盘古大模型 PanguLargeModels 盘古大模型 PanguLargeModels 盘古大模型是面向B端行业的大模型,包含L0中5类基础大模型、L1行业大模型及L2场景模型三层架构 盘古大模型是面向B端行业的大模型,包含L0中5类基础大模型、L1行业大模型及L2场景模型三层架构
根据客户行业场景数据,实现最优算法推荐及结果输出 提升开发效率、降低落地门槛 支持二次微调,实现领域知识累积,提供特征重要性等结果辅助分析能力 文档与学习成长 盘古大模型 盘古大模型 什么是盘古大模型 盘古预测大模型能力与规格 盘古大模型快速入门 如何调用盘古大模型API 查看全部
式应用。 模型开发:开箱即用的大模型开发工具链 模型开发:开箱即用的大模型开发工具链 模型广场 预置丰富的主流开源大模型,支持对模型进一步调优、压缩、部署等 模型调优 通过构建符合业务场景的训练输入与训练参数,提高在业务场景中的模型效果 模型部署 通过部署提供正式的模型服务,用于后续的模型调用
体系化课程、学术前沿论文 场景化的AI案例,助力Ai赋能千行百业 查看更多 学习资源 学习资源 AI开发基本流程介绍 自动学习简介 使用预置算法构建模型 使用自定义算法构建模型 查看更多 您感兴趣的产品 您感兴趣的产品 盘古NLP大模型 最贴合行业落地的NLP大模型 盘古CV大模型 赋能行业客户使用少量数据微调即可满足特定场景任务
重磅发布盘古NLP 718B深度思考模型,多专家+大稀疏比的MOE新架构,昇腾亲和设计,高效训推 购买 控制台 文档 百模千态 支持盘古、DeepSeek、Qwen等热门模型 超强工具链 七大模块,支撑AI场景快速落地 多场景应用 软硬协同,孵化行业创新场景 安全工程 多语种内容审核,平台全面保护
生成的大模型,为其端到端仿真高效迭代提供强有力支撑。 文档与学习成长 盘古大模型 盘古大模型 什么是盘古大模型 盘古多模态大模型能力与规格 用户指南 如何调用盘古大模型API 查看全部 AI Gallery百模千态社区 AI Gallery百模千态社区 优质昇腾云AI模型专区 几行代码自由部署AI应用
盘古行业大模型 盘古行业大模型 盘古行业大模型化解行业数据构建难、模型效果调优难、场景能力评测难三大难题,助力行业客户更快、更优构建专业大模型 盘古行业大模型化解行业数据构建难、模型效果调优难、场景能力评测难三大难题,助力行业客户更快、更优构建专业大模型 专家咨询 ModelArts
自然语言处理体验中心 自然语言处理 分词 命名实体识别 文本相似度 关键词抽取 事件抽取 文本摘要 诗歌生成 情感分析 属性级情感分析 实体级情感分析 分词 0/200 分词标准 PKU标准 CTB标准 换一句 开始分析 分析结果 命名实体识别 0/200 换一句 开始分析 分析结果
支持公有云、混合云、边缘多种形态,满足不同需求 文档与学习成长 盘古大模型 盘古大模型 什么是盘古大模型 盘古科学计算大模型能力与规格 盘古大模型用户指南 如何调用盘古大模型API 查看全部 AI Gallery百模千态社区 AI Gallery百模千态社区 优质昇腾云AI模型专区 几行代码自由部署AI应用 丰富多样的AI训练数据集
. 模型更新后,将新模型部署至相应环境。 十一、模型评测1. 设计模型评测方案,对大模型各类指标进行评测。2. 能够按评测标准对大模型各项能力进行打分,输出大模型评测报告。 十二、Agent开发1. 基于场景,设计并开发Agent工具。2. 基于langchain等大模型框架,完
太杉天尊大模型AIGC场景解决方案是以AI场景解决方案为核心的全栈Maas综合方案,助力政企客户灵活部署(可公有可私有部署)。具备自研的行业模型能力,主要用于政府/公安/教育等行业的数据处理、文本处理以及多模态处理等多场景。太杉天尊大模型AIGC场景解决方案,是一款专为满足政府企
IMS-MOM是盘古信息发布的IMS V5.0数字化智能制造系统,是面向CPS的新一代数字化管理解决方案,采用统一的MOM架构,以IOT设备互联平台为底层核心,涵盖企业的人、机、料、法的数字化、全流程、全周期协同管理。盘古信息自主研发的IMS-MOM,以面向CPS的生产现场全场景为核心对
咨询服务:深入解析AI行业与盘古大模型,为客户提供场景应用的设计咨询建议。结合客户应用场景与大模型能力,提供落地方案选择和技术方案设计。提供NLP/CV等大模型的训练集数据标准设计指导。2. 规划设计:提供需求调研服务,基于盘古大模型的能力进行科学合理的方案设计和模型选择。完成需求调研报
咨询、规划设计,到数据工程、模型训练,再到应用工程及模型运维的完整流程。1. 咨询服务:· 深入解析AI行业与盘古大模型,为客户提供场景应用的设计咨询建议。· 结合客户应用场景与大模型能力,提供落地方案选择和技术方案设计。· 提供NLP/CV等大模型的训练集数据标准设计指导。2.
