30
个编辑
更改
跳到导航
跳到搜索
第15行：
第15行： − + 第32行：
第32行： − + 第41行：
第41行： − + 第51行：
第51行： − + − 第73行：
第72行： − + 第80行：
第79行： − + + − +
修改了图片，增加了相关描述
[[文件:TALENT性能对比.png|800x800像素|替代=|居中]]
[[文件:TALENT性能对比.png|800x800像素|替代=|居中|性能对比：极数 vs. XGBoost]]
=== <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|1000x1000像素|替代=|居中]]
[[文件:ModelStructure.png|1000x1000像素|替代=|居中|模型架构]]
[[文件:Datagen.png|1000x1000像素|替代=|居中]]
[[文件:Datagen.png|1000x1000像素|替代=|居中|数据生成总览]]
[[文件:Maskprediction.png|700x700像素|替代=|居中|
[[文件:Maskprediction.png|700x700像素|替代=|居中|
掩码预测总览]]
]]
<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|800x800像素|替代=|居中]]
[[文件:TALENT：分类性能.png|居中|缩略图|800x800像素|TALENT：分类任务性能对比]]
[[文件:Talentreg.png|600x600像素|替代=|居中]]
[[文件:Regression.png|居中|缩略图|748x748像素|TALENT：回归任务性能对比]]
[[文件:Robustness.png|替代=|居中|900x900像素]]
[[文件:Robustness.png|替代=|居中|900x900像素|模型鲁棒性评测]]