- 综合排序
- 最热优先
- 最新优先
- 来自专栏Linux运维
时序数据选型、存储模型与选型
时序数据选型、存储模型与选型一、时序数据的特征与挑战时间戳驱动：数据天然带有时间维度，典型场景包括监控指标、传感器采集、交易日志。高吞吐写入：数据持续产生，要求数据库具备批量写入与乱序处理能力。 二、InfluxDB的存储模型与架构数据点四要素：Measurement（测量）、Tags（标签）、Fields（字段）、Timestamp（时间戳）。 +分区SQL兼容，压缩与分区优化金融交易、日志分析Prometheus云原生监控拉取式模型与Kubernetes深度集成，PromQL强大应用监控、容器指标IoTDB工业物联网灵活序列模型面向设备数据优化 ，接口丰富工业场景、传感器数据四、选型考量维度场景匹配监控/运维→InfluxDB、PrometheusIoT/工业→TDengine、IoTDB金融/日志→TimescaleDB性能指标写入吞吐、查询延迟 选型建议：根据业务场景、数据规模与团队技术栈综合评估，避免“一刀切”。
64110编辑于 2026-01-04 - 来自专栏猫头虎AI技术分享
告别 MaaS 模型选型困难：AI Ping 为大模型服务选型提供精准性能评测排行榜
告别 MaaS 模型选型困难：AI Ping 为大模型服务选型提供精准性能评测排行榜一、前言大家好，我是猫头虎。最近我们团队正在推进 AI 应用平台的开发，尝试将各类大模型能力集成到现有业务系统中。 作为项目的技术选型负责人，我深刻体会到一个现实：MaaS 模型选型的难度，远比想象中大得多。市面上涌现出越来越多的大模型服务商，国内外加起来轻松就有上百家。 抱着试一试的心态，我体验了 AI Ping 的服务，结果让我眼前一亮：它提供的客观评测和详实数据，确实能够为大模型选型提供科学依据，也让我对整个行业的选型方式有了全新的认知。 无论是通用大模型还是垂直领域模型，用户都能在平台上找到适合自身业务需求的模型，极大丰富了选型空间。 图片2.6 多维度筛选，精准锁定最优模型AI Ping支持多维度的模型筛选功能。 五、体验反馈亮点：选型效率显著提升：节省了时间和人力成本评测数据真实可信：所有数据均来源于平台的实际测试，避免了营销成分，选型更有依据操作简便，界面友好：平台设计直观，信息一目了然数据更新快速：行业新模型和性能榜单能够及时同步
50421编辑于 2025-09-17 国产大模型选型，别再盲目跟风了
国产大模型选型，别再盲目跟风了 最近半年，我经常被同行问到同一个问题：国产大模型到底怎么选？ 后来我花了整整两周时间，把市面上的主流国产大模型API全测了一遍，才明白选型这事，真不能光看名气。 国产大模型API到底有哪些坑？ 你可能会想，国产大模型API不就是调个接口吗，能有多复杂？错！ 比如通义千问API的`temperature`参数范围是0到2，而文心一言API是0到1，调错了直接报错。所以，多模型统一接入不是噱头，而是刚需。 第二个坑是计费方式。 我上个月帮一个客户做AI写作API选型，测了8款模型才定下来，最后上线后成本降了40%。 为什么我推荐你关注算力问题？ 你可能觉得选模型跟算力没关系，错了。 最后，我建议你建一个自己的模型评测库。每次测新模型时，记录下响应时间、准确率、Token计费数据，长期积累下来，就是你的独家秘籍。别信那些AI模型选型指南，自己测过才最靠谱。
6910编辑于 2026-07-052026年多模态理解模型选型指南
