整理了一些近期关注的大模型方面的笔记，更详细的见生成式AI与具身智能知识星球！
Transformer 对比CNN 和LSTM，以及常见的大模型一些优质的改进！
位置编码的方式:
大模型的思维链技术:
问题理解：首先，模型需要理解问题的具体内容和要求。
关键信息提取：从问题中提取关键信息，这些信息对于解决问题至关重要。
逻辑推理：根据已有的信息和知识，进行逻辑推理，就像人类在思考问题时一样。
中间步骤：将推理过程分解成一系列中间步骤，每个步骤都是对问题的部分解答。
逐步解答：逐步展示每个中间步骤的解答过程，直到得出最终答案。
验证和调整：在推理过程中，对每个步骤进行验证和调整，确保推理的正确性。
最终答案：通过一系列逻辑推理步骤，最终得出问题的答案。
提高透明度：通过展示推理过程，用户可以更好地理解模型是如何得出答案的。
增强可解释性：模型的推理过程更加清晰，有助于提高模型的可解释性。
提升准确性：通过逐步推理，模型可以更准确地解决问题，减少错误。
适用性广泛：CoT技术可以应用于各种复杂问题，包括数学问题、逻辑推理、科学问题等。
更多详细内容见生成式AI与具身智能知识星球。
自动驾驶之星和生成式AI与具身智能知识星球，新人优惠券来袭，结识一群志同道合的小伙伴一起成长。
下一个风口会不会是生成式AI 与具身智能的时代，我们特意创建了生成式AI与具身智能交流社区，关于大模型，机器人的相关业界动态，学术方向，技术解读等等都会在社区与大家交流，欢迎感兴趣的同学加入我们(备注具身智能)！
自动驾驶之星知识星球主打自动驾驶量产全技术栈学习，并包括: 学习板块，求职面试，有问必答，论文速递，行业动态五大板块！星球内部包括端到端大模型，VLM大模型，BEV 障碍物/车道线/Occ 等的学习资料！
生成式AI与具身智能知识星球，我们相信生成式AI 与具身智能会碰撞出出乎我们意料的内容，本知识形象并包括: 学习板块，求职面试，有问必答，论文速递，行业动态五大板块！星球内部包括生成式AI大模型，具身智能，业界资料整理等的学习资料！
👇点个“赞”和“在看”吧
