【收藏必备】算法工程师的速成指南:从零开始学大模型微调

强化学习和微调 区别如下 强化学习****:是一种机器学习范式,强调智能体(agent)如何在环境中采取一系列行动,以最大化累积奖励**。智能体通过与环境进行交互,根据环境反馈的奖励信号来学习最优的行为策略。例如,机器人通过不断尝试不同的动作来学习如何在复杂环境中导航,以达到目标位置并获得奖励。 - **微调**:通常是指在预训练模型的基础上,使用少量的特定任务数据对模型进行进一步的训练,以适应特定的应用场景或任务。预训练模型已经在大规模的通用数据上学习到了一些通用的特征和模式,微调则是针对具体任务对这些特征进行优化和调整。 阅读详情

OpenAI 在直播中,提到了两个新的概念 :

①强化学习微调(Reinforcement Fine-Tuning): 仅需少量高质量数据(数十到数千个),模型即可通过强化学习处理复杂任务。

②偏好微调 (Preference Fine-Tuning, PFT) : 采用直接偏好优化 (例如Direct Preference Optimization, DPO) 算法,通过比较不同的模型输出,让 AI 能够学习并区分 “更好” 的回复,从而在语气、风格、创造性等主观性任务上表现更出色。

在解释这些概念之前,让我们先理解一下:

一、微调(Fine-tuning):


(1)什么是微调?

我们可以将现在使用的大语言模型想象成一座巨大的图书馆,蕴藏着海量知识。

之前大家所熟知的是,提示词工程(Prompt Engineering):在提示词中加入指令,有时也会加入一些示例(few shots)。这种通过演示引导模型完成任务的方法,被称为“少样本学习”(few-shot learning)。

微调,则是在“少样本学习”基础上的进一步提升。具体而言,我们会使用特定领域的数据来训练模型,从而使其在特定领域上表现得更加出色。换言之,微调是对模型进行针对性的“特训”,使其更好地适应特定场景。

与直接使用提示词相比,微调具有以下优势:

  • (在目标领域) 效果更佳: 微调后的模型能输出更高质量的结果。
  • 训练数据更多: 如果采用 few-shots 的方法,因为模型的上下文窗口限制,无法放下太多的数据,而且有很多相关研究发现模型在超长 context length 下的表现可能不如短上下文。同时,微调可以使用的数据量是不受限制的。
  • 更省 Token: 微调后,提示词可以更短,从而节省 token。
  • 回复 速度更快: 更短的提示词意味着更快的回复速度(主要是减少 prefill 时间)。

(2)什么时候该用微调?

微调能让模型在特定应用场景中表现更出色,但需要投入更多时间和精力,还有训歪的风险。因此我们还是应该首先尝试:提示词工程(Prompt Engineering),或者用 prompt 组成一些复杂的工作流。另外函数调用(Function Calling)可能也是一个选项,但效果可能不会太好。

一般来说,以下情况下,可以考虑使用微调:

  • 提示词效果不理想: 即使反复调整提示词,模型仍然无法很好地完成任务。
  • 需要大量训练数据: 如果有大量特定领域的训练数据,而提示词无法容纳,则微调是更佳选择。
  • 需要更快响应和更少 Token: 微调可以帮助缩短提示词,从而提高回复速度并减少 token 消耗。

二、强化学习微调(Reinforcement Fine-Tuning):


强化学习微调只需要少量(数十至数千个)高质量数据,就能使模型通过强化学习处理目标领域的复杂任务。

它的目标是训练模型学会推理过程,而不仅仅是记住答案,从而提高模型的泛化能力和专业水平。

  • 少量高质量数据驱动: RFT 的核心优势在于仅需少量高质量数据即可显著提升模型性能,比 SFT 的数据效率要高。
  • 强化学习算法: RFT 采用强化学习算法,通过对模型输出的答案进行评分,并强化正确的推理路径,引导模型的学习。
  • 提升推理能力: RFT 不仅仅是让模型模仿输入,而是训练模型如何在特定领域进行推理,这使得模型在解决相似问题时,能够更加灵活和准确。它是在训练模型学习如何思考,而不仅仅是记住答案。
  • 适用于专业领域: RFT 特别适合于需要专业知识的领域,如法律、金融、工程、保险等,这些领域通常有明确的正确答案,并且需要复杂的推理过程。
  • 与 SFT 的区别: 与传统的监督式微调(SFT)不同,RFT 更侧重于训练模型的推理能力,而不是简单地记忆训练数据。 RFT 可以被看作是对 SFT 的一种补充和改进,它将强化学习的优势融入到了模型微调的过程中。

