焦点手艺: 以原创手艺系统为基本，，，，，，SenseCore商汤AI大装置为焦点基座，，，，，，结构多领域、多偏向前沿研究，，，，，，
快速买通AI在各个笔直场景中的应用，，，，，，向行业赋能。。。。。。。。

NeurIPS 2023 Spotlight | 面向通用决议场景的MCTS基准框架：LightZero

2023-12-05

论文链接：https://arxiv.org/abs/2310.08348

代码地点：https://github.com/opendilab/LightZero

概述

本文将先容名为LightZero的通用算法Benchmark，，，，，，它集成了MCTS/MuZero算法的各个衍生分支，，，，，，涵盖了9种算法和对凌驾20种决议情形的实践评估。。。。。。。。LightZero深入剖析了MCTS要领的生长历史和RL情形的多样性，，，，，，解读了开发通用决议算法面临的六大挑战性维度。。。。。。。。

为相识决由算法与系统架构的高度耦合性引发的种种问题，，，，，，LightZero设计了一个�？？？？？？？榛难盗妨鞒蹋�，，，，以便无邪地定制和优化种种MCTS系列算法组件。。。。。。。。详细地，，，，，，LightZero将这类要领的训练计划划分为四个子�？？？？？？？椋菏萃缙鳎―ata collector）、数据整理器（Data arranger)、智能体学习器（Agent learner) 和智能体评估器（Agent evaluator），，，，，，致力于资助开发者专注于情形和算法的研究。。。。。。。。

另外，，，，，，基于在框架设计和基准测试中发明的履历，，，，，，LightZero进一步探讨了将model-based RL的相关最新要领与MCTS要领团结的优势。。。。。。。。例如引入基于self-consistency的自监视训练要领可以在部分情形上能显著加速算法收敛性，，，，，，但不当的使用也会显著影响另一部分情形的训练稳固性。。。。。。。。最终，，，，，，详尽的基准测试和实验批注，，，，，，LightZero中整合并构建的最佳算法变体具有极高的数据使用效率和普遍的应用规模。。。。。。。。

该论文的主要孝顺如下：

1. 推出了LightZero，，，，，，这是首个系统性评估MCTS/MuZero系列算法的通用Benchmark框架。。。。。。。。

2. 详述了设计通用决议算法时需要面临的要害挑战，，，，，，为解决这些问题，，，，，，LightZero对MCTS算法和系统设计举行相识耦，，，，，，设计了�？？？？？？？榛难盗妨鞒蹋�，，，，其优异的可扩展性有助于更便捷地设计和集成强盛的通用决议智能体。。。。。。。。

3. 展示了LightZero中构建的MCTS算法变体可作为一种通用序列决议问题解决计划的强盛能力和潜在的未来价值。。。。。。。。

要领

这一部分，，，，，，本文首先会概述解说LightZero，，，，，，然后深入讨论设计通用MCTS算法将碰面临的情形挑战，，，，，，并提出�？？？？？？？榛难盗妨鞒躺杓萍苹透叨瓤衫┱沟腗CTS工具链。。。。。。。。

Benchmark 简介

图1：LightZero 概览。。。。。。。。左侧部分描绘了蒙特卡罗树搜索（MCTS）的生长历程，，，，，，而右侧则展示了种种强化学习（RL）情形。。。。。。。。LightZero 融合并拓展了 MCTS/MuZero 子领域的最新研究效果，，，，，，并将这些效果有用地应用于多种差别的情形中。。。。。。。。

如图1所示，，，，，，LightZero是首个搜集了MCTS/MuZero领域险些所有最新算法希望的Benchmark测试平台。。。。。。。。更准确地说，，，，，，LightZero搜集了源自AlphaZero/MuZero的9项要害算法和凌驾20种决议情形，，，，，，为其设计了标准化的训练和安排接口，，，，，，以顺应多种决议情形的需要。。。。。。。。

与原有其他种种定制化算法框架相比，，，，，，LightZero提供了一种统一的视角和用户接口。。。。。。。。这种统一性使得比照和剖析种种手艺组合成为可能，，，，，，为MCTS相关算法和应用的研究提供一个强盛且通用的基准平台。。。。。。。。

