搜索:对话语料

共命中 50 条(服务端检索)
IM 语料 RAG:聊天记录与工单对话的知识挖掘
聊天记录与工单藏着组织真实的决策过程,但原始对话碎片化、多主题交织、口语化,直接索引等于把噪音存档。本文讲对话语料的特性、从聊天流到知识条目的提炼管线——话题切分、带锚点的结论提炼与双层索引,以及隐私授权过滤与工单结构化红利的工程处理。
后端技术 精选 · 原创 · 昨天 阅读 2·访客 2
智能体生态观察 · 第 31 篇|语言生态:中文语料、小语种与智能体的本地化机会
语言是智能体能力的隐形地基。本文拆解中文语料的量与质约束、小语种市场的缺口与本地玩家,说明本地化为什么远不止翻译,最后给中文智能体产品出海的语言策略与三条判断问题。
智能体 精选 · 原创 · 11-9 阅读 59·访客 59
语料去重:MinHash 近重复检测与索引瘦身
同一份文件常以五个名字在语料库里出现十次,重复污染检索排序、放大嵌入成本,还让答案偏向被复制最多的内容。本篇讲透重复的三种形态、MinHash 与 LSH 的分桶机制,以及保留哪一份、其余怎么处置的工程决策与持续纪律。
后端技术 精选 · 原创 · 昨天 阅读 3·访客 3
RAG 的安全账:间接提示注入与语料投毒
RAG 把外部内容拼进 prompt,等于亲手打开了指令与数据的边界:恶意文档可以借「检索」进入上下文操纵模型(间接提示注入),污染语料可以直接扭曲答案(语料投毒)。本文讲清两类攻击的机制与真实形态、防护的纵深组合,以及「检索内容永远当数据」这条核心纪律。
大模型 精选 · 原创 · 11-2 阅读 53·访客 53
语料新鲜度监控:陈旧文档的发现、降权与下线
语料库会悄悄变陈——产品改名、流程作废、联系人离职,而过期答案仍被照常检索、引用和相信。本文把新鲜度当作持续运营指标:三类陈旧信号怎么收、评分函数怎么设计、过期候选如何在更新、标注、降权与下线之间分级处置。
后端技术 精选 · 原创 · 昨天 阅读 2·访客 2
语料版权与合规:企业 RAG 的内容许可边界
RAG 把「能检索到」升级成「能逐字引用」,内容许可从后台法务事项变成了产品事故候选。本文区分权限与许可两件事,给出自有、授权、外部三类语料的风险差异,拆解用途链上许可逐级收窄的规律,并落到许可元数据全程穿透与展示层引用截断的工程配套。
后端技术 精选 · 原创 · 昨天 阅读 2·访客 2
多轮对话 RAG:把「那它呢」翻译成能检索的问题
用户第二轮问「那它支持导出吗」——这三个字没法直接检索。多轮对话 RAG 的核心动作是 condense:用对话历史把带指代、带省略的追问改写成独立完整的问题再去检索。本文讲清指代消解与历史压缩的做法、改写偏移的坑、以及「检索结果也要进历史」这个常被忽略的细节。
大模型 精选 · 原创 · 11-2 阅读 64·访客 64
RAG 的对话状态管理:多轮对话中的上下文压缩与继承机制
对话状态不是一个聊天记录数组,而是五层生命周期各异的结构化对象。本文讨论状态分层设计、检索状态继承、结构化压缩优于摘要的原因,以及存储恢复与并发防护的工程细节。
后端技术 精选 · 原创 · 11-9 阅读 60·访客 60
AutoGen 深度解析:对话式多智能体的演进与 AG2 的分叉
微软的 AutoGen 是对话式多智能体的开创者:智能体之间通过消息对话完成任务。本篇拆解 AutoGen 的核心抽象(ConversableAgent 与对话编排)、GroupChat 的群聊机制、v0.4 的异步重构与事件驱动、AutoGen 与 AG2 的社区分叉,以及「对话即接口」范式的能力与代价。
智能体 精选 · 原创 · 11-4 阅读 44·访客 44
ChatGPT 发布,对话式 AI 走向大众
OpenAI 基于 GPT-3.5 系列推出对话式 AI 产品 ChatGPT,上线两个月月活破亿,成为历史上用户增长最快的消费级应用之一,拉开生成式 AI 竞赛的序幕。
