- 综合排序
- 最热优先
- 最新优先
沉没成本模型
沉没成本模型 一、原理 沉没成本模型原理基于经济学中的沉没成本概念，它指的是已经发生且无法回收的成本，如过去的投资、决策或行为所消耗的资源（如时间、金钱、精力等）。 在决策过程中，理性的决策者应当排除沉没成本的干扰，仅基于当前和未来的信息进行决策。 二、出处 沉没成本模型的概念主要源于微观经济学和管理会计，是一个在经济学和商业决策中广泛使用的概念。 三、定义 沉没成本是指由于过去的决策已经发生了的，而不能由现在或将来的任何决策改变的成本。换句话说，它是已经投入且无法回收的成本。 缺点：在实践中，人们往往难以完全摆脱沉没成本的干扰，尤其是当沉没成本较大时，人们可能会因为害怕损失而继续坚持原本不合适的决策。 六、使用场景 投资决策：在评估一个项目的投资价值时，应当排除沉没成本的干扰，仅基于项目未来的收益和成本进行决策。
36700编辑于 2025-04-05- 来自专栏悟空聊架构 | 公众号
PMBook - 7.项目成本管理
7.1 规划成本管理 7.1.1 规划成本管理：输入 7.1.1.1 项目章程 7.1.1.2 项目管理计划 7.1.1.3 事业环境因素 7.1.1.4 组织过程资产 7.1.2 规划成本管理 三点估算 最可能成本（cM）：比较现实的估算 最乐观成本（cO）：最好情况所得到的成本 最悲观成本（cP）：最差情况 预期成本（cE） 三角分布：cE = (cO+cM+cP)/3 贝塔分布：cE 成本及准确性依赖以下几种情况 用来建立模型的历史信息准确 模型中的参数易于量化 模型可以调整，以便对大项目、小项目和各项目阶段都适用 7.3.2.5 资金限制平衡 根据项目资金的任何限制来平衡资金支出 AC 没有上限，为实现EV所花费的任何成本都要计算进去 偏差分析：审查目标绩效与实际绩效之间的差异（或偏差） CV 成本偏差（CV = EV - AC）。成本偏差 = 挣值 - 实际成本。 CPI 成本绩效指数（CPI = EV/AC）。测量预算资源的成本效率的一种指标，表示为挣值与实际成本之比。CPI小于1.0时说明已完成工作的成本超支；大于1.0时，说明到目前为止成本有结余。
1.2K00发布于 2019-04-18 机会成本模型
原理 机会成本模型原理基于一个核心概念：在面临多方案择一决策时，被舍弃的选项中的最高价值者是本次决策的机会成本。 出处 机会成本模型最初由奥地利经济学家弗里德里希·冯·维塞尔（Friedrich von Wieser）在其《自然价值》一书中提出。后来，这一概念被广泛应用于经济学和其他学科中。 引伸义 机会成本的引伸义在于提醒我们，在做决策时不仅要考虑当前选择的直接成本和收益，还要考虑因选择当前方案而放弃的其他可能方案的成本和收益。 优缺点 优点： 全面评估：机会成本模型考虑了所有可能的选择方案，从而能够更全面地评估决策的优劣。 理性决策：通过比较不同方案的机会成本，可以帮助决策者做出更理性的选择。 使用场景 机会成本模型适用于各种需要做出选择的场景，包括但不限于： 投资决策：在投资选择中，机会成本可以帮助投资者比较不同投资项目的预期收益和风险，从而选择最优的投资方案。
46700编辑于 2025-04-05- 来自专栏云成本管理
云成本管理方法论（一）——云成本管理模型
就目前想到的，作者计划按如下大纲来完成这一系列文章： 一、《云成本管理模型》 —— 建立云成本管理基本分析框架 二、《云成本管理之使用管理模型》 —— 具体化使用管理场景下的云成本管理模型 三、《云成本管理之优化管理模型 》 —— 具体化优化管理场景下的云成本管理模型 四、《云成本优化效果测量模型》 —— 分析云成本优化效果不同测量模型及其优缺点 五、《计算资源云成本管理分析》 —— 根据不同云平台下不同类型计算资源的共性及差异 云成本管理模型 对于云成本的管理，我们的基本思路是，要管理或控制某一因素，必须先制定出相应的规则来判定此因素是否符合期望，如果不符合期望，就需要对此因素实施既定的处理措施。 基于上面的思路，引入我们的云成本管理模型： 在此管理模型中，云成本管理活动由四个维度决定，它们分别是： 管理对象 管理时点 判定规则 管理措施 这样，可以将云成本管理定义为： 云成本管理是预先定义管理对象 这样才可以使云成本管理活动形成一个持续的正向反馈闭环。 云成本管理流程 在云成本管理模型中，我们定义了三个管理时点：事前、事中和事后。
