多语言ASR?没有什么听不懂,15种语言我全都要

摘要:在这篇博文中,我们介绍来自Google的一篇论文《Scaling End-to-End Models for Large-Scale Multilingual ASR》,来看看如何构建一个能够识别15种语言的多语ASR系统。

本文分享自华为云社区《多语言ASR 没有什么听不懂,15种语言我全都要》,作者:xiaoye0829 。

在这篇博文中,我们介绍来自Google的一篇论文《Scaling End-to-End Models for Large-Scale Multilingual ASR》。建立一个能识别多种语言的ASR系统,是十分有挑战的,因为这些语言之间存在着非常大的差异,并且数据量十分不均衡。现有的工作中,我们可以观察到利用有丰富语料的语言,可以帮助只有少量语料的语言的学习,但是这往往也伴随着,有丰富语料的语言的效果会下降。我们在15种语言上进行了研究,每种语言的大小从7.7千小时到54.7千小时,我们发现增大模型的参数量,是解决容量瓶颈的有效方法,我们500M参数的模型,已经超过了单语的baseline模型,当我们把模型参数进一步增大到1B或者10B时,我们能获得更大的收益。另外,我们发现大模型不仅在数据利用上更有效,在训练时间上也更有效率,我们的1B(10亿)参数的模型达到和500M参数的模型相同的准确率,只花了34%的时间。当模型容量有限时,增加模型的深度,通常比增加模型的宽度要好,更大的encoder,也往往比更大的decoder要好。

多语言ASR的关注点通常在于提高低资源(只有少量语料)语言的性能,背后的思想是,利用相似语言的数据,多种语言一起联合优化,以及连续的正向迁移从高资源语言的迁移。在这篇文章中,我们从容量(capacity)的视角来研究下,在多语言的模型中,高资源语言的性能下降问题。

先前的工作探索过50到100种语言,但是数据集的大小十分有限,最大的数据集仅仅只有1k小时的演讲数据。在我们的实验中,每种语言的数据量从7.7千小时到54.7千小时(如下图,counts代表语音的条数,hours代表语音的时长),这使得我们可以有一个高质量的单语模型,那么我们就是要训练一个多语的模型,能够超过每个单语的模型。我们从容量的角度展示了如何去解决这个问题。

随着模型容量上升,我们成功恢复了所有高资源单语模型的性能。我们做了很多对比试验,并发现增加深度通常能取得比增加宽度更好的效果,并且我们发现,encoder的容量往往与模型的识别效果很相关。我们观察到,在固定的模型容量下,如何分配语言的信息变得不那么重要了。而且,大模型更简单,并且更有效率,需要更少的训练轮次,和更少的TPU时间,去达到相似的实验效果。

在本文的多语言ASR系统中,使用的是一个基于attention的encoder-decoder模型。对于encoder,我们使用Conformer架构,包含一个输入映射层,一个相对位置嵌入层,以及一些conformer层。第一个conformer块,包含4个conformer层。第二个conformer块,包含一个conformer层。我们的decoder尝试了两种不同的架构,一种是单向的LSTM,另一种是带有掩码的自注意和跨注意力机制的Transformer。我们的输出词表大小为一个有3328个token的表,在这个表中, 3315个token是在训练集中至少出现了1000次,剩下的token是一些特殊的token,类似“<s>”</s>“”,和一些占位填充符。词表中的大部分词来自于中文,并且中文由于在训练集中的覆盖面,是唯一一个有OOV问题的语言。我们将语言信息也编码成一个one-hot向量,作为一个额外的输入。我们在训练的时间,简单地把所有数据放在一起,并且根据数据分布,在每个batch里,去进行采样。整个eocoder-decoder模型是在网络的输出和真实文字间,用交叉熵进行优化的。

实际上,我们有很多方法,去缩放一个基于encoder-decoder的多语言模型,在这篇文章中,我们主要研究下面四种模式的影响:

  1. 深度 vs 宽度;
  2. encoder vs decoder;
  3. 语言相关的模型容量 vs 语言无关的模型容量;
  4. 架构 vs 容量。