行业动态 精选 · OpenAI · 2022-11-30 阅读 51·访客 49
智能体生态观察 · 第 69 篇|轨迹即语料:智能体数据飞轮的成型与争议
聊天记录是语料,智能体轨迹是更贵的语料——每一步工具调用都带着环境反馈,是自带标签的监督信号。本篇分析轨迹语料与静态语料的三点本质差异,拆解数据飞轮的四个环节——沉淀、筛选、蒸馏、回流——及各自工程要点,直面会话所有权、默认开关与蒸馏失真的争议,并观察头部产品的数据优势与监管认知的滞后。
智能体 精选 · 原创 · 昨天 阅读 4·访客 4
语音链路地图:ASR、TTS 与实时对话的延迟账
语音对话「说完—听懂—想好—说出」四段链路各带百毫秒级延迟,叠加起来轻易超过人类对话的停顿预算。本文摊开全链路延迟账本,拆解 VAD、流式识别、首 token 与流式合成各环节,并对比级联与端到端两条架构路线。
研究前沿 精选 · 原创 · 10-6 阅读 1,049·访客 1,046
OpenAI Codex CLI 升级支持语音对话,更新终端界面
IT之家 9 月 30 日消息,在北京时间 9 月 30 日凌晨 1 点举行的 OpenAI DevDay 2026 活动中,OpenAI 宣布 Codex CLI 迎来焕新升级。 Codex CLI 现已支持语音对话**,用户可以直接与 …
智能体 IT之家 · 9-30 阅读 91·访客 91
亲子共读:怎么读比读什么更重要
「读书给孩子听」的研究里最有价值的发现,不是哪份书单成就了学霸,而是阅读方式的决定性作用——「对话式共读」让孩子从听众变成讲述者,语言与认知的收益成倍放大。本文讲清共读各月龄的正确姿势、照本宣科与对话式阅读的差异、以及「孩子只听同一本书」这个经典问题的科学答案。
一叶一世界 精选 · 原创 · 11-2 阅读 104·访客 104
谷歌推出 Gemini 3.8 Live 和 3.8 Live Extended Thinking 实时对话模型,支持 97 种语言切换
IT之家 9 月 16 日消息,当地时间 9 月 15 日,谷歌宣布推出 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking。谷歌称这是其迄今最先进的实时对话模型,在智能和并行推理方面有重…
研究前沿 IT之家 · 9-16 阅读 51·访客 50
多环境语料一致性:开发、预发与生产的数据管道
在开发环境调好的 RAG 上线就翻车,多半是环境间语料分布不同。本文讲三环境语料策略——生产全量真实、预发脱敏快照、开发最小样本加合成语料,快照版本化刷新、脱敏不可逆与权限同构处理,以及评测集从预发构建、真实查询从生产回流的归属原则。
后端技术 精选 · 原创 · 昨天 阅读 2·访客 2
数据投毒:训练语料里的供应链攻击
模型的价值观与能力来自训练语料——如果有人能往语料里「放东西」,就能往模型里「放行为」。数据投毒研究证明:在网络级语料中混入极小比例的恶意样本,就可能植入持久后门。本文讲清投毒的攻击模型、语料时代的现实暴露面、以及「验证成本不可压缩」这条防御的底线逻辑。
研究前沿 精选 · 原创 · 11-3 阅读 75·访客 75
一篇读懂 Prefix Caching:多轮对话省钱的另一半
KV Cache 让一次推理不用重算历史 token,但多轮对话每次都把 10 万字的 system prompt 重发一遍——前缀缓存回答的是「相同前缀算一遍就够,能不能跨请求共享」。本文拆解它为什么必须是前缀、vLLM 哈希链与 SGLang radix tree 的实现差异、四大厂商截至 2026-10 的缓存定价,以及那笔「写 1.25 倍、读 0.1 倍」的账什么时候是赚的、什么时候反亏 25%。
一叶一世界 精选 · 原创 · 10-8 阅读 771·访客 754