总结来说:RFT 不仅仅是简单的微调,更是一种训练模型思考和推理的方法。 可以将其视为一个“特训班”,通过少量高质量案例和强化学习,让模型成为特定领域的专家,而不仅仅是“复读机”。

(这里可以参考 24 年初的一篇论文:REFT: Reasoning with REinforced Fine-Tuning)

SFT和ReFT在CoT替代方案存在时的比较:

三、偏好微调 (Preference Fine-Tuning, PFT) :


PFT 算是一个一直有的概念,openai 这次又提了一次。常说的 RLHF,DPO(Direct Preference Optimization 直接偏好优化)都属于偏好微调,通过比较不同的模型输出,让 AI 学习并区分哪些是“更好”的回复,从而在语气、风格、创造性等任务上表现更符合人的偏好。OpenAI 在blog 中已经把 PFT等价与 DPO 了,以下我们也聚焦在 DPO 上

  • 成对比较学习: PFT 的核心机制是通过比较模型输出的一对回复,让模型学习并区分哪个是更优选的。
  • 直接偏好优化 (DPO) 算法: 通过比较成对的回复,直接优化模型以偏向更优选的输出。 避免了复杂的奖励模型训练。
  • 训练数据来源多样: PFT 的训练数据可以是人工标注、A/B 测试或合成数据生成的成对回复。
  • 适用于主观任务: PFT 特别适用于那些 “更好” 的回复具有主观性的任务,例如:
  • 创意写作
  • 内容摘要
  • 对话风格调整
  • 主观评估任务
  • 增强模型在风格、语气、创造性等方面的能力: 你可以把 PFT 看作是一个 “品味训练班”,它通过比较模型生成的不同回复,教会模型理解用户和开发者的 “品味”, 从而让模型输出更符合人类期望的,更具创造性和个性化的内容。

与监督式微调 (SFT) 的区别:

简单来说: 这是一种以偏好为导向的微调方法,而非以正确性为导向的微调方法。它采用了 DPO 算法,使其训练过程更加高效。PFT 尤其擅长处理主观性较强的任务,例如需要创造力或需要特定风格的任务。PFT 的训练数据通常包含成对的优选和非优选的回复, 而不是精确的输入输出对。

普通人如何抓住AI大模型的风口?

领取方式在文末

为什么要学习大模型?

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 , 大模型作为其中的重要组成部分 , 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力, 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ,为各行各业带来了革命性的改变和机遇 。

目前,开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景,其中,应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展,相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业:
在这里插入图片描述

人工智能大潮已来,不加入就可能被淘汰。如果你是技术人,尤其是互联网从业者,现在就开始学习AI大模型技术,真的是给你的人生一个重要建议!

最后

只要你真心想学习AI大模型技术,这份精心整理的学习资料我愿意无偿分享给你,但是想学技术去乱搞的人别来找我!

在当前这个人工智能高速发展的时代,AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长,真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料,能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来,我们不断打磨课程体系与技术内容,在细节上精益求精,同时在技术层面也新增了许多前沿且实用的内容,力求为大家带来更系统、更实战、更落地的大模型学习体验。

图片

希望这份系统、实用的大模型学习路径,能够帮助你从零入门,进阶到实战,真正掌握AI时代的核心技能!

01 教学内容

图片

  • 从零到精通完整闭环:【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块,内容比传统教材更贴近企业实战!

  • 大量真实项目案例: 带你亲自上手搞数据清洗、模型调优这些硬核操作,把课本知识变成真本事‌!

02适学人群

应届毕业生‌: 无工作经验但想要系统学习AI大模型技术,期待通过实战项目掌握核心技术。

零基础转型‌: 非技术背景但关注AI应用场景,计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈: 传统开发者(Java/前端等)学习Transformer架构与LangChain框架,向AI全栈工程师转型‌。

image.png

vx扫描下方二维码即可
【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

本教程比较珍贵,仅限大家自行学习,不要传播!更严禁商用!

