P2-RAG 问答系统 - 基于 PDF 的智能问答工具

已于 2025-05-06 18:58:28 修改
阅读量531 收藏 12
点赞数 15
分类专栏： LLM 文章标签： pdf java 前端
于 2025-05-06 18:30:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36770492/article/details/147745145
版权

RAG 问答系统 - 基于 PDF 的智能问答工具

项目简介

RAG 问答系统 是一个基于 Python 的桌面应用程序，结合了 Retrieval-Augmented Generation（RAG）技术和阿里云 DashScope API（Qwen-Plus 模型），通过上传 PDF 文件实现智能问答和多轮对话。
这个工具可以从 PDF 中提取文本，构建向量数据库，并利用大语言模型回答用户查询，特别适合需要快速理解文档内容、挖掘知识点的场景，比如学术研究、技术文档分析或教育资料整理。

通过 Gradio 提供的简洁界面，用户可以：

  • 上传 PDF 文件：支持任意文本 PDF，自动提取内容并构建问答环境。
  • 智能问答：基于文档内容回答问题，提供检索到的上下文。
  • 多轮对话：保留聊天历史，支持连续提问。
  • 日志监控：实时记录操作状态，便于调试和反馈。

这不仅是一个技术demo，更是一个能帮助你快速消化文档、提取价值的实用工具！

功能特性

  1. PDF 文本提取：

    • 使用 pdfplumber 从 PDF 文件中提取纯文本。
    • 支持分页处理，保留元数据（路径、页码）。

  2. 向量数据库构建：

    • 利用 HuggingFaceEmbeddings（BAAI/bge-large-zh-v1.5）生成文本嵌入。
    • 使用 Chroma 存储向量，支持高效检索。

  3. 智能问答（RAG）：

    • 结合文档检索和 Qwen-Plus 模型生成准确、自然的答案。
    • 返回 top-4 相关文档片段，增强答案可信度。

  4. 多轮对话：

    • 支持对话历史记录，上下文连贯。
    • 可随时清空历史，重新开始。

  5. 用户界面：

    • 基于 Gradio 构建，支持文件上传和实时交互。
    • 显示答案、检索内容和聊天历史。

技术栈

  • 编程语言：Python 3.8+
  • 核心库：
    • openai：调用 DashScope API。
    • pdfplumber：PDF 文本提取。
    • langchain & langchain-community：RAG 管道和嵌入生成。
    • chromadb：向量数据库。
    • sentence-transformers：嵌入模型支持。
    • gradio：交互式界面。
  • 大模型：阿里云 DashScope Qwen-Plus。
  • 硬件支持：支持 GPU（CUDA）加速嵌入计算，兼容 CPU。

安装与运行

1. 环境要求

  • Python 3.8 或更高版本。
  • 可选：NVIDIA GPU + CUDA（加速嵌入生成）。

2. 安装依赖

在终端运行以下命令：

conda install -c conda-forge openai pdfplumber langchain langchain-community chromadb gradio
pip install sentence-transformers

3. 配置 API

  1. 获取阿里云 DashScope API 密钥：
  2. 在代码中配置：
    API_KEY = "your_api_key_here"
BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"

4. 运行程序

  1. 下载项目代码：
import os
import logging
import json
from typing import List
from openai import OpenAI
import pdfplumber
from langchain_core.documents import Document
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
import torch
import gradio as gr
import shutil
import time

# conda install -c conda-forge openai pdfplumber langchain langchain-community chromadb gradio
# pip install sentence-transformers

# 设置日志配置，用于记录程序运行信息
# - level: INFO，记录关键操作和错误
# - format: 包含时间、日志级别和消息
logging.basicConfig(level=logging.INFO,
                    format='%(asctime)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

# 全局变量，用于存储 RAG 链、Qwen-Plus 客户端、聊天历史和当前向量数据库路径
# - rag_chain: LangChain RAG 管道，处理查询和答案生成
# - qwen_client: Qwen-Plus API 客户端
# - chat_history: 存储多轮对话记录（用户查询和助手回答）
# - current_vector_db: 当前 Chroma 向量数据库的路径
rag_chain = None
qwen_client = None
chat_history = []
current_vector_db = None


