行业大模型落地的一些有趣调研总结

最新推荐文章于 2025-05-11 12:56:59 发布
最新推荐文章于 2025-05-11 12:56:59 发布
阅读量1.1k 收藏 29
点赞数 7
CC 4.0 BY-SA版权
文章标签： 人工智能 langchain 大模型 RAG 产品经理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Langchain/article/details/141192268

最近最大的新闻，莫过于OpenAI发布GPT4o，掀起了国内的一片狂欢，正如OpenAI官网博客所言，GPT-4o（“o”代表“omni”）是迈向更自然的人机交互的一步，其接受文本、音频和图像的任意组合作为输入，并生成文本、音频和图像的任意组合输出

当然，狂欢之余，我们还是回到技术本身，谈谈2个问题。

一个是目前RAG都有哪些综述，四大综述？一个是关于行业大模型的一些有趣总结，关于一个技术报告，会是在产研上的一个总结性结论。

供大家一起参考。

问题1:目前RAG都有哪些综述，四大综述？

实际上，RAG当前的一些总结新性的论文越来越多，在同质化的同时，也有一些差一点。一路看过来，昨天已经达到了4个，几乎每个月一个，下面从时间先后顺序进行处理，大家可以看看。

1、2023年12月综述

《Retrieval-Augmented Generation for Large Language Models: A Survey》

这篇综合性综述论文对RAG范式的发展进行了详细的研究，包括Naive RAG、Advanced RAG和Modular RAG，仔细研究了RAG框架的三个基础概念，包括检索、生成和增强技术。该论文重点介绍了这些关键组件中蕴含的sota方案，以及最新的评估框架和基准。

在这里插入图片描述

最后，该工作阐述了当前面临的挑战，并指出了未来的研究和发展方向。

地址：https://arxiv.org/abs/2312.10997

2、2024年2月综述

《Retrieval-Augmented Generation for AI-Generated Content: A Survey》

该工作全面回顾了将RAG技术整合到AIGC场景中的现有工作。首先根据检索器如何增强生成器对RAG基础进行分类，提炼出各种检索器和生成器增强方法的基本原理。

在这里插入图片描述

此外，总结了RAG的其他增强方法，以促进RAG系统的有效工程设计和实施。最后，还介绍了RAG的基准，讨论了当前RAG系统的局限性，并提出了未来研究的潜在方向。

在这里插入图片描述

地址：https://arxiv.org/abs/2402.19473，https://github.com/hymie122/RAG-Survey

3、2024年4月综述

《A Survey on Retrieval-Augmented Text Generation for Large Language Models》

随着RAG的复杂性不断增加，并纳入了可能影响其性能的多个概念，该工作将RAG范式分为四个类别：检索前、检索、检索后和生成，从检索的角度提供了详细的视角。

在这里插入图片描述

该工作首先概述了RAG的演变过程，并通过对重要研究的分析讨论了该领域的进展。此外，还介绍了RAG的评估方法，解决了面临的挑战，并提出了未来的研究方向。通过提供一个有条理的框架和分类，本研究旨在整合现有的RAG研究，澄清其技术基础，并强调其扩大LLM适应性和应用的潜力。

地址：https://arxiv.org/pdf/2404.10981

4、2024年5月份综述

《A Survey on RAG Meets LLMs: Towards Retrieval-Augmented Large Language Models》

该工作全面回顾了检索增强大型语言模型（RA-LLMs）方面的现有研究，涵盖了三个主要技术视角：架构、训练策略和应用。先简要介绍了LLM的基础和最新进展。然后，为了说明RAG对LLMs的实际意义，按应用领域对主流相关工作进行了分类，具体详述了每个领域所面临的挑战以及RA-LLMs(Retrieval-Augmented Large Language Models)的相应能力。

在这里插入图片描述

最后，为了提供更深入的见解，讨论了当前的局限性和未来研究的几个有前途的方向。

地址：https://arxiv.org/pdf/2405.06211

问题2：关于行业大模型的一些有趣总结

昨天看到腾讯研究院发布的《腾讯发布业界首份行业大模型调研报告：向 AI 而行，共筑新质生产力》(https://mp.weixin.qq.com/s/dxtKDqch3wMlW781exb51w)，读下来，很有收获，推荐大家看看原文，其中有些重点可以看看。

