- 综合排序
- 最热优先
- 最新优先
- 来自专栏深挖大模型呼叫的发展
深度剖析：大模型呼叫如何重塑呼叫中心行业格局
大家好，本篇文章主要和大家分享呼叫中心技术在中国的发展历程，随着时代的进步，呼叫技术发生了翻天覆地的变化，我们来看看呼叫中心是怎么从人工发展到如今大模型呼叫阶段的。 2022 年之后，大模型技术的出现进一步推动了呼叫中心的智能化发展，云蝠智能大模型呼叫基于 3 万 + 场景及 4 亿次交互每年的 chatbot 开发能力沉淀，拥有神鹤 30 亿参数 NLP 语义模型 大模型呼叫将注重全渠道融合，以确保客户在任何渠道都能获得一致、连贯的服务体验。 大模型呼叫未来将更加注重 AI 伦理和数据安全。企业将加强数据加密、访问控制、隐私保护等方面的技术研发和管理措施，确保客户数据不被泄露和滥用。 同时，遵循相关法律法规和道德准则，避免 AI 系统产生歧视性、误导性或有害的对话内容，让大模型呼叫技术在安全、可靠的轨道上持续发展。
1.2K10编辑于 2025-05-08 大模型 AI 呼叫产品的发展演变
在大模型的加持下，智能呼叫系统能够读取并理解客户管理系统中的用户信息，如姓名、背景等，进而生成个性化的沟通内容。这种基于大模型的智能呼叫，与上一代机器人相比，实现了跨时代的进步。 大模型时代的技术革新随着大模型技术的兴起，智能呼叫行业进入了一个新的技术周期。大模型智能体结合NLP语义理解，提供了一种成本效益高、响应迅速的解决方案。 1.选择合适的大模型智能呼叫系统的核心在于其处理自然语言的能力，这需要依赖于先进的大模型。大模型的选择应基于业务场景的具体需求，考虑到通话的流程特性和成本效益。 ，再结合大模型的方式，以上一代外呼为主，这一代大模型呼叫为辅的形式来完成，可以实现高效的自动化服务。 我们预见，下一代技术——以GPT-4o为代表的端到端技术，将进一步推动AI呼叫行业的发展。目前，大模型呼叫技术更多依赖于RAG搜索增强结合大模型的方式。
71901编辑于 2025-02-20- 来自专栏深挖大模型呼叫的发展
传统呼叫 out！大模型外呼引领企业通信新潮流，深度解析云蝠智能大模型呼叫，解锁企业高效沟通密码
同时，大模型外呼能够快速适应新的业务场景和变化，通过简单的自然语言描述就能生成新的对话流程，而传统呼叫系统在面对业务变更时，往往需要进行复杂的配置和开发工作。 （三）强大的数据处理与分析能力大模型外呼可以对呼叫过程中产生的海量数据进行深度挖掘和分析，为企业提供有价值的市场洞察。 四、云蝠智能大模型呼叫：实践案例与成果以云蝠智能大模型呼叫为例，其在技术和功能上展现出了卓越的优势。在技术方面，云蝠智能集成了神鹤 3B 意图理解模型，并可对接多种主流大模型，实现了强大的对话能力。 在功能特点上，云蝠智能大模型呼叫基于神鹤 AI 对话大模型，实现了复杂问题的高效匹配和可视化图形编辑器的对话体系编辑。它支持对同一问法提供多种回复方案，并通过 AI 模型自动纠错翻译。 在应用场景中，云蝠智能大模型呼叫广泛应用于精准营销、客户通知、售后回访和市场调研等领域。
1.3K10编辑于 2025-02-25 云蝠智能大模型呼叫系统快速入门指南
以下是云蝠智能大模型呼叫系统的使用教程：前期准备初始化账户：通过云蝠智能官方渠道注册账号，完成相关的实名认证和企业信息填写等步骤，获取系统登录权限。 创建 AI 外呼任务登录呼叫中台：打开云蝠智能大模型呼叫系统，使用注册的账号登录到呼叫中台界面。点击新增任务：在呼叫中台找到 “AI 呼叫 2.0” 选项，点击 “新增任务” 按钮。 选择对话模型：根据业务需求和场景，从系统提供的对话模型中选择合适的模型，如神鹤 3B 意图理解模型、豆包等。 选择呼叫线路和并发数量：根据实际情况选择可用的呼叫线路，并设置合适的并发数量，以确保外呼任务能够高效进行。同时，根据需求设置呼叫时间，如指定具体的外呼时间段或选择立即执行。 导入呼叫号码：点击 “导入号码” 按钮，支持从本地文件（如 Excel、CSV 等格式）导入呼叫号码列表，也可以从系统的 CRM 中选择线索数据作为呼叫号码来源。
83510编辑于 2025-05-14- 来自专栏大模型应用
大模型应用：构建智能大模型运维体系：模型健康度监测系统实践.8
