清华大学 DeepSeek 从入门到精通
慢速思考,算力成本高 运算原理 基于概率预测,通过大量数据训练来快速预测可能 的答案 基于链式思维(Chain-of-Thought),逐步推理 问题的每个步骤来得到答案 决策能力 依赖预设算法和规则进行决策 能够自主分析情况,实时做出决策 创造力 限于模式识别和优化,缺乏真正的创新能力 能够生成新的创意和解决方案,具备创新能力 人机互动能力 按照预设脚本响应,较难理解人类情感和意图 更自然地与人互动,理解复杂情感和意图 果)。 从“下达指令”到“表达需求” 策略类型 定义与目标 适用场景 示例(推理模型适用) 优势与风险 指令驱动 直接给出明确步骤或 格式要求 简单任务、需快速执行 “用Python编写快速排序函 数,输出需包含注释。” ✅ 结果精准高效 ❌ 限制模型自主优化空 间 需求导向 描述问题背景与目标, 由模型规划解决路径 复杂问题、需模型自主 推理 “我需要优化用户登录流程, 兼顾目标与细节 ❌ 需避免过度约束 启发式提问 通过提问引导模型主 动思考(如“为什 么”“如何”) 探索性问题、需模型解 释逻辑 “为什么选择梯度下降法解 决此优化问题?请对比其他 算法。” ✅ 触发模型自解释能力 ❌ 可能偏离核心目标 任务需求与提示语策略 任务类型 适用模型 提示语侧重点 示例(有效提示) 需避免的提示策略 数学证明 推理模型 直接提问,无需分步引导0 码力 | 103 页 | 5.40 MB | 8 月前3RocketMQ v3.2.4 开发指南
规范中描述的优兇级是挃在一个消息队列中,每条消息都有丌同的优兇级,一般用整数来描述,优兇级高的消 息兇投递,如果消息完全在一个内存队列中,那举在投递前可以挄照优兇级排序,令优兇级高的兇投递。 由亍 RocketMQ 所有消息都是持丽化的,所以如果挄照优兇级来排序,开销会非常大,因此 RocketMQ 没有特 意支持消息优兇级,但是可以通过发通的方式实现类似功能,即单独配置一个优兇级高的队列,和一个普通优兇级 定时消息是挃消息収到 Broker 后,丌能立刻被 Consumer 消费,要到特定的时间点戒者等待特定的时间后才能 被消费。 如果要支持任意的时间精度,在 Broker 局面,必须要做消息排序,如果再涉及到持丽化,那举消息排序要丌 可避免的产生巨大性能开销。 RocketMQ 支持定时消息,但是丌支持任意时间精度,支持特定的 level,例如定时 5s,10s,1m 等。 4.15 消息重试 50ms,而 Ext3 文件系统耗时约 1s 左史,丏删除文件时,磁盘 IO 压力极大,会导致 IO 写入超时。 文件系统局面需要做以下调优措施 文件系统 IO 调度算法需要调整为 deadline,因为 deadline 算法在随机读情冴下,可以合幵读请求为顺序跳跃 方式,从而提高读 IO 吞吏量。 Ext4 文件系统有以下 Bug,请注意 http://blog.donghao.o0 码力 | 52 页 | 1.61 MB | 1 年前3清华大学 DeepSeek+DeepResearch 让科研像聊天一样简单
、质量评估或产品验证的最终依据。 文本数据集成 1、分别阅读约7000token和15000token的文 本内容,测试模型对中、长文本处理效果 2、整理集成可视化的数据表格 3、按照日期规范排序 任务 Open AI o3mini 一般文本(7000token): 能够高效提取文本中的数据, 并整理成可视化数据表格, 格式工整、简洁,数据准确 但数据维度有所缺失。 长文本(15000token): 提示词集。 三 效果如何? 元知AI综述工具 元知是国内由清华、北航专家团队研发的一个AI学术平台,目前其AI综述生成工具已开放使用,能够帮助用户从海 量文献中提取核心信息,通过自然语言处理算法,实现从文献梳理到观点提取到研究评论的一键式全自动生成。 产品 概况 功能亮点 功能亮点 多版本与模块化支持:目前提供三个版本(基础版、增 强版、专业版),能够灵活应对不同用户的综述需求。 层层递进。语言中多使用中 性描述,客观呈现研究进展 与问题 语言逻辑严谨,条理清晰,各部分 之间逻辑关系明确。在历史背景和 当前趋势部分,按照时间顺序和技 术创新进行分类,逻辑性强 内容结构 通过逻辑排序、层次化分段 和观点与事实的清晰区分, 确保生成的内容符合学术写 作标准。内容结构完整,包 括研究现状、简要评述和主 要参考文献等板块。同时, 研究现状部分围绕研究主题 进一步细分为多个研究层次,0 码力 | 85 页 | 8.31 MB | 7 月前3消息中间件RocketMQ原理解析 - 斩秋
的所有消费端(有心跳向所有 broker 注册客户端信息) 选择队列分配策略实例 AllocateMessageQueueStrategy 执行分配算法,获取队列集合 SetmqSet 1) 平均分配算法,其实是类似于分页的算法 将所有 queue 排好序类似于记录 将所有消费端 consumer 排好序,相当于页数 然后获取当前 consumer 所在页面应该分配到的 也就是说在 consumer 启动的时候指定了 queue 3) 按照机房来配置队列 Consumer 启动的时候会指定在哪些机房的消息 获取指定机房的 queue 然后在执行如 1)平均算法 根据分配队列的结果更新 ProccessQueueTable 1) 比对 mqSet 将多余的队列删除, 当 broker 当机或者添加,会导致分配到 msgTreeMap 重新消费 commit: 将临时表 msgTreeMapTemp 数据清空,代表消费完成,放回最大偏移 值 (3) 这里是个 TreeMap,对 key 即消息的 offset 进行排序,这个样可以使得消息进 行顺序消费 三: 长轮询 Rocketmq 的消息是由 consumer 端主动到 broker 拉取的 0 码力 | 57 页 | 2.39 MB | 1 年前3Ubuntu 桌面培训 2010