脚本开发和数据处理经验,确保数据质量。4. 模型训练:设计调优方案,实施模型训练,并进行模型评测。熟悉盘古大模型工作流和云服务操作,确保模型效果优化。5. 应用工程:提供基于大模型能力的Agent开发和应用对接服务。具备良好的软件开发和沟通能力,实现大模型与应用的无缝对接。6
天尊大模型AIGC场景解决方案配套服务是太杉AIGC解决方案的人工服务,是以AI应用解决方案为核心的全栈Maas综合方案,助力政企客户灵活部署(可公有可私有部署)。主要用于政府/公安/教育等行业的数据处理、文本处理以及多模态处理等多场景。天尊大模型AIGC场景解决方案配套服务是太
尚泱科技是一家专注于大数据和大模型领域的高科技公司,具备强大的数据处理能力、模型训练调优技术以及全面的技术支持服务,能够为客户提供从数据标注到模型部署的全方位解决方案。尚泱科技结合华为盘古大模型,针对特定领域的产品介绍说明: 气象海洋环境领域: 盘古气象大模型:利用华为盘古气象大模型,提供准确的气
广东盘古信息科技股份有限公司,深耕智能制造系统软件行业近20年,是国内最早的MES专业厂商,拥有300多人的专业技术团队,为客户提供围绕IMS-MOM的专业技术支持与服务。盘古信息的IMS-MOM,以丰富的行业知识与工业机理模型为核心内容,为客户提供真正具有流程优化、流程再造的价
了解详情 盘古CV大模型 基于海量图像、视频数据和盘古独特技术构筑的视觉基础模型,赋能行业客户利用少量场景数据对模型微调即可实现特定场景任务。 了解详情 盘古多模态大模型 融合语言和视觉跨模态信息,实现图像生成、图像理解、3D生成和视频生成等应用,面向产业智能化转型提供跨模态能力底座。
ModelArts模型训练 ModelArts模型训练简介 ModelArts模型训练,俗称“建模”,指通过分析手段、方法和技巧对准备好的数据进行探索分析,从中发现因果关系、内部联系和业务规律,为商业目的提供决策参考。训练模型的结果通常是一个或多个机器学习或深度学习模型,模型可以应用到新的数据中,得到预测、评价等结果。
是您了解华为云的必备利器 云图说合集 ModelArts Pro 自然语言处理套件 高效构建行业文本处理模型 ModelArts Pro提供了自然语言处理套件,为客户提供自然语言处理的自定制工具,旨在帮助客户高效地构建行业领域的高精度文本处理模型,可应用于金融、法律等行业。。
盘古MES 盘古MES 深拓MES系统是针对车间生产进行管理,实现智能生产,智能物联,智能管理,协同决策、计划排程的系统。 深拓MES系统是针对车间生产进行管理,实现智能生产,智能物联,智能管理,协同决策、计划排程的系统。 深拓MES系统立即查看 免费试用 100+热门免费试用产品
盘古BPM 盘古BPM 华为云云市场九彩云iBPM云平台、业务流程分析BPA、流程管理BPM、流程绩效分析PPM,流程机器人RPA, 数字化采购DPM,企业服务总线ESB助力企业数字化转型实现端到端流程。 华为云云市场九彩云iBPM云平台、业务流程分析BPA、流程管理BPM、流程绩效分析PPM,流程机器人RPA
沿科技、激发创新灵感,收获多元成长… 共迎新商机 华为将分享HarmonyOS、盘古大模型、昇腾AI云服务、GaussDB数据库等最新创新成果。各领域伙伴将分享如何以科技创新为驱动,在鸿蒙生态和大模型技术中把握新机遇,构建智慧未来的新商业蓝图。 共创新技术 舞台属于开发者!各领域
用户申请账号并上传相关授权,拍摄训练所需音视频素材,上传进行模型训练,生成自定义形象和声音。选择背景、声音、模特等内容,基于文本或语音智能驱动,实现视频制作、视频直播、智能交互等能力。 华为云盘古数字人大模型,赋能千行百业数字化营销新模式 MetaStudio服务依托华为云基础设施、海量算力(CPU/GPU/
PaaS低代码平台以低代码等核心能力,覆盖企业/政府构建应用的典型业务场景。帮助用户在新应用快速构建、流程管理和自动化运维方面获得优势,加速数字化转型和运营创新 炎黄盈动AWS PaaS低代码平台以低代码等核心能力,覆盖企业/政府构建应用的典型业务场景。帮助用户在新应用快速构建、流程管理和自动化运
