Posts

我们将使用AI模型做多语种的翻译，以 Google Vertex AI - Translation - Gemini 1.5 pro 为例。 需要配置几个关键参数。 Gemini 翻译参数配置指南 Temperature 参数解析 Temperature 参数控制模型输出的确定性： Temperature 值 效果 适用场景 0.1-0.3 输出最稳定、最可预测 技术文档、专业论文翻译 0.3-0.7 平衡稳定性和创造性 一般文本翻译 0.7-1.0 更具创造性和多样性 文学创作翻译 Top-p (核采样) 参数解析 Top-p 控制词汇选择范围： Top-p 值 效果 适用场景 0.1-0.5 严格限制词汇选择 专业术语翻译 0.5-0.9 平衡准确性和多样性 常规文本翻译 0.9-1.0 最大词汇选择范围 创意写作翻译 参数组合推荐 参数组合最佳实践 技术文档翻译 Temperature: 0.1-0.2 Top-p: 0.1-0.2 原理：两个参数都设置较低值，确保模型始终选择最高概率的词汇，保持术语翻译的一致性和准确性。 一般文本翻译 Temperature: 0.4-0.6 Top-p: 0.4-0.6 原理：中等参数值让模型在保持准确的同时有一定灵活性，使翻译更自然流畅。 文学作品翻译 Temperature: 0.7-0.9 Top-p: 0.7-0.9 原理：较高的参数值让模型可以选择更多样的表达方式，适合文学创作的灵活性需求。 工作原理解释 Temperature和top-p需要配合使用，数值范围应该接近，这样可以让两种采样方法相互补充 较低的参数值会让模型更倾向于选择高概率词汇 较高的参数值会扩大模型的词汇选择范围 参数值的选择直接影响翻译的保守程度和创造性 实验方法 选择代表性文本样本 使用不同参数组合进行测试 评估指标： 翻译准确度 表达自然度 专业术语准确性 文体风格保持 优化建议 根据文本类型选择基础参数组合 进行小规模测试调整 建立参数效果评估标准 记录最佳参数组合供后续使用 注意事项 参数调整要循序渐进 保持测试样本的一致性 建立明确的评估标准 定期检查翻译质量

截止目前，据网络评论认为 Deepseek-R1、DeepSeek V3 是最好的开源AI辅助编程模型，开源不限于个人和商业使用场景。 DeepSeek各版本说明与优缺点分析_deepseek各版本区别 DeepSeek剖析：与国际知名 AI 模型的全方位对比 AI辅助编程：Cursor与DeepSeek Coder的巅峰对决 但是最近Deepseek放出一条消息：Due to current server resource constraints, we have temporarily suspended API service recharges to prevent any potential impact on your operations. Existing balances can still be used for calls. We appreciate your understanding! 可能它最近太火爆了，结果流量太大，没有接住，服务器资源不够，于是被限制使用，业务多到接不过来。 安装使用方案 在线使用 依赖网络实时连接 VSCode+Cline+DeepSeek-V3 Cursor+DeepSeek DeepSeek Coder 最简单使用方法 IDE trae海外版，其中内置了满血版 DeepSeek R1、V3、claude等目前业内最好的数学和编程模型，关键是免费，财大气粗的字节跳动开发的，截止2025年3月，只有英文和日文版，得到好评。 中文版发布迟于海外版，面向中国大陆用户，奇怪的是被网友吐槽很多。 IDE Vscode+ Cody + Claude 截止2025年3月，个人用户月费9欧元，大多数时候都蛮好用，偶尔抽筋宕机，通常也是资源不够用的缘故，可能是小团队小成本制作。 离线使用 本地部署，搭建本地私有知识库 llama+Deepseek 满血版的硬件配置要求太高，选择蒸馏版虽然能在个人电脑上跑，但是性能弱鸡，参考： 盘点本地部署满血deepseek-r1的各种硬件配置方案 所以，最好的方案还是付费寻找就近的云计算资源，例如通过Megaease部署满血版deepseek到最近的裸机上，关键问题是，我一个人用不完，如何将一台机器的资源分享给其他人，也就是多余的计算资源卖掉。

AI模型中，Token和各种字符之间的数量兑换是如何计算的？ 可以简述为基本为1:1的关系，一个token对应一个字符，包括中文、英文、或其他各种符号。 在不同的AI模型中，Token数量与中文简体字、英文字词、数学符号和各种键盘符号数量之间的兑换关系可以有所不同。Token 是自然语言处理模型中的一个基本单位，它可以是一个字符、一个单词或一个子词。以下是一些常见的兑换关系： 英文字词（English Words） 通常，一个简单的英文单词（如“cat”、“dog”）对应一个 Token。 复杂的单词或不常见的单词可能会分成多个 Token。 中文简体字（Chinese Simplified Characters） 一个汉字通常对应一个 Token，例如，“你好”会被分成两个 Token。 但是，如果使用的是基于字词的模型，一个词语（如“北京”）也可能被视为一个 Token。 数学符号（Mathematical Symbols） 数学符号通常每个符号对应一个 Token。例如，“+”、“-”、“=”、“∫” 等。 各种键盘符号（Keyboard Symbols） 键盘符号（如标点符号、特殊字符）通常每个符号对应一个 Token。例如，“@”、“#”、“$”、“&” 等。 示例 假设你有以下文本： 英文：“Hello, world!” 中文：“你好，世界！” 数学：“x = y + z” 键盘符号：“@#$%^&*()” Token分解结果可能如下： 英文：“Hello, world!” -> [“Hello”, “,”, “world”, “!”] -> 4 Tokens 中文：“你好，世界！” -> [“你”, “好”, “，”, “世”, “界”, “！”] -> 6 Tokens 数学：“x = y + z” -> [“x”, “=”, “y”, “+”, “z”] -> 5 Tokens ...

