OpenTSLM laiko eilučių modeliai dabar prieinami per Amazon SageMaker
Trumpai: „Aionic Labs“ išleido „OpenTSLM-Flamingo“ – laiko eilučių kalbos modelį (TSLM), kurį dabar galima diegti per „Amazon SageMaker JumpStart“. Jis sujungia „Gemma 3 4B“ architektūrą su laiko eilučių kodavimo įrankiu, kad kartu su tekstiniu kontekstu interpretuotų operacinius duomenis.
Šią santrauką automatiškai parengė dirbtinis intelektas pagal „AWS Machine Learning“ publikaciją. Tai mūsų tekstas, ne originalo kopija — faktai, skaičiai ir citatos priklauso šaltiniui, kurio nuoroda pateikta viršuje ir apačioje.
Kas pasikeitė?
- 1„OpenTSLM-Flamingo Gemma 3 4B“ įtrauktas į „SageMaker JumpStart“ modelių centrą.
- 2Palaikoma iki 32 768 reikšmių vienam laiko eilutės signalui.
- 3Nauja architektūra leidžia atlikti kryžminį dėmesio paskirstymą tarp skaitinių matavimų ir natūralios kalbos teksto.
- 4Diegimui reikia bent 24 GB GPU atminties (rekomenduojamas numatytasis „ml.g6.2xlarge“ instancijos tipas).
| Parametras | Buvo | Dabar |
|---|---|---|
| Bendras parametrų skaičius | Nenurodyta | 5,24 milijardo |
| Atminties poreikis | Nenurodyta | 10,5 GB GPU atminties (bfloat16) |
Kodėl tai svarbu?
Šis modelis sujungia neapdorotą telemetriją (CPU, atminties naudojimas, ryšio būsena) su suprantama analize. Užuot pasikliovus tik ribiniais įspėjimais, jūsų sistemos dabar gali pateikti automatizuotas, į kontekstą orientuotas būsenos suvestines ir rekomenduoti konkrečius trikčių šalinimo veiksmus.
Ką tai reiškia AI agentams ir kontaktų centrams?
Vertinant infrastruktūros stebėseną ar agentų veiklos diagnostiką, apsvarstykite galimybę išbandyti šį modelį, kad susietumėte balso platformos telemetriją su incidentų žurnalais. Palyginkite jo gebėjimą atpažinti „tylus“ sistemos veiklos suprastėjimus su jūsų dabartiniais statistiniais įspėjimais; patikrinkite, ar 10,5 GB GPU apkrova atitinka jūsų turimus išlaidų modelius.
🧪 Verta testuoti
Galimybė įvesti neapdorotą signalų istoriją ir gauti pritaikomas natūralios kalbos suvestines yra didelis šuolis proaktyvios IT pagalbos ir automatizuotos diagnostikos srityje.
Šaltiniai
- AWS Machine LearningOficialusPirminis šaltinisOriginalus straipsnis →„Reason over time-series data with OpenTSLM on Amazon SageMaker JumpStart“2026-11-17 20:06
- Šaltinio publikavimo data
- 2026-11-17 20:06
- Mūsų sistema rado
- 2026-11-17 20:14
- Santrauka sugeneruota
- 2026-11-18 10:54
Straipsnį pagal originalų šaltinį parašė AI. Faktai, skaičiai ir kainos — iš šaltinio; trūkstamos reikšmės pažymėtos „Nėra oficialių duomenų“. Teisinė informacija, autorių teisės ir privatumas