墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
900+累计阅读
941平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
中秋节期间，万家团圆的时节，一场骂战横空出世，面对360咄咄逼人的架势，腾讯终于坐不住了，腾讯联合百度、金山、可牛等组成同一阵营对抗360。
如果说之前对战双方还只是动动嘴皮子表明立场的话，从3号晚上QQ弹出消息窗口发表声明开始，这场骂战悄然升级到真刀真枪的肉搏战了。腾讯的立场很鲜明，用QQ就不能用360,这是摆明了要跟360死磕。但是腾讯能有几分胜算还真不好说，腾讯的关键优势在于手握数量庞大的用户群，但是这个庞大的用户群中，忠实的用户有多少？
360之所以风靡大街小巷，关键之处就在于它是免费的，国人向来对于免费的午餐都是趋之若鹜的，腾讯此举相当于是把用户碗里的肉夹走；此外，现在IM软件太多了，MSN、SKYPE在全球范围内坐拥数以亿计的用户，只不过在本土化上相较腾讯稍逊一筹，如果QQ用着不爽，为什么不选择MSN或者SKYPE？
我从来不用360，虽然用QQ，但是没有严重的倾向性，MSN/SKYPE我也经常用。所以对我这样的用户来说，360和腾讯之争的结局对我没有丝毫影响，我倒想看看最后的结果到底是两败俱伤还是一家独大，从腾讯此举来看，正好也可以检验一下QQ的影响力。
miscellanea
告别踩坑！S32K3xx芯片上RTD-SDK的DFLASH与FEE模块配置全流程（基于S32DS）
本文详细解析了在NXP S32K3xx系列MCU上配置RTD-SDK的DFLASH与FEE模块的全流程，基于S32DS开发环境。从Cache配置、Mem_43_InFls模块设置到MemAcc模块的三种调用模式，提供了实战代码示例和常见问题排查表，帮助开发者高效完成存储管理配置，避免常见错误。
360隐私保护器直指腾讯QQ 360真的发飙了,百度旁观!
媒体的报道 来源：网易 据中国之声《央广新闻》报道，奇虎360和腾讯QQ，他们一个是全国最大的杀毒软件公司，一个是全国最大的聊天网站，本来并没有什么干系，但是最近一段时间却因为相互指责对方窥探网民的隐私，而撕破了脸，打的不可开交。那么现在这场窥私之争的进展如何？网民的隐私到底能否得到保障？ 主持人：这两家公司现在愈演愈烈的这场争斗究竟是怎么回事？现在又发展到什么程度？ 记者：这次...
Fortran环境配置：VS2022+Intel oneAPI安装全流程指南
Fortran环境配置：VS2022+Intel oneAPI安装全流程指南
当360与QQ交战的炮火飞过客户的桌面时想到的
“用360软件就不能用ＱＱ”，昨天在国内拥有6亿多用户的腾讯公司发出一份前所未有的声明，震撼了整个互联网世界。此举让由来已久的腾讯360对决战升级，也引发网友热议。有关此事的各种传闻、抗议与恶搞纷至沓来。肉搏营销是网络营销的一种，如同家庭中两个重要的成员，有共存过，运用自己存在的固有的矛盾，有意或者无意的一直达到某种营销目的的手段就是肉搏营销. 几年来，QQ和360公司通过自己的团队，开发出了各自独有的优势产品和服务，各自也都赢得了数以亿计的网友。实事求是地说，你们的产品和服务都是不可替代的（不用QQ不方便
超速U盘选购避坑指南：如何通过Rx Detect机制识别真伪USB3.0设备
本文深入解析了USB 3.0超速U盘的选购避坑要点，重点介绍了通过Rx Detect机制识别真伪设备的核心原理。文章提供了从软件检测到实际性能测试的完整方案，帮助消费者和技术人员有效辨别虚假的USB3.0设备，确保获得真正的超速传输体验。
信号完整性仿真SI之Cadence Sigrity SPEED2000_眼图仿真（四）
今天给大家分享一个仿真的操作流程，是关于Cadence Sigrity SPEED2000的时域波形仿真和眼图仿真。我们会经常看见硬件工程师调试示波器上的一些信号的波形变化，其实这些也可以通过仿真电路的搭建来做出投板前的仿真，来优化走线，以减少版本的迭代次数。如果要和实际的信号保持一致，就要求仿真设置的参数和实际的参数保持一致，这也是仿真的重点和难点。下面先让我们了解一下Cadence Sigrity SPEED2000时域仿真的操作流程： 1.仿真模式选择与文件导入 选择Cadence Sigrity下的
小3大战相关介绍
2016年1月8日晚，小米称收到大量用户投诉，部分用户被360安全卫士电脑版通过弹窗等形式恶意诱骗安装一款名为“雷电OS”的应用，小米MIUI官方微博宣布全线下架360软件。小3大战进行至此，根本就没有输家，周鸿祎的手机还未卖出就已抓足了眼球，而雷军的小米在这场大战中也并未输掉什么，反而赚得了更多网友的同情，使小米品牌更加深入人心。2012年5月18日，360董事长周鸿祎和小米科技董事长雷军在新浪微博上，因手机问题互相指责，每人针对对方的微博都超过10条，被网友冠以“小3大战”(小米与360)的称号。