A2A 协议入门:智能体之间怎么对话
MCP 连接智能体与工具,A2A 负责智能体之间怎么对话。Google 发起、现由 Linux Foundation 旗下 AAIF 治理,最新版本 1.0(截至 2026-10)。Agent Card 能力发现、Task 状态机、Message/Artifact、SSE 流式与 push notification,一文讲清它与 MCP 的分工与取舍。
智能体 精选 · 原创 · 10-7 阅读 634·访客 624
一篇读懂多轮对话训练:多轮对话数据的构造、训练与评测
多轮能力不是单轮能力的自然涌现——拆解多轮数据的三种构造法、loss 该算在哪一轮的关键决策与真实评测的坑。
大模型 精选 · 原创 · 11-9 阅读 59·访客 58
智能体的人机交互设计:对话式、表单式与混合式交互
对话不是智能体交互的万能答案,本文分析对话式的效率陷阱、表单式与结构化交互的确定性优势、审批门与渐进披露的混合式设计,以及流式输出对感知延迟的改善。
智能体 精选 · 原创 · 11-5 阅读 102·访客 98
中文互联网基础语料 4.0 发布:数据量 120GB,为大模型训练和 AI 发展提供可信数据支撑
IT之家 9 月 15 日消息,据中国网络空间安全协会官方公众号,9 月 15 日(今天)下午,在济南召开的 2026 年国家网络安全宣传周人工智能安全治理分论坛上,中文互联网基础语料 4.0 正式向社会发布, 数据量 120GB ,并在“…
大模型 IT之家 · 9-15 阅读 50·访客 50
拿下 2 亿日活跃用户后,消息称字节跳动豆包收缩对话团队
IT之家 9 月 22 日消息,《晚点 LatePost》今天(22 日)晚间发布消息称,豆包通用 Session 团队正在减员,规模预计减半。该团队此前约有 50 人,**一度是豆包内规模最大的团队**,主要负责豆包的对话(Chat)产品…
大模型 IT之家 · 9-22 阅读 37·访客 37
对话一目科技:用视触觉传感器为机器人补上缺失的「手感」
爱范儿「多样性公司」栏目专访一目科技创始人李智强博士,介绍其厚度迭代至3毫米以下、号称全球最薄可量产的仿生视触觉传感器SENTRA T0,以及触觉感知对机器人灵巧操作的重要性。
行业动态 爱范儿 · 9-29 阅读 126·访客 126
一篇读懂 Chat Template:system prompt 与特殊 token 的隐藏协议
为什么同一段对话,用对 chat template 的模型表现天差地别?对话模型的一切行为都由一张「模板」定义:角色标记、特殊 token、系统提示的位置。本篇拆解 chat template 的结构、各家模板的差异、它如何决定「模型以为自己在跟谁说话」,以及微调与应用时最容易踩的模板坑。
大模型 精选 · 原创 · 11-3 阅读 57·访客 56
一篇读懂 SFT:指令微调怎么把基座模型变成助手
SFT(监督微调)是基座模型变成对话助手的第一步,也是最被误解的一步——它常被当成「教知识」,实际是「教格式与行为」。本篇拆解 SFT 的数据形态、训练细节(epoch、学习率、灾难性遗忘的边界)、常见的失败模式,以及「SFT 教的到底是不是能力」这个核心争议。
大模型 精选 · 原创 · 11-3 阅读 57·访客 56
语音大模型:从 Whisper 到「听说想」一体化
从 Whisper 的 68 万小时弱监督,到 AudioLM、VALL-E 的语音序列建模,再到 GPT-4o Realtime 与 Qwen2.5-Omni 的端到端语音对话,梳理语音大模型的统一建模之路。
研究前沿 精选 · 原创 · 11-9 阅读 56·访客 53
IT早报 0913:央视探访无堂食外卖后厨看到店员徒手抓烤鸡;全国多所高校买商品房当学生宿舍;DeepSeek 灰度测试 AI 语音对话;“支付宝假 App”上热搜...
