- 综合排序
- 最热优先
- 最新优先
Token计量与费用归因体系设计
二、成本失控的根因分析根因一：计量颗粒度太粗传统IT成本计量以“实例”或“账号”为单位。但AI成本是以“Token”为单位的——每次调用消耗数百到数千Token，单价低、频次高、总量大。 没有精细化的Token计量，就无法回答“谁、什么时候、用什么模型、花了多少Token”。根因二：缺少多维度归因能力一个Token消耗背后涉及多个维度：哪个部门？市场部还是研发部？哪个项目？ 设计要点：要点一：统一计量口径不同模型的Token计价方式不同（有的按输入+输出分别计费，有的按总Token计费）。 计量系统需要：统一采集每次调用的输入Token数、输出Token数记录模型名称、调用时间、响应耗时保留原始请求和响应（用于审计和复盘）要点二：实时计量流采用流式计量架构：模型调用完成 → 异步写入计量队列计量消费者聚合数据 计量系统按标签维度聚合成本，生成多维度报表。归因查询示例（纯文本格式）：查询1：市场部本月花了多少Token？查询2：按场景分布（客服 vs 文案 vs 代码）查询3：哪个用户调用最频繁？
30410编辑于 2026-05-12- 来自专栏机器学习与统计学
【R语言经典实例3】计算基本统计量
问题 如何使用R软件计算下列统计量：均值、中位数、标准差、方差、协方差和相关系数。 R软件中，用简单的函数便能完成标准差和其他基本统计量的计算。 一般来说，函数参数是一个数值向量，而函数返回计算出的统计量： > x <- c(0,1,1,2,3,5,8,13,21,34) > mean(x) [1] 8.8 > median(x) [1] 4 > cor函数以及cov函数分别计算两变量间的相关系数与协方差： > x <- c(0,1,1,2,3,5,8,13,21,34) > y <- log(x+1) > cor(x,y) [1] 0.9068053 某个变量中的一个缺失值就有可能导致函数返回NA结果，甚至可能造成计算机在计算过程中报错： > x <- c(0,1,1,2,3,NA) > mean(x) [1] NA > sd(x) [1] NA 虽然
2.4K20发布于 2019-04-10 Token 计量与费用归因体系的设计
大模型调用的成本有几个特殊性：· 按量计费，弹性大：一个写得差的 prompt 可能比写得好的多用 3 倍 token，成本差异完全不透明· 多项目共用 Key：研发、运营、客服都在用同一套 API 2.1 归因维度要做有意义的费用报告，至少需要以下几个归因维度：计量记录（每次 LLM 调用）：{ 'timestamp': '2026-03-15T10:23:45Z', 'model': ' token 比，比值异常往往意味着 prompt 设计有问题四、降低成本的工程手段4.1 Prompt 压缩input token 是成本的大头。 合同漏洞率下降了多少，转化为潜在风险规避价值· 处理量提升：客服智能体上线后，单位时间处理的工单数量提升了多少背景参考 在我们接触的企业里，没有做成本归因体系的团队，AI 月均花费往往比预期高出 2-3 ZGI（zgi.cn）的费用管控模块提供了从计量、归因到预算预警的完整体系，支持按部门独立预算管理。
75810编辑于 2026-03-26- 来自专栏全栈程序员必看
matlab空间计量模型AIC和SC,空间计量模型
第二列(value)是各个统计量的值，比如LM lag就是统计量等于0.238，服从自由度为1的卡方分部。下面的差不多。 第三列(Prob)应该是对应的P value。
81940编辑于 2022-11-01 - 来自专栏PyStaData
计量笔记 ｜ 异方差
---- 【问题】为什么 LM 统计量是 呢? 在大样本中， 与检验整个方程显著性的 F 统计量渐近等价。 * 3.怀特检验 estat imtest, white // imtest: information matrix test(信息矩阵检验) 3. 假设已把 ${\hat \sigma_{i}^2}_{i=1}^n$ 存储在变量 var 上，可通过如下 Stata 命令来实现 WLS ： */ reg y x1 x2 x3 [aw=1/var] */ * 3.怀特检验 estat imtest, white // imtest:information matrix test(信息矩阵检验) /*结果解读： p值(Prob>chi2)等于 0.0000 假设已把 ${\hat \sigma_{i}^2}_{i=1}^n$ 存储在变量 var 上，可通过如下 Stata 命令来实现 WLS ： reg y x1 x2 x3 [aw=1/var] 其中，“
7.8K20发布于 2021-03-05 - 来自专栏机器学习与统计学
【温习统计学】无偏估计量、相合估计量
无偏估计量，数学期望等于被估计的量的统计估计量。 设^θ(X1,X2,…,Xn)是θ的估计量，若E(^θ)=θ，对一切θ∈Θ，则称^θ为θ的无偏估计量，否则称为θ的有偏估计量。 估计量的一种大样本性质:当样本容量n充分大时,估计量可以以任意的精确程度逼近被估计参数的真值。设n＝T (X1,X2,…,Xn)是未知参数θ∈Θ的估计量,其中Θ是θ的值域。
6K30发布于 2019-04-10 - 来自专栏机器学习与统计学
【计量经济学名词】3协方差分析
协方差分析（analysis of covariance）是关于如何调节协变量对因变量的影响效应，从而更加有效地分析实验处理效应的一种统计技术，也是对实验进行统计控制的一种综合方差分析和回归分析的方法。
1.7K30发布于 2019-04-10 - 来自专栏PyStaData
计量笔记 ｜ 拟合优度
（图片来源：古扎拉蒂《计量经济学精要》（第 4 版）） 如上图所示，将 的总变异（TSS）分解为两部分，可以被回归分解（ESS） + 未被回归分解（RSS）。 自由度是指当以样本的统计量来估计总体的参数时，样本中独立或能自由变化的数据的个数，称为该统计量的自由度。通常为 。 比如，若存在两个变量 ，而 那么自由度为 1 。 计量经济学导论（第 5 版）[M]. 北京: 中国人民大学出版社. [2] 陈强, 2015. 计量经济学及 Stata 应用[M]. 高等教育出版社. [3] 达莫道尔·N·古扎拉蒂, 道恩·C·波特, 2010. 经济计量学精要（第 4 版）[M]. 机械工业出版社. [4] 李·C·阿迪金斯, 卡特·希尔, 2015. 应用 Stata 学习计量经济学原理（第 4 版）[M]. 重庆：重庆大学出版社.
