欢迎来到皮皮网官网
1.֪ʶͼ?知识?Դ??
2.#gStore-weekly | gstore源码解析（一）：基于boost的gstore http服务源码解析
3.云端如何部署测试Qwen1.5-MoE模型
4.北京阿博茨科技有限公司
5.基于中文金融知识的 LLaMA 系微调模型的智能问答系统：LLaMA大模型训练微调推理等详细教学
6.什么是入侵检测？入侵检测整个流程是什么？
֪ʶͼ??Դ??
在人工智能领域取得显著进展的智谱华章（智谱）近期获得了美团战投的独家数亿元B-2轮融资，公司估值攀升至近5亿美元。图谱这一轮融资标志着智谱在AI大模型研究领域的源码持续发展与市场认可。自年成立以来，知识智谱凭借清华大学计算机系的图谱技术成果转化，致力于研发新一代认知智能通用模型，源码stream源码原理提出了Model as a Service（MaaS）的知识概念。
智谱的图谱团队由业界知名人物张鹏领军，他曾是源码XLORE——国内首个中英文平衡跨语言知识图谱系统的创造者。团队成员多来自清华大学计算机系，知识积累了深厚的图谱技术底蕴。他们已成功研发双语千亿级预训练模型GLM-B，源码并构建了高精度通用知识图谱，知识将数据与知识融合，图谱打造了ChatGLM认知引擎和Bigmodel.ai平台，源码提供包括CodeGeeX和CogView在内的多款智能API服务。
今年3月，智谱进一步开源了中英双语对话模型ChatGLM-6B，这款亿参数的模型支持在消费级显卡上运行，优化了中文问答能力，展现了其在开放源代码领域的贡献。而美团在AI领域的活跃也引人关注，他们最近宣布以.亿元收购光年之外，旨在推动中国OpenAI的建设。
#gStore-weekly | gstore源码解析（一）：基于boost的gstore ）快速下载。
首先执行以下命令，然后运行下面的Python文件。 将`local_dir`设置为自己的本地目录文件夹，后续使用时会用到。 量化版本的模型需要GB的显存才能成功加载，我使用的是显卡，具有GB显存。 加载模型和推理的代码如下： 在加载和测试模型之前，请注意调整`/root/qwen1.5-moe-int4`路径为自己的目录，可使用相对路径或绝对路径。丹东相亲网站源码 在部署过程中，遇到了以下问题：需要安装transformers库，但直接使用pip安装可能不行，需要从源码编译。
可能会出现`ModuleNotFoundError: No module named 'optimum'`的错误，需要重新安装optimum。
在安装optimum后，可能需要重新安装transformers库。
可能会遇到`importlib.metadata.PackageNotFoundError: No package metadata was found for auto-gptq`错误，需要重新安装auto-gptq。
解决这些问题后，运行上面的推理代码，进行模型加载和测试。尝试让模型生成一段歌词，发现量化版本的推理速度较慢，生成较长文本需要1-3分钟不等。直接加载模型进行推理，没有使用其他加速方法。 MoE技术是否有效？后续将继续深入研究。 我是从事自然语言处理（NLP）、知识图谱、大模型实际业务落地的算法工程师大林，如果您同样对此感兴趣，欢迎在dalinvip中备注知乎 大模型，一起交流。北京阿博茨科技有限公司
阿博茨科技是一家总部位于北京海淀学清路8号科技财富中心的创新型人工智能公司，核心团队由微软亚洲研究院的精英构成，曾历经两次创业，均取得显著成就。公司已获得SIG、源码资本等知名投资机构的数千万美金融资，目标成为数据处理和分析领域的独角兽企业。
阿博茨服务的客户广泛，包括招商银行、dobbo框架源码大全中国银行等头部银行，平安资管、人保资管等头部资管公司，以及易方达、海通证券等金融机构。他们利用先进的计算机视觉技术，如在图表识别领域的全球领先技术，以及自然语言处理和知识图谱，为金融、地产、博彩等领域的客户提供智能投研、风控和运营等解决方案。
作为技术壁垒，阿博茨拥有计算机视觉、自然语言处理和知识图谱的核心技术，其中一项技术被列入“中美技术禁运清单”，凸显其独特价值。公司荣誉颇丰，曾荣获达沃斯世界经济论坛“技术先锋”等称号，并在金融科技创业大赛中拔得头筹，获得了多项全球技术专利和认证。
阿博茨现招聘管理培训生，包括通用岗位和专业岗位，如技术中心管理培训生负责项目技术评审和落地，产品中心管理培训生则负责产品设计与优化。应聘者需具备良好的沟通理解能力、逻辑清晰和抗压性，以及自我驱动和执行力。对于AI相关背景、实习经历和特定技能的拥有者，将更具竞争优势。
如对阿博茨的职位感兴趣，可通过联系陈经理进行进一步咨询，邮箱jinch@abcft.com，数据源源码联系电话****，公司地址位于北京市海淀区科技财富中心A座3A层。
