Views
No views yet
| 參數 | 值 |
|---|---|
| 基礎模型 (Base Model) | google/gemma-3-12b-pt |
| 模型參數量 (Parameters) | 12.4B |
| 最大上下文長度 (Context Length) | 128K |
| 繁中訓練資料量 (Training Data) | 22B Tokens |
| 訓練硬體 (Training Hardware) | NVIDIA H200 GPU |
| 訓練時數 (Training Time) | 1,520 GPU Hours |
| 任務 | 使用者輸入 | 模型輸出 |
|---|---|---|
| 應用寫作 | 我正在準備一場有關網路詐騙的宣導講座，請給我一份大約一小時的講座大綱，必須安排至少三個台灣常見網路詐騙手法的解析。 | 好的，這是一份約一小時的網路詐騙宣導講座大綱，包含三個台灣常見詐騙手法的解析： 講座名稱： 網路詐騙防護：識破陷阱，守護您的資產 目標聽眾： 一般大眾，特別是容易成為詐騙目標的族群（例如：長者、學生、家庭主婦等） 講座時間： 約60分鐘 講座大綱： 一、開場 (5分鐘) * 破冰與引言： * 以近期新聞案例或聽眾可能遇到的詐騙情境開場，引起共鳴。 * 強調網路詐騙的危害性，以及保護個人資訊的重要性。 * 簡要介紹講座目的：提升聽眾對網路詐騙的警覺性，學習防護技巧。 * 網路詐騙現況： * 簡述台灣網路詐騙的趨勢與常見手法。 * 強調詐騙手法不斷推陳出新，需要不斷學習。 二、常見網路詐騙手法解析 (30分鐘) * 詐騙手法一：假冒政府機關/公務人員詐騙 (10分鐘) * 案例分享： 假冒警察、檢察官、銀行人員等，以「您涉嫌洗錢」、「帳戶異常」等理由，要求提供個人資料、轉帳或交付金錢。 * 詐騙手法解析： * 詐騙集團利用民眾對公權力的恐懼，製造緊迫感。 * 偽造官方文件或來電顯示，增加可信度。 * 要求私下交易，避免留下紀錄。 * 防護技巧： * 政府機關不會以電話要求提供個人資料或轉帳。 * 接到可疑電話，務必掛斷電話，直接撥打110或相關機構的官方電話查證。 * 不輕易相信來電顯示，詐騙集團可以偽造號碼。 * 詐騙手法二：網路購物詐騙 (10分鐘) * 案例分享： 低價誘惑、一頁式廣告、未提供退換貨資訊、收到與描述不符的商品等。 * 詐騙手法解析： * 利用消費者對低價商品的渴望。 * 使用虛假廣告或社群媒體進行宣傳。 * 不提供真實的聯絡方式或退換貨資訊。 * 防護技巧： * 選擇信譽良好、有評價的購物平台。 * 仔細閱讀商品描述、評價和退換貨政策。 * 使用安全的付款方式，避免直接轉帳給賣家。 * 不輕易相信過於優惠的價格。 * 詐騙手法三：愛情詐騙/投資詐騙 (10分鐘) * 案例分享： 在網路上認識對象，以甜言蜜語取得信任，再以投資、借款等理由要求金錢。 * 詐騙手法解析： * 詐騙集團利用人性的弱點，例如：渴望愛情、追求財富。 * 營造虛假的身份和背景，例如：駐外軍人、成功商人。 * 以高報酬、低風險為誘餌，吸引受害者投資。 * 防護技巧： * 在網路上認識的人，務必謹慎對待。 * 不輕易相信陌生人的甜言蜜語。 * 投資前務必查證相關資訊，不輕易相信高報酬的投資機會。 * 不隨意轉帳給不認識的人。 三、網路詐騙防護技巧 (15分鐘) * 個資保護： * 設定複雜的密碼，並定期更換。 * 不隨意點擊不明連結或下載可疑檔案。 * 謹慎提供個人資料，避免洩露。 * 釣魚郵件/簡訊： * 不隨意開啟不明郵件或簡訊。 * 仔細檢查郵件/簡訊的發件人地址和內容。 * 不點擊郵件/簡訊中的連結或下載附件。 * 常用App安全設定： * 定期檢查App權限設定，避免不必要的權限。 * 開啟App的雙重驗證功能。 * 遇到詐騙怎麼辦？ * 立即報警。 * 向銀行或金融機構申請止付。 * 向相關單位檢舉。 四、問答環節 (10分鐘) * 開放聽眾提問，解答聽眾的疑問。 * 提供相關資源，例如：165反詐騙專線、警政署網站等。 備註： * 講座內容可根據聽眾的背景和需求進行調整。 * 可以準備一些詐騙案例的圖片或影片，增加講座的吸引力。 * 講座過程中，可以穿插一些互動環節，例如：小測驗、情境模擬等，增加聽眾的參與度。 * 講座結束後，可以提供相關的防詐騙資料，供聽眾參考。 希望這份講座大綱對您有所幫助！ |