摘要： 多模态理解模型选型需要综合考虑技术架构、能力覆盖、工程效率、成本等因素。本文从技术路线、能力维度、接入方式等角度，提供多模态理解模型的选型参考框架。 二、选型时需考虑的核心维度 在进行多模态理解模型选型时，建议从以下维度进行评估： 2.1 1. 2.2 2. 能力覆盖维度 支持的输入模态：不同模型支持的输入模态不同，有的仅支持图片和文本，有的支持视频，有的支持音频。需根据业务需求选择支持相应模态的模型。 在选型时，建议优先选择采用当前主流技术路线的模型产品。 六、VITA多模态理解模型选型参考 基于上述选型框架，VITA多模态理解模型在以下维度可作为选型参考： 6.1 技术架构 VITA采用原生多模态大模型技术路线，在统一训练流程中完成图、文、声的多模态融合
12110编辑于 2026-06-23- 来自专栏Yangsh888的专栏
【云端选型】2.云模式&选择指南
一般认为，IaaS始于亚马逊的EC2和S3两款产品。近两年，我们说的云计算快速落地，其实主要就是指IaaS的迅速落地。
1.8K20编辑于 2022-03-19 - 来自专栏机器学习AI算法工程
2023文本定位模型选型调研
场景：做一个通用型的多种证件解析服务 需求：调研一种又新又快的定位模型。 要求： 1）支持倾斜的文字，可以是4点定位或分割法后获取box，但不能是2点的定位； 2）快速，过往的psenet需要至少0.6s，pan和db在一些场景中效果差一点但快，是否有更好平衡速度和效果的方法 基于阅读顺序的标注方法（即文本开始循环一圈）降低了模型性能。 即用固定数量控制点代替检测框 2）增强的因子化自注意(Enhanced Factorized Self-Attention, EFSA) 模块，挖掘同一文本实例内 控制点query之间的关系。 网络头部部分，分别引出2个分支。
79440编辑于 2023-11-02 详解几种常见本地大模型个人知识库工具部署、微调及对比选型（2）
比如我们选择个链接 https://hf-mirror.com/brittlewis12/Octopus-v2-GGUF/tree/main 下载octopus-v2.Q8_0.gguf 准备Modelfile 至少确保硬盘可用空间在模型大小的2倍以上。 除此之外，它也提供了丰富的模型选择，Ollama里支持的模型库达到了92种，涵盖了从基础研究到行业应用的广泛需求，甚至最新的qwen2也在其中。 首先选择Launch Model菜单，在**LANGUAGE MODELS**标签下的模型过滤器**Model Ability**中选择vl-chat，可以看到目前支持的 2 个多模态模型： 选择qwen-vl-chat <h2>大模型侧工具安装部署总结 由于作者的眼界、精力和能力也有限，并且确实也不是专业的AI研究员，仅仅是一位兴趣使然的爱好者，这里列出的几款也单纯只是作者平常关注到的，所以可能也不全，请各位见谅！
7.7K44编辑于 2024-06-12GPT Image 2 vs Nano Banana：两大旗舰生图模型技术差异与选型
先不说选型，先把两边的技术底座掰碎了说，不然比参数都是瞎比。 GPT Image 2：钱花在"思考"和画质上 GPT Image 2咱们之前聊过不少，核心是OpenAI把GPT-5级的语言推理层和扩散模型焊死了，架构从之前的两阶段改成single-pass单推理， 直接奔2K原生，升采能到4K。 选型根本不用纠结"哪个更好" 落到实际场景，两者几乎没什么重叠竞争，看需求挑就行：如果你是自媒体运营、电商设计、接外包的画师，日常出带字的封面、主图、信息图，要能对话改图、直出能交付→闭眼GPT Image 后面选模型别再问「哪个更好」，先问「我要解决什么问题」，比啥都强。
12810编辑于 2026-07-03- 来自专栏JavaEdge
【大厂消息队列】面试解析(2)-MQ选型
