北大联合多个团队打造的数据届“PyTorch”，技术报告发布！ 广告 北大联合多个团队打造的数据届“PyTorch”，技术报告发布！ 16:15 广告 广告 广告 了解详情 > 会员跳广告 首月9.9元 秒后跳过广告 开通搜狐视频黄金会员，尊享更高品质体验！1080P及以上画质仅为黄金会员专享> 开通/续费会员 抱歉，您观看的视频加载失败 请检查网络连接后重试，有话要说？请点击 我要反馈>> 正在切换清晰度... 播放 按esc可退出全屏模式 00:00 00:00 00:18 广告 只看TA 高清 倍速 剧集 字幕 下拉浏览更多 5X进行中 炫彩HDRVIP尊享HDR视觉盛宴 超清 720P 高清 540P 2.0x 1.5x 1.25x 1.0x 0.8x 50哎呀，什么都没识别到反馈循环播放 跳过片头片尾 画面色彩调整 AI明星识别 视频截取 跳过片头片尾 是 | 否色彩调整亮度标准饱和度100对比度100恢复默认设置关闭复制全部logDatawhale开源 作者：北京大学 DCAI 团队尽管当前大语言模型（LLM）在各类下游任务中展现出强大能力，其性能高度依赖高质量、高语义密度的训练数据。然而，现有的数据准备流程仍严重依赖人工设计的脚本、领域专家经验以及碎片化的工具链。这带来效率瓶颈：数据清洗、合成、过滤等环节需大量手动干预，开发周期长、复现成本高；更造成能力上限：数据质量受限于人类可规模化执行的规则或启发式策略，难以系统性地生成超越人工标注复杂度的训练样本。受限于 LLM 数据准备的开放性、多阶段性和对模型在环（model-in-the-loop）的强依赖，目前尚缺乏一个兼具表达力、可扩展性与自动化能力的统一框架。为此，北京大学 DCAI 团队提出了 DataFlow——一个 LLM 驱动的、可编程的数据准备框架，旨在通过近 200 个可复用算子、PyTorch 风格的流水线接口以及自然语言驱动的自动编排机制，系统性解决当前 LLM 数据工程中的碎片化问题，推动高质量训练数据的高效构建与社区共享。论文链接：https://arxiv.org/abs/2512.16676仓库链接：https://github.com/OpenDCAI/DataFlow/DataFlow图文教程：https://wcny4qa9krto.feishu.cn/wiki/I9tbw2qnBi0lEakmmAGclTysnFdDataFlow视频教程：https://b23.tv/it5sssq展开全文DataFlow 是一个统一、可编程、LLM 驱动的数据准备框架，其核心特点可精简概括为以下四点：系统化抽象：基于全局表格化存储、LLM 服务层、算子（Operators）、提示模板（Prompt Templates）和流水线（Pipelines）构建 PyTorch 风格的模块化架构，支持可组合、可调试、可优化的数据工作流。丰富的 LLM 原生能力：提供近 200 个可复用算子，按生成（Generate）、评估（Evaluate）、过滤（Filter）、精炼（Refine）四类组织，覆盖数学、代码、Text-to-SQL、RAG、知识提取等六大 SOTA 领域流水线。自动化与低门槛使用：通过 DataFlow-Agent 从自然语言指令自动生成、合成并验证可执行流水线，支持“检索–复用–合成”策略，大幅降低开发门槛。开放可扩展生态：以 Python 包形式支持用户贡献 DataFlow-Extensions，配合 CLI 脚手架工具，构建类似 PyTorch 的开源数据准备协议与社区生态。系统化抽象：基于全局表格化存储、LLM 服务层、算子（Operators）、提示模板（Prompt Templates）和流水线（Pipelines）构建 PyTorch 风格的模块化架构，支持可组合、可调试、可优化的数据工作流。丰富的 LLM 原生能力：提供近 200 个可复用算子，按生成（Generate）、评估（Evaluate）、过滤（Filter）、精炼（Refine）四类组织，覆盖数学、代码、Text-to-SQL、RAG、知识提取等六大 SOTA 领域流水线。自动化与低门槛使用：通过 DataFlow-Agent 从自然语言指令自动生成、合成并验证可执行流水线，支持“检索–复用–合成”策略，大幅降低开发门槛。