基于中文金融知识的 LLaMA 系微调模型的智能问答系统：LLaMA大模型训练微调推理等详细教学
基于 LLaMA 系基模型经过中文金融知识指令精调的微调模型，旨在提升金融领域问答效果。通过整合中文金融公开问答数据与爬取的金融问答数据，构建指令数据集，并在此基础上对 LLaMA 系模型进行指令微调。使用 GPT3.5/4.0 API 和中文金融知识图谱、CFLEB 金融数据集等扩充数据集，确保高质量训练。
安装环境时，建议使用 Python 3.9 以上版本，同时通过 lfs 方便本地下载 LLaMa 大模型。下载 LLaMA 模型时，注意选择分类为“中文金融问答微调模型”，并根据模型的不同版本和参数调整训练数据、训练序列长度等参数。
进行单模型推理和多模型对比，通过运行 infer 脚本，使用 ./instruction_data/infer.json 提供的测试用例或自定义数据集进行验证。构建数据集时，集成公开和爬取的中文金融领域问答数据，覆盖保险、理财、股票、基金、贷款、信用卡、社保等业务场景，优化数据质量和丰富性。
在微调 Finetune 阶段，按照 ./instruction_data/fin_data.json 的格式构建自定义数据集，运行 finetune 脚本进行微调。训练细节包括计算资源需求，惠州过香港源码推荐使用 A-SXM-GB 显卡，训练总轮次为 轮。根据显存大小调整 batch_size，预计 / 显卡（GB 显存）以上显卡可以较好支持。
在提示词模板构建模块中，包含用于 LoRA 微调 LLaMa 模型的提示模板样式，通过 JSON 文件描述模板，确保模板灵活适用于不同任务需求。现有模板包括 alpaca.json、alpaca_legacy 和 alpaca_short 等，提供通用和特定任务的提示词选择。
提示构建模块是 Prompter 类，作为模板管理器，用于构建和调整提示词以适应不同模型微调需求。项目源代码和更多优质内容可访问指定链接或关注公号“汀丶人工智能”获取资源和文章。
什么是入侵检测？入侵检测整个流程是什么？
探索未知边界：深入解析入侵检测的神秘之旅在数字化世界中，保障网络安全如同守护一座城堡，而入侵检测（IDS）就是那无形的守卫者，悄然守护着我们的数据安全防线。IDS并非单纯的单点扫描，而是一种复杂而深入的分析技术，它通过图技术的革新，实现了对威胁的全方位洞察。青藤云安全，作为业界的创新领导者，凭借其主机万相和容器蜂巢产品，引领了基于NebulaGraph的实时入侵检测系统的研发潮流。
青藤云安全的图基入侵检测系统，以其强大的关联分析能力和误报漏报减少的精准性，颠覆了传统检测模式。它能够捕捉到单点检测和序列规则难以识别的复杂组合关系，通过图关联和溯源功能，有效地应对告警洪流，帮助我们清晰地追踪攻击路径，甚至预测可能的攻击路径，从而提前布局防御。知识图谱和预测模型的融入，进一步扩展了安全分析的维度，借助Kill Chain/ATT&CK等框架，我们得以更深入地理解攻击者的动机和手段。 在国际上，伊利诺伊大学/普渡大学与CrowdStrike等巨头纷纷涉足这一领域，AWS和Azure紧随其后，国内的微步在线和深信服也纷纷采用图技术。青藤云安全的万相和蜂巢产品不仅解决了告警关联和溯源的问题，还计划在多机关联场景中大展拳脚，但挑战也随之而来，如如何优化查询效率、处理一致性与速度之间的微妙平衡，以及TOB部署中的资源管理和成本优化。图查询需求：NebulaGraph的独特设计使其在处理多级关联和溯源时，展现出超越SQL数据库的卓越性能。
性能优化：通过下推优化和MATCH查询的改进，青藤云安全致力于提升系统的查询效率，同时考虑引入社区版缓存来强化性能。
实时挑战：在实时场景中，保持一致性与速度的平衡是一场技术较量，需要持续优化以确保最佳性能。
TOB部署痛点：青藤云安全意识到单机部署的繁琐和资源占用，正寻求优化对低配机器的支持，降低HDD部署的成本。
青藤云安全的工程师文洲分享道：“我们致力于将复杂的技术变得简单易用。尝试NebulaGraph Cloud，天免费试用，点击这里开启安全新篇章。在这个瞬息万变的数字世界，入侵检测不再是孤立的防御策略，而是通过图技术编织的一张无缝防护网，让安全防护如影随形，无处不在。
KDD | 多维时间序列无监督异常检测方法
来自: KDD | 多维时间序列无监督异常检测方法
在多维时间序列异常检测领域，一项关键任务是对实体各种状态进行监控。面对缺乏足够标签的工业场景，无监督异常检测成为重要课题。来自清华大学的研究者在KDD 会议上提出了一种无监督方法（InterFusion），旨在同时考虑多维时间序列不同指标间的依赖性和时间顺序上的依赖性。通过变分自编码机（VAE）建模正态模式，并结合马尔科夫链蒙特卡洛（MCMC）方法解释多维时间序列的异常结果。实验在四个工业领域真实数据集上进行，验证了算法效果。
论文地址：dl.acm.org/doi/....
