正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

接下来是见证奇迹的时刻🪄 我使用 OKX OnchainOS 的K线数据/代币信息/交易活动等全方位数据，结合均值回归/量价分析/Wyckoff/艾略特波了等经典理论，革新了K线走势的预测算法，完整演示请看 VCR： OnchainOS K线预测平台自带完整 Web UI AI 模型使用 Vercel AI SDK 接入，支持所有主流模型自带 SKILL 可供包含 openclaw 在内的所有 Agent 调用提示词请见评论区，由于预测成本过高暂不开放公网预览，赛后我会公开源码和朋友们一起交流学习

大梦想家迪士尼

14,592 subscribers

14,303 次观看 • 5 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

50秒的视频--用CodeX尝试入门量化交易/AI交易以前量化交易门槛很高，普通人基本接触不到——不懂复杂的数学模型、不会写代码，很难上手现在有了Codex，你可以完全不懂代码了。配合微软开源的明星AI 量化平台--Qlib（GitHub 43k+星），从数据处理、因子挖掘到信号生成全流程都开源了这是我目前正在测试的玩法： ➤ Qlib —— 微软开源的 AI 量化全流程平台，能基于比特币历史数据自动挖掘因子、训练模型，输出多空预测信号 ➤ Moss MOSS —— 100%模拟 Hyperliquid 实盘环境。支持一句话生成 Agent实时测试，完全免费。还能每周自动进化策略，最近新增了更多币种，是验证自己交易策略最好的地方我现在只用 Codex ，结合 Qlib + Moss，完全接管我交易 Agent，所有策略制定、开仓平仓、仓位、杠杆、风控，全部基于 Qlib 生成的信号自主决策，并且实时跑在MOSS MOSS 中文的模拟盘上测试，真正 24/7 全自动运行 moss直达：具体提示词在下一条推文👇

50秒的视频--用CodeX尝试入门量化交易/AI交易以前量化交易门槛很高，普通人基本接触不到——不懂复杂的数学模型、不会写代码，很难上手现在有了Codex，你可以完全不懂代码了。配合微软开源的明星AI 量化平台--Qlib（GitHub 43k+星），从数据处理、因子挖掘到信号生成全流程都开源了这是我目前正在测试的玩法： ➤ Qlib —— 微软开源的 AI 量化全流程平台，能基于比特币历史数据自动挖掘因子、训练模型，输出多空预测信号 ➤ Moss MOSS —— 100%模拟 Hyperliquid 实盘环境。支持一句话生成 Agent实时测试，完全免费。还能每周自动进化策略，最近新增了更多币种，是验证自己交易策略最好的地方我现在只用 Codex ，结合 Qlib + Moss，完全接管我交易 Agent，所有策略制定、开仓平仓、仓位、杠杆、风控，全部基于 Qlib 生成的信号自主决策，并且实时跑在MOSS MOSS 中文的模拟盘上测试，真正 24/7 全自动运行 moss直达：具体提示词在下一条推文👇

梭哈.AI

26,346 次观看 • 3 个月前

🚨 卧槽！不到两千行代码跑完一整套 AI 选股，入门 ML 量化看它就够了！ AIAlpha，1.9K stars，把《Advances in Financial Machine Learning》这本书的核心思路用 Python 完整实现了。核心能力： > 把 Tick 数据转换成不同类型的 Bar（Tick Bar、Volume Bar、Dollar Bar） > 进行特征工程和降维（使用了 Stacked Autoencoder） > 用 LSTM 做回归预测回报率 > 用 Random Forest 做分类预测涨跌方向 > 包含在线学习（Online Learning）的实现从 Tick 数据合成 K 线 → 特征工程 → Stacked Autoencoder 降维 → LSTM 回归预测收益 + Random Forest 分类预测涨跌，全流程代码少到离谱，读完你就懂 ML 选股是怎么回事了。

🚨 卧槽！不到两千行代码跑完一整套 AI 选股，入门 ML 量化看它就够了！ AIAlpha，1.9K stars，把《Advances in Financial Machine Learning》这本书的核心思路用 Python 完整实现了。核心能力： > 把 Tick 数据转换成不同类型的 Bar（Tick Bar、Volume Bar、Dollar Bar） > 进行特征工程和降维（使用了 Stacked Autoencoder） > 用 LSTM 做回归预测回报率 > 用 Random Forest 做分类预测涨跌方向 > 包含在线学习（Online Learning）的实现从 Tick 数据合成 K 线 → 特征工程 → Stacked Autoencoder 降维 → LSTM 回归预测收益 + Random Forest 分类预测涨跌，全流程代码少到离谱，读完你就懂 ML 选股是怎么回事了。

爱吃折耳根的Ace

10,406 次观看 • 1 个月前

🚨 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

🚨 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 次观看 • 2 个月前

🚨 卧槽！终于有一个把量化全流程打通的开源平台了 Qbot 是一个支持完全本地部署的 AI 量化投研平台，从数据获取、策略开发、回测、模拟交易到实盘交易，形成完整闭环 Qbot核心特点： > 支持股票、基金、期货和加密货币 > 内置大量因子和策略模型，还支持自动化因子挖掘 > 支持机器学习、深度学习和强化学习策略 > 提供 GUI 和 Web 界面，操作相对友好 > 支持邮件、飞书、微信等实时通知 > 持续更新中，功能已经比较完善简单来说，它把量化交易中最麻烦的「数据 → 策略 → 回测 → 实盘」这一整套流程，打造成了一个相对完整的本地化平台我是 Ace，这边平时也会整理一些 AI / Web3 / 加密市场的新工具和实测体验，不整太多术语。感兴趣的朋友可以顺手关注一下，下次见！

