30
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − + + + + + 第8行：
第12行： − − [[文件:TALENT性能对比.png|左|800x800像素]] − − − − − − − − − − − + 第39行：
第31行： − + − − − − − − − − − − − − − − − − − − − − − − − 第69行：
第38行： − + − − − − − − − − − − − 第87行：
第45行： − + − − − − − − − − − − − − − − 第120行：
第64行： − + − − − − − − − − − − − − − − − − − − − − − − + − − − − − − − − − − − − − − − − − + − [[文件:Robustness.png|900x900像素]]
无编辑摘要
[[文件:Mask group.png|900x900像素|替代=|居中]]
[[文件:Mask group.png|900x900像素|替代=|居中|
]]
<big>2025 年 8 月 29 日，由清华大学计算机系崔鹏教授团队联合稳准智能共同研发的结构化数据通用大模型“极数”（LimiX）正式宣布开源。此次发布标志着我国在结构化数据智能处理领域的技术突破与生态开放迈出关键一步，将显著降低千行百业应用结构化数据 AI 技术的门槛。特别是在结构化数据占主导的泛工业领域，“极数”大模型将助力AI深度融入工业生产全流程，破解工业数据价值挖掘难题，为实现智能制造与新型工业化提供关键支撑，推动产业技术变革和优化升级。</big>
<big>2025 年 8 月 29 日，由清华大学计算机系崔鹏教授团队联合稳准智能共同研发的结构化数据通用大模型“极数”（LimiX）正式宣布开源。此次发布标志着我国在结构化数据智能处理领域的技术突破与生态开放迈出关键一步，将显著降低千行百业应用结构化数据 AI 技术的门槛。特别是在结构化数据占主导的泛工业领域，“极数”大模型将助力AI深度融入工业生产全流程，破解工业数据价值挖掘难题，为实现智能制造与新型工业化提供关键支撑，推动产业技术变革和优化升级。</big>
<big>从技术性能到产业落地，“极数”大模型的核心优势已得到充分验证。在超过600个数据集上的十余项测试结果表明，“极数”大模型无需进行二次训练，已经在准确率、泛化性等关键指标上均能达到或超过专有SOTA模型。而在产业应用层面，“极数”大模型已成功落地多个真实工业场景，无需训练、部署成本低、准确率高、通用性强的特点获得合作企业的高度认可，成为推动工业数据价值转化的实用型技术方案，正加速形成面向泛工业垂直行业核心业务场景的真正智能底座。</big>
<big>从技术性能到产业落地，“极数”大模型的核心优势已得到充分验证。在超过600个数据集上的十余项测试结果表明，“极数”大模型无需进行二次训练，已经在准确率、泛化性等关键指标上均能达到或超过专有SOTA模型。而在产业应用层面，“极数”大模型已成功落地多个真实工业场景，无需训练、部署成本低、准确率高、通用性强的特点获得合作企业的高度认可，成为推动工业数据价值转化的实用型技术方案，正加速形成面向泛工业垂直行业核心业务场景的真正智能底座。</big>
[[文件:TALENT性能对比.png|800x800像素|替代=|居中]]
=== <big>研发团队</big> ===
=== <big>研发团队</big> ===
==== <big>模型技术架构</big> ====
==== <big>模型技术架构</big> ====
[[文件:ModelStructure.png|左|1000x1000像素]]
[[文件:ModelStructure.png|1000x1000像素|替代=|居中]]
==== <big>训练数据构建</big> ====
==== <big>训练数据构建</big> ====
[[文件:Datagen.png|左|1000x1000像素]]
[[文件:Datagen.png|1000x1000像素|替代=|居中]]
==== <big>模型优化目标</big> ====
==== <big>模型优化目标</big> ====
[[文件:Maskprediction.png|左|700x700像素]]
[[文件:Maskprediction.png|700x700像素|替代=|居中]]
<big>模型评测方面，选取了各个领域的权威数据集作为Benchmark。如开源数据集Talent，它包含上百个真实数据集，是当前领域内体量最大、最具代表性的基准之一。在分类任务中，对比“极数”与21个领域内的常用baseline方法，“极数”大模型的模型性能显著超越其他模型，在AUC、ACC、F1 Score和ECE上均取得了最优。</big>
<big>模型评测方面，选取了各个领域的权威数据集作为Benchmark。如开源数据集Talent，它包含上百个真实数据集，是当前领域内体量最大、最具代表性的基准之一。在分类任务中，对比“极数”与21个领域内的常用baseline方法，“极数”大模型的模型性能显著超越其他模型，在AUC、ACC、F1 Score和ECE上均取得了最优。</big>
[[文件:Talentcls.png|左|800x800像素]]
[[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|左|600x600像素]]
[[文件:Talentreg.png|600x600像素|替代=|居中]]
[[文件:Robustness.png|替代=|居中|900x900像素]]
=== <big>模型落地应用</big> ===
=== <big>模型落地应用</big> ===