模型

“AI大模型第一波交卷时间到了——不能实际提供生产力的‘花瓶’，恐怕很难及格。” 作者 | 董子博 编辑 | 岑 峰 2023年的AI大模型，已经从Q1火到了Q2。 国内，从大厂到新创，纷纷下场试水，几个月过去，已经有了不少大模型产品“交卷”受评，颇有“乱花渐欲迷人眼”的架势。 看客只识AI大模型百花齐放，但除了一场热闹以外，却也开始有人问出了这个问题： “AI大模型这么厉害，但它有啥用呢？” 诚然，市场上不少公布的大模型，还并未开发到完全程度——甚至距离“可用”、“好用”还差着一些距离。 在一些AI大模型产品，仍旧在“胡说八道”、场景落地难、语义理解能力弱等问题中徘徊时，OpenAI 首先看到了落地的痛点，和微软合作推出 Copilot，主打在办公领域提升工作效率，打响了大模型向生产力进军的发令枪。 在人们的想象中，AI 应该可以帮助处理机械、重复的日常工作，提供独特的分析视点、创作灵感，在特定的领域——比如教育、医疗、法律——给出独特的建议和帮助，让工作和生活更轻松、便捷，让每个人都能够享受更贴心细致的服务。 而什么样的AI大模型，才能真正地帮助使用者“干活”？让日常办公、生产的效率得到更大提升？什么样的大模型，才真正算得上生产力工具？要满足生产力工具的要求，大模型需要有哪些秘密武器？ 对于业界来说大模型有哪些，这些问题如果得不到解答，那么或早或晚，都会遇上市场的瓶颈；而越早能够为市场提供效率提升的大模型产品，也就能够越早地占领先机。 01 理解&记忆：大模型生产力的分水岭 记忆和理解能力，对于当下如同雨后春笋的大模型产品来说，说得上是最硬核的实力比拼。 模型的理解能力，根植于对自然语言的处理能力，能够清晰地辨别语义，尤其是一些根植于本地语言语境中的俗语、幽默，对于理解用户想要什么，进而完成文本生成和创作，至关重要。 而模型的记忆能力——也就是多轮对话能力——越强，使用者就能更详细地对需求进行描述，进而利用 AI 完成更加复杂的工作任务； 大模型比拼中最“硬”的两个科目，也是大模型提供生产力的关键保证。不仅如此，不如说，要大模型能够真正帮人“干活”，记忆和理解能力，都要满足更高的要求。 但无论是“理解”还是“记忆”，都是大模型在当下的能力提升的攻关难点。一方面是市场的巨大痛点，一方面是技术上难攻不落的“高墙”，这对矛盾不解决，AI 的生产力就始终面临着一个艰难的瓶颈。 首先，要解决 AI 语义理解能力差的问题，昆仑万维和奇点智源的 AI 科学家们想到了一种另辟蹊径的方法——蒙特卡洛树搜索算法。 蒙特卡洛树搜索算法，简单来说一种基于随机模拟的强化学习算法。对 AI 不甚了解的人可能并不知道它的名字，但它却是AlphaGo能打败李世石、柯洁等一众围棋高手的秘密武器。而蒙特卡洛树搜索的核心，就是通过一个树状结构，在每个节点进行随机搜索，并找到最优决策的方式。 在昆仑万维和奇点智源联合发布的AI大语言模型——“天工”中，蒙特卡洛树搜索可以让AI“三思而后行”——AI 会基于过去用户的对话记录以及当前用户的输入生成候选大量回复，并结合NLP技术，选取最佳的回复方案反馈给用户。 通过把蒙特卡洛树搜索算法，和自然语言处理相结合，让Decoder的安全性和准确性获得了极大的增强，也让天工在相对复杂的任务和场景中，能够快速且准确地响应指令，输出高质量回答。 为了测试天工的语义理解能力，雷峰网向天工提问：“什么是蒙特卡洛树搜索算法？”天工的回答还比较清楚，令人满意： 把蒙特卡洛树搜索应用到 AI 对话机器人中，另一个优势，是AI能够理解如何在对话中转换话题，并提出问题，引导用户完善自己的Prompt，以得到更好的回复结果。 比如，雷峰网故意问出了一个十分宽泛、难以回答的问题。天工则并没有落入这个“陷阱”，通过主动提问，缩小问题的范围：...

