• 支持向量机-SVM 1
• 知识蒸馏 1
• 建模
• 特征提取
• 特征工程 1
• 特征归一化
• softmax 1
• 时间序列预测模型 1
• FinGPT 1
• FinML
• ChatGPT
• LLM
• GPT 1
• LSTM
• Transformer 1
• 梯度下降 1
• 特征工程 1
• 神经网络 1
• AI原理系列-强化学习 1
• AI原理系列-无监督学习 1
• AI原理系列-监督学习 1
• MoE架构的解析 1
• GPU 消费级与专业级性价比分析报告
• 算力集群的自建与租赁方案对比分析报告
• 训练一个1B的金融大模型需要花多少钱？ 1
• AlphaNet 1
• 卷积神经网络
• 循环神经网络
• Bert
• AlphaNet
• Vnp...

Read more

利用智能体人工智能（Agentic AI）与多大型语言模型（LLMs）创建更智能解决方案的解读报告

一、引言

在人工智能技术飞速发展的当下，大型语言模型（Large Language Models，简称LLMs ）已成为推动各领域创新的关键力量。而智能体人工智能（Agentic AI）概念的出现，进一步拓展了LLMs的应用边界，为构建更智能、更具协同性的解决方案提供了新路径。本次报告聚焦于“Using Agentic AI to create smarter solutions with multiple LLMs (step - by - step process)”这一主题，通过对相...

Read more

智能体（Agents）的“智能体化”程度探究：现状、挑战与未来方向

一、幻灯片内容解析

（一）核心问题：How agentic are our agents?（我们的智能体有多“智能体化”？ ）

这一问题聚焦于当下智能体（agents）在自主性、功能实现等维度，与理想中具备高度智能体特质（如自主决策、长期任务执行等）的契合度探究，是理解智能体发展现状与瓶颈的关键切入点。

（二）具体要点展开

1. Many agents are pipelines（许多智能体是管道式结构 ）

◦ Low degree of autonomy（低自主性 ）：这类智能体多遵循预设的、线性的流程运行，像工厂流水线...

Read more

以下是 RLVR（Reinforcement Learning with Verifiable Rewards，可验证奖励强化学习）的技术概述，综合其核心机制、应用场景、争议及最新进展：

一、技术原理与核心机制

1. 基本框架
   RLVR 是一种针对大模型推理任务的强化学习方法，其核心思想是利用可自动验证的奖励信号（如数学答案的正确性、代码的测试通过率）替代人工标注，驱动模型优化。训练过程包含：
2. 策略模型：生成候选答案及推理过程。

3. 奖励函数：基于验证结果（如答案匹配或测试通过）给出 0/1 奖励，并结合格式规范性（如是否包含 \boxed{}）设计复合奖励。

4. 关键算法

5. GR...

Read more

构建智能代理的决策智慧：何时该踏上智能代理构建之旅

一、引言

在人工智能技术浪潮席卷各行业的当下，智能代理（Agents）作为能自主执行任务、具备决策与交互能力的程序系统，逐渐成为企业与开发者优化流程、提升效率的重要工具。然而，并非所有任务场景都适合构建智能代理，盲目投入不仅会造成资源浪费，还可能因适配性不佳导致项目失败。Anthropic公司Barry Zhang提出的 “是否该打造智能代理” 检查清单，为我们提供了清晰的决策框架，从任务复杂度、价值、可行性和错误成本等维度，指引我们探寻何时该构建智能代理，让技术应用精准落地。

二、任务复杂度：智能代理的 “入场券”

（一）低复杂度任务...

Read more

构建智能代理的决策智慧：何时踏上智能代理构建之旅

一、引言

在人工智能重塑各行业的浪潮中，智能代理（Agents）——能够自主执行任务、具备决策与交互能力的程序系统——正日益成为企业和开发者优化流程、提升效率的关键工具。然而，并非所有场景都适合构建智能代理，盲目投入不仅浪费资源，更可能因适配性不佳导致项目失败。借鉴Anthropic公司Barry Zhang提出的“是否该打造智能代理”检查清单，我们可以从任务复杂度、价值、可行性和错误成本四个核心维度出发，建立清晰的决策框架，精准判断构建智能代理的恰当时机，确保技术应用有效落地。

二、任务复杂度：智能代理的“入场券”

• （一）低复杂度任务...

Read more

1. 金融数据研究方法论剖析

1.1 微观主体行为分析法

金融数据是微观经济主体行为的直接反映，深入剖析这些数据能够揭示经济活动的本质。从资金来源角度看，社会融资规模（扣除政府融资）是衡量企业融资策略的关键指标。例如，当社融数据中企业债券融资占比上升时，表明企业在优化债务结构，倾向于通过债券市场获取低成本资金，这可能反映出市场利率处于较低水平，企业对未来投资回报率持乐观态度。而财政净支付数据则能体现政府对经济的调控力度和方向，如财政净支付增加，意味着政府在加大基础设施建设等领域的投入，这将刺激相关产业的发展，带动企业订单增加和就业机会上升。

从资金去向角度分析，存款、现金和金融投资的动态...

Read more

RAG：开启人工智能“智慧”新纪元

RAG：突破传统，崭露头角

在当今的人工智能领域，生成式 AI 模型如璀璨明星般耀眼，其中 GPT 系列更是备受瞩目。它凭借强大的语言理解与内容创作能力，在众多领域掀起了创新的浪潮。从文案撰写到代码生成，从智能客服到创意写作，GPT 仿佛无所不能，为人们的工作和生活带来了前所未有的便利。

然而，再耀眼的明星也有其阴影。生成式 AI 模型，包括 GPT，存在一个不容忽视的 “阿喀琉斯之踵”——“幻觉” 现象。这些模型依赖于预训练数据构建的静态知识库，一旦面对实时更新的信息或者垂直领域的专业问题，便容易陷入困境。例如，当询问 “2023 年诺贝尔经济学奖得...

Read more

AutoML：开启机器学习自动化新时代

传统机器学习的困境

在当今数字化时代，机器学习已成为推动各行业发展的核心技术之一。从金融领域的风险预测到医疗行业的疾病诊断，从电商平台的个性化推荐到自动驾驶汽车的智能决策，机器学习的应用无处不在。然而，传统的机器学习流程在实际应用中却面临着诸多挑战。

数据处理的复杂性：在数据收集阶段，数据来源广泛且形式多样，包括结构化数据（如数据库中的表格数据）、半结构化数据（如 XML、JSON 格式的数据）和非结构化数据（如图像、文本、音频等）。收集这些数据需要耗费大量的时间和精力，并且要确保数据的完整性和准确性。以医疗领域为例，收集患者的病历信息时，可能需要...

Read more

解锁机器学习超参数：从基础到进阶的探索之旅

一、引言：超参数 —— 机器学习的隐形舵手

在机器学习的庞大体系中，数据、算法与超参数构成了模型构建的三大核心要素 ，它们彼此关联、相互影响，共同推动着模型从理论走向实际应用。

数据：机器学习的基石：数据是机器学习的原材料，其质量、规模和多样性直接决定了模型的学习上限。大量且高质量的数据能够为模型提供丰富的信息，帮助模型更好地捕捉数据中的潜在模式和规律。以图像识别领域为例，ImageNet 数据集包含了超过 1400 万张标注图像，涵盖了 2 万多个不同的类别，为众多图像识别模型的训练提供了坚实的数据基础，使得模型能够在图像分类、目标检测等任务...

Read more