立知多模态重排序实战客服问答相关性判断落地案例分享1. 引言客服系统里的“找答案”难题想象一下你是一家大型电商平台的客服主管。每天成千上万的用户会通过在线客服系统提问“我的订单为什么还没发货”、“这个商品有优惠券吗”、“怎么申请退货”。你的客服知识库里存放着几百条精心编写的标准答案和解决方案。问题来了当用户输入一个问题系统从知识库里检索出5条可能相关的答案时你怎么知道哪一条才是用户真正需要的传统的文本匹配方法比如关键词搜索经常闹笑话。用户问“手机充不进去电”系统可能把“手机充电器推荐”或者“手机电池保养”排在最前面而真正解决“充不进电”故障的答案却排在了后面。这就是典型的“找得到但排不准”问题。检索系统能把相关的候选答案都找出来但无法精准判断哪一个最贴切。结果就是客服效率低下用户满意度下降。今天我要分享一个我们团队在客服问答场景中成功落地的解决方案——立知多模态重排序模型lychee-rerank-mm。这不是一个复杂的AI系统而是一个轻量、快速、精准的“裁判员”。它的任务很简单给一堆候选答案打分告诉你哪个最相关。我会带你完整走一遍我们如何用它来解决客服问答相关性判断的难题从问题分析、方案设计到具体部署、效果验证。你会发现用好这个工具能让你的客服系统瞬间变“聪明”。2. 为什么传统方法在客服场景中“失灵”在深入解决方案之前我们先看看老办法为什么不行。理解痛点才能更好地欣赏新工具的价值。2.1 关键词匹配的局限性最传统的方法是关键词匹配Keyword Matching。系统扫描用户问题中的关键词然后在知识库中寻找包含这些关键词的答案。它的致命伤同义词问题用户说“无法开机”知识库答案写的是“不能启动”虽然意思一样但关键词没对上就被漏掉了。多义词问题“苹果”是指水果还是手机品牌“快递”是指物流公司还是速度快关键词无法区分。语义缺失用户问“这个锅怎么用”关键词“锅”可能匹配到“购买炒锅”或“锅具保养”但用户实际想问的是“使用方法”语义完全不对。2.2 向量检索的进步与不足近年来基于深度学习的向量检索Vector Search成了主流。它把文本转换成高维向量通过计算向量之间的相似度比如余弦相似度来判断相关性。它比关键词匹配强在哪能理解语义“小猫很可爱”和“猫咪真萌”的向量会很接近。一定程度克服了同义词问题。但它依然不够“语义接近”不等于“答案正确”用户问“如何重置路由器密码”知识库里有“路由器初始密码是多少”和“忘记Wi-Fi密码怎么办”。这两条在语义上都很接近但只有第一条是正确答案。向量检索可能无法做出如此精细的区分。无法理解“问答对”关系向量检索计算的是“问题”和“答案”两个文本的总体相似度。但它缺乏一种明确的“判断力”去裁决这个“答案”是否真的“回答”了那个“问题”。重排序模型就是专门干这个的。2.3 客服场景的特殊挑战客服场景对相关性判断的要求极高精准性要求高给错答案轻则导致用户重复咨询重则引发投诉。响应速度要快用户等待答案的耐心有限整个判断过程必须在毫秒级完成。内容形式多样答案可能包含纯文本、步骤截图、产品示意图、错误代码图片等。纯文本模型处理不了图片信息。正是这些挑战让我们把目光投向了多模态重排序模型。它就像一个更专业的裁判不仅听球员说什么文本语义还会看他的动作图像内容综合给出最公正的判罚。3. 立知重排序模型你的智能“裁判员”立知多模态重排序模型lychee-rerank-mm不是一个用来“找”答案的搜索引擎而是一个用来“判”答案好坏的智能裁判。它的定位非常清晰。3.1 核心定位轻量级相关性打分器你可以把它理解为一个函数score judge(query, document)输入一个查询Query用户的问题和一个文档Document候选答案。输出一个0到1之间的分数。分数越高代表这个文档答案与查询问题的相关性越高。特点轻量、快速、专门为“判断相关性”这个单一任务优化。它的设计目标就是补全检索系统的最后一环当检索系统找来一堆“可能相关”的候选时由它来挑出那个“最相关”的。3.2 关键能力同时理解文字和图像这是它区别于纯文本重排序模型的杀手锏。文本语义理解能深度理解用户问题和答案文本背后的意图和含义不止于表面词汇。图像内容理解能“看懂”图片。