基于个性化大语言模型的数字助理服务方法及系统与流程

1.本发明属于数据处理技术领域，具体涉及基于个性化大语言模型的数字助理服务方法及系统。


背景技术：

2.在自然语言处理领域，大语言模型(llm)是一个非常强大的工具。大型语料库的训练使得大语言模型能够理解自然语言并生成语言。
3.但大语言模型有一个问题，由于模型的庞大复杂性，无法使用较小的数据集进行训练，所需要的计算量开销非常大，需要大量的算力，中小公司无力负担，根本无法进行这样的语言模型训练。于是就出现了预训练+个性化训练的范式，大厂商将自身开发的大模型开源，供下游应用者在这些模型上使用私有数据进行参数的个性化训练，这样能提高模型的精度和性能，让模型取得了更优异的表现。“预训练+个性化训练范式”带来了自然语言处理的新时代，对上游和下游都有着深远的影响，上游厂商不断制造出越来越强大的模型，模型的参数规模以指数级增长；下游则将预训练的大模型合理应用到各种行业任务上。
4.但即便是这种预训练+个性化训练范式，对专业性人才以及算力的要求也是很高的，对于大量非专业用户而言，门槛很高，很难进行本地个性化训练。如果利用其他厂商提供的云服务做个性化训练，因为要使用私有数据，数据的隐私和安全性也是用户考虑的重要因素。因此，即便是大语言模型功能非常强大，但如果需要用户贡献出私有数据，就会极大地阻碍它的广泛使用。所以既能保证私有数据的隐私和安全性，又能降低个性化训练和使用大语言模型的难度，是本领域的一个重要的课题。


技术实现要素：

5.针对现有技术中的缺陷，本发明提供一种基于个性化大语言模型的数字助理服务方法及系统，既能降低本地训练环境建立的门槛，还能保障了私有数据的隐私和安全性。
6.第一方面，基于个性化大语言模型的数字助理服务方法，包括：
7.获得初始的通用大模型；
8.对初始的通用大模型进行修饰，以得到修饰后的通用大模型；
9.对修饰后的通用大模型进行微调，以得到微调后的通用大模型；
10.使用私有数据对微调后的通用大模型进行云边联合训练，以得到个性化模型；
11.将微调后的通用大模型部署在云端，将个性化模型部署在本地；
12.接收用户的服务请求，利用部署的通用大模型和个性化模型对服务请求进行数字服务处理。
13.进一步地，对修饰后的通用大模型进行微调之后，还得到精简大模型；
14.个性化大模型的生成方法还包括：使用私有数据和精简大模型对微调后的通用大模型进行本地训练，以得到个性化模型，这一部分训练的目的是为了减少云边联合训练的迭代次数及相应的网络开销(是可选项)。
15.进一步地，初始的通用大模型包括头部层和尾部层；
16.对初始的通用大模型进行修饰具体包括：在初始的通用大模型中添加头部添加层和尾部添加层，头部添加层用于对其输入进行网络加密，尾部添加层用于对其输入进行网络解密。
17.进一步地，对修饰后的通用大模型进行微调具体包括：
18.将初始的通用大模型作为教师模型，将修饰后的通用大模型作为第一学生模型，将精简大模型作为第二学生模型；
19.利用教师模型辅助第一学生模型的微调，通过扩大第一学生模型中头部添加层的输出与教师模型中头部层的输出之间的差异，缩小第一学生模型中尾部添加层的输出与教师模型中间层的输出之间的差异来实现；
20.利用教师模型和第一学生模型辅助第二学生模型的微调，通过缩小第一学生模型的中间层的输出与第二学生模型输出之间的差异来实现。
21.进一步地，利用部署的通用大模型和个性化模型对服务请求进行数字服务处理包括：
22.将服务请求传给部署的本地的个性化模型；
23.获取本地的个性化模型输出的推论结果，以得到第一中间结果；
24.将第一中间结果传给部署的云端的通用大模型；
25.获取云端的通用大模型输出的推论结果，以得到第二中间结果；
26.将第二中间结果传给本地的个性化模型；
27.获取本地的个性化模型输出的推论结果，以得到数字服务处理结果；
28.将数字服务处理结果返回给用户。
