- 综合排序
- 最热优先
- 最新优先
CLIP, DINO等多模型融合DreamSim，让电脑“看懂”图片有多像！模型融合成为热门！
DreamSim不是要另起炉灶，而是很聪明地把已有的老牌嵌入模型（CLIP, DINO, OpenCLIP）拿来，融合起来。就像请了一个专家团：CLIP 擅长语义理解（知道是啥）。 但真正的魔法在这里：这个融合后的结果，会用海量的人类主观判断数据进行微调。这就是独门秘籍。模型不仅仅是从原始数据中学习，而是在学习像我们人类一样去看图像。 他们用AI扩散模型生成了一个巨大的图像三元组数据集（NIGHTS）。 速度与精度的权衡：总有一款适合你全能冠军（默认集成模型）：精度最高，与人类判断一致性可达96%以上，适合对精度要求高的场景。 轻量快手（单分支模型）：比如只使用DINO主干，速度提升近3倍，精度略有牺牲，适合需要快速响应的应用。
40510编辑于 2025-10-16- 来自专栏全栈程序员必看
多模型融合权重如何训练_单因子模型
结构化多因子风险模型首先对收益率进行简单的线性分解，分解方程中包含四个组成部分：股票收益率、因子暴露、因子收益率和特质因子收益率。 那么，第只股票的线性分解如下所示： r j = x 1 f 1 + x 2 f 2 + x 3 f 3 + x 4 f 4 ⋅ ⋅ ⋅ ⋅ x K f K + u j r_j=x_1f_1+x_2f_ 2+x_3f_3+x_4f_4 ····x_Kf_K+u_j rj=x1f1+x2f2+x3f3+x4f4⋅⋅⋅⋅xKfK+uj 现在我们假设每只股票的特质因子收益率与共同因子收益率不相关 组合权重优化 组合权重优化在多因子模型中起到了至关重要的作用。组合权重优化的目的在于将组合的风险特征完全定量化，使得投资经理可以清楚的了解组合的收益来源和风险暴露。 ，发现组合满足行业中性的约束： 同时也满足风格中性的约束： 如果我们想使得组合在行业和风格因子上的风险敞口较基准而言有所暴露，我们直接修改约束条件就行，比如我们想在价值因子（Value）上多暴露
1.5K20编辑于 2022-11-08 - 来自专栏机器之心
苹果发现原生多模态模型Scaling Laws：早融合优于后融合，MoE优于密集模型
此外，对于多模态 Scaling Laws 的研究表明，随着计算预算的增加，早融合和后融合的计算最优模型性能相似。 NMM 的 Scaling Laws 早融合和后融合模型的 Scaling Laws。 图 2 左图展示了早融合 NMM 在多模态交织数据集、图像 - 描述数据集和文本数据集上的平均最终损失。 不同数据混合方式的 Scaling Laws 图 4 展示了不同的混合方式都遵循相似的 scaling 趋势；然而，scaling 系数会有差别（表 4）。 考虑到预训练的成本，这些结果表明，为了在多模态基准测试中实现相同性能，原生训练可能是更有效方法。 迈向多模态专业化 研究证明了在固定计算预算下，早融合模型的性能与后融合模型相当。 具体而言，早融合优于后融合，而多模态 MoE 优于密集模型。然而，由于这些模型规模相对较小（15 亿规模）、从零开始训练，并在小型数据集上进行微调，因此总体得分低于目前的 SOTA 水平。
45810编辑于 2025-04-13 - 来自专栏PPV课数据科学社区
多模型融合推荐算法——从原理到实践
但是其中一类方法非常特殊，我们称为多模型融合算法。融合算法的意思是，将多个推荐算法通过特定的方式组合的方法。融合在推荐系统中扮演着极为重要的作用，本文结合达观数据的实践经验为大家进行系统性的介绍。 常见的多模型融合算法 达观数据的众多实践发现，多模型融合算法可以比单一模型算法有极为明显的效果提升。但是怎样进行有效的融合，充分发挥各个算法的长处？ 2） 交叉融合法 交叉融合常被称为Blending方法，其思路是在推荐结果中，穿插不同推荐模型的结果，以确保结果的多样性。 4）特征融合法 不同的原始数据质量，对推荐计算的结果有很大的影响。 4）L2层也一样可能出现过拟合（Overfitting），所以也可以加交叉验证，L2层示意图如下图所示 ?