行业大模型的构建和应用中，由于需求和目标不同，技术实现复杂性差异也较大。通过调研总结，目前机构在使用大模型适配行业应用过程中，从易到难主要有提示工程、检索增强生成、精调、预训练四类方式。

在这里插入图片描述

在机构的具体实践中，通常不会只用一种方式，而会组合使用，以实现最佳效果。例如，一个高质量的智能问答系统，会综合使用提示工程、检索增强生成和精调等方式。

而在行业应用场景上，该报告也做了梳理，也很不错，如下：

在这里插入图片描述
在这里插入图片描述

而怎么衡量一个行业模型是否成功，也可以进一步的总结成几个衡量原则，例如：

在这里插入图片描述

总结

本文主要围绕RAG综述以及行业模型的两个问题进行了总结，一个是目前RAG都有哪些综述，四大综述？一个是关于行业大模型的一些有趣总结。最近的总结都多了起来，并且都开始回归冷静。大家可以多看看，会有所收获。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

Langchain
关注
LLM系列(0+)：大模型算法全流程解析与实战：从理论到落地的关键步骤，打造高效落地的解决方案实战应用之道
丨汀、的博客
04-29 1055
LLM系列(0+)：大模型算法全流程解析与实战：从理论到落地的关键步骤，打造高效落地的解决方案实战应用之道
中国大模型行研能力市场探析
lhx17673139267的博客
08-05 773
大模型是继工业革命和互联网革命之后的又一重大创新，将在社会劳动力提升、产业发展加速以及科技突破三个关键领域中，显著增强实体产业的发展能力。中国大模型行业综述——大模型架构综述大模型是一种基于深度学习的自然语言处理技术，它通过分析和学习大规模文本数据集合，掌握了丰富的语言知识和深层语义信息。经过三次NLP的技术范式转变，已能够达到类人智能的内容产出水准。语言大模型是一种基于深度学习的自然语言处理技术，它通过训练大量的文本数据，学习到丰富的语言知识和语义信息。
开源大模型调研
weixin_56223343的博客
04-26 875
模型开源不止开源代码，主要是指开源参数chatgpt参数信息以下模型信息来源于。
大模型理论调研
晓的博客
07-22 610
为了解决这个问题，在算法中引入加法平滑方法，对于分类算法的计算公式的分母加上取值范围的大小，在分子加1.平滑的目的也是正则化的目的之一：它可以令w的任何一个分量相比较于剩余分量变化程度保持一致，不至于出现变化特别明显的分量。（减少模型出现“幻觉”的可能性）LLaMA系列模型是Meta开源的一组参数规模从7B到70B的基础语言模型，使用了大规模的数据过滤和清理技术，以提高数据指令和多样性，减少噪声和偏见（关于噪声见个人调研），LLaMA模型使用了高效的数据并行和流水线并行技术，以加速模型的训练和扩展。
多模态大模型调研及学习(更新中)
weixin_42358409的博客
05-10 187
本研究采用文献研究、案例分析和趋势预测相结合的方法，全面收集和分析了多模态大语言模型相关的学术论文、技术报告、行业动态和应用案例，力求提供客观、全面、深入的分析和见解。历史发展：追溯多模态大语言模型的起源和演进历程，梳理关键技术突破和里程碑事件。当前状态：分析主流多模态大语言模型的性能指标、优缺点和适用场景，评估当前技术的成熟度和局限性。技术架构：深入探讨多模态大语言模型的基本原理、架构设计、训练方法和关键技术，揭示其内在工作机制。应用场景。
调研分析：LLama大模型
qq_28704101的博客
07-02 1407
随着技术的发展，新的模型不断涌现，推动了NLP领域的持续进步。LLama模型在大规模、多样化的语料库上进行了预训练，并采用了先进的Transformer架构和优化技术，如分布式训练和混合精度训练，显著提升了训练效率和效果。开源版本的发布吸引了全球研究者和开发者的关注，形成了一个活跃的社区，推动了LLama模型的持续改进和优化。综上所述，LLama模型的架构不仅在传统Transformer基础上进行了优化和创新，还通过多种技术手段提升了模型的性能和效率，使其在NLP领域具有广泛的应用前景和研究价值。
一网打尽！国内外大模型调研汇总
芋艿V
04-22 585
点击上方“芋道源码”，选择“设为星标”管她前浪，还是后浪？能浪的浪，才是好浪！每天 10:33更新文章，每天掉亿点点头发...源码精品专栏原创 | Java 2021超神之路，很肝~中文详细注释的开源项目RPC 框架 Dubbo 源码解析网络应用框架 Netty 源码解析消息中间件 RocketMQ 源码解析数据库中间件 Sharding-JDBC 和 MyCAT 源码解析作业调度中间件 E...