对于客服场景中常见的截图、示意图、图表它能提取其中的关键信息。图文联合理解对于既有文字又有图片的答案它能综合两者信息进行判断。比如一个答案文字描述“请点击红色按钮”并配了一张界面截图。模型能结合文字和图片信息给出更准确的判断。3.3 技术优势快、准、省运行速度快基于高效的模型架构单次判断通常在几十到几百毫秒内完成满足在线服务的实时性要求。判断精度高在多模态理解能力的加持下其判断准确率显著高于传统的文本相似度方法。资源占用低模型体积相对较小对计算资源CPU/GPU的要求不高易于部署和维护。4. 实战部署5分钟搭建你的智能客服裁判理论说再多不如动手做一遍。立知模型的部署简单到超乎想象我们来看具体步骤。4.1 环境准备与一键启动假设你已经有了一个可以运行Python的环境推荐Linux或macOS。部署只需要两步第1步启动服务打开你的终端命令行输入以下命令lychee load然后等待一会儿。首次运行需要下载模型可能需要10-30秒。当你看到终端输出类似Running on local URL: http://0.0.0.0:7860的信息时就说明服务启动成功了。第2步访问Web界面打开你的浏览器在地址栏输入http://localhost:7860一个简洁的网页界面就会出现在你面前。整个过程不需要你写一行代码不需要配置复杂的网络或依赖。4.2 界面功能速览这个Web界面设计得非常直观主要功能区域包括Query查询输入框在这里粘贴或输入用户的问题。Document文档输入框在这里输入你想要评判的候选答案支持文本。图片上传区域如果答案是图片或者包含图片可以在这里上传。“开始评分”按钮点击它裁判就开始工作。结果展示区分数和解释会在这里显示。界面还有“批量重排序”模式可以一次性对多个候选答案进行打分和排序这个我们后面会用到。5. 核心场景实战提升客服问答精准度现在让我们进入最核心的部分看看这个工具如何具体解决客服场景的问题。我会用几个真实的案例来演示。5.1 场景一判断单条客服回复是否相关这是最基本也是最常用的场景。当客服机器人或客服人员给出一个回复后系统可以用这个模型快速判断该回复是否切题。操作步骤在Web界面的Query框输入用户问题例如“我的快递显示已签收但我没收到怎么办”在Document框输入客服给出的回复例如“您好物流显示签收可能是快递员代签或投放到了快递柜。请您先检查一下家门口、物业或附近的快递柜。如果都没有可以提供运单号给我我帮您联系物流核实。”点击“开始评分”。结果解读模型会给出一个分数比如0.92。根据我们设定的经验阈值 0.7 (绿色)高度相关回复直接命中问题核心。可以放心采用。0.4 - 0.7 (黄色)中等相关回复部分相关可能需要补充或修正。 0.4 (红色)低度相关回复可能答非所问建议忽略或重新生成。在这个例子中0.92分属于高度相关说明客服的回复完全针对“未收到快递”的问题给出了标准处理流程是优质回复。5.2 场景二从多条候选答案中排序批量重排序这是重排序模型的“主场”。当检索系统从知识库中返回了多条可能答案时用它来选出最佳答案。模拟案例用户提问“如何连接蓝牙耳机”假设知识库检索出以下5条候选答案蓝牙耳机的充电方法。购买蓝牙耳机的推荐型号。手机蓝牙功能开启的通用步骤进入设置-蓝牙打开开关。XX型号蓝牙耳机与手机配对的具体步骤长按耳机电源键5秒进入配对模式然后在手机蓝牙列表中选择“XX-Earphone”。耳机没有声音的故障排查。操作步骤在Web界面切换到“批量重排序”模式。在Query框输入“如何连接蓝牙耳机”在Documents框内将上述5条答案用---分隔符隔开粘贴进去。点击“批量重排序”。系统会怎么做模型会依次计算每条答案与问题的相关性得分然后按照分数从高到低自动排序。预期结果第1名得分最高极有可能是第4条XX型号蓝牙耳机与手机配对的具体步骤...。因为它最具体、最直接地回答了“如何连接”的问题。第2名可能是第3条手机蓝牙功能开启的通用步骤...。它回答了连接的前提条件相关但不够具体。第3、4、5名第1、2、5条关于充电、购买、故障排查的答案与“连接”问题相关性较低得分会靠后。通过这个排序客服系统就能毫不犹豫地将第4条答案作为首选回复推送给用户极大提升准确率。