Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

qwen2.5-max如何安装

Answer

Qwen2.5-Max 的安装方式如下： 目前，Qwen2.5-Max 已在阿里云百炼平台上架，模型名称为 qwen-max-2025-01-25，企业和开发者都可通过阿里云百炼调用新模型 API。同时，也可以在全新的 Qwen Chat（https://chat.qwenlm.ai/）平台上使用 Qwen2.5-Max，直接与模型对话，或者使用 artifacts、搜索等功能。

相关链接：

Content generated by AI large model, please carefully verify (powered by aily)

References

通义千问发布一个模型开源两个模型-一个AI视觉智能体能力大幅增强，一个百万Tokens处理速度提升近7倍

基座模型反映模型裸性能，由于无法访问GPT-4o和Claude-3.5-Sonnet等闭源模型的基座模型，通义团队将Qwen2.5-Max与目前领先的开源MoE模型DeepSeek V3、最大的开源稠密模型Llama-3.1-405B，以及同样位列开源稠密模型前列的Qwen2.5-72B进行了对比。评估结果如下所示，在所有11项基准测试中，Qwen2.5-Max全部超越了对比模型。更方便的取用目前，Qwen2.5-Max已在阿里云百炼平台上架，模型名称qwen-max-2025-01-25`，企业和开发者都可通过阿里云百炼调用新模型API。同时，也可以在全新的Qwen Chat（https://chat.qwenlm.ai/）平台上中使用Qwen2.5-Max，直接与模型对话，或者使用artifacts、搜索等功能。

1月29日 社区动态速览

1⃣️?Qwen2.5-Max：阿里通义千问的大型专家模型（MoE）实力：基于SFT和RLHF策略训练，在多项基准如Arena Hard、LiveBench、LiveCodeBench、GPQA-Diamond上超越DeepSeek V3，引发社区关注。更多体验：支持官方Chat、API接口、Hugging Face Demo等多种方式，展示其顶尖性能与灵活应用场景。[?Blog](https://qwenlm.github.io/blog/qwen2.5-max/)|?[Qwen Chat](https://chat.qwenlm.ai)|?[API](https://alibabacloud.com/help/en/model-studio/getting-started/first-api-call-to-qwen?spm=a2c63.p38356.help-menu-2400256.d_0_1_0.1f6574a72ddbKE)|?[HF Demo](https://huggingface.co/spaces/Qwen/Qwen2.5-Max-Demo)2⃣️?️Qwen2.5-VL：新一代视觉语言模型多场景支持：可解析1小时以上视频内容并秒级定位事件，识别从金融文档到通用物体，动态适配高分辨率图像。多模态AI代理：具备复杂任务执行能力（手机、电脑），覆盖更多实际场景如票据解析、商业分析等。[?详细介绍](https://www.xiaohu.ai/c/xiaohu-ai/qwen2-5-vl)3⃣️?YuE：全新多模态音乐开源模型

通义千问发布一个模型开源两个模型-一个AI视觉智能体能力大幅增强，一个百万Tokens处理速度提升近7倍

通义千问旗舰版模型Qwen2.5-Max全新升级发布。Qwen2.5-Max比肩Claude-3.5-Sonnet，并几乎全面超越了GPT-4o、DeepSeek-V3及Llama-3.1-405B。Qwen2.5-Max模型是阿里云通义团队对MoE模型的最新探索成果，预训练数据超过20万亿tokens。新模型展现出极强劲的综合性能，在多项公开主流模型评测基准上录得高分，全面超越了目前全球领先的开源MoE模型以及最大的开源稠密模型。目前，开发者可在Qwen Chat（https://chat.qwenlm.ai/）平台免费体验模型，企业和机构也可通过阿里云百炼平台直接调用新模型API服务。模型性能全球领先Qwen2.5-Max在知识（测试大学水平知识的MMLU-Pro）、编程（LiveCodeBench）、全面评估综合能力的（LiveBench）以及人类偏好对齐（Arena-Hard）等主流权威基准测试上，展现出全球领先的模型性能。通义团队分别对Qwen2.5-Max的指令（Instruct）模型版本和基座（base）模型版本性能进行了评估测试。指令模型是所有人可直接对话体验到的模型版本，在Arena-Hard、LiveBench、LiveCodeBench、GPQA-Diamond及MMLU-Pro等基准测试中，Qwen2.5-Max比肩Claude-3.5-Sonnet，并几乎全面超越了GPT-4o、DeepSeek-V3及Llama-3.1-405B。