03 入门到进阶学习路线图

大模型学习路线图,整体分为5个大的阶段:
图片

04 视频和书籍PDF合集

图片

从0到掌握主流大模型技术视频教程(涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向)

图片

新手必备的大模型学习PDF书单来了!全是硬核知识,帮你少走弯路(不吹牛,真有用)
图片

05 行业报告+白皮书合集

收集70+报告与白皮书,了解行业最新动态!
图片

06 90+份面试题/经验

AI大模型岗位面试经验总结(谁学技术不是为了赚$呢,找个好的岗位很重要)图片
在这里插入图片描述

07 deepseek部署包+技巧大全

在这里插入图片描述

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

软考软件评测师备考避坑指南:过来人告诉你这5个章节最容易丢分(附2024最新考纲解析) 本文为软考软件评测师考生提供备考避坑指南,深度解析5个高频失分章节,包括标准化与信息化基础、中间件技术、软件测试模型、白盒测试覆盖准则和性能测试指标。文章结合2024最新考纲,分享实战技巧和记忆口诀,帮助考生精准打击失分重灾区,提升备考效率。 阅读详情

相关推荐

3D视觉入门必看:深度图、点云图、IR图、RGB图像到底有什么区别?

本文深入解析了3D视觉中深度图、点云图、IR图与RGB图像的核心区别。深度图记录像素距离,是连接2D与3D的桥梁;点云图是显式的三维坐标集合;IR图感知红外光强度;RGB图像则提供颜色纹理。理解其信息维度和应用场景,是进行机器人导航、三维重建等任务的基础。

year5的博客 348

LLM 算法工程师的速成指南:微调、强化学习微调与偏好微调

我们可以将现在使用的大语言模型想象成一座巨大的图书馆,蕴藏着海量知识。之前大家所熟知的是,提示词工程(Prompt Engineering):在提示词中加入指令,有时也会加入一些示例(few shots)。这种通过演示引导模型完成任务的方法,被称为“少样本学习”(few-shot learning)。微调,则是在“少样本学习”基础上的进一步提升。具体而言,我们会使用特定领域的数据来训练模型,从而使其在特定领域上表现得更加出色。换言之,微调是对模型进行针对性的“特训”,使其更好地适应特定场景。

2401_85375186的博客 2832

图自编码器(GAE)与变分图自编码器(VGAE)

在学习图自编码器之前先了解一下自编码器与变分自编码器。

小鱼的小窝 1万+

RLHF强化学习微调LLM

强化学习

一千零一夜的博客 1117

Fiddler抓包实战:5分钟搞定微信公众号历史消息接口分析(附完整Python代码)

本文详细介绍了如何使用Fiddler抓包工具逆向分析微信公众号历史消息接口,并提供完整的Python代码实现。从环境准备、动态参数捕获到商业级采集系统架构设计,全面解析了突破官方接口限制的技术方案,帮助开发者高效获取公众号文章数据。

tree8的博客 330

最新2026年《网络数据安全风险评估办法》条款解读

大型企业集团IT变革下的零信任安全体系建设方案(55页).pptx。以数据安全为核心的安全立体防御体系解决方案(41页).pptx。让数据安全合规地创造价值(15页 PPT).pptx。大型集团数据安全应急预案(57页).docx。数据安全治理与评估服务业务介绍.pptx。数据安全管理实践(17页).pptx。大数据安全架构设计方案.pptx。大数据安全规划总体方案.pptx。数据库安全综合治理方案.pptx。医疗数据安全建设方案.pptx。数据安全框架规划图.pptx。数据安全治理方案.pptx。

cdfunlove的博客 51

大模型微调知识与实践分享

本文详细介绍了大型语言模型(LLM)的结构、参数量、显存占用、存储需求以及微调过程中的关键技术点,包括Prompt工程、数据构造、LoRA微调方法等。一、微调相关知识介绍在介绍LLM的微调知识前,我们先具象的认识下大模型长什么样子,包括模型结构、参数量、精度、显存占用。

2401_85375298的博客 1101

《网络摄像机实战11:flutter_webrtc支持 AWS Kinesis Video Streams信令服务器》

本文介绍了如何在Flutter项目中集成WebRTC实现网络摄像头的实时视频和音频对讲功能。通过使用flutter_webrtc插件,开发者可以快速构建跨平台的视频通信应用。文章详细说明了集成步骤:1)安装flutter_webrtc插件;2)配置信令服务器和KVS服务;3)初始化本地/远程视频渲染器;4)建立WebRTC连接并进行设备呼叫。最后展示了实际应用效果图,证明该方案能有效实现移动端与摄像头的实时音视频交互。该方案为开发智能家居监控等应用提供了技术参考。

lvj_158的专栏 356

【收藏学习】大模型学习速成指南:3天认知+1周原理+30天项目,快速成为AI产品专家

本文提供了AI产品经理学习大模型的三阶段计划:三天了解行业生态与价值链;一周学习模型底层原理与应用边界;30天完成提示词工程、Dify智能体、RAG知识库和模型微调四个实战项目。强调无需学习算法但需理解模型原理,通过可交付作品证明能力,并提供100个面试真题作为自测工具,帮助快速转行成为AI产品专家。

m0_56255097的博客 1989

MIKE水动力笔记3_岸线及水深数据之根据遥感影像绘制岸线的方法

通过遥感影像自己绘制岸线来制作岸线数据,这种方法获取的岸线及水深数据精度很高,且可以根据自己的研究需要进行灵活处理。

晏长街的博客 1万+

基于STM32设计的水下水质检测装置(微信小程序)(205)