怎样评估一个通用 MCTS 算法：6种情形挑战

图2：MCTS+RL要领和model-free RL要领（例如 PPO）在六个情形挑战及数据效率维度上的定性比照效果。。。。。。。。LightZero中将通用决议求解器的要害能力举行了分类，，，，，，包括：多模态视察空间、重大行动空间、情形固有随机性、对先验知识的依赖水平、仿真本钱、探索难度和数据效率。。。。。。。。图中的每条曲线体现一个算法在这六个种别上的评分。。。。。。。。评分为1体现该算法在此维度上体现欠佳，，，，，，只适用于有限场景，，，，，，而更高的评分则意味着更普遍的应用规模和更优的性能。。。。。。。。特殊地，，，，，，model-free RL要领不依赖仿真，，，，，，对先验知识的依赖度较小！�。。。。。。�，，，，因此在这些领域得分较高。。。。。。。。请注重，，，，，，LightZero在此上下文中指的是在 LightZero 框架内，，，，，，将种种手艺和超参数设置举行最优组合的特殊算法变体。。。。。。。。关于定性评分规则的详细信息，，，，，，请拜见原论文附录 D。。。。。。。。

LightZero对种种RL情形举行了统一的剖析，，，，，，总结出设计通用高效MCTS算法的六个要害挑战（图2）。。。。。。。。详细来说，，，，，，这六种情形挑战划分是：

1）多模态视察空间（Multi-modal observation spaces），，，，，，需要智能体能够提取并有用融合差别形式的信息如低维向量、视觉图像和重大结构化视察空间等。。。。。。。。

2）重大行动空间（Complex action space），，，，，，需要智能体能在天生多样化决议信号上体现精彩，，，，，，包括离散行动选择、一连控制和混淆结构的行动空间等。。。。。。。。

3）依赖先验知识（Reliance on prior knowledge），，，，，，这是AlphaZero等要领的一个主要弱点。。。。。。。。这些要领实质上需要能够会见完善的模拟器和情形的详细规则。。。。。。。。相反，，，，，，MuZero及派生要领通过学习情形模子来替换模拟器和相关先验，，，，，，解决了这一限制。。。。。。。。

4）情形固有随机性（Inherent stochasticity）在基于树搜索的妄想要领中提出了根天性挑战。。。。。。。。�；；；；Ｇ樾味ρУ牟蝗范ㄐ院筒糠挚墒硬斓淖刺占涠伎赡艿贾峦牍旒５拇砦唬�，，，，爆发大宗无用或冲突的搜索效果。。。。。。。。

5）模拟本钱（Simulation cost）是MCTS-style要领的时间消耗的主要泉源。。。。。。。。同时，，，，，，若是算法在模拟历程中未能会见所有须要的行动，，，，，，算法的性能会大幅下降。。。。。。。。

6）探索难题（Hard exploration）是一个经常被忽视的要害挑战。。。。。。。。虽然搜索树可以通过镌汰探索规模来提高效率，，，，，，但MCTS-style的要领在有大宗非终止轨迹（即没有有用的奖励信号的轨迹）的情形中容易遇到难题，，，，，，如迷宫等。。。。。。。。

怎样简化一个通用 MCTS 算法：�？？？？？？？榛盗妨鞒�

图3：LightZero训练流程中的四个焦点子�？？？？？？？椤！�。。。。。。上下文交流器（Context Exchanger）认真在各个子�？？？？？？？橹浯渖柚谩⒛Ｗ雍凸旒！！�。。。。。。

MCTS系列要领虽然体现优异，，，，，，但着实现重大性也相当高，，，，，，这大大限制了其应用场景。。。。。。。。与DQN/PPO等model-free RL算法差别，，，，，，MCTS要领在每次智能体-情形交互中都需要使用搜索树举行多步模拟。。。。。。。。别的，，，，，，为了提升训练数据质量，，，，，，MuZero Unplugged引入了数据重剖析机制，，，，，，通过使用新模子重新盘算旧数据，，，，，，以获取刷新的训练目的。。。。。。。。然而，，，，，，这两种手艺都需要多次挪用模拟器或神经网络，，，，，，增添了漫衍式训练和通讯拓扑等方面的重大性。。。。。。。。因此，，，，，，对算法举行集成以简化整个框架是须要的。。。。。。。。

LightZero中设计的训练流程（如图3所示）包括四个焦点子�？？？？？？？椤！�。。。。。。

首先，，，，，，LightZero同时支持online RL和offline RL训练。。。。。。。。两者的主要区别在于是接纳在线交互数据网络器照旧直接使用离线数据集。。。。。。。。

