数据库模式扩展要领、装置、装备及盘算机可读介质-明略科技

首页明略研究数据库模式扩展要领、装置、装备及盘算机可读介质

数据库模式扩展要领、装置、装备及盘算机可读介质

2024-02-27

本申请涉及知识图谱手艺领域，，，，，，，尤其涉及一种数据库模式扩展要领、装置、装备及盘算机可读介质。。。。。。该要领包括：从知识库中提取第一数据库模式的第一营业域界线参数；；；；；使用参照数据集对第一营业域界线参数举行调解，，，，，，，获得第二营业域界线参数，，，，，，，参照数据集中的数据为目的应用规模内的营业数据；；；；；在第二营业域界线参数指示的目的规模内，，，，，，，增添目的数据源；；；；；使用对目的数据源屎厕获得的数据对第一数据库模式举行扩展，，，，，，，获得第二数据库模式。。。。。。本申请通过将构建schema(数据库模式)历程中的知识积累在知识库中，，，，，，，从而在对schema举行扩展时能够复用前期沉淀的知识，，，，，，，提高了schema扩展的效率，，，，，，，还能够使得非专业手艺职员也能够加入到扩展schema的事情中，，，，，，，从而降低职员的本钱投入。。。。。。

一种数据库模式扩展要领，，，，，，，其特征在于，，，，，，，包括：从知识库中提取第一数据库模式的第一营业域界线参数，，，，，，，其中，，，，，，，所述知识库为凭证所述第一数据库模式的构建参数获得的，，，，，，，所述第一数据库模式用于构建政务图谱，，，，，，，所述第一营业域界线参数用于确定所述政务图谱的目的应用规模；；；；；使用参照数据集对所述第一营业域界线参数举行调解，，，，，，，获得第二营业域界线参数，，，，，，，其中，，，，，，，所述参照数据集中的数据为所述目的应用规模内的营业数据；；；；；在所述第二营业域界线参数指示的目的规模内，，，，，，，增添目的数据源；；；；；使用对所述目的数据源屎厕获得的数据对所述第一数据库模式举行扩展，，，，，，，获得第二数据库模式。。。。。。

申请号：CN202011408081.0
申请（专利权）人：btt博天堂
果真日期（果真）：2021.03.09
果真日期（授权）：2024.02.27

推荐阅读

全球双榜SOTA！明略科技专有大模子 Mano开启GUI智能操作新时代

2025-09-28

明略科技推出的GUI大模子Mano在Mind2Web和OSWorld两大基准测试中取得了创纪录的SOTA效果，，，，，，，乐成率抵达40.1%。。。。。。通过在线强化学习和自动数据收罗，，，，，，，Mano为GUI智能体领域提供了可扩展的新范式，，，，，，，显著提升了重大使命的执行能力。。。。。。该手艺的突破不但推动了自动化界线的扩展，，，，，，，也为企业智能化转型提供了强有力的支持

相识更多

官宣！明略科技推出专有大模子产品线DeepMiner，，，，，，，可信商业数据剖析智能体终于能用了！

2025-09-22

明略科技推出专有大模子产品线DeepMiner，，，，，，，以“可信智能体+可信数据”双轮驱动，，，，，，，解决企业智能体落地中幻觉率高、历程不透明等痛点。。。。。。该产品通过多智能体协同架构、企业级数据整合及全流程透明化设计，，，，，，，降低幻觉率并支持知识沉淀，，，，，，，其自研Mano和Cito模子划分实现精准执行与深度推理，，，，，，，助力企业构建可信生产力。。。。。。

相识更多

明略科技 Mano Technical Report

2025-09-18

Graphical user interfaces (GUIs) are the primary medium for human-computer interaction, yet automating GUI interactions remains challenging due to the complexity of visual elements, dynamic environments, and the need for multi-step reasoning. Existing methods based on vision-language models (VLMs) often suffer from limited resolution, domain mismatch, and insufficient sequential decisionmaking capability. To address these issues, we propose Mano, a robust GUI agent built upon a multi-modal foundation model pre-trained on extensive web and computer system data. Our approach integrates a novel simulated environment for high-fidelity data generation, a three-stage training pipeline (supervised fine-tuning, offline reinforcement learning, and online reinforcement learning), and a verification module for error recovery. Mano demonstrates state-of-the-art performance on multiple GUI benchmarks, including Mind2Web and OSWorld, achieving significant improvements in success rate and operational accuracy. Our work provides new insights into the effective integration of reinforcement learning with VLMs for practical GUI agent deployment, highlighting the importance of domain-specific data, iterative training, and holistic reward design.

相识更多

上一篇：基于图谱的推荐要领、系统、存储介质及电子装备

下一篇：推荐概率的输出要领及装置、存储介质、电子装备

返回行业资讯