户外灯箱广告牌定制 - 照亮您的品牌！

户外灯箱广告牌定制 - 照亮您的品牌

在现代商业社会，品牌的重要性越来越显著。企业需要通过各种途径来提高品牌知名度和品牌形象，其中户外广告牌是不可或缺的一种选择。然而，如何使您的广告牌从众多同类中脱颖而出？如何将您的品牌形象展现给顾客？定制户外灯箱广告牌是一个不错的选择！本文将为您介绍户外灯箱广告牌定制的重要性和好处，以及如何制定适合您品牌形象的灯箱广告牌。

第一部分 - 户外灯箱广告牌定制的好处

户外灯箱广告牌是一种高效的品牌推广方式，它拥有一些优势：

视觉冲击力：户外灯箱广告牌不仅可以在白天吸引顾客的注意，而且在夜晚更加引人注目。
长时间曝光：与电视广告和网络广告不同，户外灯箱广告牌可以24小时不间断地展示您的品牌形象。
地理位置优势：户外灯箱广告牌通常在人流量和车流量较大的地方设置，这使得您的品牌形象得到更多曝光。
成本效益：与其他大规模广告投放方式相比，户外灯箱广告牌更加经济实惠。

然而，只有制定出适合自己品牌形象的户外灯箱广告牌，才能真正充分利用这些好处。

第二部分 - 制定适合品牌形象的户外灯箱广告牌

下面是一些建议，帮助您制定适合品牌形象的户外灯箱广告牌：

了解自己的目标受众：谁是您的顾客？他们的年龄、性别和收入状况是什么？考虑到受众的需求和偏好，制定出适合他们的户外灯箱广告牌。
把握关键信息：户外广告牌上的信息要简洁明了，让顾客一览而知。确保您的品牌名称、标志和口号出现在广告牌上，并使用易于辨认的字体和颜色。
提高创意和艺术性：户外灯箱广告牌不仅需要传达信息，还需要吸引人的视觉效果。使用高质量的图像和广告语言，以吸引顾客的眼球。
注意细节：保持广告牌干净整洁，确保图像和文字清晰可见。与此同时，注意环保和安全问题，遵守当地的法规。

第三部分 - 结论

户外灯箱广告牌是一种非常有用的推广方式，可以为您的品牌形象带来巨大的好处。通过合理制定定制户外灯箱广告牌的方法，您可以充分利用这些好处，并将您的品牌形象呈现给更多的潜在顾客。

户外灯箱广告牌定制 - 照亮您的品牌！特色

1、将A，B，X，Y按钮重新映射到不同的按键

2、允许物业经理按网格管理社区的系统。

3、Unityd下载

4、极具风格的游戏画面，玩法简单容易上手。

5、首先在本页面下载苹果模拟器电脑版文件包

户外灯箱广告牌定制 - 照亮您的品牌！亮点

1、系统自动匹配任务，根据自己的喜好进行设置，方便快捷的找到任务；

2、上古神兽异宠，并肩作战纵横仙界

3、天下洪流暗涌不断，乱世史记由你执笔

4、三国online下载

5、每天实时更新招标信息

jiangA，B，X，Yanniuzhongxinyingshedaobutongdeanjianyunxuwuyejinglianwanggeguanlishequdexitong。Unitydxiazaijijufenggedeyouxihuamian，wanfajiandanrongyishangshou。shouxianzaibenyemianxiazaipingguomoniqidiannaobanwenjianbao擊(ji)敗(bai)ChatGPT？OpenChat霸(ba)榜(bang)斯(si)坦(tan)福(fu)AlpacaEval開(kai)源(yuan)榜首(shou)，性(xing)能(neng)高(gao)達(da)105.7%

新(xin)智(zhi)元(yuan)報(bao)道(dao)

編(bian)輯(ji)：编辑部(bu)

【新智元導(dao)讀(du)】最(zui)能打(da)的(de)开源模(mo)型(xing)來(lai)了(le)？OpenLLM在(zai)最新評(ping)測(ce)中(zhong)，壹(yi)舉(ju)击败ChatGPT。

一夜(ye)之(zhi)間(jian)，全(quan)新开源模型「OpenLLM」击败ChatGPT的消(xiao)息(xi)，在網(wang)上(shang)引(yin)起(qi)軒(xuan)然(ran)大(da)波(bo)。

根(gen)據(ju)官(guan)方(fang)的介(jie)紹(shao)，OpenLLM：

- 在斯坦福AlpacaEval上，以(yi)80.9%的勝(sheng)率(lv)位(wei)列(lie)开源模型第(di)一

- 在Vicuna GPT-4评测中，性能則(ze)达到(dao)了ChatGPT的105.7%

最重(zhong)要(yao)的是(shi)，如(ru)此(ci)卓(zhuo)越(yue)的性能，只(zhi)需(xu)要6K的GPT-4對(dui)話(hua)數(shu)据進(jin)行(xing)微(wei)調(tiao)訓(xun)練(lian)。

