CPU（核数）
2714/4580CPU 分配率：59.26%
QWorks 连接启智
连接启智，
更便捷地使用模型、工作界面与远程算力
完成启智账号授权后，可在 QWorks 中选择已部署的推理模型、打开启智工作界面、连接运行中的远程计算环境，并辅助开展文献梳理、靶点评估和数据分析等研究与工程任务。
支持 Windows、macOS 与 Linux 下载 · 版本信息自动同步
我想复现论文《EM–based SVM for semi–supervised learning》里 Table 2 的结果
详情 · 任务耗时 2m 43s ›
任务计划已提交（第 1 版），等待你确认。
简报已设置
• 标题：复现《EM–based SVM for semi–supervised learning》Table 2（Breast Cancer / Ionosphere）
• 交付目录（远程）：/workspace/demo/deliverables（过程文件入 _work/）
• 算力：已接入 GPU-Runner（Python 3.9.19）
• 镜像源：按你提供的 nexus.sii.shaipower.online 配置使用
计划阶段
1. 确认论文与实验设定（检索原文、提取 Table 2 数值与设定）
2. 环境与数据准备（镜像源、依赖、UCI 数据预处理）
3. 基线实现与校验（SVM–RBF 调参 + TSVM）
4. EM–based SVM 实现
5. 复现 Table 2 实验（三方法 × 两数据集，多次运行取均值）
6. 汇总与报告（results.csv + report.md + ±2% 判定）
6 个对照项：Breast Cancer / Ionosphere 各 × SVM(RBF)、TSVM、EM–based SVM，逐项与论文 Table 2 对比。
主要风险 / 前置依赖：论文原文与 Table 2 精确数值尚未取得（±2% 判定基准暂缺），阶段 1 会先定位论文；若同名论文不止一篇或设定无法确定，会向你确认后再继续。
请确认计划（或提出修改）。确认后我从阶段 1 开始执行。
深度研究
复现《EM–based SVM for semi–supervised learning》Table 2
等待决策
GPU-Runner
任务目标
复现论文《EM–based SVM for semi–supervised learning》Table 2 中 UCI Breast Cancer 与 Ionosphere 两个数据集上 EM–based SVM、标准 SVM（RBF 核）、TSVM 三种方法的准确率，交付 results.csv 与 report.md，复现值与论文报告值误差不超过 ±2 个百分点。
你的要求
背景
用户希望复现该论文 Table 2 的半监督分类结果，以标准 SVM(RBF) 和 TSVM 为对照基线，评估 EM–based SVM 的效果。运行环境为已接入的 GPU-Runner，需使用用户指定的内网镜像源安装依赖。
材料
添加材料
必做
• 复现准确率与论文 Table 2 对应报告值误差 ≤ ±2 个百分点
• results.csv 包含 Breast Cancer、Ionosphere 两个数据集 × SVM(RBF 核)、TSVM、EM–based SVM 三个方法的准确率
• report.md 说明数据来源与预处理、半监督划分与标注样本数、各方法实现来源与超参、运行次数与随机种子、逐项对比及误差判定结论
• 对照基线为标准 SVM(RBF 核) 与 TSVM
补充必做项
禁止
• 禁止编造论文 Table 2 的报告数值；无法取得论文原文 / 数值时须先与用户确认，不得臆测
补充禁止项
资源限制
• 镜像源：nexus.sii.shaipower.online（conda / pip / apt 按用户提供的配置使用）
• 远程算力：GPU-Runner，Python 3.9.19，工作目录 /workspace/demo
• 数据集：UCI Breast Cancer、Ionosphere
补充资源限制
任务阶段
1
2
3
4
5
6
确认论文与实验设定
检索并定位论文原文，提取 Table 2 的方法、数据集、标注样本数、划分、超参与报告准确率，确认 TSVM / EM–SVM 实现来源与 SVM 超参选择方式。
环境与数据准备
使用用户配置设置 nexus 镜像源（conda / pip / apt），安装依赖（scikit-learn / numpy / scipy 及 TSVM 库），获取并预处理 UCI Breast Cancer 与 Ionosphere（标准化、标签整理）。
