論文名稱: Gemini vs GPT-4V: A Preliminary Comparison and Combination of Vision-Language Models Through Qualitative Cases https://arxiv.org/abs/2312.15011 快速總結 裡面透過之前微軟發表過的論文中的相關測試案例外，本篇論文也加上幾個類別的案例。 tl;dr GPT-4v 比較簡潔中確性高，但是 Gemini-Pro 的敘述比較清楚。 裡面有很多圖片與相關案例，蠻值得一讀。 幾個有趣案例 當個偵探 都有看出幾個相關的點，蠻適合拿來做一些 side-project 。 :p 判斷鞋子的品牌 有判斷出 NIKE Air Force 1 我覺得蠻厲害的。 讀論文第一頁圖片 成效不錯，如果沒有 arxiv 的資訊可以抽取。這會是一個方法。

2023 年度回顧 懶人包 今年最令人懷念的就是： 八月的時候，來了一趟去英國跟法國的旅遊。 因為去年 LLM 大爆發，今年有幸可以參加一堆好玩的專案與內部訓練。 (共有 28 個 new Repositories) 到了這個年紀，可以從事自己喜愛的工作，家人開心在一起，還有健康身體，真的很重要。 數據總結 總共讀完: 2418 分鐘, 14 本書 (有 1 本其他平台) 2022: 24 本書。 部落格文章撰寫上： 2023: 59 篇文章 2022: 53 篇文章 健身運動： 2023: 3595 mins 2022: 3966 mins Github Contribution 上面: 2023: 1062 2022: 828 因為 LLM 今年有許多專案： (共有 28 個 new Repositories) linebot-langchain linebot-embedchain linebot-langchain-travel langchain-jira-agent chat-with-onlinepdf 有點多，建議大家去 repo 看。 聚會方面， 2023 比較解禁今年也比較有機會看到更多老朋友： 4 月可以跟東吳大學同學們聚餐。 12 月跟 Corel 的老朋友見面。 雜項數字

前提 上一次開始使用 tmc/langchaingo 打造一些基礎的 Golang 應用後，就在 12 月 13 號 Google 正式公開了 Gemini Pro 的相關 API 。本篇文章開始以下的事項： Google Gemini Pro 有哪些資源可以學習？ 如何整合到 LINE Bot? 打造一個回覆，圖片辨識的 Gemini Pro LINE Bot 系列文章： 使用 Golang 透過 Google Gemini Pro 來打造一個具有LLM 功能 LINE Bot (一）: Chat Completion and Image Vision(本篇) 使用 Golang 透過 Google Gemini Pro 來打造一個具有LLM 功能 LINE Bot (二）: 使用 Chat Session 與 LINEBot 快速整合出有記憶的 LINE Bot 使用 Golang 透過 Google Gemini Pro 來打造一個具有LLM 功能 LINE Bot (三）: 使用 Gemini-Pro-Vision 來打造名片管理的聊天機器人 Google Gemini Pro 有哪些資源可以學習 雖然才正式公佈不久，但是網路上其實有不少資源可以學習。我這邊列出一些資源： (直接問 Gemini Pro 出來的) 這裡也有一些我覺得蠻重要的資訊: Vetex-ai (Google) 的 function calling ? https://cloud.google.com/vertex-ai/docs/generative-ai/multimodal/function-calling#function-calling-sdk-samples Colab: https://colab.research.google.com/github/GoogleCloudPlatform/generative-ai/blob/main/gemini/function-calling/intro_function_calling.ipynb Golang 加上 Gemini pro 這邊有大大 Eli Bendersky 寫的 sample code https://eli.thegreenplace.net/2023/using-gemini-models-from-go/ 如何取得 Google Gemini Pro - API Keys 到 Google AI Studio : https://makersuite.google.com/app/apikey 目前價位如下，還有一些免費額度可以用： 如何整合 LINE Bot? 程式碼： https://github.com/kkdai/linebot-gemini-pro 這邊主要先整入兩個主要功能 : ChatSession 跟 Image ，相關程式碼都在 gemini.go Chat Completion // Gemini Chat Complete: Iput a prompt and get the response string. func...