“IT早报”时间,大家好,现在是 2026 年 9 月 13 日星期日,今天的重要科技资讯有: 1. 外卖新规实施三个月,央视探访看到店员徒手抓烤鸡、明厨亮灶摄像头对着天花板 今年 6 月 1 日起,《网络餐饮服务经营者落实食品安全主体责任…
大模型 IT之家 · 9-13 阅读 57·访客 49
多语言错误率直降 50%:微软升级医患对话 AI 转录引擎,已覆盖全美 1/3 医师
IT之家 11 月 18 日消息,昨日(11 月 17 日)召开的 Ignite 2026 活动中,**微软宣布其医疗 AI 产品 Dragon Copilot Transcribe 已正式采用自研语音识别模型 MAI-Transcribe…
行业动态 IT之家 · 2天前 阅读 9·访客 9
DiskANN 与磁盘索引:内存装不下的大语料
内存单价决定了全内存索引的容量天花板——亿级向量时代,把索引搬上磁盘成了必答题。本文算清全内存的内存账,拆解 DiskANN 的 Vamana 图、内存 PQ 摘要与按需取回全精度向量的协作机制,给出 IO 代价与产品选型的工程权衡。
后端技术 精选 · 原创 · 昨天 阅读 2·访客 2
手撕 BPE 分词器:不到百行 Python 看懂 Tokenizer
用不到百行纯标准库 Python 手撕 BPE 分词器:训练学合并表与编码贪心重放两个阶段拆开讲,小语料实测编码—解码往返一致,再用反例展示预分词正则为什么必不可少,最后对照 GPT-2 与 cl100k 的字节级 BPE、special token 与数字切分。
大模型 精选 · 原创 · 10-7 阅读 434·访客 430
苹果 watchOS 27.3 首个开发者预览版 Beta 上线音频智能功能:支持全天谈话划重点 / 回顾 15 秒对话
IT 之家 11 月 4 日消息,苹果公司今天(11 月 4 日)面向开发者,推送 watchOS 27.3 首个开发者测试版,**为 Apple Watch Series 12 和 Apple Watch Ultra 4 带来 Siri …
行业动态 IT之家 · 11-4 阅读 21·访客 21
对话 vivo 高管:端侧大模型、Harness 与「个人化 AI」的下一步
「个人化」智能 #欢迎关注爱范儿官方微信公众号:爱范儿(微信号:ifanr),更多精彩内容第一时间为您奉上。 ]
大模型 爱范儿 · 9-17 阅读 45·访客 45
OPPO ColorOS 17 设备互联升级:Car+ 车联支持步行导航接续,耳机支持 AI 对话翻译
IT之家 9 月 17 日消息,2026 OPPO 开发者大会正在举行中,OPPO 公布了 ColorOS 17 在设备互联方面的多项新体验,覆盖车机、相机和耳机等场景。 首先,Car+ 车联(手机与车机互联功能)带来全新“步行导航接续”,…
行业动态 IT之家 · 9-17 阅读 75·访客 75
LG 再次回应“电视待机状态会录音”:不会持续记录或传输用户对话
IT之家 9 月 12 日消息,本周早些时候,Gamers Nexus、Level1Techs 和多名独立安全研究人员称,LG 电视会记录并上传用户数据。北京时间 12 日(今天),LG 出面再次反驳这些指控。 LG 通过声明回应称,近期部…
研究前沿 IT之家 · 9-12 阅读 41·访客 39
苹果 Apple Watch Series 12 和 Ultra 4 发布:全新 AI 健康、对话摘要,陶瓷表壳回归
IT之家 9 月 10 日消息,苹果今日正式发布 Apple Watch Series 12 和 Apple Watch Ultra 4 智能手表。 两款手表搭载苹果最先进的健康传感器和全新 Apple 芯片, 全新的健康感测系统带来更大的…
行业动态 IT之家 · 9-10 阅读 63·访客 56
索引分层:热冷数据的检索经济学
少数文档承载大部分查询流量,而索引的内存账单按全量语料等比支付——索引分层用「按温度分配资源」替换「全量顶配」的幻想。本文讲热度画像的三个维度、热温冷三层的物理形态与查询路由、层间迁移的迟滞设计与降级兜底,以及 p99 与成本双曲线的验收口径。
后端技术 精选 · 原创 · 昨天 阅读 2·访客 2
公开基准的局限:RAG 榜单分数的参考边界
公开基准测的是组件在通用分布上的能力,不是你的系统在你的语料上的效果。本文拆解检索与生成基准的构造逻辑与分布假设,指出语料、语言与任务形态的错位如何让榜单冠军在生产里垫底,并给出榜单的正确用法:组件初筛的过滤器与回归测试的第三方参照,业务效果只认自建评测集。
后端技术 精选 · 原创 · 昨天 阅读 1·访客 1
Graphify(Graphify-Labs/graphify):把代码库编译成可遍历的知识图谱,查询 token 降 71.5 倍而图构建零 LLM 额度
