- 综合排序
- 最热优先
- 最新优先
腾讯混元大模型：全模态能力与产业落地实践
理想状态下，AI需兼顾系统稳定性、低运维成本与场景适配性，但现实中常受限于模型参数规模与算力成本矛盾、单一模态能力难以覆盖复杂业务（如3D生成、长文本理解）、开源模型与产业需求错位等瓶颈。 量化验证混元应用价值 混元已在700+业务场景落地，关键指标显著优化： 效率提升：混元Turbo训练效率提升108%、推理效率提升100%、推理成本降低50%、解码速度提升20%；文生3D模型生成速度 <30s，轻游戏搭建耗时从1月缩至2天；工蜂Copilot代码补全5大语言生成率35%、采纳率27%。 支持低端卡训练万亿参数模型（单集群10万卡规模），突破算力与成本瓶颈； 能力全面性：各模态模型稳居第一梯队（大语言模型理科文科双第一、多模态理解国内第一），覆盖文生文/图/视频/3D全场景； 产业落地验证 （数据来源：腾讯混元大模型技术文档、中文大模型基准测评2024年8月报告、SuperCLUE-V基准8月榜单、中国电子学会公告、腾讯云实践案例）
78210编辑于 2026-04-09AI智能筛查分析系统：从技术架构到产业落地实践
今天，就和大家分享一款我们团队打造的AI智能筛查分析系统，从技术架构设计到实际落地案例，拆解如何用AI破解行业数据处理痛点。 我们已在某区域医疗联盟项目中落地，实现10家医院的影像数据联合建模，诊断准确率提升22%。四、落地案例：技术如何转化为业务价值？ 空谈技术不如看实际效果，分享两个典型落地案例：案例1：零售巨头周销售复盘效率提升某全国连锁零售品牌此前需3天完成周销售复盘，过程涉及5000+SKU数据整理、滞销商品分析、促销效果评估。 如果大家对系统的技术架构、模型训练或落地细节有兴趣，欢迎在评论区留言交流。后续我们还会分享更多关于联邦学习在跨机构协作中的实践经验，以及低代码平台的开发技巧，敬请关注！
35910编辑于 2025-10-21- 来自专栏罗超频道
产业互联网两年记：落地的最佳实践是什么？
01 2020，产业互联网玩家踌躇满志 2020年，5G全面走向商用，AI产业化进入深水区，企业数字化转型换挡提速……产业互联网将加速爆发，巨头们踌躇满志准备大干一场。 小米CEO雷军在1月2日的内部信中宣布2020年重大战略升级：将2019年年初提出5年“AIoT”100亿元的战略，加码升级为5年投入“5G+AIoT”500亿元，雷军表示希望将AIoT、智能生活的持续优势转化为智能全场景的绝对胜势 产业互联网应该如何落地？ 03 产业互联网落地，有没有最佳实践？ 产业互联网的“垂直赛道”模式不一定适合每个公司，产业互联网落地，没有最好的方法论，只有最适合自己的实践，产业互联网玩家要选择适合自己的路，慧聪的“垂直赛道”模式不是生硬地造出来的，而是多年来在实际业务摸索中干出来的
1K20发布于 2020-02-13 - 来自专栏CKL的思考空间
度量平台落地实践
在多轮迭和更新后，形成的最终度量体系如下： NO.4 技术落地过程 度量平台经过几轮的技术重构和定义，最终的业务架构如下： 上面的业务架构图应该比较清晰了，就不过多的说明， 放一些效果图给大家参考下： NO.5 测试活动只是开始，不是结束 度量平台搭建完成后，并不意味着度量活动的终结，恰恰相反，有了度量平台，反而是我们做持续改进的开始，度量的最终结果不是一个可视化的图表 属于程序员们的1024快来临了，为感谢大家对本公众号的支持，可点击下方的图片，参与抽奖，奖品是《敏捷测试高效实践：测试架构师成长记》。开奖时间是10月24日 00:00。
