import和__import__(8/27补充)

Qwen3.8-27B与Ollama本地部署:从工具调用到智能体工作流实战 工具调用(Tool Calling)是大型语言模型(LLM)从封闭文本生成器转向开放决策中枢的关键技术。其原理在于模型能够理解自然语言指令,规划任务步骤,并生成结构化请求(如JSON)来调用外部函数或API,从而突破训练数据的时间与知识限制。这项技术的核心价值在于赋予了模型动态执行复杂、多步骤任务的能力,显著提升了应用的灵活性与泛化性,而不再局限于预定义的脚本逻辑。在工程实践中,工具调用构成了智能体(Agent)的“大脑”,是实现自动化工作流、实时数据交互等应用场景的基础。本文以Qwen3.8-27B模型与 阅读详情

1、今天写一个程序,要在A模块中执行B模块,于是就在B模块中定义一个start函数,然后在A中import B,再执行B.start()。虽然事实证明这样是可行的,但是感觉太土了,python一定有更好的方法。

google了一下,没有发现,不过有个贴子提到import module的时候,python其实就执行了一次该module,试了一下确实如此。

 

---test.py代码---

 

#!/usr/bin/env python

 

print 'hello, wolrd'

 

 

---import_test.py代码---

 

#!/usr/bin/env python

 

import  test

 

执行import_test.py,输出'hello, wolrd'

 

2、另外__import__的效果和import是一样的,不过它可以"动态"载入模块,动态的意思是说__import__的第一个name参数可以是个变量。比如上面也可以写成__import__("test"),如果某个package下存在test模块,要想导入该模块,可以这样写__import__("package.test")。

 

 ###############以下为补充的内容#########################

 

仔细阅读了python手册,注意到一个事实就是import仅在首次导入模块的时候执行一次该模块,后续再导入的时候就不会执行了。

 

 

 

Qwen 3.8 27B本地部署实战:开源大模型如何免费对标Claude Opus 大语言模型(LLM)通过海量数据训练,具备了强大的文本生成、代码编写和逻辑推理能力,其核心原理在于Transformer架构对序列数据的并行化处理与注意力机制。这项技术的价值在于将通用人工智能能力工程化,为开发者提供了构建智能应用的基石。在应用场景上,LLM正从云端API服务向本地私有化部署演进,以满足数据安全、成本控制和定制化需求。开源模型的崛起,特别是像Qwen 3.8 27B这样的标杆,正推动这一趋势。它凭借在多项基准测试中超越Claude Opus 4.6的性能表现,结合Apache 2.0开源协议 阅读详情

相关推荐

Qwen 27B量化精度实测:Q4_K_M与Q8_0差距竟如此小

大模型本地部署中,量化是关键一环,它通过降低权重位宽来减少显存占用和加速推理。常见的Q4、Q8等GGUF量化方案如何取舍,直接影响模型在消费级显卡上的可用性和输出质量。本文从量化原理出发,介绍PTQ、GGUF格式及K-Scheme机制,并基于llama.cpp工具链,对Qwen 27B模型进行Q4_K_M与Q8_0的实测对比。结果显示,多数任务下Q4_K_M精度接近Q8_0,且显存需求更低,为24GB显卡用户提供了优质选择。同时给出量化选型建议、评测流程和常见问题排查思路,帮助开发者在有限显存下最大化模型性

weixin_34167819的博客 444

关于ES6 import命令的一个补充

今天查阅资料时发现,无论是阮一峰还是Mozilla网站有关ES6 import命令介绍部分都没有细致地提供这个命令后面可以跟一个文件路径的更多的细节。 其实,import命令一个典型的表达是其后面的from子句中可以直接跟一个路径(也常常跟一个省略.js扩展名的JS模块文件名)。 此时,ES6在解析时会到指定路径下查找一个名字为index.js的文件。...

weixin_34341229的博客 119

8G显存本地跑27B Qwen模型:Ollama+GGUF量化部署与3D游戏代码实测

大模型本地化部署是当前开发者关注的热点,但显存容量往往成为硬件瓶颈。量化技术通过压缩模型权重,使得在有限显存上运行更大参数模型成为可能。GGUF作为高效的模型量化格式,配合Ollama这类轻量级推理工具,能够在普通消费级显卡上实现类GPT级模型的本地推理。本文从量化原理出发,介绍基于Ollama和llama.cpp的部署方案,详细讲解8G显存环境下27B级Qwen模型的参数配置、资源调优与API调用方法,并针对3D游戏代码生成这一典型场景进行实测验证。无论是代码辅助、离线问答还是私有化应用,该方案都能在保护

weixin_34232744的博客 440

21.关于import语句的一点补充说明

这里补充一点有关import的说明:   使用import并不会将相应的类或者包加载到class文件(或者java源文件),或者包含到java源文件(或者class文件)中,它的作用仅仅是对需要用到的类进行定位(location)。它表示程序中用到某个类的时候,如果没有在类前指定包名,应该到当前目录或者import指定的包中去寻找(注意java.lang包是默认引入的)。...

