Pteromyini

从我们做 AI For Health 的经验来看，我们在临床上遇到的最大的问题是：患者并不能准确描述自己的问题，这是个很大的问题，AI 依赖的是充分的上下文。
做医疗模型面向患者最大的困扰不是模型本身，是患者描述不出来自己的情况，比如一个疼痛的描述，疼痛描述太多了，绝大多数患者跟 ai 的交互描述不出急性/慢性/放射痛这类，为了准确减少幻觉，微调和 rag 一定是依托指南的，也就是说患者和指南是对不齐的，医生一个很重要的工作是把患者实际症状和临床专业术语对齐。
实际面诊也是这种情况，医生看病多数情况下也是一种 RAG ，通过患者的现状去对齐指南，医生面诊最大的作用还是根据实际表现来帮助患者把症状和指南对齐，治疗啥的反而从指南角度来说更简单一些。所以大模型最好的接入方法还是帮助做辅助诊疗，面向医生而不是面向患者。让 LLM 提升低年资医生（特点是医疗知识足够且能理解多数医疗名词，但是经验可能不足）的诊断水平（诊断和治疗是两回事），从而提高整体医疗水平

企业级系统的话倒是可以用 truenas ，这个确实是企业系统

说实话你这个“企业级”比绝大多数正经玩 nas 的家里云要草率

从滑雪角度来说，单板横滑属于正常的，是不是超出必要范围需要专业人士根据速度、雪道人数等进行单独判断。但是滑雪有一条算是默认的规则，普遍认为是后面责任大，因为后面的滑雪选手是有视野能避让的。另外还需要提醒下大家，归根结底虽然滑雪门槛低，但他确确实实是一种极限运动，不能因为普及的广而随意参与

从原理来看目前长期确实不可能，长期项目放到 LLM 的视角下就是长上下文，长上下文在现有 Transformer 的实现方式假设算力有限的前提下必然会引起注意力分散的问题，而现在的缓解手段基本是从工程上做上下文压缩和利用稀疏注意力选择性的计算上下文 token ，放到当下的技术能力，这个结论是成立的，核心争议无非是“长期”项目指的范围是什么。至于未来能不能解决只能说拭目以待，毕竟现在谁也不知道下一个序列建模方法以什么样的方式发布，未来的算力会不会产生爆炸式增长

随着时代和语境变啊，比如我们这多数情况说电车指的是电动自行车，比如：骑电车去，电车去就行
如果在讨论买车或者汽车的时候电车指 EV ，或者干脆泛指纯电和混动
根据语境来，不过我们这电车几乎没有指代过有轨电车，毕竟还是少

不管你说的再花里胡哨，你做的这个东西就是典型的攻击行为，提示词攻击和间接提示词攻击现在是公认的非法攻击手段

肉眼可见的在过去的半年到一年里大模型辅助深入覆盖到了各行各业，此外 ds v3 架构直到现在还是 glm 等模型的重要基础架构

并非漏洞，模型问题，训练语料库污染