案例检索
找到可借鉴的 AI 路径
从真实业务问题出发，筛选与你的行业、规模和场景更接近的案例。
全部案例
共 2287 条，当前第 17 / 191 页
其他行业 · AI应用
通过智能文档处理自动化会计功能
会计文档处理（发票、采购订单）高度可变，由于OCR失败需要人工审核，导致错误和开销。PwC开发了Digital Workmate，使用微调的Llama 3.1 8B Instruct，结合动态提示工程和RAG。该解决方案以高精度（提取率>90%）自动化复杂流程，直通处理文档（70%以上），并可部署在商用16GB GPU上，实现气隙安全。
普华永道（PwC） · 未披露
更新于 2026年7月
其他行业 · AI应用
通过微调领域特定大语言模型增强金融研究
Oxide AI的金融服务应用Oxogen AI最初依赖GPT，但需要领域微调，且面临高昂的按token推理费用，无法满足高速、大规模数据处理需求。Oxide AI转向更小的Llama模型（Llama 2 7B、Llama 3.1 8B），使用LoRA进行微调，以实现领域精度、透明度和经济性。该神经符号AI引擎利用Llama以人类友好文本生成高价值洞察，支持全球扩展。
Oxide AI · 未披露
更新于 2026年7月
其他行业 · AI应用
简化模型迭代过程
Oxen.ai是一个面向大型数据集和模型权重的开源版本控制解决方案，旨在通过让用户更好地控制模型权重来加速模型迭代周期。他们选择支持一系列Llama模型，使开发者能够在专有和敏感数据上进行微调和推理。该平台作为受监管行业中管理微调工作流的集中集成点。
Oxen.ai · 未披露
更新于 2026年7月
其他行业 · AI应用
对包含敏感信息的文档进行摘要
北达科他州立法委员会需要自动化对在审立法进行耗时的手动摘要工作，每届会议需要数百小时。由于保密性，安全性和数据控制至关重要。IT团队使用Llama 3.2 1B Instruct构建了一个安全的、100%本地部署的摘要工具。该应用采用检索增强生成（RAG）工作流来摄取立法草案，并为每项法案生成三份摘要供审查。
北达科他州立法委员会 · 未披露
更新于 2026年7月
其他行业 · AI应用
训练和微调自定义模型
Neospace是一家早期初创公司，需要为金融服务等复杂领域创建自定义专家LLM，以参与竞争，但从头训练成本高昂。通过利用迁移学习（Llama 3 8B/70B权重）和Llama 3 450B Instruct生成合成领域特定训练数据，Neospace实现了预训练工作量和成本降低16倍。他们还实施了Meta的自进化模型技术，确保快速创新。
Neospace · 未披露
更新于 2026年7月
其他行业 · AI应用
提升自由职业者的提案撰写效率
自由职业者在高效撰写针对特定工作需求的、有吸引力的提案方面存在困难，这影响了他们的成功率。Upwork 升级了其 AI 助手 Uma，使用通过 LoRA 微调的 Llama 3.1。Uma 能够实时分析职位发布和自由职业者资料，生成个性化、高质量的提案草稿，简化申请流程。与专有模型相比，在 Llama 上使用 LoRA 适配器提供了成本效益。
Upwork · 未披露
更新于 2026年7月
其他行业 · AI应用
简化信息发现并自动化重复性任务
MRU面临庞大的分散机构知识和重复性任务，涉及37,000名员工，阻碍了生产力。MRU构建了一个内部、由Llama驱动的GPT解决方案，本地部署以确保安全。该解决方案使用Llama模型和SGT创建专门的AI代理（例如职位描述助手、合同审查员），自动化知识工作并安全地提供专家协助。
大型研究型大学（MRU） · 未披露
更新于 2026年7月
其他行业 · AI应用
为生物样本登记册提取数据并生成临床注释
构建癌症生物样本登记册需要从电子健康记录（EHR）中手动提取数据，每个患者成本高达220美元。MHS开发了一个RAG工作流，使用Llama基础模型和Protopia AI的Stained Glass Transform（SGT）来自动化肿瘤标本的临床注释。SGT通过在LLM处理过程中随机化数据表示来保护患者机密，实现研究数据的安全使用和共享。
大型医疗系统（MHS） · 未披露
更新于 2026年7月
其他行业 · AI应用
在安全行业中自动化编码任务
专有模型需要 API 调用，由于数据暴露风险，Tabnine 无法为高度安全的隔离环境中的客户提供服务。Tabnine 集成了便携式、开放权重的 Llama 3.3 70B 模型。这使得金融、医疗或国防领域的客户能够将平台和模型完全部署在私有云或隔离基础设施上，确保最大安全性、数据主权和可审计性，同时消除按令牌收费。
Tabnine · 未披露
更新于 2026年7月
其他行业 · AI应用
简化患者文档和管理
医生和医疗保健提供者花费大量时间（平均每 8 小时患者时间中有 3.4 小时）在 EHR 中记录护理信息。Sofya 开发了一个使用多个 Llama 模型的临床推理系统，以自动化常规任务并结构化数据。微调后的较小 Llama 模型（3.1 8B, 3.2 3B）驱动临床助手，在咨询期间引导医疗专业人员完成摘要和临床印象，提供诊断和护理计划，且延迟低。
Sofya · 未披露
更新于 2026年7月