Tutoriales de IA

Una guía completa para explorar el modelo de lenguaje Phi-3 de Microsoft, su arquitectura, características y aplicación, junto con el proceso de instalación, configuración, integración, optimización y puesta a punto del modelo.

Explora cómo el modelo Mixtral 8X22B de Mistral AI revoluciona los grandes modelos lingüísticos con su eficaz arquitectura SMoE, que ofrece un rendimiento y una escalabilidad superiores.

Aprende los fundamentos del aprendizaje por refuerzo mediante la analogía de un gato que aprende a utilizar un poste rascador.

Da los primeros pasos para dominar el aprendizaje automático en bases de datos utilizando Snowflake Snowpark.

El estímulo de pocos intentos es una técnica en la que se dan a un modelo de IA unos cuantos ejemplos de una tarea para que aprenda de ellos antes de generar una respuesta, utilizando esos ejemplos para mejorar su rendimiento en tareas similares.

El "Zero-shot prompting" es una técnica en la que se da a un modelo de IA una tarea o pregunta sin ningún ejemplo previo o entrenamiento específico sobre esa tarea, confiando únicamente en su conocimiento preexistente para generar una respuesta.

Este artículo presenta una guía práctica para implementar TNT-LLM, un marco que automatiza la generación de taxonomías y la clasificación de textos utilizando LLMs, demostrado mediante un ejemplo de agrupación de artículos de noticias con GPT-4 y LangGraph.

Aprende las diferencias entre las técnicas RAG y Fine-Tuning para personalizar el rendimiento del modelo y reducir las alucinaciones en los LLM.

Aprende a convertir modelos técnicos en interfaces de usuario interactivas con Gradio en Python.

Qwen es una familia de grandes modelos lingüísticos y multimodales desarrollados por Alibaba Cloud, diseñados para diversas tareas como la generación de textos, la comprensión de imágenes y la conversación.

Libera todo el potencial de los Modelos de Lenguaje Extensos (LLM) con nuestra guía sobre la incitación a la Cadena de Pensamiento (CoT). Aprende a mejorar las capacidades de razonamiento y resolución de problemas en los LLM.

Este artículo compara el rendimiento de los modelos de grandes lenguajes sin MatMul y tradicionales en términos de velocidad y uso de memoria.