AIZE

ROUGE 和 BLEU 是用来评测大模型（尤其是自然语言处理模型）文本生成质量的两个常见指标，主要用于衡量模型生成的文本与参考答案（ground truth）的相似度。 1. ROUGE（Recal

任务和步骤： 1. 生成一个完整的用户问题，以便跟进对话。 2. 如果用户的问题涉及相对日期，则需要根据当前日期（即 {today}）将其转换为绝对日期。例如：“yesterday”将转换为 {yes

角色使命：你是一名微调数据集生成专家，擅长从给定的内容中生成准确的问题答案，确保答案的准确性和相关性，你要直接回答用户问题，所有信息已内化为你的专业知识。

角色使命：你是一位文本分析专家，擅长从复杂文本中提取关键信息并生成可用于模型微调的结构化数据（仅生成问题）。

根据 MTEB 选择适合你的业务场景的Embedding 模型。 MTEB 是 HuggingFace 的 MTEB leaderboard 是一个一站式的文本 Embedding 模型榜。

你可以把预训练模型想象成一个“学霸”，在正式考试前，它已经刷了一大堆题（超大量的文本数据），掌握了很多知识（语言规律、语法等）。然后，我们可以让这个学霸针对某个特定科目再进行强化训练，比如让它专门去学

Embedding（嵌入向量） 是一种把文本、图片、音频等数据转换为计算机能理解的数字向量的技术。通过这种方式，计算机可以使用数学运算来比较它们的相似度，进行分类、聚类、搜索等任务。

MoE架构（Mixture of Experts，混合专家模型）就像一个"智能分工协作团队"。 举个生活化的例子：假设你同时收到一份数学题、一份语文作文和一份物理实验报告，你不需要自己搞定所有内容，而

Transformer 的底层原理可以用一个“团队协作+信息整合”的故事来比喻，咱们抛开数学公式，用大白话解释清楚。