89220编辑于 2023-02-01 - 来自专栏SRE运维进阶之路
弹性伸缩落地实践
弹性伸缩落地实践 1. 什么是 HPA ? 最佳实践 说明： 原生Deployment对象不支持灰度发布策略，所以改用 Argo-Rollout 资源对象，下面示例均采用 Argo-Rollout 演示 4.1 定时弹性 4.1.1 后端模版 apiVersion 缩容时间 稳定窗口的时间为 300 秒，满足缩容条件后，连续5分钟持续满足缩容条件，触发缩容 4.5 建立可观测性大盘 后续补充 4.6 注意事项（优雅上下线） 自动扩容大多数是在高并发大流量情况触发，
1.5K10编辑于 2024-04-23 - 来自专栏SRE运维进阶之路
弹性伸缩落地实践
弹性伸缩落地实践1. 什么是 HPA ?HPA（Horizontal Pod Autoscaler）是 Kubernetes 中的一种资源自动伸缩机制，用于根据某些指标动态调整 Pod 的副本数量。 最佳实践说明：原生Deployment对象不支持灰度发布策略，所以改用 Argo-Rollout 资源对象，下面示例均采用 Argo-Rollout 演示4.1 定时弹性4.1.1 后端模版apiVersion 缩容时间稳定窗口的时间为 300 秒，满足缩容条件后，连续5分钟持续满足缩容条件，触发缩容4.5 建立可观测性大盘后续补充4.6 注意事项（优雅上下线）自动扩容大多数是在高并发大流量情况触发，此时如果没有对应的解决方案
1.8K20编辑于 2023-11-21 - 来自专栏SRE运维进阶之路
云原生落地实践
云原生落地1. 上价值从虚拟机到 Kubernetes 转变的收益更高效的利用系统资源：虚拟化本身大概占用10%的宿主机资源消耗，在集群规模足够大的时候，这是一块非常大的资源浪费。 自动化 check：检查 hostname 是否符合 DNS 规范，检查 Service & Pod CIDR 是否与当前网段冲突，检查时间同步，检查外网连通性等组件安装Etcd ：建议外置，单独安装，5节点集群 消息最大字节数，调整 etcd 最大容量；性能压测（使用benchmark & FIO 压测，后续详解）Master 三大件：Apiserver、Controller Manager、Scheduler 5节点 先搞出个试点，最佳实践，然后 点--> 线 --> 面 推广c. 上下齐力：从上到下，从下到上，一同发力d. ) 监控新增 tcp-exporter补全、优化监控告警项定义 Pod Tag中包涵 Appid 字段，使用 kube-state-metrics 将 Tag 暴露出去进行关联查询报警CD灰度发布回滚5.
50810编辑于 2023-12-04 - 来自专栏golang落地ddd
ddd初探--落地实践
最后，津贴总额提供一个cqs查询方法，将写操作转换为一个读操作，保证了实体没有被修改，我自己实践后认为，这样的好处在于，在项目里有一大堆代码的时候，我可以很清楚的知道，只要是有返回值的方法，就一定不会对原来的实例有任何的修改 防腐与编排层： 这一层的意义在于两点：1.做参数的转换，保证将来外界的参数如何变化，内部的do参数不为之所动，同理，内部do的变动，不影响外部协议的参数；2.做do的编排，有一些纯编排的动作被放在这里进行； 5.