🚨 卧槽！终于有一个把量化全流程打通的开源平台了 Qbot 是一个支持完全本地部署的 AI 量化投研平台，从数据获取、策略开发、回测、模拟交易到实盘交易，形成完整闭环 Qbot核心特点： > 支持股票、基金、期货和加密货币 > 内置大量因子和策略模型，还支持自动化因子挖掘 > 支持机器学习、深度学习和强化学习策略 > 提供 GUI 和 Web 界面，操作相对友好 > 支持邮件、飞书、微信等实时通知 > 持续更新中，功能已经比较完善简单来说，它把量化交易中最麻烦的「数据 → 策略 → 回测 → 实盘」这一整套流程，打造成了一个相对完整的本地化平台我是 Ace，这边平时也会整理一些 AI / Web3 / 加密市场的新工具和实测体验，不整太多术语。感兴趣的朋友可以顺手关注一下，下次见！

爱吃折耳根的Ace

15,209 次观看 • 2 个月前

清华大学重磅开源：全球首款 K 线金融大模型 Kronos 来了！以前的炒股软件预测股价就像猜数字，而 Kronos 的思路是：直接把 K 线的涨跌当成文字来读！像 GPT 预测下一个词一样，去预测未来的股价走势。哪怕你不懂量化，这 4 点也足够震撼： 1️⃣ 它最强的地方在于：哪怕是只有 4.1M 超小体积的版本，预测精度也直逼大版本，直接把体积缩减了 25 倍，普通电脑也能跑得飞起！ 2️⃣ 普通的预测只给你一根死板的线，它支持概率采样。不仅告诉你明天大概涨还是跌，还能生成好几条预测路径，明明白白告诉你它对这次预测“有多大把握”。 3️⃣ 在全世界 45 个交易所的数据上训练过，不管你玩 A 股、美股还是加密货币，它全部看得懂。 4️⃣ 它把从数据准备到策略回测的整套微调工具全放出来了。你可以直接用自己关心的股票数据，给它开小灶、深度定制。在股价预测测试中，它的表现直接把谷歌开源的 TimesFM 时序模型拉开 93% 的差距。地址：仅供研究、学习和辅助决策使用，非投资建议，dyor

清华大学重磅开源：全球首款 K 线金融大模型 Kronos 来了！以前的炒股软件预测股价就像猜数字，而 Kronos 的思路是：直接把 K 线的涨跌当成文字来读！像 GPT 预测下一个词一样，去预测未来的股价走势。哪怕你不懂量化，这 4 点也足够震撼： 1️⃣ 它最强的地方在于：哪怕是只有 4.1M 超小体积的版本，预测精度也直逼大版本，直接把体积缩减了 25 倍，普通电脑也能跑得飞起！ 2️⃣ 普通的预测只给你一根死板的线，它支持概率采样。不仅告诉你明天大概涨还是跌，还能生成好几条预测路径，明明白白告诉你它对这次预测“有多大把握”。 3️⃣ 在全世界 45 个交易所的数据上训练过，不管你玩 A 股、美股还是加密货币，它全部看得懂。 4️⃣ 它把从数据准备到策略回测的整套微调工具全放出来了。你可以直接用自己关心的股票数据，给它开小灶、深度定制。在股价预测测试中，它的表现直接把谷歌开源的 TimesFM 时序模型拉开 93% 的差距。地址：仅供研究、学习和辅助决策使用，非投资建议，dyor

爱丽丝呀！

145,918 次观看 • 2 个月前

今天算是长见识了，不到一小时，完成了一个完全体网站，最让我惊叹跟喜欢的就是效率，比自己手动搭建网站方便快多了 DAPPOS 旗下 xBubble 的 Coding 功能内测，我用 vibe coding 搓了一个 AI 加密货币预测网站，还带了模拟盘功能。网站：大家也可以自己去体验，这个事确实我得好好聊聊，给了我很大惊喜做这个之前我一直琢磨一件事：市面上的行情工具要么贵得离谱，要么纯看线，没有 AI 加持。新手想练手更惨，一上来真金白银下场基本等于送钱。我想要的东西很具体——AI 帮你预测加密货币走势，模拟盘零风险练手把策略跑通，再搞个排行榜让练出来的策略能被看见。以前这需求找前端找后端找 AI 工程师，预算六位数起步。这次我直接打开 xBubble，把需求甩给它：「帮我做一个 AI 加密货币预测平台，接入实时行情数据，支持模拟交易，用户用虚拟资金下单操作，要有排行榜和社区讨论，Premium 订阅走稳定币支付。」然后它开始自己干了。代码生成、服务器部署、域名绑定、API 接入，一条龙全自动。我就在旁边喝咖啡看它跑。出来的东西超我预期： AI 预测引擎：接入链上数据和社媒情绪分析，自动生成多维度预测信号模拟盘交易：虚拟资金下单、止盈止损、全程模拟真实环境实时行情：价格、K 线、深度数据实时更新——核心确实是数据接入要稳说几个让我觉得 xBubble 和 Cursor、Claude Code 本质不同的点：服务器、域名、API Key 这些我完全没碰，xBubble Credit 一键抵扣所有费用。以前光配环境卡三天。用户交易数据全沉淀在自己服务器上，不用担心哪天被无预警封号。在 Web3圈子里数据主权这事太重要了。稳定币结算链路是现成的，不用再折腾 Stripe 或跨境支付。而且 xBubble 的 SOP 系统不光帮你建站。产品详情页、宣传素材、投放广告片，内置成熟 SOP 一键批量生成。我省下来搞设计和剪视频的时间全用来优化预测策略了。它还有双轨机制：成熟标品 SOP 直接用，Bubble Engine 持续生成新 SOP 应对新场景。加密市场变化这么快，这点对我是刚需。 xBubble 卖的不是代码工具，是端到端的业务服务。从建站到收款到营销，整条链路帮你跑通。当大多数人还在用 AI 内卷的时候，聪明人已经用 AI 跨越阶级了。一个想法，一杯咖啡的时间，一个能收钱的 AI 预测平台就跑起来了。用 SOP 碾平运营风险，用 Vibe Coding 兜底个性化增长。这就是 OPC 时代的玩法 xBubble