1 选型标准 1.1 开源（白嫖） 方便可以修改源代码，而非一味地等待软件提供商猴年马月发布的下个版本解决。在知识产权下，使用开源的才可商用。 看完标准，于是市面上主要就如下可供选择： 2 RabbitMQ 2.1 优点 Erlang语言编写，最早是为电信行业系统可靠通信设计，是支持AMQP协议的消息队列之一。 kafka、activemq、rabbitmq、rocketmq对比 5 选型总结 最早大家都用ActiveMQ，但是现在用的不多了，没经过大规模吞吐量场景的验证，社区也不是很活跃，算了吧，不推荐 后来大家开始用
96330编辑于 2022-11-30 国产大模型API选型，别再盲目跟风了
国产大模型API选型，别再盲目跟风了 最近总有人问我：“国产大模型到底怎么选？网上说哪个好就用哪个，结果项目上线发现调用超时、计费还贵。” 折腾了两周，最后换成了多模型统一接入的方案，成本降了一半。这事儿让我意识到：选型不是比谁名气大，而是看具体场景。 国产大模型现在多到什么程度？ 我们有个项目用豆包大模型API的免费版，结果用户一多直接超时，后来被迫升级付费，算下来并不划算。选型时一定要算“实际调用量”下的总成本，而不是看噱头。 多模型统一接入真的能省钱吗？ 比如简单对话走便宜的国产模型，复杂推理走GPT-4o。这背后其实是大模型比价和智能调度的逻辑，我们实测下来，月成本从2万降到1.2万。 但注意，这玩意儿不是万能的。 具体怎么选型？一个三步法 别被“国产大模型评测”榜单忽悠，那些测试集和你的业务可能完全不同。我总结了一个实用的流程： 第一步：定义核心任务。你是做智能客服API、AI写作API还是代码生成？
10710编辑于 2026-07-05- 来自专栏xingoo, 一个梦想做发明家的程序员
选择模型2
选择模型 fd_set结构可以把多个套接字连在一起，形成一个套接字集合 typedef struct fd_set{ u_int fd_count;//下面数组的大小 SOCKET fd_array[FD_SETSIZE struct timeval{ long tv_sec;//指示等待多少秒 long tv_usec;//指示等待多少毫秒 }timeval; 应用举例 1 初始化fdSocket集合，添加监听套接字句柄 2 当有事件发生的时候，select函数移除fRead中没有未决IO操作的句柄，然后返回 3 比较原来的fdSocket集合，与select处理过的fdRead集合，确定哪些套接字有未决IO并处理这些IO 4 回到2进行选择 1 CInitSock theSock;//初始化winsock库 2 int main() 3 { 4 USHORT nPort=4567;//此服务器监听的端口号 5 / ); 15 return 0; 16 } 17 //进入监听模式 18 ::listen(sListen,5); 19 20 //select模型处理过程
833100发布于 2018-01-17 DeepSeek大模型企业级部署：硬件选型解析
随着DeepSeek大模型在各行业的广泛应用，企业级部署中的硬件选型成为关键。本文将探讨DeepSeek大模型部署的硬件需求，并提供专业的选型建议。 ：多节点间高带宽通信典型应用场景：- 金融领域：实时风险评估、智能投顾- 医疗领域：医学影像分析、辅助诊断- 教育领域：个性化学习、智能评测二、硬件选型核心指标1. 计算性能- FP16性能：直接影响模型推理速度- INT8性能：决定量化模型效率2. 内存系统- 显存容量：决定可部署模型规模- 内存带宽：影响数据处理速度3. 混合精度计算- 使用FP16/INT8混合精度- 节省显存占用- 提升计算效率2. 模型压缩技术- 量化：FP16转INT8- 剪枝：去除冗余参数- 蒸馏：小模型学习大模型3. 分布式部署- 数据并行：拆分训练数据- 模型并行：拆分模型参数- 流水线并行：分层计算五、实施建议1. 分阶段部署- 第一阶段：单节点验证- 第二阶段：多节点扩展- 第三阶段：全量部署2.
