release issue 020

issues/猫鱼周刊 vol. 020 见过 72 个轮的车吗？.md

@@ -0,0 +1,106 @@
+---
+issue: 21
+date: 2024-04-21
+intro: 猫鱼周刊第21期，介绍了不同设计的载具和Llama 3的发布，以及文本嵌入测评、项目、工具和网站等内容。AI类工具在B端落地的难题有客观和主观原因。
+---
+
+## 关于本刊
+
+> 这是猫鱼周刊的第 21 期，本系列每周日更新，主要内容为每周收集内容的分享，同时发布在
+>
+> 博客：[阿猫的博客-猫鱼周刊](https://ameow.xyz/categories/weekly)
+>
+> RSS：[猫鱼周刊](https://ameow.xyz/feed/categories/weekly.xml)
+>
+> 邮件订阅：[猫鱼周刊](https://quail.ink/ameow)
+>
+> 微信公众号：[猫兄的和谐号列车](http://img.ameow.xyz/202401141448662.png)
+>
+> 私信：[[email protected]](mailto:[email protected])
+
+## 文章
+
+### N 个轮的载具
+
+[原文链接](http://www.douglas-self.com/MUSEUM/TRANSPORT/nwheelcar/nwheelcar.htm)
+
+说起载具（vehicles），一般人的印象都是 4 个轮的现代汽车，然而历史上存在过很多不同设计的载具，从一个到 72 个不等。这篇文章细数了有历史记录的各种轮子个数的汽车。
+
+![image.png](https://img.ameow.xyz/202404211643458.png)
+
+我觉得比较实用的是一种五个轮的汽车，它在车尾备胎的位置设计了一个可升降的轮，帮助在马路边极窄的地方泊车，或者实现原地 90 度旋转、原地掉头等。
+
+![image.png](https://img.ameow.xyz/202404211650596.png)
+
+### Llama 3：当前最强的公开 LLM
+
+[原文地址](https://ai.meta.com/blog/meta-llama-3/)
+
+Llama 3 的发布不算什么新闻了，我挑几个点说一下：
+
+- 70B 是当前旗舰，比 Claude 3 Sonnet 强，但不如 Claude 3 Opus
+- 有一个 400B 的在训练了，对标 Claude 3 Opus
+- Llama 3 70B 和 Claude 3 Sonnet 还有很多东西都比 GPT 3.5 强了，GPT 4 也是四面楚歌，Claude 3 Opus 已经吊打 GPT 4
+- 开放性是个很大的优势，不仅主流的云服务平台能部署，[ollama](https://github.com/ollama/ollama)几乎是立刻就支持了，而且 7B 在 M1 Pro 上运行很快
+- 延伸一下上一点，开放意味着性价比会更高。在 B 端，几个点的性能不如对半砍的成本重要。
+
+### 文本嵌入测评
+
+[原文地址](https://huggingface.co/spaces/mteb/leaderboard)
+
+我在之前的几期介绍过大模型的榜单和测评（benchmark），这期介绍一个关于 embedding 的测评和榜单。
+
+随着 RAG 的兴起，embedding 显得越来越重要。RAG（Retieval Augmented Generation）是一种通过寻找外部知识（Retrieval，召回）来辅助 LLM 生成回答的技术，通过这种技术，可以让 LLM 获得在训练语料以外的知识（例如一些私有的知识库，或在训练截止日期之后发生的事情等），来避免产生幻觉（语句上通顺但不符合事实的回答）。
+
+在构建知识库时，需要对已有的一些文本内容分段、清洗并向量化，将向量存入向量数据库中。在查询时，用户输入先通过相同的模型进行向量化，并送入向量数据库中进行查询，这一步一般使用最近邻算法，取出在语义上最相似的几个片段；如果需要提升准确率，还需要进行重排（rerank），通过一定的算法计算用户输入和片段之间的关联性（这里跟语义相似度有一定的差别）；最后再把这几个片段作为上下文提供给 LLM 来产生回答。
+
+因此可以看出，embedding 对于 RAG 质量有很直接的影响。另外，用于构建知识库的文本通常很多，虽然 OpenAI 的 embedding 也很便宜（$0.13/1M tokens），但自建的 embedding 通常能提供更低的时延和成本。
+
+## 项目
+
+### metowolf/vCards
+
+[![metowolf/vCards - GitHub](https://gh-card.dev/repos/metowolf/vCards.svg?fullname=)](https://github.com/metowolf/vCards)
+
+一个联系人订阅，搞好后短信界面是稍微好一点了。但是还是会有一大堆数不尽的 106 号码。
+
+### jina-ai/reader
+
+[![jina-ai/reader - GitHub](https://gh-card.dev/repos/jina-ai/reader.svg?fullname=)](https://github.com/jina-ai/reader)
+
+能把任意网页转化成 LLM 可读的 Markdown 文档的工具。
+
+## 工具/网站
+
+### 与我协作，让 \<div\> 变成杰作
+
+[网站地址](https://freelance.sunebear.com/)
+
+一个自由职业者的接单落地页，动效非常出色。
+
+![image.png](https://img.ameow.xyz/202404211743886.png)
+
+
+## 想法
+
+### AI 类工具在 B 端的落地
+
+AI 类工具在 B 端落地很难，简单归纳以下几个原因。
+
+客观原因：
+
+AI 产出的内容质量不达标，达不到业务方的预期。根本原因是 LLM 作为通用的模型，不具备在某一个业务上深入的经验，因此在做一些有深度的工作时，没办法达到很好的结果。
+
+主观原因：
+
+a. 负面偏见。其实 LLM 交付的内容效果“一般”，至少是像模像样，但是匹配不上专业人类的水平，又或者一个或某个 case 不符合预期，造成对其接受度非常低。
+
+b. 职业威胁论。在 AI 能完成“一般”的效果的前提下，其职业稳定性、地位是否会被其动摇。另，原本一天工作量的事情，引入提效后，是否会影响其效率安排（摸鱼）。
+
+## 最后
+
+本周刊已在 [GitHub](https://github.com/LeslieLeung/cat-fish-weekly) 开源，欢迎 star。同时，如果你有好的内容，也欢迎[投稿](https://github.com/LeslieLeung/cat-fish-weekly/issues/new?assignees=LeslieLeung&labels=&projects=&template=recommendations.md)。
+
+另外，我建了一个体验反馈问卷，有别的意见也可以在这里[反馈](https://wj.qq.com/s2/14419451/42b1/)，或者加入交流群反馈。
+
+![](https://img.ameow.xyz/202404211752324.jpg)