引言 大型语言模型已成为各行各业的核心基础设施。从客户服务到内容创作，从代码生成到科学研究，大模型正深度融入企业的核心业务流程。 传统的系统监控工具如Zabbix、Prometheus等虽然能监控基础硬件资源，但无法深入理解大模型服务的特殊行为模式，无法感知模型推理的内在质量，更无法预测服务性能的潜在风险。 今天我们将以模型健康度监测系统为例，深度剖析现代大模型运维平台的设计理念、技术实现与创新亮点。通过详细的流程分析、架构解读和实践场景说明，为构建智能化的模型运维体系提供完整的实践参考和技术路线图。 多层次监控体系 系统构建我们采用了四层级的立体化监控架构，每一层都针对大模型服务的特定维度进行深度监控：系统资源层：基础硬件资源监控（CPU、内存、磁盘、网络），确保运行环境稳定模型运行层 ): """智能性能评分算法 - 基于大模型服务特性的专业评分体系""" score = 100 # 基准分数 # CPU性能 (权重: 25%) - 考虑到大模型推理对CPU
48843编辑于 2026-02-05 - 来自专栏token的技术分享
基于.NET8的AI大模型管理
此外，AIDotNet API还支持多种AI大模型，包括OpenAI、星火大模型、Claudia、智谱AI、Ollama、通义千问（阿里云）、AzureOpenAI以及腾讯混元大模型，满足了用户对各种AI 模型的需求。 基于.NET Core 8实现使用EntityFrameworkCore对于数据库操作。基于MiniApis提供WebAPI服务。 功能实现 支持用户管理 支持渠道管理 支持token管理 提供数据统计预览 支持日志查看 支持系统设置 支持接入外部Chat链接 支持支付宝购买账号余额 AI大模型支持列表 OpenAI （支持function ） 星火大模型（支持function） Claudia 智谱AI Ollama 通义千问（阿里云） AzureOpenAI（支持function） 腾讯混元大模型 支持数据库 SqlServer 配置类型
43210编辑于 2024-05-28 - 来自专栏电路知识分享
数字电路-5路呼叫显示和8路抢答器
本内容涉及两个电路，分别为5路呼叫显示电路和8路抢答器，包含Multisim仿真原文件，对掌握FPGA做个铺垫。紫色文字是超链接，点击自动跳转至相关博文。持续更新，原创不易！ 目录：一、5路呼叫显示电路1、功能描述2、原理框图3、电路组成二、8路抢答器电路1、功能描述2、原理框图3、电路组成4、变体电路三、元件功能四、掌握数字电路的意义前置知识：卡诺图与逻辑代数化简法、数字电路 2）1至5号按键输入时，七段数码管对应显示1、2、3、4、5十进制编码数字，无用户呼叫时数码管不显示。3）若同时有几个用户呼叫时，则显示优先权最高的用户对应的编码。 其电路如下图所示，仿真原文件下载移步：5路呼叫显示电路和8路抢答器。二、8路抢答器电路1、功能描述主持人启动按键S9之后，选手开始进行抢答。 其电路如下图所示，仿真原文件下载移步：5路呼叫显示电路和8路抢答器。
86010编辑于 2024-05-28 - 来自专栏MavenTalk
开源社区大模型目前面临的8大瓶颈问题
但面对商业化的ClosedAI和OpenAI等语言模型，还存在一些瓶颈。 数据量不足，预训练数据有限 开源社区很难获得大规模高质量的数据集来进行模型预训练，导致其模型质量无法与业内巨头相提并论。 数据量的不足直接限制了模型的表达能力和推理能力。 算力资源有限，GPU/TPU数量相对较少 开源社区几乎没有足够的GPU/TPU来训练超大规模的模型参数，很难进行长时间的预训练，无法匹敌巨头公司拥有的算力优势。算力的缺乏是开源模型质量提升的硬限制。 商业化受限，收入有限，难以持续投入 开源社区很难直接通过模型商业化来获得持续的财务支持，长期投入会面临资金短缺问题。 模型泛化、可解释性与安全性等方面有待提高 开源模型的可解释性和安全性还需要加强，部署时存在不确定性，这也是限制其应用的一个因素。
68330编辑于 2023-09-06 - 来自专栏MavenTalk
8家国产AI大模型开放使用，人手一个大模型的时代来临
