今日要點

1、騰訊云創(chuàng)建一站式行業(yè)大模型精選商店；

2、比Gen-2還好用的本文轉(zhuǎn)視頻擴散模型 VideoComposer；

(資料圖)

3、又一款金融AI工具—公司債投資助手BondGPT；

4、清華大學(xué)提出LiVT，用視覺Transformer學(xué)習(xí)長尾數(shù)據(jù)，提高模型泛化能力；

5、微軟給開發(fā)者的福音，在VS中整合“生成見解”工具，提升編譯效率；

每日見智AI

1、直擊騰訊云大模型技術(shù)峰會—解決大模型應(yīng)用困難

騰訊云宣布推出MaaS（Model-as-a-Service)大模型服務(wù)，依靠騰訊云TI平臺建造行業(yè)大模型精選商店，基于騰訊HCC高性能計算集群和大模型能力，為客戶提供一站式大模型服務(wù)。

目前企業(yè)應(yīng)用大模型所面臨的困難主要包括：

計算資源少；大模式的訓(xùn)練和推理對于計算資源和存儲資源有很高的要求，對于很多客戶來說門檻比較高；數(shù)據(jù)質(zhì)量差；數(shù)據(jù)是訓(xùn)練大模型的基礎(chǔ)，質(zhì)量不高就會導(dǎo)致模型的訓(xùn)練效果和效率難以保障；投入成本高；模型也需要持續(xù)的優(yōu)化和調(diào)試以適配企業(yè)專項功能；安全合規(guī)；數(shù)據(jù)安全是企業(yè)調(diào)用模型最擔(dān)心的問題；專業(yè)性人才短缺；

見智點評：

騰訊云從保護企業(yè)數(shù)據(jù)產(chǎn)權(quán)和隱私的角度，為客戶提低成本、方便快捷的大模型服務(wù)，結(jié)合自身算力優(yōu)勢，從模型、數(shù)據(jù)、應(yīng)用幾個維度來打通企業(yè)應(yīng)用大模型的困難。針對不同的應(yīng)用場景，提供更適配的算力網(wǎng)絡(luò)和智能應(yīng)用助手，比如AI代碼助手、會議助手等等。更重要的是，我們觀察到MaaS服務(wù)可以滿足客戶模型的預(yù)訓(xùn)練、模型精調(diào)、智能開發(fā)等多樣化需求，并且支持客戶加入私域數(shù)據(jù)進行訓(xùn)練，極大的解決了企業(yè)對大模型數(shù)據(jù)安全的擔(dān)憂。

對于如何解決企業(yè)應(yīng)用大模型問題這個業(yè)內(nèi)關(guān)注的焦點，華爾街見聞·見智研究非常榮幸邀請到瀾碼科技創(chuàng)始人&CEO【周健】來為大家?guī)碜詈诵牡慕庾x：AI浪潮的下一個重要賽道，如何突破企業(yè)應(yīng)用，找到核心的盈利秘籍？ ?歡迎大家預(yù)約直播：6月20日 周二 19:00。

2、比Gen-2還好用的本文轉(zhuǎn)視頻擴散模型 VideoComposer

文本生成視頻的擴散模型VideoComposer ，能夠在各種形式的合成視頻中同時控制空間和時間模式，例如文本描述、草圖序列、參考視頻，甚至是簡單的手工制作的動作。看起來比Gen-2的效果要強一些。

見智點評：

VideoComposer通過引入壓縮視頻中的運動矢量作為顯式控制信號，結(jié)合時空條件編碼器（STC-encoder），使用戶能夠以靈活的方式組合具有文本條件、空間條件和時間條件的視頻。該方法能夠有效地控制空間和時間模式，包括文本描述、草圖序列、參考視頻和手工制作的動作等。實驗結(jié)果表明VideoComposer具有良好的性能和交互-幀一致性。

這項工作對于實現(xiàn)可控的視頻合成在解決時間動態(tài)和跨幀時間一致性方面的挑戰(zhàn)方面取得了顯著進展，進一步推動了視覺內(nèi)容創(chuàng)作的可定制化發(fā)展。

3、又一款金融AI工具—公司債投資助手BondGPT

美國金融科技公司Broadridge子公司LTX近期宣布，推出一款基于GPT-4大模型的聊天機器人APP BondGPT，應(yīng)用于公司債投資。BondGPT主要面向公司債投資者，包括避險基金、交易商等等，可以回答各種與債券相關(guān)的問題，并幫助用戶解決相關(guān)問題。

