Video wird geladen...

Video konnte nicht geladen werden

Zur Startseite

微软开源了一款金融市场预测模型：MarS 它基于订单级别的真实历史金融市场数据训练，能够实现逼真的金融市场模拟 在市场趋势预测中，MarS的模拟显著优于传统的直接预测模型，体现了其对市场动态的深刻理解。 用户可以通过注入特定的订单或描述目标场景，控制模拟过程，以分析特定条件下的市场行为。 还提供一个交互式环境，用户可以在其中测试不同的交易策略，观察其市场影响。

xiaohu's profile picture

小互

108,842 subscribers

85,751 Aufrufe • vor 1 Jahr •via X (Twitter)

FinanzenWissenschaft & Technologie
LIVE

Anya Rossi• Live Now

Private livecam show

6 Kommentare

Profilbild von 小互
小互vor 1 Jahr

MarS可用于多种下游应用，包括市场趋势预测、异常检测系统、市场影响分析以及强化学习环境等。 预测准确率显著优于传统模型（如 DeepLOB）。 详细介绍： 项目地址：

Profilbild von BraVoCycles Newsletter
BraVoCycles Newslettervor 1 Jahr

A bear market is coming? Worried? Do not worry. Be a Smart Investor. Get Ready. Get your FREE eBook: “1-Year U.S. Stock Market Outlook”

Profilbild von R Hw
R Hwvor 1 Jahr

让它来大A

Profilbild von KeepStriving
KeepStrivingvor 1 Jahr

这个应该是给高频交易者用的，它是针对订单级别的数据模拟，非常巨量，比如nvda一天得有多少订单啊，然后你得将这个巨量数据搞来，然后让它根据这些历史数据来炼丹。

Profilbild von canger
cangervor 1 Jahr

用逆向思维，如果70%的人使用这个软件的时候，你因该做反向选择

Profilbild von ఫాల్కన్స్
ఫాల్కన్స్vor 1 Jahr

有没有根据这个开发出适合A股用的app

Ähnliche Videos

2026 年，预测市场今年可能迎来巨大增长，但大多数人还在用"感觉"下注 一个反直觉的判断：预测市场里最大的信息差，不是链上数据，而是你对一场比赛本身的理解深度。 为什么？因为预测市场本质上是在定价"大众共识的偏差"。大众情绪会系统性地高估强队在特定赛制下的胜率，低估伤病和轮换对比赛节奏的影响，也几乎完全忽略教练战术博弈这个变量。这些偏差在传统市场里早就被庄家抹平了，但在链上预测市场，定价效率还远没跟上，套利窗口是真实存在的。 换句话说，在这个赛道里，懂比赛的人比懂合约的人更有优势。 2026年——NBA、世界杯、LOL、CS2、F1、守望先锋——体育 × 预测市场可能迎来最大的一波机会。 如果你觉得自己对赛事有真正的深度理解，Firefly ✨💜 華語 与我合作正在举办预测市场AI视频创作大赛，去秀一把，说不定你就是下一个预测市场KOL！
0:57

2026 年，预测市场今年可能迎来巨大增长，但大多数人还在用"感觉"下注 一个反直觉的判断：预测市场里最大的信息差，不是链上数据，而是你对一场比赛本身的理解深度。 为什么？因为预测市场本质上是在定价"大众共识的偏差"。大众情绪会系统性地高估强队在特定赛制下的胜率，低估伤病和轮换对比赛节奏的影响，也几乎完全忽略教练战术博弈这个变量。这些偏差在传统市场里早就被庄家抹平了，但在链上预测市场，定价效率还远没跟上，套利窗口是真实存在的。 换句话说，在这个赛道里，懂比赛的人比懂合约的人更有优势。 2026年——NBA、世界杯、LOL、CS2、F1、守望先锋——体育 × 预测市场可能迎来最大的一波机会。 如果你觉得自己对赛事有真正的深度理解，Firefly ✨💜 華語 与我合作正在举办预测市场AI视频创作大赛，去秀一把，说不定你就是下一个预测市场KOL！

CuiMao

38,445 Aufrufe • vor 4 Monaten

斯坦福团队造了1000个 AI 模拟人，预测真人行为的准确率到了85% 他们做了一个实验：用 AI 创建了1000个代表美国人口结构的虚拟个体，让它们在模拟环境里做各种决策 然后拿模拟结果跟真人的实际行为做对比——85% 的吻合度 这个数字意味着：AI模拟体的选择，和真人被问到同样问题时的选择，五次里有四次以上是一致的 怎么被发现商业价值的？财富500强的CEO们去斯坦福参观看到了这个演示，开始疯狂问市场相关的问题。团队发现这些问题以前没人能回答，但模拟可以 于是他们决定把这个研究做成产品：一个 AI 模拟平台，专门帮企业在做重大决策之前先"跑一遍" 想推一个新产品？先让1000个AI消费者试试反应 想调价格？先模拟市场会怎么变 想进一个新市场？先看模拟人群的接受度 市场调研行业可能要被 AI 重新定义了
0:56

斯坦福团队造了1000个 AI 模拟人，预测真人行为的准确率到了85% 他们做了一个实验：用 AI 创建了1000个代表美国人口结构的虚拟个体，让它们在模拟环境里做各种决策 然后拿模拟结果跟真人的实际行为做对比——85% 的吻合度 这个数字意味着：AI模拟体的选择，和真人被问到同样问题时的选择，五次里有四次以上是一致的 怎么被发现商业价值的？财富500强的CEO们去斯坦福参观看到了这个演示，开始疯狂问市场相关的问题。团队发现这些问题以前没人能回答，但模拟可以 于是他们决定把这个研究做成产品：一个 AI 模拟平台，专门帮企业在做重大决策之前先"跑一遍" 想推一个新产品？先让1000个AI消费者试试反应 想调价格？先模拟市场会怎么变 想进一个新市场？先看模拟人群的接受度 市场调研行业可能要被 AI 重新定义了