其次，，，，，，LightZero对相关训练流程举行了重构，，，，，，将其剖析为四个焦点子�？？？？？？？椋�，，，，遵照高内聚、低耦合（high cohesion and low coupling）的设计原则。。。。。。。。

数据网络器（Data collector）认真使用战略网络和搜索树举行有用的行动选择，，，，，，同时包括种种探索战略，，，，，，以及数据预处置惩罚和打包操作。。。。。。。。
数据整理器（Data arranger）在MCTS中饰演着要害角色，，，，，，它能有用地存储和准备用于训练的有价值数据。。。。。。。。此�？？？？？？？樯婕暗绞葜仄饰鍪忠眨�，，，，用以校正off-policy或离线数据。。。。。。。。优先级采样的改良版确保了训练的小批量数据具有足够的多样性和较高的学习潜能。。。。。。。。吞吐量限制器认真控制添加和采样数据的比例，，，，，，以在牢靠的通讯带宽内实现最优的数据使用效果。。。。。。。。
智能体学习器（Agent learner）认真多个网络的训练，，，，，，可以使用自监视表征学习，，，，，，基于模子的rollout，，，，，，基于值漫衍的强化学习和价值函数归一化等优化手艺举行增强。。。。。。。。这些手艺有助于战略的提升，，，，，，进而提高智能体的整体性能。。。。。。。。
智能体评估器（Agent evaluator）提供种种针对强化学习的评价指标以监控训练历程并评预战略行为。。。。。。。。同时，，，，，，这个�？？？？？？？榧闪艘恍┠Ｗ油评硎背Ｓ玫募记桑�，，，，如beam search，，，，，，以提升测试性能。。。。。。。。

LightZero基于上述设计提供一系列标准接口和工具，，，，，，让研究者和工程师能更有用地开发算法或举行系统优化。。。。。。。。其中，，，，，，MCTS的探索战略和天下模子的对齐问题至关主要，，，，，，将在后续章节详细探讨。。。。。。。。关于多向量情形和搜索树的并行计划也是值得深究的话题，，，，，，一个浅易的比照示意图如下所示，，，，，，详细的数据流和开销剖析请参考原论文附录 E。。。。。。。。

图4：州差别决议算法在数据网络时的并行化设计计划比照图。。。。。。。。MCTS 系列算法需要越发深度优化的并行战略。。。。。。。。

实验

Benchmark 效果

为了测试差别算法之间的性能差别和LightZero中的算法变体作为通用决议求解器的能力，，，，，，实验部分在种种强化学习情形中举行了普遍的比照。。。。。。。。一共评估了下面这些算法变体，，，，，，包括AlphaZero、MuZero、EfficientZero、Sampled MuZero、Stochastic MuZero、Gumbel MuZero和LightZero中综合刷新的算法变体。。。。。。。。下面的部分展示了其中一些Benchmark效果作为例子。。。。。。。。有关情形和算法的详细设置，，，，，，更详尽周全的 Benchmark效果和相关剖析，，，，，，请参阅论文的附录 B、C、G。。。。。。。。

图5：图示为在六大代表性Atari 情形下（图像输入），，，，，，LightZero集成的种种算法的性能比照。。。。。。。。横坐标代神色况办法（Env Steps），，，，，，纵坐标体现在20个 episode 中的平均收益（Return）。。。。。。。。在此上下文中，，，，，，MuZero w/ SSL代表加入了自监视损失的原始 MuZero 算法。。。。。。。。EfficientZero则指通过自监视损失及value_prefix增强的MuZero算法。。。。。。。。Sampled EfficientZero则在EfficientZero的基础上引入了与采样相关的刷新手艺。。。。。。。。

图6：图示为AlphaZero与MuZero在Connect4和Gomoku中的性能较量。。。。。。。。AlphaZero相比于MuZero体现出显著的样本效率优势，，，，，，说明在情形模拟器可直接使用时，，，，，，AlphaZero将有显着优势。。。。。。。。然而，，，，，，即便在无模拟器的情形下，，，，，，MuZero仍可爆发相当的效果，，，，，，这充分体现了其普遍的顺应性。。。。。。。。

图7：上部：图示为Sampled EfficientZero在一连行动空间情形中，，，，，，接纳差别战略建模手艺的性能较量。。。。。。。。下部：图示为该算法在MuJoCo一连行动空间情形中，，，，，，应用种种战略建模要领的性能较量。。。。。。。。随着行动空间尺寸的增添，，，，，，前者（一连空间离散化版本）体现逐渐下降，，，，，，此后者体现则相对稳固。。。。。。。。

