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
卢森堡大学研究团队开发的RLDP框架首次将强化学习应用于差分隐私优化,创造性地解决了AI训练中隐私保护与模型效果的矛盾。该方法如同智能教练,能动态调整隐私保护策略,在四种语言模型上实现平均5.6%的性能提升和71%的训练时间缩短,同时增强了抗隐私攻击能力,为敏感数据的AI应用开辟了新路径。
这项由北京大学人工智能研究院完成的研究,首次从数据压缩理论角度揭示了大型语言模型存在"弹性"现象——即使经过精心安全对齐,模型仍倾向于保持预训练时的行为分布。
腾讯混元团队联合北京大学提出MixGRPO技术,通过混合ODE-SDE采样策略和滑动窗口机制,将AI图像生成训练效率提升50%-71%,同时在多项人类偏好评估指标上超越现有方法。该技术采用"从难到易"的渐进优化策略,专注于图像生成早期阶段的重点优化,并引入高阶求解器进一步加速训练过程,为AI图像生成的产业化应用提供了更高效可行的解决方案。