Vincent

27,754 Aufrufe • vor 1 Monat

刚刚有2个博主争论订单薄，还比较激烈 我只想用2句话总结 1⃣订单薄对价格的变动近乎有决定性作用 因为市场是由限价单和市场单的匹配完成交易的 没有限价单，市场就不存在了 做市商也主要通过订单薄来操纵市场/做市 所以肯定是用的 2⃣怎么不被虚假订单薄欺骗？ 1.不要仅仅看订单薄数据，应该看变化趋势，看变动/delta 2. 看订单薄对市价单的吸收效果，真吸收还是假吸收 3. 看价格表现，看足迹图 视频中的2个指标了给出了参考
0:23

刚刚有2个博主争论订单薄，还比较激烈 我只想用2句话总结 1⃣订单薄对价格的变动近乎有决定性作用 因为市场是由限价单和市场单的匹配完成交易的 没有限价单，市场就不存在了 做市商也主要通过订单薄来操纵市场/做市 所以肯定是用的 2⃣怎么不被虚假订单薄欺骗？ 1.不要仅仅看订单薄数据，应该看变化趋势，看变动/delta 2. 看订单薄对市价单的吸收效果，真吸收还是假吸收 3. 看价格表现，看足迹图 视频中的2个指标了给出了参考

laogo.ai

17,959 Aufrufe • vor 4 Monaten

🚨 卧槽！A 股、美股、港股、加密、量化研究的人有福了 清华大学重磅开源：全球首款 K 线金融大模型 Kronos 来了！现在 GitHub 已经 32K+ stars，它把 K 线当成一种市场语言 不是只看收盘价，而是把 open、high、low、close、volume、amount 这些信息，转换成模型能理解的 token，然后像语言模型学习文字一样，去学习金融市场里的价格波动、成交量变化和跨资产节奏，核心亮点： > 45 个全球交易所数据 > 120 亿+ K 线记录预训练 > 支持价格序列预测 > 支持波动率预测 > 支持合成 K 线生成 > Zero-shot 场景表现不错 > 提供 Kronos-mini / small / base 等模型 > 适合量化研究、策略验证、市场结构分析 金融市场噪音很大，K 线也不是水晶球。真正用起来，还是要结合基本面、资金面、宏观、成交结构和风控。 但对于做 A 股、美股、港股、加密、量化策略的人来说，Kronos 这个方向强烈建议收藏
0:53

🚨 卧槽！A 股、美股、港股、加密、量化研究的人有福了 清华大学重磅开源：全球首款 K 线金融大模型 Kronos 来了！现在 GitHub 已经 32K+ stars，它把 K 线当成一种市场语言 不是只看收盘价，而是把 open、high、low、close、volume、amount 这些信息，转换成模型能理解的 token，然后像语言模型学习文字一样，去学习金融市场里的价格波动、成交量变化和跨资产节奏，核心亮点： > 45 个全球交易所数据 > 120 亿+ K 线记录预训练 > 支持价格序列预测 > 支持波动率预测 > 支持合成 K 线生成 > Zero-shot 场景表现不错 > 提供 Kronos-mini / small / base 等模型 > 适合量化研究、策略验证、市场结构分析 金融市场噪音很大，K 线也不是水晶球。真正用起来，还是要结合基本面、资金面、宏观、成交结构和风控。 但对于做 A 股、美股、港股、加密、量化策略的人来说，Kronos 这个方向强烈建议收藏

爱吃折耳根的Ace

39,571 Aufrufe • vor 1 Monat

我们为什么总想预测未来？从战争走向、马斯克星舰，到 BTC 会不会 15 万美金，人类从来没停止过对“不确定性”的定价。 预测市场，不是简单的赌输赢，而是一场把“判断”变成资产的金融实验。 它可能是群体智慧的巅峰，也可能是情绪放大的放大器。 看懂它的逻辑很重要，但别忘了：价格 ≠ 真相，更 ≠ 合规。 保持学习，保持边界感。 本期视频大鱼解读《预测市是博彩吗？》Polymarket Yutube链接： #polymarket #预测市场
8:47

我们为什么总想预测未来？从战争走向、马斯克星舰，到 BTC 会不会 15 万美金，人类从来没停止过对“不确定性”的定价。 预测市场，不是简单的赌输赢，而是一场把“判断”变成资产的金融实验。 它可能是群体智慧的巅峰，也可能是情绪放大的放大器。 看懂它的逻辑很重要，但别忘了：价格 ≠ 真相，更 ≠ 合规。 保持学习，保持边界感。 本期视频大鱼解读《预测市是博彩吗？》Polymarket Yutube链接： #polymarket #预测市场