6.8K30发布于 2021-04-13 - 来自专栏YoungGy
ISLR_t统计量
mean inference for comparing two independent means inference for comparing two paired means 回顾 之前讲了Z统计量 Z统计量的总体逻辑是：假设H0成立，建立群体均值的正态分布。正态分布的均值是总体均值，标准差是σ/n−−√\sigma /\sqrt{n}，σ\sigma一般用ss估计。
96850发布于 2018-01-02 - 来自专栏DearXuan的博客文章
算法基础-顺序统计量
顺序统计量 将长度为 n 的数组升序排序后，则第 i 个位置的数字是该数组的第 i 小的量，称之为第 i 顺序统计量 数组最小值是第1个顺序统计量，最大值是第n个顺序统计量，中位数(又称下中位数)是第⌊ n)取到最小值，即k1=2 得到上述结果的前提是事先定义好了min和max的初值，但是实际应用中我们可以根据数组动态调整初值，如果长度为偶数，则先比较前两项，大的作为max，小的作为min，共比较(3n = a[1]; }else{ min = a[1]; max = a[0]; } //从a[2]和a[3] 开始比较，i为3 i = 3; }else{ //当长度为基数时，将最大值和最小值都设为a[0] min = max = a[0]; 如果想要找到数组里的第 i 顺序统计量，也就是第 i 小的数字，通常的办法是把整个数组排序，然后直接取出对应位置的数字。
1.1K60编辑于 2022-01-31 - 来自专栏技术学习笔记
因果推断常用计量方法
观测结果Y_i = Y_i(0) + [Y_i(1) - Y_i(0)] \times D_i 3. 干预效应(Treatment Effect)：干预问题的基础是量化干预效应，常用的计量指标包括: (1). 因此直接对整体计量时，相关关系与因果关系是相悖的。使用相关关系刻画因果关系时，应该控制混淆变量(例如按年龄段分组)，用来消除虚假的因果关系。 常用计量方法 随机对照试验 因果推断的一条黄金法则：随机对照试验(AB测试) 是确定因果关系最可靠的方法 [3]。 常用于计算复杂随机变量的方差、标准差等统计量，从而简化概率推断的计算过程。
1.6K34编辑于 2025-02-09 - 来自专栏接口自动化测试平台
SpringBoot结合Sa-token实现权限认证（3）
-- Sa-Token 权限认证，在线文档：https://sa-token.cc --><dependency> <groupId>cn.dev33</groupId> <artifactId >sa-token-spring-boot-starter</artifactId> <version>1.34.0</version></dependency>2、然后配置sa-token相关的参数 ：sa-token: # token名称 (同时也是cookie名称) token-name: token # token有效期，单位s 默认30天, -1代表永不过期 timeout false时每次登录新建一个token) is-share: true # token风格 token-style: uuid # 是否输出操作日志 is-log: true3 、Sa-Token 提供了扩展接口可以把token和session信息存储在Redis中，这里就按照文档集成进来，引入依赖<!
2.6K80编辑于 2023-05-17 - 来自专栏生物信息与临床医学专栏
关于F统计量的澄清
在往期推送中，米老鼠和大家介绍过评价弱工具变量偏倚的策略------孟德尔随机化之F统计量。 从上表中我们不难看出，随着均分的子队列数目增加，观察性估计量比较稳定，2SLS和LIML的估计值和实际观察值越来越接近，但是每个子队列的平均F统计量在不断减少。 也即说明，等分的子队列数目越多，工具变量估计值越接近真实值，但这时候F统计量可能是比较小的。 从上表中我们不难看出单纯依靠F统计量大于10来判断弱工具变量偏倚是不可靠的，当然我们这里并不是否认F统计量的作用，在实际研究中，F统计量越大，确实偏倚会小，但不能拿F大于10作为“金标准”。 IntJ Epidemiol. 2011 Jun;40(3):755-64. doi: 10.1093/ije/dyr036. Epub 2011 Mar 16.PMID: 21414999.
