多模态大模型Claude 3正式接入集简云与语聚！对标GPT-4且支持中文

本文主要是介绍多模态大模型Claude 3正式接入集简云与语聚！对标GPT-4且支持中文，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

自OpenAI发布GPT-4以来，引发了业务模式与应用使用的巨大变革，掀起了各大企业对于多模态大模型的研究热潮。3月初，AnthropicClaude在官网正式发布Claude 3系列多模态大模型，据了解，该模型在多个维度上超越了GPT-4，为您总结一波Claude 3的部分能力提升：

OCR和复杂场景解析方面提升；
解决高级数学和科学问题的能力增强；
轻松处理多语言文本；
可处理超过一百万个令牌的输入；
遵循具体指令完成创造性任务能力提升。

claude 3分为Haiku、Sonnet和Opus三个版本，目前集简云已将Opus和Sonnet快速上线至平台内，旨在为用户提供更高效、更智能的AI体验。

性能显著提升，对标GPT-4

Opus版本在包括专家推理、基础数学、代码等领域的性能评估中超越了GPT-4。Sonnet版本在知识检索任务上表现更胜一筹，不仅可以平衡处理速度和计算效率，同时兼顾经济性，在需要大规模部署的企业级应用场景中具有优势。

各版本模型均支持达20万tokens的上下文窗口，并为特定用户提供高达100万tokens的支持，有助于更好地理解和记忆长文本信息。

视觉能力更突出

Claude 3 擅长复杂视觉功能，他们可以处理各种视觉格式，包括照片、图表、图形和技术图表。比如一些客户的知识库各种格式排版，例如 PDF、流程图或演示幻灯片。

推理能力更好，智商更高

直接上传数学、物理等考验逻辑和准确度的理科题照片，或者细节丰富的图表，由于推理能力大幅增强，它回复的解题水平和准确率变高很多，并能在一些细节描述上比GPT-4更胜一筹。

准确性更高

为了减少幻觉问题，Anthropic将答案分为正确答案、错误答案（或幻觉）和承认不确定性，如果不知道，模型表示它不知道答案，而不是提供不正确的信息。与 Claude 2.1 相比，Opus 在这些具有挑战性的开放式问题上的准确性（或正确答案）提高了一倍，同时也减少了错误答案的水平。

使用示例

示例1：

这张示意图是什么意思？有哪些专业名词？请详细解释

这张图是关于基于LoRa无线网络的车位状态监测系统架构图,其中涉及到以下一些专业名词:
LoRa(Long Range): 一种低功耗广域网络(LPWAN)技术,适用于远距离、低速率、低功耗的物联网应用。
Web发布服务器: 用于发布和管理车位状态监测系统的Web应用服务器。
应用服务器: 接收并处理来自LoRa网关的车位状态数据,并将数据传输给Web发布服务器。
2G/3G/4G运营商网络: 移动通信网络,用于LoRa网关与应用服务器之间的数据传输。
LoRa网关: 将多个LoRa设备(即车位探测器)采集的数据汇聚,并通过2G/3G/4G网络将数据传输至应用服务器。
中口线: 一种无线通信中的概念,表示LoRa设备与LoRa网关之间的无线连接。
LoRa设备/车位探测器: 安装在每个车位上,通过LoRa无线技术实时监测车位状态(占用或空闲)并将数据传输至LoRa网关。
整个系统的工作流程如下:
LoRa车位探测器采集车位状态数据
探测器通过LoRa无线技术将数据传输至LoRa网关
网关通过2G/3G/4G网络将汇聚的数据传输至应用服务器
应用服务器处理数据后传输给Web发布服务器
用户通过Web发布服务器提供的应用程序查询车位状态信息

示例2：

2.1 解出该图中的两道题：

根据题目条件,解答如下:
(1) 物体到C点时的速度
设物体到C点的时间为t,由匀加速直线运动的速度公式v=v0+at,代入已知条件得:
v = 0 + 0.25t
物体运动的距离AC是:
AC = v0t + 1/2at^2 = 1/2 × 0.25t^2 = 0.125t^2
AC已知为1kg,即1000g的小物体压缩弹簧的长度0.5m,由胡克定律F=kx得:
1 × 10 = k × 0.5
解得弹簧劲度系数k=20N/m
由动能定理,小物体对弹簧做的功等于物体动能的增加,即:
1/2kx^2 = 1/2mv^2
代入数据:
1/2 × 20 × 0.5^2 = 1/2 × 1 × v^2
解得v = 2.24m/s,为物体到达C点时的速度
(2) 弹簧对物体做的功
将(1)中求出的速度代入x=vt-1/2at^2,其中x就是物体压缩弹簧的距离,t是物体做减速运动的时间,a是减速度0.25
解得x=0.125m
所以弹簧对物体做的功是:
W = 1/2kx^2 = 1/2 × 20 × 0.125^2 = 0.156J

2.2 解释补集法的概念，并用补集法计算这道概率题："一家公司有两个部门，A部门3个男生，2个女生，B部门4个男生，6个女生，现在要派3个人去出差，要求每个部门至少出一人，那么至少有一个女生被派出的概率是多少？"

好的,下面我就解释补集法的概念并用补集法求解这道概率题。
补集法的概念:
设A是样本空间的一个事件,它的补集记为A',由样本空间中不属于A的样本点组成。根据补集法,P(A)=1-P(A')。
这个公式的意思是:事件A发生的概率,等于1减去事件A不发生的概率。补集法常用于求解"至少""不超过"等问题。
用补集法求解题目中的概率问题:
设至少有一个女生被派出的事件为A,那么A的补集A'就是所派出的3人全部是男生。
总的选派方案数为从15人(3+2+4+6)中选出3人,共有C(15,3)=455种
事件A'的方案数是从7个男生(3+4)中选3人,共有C(7,3)=35种
事件A的概率P(A)=1-P(A')=1-35/455=420/455=84/91≈92.31%
所以至少有一个女生被派出的概率是84/91,约为92.31%。