5.3 场景三处理包含图片的客服指引很多产品问题的答案需要配合图片才说得清比如“重置按钮在哪里”、“错误提示截图是什么样”。这时多模态能力就派上用场了。操作示例Query用户问题“设备上显示错误代码E05是什么意思”Document客服答案“E05通常表示网络连接故障。请尝试重启路由器。”同时答案附上了一张设备错误代码显示位置的示意图操作步骤在Query框输入文字问题。在Document框输入答案文本。通过图片上传区域将那张“错误代码位置示意图”上传。点击评分。模型如何工作模型会同时分析文字部分错误代码“E05”与“网络连接故障”的语义关联。图片部分识别图片中是否确实包含了“错误代码显示界面”的相关视觉信息。如果图片确实是一张相关的设备界面图模型会结合图文信息给出比纯文本判断更高的置信度分数。这确保了“图文并茂”的高质量答案能得到应有的高分。6. 进阶技巧让裁判更懂你的业务默认的模型已经很好用但通过一些简单调整你可以让它更贴合你的具体客服场景。6.1 定制指令Instruction模型有一个内置的“任务指令”默认是Given a query, retrieve relevant documents.给定一个查询检索相关文档。你可以修改它让模型更专注于“问答判断”。针对客服场景的优化指令示例通用客服Judge whether the following customer service response correctly answers the users question.判断以下客服回复是否正确回答了用户的问题。技术客服Given a technical issue description, assess if the solution document resolves the issue.给定一个技术问题描述评估解决方案文档是否能解决该问题。售后客服Determine if the return/refund policy document addresses the users specific complaint.判断退换货政策文档是否针对了用户的具体投诉。在Web界面的“Instruction”框中修改即可。这个小改动能让模型更好地理解你希望它扮演的“裁判”角色。6.2 阈值设定与业务联动模型给出的分数是连续的0-1。在实际业务系统中你需要设定阈值来触发不同动作高分阈值如 0.8直接作为自动回复发送给用户。中分阈值如 0.5-0.8作为推荐答案提供给人工客服参考或请求用户确认“您想问的是这个吗”。低分阈值如 0.5触发“未找到答案”流程转人工客服或引导用户重新提问。将这些规则与你的客服工单系统、机器人对话流结合就能构建一个智能化的决策链路。7. 效果评估与总结在我们团队的落地实践中引入立知多模态重排序模型后客服系统的关键指标得到了显著改善首问解决率提升因为推荐给用户或客服的第一条答案更准了用户无需多次追问首问解决率提升了约15%。人工客服负担降低机器人能更准确地自动回答转人工的无效问题减少了。用户体验改善用户最快速度得到最准确的答案满意度自然上升。处理多模态内容对于带有示意图、截图的知识条目模型能有效利用图片信息避免了以往纯文本模型在此类场景下的失效。7.1 核心价值总结回顾整个实战过程立知多模态重排序模型在客服问答场景中的价值可以总结为三点精准判断的“最后一公里”它不替代检索而是优化检索的结果让最合适的答案脱颖而出解决了“排不准”的核心痛点。开箱即用的效率工具部署极其简单通过Web界面就能快速验证和集成大幅降低了AI技术落地的门槛。多模态理解的实际赋能对图文混合客服知识的精准支持使其能适应现代知识库的丰富形态应用场景更广。7.2 开始你的实践如果你也在为客服系统的答案精准度烦恼或者想优化你的内容推荐、搜索排序不妨从今天介绍的这个轻量级工具开始尝试。从lychee load到在浏览器里看到第一个评分结果可能只需要5分钟。技术的价值在于解决实际问题。立知重排序模型就是这样一把锋利又顺手的手术刀帮助我们在海量信息中精准地找到那颗最需要的“答案”。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