API_KEY = 你的阿里云API
BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1" 


def extract_text_from_pdf(pdf_path: str) -> List[Document]:
    """从 PDF 文件提取文本并转换为 LangChain Document 对象

    Args:
        pdf_path (str): PDF 文件的路径（如 './wenxian/yolov11.pdf'）

    Returns:
        List[Document]: 包含每页文本的 LangChain Document 列表，每个 Document 包含文本内容和元数据（路径、页码）

    Raises:
        Exception: 如果 PDF 文件无法打开或提取失败（例如文件损坏、权限问题）

    Notes:
        - 使用 pdfplumber 逐页提取文本，仅处理文本 PDF（不支持扫描 PDF）
        - 跳过无文本页面（如空白页），记录警告日志
        - 适合轻量文本提取，显存占用低（<100MB）
    """
    try:
        documents = []  # 存储所有页面的 Document 对象
        with pdfplumber.open(pdf_path) as pdf:  # 打开 PDF 文件
            for page_num, page in enumerate(pdf.pages, 1):  # 从第 1 页开始遍历
                text = page.extract_text()  # 提取页面文本
                if text:  # 如果提取到文本
                    doc = Document(
                        page_content=text,  # 页面文本内容
                        metadata={"source": pdf_path,
                                  "page": page_num}  # 元数据：文件路径和页码
                    )
                    documents.append(doc)  # 添加到列表
                else:
                    logger.warning(
                        f"No text extracted from page {page_num}")  # 记录无文本警告
        # 记录成功提取的页面数
        logger.info(f"Extracted {len(documents)} pages from {pdf_path}")
        return documents
    except Exception as e:
        logger.error(f"Failed to extract text from PDF: {str(e)}")  # 记录错误
        raise



def initialize_qwen_client():
    """初始化 DashScope Qwen-Plus 客户端，用于调用大语言模型 API

    Returns:
        OpenAI: 初始化后的 Qwen-Plus 客户端对象

    Raises:
        Exception: 如果 API 密钥无效或网络连接失败

    Notes:
        - 使用 OpenAI 兼容接口，连接 DashScope 的 Qwen-Plus 模型
        - API 密钥需有效，当前使用示例密钥
        - 云端运行，不占用本地显存
    """
    try:
        client = OpenAI(
            api_key=API_KEY,  # Qwen-Plus API 密钥
            base_url=BASE_URL,  # DashScope API 地址
        )
        logger.info("Qwen-Plus client initialized successfully")
        return client
    except Exception as e:
        logger.error(f"Failed to initialize Qwen-Plus client: {str(e)}")
        raise


def build_rag_chain(documents: List[Document], qwen_client, vector_db_path: str):
    """构建 LangChain RAG 管道，用于处理 PDF 内容并生成答案

    Args:
        documents (List[Document]): 从 PDF 提取的 LangChain Document 列表
        qwen_client: Qwen-Plus 客户端对象
        vector_db_path (str): Chroma 向量数据库的存储路径（如 './chroma_db_yolov11_20250424'）

    Returns:
        Runnable: LangChain RAG 链，包含检索、提示构建和答案生成

    Raises:
        Exception: 如果文本分割、嵌入生成或向量存储初始化失败

    Notes:
        - 包括文本分割、嵌入生成、向量存储、检索和答案生成
        - 支持多轮对话，提示包含对话历史
    """
    try:
        # 文本分割：将长文档分割为小块，便于嵌入和检索
        text_splitter = RecursiveCharacterTextSplitter(
            chunk_size=1000,  # 每个块的最大长度
            chunk_overlap=200,  # 块之间的重叠长度，保留上下文
            length_function=len  # 使用字符长度计算
        )
        splits = text_splitter.split_documents(documents)  # 分割文档
        logger.info(f"Split documents into {len(splits)} chunks")


        #模型下载
        from modelscope import snapshot_download
        model_dir = snapshot_download('BAAI/bge-large-zh-v1.5')
        # model_dir = snapshot_download('sentence-transformers/all-MiniLM-L6-v2')
        # 初始化嵌入模型：生成文本的向量表示
        embedding_model = HuggingFaceEmbeddings(
            model_name=model_dir,  # 轻量嵌入模型
            model_kwargs={
                "device": "cuda" if torch.cuda.is_available() else "cpu"}  # 优先使用 GPU
        )