什么是大模型 先做个扫盲，AI大模型是“人工智能预训练大模型”的简称。语言模型是一种人工智能模型，它被训练成理解和生成人类语言。 这8家分别是谁 百度（文心一言） 抖音（云雀大模型） 智谱AI（GLM大模型） 中科院（紫东太初大模型） 百川智能（百川大模型） 商汤（日日新大模型） MiniMax（ABAB大模型） 上海人工智能实验室 （书生通用大模型） 书生通用大模型与云雀大模型我确实是第一次听说，国内大模型再现当年百团「团购」大战的身影，截至2023年7月,中国累计已经有130个大模型问世。 MiniMax（ABAB大模型） https://www.sensetime.com/ 商汤（日日新大模型） https://intern-ai.org.cn 上海人工智能实验室（书生通用大模型） 至于这8家的AI大模型的能力如何，交给你来评判吧。不过至今为止，依旧是无人能挑战ChatGPT的霸主地位。 祝你早日用上AI大模型，帮助自己提升工作、生活、学习效率。
3.3K40编辑于 2023-09-06 - 来自专栏老张的求知思考世界
全链路压测(8)：构建三大模型
梳理核心链路的一个重要目的是获得流量模型。但在全链路压测中，除了流量模型，业务模型和数据模型一样重要。这篇文章，为大家介绍如何构建这三大模型。 下图是一个常见的电商双11大促时候的业务场景模型图，我以这个思维导图为例来做分析说明。 峰值流量模型 预估的流量模型要以峰值流量场景来预估，否则很可能由于错误的预估导致准备不足而致使大促期间线上出现问题。这不仅是一个技术和监控的问题，还要综合考虑本次大促期间业务目标以及业务转化率的因素。 预估大促时的支付转化率为60%，则可得：大促峰值订单支付QPS为（200/40%）*60%*（200W/50W）=1200QPS。 ，确认以下信息： 是否有热点数据相关的操作：比如说所有用户秒杀同一件商品； 不同类型数据处理逻辑有差异时，需通过测试数据多样化提高性能测试代码覆盖率； 缓存数据：要确认是否有缓存，缓存大小为多少（排除大key
1.6K30编辑于 2022-05-17 从数据看 2025，中国大模型呼叫推荐市场的百亿蓝图
例如，金融、零售等领域的大模型呼叫推荐系统部署周期已从 6 个月缩短至 2 周，推动市场规模加速扩张。 例如，北京政务热线计划 2025 年将 30% 的人工座席替换为大模型呼叫系统，预计释放8 亿 - 10 亿元市场需求。 多模态融合：主流企业如云蝠智能通过自研神鹤 3B 模型与豆包、通义千问等大模型协同，实现了对话意图理解准确率超 98%，支持数万并发呼叫。 市场规模预测 若保持当前增速，2028 年大模型呼叫推荐市场规模将突破300 亿元，占呼叫中心整体市场的 60% 以上。其中，金融、零售、政务为前三大应用领域，合计占比达 75%。 2025 年大模型呼叫推荐市场的爆发式增长，本质是技术成熟度、商业模式创新与政策支持的共振结果。
1.6K10编辑于 2025-04-07- 来自专栏创作是最好的自我投资
通用大模型VS垂直大模型
在人工智能这个充满无限可能的领域内，通用大模型和垂直大模型各有千秋。就我个人而言，在二者之间的选择上，并不存在偏向某一方的倾向。我觉得应当依据实际应用场景的具体需求，来挑选最为契合的大模型。 通用大模型通用大模型，乃是旨在应对多种任务与数据类型的庞然大物级人工智能模型。 在知识覆盖的广度方面，通用大模型无疑具有明显的优势。当我们对于当下所需模型所涉及的精确专业领域的界限感到模糊不清时，选择通用大模型无疑是一种明智之举。垂直大模型接下来谈谈垂直大模型。 然而，由于垂直大模型的训练内容聚焦于当前行业，其涉猎的范围更集中，数据针对性更强，所以在提供专业咨询时往往更加精准、细致，这也正是垂直大模型的独特价值所在。 因此，对于通用大模型或者垂直大模型，更倾向于哪一方不取决于个人想法，而是取决于用户需要。
87501编辑于 2024-12-30 - 来自专栏小洁叫你mysql
【AI大模型】训练Al大模型