开放可扩展生态：以 Python 包形式支持用户贡献 DataFlow-Extensions，配合 CLI 脚手架工具，构建类似 PyTorch 的开源数据准备协议与社区生态。1. 全局存储DataFlow 的全局存储抽象以表格形式统一管理 LLM 数据（如指令、回复、元数据等），通过 read和 write两个核心操作解耦数据存储与算子逻辑。该设计使算子与底层存储实现无关，支持灵活重组、批量处理，并允许无缝切换或升级存储后端（如从本地文件到数据库）。近 200 个可复用算子，覆盖 生成、评估、过滤、精炼 四大功能；每个算子基于统一 run(storage)接口，通过 键绑定（key-based I/O）灵活适配任意数据格式；LLM 驱动算子通过统一 LLM Serving API调用本地（vLLM/SGLang）或云端（GPT/Gemini）模型。近 200 个可复用算子，覆盖 生成、评估、过滤、精炼 四大功能；每个算子基于统一 run(storage)接口，通过 键绑定（key-based I/O）灵活适配任意数据格式；LLM 驱动算子通过统一 LLM Serving API调用本地（vLLM/SGLang）或云端（GPT/Gemini）模型。DataFlow 围绕四个核心抽象构建了一套分层编程接口：（1）服务接口（Serving Interface）：提供统一的 generate_from_input调用入口，兼容本地推理引擎（如 vLLM）和在线 API（如 ChatGPT），自动处理批处理、重试、限速等后端细节，使算子无需关心具体 LLM 部署方式。（2）算子（Operators）：作为数据转换的基本单元，算子在初始化阶段配置参数和依赖（如 LLM 服务、提示模板），在执行阶段通过 input_* / output_*键名与全局存储交互，保证逻辑清晰、状态隔离、易于组合。DataFlow 定义了四类算子，每类具有明确语义和命名规范（基于表格化表示：每行是一个样本，每列是一个字段）：生成（Generate）：通过新增文本字段或生成新行来扩充数据。以 Generator结尾的算子为现有行添加字段；以 RowGenerator结尾的算子增加行数（如生成问答对的答案）。评估（Evaluate）：为样本或整个数据集计算分数或标签。SampleEvaluator为每行附加评估元数据；DatasetEvaluator输出数据集级指标（如为数学题分配难度、按主题分类问答对）。过滤（Filter）：基于现有字段或评估结果减少行数，不改变保留行的内容（如剔除答案错误的样本）。精炼（Refine）：在不改变样本数量的前提下修改特定字段（如移除文本中的 URL 或 emoji），通常以 Refiner为后缀。生成（Generate）：通过新增文本字段或生成新行来扩充数据。以 Generator结尾的算子为现有行添加字段；以 RowGenerator结尾的算子增加行数（如生成问答对的答案）。评估（Evaluate）：为样本或整个数据集计算分数或标签。SampleEvaluator为每行附加评估元数据；DatasetEvaluator输出数据集级指标（如为数学题分配难度、按主题分类问答对）。过滤（Filter）：基于现有字段或评估结果减少行数，不改变保留行的内容（如剔除答案错误的样本）。精炼（Refine）：在不改变样本数量的前提下修改特定字段（如移除文本中的 URL 或 emoji），通常以 Refiner为后缀。（3）提示模板（Prompt Templates）：封装可复用的提示结构，支持运行时动态填充输入字段和约束（如 JSON schema），允许同一算子通过切换模板适配不同任务或领域，提升开发效率与提示一致性。（4）流水线（Pipelines）：将多个算子按数据依赖组织为有序流程或轻量 DAG，支持 compile静态检查（如字段缺失、类型错误）和 forward延迟执行，便于调试、复用、恢复和优化大规模数据准备任务。3. DataFlow开源生态系统DataFlow 通过 DataFlow-Extension 机制支持可扩展的开源生态系统：用户可将自定义算子、提示模板和流水线打包为模块化扩展包，形成类似 Python 包生态的即插即用环境。