        # 创建向量存储：将文档嵌入存储到 Chroma 数据库
        vectorstore = Chroma.from_documents(
            documents=splits,
            embedding=embedding_model,
            persist_directory=vector_db_path  # 动态路径，确保隔离
        )
        retriever = vectorstore.as_retriever(
            search_kwargs={"k": 4})  # 配置检索器，返回 top-4 相关文档
        logger.info(f"Vector store initialized at {vector_db_path}")

        # 定义提示模板：支持文档上下文、对话历史和当前问题
        prompt_template = ChatPromptTemplate.from_template(
            """You are a helpful assistant. Answer the question based on the following context from a document and the conversation history.

            **Document Context**:
            {context}

            **Conversation History**:
            {history}

            **Current Question**:
            {question}

            Answer in a concise and accurate manner, considering the conversation history."""
        )

        # 定义 Qwen-Plus 生成函数：调用 API 生成答案
        def qwen_generate(inputs: dict) -> str:
            context = inputs["context"]  # 检索到的文档内容
            question = inputs["question"]  # 当前用户查询
            history = inputs["history"]  # 对话历史
            logger.debug(
                f"Qwen-Plus input - Context: {context[:100]}..., History: {history[:100]}..., Question: {question}")
            messages = [
                {"role": "system", "content": "You are a helpful assistant."},  # 系统提示
                {"role": "user", "content": prompt_template.format(
                    context=context, history=history, question=question)}  # 用户提示
            ]
            try:
                completion = qwen_client.chat.completions.create(
                    model="qwen-plus",  # Qwen-Plus 模型
                    messages=messages,
                    temperature=0.7,  # 控制生成随机性
                    max_tokens=200  # 最大输出长度
                )
                answer = completion.choices[0].message.content  # 提取答案
                logger.debug(f"Qwen-Plus output: {answer}")
                return answer
            except Exception as e:
                logger.error(f"Qwen-Plus API call failed: {str(e)}")
                raise

        # 格式化检索文档：为每段添加编号和页码
        def format_docs(docs):
            formatted = ""
            for i, doc in enumerate(docs, 1):
                formatted += f"**文档片段 {i} (页 {doc.metadata.get('page', '未知')})**:\n{doc.page_content}\n\n"
            return formatted

        # 格式化对话历史：将历史记录转为字符串
        def format_history(history):
            formatted = ""
            for role, text in history:
                formatted += f"{role}: {text}\n"
            return formatted if formatted else "无历史记录"

        # 构建 RAG 链：整合检索、提示和生成
        rag_chain = (
            {
                "context": retriever | format_docs,  # 检索并格式化文档
                "question": RunnablePassthrough(),  # 传递用户查询
                "retrieved_docs": retriever,  # 原始检索文档
                "history": lambda x: format_history(chat_history)  # 对话历史
            }
            | RunnablePassthrough.assign(answer=qwen_generate)  # 调用生成函数
            | (lambda x: {  # 返回答案和检索内容
                "answer": x["answer"],
                "retrieved_docs": x["context"]
            })
        )

        logger.info("RAG chain built successfully")
        return rag_chain
    except Exception as e:
        logger.error(f"Failed to build RAG chain: {str(e)}")
        raise


def process_pdf(pdf_file):
    """处理上传的 PDF 文件，构建新的向量数据库和 RAG 链

    Args:
        pdf_file: Gradio 上传的文件对象，包含临时路径

    Returns:
        str: 处理状态消息（成功或错误提示）

    Raises:
        Exception: 如果 PDF 处理或 RAG 链构建失败

    Notes:
        - 支持 Gradio 文件上传，处理临时文件
        - 每次上传创建新向量数据库，删除旧数据库
        - 清空聊天历史，确保新 PDF 的问答隔离
    """
    global rag_chain, qwen_client, chat_history, current_vector_db
    try:
        # 检查 pdf_file 类型，确保非空
        logger.debug(f"PDF file type: {type(pdf_file)}")
        if pdf_file is None:
            return "请上传 PDF 文件！"

