弄脏双手不是为了脏而脏，如何保持一线的体感，就是直接自己上，工具和产品的进化。
续上期，最近实践CV模型的训练，能够放大使用AI的前提是，你清楚的知道如何评价这个事情的预期，数据或者benchmark的边界是什么。
1 是个大模型的基座还是小模型，基座学术界有类似的imageNET的基础研究，可太好了。根据目标训练teacher的基座模型。直接把显存，内存，显卡全跑满。
2 有团队可能选型用了ViT huge，可能目标客户的私有化环境很难进去，一开始没定义清楚场景后面商业化的场景也会遇到问题。也说明说明，数据，算法，工程，产品，在模型的定义过程中全部都要清晰自己的定义和使用边界。由于独立开发者的情况，充分跟四个AI不断地评估场景，质疑影响，人类定义边界后，模型很快的有了边界和evaluation体系。
3 数据和标注，很有意思的是，模型现在在已有边界的box识别上，有了突飞猛进的进展，尤其是在离线场景中，可以直接让模型检索红衣服戴白色帽子的人类。这种能力可以复制到工业领域的异常或者物品分割，通过小样本进行学习。
在情绪测量领域，本身的定义不属于通识的范围，需要专家进行定义，所以数据的标注和采集，需要借助模型的那部分，也需要根据自己的需要进行垂直模型的训练。
4 任何一个类work buddy的产品，几分钟可生成一个标注平台，工作台这种动态工具，真的是要多少有多少。

最后emm，回到工程环境，batch固定，单核30qps，单帧处理速度是100ms。
接下来就是把情绪数学层面和大众认知层面的词汇和理解进行连接。

模型训好了。情绪引擎 Zephyr-E1训练完成，效果如图。
适用设备：边缘侧主控芯片RK3568以上或者树莓派均可。服务端CPU/GPU都支持。
模型大小：约等于50M，响应时间毫秒级。
训练方式：使用meshNet+AU的双重特征抽象，AffectNet+Emotic作为教师基座，学习特征，然后在ResNet中配合学习生产环境的分布，最后完成在边缘侧推理的目标。数据工程：处理特殊的典型极限值，并且不同范围带的分箱标注，查看在一定周期内的生产环境分布。
心理学理论：Russell 提出的情感圆周/核心情感模型把情绪表征为连续的情感维度（以Valence与Arousal为核心），并以因子分析与多维尺度证据支持该结构。
目标场景：用来进行记录和解析情绪强度，各种需要观测用户情绪强度变化的场景，比如日常的情绪健康测量。

DSH为最终的Agent Hour带来了实现的可能性，person hour的时间在劳动力市场也是时间制，更类似资源占用，碳基最大的作用是背锅并不是的执行。那么Agent Hour是以任务为主线的，可以按次也可以安小时，最终交付的是结果的效率，所以碳基还是背锅的，也就是脉上传说ali每个p10都在做自己的cc、wb之类的工具的原因，除了市场，还有AgentHour的定义权。

第一个模型炼成了！先mark一下

用codex生成了一张图片，放大一下看字，瞬间变成乱码。同学们遇到这种情况了吗

AI is untrust system like human team.

Markdown 本质代表了工程师文化，跟销售文化和其他的文化一样，面向工程师的文化和设计，一眼可以看到品味。

MemEcho记忆回声，可以辅助自我语言观察，在商务会谈中获取事实和观点，并且评估自己的发言对整个议题的走向。非常适合售前，产品等需要控制需求和客户态度的场景。
多模态能力取决于基模，省token的方式是豆包的转写原文字，一股脑送进来解析。
Skill也是build的一种方式，提前检验市场的方式，尤其当你的产品面向cli用户的特定通用场景时。bug修完了，再把美美的工具放出来。

最近在小红书上聊了一些薯友，有两位一位标准亚马逊电商人，一位标准创业者，他们都统一反馈，遇到一个正常人太难了。我的体感也是，不过感觉到不舒服的直接就跳过了。先搭讪起来，增加幸运的面积。

DSH一切皆插件的Meta-Framework，也够业界消化一下了，需要中国独有的叙事。