基线实现与校验
实现标准 SVM（RBF 核）超参调优流程，实现 / 接入 TSVM 基线，先在全监督设定下验证 SVM 流程与数据正确。
EM–based SVM 实现
按论文实现 EM–based SVM 半监督迭代算法，在小样本上验证收敛与可运行。
复现 Table 2 实验
按论文半监督设定运行 SVM（RBF）/ TSVM / EM–SVM × Breast Cancer / Ionosphere，多次运行取均值（与标准差），记录每次结果。
汇总与报告
生成 results.csv，逐项对比论文 Table 2 值判定 ±2%，撰写 report.md（含方法 / 设定 / 超参 / 运行次数 / 对比表 / 误差结论 / 实现来源）。
补充阶段
交付产物
交付目录
/workspace/demo/deliverables
已找到对应目录
修改目录
检测到有缺失的交付产物，请补充完整
results.csv
缺失
每个数据集（Breast Cancer、Ionosphere）× 方法（SVM–RBF、TSVM、EM–based SVM）的准确率，含均值与标准差；用户指定交付物。
report.md
缺失
复现报告:数据集来源与预处理、半监督划分与标注样本数、各方法实现来源与超参、运行次数与随机种子、与论文 Table 2 逐项对比表、±2% 误差判定结论;用户指定交付物
_work
已就位
过程文件目录:实验脚本、原始运行日志、中间产物、数据缓存(非交付,用 task_file_mark 标记为 process)
补充交付产物
验收标准
results.csv 包含 Breast Cancer 与 Ionosphere 各 × SVM（RBF 核）/ TSVM / EM–based SVM 的准确率（均值，建议附标准差）。
每个复现准确率与论文 Table 2 对应报告值相差 ≤ 2 个百分点
report.md 含:数据集来源与预处理、半监督划分与标注样本数、各方法实现来源与超参、运行次数与随机种子、与论文 Table 2 的逐项对比表、误差判定结论
TSVM 与 EM-based SVM 的实现来源在 report.md 中明确注明
过程脚本与原始运行记录留存于 _work/ 下
补充验收标准
备注
关键前置:论文原文与 Table 2 精确数值尚未取得,±2% 判定基准暂缺。阶段1将先检索定位论文并提取 Table 2;若同名论文不止一篇或实验设定无法确定,将以用户确认为准(必要时登记为 scope_change 决策)。论文确认前不进入实验阶段。
任务要求
agent 更新于 今天 14:58
计划
agent 更新于 今天 14:59
对话
我想复现论文《EM–based SVM for semi–supervised learning》
待提供材料
agent缺这些材料,补上后标为已解决
待补充
提供 Table 2 准确率，作为复现对比基准。
已补充
补充 EM-SVM 实现说明及代码来源。
补充材料缺口
确认计划
💥四项首发能力
连接启智，使用能力并开展具体任务
QWorks 是面向研究与工程任务的 AI 工作站。连接启智后，你提出任务，QWorks 可辅助制定方案、检索文献与专业数据、运行代码，并按需使用远程计算环境，形成带来源、可核查、可复现的结果。
使用启智推理模型
在 QWorks 会话中选择启智已部署且当前账号有权访问的推理模型，开始对话或任务。
模型配置
配置和管理模型服务，支持个人接入与平台托管。
个人平台托管管理启智
平台： 启智研究租户 已选用 16 个服务 最近同步 2026–04–12 12:00
服务名称/模型ID来源/项目状态操作Qwen3–235B InstructQwen3–235B平台预置可用Kimi K2.7 CodeQwen3–235B平台预置可用Kimi For Coding HighSpeedQwen3–235B平台预置已停止DeepSeek–R1DeepSeek–R1注册情报研究可用Kimi For Coding HighSpeedQwen3–235B平台预置可用Kimi For Coding HighSpeedQwen3–235B候选药物设计可用欢迎使用QWorks
直接描述你的研究问题，我来帮你理清思路。
请输入您的研究问题…
默认权限qwen3–30ba3b在 QWorks 中使用启智工作界面
从 QWorks 打开启智工作界面，查看和使用当前启智账号有权访问的功能。
启智平台 Good day，欢迎使用 启智 开启新的一天 😊
概览节点视图所属K8s集群：全部⌄资源型号：全部⌄计算资源组：全部⌄资源概览
分配资源（分配/总量）使用资源（使用/总量）内存（GB）
