与「机器学习技术」相关的搜索结果

我方注意到，近期 Anthropic 多次将蒸馏技术与所谓“非法行为”相提并论，对正常的机器学习技术进行无端污名化。 我方敦促 Anthropic 立即停止对蒸馏技术的污名化，停止制造技术对立，共同维护开放、包容、合作的人工智能创新生态。

AI股票大师 （推特查漏补缺系列第三弹） 相信大家电脑里的 AI 股票工具已经不少了，但是同质化非常严重，基本都是差不多的模型，差不多的变量，差不多的分析结果。 把这些 AI 股票工具都删了吧，就保留我今天推荐的这个【AI股票大师】，支持美股，A股，港股，并且有下面3个特色核心算法： 1. RTSI - 个股趋势强度指数 RTSI算法基于现代投资组合理论和行为金融学原理，结合机器学习技术构建。该算法通过多维度数据融合，量化个股的趋势强度。 2. TMA - 技术动量分析（行业分析的核心算法） TMA (Technical Momentum Analysis) 算法是本系统的核心创新算法，基于现代技术分析理论和行为金融学原理设计。该算法专门用于衡量行业板块的技术面动量强度，通过多维度技术指标融合，实现对行业轮动机会的精准识别。 3. MSCI - 市场情绪综合指数 MSCI算法基于行为金融学理论，结合市场微观结构理论和情绪分析技术。通过多维度情绪指标融合，量化市场整体情绪状态。 具体算法变量和模型解释大家可以到仓库查询，内容较多我就不在本推文中解释了。 仓库地址： 我是尼卡，平时会持续分享 AI、美股、Web3 相关有用又有趣的工具和项目，感兴趣的话欢迎关注，下次见～

🔥震惊！Fish Audio 居然可以克隆声音而且完全免费🎧 体验了一下还挺好玩的，用手机录制一段自己的声音，上传上去就能克隆合成一个属于你自己的音源，500字以内都免费，每天50次足够用了。除了用自己声音还可以用其他人的，太多选择了。最主要的是用起来非常非常的方便，几乎0门槛。好用推荐 低成本克隆合成声音已经不再是遥不可及的梦想！ 直达传送门： #低成本克隆合成声音# #声音克隆# #机器学习技术# #先进技术# #工具易用性# #生成声音质量# #隐私保护# #声音合成技术# #最佳选项#

Jane Street：100 份金融数据里，只有 1 份有用 Jane Street 研究员 In Young Cho 认为，金融机器学习最棘手的问题之一，是在极端高噪声的数据中寻找有效信号，100 单位数据里可能只有 1 单位真正有用。当交易者发现价格中的某种规律，并据此进行交易，这种规律又会被市场参与者不断套利，最终逐渐失效。 与此同时，金融危机和市场状态切换还会持续改变数据分布，使模型难以长期稳定地提取信号。（Jane Street 是一家全球性的量化交易公司，业务覆盖多个金融市场。近年来，公司持续加大机器学习与 AI 技术投入，并将相关模型应用于实际交易，但在 2026 年 7 月，公司因 AI 相关交易等敞口遭遇约 150 亿美元冲击，录得自 2016 年以来首个负交易收入月份；但其年内交易收入仍已超过 400 亿美元。） 内容不构成任何投资建议，请严格遵循当地法律法规。 《白线 WhiteLine》由吴说团队出品，从 Crypto 走向更广阔的资本市场，关注 AI 时代下的趋势变化与交易机会。

我去！有人把私募量化研究员的整套技术体系，整理成了一份免费的中文实战手册！ 从因子挖掘、机器学习选股，到 Barra 风险模型、组合优化和 A 股真实交易规则，连 Python 源码都准备好了！ 这个开源项目就是 quant-handbook。 涵盖 8 大模块、31 讲课程和 31 份 Python 实战示例，从因子挖掘、机器学习选股到组合优化、策略回测都有！ 核心亮点： 1️⃣ 数据工程：使用 Polars、DuckDB 处理行情数据，解决复权、财报对齐和未来数据泄漏。 2️⃣ 因子研究：覆盖量价、基本面、订单流因子，以及 IC/IR、分层回测和因子正交化。 3️⃣ AI 量化选股：结合 LightGBM、CatBoost、SHAP，构建机器学习选股流程。 4️⃣ 组合优化：实现 Barra 风险模型、风险平价、行业中性和换手率约束。 5️⃣ 真实交易回测：模拟 A 股 T+1、涨跌停、停牌、手续费、印花税和市场冲击成本。 6️⃣ 绩效归因：分析 Alpha、Beta 收益来源，监控特征漂移和组合风险。 以前学量化，因子会算、模型会训练，但真正做回测时，未来函数、交易成本和风控问题经常被忽略。 这套手册把完整的量化研究流程都串起来了。 我比较喜欢它对回测真实性的处理，不只是计算收益曲线，还把无法成交、交易成本和未来数据泄漏这些问题考虑进去了。 31 讲都有对应的 Python 示例，适合从零学习，也能作为量化策略开发的参考。 做 A 股量化、机器学习选股，或者想系统学习量化研究的，这份手册值得收藏！