【基于大模型 + FAISS 的本地知识库与智能 PPT 生成系统：从架构到实现】
本文介绍了一个基于大模型（Ollama+DeepSeek）和FAISS向量数据库的本地知识库与智能PPT生成系统。该系统采用前后端分离架构，包含文档管理、向量检索、PPT生成等核心模块，可实现文档智能解析、语义检索和结构化PPT自动生成。通过MVC设计模式，系统实现了从文档上传、向量存储到内容检索、PPT生成的全流程自动化，有效解决了企业知识管理效率低下的问题。架构设计清晰，功能模块完备，为企业和个人提供了高效的文档处理与二次创作解决方案。
互联网手机潮进入PK时代：周鸿祎激战小米雷军
摘要：事实上，周鸿祎本人也多次强调，对于对手他一向实事求是，“对小米手机这种模式持肯定态度，它是第一个做互联网手机的”。花费精力做出漂亮的销售业绩，这是互联网手机最关键命题，配置战、价格战、渠道战、营销战、售后服务战将贯穿始终。 在360董事长周鸿祎“犹豫了半年”的“一个重要的决定”之前，互联网企业做手机虽然热闹，但多各自为战、互不相干，而360特供机与小米手机开始在微博、论坛全方位骂战升级
具身智能落地实战：制造业、物流与电力的工业级方案设计
具身智能是一种融合感知、推理与物理执行的智能范式，其核心在于构建具备因果建模能力、多模态闭环反馈和实时动作规划的行动主体。区别于通用AI或传统自动化，它依托多模态大模型、高精度力觉/触觉传感及Sim2Real仿真技术，实现对真实物理环境的深度理解与自适应交互。技术价值体现在可解释性决策、毫秒级跨模态协同与零停机容错能力，已规模化应用于制造业质检、物流破损鉴定、电力绝缘子巡检等强约束工业场景。本文聚焦‘行业应用方案解决方案’这一高频搜索需求，系统拆解从工位筛选、分层架构设计到72小时现场交付的全链路工程方法论
高通平台WIFI学习-- WCN7851 三频 2X2 MIMO DBS HBS Wi-Fi 7介绍
WCN7851是支持Wi-Fi 7和蓝牙5.4的三频SoC芯片，具有以下核心特性：采用NSP334封装，支持2.4GHz/5GHz/6GHz三频段并发操作，最高速率达5.8Gbps；集成MU-MIMO、4096QAM调制技术，6GHz频段支持320MHz带宽；提供PCIe Gen3接口和低功耗设计，兼容多种无线标准。电气特性包括1.8V/1.2V可编程GPIO、76.8MHz时钟源要求，以及详细的射频性能参数。该芯片通过多链路操作和动态频率选择等先进功能，实现高性能无线连接。
Beamer初次使用
<br />一直觊觎Latex的排版效果，但是一方面因为office用起来还算比较顺手，对于使用了多年的东西，一旦放弃还是比较难的，就像当初逼着自己把机器上的XP卸掉而只能用Debian的时候所经历的那种难熬的感觉一样；另一方面是因为听身边的人说Latex的命令很多，要记住比记linux shell命令还要麻烦。所以一直在享受着office所带来的便利和忍受着难看的文章排版效果之间煎熬着。<br />废话不再多说，昨儿把CTEX装上了，然后看了没几页的Latex用户指南，突然想起来用latex写PPT应该比
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
电视剧《手机》观后感
看过了电影版的《手机》，但是我已经基本忘了其中的情节了，唯一的一个画面就葛优饰演的乡村老农拿着手机兴高采烈无比自豪地给北京的朋友打电话的情景。而最近，因为老婆想看《手机》，然后我就全部下载了，自己无聊的时候看了一集，发现挺不错的，之后就变成了欲罢不能了，直到一口气把全剧看完。 电视剧版的《手机》已经大大超出了电影版的立意，该剧中，不仅仅揭示了手机有时候会有成为手雷的危险，
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
护照签证流水账
由于近期又打算出国，而且之前的护照已经过期，所以花点时间记录一下办理护照以及签证的相关事宜，供以后有需要的人参考。 1 护照和签证 没有出过国的人往往会将护照和签证混在一块儿，实际上这两者之间没有必然联系。直观上，护照就好比你有一辆车，你有了这辆车之后可以开很多年，护照持有的有效期现在是10年，在这10年之类，出国只需要签证不需要重新办理护照了；而签证好比车辆年审，每过一年你的车辆都要进行
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
也谈食品安全
