我们测了5款企业知识库，回召准确率差距超过30%

结果让人意外：回召准确率最高的92%，最低的只有58%，差距超过30个百分点。这不是“谁家营销话术更强”的问题，而是技术架构的硬差距。 2.2 评估指标核心指标：回召准确率（Recall@3 Accuracy）Top 3检索结果中包含期望答案来源文档的比例为什么用Recall@3而不是Recall@1？ ;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}产品回召准确率 font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}场景建议最低回召率推荐配置内部知识问答 六、写在最后回召准确率相差30%，背后不是“营销话术”的差距，而是技术架构的硬差距。我们测了才知道，有些产品在文档解析阶段就开始丢信息，有些产品连最基础的混合检索都没做。

python3回文数

示例 3： 输入：x = 10 输出：false 解释：从右向左读, 为 01 。因此它不是一个回文数。

OpenVINO2023异步回调流水线提升推理吞吐率

同时支持创建多个Requst然后基于多个Requst实现流水线方式的推理从而提升CPU推理的吞吐率。 其中同步推理： // 前处理 // 开启同步 request.infer(); // 后处理 运行结果如下： 异步模式推理流程 当使用OpenVINO2023提供的Request对象的回调功能以后，我们可以把模型的后处理直接放到回调中去 ; float ow = det_output.at<float>(i, 2); float oh = det_output.at<float>(i, 3)

视频帧率和刷新率，是一回事吗？

3）动画插帧与自然视频插帧有何不同？4）帧率和刷新率，是一回事吗？5）主流插帧算法之光流法，又是什么？什么是视频插帧？ 一些视频压缩的方法就是在发送端只传输一些关键帧，在接收端接收到这些关键帧后通过算法来合成其他帧，这样可以有效减少传输的通信带宽；3）生成慢动作视频，同时也可以使用插帧生成的慢动作序列来合成一些运动模糊； 如连续的三帧的图像中，第2帧存在明显抖动，则可以利用插帧算法先以第1帧、第2帧为输入获取第1.5帧，以第2帧和第3帧为输入来插取第2.5帧，此时第1.5帧和第2.5帧间的抖动相对原始视频的抖动程度会有所改善 帧率和刷新率，是一回事吗？帧率，是1秒时间内传输的图片的帧数，也可以理解为图形处理器（GPU）每秒钟能够渲染出新图像的次数，通常用FPS表示。 帧数和刷新率之间的关系在于，刷新率决定了屏幕能展示的帧率的上限，比如120帧率的画面在60Hz的屏幕上，最终显示效果最高也只有60帧每秒。

R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列

1% 风险价值 将价格转换为收益 library(ggplot2) # 计算收益率的正态密度 # 价格与收益的关系 bp2 = Close # 转换收益率 bret = dailyReturn # 使用 GARCH 进行波动率建模和预测 广义自回归条件异方差 (GARCH) 模型 ，用于预测条件波动率的最流行的时间序列模型。 这些模型是条件异方差的，因为它们考虑了时间序列中的条件方差。 条件SD plot(fiarch, which = 3) 图 ：GARCH(1,1) 的两个信息图 使用样本外的 VaR 预测 让我们使用 Student-t 分布，因为收益并不总是遵循正态分布 1% VaR 预测 最后获得回测 # VaR预测的回测 report(va., VaRha = 0.05) #α的默认值是0.01 ---- 本文选自《R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列》。

机器学习入门 10-3 实现混淆矩阵，精确率和召回率

本小节首先通过具体的编程实现混淆矩阵进而计算精准率和召回率两个指标，最后使用sklearn中封装的库函数实现混淆矩阵、精准率以及召回率。 a 实现混淆矩阵、精准率&召回率 上一小节详细介绍了什么是混淆矩阵，并且基于混淆矩阵这个小工具介绍了两个新的指标精准率和召回率。这一小节就来通过具体的编程来实现混淆矩阵、精准率和召回率。 FP（False Positive）表示样本的真实值为0（Negative），但是算法错误预测样本为1（Positive） 有了前面计算TN的经验，相应的后面的3个值也就非常简单了。 有了算法的混淆矩阵，相应的就可以计算出算法的精准率以及召回率两个指标。首先来看一下如何来求出精准率。 比如对于一个算法来说精准率高但是召回率低，而另一种算法精准率低但是召回率高，对于这两种算法要如何进行取舍呢？这些将在下一个小节中介绍。

【多目标跟踪】Metric？那些你应该了解的MOT评价指标！

这三项依次表示缺失率（ ）、误判率（ ）和误配率（ ） MOTA 主要考虑的是 tracking 中所有对象匹配错误，主要是 FP、FN、IDs、MOTA 给出的是非常直观的衡量跟踪其在检测物体和保持轨迹时的性能 IDTP、IDFP 分别代表真正 ID 数和假正 ID 数，类似于混淆矩阵中的 P，只不过现在是计算 ID 的识别精确度 IDR：识别回召率 (Identification Recall) 是指每个行人框中行人 ID 识别的回召率 其中 IDFN 是假负 ID 数。