Others are asking
minimax侧重在哪些方面
MiniMax 侧重在以下几个方面： 1. 语音技术： 快速克隆：仅需 10 秒音频即可克隆语音，智能情感系统精准捕捉细腻情感变化。 多维预置语音：提供 300+语音选项，支持 17 种语言（不断扩展），涵盖口音、性别、年龄、风格等。 专业音效：支持房间音效、电话滤镜，输出接近录音室级别。 2. 通用人工智能： 成立于 2021 年 12 月，是通用人工智能时代基础设施建设者和内容应用创造者。 拥有文本、语音、视觉多种模态融合的通用大模型引擎能力并打通产品全链路。 自研了整套端到端 AGI 引擎系统。 3. 团队组成：核心技术研发成员均来自全球知名高校和全球顶尖科技公司，拥有世界顶尖自然语言处理、语音、计算机视觉、计算机图形学等工业界和学术界经验，拥有多项全球领先的人工智能领域研究成果，具有上百个全球发明专利，1/3 的团队成员拥有世界顶尖技术实验室的博士学位。 相关链接： 免费试用： API 平台：
2025-03-28
minimax的大模型算法热点
以下是关于 MiniMax 的大模型算法热点的相关内容： 1. MiniMax 有两个适合特定任务的大模型：MiniMaxText01 支持 400 万 token 的上下文，能应对超长文章；T2A v2（speech01turbo）拥有最好的声音复刻效果。可以通过其开放平台（https://platform.minimaxi.com/login ）进行注册登录及实名认证。首次注册会赠送 15 元，API 消耗会消耗余额，生成一条 3 分钟的语音，文本模型消耗 1 分钱，语音模型消耗 5 毛钱，克隆音色有额外费用，现优惠 9.9 元。接着创建 API Key 并保存好，以及 groupid。还可以克隆声音，相关链接为 https://platform.minimaxi.com/examinationcenter/voiceexperiencecenter/voiceCloning ，有创建 voice id、上传复刻音频及音频 prompt、试听文本等操作，勾选用户协议点击“克隆”选项一段时间后完成克隆，使用填写的 voice id 生成声音。 2. MiniMax 推出了 MoE 架构的新模型，其“星野”是目前国内最成功的 AI 陪聊 APP。 3. MiniMax 近日发布新模型 MiniMax01，采用线性注意力机制和 MoE 架构，显著提升上下文处理能力，支持超长上下文（400 万 Token），在多项学术基准上表现优异，超越许多国际顶尖模型。其开源旨在促进长上下文研究和应用，加速 Agent 时代的到来，通过精细架构设计和训练策略，在处理长输入时实现接近线性的计算效率。
2025-03-28
minimax这家企业怎么样
MiniMax 成立于 2021 年 12 月，是通用人工智能时代基础设施建设者和内容应用创造者。作为国内唯一一家拥有文本、语音、视觉多种模态融合的通用大模型引擎能力并打通产品全链路的科技创业公司，团队致力于用领先的通用人工智能（AGI）引擎技术，通过多场景和多维度应用及交互，推动通用人工智能技术新范式变革，重塑人工智能商业模式。 其核心技术研发成员均来自全球知名高校和全球顶尖科技公司，拥有世界顶尖自然语言处理，语音，计算机视觉，计算机图形学等工业界和学术界经验，拥有多项全球领先的人工智能领域研究成果，具有上百个全球发明专利，1/3 的团队成员拥有世界顶尖技术实验室的博士学位，团队核心成员皆亲历了海内外人工智能 1.0 时代的发展变化。 创始人闫俊杰，是 MiniMax 联合创始人，前商汤科技副总裁、通用智能技术负责人，也曾担任商汤研究院副院长。2015 年博士毕业于中科院自动化所，此前在商汤科技负责搭建深度学习的工具链和底层算法，以及通用智能的技术发展。此外，他还搭建了商汤的人脸识别和智慧城市相关的技术体系。在深度学习和计算机视觉领域，闫俊杰发表顶级会议和期刊论文 100 余篇，Google Scholar 引用超过 10000 次。 技术合伙人杨斌，曾于 2014 年在中科院自动化所读硕士，在加拿大读完博士后，先后在 Uber AI 研究院、以及自动驾驶卡车领域有多年研发经验，对基于数据驱动的端到端无人卡车运输问题颇有研究。 MiniMax 推出了 MoE 架构的新模型，和“星野”这个目前国内最成功的 AI 陪聊 APP 。
2025-03-28
MINIMAX怎么样
