摘要与改写 02 01 03 文本生成 自然语言理解与分析 知识推理 知识推理 逻辑问题解答（数学、常识推 理） 因果分析（事件关联性） 语义分析 语义解析 情感分析（评论、反馈） 意图识别（客服对话、用户查询） 实体提取（人名、地点、事件） 文本分类 文本分类 主题标签生成（如新闻分类） 垃圾内容检测 编程与代码相关 代码调试 • 错 误 分 析 与 修 决方案 伦理问题 作为受控工具，几乎没有伦理问题 引发自主性和控制问题的伦理讨论 CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。 前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合 适的模型，实现最佳效果。 提示语策略差异 1 2 推理模型 通用模型 • 提示语更简洁，只需明确任务目标和 需求（因其已内化推理逻辑）。 提示语元素协同效应理论的核心观点包括： ▪ 互补增强：某些元素组合可以互相弥补不足，产生1+1>2的效果。 ▪ 级联激活：一个元素的激活可能引发一系列相关元素的连锁反应，形成 一个自我强化的正反馈循环。 ▪ 冲突调和：看似矛盾的元素组合可能产生意想不到的积极效果。 ▪ 涌现属性：某些元素组合可能产生单个元素所不具备的新特性。 目标 主要元素组合 次要元素组合 组合效果 提高输出准确性

摘要与改写 02 01 03 文本生成 自然语言理解与分析 知识推理 知识推理 逻辑问题解答（数学、常识推 理） 因果分析（事件关联性） 语义分析 语义解析 情感分析（评论、反馈） 意图识别（客服对话、用户查询） 实体提取（人名、地点、事件） 文本分类 文本分类 主题标签生成（如新闻分类） 垃圾内容检测 编程与代码相关 代码调试 • 错 误 分 析 与 修 决方案 伦理问题 作为受控工具，几乎没有伦理问题 引发自主性和控制问题的伦理讨论 CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。 前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合 适的模型，实现最佳效果。 提示语策略差异 1 2 推理模型 通用模型 • 提示语更简洁，只需明确任务目标和 需求（因其已内化推理逻辑）。 提示语元素协同效应理论的核心观点包括： ▪ 互补增强：某些元素组合可以互相弥补不足，产生1+1>2的效果。 ▪ 级联激活：一个元素的激活可能引发一系列相关元素的连锁反应，形成 一个自我强化的正反馈循环。 ▪ 冲突调和：看似矛盾的元素组合可能产生意想不到的积极效果。 ▪ 涌现属性：某些元素组合可能产生单个元素所不具备的新特性。 目标 主要元素组合 次要元素组合 组合效果 提高输出准确性

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 目 目录 录 第 第 1 章 章 对红 对红帽文档提供反 帽文档提供反馈 馈 第 第 2 章 章 卸 卸载 载 OPENSHIFT DATA SCIENCE SELF-MANAGED 第 第 3 章 章 其他 其他资 资源 源 3 4 6 目 目录 录 1 Self-managed 2 第 1 章 对红帽文档提供反馈 让红帽知道我们如何改进文档。您可以按照以下步骤直接从文档页面中提供反馈。 1. 确保您已登录到客户门户网站。 2. 确保您正在查看本文档的 Multi-page HTML 格式。 3. 突出显示您要提供反馈的文本。此时会出现添加反 添加反馈 馈 提示。 4. 点添加反 添加反馈 馈。 5. 在反 反馈 馈文本框中输入您的意见，然后点提交 提交。 阻塞者可能会让您提供有关红帽文档的反馈。如果您使用启用了 ad blocker 并无 法提供反馈的 Web 浏览器，请考虑禁用您的 ad blocker。有关如何禁用您的 ad blocker 的 更多信息，请参阅您的网页浏览器文档。 每次提交反馈时，红帽都会自动创建跟踪问题。在点 Submit 并开始监控问题后，打开链接，或添加更多 评论以向我们提供有关该问题的更多信息。 感谢您抽出时间为您提供反馈。 第 第 1

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 目 目录 录 第 第 1 章 章 对红 对红帽文档提供反 帽文档提供反馈 馈 第 第 2 章 章 升 升级 级 OPENSHIFT DATA SCIENCE SELF-MANAGED 概述 概述 第 第 3 章 章 为 为 OPENSHIFT DATA SCIENCE 对红帽文档提供反馈 让红帽知道我们如何改进文档。您可以按照以下步骤直接从文档页面中提供反馈。 1. 确保您已登录到客户门户网站。 2. 确保您正在查看本文档的 Multi-page HTML 格式。 3. 突出显示您要提供反馈的文本。此时会出现添加反 添加反馈 馈 提示。 4. 点添加反 添加反馈 馈。 5. 在反 反馈 馈文本框中输入您的意见，然后点提交 提交。 每次提交反馈时，红帽都会自动创建跟踪问题。在点 每次提交反馈时，红帽都会自动创建跟踪问题。在点 Submit 并开始监控问题后，打开链接，或添加更多 评论以向我们提供有关该问题的更多信息。 感谢您抽出时间为您提供反馈。 第 第 1 章 章 对红 对红帽文档提供反 帽文档提供反馈 馈 3 第 2 章 升级 OPENSHIFT DATA SCIENCE SELF-MANAGED 概述 作为集群管理员，您可以将 Red Hat OpenShift Data Science