29.进一步地，数字服务包括以下至少一种服务：
30.查找或推荐信息、生成摘要、分析数据、协助销售、开发市场和产品、翻译文件、协助招聘、制定计划、发送提醒信息、协助购物、协助租房、制定食谱、采购食材。该数字助理服务系统不仅支持数字助理服务，还支持其它以大语言模型为核心的高度重视数据隐私的服务。
31.第二方面，基于个性化大语言模型的数字助理服务系统，包括：
32.模型修饰单元：用于获得初始的通用大模型；对初始的通用大模型进行修饰，以得到修饰后的通用大模型；
33.模型微调单元：用于对修饰后的通用大模型进行微调，以得到微调后的通用大模型；
34.模型训练单元：用于使用私有数据对微调后的通用大模型进行云边联合训练，以得到个性化模型；将微调后的通用大模型部署在云端，将个性化模型部署在本地；
35.数字助理服务单元：用于接收用户的服务请求，利用部署的通用大模型和个性化模型对服务请求进行数字服务处理。
36.进一步地，模型微调单元还用于对修饰后的通用大模型进行微调之后，还得到精简大模型；
37.模型训练单元还用于使用私有数据和精简大模型对微调后的通用大模型进行本地训练，以得到个性化模型，这一部分训练的目的是为了减少云边联合训练的迭代次数及
相应的网络开销(是可选项)。
38.进一步地，初始的通用大模型包括头部层和尾部层；
39.模型修饰单元具体用于：在初始的通用大模型中添加头部添加层和尾部添加层，头部添加层用于对其输入进行网络加密，尾部添加层用于对其输入进行网络解密。
40.进一步地，模型微调单元具体用于：
41.将初始的通用大模型作为教师模型，将修饰后的通用大模型作为第一学生模型，将精简大模型作为第二学生模型；
42.利用教师模型辅助第一学生模型的微调，通过扩大第一学生模型中头部添加层的输出与教师模型中头部层的输出之间的差异，缩小第一学生模型中尾部添加层的输出与教师模型中间层的输出之间的差异来实现；
43.利用教师模型和第一学生模型辅助第二学生模型的微调，通过缩小第一学生模型的中间层的输出与第二学生模型输出之间的差异来实现。
44.由上述技术方案可知，本发明提供的数字助理服务方法及系统，将个性化模型部署在本地，将通用大模型部署在云端，使得大语言模型中对私有数据安全性要求较高的专有化部分和个性化部分运行在本地，通用部分运行在云端，云端部署的模型由云端专业人士管理，本地部署的模型由用户直接管理，这样非专业用户不需要请专家或花费大量费用建立本地训练环境，从而降低本地训练环境建立的门槛；将私有数据限定在本地计算，保障了私有数据的隐私和安全性。
附图说明
45.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
46.图1为实施例提供的数字助理服务方法的示意图。
47.图2为实施例提供的初始化通用模型的结构图。
48.图3为实施例提供的初始化通用模型进行私有数据保护的示意图。
49.图4为实施例提供的云边协同训练方法的示意图。
50.图5为实施例提供的使用知识蒸馏进行微调训练方法的示意图。
51.图6为实施例提供的使用精简大模型协助本地训练方法的示意图。
52.图7为实施例提供的服务请求处理方法的示意图。
53.图8为实施例提供的数字服务的示意图。
具体实施方式
54.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
55.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整
体、步骤、操作、元素、组件和/或其集合的存在或添加。
56.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
57.如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0058]
实施例：
[0059]
基于个性化大语言模型的数字助理服务方法，参见图1，包括：