| 寫信 | 近來主管對我下班已讀不回訊息頗有微詞，甚至在整個部門的email串中提及此事。請幫我寫一封信，以委婉但堅定的語氣說明我希望在上班時間內專心完成工作，下班後另有私人要事，實在不便處理工作事務，然若是可以立即回答的問題，會盡可能即時回覆。整封信的語氣必須專業有禮貌，且必須考慮部門中其他同事也會看到。 | 好的，以下是一封您可以參考的信件範本，語氣委婉堅定，並考慮到其他同事也會看到： 主旨：關於下班後訊息回覆的說明 [主管姓名]您好， 感謝您一直以來對我的指導與協助。 近日，我注意到您在部門郵件中提及我下班後訊息的回覆狀況，我深感抱歉可能造成您的不便。 我想向您說明，我目前的工作安排與私人事務安排較為緊湊。為了能在工作時間內專注於各項任務的完成，並確保工作品質，我習慣將下班後的時間保留給個人事務。 我了解工作訊息的重要性，若是在非工作時間收到可以立即處理的問題，我會盡力在確認狀況後盡快回覆。但若問題較為複雜，需要較長時間思考或處理，我會在工作時間內優先處理，以確保能提供更完善的解答。 我深知團隊合作的重要性，也樂於在上班時間與同事們互相協助。我會盡力在工作時間內保持積極的溝通，並隨時準備好迎接挑戰。 再次感謝您的體諒與支援。 順頌 商祺 [您的姓名] [您的職位] 注意事項： * 請將[主管姓名]、[您的姓名]、[您的職位]替換成您的實際資訊。 * 您可以根據實際情況調整信件內容，例如，如果您的私人要事是家庭事務，可以稍微提及，但避免過度詳述。 * 在寄出前，請仔細檢查信件內容，確保語氣委婉堅定，且沒有任何不當言論。 * 如果您的主管比較直接，您可以稍微加強語氣，但仍要保持禮貌。 * 如果信件被其他同事看到，請確保您的信件內容不會讓他們覺得您不尊重工作。 希望這封信能幫助您順利溝通，並改善與主管的關係。 |
| 摘要 | 請將這篇文章精簡條理化:「產業創新條例第10條之2及第72條條文修正案」俗稱「台版晶片法」,針對半導體、電動車、5G等技術創新且居國際供應鏈關鍵地位公司,提供最高25%營所稅投抵優惠,企業適用要件包含當年度研發費用、研發密度達一定規模,且有效稅率達一定比率。 為因應經濟合作暨發展組織(OECD)國家最低稅負制調整,其中有效稅率門檻,民國112年訂為12%,113年料將提高至15%,但仍得審酌國際間最低稅負制實施情形。 經濟部官員表示,已和財政部協商進入最後階段,除企業研發密度訂在6%,目前已確認,企業購置先進製程的設備投資金額達100億元以上可抵減。 財政部官員表示,研商過程中,針對台灣產業與其在國際間類似的公司進行深入研究,在設備部分,畢竟適用產創10之2的業者是代表台灣隊打「國際盃」,投入金額不達100億元,可能也打不了。 至於備受關注的研發費用門檻,經濟部官員表示,歷經與財政部來回密切討論,研發費用門檻有望落在60億至70億元之間。 財政部官員指出,研發攸關台灣未來經濟成長動能,門檻不能「高不可攀」,起初雖設定在100億元,之所以會調降,正是盼讓企業覺得有辦法達得到門檻、進而適用租稅優惠,才有動力繼續投入研發,維持國際供應鏈關鍵地位。 經濟部官員表示,因廠商研發費用平均為30、40億元,其中,IC設計業者介於30億至60億元範圍,若將門檻訂在100億元,符合條件的業者較少、刺激誘因不足;此外,若符合申請門檻的業者增加,將可提高企業在台投資金額,財政部稅收也能因此獲得挹注。 IC設計業者近日頻頻針對產創10之2發聲,希望降低適用門檻,加上各國力拚供應鏈自主化、加碼補助半導體產業,經濟部官員表示,經濟部和財政部就產創10之2達成共識,爭取讓更多業者受惠,盼增強企業投資力道及鞏固台灣技術地位。 財政部官員表示,租稅獎勵的制定必須「有為有守」,並以達到獎勵設置目的為最高原則,現階段在打「國內盃」的企業仍可適用產創第10條、10之1的租稅優惠,共同壯大台灣經濟發展。 經濟部和財政部正就研發費用門檻做最後確認,待今明兩天預告子法之後,約有30天時間,可與業界進一步討論及調整,盼產創10之2能在6月上路。 | 「台版晶片法」修正案重點： - 針對半導體、電動車、5G等關鍵技術企業，提供最高25%營所稅投抵優惠。 - 適用條件包括研發費用、研發密度、有效稅率等。 - 因應OECD最低稅負制，有效稅率門檻將逐年提高，但仍可彈性調整。 - 設備投資門檻為100億元以上，研發費用門檻預計落在60至70億元間。 - 門檻調降旨在鼓勵企業投入研發，維持國際供應鏈關鍵地位。 - 增加符合門檻的企業數量，有助於提升企業投資及稅收。 - 財政部強調租稅獎勵需「有為有守」，並兼顧國內企業發展。 - 預計6月上路，預告子法後給予業界30天討論及調整時間。 |
| 翻譯 | 以下提供英文內容，請幫我翻譯成中文。Dongshan coffee is famous for its unique position, and the constant refinement of production methods. The flavor is admired by many caffeine afficionados. | 東山咖啡因其獨特的地理位置和生產方法的持續精進而聞名。其風味深受許多咖啡愛好者的讚賞。 |
1chat = [
2 {"role": "user", "content": "{question}"},
3]
4prompt = tokenizer.apply_chat_template(chat, tokenize=False, add_generation_prompt=True)1chat = [
2 {"role": "system", "content": "{sys}"},
3 {"role": "user", "content": "{question}"},
