- 综合排序
- 最热优先
- 最新优先
- 来自专栏网络安全
威胁狩猎精准配置指南
与标准的Windows事件日志相比，Sysmon提供了更详细、高质量的日志信息和更精细的配置控制，是进行深度威胁狩猎和应急响应的基石。#####什么是Sysmon？ (SysmonConfigurationinDetail)Sysmon的强大之处在于其灵活的XML配置文件。 这是最常见的配置策略。-**包含规则**:也可以采取更主动的方法，使用**包含规则**来明确指定要监控的已知恶意行为模式。 获取配置文件:下载一个社区维护的优秀配置文件，例如SwiftOnSecurity的sysmon-config。 #####启动Sysmon以管理员身份打开PowerShell或命令提示符，使用-i参数安装Sysmon服务并应用配置文件。
26410编辑于 2026-01-08 - 来自专栏coderidea
SCQA模型：精准沟通的利器
这就是SCQA模型发挥作用的地方。这一模型，最初由麦肯锡咨询顾问芭芭拉·明托在其著作《金字塔原理》中提出，被广泛认为是一种高效的“结构化表达”工具。 本文将深入探讨SCQA模型的含义、运用方法，并通过具体案例展示其效用。 SCQA模型的四个组成部分 SCQA模型由四个部分构成：情境（Situation）、复杂性（Complication）、问题（Question）和答案（Answer）。 理解这四个组成部分，是有效运用该模型的关键。 情境（Situation） 这是模型的起始点，描述了当前的背景或现状。在这一阶段，目的是为听众或读者提供一个基本的信息框架，帮助他们理解接下来的内容。 这个问题是整个模型的核心，指导后续的讨论方向。 答案（Answer） 最后一部分提供对前面提出问题的解答。这里的答案应当清晰、有逻辑，能够解决或缓解前面提出的问题或挑战。 如何有效运用SCQA模型？
1.3K10编辑于 2023-12-13 - 来自专栏软件测试那些事
精准测试的成熟度模型
本来想写一篇类似《一文说透精准测试》之类的爽文的，奈何能力有限，还是先写一篇短文吧。 本文就只涉及一个点，精准测试能用来干嘛，解决了什么问题。 笔者通过整理腾讯、酷家乐 、网易、有赞、信也等互联网行业的精准测试实践分享，以及与星云等解决方案厂家的介绍，尝试给精准测试的成熟度模型做一个提炼， 首先，从定义上讲，精准测试是一种与代码变动量化分析相结合的变更影响分析方法和策略 对于软件测试来说，每次发布变动的地方，如代码、配置项、依赖等等，就是最有可能产生缺陷的地方。对于这些地方，尤其是代码的优先和充分的覆盖，就是一件非常自然而然的事情了。 当然，这个阶段的所谓精准测试重度依赖于自动化测试以及代码覆盖率。因此，笔者一直认为，这个阶段的精准测试是一种治疗富贵病的药。 于是，这就进入了精准测试L3的阶段。
83230编辑于 2022-09-23 - 来自专栏接地气学堂
预测模型，怎么做才够精准
有可能建模的时候，不是一个模型包打天下，而是用二阶段建模。比如预测一个客群消费情况，可以分别用二分类模型预测会不会消费，再用连续型模型预测消费金额，这样会消费用户数*预测消费金额，就能得出总消费。 02 预测算法的难点 因为：书本为了突出模型效果，刻意选择了质量好、数据全的数据集。 现实中麻烦根本是远远不断： 1、没数据。 比如预测销量是1000万 l 业务做到900万，会说：预测得一点都不准，搞得货积压了 l 业务做到1100万，会说：预测得一点都不准，还是我厉害 总之，只要你不是100%精准，他都有理由赖到你头上。 所以别光盯着人家的模型，人家的运营也学学。 04 用基础分析缩小预测范围 所有赌命式预测都有个共同点：一定要不高不低才算准。 预测目标与其设定为：“100%精准”，不如设定为：“是否暴增/暴跌超过业务消化能力”。 预测100%精准基本无解，但是发现哪里可能暴涨/暴跌是很容易的。