        # 获取 Gradio 上传文件的临时路径
        tmp_path = pdf_file.name if hasattr(pdf_file, 'name') else pdf_file
        logger.debug(f"Processing PDF file: {tmp_path}")

        # 验证文件存在
        if not os.path.exists(tmp_path):
            return f"PDF 文件 {tmp_path} 不存在！"

        # 生成唯一的向量数据库路径：基于文件名和时间戳
        pdf_basename = os.path.splitext(os.path.basename(tmp_path))[0]
        timestamp = time.strftime("%Y%m%d_%H%M%S")
        vector_db_path = f"./chroma_db_{pdf_basename}_{timestamp}"
        logger.info(f"Creating new vector database at {vector_db_path}")

        # 删除旧向量数据库，释放磁盘空间
        if current_vector_db and os.path.exists(current_vector_db):
            shutil.rmtree(current_vector_db)
            logger.info(f"Deleted old vector database at {current_vector_db}")

        # 提取 PDF 文本
        documents = extract_text_from_pdf(tmp_path)

        # 初始化 Qwen-Plus 客户端（仅首次）
        if qwen_client is None:
            qwen_client = initialize_qwen_client()

        # 构建 RAG 链
        rag_chain = build_rag_chain(documents, qwen_client, vector_db_path)
        current_vector_db = vector_db_path  # 更新当前向量库路径

        # 清空聊天历史
        chat_history = []

        return f"PDF 上传并处理成功！新向量数据库创建于 {vector_db_path}。请在聊天框中输入查询。"
    except Exception as e:
        logger.error(f"Failed to process PDF: {str(e)}")
        return f"处理 PDF 失败：{str(e)}"

def chat_with_rag(query: str):
    """处理用户查询，返回答案、检索内容和聊天历史

    Args:
        query (str): 用户输入的查询（如 "What is the main topic?"）

    Returns:
        tuple: (答案, 检索到的文档内容, 格式化的聊天历史)

    Raises:
        Exception: 如果 RAG 链未初始化或查询执行失败

    Notes:
        - 支持多轮对话，更新聊天历史
        - 返回检索内容，增强答案透明度
        - 日志记录查询和检索信息
    """
    global rag_chain, chat_history
    try:
        if rag_chain is None:
            return "请先上传 PDF 文件！", "", chat_history

        # 执行查询
        result = rag_chain.invoke(query)  # 调用 RAG 链
        answer = result["answer"]  # 提取答案
        retrieved_docs = result["retrieved_docs"]  # 提取检索内容
        logger.info(f"Query executed successfully: {query}")
        logger.debug(f"Retrieved documents:\n{retrieved_docs}")

        # 更新聊天历史
        chat_history.append(("用户", query))
        chat_history.append(("助手", answer))

        # 格式化聊天历史为显示
        history_text = ""
        for role, text in chat_history:
            history_text += f"**{role}**: {text}\n\n"

        return answer, retrieved_docs, history_text
    except Exception as e:
        logger.error(f"Failed to execute query: {str(e)}")
        return f"查询失败：{str(e)}", "", chat_history


def clear_history():
    """清空聊天历史，重置对话

    Returns:
        tuple: (清空提示, 空答案)

    Notes:
        - 清空全局 chat_history
        - 用于重新开始对话
    """
    global chat_history
    chat_history = []
    return "聊天历史已清空！", ""


def main():
    """启动 Gradio 界面，提供 PDF 上传和问答功能

    Notes:
        - 使用 Gradio Blocks 构建界面
        - 包含 PDF 上传、聊天交互、历史清空和日志显示
        - 界面支持多轮对话和检索内容展示
    """
    with gr.Blocks(title="RAG 问答系统") as demo:
        gr.Markdown("# RAG 问答系统")  # 标题
        gr.Markdown("上传 PDF 文件，通过聊天框查询文档内容，支持多轮对话。")  # 说明

        # PDF 上传组件
        pdf_input = gr.File(label="上传 PDF 文件", file_types=[".pdf"])  # 文件上传框
        pdf_output = gr.Textbox(label="PDF 处理状态")  # 处理状态显示
        pdf_input.change(
            fn=process_pdf,  # 调用 PDF 处理函数
            inputs=pdf_input,
            outputs=pdf_output
        )

