幻觉缓解算法 - 减少大模型错误生成

通过从专家模型的对数几率中减去业余模型的对数几率（按温度缩放），对比解码放大了专家模型的优势，抑制了业余模型也可能犯错的高置信度错误，从而提升事实准确性。不同于标准的检索增强生成（RAG）在生成前仅检索一次上下文，该方法在每一步解码时都动态检索与当前前缀相关的证据，并调整词汇分布以提升检索证据中出现的实体与关系token的概率。这种细粒度的检索干预能够有效纠正生成过程中的事实偏离。通过在特定架构约束下调整参数空间中的知识分布，可以建立更鲁棒的事实关联，同时培养模型对自身知识边界的元认知能力。

本人是某双一流大学硕士生，也最近刚好准备参加 2024年秋招，在找大模型算法岗实习中，遇到了很多有意思的面试，所以将这些面试题记录下来，并分享给那些和我一样在为一份满意的offer努力着的小伙伴们！！！

最近这一两周不少公司都已经停止秋招了。不同以往的是，当前职场环境已不再是那个双向奔赴时代了。求职者在变多，HC 在变少，岗位要求还更高了。最近，我们又陆续整理了很多大厂的面试题，帮助一些球友解惑答疑，分享技术面试中的那些弯弯绕绕。多模态大模型（Multimodal Large Language Models, MLLMs）在视觉问答、OCR等诸多多模态任务上取得了令人印象深刻的表现。然而，已有MLLMs仍然会生成和视觉内容不一致的回复，即幻觉现象（Hallucination）。

iRAG技术通过结合检索和生成技术，显著减少了大模型在生成图片时的幻觉问题，提升了生成内容的准确性和可靠性。这一技术不仅在文生图领域表现出色，还在多模态内容生成中展现了强大的能力。

幻觉指模型生成内容与可验证事实、用户指令或上下文逻辑不一致的现象，包括。

本文旨在为读者提供关于RLHF技术的全面理解，特别是其在解决对话系统"幻觉"问题(即AI生成不准确或虚构信息)方面的应用。我们将覆盖从基础理论到实践应用的完整知识链。文章首先介绍核心概念，然后深入RLHF的技术细节，接着通过实际案例展示应用方法，最后讨论未来发展方向。幻觉(Hallucination)：AI生成看似合理但实际上不正确或没有依据的信息的现象：基于人类反馈的强化学习技术奖励模型(Reward Model)：用于评估AI生成内容质量的机器学习模型核心概念回顾对话系统幻觉。

像调试代码一样debug出导致幻觉的元凶

什么是循环神经网络（RNN）？前面学过的CNN（卷积神经网络）擅长处理图像这种空间结构数据，但它没法处理文本中这种先后的联系。比如，看一句话我今天心情好，CNN可以提取每个字的特征，但它不知道"今天"在"心情"前面，也不知道"我"是这句话的主语。而RNN的核心思想是：网络在处理当前时刻的输入时，会同时记住上一时刻的状态，然后把两者结合起来做判断。这次做实验让我对RNN有了简单理解。简单说，RNN 就是一个会记事的神经网络。

本研究开发了一套基于YOLOv11深度学习模型的棉花叶片病虫害智能检测系统。该系统通过构建大规模病虫害图像数据库进行模型训练，实现了对棉花叶片病虫害的高精度识别和实时检测，准确率达95%以上。系统采用模块化设计，包含数据采集、模型训练、实时检测和结果展示四大核心功能，支持用户上传照片获取病虫害类型、位置及防治建议。研究成果为农业病虫害防治提供了智能化解决方案，未来计划拓展多作物识别功能，结合物联网技术构建智能农业服务平台，推动农业生产现代化进程。该系统有效解决了传统人工检测效率低、误差大的问题，具有显著应用

深度学习方向需要指导的朋友请私信！！！

RTD-Net是一个单阶段检测网络，它直接从输入图像预测目标的位置和类别，然后通过非最大抑制（NMS）处理来获取最终检测结果。网络设计考虑了检测精度和速度的平衡，特别适用于资源受限的嵌入式设备。

本文系统梳理了R-CNN系列目标检测算法的技术演进历程，从基础CNN到前沿DeformableDETR，揭示了计算机视觉领域的关键突破与设计思想。主要内容包括： 基础架构演进 CNN作为特征提取器 R-CNN开创性工作（选择性搜索+SVM） Fast R-CNN引入RoI池化 Faster R-CNN提出RPN网络 后续Mask R-CNN等扩展任务边界 核心技术创新 特征共享机制（计算效率提升2000倍） 端到端训练范式 多尺度处理（FPN特征金字塔） 几何形变建模（可变形卷积） 前沿发展 Deforma

本文介绍了反向传播神经网络(BP神经网络)的发展历程与基本原理。文章首先回顾了人工神经网络的历史沿革，从1930年的ADALINE网络到1980年代BP算法的提出，重点阐述了BP神经网络的核心思想及其在深度学习中的重要性。BP神经网络通过误差反向传播和梯度下降优化参数，由输入层、隐含层和输出层组成，能够有效解决非线性问题。文中还展示了BP神经网络的结构示意图，并强调了其在模式识别、函数逼近等领域的广泛应用。作为深度学习的基础，BP神经网络至今仍是重要的研究方向。

YOLO实例分割工业圆形仪表指针读数识别数据集｜电力电表电流电压表深度学习视觉实战仓库10472期

本周正式跨入序列数据处理的领域，主要围绕循环神经网络（RNN）展开了深度的理论学习与代码实战。与之前处理静态图像的 CNN 不同，本周学习的 RNN 核心在于其特有的隐藏状态（Hidden State）。它能够将前一个时间步的信息传递给下一个时间步，这使得网络具备了理解上下文因果关系的能力。在实战中，我们掌握了如何将传统的二维表格数据（心血管生理指标）转化为 RNN 所需的三维张量格式 (样本数, 时间步长, 特征数)，为后续的时序网络处理打下了坚实的数据基础。

本项目是一个基于 Django 和 PyTorch 的中草药图像识别系统。用户可以在网页端上传中草药图片，选择深度学习模型后完成识别，系统返回对应类别和识别概率。项目已统一为中草药识别主题，页面文案、类别索引和训练默认数据集均与 Chinese_Medicine 数据集保持一致。本项目完成了从中草药数据集组织、模型训练、预测脚本到 Django 页面展示的完整闭环，适合作为图像分类课程设计、毕业设计或深度学习项目案例。

本文为《神经网络与深度学习》（蒲公英书）第1章的学习笔记

本文综述了卷积神经网络（CNN）在计算机视觉领域的架构研究进展，重点探讨了图像分类、目标检测和视频预测三大任务。文章详细介绍了CNN的基本组件（如梯度下降、批归一化、Dropout等）及其优化方法，分析了LeNet、AlexNet、VGG、ResNet等经典模型的演进与创新。在目标检测领域，比较了两阶段（R-CNN系列）和一阶段（YOLO系列）检测器的性能特点。视频预测部分则讨论了基于LSTM、Transformer等模型的时序预测方法。文章还总结了CNN面临的挑战（如模型解释性、计算成本等）和未来方向。