총 257건 · 필터: AI KIT
LLM 정렬을 위한 간단한 선호 최적화. 더 나은 성능(알파카에발 2.0에서 +6.4점)으로 DPO에 대한 참조 없는 대안. 참조 모델이 필요 없으며 DPO보다 더 효율적입니다. DPO/PPO보다 더 간단하고 빠른 훈련을 원할 때 선호도 정렬에 사용하세요.
TRL에서 직접 선호 최적화 손실 변형에 대한 완전한 가이드.
강화 학습을 사용하여 LLM을 미세 조정하려면 TRL - SFT를 사용하고, 선호도 정렬을 위한 DPO를 사용하며, 보상 최적화를 위한 PPO/GRPO를 사용하며, 보상 모델 훈련을 수행합니다. 필요할 때 RLHF를 사용하거나, 모델을 선호도에 맞추거나, 사람의 피드백을 받아 훈련하세요. 허깅페이스 트랜스포머와 함께 작동합니다.
Supabase의 사후 성능 최적화 및 모범 사례. Postgres 쿼리, 스키마 디자인 또는 데이터베이스 구성을 작성, 검토 또는 최적화할 때 이 기술을 사용하세요.
포스트그레스 연결은 비용이 많이 듭니다 (각각 1-3MB RAM). 풀링이 없으면 애플리케이션은 로드 상태에서 연결을 소진합니다.
스키마 설계, 마이그레이션, 쿼리 최적화, 관계 모델링 및 데이터베이스 작업을 위한 Prisma ORM 전문가. 프리스마 스키마 문제, 마이그레이션 문제, 쿼리 성능, 관계 설계 또는 데이터베이스 연결 문제에 대해 능동적으로 사용하세요.
전체 코드베이스를 한 줄씩 자율적으로 심층 스캔하고 아키텍처와 패턴을 이해한 다음, 최적화된 프로덕션 등급의 기업 수준 전문 품질로 체계적으로 변환합니다
신속한 엔지니어링 패턴, 모범 사례 및 최적화 기법에 대한 전문가 가이드. 사용자가 프롬프트를 개선하고, 프롬프트 전략을 배우거나, 에이전트 동작을 디버깅하고 싶을 때 사용하세요.
프롬프트와 모델 가중치를 개선하기 위한 DSPy의 최적화 알고리즘에 대한 완전한 가이드.
선언적 프로그래밍을 사용하여 복잡한 AI 시스템을 구축하고, 프롬프트를 자동으로 최적화하며, DSPy를 통해 모듈식 RAG 시스템 및 에이전트를 생성하세요 - Stanford NLP의 체계적인 LM 프로그래밍 프레임워크
퍼퍼리브의 벡터화 시스템은 EnvPool에서 영감을 받은 최적화된 구현을 통해 초당 수백만 걸음의 고성능 병렬 환경 시뮬레이션을 가능하게 합니다. 시스템 supo
파이무에서 사용할 수 있는 최적화 알고리즘에 대한 포괄적인 참조.
pymoo의 벤치마크 최적화 문제에 대한 포괄적인 참조.
다목적 최적화 프레임워크. 엔지니어링 설계 및 최적화 문제를 위한 NSGA-II, NSGA-III, MOEA/D, 파레토 전선, 제약 처리, 벤치마크(ZDT, DTLZ).
PyOpenMS는 소분자에 최적화된 특징 감지, 부가물 그룹화, 화합물 식별 및 메타버스와의 통합을 포함한 비표적 대사체학 분석을 위한 전문 도구를 제공합니다
오라클은 특정 차원에서 생성된 분자의 품질을 평가하는 기능입니다. TDC는 새로운 약물 설계에서 분자 최적화 작업을 위한 17개 이상의 오라클 기능을 제공합니다.
Qiskit는 최적화, 화학, 기계 학습 및 물리 시뮬레이션을 위한 다양한 양자 알고리즘을 지원합니다.
Qiskit 패턴은 도메인별 양자 컴퓨팅 문제를 네 단계로 해결하기 위한 일반적인 프레임워크를 제공합니다: 매핑, 최적화, 실행 및 후처리.
트랜스필레이션은 잡음이 있는 양자 컴퓨터에서 실행을 최적화하면서 특정 양자 장치의 토폴로지와 게이트 세트에 맞게 양자 회로를 다시 작성하는 과정입니다.
양자 회로를 구축, 최적화 및 실행하기 위한 포괄적인 양자 컴퓨팅 툴킷입니다. 양자 알고리즘, 시뮬레이션 또는 양자 하드웨어 작업 시 사용: (1) 게이트와 측정을 포함한 양자 회로 구축, (2) 양자 알고리즘(VQE, QAOA, 그로버) 실행, (3) Tr