3.3K80发布于 2018-04-24 - 来自专栏ytkah
GPT-4多模态模型
GPT-4 模型是OpenAI开发的第四代大型语言模型（LLM），它将是一个多模态模型，会提供完全不同的可能性-例如文字转图像、音乐甚至视频。 GPT-4 建立在 GPT-3 之上，GPT-3 于 2020 年 5 月发布，并迅速成为使用最广泛的自然语言处理模型之一。 在GPT-4之前是GPT-3.5，由该模型开发的聊天机器人 ChatGPT 一经面世，便引爆 AI 界的军备竞赛 多模态或成GPT-4最大亮点 微软 AI 技术专家 Holger Kenn 和 Clemens 根据 Kenn 的说法，多模态 AI 不仅可以将文本转化成相应的图像、音乐甚至是视频。在微软宣布前，机器学习专家 Emil Wallner 就在推特上预测，称 GPT-4 可能具备这种能力。 GPT-4 GPT-4 模型是第四代大型语言模型（LLM），它将是一个多模态模型，会提供完全不同的可能性-例如文字转图像、音乐甚至视频。
1.7K31编辑于 2023-03-13 - 来自专栏技术汇总专栏
基于大模型的多模态数据融合实战应用
基于大模型的多模态数据融合实战应用引言多模态数据融合是当前人工智能（AI）研究的热门领域，涉及文本、图像、音频、视频等多种数据类型的集成。 随着大型语言模型（LLM）和多模态大模型（如GPT-4V、BLIP-2、Flamingo等）的发展，AI 在处理多模态数据的能力得到极大提升。 本文将探讨基于大模型的多模态数据融合方法，并通过 Python 代码示例演示如何构建多模态应用。 语音+文本的多模态融合：Whisper + GPT-4V在语音+文本场景中，我们可以利用 OpenAI 的 Whisper 语音识别模型将语音转换为文本，然后用 GPT-4V 进行语义分析和扩展。 多模态融合的应用场景基于大模型的多模态数据融合可以应用于多个领域，包括：智能问答：图像+文本结合，支持输入图片进行描述或问答（如 GPT-4V）。
4K10编辑于 2025-03-03 - 来自专栏达观数据
多模型融合推荐算法在达观数据的运用
多模型融合推荐算法在达观数据的运用 研发背景 互联网时代也是信息爆炸的时代，内容太多，而用户的时间太少，如何选择成了难题。 但是其中一类方法非常特殊，我们称为多模型融合算法。融合算法的意思是，将多个推荐算法通过特定的方式组合的方法。融合在推荐系统中扮演着极为重要的作用，本文结合达观数据的实践经验为大家进行系统性的介绍。 常见的多模型融合算法 达观数据的众多实践发现，多模型融合算法可以比单一模型算法有极为明显的效果提升。但是怎样进行有效的融合，充分发挥各个算法的长处？ 4）特征融合法 不同的原始数据质量，对推荐计算的结果有很大的影响。 4）L2层也一样可能出现过拟合（Overfitting），所以也可以加交叉验证，L2层示意图如下图所示 ?
1.9K60发布于 2018-03-30 - 来自专栏Python与算法之美
超越stacking, 使用optuna对多模型进行加权融合
多模型加权融合是一个常见的提升机器学习效果的方案。 但是各个模型的权重如何确定呢？ 由于optuna是一个强大的不可微问题调优工具，我们可以使用它来寻找模型融合的权重，直接对auc,acc等不可微的评价指标进行优化，当给予足够的搜索次数时，其结果相比stacking ensemble通常更加有竞争力 data,target = make_classification(n_samples=2000,n_features=20, n_informative=12,n_redundant=4, print("stacking_score:",get_test_auc(stacking)) stacking_score: 0.9304879610655739 可以看到，stacking模型融合方案相比于最好的 optuna_ensemble_score:', test_score(best_params)) optuna_ensemble_score: 0.9320248463114754 nice，optuna多模型融合方案在测试集
1.5K41编辑于 2023-02-23 - 来自专栏pydata
模型融合
具体到损失函数本身的选择，如果选择平方损失函数，差值就是所说的残差 让损失函数沿着梯度方向下降，就是gbdt的gb的核心，利用损失函数的负梯度在当前模型的值作为回归问题提升树算法中的残差的近似值去拟合一个回归树 gbdt每轮迭代的时候，都去拟合损失函数在当前模型下的负梯度。 Adaboost是通过提升错分数据点的权重来定位模型的不足，而Gradient Boosting是通过算梯度来定位模型的不足。 xgboost在目标函数中显示的加上了正则化项 3.GB 中使用 Loss Function 对 f(x) 的一阶导数计算出伪残差用于学习生成fm，xgboost 不仅使用到了一阶导数，还使用二阶导数 4.