大鱼

18,801 Aufrufe • vor 7 Monaten

💡 更新日志 : 现已经接入 Predict、42 预测市场 时间好快，刀盾上线快 4周 了，独立 IP 访问突破 8k+，累计访问量 50w+，日活 1500+ 本来是 泵泵 参加 Binance 小龙虾大赛的项目，不过发现，现在用户还挺多 🙏 后续也会持续迭代，现迎来第一次 版本更新 ！ 👉 新增「预测市场」板块 接入 BSC 生态中，两个热门预测市场：predict predict.fun 和 42 42 1️⃣ / 即将接入币安，真正的 BSC 预测市场亲儿子 2️⃣ / 基于 Bonuding Curve 机制的新概念预测市场 项目初衷：帮助大家用更少的时间，获取更多的行业信息，有什么想要的功能，就 dm 泵泵吧！ 如果觉得有用，也可以设为浏览器主页～🤣 #Binance #BNBChain #Predict
0:38

💡 更新日志 : 现已经接入 Predict、42 预测市场 时间好快，刀盾上线快 4周 了，独立 IP 访问突破 8k+，累计访问量 50w+，日活 1500+ 本来是 泵泵 参加 Binance 小龙虾大赛的项目，不过发现，现在用户还挺多 🙏 后续也会持续迭代，现迎来第一次 版本更新 ！ 👉 新增「预测市场」板块 接入 BSC 生态中，两个热门预测市场：predict predict.fun 和 42 42 1️⃣ / 即将接入币安，真正的 BSC 预测市场亲儿子 2️⃣ / 基于 Bonuding Curve 机制的新概念预测市场 项目初衷：帮助大家用更少的时间，获取更多的行业信息，有什么想要的功能，就 dm 泵泵吧！ 如果觉得有用，也可以设为浏览器主页～🤣 #Binance #BNBChain #Predict

泵泵超人 | Pumpman 🔶

30,847 Aufrufe • vor 4 Monaten

最近世界杯热度起来，很多人又开始关注预测市场。 以前我觉得这种交易型产品离普通人挺远，因为做一个预测市场并不只是搭个网站那么简单，背后涉及交易机制、用户体系、流动性设计、支付方案等多个环节，通常需要一个完整团队才能推进。 但最近我用 DAPPOS 的 xBubble Coding 体验了一下，直接让 AI 帮我做了一个 AI 世界杯预测市场交易产品。 从需求输入、功能设计，到产品雏形落地，整个过程大概花了 20 分钟左右。虽然距离成熟交易平台还有差距，但最大的变化是：以前一个想法，需要先找开发、组团队、投入大量成本；现在一个人配合 AI，就可以快速把想法验证出来。 这背后其实就是最近越来越火的 OPC（One Person Company）经济。未来创业模式可能正在改变，一个人 + AI Agent + Web3 基础设施，也可以完成过去需要多个岗位才能完成的工作。 而预测市场真正吸引人的地方，是它已经跑通了商业收入模型。平台不是单纯靠流量赚钱，而是通过用户交易产生手续费收入。用户每一次买入、卖出预测仓位，平台都可以获得交易费用。像头部预测市场在热门事件期间，交易量可以达到数亿美元级别，手续费收入也随之增长。 世界杯就是一个天然场景，用户可以围绕比赛胜负、球队表现、球员数据等事件进行预测交易。赛事热度越高，参与人数越多，交易频率也会提升，平台就有机会形成持续收入。 过去很多创业想法最大的问题，不是没有市场，而是没有能力快速做出来，现在 AI 正在降低这个门槛。xBubble 给我的感觉，不只是帮你写代码，而是在帮助一个人拥有接近小团队的产品创造能力。 世界杯只是一个例子，AI + 交易市场 + Web3，可能正在打开 OPC 时代新的创业机会，快来xbubble试试吧
0:51

最近世界杯热度起来，很多人又开始关注预测市场。 以前我觉得这种交易型产品离普通人挺远，因为做一个预测市场并不只是搭个网站那么简单，背后涉及交易机制、用户体系、流动性设计、支付方案等多个环节，通常需要一个完整团队才能推进。 但最近我用 DAPPOS 的 xBubble Coding 体验了一下，直接让 AI 帮我做了一个 AI 世界杯预测市场交易产品。 从需求输入、功能设计，到产品雏形落地，整个过程大概花了 20 分钟左右。虽然距离成熟交易平台还有差距，但最大的变化是：以前一个想法，需要先找开发、组团队、投入大量成本；现在一个人配合 AI，就可以快速把想法验证出来。 这背后其实就是最近越来越火的 OPC（One Person Company）经济。未来创业模式可能正在改变，一个人 + AI Agent + Web3 基础设施，也可以完成过去需要多个岗位才能完成的工作。 而预测市场真正吸引人的地方，是它已经跑通了商业收入模型。平台不是单纯靠流量赚钱，而是通过用户交易产生手续费收入。用户每一次买入、卖出预测仓位，平台都可以获得交易费用。像头部预测市场在热门事件期间，交易量可以达到数亿美元级别，手续费收入也随之增长。 世界杯就是一个天然场景，用户可以围绕比赛胜负、球队表现、球员数据等事件进行预测交易。赛事热度越高，参与人数越多，交易频率也会提升，平台就有机会形成持续收入。 过去很多创业想法最大的问题，不是没有市场，而是没有能力快速做出来，现在 AI 正在降低这个门槛。xBubble 给我的感觉，不只是帮你写代码，而是在帮助一个人拥有接近小团队的产品创造能力。 世界杯只是一个例子，AI + 交易市场 + Web3，可能正在打开 OPC 时代新的创业机会，快来xbubble试试吧

