态空间模型示例
https://lazydynamics.github.io/RxInferClient.py/examples/state-space-model/
<p>服务器文档
https://server.rxinfer.com
<p>Python SDK代码库
https://github.com/lazydynamics/RxInferClient.py
<p>我们欢迎开发者社区的反馈，特别是那些对将贝叶斯推断集成到Python工作流程或探索跨语言模型执行感兴趣的开发者。