图8：图示为在差别模拟本钱下，，，，，，Gumbel MuZero和MuZero的性能较量。。。。。。。。在模拟次数有限时，，，，，，Gumbel MuZero相关于MuZero 体现出显著的性能优势，，，，，，突显了其在设计低时延MCTS智能体上的潜力。。。。。。。。针对Gomoku（棋盘尺寸=6），，，，，，评估了sim={20, 10}；；；；；；针对LunarLander-v2，，，，，，评估了sim={20, 10, 5}；；；；；；针对Atari Games，，，，，，评估了sim={50, 16, 2}。。。。。。。。

图9：图示为在差别随机性品级（num_chances=2 和 5）的2048情形中，，，，，，Stochastic MuZero和MuZero的性能较量。。。。。。。。在情形的状态转移保存显著随机性的情形中，，，，，，Stochastic MuZero略超MuZero。。。。。。。。然而，，，，，，随着随机性品级的升高，，，，，，Stochastic MuZero的性能也最先受限。。。。。。。。

图10：左图：图示为在MiniGrid-KeyCorridorS3R3-v0情形中，，，，，，差别探索战略的性能较量（网络阶段的回报）。。。。。。。。使用好奇心机制探索状态空间的IntrinsicExploration战略体现出较高的样本效率。。。。。。。。右图：图示为同样情形中，，，，，，LightZero实验的算法的性能较量。。。。。。。。在特征为高维向量视察及希罕奖励的情形中，，，，，，自监视学习损失有助于模子对齐，，，，，，但展望value_prefix 可能带来挑战，，，，，，对学习造成阻碍。。。。。。。。

图11：图示为在多智能体对抗和协作情形GoBigger的T2P2和T2P3场景中，，，，，，MuZero和EfficientZero（均在自力学习模式下举行训练）的性能较量。。。。。。。。两种算法在与内置机械人对战时均能稳固收敛，，，，，，其样本效率体现出显著优势，，，，，，相关于其他非 MCTS要领提升了约六倍。。。。。。。。

图12：自监视一致性损失在差别情形中的影响，，，，，，涉及到种种类型的视察。。。。。。。。从左到右，，，，，，性能较量涉及到标准图像输入、紧凑向量输入和棋盘图像输入，，，，，，思量了有和没有一致性损失的情形。。。。。。。。实验显示，，，，，，一致性损失关于标准图像输入来说是至关主要的。。。。。。。。

要害结论和思索

通过对LightZero的统一设计和Benchmark效果的研究，，，，，，得出了一些关于种种算法优弱点的要害结论，，，，，，这些结论有助于周全明确这些算法的性能和潜在应用。。。。。。。。

01：在棋盘游戏情形中，，，，，，AlphaZero的样本效率显著优于MuZero。。。。。。。。这批注若是情形模拟器可用，，，，，，直接使用AlphaZero是最佳推荐计划。。。。。。。。然而，，，，，，纵然在没有模拟器的情形下，，，，，，在履历足够的训练步数之后MuZero也可以取得知足的效果。。。。。。。。

02：自监视学习损失（SSL）在大大都涉及图像输入的Atari情形中显著提升了性能。。。。。。。。如图5所示，，，，，，配备SSL的MuZero在 MsPacman情形中与原始的MuZero体现相对等，，，，，，但在其他五个情形中则逾越了MuZero。。。。。。。。这一效果突显了SSL在提高天下模子对齐能力和加速图像输入情形学习历程中的主要作用。。。。。。。。

03：选择展望value_prefix而不是reward并不可始终包管性能的提升。。。。。。。。例如，，，，，，在图5中，，，，，，EfficientZero仅在MsPacman和Breakout情形中凌驾了配备SSL的MuZero，，，，，，而在其他情形中的体现与其相当。。。。。。。。更详细地说，，，，，，如图12所示，，，，，，在希罕奖励情形中，，，，，，EfficientZero的性能显著低于配备SSL的MuZero。。。。。。。。因此，，，，，，在决议是否展望 value_prefix时，，，，，，应充分思量情形的奖励函数特征。。。。。。。。

04：在大大都Atari情形和具有重大结构化视察空间的情形中（如GoBigger），，，，，，配备SSL的MuZero和 EfficientZero的体现相当。。。。。。。。这一视察效果批注，，，，，，具有重大结构视察的情形可以从表征学习和比照学习手艺中受益，，，，，，从而提高样本效率和鲁棒性。。。。。。。。

