摩斯大模型方向论文成功进入AAAI顶会前4.6%

蚂蚁摩斯隐私计算论坛 蚂蚁摩斯隐私计算论坛 墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年,写一次发全网 我也要 + 加入社区

继摩斯大模型跨域微调方向论文被顶级会议AAAI录取后,在被顶会录取的13000个投稿中,成功进入前4.6%,获得2025AAAI oral presentation资格。来自摩斯的代表,于近日在费城完成演讲。

 

image.png

摩斯的代表分析了当前离线调优方法所存在的问题,现场介绍了跨域微调大模型隐私保护训练方法,和摩斯基于此背景提出的ScaleOT框架。

这种新的大模型跨域微调算法,设计了重要性感知的动态层替换模型压缩方法,有效攻克了在仿真器生成时计算复杂度高、模型隐私安全性不足等难题,为大模型隐私微调方向提供了新颖的思路与解决方案。ScaleOT框架是一种新颖的隐私效用可扩展离线调优框架,能够有效平衡隐私性和效用性,实现生产级可用。

 

9cbd68e21fd50a955642d003589dd75f.jpg

 论文地址:https://arxiv.org/pdf/2412.09812

 

这一全新的大模型隐私微调算法,已在摩斯大模型隐私安全产品上线,产品融合了数据脱敏、拆分学习、模型混淆、差分隐私、TEE等多种技术路线,实现大模型落地应用中的模型微调、推理全链路数据和模型隐私安全保护。

同时,摩斯还提供大模型算力和行业大模型服务;支持TEE GPU云服务和一体机方案;支持开源通用大模型,支持deepseek满血版,以及法律大模型、金融大模型、营销大模型等行业大模型在线加密调用。

欢迎各行业生态伙伴进行合作咨询!!

关注我,获取更多资讯~

...全文

相关推荐

OpenJDK11U-jdk-x64-linux-hotspot-11.0.32.1-1.tar.gz

OpenJDK11U-jdk_x64_linux_hotspot_11.0.32.1_1.tar.gz

ITRunner123

产业园区运营负责人如何高效匹配企业技术需求与高校科技成果?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

BIZKEEN

高校技术转移办公室人员如何高效筛选有价值的科研成果进行推广?.docx

高校技术转移办公室人员如何高效筛选有价值的科研成果进行推广?

BIZKEEN

国央企创新负责人如何高效推动专利技术与产业链融合?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

BIZKEEN

企业AI知识工程领域|SpringBoot+FastAPI+LangChain LCEL+Qdrant+本地Qwen私有化知识库RAG平台:文档解析向量化检索与SSE流式问答系统(Docker离线交付

一套完整的企业级私有化知识库 RAG 问答平台源码。采用双后端架构:Java (SpringBoot 3) 负责用户登录、JWT 认证、RBAC 权限管理(ADMIN/USER 角色 + 文档公开/私有可见性)、文档上传落盘与异步任务调度;Python (FastAPI + LangChain LCEL) 负责文档解析(PDF/DOCX/TXT/MD/HTML)、中文递归切片、bge-small-zh 向量化、Qdrant 向量库读写、Rerank 重排(交叉编码器/LLM 打分/直通三模式)及对接 Ollama 托管的本地 Qwen 模型。Nginx 反向代理透传 SSE 流式问答(逐 token 输出 + 引用来源展示),Docker Compose 一键编排 MySQL/Qdrant/Ollama/RAG/Backend/Nginx 六服务,附离线镜像交付脚本(镜像+模型卷打包、内网一键安装)与前端免构建 SPA。 【适用人群】 AI 应用开发者、全栈工程师、企业 IT 与知识管理人员、学习 RAG 架构与 LangChain LCEL 链路编排的技术学习者。 【使用场景及目标】 面向数据不出内网的企业私有化智能问答场景:员工上传制度手册、技术文档后,系统自动解析入库,全员按权限隔离检索,获得带引用来源的流式 AI 回答;亦可作为 RAG 全栈项目模板二次开发。核心链路:上传文档 → 异步解析切片向量化 → 权限过滤检索 + 重排 → 本地 Qwen 流式生成。

王大师王文峰
评论
收藏 已收藏
分享
返回顶部