19996.42/44382.76内存 分配率：45.05%GPU（卡数）
129/160GPU 分配率：80.62%分配率水位概览
1小时12小时近1天近7天2026-09-09 17:41 → 2026-09-10 17:41间隔 30 分钟 ⌄CPU 分配率GPU 分配率内存 分配率任务状态概览
1小时12小时近1天近7天交互式建模
33总任务数创建中 1运行中 31已停止 1分布式训练
148总任务数运行中 8已停止 6已成功 133失败 1连接启智远程计算环境
选择启智中正在运行且有权访问的 Notebook，让任务使用对应远程环境，并查看变量、终端和文件。
远程jupyter执行一个冒泡排序 XX项目 远程算力×[1]Agent · 详情 任务耗时 22s
1numbers = [89, 26, 68, 3, 20, 26, 20, 79]
2for i in range(len(numbers) - 1):
3 for j in range(len(numbers) - i - 1):
4 if numbers[j] > numbers[j + 1]:
5 numbers[j], numbers[j + 1] = numbers[j + 1], numbers[j]
6print(numbers)
排序前：[89,26,68,3,20,26,20,79,83,80,73,75,83,18,40]
排序后：[3,18,20,20,26,26,40,68,73,75,79,80,83,83,89]
耗时：0.000077秒
验证正确：True
为你的业务，打造专属 AI 工作平台
按业务流程组合专家、技能与场景模板，按需定制专用入口、功能和界面，连接企业已有系统与资源。让团队与 AI 在同一平台协作，完成任务、交付成果。
我想复现论文《EM–based SVM for semi–supervised learning》里 Table 2 的结果
详情 · 任务耗时 2m 43s ›
任务计划已提交（第 1 版），等待你确认。
简报已设置
• 标题：复现《EM–based SVM for semi–supervised learning》Table 2（Breast Cancer / Ionosphere）
• 交付目录（远程）：/workspace/demo/deliverables（过程文件入 _work/）
• 算力：已接入 GPU-Runner（Python 3.9.19）
• 镜像源：按你提供的 nexus.sii.shaipower.online 配置使用
计划阶段
1. 确认论文与实验设定（检索原文、提取 Table 2 数值与设定）
2. 环境与数据准备（镜像源、依赖、UCI 数据预处理）
3. 基线实现与校验（SVM–RBF 调参 + TSVM）
4. EM–based SVM 实现
5. 复现 Table 2 实验（三方法 × 两数据集，多次运行取均值）
6. 汇总与报告（results.csv + report.md + ±2% 判定）
6 个对照项：Breast Cancer / Ionosphere 各 × SVM(RBF)、TSVM、EM–based SVM，逐项与论文 Table 2 对比。
主要风险 / 前置依赖：论文原文与 Table 2 精确数值尚未取得（±2% 判定基准暂缺），阶段 1 会先定位论文；若同名论文不止一篇或设定无法确定，会向你确认后再继续。
请确认计划（或提出修改）。确认后我从阶段 1 开始执行。
科研任务 深度研究
复现《EM–based SVM for semi–supervised learning》Table 2
等待决策
GPU-Runner
任务目标
复现论文《EM–based SVM for semi–supervised learning》Table 2 中 UCI Breast Cancer 与 Ionosphere 两个数据集上 EM–based SVM、标准 SVM（RBF 核）、TSVM 三种方法的准确率，交付 results.csv 与 report.md，复现值与论文报告值误差不超过 ±2 个百分点。
你的要求
背景
用户希望复现该论文 Table 2 的半监督分类结果，以标准 SVM(RBF) 和 TSVM 为对照基线，评估 EM–based SVM 的效果。运行环境为已接入的 GPU-Runner，需使用用户指定的内网镜像源安装依赖。
材料
添加材料
必做
• 复现准确率与论文 Table 2 对应报告值误差 ≤ ±2 个百分点
• results.csv 包含 Breast Cancer、Ionosphere 两个数据集 × SVM(RBF 核)、TSVM、EM–based SVM 三个方法的准确率