見智點評：

金融AI工具開發(fā)目前非常熱門，在AI見聞周報中我們也分析過有很多金融機構(gòu)已經(jīng)開始進行AI項目研發(fā)，AI技術(shù)在金融行業(yè)的應(yīng)用場景也非常豐富，比如AI交易員、金融輿情分析、輔助代碼編寫、研報知識庫檢索等都值得關(guān)注。

4、清華大學(xué)提出LiVT，用視覺Transformer學(xué)習(xí)長尾數(shù)據(jù)，提高模型泛化能力

清華大學(xué)在CVPR 2023的論文，Learning Imbalanced Data with Vision Transformers中詳細探討了如何有效利用長尾數(shù)據(jù)來提升視覺Transformer的性能，并探索解決現(xiàn)實世界中存在數(shù)據(jù)不平衡問題的新方法。

文章通過一系列實驗發(fā)現(xiàn)，在有監(jiān)督范式下，視覺Transformer在處理不平衡數(shù)據(jù)時會出現(xiàn)嚴重的性能衰退，而使用平衡分布的標注數(shù)據(jù)訓(xùn)練出的視覺Transformer呈現(xiàn)出明顯的性能優(yōu)勢。相比于卷積網(wǎng)絡(luò)，這一特點在視覺 Transformer ?上體現(xiàn)的更為明顯。另一方面，無監(jiān)督的預(yù)訓(xùn)練方法無需標簽分布，因此在相同的訓(xùn)練數(shù)據(jù)量下，視覺 Transformer ?可以展現(xiàn)出類似的特征提取和重建能力。基于以上觀察和發(fā)現(xiàn)，研究提出了一種新的學(xué)習(xí)不平衡數(shù)據(jù)的范式，旨在讓視覺Transformer模型更好地適應(yīng)長尾數(shù)據(jù)。通過這種范式的引入，研究團隊希望能夠充分利用長尾數(shù)據(jù)的信息，提高視覺Transformer模型在處理不平衡標注數(shù)據(jù)時的性能和泛化能力。

見智點評：

用視覺Transformer學(xué)習(xí)長尾數(shù)據(jù)方法不僅在實驗中取得了顯著的性能提升，而且無需額外的數(shù)據(jù)，具有實際應(yīng)用的可行性。比如可以應(yīng)用在醫(yī)療影像分析、安全監(jiān)控等場景中。

數(shù)據(jù)往往存在不平衡性，即某些類別的樣本數(shù)量遠遠少于其他類別。這導(dǎo)致傳統(tǒng)的模型訓(xùn)練可能會偏向于預(yù)測數(shù)量較多的類別，而對于少數(shù)類別的性能衰退嚴重。通過用視覺Transformer學(xué)習(xí)長尾數(shù)據(jù)，可以更好地適應(yīng)現(xiàn)實世界中的數(shù)據(jù)不平衡問題。同時還能夠有效提升少數(shù)類別的識別性能，使模型能夠更好地發(fā)現(xiàn)和理解樣本特征以及提高泛化能力。

5、微軟給開發(fā)者的福音，在VS中整合“生成見解”工具，提升編譯效率

微軟宣布，在 Visual Studio 2022 最新版本 17.7 中，將整合“生成見解”工具，以為開發(fā)者提升效率。微軟公告表示“生成見解”已經(jīng)在 VS 2022 中可用，該工具能為開發(fā)者提供深入的見解分析資料，使開發(fā)者更好地了解并且改善編譯過程。

“生成見解”工具會在分析編譯過程后出具一份報告，其中將會顯示 “生成見解”分析每一段代碼變量對于總編譯時間的影響，可以讓開發(fā)者直觀的看出哪些特定代碼存在問題，耗費大量的編譯時間，能夠提供開發(fā)者一些能夠提升編譯效率的方案。

可以讓開發(fā)者更深入理解 C++ 開發(fā)，工具通過直觀展示代碼各部分在編譯時的情況，可以讓開發(fā)者更加了解 C++ 的深入運行過程，并通過了解各部分代碼對于總編譯時間的影響，找出最佳化編譯流程的方法，在維持代碼品質(zhì)的同時，在一定程度上提升開發(fā)能力。

風(fēng)險提示及免責(zé)條款 市場有風(fēng)險，投資需謹慎。本文不構(gòu)成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務(wù)狀況或需要。用戶應(yīng)考慮本文中的任何意見、觀點或結(jié)論是否符合其特定狀況。據(jù)此投資，責(zé)任自負。

關(guān)鍵詞：