严格来说,模型容量并不完全等于模型的参数量,比如模型大小。对于有语言依赖的模型内容,推理时的模型容量,要小于训练时候的模型容量,这是因为在推理的时候,只有贡献的参数和对应于特定语言的参数被激活。为了简化本文的讨论,我们关注在训练时的模型容量,并且混用模型大小和容量。缩放模型大小,也会带来很多实际问题,比如模型的并行化支持。

本文的实验,是在来自9种语系的15种语言上进行的实验。总计235.4百万条语音,语音时长共计364.9千小时,这些数据采集自谷歌的声学搜索引擎,数据是完全匿名的,并且由标注人员标注成文本。本文使用的数据是之前论文使用的数据的20倍。据我们所知,这也是第一篇在这么大规模的数据集上做多语言实验的论文。与之前多语言的工作不同,我们关注在不同高资源语言间的干扰问题。在我们的设定里,我们最小的语言有大约7.7千小时的训练数据,大约是之前工作里最大的语言资源的7倍。这个规模的数据集又给训练效率带来了挑战。我们的每种语言的测试集,包含大约3到19k的语音,这些语音是从谷歌语音搜索引擎里面的采样出来的,并且和训练集没有重合。同样地,测试集也是完全匿名和手工转写的。

我们在训练的时候使用了80维的log mel特征,每帧的窗口大小为32ms,每两个窗口间有10ms的重叠。将连续3帧的特征堆叠起来,并做一个下采样,我们能获得240维的输入特征,这个特征的采样率为30ms。一个16维的one-hot语言向量,被送入到encoder中作为额外的输入,SpecAugment数据增强也被用来增强模型的鲁棒性。整个模型利用512个TPU核进行训练,除了10B(100亿)参数的模型,用了1024个TPU进行训练,这主要是由于每核16G的带宽限制。模型使用同步随机梯度下降进行优化。对于LSTM作decoder的模型,我们采样Adam优化器做优化,对于Transformer,我们采样Adafactor做优化器。transformer学习率优化策略也被使用,其中最大学习率为3e-4,warmup的步数为10k。

在这一节,我们展示我们在大规模数据集上建立高质量的多语言模型的研究结果,为了简单,我们只用平均WER作对比,并且只汇报每种语言的性能。

我们使用Conformer作为encoder和LSTM作为decoder,来构建单语的baseline模型,encoder包含17层conformer block,每个conformer层的模型维度为512,有8个head的attention,conformer内部卷积模块中,卷积核的大小为15。decoder是LSTM,包含2层640维的LSTM,隐藏单元的大小为2048。每个单语模型的大小为140M,并被用来预测跟该语言相关的token。平均的WER为9.29%。每种语言的性能如下图所示,其中英语(US)的WER最低,为4.6%,Marathi(IN)的WER最高为20.2%。拥有更多训练数据的语言,往往有更低的WER。

为了证明conformer作为多语言建模的encoder的有效性,我们对比了三种不同encoder,他们都以LSTM作为decoder。1. LSTM作为encoder,包含8层LSTM,每层有2048个隐藏单元,和640维的输出单元。2. ContextNet作为encoder,包含24层contextnet,每层有640维的隐藏单元,通道大小为2。3. Conformer作为encoder,包含17层conformer,每层有512维的隐藏层,这个设置和单语的模型一致。语言适应层(Language Adapter)在每个encoder层之间都被插入。这三种不同encoder结构的选择,是为了使得模型参数的总数尽肯能保持一致,都大约为220M。相比单语模型,多语模型的大小的增加主要来自于额外的语言适应层(Language Adapter)和输出词表的大小的增加。这三个模型的平均WER为11.86%,10.77%,和9.43%。这个结果充分展示了conformer作为多语ASR的encoder的效果。对比单语模型,尽管在质量上还不如单语模型,但是它在同时识别15种语言上,表现得很好。它在大概21个epoch时收敛,训练了大概120万step,而单语模型通常要训练到50个epoch。为了理解语言适应层的效果,我们做了下面的消融实验,为了快速进行实验,我们对比了模型在200k step时候的效果,大约此时是在第3.5个epoch。使用语言适应层,会带来语言依赖的参数,和一些模型大小上的增加。为了帮我们更好理解,我们训练了一个单独的适应模型,能使得所有模型共享相同的adapter transformation。因此,我们的模型能够大小能够摆脱adapter模型。在200k step时,这个模型获得了10.86%的平均WER,相对刚刚的baseline(带语言适应层),获得了10.38%的平均错误率。从这个对比,可以看到,在模型中加入语言适应层很重要。