今天算是长见识了，不到一小时，完成了一个完全体网站，最让我惊叹跟喜欢的就是效率，比自己手动搭建网站方便快多了 DAPPOS 旗下 xBubble 的 Coding 功能内测，我用 vibe coding 搓了一个 AI 加密货币预测网站，还带了模拟盘功能。网站：大家也可以自己去体验，这个事确实我得好好聊聊，给了我很大惊喜做这个之前我一直琢磨一件事：市面上的行情工具要么贵得离谱，要么纯看线，没有 AI 加持。新手想练手更惨，一上来真金白银下场基本等于送钱。我想要的东西很具体——AI 帮你预测加密货币走势，模拟盘零风险练手把策略跑通，再搞个排行榜让练出来的策略能被看见。以前这需求找前端找后端找 AI 工程师，预算六位数起步。这次我直接打开 xBubble，把需求甩给它：「帮我做一个 AI 加密货币预测平台，接入实时行情数据，支持模拟交易，用户用虚拟资金下单操作，要有排行榜和社区讨论，Premium 订阅走稳定币支付。」然后它开始自己干了。代码生成、服务器部署、域名绑定、API 接入，一条龙全自动。我就在旁边喝咖啡看它跑。出来的东西超我预期： AI 预测引擎：接入链上数据和社媒情绪分析，自动生成多维度预测信号模拟盘交易：虚拟资金下单、止盈止损、全程模拟真实环境实时行情：价格、K 线、深度数据实时更新——核心确实是数据接入要稳说几个让我觉得 xBubble 和 Cursor、Claude Code 本质不同的点：服务器、域名、API Key 这些我完全没碰，xBubble Credit 一键抵扣所有费用。以前光配环境卡三天。用户交易数据全沉淀在自己服务器上，不用担心哪天被无预警封号。在 Web3圈子里数据主权这事太重要了。稳定币结算链路是现成的，不用再折腾 Stripe 或跨境支付。而且 xBubble 的 SOP 系统不光帮你建站。产品详情页、宣传素材、投放广告片，内置成熟 SOP 一键批量生成。我省下来搞设计和剪视频的时间全用来优化预测策略了。它还有双轨机制：成熟标品 SOP 直接用，Bubble Engine 持续生成新 SOP 应对新场景。加密市场变化这么快，这点对我是刚需。 xBubble 卖的不是代码工具，是端到端的业务服务。从建站到收款到营销，整条链路帮你跑通。当大多数人还在用 AI 内卷的时候，聪明人已经用 AI 跨越阶级了。一个想法，一杯咖啡的时间，一个能收钱的 AI 预测平台就跑起来了。用 SOP 碾平运营风险，用 Vibe Coding 兜底个性化增长。这就是 OPC 时代的玩法 xBubble

0xLige｜买美股上币安

35,801 次观看 • 1 个月前

这是一套已经被161万人见证过的交易策略，据频道主说这是最好的剥头皮方法，能有接近96.8%的交易胜率，我大牙都被惊掉了😘🤓 接下来我会在比特币图表连续交易回测100次，看看比特币是否适用这套策略！第一个要用到平均K线图 Heikin Ashi，选中这两个黄色五角星的收藏按钮，这样方便我们在平均K线图和普通K线图之间快速切换，平均K线图可以消除强劲的价格波动滤除掉一些市场的噪音，帮助我们更好地识别行情走势/ 平均K线图取的是平均值，虽然两种图表呈现相同的走势，但收盘价与普通K线图的实际价格却有些出入。所以在本次测试中，我会打开右上角的上下布局，上方设置成平均K线图表作为信号指标使用，下方是我们的普通K线图，实际交易以普通K线图为准！第二个用到的指标是Chandelier Exit，后面简称CE指标，我们将参数改成1和2，样式栏中只留下Buy Label和Sell Label两个买卖标签，其他用不到的功能勾掉！第三个用到的指标是ZLSMA（Zero Lag LSMA），后面简称ZL线，将长度设置成50，颜色改成白色！这就是我们要用到的所有作案工具，接下来我就在视频中结合实例解释一下交易规则～

这是一套已经被161万人见证过的交易策略，据频道主说这是最好的剥头皮方法，能有接近96.8%的交易胜率，我大牙都被惊掉了😘🤓 接下来我会在比特币图表连续交易回测100次，看看比特币是否适用这套策略！第一个要用到平均K线图 Heikin Ashi，选中这两个黄色五角星的收藏按钮，这样方便我们在平均K线图和普通K线图之间快速切换，平均K线图可以消除强劲的价格波动滤除掉一些市场的噪音，帮助我们更好地识别行情走势/ 平均K线图取的是平均值，虽然两种图表呈现相同的走势，但收盘价与普通K线图的实际价格却有些出入。所以在本次测试中，我会打开右上角的上下布局，上方设置成平均K线图表作为信号指标使用，下方是我们的普通K线图，实际交易以普通K线图为准！第二个用到的指标是Chandelier Exit，后面简称CE指标，我们将参数改成1和2，样式栏中只留下Buy Label和Sell Label两个买卖标签，其他用不到的功能勾掉！第三个用到的指标是ZLSMA（Zero Lag LSMA），后面简称ZL线，将长度设置成50，颜色改成白色！这就是我们要用到的所有作案工具，接下来我就在视频中结合实例解释一下交易规则～

