- 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？ 一个业务上线不当，Token消耗可能在几小时内翻倍。如果成本可见性是“T+30天”，等发现问题时，预算已经超了。三、Token计量体系设计核心目标： 每一次模型调用，都能回答“花了多少Token”。 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
30510编辑于 2026-05-12Token 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 无法拆分到各业务线· 用量行为难预测：某个员工突然开始用 AI 批量处理数据，当月成本暴增，事后才发现· 模型价格不一致：GPT-4o 和 GPT-4o-mini 单价差 20 倍，但用户选择模型往往没有约束二、计量体系的设计 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。 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- 来自专栏我爱计算机视觉
8个token能学到什么？谷歌提出《TokenLearner》，用8个token就可以达到优于数百个token的结果！
关注公众号，发现CV技术之美 本篇文章分享论文『TokenLearner: What Can 8 Learned Tokens Do for Images and Videos?』 ，谷歌提出《TokenLearner》，用 8 个 token 就可以达到优于数百个 token 的结果！ 更具体地说，对于图像，当插入8-16个token作为中间表示（而不是保留200∼500个）时，可以显著减少ViT的计算预算。 类似地，对于视频识别，本文在三个具有挑战性的数据集上显示了比最新技术更高的性能，同时每帧仅使用8-16个中间token。 对于TokenLearner，这些后续层只需要处理少量的token（例如，8而不是1024），这显著减少了计算量，因为它们与token数量成二次关系。
1.2K20编辑于 2022-09-01 - 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
1.2 异方差的后果 存在异方差的情况下： 估计量无偏：用 OLS 估计所得参数估计量 仍具有无偏性，即 。 ---- 【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。 计算 F 统计量或者 LM 统计量并计算 p 值。（前者使用 分布，后者使用 分布）。如果这个 p 值很小，即低于选定的显著性水平，那么就拒绝同方差性的原假设。 )，即在完成估计后所计算的后续统计量。 计量经济学导论（第五版）[M]. 北京: 中国人民大学出版社.
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python3
忘记token怎么加入k8s集群
一、概述 新版本的k8s，初始化生成的token，只有24小时。 超过时间，就得需要重新生成token，为了避免这种情况，直接生成永久的token 二、操作步骤 1.生成一条永久有效的token kubeadm token create --ttl 0 查看token # kubeadm token list TOKEN TTL EXPIRES USAGES authentication,signing <none> system:bootstrappers:kubeadm:default-node-token 2cc3029123db737f234186636330e87b5510c173c669f513a9c0e0da395515b0 3.node节点加入 kubeadm join 10.167.11.153:6443 --token
1.9K20发布于 2020-03-11 - 来自专栏charles的技术博客
简单理解k8s资源限制参数中cpu计量单位
单位m：CPU的计量单位叫毫核(m)。一个节点的CPU核心数量乘以1000，得到的就是节点总的CPU总数量。如，一个节点有两个核，那么该节点的CPU总量为2000m。 0.1个核除总核数量2就是5%了，0.2个核除总核数2就是10% 示例三： 如下图，如果k8s启用了prometheus监控系统，那么下图表示限制200m也就是0.2个核，单个pod最高可以跑到0.2
17.5K40发布于 2021-11-19 - 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]. 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+1)/2⌋个顺序统计量 ⌊n⌋ 表示对 n 向下取整，⌈n⌉表示对 n 向上取整 最大值和最小值 若想要寻找n个数字里的最大值或最小值，只需要进行(n-1)次比较 int min = a[0]; i += 2; } cout << "min:" << min << endl; cout << "max:" << max << endl; } 第i顺序统计量 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
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]。 通常使用样本均值和样本方差构建统计量，判断两组数据的绝对差异是否显著。常见的假设检验方法，参数检验: Z检验、T检验、F检验；非参数检验: 卡方检验、二项检验等。 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 - 来自专栏盛开在夏天的太阳
8.k8s连载--重新生成k8s token(kubeadm join报错及解决)
k8s Could not find a JWS signature in the cluster-info ConfigMap for token ID "vezzap" 这个错误的原因是没有token 解决方案: 重新生成 1）关于token失效, 重新生成 master集群初始化后，token24小时后就会失效，如果到了token失效时间，node再加入集群，需要重新生产token： ## 查看 token状态 ### TTL值 就是token生于时间 [root@k8s-master ~]# kubeadm token list TOKEN TTL EXPIRES USAGES DESCRIPTION generated by 'kubeadm init'. system:bootstrappers:kubeadm:default-node-token ## 重新生产token [root@k8s-master component configs for API groups [kubelet.config.k8s.io kubeproxy.config.k8s.io] lb2hib.5kf3zjrzkp8e632w
2.7K10发布于 2020-09-27 - 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。 一般而言，当F 统计量大于经验值10时，我们认为工具变量法估计值的偏倚大约是观察性研究的10%，因此F大于10这个标准在孟德尔随机化研究中广为使用。然而，这样的盲目使用不见得是合理的。 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”。
3.2K21编辑于 2022-08-21 - 来自专栏原创分享
js引擎v8源码解析之token（基于0.1.5）
#ifndef V8_TOKEN_H_ #define V8_TOKEN_H_ namespace v8 { namespace internal { // TOKEN_LIST takes a t precedence_[NUM_TOKENS]; }; } } // namespace v8::internal #endif // V8_TOKEN_H_ token.cc #include "v8.h" #include "token.h" namespace v8 { namespace internal { #ifdef DEBUG #define T(name, string , precedence) precedence, int8_t Token::precedence_[NUM_TOKENS] = { /* TOKEN_LIST宏展开后变成 (T, K, IGNORE_TOKEN) #undef K #undef T } } } // namespace v8::internal
3.5K40发布于 2019-07-30 - 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
最后看下T2T，通过Token to Token结构（下文会讲），它在浅层的时候也能建模出结构信息，同时也避免了极值的出现。 Token To Token结构 ? 这样会逐渐减少token的数量，但随之而来token的长度会增加很多（因为多个tokens连接在一个token），因此后续模型也降低了维度数目，以平衡计算量。 np np_input = np.array([[[[1, 2, 3], [4, 5, 6], [7, 8, unfolded) # 输出为 tensor([[[ 1., 2., 4., 5.], [ 2., 3., 5., 6.], [ 4., 5., 7., 8. ], [ 5., 6., 8., 9.], [10., 11., 13., 14.], [11., 12., 14., 15.],
8.1K10发布于 2021-03-11 因果推断常用计量方法
8. 双重机器学习 (Double Machine Learning, DML)原理：结合机器学习算法和因果推断框架，通过交叉拟合（cross-fitting）技术估计处理效应。
81910编辑于 2025-02-21- 来自专栏PyStaData
计量笔记 ｜ 简单线性回归
Generation Process reg y x tw function PRF = 1+2*x, range(-5 15) || /// scatter y x || lfit y x, lp(dash) 计量经济学的主要任务之一就是通过数据 1.1 OLS 估计量的推导 目标：残差平方和最小 此最小化问题的一阶条件为： 消去方程左边的 ，可得： 对上式各项分别求和，移项可得： 上式为“正规方程组”。 (图片来源：古扎拉蒂《经济计量学精要》（第四版）p.54) 由上图可知， 的观测值围绕其均值（total variation）可分解为两部分，一部分来自回归线（ESS），另一部分来自随机扰动（RSS 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
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