83211编辑于 2025-02-27多模态大模型实战：从选型到落地指南
多模态大模型实战：从选型到落地指南 这篇文章写给正在折腾多模态大模型的开发者们，特别是那些刚接触这类模型、被各种API报价和模型能力搞得头晕的朋友。 多模态大模型到底是什么？我们为什么需要它？ 先给个简单的定义：多模态大模型就是能同时处理文本、图像、音频甚至视频的大模型。 后来换了多模态模型，一个API就能搞定。这就是它的价值——减少模型调用的复杂度和成本。 选多模态模型时，该关注哪些关键指标？ 比如DeepSeek-V3的API在图像理解上延迟大约2-3秒，而某些国产大模型可能到5秒。对于实时客服场景，这个差距就很关键了。 第三，价格。 迁移后，延迟从5秒降到2秒，准确率提升到92%。关键是API集成简单，用Token工场提供的OpenAI兼容接口，一周就上线了。成本方面，按量计费模式让他们每月节省了30%的算力费用。
11210编辑于 2026-07-03国内大模型API选型实战：别再踩坑了
国内大模型API选型实战：别再踩坑了 这篇文章写给正在做AI应用开发、或者准备接入大模型API的同行们。 我今天就结合这几年的踩坑经验，跟你聊聊国内大模型API选型时真正该注意什么。 先说个我自己的例子。去年我们团队接了个智能客服项目，客户要求支持中英文混合问答，还得实时响应。 国产大模型和国外模型到底差在哪？ 说实话，现在像DeepSeek-V3、Qwen-Max这些国产大模型，在很多中文场景下已经不比GPT-4o差。但差距主要在生态和工具链上。 多模型统一接入到底值不值得搞？ 很多团队喜欢用AI API网关或者模型网关，把多个模型统一接入。好处是方便切换，坏处是增加了一层复杂度。 我的建议是：如果你只有1-2个模型在用，别折腾；如果超过3个，可以考虑用个大模型API聚合平台，比如Token工场这类服务。
13010编辑于 2026-07-04国产大模型选型指南：避开这3个坑
国产大模型选型指南：避开这3个坑 这篇文章写给正在做AI应用落地、面临国产大模型选型困惑的你。我见过太多团队，花了几周时间测试各种模型，最后发现成本超预算、效果不匹配，甚至被API计费坑了。 今天，我们直接切入核心问题：如何高效选对模型，避免走弯路。 为什么国产大模型选型比想象的难？ 我记得几年前，大家提到大模型就是GPT-4。 IDC和Gartner最近都发布了国产大模型评测报告，比如2025年Q2的数据显示，在中文理解任务上，DeepSeek API和通义千问API排名靠前，而多模态场景下，豆包大模型API表现不错。 子问题2：多模型统一接入到底值不值得？ 如果你在做一个企业AI接入项目，比如RAG服务或智能客服API，我强烈建议你考虑大模型API聚合方案。为什么？因为单一模型总会有死角。 总结：选国产大模型的三个原则 1. 按场景匹配，别跟风。通义千问API适合中文长文本，DeepSeek-V3适合代码，豆包大模型适合多模态。2. 先测试再付费。
11200编辑于 2026-07-04国内大模型API选型困境与破局之道
国内大模型API选型困境与破局之道 说实话，这几年国内大模型API的发展速度，快得让我这个老技术人都有点跟不上。 我最早接触大模型API是在2023年，那时候国内厂商刚起步，API数量少，功能也简单。但现在呢？光国产大模型就有几十种，从百度文心一言到阿里通义千问，从腾讯混元到月之暗面的Kimi，每个都在抢市场。 Gartner 2026年初发布的报告指出，国内大模型在中文理解上已经超越国外模型，但在复杂逻辑推理上仍有差距。比如Qwen-Max在数学题上能打满分，但写代码时容易出错。 后来我建议他们用个AI API网关，把两个模型统一接入，再配置负载均衡和重试机制。 实施后，成本降低了30%，因为网关自动把简单任务路由到便宜Token的模型上。 这就是多模型统一接入的价值——你不需要自己写调度代码，网关帮你搞定。 总结与建议 选国内大模型API，别盲目追新。
10310编辑于 2026-07-01- 来自专栏千里行走
rocketmq-2：性能测试方案&压测&选型&结论
2.实际测试方案&测试结果 ? ? ? ? ? ? (2).测试机型&资源分配 全部使用阿里云的ecs.sn1ne.xlarge机型，都是4core8G，相对来说性价比最高，网络有加强，内核参数有优化，如下： ? topic：BenchmarkTest queue：1024/broker (3).相关监测数据 以测试用例BT-P&C-MSG-SIZE1024-2brokerMaster-2BrokerSlaves -0003-1为例： 2个brokerMaster, 2个brokerSlave，且broker配置为： brokerRole = ASYNC_MASTER flushDiskType = ASYNC_FLUSH (4).最终选型 机器选型： ? 磁盘选型： ?
