建设网站的市场背景wordpress虚拟机修改密码

建设网站的市场背景,wordpress虚拟机修改密码,进一步优化,wordpress 插件开发最近在X上闲逛时#xff0c;发现了一个好项目#xff1a; ColQwen-Omni。 一款基于Qwen2.5-Omni多模态大模型#xff0c;可用于任意模态检索的RAG系统。 现在已经是2025年7月了#xff0c;RAG#xff08;检索增强生成#xff09;早已不是什么新鲜技术了。 但是鉴于我们…最近在X上闲逛时发现了一个好项目ColQwen-Omni。一款基于Qwen2.5-Omni多模态大模型可用于任意模态检索的RAG系统。现在已经是2025年7月了RAG检索增强生成早已不是什么新鲜技术了。但是鉴于我们号过去写RAG的次数不多所以我这里也再简单介绍一下。RAG是一种结合信息检索与文本生成的混合架构旨在解决大型语言模型LLM知识局限性和幻觉问题。经常用AI工具的朋友都知道大模型日常爱胡说八道也就是大家常说的幻觉Hallucination问题。一种有效缓解幻觉的手段就是通过RAG将外部知识接入给模型让其在遇到自己不会的问题时能够优先检索外部知识库然后再生成回答。目前RAG主要还是依赖于文本信息来进行文档索引一定程度上限制了RAG和LLM的能力以及实际应用场景。实际上外部知识库并不局限于文本文档的形式。语音、图像和视频都能作为外部知识为LLM提供检索数据。而ColQwen-Omni就是这样一种可用于多模态数据检索的RAG系统。我顺手追溯了一下ColQwen-Omni团队原来他们早在ColQwen-Omni之前就提出了可用文本和图像RAG的ColPali和ColQwen等工具而ColQwen-Omni则是在ColPali的文本和图像检索基础上新增了音频和短视频数据的检索生成功能。那么ColQwen-Omni这种多模态RAG能力是如何实现的研究团队认为与其直接从文档中提取文本进行处理不如将文档页面看作是一系列的图像截图并训练一个视觉语言模型VLM将这些图像直接表示为向量。ColPali已经证明这种策略通常比其他方法更快、更简单并能产生更好的检索性能。这种新的检索方式被称为视觉文档检索visual document retrieval。比如论文中这个图传统的PDF文档检索要经过OCR、布局检测、文本摘要、文档切分chunking等一系列处理步骤一套操作下来每一页需要7.22秒的时间可以说非常耗时了。而ColPali的视觉文档检索的做法直接将每一页作为图像输入到VLM每页处理时间缩减到仅需要0.39秒。得益于多模态大模型的快速发展将ColPali检索能力扩展到音频和视频模态则是非常顺利。Qwen2.5-Omni是一个端到端的多模态模型旨在感知多种模态包括文本、图像、音频和视频同时以流式方式生成文本和自然语音响应。理论部分大概就说这么多我拿官方给的例子在Colab上跑了一下下面来看ColQwen-Omni使用代码。colpali库安装pip install githttps://github.com/illuin-tech/colpali加载ColQwen-Omni模型需要提供huggingface tokenfrom colpali_engine.models import ColQwen2_5Omni, ColQwen2_5OmniProcessor # 模型 model ColQwen2_5Omni.from_pretrained( vidore/colqwen-omni-v0.1, torch_dtypetorch.bfloat16, device_mapcuda, attn_implementationflash_attention_2).eval() # 处理器 processor ColQwen2_5OmniProcessor.from_pretrained(vidore/colqwen-omni-v0.1)假设我们的目标是能够查询一个30分钟时长的youtube播客。先将播客切分为30秒的片段并将每个片段以wav格式存储在Python列表中。from pydub import AudioSegment audio AudioSegment.from_wav(my_legally_downloaded_podcast.wav) # 设置目标帧率 target_rate 16000 # 30秒 chunk_length_ms 30 * 1000 audios [] for i in range(0, len(audio), chunk_length_ms): chunk audio[i:i chunk_length_ms] # 将立体声转换为单声道采样率为16kHz chunk chunk.set_channels(1).set_frame_rate(target_rate) # 导出并转换为numpy数组 buf io.BytesIO() chunk.export(buf, formatwav) buf.seek(0) rate, data wavfile.read(buf) audios.append(data)音频切分好后我们将其输入到模型中进行embeddingfrom torch.utils.data import DataLoader # 按批次处理输入批大小为4 dataloader DataLoader( datasetaudios, batch_size4, shuffleFalse, collate_fnlambda x: processor.process_audios(x)) ds [] for batch_doc in tqdm(dataloader): with torch.no_grad(): batch_doc {k: v.to(model.device) for k, v in batch_doc.items()} embeddings_doc model(**batch_doc) ds.extend(list(torch.unbind(embeddings_doc.to(cpu))))一个30分钟的音频在9秒钟内即可嵌入完成总共获得了804个音频嵌入向量。接下来我们就可以拿这些音频嵌入向量来进行检索查询了。