[0060]
获得初始的通用大模型；
[0061]
对初始的通用大模型进行修饰，以得到修饰后的通用大模型；
[0062]
对修饰后的通用大模型进行微调，以得到微调后的通用大模型；
[0063]
使用私有数据对微调后的通用大模型进行云边联合训练，以得到个性化模型；
[0064]
将微调后的通用大模型部署在云端，将个性化模型部署在本地；
[0065]
接收用户的服务请求，利用部署的通用大模型和个性化模型对服务请求进行数字服务处理。
[0066]
在本实施例中，初始的通用大模型可以是现有技术的大语言模型。该方法可以对初始的通用大模型进行修饰，得到修饰后的通用大模型。例如参见图2，假设初始的通用大模型中包括头部层layer(1，...，h)和尾部层layer(m+1，...，n)，头部层和尾部层的网络结构不限，例如头部层和尾部层可以设计为支持dropout的全连接神经网络。修饰方法包括在初始的通用大模型中添加头部添加层layer(h+1，...，i)和尾部添加层layer(l+1，...，m)，修饰后的通用大模型还包括中前部层layer(i+1，...，j)、中中部层layer(j+1,k)以及中后部层layer(k+1，...，l)，中中部层可以选择是否参与推论，中前部层和中后部层可以采用固定参数进行推论，通用大模型可以将头部层layer(1，...，h)、头部添加层layer(h+1，...，i)、尾部添加层layer(l+1，...，m)、尾部层layer(m+1，...，n)部署在本地，将中前部层layer(i+1，...，j)、中中部层layer(j+1,k)以及中后部层layer(k+1，...，l)部署在云端。参见图3，头部添加层用于对其输入进行网络加密，尾部添加层用于对其输入进行网络解密。初始的通用大模型的数据处理过程是黑箱操作，具备第一层加密特性，在初始的通用大模型上增加头部添加层和尾部添加层，给修饰后的通用大模型赋予第二层加密特性，进一步保证了私有数据的隐私安全。
[0067]
在本实施例中，该方法再对修饰后的通用大模型进行微调，以得到微调后的通用大模型。例如可以采用差分隐私梯度训练方法对添加层进行微调，防止差分隐私攻击。也可以对头部添加层和尾部添加层进行随机剪枝，让通用大模型的结构更加个性化，从而赋予第三层加密特性。
[0068]
在本实施例中，该方法使用私有数据对微调后的通用大模型进行云边联合训练，以得到个性化模型。参见图4，该方法在进行云边联合训练时，为了提高训练效率，可以减小迭代次数或进行中段联合训练(在模型训练结束后下发中段网络到本地)。该方法使用私有数据对微调后的通用大模型进行训练，将微调后的通用大模型部署在云端。将个性化模型
部署在本地，并采用云端和本地部署的模型对服务请求进行数字服务处理，实现数字助理服务功能。数字助理服务功能清楚地了解用户的个性、习惯和工作方式，帮助用户做好工作计划、工作准备和工作总结，收集和分析情报信息，整理工作思路，提供参考建议，同时还能为外部合作伙伴提供信息支持api等等，从而极大地提升用户的工作效率。
[0069]
该实施例对本数字助理服务方法和传统方法的本地训练环境进行对比，得到下表：
[0070][0071][0072]
该数字助理服务方法将个性化模型部署在本地，将通用大模型部署在云端，使得大语言模型中对私有数据安全性要求较高的专有化部分和个性化部分运行在本地，通用部分运行在云端，云端部署的模型由云端专业人士管理，本地部署的模型由用户直接管理，这样非专业用户不需要请专家或花费大量费用建立本地训练环境，从而降低本地训练环境建立的门槛；将私有数据限定在本地计算，保障了私有数据的隐私和安全性。
[0073]
进一步地，对修饰后的通用大模型进行微调具体包括：
[0074]
将初始的通用大模型作为教师模型，将修饰后的通用大模型作为第一学生模型，将精简大模型作为第二学生模型；
[0075]
