更改

==== <big>训练数据构建</big> ====

==== <big>训练数据构建</big> ====

[[文件:Datagen.png|1000x1000像素|替代=|居中]]

[[文件:Datagen.png|1000x1000像素|替代=|居中]]

<big>不同于传统的树模型和基于transformer架构的LLM，“极数”大模型在训练过程中完全使用生成数据，不依赖于任何真实世界的数据来源。为了使数据生成的过程高效且可控，团队使用了基于结构因果图的数据生成方式：采样到的初始数据在有向无环图上进行传播，通过复杂的边映射和节点交互来模拟现实世界中不同的因果依赖关系；通过对因果图上的生成数据进行采样，最终获得训练数据中的特征和目标。使用这种方法生成的数据，既实现了因果结构上的多样性，又保证了数据的可控性。</big>

<big>不同于传统的树模型和基于transformer架构的LLM，“极数”大模型在训练过程中完全使用生成数据，不依赖于任何真实世界的数据来源。为了使数据生成的过程高效且可控，团队使用了基于结构因果图的数据生成方式：采样到的初始数据在有向无环图上进行传播，通过复杂的边映射和节点交互来模拟现实世界中不同的因果依赖关系；通过对因果图上的生成数据进行采样，最终获得训练数据中的特征和目标。使用这种方法生成的数据，既实现了因果结构上的多样性，又保证了数据的可控性。</big>

==== <big>模型优化目标</big> ====

==== <big>模型优化目标</big> ====

[[文件:Maskprediction.png|700x700像素|替代=|居中]]

[[文件:Maskprediction.png|700x700像素|替代=|居中|

 

 

]]

<big>此外，“极数”大模型将特征缺失比例纳入考量，通过设计针对每行或每个子集缺失的训练目标，稳定了模型在不同缺失程度下的推理性能，提高了对各类缺失模式的鲁棒程度。</big>

<big>此外，“极数”大模型将特征缺失比例纳入考量，通过设计针对每行或每个子集缺失的训练目标，稳定了模型在不同缺失程度下的推理性能，提高了对各类缺失模式的鲁棒程度。</big>

==== <big>模型推理</big> ====

==== <big>模型推理</big> ====

<big>在推理应用环节，“极数”大模型具备极强的场景适配性与任务灵活性。该模型无需针对特定场景或任务进行额外训练，即可直接接收表格、时序、图等多形态结构化数据输入；用户仅需明确分类预测、回归预测、缺失值补全、数据生成、因果推断、因果发现等具体任务类型，模型即可自动完成数据解析、逻辑建模与结果输出，真正实现即插即用模式，高效覆盖各类结构化数据处理需求。此外，“极数”大模型还支持针对数据集进行模型高效微调，可使模型学习更全面的数据中的因果联系，在预测层面的性能会进一步提升。</big>

<big>在推理应用环节，“极数”大模型具备极强的场景适配性与任务灵活性。该模型无需针对特定场景或任务进行额外训练，即可直接接收表格、时序、图等多形态结构化数据输入；用户仅需明确分类预测、回归预测、缺失值补全、数据生成、因果推断、因果发现等具体任务类型，模型即可自动完成数据解析、逻辑建模与结果输出，真正实现即插即用模式，高效覆盖各类结构化数据处理需求。此外，“极数”大模型还支持针对数据集进行模型高效微调，可使模型学习更全面的数据中的因果联系，在预测层面的性能会进一步提升。</big>

=== <big>模型效果</big> ===

=== <big>模型效果</big> ===

[[文件:Talentcls.png|800x800像素|替代=|居中]]

[[文件:Talentcls.png|800x800像素|替代=|居中]]

<big>在回归任务上，“极数”大模型在R2和RMSE指标上都达到了平均最优，对比其他baseline方法展现出了明显的优势。并且在数据集中有干扰特征或无效特征时，性能优势更加明显。</big>

<big>在回归任务上，“极数”大模型在R2和RMSE指标上都达到了平均最优，对比其他baseline方法展现出了明显的优势。并且在数据集中有干扰特征或无效特征时，性能优势更加明显。</big>

[[文件:Talentreg.png|600x600像素|替代=|居中]]

[[文件:Talentreg.png|600x600像素|替代=|居中]]