- 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- 来自专栏掘金安东尼
👾打开 RAG 对接大模型的黑盒 —— 9 大隐藏问题
Prompt 给他介绍一下相关背景，然后大模型就有更专业的应答能力了。 言而总之，大数据时代，很多公司都拥有大量的专有数据，如果能基于它们创建 RAG，将显著提升大模型的特异性。 对于很多人来说，RAG 的引入、与大模型的对接是一个黑盒，任何微小参数的变动都将引起结果发生很大的变化。 /模型没有回答问题/模型编造有害的或带有偏见的答案 接下来，一起揭秘：RAG 对接大模型的黑盒 —— 9 大问题 来源：Seven Failure Points When Engineering a Retrieval 总结 本篇提供了开发 RAG 通道 9 个痛点，并针对每个痛点都给了相应的解决思路。 RAG 是非常重要的专用检索+通用大模型的技术手段，在赋能模型、满足特定化场景中非常重要！
88610编辑于 2024-04-04 - 来自专栏DeepHub IMBA
9月大型语言模型研究论文总结
大型语言模型(llm)在今年发展迅速，随着新一代模型不断地被开发，研究人员和工程师了解最新进展变得非常重要。本文总结9-10月期间发布了一些重要的LLM论文。 这些论文涵盖了一系列语言模型的主题，从模型优化和缩放到推理、基准测试和增强性能。最后部分讨论了有关安全训练并确保其行为保持有益的论文。 这种方法产生了MathCoder模型，这是一组能够生成基于代码的解决方案的模型，用于解决具有挑战性的数学问题。 现有的问答基准(如ToMi)会向模型提问，以推断故事中人物的信念，但不会测试模型是否可以使用这些推断来指导它们的行动。 SmartPlay中的每个游戏都独特地挑战了智能LLM代理的9个重要功能的子集，包括对象依赖性推理，提前计划，空间推理，从历史中学习和理解随机性。
83221编辑于 2023-10-23 - 来自专栏猫头虎博客专区
开源大模型DeepSeek.ai火遍全球:9条让DeepSeek颠覆通用大模型的事实
DeepSeek.ai火遍全球的几个事实: DeepSeek 不是套壳不是蒸馏美国的大模型。 虽然中国有些大模型是套壳和蒸馏的, 但 DeepSeek 不是。 在训练阶段, Deepseek 用标注的 Long CoT 数据微调模型, 让模型生成更清晰的推理步骤, 在强化学习中用 CoT 设计奖励优化, 增强长链推理能力, 并且在此过程中观察到了模型的反思 ( 数据, 训练了 R1-Zero 模型, 探索了模型不依赖人类标注数据微调、自主推演的能力, 打开了新的思路。 比如轻量化设计把大钢板换成钢条 (类似通过稀疏的办法减少大模型的参数量); 涡轮增压利用废气能量增加空气供给, 提高燃烧效率; 精密制造, 使得发动机零部件的配合更加紧密, 从而减少能量损失; 等等。 基础大模型终将 commoditize (商品化), toB 领域看谁能将 LLM 更好和复杂的生产环节衔接好帮客户落地提高生产效率, toC 领域看谁有流量入口, 最终才会获取 AI 产业价值创造中最多的利润
1.3K10编辑于 2025-02-02 - 来自专栏大模型应用
大模型应用：本地大模型部署中的Token效率优化与性能分析.9
引言 在大模型应用日益普及的今天，对模型交互过程中Token消耗的深入理解和有效管理变得至关重要。 Token作为大模型处理文本的基本单位，不仅直接关系到模型的响应速度和质量，更影响着计算资源的消耗和使用成本。 随着模型规模的不断扩大和应用场景的多样化，如何在不牺牲对话质量的前提下优化Token使用效率，已成为提升大模型应用经济性和实用性的关键问题。 助理回复："我是通义千问，一个由开发的大语言模型。我致力于帮助用户解答问题、提供信息和执行各种任务。" ，确保系统在不同硬件环境下的可用性通过持续的技术迭代和优化，我们相信Token效率优化将在推动大语言模型普惠应用方面发挥越来越重要的作用。
82743编辑于 2026-02-06 - 来自专栏Python与算法之美
9，模型的评估
模块中的交叉验证相关方法可以评估模型的泛化能力，能够有效避免过度拟合。 二，分类模型的评估 模型分类效果全部信息： confusion_matrix 混淆矩阵,误差矩阵。 ? 模型整体分类效果： accuracy 正确率。通用分类评估指标。 模型对某种类别的分类效果： precision 精确率，也叫查准率。模型不把正样本标错的能力。“不冤枉一个好人”。 recall 召回率，也叫查全率。模型识别出全部正样本的能力。 三，回归模型的评估 回归模型最常用的评估指标有： r2_score(r方，拟合优度，可决系数) explained_variance_score(解释方差得分) ? ? 留出法 为了解决过拟合问题，常见的方法将数据分为训练集和测试集，用训练集去训练模型的参数，用测试集去测试训练后模型的表现。
1.1K31发布于 2020-07-17 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- 来自专栏程序员的知识天地
Python中9大时间序列预测模型
当有预测模型来预测未知变量时，在时间充当独立变量和目标因变量的情况下，时间序列预测就出现了。 预测值可以是潜在雇员的工资或银行账户持有人的信用评分。 模型的表示法涉及指定模型p的顺序作为AR函数的参数。 ）模型。 它结合了ARIMA模型，能够在季节性水平上执行相同的自回归、差分和移动平均建模。 SARIMAX方法还可用于使用外生变量对包含的模型进行建模，例如ARX，MAX，ARMAX和ARIMAX。
1.9K40发布于 2019-05-25 - 来自专栏GPUS开发者
在Jetson上玩转大模型Day9：建立EffectiveViT测试环境