搭建 媒体处理功能_音视频转码_多媒体数据处理服务 共享流量包多少钱_共享流量是什么_共享流量怎么用 申请公网IP_弹性公网_公网IP什么意思 安全云脑的安全治理功能_安全治理是什么_安全治理有哪些功能 GA全球加速有什么功能_GA全球加速如何计费_GA全球加速使用场景 等保安全解决方案_等保整改_公有云等保
盘古NLP打模型典型场景
盘古NLP大模型规格
盘古NLP大模型是业界首个超千亿参数的中文预训练大模型,结合了大量数据预训练和多源知识,借助持续学习不断吸收海量文本数据,持续提升模型性能。除了实现行业知识检索、文案生成、阅读理解等基础功能外,盘古NLP大模型还具备模型调用等高级特性,可在智能客服、创意营销等多个典型场景中,提供强大的AI技术支持。
ModelArts Studio大模型开发平台为用户提供了多种规格的NLP大模型,以满足不同场景和需求。不同模型在处理上下文token长度和功能上有所差异,以下是当前支持的模型清单,您可以根据实际需求选择最合适的模型进行开发和应用。
模型支持区域 |
模型名称 |
可处理最大 序列长度 |
说明 |
---|---|---|---|
西南-贵阳一 |
Pangu-NLP-N1-32K-3.1.34 |
32K |
2024年11月发布的版本,支持8K序列长度训练,4K/32K序列长度推理。全量微调、LoRA微调8个训练单元起训,1个推理单元即可部署,4K支持256并发,32K支持256并发。 |
Pangu-NLP-N1-32K-3.2.36 |
32K |
2025年1月发布的版本,支持32K序列长度训练,4K/32K序列长度推理。全量微调、LoRA微调8个训练单元起训,1个推理单元即可部署,4K支持256并发,32K支持256并发。 |
|
Pangu-NLP-N1-128K-3.1.34 |
128K |
2024年11月发布的版本,仅支持128K序列长度推理,4个推理单元2并发。 |
|
Pangu-NLP-N1-128K-3.2.36 |
128K |
2025年1月发布的版本,仅支持128K序列长度推理,4个推理单元8并发。 |
|
Pangu-NLP-N1-Reasoner-128K-3.0.1.1 |
128K |
2025年6月发布的版本,仅支持128K序列长度推理,4个推理单元384并发。 |
|
Pangu-NLP-N2-4K-3.2.35 |
4K |
2025年1月发布的版本,支持4K序列长度训练,4K序列长度推理。全量微调、RFT微调32个训练单元起训,LoRA微调8个训练单元起训,支持混合部署和分离部署,4个推理单元即可部署,支持192并发。此模型版本差异化支持RFT训练、边缘部署特性。 |
|
Pangu-NLP-N2-32K-3.1.35 |
32K |
2025年1月发布的版本,支持32K序列长度训练,32K序列长度推理。全量微调32个训练单元起训,LoRA微调8个训练单元起训,4个推理单元即可部署,支持128并发。此模型版本差异化支持边缘部署特性。 |
|
Pangu-NLP-N2-128K-3.1.35 |
128K |
2024年12月发布的版本,仅支持128K序列长度推理部署,8个推理单元64并发。 |
|
Pangu-NLP-N2-256K-3.1.35 |
256K |
2024年12月发布的版本,仅支持256K序列长度推理部署,8个推理单元64并发。 |
|
Pangu-NLP-N2-Reasoner-32K-3.0.0.1 |
32K |
2025年3月发布的版本,支持32K序列长度推理部署,4个推理单元128并发。GRPO训练3个训练单元起训。 |
|
Pangu-NLP-N2-Reasoner-32K-3.0.1.1 |
32K |
2025年6月发布的版本,支持32K序列长度训练和推理。全量微调16个训练单元起训,LoRA微调8个训练单元起训。 |
|
Pangu-NLP-N2-Reasoner-128K-3.0.1.1 |
128K |
2025年5月发布的版本,仅支持128K序列长度推理部署,4个推理单元384并发。 |
|
Pangu-NLP-N2-Reasoner-128K-5.0.0.1 |
128K |
2025年6月发布的版本,仅支持32K序列长度推理。全量微调64个训练单元起训,LoRA微调32个训练单元起训。 |
|
Pangu-NLP-N2-Reasoner-TTC-32K-5.0.0.1 |
32K |