項(xiang)目(mu)地(di)址(zhi)：https://github.com/imoneoi/openchat

不(bu)過(guo)Chatbot Arena的「榜單(dan)主(zhu)」提(ti)醒(xing)稱(cheng)，由(you)於(yu)舊(jiu)的Vicu?a eval基(ji)準(zhun)存(cun)在一些(xie)bias，因(yin)此提倡(chang)大家(jia)遷(qian)移(yi)到新提出(chu)的MT-bench上——從(cong)而(er)更(geng)好(hao)地测评LLM更多(duo)方面(mian)的能力(li)。

OpenLLM：只需6K GPT-4对话微调

OpenLLM是一個(ge)在多樣(yang)化(hua)且(qie)高質(zhi)量(liang)的多輪(lun)对话数据集(ji)上进行微调的开源語(yu)言(yan)模型系(xi)列。

具(ju)體(ti)来講(jiang)，研(yan)究(jiu)人(ren)員(yuan)从約(yue)90K的ShareGPT对话中，过濾(lv)出来约6K的GPT-4对话。

經(jing)过6k数据微调後(hou)，令(ling)人驚(jing)訝(ya)的是，OpenLLM已(yi)经被(bei)證(zheng)明(ming)可(ke)以在有(you)限(xian)的数据下(xia)實(shi)現(xian)高性能。

OpenLLM有兩(liang)个通(tong)用(yong)模型，它(ta)們(men)是OpenChat和(he)OpenChat-8192。

OpenChat：基于LLaMA-13B微调，上下文(wen)長(chang)度(du)為(wei)2048

- 在Vicuna GPT-4评估(gu)中达到ChatGPT分(fen)数的105.7%

- 在AlpacaEval上取(qu)得(de)了惊人的80.9%的胜率

OpenChat-8192：基于LLaMA-13B微调，上下文长度为8192

- 在Vicuna GPT-4评估中达到ChatGPT分数的106.6%

- 在AlpacaEval上取得的79.5%胜率

此外(wai)，OpenLLM還(hai)有代(dai)碼(ma)模型，其(qi)性能如下：

OpenCoderPlus：基于StarCoderPlus，原(yuan)始(shi)上下文长度为8192

- 在Vicuna GPT-4评估中达到ChatGPT分数的102.5%

- 在AlpacaEval上獲(huo)得78.7%的胜率

模型评估

研究人员使(shi)用Vicuna GPT-4和AlpacaEval基准评估了最新模型，結(jie)果(guo)如下圖(tu)所(suo)示(shi)：

Vicuna GPT-4评估（v.s. gpt-3.5-turbo）

Vicuna GPT-3.5-Turbo评估（v.s. gpt-3.5-turbo）

另(ling)外，值(zhi)得註(zhu)意(yi)的是，研究者(zhe)采(cai)用的评估模式(shi)與(yu)Vicuna的略(lve)有不同(tong)，还使用了证据校(xiao)准（EC）+平(ping)衡(heng)位置(zhi)校准（BPC）来減(jian)少(shao)潛(qian)在的偏(pian)差(cha)。

安(an)裝(zhuang)和權(quan)重

要使用OpenLLM，需要安装CUDA和PyTorch。用戶(hu)可以克(ke)隆(long)這(zhe)个資(zi)源庫(ku)，並(bing)通过pip安装这些依(yi)賴(lai)：

git clone git@github.com:imoneoi/OChat.git pip install -r requirements.txt

目前(qian)，研究人员已经提供(gong)了所有模型的完(wan)整(zheng)权重作(zuo)为huggingface存儲(chu)库。

用户可以使用以下命(ming)令在本(ben)地啟(qi)動(dong)一个API服(fu)務(wu)器(qi)，地址为http://localhost:18888。

其中，服务器与openai包(bao)，以及(ji)ChatCompletions協(xie)議(yi)兼(jian)容(rong)（請(qing)注意，某(mou)些功(gong)能可能不完全支(zhi)持(chi)）。

用户可以通过設(she)置以下方式指(zhi)定(ding)openai包的服务器：

openai.api_base ="http://localhost:18888/v1"

當(dang)前支持的ChatCompletions參(can)数有：

建(jian)议：使用至(zhi)少40GB（1x A100）顯(xian)存的GPU来運(yun)行服务器。

数据集

轉(zhuan)換(huan)后的数据集可在openchat_sharegpt4_dataset上获取。

项目中所使用的数据集，是对ShareGPT清(qing)洗(xi)和篩(shai)選(xuan)后的版(ban)本。

其中，原始的ShareGPT数据集包含(han)大约90,000个对话，而僅(jin)有6,000个经过清理(li)的GPT-4对话被保(bao)留(liu)用于微调。

清洗后的GPT-4对话与对话模板(ban)和回(hui)合(he)结束(shu)時(shi)的token相(xiang)结合，然后根据模型的上下文限制(zhi)进行截(jie)斷(duan)（超(chao)出限制的內(nei)容將(jiang)被丟(diu)棄(qi)）。

