使用 Ollama 安裝Llama 3.1 8b 於 M2 MacBook Air 居然運行順暢！

Sink - A Simple / Speedy / Secure Link Shortener with Analytics, 100% run on Cloudflare.
https://sink.cool/

Space Station 14: Multiplayer Disaster Simulator - SS14
https://spacestation14.com/

SS14

Space Station 14: Multiplayer Disaster Simulator

A multiplayer game about paranoia and disaster, remaking the classic Space Station 13

如何使用Llama3.1构建产品?开发者可以利用405B进行更多的实践，包括：

实时和批量推理
监督微调
针对具体应用的模型评估
持续预训练
检索增强生成（RAG，Retrieval-Augmented Generation）
函数调用
合成数据生成

成功了

PixelOS 写入中 💡

痤疮患者应少吃高糖、高脂肪、酒、辛辣等刺激性食物。近年来发现，乳制品（尤其是牛奶）可增加患痤疮的风险，并与痤疮的严重程度有关，因此，少吃乳制品也有预防痤疮发生的作用。多吃蔬菜、水果、富含ω-3脂肪酸以及含长纤维的食品，保持大便通畅，对防治痤疮有良效。

https://ea.rna.nl/2024/05/27/when-chatgpt-summarises-it-actually-does-nothing-of-the-kind/

这篇文章探讨了 ChatGPT 及类似大型语言模型（LLMs）在总结文本时的局限性。作者认为，尽管人们普遍期待这些模型能够有效地进行总结，但实际上它们并没有真正理解文本内容，而只是表面上看起来在进行总结。

文章的核心论点是，ChatGPT 在被要求总结时，实际上是在缩短文本，而不是进行真正的总结。真正的总结需要理解文本的核心思想和结构，而缩短文本则不需要这种深层理解。作者通过自己对一篇关于荷兰养老金系统变革的 50 页论文进行总结的经历，展示了 ChatGPT 生成的总结与原文之间的差距。

在对比中，作者发现 ChatGPT 的总结缺乏对论文中关键提议的准确反映，尤其是关于“利益相关者委员会”的提议完全被忽略。作者指出，ChatGPT 的总结往往包含一些模糊的陈述，而缺乏具体的、可操作的建议，这使得其总结的有效性受到质疑。

此外，作者还提到，ChatGPT 在处理复杂文本时，可能会因为其注意机制而错误地强调不重要的内容，从而抑制关键句子的表达。这种现象表明，LLMs 在总结时的表现受到其训练数据和上下文的双重影响，且在某些情况下，训练数据的影响可能会超过文本本身。

最后，作者对 LLMs 在商业应用中的可靠性表示怀疑，认为在许多情况下，它们的总结能力并不足以满足实际需求。文章呼吁人们对 LLMs 的能力保持谨慎态度，尤其是在需要准确理解和总结复杂信息的场合。

R&A IT Strategy & Architecture

When ChatGPT summarises, it actually does nothing of the kind.

One of the use cases I thought was reasonable to expect from ChatGPT and Friends (LLMs) was summarising. It turns out I was wrong. What ChatGPT isn’t summarising at all, it only looks like it…