- 综合排序
- 最热优先
- 最新优先
- 来自专栏spring-ai 系列
大语言模型推理框架调研
本文主要对当前主流的大语言模型推理框架进行系统性调研与分析，将深入探讨各个框架的核心架构、设计理念、关键技术特点，并结合性能基准测试数据，分析其在不同模型规模和部署场景下的适用性。 主流大模型推理框架当前，业界涌现了多款主流的大模型推理框架，它们在设计理念、核心技术和适用场景上各有侧重。 支持的数据类型包括 FP32、FP16、BF16（具体支持依架构而定）。 这可能会驱动未来推理框架在数据和资源管理方面向更统一的设计演进。IX. 总结与建议大语言模型推理框架是释放 LLM 潜能、将其应用于实际生产的关键技术。 本次调研对当前主流的 LLM 推理框架，包括 vLLM、Text Generation Inference (TGI)、NVIDIA TensorRT-LLM、NVIDIA FasterTransformer
4.5K20编辑于 2025-06-03 - 来自专栏PPV课数据科学社区
2013年大数据市场应用与趋势调研报告
二、选用国产大数据产品的企业仅占5.61%，国产厂商若抓住大数据和信息安全的重大机遇，将迎来成长的春天。 三、企业认为大数据的存储和处理过程中三个最大的难点是数据安全、系统性能瓶颈和数据类型多样化。 四、在大数据时代，企业面临的最大挑战是缺乏专业的大数据人才。 五、针对非结构化数据，企业目前最迫切需要解决的是如何对这些数据进行分析。 九、被调查者最关注的大数据技术，排在前五位的分别是大数据分析、云数据库、Hadoop、内存数据库，以及数据安全。 《驾驭大数据》一书曾写到，数据的核心是发现价值，而驾驭数据的核心是分析。 总结 本调查针对2013年大数据应用现状和趋势展开，从调查结果可以看出，企业在未来一两年中有迫切部署大数据的需求，并且已经从一开始的基础设施建设，逐渐发展为对大数据分析和整体大数据解决方案的需求
2.8K61发布于 2018-04-18 - 来自专栏Spark学习技巧
图数据库调研
概述 本文转自：http://tang.love/2018/08/31/graph_database_research/ 这里记录一下图数据相关的调研结论。 图数据库的主要优点： 更好，更快速的查询和分析； 更简单和更自然的数据建模； 同时支持实时更新和查询； 数据结构的灵活性。 图数据库是所有数据管理系统中成长最快的分类，下面分别从图检索语言和图数据库两个方面来介绍图数据市场的发展。 AWS提供了多种不同类型的云数据库产品供用户选择，比如：关系型数据库(Aurora / RDS),数据仓库(Redshift)，内存数据库(ElastiCache)，图形数据库(Neptune)和NoSQL JanusGraph 继承了 Titan 的全部功能并做了进一步的改进，并支持 Hadoop 2和 Tinkerpop 3.2.3，采用 Gremlin 图查询语言。 ?
