7 minutterHukommelse til agenter (konceptuel video)
Skeln mellem beslutninger om kortvarig og langvarig hukommelse, og vurdér, hvornår en AI-agent bør skrive til sin hukommelse.
Afspil videoSebastian Raschka. Sebastian Raschka gennemgår finjusteringens placering i den bredere proces for træning af LLM'er, herunder instruktionsfinjustering, klassifikationsfinjustering, parametereffektive metoder og de afvejninger, artiklen beskriver før en eventuel anbefaling af LoRA. Videoen er nyttig som fagligt overblik, når et team skal vurdere, om finjustering overhovedet er det rigtige næste skridt.
Modelnavne, priser og egenskaber ændrer sig hurtigt. Brug videoen til beslutningsmønstret, og kontrollér derefter den aktuelle models adfærd, før metoden tages i brug.
Placér finjustering i den bredere træningsproces, og vurdér, hvornår den kan være mere relevant end udformning af prompts eller RAG.
Grundlæggende forståelse af ML; gennemgangen er begrebsmæssig og kræver ikke et miljø til at følge kodeeksempler.
Senest gennemgået: 18. maj 2026
Fortsæt ad den samme læringsvej med de næste kuraterede videoer.
7 minutterSkeln mellem beslutninger om kortvarig og langvarig hukommelse, og vurdér, hvornår en AI-agent bør skrive til sin hukommelse.
13 minutterModellér promptinjektion som blanding af utroværdige data, og design grænser omkring tool use.
19 minutterDu kan estimere, hvornår promptcaching betaler sig, ved at veje cache-write-tillæg op mod read-besparelser for dine reelle workloads.