- 综合排序
- 最热优先
- 最新优先
接入大模型不等于AI落地
企业搞AI的方向从第一步就错了——把接入大模型等同于AI应用落地。 这是JBoltAI在服务800+企业中反复观察到的现象。 买了发动机不等于造出汽车接入大模型只是AI应用的第一步，就像买了发动机只是造汽车的第一步。发动机再好，没有底盘、车身、转向系统、刹车系统，发动机就是一堆金属。 很多企业把大量精力花在"选模型、比参数"上——这家大模型参数多少亿、那家推理速度快多少、另一个上下文窗口有多大。但这些只是"发动机参数"，不是"汽车性能"。 市面上大多数企业AI项目的真实状态JBoltAI在服务800+企业的过程中，看到了太多类似的场景：场景一：选型焦虑。 花了几个月时间反复比较各家大模型，做各种评测打分。 这是JBoltAI区别于市面上其他AI工具的核心能力。写在最后接入大模型只是AI的起点，不是终点。企业AI落地的关键不是"谁的大模型更聪明"，而是"谁的企业AI体系更完整"。
600编辑于 2026-07-07- 来自专栏AI专栏
论AI大模型的落地实践与思考
(开玩笑)本文探讨一下AI给当下业务能够带来哪些流程化工程化的价值AI落地模型分类虽然模型种类有很多，但是在笔者看来主要的逻辑经验为以下两类：模型训练与RAG+AI处理模型训练核心：将某一个重复性动作 AI遵守什么样的流程规范经典案例:针对于模型训练，公司内已经有很多主流的落地实践经验1) 腾讯会议小助手:功能定位：高效总结会议纪要，回答会议内问题这里我们可以发现，它针对于用户输入问题，能够给出非常简要的回答 , "output": "晋江南音演唱节"}总结分析以上简单分析了两个AI模型落地的经验，总结看来，如果要将模型训练落地到业务，首先要明确几个要点：1、完成动作：是否为重复性的简单行为，例如文段提取，文本校验等等 AI能力边界，实现方法很简单粗暴，再做一个AI助手而AI的发展脉络，笔者认为是这样的：AI只能给一个问题答案 → AI能够回答一类问题 → AI能够回答所有问题 → AI助手落地某一个应用 → AI团队互相协作 ，但是一定要会用AI，从提升自己的编码效率，到落地应用给业务赋能等，一定要通过AI提升自己的核心竞争力对于产品人员：提升应用AI的敏锐洞察力，我见过很多AI落地的经验，例如百果园落地AI，实现AI销冠：
78010编辑于 2025-08-26 - 来自专栏个推技术实践
AI大模型迈入应用时代，每日互动推动“可控大模型”落地
ChatGPT的推出引爆了一场波及全球科技领域的“AI飓风”，越来越多的企业入局大模型赛道，推动AI全面迈进应用时代。 通过与行业知识结合，大模型能从海量的数据中提取出有价值的信息，为业务决策提供智能支持，但现阶段大模型缺乏对价值观的判断。在实际的业务场景中，垂直行业更需要“可控大模型”。 面对大模型热度的持续狂飙，很多企业跃跃欲试，希望在发展和应用大模型的道路上抢占先机。 然而在实际落地大模型的过程中，企业发现目前的大模型多是通用大模型（GLM），这些通用大模型未经过相应专业领域知识的系统性训练和学习，无法很好地满足垂直领域的专业需求；而如果考虑结合所在行业的细分需求、专业 每日互动正是基于DMP的闭环路径开展可控大模型的行业落地实践，把大模型“大脑”的能力输出给各行各业使用，并结合行业客户的应用反馈持续进行大模型的训练迭代。
77720编辑于 2023-06-20 - 来自专栏AI科技评论
大模型「进化手册」：AI 原生应用该如何落地？
从开发、产品落地到商业化，企业需要的服务在百度智能云里闭环了。 作者 | 黄 楠 编辑 | 陈彩娴 狂奔两百多天后，大模型战役进入了第二幕。 据 AI 科技评论观察，大模型应用的落地有两堵围墙： 其一，许多企业虽然希望借助 AI 原生应用来解决过往业务中的难题，但由于信息的快速迭代和交互壁垒，他们并没有很好的路径得以了解、触达到已经诞生的大模型应用 其二，对于缺少技术培训赋能、资本及产业落地支持的初创企业，百度智能云推出了 AI 加速器。 更重要的是，面向客户落地大模型的五类需求，百度智能云基于千帆大模型平台打造的“大模型超级工厂”给出包括AI原生应用开发平台在内的全套服务方案。 同时推出大模型全链路生态支持体系，加速企业 AI 原生应用落地和商业化。 接下来的竞赛，不再是局限于大模型的追逐，更是如何对应用产品进行自我优化、革新。