9.2K30发布于 2020-09-27 - 来自专栏人称T客
调研：2015年SaaS运营大起底
(Azure失常可能是数据稀疏的原因)。 成本结构 成本结构和未来预期营销杠杆(不含规模<$ 2.5MM收入的公司) ? 不出所料,有长期合同(2 +年)的公司有着年度最低资产流失率。正如所料,有短期合同(< 1年)的公司倾向于更高的流失率。
95350发布于 2018-03-21 - 来自专栏前端笔记薄
校验数据结构调研
校验数据结构 如何校验数据结构，一般情况下，我们应该考虑现成的轮子。 .integer() .min(1900) .max(2013), email: Joi.string() .email({ minDomainSegments: 2, 用法 ajv主要用于验证JSON数据的结构，但也支持异步验证、关联和关键字验证等高级功能。 相比之下，joi更适合于验证JavaScript对象、字符串和数字等数据类型，但它的API设计非常直观，可以轻松地定义和验证复杂的数据结构。 如果主要需要验证JSON数据的结构且考虑性能，那么ajv可能是更好的选择。如果需要验证JavaScript对象、字符串和数字等更多的数据类型，那么joi可能是更好的选择。
1.6K20编辑于 2023-04-22 - 来自专栏PPV课数据科学社区
【学习】服装调研报告之2：品牌表现及价值数据分析
目前国内休闲服饰品牌众多，在服装市场调研中过程中，了解消费者购买习惯是基础，据此制定相应的市场运营计划，但若想在众多品牌中脱颖而出还需要不断的努力。 2、品牌忠诚度–穿着频率 ? （图2 品牌休闲服饰穿着频率） 图2显示，最常被消费者穿着的休闲服饰是美特斯邦威（17%）、以纯（15%）和真维斯（14%）。 报告来源：上海浩顿英菲市场信息咨询有限公司 备注说明：本报告发表于2010年，涉及的品牌及调研数据仅代表当年情况，当下勿对号入座。
1.6K80发布于 2018-04-19 - 来自专栏数据订阅
图数据库调研
图数据库调研.pptx 图数据库： 更好，更快速的查询和分析：图数据库为查询相关数据（无论大小）提供了卓越的性能。 图模型提供了固有的索引数据结构，因此它不需要为给定条件的查询加载或接触不相关的数据。 这使得它成为更好、更快的实时大数据分析查询的绝佳解决方案。 。 更简单和更自然的数据建模：使用关系型数据库建模的人都需要了解数据库的规范化和参照完整性的严格规则。 一些NoSQL数据库则走向了另一个极端，将所有类型的数据放在一个大型表中。 另一方面，在图数据库中，可以定义任意类型的顶点类型来表示对象，并定义边类型来表示特定的关系。 同时支持实时更新和查询：图数据库支持对大图形数据的实时更新，同时支持查询。 数据结构的灵活性：图数据库具有灵活的schema修改。 用户可以不断添加或删除新的顶点、边和属性，扩展或缩小数据模型。 这对管理不断变化的对象类型特别方便。
2.7K200发布于 2018-06-28 - 来自专栏大数据文摘
2016年大数据行业从业者调研报告（精华版）
前言 大数据行业目前处于怎样的生态？在未来又会有怎样的发展？月薪2万，在大数据行业从业者同行中处于怎样的位置？我所在公司的数据团队规模在同行中算大吗？来年应该如何优化？ 为了让大家对我国大数据行业发展有更全面的了解，2016年12月中旬，大数据文摘发起了《大数据行业从业者调研报告众筹》，针对全国数据领域工作者和关注数据行业的人进行了在线调研，半个月的时间有效回收样本数超过 今天，我们发布《2016年大数据行业从业者调研报告（精华版）》。除了精华版，我们还制作了“完整高清版”报告，相对于“精华版”，完整版的内容更多（30页pdf），也有更加丰富的交叉分析。 大众对“大数据公司”缺乏了解，即使是从业者也是这样。参与调研者知道的大数据公司非常分散，普遍集中在谷歌、亚马逊、BAT、IBM、微软等巨头上，新兴的有实力的公司在业界知名度不高。 2、我国大数据行业处于上升阶段，目前对大数据的利用有限，未使用云架构，数据分析集中在商业、市场和用户方面，主要工作为进行预测分析。
73550发布于 2018-05-25 - 来自专栏机器学习AI算法工程
怎样分析样本调研数据（译）