为降低开发门槛，DataFlow 提供：CLI 工具：自动生成项目脚手架，简化扩展包创建与发布；智能 Agent：基于自然语言自动生成数据转换逻辑，辅助高质量扩展开发。CLI 工具：自动生成项目脚手架，简化扩展包创建与发布；智能 Agent：基于自然语言自动生成数据转换逻辑，辅助高质量扩展开发。拆解意图 → 检索/合成算子 → 组装 DAG → 沙箱验证 → 输出可执行 pipeline；实验结果：小数据，大收益DataFlow 构建了 多 个 SOTA 级领域流水线（数学、代码、Text-to-SQL、Agentic RAG、知识抽取、通用文本），在多个基准上全面超越现有方案：1 .文本数据准备预训练：DataFlow-30B 在6个通用基准上平均得分 35.69，优于 Random（35.26）、FineWeb-Edu（35.57）和 Qurating（35.02）。SFT：DataFlow过滤显著提升性能；合成的 DataFlow-SFT-15K 在数学平均得分 49.3，高于过滤后的 Alpaca（39.8）和 WizardLM（44.8）。对话合成：DataFlow-Chat-15K 将 AlpacaEval 从 7.05 提升至 10.11，超越 ShareGPT 和 UltraChat。对话合成：DataFlow-Chat-15K 将 AlpacaEval 从 7.05 提升至 10.11，超越 ShareGPT 和 UltraChat。2. 数学推理数据准备DataFlow-Reasoning-10K 微调 Qwen2.5-32B 后，在8个数学基准上平均得分 55.7，优于 Open-R1（54.2）和 Synthetic-1（54.0）。3. 代码数据准备7B模型：DataFlow-Code-10K 平均得分 46.2，优于 Code Alpaca-1K 和 SC2-Exec-Filter-1K。14B模型：DataFlow-Code-10K 平均得分 51.0，LiveCodeBench 从 21.9（Code Alpaca）提升至 33.2。4. Text-to-SQL 数据准备Qwen2.5-Coder-7B 在 DataFlow-Text2SQL-90K 上训练后：Spider-dev 执行准确率从 73.4 → 82.0（+8.6）BIRD-dev 从 50.9 → 59.2（+8.3）EHRSQL 从 24.3 → 56.1（+31.8）DataFlow-Text2SQL-50K 优于 SynSQL-50K；DataFlow-90K 性能接近 SynSQL-2.5M。Spider-dev 执行准确率从 73.4 → 82.0（+8.6）BIRD-dev 从 50.9 → 59.2（+8.3）EHRSQL 从 24.3 → 56.1（+31.8）5. AgenticRAG 数据准备在多跳问答 OOD（分布外）评估中，DF-AgenticRAG-10k：超过 HotpotQA-10k（37.4 vs. 36.4）超过 Musique-20k（43.6 vs. 42.4）在多个基准上达到或超越人工标注数据集的泛化能力。超过 HotpotQA-10k（37.4 vs. 36.4）超过 Musique-20k（43.6 vs. 42.4）6. 知识抽取（医学 QA）SFT 模型在 DataFlow-Knowledge 上训练后：PubMedQA 和 Covert 提升 15–20 个百分点PubHealth 提升 11 个百分点显著优于 Zero-shot CoT 和 RAG 基线。PubMedQA 和 Covert 提升 15–20 个百分点PubHealth 提升 11 个百分点7. 统一多领域数据准使用仅 10K 高质量合成样本（DataFlow-Instruct-10K）：表明：小规模、高质量、领域特化的合成数据可媲美大规模通用指令数据。数学：Qwen2.5-7B 得分 46.7，接近 Instruct 模型（49.8），远超 Inf-1M（33.3）代码：Code-Overall 达 78.6，接近 Instruct（80.6），优于 Inf-1M（78.0）通用知识（MMLU/C-Eval）：无性能下降，常仅次于 Instruct 模型表明：小规模、高质量、领域特化的合成数据可媲美大规模通用指令数据。