        # 聊天组件
        with gr.Row():  # 横向布局
            query_input = gr.Textbox(
                label="输入查询", placeholder="例如：What is the main topic of the document?")  # 查询输入框
            submit_button = gr.Button("提交")  # 提交按钮
            clear_button = gr.Button("清空历史")  # 清空历史按钮
        chat_output = gr.Textbox(label="答案")  # 答案显示框
        retrieved_output = gr.Textbox(label="检索到的文档内容", lines=10)  # 检索内容显示框
        history_output = gr.Textbox(label="聊天历史", lines=10)  # 聊天历史显示框

        submit_button.click(
            fn=chat_with_rag,  # 调用查询处理函数
            inputs=query_input,
            outputs=[chat_output, retrieved_output,
                     history_output]  # 输出答案、检索内容和历史
        )
        clear_button.click(
            fn=clear_history,  # 调用历史清空函数
            inputs=None,
            outputs=[history_output, chat_output]  # 重置历史和答案
        )

        # 日志输出
        gr.Markdown("### 日志")  # 日志标题
        log_output = gr.Textbox(label="日志输出", lines=5)  # 日志显示框（当前未绑定，查看控制台）

    demo.launch()  # 启动 Gradio 界面，默认端口 7860


if __name__ == "__main__":
    main()  # 程序入口，运行 Gradio 界面
  1. 运行主程序：
    python main.py
  2. 浏览器会自动打开 Gradio 界面（默认端口 7860）。
    在这里插入图片描述

使用说明

  1. 上传 PDF：

    • 在界面点击“上传 PDF 文件”，选择本地 PDF。
    • 处理完成后，状态框显示向量数据库路径。

  2. 提问与交互：

    • 在“输入查询”框输入问题（如“What is the main topic?”）。
    • 点击“提交”，查看答案和检索内容。
    • “聊天历史”实时更新对话记录。

  3. 清空历史：

    • 点击“清空历史”按钮，重置对话。

  4. 日志查看：

    • 界面底部显示操作日志，详细日志可见终端。

项目结构

├── main.py          # 主程序入口
├── README.md        # 项目说明文档
├── chroma_db_*      # 动态生成的向量数据库文件夹
  • main.py：
    • extract_text_from_pdf：PDF 文本提取。
    • build_rag_chain：RAG 管道构建。
    • chat_with_rag：查询处理。
    • main：Gradio 界面逻辑。