除了用一个共享decoder,多头模型(用不同的decoder针对不同的语系)能够被用来增加模型容量,和之前的工作相同,我们为每种语系使用不同的decoder。总共5种语系会被使用,包括Germanic, Italic,Arabic,Indo-Iranan和其他语言。为了对比,我们确保单个decoder和多个decoder模型有相同的参数量:1. 单decoder模型有6层768维的LSTM,每层有3074维的隐藏单元。2. 多decoder,有5个decoder,每个decoder有2层640维的LSTM,每层有2048维的隐藏层单元。这两种模型都有354M的参数。在200k的step时,单个decoder的平均WER为10.13%,多个decoder的平均WER为10.28%,这建议我们在相同的模型大小下,我们用单个decoder,相比多个decoder要好。

为了提高我们多语模型的效果,我们进一步把模型参数从354M增加到500M,通过把模型的宽度从512维,增大到640维。把宽度从17层,增大到22层。这个增大后的模型,在200k step时能够获得9.63%的WER,并在1.1M step时,获得了9.13%的WER,能超过单语模型。然而,相比基本的220M的模型,它的训练速度慢了1/3,这是由于RNN的错误反向传播带来的。这个特性也使得用LSTM做decoder不适合进一步的模型扩增。相比LSTM,基于transformer的decoder模型,在训练时有更高的并行化能力。在相同的encoder架构下,我们建立了一个Transformer decoder模型,参数大约500M,有12层transformer,768维的模型维度,3072维的隐藏层维度,和8个attention head。它的平均WER是9.26%,比LSTM的WER要高一些,但是它的训练速度和220M baseline模型接近。因此,我们在后面的研究中,都用Transformer作为decoder。

在下面的实验中,我们想进一步增大Conformer作为encoder和Transformer作为decoder的模型的容量大小,实验结果如下表所示,L表示模型的层数,W表示模型的维度,loss是训练样本负log混淆,越低越好。speed是每秒训练的样本数。B0是baseline模型,“-”表示和B0没有区别。所有的E模型的参数量大小都为1B。

对比E1和E2,E5和E6,我们可以看到越深的模型取得了相比越宽的模型更好的效果。然而,越深的模型需要更长的时间去训练(2352 vs 3419)。对比E1-E4和E5-E7,增大encoder的容量,相比增大decoder的容量,能获得更好的结果。然而, 更大的decoder往往有更好的training loss。E4,这个模型平均把模型容量分给宽度和深度,在这个task上表现得并不好,相较而言,E3把更多地模型容量分给宽度,要表现得更好一些。最后,E8模型,首先把模型容量,平均分给encoder和decoder,然后把更多的容量分给depth,和E3的性能差不多。E3模型最终在600k step时收敛,大约10个epoch。最终获得了大约9.07%的平均WER。

在这个工作中,我们研究了如何构建一个多语言端到端ASR系统,我们通过增大模型容量来解决这个问题。随着模型的增大,我们观察到模型的效果不断增加,我们也能建立一个单独的多语言识别的ASR系统,这个系统能在高资源的语言上超过不同的单语模型。

想了解更多的AI技术干货,欢迎上华为云的AI专区,目前有AI编程Python等六大实战营供大家免费学习。

点击关注,第一时间了解华为云新鲜技术~

相关推荐

鸿蒙案例上新啦 | 购物、听歌、健身:15个模板带你一键激活社交娱乐

页面层级如何组织、跨页共享状态如何同步、列表与详情及个人中心如何形成稳定闭环。鸿蒙开发实践中心将这些高频消费与互动场景沉淀为可参考的标准模板,提供从业务架构到界面实现的快捷实践入口。更多实战案例欢迎前往鸿蒙开发实践中心案例中心查看并开启云端体验。

华为云官方博客 395

鸿蒙案例上新啦 | 出门打车、到家上课:25个模板带你一屏打通日常生活

如何合理拆分页面组件、如何建立单一可信的状态源、如何让用户在每一步操作中都获得明确反馈。鸿蒙开发实践中心以标准化的应用与元服务模板为入口,将清晰的业务架构与可复用的代码结构直观呈现。不妨立即挑选一个感兴趣的方向进入云端环境,从页面布局、组件封装、状态管理到路由组织,亲手跑通你的鸿蒙实战项目。