4.1K120发布于 2018-04-11 - 来自专栏云计算D1net
云计算成本的7个秘密
因此，企业需要了解采用云计算服务的成本隐含的7个秘密。 云计算服务的每小时使用价格如今已低于1美分，还有什么比云计算价格表更诱人的吗?而用户享受的云计算服务价格还有可能会更低。 企业采用云计算服务的成本隐含着以下7个秘密： 1.隐藏的附加功能 有时候，令人惊讶的成本账单是由用户关注到的附加功能所产生的。 在中国境外，低端实例的起价为每月2.50美元，而在中国香港，每月起价为7美元。 3.数据传输成本 用户需要仔细检查价目表。 7.云计算的无限扩展 最后，云计算面临的棘手问题是，其无限扩展的优良特性(云计算似乎具有无限扩展能力以满足任何需求)却是一个预算难题。每个用户的平均出口流量是10GB还是20GB? 用户可以估算和汇总其云计算成本，但没人会真正知道是多少，一切都可能发生。没有人注意到成本何时降低，但是当成本快速上涨时，企业管理者需要注意，最严重的问题是其收入无法像云计算服务那样迅速扩展。
1.3K30发布于 2020-06-24 精调模型削减文档AI成本90%
停止为你不会用到的人工智能付费：精调模型的价值每日通过GPT或Claude处理10,000份文档，年成本为5万美元。精调模型：5千美元。相同准确率。更低延迟。数据永不离开你的控制。 附表C第1行（总营收）必须与第7行报告的1099-MISC收入相符。第30行（家庭商业用途支出）如果金额超过简化方法限额，则需要附上表格8829。 混合架构： 将90-95%符合标准模式的文档路由到你基础设施上部署的精调模型。这些模型以低成本和高速处理已知模式。 将5-10%的异常文档（不寻常格式、缺失字段、模糊内容）路由到前沿模型API或人工审核。这既保持了成本效率，又维持了对边缘情况的覆盖。精调一个轻量级的270亿参数模型如今成本低于10美元。 在自有硬件上进行推理，其成本随处理量增加而增加的边际成本仅为电费。一个每日处理10,000份文档的系统，本地部署的年成本约为5千美元，而使用前沿模型推理则为5万美元。最后思考前沿模型将持续改进。
5510编辑于 2026-04-09- 来自专栏张善友的专栏
Semantic Kernel 通过 LocalAI 集成本地模型
本文是基于 LLama 2是由Meta 开源的大语言模型，通过LocalAI 来集成LLama2 来演示Semantic kernel（简称SK） 和 本地大模型的集成示例。 SK 可以支持各种大模型，在官方示例中多是OpenAI 和 Azure OpenAI service 的GPT 3.5+。今天我们就来看一看如何把SK 和 本地部署的开源大模型集成起来。 它允许你在消费级硬件上本地或者在自有服务器上运行 LLM（和其他模型），支持与 ggml 格式兼容的多种模型家族。不需要 GPU。LocalAI 使用 C++ 绑定来优化速度。 可参考官方 Getting Started 进行部署，通过LocalAI我们将本地部署的大模型转换为OpenAI的格式，通过SK 的OpenAI 的Connector 访问，这里需要做的是把openai 我们想使用Azure，OpenAI中使用Microsoft的AI模型，以及我们LocalAI 集成的本地大模型，我们可以将它们包含在我们的内核中。
1.1K10编辑于 2024-01-26 - 来自专栏学习笔记持续记录中...