大模型超越AI 目前所指的大模型，是“大规模深度学习模型”的简称，指具有大量参数和复杂结构的机器学习模型，可以处理大规模的数据和复杂的问题，多应用于自然语言处理、计算机视觉、语音识别等领域。 本文将探讨大模型的概念、训练技术和应用领域，以及与大模型相关的挑战和未来发展方向。 大模型是指具有庞大参数数量的机器学习模型。传统的机器学习模型通常只有几百或几千个参数，而大模型则可能拥有数亿或数十亿个参数。 训练大模型的挑战 训练大模型需要应对一系列挑战，包括： 以下是与大模型相关的一些代码示例： 计算资源需求： import tensorflow as tf # 指定使用GPU进行训练 with tf.device 更智能的模型压缩技术：模型压缩和加速技术将继续发展，以减小大模型的计算和存储开销。 更好的计算平台支持：为了支持训练和部署大模型，计算平台将继续改进，提供更强大的计算资源和工具。
1.7K30编辑于 2023-10-10 - 来自专栏大模型应用
大模型应用：大模型量化：INT4与INT8核心差异、选型指南及代码实现.53
一、引言 大模型的量化我们前期也探讨了基础概念和实践原理，针对CPU的量化流程做了通俗易懂的基础说明，但实际应用场景往往是需要GPU的落地实践，随着大模型参数规模突破千亿级别，存储大、显存高 压缩比的直观数学说明：INT8压缩比：32位 → 8位，压缩率75%，只有原始的1/4大小INT4压缩比：32位 → 4位，压缩率87.5%，仅有原始的1/8大小实际存储示例：原始10亿参数模型（FP32 "# 测试提示词PROMPT = "请简要介绍大模型INT4和INT8量化的核心区别"# 计算模型显存占用的工具函数def calculate_model_memory_usage(model): 五、总结 简单而言，大模型INT8和INT4量化，本质就是给笨重的高精度模型减减肥，让它又小又快，还能在普通设备上跑。 总的来说，量化不是瞎压缩，是用一点点精度损失，换存储、显存减半甚至减八成，推理速度还能快 2~5 倍，让原本只能在高端GPU上跑的大模型，在普通环境也能轻松用起来，是大模型落地的关键技巧。
1.3K55编辑于 2026-03-23 - 来自专栏学习
开源大模型与闭源大模型
在人工智能（AI）和机器学习（ML）的快速发展过程中，大模型（Large Models）已经成为推动技术进步的重要力量。当前，业界存在两种主要的大模型开发模式：开源大模型和闭源大模型。 一、开源大模型 开源大模型是指开发者将模型的代码和训练数据公开，使得任何人都可以访问、修改和使用这些资源。 二、闭源大模型 闭源大模型是指模型的代码和数据不对外公开，通常由商业公司开发和维护。代表性的闭源大模型包括OpenAI的GPT-3和Google的BERT。 三、开源大模型与闭源大模型的对比 1.透明性与可控性： 开源大模型的透明性更高，任何人都可以查看和验证其代码和数据，确保模型的行为符合预期。这对于学术研究和技术验证非常重要。 闭源大模型通过控制代码和数据的访问，能够更好地保护用户隐私和数据安全，降低被恶意利用的风险。 五、总结 开源大模型和闭源大模型各有优缺点，适合不同的应用场景和需求。
2K10编辑于 2024-10-09 - 来自专栏运维开发故事
探索AI+k8s：如何使用Deepseek大模型增强k8s-dashboard
基于 AMIS 构建，并通过 kom 作为 Kubernetes API 客户端，k8m 内置了 Qwen2.5-Coder-7B 模型交互能力，同时支持接入您自己的私有化大模型，比如deepseek模型 "sk-xxxxxxx") -m, --chatgpt-model string 大模型的自定义模型名称 (default "Qwen/Qwen2.5-7B-Instruct OPENAI_API_URL "" 大模型的 API URL OPENAI_MODEL Qwen/Qwen2.5-7B-Instruct 大模型的默认模型名称，如需DeepSeek，请设置为deepseek-ai AI诊断报告呈上，有没有感觉很酷～ 4.4 AI智检 智检功能主要是引用了k8s_gpt工具中预置的规则使用大模型，进行集群的智能巡检，目前平台支持集群，节点，部署，有状态集，容器组，svc，ingress 无论是需要快速查看集群状态，还是解决复杂的配置和运行问题，k8m 都能为开发者和运维团队提供可靠支持。同时，它兼容本地化大模型部署，有效解决了数据安全和访问效率问题，为企业提供更高的自主性。
90110编辑于 2025-03-27 - 来自专栏数据派THU
原创 | 大模型扫盲系列——初识大模型