77520发布于 2021-07-01 - 来自专栏项目文章
【云原生|实践指北】5：真实业务场景下云原生项目落地实践学习
那么本期文章就是笔者学习了一些腾讯云/阿里云基于云原生的产品项目开放的落地实践方案的一些感想与学习记录。后续也会多写一些云原生落地实践方案的学习记录！ 腾讯云和阿里云等多家大厂都有很多云原生实践落地的开放文档或文章介绍，大家感兴趣的可以去百度一下看看多学习一下。不得不说，腾讯在推动国内云原生这条路上真的是走了很远！ 感兴趣的同学可以跳转进入：云原生学习专栏 1、容器化的落地实践 搜题APP的云上之旅 相信大家都或多或少用过或听过某帮，反正笔者在高中经常使用某帮。 2、原业务对服务间时延依赖，部分业务连接超时时间设置为5毫秒，所以无法承担细微系统调度和 网络波动，如果一旦在未经优化的内核和网络下，容易引起业务大面积超时。 2、Serverless的落地实践 某电商APP的Serverless改造之旅 某电商APP是一家知名度很高的互联网公司，其将购物与社区的结合收获了一大批忠实粉丝。
50510编辑于 2024-06-07 - 来自专栏腾讯云智能·AI公有云
腾讯数字生态大会产业对谈：大模型如何落地产业场景？
2024年是大模型应用落地元年。随着场景落地不断深化，大模型要贴近场景创造价值已经是业界的共识。 9月5日，2024腾讯全球数字生态大会云上智能峰会在深圳举行。 在峰会上，腾讯云邀请来迈瑞医疗、工业富联、易车、同程旅行、中信百信银行等多个来自各个行业的嘉宾，共同探讨了大模型落地的新场景、新发展、新变化。 “面向场景创造价值才是大模型发展的意义。” 落地阶段，工业富联和腾讯云合作，重点关注数据管理、知识管理和业务系统融合。通过统一的数据存储平台和大模型的推理结果，实现数据的集成和标准化处理，提升生产透明度和响应速度。 易车研发平台部总经理孙佑时表示，在大模型落地过程中，易车面临的挑战包括大模型基础能力的构建和生态服务形态的更新迭代。 大模型技术开始落地到风险管控中，进一步提升了风控的质量和效率。
41010编辑于 2024-09-06 ChatDB 落地实践（基于 Vanna）
ChatDB 的落地实践—— 基于 Vanna 的企业级实现方案一、为什么要做 ChatDB（而不是再造一个 BI）在企业真实场景中，数据问题往往不是「没有数据」，而是：数据分散：MySQL MongoDB 而 Vanna 正好是目前最适合工程化落地的 NL2SQL 框架之一。 ---- ### 四、Vanna 的核心落地步骤（重点） #### 1️⃣ 数据库 Schema 注入（第一步最重要） vn.train
39920编辑于 2025-12-22- 来自专栏大数据文摘
中国大模型，产业落地这一年
这是国内首部聚焦AI大模型落地应用的权威研究成果，评选出的52个案例均为大模型商业落地的优秀示范。本文将从52个案例为切入点，为大家呈现当前AI行业的现状与趋势。 据公开资料不完全统计显示，国内大模型的发展路径是“通用+垂直”两条腿走路，其中垂类大模型落地速度最快。 5.言犀基础大模型：由京东科技研发，该模型融合了70%的通用数据和30%的数智供应链原生数据，具有更高的产业属性。 6.百灵语言大模型：由蚂蚁集团基于Transfromer架构研发。 ，展现出广阔的落地应用潜力。 大模型要想像电力一样输送给千行百业和千家万户，必然需要一个体系化的产业生态，构建这个生态需要一系列相互关联的因素，包括技术发展、应用场景、数据管理、伦理与法律问题、以及社会影响等。
71010编辑于 2024-01-04 - 来自专栏Alter聊科技
从工厂车间到海上油田，在产业实践里探寻中国AI落地的锚点