好莱坞著名影星本·阿弗莱克（Ben Affleck）讲起 AI 来，居然头头是道，各种专业名词随手拈来。 在 GQ 这段访谈里，他从卷积神经网络、Transformer、张量，一路聊到反向传播、注意力层、感知机、推理，以及随机性计算和确定性计算的区别。中间还穿插着 Python、GPU、边缘检测、特征提取、训练数据标注。主持人听到一半忍不住打趣：谢谢你这样跟我讲，仿佛我真的听得懂。 他是怎么走到这一步的？ 按他自己的讲述，他从小就喜欢电脑。后来电影制作从胶片转向数字，他开始更深入地接触技术。在创办 Artists Equity 之前，他还经营过一家小型视觉特效公司，经常接触 GPU 和机器学习。 他学 AI，是从电影里的画面怎么处理开始的。一帧图像可以表示成张量，里面包含帧编号、每个像素的 RGB 数值等信息。通过卷积神经网络识别边缘、提取特征，就能判断窗台在哪里，帮助绿幕抠像、替换背景。他也会自己写 Python 脚本，不过按他自己的评价，编程水平挺烂的。 后来，特效团队告诉他，Google 和 OpenAI 正在用 Transformer 做一些很有意思的视频技术。他就直接联系这些公司，问能不能去看看。 第一次看到生成视频的效果，他受到的冲击很大，马上给马特·达蒙打电话，觉得他们的职业可能要完了。一度甚至想着，趁现在赶紧把还能拍的电影拍完。 但他没有停留在这个震撼里。接下来，他又和工程团队坐下来，研究训练数据、标注方式，以及这些系统到底能控制到什么程度。 他发现，生成出来的画面虽然逼真，但控制性和一致性仍然存在问题。你要求移动摄像机，模型有时会直接在画面里生成一台摄像机。对普通观众来说，一段惊艳的视频可能已经足够；但对电影制作来说，镜头、场景和连续性都得能够按照创作者的意图精确调整。 研究数据的过程中，他觉得技术团队忽略了一件事：电影拍摄本身就能产生大量有组织的原始数据。与网上抓取的压缩视频相比，专业拍摄流程里还有很多可以主动采集、组织和利用的信息。 于是，他拿出资金，另外成立了一家公司，花了好几个月构建自己的数据集。按他的描述，团队使用大量摄像机、激光雷达和定位设备，结合 Unreal 引擎与虚拟摄影棚，采集用于 AI 图像生成的数据。他随后招募了工程师、推理专家、数据架构师和视觉特效人员，把这件事继续做下去。 他特别在意训练数据的来源。拿同行的作品训练模型，再告诉对方模型的部分能力来自他们的创作，他觉得不舒服。他希望通过自己制作数据，减少对这类素材的依赖，也让电影人对使用这些工具更安心。 这家公司就是 InnerPositive，现在已经被 Netflix 收购。能看出来的是，他已经真正参与到数据、技术团队和产品用途的讨论里，而不只是为公司挂个名字。 他对当今最热门的话题 AI 安全也有自己的看法。他不认同 AI 必然变成“天网”、接管世界的说法，但很警惕把不可预测的系统放进涉及人生死的决策中，比如武器目标选择、自动安保。 他的理解是，我们过去习惯了像计算器一样工作的电脑，期待它每次都给出确定的结果。生成式 AI 的工作方式不同，输出具有随机性，不能因为它经常表现得很好，就把关键控制权交给它。 至于创作者对 AI 的恐惧，他觉得完全可以理解。一个人被告知自己的饭碗即将被取代，当然会担心。科技公司一边宣称要消灭大量工作，一边又期待大家热情拥抱自己的产品，这本身就很难说得通。 他还提出了一个判断未来预测的方法：先看看这个人过去的预测，究竟兑现了多少。宣布人类即将完蛋，很容易获得关注；真正把工具做得可控、让使用者放心，需要更具体的工作。 他还把 AI 安全落到了公司的责任上：如果你的产品伤害了别人，公司就得承担法律责任。在他看来，这是约束这场技术竞赛的重要力量。企业有动力不断提升能力、抢市场、赚更多钱，也必须为产品造成的后果负责。

