基于大模型的产品智能推荐

事件发展，以及事件的传播涟漪效应带来的市场反应。这样就实现了投研业务逻辑与大模型的能力对齐，而这正是星环科技构建基于大模型的智能投研新范式的底层逻辑。针对智能投研领域特定的业务逻辑，星环科技通过预训、提示、增强、推导范式的构建，实现Financial-Specific-LLM的训练，推出了金融行业智能投研大模型无涯Infinity。星环科技基于大模型的事件驱动与深度图引擎，实现对事件语义刻画、定价因子挖掘、时序编码、异构关系图卷积传播，进而构建包含事件冲击、时序变化、截面联动和决策博弈等多个维度的智能投研新范式。星环科技无涯金融大模型，寓意学海无涯，既代表了投资领域终身学习的精神，也蕴含了大模型本身在参数架构方面持续迭代的内涵。可以说无涯是一款面向金融量化领域、超大规模参数量的生成式大语言模型。整个无涯的开发是基于星环科技图数据库、向量数据库、时序数据库和时空数据库及高性能计算集群的硬实力，和包括工商、舆情、卫星、大宗、产业链在内数据实力。通过针对固收、权益、商品、总量宏观细分投研领域的预训、提示、增强和推导范式设计，形成从深度专业的产品矩阵体系。无涯大模型以Hippo向量数据库作为

大模型智能问答工具：开启智能交互新时代大模型智能问答工具的崛起在科技飞速发展的今天，基于大模型的智能问答工具如雨后春笋般涌现，迅速在各个领域崭露头角。这类工具依托于先进的人工智能技术，特别是深度学习方法。此外，它还能根据学生的学习情况和特点，提供个性化的学习计划和学习资源推荐，促进学生的自主学习和个性化发展。在金融领域，大模型智能问答工具可用于风险评估、投资建议和客户咨询等服务。金融机构可以和自然语言处理技术，通过对海量文本数据的学习和分析，能够理解人类语言的复杂语义和语境，从而实现与用户自然流畅的对话交互，并准确回答各种问题。大模型智能问答工具的应用领域极为广泛，涵盖了医疗、教育、金融，可用于风险评估、投资建议和客户咨询等服务，提高金融机构的效率和服务质量；在客服领域，智能问答工具能够快速响应客户的问题，解决常见的咨询和投诉，大大提升了客户体验。工作原理大揭秘（一）大模型的基石作用大模型作为智能问答工具的核心，其能力的强大源于对海量数据的深度学习。它在训练过程中使用了包含互联网网页、书籍、论文等多种来源的海量文本数据，这些数据包含了丰富的语言表达和知识信息。例如，在对大量

事件发展，以及事件的传播涟漪效应带来的市场反应。这样就实现了投研业务逻辑与大模型的能力对齐，而这正是星环科技构建基于大模型的智能投研新范式的底层逻辑。针对智能投研领域特定的业务逻辑，星环科技通过预训、提示、增强、推导范式的构建，实现Financial-Specific-LLM的训练，推出了金融行业智能投研大模型无涯Infinity。星环科技基于大模型的事件驱动与深度图引擎，实现对事件语义刻画、定价因子挖掘、时序编码、异构关系图卷积传播，进而构建包含事件冲击、时序变化、截面联动和决策博弈等多个维度的智能投研新范式。星环科技无涯金融大模型，寓意学海无涯，既代表了投资领域终身学习的精神，也蕴含了大模型本身在参数架构方面持续迭代的内涵。可以说无涯是一款面向金融量化领域、超大规模参数量的生成式大语言模型。整个无涯的开发是基于星环科技图数据库、向量数据库、时序数据库和时空数据库及高性能计算集群的硬实力，和包括工商、舆情、卫星、大宗、产业链在内数据实力。通过针对固收、权益、商品、总量宏观细分投研领域的预训、提示、增强和推导范式设计，形成从深度专业的产品矩阵体系。无涯大模型以Hippo向量数据库作为