华为云官方博客 365

LakeAgent:DWS数据仓库的第二大脑,告别 “翻译式运维”,迈入智能自治时代

和普通 SQL 改写工具不同,LakeAgent 自动做多方案代价对比,主动规避负优化陷阱:补充分区键过滤实现剪枝,扫描分区由 37 收敛至 1,执行代价从 758.28 降至 113.74;未来的数据仓库,将不止能算、能存,更能看懂自己、诊断自己、理解自己。长久以来,数仓的智能都依附于人:信号需要人解读,瓶颈需要人研判,经验困在个体里,无法随底座永续生长。CPU 高、CPU 告警、CPU 诊断、CPU 使用率过高、CPU 满。语法、错误码、计费、性能调优、最佳实践、故障处置等全场景内容。

华为云官方博客 587

如何使用RDS Supabase后端BaaS能力:文件存储(File Storage)

• product-images(公开桶,允许公共读取):策略名称"Public read for product-images",允许SELECT,目标角色anon,策略定义bucket_id = 'product-images'。上传/删除需另配INSERT/DELETE策略,详见SQL。• product-specs(私有桶,仅认证用户访问自己的文件夹):建议拆为上传、读取、删除三条策略,策略定义均为 bucket_id = 'product-specs' 且仅限本人文件夹(详见下文 SQL)。

华为云官方博客 502

如何使用RDS Supabase后端BaaS能力:实时订阅与推送(Realtime)

Realtime 把数据库的每次变更同步到客户端:表里增、删、改一行,订阅者无需刷新页面或主动请求即可秒级收到。三大能力各司其职:• Postgres Changes — 监听表的 INSERT/UPDATE/DELETE,变化即通知• Broadcast — 客户端之间直接互发,适合瞬时通知、协同编辑• Presence — 跟踪频道里“谁在线”典型场景有实时数据展示(订单、库存、监控指标即时刷新)、即时通讯(消息收发、在线名单、“对方正在输入”)、协同编辑与实时通知。

华为云官方博客 493

AI Agent如何通过MCP连接到华为云RDS Supabase应用平台

Schema元数据列出所有可访问的表(按schema分组)。Schema元数据列出表的列及元数据(类型/默认值/约束)。Schema元数据列出所有约束(PK/FK/UNIQUE/CHECK/EXCLUDE)。可按schema/表/类型过滤。Schema元数据列出所有外键关系。可按schema/表过滤。Schema元数据列出所有索引及定义和大小。可按schema/表过滤。Schema元数据列出已应用的数据库迁移记录。Schema元数据列出已安装的PostgreSQL扩展。

华为云官方博客 498

华为大数据Flink让每一 CU 算力,跑出开源 5.74 倍的性能

1. 开源Apache Flink 已成为业界流计算事实标准,但在极端重负载场景下存在性能瓶颈。2. 华为大数据Flink通过多项自研深度优化,在执行计划、算子执行、状态存储三个层面构建协同的优化体系。3. Nexmark Benchmark 测试结果:整体性能提升 5.74 倍,极端重负载场景性能领先最高 18.3 倍。4. 100% 兼容 Apache Flink 1.20,业务代码零改造,无缝迁移。

华为云官方博客 401

LakeAgent实战 | 业务分析篇从一句提问到业务分析

本文以“订单金额变化”分析为例,展示LakeAgent如何通过自然语言提问,结合DataArtsStudio的数据资产与专业技能,帮助业务人员快速定位数据、生成SQL、追踪血缘、生成报告。从问题出发,逐步实现数据发现、变化洞察、原因追溯与团队协作,最终形成可复用的分析流程与企业规则,显著提升数据分析效率与一致性。