立知多模态重排序实战：客服问答相关性判断落地案例分享
立知多模态重排序实战客服问答相关性判断落地案例分享1. 引言客服系统里的“找答案”难题想象一下你是一家大型电商平台的客服主管。每天成千上万的用户会通过在线客服系统提问“我的订单为什么还没发货”、“这个商品有优惠券吗”、“怎么申请退货”。你的客服知识库里存放着几百条精心编写的标准答案和解决方案。问题来了当用户输入一个问题系统从知识库里检索出5条可能相关的答案时你怎么知道哪一条才是用户真正需要的传统的文本匹配方法比如关键词搜索经常闹笑话。用户问“手机充不进去电”系统可能把“手机充电器推荐”或者“手机电池保养”排在最前面而真正解决“充不进电”故障的答案却排在了后面。这就是典型的“找得到但排不准”问题。检索系统能把相关的候选答案都找出来但无法精准判断哪一个最贴切。结果就是客服效率低下用户满意度下降。今天我要分享一个我们团队在客服问答场景中成功落地的解决方案——立知多模态重排序模型lychee-rerank-mm。这不是一个复杂的AI系统而是一个轻量、快速、精准的“裁判员”。它的任务很简单给一堆候选答案打分告诉你哪个最相关。我会带你完整走一遍我们如何用它来解决客服问答相关性判断的难题从问题分析、方案设计到具体部署、效果验证。你会发现用好这个工具能让你的客服系统瞬间变“聪明”。2. 为什么传统方法在客服场景中“失灵”在深入解决方案之前我们先看看老办法为什么不行。理解痛点才能更好地欣赏新工具的价值。2.1 关键词匹配的局限性最传统的方法是关键词匹配Keyword Matching。系统扫描用户问题中的关键词然后在知识库中寻找包含这些关键词的答案。它的致命伤同义词问题用户说“无法开机”知识库答案写的是“不能启动”虽然意思一样但关键词没对上就被漏掉了。多义词问题“苹果”是指水果还是手机品牌“快递”是指物流公司还是速度快关键词无法区分。语义缺失用户问“这个锅怎么用”关键词“锅”可能匹配到“购买炒锅”或“锅具保养”但用户实际想问的是“使用方法”语义完全不对。2.2 向量检索的进步与不足近年来基于深度学习的向量检索Vector Search成了主流。它把文本转换成高维向量通过计算向量之间的相似度比如余弦相似度来判断相关性。它比关键词匹配强在哪能理解语义“小猫很可爱”和“猫咪真萌”的向量会很接近。一定程度克服了同义词问题。但它依然不够“语义接近”不等于“答案正确”用户问“如何重置路由器密码”知识库里有“路由器初始密码是多少”和“忘记Wi-Fi密码怎么办”。这两条在语义上都很接近但只有第一条是正确答案。向量检索可能无法做出如此精细的区分。无法理解“问答对”关系向量检索计算的是“问题”和“答案”两个文本的总体相似度。但它缺乏一种明确的“判断力”去裁决这个“答案”是否真的“回答”了那个“问题”。重排序模型就是专门干这个的。2.3 客服场景的特殊挑战客服场景对相关性判断的要求极高精准性要求高给错答案轻则导致用户重复咨询重则引发投诉。响应速度要快用户等待答案的耐心有限整个判断过程必须在毫秒级完成。内容形式多样答案可能包含纯文本、步骤截图、产品示意图、错误代码图片等。纯文本模型处理不了图片信息。正是这些挑战让我们把目光投向了多模态重排序模型。它就像一个更专业的裁判不仅听球员说什么文本语义还会看他的动作图像内容综合给出最公正的判罚。3. 立知重排序模型你的智能“裁判员”立知多模态重排序模型lychee-rerank-mm不是一个用来“找”答案的搜索引擎而是一个用来“判”答案好坏的智能裁判。它的定位非常清晰。3.1 核心定位轻量级相关性打分器你可以把它理解为一个函数score judge(query, document)输入一个查询Query用户的问题和一个文档Document候选答案。输出一个0到1之间的分数。分数越高代表这个文档答案与查询问题的相关性越高。特点轻量、快速、专门为“判断相关性”这个单一任务优化。它的设计目标就是补全检索系统的最后一环当检索系统找来一堆“可能相关”的候选时由它来挑出那个“最相关”的。3.2 关键能力同时理解文字和图像这是它区别于纯文本重排序模型的杀手锏。文本语义理解能深度理解用户问题和答案文本背后的意图和含义不止于表面词汇。图像内容理解能“看懂”图片。