微信扫描二维码 连忙在线咨询
一种投放点位孝顺度简直定要领、装置及可读存储介质
2021-12-07
本申请提供了一种投放点位孝顺度简直定要领、装置及可读存储介质 ，，，，，针关于每个投放点位 ，，，，，基于该投放点位的每组历史曝光数据的曝光特征向量 ，，，，，确定该投放点位的曝光特征矩阵 ，，，，，并基于每个投放点位的曝光特征矩阵 ，，，，，确定多个投放点位的整体特征矩阵；；；；；；使用多元高斯回归模子确定每个投放点位的拟合均值参数和拟合方差参数 ，，，，，以及多个投放点位的整体的整体均值参数和整体方差参数；；；；；；针关于每个投放点位 ，，，，，基于整体均值参数、整体方差参数、该投放点位的拟合均值参数和拟合方差参数 ，，，，，确定该投放点位的孝顺值。。。 。。。这样 ，，，，，可以在未获取用户的详情浏览数据的情形下 ，，，，，仍然可以准确地确定出各个投放点位的孝顺度 ，，，，，从而 ，，，，，有助于对投放点位的投放效果举行评估。。。 。。。
一种投放点位孝顺度简直定要领 ，，，，，其特征在于 ，，，，，所述确定要领包括：获取多个投放点位的曝光数据包 ，，，，，其中 ，，，，，所述曝光数据包包括每个投放点位的多组历史曝光数据；；；；；；针关于每个投放点位 ，，，，，依次对该投放点位的每组历史曝光数据举行编码 ，，，，，获得每组历史曝光数据的曝光特征向量；；；；；；基于该投放点位的每组历史曝光数据的曝光特征向量 ，，，，，确定该投放点位的曝光特征矩阵 ，，，，，并基于每个投放点位的曝光特征矩阵 ，，，，，确定所述多个投放点位的整体特征矩阵；；；；；；基于每个投放点位的曝光特征矩阵 ，，，，，使用多元高斯回归模子确定每个投放点位的拟合均值参数和拟合方差参数 ，，，，，以及基于所述多个投放点位的整体特征矩阵 ，，，，，使用多元高斯回归模子确定所述多个投放点位的整体均值参数和整体方差参数；；；；；；针关于每个投放点位 ，，，，，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数 ，，，，，确定该投放点位的孝顺值。。。 。。。
申请号：CN202110828401.6
申请（专利权）人：btt博天堂
果真日期（果真）：2021.08.20
果真日期（授权）：2021.12.07
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.
相识更多联系btt博天堂
关注明略
在线咨询
销售热线
400-893-8989
投资者关系
ir@mininglamp.com
媒体联络
pr@miningalmp.com
Copyright@2025 btt博天堂 京ICP备15016868号 京公网安备11010802024262
信息填写
