近日,蚂蚁数科升级推出能源电力时序大模型EnergyTS 2.0,参数规模在1.0基础上从1B扩展至7B,可以应对更为复杂的能源预测任务。根据在Energy-EVA基准上的测试结果,EnergyTS 2.0在光伏发电功率预测、风力发电功率预测和用电负荷预测三项任务中的准确率表现优于多个现有主流时序大模型。
据悉,EnergyTS 2.0采用混合专家(MoE)架构,通过融合气象、地理、日历等多元协变量信息,能显著提升光伏发电、风力发电及用电负荷预测的精准度,破解新能源弃风弃电、投资收益波动等核心痛点。
为推动行业技术评估标准化和协同发展,蚂蚁数科同步开源了能源电力垂类评测基准Energy-EVA。该基准整合多个公开数据集,涵盖光伏发电、风力发电和用电负荷三大核心场景,包含超过1122万个时序数据点。
今年3月,蚂蚁数科EnergyTS能源电力时序大模型正式发布,基于该模型构建的智能体相继投入应用,覆盖新能源资产投资决策、电力交易辅助、能源系统运行优化、设备运维管理等场景,助力协鑫能科、霍普等企业最小化能源成本、最大化投资回报。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。