数学：Qwen2.5-7B 得分 46.7，接近 Instruct 模型（49.8），远超 Inf-1M（33.3）代码：Code-Overall 达 78.6，接近 Instruct（80.6），优于 Inf-1M（78.0）表明：小规模、高质量、领域特化的合成数据可媲美大规模通用指令数据。表明：小规模、高质量、领域特化的合成数据可媲美大规模通用指令数据。8.智能代理编排（Agent Orchestration）在文本规范对齐（pipeline-level）评估中，LLM-Judge 平均得分 0.80；在代码实现一致性（code-level）评估中，平均得分 0.49；随任务描述模糊度增加（Easy → Hard），性能显著下降（Hard 级 code 得分仅 0.23）。核心结论： 数据质量 > 数据规模。精心设计的合成+精炼流程，可构建比人工数据更高效、更鲁棒的训练集。核心结论： 数据质量 > 数据规模。精心设计的合成+精炼流程，可构建比人工数据更高效、更鲁棒的训练集。DCAI 团队的开源项目返回搜狐，查看更多

丙酮酸（pyruvic acid PA）含量测定试剂盒 丙酮酸（pyruvic acid PA）含量测定试剂盒 微量法 100管/96样正式测定前务必取2-3个预期差异较大的样本做预测定测定意义：丙酮酸通过乙酰CoA连接葡萄糖、脂肪酸和氨基酸三大代谢，起着重要的枢纽作用。 测定原理：丙酮酸与2,4-二硝基苯肼作用，生成丙酮酸-2,4-二硝基苯腙，在碱性溶液中呈显色。需自备的仪器和用品：可见分光光度计/酶标仪、台式离心机、可调式移液器、微量石英比色皿/96孔板、研钵、冰、蒸馏水。试剂盒的组成基础试剂：通常为试剂 1（R1）、试剂 2（R2），部分试剂盒可能含试剂 3（R3）等，主要成分包括缓冲液、酶、底物、辅助因子等，需标注各组分的装量（mL / 瓶）或可测试数量。配套校准 / 质控组分（如适用）：校准品：含被测物标准品，搭配特定基质（如人血清、BSA 等），提供明确靶值，且定值需溯源至国际 / 国家标准品；质控品：含不同浓度（高 / 中 / 低）被测物，用于验证检测结果准确性，靶值范围为批特异；配套耗材（如适用）：如塑料滴管、封板膜等，标注具体数量。注：不同批号试剂盒的各组分不得混用；校准品、质控品的赋值仅适用于本批号试剂盒。展开全文测定步骤生化试剂盒的核心分类按检测原理和目标物类型，可分为以下几大类，覆盖多数实验场景：1. 代谢物检测试剂盒用于检测血糖、甘油三酯（TG）、胆固醇（TC）、尿酸、乳酸、丙酮酸等小分子代谢物，原理多为终点比色法 / 速率比色法。例如血糖试剂盒通过葡萄糖氧化酶（GOD）- 过氧化物酶（POD）偶联反应，生成有色物质，吸光度与葡萄糖浓度正相关。2. 酶活性检测试剂盒适用于 SOD、CAT、POD、LDH、ALT、AST 等酶活性测定，以速率法为主。通过监测酶促反应过程中底物或产物的吸光度变化速率，计算酶活性单位（U）。比如 SOD 试剂盒利用氮蓝四唑（NBT）光还原法，SOD 抑制 NBT 还原的程度与酶活性相关。3. 蛋白定量试剂盒包括 BCA、Bradford、Lowry 法试剂盒，其中微量 BCA 试剂盒适合样本量少的场景。BCA 法基于碱性条件下蛋白与 Cu²⁺结合，还原 BCA 试剂生成紫色复合物，在 562nm 处有特征吸收峰。4. 离子检测试剂盒用于检测钙、磷、钾、钠等无机离子，如钙试剂盒通过钙与偶氮砷 Ⅲ 结合生成有色络合物，进行比色定量。相关产品：返回搜狐，查看更多

新书推荐 | PyTorch计算机视觉与深度学习 PyTorch计算机视觉与深度学习提供源码、视频、课件、大纲、教案、期末试卷等资源，理实并重、案例丰富、实操性强作者：任毅龙 刘衍琦 陈敬龙 主编 代丰 贾泽豪 谢丹木 王乐宁 高超 董雪 副主编丛书名：大数据与人工智能技术丛书定价：59.90元印次：1-1出版日期：2025.05.01在人工智能蓬勃发展的今天，深度学习已成为推动技术变革的重要力量，尤其在计算机视觉领域，深度学习技术引领着一波又一波的创新浪潮。从图像分类到目标检测，从图像分割到风格迁移，深度学习让计算机具备了前所未有的视觉理解能力。