幻觉率91%！Gemini 3 Flash评测出炉

Gemini 3 Flash一片好评之下，AA-Omniscience基准的最新结果令人震惊：Gemini 3 Flash的幻觉率达到91%，在参与测试的模型中处在末尾。 所谓幻觉率，指的是模型在应该拒绝或承认不知道答案时错误回答的比例。 在更全面的LisanBench测试中，Gemini 3 Flash排名第12位（Glicko-2 Elo排名第13）。 Gemini 3 Flash在这方面表现不佳，仅为87%，佐证了其潜在的幻觉问题。 从推理效率图来看，Gemini 3 Flash在平均输出token数量与平均最长有效链长度之间的平衡并不理想。 在低资源设置下，Gemini 3 Flash低配置版本的表现更差：得分约为高配置的一半，token使用量也减半，但有效性比率"绝对糟糕"。 在当前AI模型激烈竞争的背景下，Gemini 3 Flash的表现引发了关于模型平衡性的讨论。当年，Deepseek r1一样存在这样的声音。 高幻觉率问题不容小觑。

unity3d：监听当前动画执行完毕回调

Python3 执行系统命令并获取实时回显

最近在改造一些打包的逻辑，原来在 Windows 下是基于批处理制作的，由于批处理用起来不是很方便，一些实时的计算基本无法胜任，所以转向 Python3。 但在以前脚本的基础上很多是需要调用系统命令的比如 VS 编译一个项目，我们需要获取实时的回显知道编译的结果和进度。 if line: print(line.decode(code, 'ignore')) 在使用时直接调用 __external_cmd 方法，传入你要执行的系统命令，根据回显内容设置以下编码就可以了

【Android 高性能音频】AAudio 音频流 数据回调细节 ( 数据回调函数优先级 | 数据回调函数 | 采样率 | 采样数 | 缓冲区调整 | 线程不安全 )

数据回调函数优先级 II . 数据回调函数 相关内容 III . 采样率 处理细节 IV . 数据回调函数 每次 采样个数 numFrames V . , 那么音频流在打开时就会失败 ; 3 . 采样率使用 : 获取采样率后 , 需要准备样本 , 这些样本的采样率需要转换成指定的采样率 , 才能向 AAudio 音频流中读写 , 如果采样率不对 , 播出来的声音就会出问题 ; Android 增加容错 : 缓冲区太小 , 容错空间也跟着变小 , 稍有风吹草动 , 就会出现卡顿 电流等播放异常的情况 , 这就需要增加缓冲区 ; 3 . ; 此外线程阻塞后 , 其会被抢占甚至干扰 , 导致后续无法以高效率运行 ; 3 .

R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据

1% 风险价值 将价格转换为收益 library(ggplot2) # 计算收益率的正态密度 # 价格与收益的关系 bp2 = Close # 转换收益率 bret = dailyReturn # 使用 GARCH 进行波动率建模和预测 广义自回归条件异方差 (GARCH) 模型 ，用于预测条件波动率的最流行的时间序列模型。 这些模型是条件异方差的，因为它们考虑了时间序列中的条件方差。 条件SD  plot(fiarch, which = 3) 图 ：GARCH(1,1) 的两个信息图 使用样本外的 VaR 预测  让我们使用 Student-t 分布，因为收益并不总是遵循正态分布 1% VaR 预测 最后获得回测 # VaR预测的回测 report(va., VaRha = 0.05)  #α的默认值是0.01 本文选自《R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列》。

R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据

使用 GARCH 进行波动率建模和预测 广义自回归条件异方差 (GARCH) 模型 ，用于预测条件波动率的最流行的时间序列模型。 这些模型是条件异方差的，因为它们考虑了时间序列中的条件方差。 条件SD  plot(fiarch, which = 3) 图 ：GARCH(1,1) 的两个信息图 使用样本外的 VaR 预测  让我们使用 Student-t 分布，因为收益并不总是遵循正态分布 1% VaR 预测 最后获得回测 # VaR预测的回测 report(va., VaRha = 0.05)  #α的默认值是0.01 ---- 点击文末 “阅读原文” 获取全文完整资料。 本文选自《R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列》。 在股票市场预测应用 时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格 R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据

R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据

使用 GARCH 进行波动率建模和预测广义自回归条件异方差 (GARCH) 模型 ，用于预测条件波动率的最流行的时间序列模型。这些模型是条件异方差的，因为它们考虑了时间序列中的条件方差。 条件SD plot(fiarch, which = 3)图 ：GARCH(1,1) 的两个信息图使用样本外的 VaR 预测 让我们使用 Student-t 分布，因为收益并不总是遵循正态分布# 学生-T 1% VaR 预测最后获得回测# VaR预测的回测report(va., VaRha = 0.05)  #α的默认值是0.01点击文末 “阅读原文”获取全文完整资料。 本文选自《R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列》。 在股票市场预测应用时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据

韩媒称台积电3nm良率仅有50%，三星3nm良率已达“完美水准”