可以看到输出结果表明与查询的相关音频片段包括26、49、42、52等嵌入向量。def get_results(query: str, k10): batch_queries processor.process_queries([query]).to(model.device) # Forward pass with torch.no_grad(): query_embeddings model(**batch_queries) scores processor.score_multi_vector(query_embeddings, ds) # get top-5 scores return scores[0].topk(k).indices.tolist() query Was Hannibal well liked by his men? res get_results(query) print(fThe best audio chunks are: {res}) # The best audio chunks are: [26, 49, 42, 52, 51, 45, 44, 41, 43, 30]进一步借助OpenAI或者Gemini的语音模型api我们可以构建一个端到端的AudioRAG。import google.generativeai as genai gemini_content_parts [ {text: fAnswer the query using the audio files. Say which ones were used to answer. Query: {query}} ] for i in res[:1]: gemini_content_parts.append({text: fThe following is audio chunk # {i}.}) gemini_content_parts.append({ inline_data: { mime_type: audio/wav, data: audio_to_base64(audios[i]) } }) gemini_contents [ {parts: gemini_content_parts} ] gemini_model genai.GenerativeModel( gemini-2.5-flash, ) response gemini_model.generate_content(gemini_contents) answer response.text print(fQuery: {query}) print(fAnswer: {answer})Query: Was Hannibal well liked by his men? Answer: Based on audio chunk #26, Hannibal was well-liked by his men. The audio states that the men readily accepted him as their leader, he suffered the same hardships as his men, lived in the same conditions, and was often the first into and last out of battle. The audio concludes that he had the total respect of his men.再测试一下ColQwen-Omni在视频模态上的检索效果。提醒一下视频非常占内存如果你机器显存不那么大的话尽量用短视频做测试。测试视频videos [ http://commondatastorage.googleapis.com/gtv-videos-bucket/sample/ForBiggerEscapes.mp4, http://commondatastorage.googleapis.com/gtv-videos-bucket/sample/ForBiggerBlazes.mp4, http://commondatastorage.googleapis.com/gtv-videos-bucket/sample/ForBiggerMeltdowns.mp4 ]导入视频数据并使用ColQwen-Omni做嵌入dataloader DataLoader( datasetvideos, batch_size1, shuffleFalse, collate_fnlambda x: processor.process_videos(x), ) ds [] for batch_doc in tqdm(dataloader): with torch.no_grad(): batch_doc {k: v.to(model.device) for k, v in batch_doc.items()} embeddings_doc model(**batch_doc) ds.extend(list(torch.unbind(embeddings_doc.to(cpu))))要查询的视频片段是A dragon spitting fire一只喷火龙那么ColQwen-Omni就会把相关视频片段检索出来。从开发团队给出的测试案例来看多模态检索效果非常好。但ColQwen-Omni在具体业务场景下使用效果如何需要实测的朋友们自己验证了。完整代码地址https://github.com/ManuelFay/Tutorials/blob/main/Practical_3_AudioRAG.ipynbRAG作为大模型实际落地使用最需要的辅助工具依靠基础的多模态大模型的能力进步多模态RAG一定大有可为。后记机器学习实验室公众号近期在进行内容重组会更加聚焦AIGC和AGI相关学术、技术与应用。目前正在加大原创内容产出感谢各位读者的支持。八年AI算法老兵目前正在全面拥抱大模型和AIGC。感兴趣的小伙伴可以加我微信louwill_交个朋友。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】