真没想到！很多今天看起来很新的量化玩法，阿布量化十年前就已经在做了 缠论 / 波浪 / 谐波 / K 线形态 / 均线指标，全给你量化成买卖信号 abu，18.2K Stars，GPL-3.0 开源，一套老牌 Python 量化交易系统。 以前做量化，选股、择时、仓位、回测、参数优化、机器学习，往往得自己东拼西凑一堆脚本。 abu 不一样，它直接把这些东西塞进同一套框架，从找股票到跑策略、控风险、做参数优化，一路都给你搭好了。 核心能力： 1️⃣ 选股 + 择时：选什么股票、什么时候买卖，都能拆成独立因子自由组合 2️⃣ 完整回测：手续费、滑点、多股票、仓位管理、收益度量这些基础设施直接用 3️⃣ 参数优化：自带 Grid Search 和评分体系，可以批量找更合理的策略参数 4️⃣ 技术分析：MACD、KDJ、BOLL、RSI、ATR、ADX、缺口、背离等信号都有现成模块 5️⃣ AI / 机器学习：内置多套量化评分模型，还把形态、心理、趋势等特征做进机器学习流程 6️⃣ 多市场支持：A 股、港股、美股、期货、期权、Bitcoin 等都能拿来研究和回测 我觉得 abu 最有意思的地方，是它不是只给你一个“回测器”。 而是把量化交易真正拆成了一整套流程： 先选股，再择时； 再做仓位和风控； 最后拿历史数据验证、调参数。 现在看它的代码风格可能不算最新潮，但如果你想系统搞懂一套量化框架到底应该有哪些模块，这个项目依然很值得拆。 仓库：

非常建议每一个选择计算机系的大学生，在大学时期将cs336啃完，不开中文字幕，只开英文字幕。啃完之后，你对LLM的理解和英语能力至少在国内前百分之1%。 这门课超过国内任何一所大学里面计算机的课程。 《Stanford CS336: Language Modeling from Scratch》 是一门斯坦福大学计算机科学系的课程，这门课每一年春季都会有，每一年都会在油管免费开放。 里面的内容非常前沿而且实用，目前油管上的版本是25年的版本，第一节课提到的模型已经是GPT-4。而与此同时，国内的计算机课程还在用着至少5年前的PPT。 依稀记得，我的第一节C语言课程，PPT的里面的演示系统是XP... 啃完CS336，你会收获LLM的全栈技术栈，从数据收集，清洗，模型训练，优化，评估到部署，Transforemer架构，注意力机制，各种目前最新的机器学习训练方法 这门课的目标就是从头让你手搓一个LLM，亲手实现完整的pipeline。 两位主要讲师： 1、Percy Liang MIT 本科 + MEng，UC Berkeley 博士（2011）。曾在 Google 做 post-doc，后加入 Stanford 任教。 2、Tatsu Harvard 本科（统计与数学），MIT 博士（co-advised by Tommi Jaakkola 和 David Gifford），之后在 Stanford 做 Percy Liang 和 John Duchi 的 post-doc 耐心啃完这个，所有计算机课程几乎都不需要上了...因为在过程中必然会遇到很多不懂的点，边学边查，然后顺带就把学校关于机器学习和深度学习的专业课给学完了。 如果刚上大一，可以先看cs50，然后再到cs336，先稍微打点计算机的基础。 与此同时，一定要把线性代数学好，将高数丢了都要把线性代数学好，线性代数是机器学习的底层DNA。 如果线性代数没有学好，会比较难理解神经网络，相当于没学好加减乘除就想去求导。