84220编辑于 2023-10-24 AI大模型算法-从大模型原理剖析到训练(微调)落地实战
这些大模型不仅能够理解和生成高质量的自然语言文本，还能适应多种下游任务，极大地推动了AI技术的落地应用。然而，大模型的训练和微调涉及复杂的算法、庞大的计算资源和精细的优化策略。 本文将从大模型的基本原理出发，深入剖析其核心算法，并探讨如何在实际业务中进行训练和微调，最终实现AI大模型的落地应用。2. 大模型的落地挑战与解决方案4.1 计算资源限制大模型的推理成本高昂，解决方法包括：模型量化（Quantization）：将FP32模型转换为INT8或INT4，减少计算开销。 未来展望随着AI技术的演进，大模型的发展趋势包括：多模态大模型（如GPT-4V、PaLM-E）融合文本、图像、视频等多种模态。更高效的训练方法（如MoE架构、稀疏训练）降低计算成本。 AI民主化：开源社区（如LLaMA、Falcon）推动大模型普及。6. 结论AI大模型正在重塑人工智能的应用范式，从原理到落地涉及算法、数据、计算资源等多方面挑战。
2.7K20编辑于 2025-07-07AI大模型算法-从大模型原理剖析到训练(微调)落地实战
AI大模型算法：从原理剖析到训练微调落地实战全景指南我们正站在一个历史性的拐点上。以ChatGPT、GPT-4、Llama、文心一言等为代表的AI大模型，正以前所未有的力量重塑各行各业。 然而，对于大多数企业和开发者而言，从头开始训练一个千亿级参数的大模型是遥不可及的。真正的价值在于——如何深入理解其原理，并掌握对现有大模型进行定制化训练（微调）的能力，让其为我所用，解决实际业务问题。 一、 核心概念：什么是大模型？为什么需要微调？大模型：通常指基于“Transformer”架构、在海量多源数据上训练而成的、参数规模达到数十亿乃至数千亿的深度学习模型。 四、 落地实战篇：手把手构建你的第一个行业大模型理论最终需要付诸实践。一个典型的微调落地流程如下：第一步：明确任务与数据准备定义任务：是要做文本分类、问答、对话生成还是代码补全？ 现在，就从选择一个开源模型（如Llama 2-7B）和一个具体的任务（如构建一个IT运维知识问答机器人）开始你的大模型实战之旅吧！
1.3K11编辑于 2025-08-28盘古大模型落地：企业AI接入的务实之选
盘古大模型落地：企业AI接入的务实之选 最近跟几个做企业级AI应用的朋友聊天，发现一个普遍痛点：大模型API选型太纠结了。 我之前帮一个制造业客户做AI接入评估，他们想用大模型做设备故障预测。我们对比了盘古大模型、DeepSeek-V3和GPT-4o API。 最后我们建议客户用盘古做核心推理，用GPT-4o做辅助输出，通过大模型路由策略动态切换。这种多模型统一接入的方案，其实就是AI API网关的典型应用——Token工场的技术架构就支持这种灵活调度。 盘古大模型在企业AI接入中的实战价值 说了这么多，盘古大模型到底适合谁？我总结三个典型场景。第一，制造业质检——盘古的视觉模型在缺陷检测上表现优异，配合算力租赁模式，成本可控。 先搞清楚自己的AI模型选型需求，再结合API价格对比和模型对比，找到最适合的组合。 希望这篇文章能帮你在盘古大模型的落地路上少走弯路。如果你有具体问题，欢迎在评论区交流。
9610编辑于 2026-07-05- 来自专栏服务端技术杂谈
如何实现大模型后训练帮助AI在企业落地
当前产业共识是，大模型后训练不再是简单的模型优化，而是AI落地的必经之路。 企业需要将通用基座模型，训练成深度理解自身业务、具备领域知识、能执行复杂策略的智能引擎。 首先通过模型自动过滤掉不合规、回答错误的数据，然后利用大模型自动校正文本中的错别字、口语化、重复的表达，大幅减轻人工校对的成本。 再对人工话术进行润色和优化，提升话术质量。 2、Model：选择合适的基座模型，降低工程门槛； 比如选择千问模型，其尺寸广泛满足不同场景对于成本和性能的需求。 再用海量高质量数据对千问大模型进行预训练，使其具备强大的内容理解能力。 最后，蒸馏到一个更轻量级的模型上。 这样既获得了大模型的效果，又可以更低的成本实现业务效果。 AI在企业中的落地，来自于如何用好企业独有的场景、数据和业务的理解。