而在众多深度学习框架中，PyTorch以其灵活性和易用性，成为广大研究者和开发者的首选工具。本书主要内容本书旨在为读者提供一条从基础到实战的学习路径，帮助读者深入理解计算机视觉中的核心概念和技术，掌握使用PyTorch构建和优化深度学习模型的实战技巧。本书内容结构清晰，案例丰富，既适合初学者入门，也适合有一定基础的读者进一步提升技能。全书共分为两部分，共12章。第1部分基础篇，主要介绍了深度学习理论知识，包括第1～4章。第1章人工智能基础，包括人工智能概述、计算机视觉基础、深度学习在实际中的应用； 第2章深度学习的基本原理，包括神经网络的实现方法、梯度与自动微分、参数优化与更新策略； 第3章卷积神经网络的基本构建，包括卷积层的多种操作、可变形卷积技术、反卷积与目标分割、池化层的多重特性、全连接层的作用与影响、数据标准化和正则化； 第4章PyTorch的基本应用，包括PyTorch简介与环境搭建、PyTorch基本语法与操作、PyTorch中的自动微分、模型的保存与加载、跨设备模型加载、权重的修改与调整。第2部分应用篇，主要列举了部分深度学习项目的实践案例，包括第5～12章。第6章目标检测技术与应用，包括应用背景、目标检测的候选框生成策略、神经网络在目标检测中的应用、主干神经网络的选择与应用、单阶段目标检测模型、双阶段目标检测模型； 第7章基于视觉大数据检索的图搜图应用，包括应用背景、视觉特征提取、视觉特征索引、视觉搜索引擎、集成应用开发； 第9章基于生成式对抗网络的图像生成应用，包括应用背景、生成式对抗网络模型、集成应用开发； 展开全文本书特色(1) 问题驱动，由浅入深。在解决实际问题的过程中，逐步深入探究深度学习和计算机视觉的核心概念和原理，帮助读者建立系统的知识体系。(2) 突出重点，强化理解。通过精选的重点内容和深入分析，帮助读者深刻理解关键技术，并在应用中加深对知识的掌握。(3) 注重理论，联系实际。以PyTorch为工具，结合典型案例对理论进行讲解和演示，提升读者的动手能力和实践经验。(4) 风格简洁，使用方便。本书采用简洁明快的风格，提供实用的代码示例和丰富的项目案例，便于读者理解和实践操作。配套资源为便于教与学，本书配有 微课视频、源代码、数据集、教学课件、教学大纲、教案、教学日历、教学进度表、案例素材、软件安装包、期末试卷及答案。 读者对象本书主要针对广泛的读者群体，面向从事图像处理、人工智能、深度学习、计算机视觉等领域的专业人士，深度学习学科专任教师，人工智能、图像处理等专业的高校在读学生及相关领域的研究人员。返回搜狐，查看更多

原创 暴躁司机 Grumpy Driver Switch NSP中文 《暴躁司机》Switch NSP 的游戏结构简单易懂，引人入胜。玩家完成各种任务来赚取星星，星星可以用来扩充自己的车库。任务类型均为经典的街机驾驶游戏，旨在考验玩家的不同技能。精准停车挑战需要玩家精细的操控和良好的空间意识。计时赛则迫使玩家熟悉地图布局，并在压力下熟练掌握车辆操控。送货任务则增添了目标导向的游戏玩法，要求玩家安全地将货物运送到城镇各处。这种多样性有助于保持游戏的新鲜感，避免驾驶核心玩法变得单调乏味。玩家可以从出租车、面包车和皮卡等日常代步工具开始，逐步解锁应急车辆、专业越野车和传奇超级跑车。每种车型都拥有不同的操控特性，鼓励玩家为特定任务选择合适的工具，或者仅仅享受驾驶新车的乐趣。游戏还为每辆车提供可解锁的皮肤，进一步丰富了自定义选项，让玩家能够展现个性。值得一提的是，游戏主角并非一成不变；他们的服装，尤其是面部表情，会根据屏幕上的动作动态变化，这与游戏略带傲娇的主题完美契合。寻找隐藏的收藏品，解锁独特的车辆皮肤，并发现散落在地图各处的秘密通道和跳跃坡道！《暴躁司机》的设定是其一大亮点。它提供了一个广阔多彩的开放世界，无缝衔接，玩家从一开始就可以自由探索。游戏环境经过精心设计，涵盖了阳光明媚的海滩、宁静祥和的农场、熙熙攘攘的市中心街道以及云雾缭绕的山峰。这种地理多样性确保了场景始终引人入胜，不同的区域可以呈现独特的任务类型或隐藏的秘密。开发者们致力于打造一个生机勃勃、互动性强的城市。游戏中遍布着功能齐全的交通信号灯和人工智能控制的司机，他们会鸣笛，并通过趣味十足的漫画式对话框展现丰富的表情。