MiniMax 相关信息如下： 推出了 Hailuo Audio HD，具有以下特点： 快速克隆：仅需 10 秒音频即可克隆语音，智能情感系统能精准捕捉细腻情感变化。 多维预置语音：提供 300+语音选项，支持 17 种语言（不断扩展），涵盖口音、性别、年龄、风格等。 专业音效：支持房间音效、电话滤镜，输出接近录音室级别。 相关链接： 免费试用： API 平台： 其视频模型团队规模较小，约 10 人，于今年 8 月底发布了视频生成模型。 旗下的 Talkie 加星野的总日活约有 500 万，其中星野 9 月日活为 94 万，30 日留存率达到 60%。
2025-03-28
Qwen 2.5 max 如何访问
Qwen 2.5 Max 可以通过以下方式访问： 1. 目前，Qwen 2.5 Max 已在阿里云百炼平台上架，模型名称为 qwenmax20250125，企业和开发者都可通过阿里云百炼调用新模型 API。 2. 同时，也可以在全新的 Qwen Chat（https://chat.qwenlm.ai/）平台上使用 Qwen 2.5 Max，直接与模型对话，或者使用 artifacts、搜索等功能。 此外，您还可以通过以下链接获取更多相关信息：
2025-02-13
目前各大主流模型的 max output token
以下是目前各大主流模型的 max output token 情况： Claude2100 k 模型的上下文上限是 100k Tokens，即 100000 个 token。 ChatGPT16 k 模型的上下文上限是 16k Tokens，即 16000 个 token。 ChatGPT432 k 模型的上下文上限是 32k Tokens，即 32000 个 token。 需要注意的是，token 限制同时对一次性输入和一次对话的总体上下文长度生效。不是达到上限就停止对话，而是会遗忘最前面的对话。 如果想直观查看 GPT 如何切分 token，可以打开： 。此外，GPT3 和 GPT3.5/4 的 token 计算方式不同，英文的 Token 占用相对于中文较少，这也是很多中文长 Prompt 会被建议翻译成英文设定然后要求中文输出的原因。
2024-11-24
通义千问Qwen2.5-VL、阶跃星辰step-1.5v-mini、Gemini-2.0-Flash，这3个视觉理解大模型哪个最厉害？
以下是对通义千问 Qwen2.5VL 模型的介绍： 版本：有 3B、7B 和 72B 三个尺寸版本。 主要优势： 视觉理解能力：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。 视频理解能力：支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。 万物识别：擅长识别常见物体及分析图像中的文本、图表、图标、图形和布局。 精准的视觉定位：采用矩形框和点的多样化方式对通用物体定位，支持层级化定位和规范的 JSON 格式输出。 全面的文字识别和理解：提升 OCR 识别能力，增强多场景、多语言和多方向的文本识别和文本定位能力。 Qwen 特色文档解析：设计了更全面的文档解析格式，称为 QwenVL HTML 格式，能够精准还原文档中的版面布局。 增强的视频理解：引入动态帧率（FPS）训练和绝对时间编码技术，支持小时级别的超长视频理解，具备秒级的事件定位能力。 开源平台： Huggingface：https://huggingface.co/collections/Qwen/qwen25vl6795ffac22b334a837c0f9a5 Modelscope：https://modelscope.cn/collections/Qwen25VL58fbb5d31f1d47 Qwen Chat：https://chat.qwenlm.ai 然而，对于阶跃星辰 step1.5vmini 和 Gemini2.0Flash 模型，目前提供的信息中未包含其与通义千问 Qwen2.5VL 模型的直接对比内容，因此无法确切判断哪个模型在视觉理解方面最厉害。但从通义千问 Qwen2.5VL 模型的上述特点来看，其在视觉理解方面具有较强的能力和优势。
2025-04-15
我想利用现有的20万条政务相关数据，基于qwen2.5 70B大模型构建自己的政务服务大模型，该如何做，请给出具体实现流程，谢谢！