56730发布于 2018-08-02 - 来自专栏mathor
模型融合
一般来说，通过融合多个不同模型的结果，可以提升最终的成绩，所以这以方法在各种数据竞赛中应用非常广泛。模型融合又可以从模型结果、模型自身、样本集等不同的角度进行融合。 # 结果 Weighted_pre MAE: 0.0575 上述加权融合的技术是从模型结果的层面进行的，就是让每个模型跑一遍结果，然后对所有的结果进行融合，当然融合的方式不只有加权平均，还有例如平均 hard voting的少数服从多数原则在上面这种情况似乎不太合理，虽然只有模型1和模型4结果为A，但它们俩的概率的高于90%，也就是说很确定结果为A，其它三个模型结果为B，但从概率来看，并不是很确定 假设我们有三个基模型M1，M2，M3和一个元模型M4，有训练集train和测试集test，则： 用训练集train训练基模型M1（M1.fit(train)），然后分别在train和test上做预测，得到 用新的训练集train2训练元模型M4（M4.fit(train2)），然后在test2上进行预测得到最终的预测结果Y_pred（M4.predict(test2)） 这样第二层训练预测就得到了最终的预测结果
1.9K20发布于 2020-04-08 融合Transformer与CNN的多模态时间序列预测模型
引言:融合Transformer与CNN的多模态时间序列预测模型 在人工智能落地工业场景的进程中，时间序列预测始终是核心痛点——无论是设备监测的故障预警、气象数据的灾害预判，还是股票市场的趋势分析，传统模型要么难以捕捉长时依赖 而Transformer的注意力机制擅长挖掘长序列关联，CNN则在局部特征提取上表现优异，将两者融合构建多模态预测模型，成为突破性能瓶颈的关键方向。 本文将原创改进一款融合Transformer与CNN的多模态时间序列预测模型，从架构设计、代码实现到NASA数据集实战，全程拆解落地流程。 二、原创模型架构：Transformer与CNN的融合设计 本次改进模型的核心思路是：通过CNN分支提取各模态时序数据的局部关键特征，通过Transformer分支捕捉跨时间步的长时关联，最后通过融合层整合多模态特征并输出预测结果 "本文CNN-Transformer融合模型：{best_test_loss:.4f}") print(f"LSTM模型：0.186（参考值）") print(f"纯Transformer模型：0.123
58410编辑于 2025-12-31- 来自专栏机器学习AI算法工程
全球AI挑战-场景分类的比赛源码(多模型融合)
、Inception-Resnet-V3模型 imgaug 图片数据增强库替换Keras自带的图片预处理 支持多进程进行图片预处理 血训 数据增强很重要！！！ Fine-tune时松太开，可能导致训练耗时，也可能导致机器带不动；绑太紧可能导致Fixed的权重参数扼制了模型的学习能力。建议是在机器能扛得住的基础下，尽可能松绑多一些。 提高2~5个百分点 模型选择很重要！！！ 糟糕的模型训练几天几夜，可能赶不上优势模型训练几个epoch。VGG16=>Xception提高5~8个百分点 Loss降不下去时尝试调低LR！！！ 训练过程中一直没有过拟合，要从两方面考虑： 模型太简单，拟合能力不足，这时要考虑增强网络复杂度 数据增强程度太大，学不到某些特征 模型集成！！！ 单模型没有什么提升空间时，要尝试将多个单模型进行集成。 集成的方式可以选择投票法、均值法、按照模型Acc加权法等等。提高0.5~1.5个百分点 预测数据增强！！！
1K21发布于 2019-10-28 - 来自专栏机器学习与统计学
玩转机器学习：基于多损失函数的模型融合
基于多损失函数的模型融合 原理其实很简单，利用不同损失函数的特性，结合使用不同损失函数分别训练多个模型，将多个训练得到的模型结果进行加权平均或分段预测。 这里我们使用的是MAE 和 MSE： 平均绝对差值(MAE) 绝对误差的平均值，通常用来衡量模型预测结果对标准结果的接近程度。 ? 来源见水印 可以看出，MSE对误差进行了平方，这就会放大误差之间的差距，也即加大对异常值的惩罚，在高分段和低分段能获得更好的表现，使用MAE的模型在中分段能获得更好的表现。 因此可以结合使用以MSE和MAE为损失函数的模型，分段进行预测。 注：单模型而言，如果数据的异常值对于业务是有用的，我们希望考虑到这些异常值，那么就用MSE。 模型融合实例 书中使用lightgbm建模并进行融合，只列出关键代码。 ?
