Tutoriales de IA

Explora Cohere Command R+ online y localmente, conoce las características únicas de la API Python de Cohere, y construye un agente de IA multipaso utilizando LangChain y Cohere.

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.

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

LangGraph es una biblioteca del ecosistema LangChain que proporciona un marco para definir, coordinar y ejecutar múltiples agentes LLM (o cadenas) de forma estructurada y eficiente.

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

La codificación en una sola columna es una técnica utilizada para convertir datos categóricos en un formato binario en el que cada categoría está representada por una columna separada con un 1 que indica su presencia y un 0 para todas las demás categorías.

El encadenamiento de instrucciones es una técnica que consiste en dividir una tarea compleja en una serie de instrucciones más pequeñas e interconectadas, en las que el resultado de una instrucción sirve de entrada para la siguiente, guiando al LLM a través de un proceso de razonamiento estructurado.

Guía completa para reducir el tamaño de los modelos

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.

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

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.