返回首页
最新
我创建了Zero，旨在帮助人们离线存储私密的结构化信息——例如凭证、个人笔记或元数据。
- 完全本地存储
- 默认加密
- 无需云服务，无需注册
它是免费的，向所有人开放。您可以创建保险库，构建数据库风格的表格，并在本地搜索所有内容。
欢迎反馈、建议，或者仅仅是好奇的目光！
我开发了 gmap，这是一个命令行工具，可以从终端可视化 Git 活动、每周热力图、文件变更、作者统计等信息。<p>安装方法：
cargo install gmap<p>或者在 Arch 系统上通过 AUR 安装：
yay -S gmap<p>仓库地址： <a href="https://github.com//gmap">https://github.com//gmap</a><p>欢迎反馈和贡献。如果你对 Git 内部机制、命令行工具或终端用户体验感兴趣，欢迎参与。
刚刚发布了 *Dingo 1.9.0*，对 RAG 时代的数据质量评估进行了重大升级。
### 主要更新：
* 增强的幻觉检测 *
Dingo 1.9.0 集成了两种强大的幻觉检测方法：
- *HHEM-2.1-Open 本地模型*（推荐） - 本地运行，无需 API 成本
- *基于 GPT 的云检测* - 利用 OpenAI 模型进行详细分析
这两种方法都通过一致性评分（范围为 0.0-1.0，可配置阈值）评估 LLM 生成的答案与提供的上下文之间的匹配度。
* 配置系统全面重构 *
采用现代 DevOps 实践进行完全重建：
- 层次继承（项目 → 用户 → 系统级别）
- 热重载功能，支持即时配置更改
- 具有清晰错误信息的模式验证
- 适用于常见场景的模板系统
* DeepWiki 文档问答 *
将静态文档转变为互动知识库：
- 多语言支持（英语/中文/日语）
- 上下文感知的多轮对话
- 可视化文档结构解析
- 语义导航和交叉引用
### 重要性：
传统的幻觉检测依赖于静态规则。我们的方法提供了上下文感知的验证，这对于生产 RAG 系统、SFT 数据质量评估和实时 LLM 输出验证至关重要。
非常适合：
- RAG 系统质量监控
- 训练数据预处理
- 企业知识管理
- 多模态数据评估
*GitHub*: [https://github.com/MigoXLab/dingo](https://github.com/MigoXLab/dingo)
*文档*: [https://deepwiki.com/MigoXLab/dingo](https://deepwiki.com/MigoXLab/dingo)
您目前使用的幻觉检测方法是什么？对您的 RAG 质量挑战感兴趣。