1.9K30发布于 2020-06-16 - 来自专栏算法一只狗
LLama4 原生多模态大模型
Meta最新发布了原生多模态大模型 Llama 4，一经亮相即登上LMSYS大模型排行榜第二名，仅次于Google的Gemini-2.5-pro，分差仅为22分，实力可见一斑。 当前行业趋势多偏向小而高效的模型，Llama 4如此庞大的规模实属少见。 技术细节与训练策略Llama 4采用了先进的早期融合（early fusion）机制，将文本和视觉token统一集成至模型主干架构，实现了真正的多模态统一训练。 总结与展望Llama 4的发布，意味着Meta正式进入原生多模态大模型竞争核心领域。 相比Gemini系列、GPT-4o、Claude 3、DeepSeek等主流模型，Llama 4以务实高效的技术路线，突出计算成本、推理效率与多模态能力的平衡。
77500编辑于 2025-05-01 - 来自专栏点云PCL
多帧数据融合思路
一.对数据的输入 A、如何获取你的点云数据（使用什么设备，查找相应设备的介绍，设备的精度、稳定度、抗噪能力、数据的可视深度范围等，采用无标记点融合，或标记点融合；要考虑多帧数据之间的旋转角度）； B、如何将你的数据对象从环境中分割出来 （识别分割、手动分割CC），深度学习若能做分割，并且针对特定对象的效果还行的话，再结合PCL做多帧数据的融合，是一个创新点（前提是提高效率）； C、对数据的输入输出要掌握，一般程序都是一样的，复制粘贴即可 二、对数据的预处理（融合肯定至少两帧数据） A、数据是否有噪声：根据噪声的类别，选择合适的算法进行去除（直通滤波、条件滤波、统计滤波、双边滤波等等）； B、数据是否需要下采样：体素栅格滤波（参数的设置， 根据自己的目的，参考北航出的国内唯一一本PCL的书，同时兼顾PCL官网的更新内容）； B、精配准执行前的准备：是否建立空间拓扑关系（一般需要建立，加快计算速度）； C、是否需要剔除错误点对（一般需要剔除，提高融合精度 书以及官网都可查阅）； D、执行计算，并输出精配准融合点云对象，输出精配R和T，输出精配时间，并可视化（保存或可视化都行）。
2.5K20发布于 2019-07-30 - 来自专栏全栈程序员必看
blender模型(sklearn模型融合)
几种方式融合 基本的模型融合组合及适用场景、优缺点等 什么是融合？ 构建并结合多个学习器来完成学习任务，我们把它称为模型融合或者集成学习。 (4) 在 D n D_n Dn训练次学习器 L L L， L L L即为最后的学习器。 2、选一个基模型model_1，用train2、train3、train4、train5作为训练集，train1作为验证集，这样训练参数得到一个模型model_1_1，并用这个模型预测train1，这样 ； 4、再选基模型 mode_2 重复第2、3步骤。 ，这样就会有很多模型产生，也就是会形成多份“训练集Predictions”以及多份“测试集Predictions”，这样在第二层建立的模型及预测的结果相对会好一些。
98330编辑于 2022-08-01 - 来自专栏啄木鸟软件测试
多模态大模型技术原理与实战(4)
多模态大模型核心技术 1多模态的困难 困难 数据集标志困难 人工标注生成 COCO Visual Genome ... 图像解码器 把隐信息还原成图像 4语音多模态技术 文本生成语音 以前技术：拼接法和参数法 基于非深度学习的文本生成语音技术 隐马尔可夫模型 (HMM) 文本信息提取模块 声学特征提取模块 利用文本词向量表征来生成原始的视频；3 个SSB（空间超分辨率)扩散：提高视频的分辨率；3个TSR(时城超分辨率)扩散模型：增加视频的帧数 6 跨模态多重组合技术 模型无关的融合方法：早期融合方法；后期融合方法 ；混合融合方法 模型相关的融合方法 基于深度学习（主流） 基于多核学习 基于图形模型 融合技术CoDi（为可组合扩散 Composable Difiusian) 第一个阶段:给每个模态都打造一个潜在扩散模型 可调整的低秩适配(Adaptive Low-Rank Adaptation，AdaLoRA)技术和量化压缩远程注意力(Quantized Long-Range Attention，QLoRA)技术 8 GPT-4多模型核心技术介绍