以下是基于 qwen2.5 70B 大模型利用 20 万条政务相关数据构建政务服务大模型的大致流程： 1. 数据准备：对 20 万条政务相关数据进行清洗、预处理和标注，使其适合模型学习。 2. 模型选择与下载：选择 qwen2.5 70B 大模型，并按照相关说明进行下载。 3. 本地部署： 启动 OpenAI 兼容的 API 服务，根据硬件配置设置相关参数，如 tensorparallelsize（设置使用的 GPU 数量）、maxmodellen（定义最大输入序列长度）、maxnumbatchedtokens（设置 Chunked Prefill 的块大小）、maxnumseqs（限制并发处理的序列数量）。 遇到问题可参考相关内容。 4. 与模型交互：可以使用 Curl 或 Python 等方法与部署的模型进行交互，对于更高级的使用方式，可以探索如之类的框架。 5. 模型训练：模型训练是一个复杂且计算量极大的过程，需要大量的计算资源和时间。 需要注意的是，构建大模型是一个复杂的任务，需要具备一定的技术知识和经验。在实际操作中，可能会遇到各种问题，需要不断调试和优化。
2025-02-06
怎么使用qwen2
以下是关于 Qwen2 的相关信息： 1. 性能表现：Qwen 2 开源了，其模型性能超越目前所有开源模型和国内闭源模型。在权威模型测评榜单 OpenCompass 中，此前开源的 Qwen1.5110B 已领先于文心 4.0 等一众中国闭源模型，刚开源的 Qwen272B 相比 Qwen1.5110B 整体性能大幅提升。在 MMLU、GPQA、HumanEval、GSM8K、BBH、MTBench、Arena Hard、LiveCodeBench 等国际权威测评中，Qwen272B 获十几项世界冠军，超过美国的 Llama3。 2. 训练与微调：大规模预训练后，通义千问团队对模型进行精细微调，提升了代码、数学、推理、指令遵循、多语言理解等能力，还让模型学会对齐人类价值观。微调过程遵循使训练规模化并减少人工标注的原则，探索了多种自动方法获取高质量数据，结合了有监督微调、反馈模型训练以及在线 DPO 等方法，采用在线模型合并方法减少对齐税。不久后将推出 Qwen2 的技术报告。 3. 特点：Qwen2 有 5 种尺寸的预训练和指令调整模型，包括 Qwen20.5B、Qwen21.5B、Qwen27B、Qwen257BA14B 和 Qwen272B。除英语和中文外，还接受过另外 27 种语言的数据训练，在大量基准评估中表现出最先进的性能，代码和数学性能显著提高，增大了上下文长度支持，最高达到 128K tokens（Qwen272BInstruct）。 4. 体验与下载：Qwen2 系列已上线魔搭社区 ModelScope 和阿里云百炼平台，开发者可在魔搭社区体验、下载模型，或通过阿里云百炼平台调用模型 API。同时，Qwen272binstruct 模型已上线中国大语言模型评测竞技场 Compass Arena，所有人都可以登录体验 Qwen2 的性能，或者选择 Qwen2 模型与其他大模型进行对比测评。测评地址为。Compass Arena 是由上海人工智能实验室和魔搭社区联合推出的大模型测评平台，集齐了国内主流的 20 多款大模型。 5. 开源社区影响力：Qwen 系列模型正在全球爆火，近一个月内总下载量翻倍，已突破 1600 万次。海内外开源社区已经出现了超过 1500 款基于 Qwen 二次开发的模型和应用。自今年 2 月 Qwen1.5 发布前后，就有大量开发者催更 Qwen2。6 月 7 日晚上 24 点左右 Qwen2 上线后，多个重要的开源生态伙伴火速宣布支持 Qwen2。
2024-10-01
trae 推荐安装那个版本的 vscode插件
在 Trae 中安装 VS Code 插件可以通过以下方式： 1. 从 Trae 的插件市场安装： 在左侧导航栏中，点击插件市场图标，界面左侧显示插件市场面板。 搜索您想要的插件并在未安装列表中将其选中，界面上显示该插件的详情窗口，展示该插件的详细说明、变更日志等信息。 点击安装，Trae 开始安装该插件。安装完成后，该插件会出现在已安装列表中。 2. 从 VS Code 的插件市场安装： 前往。 搜索您想要的插件，例如：Pylance。 在搜索结果中，点击您所需的插件，您会前往该插件的详情页。 在详情页中，点击 Version History。 结合插件页的 URL 和 Version History 中的信息，提取出以下信息（以 Pylance 为例）： itemName：URL Query 中的 itemName 字段，如截图中的 mspython.vscodepylance，并将小数点（.）