1. Home
  2. Detail

@nauancungn: MĂng ngâm tỏi ớt mà ăn mì gói thì thôi luôn, ngoài ăn mì còn nấu cnah chia hay lẩu hay làm gỏi măng cũng rất là ngon á #nấuăncùngn👩🏻‍🍳 #ancungtiktok #review #mangngamtoiot #mangngammacmat #caonguyenda #migoi #mukbang #viral #food

Nấu ăn cùng Nữ👩🏻‍🍳
Nấu ăn cùng Nữ👩🏻‍🍳
Open In TikTok:
Region: VN
Monday 07 July 2025 12:47:15 GMT
204049
609
14
65

Music

Download

No Watermark .mp4 (9.75MB) No Watermark(HD) .mp4 (10.97MB) Watermark .mp4 (9.97MB) Music .mp3

Comments

user19223576337955
ngọc Nguyễn :
sao mua đc
2025-08-24 10:43:58
0
hkieu2709
🦭 :
cái này có bị cay quá k moi người
2025-08-04 10:59:29
0
trungvan0207
Vân Vân :
nhìn ngon mà phí ship ngang măng rồi 😂
2025-07-14 13:37:45
0
thanhtmnguyn656
Chipch Energy :
sao mà thèm dữ chèn 🥰
2025-07-28 03:49:29
0
linhlinh13_08
Linh Linh :
😀😀😀
2025-08-21 21:52:50
0
ngtthuong2023
Đồ gia dụng Nguyễn Hương :
🥰
2025-08-17 06:46:56
0
nuongnguyen5538
nuongnguyen5538 :
👍👍👍
2025-08-06 12:34:26
0
thanhle19750
thanhle19750 :
🌹🌹🌹🌹🌹🌹
2025-07-23 02:49:56
0
mrbmt1
Người không có danh phận :
😏
2025-07-16 21:28:33
0
4hlqy
4hlqy_🌻 :
😁😁😁
2025-07-14 04:20:25
0
longnguyen5216
Long🦅 :
🤭
2025-07-13 17:05:00
0
bonduong117
Bon Duong :
🥰
2025-07-08 06:46:02
0
thao.orchid
Thao Orchid :
2025-07-19 10:03:49
1
thanhben.yumeyume
Thanh Thảnh Thơi :
Ngon quá shop ơi🥰🥰🥰
2025-07-08 01:19:10
0
To see more videos from user @nauancungn, please go to the Tikwm homepage.

Other Videos

#growmyaccount #viralvideo #foryou #unfrezzmyaccount #growmyaccount #viralvideo
#growmyaccount #viralvideo #foryou #unfrezzmyaccount #growmyaccount #viralvideo
Rồi iu thưng đôi ta #hanie
Rồi iu thưng đôi ta #hanie
#abah
#abah


First Theodore edit??? #theodore #topzy #fyp #edit #viral @topzy
First Theodore edit??? #theodore #topzy #fyp #edit #viral @topzy
⁨ ‏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

Legal