将社区验证成熟的特性逐步回合到发行版中。这些新特性以单个开源项目的方式存在于社区，方便开发者获得源代码，也 方便其他开源社区使用。 社区中的最新技术成果持续合入社区发行版，社区发行版通过用户反馈反哺技术，激发社区创新活力，从而不断孵化 新技术。发行版平台和技术孵化器互相促进、互相推动、牵引版本持续演进。 openEuler 已支持 X86、ARM、SW64、RISC-V、LoongArch 电力 其他上游社区 坚持 Upstream First openEuler 开源社区 二次发行 直接使用 构建规范 社区开发 平台 版本发布 配套工具 发布 SLA 运维平台 客户反馈 缺陷跟踪平台 芯片生态 构建平台 代码、版本管理、工具管理平台 发布规范 06 openEuler 22.03 LTS SP2 技术白皮书 平台架构 openEuler 社区当前 GCC 10.3 版本开发，支持自动反馈优化、软硬件协同、内存优化、SVE 向量化、矢量化数学库等特性。 • 充分使能ARM架构的硬件特性，运行效率更高，在 SPEC CPU 2017 等基准测试中性能大幅优于上游社区的 GCC 10.3 版本。 • 支持 mcmodel=medium、fp-model、四精度浮点、矢量化数学库等功能。 • 支持自动反馈优化特性，实现应用层 MySQL 数据库等场景性能大幅提升。

3
CPU
负载反馈因⼦
当
CPU
负载超过了设置的阈值时，我们期望
CPU
越⾼，对请求的拒绝⽐例越⾼，否则
CPU
依然有可 能越来越靠近
100%。
反馈因⼦计算公式如下： 反馈因⼦的效果类似于神经⽹络中的
ReLU
激活函数。其中
0.1（兜底的经验值）是⽤来保证不管负载 多⾼，⾄少放过估算出来的系统容量的
10%
的请求，否则整个服务就完全不可⽤了。CPU
负载反馈因 ⼦随着
CPU
负载的变化如下图：
对⽐有⽆
CPU
反馈因⼦的情况：
• 加了反馈因⼦后能接受更多请求，从不到
3000qps
上升到了
5000qps
左右，上图是拒绝的请求
• 成功处理的请求数有略微下降，因为进来的请求变多了，拒绝请求消耗了少量资源 • 加了反馈因⼦
P99
时延从
900ms
左右，降低到
700ms
左右
• 加了反馈因⼦
P90
从
250ms
降到了
50ms
由此可⻅，CPU
负载反馈因⼦的作⽤还是很明显的。
和
minRT（最⼩处理时间），不同于
BBR
的不能同时探测，我们是可以同时探测的，所以我们不需 要有复杂的状态机，只需要通过滑动窗⼝来记录过去⼀段周期内的请求状况即可。 • CPU
负载反馈因⼦。类似于神经⽹络中的激活函数，基于
CPU
负载对系统容量做调节。
• 过载保护冷却时间。⽤于避免过载保护在
CPU
临界值周边来回启停，有利于⼤流量下的请求抑制 效果。 • 跟
HPA

础研发平台数据科学与平台部和视觉智 能部。 算法 < 37 7 次 KDD Cup&Kaggle 冠军的经验分享： 从多领域优化到 AutoML 框架 作者：胡可 1. 背景与简介 反馈快速、竞争激烈的算法比赛是算法从业者提升技术水平的重要方式。从若干行业 核心问题中抽象出的算法比赛题目具有很强的实际意义，而比赛的实时积分榜促使参加 者不断改进，以试图超越当前的最佳实践，而且获胜方案对于工业界与学术界也有很强 解决方案。该方案需要基于图的给定特征、邻域和结构信息，高效地学习每个结点的 高质量表示。比赛数据从真实业务中收集，包含社交网络、论文网络、知识图谱等多 种领域共 15 个，其中 5 个数据集可供下载，5 个反馈数据集评估方案在公共排行榜 的得分，剩余 5 个数据集在最后一次提交中评估最终排名。 算法 < 49 图 9 AutoGraph 图数据集概览 每个数据集给予了图结点 id 和结点特征，图边和边权信息，以及该数据集的时间预 单场景短期 Session 建模到多场景用户长期行为兴趣建模，在多个方向上都做出了详尽的探索。序列建模 能够在用户历史行为中，充分发掘用户的兴趣偏好，但是由于用户行为序列本身是 “有偏采样”的反馈：不同用户所处的地理位置、商家供给情况、使用频次等方面存 在着较大差异；且高低频用户的点击行为分布差异明显，呈现出高频用户行为丰富聚 集、低频用户行为稀疏的特点。 对于高频用户，可能会导致兴趣