28510编辑于 2026-03-11 盘古大模型：企业级AI落地的务实选择
盘古大模型：企业级AI落地的务实选择 最近大半年，我身边不少做AI应用的朋友都在纠结一个问题：大模型这么多，到底该用哪个？ 这篇文章我就想聊聊我自己的观察——盘古大模型在企业级场景里到底能干什么、怎么用，以及它跟其他模型比有什么坑要避开。如果你也在为企业AI接入头疼，这篇可能会给你一些实在的参考。 盘古大模型是什么？ 企业用盘古大模型，到底能解决哪些具体问题？ 我接触过的案例里，最常见的是三件事：智能客服、文档分析和流程自动化。拿智能客服API来说，很多企业想用AI提升效率，但通用模型回答经常答非所问。 这里提一句，如果你需要一站式对比多种模型，可以关注一些AI API聚合平台，比如Token工场，它能把盘古、通义、Claude 4 Sonnet等接口统一管理，省去挨个对接的麻烦。 盘古大模型的实际效果如何？用一个案例说话 去年我给一家物流公司做过咨询，他们想用AI自动处理运输异常报告。原来靠人工，每天300份报告，每份10分钟，还经常漏掉关键信息。
11310编辑于 2026-07-05- 来自专栏AI科技评论
大模型「进化手册」：AI 原生应用该如何落地？
从开发、产品落地到商业化，企业需要的服务在百度智能云里闭环了。 作者 | 黄 楠 编辑 | 陈彩娴 狂奔两百多天后，大模型战役进入了第二幕。 据 AI 科技评论观察，大模型应用的落地有两堵围墙： 其一，许多企业虽然希望借助 AI 原生应用来解决过往业务中的难题，但由于信息的快速迭代和交互壁垒，他们并没有很好的路径得以了解、触达到已经诞生的大模型应用 其二，对于缺少技术培训赋能、资本及产业落地支持的初创企业，百度智能云推出了 AI 加速器。 更重要的是，面向客户落地大模型的五类需求，百度智能云基于千帆大模型平台打造的“大模型超级工厂”给出包括AI原生应用开发平台在内的全套服务方案。 同时推出大模型全链路生态支持体系，加速企业 AI 原生应用落地和商业化。 接下来的竞赛，不再是局限于大模型的追逐，更是如何对应用产品进行自我优化、革新。
45930编辑于 2023-10-24 2026大模型备案落地指南
大模型登记：纯API调用型AI应用核心技术特征：项目全程不触碰大模型权重、不进行模型训练与微调、不修改底层算法架构。 技术落地优势：无需投入人力编写模型算法评估报告、数据集合规说明等专业文档，无国家级技术复审环节，无需改造模型底层，开发与合规成本最低，是轻量化AI应用的主流合规方案。 大模型备案：自研/二次改造型AI应用核心技术特征：只要对大模型进行底层改造，均需走备案流程。 适配开发场景：行业定制专属大模型、私有化部署AI系统、企业专属微调模型、具备模型迭代优化能力的AI平台级产品。 、数据集说明、算法安全评估报告审核核心重点接口调用合规性、应用层风控落地有效性模型算法安全性、训练数据合规性、迭代安全机制整体落地周期3-4个月，适配快速上线需求6-8个月，适配深度定制项目大模型登记：
75710编辑于 2026-05-22- 来自专栏机器之心
大模型进入「落地战」，腾讯云下手「行业」大模型
正如每项落地的 AI 技术一样，作为使用者，企业首先清楚自身行业需求，然后将这些需求转化为大模型解决的课题，这其中不能一概而论，也是大模型最终能否为企业带来效益的先决条件。 一站式 MaaS 服务 为企业减负 在利用 AI 技术的方式上，我们经历了多轮迭代。过去几个月，模型即服务（MaaS）的概念成为主流，被认为是加速实现大模型技术及 AI 应用落地产业的重要途径。 大模型进入「落地战」 自 ChatGPT 发布的这段时间以来，大模型成为了绕不过去的话题，很多厂商都在发力，希望训练出一个类似 ChatGPT 的通用 AI。 腾讯云，背靠腾讯优图实验室、腾讯 AI Lab 等顶级实验室的产品和技术能力，加上自身多年产业实践经验，提供了从底层算力、算法开发、AI 应用到全场景数智化的四级全链条服务，全力推动行业大模型落地。 此外，我们了解到，面向更广泛、更多样化的产业落地需求，腾讯云未来将继续依托算力算法创新、更弹性的算力部署、更深入的场景融合、更开放的 AI 生态，让包括大模型在内的 AI 变得「唾手可得」，把行业的实际需求作为技术发展的驱动力