华为云官方博客 409

华为云RDS Supabase AI应用已开放公测 :30分钟搭建AI应用后端

认证、存储、实时推送、数据库API——4个后端模块,传统开发需要数周。今天,你只需要30分钟。AI创业公司的全栈开发工程师。上周老板说"下周要上线的AI对话应用,后端你来搞"——认证鉴权、数据库接口、文件存储、实时推送,每一个模块都需要数周搭建,而市场不会等你。小张打开华为云RDS Supabase,30分钟搭好认证、数据库API、对象存储,剩下的时间全用来打磨AI交互体验。基于开源Supabase+华为云RDS PostgreSQL全托管能力,为开发者提供。

华为云官方博客 414

如何使用RDS Supabase后端BaaS能力:数据库函数(Database Function)

上一篇介绍了 Database Data API——建表即自动生成增删改查接口,解决单表读写,但聚合统计、跨表事务、字段自动维护等逻辑已超出其能力边界。本篇推进到数据库函数(Database Function):把业务逻辑封装进数据库,前端通过 .rpc() 调用,由触发器自动响应数据变更。上一篇中,小张基于 Data API 完成了产品目录的建表与基础读写。但新需求随之而来:按分类统计产品数与价格区间、上架新品同时写产品表与定价表、产品修改后自动刷新更新时间。

华为云官方博客 480

如何使用RDS Supabase后端BaaS能力:创表即生成API(Database Data API)

认证、存储、实时推送、数据库API——4个后端模块,传统开发要数周。本系列逐个拆解,首篇聚焦数据库API(Database Data API):建表即得 API,无需手写后端。小张,AI创业公司的全栈工程师。老板让他做个产品目录页,展示产品与价格、支持上下架。传统做法要搭后端、写接口、配权限,工期少说1-2周;而在华为云RDS Supabase,建两张表、应用 SDK 直连,几分钟增删改查全跑通。

华为云官方博客 492

从一句话到一个能出去的链接,AI开发者空间做了什么

自行搭建的 Agent、正在使用的开源项目、团队既有的工具,都可以接入,可以通过AI创建或者手动搭建环境;华为云 AI开发者空间——面向开发者的云端一站式开发平台,做的就是把这段路接上:环境免安装,浏览器打开即为完整的 Linux 运行环境,预置的 AI 智能体开箱即用。第一个任务建议选能出结果的:做一个游戏、生成一个页面、创建一台实例,从需求走到可访问的链接,一次就能看清这个环境在做什么。沙箱是一个完整的 Linux 环境,依赖、服务、端口都是真实的,不是模拟。环境释放后,权限随之失效。

华为云官方博客 438

华为云码道配置自定义大模型,四种方式完整实操

案例介绍。

华为云官方博客 653

图数据库:实现穿透式监管的数据基座

穿透式监管标志着国企监管从“管企业”向“管资本”转型过程中的关键一跃。而图数据库正是这一跃的技术支点。从股权穿透到资金链穿透,从供应链穿透到数据穿透,华为GES图数据库正在将“穿透式监管”从理念变为可落地、可操作的实践。无论是天眼查式的全量链路查询,还是某集团财经的税务规则判断,抑或是芯片供应链式的部件风险分析,乃至通过Palantir构建决策知识图谱,其底层逻辑都是一致的——用图的力量,穿透一切形式的“隔离层”,直抵风险本质与责任核心。

华为云官方博客 672

《公共云三十问》正式收官,奔赴企业AI百场景新征程

今年6月底,公共云产业联盟重点推出《公共云三十问》专栏,以每周三问的节奏,连载十周,解读《先进公共云》白皮书,分享国计民生系列案例,旨在凝聚共识、推动落地实践。同时,专栏分析公共云在产业升级、民生福祉、科技创新、全球发展等方面的作用,梳理中国特色公共云发展路径:以普惠云拓展用云广度,以智算云提升用云深度,以自主云夯实用云厚度,以全球云打开用云跨度。这十问从专属云、行业云切入,深入政务、金融、交通、电力、钢铁、化工、油气、制造等国计民生场景,回答公共云“怎么用”。

华为云官方博客 476

开发者小技巧|IAM配置,让码道代码智能体连续30天免登录

案例介绍。

华为云官方博客 652

码道深度对接CodeArts,让需求自动落地为代码

案例介绍。

华为云官方博客 726

【公共云三十问 之三十】拥抱AI,企业如何建设面向智能体的专属云?