前提 好久沒來寫 Golang 來寫文章了，就想說把之前看過關於 Golang LangChain 相關的文章來敘述一下。以下這篇文章主要參考了 Eli Bendersky 部落格的文章 - [Using Ollama with LangChainGo](https://eli.thegreenplace.net/2023/using-ollama-with-langchaingo/) 這裡也會詳細一點來介紹以下幾個部分： 什麼是 Ollama 能拿來做些什麼？ 要如何使用 Ollama ? 如何透過 Golang 連接 Ollama 並且串接 LangChain 接下來就開始吧！ 什麼是 Ollama Ollama 是一個相當方便的工具，以往需要在本地端使用 llama 的話需要有以下的步驟： 到 Meta AI 申請下載 link 透過 LLAMA.cpp 把 LLAMA2 的 model 去轉換過後，讓你在 Mac OSX 上面可以執行並且讀取。 （當然還有做 Quantization, Optimization ) 然後執行 LLAMA.cpp 去跑起來 LLAMA 的 model 來跑你需要的功能。 但是使用 Ollama 卻相當的簡單 安裝 Ollama 參考 github 說明： curl https://ollama.ai/install.sh | sh 執行之後，就會下載模型 ollama run llama2 更多其他 Models ： Model Parameters Size Download Neural Chat 7B 4.1GB ollama run neural-chat Starling 7B 4.1GB ollama run starling-lm Mistral 7B 4.1GB ollama run mistral Llama 2 7B 3.8GB ollama run llama2 Code Llama 7B 3.8GB ollama run codellama Llama 2 Uncensored 7B 3.8GB ollama run llama2-uncensored Llama 2 13B 13B 7.3GB ollama run llama2:13b Llama 2 70B 70B 39GB ollama run llama2:70b Orca Mini 3B 1.9GB ollama run orca-mini Vicuna 7B...

終於把隻狼打通關了，黑血狼剩下 「[血緣詛咒」 ，其他都在 Steam Deck 全破。 （可惡索尼獨佔）。 尾王一心比較麻煩就是第一階段，二三階段就乖乖用傘反擊慢慢耗，只識破槍的突刺。「猶豫，就會敗北」 比較難的關卡 雙義父打完，其實三年前的比在天守閣的弱一點，天守閣因為我不能卡牆，天守閣放毒倒是比較困擾。 不過慢慢防守用不死斬總算也是打完了 。 經過 「Ｐ的謊言」後，隻狼變簡單了 經過 「P的謊言」我的隻狼有變強很多。（明明才剛開始。 不過用 SD 好討厭啊～都不好錄影。為了截圖還差點忘記砍最後一刀，差點就搞笑了。討伐次數大概是五次，不過我有看攻略。 打完 P 的謊言再來打隻狼～會很好過誒 之前在 PS5 卡太久，一直沒時間打。 結果打完 P 的謊言練習很久的阻擋之後。 就很順利的過了 O_0 ？ 看來之前全破魂系列都是閃躲王～～

前提： 最近在聊天的時候討論到，究竟在 Kubernetes 內管控一些帳號與密碼的時候，我們都知道要使用 Kubernetes Secret 而不要使用 Environment Variables 。 但是在安全性上究竟有哪些差異，我決定查一些書上面的整理： 參考書籍內容 **Kubernetes Security** Liz Rice, Michael Hausenblas You can pass environment variables into containers at runtime. This means you can take the container image (code) and configure it according to the scenario it is running in. In Kubernetes, “ordinary” environment variables can be specified directly in the pod YAML or via a ConfigMap. But be careful: including secret values in YAML files that you check into code control means those secrets are accessible to the same people who can see the source code. To mitigate this, Kubernetes also supports the secret resource, which can be passed into a pod as an environment variable. Your pod spec or ConfigMap YAML refers to the secret resource by name rather than directly to the secret value, so that it’s safe to put that YAML under code control. Kubernetes 1.7 之後的版本，可以加上 node authorization...