面向人群：非IT专业，想独立创业，缺乏IT基础，需要改进个人信息资产管理水平。 欢迎加入我们，如果你属于以下情况： 数字资产管理 总是记不住密码和账户，多次发生账户丢失； 重复申请了很多（社交媒体、邮箱）账户； 担心电脑、手机被黑客入侵，或者糟糕情况已经发生； 如何选择购买手机、电脑、投影机等家用数字硬件设备； 不知道如何管理手机和电脑等数字硬件设备； 在电脑上安装软件出错或互相冲突； 无法控制上网时间，不停刷抖音短视频和网络文章； 不知道如何管理个人电脑中的文件和目录，不小心误删除或丢失，再也找不到； 被网络广告吸引，购买一些软件或生活用品，但是又后悔上当受骗； 不会识别网络诈骗和虚假广告，掉入赌博、虚拟货币等诈骗的陷阱； 网络营销 写个人简介，博客，软文； 想建个人网站，不知道怎么做选择； 使用云计算平台的各种丰富软件产品； 使用最前沿的AI辅助工作和生活； 培训方式 在线会议、阅读网页、文件，不能参加实时线上会议的人，可以听会议播客的音频节目； 以及通过discord群的问答辅导； 报名和收费 报名方式，请通过任何一种方式联系我们。 仅面向朋友圈，2025年限额招收20人，1千欧元/人/年，接收现金、银行转账、等各种网络付款方式。

适用于多语言版本的博客或网页文档翻译 开发程序语言：python，给程序逐行写英文注释； API：Google Cloud Translation API，使用高级翻译模型； 备注：此前尝试调用 Google Translation API 的NMT基础模型，可能它不识别文档格式的语法标记，导致被翻译后的文件格式混乱。为了避免这种情况，需要使用更先进的翻译模型，能够理解和保留文档格式； 源语言：此为源文件内容的人类自然语言版本（语言标签），程序应能自动识别源语言类别，也可在程序中定义默认源语言； 语言标签： Translation API 的多语种翻译功能使用 BCP 47 语言标签作为输入和输出的语言标识符，主要组成部分是ISO 639 标准中的语言代码，和ISO 3166 标准中的地区代码，例如 zh-TW 台湾正体、zh-CN 中文简体。 目标语言：把源文件内容翻译成我们想要的其他人类自然语言版本，文件的目录名称定义了目标语言，例如目录名 en 英文，de 德文。目录名并不一定与语言标签完全一致，例如目录zhs中文简体（语言标签 zh-CN ），en英文（不区分en-US美国英语 和 en-GB英国英语）； 源文件目录中可能有多级子目录、子文件等等，程序应该能识别并逐个检索并完成全部文件的翻译； 全部的目标语言目录及其文件结构与源语言目录保持一致，文件名也都是一样的，仅仅是目录名（en，de，zhs）不同。 本项目处理多语言版本的博客文件，在目标语言目录中持续有新的源语言文件，程序应跳过已经翻译成目标语言的文件，仅仅翻译新的源语言文件。例如en目录中大部分都是英文版本内容的文件，但是持续有源语言zh-TW的文件被添加进去，每次运行程序将其批量翻译成目标语言en。 程序会直接将翻译后的内容覆盖到目标语言目录中对应的源语言文件中，而不需要从源语言目录中复制文件到目标语言目录中。 文件格式 源文件格式：根据文件名后缀判断文件格式，如.md, .yaml, .xml等等。例如文件名以.md结尾，filename.md，属于markdown格式； 多格式并存：可能需要同时处理多种混合格式的文件，但是为了提高效率，我们尽可能每次只处理同一种格式文件； 自动检测文件格式：确保翻译模型能理解不同格式的语法标记，根据格式类型选择相应的处理方案，能保留源文件格式，这是最重要的翻译模型能力； 特别注意事项 文件格式的语法标记是不可翻译的，例如md文件中带有markdown格式标记，必须保留翻译后的文件与源文件相同的格式； 引用圣经、名言、人名、地名、图书、电影名称、汉语成语和寓言等应该保留一份原文的源语言，同时一份对应翻译的目标语言； 文件目录名、文件名不要翻译，因为作为最终网页url的一部分，应始终保持其英文语言版本； 问题 本项目所选用的翻译模型能有效识别并保留源文件的格式（例如markdown，YAML等待）吗？ 若翻译模型能识别大部分的文件格式标记，那么我们就没必要采用复杂的文件格式解析库，因为我们翻译后的文件依然保留原文件的格式标记，所以仅仅是翻译了有必要翻译的文本内容。 翻译模型能识别出哪些文本是待翻译的内容？哪些部分引用的文本应该保持原文不翻译呢？例如我们把英文圣经和经典句子翻译成中文，那么应该保留一份原文，同时翻译一份中文对照。 c++也能做本项目开发，但相比较python而言，更复杂； 调用 Translation API 并选用高级模型，是否需要先设置endpoint，并在Google Cloud控制台中进行特殊配置？如何简单高效地调用API，提供配置和调用的最佳实践。