调研数据分析的过程应该包括以下步骤： 1、数据验证和探索性分析 2、确认性分析 3、数据解释 4、数据分析报告存档（用于将来的分析） 1数据验证和探索性分析 数据验证主要负责确认调查问卷被正确的完成，并且调研数据具有一致性和逻辑性 3、维度转换：根据可比性或兼容性的目标，调研数据会使用不同的长度和种类。 2确认性分析 探索性分析可以描述发生了什么，但是这只是试探性的。 统计性分析的步骤取决于以下几个方面： 1、调研的设计思路 2、响应变量的类型 3、探索性变量的类别 标准的抽样调查数据分析包括计算不同变量的比例以及它们的标准误差。 2、讨论这些新的发现是不是能够对过去的发现提供更多的实例参考。比如可以对一些通用的理论和原则提供验证，或者对于现在的理论提出实质性的修改意见。 3、运用调研中的定量数据对于目标群体进行定量预测。 因为有人以后可能会借鉴复制你的调研结果，你可能以后也会参考之前自己的分析报告，因此如果没有很好的存档，将有可能很难回忆起来。(Via:36大数据)
1.7K40发布于 2018-03-09 - 来自专栏人称T客
调研：2016年SaaS收入调查大起底
以合同期限划分的年度单位流失率 （不包括收益小于$2.5MM的公司） 不出所料，合同期限较长（2年以上）的公司年度单位流失率最低。 8%的平均值与以前的调查结果相当（2015年为7%，2014年为6%，2013年为8%） 以合同期限划分的年度总资产流失率 （不包括收益小于$2.5MM的公司） 与单位流失率的情况类似，合同期限较长（2年以上 与去年相比，合同期限较短（2年以内）的公司总资产流失率降低。合同期限较长（2年以上）的公司与之前的调查结果基本一致。
89560发布于 2018-03-26 - 来自专栏PPV课数据科学社区
【学习】怎样分析样本调研数据
根据数据收集的算法、调研问题的类型和调研的目标，分析样本调研数据的方法各不相同。这篇文章会简洁明了的分析调研数据过程中的各种问题，同时会说明在一个完整的调研数据分析报告中应该包含什么。 调研数据分析的过程应该包括以下步骤： 1、数据验证和探索性分析 2、确认性分析 3、数据解释 4、数据分析报告存档（用于将来的分析） 数据验证和探索性分析 数据验证主要负责确认调查问卷被正确的完成，并且调研数据具有一致性和逻辑性 2、逻辑上不一致的数据：当两个或者多个变量/问题的答案放在一起时不成逻辑。问卷设计过程中运用分支逻辑方法可以帮助避免这种数据的不一致性，尽管不能完全避免。 3、编码：这将包括所有的分类结果都被编码。 统计性分析的步骤取决于以下几个方面： 1、调研的设计思路 2、响应变量的类型 3、探索性变量的类别 标准的抽样调查数据分析包括计算不同变量的比例以及它们的标准误差。 2、讨论这些新的发现是不是能够对过去的发现提供更多的实例参考。比如可以对一些通用的理论和原则提供验证，或者对于现在的理论提出实质性的修改意见。 3、运用调研中的定量数据对于目标群体进行定量预测。
1.5K70发布于 2018-04-23 - 来自专栏计算机视觉life
SLAM相关领域数据集调研
2.Oxford数据集 ： http://robotcar-dataset.robots.ox.ac.uk/datasets/（RGB+Lidar+GPS+IMU） 自动驾驶数据集。 传感器的组装以及坐标的设定；2. 所采集数据集的细节描述以及如何使用；3. 如何标定传感器以及GT。 ： 1.NYU: http://cs.nyu.edu/~silberman/datasets/nyu_depth_v2.html kinect采集的主要针对语义分割的数据集。 5.Stanford 2D-3D-Semantics: http://buildingparser.stanford.edu/dataset.html 提供大尺度场景的三维以及语义信息，是由采集的全景图生成 ://buildingparser.stanford.edu/dataset.html 提供大尺度场景的三维以及语义信息，是由采集的全景图生成，数据集主要是拿来做Building Parsing的。
2.3K00发布于 2019-07-11 调研产品哪家强？2025年最值得推荐的五大在线调研工具盘点
