Đang tải bảng tin…
freeCodeCamp00 bình luận17 phút đọc
How to Teach a Small LLM to Suggest K12 Creative Project Ideas
A hands-on walkthrough of fine-tuning a small LLM (Qwen2.5-1.5B) to suggest culturally-grounded K12 STEAM project ideas. Covers the full pipeline: scraping and filtering ~19,000 Wikipedia articles, generating structured JSON training pairs using a local Qwen 2.5 7B model via Ollama, fine-tuning with LoRA on Apple Silicon using MLX, evaluating on a held-out test set, adding RAG with vector embeddings to improve cultural accuracy, and integrating the model into a TypeScript educational app. Also addresses child-safety guardrails through both data filtering and runtime screening.
Nguồn: https://www.freecodecamp.org/news/how-to-teach-a-small-llm-to-suggest-k12-creative-project-ideas. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Đề xuất cho bạn
Towards Data Science130 phútAI
Letting an LLM Pick the Right RAG Page: The Arbiter Pattern at the End of Retrieval
Bài viết giới thiệu "Arbiter Pattern" trong RAG, nơi LLM đóng vai trọng tài bằng cách phân loại và đánh giá các nguồn tài liệu ứng viên dựa trên cấu trúc dữ liệu đầu vào, thay thế phương pháp kết hợp điểm số truyền thống. Tác giả nhấn mạnh embeddings nên là phương pháp cuối cùng trong tài liệu doanh nghiệp do hạn chế trong việc xác định sự vắng mặt của thông tin, trong khi keyword retrieval cung cấp khả năng phủ định chắc chắn. Ngoài ra, bài viết đề cập đến bộ chọn phương pháp truy xuất theo loại câu hỏi, lược đồ JSON thống nhất cho kết quả truy xuất nhằm đảm bảo khả năng kiểm tra, và tầm quan trọng của xử lý "không tìm thấy" đáng tin cậy trong ngữ cảnh tuân thủ quy định.
Một lập trình viên cần đọc bài này để tìm hiểu cách tối ưu hóa hệ thống RAG bằng cách áp dụng —một giải pháp linh hoạt hơn fusion score, giúp xử lý các trường hợp phức tạp trong việc lựa chọn kết quả phù hợp từ nhiều nguồn thông tin khác nhau.
