R輸出怎么設置才能讓你的視頻更清晰？很多初學者打開PR的輸出界面，一看到這么多選項就懵了，不用慌，其實大多數(shù)情況下只需要了解這幾個地方即可。
·第一個就是格式，通常情況下會直接選擇H.264，也就是AT4格式，這是現(xiàn)在主流的編碼格式。
·接著點擊視頻，將它展開，觀察里面的基本設置默認是跟序列設置是一樣的。如果想修改參數(shù)，可以將后面的勾去掉，這樣就可以根據自己的需求自定義設置了。如果想要高清高質量的視頻，注意這里要把這兩個勾打上。
·接下來往下拉，直接來到比特率設置，展開比率編碼會有三個選項。我看很多博主都會推薦VBR二次，但以我十多年的工作經驗，個人推薦CBR固定碼率。因為穩(wěn)定，VBR可能會在一些復雜的畫面出現(xiàn)模糊馬賽克，畫質很看造化。
·最重要的還是下面這里的目標比特率，相同分辨率情況下，碼率越大畫質越高清。當然這里的數(shù)值越大，輸出的文件就越大。1080P我一般會設置10-20之間。
我是車厘子老師，關注我每天教你一個影視小技巧。
選自LinkedIn
作者：Juan Pablo Bottaro、Karthik Ramgopal
機器之心編譯
機器之心編輯部
隨著大型語言模型（LLM）技術日漸成熟，各行各業(yè)加快了 LLM 應用落地的步伐。為了改進 LLM 的實際應用效果，業(yè)界做出了諸多努力。
近期，領英（LinkedIn）團隊分享了他們在構建生成式 AI 產品的過程中總結的寶貴經驗。領英表示基于生成式人工智能構建產品并非一帆風順，他們在很多地方都遇到了困難。
以下是領英博客原文。
過去六個月，我們 LinkedIn 團隊一直在努力開發(fā)一種新的人工智能體驗，試圖重新構想我們的會員如何進行求職和瀏覽專業(yè)內容。
生成式人工智能的爆發(fā)式增長讓我們停下來思考，一年前不可能實現(xiàn)的事情現(xiàn)在有了哪些可能。我們嘗試了很多想法，但都沒有成功，最終發(fā)現(xiàn)產品需要如下關鍵點：
更快地獲取信息，例如從帖子中獲取要點或了解公司最新動態(tài)。
將信息點連接起來，例如評估您是否適合某個職位。
獲取建議，例如改善您的個人資料或準備面試。
......
我們通過一個現(xiàn)實場景來展示新開發(fā)的系統(tǒng)是如何工作的。想象一下，您正在滾動瀏覽 LinkedIn 信息流，偶然發(fā)現(xiàn)了一篇關于設計中的可訪問性的有趣帖子。除了這篇文章之外，您還會刷到一些入門問題，以便更深入地研究該主題，您很好奇，例如點擊「科技公司中可訪問性推動商業(yè)價值的例子有哪些？」
系統(tǒng)后臺會發(fā)生如下操作：
選擇合適的智能體：系統(tǒng)會接受您的問題并決定哪個 AI 智能體最適合處理它。在這種情況下，它會識別您對科技公司內部可訪問性的興趣，并將您的查詢路由到專門執(zhí)行通用知識搜索的 AI 智能體。
收集信息：AI 智能體調用內部 API 和 Bing 的組合，搜索具體示例和案例研究，突出設計的可訪問性如何為技術領域的商業(yè)價值做出貢獻。
制定回復：有了必要的信息，智能體現(xiàn)在可以撰寫回復。它將數(shù)據過濾并合成為連貫、信息豐富的答案，為您提供清晰的示例，說明可訪問性計劃如何為科技公司帶來商業(yè)價值。為了使體驗更具交互性，系統(tǒng)會調用內部 API 來使用文章鏈接或帖子中提到的人員簡介等附件。
你可能會提問「我如何將我的職業(yè)生涯轉向這個領域」，那么系統(tǒng)會重復上述過程，但現(xiàn)在會將你轉給職業(yè)和工作（career and job）AI 智能體。只需點擊幾下，您就可以深入研究任何主題，獲得可行的見解或找到下一個工作機會。
大部分新功能是借助 LLM 技術才成為可能。
總體設計
系統(tǒng) pipeline 遵循檢索增強生成（RAG），這是生成式人工智能系統(tǒng)的常見設計模式。令人驚訝的是，建設 pipeline 并沒有我們預期的那么令人頭疼。在短短幾天內，我們就建立并運行了基本框架：