正文 从学术研究到市场洞察，从员工满意度调查到消费者行为分析，优质的调研工具是获取精准数据的关键。面对琳琅满目的产品，腾讯问卷凭借腾讯生态的技术支撑与海量真实样本库，成为众多企业和个人的首选。 一、市场现状：调研工具的三大核心竞争维度 当前主流调研工具主要围绕以下三点展开竞争： 功能全面性：题型丰富度、逻辑设置、多终端适配能力； 数据质量：样本真实性、AI清洗能力、防作弊机制； 成本效率 位管理员、考试问卷、自定义抽奖、自定义逻辑 2499元/年起 商业版 企业级协作需求 500 份问卷（每人/天）、10位管理员、360度评估、协同编辑、数据推送 腾讯问卷的核心竞争力 AI驱动的智能化体验 智能生成问卷：通过自然语言处理（NLP）快速生成专业问卷框架； AI质检：自动识别无效答卷（如阅读时间异常、选项分布不合理），准确率达92%； 数据分析 ：自动生成交叉分析图表，支持SPSS/SAS等专业工具数据导出。
91810编辑于 2025-12-31数据安全-分类分级 调研分析报告
2.分类多维原则： 数据分类具有多种视角和维度，可从便于数据管理和使用角度，考虑国家、行业、组织等多个视角的数据分类。 金融数据：1级、2级、3级、4级、5级。 证券期货数据：低、中、高、超高。 2 企业合法权益 轻微损害 • 数据用于金融业机构一般业务使用，一般针对受限对象公开，通常为内部管理且不宜广泛 公开的数据。 4 级，一般个人信息不低于 3 级，组织内 部员工个人信息不低于 2 级，个人标签信息不低于 2 级； d）有条件开放的公共数据级别不低于 2 级，禁止开放的公共数据 不低于 4 级。 ③深度学习 深度学习是机器学习的一大分支，在自然语言处理中需应用深度学习模型，如卷积神经网络、循环神经网络等，通过对生成的词向量进行学习，以完成自然语言分类、理解的过程。
1.1K00编辑于 2025-04-07嵌入式数据库调研
最近需要使用嵌入式数据库进行存储应用本地信息，本文章主要进行记录当前比较流行的嵌入式数据库相关的链接，嵌入式数据库往往是以lib的形式存在，常用于持久化存储软件的信息，嵌入式数据库往往和应用软件紧密集成 常用的嵌入式数据库：（主要索引几个我比较感兴趣的数据库） SQLite 嵌入式关系数据库：https://www.sqlite.org/index.html (关系数据库) Apache Derby: ） 数据目录表：https://dbdb.io/ （包含很多数据库的介绍，很好的网站，可以理清众多数据库之间的关系） LevelDB：https://github.com/google/leveldb（ 嵌入式K-V数据库） RocksDB ：https://github.com/facebook/rocksdb/ (嵌入式K-V数据库，基于leveldb) https://rocksdb.org/ ） Tokyo Cabinet：https://dbdb.io/db/tokyo-cabinet （嵌入式K-V数据库） https://db-engines.com/en/ranking (数据库引擎排行榜
2K20发布于 2020-12-30- 来自专栏产品设计
从调研到原型：AI生成APPSaaS官网数据大屏的完整实战流程
2. AI生成原型图界面有了调研的支撑，接下来生成界面，输入提示词（Prompt）：基于上面调研的结论，请生成本地生活团购APP的核心流程高保真原型。包含：首页、团购详情页、下单页、订单页、个人中心。 2. AI生成SaaS官网原型图界面接着输入AI生成原型图的Prompt：根据以上设计调研报告的页面信息架构，请生成SaaS官网首页的原型布局图。包含：导航栏、核心视觉区、能力区、案例区、页脚。 三、AI生成零售监控大屏案例解析数据大屏的设计需求已经逐渐深入到了零售业，既要酷炫又能看清数据，这里我们用Agent来生成一个智慧零售门店监控大屏。1. 每个指标都配备了最适合的可视化图表类型和详细的技术选型理由，这在前期能帮我们梳理好功能架构与页面布局，对数据大屏的设计非常重要。2. AI生成数据大屏原型图界面直接根据关键指标的分析，输入生成原型图的Prompt：根据以上调研报告的建议，生成一个智慧零售数据大屏原型。风格要求：深色科技风，蓝紫色调，强调未来感。
96810编辑于 2025-12-17 - 来自专栏程序员备忘录
Python获取股票机构调研数据