投机实验室

27,560 次观看 • 1 年前

给大家带来刚刚发布的 DeepSeek-V4-Flash-Vision-Exp 和 openrouter 上的匿名模型 OX-Alpha 多模态实测! 这次是刚要测V4-Flash-Vision的时候评论区有老铁说 OX-Alpha 特别猛, 于是就一起带上了. 使用的是我写的AI电竞教练框架, 由于ds的多模态不支持视频输入, 所以公平起见两个模型都用视频抽帧的方式进行测试, 主要看他们使用Agent, 能否精准识别CS2的游戏录像, 分析玩家的优势和不足, 并提出改进意见. 除此之外, 我还进行了详细测试, 给到大家这两个模型的最佳输入图片配比, 请看视频! #oxalpha #deepseekv4flashvision #多模态大模型 #deepseek #deepseek多模态

给大家带来刚刚发布的 DeepSeek-V4-Flash-Vision-Exp 和 openrouter 上的匿名模型 OX-Alpha 多模态实测! 这次是刚要测V4-Flash-Vision的时候评论区有老铁说 OX-Alpha 特别猛, 于是就一起带上了. 使用的是我写的AI电竞教练框架, 由于ds的多模态不支持视频输入, 所以公平起见两个模型都用视频抽帧的方式进行测试, 主要看他们使用Agent, 能否精准识别CS2的游戏录像, 分析玩家的优势和不足, 并提出改进意见. 除此之外, 我还进行了详细测试, 给到大家这两个模型的最佳输入图片配比, 请看视频! #oxalpha #deepseekv4flashvision #多模态大模型 #deepseek #deepseek多模态

karminski-牙医

23,125 次观看 • 9 天前

做量化最烦的不是写策略，是搭数据管道。 zvt 这个开源框架把"数据采集 + 因子 + 回测 + 机器学习 + 可视化"全焊死了，4.2K stars，A 股美股全覆盖。作者自己说的核心思路就一句话：一行代码完成数据抓取、持久化、增量更新、机器学习、预测、展示。 Stock.record_data() 拉全 A 股 4000 多只票，Stock1dHfqKdata 拉 K 线，MaStockMLMachine 直接训练预测画图——全是模块化封装好的。核心亮点： 1️⃣ 一套代码同时支持 A 股和美股，数据源东方财富/同花顺等国内渠道直连 2️⃣ 数据、因子、信号、交易、ML 五大模块解耦，每个都能独立用 3️⃣ 内置机器学习机器（Machine），MA 策略等经典模型开箱即练 4️⃣ Dash + Plotly 可视化界面，回测和研究场景够用 5️⃣ REST API + 独立前端，配合动态标签系统做 AI + 人工结合的实盘 6️⃣ 支持 QMT 行情和 tick 数据，实盘路径清晰它的本质，是给 A 股量化研究者一个"从数据到模型"的完整底座。不用再自己拼 yfinance、AkShare、backtrader，zvt 一套框架把这条路铺好了。做 A 股量化、想快速验证想法的，值得试试。

做量化最烦的不是写策略，是搭数据管道。 zvt 这个开源框架把"数据采集 + 因子 + 回测 + 机器学习 + 可视化"全焊死了，4.2K stars，A 股美股全覆盖。作者自己说的核心思路就一句话：一行代码完成数据抓取、持久化、增量更新、机器学习、预测、展示。 Stock.record_data() 拉全 A 股 4000 多只票，Stock1dHfqKdata 拉 K 线，MaStockMLMachine 直接训练预测画图——全是模块化封装好的。核心亮点： 1️⃣ 一套代码同时支持 A 股和美股，数据源东方财富/同花顺等国内渠道直连 2️⃣ 数据、因子、信号、交易、ML 五大模块解耦，每个都能独立用 3️⃣ 内置机器学习机器（Machine），MA 策略等经典模型开箱即练 4️⃣ Dash + Plotly 可视化界面，回测和研究场景够用 5️⃣ REST API + 独立前端，配合动态标签系统做 AI + 人工结合的实盘 6️⃣ 支持 QMT 行情和 tick 数据，实盘路径清晰它的本质，是给 A 股量化研究者一个"从数据到模型"的完整底座。不用再自己拼 yfinance、AkShare、backtrader，zvt 一套框架把这条路铺好了。做 A 股量化、想快速验证想法的，值得试试。

爱吃折耳根的Ace

17,575 次观看 • 12 天前

Claude 已上线长桥 Longbridge。现在 ChatGPT、Claude 均已接入 Longbridge🚀。超过 140+ MCP tools 行情、财报、分红、分析师预测、股东变动、机构持仓、完整历史 K 线，实时持仓与订单。另外我们还调整了 AI 使用行情授权，对所有用户免费 US、HK 实时行情数据。

Claude 已上线长桥 Longbridge。现在 ChatGPT、Claude 均已接入 Longbridge🚀。超过 140+ MCP tools 行情、财报、分红、分析师预测、股东变动、机构持仓、完整历史 K 线，实时持仓与订单。另外我们还调整了 AI 使用行情授权，对所有用户免费 US、HK 实时行情数据。