利用教师模型辅助第一学生模型的微调，通过扩大第一学生模型中头部添加层的输出与教师模型中头部层的输出之间的差异，缩小第一学生模型中尾部添加层的输出与教师模型中间层的输出之间的差异来实现；
[0076]
利用教师模型和第一学生模型辅助第二学生模型的微调，通过缩小第一学生模型的中间层的输出与第二学生模型输出之间的差异来实现。
[0077]
在本实施例中，该方法采用知识蒸馏的方法对修饰后的通用大模型进行微调，参见图5，具体步骤为：将初始的通用大模型作为教师模型，将修饰后的通用大模型作为第一学生模型，将精简大模型作为第二学生模型，微调的过程包括：尽可能扩大第一学生模型中头部添加层的输出与教师模型中头部层的输出之间的差异，尽可能缩小第一学生模型中尾部添加层的输出与教师模型中间层的输出之间的差异。为了提升微调效率，该方法可以分段固定参数进行微调，使得微调后的通用大模型具有前、中、后分段微调能力，同时具有隐私加解密能力。
[0078]
在本实施例中，该方法利用教师模型和第一学生模型辅助生成第二学生模型，尽可能缩小第一学生模型的中间层的输出与第二学生模型输出之间的差异。
[0079]
进一步地，对修饰后的通用大模型进行微调之后，还得到精简大模型；
[0080]
个性化大模型的生成方法还包括：使用私有数据和精简大模型对微调后的通用大模型进行本地训练，以得到个性化模型。
[0081]
在本实施例中，参见图6，该方法可以使用私有数据和精简大模型协助微调后的通用大模型进行本地训练，这一部分训练的目的是为了减少云边联合训练的迭代次数及相应的网络开销(是可选项)。
[0082]
进一步地，在一些实施例中，利用部署的通用大模型和个性化模型对服务请求进行数字服务处理包括：
[0083]
将服务请求传给部署的本地的个性化模型；
[0084]
获取本地的个性化模型输出的推论结果，以得到第一中间结果；
[0085]
将第一中间结果传给部署的云端的通用大模型；
[0086]
获取云端的通用大模型输出的推论结果，以得到第二中间结果；
[0087]
将第二中间结果传给本地的个性化模型；
[0088]
获取本地的个性化模型输出的推论结果，以得到数字服务处理结果；
[0089]
将数字服务处理结果返回给用户。
[0090]
在本实施例中，该方法正常使用时，参见图7，首先接收用户的服务请求，服务请求可以为对话请求，并获取本地的个性化模型中头部添加层输出的推论结果，即第一中间结果，通过接口将第一中间结果传送给云端的通用大模型，云端的通用大模型接收第一中间结果，对第一中间结果进行推论，并将得到的第二中间结果输出给个性化模型，获取个性化模型中尾部添加层再次输出的推论结果，将最终得到的数字服务处理结果返回给用户。
[0091]
进一步地，在一些实施例中，数字服务包括以下至少一种服务：
[0092]
查找或推荐信息、生成摘要、分析数据、协助销售、开发市场和产品、翻译文件、协助招聘、制定计划、发送提醒信息、协助购物、协助租房、制定食谱、采购食材。
[0093]
在本实施例中，该方法的数字服务功能除了提供基本的搜索和问答外，还涵盖了工作和生活的诸多方面，参见图8，例如：1)工作方面包括：查找或推荐相关信息、生成摘要、提供分析；协助销售、市场和产品开发工作，比如：了解同行信息，创建、收集和分析市场调查问卷等；文件翻译；协助找工作；制定计划并发送提醒信息等等。2)生活方面包括：制定旅游计划，预定餐厅、酒店、机票、车辆等；协助购物、租房；制定食谱并采购食材；推荐体育、影视、音乐、游戏等等。
[0094]
基于个性化大语言模型的数字助理服务系统，包括：
[0095]
模型修饰单元：用于获得初始的通用大模型；对初始的通用大模型进行修饰，以得到修饰后的通用大模型；
[0096]
模型微调单元：用于对修饰后的通用大模型进行微调，以得到微调后的通用大模型；
[0097]
模型训练单元：用于使用私有数据对微调后的通用大模型进行云边联合训练，以得到个性化模型；将微调后的通用大模型部署在云端，将个性化模型部署在本地；