後來受到NLP在Transformer技術的突破，對視覺技術產生非常大的衝擊，於是Google在2021年提出的ViT（Vision Transform）技術，對機器視覺上的圖片分類、物體檢測、語義分割等應用 ，產生非常大的變化，不僅在效能上有所突破，並且爲視覺與大語言模型相結合的多模態技術，開創新的格局。 本文章的重點，在於爲大家提供一個快速搭建測試不同ViT模型的實驗環境，因此需要尋找合適的模型來進行示範，爲此我們找到非常適合在邊緣AI設備上部署的EfficientViT模型。 opencv-python timm==0.6.13 tqdm torchprofile matplotlib git+https://github.com/zhijian-liu/torchpack.git@3a5a9f7ac665444e1eb45942ee3f8fc7ffbd84e5 目前項目提供三大類應用，我們可以到 https://github.com/mit-han-lab/efficientvit/tree/master/applications 看到cls.md、sam.md
45210编辑于 2024-11-04 - 来自专栏AIOT
在Jetson上玩转大模型Day9：建立EffectiveViT测试环境
後來受到NLP在Transformer技術的突破，對視覺技術產生非常大的衝擊，於是Google在2021年提出的ViT（Vision Transform）技術，對機器視覺上的圖片分類、物體檢測、語義分割等應用 ，產生非常大的變化，不僅在效能上有所突破，並且爲視覺與大語言模型相結合的多模態技術，開創新的格局。 本文章的重點，在於爲大家提供一個快速搭建測試不同ViT模型的實驗環境，因此需要尋找合適的模型來進行示範，爲此我們找到非常適合在邊緣AI設備上部署的EfficientViT模型。 0.15.2einopsopencv-pythontimm==0.6.13tqdmtorchprofilematplotlibgit+https://github.com/zhijian-liu/torchpack.git@3a5a9f7ac665444e1eb45942ee3f8fc7ffbd84e5transformersonnxonnxsimonnxruntimegit 目前項目提供三大類應用，我們可以到 https://github.com/mit-han-lab/efficientvit/tree/master/applications 看到cls.md、sam.md
36010编辑于 2024-11-01 - 来自专栏机器学习/数据可视化
数据平滑9大妙招
今天给大家分享9大常见数据平滑方法：移动平均Moving Average指数平滑Exponential Smoothing低通滤波器多项式拟合贝塞尔曲线拟合局部加权散点平滑LoessKalman滤波小波变换 阶多项式拟合的案例：import numpy as npimport matplotlib.pyplot as plt# 示例数据x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9] Loess平滑的核心思想是在每个数据点附近拟合一个局部多项式模型，然后使用这些局部模型的加权平均来获得平滑曲线。 可调参数：Loess允许用户指定平滑窗口的大小或带宽，以控制局部模型的拟合程度。较小的带宽会导致更强的局部适应，而较大的带宽会导致更平滑的曲线。 卡尔曼滤波基于状态空间模型，其中系统状态通过线性或非线性动态模型演化，并且由观测模型通过传感器观测进行测量。
6.4K44编辑于 2023-10-13 - 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 - 来自专栏数据派THU
一文看尽SOTA生成式模型：9大类别21个模型全回顾！
来源：新智元 极市平台本文约3800字，建议阅读5分钟本文总结了2022年发布的21个生成式模型，一次看明白生成式模型的发展脉络！ 最近，来自西班牙科米利亚斯主教大学的研究人员全面回顾了各个领域内AI的最新进展，将生成式模型按照任务模态、领域分为了九大类，并总结了2022年发布的21个生成式模型，一次看明白生成式模型的发展脉络！ 论文链接：https://arxiv.org/abs/2301.04655 生成式AI分类 模型可以按照输入和输出的数据类型进行分类，目前主要包括9类。 有趣的是，在这些已发布大模型的背后，只有六个组织（OpenAI, Google, DeepMind, Meta, runway, Nvidia）参与部署了这些最先进的模型。 用户可以向模型输入query，并附上一张照片或一段视频，模型就会用文本答案来回答。 Flamingo模型利用了两个互补的模型：一个是分析视觉场景的视觉模型，一个是执行基本推理形式的大型语言模型。
1.9K30编辑于 2023-03-29 - 来自专栏新智元
一文看尽SOTA生成式模型：9大类别21个模型全回顾！
但生成式模型种类繁多，发布速度也非常快，稍不留神就有可能错过了sota 最近，来自西班牙科米利亚斯主教大学的研究人员全面回顾了各个领域内AI的最新进展，将生成式模型按照任务模态、领域分为了九大类，并总结了 2022年发布的21个生成式模型，一次看明白生成式模型的发展脉络！ 论文链接：https://arxiv.org/abs/2301.04655 生成式AI分类 模型可以按照输入和输出的数据类型进行分类，目前主要包括9类。 有趣的是，在这些已发布大模型的背后，只有六个组织（OpenAI, Google, DeepMind, Meta, runway, Nvidia）参与部署了这些最先进的模型。 用户可以向模型输入query，并附上一张照片或一段视频，模型就会用文本答案来回答。 Flamingo模型利用了两个互补的模型：一个是分析视觉场景的视觉模型，一个是执行基本推理形式的大型语言模型。
95530编辑于 2023-02-24 - 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。 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。 OpenAI 科学家 Andrej Karpathy关于大模型幻觉 在 Karpathy 看来： 从某种意义上说，大语言模型的全部工作恰恰就是制造幻觉，大模型就是「造梦机」。 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
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