Jason Lee

37,481 次观看 • 27 天前

大语言模型微调之道4——指令微调 #大语言模型微调之道在本期视频中，我们深入探讨了什么是指令微调以及它如何帮助AI模型更好地与用户互动。你知道GPT-3是如何变成具有聊天能力的ChatGPT的吗? 这背后的秘密就是指令微调。这种特殊的技术不仅可以应用于聊天，还可以帮助AI完成推理、编码等多种任务。但是，为了完成微调，我们需要什么数据呢？我们可以使用各种资源，包括互联网上的数据或公司内部的数据，如FAQs、客服聊天记录或Slack消息历史。如果没有适当的数据，也可以使用提示词模板来转换数据为更有目的的格式。Alpaca技术，来自斯坦福，甚至利用ChatGPT来完成这种转换！最后，我们通过实验对比了经过指令微调的模型和未经指令微调的模型的性能。结果显示，经过指令微调的模型能够提供更准确、更符合预期的答案。你还等什么？来了解更多关于如何为模型准备数据并进行微调的信息吧！课程地址： YouTube： B站：

大语言模型微调之道4——指令微调 #大语言模型微调之道在本期视频中，我们深入探讨了什么是指令微调以及它如何帮助AI模型更好地与用户互动。你知道GPT-3是如何变成具有聊天能力的ChatGPT的吗? 这背后的秘密就是指令微调。这种特殊的技术不仅可以应用于聊天，还可以帮助AI完成推理、编码等多种任务。但是，为了完成微调，我们需要什么数据呢？我们可以使用各种资源，包括互联网上的数据或公司内部的数据，如FAQs、客服聊天记录或Slack消息历史。如果没有适当的数据，也可以使用提示词模板来转换数据为更有目的的格式。Alpaca技术，来自斯坦福，甚至利用ChatGPT来完成这种转换！最后，我们通过实验对比了经过指令微调的模型和未经指令微调的模型的性能。结果显示，经过指令微调的模型能够提供更准确、更符合预期的答案。你还等什么？来了解更多关于如何为模型准备数据并进行微调的信息吧！课程地址： YouTube： B站：

宝玉

22,461 次观看 • 3 年前

平时分析数据，从清洗、探索到建模、可视化，再到撰写报告，整个流程非常耗时，当要面对多个不同格式的数据文件时更是头疼。恰巧，找到了 DeepAnalyze 这个开源项目，它能让 AI 自主完成整个数据科学流程，真正做到无需人工干预。基于 DeepSeek-R1 和课程学习训练方法开发，支持数据准备、分析、建模、可视化到报告生成的全流程。可以处理数据库、CSV、Excel、JSON、XML 等各种格式数据，最终直接生成专业级的研究报告给我们。 GitHub：同时提供 50 万条训练数据集，完全开源模型和代码，方便我们二次开发。只需克隆代码到本地并下载模型后，通过 vLLM 部署即可使用。

平时分析数据，从清洗、探索到建模、可视化，再到撰写报告，整个流程非常耗时，当要面对多个不同格式的数据文件时更是头疼。恰巧，找到了 DeepAnalyze 这个开源项目，它能让 AI 自主完成整个数据科学流程，真正做到无需人工干预。基于 DeepSeek-R1 和课程学习训练方法开发，支持数据准备、分析、建模、可视化到报告生成的全流程。可以处理数据库、CSV、Excel、JSON、XML 等各种格式数据，最终直接生成专业级的研究报告给我们。 GitHub：同时提供 50 万条训练数据集，完全开源模型和代码，方便我们二次开发。只需克隆代码到本地并下载模型后，通过 vLLM 部署即可使用。

GitHubDaily

22,027 次观看 • 10 个月前

2025年全球大模型厂商下载量排行榜终于爆肝了一个元旦假期弄完了, 给大家带来2025年全球大模型厂商开放权重模型下载量排行榜. 数据更多代表国内以外的区域的下载量, 因为还有很大一部分在阿里魔搭 (modelscope) 和其他平台, 不过这部分暂时没有开源数据可以用来统计. 画面上半部分是排行榜, 数据来源是 HuggingFace 统计的公开数据集 datasets/cfahlgren1/hub-stats 动画下半部分是当天发布的新模型展示，由于模型过多, 总计750万个模型... 所以这里只展示2025年总下载量超过10K的模型. 注意, HuggingFace 这份统计数据在 2025-02-27 之前的数据只有30天均值下载数据, 28号才增加了历史总下载数据(两天数据差可以推算出当天的精确下载量), 所以27号之前的每天下载量数据使用30天均值数据除以30得到. 因此存在一定的误差, 但理论上不影响最终排名.

2025年全球大模型厂商下载量排行榜终于爆肝了一个元旦假期弄完了, 给大家带来2025年全球大模型厂商开放权重模型下载量排行榜. 数据更多代表国内以外的区域的下载量, 因为还有很大一部分在阿里魔搭 (modelscope) 和其他平台, 不过这部分暂时没有开源数据可以用来统计. 画面上半部分是排行榜, 数据来源是 HuggingFace 统计的公开数据集 datasets/cfahlgren1/hub-stats 动画下半部分是当天发布的新模型展示，由于模型过多, 总计750万个模型... 所以这里只展示2025年总下载量超过10K的模型. 注意, HuggingFace 这份统计数据在 2025-02-27 之前的数据只有30天均值下载数据, 28号才增加了历史总下载数据(两天数据差可以推算出当天的精确下载量), 所以27号之前的每天下载量数据使用30天均值数据除以30得到. 因此存在一定的误差, 但理论上不影响最终排名.