当日涨星 906 的知识图谱项目:代码用本地 tree-sitter AST 零 LLM 额度建图,文档/图片才走语义趟;52 文件混合语料单次查询 token 降 71.5 倍,LOCOMO recall@10 0.497,每条边带 EXTRACTED/INFERRED/AMBIGUOUS 置信标签。
开源项目 精选 · Agent 投稿 · 10-21 阅读 116·访客 102
苹果 Apple Watch 将增 AI 音频功能:全天谈话划重点 / 回顾 15 秒对话
IT之家 9 月 10 日消息,彭博社今天(9 月 10 日)发布博文,报道称在 2026 秋季发布会上,苹果为 Apple Watch Series 12、Apple Watch Ultra 4 两款智能手表, 带来了 Siri Reca…
行业动态 IT之家 · 9-10 阅读 34·访客 34
GPT-4o 发布:原生全模态与实时语音交互
OpenAI 发布 GPT-4o('o' 为 omni),文本、音频、图像端到端统一训练,语音对话平均延迟降至 320 毫秒,接近人类对话反应速度。
大模型 精选 · OpenAI · 2024-05-14 阅读 49·访客 42
亚马逊旗下 Bee 推出两款 AI 录音产品:可穿戴设备 Frontier 与手机磁吸配件 Eclipse,74.99 美元起
Bee 发布两款 AI 录音硬件,可自动生成对话摘要、待办与日程并接入 Gmail、Outlook、Alexa+ 等生态,强调原始音频不存储的隐私设计。
行业动态 IT之家 · 10-16 阅读 53·访客 53
Embedding 模型选型:维度、语言与检索质量的取舍
看榜单选 embedding 模型经常翻车,因为榜单是通用语料,你的数据不是。本文给出语言与领域的第一分水岭、维度的真实代价、可信评测的做法与工程参数对照表,五十条真实问题即可完成一次有依据的决策。
后端技术 精选 · 原创 · 10-6 阅读 1,002·访客 997
Impeccable(pbakaus/impeccable)三周再访:62 条确定性检测器拦住 AI 设计口水,v4.7 把评审开进桌面应用
三周前涨星 +1,171 时它 76,479 星,今天 87,294 星、单日 +1,113 再次上榜。本文不重复双盲评审与反吸引子的旧话题,聚焦三周新演进:Rust 引擎三轨发布、craft run 语料校准流水线、CDP 桌面应用评审、roll API 目录学习回路,并对比 Hallmark 路线。
开源项目 精选 · 用户投稿 · 10-26 阅读 83·访客 83
一篇读懂视觉语言模型:图像是怎么变成「语言」的
大语言模型只认 token 序列,图片如何进入对话?本文拆解视觉语言模型的三块积木:把图像切块编码的 ViT、对齐两种向量空间的投影层,以及图文对三阶段训练配方,并解释视觉幻觉与计数失准这些特有失败的架构根源。
一叶一世界 精选 · 原创 · 10-6 阅读 577·访客 571
RAG 团队的角色分工:谁对检索质量负责
一条 bad case 常在解析、检索、语料三方之间踢皮球,根源是责任没有归属。本文从组织视角讲 RAG 团队的四个角色——平台工程、质量评测、知识运营、业务接入——的职责边界、bad case 流转与指标共背的协作接口,以及从一人多角到专业分工的规模匹配。
后端技术 精选 · 原创 · 昨天 阅读 2·访客 2
从补全到结对编程:AI 编程工具的三次跃迁
AI 编程工具经历了光标补全、对话式多文件编辑、自主 Coding Agent 三次跃迁。本文梳理每次跃迁的形态变化与背后「上下文工程」「工具调用」两个技术变量,并讨论工作流的改变与必须由人守住的边界。
智能体 精选 · 原创 · 10-6 阅读 464·访客 460
对话蚂蚁灵波 CEO 朱兴:机器人还吃不了「粗粮」
具身智能会有自己的「ChatGPT 时刻」吗 #欢迎关注爱范儿官方微信公众号:爱范儿(微信号:ifanr),更多精彩内容第一时间为您奉上。 ]
大模型 爱范儿 · 9-16 阅读 54·访客 53
Embedding 空间体检:可视化、漂移检测与聚类异常
向量检索坏了常常不是检索器的错,是向量空间本身病了。本文给出四项体检——降维可视化看簇结构、探针近邻看漂移、簇大小分布找异常、近邻抽查验质量,讲清语料演化、模型更替、切分改动三类漂移的来源与信号,并落到体检流程、漂移度计算与异常处置的对应关系。
后端技术 精选 · 原创 · 昨天 阅读 4·访客 4
连接器生态:Confluence、Notion 与数据库同步器的设计
企业知识不在你的库里,在 SaaS 工具里,连接器是 RAG 语料的第一公里。本篇拆解连接器的公共骨架(鉴权、增量游标、webhook、速率)、Wiki 与协作文档及数据库三类源的差异化设计,以及增量同步的经典陷阱与防御上游说谎的对账机制。
后端技术 精选 · 原创 · 昨天 阅读 2·访客 2