本项目设计了一款基于STM32微控制器为核心的水下水质检测设备,该设备具有高度集成化、智能化的特点,能够实时监测水深、温度、浊度及溶解性总固体(TDS)等关键水质参数,并通过4G网络将数据上传至腾讯云IOT物联网平台,实现远程监控和数据分析。同时,为了便于操作和移动观测,还配套开发了微信小程序,用户可通过微信小程序实时查看并控制设备的各项功能,如调整下潜深度等。

1253

大模型入门必看:小白程序员必备核心知识,收藏学习速成!

本文针对想进入大模型领域的小白程序员,分享了作者6年大厂算法工程师经验中提炼出的最少、最必要的核心知识。文章覆盖了大模型核心(Transformer架构、预训练与微调)、深度学习基础、数学基础、计算机与工程基础(Python、PyTorch、Git、Linux、CUDA)、数据工程等五大块内容,并强调了动手实践的重要性。同时,文章还介绍了如何利用HuggingFace等工具,以及如何评估模型性能。先说下我的经历,有6年大厂算法工程师的经验,2022年前主要做CV和NLP;2023年全面转向大模型方向。

qq_46094651的博客 247

【PyTorch项目实战】图像分类与识别:手写数字识别(MNIST)、普适物体识别(CIFAR-10)

主要介绍了两个经典的实战项目:(1)基于 MNIST 数据集的手写数字识别(2)基于 CIFAR-10 数据集进行图像分类

📷 图像处理践行者 | 传统算法 · 深度学习 · 多模态 | 分享实战经验与技术洞见,探索从像素到智能的无限可能。 4402

收藏!小白程序员必备:5大AI热门岗位速成指南,轻松入行高薪圈!

如果说程序员已经是高薪职业,那么干AI的程序员,就是高薪中的高薪。学AI大模型,就是冲刺高薪的最优解!零基础小白不知道从哪入门?有基础的程序员找不到系统学习路径?实战项目练手无门?面试不知道考什么?别慌!今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包,覆盖从入门到实战、从理论到面试、从基础到进阶的全流程,所有资料均已整理归档,无冗余、无套路,免费分享给每一位想抓住AI风口的程序员和小白!👇👇扫码免费领取全部内容👇👇1、大模型系统化学习路线。

xxue345678的博客 268

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

小白/程序员必备:大数据转大模型,高薪技能速成+收藏

2026年是大模型从"技术验证"走向"规模化落地"的关键年。Gartner技术成熟度曲线显示,大模型正进入"稳步爬升复苏期",企业从试水转向真金白银投入。对大数据人来说,这不是"要不要转"的问题,而是"转多快"的问题。早期转型者薪资涨幅50%-80%(猎聘数据),2年即可带团队。而迟疑者可能面临技能贬值——越来越多的数据岗开始要求大模型能力。你的数据处理能力、分布式计算经验、行业知识,这三样东西在大模型时代不是包袱,而是最稀缺的武器。窗口期不等人,先转先赢。

python12345_的博客 23

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

收藏!华为程序员转岗大模型岗晒百万年薪,现在学大模型还来得及吗?

近日,我刷到一则热议帖:一位华为员工从传统开发岗成功转型算法大模型岗,高调在网上晒出百万年薪条,还大方分享自己的转岗心得。这则帖子瞬间在程序员圈炸了锅——评论区里,有人默默核算自己与百万年薪的差距,有人连夜扒起转岗路径,更多小白和在职程序员发出灵魂拷问:现在入局大模型,还能赶上风口吗?看着屏幕里的数字,手里的速溶咖啡仿佛都添了几分酸意,不少人直呼“柠檬精本精”🍋。这个百万年薪的真实性,到底有多少水分?不得不承认,当下算法岗尤其是大模型相关岗位,确实是职场中的“香饽饽”。

python12345_的博客 922

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

学AI但到底能赚多少钱?揭开人工智能行业的实际薪资面纱,2025年大模型学习路线解析!