3.2K21编辑于 2022-08-21 - 来自专栏YoungGy
统计简单学_常用统计量
连续型数据特征 数据特征值的应用 经验法则 盒须图 连续型数据特征 集中趋势 平均数 中位数(群体η\eta，样本X̃ \tilde{X}) 众数 选择：当群体中有离群值时，使用中位数或者众数，
92540发布于 2019-05-27 - 来自专栏GiantPandaCV
解析 Token to Token Vision Transformer
3), stride=(2, 2), padding=(1, 1)) self.soft_split2 = nn.Unfold(kernel_size=(3, 3), stride * 3 * 3, in_dim=token_dim, num_heads=1, mlp_ratio=1.0) self.project = nn.Linear(token_dim * 3 * 3, embed_dim) elif tokens_type == 'performer': ... transpose(1, 2) # final tokens x = self.project(x) return x 首先设置三个划窗大小分别为7x7, 3x3 , 3x3的Unfold操作，和两个Token Transformer模块。
8.1K10发布于 2021-03-11 - 来自专栏用户8955222的专栏
计量模型 | 前定变量#时间FE
最近在某年会的学术汇报上看到一篇DID实证论文，不过作者构建的计量模型比较特别。这篇文章的基本财务数据来自工企数据库，但却用于评估2017年实施的某项政策的政策效应。
1.2K20发布于 2021-11-10 - 来自专栏PyStaData
计量笔记 ｜ 简单线性回归
* PRF 和 SRF：蒙特卡罗模拟 clear set obs 30 set seed 10101 gen x = rnormal(3, 4) gen e = rnormal(0, 9) gen y 2^2)$，扰动项 $\epsilon_i ~ N(0,3^2)$，样本容量为 30 。 */ clear set obs 30 set seed 10101 gen x = rnormal(3, 4) gen e = rnormal(0, 9) gen y = 1*x + e reg 计量经济学及 Stata 应用[M]. 高等教育出版社. 古扎拉蒂, 波特, 2010. 经济计量学精要[M]. 机械工业出版社. 杰弗里·M·伍德里奇, 2015. 计量经济学导论（第五版）[M]. 北京: 中国人民大学出版社.
4.7K42发布于 2021-03-05 因果推断常用计量方法
模型：���=�0+�1Treatment�+�2Post�+�3(Treatment�×Post�)+���Yit=β0+β1Treatmenti+β2Postt+β3(Treatmenti ×Postt)+ϵit其中，�3β3 是处理效应。 3. 回归不连续设计 (Regression Discontinuity Design, RDD)原理：利用某个变量（如考试分数、收入水平）的阈值来划分处理组和对照组，假设在阈值附近个体特征相似。
81810编辑于 2025-02-21- 来自专栏从零开始学自动化测试
httprunner学习3-extract提取token值参数关联
前言 如何将上个接口的返回token，传给下个接口当做请求参数?这是最常见的一个问题了。 解决这个问题其实很简单，我们只需取出token值，设置为一个中间变量a，下个接口传这个变量a就可以了。 那么接下来就是解决两个问题： 如何取出token值？ 如何参数关联？ 场景案例 我现在有一个登陆接口A,登陆成功后返回一个token值。 参数：Authorization: Token xxxxx login token xxxxx 先不带token去访问接口B，使用命令行工具httpie测试接口 C:\Users\dell>http http 提取登录接口返回的token值，使用extract提取器 extract: - token: content.token 下个接口的用例引用token参数使用$token,完整的用例test_info.yml $token # 引用token validate: - eq: [status_code, 200] - eq: [headers.Content-Type, application
2.1K40发布于 2019-09-24 - 来自专栏全栈程序员必看
小米 token(token在哪里获取)
小米设备token获取&HomeAssistant安装部署 小米智能设备token获取 miIO-discovery获取token与控制 app直接token获取 DB获取token 开源智能家居平台HomeAssistant 该库需要安装在Python3.5以上版本，首先搭建Python环境： 安装Python3.5依赖（本机存在的会忽略） sudo apt-get install build-essential libsqlite3- dev sqlite3 bzip2 libbz2-dev libssl-dev openssl libgdbm-dev liblzma-dev libreadline-dev libncursesw5- DB获取token 第1步，获取一部安卓手机的root权限 第2步，安装米家app并登录账号 第3步，进入/data/data/com.xiaomi.smarthome/databases 有开源或开放的各种智能软件（人脸识别、车牌识别文字识别、文字转语音、语音转文字等）、有各种联动机制（短信、Email等） 安装部署HomeAssistant 安装HomeAssistant pip3
10.7K10编辑于 2022-07-29
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