分類 AI 下的文章

這個項目的構思從一開始是如此的，譬如我獲取到城市的 44 個地點 × 7 個指標 × 8 個年份的城市數據，我想要判斷「高建築密度的點是不是傾向跟其他高密度點聚在一起」，後來我使用了空間自相關概念 —— Moran's I。

一、空間自相關

假設你手上有城市 44 個採樣點的建築密度數據。如果你只看「平均值 + 標準差」，你只知道整體分佈的形狀，卻無法觀察到空間結構信息：

  • 隨機分佈：高密度點到處散落，沒有規律
  • 聚集分佈：高密度的點都擠在某幾個區塊（譬如市中心 + 副都心）
  • 棋盤分佈：高低密度交錯，鄰居總是相反

- 閱讀剩餘部分 -

近期 typesafe 的 Jev 模型非常火熱，專門為了結構化決策與機率校準（Probability Calibration）所設計的全新強化學習訓練方法。它完全打破了傳統大模型「生成文字」的範式，專注於提供極速、高精確度的「強型別（Typed）」決策。

https://typesafe.ai/

92757-k8jmhlk5a7.png

從Jev的官網可以看到幾個特點：

- 閱讀剩餘部分 -

  1. 1
  2. 2
  3. 3
  4. 4
  5. ...
  6. 16