原创：亲爱的数据 2023年5月18日，坐标广州南沙，来自云从科技的“云从从容大模型”正式亮相。 自此，云从科技从CV四小龙“进阶”成为一家AI大模型公司，同时，别忘记云从还有一个身份常被人提起：首家登陆科创板的AI平台公司。 在首发演讲中，云从科技董事长周曦带领技术管理部叶懋给现场带来了不少有趣的大模型测试。 与此同时，周曦也公开表达，此前“多点技术闭环”阶段，项目定制化程度重，导致投入产出比不平衡，最终出现亏损的局面。 好消息是，当前正在进入的大模型时代能够进一步推动人工智能技术的标准化，边际效应起来了，能够更快速高效地去实现海量现实场景智能化。 在发布会现场，“从容大模型计划推出自主研发的通用多模态大模型以及语言、视觉、语音、代码生成、图像生成大模型等系列的行业大模型”的表述印刷在介绍背板上；将英文“Make AI Great Again”（让AI再次伟大）印制在伴手礼袋子上。 号角吹响，准备战斗的士气扑面而来。 首发演讲上，周曦介绍大模型时代下有三种类型交互方式：问答、伴随和托管。 他谈道：“问答是AI被动参与；伴随是AI实时跟你互动，提供它的建议、理由，人类做决策；托管是我们人类主要将这件事情交给AI来做。” 问答、伴随和托管在云从科技看来既是他们一以贯之的技术理念，技术方向，也实现了较早之前前瞻性的判断。 周曦认为这三种交互的形式的本质是递进，其背后对应了大量的技术突破。“真正要能做到这些交互形式需要什么呢？”他问道。 答案是：“跨模态的大模型。” 周曦谈道：“未来大模型要能够看得懂，听得明白，能够理解物理世界所有事，它才能跟我们在一起互动。未来需要行动系统，需要数字人，实体机器人等，在任何时候跟我们人类实体互动。所以，大量的技术需要演进。” 自研意味着什么？ 有预训练大模型，这和基于开源大模型的开发比较有显著差别，像云从这样的AI企业有预训练层调优模型的能力是“必修课”。 同时，模型级别的服务（私有化部署）和过去提供API形式的服务不同，粘性更强，商业期待更大。 从算法起步的AI公司迟早要自研AI平台，且越快越好。早期的AI平台就是数据算法算力的整合。 AI平台将算法非自研团队和研发实力较强的公司彻底分开。为了好理解，很多企业将AI平台称作“操作系统”，这是一种比喻。 现在看来，很多AI平台的出现是AI公司自己的内部需求，找到最大共性之后发展出来的产品。 对此，国家层面也较为重视，因为产品的影响力和示范性都很强，寄予的希望是能够大范围的推广应用，为经济贡献价值。 我的理解是政府层面会较多关注平台的开放性发展，比如：支持多大范围的生态，有多少活跃用户，支撑多少行业。 常常谈道“开放平台”，那平台开放出来的是什么? 答案是：平台的能力。 演讲中周曦也有所介绍：“2019年，我们就开始打造整个CWOS操作系统。2020年，我们在广州市首发人机协同开放平台。