今日要點(diǎn)

1、騰訊云創(chuàng )建一站式行業(yè)大模型精選商店；

2、比Gen-2還好用的本文轉視頻擴散模型 VideoComposer；

(相關(guān)資料圖)

3、又一款金融A(yíng)I工具—公司債投資助手BondGPT；

4、清華大學(xué)提出LiVT，用視覺(jué)Transformer學(xué)習長(cháng)尾數據，提高模型泛化能力；

5、微軟給開(kāi)發(fā)者的福音，在VS中整合“生成見(jiàn)解”工具，提升編譯效率；

每日見(jiàn)智AI

1、直擊騰訊云大模型技術(shù)峰會(huì )—解決大模型應用困難

騰訊云宣布推出MaaS（Model-as-a-Service)大模型服務(wù)，依靠騰訊云TI平臺建造行業(yè)大模型精選商店，基于騰訊HCC高性能計算集群和大模型能力，為客戶(hù)提供一站式大模型服務(wù)。

目前企業(yè)應用大模型所面臨的困難主要包括：

計算資源少；大模式的訓練和推理對于計算資源和存儲資源有很高的要求，對于很多客戶(hù)來(lái)說(shuō)門(mén)檻比較高；數據質(zhì)量差；數據是訓練大模型的基礎，質(zhì)量不高就會(huì )導致模型的訓練效果和效率難以保障；投入成本高；模型也需要持續的優(yōu)化和調試以適配企業(yè)專(zhuān)項功能；安全合規；數據安全是企業(yè)調用模型最擔心的問(wèn)題；專(zhuān)業(yè)性人才短缺；

見(jiàn)智點(diǎn)評：

騰訊云從保護企業(yè)數據產(chǎn)權和隱私的角度，為客戶(hù)提低成本、方便快捷的大模型服務(wù)，結合自身算力優(yōu)勢，從模型、數據、應用幾個(gè)維度來(lái)打通企業(yè)應用大模型的困難。針對不同的應用場(chǎng)景，提供更適配的算力網(wǎng)絡(luò )和智能應用助手，比如AI代碼助手、會(huì )議助手等等。更重要的是，我們觀(guān)察到MaaS服務(wù)可以滿(mǎn)足客戶(hù)模型的預訓練、模型精調、智能開(kāi)發(fā)等多樣化需求，并且支持客戶(hù)加入私域數據進(jìn)行訓練，極大的解決了企業(yè)對大模型數據安全的擔憂(yōu)。

對于如何解決企業(yè)應用大模型問(wèn)題這個(gè)業(yè)內關(guān)注的焦點(diǎn)，華爾街見(jiàn)聞·見(jiàn)智研究非常榮幸邀請到瀾碼科技創(chuàng )始人&CEO【周健】來(lái)為大家帶來(lái)最核心的解讀：AI浪潮的下一個(gè)重要賽道，如何突破企業(yè)應用，找到核心的盈利秘籍？ ?歡迎大家預約直播：6月20日 周二 19:00。

2、比Gen-2還好用的本文轉視頻擴散模型 VideoComposer

文本生成視頻的擴散模型VideoComposer ，能夠在各種形式的合成視頻中同時(shí)控制空間和時(shí)間模式，例如文本描述、草圖序列、參考視頻，甚至是簡(jiǎn)單的手工制作的動(dòng)作?？雌饋?lái)比Gen-2的效果要強一些。

見(jiàn)智點(diǎn)評：

VideoComposer通過(guò)引入壓縮視頻中的運動(dòng)矢量作為顯式控制信號，結合時(shí)空條件編碼器（STC-encoder），使用戶(hù)能夠以靈活的方式組合具有文本條件、空間條件和時(shí)間條件的視頻。該方法能夠有效地控制空間和時(shí)間模式，包括文本描述、草圖序列、參考視頻和手工制作的動(dòng)作等。實(shí)驗結果表明VideoComposer具有良好的性能和交互-幀一致性。

這項工作對于實(shí)現可控的視頻合成在解決時(shí)間動(dòng)態(tài)和跨幀時(shí)間一致性方面的挑戰方面取得了顯著(zhù)進(jìn)展，進(jìn)一步推動(dòng)了視覺(jué)內容創(chuàng )作的可定制化發(fā)展。

3、又一款金融A(yíng)I工具—公司債投資助手BondGPT

美國金融科技公司Broadridge子公司LTX近期宣布，推出一款基于GPT-4大模型的聊天機器人APP BondGPT，應用于公司債投資。BondGPT主要面向公司債投資者，包括避險基金、交易商等等，可以回答各種與債券相關(guān)的問(wèn)題，并幫助用戶(hù)解決相關(guān)問(wèn)題。