德国萨尔布吕肯信息技术安全研究中心CISPA正在接受出资方受权的独立特别调查员的调查，就与安全相关的研究成果是否泄露给了外国实体这一问题给出明确回答。 此外，调查还将审查CISPA研究中心管理层扮演的角色，以及现有的科研安全措施是否充足。CISPA中心的创办人兼科研主任巴克斯（Michael Backes）暂被停职，而在调查结束前，中断与中国的所有研究项目。 根据《商报》报道，CISPA内一个专注于信息技术安全、数据保护和人工智能的科研小组共有19名成员，其中18名来自中国。另一个研究机器学习和数据保护交叉领域的研究小组，则全部由中国科学家组成。有些中方科研人员同受到制裁的“国防七子”有牵连；有些项目的经费来自中国。 文章写道，“有安全专家认为，这种资金投入清楚地表明，它的目标是让知识流向中国。“ 报道指出，中国2017年立法规定，公民在必要时有义务与情报机构合作。 CISPA不属于政府机构，也不是大学，而是一家非营利的研究机构，资金主要来自德国联邦政府和萨尔州政府拨款。 萨尔州政府也发表声明指出，州政府高度重视CISPA的重要性，“正是出于这个原因，管理层必须特别关注整个研究领域中针对中国的明显安全问题。” 详细报道：

看到 Redis 的作者 X 上发声，说总有人反复说中国的模型是蒸馏出来的，是根本不懂机器学习。 之前看到有人说中国的模型是蒸馏出来的我还都会辩驳一番，后来实在是见到太多了，累了不想说了，干脆写出来算了。 很多人说蒸馏其实根本不知道蒸馏是什么，他们背后的意思可能是收集了大量的 Claude/ChatGPT 的对话就能让自己的模型能力也变成和 Claude/ChatGPT 一样，但根本没考虑技术上的可行性。 举个图像识别的例子，如果有一个模型可以识别动物，我想把它蒸馏到我自己的模型。如果我只是拿图片和老师模型分类结果给到学生模型，那这个蒸馏毫无意义。因为这和我直接拿标注好的样本进行训练没有区别，甚至标注结果比老师模型更准确，用老师模型的结果反而会降低准确性。 如果老师模型的分类结果对蒸馏没有意义，那什么对蒸馏有意义？有意义的是最终结果前一层各个分类的权重。例如分类识别结果是猫，那前一层可能是猫的概率 80%，老虎概率 5%，豹子概率 7%，狗概率 0% ...，这一层其实才是模型的预测概率分布，是学生模型要学的。因为这里面比最后一个单一的结果包含了更多的隐含信息，比如猫和豹子更像，和狗更不像，这个更接近真实世界的概率分布。 在 LLM 里也是类似的，看似 LLM 是生成下一个 Token，其实生成的是下一个 Token 的一个概率分布。本质上 LLM 的参数是固定的，那么同样的输入，对应输出也是固定的。现在之所以每次对话生成都不一样，是因为在输出的时候并不是选择概率最大的那个 Token，而是在一定概率范围内随机挑一个 Token 导致的输出随机性。这也就是 Temperature, Top-k 这些参数干的事情，调整最后的概率分布，增加输出的随机性。 所以只是收集 Claude/ChatGPT 的大量对话输出并没有办法做严格意义的蒸馏，因为无法获得概率分布的信息，也就没有办法让模型快速收敛到 Claude/ChatGPT 的样子。 那么用这些对话输出做 SFT 呢，蒸馏概念扩张后也有人把这一类叫做语料蒸馏。理论上是可以的，但是 SFT 通常作用是把语言风格和偏好进行对齐，一般认为 SFT 会牺牲大模型本身的泛化能力和智能水平，变得更像一个专业模型，我个人倾向于认为这种方式无法让模型获得能力上的提升。 再有一种可能就是把这些对话内容直接作为预训练语料的一部分。在现有的模型论文里也可以看到预训练的时候已经开始使用生成数据了。但是一般认为这种工具调用和 agent 能力需要通过大规模的 RL 才能激发出来，在预训练阶段能发挥多大作用我比较怀疑。而且预训练其实更需要通用的能力，不可能让大量生成数据污染整体的数据质量。我个人倾向猜测预训练阶段会有一部分从 Claude/ChatGPT 来的数据，甚至很难避免，因为他们已经大量成为这个世界数据的一部分了，但靠这个是远远无法实现类似的编码和 agent 能力的。 你看别人只是说一句模型蒸馏，我要费那么大劲去解释，真的是不想再说了。