如雨后春笋一般出现的各种大语言模型
地学大语言模型
数字盆地辅助应用（语义索引加强）
公司现在有两个服务器运行着知识库以及大语言模型（LLM），地址如下：
其中每次问答的知识库来源采用了6个来源，Top2相关性的RSTS知识库+Top2相关性的Fess本地搜索结果+Bing搜索结果+公司网站内部搜索结果
长久以来，公司的数字盆地等大数据项目一直围绕着建立数据文件索引（文件搜索方式、关键字）、图形索引（WebGIS呈现、地质模型呈现）等技术实现，其核心原理在于对大数据中的矢量数据（如侧线信息、点信息、）进行抽取，实现索引，方便进一步的使用。
随着AI时代的到来，公司在传统的大数据管理模式下，增加了基于大语言模型的数据索引功能。简单来说，通过把文本转化为向量矩阵，使得基于向量、张量的运算得以加速（GPU加速，CPU的AVX512加速），所采用开源技术出自这里 text2vec。
在语言文本向量化之后，就可以通过提取语义信息，交给LLM（大语言模型），通过深度学习的算法Transformer，实现基于语言的分析、推理等功能。
更由于是语言模型，LLM天生对机器语言（编程语言）这种规则逻辑性高的语言，更为熟练，相比于人类的自然语言（中文、英文），编程语言具有逻辑明确、语法严谨的特点，所以在代码工作上，LLM有得天独厚的优势。
具体到常见的使用场景：
文档辅助工作
给定文档类型及内容，帮助拟定提纲
按照提纲和辅助的文档，帮助完成大篇幅的写作
会议总结等
英语翻译，AI的翻译，更为通畅准确
知识数据抽取分析
以选定地区的多年的地质报告为基础，提供综合的地质分析
总结各种报告、文献，帮助使用者快速阅读
数据的集中分析，趋势分析、异常数据的分析等
代码算法辅助
算法补全
加注释
纠错
解决bug提示
更由于LLM天生对编程语言的熟练，可以自然的通过编程语言对接各种接口，实现更进一步的自动化功能，简单的比如爬虫、图片分析描述、人类行为预测等。简单来说，只要可以通过文字语言描述的东西，LLM都可以参与进来。
下面是一些常用的使用场景截图（来源于多个模型，仅供展示）：
地质概念查询：
代码辅助：
日常问答问题解答：
灵活的翻译：
