TL;DR
1. Qwen, baichuan, yi, deepseek coder：这些被认为是比较优秀的开源大模型。其中，baichuan 和 yi 被多次提及，且 baichuan2 13b 被认为是表现最好的。Qwen-72B 和 Deepseek-67B 被认为是目前中文开源大参数模型里，效果最好的。
2. BlossomLM：这是一个 v 友自己微调的 LLM ，主要提供一套公开的 SFT 数据。
3. ChatGLM, ChatGLM3：被提及并推荐。
4. Ollama：一个可以本地部署 LLM 的平台，包括 Llama 2, Code Llama 等模型。
5. Mixtral：可以本地运行，替代 ChatGPT-3.5 ，用于替代 Immersive Translate 的翻译引擎。
6. Llama 7b 和 13b：一些 v 友认为这两个模型的效果不太好。
7. Yi-34B：有 v 友认为其 SFT 数据有问题，推荐使用衍生版本，如 SUS-Chat-34B 。

一样的，每天就像钝刀割肉，看着时间被不断割走自己还是一无所获，很焦虑也很无奈

梦想是能发自本心彻底的不嫉不怨，但也许是因为长期的应试和平庸的秉性，不知什么时候起，我的潜意识中已经被种下了恶意的种子，它们导致自己在不知不觉中和优秀成功者比较，引发持续的负面情绪。

所以现在只能尽量逃避现实，不去关注其它人，欺骗自己做一只鸵鸟，才能偶尔获得短暂的幸福感……

一般情况下专用小模型的效果会强于通用大模型，如 gpt 在测试集上的准确率低于原分类模型，那么 chatglm 准确率只会更差。采用 LoRA/Adapter 微调可能有提升，前提是数据分布比较均匀，且在验证集上 loss 收敛

@chengchuan1009 相对来说富途稍稍好用一些。还有华泰和微牛更胜一筹（余额理财好用 长桥可用码 SALUDR

根据利率从高到低对当前答案进行总结：

1. 头部交易所选稳定币理财：平均一年有 20% 的年化收益。优点是收益率高，缺点是风险较大，可能会受到市场波动的影响。

2. 购买比特币现货并转入币本位合约：年化收益率约为 18%。优点是收益率较高，缺点是风险较大，可能会受到市场波动的影响。

3. 购买券商收益凭证：年化收益率为 5.5%。优点是风险较低，缺点是收益率不如前两者。

4. 购买美国国债：无风险收益率为 5%。优点是风险低，缺点是可能会受到汇率转换的影响。

5. 购买企业债：平均年利率在 5% 左右。优点是收益稳定，缺点是可能会受到企业经营状况的影响。

6. 购买大额存单：1 年期平均利率在 2.3% 左右，3 年期一般可以达到 4.1%，5 年期基本都可以达到 5%。优点是风险低，缺点是需要一定的投资门槛，一般 20 万元起投。

7. 购买银行理财产品：国有银行一年期最高利率为 3.55%，股份制商业银行一年期最高利率可达到 4.5%，甚至 5% 以上。优点是风险较低，缺点是收益率不如前几者。

8. 购买地方债：平均收益可以达到 3%~5%。优点是风险低，缺点是可能会受到地方政府财政状况的影响。

9. 购买国债：3 年期，利率 3.8%； 5 年期利率 3.97%。优点是风险最低，缺点是收益率较低。

10. 银行定期存款：一年期利率约为 1.75%。优点是风险最低，缺点是收益率最低。

建议按比例分散投资。银行理财产品同样推荐微众银行，活期 4%，AFF 通道： https://personal.webank.com/s/hj/focus2/client/index.html?fid=2807&mgmAid=6845&sid=68e84baad4454887b71e932890f1478e

@snitfk 确是持续俯冲下行，所以积累了满身负能量😂

@calmbinweijin 难……现在醒时自我怀疑，梦中悔恨不已。整天浑浑噩噩，看不到希望痊愈。前程乌漆嘛黑，熬着便是活受罪

跟风感叹下，OP 不在局中导致没有抓住其实还好了…

看看本铁 five 吧，大把机会给塞到手里，然后自己手贱扔掉😭

- 13 年同学挖矿拉着入股，说没钱；

- 研究生导师劝我连读，说跳出舒适圈；

- 大厂跳某小厂 leader （很好的）劝留，说不配；

- 18 年短视频风生水起，我从推荐算法转后端；

- 23 年大模型起飞，我从半个大模型开发岗离职

每一步都曾经有前途，每一步都头铁精准踏错

曾经也想骂天意弄人，但是老天已给我太多机会，饭都送嘴边了，结果沙雕选择都是自己做的😭
真就山猪吃不了细糠，性格决定命运

BMI=28.9 已属于超重。如没有不良反应可找大夫开司美格鲁肽，快速控制住体重后再配合饮食和运动，争取能保持正常 BMI

@ShadowPower 有理。看了下单条 context 大小应该是 seq_len * embedding_size ？如果按一般的 1024*768 存放单精度浮点相当于 3M 长度字符了，也就是在 8k 上下文场景下的约 400 轮聊天记录，差距很明显

的确如果采用 decoder 结构的模型，那么只需要记住 context vector ，就算是保存了当前 session 的状态，下次请求时也不需要把之前的聊天记录全部传过来，只需要拿 user_id 查表得到 context vector 就能恢复状态。

这样做用户侧来看感觉是最合理的。至于 openAI 没这么做的原因，我能想到的是一方面节省查表的开销，另一方面调 api 时多收点 token 费用，不知是否还有其它技术原因

6vbHtfoHU19whUiwinaGhb 谢谢 op

1\叶黄素，可能是安慰剂，但对我真的有用。注意单次摄入≥10mg

2\游泳，强制眼睛休息，同时眼睛的焦距也会被水体动态调整。游完后短时间内眼中的血丝会相对少很多

极差。

这是每天都在逃避现实的一年。步入 30 后开始莫名恐慌，经常性对比同龄人后，不自觉地对自己的过去进行审视复盘，然后频繁地为年轻时众多重大误判而懊丧，一手普通牌终究打得稀烂

年关将至，进入 30 好像是昨天，31 却已经在眼前。回忆中充满折磨，未来却不见希望，而这一切都是自己的选择导致的。好在年龄越大，一年在人生中的占比就越小，所以未来的痛苦虽然多，但能留下的创伤也会越来越少吧…应该是的

op 能否分享下在用的 prompt ，感谢

perplexity pro 免费两个月，第三个月半价，可用 Claude 2 👉🏻 https://v2ex.com/t/994821

国内某些厂企的认知里，只要是理工 PhD ，不管哪毕业的，都薄纱清北之外一切本硕。所以，与其向往徒有其名的 985 ，不如果断读博当仌仌