今日要點

1、騰訊云創建一站式行業大模型精選商店；

2、比Gen-2還好用的本文轉視頻擴散模型 VideoComposer；

(相關資料圖)

3、又一款金融AI工具—公司債投資助手BondGPT；

4、清華大學提出LiVT，用視覺Transformer學習長尾數據，提高模型泛化能力；

5、微軟給開發者的福音，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峰會—解決大模型應用困難

騰訊云宣布推出MaaS（Model-as-a-Service)大模型服務，依靠騰訊云TI平臺建造行業大模型精選商店，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。

目前企業應用大模型所面臨的困難主要包括：

計算資源少；大模式的訓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；數據質量差；數據是訓練大模型的基礎，質量不高就會導致模型的訓練效果和效率難以保障；投入成本高；模型也需要持續的優化和調試以適配企業專項功能；安全合規；數據安全是企業調用模型最擔心的問題；專業性人才短缺；

見智點評：

騰訊云從保護企業數據產權和隱私的角度，為客戶提低成本、方便快捷的大模型服務，結合自身算力優勢，從模型、數據、應用幾個維度來打通企業應用大模型的困難。針對不同的應用場景，提供更適配的算力網絡和智能應用助手，比如AI代碼助手、會議助手等等。更重要的是，我們觀察到MaaS服務可以滿足客戶模型的預訓練、模型精調、智能開發等多樣化需求，并且支持客戶加入私域數據進行訓練，極大的解決了企業對大模型數據安全的擔憂。

對于如何解決企業應用大模型問題這個業內關注的焦點，華爾街見聞·見智研究非常榮幸邀請到瀾碼科技創始人&CEO【周健】來為大家帶來最核心的解讀：AI浪潮的下一個重要賽道，如何突破企業應用，找到核心的盈利秘籍？ ?歡迎大家預約直播：6月20日 周二 19:00。

2、比Gen-2還好用的本文轉視頻擴散模型 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?？雌饋肀菺en-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。

這項工作對于實現可控的視頻合成在解決時間動態和跨幀時間一致性方面的挑戰方面取得了顯著進展，進一步推動了視覺內容創作的可定制化發展。

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的問題，并幫助用戶解決相關問題。

見智點評：

金融AI工具開發目前非常熱門，在AI見聞周報中我們也分析過有很多金融機構已經開始進行AI項目研發，AI技術在金融行業的應用場景也非常豐富，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注。

4、清華大學提出LiVT，用視覺Transformer學習長尾數據，提高模型泛化能力

清華大學在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據來提升視覺Transformer的性能，并探索解決現實世界中存在數據不平衡問題的新方法。

文章通過一系列實驗發現，在有監督范式下，視覺Transformer在處理不平衡數據時會出現嚴重的性能衰退，而使用平衡分布的標注數據訓練出的視覺Transformer呈現出明顯的性能優勢。相比于卷積網絡，這一特點在視覺 Transformer ?上體現的更為明顯。另一方面，無監督的預訓練方法無需標簽分布，因此在相同的訓練數據量下，視覺 Transformer ?可以展現出類似的特征提取和重建能力?；谝陨嫌^察和發現，研究提出了一種新的學習不平衡數據的范式，旨在讓視覺Transformer模型更好地適應長尾數據。通過這種范式的引入，研究團隊希望能夠充分利用長尾數據的信息，提高視覺Transformer模型在處理不平衡標注數據時的性能和泛化能力。

見智點評：

用視覺Transformer學習長尾數據方法不僅在實驗中取得了顯著的性能提升，而且無需額外的數據，具有實際應用的可行性。比如可以應用在醫療影像分析、安全監控等場景中。

數據往往存在不平衡性，即某些類別的樣本數量遠遠少于其他類別。這導致傳統的模型訓練可能會偏向于預測數量較多的類別，而對于少數類別的性能衰退嚴重。通過用視覺Transformer學習長尾數據，可以更好地適應現實世界中的數據不平衡問題。同時還能夠有效提升少數類別的識別性能，使模型能夠更好地發現和理解樣本特征以及提高泛化能力。

5、微軟給開發者的福音，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，以為開發者提升效率。微軟公告表示“生成見解”已經在 VS 2022 中可用，該工具能為開發者提供深入的見解分析資料，使開發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，能夠提供開發者一些能夠提升編譯效率的方案。

可以讓開發者更深入理解 C++ 開發，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，在維持代碼品質的同時，在一定程度上提升開發能力。

風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。

關鍵詞：