2021年我们推出AI精灵大模型有哪些，2022年我们承接科技部的“视听交互国家人工智能开放平台”。 这里有一个背景知识：平台是交互平台，底层是CWOS的操作系统。 以云从发展为例，在进入到大模型时代后，人工智能平台和大模型的关系是什么呢？也许有人会说平台被淘汰了。而云从的理解是，平台依然是基础。 云从科技副总裁张立告诉我：“对AI平台来说，无非就是解锁平台的大模型的能力，大模型的其中一个能力。技术解锁带来新爆发点。” 大模型时代的变化彰明较著，从流程（IT）为中心的开发转变为以知识（Knowle）为中心的开发，前者本质是定制；后者本质是知识能力。 云从内部人士透露，周曦在公司内部反复强调大模型有哪些，通用大模型是基础，而分门别类的专业知识需要行业大模型。 首发演讲上，周曦对此也进行了专门的讲解，他的比喻是：“人的基本素质至关重要。有了基础再做专业的事，大学学习专业知识，我们学法律专业，成为律师，我们学医学，成为医生。” 与此呼应的是，云从在活动中透露，将与中国中检合作推出质量大模型、与神州信息合作推出金融大模型、与深圳报业合作推出文娱大模型、与佳都科技推出交通大模型、与金世缘共同推出制造大模型、与游族网络合作推出游戏大模型、与艾登科技合作推出医疗大模型。 基础大模型是能力基础，用来追赶世界领先大模型基础技术，侧重研发投入，而行业大模型能够获得应用实践，获取订单。 云从科技联合创始人姚志强认为：“通用大模型的迭代的成本是非常高的，虽然说现在很多传统企业都有试用的冲动，慢慢就会冷静下来，独立开发运维迭代实在不划算，这就是行业大模型的机会。” 大模型技术在智能制造中有着丰富的应用场景，云从较为重视，同时，云从历来重视且积累了多年经验的“大场景”包括金融和政务。 在云从科技看来，智能制造有很多高度复杂的事情。 姚志强介绍：“设备越来越多，涉及到不同的生产厂家，对应纷繁复杂数量庞大的工作手册。沟通定位需要解决问题不能像大海捞针般低效。比如，以常见的设备巡检问题定位为切口，大模型会有较好的应用。” 从某种程度上讲，大模型吸收海量知识，大模型给智能制造提供高质量知识服务。 大模型对生产过程中的数据进行分析和建模，可帮助企业实现精细化控制和预测；大模型对设备运行数据进行多模态的分析和建模，可实现故障检测和设备维护的智能化。 视觉大模型可以对待检测设备进行分析，异常分析结果生成文字后，可以用语言大模型来获取问题维修方案以及历史维修记录，维修人员可以根据这些信息进行有针对性的维修，提升效率和质量。 以设备智能运维为例，工作包括待检测设备名称、检测时间、检测内容、检测标准等较多细项。 利用大模型本质是压缩模态的行业知识，知识来源于各类设备文档、维修手册、运维记录。未来自动的生成设备巡检计划都可实现。 云从科技联合创始人姚志强认为：“问题一直都在视线范围内，之前解不了决是受限于技术发展。”...