网页浏览器,在书签菜单中单击将此页加为书签。 图 III.14 将 此 页 加 为 书 签 2. 弹出书签对话框。选择保存新书签的位置,给它添加标签。 3. 然后单击完成来保存书签。 要给书签排序或创建新文件夹,在书签菜单中选择管理书签打开我的足迹对话框。 图 III.15 管 理 书 签 72 使用 Feed 阅读器 目录 Lucid Lynx 图 III.16 我 的 足 迹 III 在重设完图片的尺寸后,您需要将图片放到文档中的合适位置。要调整和对齐图 片,可以使用框架工具栏中的工具。这个工具栏会在您首次选中一幅图片的时候出 现在标准工具栏的下方。另一种办法是,您可以右键单击图片,然后在快捷菜单中 选择例如排序,对齐或者锁定等选项。 140 使用 OpenOffice.org 文字处理 目录 Lucid Lynx 图 IV.18 放 置 插 入 的 图 片 5. 在选定了合适的图片选项后,您也许会看到类似于下面这张截图的情形。 提供了一种方法,可以在不影响对象层次的情况下 对对象进行排序。 1. 在绘图区域中,右键单击需要重新排序的对象,指向排序,从排序菜单中选择适当 的选项。 使用 OpenOffice 应用程序 197 Ubuntu 桌面培训 目录 图 IV.77 重 新 排 列 对 象 2. 如果您选择了置于底层选项,结果如下图所示。 图 IV.78 将对象置于底层 教员注记: 如果时间允许,让学生们探索排序菜单的其他选项,解释每个选项的适用环境。尤0 码力 | 540 页 | 26.26 MB | 1 年前3谈谈MYSQL那点事
不打开 ) 128M 查询缓存区的最大长度,按照当前需求,一 倍一倍增加,本选项比较重要 sort_buffer_size 512K 128M 每个线程的排序缓存大小,一般按照内存可 以设置为 2M 以上,推荐是 16M ,该选项对 排序 order by , group by 起作用 record_buffer 128K 64M 每个进行一个顺序扫描的线程为其扫描的每 张表分配这个大小的一个缓冲区,可以设置0 码力 | 38 页 | 2.04 MB | 1 年前3MySQL 8.0.17 调优指南(openEuler 20.09)
是开放源码这一特点,一般中小型网站的开发都选择 MySQL作为网站数据库。 1.2 调优原则 性能调优从大的方面来说,在系统设计之初,需要考虑硬件的选择,操作系统的选 择,基础软件的选择;从小的方面来说,包括每个子系统的设计,算法选择,如何使 用编译器的选项,如何发挥硬件最大的性能等等。 在性能优化时,我们必须遵循一定的原则,否则,有可能得不到正确的调优结果。主 要有以下几个方面: ● 对性能进行分析时,要多方面分析系统的资源瓶颈所在,因为系统某一方面性能 I/O,Network I/O,如果是某个硬件指标有问题,需要深入的进行分析。 4. 如果硬件指标都没有问题,需要查看数据库相关指标,例如:等待事件、内存命 中率等。 5. 如果以上指标都正常,应用程序的算法、缓冲、缓存、同步或异步可能有问题, 需要具体深入的分析。 瓶颈点 说明 硬件/规格 一般指的是CPU、内存、磁盘I/O方面的问题,分为服务器硬件瓶 颈、网络瓶颈(对局域网可以不考虑)。 操作系统0 码力 | 11 页 | 223.31 KB | 1 年前3强大的音视频处理工具: FFmpeg
yunv420p 需要保证⻓宽为偶数,这⾥同时使⽤ 了 scale=420:-2 wiki中解释: QuickTime Player 对 H.264 视频只⽀持 YUV ⾊域 4:2:0 ⽅式的⼆次插值算法 gif转其他视频格式 ffmpeg -f gif -i animation.gif animation.mpeg ffmpeg -f gif -i animation.gif animation0 码力 | 73 页 | 11.57 MB | 1 年前3JavaScript 正则表达式迷你书 老姚 - v1.1
一步或若干步,从 另一种可能“状态”出发,继续搜索,直到所有的“路径”(状态)都试探过。这种不断“前进”、 不断“回溯”寻找解的方法,就称作“回溯法”。 — 百度百科 本质上就是深度优先搜索算法。其中退到之前的某一步这一过程,我们称为“回溯”。从上面的描述过程中 ,可以看出,路走不通时,就会发生“回溯”。即,尝试匹配失败时,接下来的一步通常就是回溯。 道理,我们是懂了。那么 JavaScript0 码力 | 89 页 | 3.42 MB | 10 月前3JavaScript 正则表达式迷你书 老姚 - v1.0
一步或若干步,从 另一种可能“状态”出发,继续搜索,直到所有的“路径”(状态)都试探过。这种不断“前进”、 不断“回溯”寻找解的方法,就称作“回溯法”。 — 百度百科 本质上就是深度优先搜索算法。其中退到之前的某一步这一过程,我们称为“回溯”。从上面的描述过程中 ,可以看出,路走不通时,就会发生“回溯”。即,尝试匹配失败时,接下来的一步通常就是回溯。 道理,我们是懂了。那么 JavaScript0 码力 | 89 页 | 3.42 MB | 10 月前3
共 10 条
- 1