大模型在金融行业的应用场景和落地路径
2401_85377976的博客
07-23 1107
这是最好的时代，也是最坏的时代。尽管大模型技术在金融领域具有巨大的应用潜力，但其应用也面临不容忽视的风险和挑战。本文将深入研究大模型在金融领域的数据隐私和安全风险、模型可解释性和透明度、监管和合 规要求，梳理中国、美国、欧洲等地 AIGC 技术的应用规则，探索对应的风险管理和应对策略。当前，金融科技已经从“立柱架梁”迈入了“积厚成势”新阶段，越来越多的金融机构积极使用数字技术来为金融血脉注入全新能量。
分享丨万字长文总结多模态大模型最新进展（Modality Bridging篇）
2401_85377976的博客
08-06 1260
因为该层专注于整合 [CLS] 特征以用于对比学习。MLP adapter：a two-layer SwiGLU MLP，用于将ViT的输出映射到与文本特征相同的空间。所有的图像特征在语言模型中共享相同的「位置编码 id」。Visual expert module：在 LLM 的每一层中引入可训练的 visual expert，其包含专门处理 image feature 的「QKV 矩阵」和「MLP 层」，以实现深度的视觉-语言特征对齐。
AIGC领域多模态大模型在文旅行业的应用实践
AI 原生应用开发的博客
05-11 1054
本文旨在全面探讨AIGC领域多模态大模型在文旅行业的应用实践。我们将从技术原理到实际应用，系统地分析这一新兴技术如何赋能文旅行业的数字化转型。AIGC和多模态大模型的基本概念文旅行业的核心需求和痛点多模态大模型在文旅行业的具体应用场景技术实现方案和案例分析未来发展趋势和挑战背景介绍：概述研究目的、读者对象和文档结构核心概念与联系：解释AIGC、多模态大模型等关键概念核心算法原理：深入分析多模态大模型的技术原理数学模型和公式：介绍相关数学模型和公式。
在大模型RAG系统中应用知识图谱
2401_86435672的博客
10-21 1333
在基于大模型的RAG应用中，可能会出现不同类型的问题，通过知识图谱的辅助可以在不同阶段增强RAG的效果，并具体说明在每个阶段如何改进答案和查询。知识图谱更类似于结构化数据存储，而不是仅仅是一个用于各种目的的结构化数据的一般存储，可以利用它在 RAG 系统中战略性地注入人类推理。
一网打尽！国内外50多个大模型调研汇总
emprere的博客
04-17 1831
因公众号更改推送规则，请点“在看”并加“星标”第一时间获取精彩技术分享点击关注#互联网架构师公众号，领取架构师全套资料 都在这里0、2T架构师学习资料干货分上一篇：ChatGPT研究框架（80页PPT，附下载）大家好，我是互联网架构师！自从ChatGPT出现之后，各种大语言模型是彻底被解封了，每天见到的模型都能不重样，几乎分不清这些模型是哪个机构发布的、有什么功能特点、以及这些模型的关系。比如 G...
统计学习、机器学习以及python的学习顺序是什么
Java癫疯的博客
11-21 772
统计学习、机器学习以及python的学习顺序是什么
大模型与智能体的市场调研分析
2401_85390073的博客
09-28 1088
想要让AGI从大众概念里的新奇玩具，转向解决具体场景问题、提供专业可行方案的落地工具，智能体成为当前阶段的最佳尝试。在 LLM 大模型没有进一步重大突破之前，AI Agent 将是一个重要发展方向。通过组合工具及规划能力，自动执行任务、提高效率，从而减少人类的劳动负担，实现降本增效。真正要用好 AI，让 AI 发挥最大效能，核心是还是要基于你要解决的问题，重新设计一个适合 AI 的工作流，让 AI 在工作流中完成它最擅长的工作。
大模型年度观察｜大模型落地探索初显成效，推动AI应用普惠向实
tao_yue06的博客
01-12 807
2022年8月，科技部发布《关于支持建设新一代人工智能示范应用场景的通知》，提出应充分发挥人工智能赋能经济社会发展的作用，加快挖掘应用需求，推进规模化市场探索，打造形成一批可复制和可推广的标杆型示范应用场景。大规模预训练模型（以下简称“大模型”）作为人工智能领域的重大突破之一，近年来参数规模和模型性能不断创出新高，逐步夯实人工智能技术底座，加速推进人工智能实用化、通用化和普惠化发展。
主流机器学习平台调研与对比分析
热门推荐
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
03-04 1万+