2025年6月发布的版本,支持128K序列长度推理,32个推理单元32并发。 |
|
Pangu-NLP-N4-4K-3.2.36 |
4K |
2025年3月发布的版本,支持4K序列长度训练,4K序列长度推理。预训练、全量微调、DPO训练64个训练单元起训,LoRA微调8个训练单元起训,8个推理单元即可部署,支持128并发。 |
|
Pangu-NLP-N4-4K-2.5.32 |
4K |
2024年11月发布的版本,支持4K序列长度训练,4K序列长度推理。全量微调64个训练单元起训,LoRA微调32个训练单元起训,8个推理单元即可部署,支持64并发。此模型版本差异化支持预训练、INT8/INT4量化特性。 |
|
Pangu-NLP-N4-4K-2.5.35 |
4K |
2025年1月发布的版本,支持4K序列长度训练,4K序列长度推理。全量微调64个训练单元起训,LoRA微调32个训练单元起训,8个推理单元即可部署,支持128并发。此模型版本差异化支持预训练、INT8/INT4量化特性。 |
|
Pangu-NLP-N4-32K-2.5.32 |
32K |
2024年11月发布的版本,仅支持32K序列长度推理部署,8个推理单元64并发。 |
|
Pangu-NLP-N4-32K-2.5.35 |
32K |
2025年1月发布的版本,仅支持32K序列长度推理部署,8个推理单元128并发。 |
|
Pangu-NLP-N4-Reasoner-32K-3.0.1.2 |
32K |
2025年6月发布的版本,支持32K序列长度训练和推理。全量微调96个训练单元起训,LoRA微调64个训练单元起训,8个推理单元104并发。 |
|
Pangu-NLP-N4-Reasoner-128K-3.0.1.2 |
128K |
2025年6月发布的版本,仅支持128K序列长度推理部署,16个推理单元32并发。 |
|
Pangu-NLP-N4-MoE-Reasoner-32K-5.0.0.1 |
32K |
2025年6月发布的版本,仅支持32K序列长度推理部署,32个推理单元128并发。 |
|
Pangu-RAG-N1-32K-4.3.2 |
32K |
2025年4月份发布的版本,支持32K序列长度推理,1个推理单元可部署,最高支持1QPS。该模型是基于盘古NLP大模型微调得到的RAG场景模型,提供对话问答能力。 |
|
Pangu-AgentExpert-N1-0.0.2 |
32K |
25年6月发布的版本,32K序列长度,1个推理单元可部署,256并发。该模型是基于盘古NLP大模型微调得到的Agent场景模型,提供意图识别、提问器。agent专业模型经过算法优化,相比传统模型有较大提升。 |
|
Pangu-AgentExpert-N2-0.0.2 |
32K |
2025年6月份发布的版本,支持32K序列长度推理,1个推理单元可部署,最高支持1QPS。该模型是基于盘古NLP大模型微调得到的Agent场景模型,提供意图识别、提问器、AutoPlanning能力。agent专业模型经过算法优化,相比传统模型有较大提升。 |
盘古NLP大模型支持的平台操作
在选择和使用盘古大模型时,了解不同模型所支持的操作行为至关重要。不同模型在预训练、微调、模型评测、在线推理和体验中心能力调测等方面的支持程度各不相同,开发者应根据自身需求选择合适的模型。以下是盘古NLP大模型支持的具体操作:
模型名称 |
模型训练 |
微调 |
强化学习 |
模型评测 |
模型压缩 |
在线推理 |
体验中心能力调测 |
|||
---|---|---|---|---|---|---|---|---|---|---|
全量微调 |
LORA |
DPO |
RFT |
GRPO |
||||||
Pangu-NLP-N1-32K-3.1.34 |
√ |
√ |
√ |
√ |
- |
- |
√ |
- |
√ |
√ |
Pangu-NLP-N1-32K-3.2.36 |
√ |
√ |
√ |
√ |
- |
- |
√ |
- |
√ |
√ |
Pangu-NLP-N1-128K-3.1.34 |
- |
- |
- |
- |
- |
- |
√ |
- |
√ |
√ |
Pangu-NLP-N1-128K-3.2.36 |