55561发布于 2021-08-19 - 来自专栏博文视点Broadview
这是我见过最【精准】的预测模型
有可能建模的时候，不是一个模型包打天下，而是用二阶段建模。比如预测一个客群消费情况，可以分别用二分类模型预测会不会消费，再用连续型模型预测消费金额，这样会消费用户数*预测消费金额，就能得出总消费。 二、预测算法的要点 因为：书本为了突出模型效果，刻意选择了质量好、数据全的数据集。 现实中麻烦根本是远远不断： 1、没数据。 比如预测销量是1000万 业务做到900万，会说：预测得一点都不准，搞得货积压了 业务做到1100万，会说：预测得一点都不准，还是我厉害 总之，只要你不是100%精准，他都有理由赖到你头上。 所以别光盯着人家的模型，人家的运营也学学。 四、用基础分析缩小预测范围 所有赌命式预测都有个共同点：一定要不高不低才算准。 预测目标与其设定为：“100%精准”，不如设定为：“是否暴增/暴跌超过业务消化能力”。 预测100%精准基本无解，但是发现哪里可能暴涨/暴跌是很容易的。
66250编辑于 2023-04-04 - 来自专栏Web行业观察
开源篇--精准定位 模型重心坐标
Part1前言 模型重心坐标就是在模型正中心那个点的坐标。本文介绍一种方法，可以通过代码的方式自动获取模型重心坐标。本方式适用于常用的所有模型。 模型重心如下图所示： Part3代码获取模型重心 这里我们通过assimp库来获取模型的重心。关于assimp，参考我们上一篇文章。 三维模型格式转换神器-assimp 这里我们以fbx模型为例，来说明获取重心的步骤。 分为以下几个步骤： 1、加载模型获取aiScene 2、遍历aiScene下RootNode下的所有节点 3、获取aiMesh来计算模型的重心 1加载模型 加载模型示例代码如下： auto inFile 第一步：计算网格体的重心 第二步：加上变换矩阵 变换矩阵是指增加在模型上面的平移旋转缩放的变换矩阵，从而导致模型的重心位置发生变化。
2.1K20编辑于 2022-11-25 新工具RefChecker助力精准检测大语言模型幻觉
新工具与数据集助力检测大语言模型中的幻觉尽管大型语言模型能力非凡，但其存在一个致命弱点：倾向于产生“幻觉”，即听起来合理但事实不准确的断言。 这能够实现对大语言模型输出更细粒度的评估，从而更加精确和更具信息量。该基准数据集涵盖三种不同的场景：零上下文：大语言模型在没有任何参考文本的情况下生成文本来回答问题。 噪声上下文：为模型提供一组检索到的文档，其中可能包含也可能不包含准确信息（即检索增强生成场景）。精确上下文：为模型提供一个准确的文档。数据集为每种场景包含 100 个示例。 主张分类RefChecker 并非简单地声明整个回复是否存在幻觉，而是检查大语言模型生成文本中嵌入的主张。大语言模型对提示的回复与相应参考资料之间的基本关系可以用维恩图表示。 RefChecker 流程RefChecker 由两个可配置模块组成：主张三元组提取器 E 和幻觉检查器 C。您还可以配置结果的汇总方式，以在三元组级别的检测和回复级别的幻觉报告之间进行转换。
18410编辑于 2026-02-01- 来自专栏大内老A
配置：配置模型总体设计
在《读取配置数据》（[上篇]，[下篇]）上面一节中，我们通过实例的方式演示了几种典型的配置读取方式，接下来我们从设计的维度来重写认识配置模型。 总的来说，配置模型由这四个核心对象组成，但是要彻底了解这四个核心对象之间的关系，我们先得来聊聊配置的几种数据结构。 配置模型的最终目的在于提取原始的配置数据并将其转换成一个IConfiguration对象。话句话说，配置模型的使命就在于按照下图所示的方式将配置数据从原始的结构转换成树形层次结构。 ? 本篇文章从设计和实现原理的角度对配置模型进行了详细的介绍。 下图所示的UML展示了配置模型涉及的主要接口/类型以及它们之间的关系。 ?
