ChatGPT主導的對話式AI的普及，迅速拉近了普通人與人工智能的距離，使人和數據結合、交互比以往任何時候都更緊密、順暢。

在商業上，大模型正在與企業應用迅速結合，重塑企業應用中人與數據的交互方式，這方面的應用不勝枚舉。如在自然語言處理領域，OpenAI的GPT-4模型已經被用于各種任務，包括文本生成、問答和語言理解等。在計算機視覺領域，Facebook的DETR模型被廣泛用于圖像識別任務。

相對于通用大模型訓練難度大、投資大、運營成本高、對于特定領域的適用性不佳等問題，星環科技在行業首家全面布局行業（領域）大模型發展。在5月26日舉辦的向星力·未來數據技術峰會 （FDTC）上，星環科技行業大模型戰略布局全面亮相。

(資料圖片僅供參考)

星環科技創始人、CEO孫元浩表示，星環科技不僅可以為用戶提供大模型應用構建的全棧軟件工具，還基于自身在行業應用領域的積累，推出兩大行業大模型。

推出MLOps工具鏈，改造和優化現有的通用大模型

在大語言模型快速發展的今天，大語言模型能夠更好地幫助計算機了解人類的意圖。但是企業在實際使用中會發現，由于通用大語言模型缺乏領域知識和知識推演能力，無法實際完成許多專業任務。

在通用大語言模型和企業應用之間，存在著巨大的差距，需要通過LLMOps工具鏈來改造和優化現有的通用大模型，形成真正能夠在某個行業內專精的領域大模型，真正讓大語言模型技術更好地服務企業。

為了幫助企業用戶基于大模型構建未來應用，星環科技推出了大模型持續提升和開發工具Sophon LLMOps，實現領域大模型的訓練、上架和迭代。Sophon LLMOps服務于大模型開發者，幫助企業快捷地構建自己的行業大模型，通過大模型基礎設施，形成具備“新型人機交互”且“敏捷可持續迭代“的人工智能應用。

星環科技Sophon LLM-Ops的工具鏈優勢體現在以下幾個方面：

首先，Sophon LLMOps擁有自己的樣本倉庫能力，覆蓋訓練數據開發、推理數據開發、數據維護等工作，對大語言模型涉及的原始數據、樣本數據、提示詞數據做清洗、探索、增強、評估和管理等。

第二，Sophon LLMOps具有模型運維管理能力。除了傳統MLOps的六大統一——統一納管、統一運維、統一應用、統一監控、統一評估、統一解釋外，針對大語言模型的微調、持續提升、評估、對齊等提供從計算框架、工具到計算、存儲、通信的調度和優化支持。

第三，Sophon LLMOps具有大語言模型和其他任務的編排、調度和上線能力。Sophon LLMOps提供Agent、Ops、DAG，結合星環科技的多款大數據、數據庫產品，如向量庫Hippo和分布式圖數據庫StellarDB等，將不同大語言模型、傳統機器學習、其他流程等編排成符合用戶實際領域和業務需求的任務，并為客戶提供服務。

星環科技Sophon LLMOps解決了客戶三個核心痛點：

首先，提供一站式工具鏈，幫助客戶完成“通用大語言模型” 的訓練、微調，得到滿足自身業務特點的領域大語言模型。

其次，幫助客戶將原型的大語言模型應用，成功地投入到實際生產中。

第三，幫助客戶運營在生產中應用的大語言模型，完成大模型的持續提升等。

向量數據庫與圖數據庫聯合構建大模型應用，讓每個人都擁有個性化的AI助理

孫元浩表示，數據處理從多模型向多模態轉型，從單一模態向多模態進化，企業數據分析進入了“新的次元”。

使用星環科技的向量數據庫和分布式圖數據庫，可以構建基于大模型的應用，讓每個人都擁有自己個性化的AI助理。星環科技推出了自研的向量數據庫Transwarp Hippo，拓展大語言模型時間和空間維度；星環科技打造面向圖智能、業務分析的多模型企業級分布式圖數據庫StellarDB 5.0，構建海量數據（603138）互聯智慧“星”圖。