鬼谷研选 Ｉ红领巾最帅

17,493 Aufrufe • vor 1 Monat

Mayne这个交易员很有意思，据说现在每个月都能在交易市场盈利5万美金以上，全网有超过六十多万人关注。 他还是自营交易公司 Breakout 的联合创始人Mayne，就是被交易所收购的那个。 他公开了自己的策略，不仅适用于加密货币市场，在外汇市场同样有效，策略不难。Mayne说，策略越简单执行力越高，交易就越稳，各种市场的人性都是一样的，流动性在哪钱就在哪。 先诱导大多数人进场，再反方向收割。 交易就是一场狩猎。
2:53

Mayne这个交易员很有意思，据说现在每个月都能在交易市场盈利5万美金以上，全网有超过六十多万人关注。 他还是自营交易公司 Breakout 的联合创始人Mayne，就是被交易所收购的那个。 他公开了自己的策略，不仅适用于加密货币市场，在外汇市场同样有效，策略不难。Mayne说，策略越简单执行力越高，交易就越稳，各种市场的人性都是一样的，流动性在哪钱就在哪。 先诱导大多数人进场，再反方向收割。 交易就是一场狩猎。

投机实验室

83,591 Aufrufe • vor 6 Monaten

说一下用 1万赚到5000万 退网的“半木夏”，现在用的交易策略。这是一种对周期，流动性，技术分析综合考虑的完整策略，各位可以做个参考😘🤑 想要通过交易赚到大的结果，顺大势而为一定是排在首位，大势就是周期，了解了所处周期，接下来是分析影响市场流动性的因素，半木夏认为这才是对市场走势影响最大的东西/ 找到能给市场带来大量资金流入和资金抽离的因素，就找到了市场涨跌的关键，大量的资金才能推动价格大幅度的波动/ 长期需要关注的有美联储的资产负债表规模，美国财政部的账户余额和重大的事件这三个方向/ 关注这三类的动向就基本可以把握住市场的趋势脉络，但是具体什么时候有大资金流入流出还是要通过交易所/区块链浏览器/监管机构报告三种工具去观察～ 剩下的就是通过技术分析找到入场位置，因为资金的行为最终还是要呈现在图表上，我们就可以依据图表制定交易计划去严格执行，技术分析的重点主要是看结构/形态/指标！ 详细👇
10:15

说一下用 1万赚到5000万 退网的“半木夏”，现在用的交易策略。这是一种对周期，流动性，技术分析综合考虑的完整策略，各位可以做个参考😘🤑 想要通过交易赚到大的结果，顺大势而为一定是排在首位，大势就是周期，了解了所处周期，接下来是分析影响市场流动性的因素，半木夏认为这才是对市场走势影响最大的东西/ 找到能给市场带来大量资金流入和资金抽离的因素，就找到了市场涨跌的关键，大量的资金才能推动价格大幅度的波动/ 长期需要关注的有美联储的资产负债表规模，美国财政部的账户余额和重大的事件这三个方向/ 关注这三类的动向就基本可以把握住市场的趋势脉络，但是具体什么时候有大资金流入流出还是要通过交易所/区块链浏览器/监管机构报告三种工具去观察～ 剩下的就是通过技术分析找到入场位置，因为资金的行为最终还是要呈现在图表上，我们就可以依据图表制定交易计划去严格执行，技术分析的重点主要是看结构/形态/指标！ 详细👇

投机实验室

88,739 Aufrufe • vor 1 Jahr

聪明人最后都走向金融市场 Smart people all end up in finance 因为那里才是世界的终极博弈场 很多人有一个误解，认为金融市场是赌徒的地方，其实恰恰相反 为什么？原因有5个 第五：金融市场是最公平的战场。很多行情拼关系、拼资源、拼背景、拼爹，但金融市场只有一件事，输赢。 你的判断对，钱就到你账户，你的判断错，市场立刻教育你，没有人情、没有关系，只有逻辑。 第四：金融市场是认知速度最快的地方。很多行业就算你很聪明也要熬10年。但在金融市场，如果你的判断是对的，一个周期、可能几天就能改变人生。 所以很多顶级聪明人会选择这个地方。因为这里认知直接兑换财富。 第三：金融市场，是全球最聪明的人聚集的地方。你在这里面的对手是谁？华尔街量化基金顶级资本，他们从算法用模型用算力和你对抗。 就像下棋，你每一步都在和世界级对手博弈。对一些人来说，这种感觉比赚钱更过瘾。 第二：金融市场是最残酷的认知审判长。很多行业失败可以找理由，但金融市场不行。你错了，账户就会告诉你，没有解释、没有借口、市场永远是对的。 所以很多人在这里被打碎，但少数人在这里被打磨。 第一：金融市场是唯一能燃尽你全部认知的地方。很多人活一辈子，从来没有真正用尽自己的大脑，但在金融市场，每天都是极限测试、判断、勇气、纪律、风险，全部同时出现。 如果你输了，说明你不够强。如果你活下来，你会获得一个能力，叫做顶级决策力！ 最后，如果你只是想赚钱，不要进入金融市场，因为这里是收割情绪的地方。 但如果你想知道自己到底有多强，那金融市场就是世界上最残酷、也最公平的地方。 因为在这里，你每天都在做一件事：和全球最聪明的人搏杀。 能活下来的人，最后都会变成一种人，叫猎人！ 你觉得自己有成为市场猎人的格局和定力吗？
2:02