为了提高模型的性能，研究者们不断尝试增加模型的参数数量，从而诞生了大模型这一概念。本文将从大模型的原理、训练过程、prompt和相关应用介绍等方面进行分析，帮助读者初步了解大模型。 为了提高模型的性能，研究者们不断尝试增加模型的参数数量，从而诞生了大模型这一概念。本文讨论的大模型将以平时指向比较多的大语言模型为例来进行相关介绍。 训练三步骤 初步认识了大模型长什么样了，接下来一起来看看如何训练出一个大模型。 除这些外还包括算法优化、隐私和数据安全以及模型可解释性等方面的研究和应用，每天还有很多大模型的应用正在不断涌现，大模型在未来仍然有很大的发展潜力，国内的优秀大模型代表例如百度文心大模型也正在搭建全系统产业化的大模型全景 大模型挑战 大模型也存在一些现实挑战： 1.数据安全隐患：一方面大模型训练需要大量的数据支持，但很多数据涉及到机密以及个人隐私问题，如客户信息、交易数据等。
21.4K29编辑于 2023-11-22 - 来自专栏IT从业者张某某
大模型与大模型的幻觉问题
参考 大模型中的涌现 OpenAI 科学家：幻觉是大模型与生俱来的特性，而非缺陷 大模型「幻觉」，看这一篇就够了｜哈工大华为出品 大模型 什么是大模型 大语言模型（LLM）是基于海量文本数据训练的深度学习模型 大模型的模型发展如下图 涌现 参考：大模型中的涌现 什么是涌现？先从蚂蚁开始说起。蚂蚁是自然界中一种个体非常简单，但是群体能力非常强大的生物。 什么是大模型中的涌现？在较小的模型中不出现，而在较大的模型中出现的能力，称为涌现。 我们看这张图片，它包含8张子图。分别在是八个不同的子任务下测试大模型的few-shot的能力。 如何解决大模型的「幻觉」问题？ 方向一：什么是大模型「幻觉」 大模型出现幻觉，简而言之就是“胡说八道”。 用文中的话来讲，是指模型生成的内容与现实世界事实或用户输入不一致的现象。 只有大模型助手存在幻觉问题。 方向二：造成大模型「幻觉」的原因 那么致使大模型产生幻觉的原因都有哪些？
2K11编辑于 2024-01-04 - 来自专栏自然语言处理(NLP)论文速递
ICLR2024 | 分享 8篇Spotlight论文，涉及多模态大模型、大模型优化、RLHF等热门话题！
今天给大家整理了8篇值得阅读的Spotlights论文，其中主要涉及多模态大模型、Transformer多头注意力、上下文预训练、安全RLHF、LLM指令微调、大模型数据隐私、生成流网络等热门方向。 多模态大模型框架 https://openreview.net/attachment? 对不同规模和类型的大模型进行的大量实验表明，现有的大模型仍然缺乏事实知识，并且存在各种虚假相关性。本文认为这是实现可信人工智能的关键瓶颈。数据集 Pinocchio 和我们的代码将公开。 该技术在提高中等规模的大模型性能方面显示出特别的优势，有时甚至可以与更大的模型变体相媲美。本文提出了两个问题： 1、指令调整模型对指令的特定短语有多敏感？ 2、如何使它们对这种自然语言变化更加鲁棒？ 我们证明这种方法持续提高了指令调整模型的稳健性。 大模型数据隐私 https://openreview.net/attachment?
3.4K10编辑于 2024-01-20 - 来自专栏AIGC 先锋科技
Eir-8B 专为医学领域打造的先进大语言模型 ！
为此，作者引入了Eir-8B，这是一个起初基于LLaMA 3.1 Instruct-8B进行修改的8亿参数模型[5]。 模型合并 Fine-tuning之后，作者采用了一种模型合并策略将LaMA-3.1-8B-instruct模型与fine-tuned模型合并。 4 Evaluation 为了评估Eir模型（Enhanced IR Model）的潜力，作者开发了两种变体：专门针对阅读电子健康记录（EHR）数据的Eir-8B模型 [Eir-8B，专门用于文本分类任务 Eir-8B-prob]，以及关注问题回答任务的Eir-8B-prob模型。 而Eir-8B模型在得分上比Typhoon-v1.5x-8B-instruct 高2.8%，比GPT-3.5 Turbo 1106 高5.3%。
56110编辑于 2024-09-29
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