事件发展，以及事件的传播涟漪效应带来的市场反应。这样就实现了投研业务逻辑与大模型的能力对齐，而这正是星环科技构建基于大模型的智能投研新范式的底层逻辑。针对智能投研领域特定的业务逻辑，星环科技通过预训、提示、增强、推导范式的构建，实现Financial-Specific-LLM的训练，推出了金融行业智能投研大模型无涯Infinity。星环科技基于大模型的事件驱动与深度图引擎，实现对事件语义刻画、定价因子挖掘、时序编码、异构关系图卷积传播，进而构建包含事件冲击、时序变化、截面联动和决策博弈等多个维度的智能投研新范式。星环科技无涯金融大模型，寓意学海无涯，既代表了投资领域终身学习的精神，也蕴含了大模型本身在参数架构方面持续迭代的内涵。可以说无涯是一款面向金融量化领域、超大规模参数量的生成式大语言模型。整个无涯的开发是基于星环科技图数据库、向量数据库、时序数据库和时空数据库及高性能计算集群的硬实力，和包括工商、舆情、卫星、大宗、产业链在内数据实力。通过针对固收、权益、商品、总量宏观细分投研领域的预训、提示、增强和推导范式设计，形成从深度专业的产品矩阵体系。无涯大模型以Hippo向量数据库作为

大模型智能问答工具：开启智能交互新时代大模型智能问答工具的崛起在科技飞速发展的今天，基于大模型的智能问答工具如雨后春笋般涌现，迅速在各个领域崭露头角。这类工具依托于先进的人工智能技术，特别是深度学习方法。此外，它还能根据学生的学习情况和特点，提供个性化的学习计划和学习资源推荐，促进学生的自主学习和个性化发展。在金融领域，大模型智能问答工具可用于风险评估、投资建议和客户咨询等服务。金融机构可以和自然语言处理技术，通过对海量文本数据的学习和分析，能够理解人类语言的复杂语义和语境，从而实现与用户自然流畅的对话交互，并准确回答各种问题。大模型智能问答工具的应用领域极为广泛，涵盖了医疗、教育、金融，可用于风险评估、投资建议和客户咨询等服务，提高金融机构的效率和服务质量；在客服领域，智能问答工具能够快速响应客户的问题，解决常见的咨询和投诉，大大提升了客户体验。工作原理大揭秘（一）大模型的基石作用大模型作为智能问答工具的核心，其能力的强大源于对海量数据的深度学习。它在训练过程中使用了包含互联网网页、书籍、论文等多种来源的海量文本数据，这些数据包含了丰富的语言表达和知识信息。例如，在对大量

事件发展，以及事件的传播涟漪效应带来的市场反应。这样就实现了投研业务逻辑与大模型的能力对齐，而这正是星环科技构建基于大模型的智能投研新范式的底层逻辑。针对智能投研领域特定的业务逻辑，星环科技通过预训、提示、增强、推导范式的构建，实现Financial-Specific-LLM的训练，推出了金融行业智能投研大模型无涯Infinity。星环科技基于大模型的事件驱动与深度图引擎，实现对事件语义刻画、定价因子挖掘、时序编码、异构关系图卷积传播，进而构建包含事件冲击、时序变化、截面联动和决策博弈等多个维度的智能投研新范式。星环科技无涯金融大模型，寓意学海无涯，既代表了投资领域终身学习的精神，也蕴含了大模型本身在参数架构方面持续迭代的内涵。可以说无涯是一款面向金融量化领域、超大规模参数量的生成式大语言模型。整个无涯的开发是基于星环科技图数据库、向量数据库、时序数据库和时空数据库及高性能计算集群的硬实力，和包括工商、舆情、卫星、大宗、产业链在内数据实力。通过针对固收、权益、商品、总量宏观细分投研领域的预训、提示、增强和推导范式设计，形成从深度专业的产品矩阵体系。无涯大模型以Hippo向量数据库作为