企业可分阶段建设覆盖开发、运行、运营及安全的一体化智能体平台——从构建一站式、高低码协同的智能体开发平台,到打造高性能、极致弹性的运行时环境,再到搭建AgentOps驱动的持续运营与运维体系,同时构建端到端、多层次的全链路安全防护体系。在数据湖建设方面,遵循“存量复用、平滑演进、AI导向、分步迭代”原则,分三阶段推进——打造AI多模数据湖核心能力、完成存算分离与统一元数据管理、实现闭环赋能全面支撑智能体规模化落地,在保护既有投资的前提下将传统数据平台转型为AI数据专属供给平台。

华为云官方博客 826

【公共云三十问 之二十九】国计民生之制造:制造云如何重塑数智时代的新质生产力?

平台打通软件交付的完整路径,覆盖需求管理、代码托管、代码检查、编译构建、制品仓库、部署、测试等关键环节,支持大模型能力融入研发全流程,实现从需求到交付的端到端管理。通过构建“研发一朵云”,方案打破地域与组织壁垒,实现跨团队协同开发,有效缩短软件交付周期,助力工业制造企业从“传统研发”走向“敏捷研发”,加速数智化转型进程。当制造云真正成为数据流通的平台、AI创新的底座,公共云的社会价值将从基础设施层向生产场景层持续延伸,为新型工业化建设和制造强国战略注入源源不断的动力,重塑数智时代的中国制造新质生产力。

华为云官方博客 799

告别重复手工迁仓,码道MCP+Skill实现仓库批量迁移

案例介绍。

华为云官方博客 798

【公共云三十问 之二十八】国计民生之油气:智算云如何叩响数智时代的“地心蓝金”?

西南油气田以“向地球深部要资源”为战略方向,联合以华为云Stack为代表的公共云服务商共同打造统一算力底座,建设西南区域数据湖与通用技术平台,构建“勘探开发工程技术、天然气生产过程管控、天然气产运储销”等三个一体化协同应用场景,支撑油气勘探、开发生产、管输储运等全业务链的数智化转型。当智算云真正成为数据流通的平台、AI创新的底座,油气田得以将算力效能、数据价值与智能技术深度融入勘探开发全链条,将“看不见的算力”转化为“摸得着的储量”,以智能化手段持续降低勘探风险、缩短发现周期、提高采收效率,确保生产安全。

华为云官方博客 613

【公共云三十问 之二十七】国计民生之化工:数智云如何重塑传统化工新范式?

在架构方面,方案构建云边协同的统一体系,涵盖AI协同、数据协同与运营协同三大维度——总部集中训练大模型,边缘节点负责推理执行,云边持续迭代,实现“边用边学”的智能闭环,模型平均精度提升20%以上。此外,方案提供一站式企业级工业物联网平台、数据湖与数据治理平台,覆盖工业数据分析“采、存、算、管、用”全流程,打通生产现场与管理系统间的数据壁垒,有效消除数据孤岛。层面,方案充分发挥软硬协同优势,实现计算、存储、网络与云平台的深度协同,训练线性度超95%,为大模型训练推理提供强劲算力支撑。▲化工“数智”新模式。

华为云官方博客 666

【公共云三十问 之二十六】国计民生之钢铁:数智云如何淬炼中国钢铁新力量?

同时,构建云边端协同的统一架构,支撑集团总部与各生产基地两级协同发展——总部集中训练大模型,边缘节点负责推理执行,云边持续迭代,实现训推一体化的资源调度与高效协同,为钢铁行业的数智化转型构建了坚实的算力底座。层面,方案构建覆盖“工业数采→边缘IT/OT融合→统一数据湖→数据治理平台→数据应用”全链路的一站式数据治理与流通平台,打通生产现场与管理系统间的数据壁垒,让数据“采得到、流得动、用得好”,加速数据价值从生产现场向经营决策层流动释放。湘潭钢铁集团的钢铁数智云,是钢铁工业智能云建设的标杆案例。