60340发布于 2019-12-16 腾讯智能体开发平台3.0：以模块化能力与精准模型配置驱动企业智能应用落地
部署ADP3.0技术矩阵 腾讯智能体开发平台3.0（ADP3.0）通过功能模块化升级与模型精准配置提供解决方案： 工作流升级：新增Multi-Agent模式、Plan-and-Execute协同方式 大模型节点优化：区分思考模型（标准/multi-Agent模式，如youtu-intent-pro 8K）、生成模型（知识库模型含问答生成/知识库Schema、标准模式配置）、RAG模型（Reranker 模型youtu-reranker-Ilm），支持模型对比调试与参数动态调整（数据来源：原文“新增‘变量与记忆’模块、应用调试窗口新增模型对比调试；大模型节点含思考模型-标准/multi-Agent模式、 应用功能扩展：体验中心升级为应用模板、新增微信小程序发布渠道、对话记录智能分类、工作空间（企业管理/权限配置）、提示词模板升级（数据来源：原文“体验中心升级为应用模板、应用发布新增‘微信小程序’渠道、对话记录支持智能分类 专家与实践背书：平台由腾讯优图团队主导（含专家顾涵身，来源：“顾涵身”署名图片），经企业创新在线学堂场景验证，支持意图达成优先级配置（问答>文档>工作流>大模型回复）（来源：原文“意图达成优先级：1问答回复
4600编辑于 2026-04-26- 来自专栏机器之心
不写代码，就能快速构建精准的机器学习模型
开发者或许会烦恼于构建、训练模型，部署模型和超参调优等繁琐步骤，或许还会受到算力条件的限制，诸多因素都会让深度学习的实战阻碍重重。 Amazon SageMaker 是一套强大的完全托管服务，覆盖深度学习全流程的工作体验，可以帮助开发者和数据科学家快速构建、训练和部署AI模型，大幅度消除过程中的繁重工作，让开发高质量模型变得更加轻松 本周课程计划 12月13日，第6课 无代码精准机器学习预测(Amazon Sagemaker Canvas) 课程报名：「扫描下方二维码」或「点击阅读原文」即可报名。 课程加更 Stability AI 推出的火爆 AIGC 领域的 Stable Diffusion 模型从开源之初便深受开发者欢迎。 该公司主要使用 Amazon SageMaker 机器学习服务来加速其设计 Stable Diffusion 模型。
65730编辑于 2023-03-29 - 来自专栏AIoT技术交流、分享
如何使用位操作精准配置单片机寄存器
单片机的寄存器通常用于配置外设、控制GPIO、设置通信参数等，使用位操作可以高效、精准地对寄存器进行配置，而不会影响其他无关位。 示例（配置GPIO输出高电平）： #define GPIOA_ODR (*(volatile uint32_t*)0x48000014) // GPIOA 输出数据寄存器地址 #define PIN
71000编辑于 2025-03-17 - 来自专栏互联网数据官iCDO
——精准营销精准吗？
举一个简单的例子吧，你是从什么时候开始听说“精准广告”、“精准推广”之类的说法的？恐怕小十年是有了。现在你回想起来，那个时候的“精准”二字，恐怕多半是“忽悠”吧！ 三、今天主流的精准广告是哪些？ 今天的精准广告，主要有三大类，这三大类到底精准不精准，我只做我认为的客观描述，是否精准，各位看官自辨。 理论上精准，实际上可能有距离。 大媒体内部的广告体系的精准程度，取决于三件事。第一，用户数据系统的成熟程度；第二，广告资源配置的算法；第三，广告主的数量，或者更准确说，是广告资源的消耗。 第一件事我就不用多解释了，数据不准，恐怕没法实现精准。第二件事情，也不难理解——媒体的广告资源配置的核心是按照eCPM构建的，目的是为了最大化广告收入。 如果广告按照CPC定价，广告资源配置模型是以CTR（就是质量分背后最大权重的东西）和广告主的出价共同影响的。尽管广告被点击的概率和人群的精准性高度相关，但是并不能直接划等号。
1.7K80发布于 2018-03-05 - 来自专栏ATYUN订阅号
MIT开发新型无监督语言翻译模型，又快又精准