見(jiàn)智點(diǎn)評：

金融A(yíng)I工具開(kāi)發(fā)目前非常熱門(mén)，在A(yíng)I見(jiàn)聞周報中我們也分析過(guò)有很多金融機構已經(jīng)開(kāi)始進(jìn)行AI項目研發(fā)，AI技術(shù)在金融行業(yè)的應用場(chǎng)景也非常豐富，比如AI交易員、金融輿情分析、輔助代碼編寫(xiě)、研報知識庫檢索等都值得關(guān)注。

4、清華大學(xué)提出LiVT，用視覺(jué)Transformer學(xué)習長(cháng)尾數據，提高模型泛化能力

清華大學(xué)在CVPR 2023的論文，Learning Imbalanced Data with Vision Transformers中詳細探討了如何有效利用長(cháng)尾數據來(lái)提升視覺(jué)Transformer的性能，并探索解決現實(shí)世界中存在數據不平衡問(wèn)題的新方法。

文章通過(guò)一系列實(shí)驗發(fā)現，在有監督范式下，視覺(jué)Transformer在處理不平衡數據時(shí)會(huì )出現嚴重的性能衰退，而使用平衡分布的標注數據訓練出的視覺(jué)Transformer呈現出明顯的性能優(yōu)勢。相比于卷積網(wǎng)絡(luò )，這一特點(diǎn)在視覺(jué) Transformer ?上體現的更為明顯。另一方面，無(wú)監督的預訓練方法無(wú)需標簽分布，因此在相同的訓練數據量下，視覺(jué) Transformer ?可以展現出類(lèi)似的特征提取和重建能力?；谝陨嫌^(guān)察和發(fā)現，研究提出了一種新的學(xué)習不平衡數據的范式，旨在讓視覺(jué)Transformer模型更好地適應長(cháng)尾數據。通過(guò)這種范式的引入，研究團隊希望能夠充分利用長(cháng)尾數據的信息，提高視覺(jué)Transformer模型在處理不平衡標注數據時(shí)的性能和泛化能力。

見(jiàn)智點(diǎn)評：

用視覺(jué)Transformer學(xué)習長(cháng)尾數據方法不僅在實(shí)驗中取得了顯著(zhù)的性能提升，而且無(wú)需額外的數據，具有實(shí)際應用的可行性。比如可以應用在醫療影像分析、安全監控等場(chǎng)景中。

數據往往存在不平衡性，即某些類(lèi)別的樣本數量遠遠少于其他類(lèi)別。這導致傳統的模型訓練可能會(huì )偏向于預測數量較多的類(lèi)別，而對于少數類(lèi)別的性能衰退嚴重。通過(guò)用視覺(jué)Transformer學(xué)習長(cháng)尾數據，可以更好地適應現實(shí)世界中的數據不平衡問(wèn)題。同時(shí)還能夠有效提升少數類(lèi)別的識別性能，使模型能夠更好地發(fā)現和理解樣本特征以及提高泛化能力。

5、微軟給開(kāi)發(fā)者的福音，在VS中整合“生成見(jiàn)解”工具，提升編譯效率

微軟宣布，在 Visual Studio 2022 最新版本 17.7 中，將整合“生成見(jiàn)解”工具，以為開(kāi)發(fā)者提升效率。微軟公告表示“生成見(jiàn)解”已經(jīng)在 VS 2022 中可用，該工具能為開(kāi)發(fā)者提供深入的見(jiàn)解分析資料，使開(kāi)發(fā)者更好地了解并且改善編譯過(guò)程。

“生成見(jiàn)解”工具會(huì )在分析編譯過(guò)程后出具一份報告，其中將會(huì )顯示 “生成見(jiàn)解”分析每一段代碼變量對于總編譯時(shí)間的影響，可以讓開(kāi)發(fā)者直觀(guān)的看出哪些特定代碼存在問(wèn)題，耗費大量的編譯時(shí)間，能夠提供開(kāi)發(fā)者一些能夠提升編譯效率的方案。

可以讓開(kāi)發(fā)者更深入理解 C++ 開(kāi)發(fā)，工具通過(guò)直觀(guān)展示代碼各部分在編譯時(shí)的情況，可以讓開(kāi)發(fā)者更加了解 C++ 的深入運行過(guò)程，并通過(guò)了解各部分代碼對于總編譯時(shí)間的影響，找出最佳化編譯流程的方法，在維持代碼品質(zhì)的同時(shí)，在一定程度上提升開(kāi)發(fā)能力。

風(fēng)險提示及免責條款 市場(chǎng)有風(fēng)險，投資需謹慎。本文不構成個(gè)人投資建議，也未考慮到個(gè)別用戶(hù)特殊的投資目標、財務(wù)狀況或需要。用戶(hù)應考慮本文中的任何意見(jiàn)、觀(guān)點(diǎn)或結論是否符合其特定狀況。據此投資，責任自負。

關(guān)鍵詞：