mind x

มายด์-เอ็กซ์

Mind-X คือ Smart CloneAI ที่เติบโตเร็วที่สุดซึ่งเข้าใจ 'ฉัน' ในแบบเรียลไทม์

โครงการนี้แสดงให้เห็นถึงความเป็นไปได้ของ LLM ส่วนบุคคล (หรือ LMM) ในฐานะผู้ช่วยส่วนตัว โดยก้าวให้ทันกับการเติบโตอย่างรวดเร็วของโมเดลเหล่านี้

เราได้นำเสนอวิธีการดึงข้อมูล-Augmented Generation (RAG) เพื่อเอาชนะข้อจำกัดของการปรับแต่งพร้อมท์แบบดั้งเดิมซึ่งมีขอบเขตบริบท และการปรับแต่งอย่างละเอียดซึ่งประสบปัญหาเกี่ยวกับการอัปเดตข้อมูลแบบเรียลไทม์และอาการประสาทหลอน

เดิมที RAG ถูกใช้เพื่อค้นหาฐานข้อมูล เช่น Chroma ผ่าน LangChain ในฐานะร้านค้า แต่วิธีนี้ทำงานภายในบริบทที่ตายตัว ซึ่งมีข้อจำกัด

ดังนั้นเราจึงวางแผนที่จะสร้างระบบ RAG ของเราเอง กระบวนการนี้อาจเกี่ยวข้องกับการจัดการปัญหาการอนุมานและการถดถอยที่ LangChain อาจเสนอ

เรามุ่งมั่นที่จะพัฒนาอย่างรวดเร็วและจะเปิดใช้งานความเข้ากันได้หลายภาษาในเร็วๆ นี้ ปัจจุบันระบบรองรับภาษาอังกฤษเต็มรูปแบบ โดยมีแผนจะรองรับภาษาเกาหลี ญี่ปุ่น และภาษาอื่นๆ เร็วๆ นี้ นอกจากนี้ ระบบการถดถอยและการอนุมานจะถูกรวมเข้าด้วยกันเร็วๆ นี้

สถาปัตยกรรม

การทดสอบการทำงาน

หากต้องการรันการทดสอบ ให้รันคำสั่งต่อไปนี้

 # start embeddings server
  cd embd & pip install -r requirements.txt
  python app.py

# start mindx-v server (vector-database)
# not using cgo, only assembly
cd mindx-v & go run cmd/mxvd/main.go

# start processor server
cd processor & go run cmd/main.go

# start demo client
cd sample_client & npm start

สาธิต

การสาธิต TextVector และ RAG แบบเรียลไทม์พร้อม LLM

ในขั้นต้น ผู้ช่วยไม่รู้อะไรเลยเกี่ยวกับผู้ใช้ อย่างไรก็ตามผู้ใช้สามารถสอนผู้ช่วยเกี่ยวกับตนเองได้แบบเรียลไทม์ (เนื่องจากคุณลักษณะของ LLM จึงอาจเข้าใจผิดได้ว่าระบบจะจดจำเป็นสายโซ่การสนทนามากกว่าการเรียนรู้ จึงดำเนินการหลังจากรีเฟรชแล้ว) ข้อมูลที่เรียนรู้จะสะท้อนให้เห็นทันที และนี่ถือเป็นการปรับเปลี่ยนในแบบส่วนบุคคลครั้งแรกของผู้ช่วย

คุณสมบัติทั้งหมดนี้ของโปรเจ็กต์สามารถรองรับได้ในพื้นที่โดยไม่จำเป็นต้องรวมระบบคลาวด์ภายนอกหรือการเชื่อมต่ออินเทอร์เน็ต

การสาธิต ImageVector และความผิดปกติ

ข้อมูลการฝึกอบรม (เล็กมาก เฉพาะการทดสอบ)

ข้อมูลการทดสอบ

รหัสทดสอบ

 query = protobuf . search_pb2 . SearchRequest (
            dataset_id = dataset_id ,
            query = get_image_embedding ( "./test_data/bad.png" ),
            k = 1
        )
        results = search . Search ( query )
        try :
            for result in results :
                print ( "Search result:" , result . id , result . metadata , result . score )
        except grpc . RpcError as e :
            print ( "Search failed:" , e )
        query = protobuf . search_pb2 . SearchRequest (
            dataset_id = dataset_id ,
            query = get_image_embedding ( "./test_data/good.png" ),
            k = 1
        )
        results = search . Search ( query )
        try :
            for result in results :
                print ( "Search result:" , result . id , result . metadata , result . score )
        except grpc . RpcError as e :
            print ( "Search failed:" , e )

ผลลัพธ์

ติดต่อ

• โปรดติดต่อฉันที่ [email protected]
• ทุกคนสามารถใช้โปรเจ็กต์นี้ได้ และแม้ว่าจะไม่มีความตั้งใจที่จะสร้างรายได้ แต่หากคุณต้องการนำไปใช้ในเชิงพาณิชย์หรือทำการทดสอบภายใน โปรดเปิดเผยชื่อบริษัทของคุณเพื่อช่วยเหลือฉัน