前几天乐购超市买了一包所谓的手工纯黑芝麻糊，今天早上起来冲了一杯，搅拌了两下发现不对劲儿，黑芝麻糊里边儿出现白点，而且越搅越粘稠。实际上，我当时打开的时候就在怀疑是不是假货，因为就只有一点点芝麻的香味，家里以前种过芝麻，所以纯正芝麻的香味我绝对能判别出来；另外，这个芝麻香明显没有以前买的“南方”的浓郁。看了下配料表，果不其然，第一项居然是马铃薯粉，至此，什么都明白了，商家把以黑芝麻为辅料的马铃薯
亚锦赛吐槽
在NBA停摆的日子里，各大门户以及论坛的篮球版都相继进入了长草期。15号开打的亚锦赛自然而然成为众多球迷关注的焦点，所以我等也来八一八亚锦赛与中国队有关的方方面面，对于我天朝的球迷而言，亚锦赛最大的看点自然是中国队能不能夺冠，如今的亚洲男坛，中国队似乎已经不再如以前那样一枝独秀了
中国男篮的遮羞布没了
公元2010年9月3日，中国男篮在土耳其创造了新的历史，47分的惨败让国人视其为耻辱。我爱好篮球，且一直关注NBA和中国男篮，这样的惨败让我活着我们很郁闷，很压抑，看着一干替补年轻球员在场上被人肆意蹂躏，心情真的很复杂。老邓练兵的想法并没有什么过错，只不过学费很高，输这么惨，只能怪自己人不争气我相信这场比赛的经历和结果会让场上的这帮球员铭记终生的，但愿中国男篮能够知耻而后勇这场比赛让我们看到了缺乏姚明、易建联、王治郅的中国男篮的真实水平到底如何，他们是中国男篮的“遮羞布”，没有了他们，中国男篮只能“裸奔”了
Windows 7系统应用软件故障修复备忘
如题所述，以下文字是一个备忘录，此外，因为我目前使用的是Windows 7，相关的应用软件故障也只集中于此OS，其他平台的软件故障不保证使用如下方法能够搞定。 1 关于ADOBE ACROBAT使用故障。 故障描述：我在机器上安装的是7.0 pro版本，在网上找的key，激活之后用了没多久，提示更新，更新之后，就出现问题，提示系统设置被修改，需要重新configure，然后重新输入之前
再见，大姚！
北京时间2011年7月9日，对于中国的篮球迷来说是一个颇有些伤感的日子，中国的篮球巨星，CBA史上最强的中锋姚明宣布退役。历经职业生涯五次重大的伤病，脚趾骨折、膝盖胫骨骨裂、脚踝应力性骨折、左脚骨骨裂、再一次的左脚踝应力性骨折。姚明一次又一次扛过了伤痛的侵袭，但是这一次，他终于服
开张除草
总算找到一个还算不错的地方可以记录一下研究生生涯的点点滴滴。
简谈链接库
链接库包括动态链接库和静态链接库，其中动态链接库又称为共享库。静态链接库文件以.a, .la为后缀；而动态链接库以.so, .dll为后缀。关于链接库，简单来说有以下几个方面要涉及到：1 链接库的概念？链接库本质上都是目标文件的集合，在编译链接过程中作为输入。静态链接库，链接过程中从链接库中找到程序中所使用到的函数或者变量的定义，将其“拷贝”到所编译的程序中，被"拷贝"的这部分(注意是部分，而不一定是全部)代码在物理上就成为可执行程序的一部分；使用静态库编译的程序可以离线独立执行，但是生成的可执行文件较大。
新的一年
<br />过年归来，思绪还停留在过年的气氛中。不过，新一年的工作已经开始了。<br />新的一年，压力很大，好好科研，要努力奋斗！<br />给自己加加油先。
慢慢熬文章
读博期间的第一篇文章投了学报，等了四个多月还没见审稿意见回来，于是熬不住了，期间去查询了一次，编辑部老师态度挺好，答应帮忙催一催。回来看到网上各位达人投稿的经历，发现大家都是"同病相怜"，少则半年，多则两年的等待时间原来还是正常的，于是心里开始释然，既然如此，那就等吧。 但愿这次能得偿所愿，也了却我一桩心事，接下来开始全力冲击conference。
百度开源文心5.5 Flash Base：280B MoE 只激活 14B，4 步部署 + 3 个坑，微调还是等指令版
百度开源文心 5.5 Flash 基座权重：280B MoE 每 token 激活 14B，1M 上下文，同尺寸开源 Base 30 项基准多数领先。4 步部署（vLLM/SGLang completions 链路）+ 3 个高频坑 + 动手前 6 点核对清单，并给出微调 Base 还是等指令版的判断线。
百度 ERNIE Evolve 自动研究系统：NanoGPT 速通 38.9 秒，P800 推理速度达基线 623.6%
百度文心团队 11 月 9 日在技术博客发布《ERNIE Evolve：让自动研究走进真实 AI 研发》，介绍一套自动研究系统：给它一个真实代码仓库、一个优化目标和一套评测标准，它自己提出研究方向，在隔离环境里改代码、跑实验，靠独立评测决定哪些改动留下，再把每轮的发现存成后续可复用的经验。百度把这件事放在“递归自我迭代”（RSI）的框架里讲，也就是让自动研究去改进做 AI 研发的系统本身。 文章先在三项公开任务上检验它，分别对应训练算法、训练速度和 GPU 算子；随后把它接进还在开发中的 ERNIE 5.5
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
269
扫一扫