4]
5prompt = tokenizer.apply_chat_template(chat, tokenize=False, add_generation_prompt=True)1chat = [
2 {"role": "system", "content": "{sys}"},
3 {"role": "user", "content": "{question1}"},
4 {"role": "assistant", "content": "{model_anwer_1}"},
5 {"role": "user", "content": "{question2}"},
6]
7prompt = tokenizer.apply_chat_template(chat)transformers 與 vLLM。bfloat16 以節省記憶體並保持效能。1import torch
2from transformers import AutoTokenizer, AutoModelForCausalLM
3
4model_id = "taide/Gemma-3-TAIDE-12b-Chat-2602"
5
6# Load model and tokenizer
7tokenizer = AutoTokenizer.from_pretrained(model_id)
8model = AutoModelForCausalLM.from_pretrained(
9 model_id,
10 device_map="auto",
11 torch_dtype=torch.bfloat16
12)
13
14# Prepare conversation content
15messages = [
16 {"role": "system", "content": "你是一個來自台灣的AI助理，你的名字是 TAIDE，樂於以台灣人的立場幫助使用者，會用正體中文回答問題。"},
17 {"role": "user", "content": "請推薦三個台灣的旅遊景點。"},
18]
19
20# Convert to input format
21input_ids = tokenizer.apply_chat_template(
22 messages,
23 add_generation_prompt=True,
24 return_tensors="pt"
25).to(model.device)
26
27# Generate response
28outputs = model.generate(
29 input_ids,
30 max_new_tokens=2048,
31 do_sample=True,
32 temperature=0.1,
33 top_p=0.9,
34)
35
36# Decode output
37response = tokenizer.decode(outputs[0][input_ids.shape[-1]:], skip_special_tokens=True)
38print(response)1from vllm import LLM, SamplingParams
2
3model_id = "taide/Gemma-3-TAIDE-12b-Chat-2602"
4
5# Initialize vLLM
6llm = LLM(model=model_id, dtype="bfloat16", trust_remote_code=True)
7
8# Set sampling parameters
9sampling_params = SamplingParams(
10 temperature=0,
11 max_tokens=2048,
12 stop_token_ids=[1, 106]
13)
14
15# Prepare conversation content (vLLM supports passing a list of messages directly)
16messages = [
17 {"role": "system", "content": "你是一個來自台灣的AI助理，你的名字是 TAIDE。"},
18 {"role": "user", "content": "請寫一首關於阿里山日出的短詩。"}
19]
20
21# Run inference
22outputs = llm.chat(messages=messages, sampling_params=sampling_params)
23
24# Display results
25for output in outputs:
26 prompt = output.prompt
27 generated_text = output.outputs[0].text
28 print(f"Output: {generated_text}")