聪明人最后都走向金融市场 Smart people all end up in finance 因为那里才是世界的终极博弈场 很多人有一个误解，认为金融市场是赌徒的地方，其实恰恰相反 为什么？原因有5个 第五：金融市场是最公平的战场。很多行情拼关系、拼资源、拼背景、拼爹，但金融市场只有一件事，输赢。 你的判断对，钱就到你账户，你的判断错，市场立刻教育你，没有人情、没有关系，只有逻辑。 第四：金融市场是认知速度最快的地方。很多行业就算你很聪明也要熬10年。但在金融市场，如果你的判断是对的，一个周期、可能几天就能改变人生。 所以很多顶级聪明人会选择这个地方。因为这里认知直接兑换财富。 第三：金融市场，是全球最聪明的人聚集的地方。你在这里面的对手是谁？华尔街量化基金顶级资本，他们从算法用模型用算力和你对抗。 就像下棋，你每一步都在和世界级对手博弈。对一些人来说，这种感觉比赚钱更过瘾。 第二：金融市场是最残酷的认知审判长。很多行业失败可以找理由，但金融市场不行。你错了，账户就会告诉你，没有解释、没有借口、市场永远是对的。 所以很多人在这里被打碎，但少数人在这里被打磨。 第一：金融市场是唯一能燃尽你全部认知的地方。很多人活一辈子，从来没有真正用尽自己的大脑，但在金融市场，每天都是极限测试、判断、勇气、纪律、风险，全部同时出现。 如果你输了，说明你不够强。如果你活下来，你会获得一个能力，叫做顶级决策力！ 最后，如果你只是想赚钱，不要进入金融市场，因为这里是收割情绪的地方。 但如果你想知道自己到底有多强，那金融市场就是世界上最残酷、也最公平的地方。 因为在这里，你每天都在做一件事：和全球最聪明的人搏杀。 能活下来的人，最后都会变成一种人，叫猎人！ 你觉得自己有成为市场猎人的格局和定力吗？

熹米周期轮动🌐

41,081 Aufrufe • vor 3 Monaten

在2010年，乔治·索罗斯上了一堂40分钟的大师课，讲述了为什么人类会误判市场现实。 他解释了原因： - 市场扭曲现实 - 泡沫是符合逻辑的，而不是非理性的 - 监管机构必须对抗市场 索罗斯的12条经验教训将永远改变你对金融市场的看法：🧵
43:47

在2010年，乔治·索罗斯上了一堂40分钟的大师课，讲述了为什么人类会误判市场现实。 他解释了原因： - 市场扭曲现实 - 泡沫是符合逻辑的，而不是非理性的 - 监管机构必须对抗市场 索罗斯的12条经验教训将永远改变你对金融市场的看法：🧵

柴郡🔔｜Crypto+AI Plus

31,688 Aufrufe • vor 5 Monaten

有个专门盯着天气的量化机器人，刚在 Polymarket 上靠押注东京气温，把 25 美金滚到了 25,408 美金。 当所有人都在加密预测市场里卷高频、被摩擦成本疯狂消耗时，真正聪明的资金，正在天气赛道里闷声套利。 追踪了一下这个名为 'ColdMath' 的实盘地址，累计净利润已经超过 7.8 万美金。底层逻辑就是靠 AI 每天重复执行同一套策略模型： - 累计出手预测 3,873 次 - 单月获利 4.2 万美金 - 纯做天气长尾市场 实盘地址： 为什么现阶段天气市场的赔率优于加密市场？ Polymarket 正在不断增加全球各大城市的天气池子。这个赛道有着极其庞大的开源气象数据，可以直接喂给 Claude 这类大模型进行交叉验证。 最关键的是资金门槛：在加密预测市场跑高频，没有百万级别的体量根本拿不到深度优势；而跑天气套利，500 到 1,000 美金的起步资金就足够试错。 更重要的一点，天气市场对跟单极其友好。 这里的结算周期通常是 24 小时，而不是加密市场那种极度内卷的 5 分钟或 15 分钟级别。拉长的结算窗口，意味着普通跟单者完全有时间去平抑滑点和网络延迟。 天气预测正在成为 Polymarket 上容纳套利资金的新 Alpha。 在这个战场里，要么你自己去硬核手搓代码搞懂逻辑，要么就直接跟随已经跑通的聪明钱。对于非开发背景的交易员来说，借力打力往往是更具性价比的选择。
0:57

有个专门盯着天气的量化机器人，刚在 Polymarket 上靠押注东京气温，把 25 美金滚到了 25,408 美金。 当所有人都在加密预测市场里卷高频、被摩擦成本疯狂消耗时，真正聪明的资金，正在天气赛道里闷声套利。 追踪了一下这个名为 'ColdMath' 的实盘地址，累计净利润已经超过 7.8 万美金。底层逻辑就是靠 AI 每天重复执行同一套策略模型： - 累计出手预测 3,873 次 - 单月获利 4.2 万美金 - 纯做天气长尾市场 实盘地址： 为什么现阶段天气市场的赔率优于加密市场？ Polymarket 正在不断增加全球各大城市的天气池子。这个赛道有着极其庞大的开源气象数据，可以直接喂给 Claude 这类大模型进行交叉验证。 最关键的是资金门槛：在加密预测市场跑高频，没有百万级别的体量根本拿不到深度优势；而跑天气套利，500 到 1,000 美金的起步资金就足够试错。 更重要的一点，天气市场对跟单极其友好。 这里的结算周期通常是 24 小时，而不是加密市场那种极度内卷的 5 分钟或 15 分钟级别。拉长的结算窗口，意味着普通跟单者完全有时间去平抑滑点和网络延迟。 天气预测正在成为 Polymarket 上容纳套利资金的新 Alpha。 在这个战场里，要么你自己去硬核手搓代码搞懂逻辑，要么就直接跟随已经跑通的聪明钱。对于非开发背景的交易员来说，借力打力往往是更具性价比的选择。