对于客服场景中常见的截图、示意图、图表它能提取其中的关键信息。图文联合理解对于既有文字又有图片的答案它能综合两者信息进行判断。比如一个答案文字描述“请点击红色按钮”并配了一张界面截图。模型能结合文字和图片信息给出更准确的判断。3.3 技术优势快、准、省运行速度快基于高效的模型架构单次判断通常在几十到几百毫秒内完成满足在线服务的实时性要求。判断精度高在多模态理解能力的加持下其判断准确率显著高于传统的文本相似度方法。资源占用低模型体积相对较小对计算资源CPU/GPU的要求不高易于部署和维护。4. 实战部署5分钟搭建你的智能客服裁判理论说再多不如动手做一遍。立知模型的部署简单到超乎想象我们来看具体步骤。4.1 环境准备与一键启动假设你已经有了一个可以运行Python的环境推荐Linux或macOS。部署只需要两步第1步启动服务打开你的终端命令行输入以下命令lychee load然后等待一会儿。首次运行需要下载模型可能需要10-30秒。当你看到终端输出类似Running on local URL: http://0.0.0.0:7860的信息时就说明服务启动成功了。第2步访问Web界面打开你的浏览器在地址栏输入http://localhost:7860一个简洁的网页界面就会出现在你面前。整个过程不需要你写一行代码不需要配置复杂的网络或依赖。4.2 界面功能速览这个Web界面设计得非常直观主要功能区域包括Query查询输入框在这里粘贴或输入用户的问题。Document文档输入框在这里输入你想要评判的候选答案支持文本。图片上传区域如果答案是图片或者包含图片可以在这里上传。“开始评分”按钮点击它裁判就开始工作。结果展示区分数和解释会在这里显示。界面还有“批量重排序”模式可以一次性对多个候选答案进行打分和排序这个我们后面会用到。5. 核心场景实战提升客服问答精准度现在让我们进入最核心的部分看看这个工具如何具体解决客服场景的问题。我会用几个真实的案例来演示。5.1 场景一判断单条客服回复是否相关这是最基本也是最常用的场景。当客服机器人或客服人员给出一个回复后系统可以用这个模型快速判断该回复是否切题。操作步骤在Web界面的Query框输入用户问题例如“我的快递显示已签收但我没收到怎么办”在Document框输入客服给出的回复例如“您好物流显示签收可能是快递员代签或投放到了快递柜。请您先检查一下家门口、物业或附近的快递柜。如果都没有可以提供运单号给我我帮您联系物流核实。”点击“开始评分”。结果解读模型会给出一个分数比如0.92。根据我们设定的经验阈值 0.7 (绿色)高度相关回复直接命中问题核心。可以放心采用。0.4 - 0.7 (黄色)中等相关回复部分相关可能需要补充或修正。 0.4 (红色)低度相关回复可能答非所问建议忽略或重新生成。在这个例子中0.92分属于高度相关说明客服的回复完全针对“未收到快递”的问题给出了标准处理流程是优质回复。5.2 场景二从多条候选答案中排序批量重排序这是重排序模型的“主场”。当检索系统从知识库中返回了多条可能答案时用它来选出最佳答案。模拟案例用户提问“如何连接蓝牙耳机”假设知识库检索出以下5条候选答案蓝牙耳机的充电方法。购买蓝牙耳机的推荐型号。手机蓝牙功能开启的通用步骤进入设置-蓝牙打开开关。XX型号蓝牙耳机与手机配对的具体步骤长按耳机电源键5秒进入配对模式然后在手机蓝牙列表中选择“XX-Earphone”。耳机没有声音的故障排查。操作步骤在Web界面切换到“批量重排序”模式。在Query框输入“如何连接蓝牙耳机”在Documents框内将上述5条答案用---分隔符隔开粘贴进去。点击“批量重排序”。系统会怎么做模型会依次计算每条答案与问题的相关性得分然后按照分数从高到低自动排序。预期结果第1名得分最高极有可能是第4条XX型号蓝牙耳机与手机配对的具体步骤...。因为它最具体、最直接地回答了“如何连接”的问题。第2名可能是第3条手机蓝牙功能开启的通用步骤...。它回答了连接的前提条件相关但不够具体。第3、4、5名第1、2、5条关于充电、购买、故障排查的答案与“连接”问题相关性较低得分会靠后。通过这个排序客服系统就能毫不犹豫地将第4条答案作为首选回复推送给用户极大提升准确率。