本报告主要调研目前主流的机器学习平台，包括但不限于Amazon的Sage maker，Alibaba的PAI，Baidu的PaddlePaddle。对产品的定位、功能、实践、定价四个方面进行详细解析，并通过标杆对比分析提出一套机器学习平台评价体系，旨在给后续机器学习平台需求分析与实际开发提供评估与优化思路。
【论文阅读】Retrieval-Augmented Generation for AI-Generated Content: A Survey
KQe397773106的博客
04-22 2539
人工智能生成内容（AIGC）的发展得益于模型算法的进步、基础模型规模的增加以及大量高质量数据集的可用性。虽然AIGC取得了显著的性能，但仍面临一些挑战，如难以保持最新和长尾知识、数据泄露的风险以及与训练和推理相关的高成本。检索增强生成（RAG）最近出现作为一种范式来解决这些挑战。具体而言，RAG引入信息检索过程，通过从可用数据存储中检索相关对象来增强生成过程，从而提高准确性和鲁棒性。本文全面审查了将RAG技术整合到AIGC场景中的现有努力。
arXiv AI 综述列表（2024.05.13~2024.05.17）
qq_44681809的博客
05-18 1424
公和众和号：EDPJ（进 Q 交流群：922230617 或加 VX：CV_EDPJ 进 V 交流群）每周末更新，完整版进群获取。Q 群在群文件，VX 群每周末更新。
大模型分布式推理
最新发布
06-04
<think>嗯，用户这次的问题聚焦在大模型分布式推理的具体实现方法和框架上。从引用的三篇文献来看，用户显然已经做过一些调研，但需要更系统的技术梳理。有趣的是，用户特意强调“不是真正的需求”，说明ta可能被之前搜索到的冗余信息困扰过。用户的三条引用其实勾勒出了技术图谱：引用[1]讲分布式训练与推理的共性问题，引用[2]提到传统推理服务的局限，引用[3]给出Ray这种具体工具。不过用户明确表示这些“仅供参考”，说明ta需要的是脱离具体引用的方法论总结。考虑到用户上次问题涉及模型压缩和并行策略，这次应该延续技术深度。分布式推理的核心矛盾在于：大模型的参数量远超单卡容量，而推理的实时性要求又比训练更严苛。需要重点展开的维度包括：-计算并行（模型/数据/流水线三种并行如何组合）-显存优化（Zero-Inference这类技术）-请求调度（动态批处理的重要性）注意到用户提到“框架”，RayServe确实值得展开，但补充FasterTransformer会更全面——毕竟用户引用的[2]提到LLM批处理瓶颈，而FT的块处理技术能缓解这个问题。用户没提具体模型规模，所以举例时应该覆盖70B级别的通用方案（如Megatron-DeepSpeed）和千亿参数的特殊方案（如MoE的专家并行）。另外ta可能隐含工程落地需求，得强调容错机制和弹性伸缩这类生产特性。最后的技术路线图要体现层次感：从单卡LoRA微调模型，到中等规模流水线并行，再到万卡级专家并行系统。用户似乎偏好代码实例，所以RayServe的示例保留，但补上vLLM的提示更实用——毕竟用户引用[3]就是Ray相关。</think> 以下是关于大模型分布式推理的方法与框架的系统性总结，结合核心技术原理、主流框架及实现要点： --- ### **一、分布式推理的核心方法** #### 1. **模型并行（Model Parallelism）** - **原理**：将大型模型拆分成多个子模块，分配到不同设备（如GPU）执行。 - **张量并行（Tensor Parallelism）**： 如 **Megatron-LM** 的方案，将矩阵运算按行或列拆分（例如 $Y = XA + B$ 中，将权重矩阵 $A$ 切分到多个设备计算）[^1]。 - **流水线并行（Pipeline Parallelism）**： 如 **GPipe**，将模型按层划分，不同设备执行不同层，通过微批次（micro-batching）隐藏通信延迟[^1]。 #### 2. **数据并行（Data Parallelism）** - **原理**：多设备同时处理不同输入数据，适用于可独立计算的推理任务。 - **动态批处理（Dynamic Batching）**： 如 **NVIDIA Triton** 的机制，将多个请求合并为一个大批次（batch），提高GPU利用率[^2]。 #### 3. **内存优化技术** - **Zero-Inference（类Zero-Offload）**： 将模型参数、优化器状态卸载到CPU内存或NVMe存储，仅在推理时加载到GPU显存。 - **KV缓存共享**： 在生成式任务中（如GPT），多个请求共享注意力键值缓存（KV Cache），减少重复计算。 --- ### **二、主流分布式推理框架** #### 1. **NVIDIA Triton Inference Server** - **核心能力**： - 支持动态批处理、并发模型执行。 - 集成TensorRT加速，优化LLM推理延迟。 - **适用场景**：高吞吐工业级部署[^2]。 - **代码示例（配置动态批处理）**： ```python # 配置文件中启用动态批处理 dynamic_batching { max_queue_delay_microseconds: 1000 # 最大等待1ms组批 } ``` #### 2. **Ray Serve** - **核心能力**： - 基于Actor模型实现分布式服务。 - 自动扩缩容、容错恢复。 - **适合场景**：云原生弹性推理[^3]。 - **部署流程**： ```python from ray import serve @serve.deployment class LLMDeployment: def __init__(self, model_path): self.model = load_model(model_path) async def __call__(self, request): data = await request.json() return self.model.generate(data["text"]) serve.run(LLMDeployment.bind("path/to/model")) ``` #### 3. **DeepSpeed Inference** - **核心能力**： - 集成ZeRO-Offload技术，支持百亿参数模型单卡推理。 - 张量并行+高效CUDA内核优化。 - **示例（启动推理引擎）**： ```python import deepspeed engine = deepspeed.init_inference(model=llama_model, tensor_parallel=[2,4]) # 2节点x4 GPU output = engine("Input text") ``` #### 4. **vLLM (Vectorized LLM Serving)** - **创新点**： - **PagedAttention**：类似虚拟内存分页管理KV缓存，显存利用率提升4倍。 - 支持连续批处理（continuous batching），动态插入/移除请求。 - **性能**：比HuggingFace Transformers快24倍[^1]。 --- ### **三、关键技术挑战与解决方案** | **问题** | **解决方案** | |--------------------------|---------------------------------------------| | **通信瓶颈** | 异步梯度聚合（如Ring-AllReduce） | | **显存不足** | Zero-Offload + 量化（INT8/FP16） | | **请求延迟不均衡** | 动态批处理 + 优先级调度 | | **容错性** | Ray Serve的Actor自动重启 + 检查点保存机制[^3] | --- ### **四、实践建议** 1. **中小模型（<30B参数）**： Triton动态批处理 + FP16量化，单节点多卡可满足需求。 2. **百亿级模型**： 必用张量并行（Megatron方案）或DeepSpeed Inference。 3. **千亿参数稀疏模型**： 采用MoE（Mixture of Experts）架构，配合专家并行（Expert Parallelism）。 --- ### **技术演进趋势** - **计算与存储分离**：推理引擎解耦参数存储（CPU内存池）与计算（GPU集群）。 - **硬件协同设计**：NVIDIA Grace Hopper GPU等异构架构优化显存带宽。 --- **相关问题** 1. Triton如何优化大模型的动态批处理性能？ 2. 张量并行与流水线并行的混合部署如何实现？ 3. KV缓存共享机制如何减少Transformer推理时的重复计算？ 4. 如何评估分布式推理系统的通信开销与加速比？ [^1]: 单机多卡与分布式训练对比（参数服务器、异步SGD等） [^2]: Triton的批处理优化与显存管理机制 [^3]: Ray Serve的弹性扩缩容与容错设计
评论
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