√ |
- |
- |
- |
- |
- |
√ |
- |
√ |
√ |
Pangu-NLP-N1-Reasoner-128K-3.0.1.1 |
√ |
√ |
√ |
- |
- |
- |
√ |
- |
√ |
√ |
Pangu-NLP-N2-4K-3.2.35 |
√ |
√ |
√ |
√ |
√ |
- |
√ |
√ |
√ |
√ |
Pangu-NLP-N2-32K-3.1.35 |
√ |
√ |
√ |
√ |
√ |
- |
√ |
√ |
√ |
√ |
Pangu-NLP-N2-128K-3.1.35 |
- |
- |
- |
- |
- |
- |
√ |
- |
√ |
√ |
Pangu-NLP-N2-256K-3.1.35 |
- |
- |
- |
- |
- |
- |
√ |
- |
√ |
√ |
Pangu-NLP-N2-Reasoner-32K-3.0.0.1 |
√ |
√ |
√ |
- |
- |
√ |
√ |
- |
√ |
√ |
Pangu-NLP-N2-Reasoner-32K-3.0.1.1 |
√ |
√ |
√ |
- |
- |
√ |
√ |
√ |
√ |
√ |
Pangu-NLP-N2-Reasoner-128K-3.0.1.1 |
√ |
- |
- |
- |
- |
- |
√ |
- |
√ |
√ |
Pangu-NLP-N2-Reasoner-128K-5.0.0.1 |
√ |
√ |
√ |
- |
- |
- |
√ |
√ |
√ |
√ |
Pangu-NLP-N2-Reasoner-TTC-32K-5.0.0.1 |
- |
- |
- |
- |
- |
- |
- |
- |
√ |
√ |
Pangu-NLP-N4-4K-3.2.36 |
√ |
√ |
√ |
√ |
- |
- |
√ |
√ |
√ |
√ |
Pangu-NLP-N4-4K-2.5.32 |
√ |
√ |
√ |
√ |
√ |
- |
√ |
√ |
√ |
√ |
Pangu-NLP-N4-4K-2.5.35 |
√ |
√ |
√ |
√ |
√ |
- |
√ |
√ |
√ |
√ |
Pangu-NLP-N4-32K-2.5.32 |
√ |
- |
- |
- |
- |
- |
√ |
- |
√ |
√ |
Pangu-NLP-N4-32K-2.5.35 |
√ |
√ |
√ |
√ |
√ |
- |
√ |
- |
√ |
√ |
Pangu-NLP-N4-Reasoner-32K-3.0.1.2 |
√ |
√ |
√ |
- |
- |
- |
√ |
- |
√ |
√ |
Pangu-NLP-N4-Reasoner-128K-3.0.1.2 |
- |
- |
- |
- |
- |
- |
√ |
√ |
√ |
√ |
Pangu-NLP-N4-MoE-Reasoner-32K-5.0.0.1 |
- |
- |
- |
- |
- |
- |
√ |
- |
√ |
√ |
Pangu-RAG-N1-32K-4.3.2 |
- |
- |
- |
- |
- |
- |
- |
- |
√ |
- |
Pangu-AgentExpert-N1-0.0.2 |
- |
- |
- |
- |
- |
- |
- |
- |
√ |
√ |
Pangu-AgentExpert-N2-0.0.2 |
- |
- |
- |
- |
- |
- |
- |
- |
√ |
√ |
盘古NLP大模型对资源池的依赖
模型名称 |
云上部署 |
边缘部署 |
---|---|---|
Pangu-NLP-N1-32K-3.1.34 |
支持,1个推理单元部署 |
- |
Pangu-NLP-N1-32K-3.2.36 |
支持,1个推理单元部署 |
- |
Pangu-NLP-N1-128K-3.1.34 |
支持,4个推理单元部署 |
- |
Pangu-NLP-N1-128K-3.2.36 |
支持,4个推理单元部署 |
- |
Pangu-NLP-N1-Reasoner-128K-3.0.1.1 |
支持,4个推理单元部署 |
- |
Pangu-NLP-N2-4K-3.2.35 |