前后的内容分成以下两个字段： fieldA：mspython fieldB：vscodepylance version：如截图中的 2025.1.102 使用提取出来的 3 个字段的值替换下方 URL 中的同名字段。 在浏览器中输入修改后的 URL，然后按下回车键，浏览器开始下载该插件。 下载完成后，返回 Trae 并打开插件市场。 将下载的.vsix 文件拖拽至插件市场面板中，Trae 开始自动安装该插件。安装完成后，该插件会出现在已安装列表中。 此外，如果 VS Code 插件市场中某个版本的插件依赖了新版 VS Code 中的某些接口，则可能会导致该插件与 Trae 不兼容。您可以查看该插件的 Version History，然后下载该插件的历史版本。 管理插件还包括禁用插件和卸载插件： 1. 禁用插件： 在 Trae 中，打开插件市场。 在已安装列表中，找到需禁用的插件。 鼠标悬浮至列表中的插件，然后点击设置>禁用。或点击该插件以打开其详情窗口，然后点击禁用。 2. 卸载插件： 在 Trae 中，打开插件市场。 在已安装列表中，找到需卸载的插件。 鼠标悬浮至该插件，然后点击卸载。或点击该插件以打开其详情窗口，然后点击卸载。
2025-04-19
comfyui如何本地安装
以下是在本地安装 ComfyUI 的详细步骤： 安装方式有两种，分别是安装到本地和安装到云端。本部分主要介绍本地安装方法。 本地安装方法： 1. 命令行安装： 这是普适性最强的方法，安装后二次遇到问题的概率相对较低，但对于不熟悉命令行以及代码的用户来说，可能会有一定的门槛。 ComfyUI 的源码地址在：https://github.com/comfyanonymous/ComfyUI ，安装方法写在了 Readme 中。您也可以按照 Readme 文档进行操作。 如果会 Git 请在 Terminal 运行以下代码： 如果不会用 Git，推荐使用 Github 的客户端（https://desktop.github.com/）拉代码。 下载并安装好 Github Desktop 后，打开该应用。 然后打开 ComfyUI 的 Github 页面（https://github.com/comfyanonymous/ComfyUI），点击右上角的绿色按钮，并点击菜单里的「Open with GitHub Desktop」，此时浏览器会弹出是否要打开 GitHub Desktop，点击「是」。 GitHub Desktop 会让您选择一个保存位置，按需调整，然后点击确定。看到下方特定界面，意味着完成了代码同步。 2. 安装包安装： 这种方法安装比较简单，下载就能用。 ComfyUI 的官方安装包：目前仅支持 Windows 系统，且显卡必须是 Nivida。下载地址是：https://github.com/comfyanonymous/ComfyUI/releases ，只需下载最新的版本，解压就能使用。 安装完成后： 1. 节点存放目录：comfyUI 的节点包括后面安装的拓展节点都存放在本目录下：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 2. 模型存放目录： 大模型：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\checkpoints Lora：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\loras Vae：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\vae 3. 模型共用：已经安装了 SDWebUI 的同学可以通过修改文件路径和 WebUI 共用一套模型即可，这样就不用重复下载模型了。找到您已经安装好的 ComfyUI 目录文件下的 extra_model_paths.yaml.example 文件，将后缀.example 删除，然后右键用记事本打开。 希望以上内容对您有所帮助。
2025-04-10
python环境安装