风少

34,009 Aufrufe • vor 4 Monaten

视频越做越长了😆……在无数人想要放弃视频这条赛道的时候，我突然更坚定了起来。因为深度内容太有意思了。 列举polymarket和kalshi两个例子，咱们今天来聊聊 【预测市场】 作为一种独特的机制正在崭露头角—— 当群体智慧与金融激励相碰撞时，未来是什么？真相又是什么？ 【时间轴】 00:00 开场 00:33 【预测市场到底是什么？】 01:13 【Polymarket】去中心化预测市场的崛起 02:35 【定义】什么是预测市场？（二元期权） 04:16 【Polymarket】诞生的背后故事/模式 06:54 【kalshi】制度的中心化之子（华尔街精英的合规愿景） 09:17 【多元生态】其他具有代表性的平台 11:12【问题与争议】 12:47【一些思考】
16:20

视频越做越长了😆……在无数人想要放弃视频这条赛道的时候，我突然更坚定了起来。因为深度内容太有意思了。 列举polymarket和kalshi两个例子，咱们今天来聊聊 【预测市场】 作为一种独特的机制正在崭露头角—— 当群体智慧与金融激励相碰撞时，未来是什么？真相又是什么？ 【时间轴】 00:00 开场 00:33 【预测市场到底是什么？】 01:13 【Polymarket】去中心化预测市场的崛起 02:35 【定义】什么是预测市场？（二元期权） 04:16 【Polymarket】诞生的背后故事/模式 06:54 【kalshi】制度的中心化之子（华尔街精英的合规愿景） 09:17 【多元生态】其他具有代表性的平台 11:12【问题与争议】 12:47【一些思考】

JY🌱

57,369 Aufrufe • vor 1 Jahr

对冲基金堡垒(Citadel)掌门人肯·格里芬，刚刚警告：“当前正处于牛市高潮期，但历史经验表明，市场调整往往来得极其迅速，且毫无征兆”。重点他提到了AI，承认“AI会改变世界。问题是，这类变革从来不是线性的”。堡垒今年业绩很差，回报率才5%。1987年，格里芬在哈佛宿舍创业，天使投资人是奶奶，10万美元。 在1990年，年仅22岁的他已创立了自己的基金公司Citadel，又拿到420万美元。在华尔街，智商高的富二代和富三代，自身就是护城河。但是，也有人不服，“说到金融圈的鄙视链。按金融行为的标的来分类，股票二级市场的炒股佬(包括散户和机构)排在最后一名，属于没有资格上桌吃饭的最贱档次”。 事实上，金融食物链的顶端，早已包括“二级市场的炒股佬”。无论是对冲基金，还是量化投资，基本上在二级市场。对冲基金Hedge Funds，通过多样化策略(如多空对冲、套利、杠杆投资)追求绝对回报，不受市场方向限制。二级市场占比最高(90%)。在股票、债券、期货、期权等公开交易所，买卖证券。Citadel基金就是典型。 量化投资(Quant)，依赖算法、AI模型、大数据分析预测价格波动和执行交易，通常自动化执行。几乎全部在二级市场：高频交易(HFT)、统计套利、因子模型等策略依赖实时数据和即时执行，完美匹配交易所的电子化二级市场。Citadel的量化部门，就是二级市场做市商巨头，日交易量占美股总量的20%以上。
1:53

对冲基金堡垒(Citadel)掌门人肯·格里芬，刚刚警告：“当前正处于牛市高潮期，但历史经验表明，市场调整往往来得极其迅速，且毫无征兆”。重点他提到了AI，承认“AI会改变世界。问题是，这类变革从来不是线性的”。堡垒今年业绩很差，回报率才5%。1987年，格里芬在哈佛宿舍创业，天使投资人是奶奶，10万美元。 在1990年，年仅22岁的他已创立了自己的基金公司Citadel，又拿到420万美元。在华尔街，智商高的富二代和富三代，自身就是护城河。但是，也有人不服，“说到金融圈的鄙视链。按金融行为的标的来分类，股票二级市场的炒股佬(包括散户和机构)排在最后一名，属于没有资格上桌吃饭的最贱档次”。 事实上，金融食物链的顶端，早已包括“二级市场的炒股佬”。无论是对冲基金，还是量化投资，基本上在二级市场。对冲基金Hedge Funds，通过多样化策略(如多空对冲、套利、杠杆投资)追求绝对回报，不受市场方向限制。二级市场占比最高(90%)。在股票、债券、期货、期权等公开交易所，买卖证券。Citadel基金就是典型。 量化投资(Quant)，依赖算法、AI模型、大数据分析预测价格波动和执行交易，通常自动化执行。几乎全部在二级市场：高频交易(HFT)、统计套利、因子模型等策略依赖实时数据和即时执行，完美匹配交易所的电子化二级市场。Citadel的量化部门，就是二级市场做市商巨头，日交易量占美股总量的20%以上。