你是不是经常听到“人工智能很火”“学AI能拿高薪”这样的说法?但到底能赚多少钱?是不是真的像网上说的那样,刚毕业就能月入3万?今天,我们就来聊聊人工智能行业的真实薪资情况,帮你避开那些“画大饼”的坑!

2401_84494441的博客 2439

收藏必备!AI产品经理避坑指南:五步登天学习路径全解析

AI产品经理需技术、产品、行业三重能力叠加。文章提供五步学习路径:打牢技术地基、构建产品思维、深化行业认知、积累实战项目、冲刺求职关卡。同时指出三大雷区及解决方案:零基础幻想速成、忽视行业差异、作品集假大空。文章还分享学习大模型的重要性和资料,帮助读者从入门到进阶掌握AI时代核心技能。

2401_84815887的博客 1530

收藏备用!从入门到实战:大模型学习全攻略(小白&程序员专属)

大模型学习不是“技术炫技”,而是基于自身需求的“能力升级”。小白无需畏惧技术门槛,聚焦实用技巧就能快速受益;程序员无需盲目跟风,结合现有技术栈实现融合创新,就能打开职业新空间。无论是哪类群体,学习大模型的核心都在于“拒绝焦虑、精准切入、持续实践”。随着大模型技术的不断成熟,“AI+”的应用场景会越来越广泛——从智能办公、智能开发到智能医疗、智能制造,都离不开懂大模型的人才。小白掌握大模型应用能力,能提升职场竞争力;程序员掌握大模型开发能力,能抢占技术风口。

m0_48891301的博客 1219

重磅!大模型时代程序员的职业跃迁密码(附转型路线图)一文告诉你为什么大模型是程序员最好的选择!

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

m0_63171455的博客 1387

大模型现在该怎么学?给大家一些实在建议,大模型入门到精通,收藏这篇就足够了!

说了这么多,肯定有些同学听得热血沸沸,也有些同学听得心灰意冷。最后,给真心想在这波浪潮里“上岸”的同学,尤其是还没入行的,提几句掏心窝子的话。

DEVELOPERAA的博客 598

2026大模型就业新趋势:告别API调调,掌握全流程落地能力,6-8个月速成大模型开发!

随着大模型技术发展,企业需求已从单纯API调用转向全流程落地能力。本文提供2026年最新大模型应用开发学习路线图,涵盖Python/Java语言选择、RAG知识库搭建、智能体开发、模型微调与部署等核心技能。通过6-8个月系统学习,助你构建完整技能体系,解决实际问题,抢占高薪岗位。路线图分四阶段,结合实战项目,确保学以致用,助力职业发展。大模型技术爆发两年,企业需求已彻底从**“谁会调API”“谁能用大模型解决实际问题”**。

2401_85343303的博客 223

【2026年版|建议收藏】大模型学习路线:小白/程序员零基础入门,避开坑直奔高薪

2026年,大模型行业的大门,从未对普通人、小白、转行者关闭。真正阻碍你入行的,从来不是学历、基础,而是错误的学习方法和无效的努力!大模型不是“高深莫测”的技术,只要你选对路线、用对方法、聚焦实战,零基础小白也能在2-3个月内入门,程序员也能快速转型,顺利切入高薪赛道。这套2026年最新的大模型5步学习路线,帮你避开90%的学习坑,明确每一步的学习目标和实操任务,无论是小白还是程序员,都能直接套用。

优快云_224022的博客 579

Go后端工程师转型AI应用开发:3个月业余计划,附收藏攻略!

做了7年Go后端,日常工作就是写接口、调数据库、做微服务、处理并发、线上问题排查。最近明显感受到行业变化:很多基础业务代码,现在大模型可以直接生成。单纯写 CRUD 接口的岗位需求在收缩,但AI 应用工程师的缺口在持续放大。薪资普遍 15‑40k,核心做 RAG、Agent、大模型业务落地。很多人会有误区:转 AI 就要去学深度学习、啃高数、研究 Transformer 源码。但对后端工程师来说,我们不需要去做模型训练,我们做的是大模型应用开发。本质就是:大模型能力 + 后端工程能力。

2301_76168381的博客 338
上一篇: 【珍藏版】大语言模型(LLM)底层原理解析:从入门到精通的AI核心技术
下一篇: 【收藏】2026年AI工程师6步指南:从零开始掌握大模型技术,抓住AI时代风口
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1482原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值