返回首页
一周热榜
我们一直在努力解决会计问题，使其真正实现自主和无声化。如果您对此有任何重要反馈，或者您希望使用这个功能，请告诉我。
最初只是个玩笑（因为我有这个域名），结果变成了一个最小可行产品（MVP）。它的实用性……到目前为止，有点值得怀疑？不过在某些情况下，这种规格可能会派上用场。<p>我自己的规格可以在 <a href="https://spec.md/allan" rel="nofollow">https://spec.md/allan</a> 找到。加上 .md 后缀，你就能获取到 Markdown 版本。可以与 AI 代理共享，以便为他们提供关于你或你合作的人的背景信息。<p>欢迎反馈！
Back Me Up 是一款小型的科学机器，能够找到支持你论点的已发表论文。它源于我与朋友关于生命科学的对话，我们讨论到“肯定有论文支持大多数论点”，例如：咖啡不好、咖啡很好等。
你输入一个主张，例如“喝酒对心脏有好处”——系统会在一个文献库（包括 PMC、bioRxiv、medRxiv 和 arXiv）中进行语义搜索——如果相关引用符合你的主张，它会提取出来，并给出一个结论。
前端使用了 Sol 和 Opus 的组合，我花了一些时间探索不同的设计，最终选择了这个稍显荒谬的打印机，它会输出你的证据。
一些说明：
- 我没有准确性评估，这只是我随便做的一个项目，所以对其可靠性没有任何了解。不过它通过了感觉测试，可以试试看！
- 最初为一个小的 PMC 数据集构建了一个 RAG，但将其扩展似乎需要花费很多时间，考虑到这是一个晚上的项目。幸运的是，我找到了一个可以在不同来源之间进行语义搜索的 API。
您好，
我想分享一个我正在开发的项目。QuantSupport 是一个量化库，旨在为不同资产类别（股票、利率、外汇、固定收益）提供曲线构建、模拟和风险分析功能。
它的目标是成为银行的一个现实生产工具，而不是像许多其他工具那样仅仅作为分析库。为此，它从底层利用自动微分来获取风险功能（敏感性），这对于真实的交易设置至关重要。
该库还具有其他引擎，例如 XVA 引擎和用于构建更复杂收益结构的脚本语言。
我认为这个项目正在朝着更成熟的状态发展，但为了确认这一点，来自量化领域的反馈将非常有帮助，因此任何评论都非常感谢。
此外，以下仓库中提供了一个示例：
[https://github.com/jmelo11/derivative_structuring](https://github.com/jmelo11/derivative_structuring)
在这里，LLM 利用库的脚本功能为用户提出的请求提供定价和见解，从而实现模型一致的结果。