路由：決定查詢是否在范圍內，以及將其轉發(fā)給哪個 AI 智能體。
檢索：面向 recall 的步驟，AI 智能體決定調用哪些服務以及如何調用（例如 LinkedIn 人物搜索、Bing API 等）。
生成：面向精度的步驟，篩選檢索到的噪聲數(shù)據，對其進行過濾并生成最終響應。
圖 1：處理用戶查詢的簡化 pipeline。KSA 代表「知識共享智能體」，是數(shù)十種可以處理用戶查詢的智能體之一。
關鍵設計包括：
固定三步 pipeline；
用于路由 / 檢索的小型模型，用于生成的較大模型；
基于嵌入的檢索 (EBR)，由內存數(shù)據庫提供支持，將響應示例直接注入到提示（prompt）中；
每步特定的評估 pipeline，特別是對于路由 / 檢索。
開發(fā)速度
我們決定將開發(fā)任務拆分為由不同人員開發(fā)獨立智能體：常識、工作評估、職位要點等。
通過并行化開發(fā)任務，我們提高了開發(fā)速度，但這是以「碎片」為代價的。當與通過不同的模型、提示或工具進行管理的助手（assistant）進行后續(xù)交互時，保持統(tǒng)一的用戶體驗變得具有挑戰(zhàn)性。
為了解決這個問題，我們采用了一個簡單的組織結構：
一個小型「水平（horizontal）」工程 pod，處理通用組件并專注于整體體驗，其中包括：
托管產品的服務
評估 / 測試工具
所有垂直領域使用的全局提示模板（例如智能體的全局身份（identity）、對話歷史、越獄防御等）
為 iOS/Android/Web 客戶端共享 UX 組件
服務器驅動的 UI 框架，用于發(fā)布新的 UI 更改，而無需更改或發(fā)布客戶端代碼。
關鍵設計包括：
分而治之，但限制智能體數(shù)量；
具有多輪對話的集中式評估 pipeline；
共享提示模板（例如「身份（identity）」定義）、UX 模板、工具和檢測
評估
事實證明，評估響應的質量比預期的更加困難。這些挑戰(zhàn)可大致分為三個領域：制定指南（guideline）、擴展注釋和自動評估。
制定 guideline 是第一個障礙。以工作評估為例：點擊「評估我是否適合這份工作」并得到「你非常適合」并沒有多大用處。我們希望響應既真實又富有同理心。一些用戶可能正在考慮轉行到他們目前不太適合的領域，并需要幫助了解差距和后續(xù)步驟。確保這些細節(jié)一致對注釋器非常關鍵。
擴展注釋是第二步。我們需要一致和多樣化的注釋器。我們內部的語言學家團隊構建了工具和流程，以評估多達 500 個日常對話并獲取相關指標：整體質量得分、幻覺率、AI 違規(guī)、連貫性、風格等。
自動評估工作目前仍在進行中。如果沒有自動評估，工程師只能目測結果并在一組有限的示例上進行測試，并且要延遲 1 天以上才能了解指標。我們正在構建基于模型的評估器來評估上述指標，并努力在幻覺檢測方面取得一些成功，端到端自動評估 pipeline 將實現(xiàn)更快的迭代。
圖 2：評估步驟。
調用內部 API
LinkedIn 擁有大量有關人員、公司、技能、課程等的獨特數(shù)據，這些數(shù)據對于構建提供差異化價值的產品至關重要。然而，LLM 尚未接受過這些信息的訓練，因此無法使用它們進行推理和生成響應。解決此問題的標準模式是設置檢索增強生成 (RAG) pipeline，通過該 pipeline 調用內部 API，并將其響應注入到后續(xù)的 LLM 提示中，以提供額外的上下文來支持響應。
許多此類數(shù)據通過各種微服務中的 RPC API 在內部公開。雖然這對于人類以編程方式調用非常方便，但對 LLM 來說并不友好。我們通過圍繞這些 API 包裝「技能」來解決這個問題。每個技能都有以下組件：
關于 API 的功能以及何時使用的人類友好描述