最近，研究人员一直在开发“单语”模型，这些模型使两种语言的文本之间进行翻译，但两者之间没有直接的翻译信息。 本周在自然语言处理经验方法会议上发表的论文中，麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员描述了一种比这些单语模型运行得更快，更有效的模型。 在实验中，研究人员的模型与最先进的单语模型一样准确，有时更准确，重要的是速度更快，而且仅使用一小部分计算能力。 该模型将看到一组12个向量，这些向量在一个嵌入中聚类，在另一个嵌入中聚类非常相似，“该模型不知道这些是月份，”Alvarez-Melis说，“它只知道有一组12个点与另一种语言中的12个点对齐，但它们与其他单词不同 另外，模型的一个可能的好处是它自动产生一个值，可以解释为在数字尺度上量化语言之间的相似性。研究人员表示，这可能对语言学研究有用。该模型计算两个嵌入中所有向量彼此之间的距离，这取决于句子结构和其他因素。
93740发布于 2018-12-06 - 来自专栏DrugOne
Methods | CellSAM: 用于精准细胞分割的通用基础模型
尽管深度学习已推动该领域显著进展，但现有模型往往只能在特定数据域有效，不易跨模式泛化，难以在大规模数据上稳定扩展。研究人员提出 CellSAM，一个可跨多种细胞类型与成像模式的通用细胞分割基础模型。 深度学习方法虽带来重大突破，但现有模型通常为“专用型”，只能适配特定成像模式或细胞类型，难以扩展为统一的基础模型。 因此，一个能够 自动提示 + 自动分割 + 广泛泛化 的基础模型成为关键需求。 方法 研究人员构建了一个覆盖组织切片、细胞培养、酵母、细菌以及 H&E 图像的多来源大型数据集。 其稳定性使得针对罕见或新型成像模态也能直接使用，无需专门训练新模型。 随着更多高质量标注数据的积累与模型持续优化，CellSAM 有望成为统一的生物影像解析核心基础设施。
30110编辑于 2025-12-17 - 来自专栏AI 大数据
用大模型 3 秒生成精准文档摘要
而大语言模型（LLM）的出现，让自动化文档摘要成为可能。本文将深入探讨如何利用大模型实现文档摘要，结合实际应用场景，并提供可运行的示例代码。 大模型的核心技术自动化摘要依赖于深度学习模型，主要包括：Transformer 结构：能理解文本的上下文关系，提高摘要质量。自注意力机制：让模型关注重要的信息，避免冗余。 使用大模型自动生成摘要，可以帮助管理层快速获取关键信息，提高决策效率。科研论文阅读研究人员需要阅读大量论文，但每篇论文通常有 10-20 页。大模型可以快速生成论文摘要，帮助科研人员筛选有价值的论文。 律师、法务人员可以利用大模型快速生成摘要，提取案件关键点，提高工作效率。新闻和社交媒体摘要每天有成千上万篇新闻发布，大模型可以帮助用户快速浏览新闻重点，而不用逐篇阅读。 使用大模型生成摘要选取合适的大模型目前常见的摘要模型包括：GPT-4：适用于通用文本摘要，生成能力强。T5：专为文本生成任务设计，适用于结构化文本摘要。BART：双向自回归模型，适用于复杂长文本摘要。
1.9K10编辑于 2025-03-27 - 来自专栏数据猿
【案例】恒丰银行——基于大数据的精准营销模型应用
恒丰银行基于大数据的精准营销方案是利用大数据平台上的机器学习模型深入洞察客户行为、客户需求，客户偏好，挖掘潜出在客户，实现可持续的营销计划。 其中包括个性化推荐算法调研，模型对比等一系列工作。 2016.10-2017.1 客户需求预测并对客户价值进行建模，并完善整合精准营销应用模型。 2017.1-2017.3 用户画像、个性化推荐、客户价值预测等精准营销模型上线。 挑战 项目实施过程由用户画像，精准推荐系统，需求预测和客户价值建模三部分组成，采用TDH机器学习平台Discover所提供的算法和模型库进行开发和验证。 通过构建基于大数据的精准营销方案，恒丰银行深入洞察客户行为、需求、偏好，帮助银行深入了解客户，并打造个性化推荐系统和建立客户价值预测模型，实现可持续的营销计划。
13.3K50发布于 2018-04-24 - 来自专栏机器学习AI算法工程
xgboost融合模型：大学助学金精准资助预测(有数据)