以下是 Python 环境安装的步骤： 1. 点击电脑“系统”，直接输入“cmd”，点击回车，打开命令窗口。 2. 在命令窗口中，粘贴入以下代码，确认是否有 Python 和 pip。 3. 两步命令输入完，核对一下： 如果有的话，会分别显示出版本号。那么可以跳过“安装环境这一步，直接到“二、部署项目”。 如果没有的话，需要进行安装。 4. 安装 Python： 对于 Windows 系统，可以点击以下链接下载安装包： （有小伙伴说下载不了，可去公众号【Equity AI】回复“HOOK”获取下载地址：https://www.wenshushu.cn/f/ec5s5x1xo3c） 对于 Mac 系统，可以点击以下链接下载安装包： 5. 安装注意： 安装时务必勾选"Add Python to PATH"选项。 建议使用默认安装路径。 6. 安装完成后，关闭窗口，再次运行之前的两行命令确认是否安装成功。
2025-04-08
学习python为什么要安装pandas，juptyer
学习 Python 安装 pandas 和 Jupyter 的原因如下： 数据处理基础：pandas 是 Python 的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。在数据处理中，如读取数据（pd.read_csv）等操作都依赖于 pandas 库。 开发环境：Jupyter Notebook 是一种交互式的编程环境，非常适合进行数据分析和探索性编程。它可以让您逐段运行代码，方便查看中间结果，并且能够将代码、文本和图像等内容整合在一个文档中，有助于更好地理解和展示数据分析的过程和结果。代码也适合在其他 IDE（如 PyCharm、VS Code）中运行。 在一些实践项目中，如基于泰坦尼克号数据集绘制堆叠柱状图及搭建预测模型、用 Kaggle 的天气数据集绘制气温趋势折线图与月降雨天数柱状组合图、鸢尾花数据多维分布探索与交互可视化实践等，都需要 Python 基础与环境配置，包括通过 pip 安装 pandas 库，以及在 Jupyter Notebook 或其他 IDE 中运行代码。
2025-04-08
trae如何安装
以下是 Trae 的安装步骤： 1. 由于 Trae AI 官网部署在海外，且其本身需要使用海外的大模型，所以需要通过 VPN 等方式科学上网。 2. 在官网（https://www.trae.ai/download）直接点击下载，Trae 会自动识别您的电脑芯片。 3. 下载完成后，如果是 Mac 系统，将左侧的 Trae 应用拖动到右侧的文件夹内；如果是 Windows 系统，双击 Trae 图标，即可完成安装。 4. 安装完成后，点击图标启动，进行以下简单设置： 选择主题背景和默认语言，可选择中文。 对于提供的 Cursor、VS Code 等其他 AI 编程工具的配置和插件迁移，如果是第一次使用类似工具，可直接点“Skip”选项。 对于不理解意思的设置，直接点“Skip”选项。 5. 选择合适的登录方式，登录方式包括 Google 账号登录、Github 账号登录、邮箱登录。如果没有账号，可新注册一个账号。推荐有余力的用户访问 Github 官网（https://github.com/）注册。 注意：Trae 仅在部分地区可用，可能需要开启科学上网。登录完之后，若出现“App Unavailable”提示，可能是所在地区不可用，此时需要开启科学上网。网页登录成功之后可以把科学上网关掉。
2025-04-08
linux下安装 anythingLLM
以下是在 Linux 下安装 AnythingLLM 的相关指导： 1. 安装地址：https://useanything.com/download 。 2. 安装完成后会进入配置页面，主要分为三步： 第一步：选择大模型。 第二步：选择文本嵌入模型。 第三步：选择向量数据库。 3. AnythingLLM 中有 Workspace 的概念，可以创建自己独有的 Workspace 与其他项目数据进行隔离。 首先创建一个工作空间。 上传文档并且在工作空间中进行文本嵌入。 选择对话模式，提供了 Chat 模式（大模型会根据自己的训练数据和上传的文档数据综合给出答案）和 Query 模式（大模型仅仅会依靠文档中的数据给出答案）。 4. 完成上述配置后，即可与大模型进行对话。 此外，在 GitHubDaily 开源项目列表 2023 年复盘的 AIGC 部分中，也有关于 AnythingLLM 的介绍： 是一个可打造成企业内部知识库的私人专属 GPT！可以将任何文档、资源或内容转换为大语言模型（LLM）知识库，使得在对话过程中可引用到里面的内容。 本文的思路来源于视频号博主黄益贺，作者按照他的视频进行了实操，并附加了一些关于 RAG 的额外知识。
2025-03-27