karminski-牙医

16,146 次观看 • 7 个月前

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。

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。

小互

85,751 次观看 • 1 年前

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。

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 次观看 • 2 年前

近期我们研究员正在寻找优质的全流通项目，避免了VC抛售的困扰，同时属于热门赛道，比如 #DEPIN+#AI。并且尽可能上线币安等一线交易所。我很兴奋的给大家分享挖掘出的一颗宝石：Streamr Network ，代币名称为：#DATA ，币安上线。5000万市值，全球通，目前价格0.055。 #Streamr: 一个去中心化实时数据共享网络，旨在提供高速、可靠的数据流传输和处理。通过去中心化的 P2P 架构，无需中央服务器，避免供应商锁定和单点故障。Streamr 为开发者和企业提供了一个无需信任的环境来发布、订阅和交易数据流。其核心目标是使数据变得更加自由和开放，从而推动数据生态系统的发展。数据传输在 #AI 和 #DEPIN 领域应用广泛。数据隐私+低延迟+安全性+抗审查至关重要，#Streamr 为此努力了6年之久，今年一季度发布了 #Streamr 1.0 主网！标志着项目的重要里程碑，将带来更稳定和高效的数据网络性能。看好的理由： ①实时数据流 Streamr 支持实时数据的发布和订阅，用户可以创建或加入数据流，享受即时的数据更新。这在DEPIN、AI、金融市场数据分析等领域非常重要。 ②去中心化网络：网络的P2P去中心化架构确保了数据的安全性和隐私性，消除了单点故障的风险。所有数据流和交易都是在无需信任的环境中进行，具备抗审查性。 ③数据市场： Streamr 内置了一个数据市场，允许用户自由交易数据流。数据提供者可以通过出售数据流获利，而数据消费者可以根据需要购买实时数据。 ④集成与可扩展性： Streamr 提供了强大的 API 和 SDK，使开发者能够轻松地将数据流功能集成到现有的应用程序和平台中。此外，Streamr 网络能够与其他区块链系统（如以太坊）无缝对接，进一步拓展了其应用范围。实际使用案例： Crypto Queries：项目利用 AI 语言工具与 Web3 数据进行交互，提供了一个强大的工具来查询和分析区块链数据。 Streamr ML Demo：项目将 Streamr 平台与 Binance API 连接，使用 ARIMA 机器学习模型来预测未来的交易数据，并在网页上显示实时和预测数据。 Breathing Easy：项目通过Streamr网络和 AI 聊天机器人展示实时空气污染数据，使得用户可以轻松理解空气质量信息。 Streamr+AI： AI数据源：为AI模型提供高质量的实时数据以进行训练和微调。 $DATA 激励数据提供商推动AI数据经济的发展。同时 $DATA 可充当数据交换媒介，通过P2P网络大规模分发带宽密集型AI生成的内容（视频/音频）。 Streamr+DEPIN： DEPIN数据交换媒介：DePIN 中，Streamr 可以促进互联设备之间向去中心化数据交换的转变，使 DePIN 从中心化数据管道过渡到完全去中心化的贡献者阵列。Streamr 协议允许 DePIN 用户通过其网络和技术堆栈向上、向内或向下传输数据。未来展望 Streamr 的去中心化实时数据共享网络具有广阔的应用前景。随着 1.0 版本的发布和更多开发者加入生态系统，Streamr 有望在AI、DEPIN、金融数据和更多领域发挥重要作用。通过不断的技术创新和社区驱动的发展，Streamr 正在努力实现其构建开放和自由数据生态系统的愿景。 👇视频详细了解：

近期我们研究员正在寻找优质的全流通项目，避免了VC抛售的困扰，同时属于热门赛道，比如 #DEPIN+#AI。并且尽可能上线币安等一线交易所。我很兴奋的给大家分享挖掘出的一颗宝石：Streamr Network ，代币名称为：#DATA ，币安上线。5000万市值，全球通，目前价格0.055。 #Streamr: 一个去中心化实时数据共享网络，旨在提供高速、可靠的数据流传输和处理。通过去中心化的 P2P 架构，无需中央服务器，避免供应商锁定和单点故障。Streamr 为开发者和企业提供了一个无需信任的环境来发布、订阅和交易数据流。其核心目标是使数据变得更加自由和开放，从而推动数据生态系统的发展。数据传输在 #AI 和 #DEPIN 领域应用广泛。数据隐私+低延迟+安全性+抗审查至关重要，#Streamr 为此努力了6年之久，今年一季度发布了 #Streamr 1.0 主网！标志着项目的重要里程碑，将带来更稳定和高效的数据网络性能。看好的理由： ①实时数据流 Streamr 支持实时数据的发布和订阅，用户可以创建或加入数据流，享受即时的数据更新。这在DEPIN、AI、金融市场数据分析等领域非常重要。 ②去中心化网络：网络的P2P去中心化架构确保了数据的安全性和隐私性，消除了单点故障的风险。所有数据流和交易都是在无需信任的环境中进行，具备抗审查性。 ③数据市场： Streamr 内置了一个数据市场，允许用户自由交易数据流。数据提供者可以通过出售数据流获利，而数据消费者可以根据需要购买实时数据。 ④集成与可扩展性： Streamr 提供了强大的 API 和 SDK，使开发者能够轻松地将数据流功能集成到现有的应用程序和平台中。此外，Streamr 网络能够与其他区块链系统（如以太坊）无缝对接，进一步拓展了其应用范围。实际使用案例： Crypto Queries：项目利用 AI 语言工具与 Web3 数据进行交互，提供了一个强大的工具来查询和分析区块链数据。 Streamr ML Demo：项目将 Streamr 平台与 Binance API 连接，使用 ARIMA 机器学习模型来预测未来的交易数据，并在网页上显示实时和预测数据。 Breathing Easy：项目通过Streamr网络和 AI 聊天机器人展示实时空气污染数据，使得用户可以轻松理解空气质量信息。 Streamr+AI： AI数据源：为AI模型提供高质量的实时数据以进行训练和微调。 $DATA 激励数据提供商推动AI数据经济的发展。同时 $DATA 可充当数据交换媒介，通过P2P网络大规模分发带宽密集型AI生成的内容（视频/音频）。 Streamr+DEPIN： DEPIN数据交换媒介：DePIN 中，Streamr 可以促进互联设备之间向去中心化数据交换的转变，使 DePIN 从中心化数据管道过渡到完全去中心化的贡献者阵列。Streamr 协议允许 DePIN 用户通过其网络和技术堆栈向上、向内或向下传输数据。未来展望 Streamr 的去中心化实时数据共享网络具有广阔的应用前景。随着 1.0 版本的发布和更多开发者加入生态系统，Streamr 有望在AI、DEPIN、金融数据和更多领域发挥重要作用。通过不断的技术创新和社区驱动的发展，Streamr 正在努力实现其构建开放和自由数据生态系统的愿景。 👇视频详细了解：