46210编辑于 2024-09-10 - 来自专栏AI智韵
【多模态大模型实战】 搭建DeepSeek Janus-Pro 7B 多模态模型，以及推理微调，推理后的模型融合
模型信息 Janus-Pro是DeepSeek最新开源的多模态模型，是一种新颖的自回归框架，统一了多模态理解和生成。 ，现已支持450+大模型与150+多模态大模型的训练（预训练、微调、人类对齐）、推理、评测、量化与部署。 目前ms-swift的主要能力包含： 模型类型：支持450+纯文本大模型、150+多模态大模型，All-to-All全模态模型的训练到部署全流程。 工具箱能力：除了对大模型和多模态大模型的训练支持外，还支持其推理、评测、量化和部署全流程。 模型评测：以EvalScope作为评测后端，支持100+评测数据集对纯文本和多模态模型进行评测。
4K10编辑于 2025-02-08 - 来自专栏时空探索之旅
KDD 2025 | MDPNet：融合多尺度分解与扩散模型的时空预测
它巧妙地利用复杂系统的多尺度结构，来发现其内在动态所在的潜在空间 。首先，MDPNet包含了一个多尺度扩散自编码器，通过编码多尺度特征来引导扩散模型进行可靠的重构 。 其核心思想是，将编码器提取的多尺度潜在向量 作为条件，去引导扩散模型在不同时间步的去噪（重构）过程 。 图4：MDPNet在Bruss系统上的鲁棒性分析。(a) 对不同强度噪声的稳健性；(b) 对不同训练数据量的适应性 显著的计算效率：通过在低维潜在空间进行动力学预测，MDPNet实现了巨大的计算增益。 图6：模型性能随潜在维度的变化。MDPNet（绿色）在更低的维度上达到了比基线模型更高的精度 多尺度分解的必要性：直接证据表明，MDPNet显式地解耦多尺度信息是提升性能的关键。 4. 结论与未来工作 本文提出的MDPNet框架，通过创新的多尺度扩散自编码器和交叉尺度神经常微分方程，为复杂系统动力学预测提供了一个高性能、高效率且具备更佳物理解释性的解决方案。
82010编辑于 2025-06-19 - 来自专栏全栈程序员必看
模型融合stacking实战
模型融合stacking的原理具体不再解释，有的博客已经解释很清楚了，还是附一张经典图吧， 直接上完整程序（根据后面的数据集下载地址可以下载数据集，然后直接运行程序）： # Load in our = dataset['Fare'].fillna(train['Fare'].median()) train['CategoricalFare'] = pd.qcut(train['Fare'], 4) 1}).astype(int) # Mapping titles title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, svc_params = { 'kernel' : 'linear', 'C' : 0.025 } # Create 5 objects that represent our 4 最终得到预测结果predictions，这个结果也就是融合后的预测结果。
55141编辑于 2022-07-25
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