亚洲金融 Asia Finance

15,977 Aufrufe • vor 10 Monaten

别再用单体 AI 跑股票量化交易了！ 大模型做股票交易最大的弱点：不是幻觉，就是无法应对高频变盘的单向思维风暴。 分享一个真正懂金融行为学的硬核 GitHub 开源项目 —— TradingAgents-CN 它专为股票分析设计，核心逻辑极其优雅：用多智能体社会学模拟，把单 LLM 的交易偏见彻底干碎！ 核心杀手锏： 多角色盘前模拟辩论：框架内由宏观分析师、技术交易员、风控官等多个 Agent 角色组成。在系统内展开多轮激烈辩论，通过交叉验证寻找更稳妥的决策点。 全链路金融行为学模拟：从宏观新闻感知、盘前技术面交叉对齐，到模拟盘中的动态仓位控制，完美还原专业投资机构的决策工作流。 中文本地化与回测支持：无缝对接 A股、港股、美股 等核心市场的数据与交易逻辑，而且完美适配 Claude、ChatGPT (OpenAI) 以及国内主流大模型底层。 一站式回测支持：内置高频交易环境模拟与标准量化指标评估，直接输出带思维链（CoT）的决策报告。 感兴趣的可以看看～dyor～ 地址：
0:37

别再用单体 AI 跑股票量化交易了！ 大模型做股票交易最大的弱点：不是幻觉，就是无法应对高频变盘的单向思维风暴。 分享一个真正懂金融行为学的硬核 GitHub 开源项目 —— TradingAgents-CN 它专为股票分析设计，核心逻辑极其优雅：用多智能体社会学模拟，把单 LLM 的交易偏见彻底干碎！ 核心杀手锏： 多角色盘前模拟辩论：框架内由宏观分析师、技术交易员、风控官等多个 Agent 角色组成。在系统内展开多轮激烈辩论，通过交叉验证寻找更稳妥的决策点。 全链路金融行为学模拟：从宏观新闻感知、盘前技术面交叉对齐，到模拟盘中的动态仓位控制，完美还原专业投资机构的决策工作流。 中文本地化与回测支持：无缝对接 A股、港股、美股 等核心市场的数据与交易逻辑，而且完美适配 Claude、ChatGPT (OpenAI) 以及国内主流大模型底层。 一站式回测支持：内置高频交易环境模拟与标准量化指标评估，直接输出带思维链（CoT）的决策报告。 感兴趣的可以看看～dyor～ 地址：

爱丽丝呀！

32,866 Aufrufe • vor 1 Monat

Fin-R1：基于Qwen2.5-7B 并通过强化学习训练金融推理模型 在多项金融基准测试中SOTA 水平 Fin-R1（强化后），以仅 7B 参数，超越大多数同规模乃至数十倍规模模型，部分关键任务甚至拿下第一。 在FinQA（金融表格推理）、ConvFinQA（对话式金融 QA） 中取得最高分 Fin-R1 设计用于金融核心业务场景中的推理与分析任务，包括： ✅ 金融代码编写与生成（如定价模型、风险评估脚本） ✅ 金融计算与建模（量化分析、报表计算等） ✅ 英文金融建模与报告撰写 ✅ 金融安全合规分析 ✅ 智能风控（交易反欺诈、违约预测） ✅ ESG 可持续性分析（环境、社会、治理）
0:40

Fin-R1：基于Qwen2.5-7B 并通过强化学习训练金融推理模型 在多项金融基准测试中SOTA 水平 Fin-R1（强化后），以仅 7B 参数，超越大多数同规模乃至数十倍规模模型，部分关键任务甚至拿下第一。 在FinQA（金融表格推理）、ConvFinQA（对话式金融 QA） 中取得最高分 Fin-R1 设计用于金融核心业务场景中的推理与分析任务，包括： ✅ 金融代码编写与生成（如定价模型、风险评估脚本） ✅ 金融计算与建模（量化分析、报表计算等） ✅ 英文金融建模与报告撰写 ✅ 金融安全合规分析 ✅ 智能风控（交易反欺诈、违约预测） ✅ ESG 可持续性分析（环境、社会、治理）

小互

40,141 Aufrufe • vor 1 Jahr

👀 42 42 又出好玩东西了！赛马你可能玩过，赛币你见过吗？ 世界杯结束了，美股 / 加密 行情又很无聊，好久没有好玩的东西了 币安钱包 eMeme 中之人，预测市场 整活王 42 42 出了一个「代币赛马」新玩法： 👉 这是一个 20秒 结算一次的高频预测市场： 押注时间区间内，涨幅最高的代币，由 Chainlink 预言机 提供为喂价支持 还有 4个小时不到就上实盘市场了，现在有模拟盘可以玩 我刚才试了一下，3 把押中 2 吧，手热得发烫 😆 如果你是急性子，如果你盘感不错，不想等待「普通事件」的冗长过程，喜欢快节奏战斗 那么42 的「高频预测市场」适合你 传送门：
0:30

👀 42 42 又出好玩东西了！赛马你可能玩过，赛币你见过吗？ 世界杯结束了，美股 / 加密 行情又很无聊，好久没有好玩的东西了 币安钱包 eMeme 中之人，预测市场 整活王 42 42 出了一个「代币赛马」新玩法： 👉 这是一个 20秒 结算一次的高频预测市场： 押注时间区间内，涨幅最高的代币，由 Chainlink 预言机 提供为喂价支持 还有 4个小时不到就上实盘市场了，现在有模拟盘可以玩 我刚才试了一下，3 把押中 2 吧，手热得发烫 😆 如果你是急性子，如果你盘感不错，不想等待「普通事件」的冗长过程，喜欢快节奏战斗 那么42 的「高频预测市场」适合你 传送门：