Rocky

64,840 次观看 • 2 年前

很高兴能和大家分享 OpenAlice 0.73.0 beta 版本 OpenAlice 致力于成为你的一人华尔街。在全新的版本中，你可以使用 Coding Agent 完成复杂的交易动作，并充分利用 Trading as Collaboration（交易即协作）的特性，来让 Agent 增强你的交易全链路。在交易增强方面，你可以： - 使用 Inbox 来管理 AI 向你推送的高价值信息 - 让 AI 动态创建跟踪的实体、事项、报告 - 使用[[]]双链语法将实体、事项、报告连接起来，构建属于你的深度交易系统 - 通过自描述调度，实现定时调仓、追踪关键时点 - 让 Agent 根据需求改造 Workspace，创造你独特的交易工作流在市场分析方面，你可以： - 使用 traderhub 获得宏观数据的开箱即用体验 - 通过 vendor 与 Broker 同时获取 K 线 - 更多的预置 vendor，支持全球资产追踪（未来会更多）在 AI 调用方面，你可以： - 拥有与直接使用 Coding Agent 几乎无区别的体验，支持 Claude Code / CodeX / OpenCode / Pi - 使用几乎所有主流的 AI 模型和订阅计划，如果你已经订阅了 Claude Code/CodeX，你可以直接使用而无需再付一份钱——毕竟，OpenAlice Workspace也是被抽象的代码工作！与此同时我们还提供了： - 一个签名的 dmg 包！mac 用户可以直接下载使用 - 依然简单的启动体验，clone->install->run 一气呵成 - docker 部署和 remote 部署支持 - 更好看的UI - 依然完全开源希望你喜欢。官网：仓库： Discord： QQ 群：

很高兴能和大家分享 OpenAlice 0.73.0 beta 版本 OpenAlice 致力于成为你的一人华尔街。在全新的版本中，你可以使用 Coding Agent 完成复杂的交易动作，并充分利用 Trading as Collaboration（交易即协作）的特性，来让 Agent 增强你的交易全链路。在交易增强方面，你可以： - 使用 Inbox 来管理 AI 向你推送的高价值信息 - 让 AI 动态创建跟踪的实体、事项、报告 - 使用[[]]双链语法将实体、事项、报告连接起来，构建属于你的深度交易系统 - 通过自描述调度，实现定时调仓、追踪关键时点 - 让 Agent 根据需求改造 Workspace，创造你独特的交易工作流在市场分析方面，你可以： - 使用 traderhub 获得宏观数据的开箱即用体验 - 通过 vendor 与 Broker 同时获取 K 线 - 更多的预置 vendor，支持全球资产追踪（未来会更多）在 AI 调用方面，你可以： - 拥有与直接使用 Coding Agent 几乎无区别的体验，支持 Claude Code / CodeX / OpenCode / Pi - 使用几乎所有主流的 AI 模型和订阅计划，如果你已经订阅了 Claude Code/CodeX，你可以直接使用而无需再付一份钱——毕竟，OpenAlice Workspace也是被抽象的代码工作！与此同时我们还提供了： - 一个签名的 dmg 包！mac 用户可以直接下载使用 - 依然简单的启动体验，clone->install->run 一气呵成 - docker 部署和 remote 部署支持 - 更好看的UI - 依然完全开源希望你喜欢。官网：仓库： Discord： QQ 群：

车厘子

14,172 次观看 • 1 个月前

Google的教学视频《Introduction to Large Language Models | 大语言模型介绍》（中英双语字幕）这个视频介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及Google的Gen AI开发工具。大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。原始视频链接：

Google的教学视频《Introduction to Large Language Models | 大语言模型介绍》（中英双语字幕）这个视频介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及Google的Gen AI开发工具。大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。原始视频链接：

宝玉

114,706 次观看 • 3 年前

🚨 卧槽！终于有开源项目把量化交易全流程打通了 QuantConnect Lean 目前 GitHub 上已有 20k+ star，是一个成熟的开源算法交易引擎。它把数据接入、策略开发、回测、模拟盘和实盘执行全部整合在一起，形成了一套完整的量化闭环，而不是只做其中某一块，核心能力： > 支持股票、加密货币、外汇、期权、期货等多个资产 > 高性能事件驱动回测引擎，可精准模拟滑点、交易成本和市场冲击 > 支持 Python 和 C# 编写策略 > 可直接对接多家券商和数据源，实现从回测到实盘的一条龙 > 内置丰富的绩效分析和可视化工具它真正有用的地方，是把量化交易最麻烦的工程底座标准化：你负责策略逻辑，它负责回测、撮合、组合、交易执行这些脏活。做股票、期货、期权、加密货币量化研究，或者想让 AI Agent 写策略、回测策略的人，建议保存看看