正因如此，在产业链中有着资源统筹能力的政企单位，可以说天生就是AI落地的“产业链组织者”和“生态统筹者”，在打通数据要素流通、推动AI工程化落地方面有着不可或缺的作用。 从行业先行者实践中， 透视AI应用落地的关键锚点 根据德勤的研究数据，已经有超过70%的央企、超过55%的地方国企启动了数智化转型工作，成立了近500家数字科技类公司。 如果说通往AGI的挑战主要集中在训练方法、推理优化、对齐技术、新的学习范式等底层研究上，AI在产业落地则是更加复杂的系统性工程。 一朵同时具备高韧性和安全合规，可支撑数据+AI+应用开发的，具备丰富行业实践的混合云技术底座，更能满足政企数智化的发展需求。 03. 在数智化转型的过程中，并非所有企业都有试错的资本，有场景、有数据、有产业话语权的大型政企，正在和华为云等代表同行者一起，解难题、做难事，打通AI落地应用的通路。
32910编辑于 2025-06-24 - 来自专栏携程技术
干货 | ES安全searchguard落地实践
为了对elasticsearch的访问控制进行安全加固，我们针对市面上的仅有两款安全插件进行调研，由于shield为收费插件，故本文仅对searchguard开源插件的配置部署及落地进行详细阐述，希望提供给各位一个快速上手配置 ； 字段级别访问控制（商用功能）； 在我们考虑正式落地前，需要确认必要的安全特性，例如字段级别访问控制、内网restful流量加密是否必要等。 5、配置文件 searchguard 主要有5个配置文件在 plugins/search-guard-5/sgconfig 下： sg_config.yml: 功能配置文件，配置包括认证授权都多种方式的功能 9、searchguard集群性能测试 对于集群是否落地searchguard，可能更多考量在与是否会对性能有影响。 802.317 1236.58 +434.26428 ms 10、结语 由于能够支持es安全方案可选少，且searchguard这类开源方案对于性能上的影响需要时间去验证（实际落地情况复杂
2.8K80发布于 2018-03-16 - 来自专栏宜信技术实践
Kubernetes在宜信落地实践
[18c1e4c73bec4da99dc0bcb0f7f5a6c6] 第三是网络和存储的互连，由于跨机房的网络需要互连，我们采用vxlan的网络方案实现，存储也是通过专线互连。 [1e09a9764f5f476f846f5c0d31cc3e4c] 六、网络方案 kubernetes的CNI的网络方案有很多种，主要分为二层、三层和overlay方案。 [3b549ddbaeee4d2cba5ca669aa41b08a] 除了上述几个模块外，系统还集Harbor完成容器镜像的多租户管理和镜像扫描功能；日志审计是记录用户在管理界面的操作，webshell 十一、落地实践 11.1 docker不是虚拟机 在容器推广的初期业务开发人员对容器还不是很熟悉，会下意识认为容器就是虚拟机，其实他们不仅是使用方式的区别，更是实现方式和原理的差异，虚拟机是通过模拟硬件指令虚拟出操作系统的硬件环境 十二、总结 Docker容器加K8S编排是当前容器云的主流实践之一，宜信容器集群管理平台也采用这种方案。本文主要分享了宜信在容器云平台技术上的一些探索和实践。
1.1K20发布于 2019-06-28 - 来自专栏架构之家
DevOps落地实践及案例分享
目录： 一、关于DevOps实践的一些问题 二、DevOps在金融行业落地都有哪些姿势 三、DevOps在金融行业落地的套路 四、DevOps将软件生产线数字化 五、总结一些DevOps最佳实践 六、DevOps ，有很多好的通用的实践，好的DevOps落地实践会涵盖DevOps最核心原则和模式，避免走不必要的弯路，有效地缩短个人和组织的学习曲线 在DevOps项目落地过程中需要培养和训练全局的、系统性的思维认知能力 任何别人家的落地都只是别人家的，企业需要发展出独有的、属于自己的落地实践，没人能替代（就像家长嘴里的别人家的孩子，永远无法成为自己的孩子） DevOps是高绩效IT企业实践的有机集合体。 在实践阶段分了三步走，研发层面的持续集成、运维层面的持续交付，最终打通研发和运维实现DevOps全流程。 从试点效果来看，单就自动化部署层面就比之前提高了2-5倍的效率。 5.总结一些DevOps最佳实践 持续集成的原则 鼓励开发人员在开发分支上频繁的提交代码，随后触发CI流程，在CI过程中可以加入单元测试和代码质量检查等动作，这样产生代码冲突的几率会下降，并且代码质量也会提高的