[0098]
数字助理服务单元：用于接收用户的服务请求，利用部署的通用大模型和个性化模型对服务请求进行数字服务处理。
[0099]
进一步地，在一些实施例中，模型微调单元还用于对修饰后的通用大模型进行微
调之后，还得到精简大模型；
[0100]
模型训练单元还用于使用私有数据和精简大模型对微调后的通用大模型进行本地训练，以得到个性化模型，这一部分训练的目的是为了减少云边联合训练的迭代次数及相应的网络开销(是可选项)。
[0101]
进一步地，在一些实施例中，初始的通用大模型包括头部层和尾部层；
[0102]
模型修饰单元具体用于：在初始的通用大模型中添加头部添加层和尾部添加层，头部添加层用于对其输入进行网络加密，尾部添加层用于对其输入进行网络解密。
[0103]
进一步地，在一些实施例中，模型微调单元具体用于：
[0104]
将初始的通用大模型作为教师模型，将修饰后的通用大模型作为第一学生模型，将精简大模型作为第二学生模型；
[0105]
利用教师模型辅助第一学生模型的微调，通过扩大第一学生模型中头部添加层的输出与教师模型中头部层的输出之间的差异，缩小第一学生模型中尾部添加层的输出与教师模型中间层的输出之间的差异来实现；
[0106]
利用教师模型和第一学生模型辅助第二学生模型的微调，通过缩小第一学生模型的中间层的输出与第二学生模型输出之间的差异来实现。
[0107]
进一步地，在一些实施例中，数字助理服务单元具体用于：
[0108]
将服务请求传给部署的本地的个性化模型；
[0109]
获取本地的个性化模型输出的推论结果，以得到第一中间结果；
[0110]
将第一中间结果传给部署的云端的通用大模型；
[0111]
获取云端的通用大模型输出的推论结果，以得到第二中间结果；
[0112]
将第二中间结果传给本地的个性化模型；
[0113]
获取本地的个性化模型输出的推论结果，以得到数字服务处理结果；
[0114]
将数字服务处理结果返回给用户。
[0115]
本发明实施例所提供的系统，为简要描述，实施例部分未提及之处，可参考前述实施例中相应内容。
[0116]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

技术特征：
1.基于个性化大语言模型的数字助理服务方法，其特征在于，包括：获得初始的通用大模型；对所述初始的通用大模型进行修饰，以得到修饰后的通用大模型；对所述修饰后的通用大模型进行微调，以得到微调后的通用大模型；使用私有数据对所述微调后的通用大模型进行云边联合训练，以得到个性化模型；将所述微调后的通用大模型部署在云端，将所述个性化模型部署在本地；接收用户的服务请求，利用部署的所述通用大模型和所述个性化模型对所述服务请求进行数字服务处理。2.根据权利要求1所述基于个性化大语言模型的数字助理服务方法，其特征在于，对所述修饰后的通用大模型进行微调之后，还得到精简大模型；所述个性化大模型的生成方法还包括：使用所述私有数据和所述精简大模型对所述微调后的通用大模型进行本地训练，以得到所述个性化模型。3.根据权利要求2所述基于个性化大语言模型的数字助理服务方法，其特征在于，所述初始的通用大模型包括头部层和尾部层；对所述初始的通用大模型进行修饰具体包括：在所述初始的通用大模型中添加头部添加层和尾部添加层，所述头部添加层用于对其输入进行网络加密，所述尾部添加层用于对其输入进行网络解密。4.根据权利要求3所述基于个性化大语言模型的数字助理服务方法，其特征在于，所述对所述修饰后的通用大模型进行微调具体包括：将所述初始的通用大模型作为教师模型，将所述修饰后的通用大模型作为第一学生模型，将所述精简大模型作为第二学生模型；利用所述教师模型辅助所述第一学生模型的微调，通过扩大所述第一学生模型中头部添加层的输出与所述教师模型中头部层的输出之间的差异，缩小所述第一学生模型中尾部添加层的输出与所述教师模型中间层的输出之间的差异来实现；利用所述教师模型和第一学生模型辅助所述第二学生模型的微调，通过缩小所述第一学生模型的中间层的输出与所述第二学生模型输出之间的差异来实现。