05：在离散行动空间中，，，，，，Sampled EfficientZero的体现与行动空间维度亲近相关。。。。。。。。例如，，，，，，Sampled EfficientZero在Breakout（行动空间维度为4）中的体现与EfficientZero相当，，，，，，但在MsPacman（维度为9）中的体现则有所下降。。。。。。。。

06：配备高斯战略体现的Sampled EfficientZero 在一连行动空间中体现出更好的可扩展性。。。。。。。。高斯版本在古板一连控制和MuJoCo情形中体现优异，，，，，，而离散化版本则仅适用于较低维的一连行动空间。。。。。。。。

07：当模拟次数有限时，，，，，，Gumbel MuZero显着优于MuZero，，，，，，这展现了其在设计低时间本钱的蒙特卡洛树搜索（MCTS）智能体方面的潜力。。。。。。。。

08：在具有随机状态转换或部分可视察状态的情形中（如没有叠帧的Atari），，，，，，Stochastic MuZero可以实现比MuZero更优异的性能。。。。。。。。

09：有关MCTS系列算法提出的刷新手艺，，，，，，如 EfficientZero中的自监视损失，，，，，，Sampled MuZero中的采样手艺，，，，，，Gumbel MuZero中使用MCTS搜索信息的盘算刷新，，，，，，以及Stochastic MuZero中的情形随机性建模，，，，，，这些要领都可以看作是相互正交的，，，，，，之间的滋扰很是小。。。。。。。。LightZero正在一连探索怎样将这些技巧高效且插件化地集成在一起，，，，，，以设计出通用的决议算法。。。。。。。。

10: 如图12所示，，，，，，关于标准图像输入，，，，，，一致性损失显得至关主要。。。。。。。。若是无视一致性损失，，，，，，模子性能会显著下滑，，，，，，这展现了学习针对高维输入的动态模子的挑战性。。。。。。。。然而，，，，，，关于LunarLander这样的向量输入情形，，，，，，一致性损失只提供了稍微的优势，，，，，，这体现在紧凑的向量视察上实验dynamic model学习相对较为简朴。。。。。。。。在特定的二维输入情形，，，，，，如井字游戏（TicTacToe），，，，，，一致性损失依然较大，，，，，，凸显出在潜在状态输出间实现一致性的难度。。。。。。。。别的，，，，，，若是在一致性损失中使用不适当的超参数，，，，，，可能会导致训练无法收敛。。。。。。。。综合来看，，，，，，LightZero中的实验批注，，，，，，一致性损失的有用性高度依赖于特定的视察属性。。。。。。。。关于棋盘游戏，，，，，，未来的研究偏向应思量探索适当的损失函数，，，，，，以确保训练历程中的对齐性。。。。。。。。

Hugging Face Model Zoo for LightZero

另外，，，，，，为了进一步拓展决议智能算法和模子的应用规模，，，，，，LightZero项目也已经在Hugging Face Model Zoo 中设立了专门的模子空间：Hugging Face Model Zoo for LightZero。。。。。。。。这个专门为LightZero打造的模子库荟萃，，，，，，旨在为研究者和开发者提供一个共享、交流研究效果，，，，，，并举行快速接入和实验的模子平台，，，，，，其中包括了最前沿MCTS系列算法模子，，，，，，并针对特定应用场景举行优化。。。。。。。。致力于让研究者能在一个标准化的情形下快速复现、测试最新的基于MCTS的决议智能算法，，，，，，并举行深度的较量和评估。。。。。。。。

Hugging Face Model Zoo for LightZero空间：

https://huggingface.co/OpenDILabCommunity

特色功效和资源

预训练模子：提供一系列预训练好的LightZero模子，，，，，，笼罩了从基础到高级的种种算法变体，，，，，，可以直接被快速下载和安排。。。。。。。。
设置治理：每个模子都提供了详细的设置文件，，，，，，包括了情形设置、网络架构和训练参数等，，，，，，确保了实验的可重复性。。。。。。。。
训练和评估工具：集成了便捷的训练和评估接口，，，，，，研究者可以轻松地在自己的数据集上训练模子，，，，，，或在标准测试集上评估模子的性能。。。。。。。。
文档和教程：提供了富厚的文档资源和教程，，，，，，资助用户明确和使用这些模子，，，，，，无论是新手照旧有履历的研究者都能快速上手。。。。。。。。
社区支持：通过与Hugging Face社区的细密相助，，，，，，用户可以获取到最新的相关资讯，，，，，，加入社区讨论，，，，，，或直接向模子库孝顺自己的模子。。。。。。。。