事件发展，以及事件的传播涟漪效应带来的市场反应。这样就实现了投研业务逻辑与大模型的能力对齐，而这正是星环科技构建基于大模型的智能投研新范式的底层逻辑。针对智能投研领域特定的业务逻辑，星环科技通过预训、提示、增强、推导范式的构建，实现Financial-Specific-LLM的训练，推出了金融行业智能投研大模型无涯Infinity。星环科技基于大模型的事件驱动与深度图引擎，实现对事件语义刻画、定价因子挖掘、时序编码、异构关系图卷积传播，进而构建包含事件冲击、时序变化、截面联动和决策博弈等多个维度的智能投研新范式。星环科技无涯金融大模型，寓意学海无涯，既代表了投资领域终身学习的精神，也蕴含了大模型本身在参数架构方面持续迭代的内涵。可以说无涯是一款面向金融量化领域、超大规模参数量的生成式大语言模型。整个无涯的开发是基于星环科技图数据库、向量数据库、时序数据库和时空数据库及高性能计算集群的硬实力，和包括工商、舆情、卫星、大宗、产业链在内数据实力。通过针对固收、权益、商品、总量宏观细分投研领域的预训、提示、增强和推导范式设计，形成从深度专业的产品矩阵体系。无涯大模型以Hippo向量数据库作为

事件发展，以及事件的传播涟漪效应带来的市场反应。这样就实现了投研业务逻辑与大模型的能力对齐，而这正是星环科技构建基于大模型的智能投研新范式的底层逻辑。针对智能投研领域特定的业务逻辑，星环科技通过预训、提示、增强、推导范式的构建，实现Financial-Specific-LLM的训练，推出了金融行业智能投研大模型无涯Infinity。星环科技基于大模型的事件驱动与深度图引擎，实现对事件语义刻画、定价因子挖掘、时序编码、异构关系图卷积传播，进而构建包含事件冲击、时序变化、截面联动和决策博弈等多个维度的智能投研新范式。星环科技无涯金融大模型，寓意学海无涯，既代表了投资领域终身学习的精神，也蕴含了大模型本身在参数架构方面持续迭代的内涵。可以说无涯是一款面向金融量化领域、超大规模参数量的生成式大语言模型。整个无涯的开发是基于星环科技图数据库、向量数据库、时序数据库和时空数据库及高性能计算集群的硬实力，和包括工商、舆情、卫星、大宗、产业链在内数据实力。通过针对固收、权益、商品、总量宏观细分投研领域的预训、提示、增强和推导范式设计，形成从深度专业的产品矩阵体系。无涯大模型以Hippo向量数据库作为

事件发展，以及事件的传播涟漪效应带来的市场反应。这样就实现了投研业务逻辑与大模型的能力对齐，而这正是星环科技构建基于大模型的智能投研新范式的底层逻辑。针对智能投研领域特定的业务逻辑，星环科技通过预训、提示、增强、推导范式的构建，实现Financial-Specific-LLM的训练，推出了金融行业智能投研大模型无涯Infinity。星环科技基于大模型的事件驱动与深度图引擎，实现对事件语义刻画、定价因子挖掘、时序编码、异构关系图卷积传播，进而构建包含事件冲击、时序变化、截面联动和决策博弈等多个维度的智能投研新范式。星环科技无涯金融大模型，寓意学海无涯，既代表了投资领域终身学习的精神，也蕴含了大模型本身在参数架构方面持续迭代的内涵。可以说无涯是一款面向金融量化领域、超大规模参数量的生成式大语言模型。整个无涯的开发是基于星环科技图数据库、向量数据库、时序数据库和时空数据库及高性能计算集群的硬实力，和包括工商、舆情、卫星、大宗、产业链在内数据实力。通过针对固收、权益、商品、总量宏观细分投研领域的预训、提示、增强和推导范式设计，形成从深度专业的产品矩阵体系。无涯大模型以Hippo向量数据库作为

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...