1K20编辑于 2022-09-01 - 来自专栏FreeBuf
浅谈DevSecOps的落地实践方案
1.概述 DevSecOps这个词相信大家并不陌生，也是近段时间说的最多的一个词，而这个词的由来从安全的角度来说是SDL思想的落地场景。 以前一直有人总纠结SDL和devsecops两者之间的区别是什么，其实这个问题并不难回答，SDL是安全左移思想的方法论，从开发的维度来说一般分为两种模式，分别为瀑布式开发和敏捷开发，所以DevSecOps是敏捷开发的落地场景 很多企业为了适应快速开发迭代的模式，集成了一套DevOps工具链路，将开发与运维进行了整体的打通从而完成应用的快速部署，这同时也就给安全提出了挑战，新的安全模式也要适应敏捷的思想，从而DevSecOps场景的落地实践应运而生 5.写在最后 DevSecOps核心目标是构建研发运维一体化的安全作业环境，使组织成员能够敏捷的参与到安全体系建设中，从一个团队的安全到安全由人人负责的转变。 虽然DevSecOps模型覆盖了整个软件开发周期的全过程，但在实践过程中大部分还是集中在开发和测试阶段，也就是代码安全扫描、供应链安全检测、UAT环境灰度测试、以及上线前的漏洞扫描。
1.2K20发布于 2021-09-16 - 来自专栏啄木鸟软件测试
AI安全测试落地实践指南
本文基于啄木鸟软件测试团队在某头部银行智能风控大模型、某三甲医院AI影像辅助诊断系统的32个真实交付项目经验，提炼出可复用、可度量、可审计的AI安全测试落地四步法。 三层攻击面建模法’： - 数据层：验证训练/微调数据是否含敏感信息残留（如PHI/PII）、是否存在隐式偏见放大（如性别-职业关联偏差）； - 模型层：检测对抗样本鲁棒性（FGSM/PGD攻击下准确率衰减≤5%
38910编辑于 2026-03-09 - 来自专栏杨同学technotes
Nacos配置中心落地与实践
• Apollo 2016年5月，携程开源的一款可靠的分布式配置管理中心。 2016.5 2014.9 github关注 20.5k 26K 1.7K 文档 完善 完善 完善 性能 单机读（QPS） 15000 9000 7(限流所致) 单机写（QPS） 1800 1100 5( 性能对比 • 压力机信息 处理器：Intel(R) Core(TM) i5-9500 CPU @ 3.00GHz 3.00 GHz 系统：window 10 内测：16G • 压测工具：JMeter • static void main(String[] args) { SpringApplication.run(WebApplication.class, args); } } 四、实践
1.2K20编辑于 2022-12-01 - 来自专栏CNCF
GitOps与ChatOps的落地实践
既然 DevOps 是一种文化，那么在不同的团队则会有不同的实践，而无论实践如何，其最终目的都是一样的：最大化的实现自动化，释放更多的人力资源，创建更大价值。 而 GitOps 和 ChatOps ，则是 DevOps 的两种实践。这两种实践分别通过使用 版本控制软件 Git 和实时聊天软件来达到提升交付速度和研发效率的目的。 GitOps & ChatOps 的实践 使用 Drone 实现 GitOps DevOps 文化早已在我司落地，这也是为什么我们有将近百人的研发团队，却只有两个专职运维的原因。 结语 上文中简要的介绍了 GitOps 和 ChatOps 在我司的落地实践，从决定落地 GitOps 和 ChatOps 至今不过短短的2个月。 得益于我司浓厚的 DevOps 文化氛围，让我可以在极短的时间内将 GitOps 和 ChatOps 落地实践。但毕竟实践的时间还短，很多需求还在收集和调研中，后续的开发还在持续进行。
1.4K30发布于 2019-12-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号