注意事项

  1. PDF 限制：

    • 仅支持文本 PDF，不支持扫描版或图片 PDF。
    • 文件过大可能导致处理时间增加。

  2. API 依赖：

    • 需稳定网络连接，确保 DashScope API 可用。
    • API 调用受配额限制，详见阿里云文档。

  3. 存储管理：

    • 每次上传 PDF 会创建新向量数据库，旧数据库自动删除。
    • 定期清理磁盘空间，避免占用过多。

未来改进

  • 多文档支持：同时处理多个 PDF。
  • 离线模式：集成本地模型，摆脱 API 依赖。
  • 答案优化：增强生成内容的多样性和深度。
  • 界面升级：添加更多交互功能，如导出聊天记录。
【RAG实战】RAG系统构建与微调实战
sysu_lluozh
04-03 641
RAG系统的核心部分包括两大部分：召回模块和生成模块。召回模块的性能决定了整个系统的覆盖率，因为如果无法召回包含答案片段的文本，则生成模块将无法完成任务。然而，随着技术的飞速发展，生成模块的任务已不仅仅是汇总召回模块的结果，一些由生成模块主导的RAG系统正逐渐取代传统的召回主导型RAG系统。在本章中，将介绍如何构建适用于RAG场景的向量模型、大模型的指令微调实战，以及如何构建由大模型决策的RAG系统以解决复杂的用户问题。
知识库问答系统-基于RAG的私有知识库问答系统python源码.zip
10-01
知识库问答系统-基于RAG的私有知识库问答系统python源码.zip知识库问答系统-基于RAG的私有知识库问答系统python源码.zip知识库问答系统-基于RAG的私有知识库问答系统python源码.zip知识库问答系统-基于RAG的私有知识...
51c大模型~合集9
whaosoft~aiotの开发板商城
11-01 1457
在训练过程中，我们随机提取语义标记序列的前缀部分作为提示，以利用语言模型的上下文学习能力。接着，根据 “圆的周长” 知识点，通过圆心角的大小为 90 度和 Mary 走过的路径长度的条件，计算出圆形花坛的周长，并求得圆形花坛的半径。最后，根据 “圆的面积” 知识点，通过求得的半径的条件，计算出圆形花坛的面积，至此完成题目的求解。并且如下图所示，为了缓解模型在解决问题过程中固有的问题，我们参考教材与维基百科，启发式的引入了 67 个知识点的描述，从而为 LMMs 的推理过程提供必要的知识提示。
【AI论文精读3】RAG论文综述1-P2-RAG概览
AI完全体
10-09 1724
这篇综述论文对RAG在大型语言模型中的应用进行了全面总结，覆盖了如何通过检索增强大规模语言模型的能力，并讨论了不同类型的检索机制及其优化策略。适合对RAG的最新发展进行深入了解。这是我对论文第2部分的解读。
LLM - AI四件套 : 大模型、RAG、AI AGENT 、Workflow
小工匠
03-30 2194
十年前，如果有人跟你说"电脑能像人一样写文章、解答难题，还能自己安排工作"，你肯定觉得他在吹牛。毕竟，会用ChatGPT的人已经淘汰了不用的人，而会用Agent+工作流的人，正在淘汰只会ChatGPT的人。——知识停留在训练截止日（比如GPT-4只学到2023年），问它“2024年欧冠冠军是谁”，它能给你编个皇马vs拜仁的精彩战报，但其实压根没这比赛！以前的人工智能像偏科生——训练一个只会翻译，另一个只会算数，每个AI都只会一门手艺。现在所有AI应用都在这个"学霸大脑"上做加减法，这才是真正的范式革命。
PDF 解析问题调研
Angus
02-28 2589
说点真实的感受：网上看啥组件都好，实际测，啥组件都不行。效果好的不开源收费，开源的效果不好。测试下来，发现把组件融合起来，还是能不花钱解决问题的，都是麻烦折腾一些。 这里分享了目前网上能够看到的资料。很多资料都是反复重复的，且效果不好的。目前网上基本没有太好用的工具，也没有太好的方案资料。剩下的就是收费效果好的。
一个多模态多智能体文档理解框架：MDocAgent：
m0_65555479的博客
04-11 953
这些智能体参与多模态上下文检索，结合各自的见解，以更全面地理解文档内容。这种合作方法使系统能够综合文本和视觉组件的信息，从而提高问答准确性。在MMLongBench，LongDocURL等五个基准测试上进行的初步实验证明了我们的MDocAgent的有效性，相对于当前最先进的方法，平均提高了12.1％。这项工作有助于开发更健壮和全面的DocQA系统，能够处理包含丰富文本和视觉信息的真实世界文档的复杂性。我们的数据和代码可在https://github.com/aiming-lab/MDocAgent获取。
自我分治解决复合问题: 详解Self Divide-and-Conquer
GuPaoAi_22的博客
04-18 874