泵泵超人 | Pumpman 🔶

21,130 Aufrufe • vor 11 Tagen

【 #史上最全 Beep AI 产品使用教程：视频+图文】 亲爱的，你有没有发现？ AI 出现之后，越来越多人开始焦虑了 过去两年，各家公司裁员的理由越来越一致 最先被淘汰的，往往就是那些可以被 AI 自动化的白领岗位 整理资料、写报告、做分析、回邮件…… 你现在每天做的工作里，有多少其实 AI 已经能完成？ 所以真正的问题已经不是： “AI 会不会取代人类？” 而是： “你会不会用 AI，替自己赚钱？” 现在很多 AI 工具，看起来都很聪明 会分析、会生成策略、会给建议 但一旦真正进入市场，很多马上开始亏钱 原因很简单！ 因为大部分 AI，从来没有真正经历过真实市场，它们没有被真实盈亏训练过 会写策略，不等于能在市场里活下来 而 Beep Beep 做的事情，完全不一样 Beep 本质上，是一个让 AI 真正进入市场竞争、筛选、进化的系统 赚钱的策略会被保留，亏钱的策略会被淘汰 每一次真实交易结果，都会继续反哺模型 也就是说，它不是“模拟 AI 交易” 而是在用真实市场，不断训练 AI Beep 的逻辑其实很像自然进化： 更好的模型、更好的策略、更多 agent 加入、更多真实数据、更强的模型 能持续正循环的话，整个系统会越来越聪明 而且 Beep 不只是停留在概念 在 R3 上线之后，已经新增了 1600+ 个预测市场 现在你既可以自己手动预测， 也可以直接把交易全权交给 AI Agent AI 会自己扫描市场、选择机会、执行交易、完成结算 24 小时持续运行，不需要情绪，不需要休息 很多人现在还在担心： “AI 会不会抢走我的工作？” 但真正动作快的人，已经开始研究： 怎么让 AI 替自己工作 因为未来最大的差距， 从来不是 AI 和人类之间的差距 而是懂不懂使用 AI 工具的人之间的差距 尤其像 Beep Beep 这种，真正把 AI 放进真实市场持续训练的系统，可能才是 AI 金融真正开始成熟的第一步 很多机会，一旦被市场定价，窗口就会迅速关闭 而现在，也许正是最早理解它的人，还能提前参与的时候 如果你也好奇： AI 到底能不能真正替人参与市场？ AI Agent 是怎么自动完成交易的？ 为什么越来越多人开始关注 AI Finance？ 可以去看看 Beep Beep 最新上线的 R3 你会发现，真正危险的，从来不是 AI 而是别人已经开始用 AI 创造价值，而你还停留在观望
1:50

【 #史上最全 Beep AI 产品使用教程：视频+图文】 亲爱的，你有没有发现？ AI 出现之后，越来越多人开始焦虑了 过去两年，各家公司裁员的理由越来越一致 最先被淘汰的，往往就是那些可以被 AI 自动化的白领岗位 整理资料、写报告、做分析、回邮件…… 你现在每天做的工作里，有多少其实 AI 已经能完成？ 所以真正的问题已经不是： “AI 会不会取代人类？” 而是： “你会不会用 AI，替自己赚钱？” 现在很多 AI 工具，看起来都很聪明 会分析、会生成策略、会给建议 但一旦真正进入市场，很多马上开始亏钱 原因很简单！ 因为大部分 AI，从来没有真正经历过真实市场，它们没有被真实盈亏训练过 会写策略，不等于能在市场里活下来 而 Beep Beep 做的事情，完全不一样 Beep 本质上，是一个让 AI 真正进入市场竞争、筛选、进化的系统 赚钱的策略会被保留，亏钱的策略会被淘汰 每一次真实交易结果，都会继续反哺模型 也就是说，它不是“模拟 AI 交易” 而是在用真实市场，不断训练 AI Beep 的逻辑其实很像自然进化： 更好的模型、更好的策略、更多 agent 加入、更多真实数据、更强的模型 能持续正循环的话，整个系统会越来越聪明 而且 Beep 不只是停留在概念 在 R3 上线之后，已经新增了 1600+ 个预测市场 现在你既可以自己手动预测， 也可以直接把交易全权交给 AI Agent AI 会自己扫描市场、选择机会、执行交易、完成结算 24 小时持续运行，不需要情绪，不需要休息 很多人现在还在担心： “AI 会不会抢走我的工作？” 但真正动作快的人，已经开始研究： 怎么让 AI 替自己工作 因为未来最大的差距， 从来不是 AI 和人类之间的差距 而是懂不懂使用 AI 工具的人之间的差距 尤其像 Beep Beep 这种，真正把 AI 放进真实市场持续训练的系统，可能才是 AI 金融真正开始成熟的第一步 很多机会，一旦被市场定价，窗口就会迅速关闭 而现在，也许正是最早理解它的人，还能提前参与的时候 如果你也好奇： AI 到底能不能真正替人参与市场？ AI Agent 是怎么自动完成交易的？ 为什么越来越多人开始关注 AI Finance？ 可以去看看 Beep Beep 最新上线的 R3 你会发现，真正危险的，从来不是 AI 而是别人已经开始用 AI 创造价值，而你还停留在观望

Moonlight🌙月光🐕 狗宝真帅

33,082 Aufrufe • vor 2 Monaten

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。 基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。 时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法 文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)： 对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集： 准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置： 在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控： 在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择： 通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用： 微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型： 用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)： 在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。
24:14

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。 基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。 时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法 文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)： 对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集： 准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置： 在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控： 在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择： 通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用： 微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型： 用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)： 在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,931 Aufrufe • vor 2 Jahren