• report.md 说明数据来源与预处理、半监督划分与标注样本数、各方法实现来源与超参、运行次数与随机种子、逐项对比及误差判定结论
• 对照基线为标准 SVM(RBF 核) 与 TSVM
补充必做项
禁止
• 禁止编造论文 Table 2 的报告数值；无法取得论文原文 / 数值时须先与用户确认，不得臆测
补充禁止项
资源限制
• 镜像源：nexus.sii.shaipower.online（conda / pip / apt 按用户提供的配置使用）
• 远程算力：GPU-Runner，Python 3.9.19，工作目录 /workspace/demo
• 数据集：UCI Breast Cancer、Ionosphere
补充资源限制
任务阶段
1
2
3
4
5
6
确认论文与实验设定
检索并定位论文原文，提取 Table 2 的方法、数据集、标注样本数、划分、超参与报告准确率，确认 TSVM / EM–SVM 实现来源与 SVM 超参选择方式。
环境与数据准备
使用用户配置设置 nexus 镜像源（conda / pip / apt），安装依赖（scikit-learn / numpy / scipy 及 TSVM 库），获取并预处理 UCI Breast Cancer 与 Ionosphere（标准化、标签整理）。
基线实现与校验
实现标准 SVM（RBF 核）超参调优流程，实现 / 接入 TSVM 基线，先在全监督设定下验证 SVM 流程与数据正确。
EM–based SVM 实现
按论文实现 EM–based SVM 半监督迭代算法，在小样本上验证收敛与可运行。
复现 Table 2 实验
按论文半监督设定运行 SVM（RBF）/ TSVM / EM–SVM × Breast Cancer / Ionosphere，多次运行取均值（与标准差），记录每次结果。
汇总与报告
生成 results.csv，逐项对比论文 Table 2 值判定 ±2%，撰写 report.md（含方法 / 设定 / 超参 / 运行次数 / 对比表 / 误差结论 / 实现来源）。
补充阶段
交付产物
交付目录
/workspace/demo/deliverables
已找到对应目录
修改目录
检测到有缺失的交付产物，请补充完整
results.csv
缺失
每个数据集（Breast Cancer、Ionosphere）× 方法（SVM–RBF、TSVM、EM–based SVM）的准确率，含均值与标准差；用户指定交付物。
report.md
缺失
复现报告:数据集来源与预处理、半监督划分与标注样本数、各方法实现来源与超参、运行次数与随机种子、与论文 Table 2 逐项对比表、±2% 误差判定结论;用户指定交付物
_work
已就位
过程文件目录:实验脚本、原始运行日志、中间产物、数据缓存(非交付,用 task_file_mark 标记为 process)
补充交付产物
验收标准
results.csv 包含 Breast Cancer 与 Ionosphere 各 × SVM（RBF 核）/ TSVM / EM–based SVM 的准确率（均值，建议附标准差）。
每个复现准确率与论文 Table 2 对应报告值相差 ≤ 2 个百分点
report.md 含:数据集来源与预处理、半监督划分与标注样本数、各方法实现来源与超参、运行次数与随机种子、与论文 Table 2 的逐项对比表、误差判定结论
TSVM 与 EM-based SVM 的实现来源在 report.md 中明确注明
过程脚本与原始运行记录留存于 _work/ 下
补充验收标准
备注
关键前置:论文原文与 Table 2 精确数值尚未取得,±2% 判定基准暂缺。阶段1将先检索定位论文并提取 Table 2;若同名论文不止一篇或实验设定无法确定,将以用户确认为准(必要时登记为 scope_change 决策)。论文确认前不进入实验阶段。
任务要求
agent 更新于 今天 14:58
计划
agent 更新于 今天 14:59
对话
我想复现论文《EM–based SVM for semi–supervised learning》
待提供材料
agent缺这些材料,补上后标为已解决
待补充
提供 Table 2 准确率，作为复现对比基准。
已补充
补充 EM-SVM 实现说明及代码来源。
补充材料缺口
确认计划
远程算力×
从模型使用到远程计算，减少应用间的来回切换
在 QWorks 会话中选择启智模型处理问题，或连接正在运行的 Notebook 执行计算任务。过程中可继续查看终端输出、变量和文件结果。
远程算力×
远程 Jupyter 内核已连接
等待任务提交后开始执行