处理模型数据（7）
Spring MVC提供了以下几种途径输出模型数据： ModelAndView 控制器处理方法的返回值是ModelAndView，则其既包含视图信息，也包含模型数据信息 // success.jsp 返回的目标页面 ; return modelAndView; } } Map&Model Spring MVC 在内部使用了一个org.springframework.ui.Model接口存储模型数据 ，具体步骤： 1）SpringMVC在调用方法前会创建一个隐含的数据模型，作为模型数据的存储容器， 成为”隐含模型” 2）如果方法的入参类型为Map或Model，会将隐含模型的引用传递给这些入参。 3）在方法体内，可以通过这个入参对象访问到模型中的所有数据，也可以向模型中添加新的属性数据 Spring Web MVC 提供Model、Map或ModelMap让我们能去暴露渲染视图需要的模型数据。 @SessionAttributes 除了可以通过属性名指定需要放到会话中的属性处，还可以通过模型属性的对象类型指定哪些模型属性需要放到会话中 @SessionAttributes(types=User.class
50500发布于 2020-03-18 - 来自专栏自然语言处理(NLP)论文速递
新语言模型出现！Eagle7B：基于线性Transformer，推理成本降低10-100 倍！
Eagle 7B 可将推理成本降低 10-100 倍。 在 AI 赛道中，与动辄上千亿参数的模型相比，最近，小模型开始受到大家的青睐。 比如法国 AI 初创公司发布的 Mistral-7B 模型，其在每个基准测试中，都优于 Llama 2 13B，并且在代码、数学和推理方面也优于 LLaMA 1 34B。 近日，又有一个新的语言模型出现了，即 7.52B 参数 Eagle 7B，来自开源非盈利组织 RWKV，其具有以下特点： 基于 RWKV-v5 架构构建，该架构的推理成本较低（RWKV 是一个线性 transformer ，推理成本降低 10-100 倍以上）； 在 100 多种语言、1.1 万亿 token 上训练而成； 在多语言基准测试中优于所有的 7B 类模型； 在英语评测中，Eagle 7B 性能接近 Falcon 此前，Mistral-7B 利用 2-7 万亿 Token 的训练方法在 7B 规模的模型上保持领先。
31410编辑于 2024-02-22 - 来自专栏AI 大数据
DeepSeek 模型的成本效益深度解析：低成本、高性能的AI新选择
摘要在人工智能领域，成本效益分析是开发者在选择模型时的重要考量因素。本文将从模型训练、部署、维护等全生命周期的角度，对DeepSeek模型的成本效益进行详细分析，并与其他模型进行对比。 DeepSeek作为新兴的AI模型，以其高效的性能和低廉的成本引起了广泛关注。然而，开发者在选择使用DeepSeek模型时，需要全面了解其在训练、部署和维护等方面的成本效益，以及可能遇到的实际问题。 DeepSeek模型的成本效益分析模型训练成本DeepSeek模型在训练过程中，通过以下创新实现了成本的显著降低：高效模型架构设计：DeepSeek采用了优化的模型架构，减少了计算资源的消耗。 相比传统模型，DeepSeek的单位token训练成本下降了78%，显著提升了成本效益。 与其他模型的对比与其他主流模型相比，DeepSeek在成本效益方面具有明显优势。例如，OpenAI的模型训练成本高达数百万美元，而DeepSeek通过优化，仅需不到600万美元即可完成训练。
1.3K00编辑于 2025-03-19 - 来自专栏AI SPPECH
大模型进入“推理成本时代“
通过OpenAI GPT-5级模型的推理开销分析，本文将指导读者构建个人成本估算模型，对齐一线云厂商招聘中的"成本意识"需求。 1. 技术深度拆解与实现分析 3.1 推理成本的核心构成 推理成本主要由以下几个部分构成： 成本构成 占比 主要影响因素 显存占用 90% 模型规模、上下文长度、Batch Size 计算资源 7% 模型复杂度 实际工程意义、潜在风险与局限性分析 5.1 实际工程意义 成本优化：通过vLLM的PagedAttention技术，云厂商可以将推理成本降低50%以上，对于大规模部署的模型服务，每年可节省数百万美元的成本 # 示例：GPT-5级模型（10T参数，模型大小约20GB）的推理成本估算 model_size_gb = 20 context_length = 1000000 requests_per_second vLLM 0.5+ CUDA 12.0+ 关键词： vLLM, 推理成本, PagedAttention, 大模型推理, 显存管理, Continuous Batching, 混合专家模型
86710编辑于 2026-01-19 - 来自专栏AI分享
