- 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 - 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。 转机出现在9月13日的 杭州 GOSIM 大会。会上，我了解到由 清华大学和中国软件评测中心 联合发布的 ==《2025 大模型服务性能排行榜》==，而支撑这份榜单的技术平台，正是 AI Ping。 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。
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！ 这就是为什么我要强调，选型时必须做模型对比，别光看单价。 怎么用最少钱搞定国产大模型？ 说到钱，你可能第一反应是找便宜token。我懂，谁不想省钱呢？但便宜没好货这话在AI模型上特别准。 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. 四、选型评估 checklist 在进行最终的模型选型决策前，建议通过以下checklist进行评估： 模型支持的业务所需的所有模态（图片/视频/音频） 模型的文件格式支持满足业务需求 模型的文件大小限制满足业务需求 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- 来自专栏用户11599900的专栏
光模块技术解析：1×9与SFP的工程选型指南
在光纤通信系统中，光模块作为光电信号转换的核心器件，其选型直接影响网络架构的性能指标与可靠性。本文从技术维度解析1×9与SFP两类光模块的工程差异，并引入最新行业技术进展。 传输密度提升400%相干传输技术QSFP-DD ZR模块采用DP-16QAM调制，单波长实现400G 120km传输线性直驱架构（LPO）取消DSP芯片，QSFP112模块功耗较传统设计降低50%四、工程选型决策树工业场景选型路径 ：环境振动>5Grms → 选择1×9全金属封装温度循环范围>70℃ → 选择工业级宽温SFP需支持PROFINET协议 → 验证1×9的IEC 61784认证数据中心场景选型：机架密度>32RU → → 采用LPO技术的400G FR4五、可靠性验证标准振动测试：IEC 60068-2-6标准（20-2000Hz/15Grms）热冲击：GR-468-CORE（-40℃~85℃ 500次循环）寿命模型 随着光电共封装技术的成熟，传统模块选型逻辑将向系统级优化方向演进。
73010编辑于 2025-05-27 - 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。 算法优化，而识别模块不再采用CRNN，换成了IJCAI 2022最新收录的文本识别算法SVTR mmocr https://gitee.com/open-mmlab/mmocr#%E6%A8%A1%E5%9E 128910689 https://zhuanlan.zhihu.com/p/569496186 原先算法的缺陷： 1）用xywh表示位置先验信息导致训练慢 2）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
79440编辑于 2023-11-02 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？ 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？ 这个案例说明：国产大模型不是万能的，但用对了地方，能省真金白银。 选型这事，没有银弹。别信任何人的“最佳实践”，包括我写的这些。关键是你得自己去测、去算、去试。希望这篇文章能让你少走弯路。
10710编辑于 2026-07-05- 来自专栏DotNet NB && CloudNative
.NET 9性能革命：Any()已非昔日吴下阿蒙，选型策略全面更新
让我们聊聊为什么在.NET 9中这个争论变得简单多了。 旧规则(.NET 9之前) 在.NET 6-8时代，性能层级非常清晰： Exists(): List的速度之王 在1万个元素时比Any()快3-4倍 零内存分配 专门针对List/数组的优化 Any() .NET 9改变游戏规则 .NET 9运行时引入了多项有利于Any()的关键改进： 1. 基于Span的优化 改进的Span处理使Any()在可能情况下为数组和列表使用优化路径，避免完整IEnumerable枚举： // .NET 9内部实现示意 public static bool Any LINQ统一性 Entity Framework Core 9现在将两种方法转为相同SQL： -- 都转为 IF EXISTS(SELECT FROM Users WHERE IsAdmin = ).
35810编辑于 2025-08-11 - 来自专栏又见苍岚
DE-9IM 空间关系模型
DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，直接翻译为 维度扩展的 9 个相交模型，本文记录相关内容。 简介 DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，DE-9IM 模型是用于描述两个 二维几何对象（点、线、面） 之间的空间关系的一种模型 维度扩展九交模型（DE-9IM）是一种拓扑模型和标准，用于描述两个区域（二维中的两个几何图形，R2）的空间关系，在几何学、点集拓扑、地理空间拓扑、以及与计算机空间分析相关的领域。 空间关系 模型主要要描述的就是二维平面下的两个几何对象之间的空间关系。 DE-9IM 模型 DE-9IM 模型把几何对象分为 内部、边界、外部 三个部分，两个几何对象这三个部分两两之间的关系，就可以组合为一个3X3大小（就是 9 个值）的矩阵，这9个值的组合，就表示两个几何对象的空间关系
1.2K10编辑于 2024-07-04 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。 一、DeepSeek大模型部署特点DeepSeek大模型具有以下部署特征：- 模型规模：百亿至千亿参数级别- 计算需求：FP16精度下TFLOPS要求高- 内存需求：显存容量要求达到数百GB- 通信需求 ：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. 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.
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？ 很多开发者在纠结用GPT-4o API还是国产大模型，其实可以灵活搭配——关键任务用高端模型，常规任务用便宜token的模型。 另外，如果你在考虑企业AI接入的场景，建议关注多模态大模型和多模型统一接入的成熟度。比如，有些厂商提供模型网关，能自动路由到不同模型，根据任务类型选择最合适的。这能显著降低运维成本。
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。 后来才搞明白，那家服务商其实是通过大模型API聚合平台转发的，底层调用的模型版本不稳定。所以选API时别光看价格，得问清楚源模型是什么、有没有SLA保障。 怎么快速对比不同API的性价比？ 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。
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。 但现在，国产大模型生态已经爆发了——通义千问API、文心一言API、豆包大模型API、讯飞星火API，还有DeepSeek-V3、Qwen-Max等，每个模型都有自己的强项和短板。 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。 使用大模型路由工具，你可以根据任务类型自动切换模型。比如，用户问“帮我写个Python脚本”，路由到DeepSeek API；用户问“分析这张图片”，路由到多模态大模型。
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 - 来自专栏具身小站
基于场景的AI模型BERT和CLIP选型对比
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. 这是一种“填空”任务，模型必须利用上下文来理解每个词的含义。 这种训练方式让BERT学会了 深度的文本语义理解 ，在通用NLP任务上表现卓越。 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。 双向上下文建模 ：同时利用左右两侧的上下文，这是BERT相比GPT等单向模型的核心优势。 丰富的微调生态 ：有大量预训练变体（RoBERTa、ALBERT等）和下游任务微调方案。 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 - 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 - 来自专栏生信技能树
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
65620发布于 2021-10-12 - 来自专栏深度学习和计算机视觉
加速 PyTorch 模型训练的 9 个技巧
[1_CER3v8cok2UOBNsmnBrzPQ](9 Tips For Training Lightning-Fast Neural Networks In Pytorch.assets/1_CER3v8cok2UOBNsmnBrzPQ.gif 将模型的不同部分放在不同的GPU上，batch按顺序移动 有时你的模型可能太大不能完全放到内存中。 9. 多节点GPU训练 每台机器上的每个GPU都有一个模型的副本。每台机器获得数据的一部分，并且只在那部分上训练。每台机器都能同步梯度。 在.backward()上，所有副本都接收到所有模型的梯度副本。这是模型之间唯一一次的通信。 英文原文：https://towardsdatascience.com/9-tips-for-training-lightning-fast-neural-networks-in-pytorch-8e63a502f565
1.3K20编辑于 2022-02-09
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