华为云官方博客 526

LakeWatch——MRS 智能运维Agent

从资源池、队列、作业等多个维度,对集群CPU与内存资源进行精细化分析与对比,直观呈现不同时间段的空闲、满载等使用状态,识别资源浪费,指导治理优化,为扩缩容决策提供数据支撑。对HDFS存储进行多维度深度分析(目录、用户、用户组等),涵盖使用量、增量、文件大小分布及数据热度等指标,帮助快速识别增长较快的目录、长期未访问的文件,统计目录文件数量与小文件占比,评估HDFS总存储量与扩缩容需求,为存储治理与资源规划提供全面数据支撑。Agent主动巡检,识别异常趋势并提前预警,让运维从"事后处理"转向"事前预防"。

华为云官方博客 518

华为云专题文档发布:丰富的AI案例、选型指导和概念解读

发布 “云服务选型”、“云计算概念”专题,提供云服务选型指导,助您选择匹配业务的云服务,解读云计算相关概念,开启云上学习之路。开发者工具和文档专区上线,提供从学习、实践到反馈的全链路支持。帮助中心新增100余篇AI案例。

华为云官方博客 286

一个人,也能用AI做点“星东西”

华为云星耀创想者大赛-2026华为云OPC创意大赛等你来~

华为云官方博客 294

从需求到可执行工作项:MCP+Skill 让智能体规划真正落地

回顾整个体验,以前让智能体帮我拆需求,它是洋洋洒洒给我列了一大篇 Markdown,看着挺像那么回事,但最后还是得我一条条往 CodeArts Req 里搬,搬完再手动挂父子关系、排日期,拆需求五分钟,搬运两小时。现在好了,MCP 给智能体接上了"手",Skill 给它装上了"项目经理的脑子",一句话下去,34 个工作项连带排期、层级关系全给我建好了,甘特图一拉,齐刷刷都在两周内,节省了多少工作量啊,美滋滋。本次实操在码道代码智能体基础上,构建了一套"需求→可执行工作项"的自动化规划方案。

华为云官方博客 580

华为云码道「码力续航计划」更新!

✅上新GLM‑5.3‑Flash,高速响应,代码生成、工程解析、Agent调试高效输出。新增GLM‑5.3‑Flash福利模型,每日解锁1000万免费Tokens。● 本次活动共发放总量价值100万元Tokens,发完即止!把耗算力的编码重活,交给华为云码道代码智能体🚀🚀。● 每日额度准时刷新,当日清零、次日满血重置。✅复杂算法、大项目解析、批量代码生成随便跑。✅不用抠额度、不用算消耗,放开调试大胆迭代。✅无需额外操作,登录即送,直接切换模型使用。● 把算力交给码道,让撸码不再内耗👏🏻。

华为云官方博客 701

【公共云三十问 之二十四】国计民生之交通:交通云如何铺就数智通衢新坦途?

交通行业作为支撑实体经济的关键基础设施,涵盖公路、铁路、机场、港口、地铁等众多子领域,其中,公路网络作为综合交通运输体系的基础骨架,承担着全国超过70%的客货运量,其数字化、智能化转型的需求尤为迫切。方面,提供Agent开发框架、知识库管理、RAG工程、意图识别、静态应用编排及模型评测等能力,支持客户将行业知识、业务流程与AI能力深度融合,快速构建面向收费稽核、路网调度、应急处置等场景的智能应用。开发并实现落地应用,全面覆盖建设、管理、养护、运营、服务、安全、办公七大业务领域。

华为云官方博客 466

【公共云三十问 之二十五】国计民生之电力:电力云如何点亮数智电力新引擎?

方案构建了覆盖数据获取、质量评估到标准化处理的全链路能力。基于公共云服务商智算底座及气象大模型,通过时空图神经网络重新建模产流机制,中国华电建成超50TB多源融合数据集,突破时空建模与机理融合等五大关键技术,短期径流预测精度较传统机理模型提升5个百分点以上,实现15天中期径流预测精度超85%,推理效率达秒级。基于气象大模型的基础架构与预训练能力,客户可直接在大模型之上开展增量训练与微调,充分利用场站所在区域的高精度历史数据(如3公里、1公里分辨率),针对不同场站和区域的地形地貌与气候特征进行模型调优。

华为云官方博客 382
上一篇: DBA:这有一份对接NBU备份故障排除指南,请查收!
下一篇: 一文带你搞定AOP切面
华为云开发者联盟
华为云开发者联盟 企业官方账号 企业官方账号
博客等级 码龄10年 72万+粉丝 5985原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值