小兵先说：以下这篇文章最早的出处是沈浩老师博客原创，由 计量经济学 公众号整合转载发布在公众号平台，该文中图片右下角印有“计量经济学”，但我要强调一下原创归沈浩老师，如有其它账号转载请注明原创来源。 由于原文很长，且为多篇博文合并整理，为了方便阅读，下面的图文由数据小兵进行重新分段规划、编写排版，本文标题也由小兵拟定，如有不妥还请及时告知。 ==全文如下== 关于时间序列，有好多软件可以支持分析，大家比较熟悉的可能是EVIEWS、SPSS、还有STATA，具体用啥软件，结果都是一样的，但是SPSS作为一款学习简单，使用容易的软件还是值得大家关注的。 01 预测 预测是对尚未发生或目前还不明确的事物进行预先的估计和推测时间序列模型有哪些，是在现时对事物将要发生的结果进行探讨和研究，简单地说就是指从已知事件测定未知事件。 为什么要预测呢，因为预测可以帮助了解事物发展的未来状况后，人们可以在目前为它的到来做好准备，通过预测可以了解目前的决策所可能带来的后果，并通过对后果的分析来确定目前的决策，力争使目前的决策获得最佳的未来结果。 我们进行预测的总的原则是：认识事物的发展变化规律，利用规律的必然性，是进行科学预测所应遵循的总的原则。 这个总原则实际上就是事物发展的。 1-“惯性”原则——事物变化发展的延续性； 2-“类推”原则——事物发展的类似性； 3-“相关”原则——事物的变化发展是相互联系的； 4-“概率”原则——事物发展的推断预测结果能以较大概率出现，则结果成立、可用； 02 时间序列预测 时间序列预测主要包括三种基本方法： 1-内生时间序列预测技术； 2-外生时间序列预测技术； 3-主观时间序列预测技术； 当然今天我们主要讨论内生时间序列预测技术——也就是只关注时间序列的下的预测问题！ 从数据分析的角度来考虑，我们需要研究： 时间序列有一明显的特性就是记忆性(memory)，记忆性系指时间数列中的任一观测值的表现皆受到过去观测值影响。 时间序列主要考虑的因素是： 长期趋势(Long-term trend) 时间序列可能相当稳定或随时间呈现某种趋势。时间序列趋势一般为线性的，二次方程式的或指数函数(exponential 。 季节性变动(Seasonal variation) 按时间变动，呈现重复性行为的序列。季节性变动通常和日期或气候有关。季节性变动通常和年周期有关。 周期性变动(Cyclical variation) 相对于季节性变动，时间序列可能经历“周期性变动”。周期性变动通常是因为经济变动。 随机影响(Random effects) 03 时间序列预测技术 预测技术主要包括两大类： 第一：指数平滑方法 描述时间序列数据的变化规律和行为，不去试图解释和理解这种变化的原因。 例如：您可能发现在过去的一年里，三月和九月都会出现销售的高峰，您可能希望继续保持这样，尽管您不知道为什么。 第二：ARIMA模型 描述时间序列数据的变化规律和行为，它允许模型中包含趋势变动、季节变动、循环变动和随机波动等综合因素影响。...

搭一个时间序列预测模型需要避开哪些坑？ 简介 如果说哪类机器学习问题坑最多，那我一定投时间序列预测一票。 时间序列预测问题中数据形式的特殊性，导致了搭建模型过程中会遇到各种各样的坑。从头到尾搭建一个时间序列预测模型需要避开哪些坑？今天给大家总结一下我在实际工作中遇到的问题，包括数据、模型、指标、应用等四个方面的坑。 数据中的坑 任何机器学习模型的第一步都需要进行数据处理，而这一步在时间序列预测问题上坑非！常！多！我们常见的任务，比如图像分类或者文本匹配，输入数据都是结构化的，文本分成的token一共就那么几个，图像的rgb也都是0到255之间的一个数。但是时间序列的输入数据是离散值，而且取值理论上没有固定的范围。这就造成了时间序列处理中有很多需要注意的点。下面跟大家说几个我在做时间序列预测时遇到的典型坑供大家参考。 第一个坑：数据预处理。时间序列预测的数据集千差万别，数据的取值范围差异也很大，可能最小值是0时间序列模型有哪些，最大值是1000000。这种数据直接输入模型很难训练，因此一般需要做一些例如归一化等数据预处理。但是选哪种预处理方法最好呢？数据预处理方法选的不好，相当于地基没打好，后面做的各种实验全白费，因此一定要先选一个适合自己数据集的处理方法。如果数值差异很大，一般通常是先取对数缩小scale，再在此基础上做归一化。此外一定要注意数据泄露的问题！归一化求均值时，只能用Encoder的数据计算，不要把Deccoder的数据也加进去。