展开全文这套系统不仅仅是提供背景音效；它营造了一种灵动而略带混乱的鲜活环境。地图上散落着隐藏的收集品、秘密路径和跳台，鼓励玩家探索人迹罕至的路线，将任务间的旅行本身也变成了一种乐趣。整体画面明亮、欢快、卡通化，力求打造一种轻松诙谐而非写实或写实的氛围，是一款相对轻量级的游戏。游戏文件大小仅为 1.1 GB，下载方便，不会占用 Switch 主机或 microSD 卡的大量存储空间。每辆车都有其独特的魅力，你的英雄甚至会根据剧情变化更换服装和面部表情！该游戏完全支持所有Switch标准游戏模式：电视模式、桌面模式和掌机模式。这种灵活性对于一个以混合特性为核心的平台至关重要，它让玩家能够轻松地在大屏幕上畅玩开放世界，或在通勤途中尽情体验。虽然官方资料中并未提供分辨率和帧率的具体信息，但游戏色彩鲜艳、漫画风格的艺术设计与Switch的硬件性能非常契合。这类风格通常更注重清晰醒目的画面和稳定的性能，而非追求照片级的细节，从而带来流畅的游戏体验。与其他赛车游戏相比，这种风格更显独特。例如，一款名为《Bumpy Grumpy》的PC游戏，虽然名字相似，但玩法截然不同。该游戏的预览将其描述为纯粹的街机式高分挑战体验。这款游戏专注于线性通勤、生命值系统、险些撞车得分，以及诸如流星锤和雪犁之类的道具，玩家可以利用这些道具将其他车辆撞出路面。它是一款节奏紧凑、疯狂的追分游戏，而非线性竞速或残酷的通勤模拟器。相反，它是一个轻松的开放世界游乐场。游戏的重点不在于生存或摧毁障碍物，而在于探索、收集以及以玩家自己的节奏完成各种目标。其交通系统旨在提供沉浸感和轻度互动，而非构成需要玩家小心避开的致命障碍。无论你是精准停车、与时间赛跑，还是安全地将货物运送到城市各处，每一项任务都是一次新的冒险。《暴躁司机》（Grumpy Driver）是一款休闲探索型驾驶游戏，旨在提供一个轻松舒缓压力的沙盒体验，而非令人肾上腺素飙升的挑战。它是一款专注于驾驶乐趣和探索发现的游戏。这款游戏似乎专为特定受众量身打造。其ESRB评级为“所有人”（E），画面明亮且无暴力元素，使其成为年轻玩家或家庭的绝佳选择。简单的任务目标和循序渐进、奖励丰厚的车辆及皮肤解锁系统，为玩家提供了清晰的目标和持续的成就感。对于那些寻求轻松愉悦的驾驶游戏来放松身心的成年人来说，这款游戏也极具吸引力，尤其是那些怀念早期以目标为导向的驾驶游戏的玩家。一个脾气暴躁的家伙，丢了所有重要的文件，却急着去上班。然而，挡在你路上的却是无比漫长的通勤路、魔鬼本人，以及一大群奇葩的通勤者，包括蛇形蚂蚁、成群的鹅、圣代冰淇淋和各种各样有趣的动物。你的生命值有限，撞到其他司机就会失去一条命。闯红灯更容易发生这种情况（下一个路口的红绿灯状态会有一个很酷的悬浮指示器）。不过，你还是想尽可能快地行驶，因为这样才能获得高分。当然，这并不是获得高分的唯一方法。事实上，《Bumpy Grumpy》这款游戏借鉴了“险些撞到”的得分机制。转载https://sky.sfcrom.com/2026/01/179217返回搜狐，查看更多

苏州朗科生物申请帕立骨化醇异构体杂质 PY5 制备方法专利，保障生产高质量帕立骨化醇原料药和制剂 本文源自:金融界金融界 2025 年 7 月 1 日消息，国家知识产权局信息显示，苏州朗科生物技术股份有限公司申请一项名为“一种帕立骨化醇异构体杂质 PY5 的制备方法”的专利，公开号 CN120230023A，申请日期为 2023 年 12 月。专利摘要显示，本发明公开了一种帕立骨化醇异构体杂质 PY5 的制备方法。以维生素 D2 作为起始物料，经臭氧化，缩醛化，异构化，Wittig‑Horner 反应，脱保护，Wittig‑Horner 反应，脱保护，重结晶等步骤获得高纯度的帕立骨化醇异构体杂质 PY5，该杂质可以作为帕立骨化醇成品检测的杂质对照品，对帕立骨化醇成品中的有关物质进行准确的定位和分析，有利于加强对杂质的控制，进而保障生产出高质量的帕立骨化醇原料药和制剂。天眼查资料显示，苏州朗科生物技术股份有限公司，成立于2010年，位于苏州市，是一家以从事研究和试验发展为主的企业。企业注册资本300万人民币。通过天眼查大数据分析，苏州朗科生物技术股份有限公司共对外投资了5家企业，参与招投标项目17次，财产线索方面有商标信息11条，专利信息47条，此外企业还拥有行政许可37个。