😆 👨🏻💻 📚 🚀 💰
歡迎訂閱 愛好 Generative AI Engineer 電子報 
aihao.eo.page/ai-engineer
過往期數點這
Hello! 你好 👋
GPT-4V 和 Google Gemini 模型都有了影像解讀功能，讓之前需要特別用深度學習的影像辨識任務，變成了簡單的 API 呼叫。今天我們來深入看看這個功能。
先分享一個時代情懷，這是 xkcd 在 2014 的梗圖，當時是想表達在CS領域中，很難跟一般人解釋簡單和幾乎不可能的任務。沒想到十年後的今天，這個影像解讀的任務也已經變成簡單了，任何 App 只需要呼叫 GPT-4V API 就可以做出來。
Greg Kamradt 的這則 tweet 貼文，整理了常見的 Use Cases 應用分類，以及網友的示範，非常豐富。
閱讀全文〈愛好 AI Engineer 週報 🚀 GPT-4V 影像解讀 評測特輯 #07〉歡迎訂閱 愛好 Generative AI Engineer 電子報 aihao.eo.page/ai-engineer
過往期數點這
Hello! 你好 👋
我是 ihower，祝大家新年快樂~ Happy New Year~ ✨🎉
Anthropic 在11月底推出了 Claude 2.1，當時有個 Recall 評測(tweet) 很慘烈，在 200K tokens 長上下文的情況下，放在 Prompt 中間的內容，模型時常會無法回憶起內容。必須要放在最前面或是最底部，才能接近 100% 的 Recall 效能，這對 RAG 的應用來說很重要。
Anthropic 在12月初做了回應，在這篇 Long context prompting for Claude 2.1 中，透過加一句提示詞 “Here is the most relevant sentence in the context:” 就大幅提升了Recall 效能從 27% 提升到 98%，就這一句 Prompt Engineering 技巧，分數提升非常多。
閱讀全文〈愛好 AI Engineer 週報 🚀 Claude 的 Prompting 實驗 #06〉這是這個月 2023/12/14 在 Generative AI 忘年會做的一場 10 分鐘短講，介紹 AutoGen 這套多代理人框架
投影片: gamma.app/public/Autogen–opq7k43g59spkbu
Live Demo 的程式碼: github.com/ihower/autogen-demo 這部分除了使用 AutoGen 之外，額外用了 OpenAI 的文字轉語音做輸出。
歡迎訂閱 愛好 Generative AI Engineer 電子報 aihao.eo.page/ai-engineer
Hello! 你好 
Google 本月初推出了大家期待已久的 Gemini 模型，其中 Ultra 版本對標 GPT-4、Pro 對標 GPT-3.5、Nano 則是給手機裝置使用。
目前英文版 Bard 和 API 已經可使用 Pro 版，而 Ultra 則是說明年才會釋出。
這一期讓我們看看 Google Gemini 推出後的後續迴響，這裡有三條戰線，讓我們展開看看。
閱讀全文〈愛好 AI Engineer 週報 🚀 Google Gemini 各家後續回應 #05〉歡迎訂閱 愛好 Generative AI Engineer 電子報 aihao.eo.page/ai-engineer
Hello! 你好 👋
OpenAI DevDay 已經過去快一個月，資訊量大爆炸。本期回顧一些值得關注的內容。
閱讀全文〈愛好 AI Engineer 週報 🚀 OpenAI DevDay 精彩內容回顧 #04〉歡迎訂閱 愛好 Generative AI Engineer 電子報 aihao.eo.page/ai-engineer
Hello! 你好 👋
AI Engineer Summit 已經過去快一個月，官方除了陸續釋出後製錄影，原先直撥沒有的 Workshop 也有資料了，讓我們來看看。
👍Writing Principles for Task-Tuned Prompt Engineering 筆記
這場由 Anthropic 的研究員 Karina Nguyen 帶來的 Prompting 演講，有錄影跟投影片。
一小時的演講，但內容其實蠻多的，需要花點時間才能吸收，我有寫了筆記整理，不一定要看錄影。
* 開場講了為何 Prompting 很難，以及一些 Principles。
* 一個案例是講者做的推薦系統，根據用戶輸入推薦適合的衣服，給 Criteria 和使用 CoT。
* 解說他們的 Paper: Question Decomposition Improves the Faithfulness of Model-Generated Reasoning 透過分解成子問題，可以提昇模型回答能力。 Anthropic 的做法跟其他人做 Decomposition 又有點不一樣，有興趣的話可以仔細研究差異。
* 解說他們 Blog: Prompt engineering for Claude’s long context window 這個實驗很有趣，可以一讀。
