日积月累 - 一些小知识 - 杂乱 - 啥都有

日积月累 - 一些小知识 - 杂乱 - 啥都有

这里准备放一些日积月累的小知识，但是相比于日积月累 - 一些小知识而言，本文更加随意（杂乱）。

Github 在issue中引用代码的代码段

方法：在Github的代码页，点击其中一行的数字，按住shift，再点击零一行的数字，会发现这几行有了背景色。点一下上面那行左边的“三个点的按钮”，点击Reference in new issue，即可在新的issue页面获取所引用代码的链接。

效果：Github@LetMeFly666/LeetCode/issue#32

轻量级Flask搭建小Web服务

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
from flask import send_file, Flask

app = Flask('1')

@app.route('/file/')
def download_file():
    return send_file(r'C:\Users\LetMeFly\Desktop\image.png', 'a.png', as_attachment=True)


@app.route('/')
def hello_world():
    return 'Hello World!'

print(app.url_map)
app.run(host='0.0.0.0', port='80', debug=True)

这样，访问ip/file/时就会开始下载文件，访问ip/时会看到Hello World!

C++ auto&&

1
2
3
queue<pair<int, int>> q;
auto&& [x, y] = q.front();
q.pop();

其中q.pop()将会导致x和y的值失效！ 详情可见一个De了1个多小时的BUG：7d4f27d

一点关于华为云空间计算方法以及备份内容的探究

华为云空间有5G免费额度，但很快就满了。于是简单探究了下这5G都备份了啥，发现问题有2：

  1. 备份内容重复问题
  2. 强制备份应用列表问题

备份内容重复问题：

如果我既备份“图库”，又在“文件管理－我的－设置－自动上传文件至云盘－微信文件/QQ文件”中勾选备份“图片/视频”的话，这些图片就会被备份两次，一共占据两次云空间容量。

强制备份应用列表问题：

备份“当前设备”时，会强制备份“系统数据”。系统数据中包含很多设置，同时还包含“应用列表”。

如果是在华为应用市场下载的应用，那么基本上就是存了个“下载链接”；但若是从第三方下载的应用，则会直接将应用安装包给备份上去。

这个选项无法单独关闭，是个空间消耗无底洞，轻轻松松以GB为单位。

有个投机取巧但不值得做的办法：删除“当前设备”并重新备份，系统会首先备份其他数据（正好是你想要的），最后备份“应用列表”。备份应用列表的过程中空间满了，备份终止，但你想备份的数据也已经备份完了。

安卓应用独占蓝牙信道

使用蓝牙耳机进行腾讯系列软件通话时（包括但不限于腾讯会议、微信视频），软件会独占蓝牙信道，使得：

  1. 蓝牙无法同时播放音乐
  2. 蓝牙声音奇大无比震耳欲聋，调到最小也很大，想调到0调不到

电脑上腾讯系软件也这样，但是可用通过在声音图标上右键 -> 声音 -> 播放 -> 双击蓝牙设备 -> 高级 -> 取消勾选“允许应用程序独占控制该设备”解决。

安卓上暂未找到可行办法。。。emm，我说你个tx，不给用户一个选项么，上来就独占，如果我不想让你独占呢。。。

还有使用腾讯会议时经常弹出的“监测到音量过小，建议调整到50%以上”。好家伙，最低音量（6%）我都觉得震耳欲聋，你这样是想让用户报工伤吗？

司法人工智能

1
2
3
4
5
6
7
8
9
10
@article{dahl2024large,
  title={Large legal fictions: Profiling legal hallucinations in large language models},
  author={Dahl, Matthew and Magesh, Varun and Suzgun, Mirac and Ho, Daniel E},
  journal={Journal of Legal Analysis},
  volume={16},
  number={1},
  pages={64--93},
  year={2024},
  publisher={Oxford University Press UK}
}

看完觉得主要就是测评了一些大模型在回答司法问题时的“幻觉问题”。

实验部分：

Chat with DeepSeek.

我比较关心：

  1. 请详细解释零样本和三样本。
  2. 作者是怎么比较模型回答和已知正确答案的。（1. 在基于参考的查询中，作者如何判断一个回答是否正确，难道要手动判断这几十万次回答吗？2. 在无参考的查询中，作者是如何让ChatGPT帮忙判断回答是否一致的。GPT能判断正确吗？这里会不会引入不信任度的问题？）

大模型问答时，零样本是“模型直接根据任务描述或问题生成答案，不提供任何提示”，三样本是“回答前给几个示例”。

如果做相关实验的话：

  1. 成本问题，例如GPT似乎需要开通会员才能充钱调用API，还有就是API的价格大概是一个什么样的价位。（1次对话1k token计算，ChatGPT-4o输入2.50美元/1M输出10美元/1M，1k次对话11美元，80w次对话得8.8k美元？）（当然这个是全估算，实际可能会相差好几倍，如果限制只输出“答案”不输出多余内容的话，一次输入1k，一次输出50，1k次对话2.5+0.5=3美元，80W次对话得2.4k美元）
  2. 数据库来源问题，我能找到这么好的数据库并将其预处理好以便和LLM的回答直接匹配吗？如果LLM不按照格式回答怎么办？我如何处理LLM的回答为可直接对比的格式
  3. 数据处理问题，几十万次查询总不能手动比结果，文章中好像也没说明白到底是怎么统计的。实际做实验的话，关于作者、法院、存在性是否正确等问题，需要一一想办法进行匹配。主要是本文未开源。
  4. 需要想好都统计哪些指标，以及这些指标的规则细节（例如若大模型弃权回答不应算作幻觉）

一句话：数据处理上估计比较头疼，但应该还在可完成的范围。数据来源（数据集）上得找一下。要测试哪些指标，什么情况具体如何衡量，都需要仔细想好并设计。成本上如果进行80W次对话这种量级，初步预估可能需要个1W人民币左右的成本。

总结： (第一遍粗略阅读的总结，请我的小读者按批判的眼光看待)

这篇文章测试了4个模型，使用了零样本和三样本两种模型回答方式，统计了幻觉率、存在性、法院层级等很多指标(例如统计每种模型在非贪婪温度下的幻觉率)，帮助作者系统地分析了LLMs在不同任务和设置下的幻觉现象，并揭示了其在实际应用中的潜力和挑战。

模型如下：

End

The Real End, Thanks!

原创不易，转载经作者同意后请附上原文链接哦~
https://blog.letmefly.xyz/2023/10/19/Other-Accumulation-Messy

#中等 #其他 #小杂 #知识 #Github
日积月累 - 一些小知识 - 杂乱 - 啥都有
https://blog.letmefly.xyz/2023/10/19/Other-Accumulation-Messy/
作者
Tisfy
发布于
2023年10月19日
许可协议