1.7K40编辑于 2023-08-07 - 来自专栏澜舟科技 NLP
大模型落地实践：同花顺大模型技术应用及优化
文内从业务角度介绍了大模型技术在同花顺业务上的应用以及未来探索的方向。众所周知，大模型参数量大，通用能力强，综合性能好。 但在同花顺业务场景中最初使用大模型的时候，发现用大模型的效果与传统方法差距不大，甚至有时候逊于原先传统的方法。 所以最初在业务角度并不够重视，然而近期随着大模型技术的快速发展，我们也在逐步尝试将大模型在业务中落地，目前大模型在自然语言处理相关的业务里都取得了比传统模型更优的效果，下面详细介绍相关工作。 确实在我们的业务模型里，规则占比非常大，也是因为涉及用户财产问题，技术上会比较保守。下面具体介绍问答系统里大模型应用的经验和取得的成果。 目前通用语义识别方面大模型的效果已经慢慢显现了。
3.2K20编辑于 2022-08-11 2026 AI 元年：大模型到智能体的技术落地革命
摘要2026年被公认为AI元年，核心标志是AI发展重心从大模型的理论探索转向智能体的规模化落地。 目录一、序章：2026AI元年的核心标志——从大模型到智能体的跃迁二、技术演进：大模型到智能体的四大核心能力突破三、产业落地：智能体赋能多行业的转型实践四、革命内核：从大模型到智能体的三大落地逻辑变革五 、挑战与破局：规模化落地的核心路径六、未来趋势：2026年后智能体发展方向七、结语八、FAQ九、参考文献一、序章：2026AI元年的核心标志——从大模型到智能体的跃迁2026年，AI产业正式迈入“元年” 安全化：强化数据安全、模型安全技术防护，完善伦理规范与监管体系，保障健康发展。七、结语2026AI元年的智能体落地革命，是大模型技术沉淀的必然结果，实现了AI从“理解”到“行动”的关键跨越。 因这一跃迁实现AI从被动辅助到主动行动的质变，让AI真正融入产业全流程，重构应用逻辑并推动全域普及，是AI进入规模化落地阶段的核心特征。2.智能体与大模型的核心区别是什么？
5.8K10编辑于 2026-01-29- 来自专栏深度学习与python
企业落地 AI 大模型，一个 DeepSeek 远远不够
这一优势对中小企业尤其友好，能够加速 AI 大模型在企业应用场景中的落地。 模型思考，深度如人：R1 模型是一个深度思考模型，不仅提供问题的答案，还展示了推理过程，类似于数学题的解题步骤。 最终目标是让大模型在企业应用场景中落地，帮助企业实现增收降本和提升办公效率。 客户需求和市场需求的变化正在深刻地引导整个 AI 市场格局的演变，尤其是 ToB（企业服务）领域。 这种大模型的通用能力与小模型的专业能力相结合，将有力推动企业 AI 的落地应用。 这些行业对 AI 技术的需求大，市场空间广阔，但同时也面临着较高的开发成本和门槛。通过我们提到的技术落地方案，如模型微调、数据蒸馏等，结合平台工程能力，可以大幅降低开发门槛，释放行业潜力。 InfoQ：神州数码是否有已经落地的金融大模型相关应用，或者在这一领域有什么研究方向？ 谢国斌： 在金融领域，我们已经有了一些大模型的应用案例。
56610编辑于 2025-03-03 - 来自专栏科技云报道
大模型进化论：AI产业落地将卷向何方？
