Introducing ARFBench: A time series question-answering benchmark based on real incidents
每年由于系统故障造成的损失超过一万亿美元。为了解决这些问题，工程师必须快速排除故障。事件响应中的一项重要任务涉及分析可观测性指标或反映软件系统运行状况的时间序列数据。例如，服务工程师可能会使用 Datadog 来回答诸如“延迟何时开始增加？”之类的问题。以及“延迟之外的哪些指标也表现异常？”定位异常行为的根本原因。这些时间序列问答 (TSQA) 任务对于工程师来说至关重要，并且为 SRE 模型和代理提供了具有挑战性且必要的任务。在这项工作中，我们探讨了 AI 模型执行 TSQA 任务的程度。为此，我们很高兴推出异常推理框架基准 (ARFBench)，这是一个 TSQA 基准，源自 Datado
摘要此链接转到英语部分此链接转到西班牙语部分 发育早期阶段的性别识别对于许多动物的进化生物学研究非常有意义。了解性别比例，尤其是后代的性别比例，可以检验与种群和物种性别比例偏差原因相关的假设。蜘蛛出生时就有明确的性别，大多具有 X1X20 性染色体系统，但直到成年或接近成年阶段才能从表型上确定其性别。狼蛛 Allocosa marindia 栖息在南美洲南部的沙质海岸，表现出性别角色的逆转。实验室和实地研究表明，该物种的性别比例明显偏向雌性。在这里，我们通过流式细胞术分析了雌性和雄性 A. marindia 的 2C 核 DNA 含量，以确定性别之间的差异是否足以识别个体的性别。女性的平均 2
