大数据离线数仓---金融审批数仓

RAG（Retrieval Argumented Generation）这种基于特定任务/问题的文档检索范式中，我们通常先收集必要的上下文，然后利用具有认知能力的机器学习模型进行上下文学习（in-context learning），来合成任务的答案。这次，我们借助 LLM 的力量，强化下 RAG。

Mac 环境下安装Pod Pod安装需要ruby，ruby需要rvm可以终端中查看rvm 安装没有 如果没有安装则按以下步骤安装 rvm安装 $ curl -L https://get.rvm.io | bash -s stable 可能需要管理员权限，输入密码即可 $ source ~/.

你有一个自己的外网服务器，然后捏你又买了一个树莓派放家里吃灰，有一天，你觉得不能让你的树莓派吃灰，你想上班的时候用你的树莓派在家里编译arm用的镜像程序。于是，便有了本篇文章~~~如何通过内网穿透访问你家里的树莓派。（注：仅用于测试，闹着玩，千万别上生产，上生产需要自己进行改造用户权限以及审计功能，这部分就不贴出来了） 使用的工具：docker,rtty，rttys

基于深度学习的视频内容理解（Video Content Understanding, VCU）是一项关键技术，旨在通过神经网络模型自动分析、解读和提取视频中的语义信息。

针对多模态大模型（LLM）和多语言大模型（MLLM）的性能评估，本文介绍了多种关键方法和标准，包括模态融合率（MIR）、多模态大语言模型综合评估基准（MME）、CheckList评估方法、多模态增益（MG）和多模态泄露（ML），以及LLaVA Bench。这些方法为评估模型的多模态和多语言能力提供了全面的框架，有助于研究者和开发者优化和改进模型。

跨模态生成技术是一种将不同模态的数据（如文本、图像、音频、视频等）进行融合和转换的技术。其目标是通过将一个模态的数据作为输入，生成与之对应的另一个模态的输出。这种技术对于突破单一模态的局限性，提高信息处理的准确性和丰富性具有重要意义。跨模态生成技术主要依赖于深度学习和生成模型，通过学习和模拟不同模态之间的映射关系来实现模态间的转换。

**摘要：** 本文探讨了数据可信流通的概念，强调了数据来源确认、使用范围界定、流程追溯和风险防范的重要性。数据流通分为内循环（安全域内）和外循环（跨域），其中外循环面临黑客攻击、内部泄露和数据滥用等风险。为建立技术信任，提出了身份验证、利益对齐、能力预期和行为审计四点要求，涉及隐私计算、可信计算等技术。隐语作为隐私计算框架，提供服务以支持数据安全流通，通过开源降低接入门槛，并具备统一架构、原生应用、开放拓展、高性能和多轮安全验证等优势。开源隐语助力解决数据权属和信任问题，促进数据要素的安全流通。

19：Web开发模式与MVC设计模式-Java Web