数据预处理细节很多，一个不小心就会导致后面的实验全白做了，一定要小心。 第二个坑：窗口选择问题。使用深度学习进行预测，一般都会选择历史N天作为Encoder输入，预测未来M天的。那么这个N天和M天怎么选呢？M是问题定义好的，比如需要预测未来30天的预测结果，M就是30。至于N的选择，就要注意了。一方面，N的选择一定要比M长，一般为M的1.5倍以上。另一方面时间序列模型有哪些，要看数据的周期性。如果数据呈现明显的以365天为周期的年周期性，那么N至少要涵盖一年，才能让模型预测出来接下来要发生的事。N的选择也不能太长，会导致模型训练慢，或者收敛困难的问题。N如果选的长度不够，模型知道的信息不足，后面模型设计的再怎么花哨，也不会取得好的效果。一定要结合数据特点进行窗口选择，把你想让模型知道的信息都输入给模型。 模型中的坑 时间序列模型千千万，如何选择最适合自己场景的呢？我曾经在之前的文章中详细汇总了各类深度学习时间序列预测模型，Transformer、LSTM、CNN等基础结构都有针对时间序列预测的模型，也有Nbeats、LSTNet等专门针对时间序列预测设计的网络。 在模型的选择上，一个比较重要的原则是根据预测序列的长短来定。如果是单点预测，LSTM就能取得非常好的效果。如果是长周期预测，那就必须加一些Attention才能更好的进行对齐，这个时候可以考虑LSTM+Attention，或者直接上Transformer模型。另一个考虑因素是你的数据噪声大不大，一个经验是，噪声越大的数据集，用越简单的模型往往能取得更好的效果，而用了复杂模型反而会因为过拟合导致效果较差。 指标中的坑 在时间序列预测评价指标上，一定要结合实际需求来选择。时间序列预测的评价指标可以分为两类，一类是scale无关的（如smape、rmsle、mape等），一类是scale相关的（如mse、rmse、mae、nd等）。Scale无关的，即不管每个样本点的取值多大，对最终loss的贡献都是差不多的，因为这些指标计算的都是预测值相对于真实值的偏差百分比。而scale相关的指标，数值越大对loss的贡献就越大，因为它们直接计算预测值和真实值的差值。 在选择指标时，如果更关注大值样本的效果，可以用scale相关的指标；如果更关注全局所有样本的效果，可以用scale无关的指标。对于scale无关的指标还要注意一点，在一些场景中，小值样本比大值样本多得多，数据呈现长尾部分。这种情况下使用scale无关指标，则更偏向于看小值样本效果。同时，小值样本可能存在更大的误差，比如真实值是1，预测值是2，这偏差就是100%了，小样本本来就噪声大。如果用scale无关指标在这类数据上评估，很可能反映的是拟合噪声的效果。因此更合适的做法是对测试集做一个采样，小值样本、大值样本保留差不多的数量，才能更科学的评价模型效果。 应用中的坑 时间序列预测的结果不能只看指标，一定要看预测结果的折线图！有的时候看着指标不错，但实际预测出来的曲线可能是下面某些图那样的： 在应用之前，一定要做一些可视化分析，看模型预测的曲线和真实曲线差异在哪，把历史的真实序列也要画出来，这样才能看出哪些地方你认为模型本该预测出来，但实际没预测出来，针对性的优化模型。 总结 实际应用中搭建时间序列预测模型时，和学术界的差异还是很大的。学术界用的数据大多数都很干净，规律性很强。但是实际应用中的数据集，噪声大、取值范围大、规律性不明显等都是很大概率要面对的问题。你在时间序列预测中踩过坑吗？欢迎评论区交流~ ———END———限 时 特 惠：本站每日持续更新海量各大内部创业教程，一年会员只需88元，全站资源免费下载点击查看详情站 长 微 信：chuangyedemao

提示：点击上方”我们的开心”↑关注我们 文/黄翔 王冲 本文系统地介绍了图模型测试技术的相关背景、实施方案和应用效果，并基于图模型构建与校验、自动化脚本生成与执行、测试报告展示与评价等技术框架进行剖析，论证了图模型在开展业务场景建模、测试设计与执行、测试过程评估等方面的优势，有助于实现测试全生命周期的提质增效和测试成果的度量评价。 一| 研究背景 图模型源于业务流程图，是一种由点和边组成的用以描述系统的图形，一个图由顶点(Vertex)和它们之间的有向边(Edge)组成，可以通过使用不同的测试覆盖策略和算法最高程度地覆盖业务需求。 在图模型中，顶点代表了业务流程中的中间步骤，表示一次测试验证；有向边代表了系统之间的状态转移，表示一次测试动作。