GPU实战：低成本运行多模态大模型
随着多模态大模型（如视觉-语言模型、文本-音频生成模型等）的快速发展，企业对高效、低成本的算力需求日益迫切。 无服务器 GPU 服务结合其弹性扩展和按需付费的特性，为开发者提供了部署多模态大模型的理想平台。本文将从实战角度，探讨如何基于 无服务器 GPU 基础设施，低成本运行多模态大模型。 平台还提供自动化的模型蒸馏服务，支持将千亿参数模型压缩至原体积的 1/10 并保持 98% 的精度，显著降低推理成本。 以客户服务场景为例，系统在解析通话录音时，不仅生成逐字稿文本（支持8种方言识别），还能关联对话时序信息生成交互热力图，结合DeBERTa-v3模型的情感分析模块（细粒度至7种情绪分类），自动生成包含客户诉求摘要 该芯片采用全新FP8精度架构，在保持模型精度的同时将计算密度较上一代提升2.3倍，并支持动态精度切换技术，可针对多模态模型训练任务（如图文联合建模、视频语义解析）自动选择最优计算模式7。
4.5K11编辑于 2025-04-14 任务分解与小模型如何降低AI成本
任务分解与小型语言模型如何让AI更经济生成式AI应用的广泛使用增加了对准确、经济高效的大型语言模型需求。 LLM的成本因其规模差异显著，通常以参数数量衡量：切换到更小规模的模型通常可节省70%-90%成本。 成本与复杂度的思维模型决定是否使用任务分解的一个有用思维模型是考虑应用程序的估计总拥有成本。随着用户群的增长，基础设施成本变得主导，而任务分解等优化方法可以降低TCO，尽管存在前期工程和科学成本。 对于较小的应用程序，选择大型模型等更简单的方法可能更合适且更具成本效益。平衡创新与简化任务分解和使用小型LLM创建代理工作流可能以牺牲更强大模型通常展示的新颖性和创造性为代价。 使用多个、更小、精细调整的LLM进行任务分解为提高复杂AI应用的成本效率提供了一种有前景的方法，与使用单一大型前沿模型相比，可能提供显著的基础设施成本节约。
21710编辑于 2025-10-17- 来自专栏云云众生s
Kubernetes+大模型：Cast AI解决成本难题
Cast AI 利用其在 Kubernetes 自动化方面的专业知识，使 DevOps 和 AIOps 团队能够找到性能和成本最佳的 AI 模型。 该供应商在四月推出了其 AI 优化器服务，该服务通过与任何与 OpenAI 兼容的 API 端点集成并识别 LLM（商业和开源）来自动降低部署大型语言模型 (LLM) 的成本，从而为最低的推理成本提供最佳性能 在一篇博文 中，该公司产品营销总监指出，OpenAI 的 LLM 模型的定价页面 有 10 页长，至少有 20 种不同的模型，用于不同的用例和定价模型。 仪表板和Playground AI Enabler包含一个用于监控成本的仪表板，并创建一个报告，比较使用默认LLM与利用其他模型的支出。 他写道：“LLM代理智能地选择最优的LLM模型来处理用户查询，确保组织以最低的成本获得最佳性能。”“这种方法通过选择和执行具有较低推理成本的优化LLM来实现最大限度的节省。”
30710编辑于 2024-11-28 - 来自专栏Oracle数据库技术
Oracle优化器成本的估算（10053 Trace中基于CPU成本模型的内容解析）
优化器成本的估算（基于CPU成本模型） 对于优化器成本的估算是一个复杂的过程，涉及到大量的的理论和内部操作。 Oracle对于成本的预估模型，也可以分为两种： CPU成本模型 ：参考系统统计信息进行成本估算。 I/O成本模型 ：仅通过I/O的次数进行成本估算。 成本模型的选择通过_optimizer_cost_model隐含参数控制。 - CHOOSE:默认值，这时候如果有系统统计信息的话会使用CPU成本模型 ，如果没有系统统计信息的话会使用I/O成本模型 。 - IO ：使用基于I/O成本模型 。 - CPU ：使用基于CPU成本模型 。 对于我们这个例子，是有系统统计信息的，并且使用的是没有负载的系统统计信息（NOWORKLOAD），所以使用的是基于CPU的成本模型计算访问表的成本。
87520编辑于 2022-08-22 多租户模型推理成本追踪方案解析
多租户模型推理成本追踪方案解析技术背景通过AI应用服务多租户的组织面临共同挑战：如何跨客户细分跟踪、分析和优化模型使用。 某机构的基础模型(FMs)通过Converse API提供强大能力，但真正的商业价值在于将模型交互与特定租户、用户和使用场景关联。 管道处理调用日志自动分类失败日志到专用存储桶使用爬虫程序更新数据目录分析层：基于Amazon QuickSight构建可视化仪表盘支持按租户/部门/时间等多维度分析实现token用量、延迟等关键指标监控权限控制：通过IAM实现细粒度数据访问管理确保租户数据隔离关键功能成本分配 ：精确追踪每个租户的模型使用成本性能优化：识别不同租户的使用模式差异异常检测：监控异常使用行为和突发流量实施建议从核心租户标识开始实施元数据跟踪逐步扩展分析维度（部门/项目/地域）建立自动化预算告警机制定期优化数据转换逻辑架构优势无需修改核心应用逻辑即可实现细粒度追踪支持从数十到数百万租户的弹性扩展提供实时和历史数据分析能力该方案已在实际业务场景中验证 ，可帮助组织降低15-30%的AI运营成本，同时提升资源分配效率。