🚨 卧槽！终于有开源项目把量化交易全流程打通了 QuantConnect Lean 目前 GitHub 上已有 20k+ star，是一个成熟的开源算法交易引擎。它把数据接入、策略开发、回测、模拟盘和实盘执行全部整合在一起，形成了一套完整的量化闭环，而不是只做其中某一块，核心能力： > 支持股票、加密货币、外汇、期权、期货等多个资产 > 高性能事件驱动回测引擎，可精准模拟滑点、交易成本和市场冲击 > 支持 Python 和 C# 编写策略 > 可直接对接多家券商和数据源，实现从回测到实盘的一条龙 > 内置丰富的绩效分析和可视化工具它真正有用的地方，是把量化交易最麻烦的工程底座标准化：你负责策略逻辑，它负责回测、撮合、组合、交易执行这些脏活。做股票、期货、期权、加密货币量化研究，或者想让 AI Agent 写策略、回测策略的人，建议保存看看

爱吃折耳根的Ace

59,270 次观看 • 2 个月前

E62. 火爆的RWA、预测市场背后，带来了预言机的新机会？ft. APRO 增长负责人 Sawyer @APRO 太巧了，我们刚跟Sawyer录完，就发现CZ发了一条推，认为针对预测市场的预言机有机会，下面很多评论都推荐了APRO, 接着大表哥还参与了APRO中文征名活动那么 APRO 🟩 AI Oracle 是什么? RWA、预测市场、AI 如何为预言机赛道带来了新的机会？从Chainlink的1.0时代到Pyth的2.0时代，再到APRO提出的AI增强型3.0方案，预言机如何应对RWA、币股、预测市场和AI Agent带来的新挑战？ APRO如何深耕BNB生态？还有散户们非常关注的一点，如何参与这个项目？本期 Day1Global Podcast 节目不容错过时间轴 & 本期精华 00:00 - 开场：预言机是什么？从"数据馈送"理解区块链世界的信息桥梁 06:48 - 预言机的三个发展阶段：从Chainlink 1.0到Pyth 2.0，再到APRO的AI增强3.0时代 13:32 - APRO的市场策略：以比特币生态为支点，快速覆盖40+公链，TVS突破15亿美金 18:18 - AI增强型RWA预言机：如何用大模型验证房地产、Pre-IPO股票、预测市场事件等非结构化资产 27:18 - ATTPS协议：为AI Agent之间的数据通信建立安全标准，已集成DeepSeek等主流框架 36:25 - 预言机的护城河：不是竞争而是共赢，在垄断市场中找到差异化定位 44:09 - EASY Residency Demo Day：在纽交所路演，Web2与Web3的时空交错碰撞 51:04 - 与BNB生态深度融合：服务40+项目，使用Greenfield存储近20GB数据 58:32 - 团队与招聘：20人精干团队，北美和香港BD岗位开放中 1:06:59 - 行业展望：预言机赛道的未来在于抓住每个风口的数据需求免责声明 & 风险提示：主持人或嘉宾在播客中的观点仅代表个人看法，有时可能会持有播客中讨论的某项目的头寸。此播客仅用于提供信息，不作为投资建议，Always DYOR (Do Your Own Research)。

E62. 火爆的RWA、预测市场背后，带来了预言机的新机会？ft. APRO 增长负责人 Sawyer @APRO 太巧了，我们刚跟Sawyer录完，就发现CZ发了一条推，认为针对预测市场的预言机有机会，下面很多评论都推荐了APRO, 接着大表哥还参与了APRO中文征名活动那么 APRO 🟩 AI Oracle 是什么? RWA、预测市场、AI 如何为预言机赛道带来了新的机会？从Chainlink的1.0时代到Pyth的2.0时代，再到APRO提出的AI增强型3.0方案，预言机如何应对RWA、币股、预测市场和AI Agent带来的新挑战？ APRO如何深耕BNB生态？还有散户们非常关注的一点，如何参与这个项目？本期 Day1Global Podcast 节目不容错过时间轴 & 本期精华 00:00 - 开场：预言机是什么？从"数据馈送"理解区块链世界的信息桥梁 06:48 - 预言机的三个发展阶段：从Chainlink 1.0到Pyth 2.0，再到APRO的AI增强3.0时代 13:32 - APRO的市场策略：以比特币生态为支点，快速覆盖40+公链，TVS突破15亿美金 18:18 - AI增强型RWA预言机：如何用大模型验证房地产、Pre-IPO股票、预测市场事件等非结构化资产 27:18 - ATTPS协议：为AI Agent之间的数据通信建立安全标准，已集成DeepSeek等主流框架 36:25 - 预言机的护城河：不是竞争而是共赢，在垄断市场中找到差异化定位 44:09 - EASY Residency Demo Day：在纽交所路演，Web2与Web3的时空交错碰撞 51:04 - 与BNB生态深度融合：服务40+项目，使用Greenfield存储近20GB数据 58:32 - 团队与招聘：20人精干团队，北美和香港BD岗位开放中 1:06:59 - 行业展望：预言机赛道的未来在于抓住每个风口的数据需求免责声明 & 风险提示：主持人或嘉宾在播客中的观点仅代表个人看法，有时可能会持有播客中讨论的某项目的头寸。此播客仅用于提供信息，不作为投资建议，Always DYOR (Do Your Own Research)。

Star@Day1Global Podcast

38,598 次观看 • 10 个月前