图模型测试（Graphic Model Testing）技术基于构建的图模型，制定行为和行为之间的关系以及行为和系统的关系（有限状态机），然后根据被测系统的状态、设置的限制条件和策略来生成测试用例。 二| 实施方案 01 图模型构建 在基于需求的建模过程中，图模型根据被测系统的状态、设置相应的限制条件和策略来生成测试用例。作为一种开源的图模型测试工具，GraphWalker支持命令行和窗口化的形式完成图模型的搭建工作，但需满足一定的语法规则。图1展现了运用GraphWalker Studio进行图模型构建的相关界面要素。 图1 GraphWalker Studio界面要素 02 图模型校验 在当前测试前移的背景下，测试团队经常需要对需求文档进行评审并给出建设性意见。常规的方法是基于业务逻辑对业务流程进行梳理，凭借经验判断业务流程是否合理。图模型测试赋予业务流程图技术属性，可以从图遍历的角度对模型连通性进行验证，判断是否存在死循环或是不合理的业务流程。 通过以命令行的形式调用GraphWalker组件并执行相应命令，可以在终端输出模型图是否正确的提示，进而对业务逻辑和图模型本身的语法规则进行正确性校验。 03 自动化脚本生成 对于校验成功的图模型，可以基于设定的遍历方法进行图模型上的随机游走用例分析图，并将结果保存在日志文件。实际上，图模型上的每一次遍历都对应一条流程级测试用例。通过打开图模型的运行日志，可以基于各激励事件生成自动化测试脚本。需要指出的是，图模型生成自动化脚本需要依赖命令行JSON处理工具jq。这是一种轻量级的JSON解析器，可以使用它来进行切片、过滤、映射和转换结构化数据，进而对GraphWalker生成的测试用例进行筛选。 图模型遍历之后生成的自动化测试脚本遵循图模型名称_渠道端命名的方式，例如ODP_web.py。该自动化测试脚本表示是针对构建的ODP图模型按照find_element_by_xpath(”)的方式生成基于web端的自动化测试脚本框架，对于Android或iOS端的自动化案例，一般基于find_element_by_id(”)的方式或find_element_by_ios_predicate(”)的元素定位模式生成脚本。 04 自动化案例执行 作为一种贯穿需求分析到系统测试的全流程测试方案，图模型测试支持将业务流程以自动化案例的形式进行执行，进而模拟测试过程中可能遇到的各种业务场景。然而，图模型遍历之后生成的测试脚本仅仅包含符合Python程序规范的各种事件激励接口以及装饰器函数，要想真正驱动自动化脚本的执行，还需按照Selenium规则对脚本进行完善。 脚本准备完毕之后用例分析图，图模型基于遍历日志进行测试。通过依次读取日志文件中e_开头的事件激励，调用自动化测试脚本中的相应函数开展测试执行。基于传递的参数，触发浏览器驱动依次执行相应的页面操作。 05 测试报告展示 图模型测试基于Pytest框架完成测试并基于Pytest-html插件生成测试报告。通过对测试失败的案例自动截图，可以基于html报告了解出现错误的测试步骤，方便进行代码调试和缺陷定位。 Pytest-html插件生成.png格式的测试截图并内嵌在html报告中，这对于以headless模式运行的UI自动化测试尤为有效。由于headless模式下界面的操作不能进行直观地展现，html报告中内嵌的测试截图便提供了最为便捷的缺陷跟踪方式。 三| 应用效果 图模型测试基于擎云平台开展接口自动化测试，通过复用擎云平台接口案例的执行方式，以事件驱动的形式触发流程级接口案例的执行。项目组通过构建图模型，并基于某项目开展了接口自动化的测试实践（图2）。 图2 某交易收费与明细查询图模型 图模型测试由于增加了事件的随机性，可以涵盖更多的异常事件场景，从而发现更多的隐藏缺陷。在测试执行过程中，通过将擎云平台的测试报告内嵌到Pytest-html报告，可以直观地对测试过程中遇到的问题进行分析。当测试执行通过率不是100%时（图3），图模型将案例执行情况以图片的形式进行记录。通过分析案例失败原因，发现为多次收费时出现账户余额不足，导致对公收费模型分支执行失败。 图3 接口自动化测试报告 作为企业级的自动化测试平台，擎云平台支持将接口测试案例以测试资产的形式积累到资产库中，通过手动拖动案例的方式实现测试案例执行顺序的调整。图模型测试整合了擎云平台的优势，将接口案例以事件驱动的形式集成到图模型的分支路径中，实现了测试案例的自动化重复执行和随机化路径探索。 四 |...

