@fnbbyelle: Kita hanyalah teman hati #kokoronotomo #mayumiitsuwa #lagujepang #japan #anime #lirikterjemahan #CapCut

Lyrics for You
Lyrics for You
Open In TikTok:
Region: ID
Friday 23 May 2025 04:46:26 GMT
58796
1165
40
403

Music

Download

Comments

yudanandini
Dinie :
aq belajar bahasa jepang Krn lagu ini.... aq jatuh cinta Krn lagu ini.... sering di putar putar terus dl
2025-06-10 06:17:42
3
sunflowermen21
izz_offficial :
nostalgia jepang😁
2025-06-03 14:06:31
2
lilik5g
Lilik5G :
suka sampai sekarang lagunya😊😊😊
2025-08-19 03:52:25
0
hanetohikari
Hikari.no.Yume :
suka banget lagu ini
2025-06-30 00:32:33
0
yoelhendikusuma
່ :
sugoiieeehh🥰🥰
2025-08-15 08:37:37
0
wawang3165
wawang :
hiburan
2025-06-25 10:17:43
0
ier_ei
ierei :
suka sampai sekarang
2025-07-30 09:43:00
1
budakmalam15
Anggara15 :
😂
2025-08-23 05:44:12
0
siiberooo
👑𝐒𝕒ġїէ𝔱𝕒𝐫ї𝐮ઽ║▌💕✿ girl :
🥰
2025-08-23 03:47:32
0
nengfirmansyah
Nengfirmansyah :
🥰
2025-08-20 13:11:57
0
katerina_karin
kate :
😁
2025-08-19 11:06:10
0
dwi.christiadi
Adhy :
😅
2025-08-15 15:07:56
0
greenfreez491
greenfreez491 :
👍
2025-08-11 14:44:40
0
greenfreez491
greenfreez491 :
😂
2025-08-11 14:44:41
0
indratryprameswar
aindra :
😂
2025-08-11 01:45:31
0
senpaidgn
senpai DGN :
😅
2025-08-09 04:57:06
0
nganaing273230
Nga Naing :
😁
2025-07-31 00:22:35
0
dhot.design.48
OMPED VISUAL :
😂
2025-07-27 14:25:48
0
krakatausunrise
krakatausunrise :
😁
2025-07-05 19:22:52
0
jeonianian98
jeonian :
🗿
2025-06-30 23:22:37
0
anjas_mara02
Anjasmara :
😭
2025-06-30 13:34:34
0
n.alya1201
alyyhh_03 :
👍👍👍🥰
2025-06-22 14:28:12
0
yuliani.astuti77
Yuliani Astuti :
😂😂😂
2025-06-17 16:02:07
0
nani.susiana8
Nani Susiana :
2025-06-17 11:44:26
0
istrisahleeminhoo
Hildha park :
🤣🤣🤣
2025-06-16 07:39:31
0
To see more videos from user @fnbbyelle, please go to the Tikwm homepage.