數據庫經歷了40多年的發展，依然生機勃勃。隨著人工智能（AI）的發展，非結構化數據應用日益增多，數據體量大、格式多、存儲方式多樣，對這些數據的處理，傳統數據顯然無能為力，從而誕生了一種新的數據庫——向量數據庫（vector databases）。

向量數據庫主要用于AI應用，如機器學習、自然語言處理、圖像識別等，并因為支持快速高效的數據存儲和檢索過程，而成為AI用例的理想選擇。

在此次的向星力·未來數據技術峰會 （FDTC）上，星環科技推出了自研的向量數據庫Transwarp Hippo。作為一款企業級云原生分布式向量數據庫，星環科技Hippo支持存儲、索引以及管理海量的向量式數據集，能夠高效地解決向量相似度檢索、高密度向量聚類等問題。

與開源的向量數據庫不同，Hippo具備高可用、高性能、易拓展等特點，支持多種向量搜索索引，支持數據分區分片、數據持久化、增量數據攝取、向量標量字段過濾混合查詢等功能，能很好地滿足企業針對海量向量數據的高實時性查詢、檢索、召回等場景。

大數據時代，應該如何解決海量圖數據的存儲、計算難題呢？星環科技打造面向圖智能、業務分析的多模型企業級分布式圖數據庫StellarDB 5.0。

在性能上，StellarDB 5.0一騎絕塵，實現了實時短查詢場景5倍提升，高并發上萬+QPS，近50種圖算法，平均8倍性能提升，多度關聯關系場景10倍提升，解決無限擴層問題。

同時StellarDB 5實現了圖算法可視化，帶來全面升級的數據可視化分析引擎KG Explorer 1.3，一款人人易用、面向業務、數據分析的可視化工具。

另外，StellarDB 5.0與星環科技自研的深度圖框架ZenGraph結合，基于圖數據庫的查詢計算能力，提供快速、準實時，甚至實時的特征查詢和計算；基于圖數據庫內置算法，提供多元的圖特征計算能力；基于圖數據庫存儲能力，提供高速數據寫會能力；針對不同業務場景支持多種深度圖嵌入算法模型，相比于傳統圖算法，能夠從圖中挖掘學習更多的特征知識，預測更精準。

利用向量數據庫和圖數據庫，可以構建特定領域的大模型應用。在大模型應用開發軟件棧中，知識圖譜、向量數據庫、模型倉庫和圖數據庫構成的知識語義層，與模型運行層、大語言模型、提示工程層、應用前端集成層協同，幫助用戶創建大模型應用，讓每個人都擁有自己的個性化AI助理。

其中，向量數據庫可用于應用的文本檢索，讓查詢更滿足人性化的需求；可以實現語音、圖像、視頻檢索，覆蓋如人臉識別、語音識別、視頻指紋等各類AI場景；實現個性化推薦，做到千人千面的個性化推薦效果。

而圖數據庫和知識圖譜聯合，與大模型可視化端到端構建工具一起，提供了知識抽取融合、知識建模、知識圖譜生成存儲、基于大模型的知識問答等閉環功能。客戶以知識圖譜作為大語言模型提示即可發起模型微調，以較低代價就可獲得行業的專屬大語言模型問答應用。

而向量數據庫、圖數據庫與大語言模型結合，可以構建業務域知識圖譜和業務系統的應用服務，進一步提高人機交互的效率，提供更靈活的組合業務服務，激發出更多更深入的業務場景AI應用。相較于通用大模型，結合向量數據庫、圖數據庫與知識圖譜所存儲的具體行業知識，領域大模型更精通特定行業的知識，具備高效的語料匹配能力和知識推理能力，能夠有效回答用戶的提問。

無涯金融量化投研大模型

針對量化投研領域特定的業務邏輯，星環科技通過預訓、提示、增強、推導范式的構建，實現Financial-Specific-LLM的訓練，推出了金融行業量化投研大模型無涯Infinity。星環科技基于大模型的事件驅動與深度圖引擎，實現對事件語義刻畫、定價因子挖掘、時序編碼、異構關系圖卷積傳播，進而構建包含事件沖擊、時序變化、截面聯動和決策博弈等多個維度的量化投研新范式。

