Featured image of post 专门针对金融市场“K 线”数据的开源基础模型 | 开源日报 No.792

专门针对金融市场“K 线”数据的开源基础模型 | 开源日报 No.792

Kronos 是一个专为金融市场 K 线数据设计的开源基础模型,采用解码器架构,预训练于全球 45 个交易所的多维 K 线数据,专注于处理金融市场的高噪声特性。它提供多种规模的预训练模型,支持快速生成未来价格预测,并封装了数据预处理流程,便于使用。模型和分词器可在 Hugging Face Hub 获取,并提供在线演示。

actions/actions-runner-controller

Github Repo Stars License: `Apache-2.0` Language: `Unknown`

cover

actions-runner-controller 是一个用于在 Kubernetes 上管理和扩展现有 GitHub Actions 自托管运行器(runner)集群的操作符(operator)工具包。

  • 支持根据仓库/组织/企业内的工作流负载动态调整 runner 数量
  • 基于容器构建临时 runner 实例以实现快速弹性伸缩
  • 提供 Helm 安装方式简化 Kubernetes 集群集成部署流程
  • 通过官方与社区协作开发确保核心功能稳定性及生态兼容性

shiyu-coder/Kronos

Github Repo Stars License: `MIT` Language: `Unknown`

cover

Kronos 是一个专门针对金融市场“K 线”数据的开源基础模型。

  • 采用解码器架构,预训练于来自全球 45 个交易所的多维连续 K 线数据(OHLCV),通过两阶段框架将连续数据量化为分层离散令牌。
  • 针对金融市场高噪声特性设计,区别于通用时间序列变换模型,更适合处理复杂且波动剧烈的金融时序数据。
  • 提供多种规模预训练模型,从 4.1M 参数到近 5 亿参数不等,以满足不同计算资源和应用需求。
  • 支持从原始历史 K 线快速生成未来价格预测,封装了完整的数据预处理、归一化及逆归一化流程,实现便捷调用。
  • 模型及其分词器均可在 Hugging Face Hub 获取,并提供在线演示展示比特币兑美元 24 小时内走势预测效果。

xaitax/CVE-2024-21413-Microsoft-Outlook-Remote-Code-Execution-Vulnerability

Github Repo Stars License: `NOASSERTION` Language: `Unknown`

demo-picture-of-CVE-2024-21413-Microsoft-Outlook-Remote-Code-Execution-Vulnerability

CVE-2024-21413-Microsoft-Outlook-Remote-Code-Execution-Vulnerability 是一个针对微软 Outlook 中远程代码执行漏洞(CVE-2024-21413)的概念验证(PoC)脚本。

  • 漏洞被称为 #MonikerLink,严重性高,CVSS 评分为 9.8,可能导致本地 NTLM 信息泄露及远程代码执行。
  • 漏洞可绕过 Office 的受保护视图机制,对其他 Office 应用也存在威胁。
  • 通过 SMTP 认证发送邮件,可绕过 SPF、DKIM 和 DMARC 等邮件安全检查,更真实模拟攻击场景。
  • 支持 0 点击 NTLM 泄露和 1 点击远程代码执行两种演示方式。
  • 提供详细参数配置以便用户指定 SMTP 服务器、端口、用户名密码以及邮件内容等。

epicweb-dev/full-stack-foundations

Github Repo Stars License: `NOASSERTION` Language: `Unknown`

cover

full-stack-foundations 是一个学习构建全栈 Web 应用程序基础技能的项目。

  • 提供真实应用程序中的练习,帮助用户掌握关键概念
  • 需要一定的 JavaScript、TypeScript、React 和 Node.js 经验
  • 包含多个应用程序,首次设置可能需要一些时间
  • 支持通过命令行启动编辑器以便快速访问文件
  • 提供测试脚本以验证解决方案是否正确

Weixin-Liang/LLM-scientific-feedback

Github Repo Stars License: `CC-BY-4.0` Language: `Unknown`

demo-picture-of-LLM-scientific-feedback

LLM-scientific-feedback 是一个旨在评估大型语言模型(如 GPT-4)对研究论文提供有效反馈能力的项目。

  • 提供自动化管道,使用 GPT-4 生成科学论文的评论。
  • 通过两项大规模研究比较了 GPT-4 与人类审稿人的反馈质量。
  • 在 Nature 期刊和 ICLR 会议上,发现 GPT-4 与人类审稿人的意见重叠率相当。
  • 超过 57% 的用户认为由 GPT 生成的反馈有帮助,并且 82.4% 的人觉得其比某些人类审稿人的反馈更有益。
  • 强调 LLM 和人类反馈可以互补,为需要及时专家意见的研究者提供支持。
Licensed under CC BY-NC-SA 4.0