基于学生每天产生的一卡通实时数据，利用大数据挖掘与分析技术、数学建模理论帮助管理者掌握学生在校期间的真实消费情况、学生经济水平、发现“隐性贫困”与疑似“虚假认定”学生，从而实现精准资助，让每一笔资助经费得到最大价值的发挥与利用 因此，基于学生在校期间产生的消费数据运用大数据挖掘与分析技术实现贫困学生的精准挖掘具有重要的应用价值。 两学年的助学金获取情况作为标签，2013~2014、2014~2015两学年的学生在校行为数据作为原始数据，包括消费数据、图书借阅数据、寝室门禁数据、图书馆门禁数据、学生成绩排名数据，并以助学金获取金额作为结果数据进行模型优化和评价 你所看到的这份代码，是Data Castle数据挖掘公开赛《助学金精准预测》的冠军作品。 本程序以大学生的行为数据以及历史获助学金情况作为训练数据集，对代码内的模型进行训练，后可根据新的大学生行为数据进行助学金获得情况预测。
1.1K20发布于 2019-10-28 - 来自专栏京东技术
大模型在推荐系统中的精准推荐策略与实践
Netflix：Netflix利用深度学习模型提升电影推荐的精准度，通过用户观看历史、评分、搜索等数据，构建用户画像，进行个性化推荐。 4.2 内容理解与表示 大模型可以通过预训练和微调，对文本、图像、视频等内容进行多模态学习，提取高层次的语义特征。这些特征在推荐系统中用于表示商品或内容，从而实现精准匹配。 可以通过差分隐私、联邦学习等技术，保护用户数据隐私，同时实现精准推荐。 5.3 模型泛化与鲁棒性 推荐系统面对的是海量的用户和多样化的需求，大模型需要具备良好的泛化能力和鲁棒性。 ，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将 6.1 背景介绍 某大型电商平台引入大模型，旨在提升商品推荐的精准度和用户满意度。 通过构建精准的用户画像、提升内容理解与表示、实现实时推荐和在线学习，大模型可以显著提升推荐系统的精准度和用户体验。然而，在实际应用中，仍需面对计算资源、数据隐私和模型泛化等挑战。
2.4K10编辑于 2024-07-04 - 来自专栏热度文章
AI Ping：精准可靠的大模型服务性能评测平台
主要包括：1、模型性能榜单：通过坐标图和表格展示各模型的吞吐量、延迟等性能排名；2、模型列表与详情：列出所有收录模型及其详细信息，例如支持的上下文长度、价格计费、输入输出限制等；3、供应商信息：归纳提供模型服务的厂商列表 ，点击厂商可查看其全部模型，方便横向比较；4、模型对比工具：支持多模型指标对比，用户可勾选多个模型，生成对比图表；5、搜索与筛选：可按模型名称、厂商名称搜索，并可基于指标阈值筛选模型（例如筛选延迟低于某毫秒 以选择对话模型为例：1、用户首先访问官网首页，在搜索栏输入关键词（如“对话”或具体模型名）以找到相关模型。2、然后，浏览搜索结果列表中各模型的摘要信息，包括模型名称、提供商和评分指标等。 3、接下来，用户可点击某个模型进入去访问，可使用该模型并自行进行模型配置。 总的来说，ChatGPT是综合能力最强的平台，但在中文理解上国内平台更为精准。
1.4K21编辑于 2025-09-17 Claude Code 配置国产模型
ClaudeCode配置国产模型前段时间连续写了几篇ClaudeCode、Codex这类codingagent的用法和进阶配置，这次补一篇ClaudeCode接国产模型的配置方法。 长期使用时常见的问题有：当前终端到底连的是哪个模型，很容易忘原版Claude和替代模型会互相覆盖多开几个终端后，配置很容易混如果试通以后准备继续用，可以直接写配置文件。 每个模型可以有自己的配置目录配置目录单独隔开：展开代码语言：BashAI代码解释exportCLAUDE_CONFIG_DIR="$HOME/claude-model/.claude-doubao"这样可以把配置 配置文件是：展开代码语言：BashAI代码解释~/.claude-code-router/config.json这份配置里先看两部分：ProvidersRouterProviders负责把不同模型提供商挂进来 不然你看到的行为，很可能还是旧配置。重启之后，最好进ClaudeCode跑一次：展开代码语言：TXTAI代码解释/status用这一步确认当前会话切到了哪个模型。
1.9K20编辑于 2026-04-10
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