支持,4个推理单元部署 |
支持,4个推理单元部署 |
Pangu-NLP-N2-32K-3.1.35 |
支持,4个推理单元部署 |
支持,4个推理单元部署 |
Pangu-NLP-N2-128K-3.1.35 |
支持,8个推理单元部署 |
- |
Pangu-NLP-N2-256K-3.1.35 |
支持,8个推理单元部署 |
- |
Pangu-NLP-N2-Reasoner-32K-3.0.0.1 |
支持,4个推理单元部署 |
- |
Pangu-NLP-N2-Reasoner-32K-3.0.1.1 |
支持,4个推理单元部署 |
- |
Pangu-NLP-N2-Reasoner-128K-3.0.1.1 |
支持,4个推理单元部署 |
- |
Pangu-NLP-N2-Reasoner-128K-5.0.0.1 |
支持,4个推理单元部署 |
- |
Pangu-NLP-N2-Reasoner-TTC-32K-5.0.0.1 |
支持,32个推理单元部署 |
- |
Pangu-NLP-N4-4K-3.2.36 |
支持,8个推理单元部署 |
- |
Pangu-NLP-N4-4K-2.5.32 |
支持,8个推理单元部署 |
- |
Pangu-NLP-N4-4K-2.5.35 |
支持,8个推理单元部署 |
- |
Pangu-NLP-N4-32K-2.5.32 |
支持,8个推理单元部署 |
- |
Pangu-NLP-N4-32K-2.5.35 |
支持,8个推理单元部署 |
- |
Pangu-NLP-N4-Reasoner-32K-3.0.1.1 |
支持,4个推理单元部署 |
- |
Pangu-NLP-N4-Reasoner-32K-3.0.1.2 |
支持,8个推理单元部署 |
- |
Pangu-NLP-N4-Reasoner-128K-3.0.1.2 |
支持,16个推理单元部署 |
- |
Pangu-NLP-N4-MoE-Reasoner-32K-5.0.0.1 |
支持,32个推理单元部署 |
- |
Pangu-RAG-N1-32k |
支持,1个推理单元部署 |
- |
Pangu-AgentExpert-N1-0.0.2 |
支持,1个推理单元部署 |
- |
Pangu-AgentExpert-N2-0.0.2 |
支持,1个推理单元部署 |
- |
盘古NLP打模型典型场景常见问题
更多常见问题 >>-
盘古大模型致力于深耕行业,打造金融、政务、制造、矿山、气象、铁路等领域行业大模型和能力集,将行业知识know-how与大模型能力相结合,重塑千行百业,成为各组织、企业、个人的专家助手。
-
模型转换,即将开源框架的网络模型(如Caffe、TensorFlow等),通过ATC(Ascend Tensor Compiler)模型转换工具,将其转换成昇腾AI处理器支持的离线模型。
-
云手机兼容原生指令,能够运行主流游戏与应用,与真机无异,除了常规的手机操作场景应用以外,云手机还有的典型应用场景:MRPA移动机器人流程自动化,即机器程序自动化地执行脚本来代替人工重复、繁琐、程序化的操作,从而达到提升效率的作用。
-
云游戏作为游戏行业的热门发展方向,通过视频流化的方式面向玩家提供免下载,脱离手机性能的一种游戏服务方式,其本身包含了PC游戏的流化和移动游戏的流化。云手机作为云端仿真手机可以发挥移动游戏指令同构的优势,在云端承载游戏应用
-
混合云解决方案提供多种途径,联通公有云和私有云,支持企业资源整合,业务灵活部署 在企业上云的过程中,私有云的业务和在公有云上的业务需要数据面打通,私有云/公有云将长期并存,混合云才是企业上云未来的方向。对混合云的需求不仅仅需要资源拉通,数据面(备份归档、跨云灾备)也是业务云化的关键业务场景
-
用友NC服务企业数字化采用新一代数字技术,帮助企业在数字营销,智能制造,共享服务、智慧采购、平台型组织、社会化商业、云架构支撑、数据化金融等焦点领域,实现企业全面数字化转型.
盘古NLP打模型典型场景教程视频
最佳实践视频帮助您快速了解搭建流程 了解更多
更多相关专题
增值电信业务经营许可证:B1.B2-20200593 | 域名注册服务机构许可:黔D3-20230001 | 代理域名注册服务机构:新网、西数