而这种所谓串通一气的方式就叫做“机构调研”，也就是说机构管理者会在持股前与上市公司进行沟通，表达机构想要持有该上市公司的股票的想法。 当然也不能说这么明白的话，机构调研除了投资的成分还有现场观摩等，相当于机构了解了该公司运作，当然具体的调研结果也是会通过报表的方式向外进行暴露。 一个潜在的现象是调研后的股票会有一定的异动，所以这也是一般投资者应该关注的地方。 所以这块作者就通过天天基金网站来拉取股票的机构调研信息。 &p=2&pageNo={3}&_=1610583145484 配置文件初始化 import configparser class Connection: host = 'localhost connect.commit() # tianjl = JgdyQuery() # tianjl.printJgdyInfo("300232",1) 如下图所示为作者拉取部分上市公司的机构调研数据的结果
71320编辑于 2022-08-11 - 来自专栏大数据文摘
这家公司连续六年调研大企业数据变革，今年的结果喜忧参半
在清华数据科学研究院联合大数据文摘发布的《顶级数据团队建设报告》中提到，数据化转型更多是一个至上而下的过程，企业高管对待数据的态度，对于一家公司的数据驱动文化建立至关重要。 围绕“数据”话题，NewVantage Partners已连续六年对全球各领域的大型企业高管如何看待数据进行调研。每年，调查回复率都在增长，而且据调查结果显示，如何有效数据利用的紧迫性在逐年增加。 六年前，NewVantage Partners开启了针对大数据的首次调研，当年的调查聚焦在当时尚属新颖的大数据领域，而六年后，今年调查问卷的焦点落在了人工智能领域。 大数据文摘对本次调研的关键信息进行了摘要如下： 受访者：首席数据官（CDO）的比例大幅提高 受访者为来自57家大型企业的高管。 几乎所有被调研公司都在投资大数据和人工智能项目 调查内容涵盖了大数据及当下最热门的AI技术。多年来，尽管专业术语在不断变化，始终如一的，是数据的爆炸式增长，以及对数据意识的永恒需求。
43740发布于 2018-05-23 - 来自专栏PPV课数据科学社区
2015中国大数据调研报告发布五大趋势抢先看
在大数据时代，营销越来越被数据驱动。大数据让广告投放更加精准；大数据让企业能更快的听到消费者的声音并进行相应的产品和服务改善。 本次调研中，大部分受访者认为，大数据在营销上的应用还处在早期发展阶段。 ? 对于中国企业而言，超过半数公司高度重视大数据营销但还没有明确战略。中国市场在大数据营销上的应用，还在探索阶段。 在大数据指导营销的大背景之下，很多公司为了更好地运用这个营销工具，纷纷作出了调整与改变。受访者所在公司接近半数建立的单独的大数据部门，另外有38%将大数据营销部分交予营销部采购。 ? 1、回复“数据分析师”查看数据分析师系列文章 2、回复“案例”查看大数据案例系列文章 3、回复“征信”查看相关征信的系列文章 4、回复“可视化”查看可视化专题系列文章 5、回复“SPPS”查看SPSS系列文章 6、回复“答案”查看hadoop面试题题目及答案 7、回复“爱情”查看大数据与爱情的故事 8、回复“笑话”查看大数据系列笑话 9、回复“大数据1、大数据2、大数据3、大数据4”查看大数据历史机遇连载
93960发布于 2018-04-20 - 来自专栏采云轩
图数据技术调研以及业务实践
2.商品图谱，商品、协议可以作为顶点，商品的合规、交易可以作为边。 3.安全风控： 业务部门有内容风控的需求，希望在专家、供应商、代理机构中通过多跳查询来识别围标、窜标等行为。 NoSQL 可以分为以下几种数据库： 1.文档数据库，比如 MongoDB 和 Elasticsearch; 2.键值数据库，比如 Redis。 现改用 Dgraph 图数据库，则可以轻松查询千万级数据。 2.机构股权关系展示 不同于市面上的股权展示，客户要求能展示多个公司的股权关系，包括有无共同股东。 此需求的数据量不是特别大，但是假设股权关系复杂，理论上一家公司的股权关系可以无限套娃，举个例子：假如 A 持有 B 股权，B 持有 C 股权，C 持有 D 股权，要查询 D 公司的股权，则遍历三次，深度每加一层 3.5.0/1.introduction/0-1-graph-database/#_6 https://docs.nebula-graph.com.cn/3.5.0/1.introduction/0-2.
1.1K10编辑于 2023-09-01
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