本文主要介绍了20240224大模型进展早报以及继续关注RAG的一个工作，也重新温习了使用大模型对自身生成内容置信度估计的方案，与之前介绍内容不同的是，除了使用verblized based方案之外，还可以利用token的预测概率，如均值等，这些都是很好玩的思路。此外，self-DC这这套方案，前置要求大模型的置信准确性，也融合了问题扩展等思路，但也存在一些问题，例如，简单问题和难问题之间存在着很大的差距，)**，如下所示，通过提示大模型，针对某个问题进行分解，可以得到一些细分问题，从而提升性能。
【GraphRAG】构建知识图谱：从技术到实战的完整指南
热门推荐
2301_81888214的博客
10-08 1万+
本文深入探讨了知识图谱的构建全流程，涵盖了基础理论、数据获取与预处理、知识表示方法、知识图谱构建技术等关键环节。
51c大模型~合集122
whaosoft~aiotの开发板商城
04-28 773
从 15B token 开始，DIFF Transformer 展现出了显著优于 Transformer 的数学能力，至 20B token 结束的时候，准确率的差距达到了 11% 左右。如图 11 所示，在 8 个数据集上，DIFF Transformer 相较 Transformer 均有不同程度的提升，平均准确率提升了 7.5%，这表明差分注意力机制更强大的上下文建模能力在推理任务中也至关重要。这一机制输出的是连续、细粒度的分数，能在更多题目上显示区分度，显著提高了统计效力。
Python基于 RAG 与大模型技术的医疗问答系统源码+文档说明（高分毕设）
01-06
RAG 与大模型技术的医疗问答系统源码+文档说明（高分毕设）Python基于 RAG 与大模型技术的医疗问答系统源码+文档说明（高分毕设）Python基于 RAG 与大模型技术的医疗问答系统源码+文档说明（高分毕设）Python基于 ...
私有知识库问答系统-基于RAG的私有知识库问答系统python源码+文档说明（毕设项目）
04-10
私有知识库问答系统-基于RAG的私有知识库问答系统python源码+文档说明（毕设项目）私有知识库问答系统-基于RAG的私有知识库问答系统python源码+文档说明（毕设项目）私有知识库问答系统-基于RAG的私有知识库问答系统...
人工智能-大模型-基于大语言模型和 RAG 的知识库问答系统
10-21
基于大语言模型和 RAG 的知识库问答系统 开箱即用：支持直接上传文档 / 自动爬取在线文档，支持文本自动拆分、向量化和 RAG（检索增强生成），有效减少大模型幻觉，智能问答交互体验好； 模型中立：支持对接各种大...
RAG-基于本地知识库检索+LLM微调的智能问答系统实现-附项目源码-优质项目实战.zip
09-03
在智能问答系统中，RAG模型（Retrieval-Augmented Generation）是一种结合了检索和生成的模型，它首先从一个预先定义好的知识库中检索出相关的信息，然后利用预训练的语言模型（LLM）生成最终的答案。 在本文中，...
【Qt4】Qt4中实现PDF预览
hqyhqyhq的专栏
05-06 753
在Qt4中预览PDF文件，你可以使用多种方法，但最常见和简单的方法之一是使用第三方库。Qt本身并没有内置直接支持PDF预览的功能，但你可以通过集成如Poppler、MuPDF等库来实现这一功能。如果你遇到任何问题，检查库的安装和链接是否正确，以及是否有必要的依赖项。以下是一个简单的示例，展示如何在Qt4应用程序中使用Poppler来加载和显示PDF文件。首先，你需要在你的系统上安装Poppler库。根据你的系统配置和安装的库，可能需要调整库的链接方式。例如，如果你的系统中只安装了。确保你的Qt项目文件（
极光PDF编辑器：高效编辑，轻松管理PDF文档
2501_90839605的博客
04-30 1145
在日常工作和学习中，PDF文件的使用越来越普遍。无论是学术论文、工作报告还是电子书籍，PDF格式因其稳定性和兼容性而被广泛采用。然而，编辑PDF文件往往比编辑Word文档更加复杂。今天，我们要介绍的 极光PDF编辑器，就是这样一款简单易用的PDF编辑软件，它提供了丰富的编辑工具，让编辑PDF文件变得像编辑Word文档一样轻松。软件简介极光PDF编辑器 是一款功能强大的PDF编辑软件，专为追求高效和便捷的用户设计。
ORCAD打印pdf
最新发布
weixin_68142348的博客
05-06 152
1 笔记本电脑绑定了打印机，要改成这个。
[pdf，epub]292页《分析模式》漫谈合集01-59提供下载
rolt的专栏
05-04 419
已排版成适合手机阅读
Qt6.8中进行PDF文件读取和编辑
热土程序园，利他愉己~
05-05 795
Qt6.8中进行PDF文件读取和编辑 1.环境配置 在 .pro 文件中添加 PDF 模块依赖： QT += core gui pdf  # 添加 pdf 模块 注意：独立 pdf 模块的起始版本是Qt 5.15，建议需要 PDF 功能的开发者优先选择此版本或更高版本
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值