6.1K21发布于 2019-07-03 - 来自专栏3D视觉从入门到精通
一文详解IMU模型原理和标定选型
备注：作者也是我们「3D视觉从入门到精通」特邀嘉宾：一个超干货的3D视觉学习社区 本文仅做学术分享，如有侵权，请联系删文。
1.4K21编辑于 2022-06-28 - 来自专栏爱可生开源社区
SCALE | 定标大模型 SQL 能力，让选型有章可循
演讲聚焦于当前AI大模型在数据库领域落地应用的核心痛点，深度剖析了自研产品SCALE如何通过科学、严谨的测评体系，为企业提供一套穿透“决策黑盒”的AI选型指南，引发了现场技术负责人与开发者的广泛共鸣。 许多企业在进行AI选型时，常常陷入“不知道怎么测、没成本测、信息差严重”的“决策黑盒”，最终导致项目延期或失败。 图：《SCALE：重构AI时代数据库能力的全新评估标准》PPT第10页 专业化>大而全：规避选型成本浪费 基于SCALE的海量实测数据，演讲给出了颠覆传统认知的选型建议：在SQL这一垂直专业领域，“大而全 ”的顶级通用模型未必是最优解。 图：《SCALE：重构AI时代数据库能力的全新评估标准》PPT第20页 选型新思路：从“好不好”到“能不能” 基于SCALE的洞察，周文雅为技术决策者提供了清晰的选型新思路：不应再泛泛地问“这个模型好不好
25110编辑于 2026-02-03 - 来自专栏具身小站
基于场景的AI模型BERT和CLIP选型对比
2. 训练过程：4个步骤 CLIP的训练可以概括为以下流程： 准备数据集 。使用海量的图文配对数据，例如OpenAI收集了4亿个图像-文本对。 编码 。 公式上，模型最小化对比损失函数： 其中 s 是余弦相似度，τ 是温度参数。 通过这一“推拉”过程，模型学会了让匹配的图文对在向量空间中靠近，不匹配的远离。 3. ）和 对比学习的强化作用 2 CLIP与BERT的核心区别 对比维度 BERT CLIP 设计目标 通用文本理解 图文跨模态对齐 训练任务 掩码语言建模（MLM）+ 下一句预测（NSP） 图文对比学习（ CLIP的训练方式 CLIP通过 对比学习 训练：让模型学会判断图像和文本是否匹配。这不是生成任务，而是 判别任务 ——判断图文对是真是假。 机器人视觉语言导航 解析“先走到沙发旁，再拿起遥控器”这类复杂指令 识别图像中的“沙发”、“遥控器” 多模态问答 理解问题的语义和逻辑 从图像中提取与问题相关的视觉特征 5 选型建议 如果需要处理 纯语言任务
25910编辑于 2026-03-31
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