調用 RPC API 的配置（端點、輸入模式、輸出模式等）
LLM 友好的輸入和輸出模式
原始類型（字符串 / 布爾 / 數(shù)字）值
JSON 模式的輸入和輸出模式描述
LLM 友好模式和實際 RPC 模式之間映射的業(yè)務邏輯
這些技能旨在讓 LLM 能夠執(zhí)行與產品相關的各種操作，例如查看個人資料、搜索文章 / 人員 / 職位 / 公司，甚至查詢內部分析系統(tǒng)。同樣的技術也用于調用非 LinkedIn API，例如 Bing 搜索。
圖 3：使用技能調用內部 API。
我們編寫提示，要求 LLM 決定使用什么技能來解決特定的工作（通過規(guī)劃選擇技能），然后輸出參數(shù)來調用技能（函數(shù)調用）。由于調用的參數(shù)必須與輸入模式匹配，因此我們要求 LLM 以結構化方式輸出它們。大多數(shù) LLM 都接受過用于結構化輸出的 YAML 和 JSON 訓練。我們選擇 YAML 是因為它不太冗長，因此比 JSON 消耗更少的 token。
我們遇到的挑戰(zhàn)之一是，雖然大約 90% 的情況下，LLM 響應包含正確格式的參數(shù)，但大約 10% 的情況下，LLM 會出錯，并且經常輸出格式無效的數(shù)據，或者更糟糕的是甚至不是有效的 YAML。
這些錯誤對人類來說是微不足道的，但卻會導致解析它們的代碼崩潰。10% 是一個足夠高的數(shù)字，我們不能輕易忽視，因此我們著手解決這個問題。
解決此問題的標準方法是檢測它，然后重新提示 LLM 要求其糾正錯誤并提供一些額外的指導。雖然這種方法有效，但它增加了相當大的延遲，并且由于額外的 LLM 調用而消耗了寶貴的 GPU 容量。為了規(guī)避這些限制，我們最終編寫了一個內部防御性 YAML 解析器。
通過對各種有效負載的分析，我們確定了 LLM 所犯的常見錯誤，并編寫了代碼以在解析之前適當?shù)貦z測和修補（patch）這些錯誤。我們還修改了提示，針對其中一些常見錯誤注入提示，以提高修補的準確率。我們最終能夠將這些錯誤的發(fā)生率減少到約 0.01%。
我們目前正在構建一個統(tǒng)一的技能注冊表，用于在我們的生成式人工智能產品中，動態(tài)發(fā)現(xiàn)和調用打包為 LLM 友好技能的 API / 智能體。
容量和延遲
容量和延遲始終是首要考慮因素，這里提及一些考量維度：
質量與延遲：思想鏈 (CoT) 等技術對于提高質量和減少幻覺非常有效，但需要從未見過的 token，因此增加了延遲。
吞吐量與延遲：運行大型生成模型時，通常會出現(xiàn) TimeToFirstToken (TTFT) 和 TimeBetweenTokens (TBT) 隨著利用率的增加而增加的情況。
成本：GPU 集群不易獲得且成本高昂。一開始我們甚至必須設定測試產品的時間表，因為會消耗太多 token。
端到端流式處理（streaming）：完整的答案可能需要幾分鐘才能完成，因此我們流式處理所有請求，以減少感知延遲。更重要的是，我們實際上在 pipeline 中端到端地進行流式處理。例如，決定調用哪些 API 的 LLM 響應是逐步解析的，一旦參數(shù)準備好，就會觸發(fā) API 調用，而無需等待完整的 LLM 響應。最終的綜合響應也會使用實時消息傳遞基礎設施一路傳輸?shù)娇蛻舳耍⒏鶕肛撠熑蔚?AI」等進行增量處理。
異步非阻塞 pipeline：由于 LLM 調用可能需要很長時間才能處理，因此我們通過構建完全異步非阻塞 pipeline 來優(yōu)化服務吞吐量，該 pipeline 不會因 I/O 線程阻塞而浪費資源。
感興趣的讀者可以閱讀博客原文，了解更多研究內容。
原文鏈接：https://www.linkedin.com/blog/engineering/generative-ai/musings-on-building-a-generative-ai-product