论文源码：github.com/zhhlee/Inter...
会议介绍：ACM SIGKDD（知识发现与数据挖掘会议）是数据挖掘领域的顶级国际会议，由ACM数据挖掘及知识发现专委会组织。自年起，KDD大会连续举办二十余届全球峰会，以严格的论文接收标准闻名，接收率通常不超过%，备受行业关注。
今年KDD论文接收结果显示，篇投稿中，篇被接收，接收率为.%，与去年相比略有下降。
核心贡献：
算法模型：InterFusion采用层级变分自编码机（HVAE）联合训练指标间和时间参数，提出双视图嵌入方法，表达指标间和时间依赖特征。预过滤策略增强模型鲁棒性，避免异常模式干扰。
模型训练与推断：通过减少真实数据与重构数据差异实现VAE训练目标。使用MCMC插补算法解释异常检测结果。
解释方法：为检测到的异常实体找到一组最异常指标，通过MCMC插补获得合理潜在嵌入和重建，判断异常维度。
实验与评价：基于四个真实场景数据集进行实验，采用F1-score评估异常检测准确性，提出解释分数（IPS）度量异常解释准确性。
推荐文章：
ShapeNet：一款时序分类最新神经网络框架
导师说：文献神器推荐，高效整理阅读脉络
哈工大教授：文献阅读策略，把握重点与适度
深度盘点：机器学习与深度学习面试知识点汇总
图形学大牛陈宝权弟子作品，ACM CHI最佳论文荣誉提名
深度Mind强化学习智能体，提高数据效率
微软亚洲研究院论文精选，Transformer、知识图谱等热点话题
谷歌发布Translatotron 2，语音到语音直接翻译神经模型
OpenAI十亿美元卖身微软后，通用人工智能前景分析
谷歌学术刊物指标发布
HaloNet：自注意力方式的卷积新作
周志华、贾扬清入选！中国高被引学者榜单揭晓，计算机界人上榜
爱思唯尔官方于日发布了「中国高被引学者榜单」，共计人上榜。在众多领域中，计算机科学领域的高被引学者数量达到人。
在此次榜单中，计算机科学领域的高被引学者分别来自所高校、企业及科研机构，覆盖了教育部个学科领域、个一级学科。
在计算机科学领域，清华大学、北京大学、电子科技大学、西北工业大学、浙江大学、南京大学、哈尔滨工业大学、中山大学、中国科学技术大学、上海交通大学、香港中文大学（深圳）、东南大学、华中科技大学、武汉大学、北京航空航天大学、同济大学、复旦大学、中国人民大学等高校均有学者上榜。
例如，刘知远教授是清华大学计算机系副教授、博士生导师，主要研究方向为表示学习、知识图谱和社会计算。他在ACL、IJCAI、AAAI等人工智能领域的著名国际期刊和会议发表相关论文余篇，谷歌学术引用超过2万多次。
周志华是南京大学计算机科学与技术系主任、南京大学计算机软件新技术国家重点实验室常务副主任、南京大学人工智能学院院长、机器学习与数据挖掘研究所所长。他在人工智能、机器学习、数据挖掘等领域发表论文余篇，被引用4万余次。
此外，卢策吾教授是上海交通大学教授、博士生导师，研究兴趣包括计算机视觉、机器人学习。他在《自然》、《自然机器·智能》，TPAMI等高水平期刊和会议发表论文多篇。
在机构方面，微软亚洲研究院、粤港澳大湾区数字经济研究院、中国科学院等机构均有学者上榜。
在企业方面，阿里巴巴、百度、北京旷视科技有限公司、华为、京东、联想、腾讯、源码资本、字节跳动等企业均有学者上榜。
贾扬清是阿里巴巴技术副总裁，曾创立并开源了深度学习框架Caffe，被微软、雅虎、英伟达、Adobe等公司采用。
芮勇博士是联想集团首席技术官、高级副总裁，曾获多项计算机领域大奖，拥有技术专利六十余项。
张宏江博士是国际著名的多媒体领域的开拓者和意见领袖，曾担任微软亚太研发集团首席技术官及微软亚洲工程院院长。