回顾2024年大模型产业发展，我们看到了一条逐渐清晰的演进路径：低成本降低了大模型落地的门槛；AI Agent提供了大模型绝佳的应用方式；多模态直接拓宽了大模型的能力边界，这一切都为大模型产业落地按下了加速键 如果说“成本、AI Agent、多模态”三个关键词，代表着2024年大模型的进化方向，那么它们也代表着大模型迈向产业落地的关键节点。 随着新一年的到来，这一发展趋势是否会在2025年延续下去？ 大模型产业落地又将卷向何方？ 成本 打通大模型落地的卡点 过去一年，大模型来到了更务实的落地阶段，但落地始终绕不过一个卡点——成本。 AI Agent 大模型应用的场景化突破 伴随AI产业竞争进入“落地赛”的下半场，业界将目光从模型本身投向了AI应用。 展望2025年多模态大模型的发展趋势，或许可以用一句话来总结：离幻觉更远，离落地更近。 AI落地 从产业到行业 过去一年的激荡，让人们充分感受到，2024年是大模型改变世界的一年。
32900编辑于 2025-03-04 AI大模型算法：从原理剖析到训练（微调）落地实战
AI大模型算法：从原理剖析到训练（微调）落地实战在人工智能技术快速迭代的浪潮中，基于Transformer架构的大语言模型已成为推动行业变革的核心引擎。 本文将从底层算法原理出发，系统剖析大模型的训练机制，并深入探讨从通用模型到垂直领域落地的微调实战路径。 四、 落地部署与优化：平衡性能与成本在实际应用中，模型部署需综合考量性能、延迟与资源消耗：量化与剪枝技术：量化技术（如将FP32权重转为INT8）可减少存储需求并提升3-4倍推理速度，精度损失通常小于1% 检索增强生成（RAG）：结合外部知识库，通过向量检索相关文档片段作为模型输入的上下文补充，有效解决大模型的幻觉问题，提升回答准确性。 总结：AI大模型的落地并非一蹴而就，而是“算力-数据-算法-应用”的完整闭环。开发者与企业应优先掌握LoRA等高效微调技术，结合RAG与量化部署策略，在控制成本的前提下，持续探索垂直领域的商业价值。
12200编辑于 2026-06-27- 来自专栏深度学习|机器学习|歌声合成|语音合成
java落地AI模型案例分享:xgboost模型java落地
xgboost模型java落地 1. 看到这里可能有些读者会头晕了，这么多公式，我在这里只做一个简要式的讲解，具体的算法细节和公式求解请查看这篇博文，讲得很仔细：通俗理解kaggle比赛大杀器xgboost XGBoost的核心算法思想不难 GBDT在模型训练时只使用了代价函数的一阶导数信息，XGBoost对代 价函数进行二阶泰勒展开，可以同时使用一阶和二阶导数。 input_data) output = load_and_run_onnx_model(model_path, input_data) print(output) 6. java推理 import ai.onnxruntime java推理onnx模型
1.8K10编辑于 2024-10-01 - 来自专栏啄木鸟软件测试
大模型测试落地实践深度解读
引言：当大模型从实验室走向产线，测试不再是‘验证功能’，而是‘守护智能边界’ 2024年，国内超73%的头部科技企业已将大模型集成至核心业务系统——客服对话引擎、金融风控决策链、医疗报告生成平台……然而 这些并非算法缺陷，而是测试体系与大模型特性严重错配的结果。本文基于啄木鸟软件测试团队服务12家AIGC企业的实战沉淀，系统拆解大模型测试从‘不可测’到‘可度量、可追溯、可治理’的落地路径。 一、为什么传统测试范式在大模型面前集体失灵？ 传统测试依赖确定性输入->确定性输出的契约，而大模型本质是概率性生成系统。我们曾协助某银行测试其信贷问答大模型，发现：同一问题‘逾期会影响征信吗？’ 三、工程化落地：从‘手工探查’到‘流水线治理’ 某AI医疗创业公司曾用人工抽检方式测试模型，日均覆盖＜200条case，漏检率高达61%。 当测试从质量终点站前移到价值创造链路，它就真正成为了大模型规模化落地的‘信任基建’。下一站，我们将探索‘测试即文档’——让每次测试用例自动生成模型能力说明书，让业务方读懂AI的边界与善意。
19210编辑于 2026-06-08 - 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
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