1月10日消息，根据韩国经济日报的报导，市场消息人士表示，三星目前已经大幅提高了其最尖端的3nm制程的良率与产量，用以相抗衡也已正式大规模量产3nm制程的晶圆代工龙头台积电。 不过，因为当时三星的3nm制程被爆出良率仅有10%-20% 左右，使得其他潜在客户没有兴趣。 不过，一位三星的高层指出，现阶段三星的3nm制程良率已经达到“完美水准”，而且也在毫不迟疑地开发第二代的3nm制程。 因此，三星3nm制程的良率得以提升，即代表着能推进该节点制程的获利能力的提升。 另外，虽然台积电落后三星量产3 奈米制程技术约半年的时间。 但此前根据相关媒体报导指出，未来将由苹果公司首先采用的台积电3nm制程良率高达85%，明显优于三星。不过，对于这样的良率表现，韩国市场人士似乎并不相信，称这样的成绩是被夸大了的。

腾讯云车云一体架构：基于EB级数据闭环的智能汽车迭代解决方案

、脱敏加密、降密 适配弱网环境、支持多种文件形态、CPU/GPU/NPU 广泛兼容 云基础设施 全球骨干网、智算算力 16EFLOPS 智算算力、EB级 存储规模 数据平台 多模态检索、向量数据库 准召率 比传统数据库向量检索效率提升 10倍以上 算力平台 机器学习TI平台、训练/推理加速 千卡扩展比 95%、推理性能提升 30% 安全合规 全链路安全、自驾合规专区 20多年安全实战经验、全栈合规审核 3. 数据万象（多模态检索）： 基于视觉-语言大模型，准召率 95%。 4. 客户案例：车端数据交互与云端研发提效 车端链路优化： 通过腾讯车端数据解决方案，车企实现了在弱网环境下的高效数据回传。

todo游戏行业实战案例3：玩家等级停滞率

游戏开服前两天（2022-08-13至2022-08-14）的角色登录和登出日志如下 一天中，玩家可以多次登录登出游戏，请使用SQL分析出以下业务问题： 玩家在开服首日（2022-08-13）的等级停滞率。 （等级停滞率=停留于该等级角色数/达到过该等级总人数；如玩家没有登出日志，则使用登录日志的等级信息。） 【解题思路】 等级停滞率=停留于该等级角色数/达到过该等级总人数。 c left join d on c.停留等级 = d.角色等级; 可以看到，使用left join联结后的表已经同时存在停留于该等级的角色数、达到过该等级的总人数（总角色数），可以直接算出等级停滞率（ 角色数/总角色数即为等级停滞率）。 SQL的书写方法： select c.停留等级,c.角色数/d.总角色数 as 等级停滞率 from c left join d on c.停留等级 = d.角色等级; 现在我们来带入临时表c、临时表d

Google发布Tensorflow物体识别API ，自动识别视频内容

物体的样本包括： COCO数据集的一些物体种类 这个API提供了5种不同的模型，使用者可以通过设置不同检测边界范围来平衡运行速度和准确率。 上图中的mAP（平均精度）是检测边界框的准确率和回召率的乘积。这是一个很好的混合测度，在评价模型对目标物体的敏锐度和它是否能很好的避免虚假目标中非常好用。 3. 建立一个新的会话，在图片上运行模型。 总体来说步骤非常简单。 对于3-4秒的片段，这个程序需要花费大概1分钟的时间来运行。但鉴于我们使用的是一个载入缓存的模型，而且没有使用GPU，我们实现的效果还是很惊艳的！ 很难相信只用这么一点代码，就可以以很高的准确率检测并且在很多常见物体上画出边界框。当然，我们还是能看到有一些表现有待提升。比如下面的例子。这个视频里的鸟完全没有被检测出来。

GME重磅上线未成年人声音识别功能

二、GME助力识别未成年人语音 GME能对游戏音频中的用户音频年龄特征进行识别，提供准召率行业领先的未成年人识别能力。 能力优势 优势一：高准召。 GME未成年人识别功能准确率、召回率行业领先，游戏语音场景下准召率高达95%+；海量真实场景数据提取语音信号声纹特征，结合长短时间记忆网络LSTM的深度学习系统，保证识别效果；针对各类玩法场景深度优化AI 640 (2).png 640 (3).png 640 (4).png 系统流程 提供两种使用路径，充分贴合不同业务现状，帮助业务实现低成本、低耦合接入。

腾讯云“车云一体”数据闭环方案：驱动智能汽车AI迭代的核心引擎

腾讯构建“车云一体”五层技术栈 腾讯推出覆盖数据链路的全栈解决方案： 车端数据解决方案：通过定向采集、脱敏加密SDK，提升弱网环境下数据回传效率。 云端数据平台：数据万象服务实现多模态检索准召率95%；VectorDB向量数据库性能超行业平均1.5倍。 云端算力平台：TACO Train千卡扩展比95%，推理加速性能提升30%。 利用数据万象服务将边缘场景挖掘效率提升3倍，支撑BEV算法训练。 实现月度级OTA版本稳定发布，故障率降低40%。