要运行数据處(chu)理流(liu)程(cheng)，请執(zhi)行以下命令：

./ochat/data/run_data_pipeline.sh INPUT_FOLDER OUTPUT_FOLDER

輸(shu)入(ru)文件(jian)夾(jia)應(ying)包含一个ShareGPT文件夹，其中包含每(mei)个ShareGPT对话頁(ye)面的.html文件。

数据处理流程包括(kuo)三(san)个步(bu)驟(zhou)：

- 清洗：对HTML进行清理并转换为Markdown格(ge)式，刪(shan)除(chu)格式錯(cuo)誤(wu)的对话，删除包含被屏(ping)蔽(bi)詞(ci)匯(hui)的对话，并进行基于哈(ha)希(xi)的精(jing)確(que)去(qu)重处理

- 筛选：仅保留token为Model: GPT-4的对话

- 转换：为了模型的微调，針(zhen)对所有的对话进行转换和分词处理

最終(zhong)转换后的数据集遵(zun)循(xun)以下格式：

MODEL_TYPE.train.json / .eval.json

[ [token_id_list, supervise_mask_list], [token_id_list, supervise_mask_list], ... ]

MODEL_TYPE.train.text.json / .eval.text.json从token_id_list解(jie)码的純(chun)文本

除此之外，研究人员还提供了一个用于可視(shi)化对话嵌(qian)入的工(gong)具。

只需用瀏(liu)覽(lan)器打开ochat/visualization/ui/visualizer.html，并将MODEL_TYPE.visualizer.json拖(tuo)放(fang)到网页中。點(dian)击3D图中的点，就(jiu)可以显示相应的对话。

其中，嵌入是使用openai_embeddings.py創(chuang)建的，然后使用dim_reduction.ipynb进行UMAP降(jiang)維(wei)和K-Means著(zhe)色(se)。

模型修(xiu)改(gai)

研究人员为每个基礎(chu)模型添(tian)加(jia)了一个EOT（对话结束）token。

对于LLaMA模型，EOT的嵌入初(chu)始化为所有现有token嵌入的平均(jun)值。对于StarCoder模型，EOT的嵌入以0.02標(biao)准差进行隨(sui)機(ji)初始化。

对于具有8192上下文的LLaMA-based模型，max_position_embeddings被设置为8192，并且进行了RoPE（相对位置编码）代码的外推(tui)。

训练

训练模型时使用的超参数在所有模型中都(dou)是相同的：

使用8xA100 80GB进行训练：

NUM_GPUS= 8

deepspeed--num_gpus=$NUM_GPUS --module ochat.training_deepspeed.train \--model_type MODEL_TYPE \--model_path BASE_MODEL_PATH \--save_path TARGET_FOLDER \--length_grouping \--epochs 5 \--data_path DATASET_PATH \--deepspeed \--deepspeed_config ochat/training_deepspeed/deepspeed_config.json

评估

要运行Vicuna GPT-4评估，请执行以下步骤：

1. 生(sheng)成(cheng)模型答(da)案(an)

python-m ochat.evaluation.get_model_answer --model_type MODEL_TYPE --models_path PATH_CONTAINING_ALL_MODELS_SAME_TYPE --data_path ./ochat/evaluation/vicuna --output_path ./eval_results

2. 生成基線(xian)（GPT-3.5）答案

OPENAI_API_KEY=sk-XXX python -m ochat.evaluation.get_openai_answer --data_path ./ochat/evaluation/vicuna --output_path ./eval_baselines --model_types gpt- 3.5-turbo

3. 运行GPT-4评估

OPENAI_API_KEY=sk-XXX python -m ochat.evaluation.openai_eval --data_path ./ochat/evaluation/vicuna --baseline_path ./eval_baselines/vicuna_gpt- 3.5-turbo.jsonl --input_path ./eval_results

4. 可视化和細(xi)節(jie)

要获得可视化和繪(hui)制评估结果，请使用浏览器打开ochat/visualization/eval_result_ui/eval_result_visualizer.html，并选擇(ze)./eval_results/eval_result_YYYYMMDD文件夹中的所有文件以显示结果。

局(ju)限性

基础模型限制

盡(jin)管(guan)能夠(gou)实现優(you)秀(xiu)的性能，但(dan)OpenLLM仍(reng)然受(shou)到其基础模型固(gu)有限制的限制。这些限制可能會(hui)影(ying)響(xiang)模型在以下領(ling)域(yu)的性能：

- 復(fu)雜(za)推理

- 数學(xue)和算(suan)術(shu)任(ren)务

- 编程和编码挑(tiao)戰(zhan)

不存在信(xin)息的幻(huan)覺(jiao)

OpenLLM有时可能会產(chan)生不存在或(huo)不准确的信息，也(ye)称为「幻觉」。用户应該(gai)意識(shi)到这種(zhong)可能性，并驗(yan)证从模型中获得的任何(he)關(guan)鍵(jian)信息。

参考(kao)资料(liao)：

https://github.com/imoneoi/openchat

https://tatsu-lab.github.io/alpaca_eval/返(fan)回搜(sou)狐(hu)，查(zha)看(kan)更多

責(ze)任编辑：