作为新手3D建模师你是否也在为找不到素材资源感到苦恼？本期小编跟大家一起分享6大宝藏3D素材资源网站，下面网站上的高质量3D模型有很多都是免费的，内容涵盖人物、建筑、道具等多个方向，建议收藏哟~ CG Trader CG Trader是一个专业的三维模型网站，你可以根据需求寻找对应的正确3D内容，其中购买或免费下载专业3d模型，可以被用于cg项目、电影和视频制作、动画、可视化、游戏、虚拟/AR等。其中下载资产格式包括最大格式、OBJ格式、FBX格式等多种类型。 Free3D Free3d是一个提供3d模型免费素材的资源库，提供模型涵盖了多种风格和主题，例如建筑、交通工具、角色、家具等，我们可以选择不同的格式和质量的模型免费电脑主题，比如BLENDER，OBJ，3DS，C4D，MAX，MAYA等。网站设置了多种分类可以帮助你更快寻找到自己需要的3D模型。 Turbosquid Turbosquid上的模型素材非常全面免费电脑主题，有很多分类，版面也非常的清晰，素材收费与免费的都有。网站提供3D模型下载，格式适合max、fbx、obj、c4d、maya等软件，是游戏设计师、特效设计师、建筑设计师和VR/AR设计师必备资源站点。 Artec 3D Artec 3D上的素材类型比较具有鲜明的科技感，其主要是科技类扫描制作，素材内容包含工业设计制造、医疗卫生、科学教育、艺术设计等。Artec 3D在手持式和便携式3D扫描仪设计与制作方面处于领先地位，以开发制造高品质便携式3D扫描仪、用户友好型3D软件和软件开发包，为各种应用带来了无限的整合可能为宗旨。 Clara.io Clara.io是一个功能齐全的基于云的三维建模、动画和呈现软件工具，通过Clara.io你可以制作复杂的3d模型，创建漂亮的照片现实的表现,并分享它们而不安装任何软件程序。作为一款强大的建模工具还拥有细分表面、修饰符/操作符、紫外线编辑、最佳性能等功能。 Render State Render State提供超多不同类型的3D模型，其中资源基本都是免费的，且适合Blender、DAZstudio等软件用户使用，其中的人物类模型都非常具备复古特色，整个网站排版也非常清晰，一目了然。 星鲨线上VR学院针对想要学习3D模型构建的小伙伴设置了3DMax、MAYA系列课程，内容涵盖了3DMax、MAYA从零基础入门到精通各个阶段的学习内容，相信通过系统的学习，配合星鲨专业学习体系+实战演练，你也将拥有创作优秀的模型项目作品。 星鲨线上VR学院 ———END———限 时 特 惠：本站每日持续更新海量各大内部创业教程，一年会员只需88元，全站资源免费下载点击查看详情站 长 微 信：chuangyedemao