Other Videos

⁨	‏RAG - Retrieval-Augmented Generation
זה מנגנון שנותן למודל, למשל גיפיטי5, גישה לידע חיצוני בזמן אמת.
המודל עצמו אומן עד תאריך מסוים, ואין לו ידע מעבר לזה. בראג אנחנו מחברים אותו למקורות נוספים - מסמכים פנימיים, מאגרי ידע, אפילו חיפוש בגוגל - כדי שיוכל “לשלוף” קטעי מידע רלוונטיים ולהכניס אותם לפרומפט לפני שהוא מייצר תשובה. איך זה עובד בפועל? 1. לוקחים את המסמכים שרוצים שהמודל יכיר. 2. חותכים אותם לקטעים קטנים (chunks). 3. ממירים כל קטע לייצוג מתמטי של טקסט (embedding) 4. שומרים את זה ב־vector database 5. כשמשתמש שואל שאלה, עושים חיפוש סמנטי במאגר, שולפים את הקטעים הכי רלוונטיים. 6. מכניסים אותם לפרומפט ביחד עם השאלה. 7. המודל מייצר תשובה מבוססת על הקונטקסט הזה. ‏Fine-tuning 
זה לא לשלוף מידע מבחוץ, אלא לאמן מחדש את המודל עצמו על דוגמאות חדשות.
למשל: אם רוצים שהמודל יענה בסגנון של חברה מסוימת, או שידע להתמודד טוב עם שאלות מאוד ייחודיות, אפשר לתת לו דוגמאות (שאלה תשובה) ולכוונן אותו.
במילים אחרות - המודל משנה את המשקולות הפנימיות שלו ולא רק מוסיף קונטקסט זמני. ‏-RAG מתאים כשיש הרבה מידע דינמי או מתעדכן (מסמכים, חדשות, חוקים משתנים). לא נוגעים במודל עצמו, אלא מזינים לו ידע מבחוץ. ‏-Fine-tuning מתאים כשצריך התנהגות קבועה ואחידה (סגנון כתיבה, מענה בפורמט מסוים, שפה ייחודית לארגון.)   השילוב שלהם  RAFT יש גם גישה שמשלבת: קודם עושים ראג כדי להביא את הקטעים הרלוונטיים, ואז עושים פיינ-טיונינג לזוגות של שאלה מקורית + מסמכים שנשלפו, תשובה אידיאלית
כך המודל לומד לא רק להביא קטעים, אלא גם לנסח תשובות יותר מדויקות ו”לתפור” את המידע כמו שצריך.⁩
⁨ ‏RAG - Retrieval-Augmented Generation
זה מנגנון שנותן למודל, למשל גיפיטי5, גישה לידע חיצוני בזמן אמת.
המודל עצמו אומן עד תאריך מסוים, ואין לו ידע מעבר לזה. בראג אנחנו מחברים אותו למקורות נוספים - מסמכים פנימיים, מאגרי ידע, אפילו חיפוש בגוגל - כדי שיוכל “לשלוף” קטעי מידע רלוונטיים ולהכניס אותם לפרומפט לפני שהוא מייצר תשובה. איך זה עובד בפועל? 1. לוקחים את המסמכים שרוצים שהמודל יכיר. 2. חותכים אותם לקטעים קטנים (chunks). 3. ממירים כל קטע לייצוג מתמטי של טקסט (embedding) 4. שומרים את זה ב־vector database 5. כשמשתמש שואל שאלה, עושים חיפוש סמנטי במאגר, שולפים את הקטעים הכי רלוונטיים. 6. מכניסים אותם לפרומפט ביחד עם השאלה. 7. המודל מייצר תשובה מבוססת על הקונטקסט הזה. ‏Fine-tuning 
זה לא לשלוף מידע מבחוץ, אלא לאמן מחדש את המודל עצמו על דוגמאות חדשות.
למשל: אם רוצים שהמודל יענה בסגנון של חברה מסוימת, או שידע להתמודד טוב עם שאלות מאוד ייחודיות, אפשר לתת לו דוגמאות (שאלה תשובה) ולכוונן אותו.
במילים אחרות - המודל משנה את המשקולות הפנימיות שלו ולא רק מוסיף קונטקסט זמני. ‏-RAG מתאים כשיש הרבה מידע דינמי או מתעדכן (מסמכים, חדשות, חוקים משתנים). לא נוגעים במודל עצמו, אלא מזינים לו ידע מבחוץ. ‏-Fine-tuning מתאים כשצריך התנהגות קבועה ואחידה (סגנון כתיבה, מענה בפורמט מסוים, שפה ייחודית לארגון.)   השילוב שלהם  RAFT יש גם גישה שמשלבת: קודם עושים ראג כדי להביא את הקטעים הרלוונטיים, ואז עושים פיינ-טיונינג לזוגות של שאלה מקורית + מסמכים שנשלפו, תשובה אידיאלית
כך המודל לומד לא רק להביא קטעים, אלא גם לנסח תשובות יותר מדויקות ו”לתפור” את המידע כמו שצריך.⁩

About