LLM，agent 底层技术经历了三个大的阶段。 符号系统的缺点在于过于依赖人工定义的“符号”和“逻辑”，强化学习苦于训练数据的匮 乏和“模态墙”，而 LLM 一次性解决这些问题。 人类语言就是一种高度抽象、跨模态、表达力充分的符号系统，同时它作为知识的载体，自 然地存在大量数据可用于训练，还蕴含了人类的思维模式。 在此基础上训练得到的 LLM，自然具备被诱导出类人思考的潜力。在 COT（思维链）【4】、 SWE-bench verified 第一位 （53%）。 基于代码大模型的自身进化，以及 RAG 技术、智能体的有力支持，从而 LLM 有更好的上 下文感知能力。例如，在代码大模型预训练时，其训练语料中加入抽象语法树（AST）、代码依 赖关系等数据，新的代码生成模型则具有更强的上下文感知能力。 41 / 111 在此基础上，基于 AI 的编程工具能够根据给定的上下文（如函数名、注释、部分代码等） 硅基流动等组成的 GPU 推理集群 服务提供商，它们处理扩展与缩减等技术难题，并在基本计算费用基础上收取额外费用，从 而让应用公司无需承担构建和管理 GPU 推理集群的高昂成本，而是可以直接利用抽象化的 AI 基础设施服务。  第三类是传统的云计算平台，例如亚马逊的 Amazon Bedrock、阿里云百炼平台、微软的 Azure AI、谷歌 Vertex AI 等，允许应用开发者轻松部署和使用标准化或定制化的

ion
是最领先的。
杨植麟：我不太担⼼这个问题。现在就是最好的分配⽅式，更接近⼀个⾃由市场，最后会有最⾼的分 配效率。我们要跟别⼈证明的也不是我们的
vision，因为
vision
是⼀个抽象的东西，还是要通过真实 的
deliver
模型和产品。Anthropic
放出
Claude
这些模型之后，⻢上就得到了更多的资源。市场是公 平的。
海外独⻆兽：从建⽴产品和公司竞争壁垒的 为你还没有经历让它持续迭代变好 的过程，或者说去更加精细化地定义你想要⼀个怎样的产品的过程。它远远没有之前的产品那么直 接、简单。 因为，你可能有⼀个产品，然后你怎么让它变得更好？「好」是⾮常抽象的。你要怎么让
ChatGPT
变 得更好？怎样算好？往哪个⽅向好？好多少算是好？这些都很难（定义）。 很多产品经理容易陷⼊⼀个误区，定义⼀堆
feature
功能，像以前⼀样，这可能是不对的。因为（现 1、本科及以上学历，3
年及以上互联⽹中后台产品经验，计算机软件相关专业加分

2、效率控，对于标准化、⾃动化有着天然的好奇⼼

3、有项⽬管理相关领域经验者优先；需要善于设计并跟进流程效果
4、逻辑严，抽象佳，敢创新，落地快，owner
意识，学习能⼒强，有判断⼒

5、对⼤模型领域有强烈好奇⼼

业务线类 国内/国外效果⼴告设计师
⼯作地点：北京 学历要求：本科及以上 ⼯作年限：1-3
年

开放平台、投身自动驾驶技术领域。 百度正式推出 Apollo 开放平台 9.0 PolarDB-X V2.3 集中式和分布式 Katalyst 是字节跳动对多年大规模业务云原生化场景中资源管理能力的抽象 和总结，我们期望通过 Katalyst 的开源直接或间接地帮助用户做好资源管理， 实现降本增效。 2023 年 4 月，APUS 大模型正式发布。APUS 成立于 2014 年，是一家以产 品技 48 / 87 LLM 基础设施：大模型框架及微调 (Fine Tuning) 大模型框架有哪些特点： ：大模型开发框架通过提供高 层次的 API 简化了复杂模型的构建过程。这 些 API 抽象掉了许多底层细节，使开发者能 够专注于模型的设计和训练策略。 ：这些框架经过优化，以充分利用 GPU、TPU 等高性能计算硬件，以加速模型 的训练和推理过程。 ：为了处理大型数据集和大规模参

用户画像 数字化运营 数字化管理 数字化供应链 数据后台 数据源 数据库 埋点采集 服务器日志 爬虫数据 SOLUTIONS 数据中台，构建在数据湖之上，连接孤岛数据，构建统一的指标管理和抽象数据公共层，对外通过接口提供数据服务。 数据中台解决方案 26 方案价值 方案特色 打造金融级分布式技术平台 利用分布式框架与容器云中间件等成熟的云原生分布式架构体系，打 造满足金融业务特性的企业级技术平台。