5.根据权利要求3所述基于个性化大语言模型的数字助理服务方法，其特征在于，所述利用部署的所述通用大模型和所述个性化模型对所述服务请求进行数字服务处理包括：将所述服务请求传给部署的所述本地的个性化模型；获取所述本地的个性化模型输出的推论结果，以得到第一中间结果；将所述第一中间结果传给部署的所述云端的通用大模型；获取所述云端的通用大模型输出的推论结果，以得到第二中间结果；将所述第二中间结果传给所述本地的个性化模型；获取所述本地的个性化模型输出的推论结果，以得到数字服务处理结果；将所述数字服务处理结果返回给用户。6.根据权利要求5所述基于个性化大语言模型的数字助理服务方法，其特征在于，数字服务包括以下至少一种服务：查找或推荐信息、生成摘要、分析数据、协助销售、开发市场和产品、翻译文件、协助招聘、制定计划、发送提醒信息、协助购物、协助租房、制定食谱、采购食材。
7.基于个性化大语言模型的数字助理服务系统，其特征在于，包括：模型修饰单元：用于获得初始的通用大模型；对所述初始的通用大模型进行修饰，以得到修饰后的通用大模型；模型微调单元：用于对所述修饰后的通用大模型进行微调，以得到微调后的通用大模型；模型训练单元：用于使用私有数据对所述微调后的通用大模型进行云边联合训练，以得到个性化模型；将所述微调后的通用大模型部署在云端，将所述个性化模型部署在本地；数字助理服务单元：用于接收用户的服务请求，利用部署的所述通用大模型和所述个性化模型对所述服务请求进行数字服务处理。8.根据权利要求7所述基于个性化大语言模型的数字助理服务系统，其特征在于，所述模型微调单元还用于对所述修饰后的通用大模型进行微调之后，还得到精简大模型；所述模型训练单元还用于使用所述私有数据和所述精简大模型对所述微调后的通用大模型进行本地训练，以得到所述个性化模型。9.根据权利要求8所述基于个性化大语言模型的数字助理服务系统，其特征在于，所述初始的通用大模型包括头部层和尾部层；所述模型修饰单元具体用于：在所述初始的通用大模型中添加头部添加层和尾部添加层，所述头部添加层用于对其输入进行网络加密，所述尾部添加层用于对其输入进行网络解密。10.根据权利要求9所述基于个性化大语言模型的数字助理服务系统，其特征在于，所述模型微调单元具体用于：将所述初始的通用大模型作为教师模型，将所述修饰后的通用大模型作为第一学生模型，将所述精简大模型作为第二学生模型；利用所述教师模型辅助所述第一学生模型的微调，通过扩大所述第一学生模型中头部添加层的输出与所述教师模型中头部层的输出之间的差异，缩小所述第一学生模型中尾部添加层的输出与所述教师模型中间层的输出之间的差异来实现；利用所述教师模型和第一学生模型辅助所述第二学生模型的微调，通过缩小所述第一学生模型的中间层的输出与所述第二学生模型输出之间的差异来实现。

技术总结
本发明提供了数字助理服务方法及系统，方法包括获得初始的通用大模型；对初始的通用大模型进行修饰；对修饰后的通用大模型进行微调，以得到微调后的通用大模型；使用私有数据对微调后的通用大模型进行云边联合训练，以得到个性化模型；将微调后的通用大模型部署在云端，将个性化模型部署在本地；接收用户的服务请求，利用部署的通用大模型和个性化模型对服务请求进行数字服务处理。该方法使得大语言模型中对私有数据安全性要求较高的专有化部分和个性化部分运行在本地，通用部分运行在云端，这样非专业用户不需要请专家或花费大量费用建立本地训练环境，从而降低本地训练环境建立的门槛，同时还保障了私有数据的隐私和安全性。性。性。


技术研发人员：朱太和 晏士康
受保护的技术使用者：北京智慧火种科技有限公司
技术研发日：2023.06.09
技术公布日：2023/8/31