星環科技無涯金融大模型，寓意學海無涯，既代表了投資領域終身學習的精神，也蘊含了大模型本身在參數架構方面持續迭代的內涵。可以說無涯是一款面向金融量化領域、超大規模參數量的生成式大語言模型。主要通過自監督的增量訓練和有監督的指令微調，使用星環科技高性能計算集群訓練而成。

首先，星環科技無涯使用上百萬的高質量的專業金融語料，涵蓋了研報、公告、政策、新聞等高質量的自然語言文本，作為基礎大模型的二次預訓練語料，使得無涯具備對包括基本面、技術面、消息面在內的金融通識領域準確的理解能力，滿足行業分析師的需求。

其次，星環科技無涯使用了上百類特定事件類型和20多萬事件實例，完成對大模型的指令微調，從而使得無涯能夠對齊專業研究員的分析推理能力，更加智能和可靠。

再次，在此基礎上，星環科技無涯構建了包括政策、輿情、ESG、風險、量價、產業鏈等六類大模型基礎因子集，所構建的復合因子體系滿足投資經理的需求。

從應用上看，無涯金融大模型強化以下幾個能力：

第一，針對金融行業，擁有準確理解和合理分析的能力。無涯擅長處理金融量化領域的各類問題，諸如在政策和研報分析、新聞解讀、事件總結和演繹推理上都具備強大的理解和生成能力。

第二，實現事件復盤分析與推演，貫通宏觀行業和大類資產分析邏輯。能夠對股票、債券、基金、商品等各類市場事件進行全面的復盤、傳播和推演。

第三，構建六類大模型基礎因子集，支撐復合因子策略體系，能夠生成策略因子集合，構建立體的歸因解釋體系。

毫無疑問，星環科技長期深耕金融領域，服務大量金融行業客戶，積累了上百萬金融專業領域的語料；基于星環科技對圖數據庫、深度圖推理算法的技術，形成了大規模高質量的金融類事件訓練指令集。二者共同鑄就了星環科技開發金融領域大語言模型的堅實底座。

大數據分析大模型SoLar“求索”，數據庫查詢平民化

同樣在大數據領域探索、積累長達10年的星環科技，基于在SQL編輯器的多年積累，結合大語言模型，推出了星環科技大數據分析大模型SoLar求索。用戶可以通過自然語言，生成可成功執行的SQL或Cypher，從而快速獲取查詢的結果，能夠快速降低用戶的使用門檻。

星環科技此次發布的SoLar求索，將作為數據查詢和分析的智能副手，為數據工程師、數據科學、業務人員等提供更好的使用體驗。這些非大數據分析的專業用戶，可以利用 SoLar求索，在不需要學習和掌握數據庫編程語言的前提下，可以使用自然語言自由地按需查詢數據。

星環科技的數據分析大模型SoLar求索包含多個數據分析大語言模型。本次展示的是自然語言進行數據分析（SQL類）的能力。用戶可以通過自然語言提問，從星環科技的大數據平臺上的多張數據表中查詢出所需結果，并快速做出相應數據分析和相應的分析結果展現。

相較于傳統方式，應用星環科技SoLar求索的好處包括：

首先，可以使用自然語言描述業務需求，方便對多張數據表進行關聯，并使用各種星環科技大數據分析平臺提供的函數進行分析計算，讓數據庫查詢平民化。

其次，可以使用自然語言描述涉及多種數據模型的復雜業務需求，借助星環科技大數據平臺特有的多模型技術，對不同模態如圖數據、文本數據、結構化數據等的數據進行關聯分析和展示。

同時，為了保障生產可用和避免大語言模型的“幻覺”問題，星環科技Solar求索還為客戶提供了交互式數據分析的方式，方便客戶利用數據表與表之間的ER圖（實體-聯系圖），指定想使用的數據庫/表，提供數據分析代碼的一步步解釋，從而生成可被追溯、可被理解、同時更準確的分析能力。

AI大模型時代，正在加速AI應用的普及化。星環科技一方面為為用戶提供大模型應用構建的軟件工具，同時基于自身在行業應用領域的積累，推出無涯金融大模型和大數據分析大模型SoLar求索兩大行業應用大模型，幫助用戶應對大模型時代的挑戰。

關鍵詞：