21510编辑于 2025-08-10- 来自专栏韦东山嵌入式
第7章_低成本 Modbus 传感器的实现
第7章 低成本 Modbus 传感器的实现 7.1 硬件资源介绍与接线 我们的 Modbus 传感器开发套件共有三个， 三个板子的使用的主控方案是 STM32F030芯片，硬件接口资源如下图所示： 开关量模块 如下配置： 7.4.2 封装 UART 本节源码为“3_程序源码\01_视频配套的源码\7-5_STM32F030串口编程\demo”。 现场编程。 STM32H5 程序改造 本节源码为“3_程序源码\01_视频配套的源码\7-6_STM32F030串口测试\h5_demo”。 3.STM32F030程序调试 本节源码为“3_程序源码\01_视频配套的源码\7-6_STM32F030串口测试\f030_demo”。 7.5 libmodbus 移植 本节源码为“3_ 程序源码\01_ 视频配套的源码\7-7_STM32F030 上libmodbus 移植 \f030_demo”。
67110编辑于 2024-06-29 - 来自专栏机器之心
无注意力大模型Eagle7B：基于RWKV，推理成本降低10-100 倍
机器之心报道 编辑：陈萍 Eagle 7B 可将推理成本降低 10-100 倍。 在 AI 赛道中，与动辄上千亿参数的模型相比，最近，小模型开始受到大家的青睐。 比如法国 AI 初创公司发布的 Mistral-7B 模型，其在每个基准测试中，都优于 Llama 2 13B，并且在代码、数学和推理方面也优于 LLaMA 1 34B。 近日，又有一个新的语言模型出现了，即 7.52B 参数 Eagle 7B，来自开源非盈利组织 RWKV，其具有以下特点： 基于 RWKV-v5 架构构建，该架构的推理成本较低（RWKV 是一个线性 transformer ，推理成本降低 10-100 倍以上）； 在 100 多种语言、1.1 万亿 token 上训练而成； 在多语言基准测试中优于所有的 7B 类模型； 在英语评测中，Eagle 7B 性能接近 Falcon 此前，Mistral-7B 利用 2-7 万亿 Token 的训练方法在 7B 规模的模型上保持领先。
37810编辑于 2024-02-06 - 来自专栏机器学习算法与Python学习
Torch7模型训练
Torch7搭建卷积神经网络详细教程已经详细的介绍啦Module模块，这里再次基础上再给出一些上Container、 Transfer Functions Layers和 Simple Layers模块的理解 并在后面给出一些简单的模型训练方法。下述程序在itorch qtconsole下运行。 上一篇博文讲到Module主要有四个函数(详细见Torch7搭建卷积神经网络详细教程)，但是注意以下几点：forward函数的input必须和backward的函数的input一致，否则梯度更新会有问题 上述函数的具体使用方法可以看Torch7的官方API以及帮助文档。接下来仅介绍一些模型训练所需要的关键函数。 将image包导入当前运行环境，随机生成一张1通道32x32的彩色图像，如下 ?
1K130发布于 2018-04-08 - 来自专栏腾讯数据中心
Google对数据中心成本模型的分析——下
（接上文《Google对数据中心成本模型的分析——上》） 三、案例分析 虽然变量繁多，但通过观察不同行业的小部分数据中心案例，仍有助于我们理解这些成本因素的影响大小。 4美分； 6.该数据中心的PUE按行业平均水平1.8来计算（若为谷歌的数据中心则PUE可为1.1）； 7.服务器寿命三年，每年服务器的维保费用约为服务器价格的5%； 8.服务器的平均运行功耗约为峰值功耗的 四、实际数据中心成本分析 实际上，现实世界里的数据中心成本会都比前面模型中的成本更高，因为前面模型中的数据中心负荷都跑到了100%设计功率，服务器的CPU利用率也非常高，但实际情况是现实生活中这些条件很难同时发生 峰值功率为500W的服务器，实际正常运行的功率往往只有300W，这样服务器的运行功耗负载率只有60%左右，因此每台服务器每月的实际运行成本会比前面的模型中更高。 五、部分负载数据中心的成本模型 对于部分负载数据中心的TCO 建模，我们通过空置率来调整数据中心成本模型中各子项 的占比。
5.8K82发布于 2018-03-16
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