大语言模型前端
选择虽不多，但仍有……
当我开始尝试使用大型语言模型（LLMs）时，它们的用户界面正处于积极开发中，而现在其中一些已经非常出色了。
LLM
为大型语言模型编写有效的提示
需要进行一些尝试但
仍然有一些常见的方法可以编写良好的提示，使大语言模型（LLM）在理解你的需求时不会感到困惑。
对比大模型的摘要能力
8 个 llama3（Meta+）和 5 个 phi3（Microsoft）大语言模型版本
测试不同参数数量和量化模型的行为。
将 Ollama 模型移动到不同位置
Ollama LLM 模型文件占用大量空间
在安装 ollama之后，最好立即重新配置 ollama，以便将模型存储在新位置。这样，当我们拉取新模型时，它就不会被下载到旧位置。
大语言模型速度测试
让我们测试LLMs在GPU与CPU上的速度表现
比较几种大语言模型（LLMs）版本在CPU和GPU上的预测速度：llama3（Meta/Facebook）、phi3（Microsoft）、gemma（Google）、mistral（开源）。
使用大语言模型进行逻辑谬误检测
让我们测试不同LLMs在检测逻辑谬误方面的质量
在这里，我将比较几种大语言模型（LLM）的版本：Llama3（Meta）、Phi3（Microsoft）、Gemma（Google）、Mistral Nemo（Mistral AI）和Qwen（阿里巴巴）。