多语言翻译与本地化 l 结构化生成 表格 、列表生成（如日程安排 、 菜谱） 代码注释 、文档撰写 文本生成 文本生成 03 02 01 语义分析 • 语义解析 • 情感分析(评论、反馈) • 意图识别(客服对话、用户查 询) • 实体提取(人名、地点、事件) 知识推理 • 知识推理 • 逻辑问题解答(数学、常识 推 理 ) • 因果分析(事件关联性) 自然语言理解与分析 的决策。 成本更低： 减少了对培训资源的依赖，新员工可以通过DeepSeek 自主学习，降低培训成本。通过提高工作效率，减少了 人力资源的浪费，降低了整体运营成本。 场景3：日常客户沟通与问题反馈处理 常见问题： 与甲方客户的沟通效率低，信息不对称，导致响应不及时或错误 场景：在日常与甲方客户的沟通中，客户服务人员或项目经理经常需要快速响应客户的各种问 题，例如： • 我们公司的最新促销活动是什么？ 减少错误： 自动化回答和信息整合功能，减少了人工错误的可能性。 提升客户满意度： 通过快速、准确的响应，客户会感受到你的专业性和效率，从而提升对你的信任和满意度。 场景3：日常客户沟通与问题反馈处理 场景4：项目中急需请假 如何开口 场景：你负责的项目正处于关键阶段（如产品上线前一周），团队每天加班。此时，家中老人突发中风住院， 你需要请假3天回老家处理。你担心领导认为你“临阵脱逃”

以及其他社区的最新技术成果， 将社区验证成熟的特性逐步回合到发行版中。这些新特性以单个开源项目的方式存在于社区，方便开发者获得源代码，也 方便其他开源社区使用。 社区中的最新技术成果持续合入发行版，发行版通过用户反馈反哺技术，激发社区创新活力，从而不断孵化新技术。 发行版平台和技术孵化器互相促进、互相推动、牵引版本持续演进。 openEuler 已支持 X86、ARM、SW64、RISC-V、LoongArch 电力 其他上游社区 坚持 Upstream First openEuler 开源社区 二次发行 直接使用 构建规范 社区开发 平台 版本发布 配套工具 发布 SLA 运维平台 客户反馈 缺陷跟踪平台 芯片生态 构建平台 代码、版本管理、工具管理平台 发布规范 平台架构 06 openEuler 23.09 技术白皮书 openEuler 社区当前已与多个设备厂商建立丰富的南向生态，Intel、AMD 18 openEuler 23.09 技术白皮书 GCC for openEuler GCC for openEuler 基线版本已经从 GCC 10.3 升级到 GCC 12.3 版本，支持自动反馈优化、软硬件协同、内存优化、 SVE 向量化、矢量化数学库等特性。 1. GCC 版本升级到 12.3，默认语言标准从 C14/C++14 升级到 C17/C++17 标准，支持 Armv9-a

的⽅式解决。 超级应⽤：模型的微调可能最终不存在
海外独⻆兽：Google
和抖⾳背后的搜索和推荐有很强的⻜轮效应，算法能根据⽤⼾的⾏为实时反 馈，⽤⼾体验也能不断提升。LLM
现在⽆法实时反馈⽤⼾⾏为，AI-Native
产品的⻜轮效应会是什 么？ 杨植麟：我深⼊思考过这个问题。AI-Native
产品最终的核⼼价值是个性化交互，这是以前技术实现得 不好的，所以这个问题其实是关于个 越强时，所有东西只需要放在内存⾥就可以。⽐如你的⼤模型内存有⼀堆
prefix
这样的东西⽤来
follow，成本可以降到⾮常低。最终，你对模型个性化的过程实际上就是你所有的交互历史，也是⼀ 个包含了你的偏好和反馈的集合，这些反馈会⽐上个时代的产品更直接，因为它是完全通过对话界⾯ 产⽣的。 基于这个判断，进⼀步就会想：如何在技术层⾯实现基于
long-context
的定制化去完全取代微调？
我认为现在正在往 的 短期技术关注。⽐如，“⻓上下⽂”技术的价值，可能很难第⼀时间让⽤⼾感知到。但通过Kimi智能 助⼿，就可以直接触达⽤⼾。我们希望让技术成为⽤⼾⽇常⽣活中⼀旦接触就不可或缺的助⼿，以真 实的反馈做来迭代模型，尽早地创造实际价值。 36氪：ChatGPT出来之后，这半年你的⼼情是怎么样的？
杨植麟：这⼀年来，我是百感交集。如果是什么可控核聚变的突破，那其实跟我也没什么关系，但这 个事