最新

我创建这个是因为我看到在纽约市是可以实现杂货节省的。人们通常只去他们习惯去的商店，而很少会费力去研究信用卡返现、每周优惠券和消费品制造商的折扣。 大多数人因为没有将这些优惠叠加使用而白白损失了金钱，甚至更多的人根本不知道这些优惠的存在……所以我创建了一个自动化工具。 您可以免费使用，无需登录，目前仅限纽约市，覆盖约 690 家商店。 我创建它的目的是让您只需搜索您想要的任何商品（如果想搜索多个商品，请用逗号隔开）。或者，使用 AI 工具为您购物。如果您好奇的话，它是由一个训练过的 Llama 模型驱动的。 诚实的局限性在于覆盖范围和数据时效性。我很想听听关于数据错误或过时之处的反馈。 请问大家一个问题——在处理混乱、多来源的零售/定价数据时，应该优先考虑什么？如果无法从每个来源获得统一的响应，时效性还是覆盖范围是首要考虑的？我很想知道在这里应该优先考虑什么。

关于这个话题有很多讨论，但我真正想了解的是，在本地PC上运行AI/LLM时，哪些方面在日常使用中真正有用。 我正在尝试理解以下几点： * 您在什么硬件上运行哪些模型？ * 考虑到速度和内存限制，哪些用例实际上是可行的？ * 在什么情况下，本地运行比直接调用API更有意义？ * 目前还有哪些方面不足？ 感觉我们正处于一个有趣的转折点，但很难在喧嚣中分辨出哪些是真正有效的，哪些只是在设置阶段。