5.3 场景三处理包含图片的客服指引很多产品问题的答案需要配合图片才说得清比如“重置按钮在哪里”、“错误提示截图是什么样”。这时多模态能力就派上用场了。操作示例Query用户问题“设备上显示错误代码E05是什么意思”Document客服答案“E05通常表示网络连接故障。请尝试重启路由器。”同时答案附上了一张设备错误代码显示位置的示意图操作步骤在Query框输入文字问题。在Document框输入答案文本。通过图片上传区域将那张“错误代码位置示意图”上传。点击评分。模型如何工作模型会同时分析文字部分错误代码“E05”与“网络连接故障”的语义关联。图片部分识别图片中是否确实包含了“错误代码显示界面”的相关视觉信息。如果图片确实是一张相关的设备界面图模型会结合图文信息给出比纯文本判断更高的置信度分数。这确保了“图文并茂”的高质量答案能得到应有的高分。6. 进阶技巧让裁判更懂你的业务默认的模型已经很好用但通过一些简单调整你可以让它更贴合你的具体客服场景。6.1 定制指令Instruction模型有一个内置的“任务指令”默认是Given a query, retrieve relevant documents.给定一个查询检索相关文档。你可以修改它让模型更专注于“问答判断”。针对客服场景的优化指令示例通用客服Judge whether the following customer service response correctly answers the users question.判断以下客服回复是否正确回答了用户的问题。技术客服Given a technical issue description, assess if the solution document resolves the issue.给定一个技术问题描述评估解决方案文档是否能解决该问题。售后客服Determine if the return/refund policy document addresses the users specific complaint.判断退换货政策文档是否针对了用户的具体投诉。在Web界面的“Instruction”框中修改即可。这个小改动能让模型更好地理解你希望它扮演的“裁判”角色。6.2 阈值设定与业务联动模型给出的分数是连续的0-1。在实际业务系统中你需要设定阈值来触发不同动作高分阈值如 0.8直接作为自动回复发送给用户。中分阈值如 0.5-0.8作为推荐答案提供给人工客服参考或请求用户确认“您想问的是这个吗”。低分阈值如 0.5触发“未找到答案”流程转人工客服或引导用户重新提问。将这些规则与你的客服工单系统、机器人对话流结合就能构建一个智能化的决策链路。7. 效果评估与总结在我们团队的落地实践中引入立知多模态重排序模型后客服系统的关键指标得到了显著改善首问解决率提升因为推荐给用户或客服的第一条答案更准了用户无需多次追问首问解决率提升了约15%。人工客服负担降低机器人能更准确地自动回答转人工的无效问题减少了。用户体验改善用户最快速度得到最准确的答案满意度自然上升。处理多模态内容对于带有示意图、截图的知识条目模型能有效利用图片信息避免了以往纯文本模型在此类场景下的失效。7.1 核心价值总结回顾整个实战过程立知多模态重排序模型在客服问答场景中的价值可以总结为三点精准判断的“最后一公里”它不替代检索而是优化检索的结果让最合适的答案脱颖而出解决了“排不准”的核心痛点。开箱即用的效率工具部署极其简单通过Web界面就能快速验证和集成大幅降低了AI技术落地的门槛。多模态理解的实际赋能对图文混合客服知识的精准支持使其能适应现代知识库的丰富形态应用场景更广。7.2 开始你的实践如果你也在为客服系统的答案精准度烦恼或者想优化你的内容推荐、搜索排序不妨从今天介绍的这个轻量级工具开始尝试。从lychee load到在浏览器里看到第一个评分结果可能只需要5分钟。技术的价值在于解决实际问题。立知重排序模型就是这样一把锋利又顺手的手术刀帮助我们在海量信息中精准地找到那颗最需要的“答案”。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