Model Card 与使用示例

为了资助开发者更好地使用相关工具，，，，，，图13展示了一个典范的 "情形-算法" CartPole-v0-MuZero的 Model Card 界面，，，，，，其中包括了模子形貌，，，，，，模子使用，，，，，，模子信息，，，，，，情形，，，，，，评估渲染视频等5大部分。。。。。。。。

图13：Hugging Face Model Zoo for LightZero 中一个典范示例CartPole-v0-MuZero 的Model Card界面。。。。。。。。包括了模子形貌、模子使用、模子信息、情形、评估渲染视频等5大部分。。。。。。。。

总结与未来事情

LightZero是一个�？？？？？？？榛狭酥种諱CTS相关强化学习要领的统一算法基准框架。。。。。。。。LightZero系统性地剖析并应对了将MCTS作为通用且高效决议求解器安排历程中的挑战和机缘。。。。。。。。通过�？？？？？？？榛南低成杓啤⑾昃≈苋幕疾馐裕�，，，，展现了LightZero作为一个可扩展、高效的决议问题工具关于研究社区的重大潜力。。。。。。。。

只管LightZero展示了其变体算法在种种基准测试情形中的精彩性能，，，，，，但某些局限性仍需被关注。。。。。。。。首先，，，，，，只管这种�？？？？？？？榛纳杓葡灾銮苛薓CTS系列算法的通用性和扩展性，，，，，，但关于某些特定的决议情形仍需要部分定制化的调解。。。。。。。。其次，，，，，，由于MCTS算法的内在限制，，，，，，在处置惩罚某些重大（尤其是随机性强）的情形时可能遇到挑战。。。。。。。。最后，，，，，，MCTS的高手艺门槛可能会给首次接触相关手艺的人带来困扰。。。。。。。。未来的刷新将会关注提高 LightZero框架接口的易用性，，，，，，富厚相关的文档和例子，，，，，，并构建一个的活跃用户生态社区。。。。。。。。

只管保存上述挑战，，，，，，但关于未来MCTS系列算法手艺的生长，，，，，，仍充满无限可能，，，，，，这里列出了一些未来的扩展偏向：

扩大应用领域：期望更多的研究者和开发者将LightZero应用于更普遍的实践领域，，，，，，包括但不限于自然语言处置惩罚，，，，，，自动驾驶，，，，，，以及重大系统的控制和优化。。。。。。。。

算法优化：接待社区孝顺新的探索和优化战略，，，，，，以进一步提升MCTS系列算法的运行效率以减小墙钟时间开销。。。。。。。。

与其他前沿手艺的整合：MCTS系列算法和其他机械学习前沿偏向的仍然团结十分主要。。。。。。。。其中最值得关注的两个领域是：MCTS与大型语言模子（LLM）的团结，，，，，，怎样学习更强盛的天下模子来使用MCTS举行妄想。。。。。。。。

信托通过这些起劲，，，，，，有望进一步推动MCTS和相关强化学习手艺的生长，，，，，，为现实决议问题的解决提供更强盛的工具。。。。。。。。

LightZero相关基准实验和训练框架已完全开源，，，，，，可会见GitHub客栈审查更多信息：

https://github.com/opendilab/LightZero

您尚未完善信息

完善信息后，，，，，，即可下载资料

完善信息跳过，，，，，，继续浏览

您尚未登录

您还未登录，，，，，，登录方可继续

登录跳过，，，，，，继续浏览

请选择您以为需要刷新的地方：

导航欠好用，，，，，，不利便找到感兴趣的内容
产品先容信息不敷周全
产品先容信息禁止易懂
页面翻开速率烦懑，，，，，，页面浏览不流通/有卡顿
页面不敷雅观
售后效劳欠好找，，，，，，体验欠好

跳过下一个

您是否能够抵达本次网站的会见目的？？？？？？？

是
否
仍在举行中

下一个

您对商汤官网的知足度怎样？？？？？？？

很是不知足很是知足

提交

已收到您对商汤官网的评价和建议！

谢谢您的耐心反响~

关闭

产品试用

填写此简朴表格，，，，，，我们将尽快联系您！

把您的需求发给我们相识所有产品

商务相助

400 900 5986

周一至周五 9:00-12:00，，，，，，13:00-18:00

business@sensetime.com

相助同伴招募

成为相助同伴