皇马啸西风的一亩三分地 242

实战指南:利用 LangGraph 的状态管理实现多轮对话的上下文隔离与持久化

本文详细介绍了如何利用LangGraph的状态管理机制,高效实现多轮对话中的上下文隔离与持久化。通过实战代码演示,从基础的消息历史管理到自定义状态扩展,再到使用SQLite进行生产级持久化,系统讲解了如何借助LangGraph的State和Checkpointer自动化处理对话记忆、用户隔离及数据存储,显著提升开发效率。

weixin_28396629的博客 488

【Unity】【模型】【AI建模】如何将AI生成的GLB格式3D模型文件导入Unity

本文介绍了一个将AI工具自动生成的GLB格式3D模型文件转换成fbx模型文件导入Unity的步骤。

O青草O的博客 Unity和游戏制作知识分享 1357

Qwen3.8-27B小模型Agent能力测试天梯全解析

在Agent应用开发中,大模型部署成本高、响应慢,27B级别的开源小模型逐渐成为本地化Agent方案的热门选择。然而,参数规模缩水后,模型在任务规划、工具调用、多轮记忆等核心能力上的真实表现,必须通过可量化的评测方法才能验证。基于这一需求,一套面向小模型Agent能力的测试天梯体系应运而生。该体系通过本地部署、接口调用、批量评测和性能观察,将Agent能力拆解为多个维度,用固定用例集跑分并形成横向对比榜单。借助Ollama、vLLM等框架,开发者可以在消费级显卡上快速搭建评测环境,量化评估小模型在真实Age

weixin_34414196的博客 553

RTPS规范v2.3(中文版)

DDSI-RTPSv2.3,DDS发现互操作性-实时发布订阅通信协议,中文版

pony12的专栏 752

Qwen 3.8 27B本地部署指南:免费开源模型实战与性能对比

大语言模型(LLM)作为人工智能领域的核心技术,通过海量数据训练获得强大的自然语言理解和生成能力。其工作原理基于Transformer架构,通过自注意力机制捕捉文本中的长距离依赖关系。这项技术的核心价值在于能够实现通用任务处理,显著降低AI应用开发门槛。在实际应用中,本地部署成为满足数据隐私和成本控制需求的关键场景,尤其适合处理敏感数据或需要深度定化的企业环境。本文聚焦于Qwen 3.8 27B这一开源模型,详细解析其本地部署方案,涵盖Ollama和vLLM两种主流工具,并探讨其与Claude Opus等闭

weixin_30847865的博客 503

2024.6.10丨基于DIAMOND与VFDB数据库的致病菌毒力因子高效注释指南

本文详细介绍了基于DIAMOND与VFDB数据库的致病菌毒力因子高效注释方法,涵盖工具安装、参数优化、数据库选择及实战案例解析。通过DIAMOND的快速比对和VFDB的全面毒力因子数据,显著提升微生物基因组研究效率,适用于临床检测、食品安全监测等多个场景。

weixin_33712987的博客 376

2026最新YOLO26改进:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

针对YOLO26模型改进痛点,本专栏整理200+实战验证方法,覆盖卷积层、注意力机制等核心模块。 每种方法含原理、性能分析、改进路径及实操流程,代码可直接运行,快速提升模型效果,性价比超高。

魔改工程师的博客 1万+

Qwen3.8 27B接入Optima基准测试:本地部署与量化评测实战

大语言模型的能力评估是模型选型和落地部署中的关键环节,基准测试框架则为性能度量提供了标准化的量化手段。Optima作为评测框架,可通过统一的测试用例对模型在代码生成、数学推理、指令遵循等维度进行自动打分。对于27B参数规模的模型,结合GPTQ、AWQ、GGUF等量化技术,能够显著降低显存占用,使中高端消费级显卡也能流畅运行本地推理。将这类模型接入Optima基准测试,即可构建一套可重复、可对比的评估流程,适用于模型选型、量化方案验证以及私有化内网评测等场景。本文以Qwen3.8 27B为例,从环境准备、本地

weixin_34294649的博客 410

康复训练监测系统:基于YOLOv8的患者动作规范识别

本文系统介绍了基于YOLOv8的康复训练动作规范识别系统,从理论背景、数据准备、模型训练、推理应用到UI界面,提供了完整技术链条及代码示范。希望对康复领域的智能监测应用提供参考和借鉴。

YOLO 453

Qwen 3.8 27B开源大模型实战:从部署到应用,全面解析与闭源API的权衡

大语言模型(LLM)已成为人工智能领域的核心技术,其工作原理基于海量数据训练和Transformer架构,通过自注意力机制捕捉文本深层语义。这项技术的核心价值在于赋能开发者构建智能应用,从代码生成到复杂推理,大幅提升生产效率。在实际应用中,模型部署与性能优化是关键环节,涉及量化技术、推理引擎选择等工程实践。开源模型如Qwen 3.8 27B,凭借其可定制性和私有化部署优势,为特定场景提供了新选择。本文聚焦于Qwen 3.8 27B的实战部署,涵盖环境配置、量化技术、性能对比及微调应用,帮助开发者在开源模型与

weixin_30315905的博客 380

Python 爬虫实战:爬取今日头条文章与阅读量数据

本文详细介绍了基于Python爬取今日头条文章与阅读量数据的完整方案。通过分析今日头条API接口,采用Requests+正则表达式技术实现数据抓取,重点解决加密参数构造、请求头模拟、反爬规避等核心问题。文章包含文章列表获取、详情数据提取、互动数据采集等完整流程,并提供数据存储与基础分析方法。同时强调合规使用爬虫技术,控制爬取频率,避免干扰平台运营。该方案可为内容传播分析、用户兴趣研究提供数据支持,但需注意接口参数更新和反爬机制变化,适时调整代码实现。

2503_91057718的博客 2519

三相五柱式消弧线圈自动测控装置设计与实现

本文设计了一种基于STM32的三相五柱式消弧线圈自动测控装置。该装置采用信号注入法检测系统对地电容电流,通过PID自适应算法调节消弧线圈电感值,实现单相接地故障时的快速补偿。硬件系统包含信号采集、注入、控制执行等模块,软件采用Goertzel算法提取特征频率信号,结合增量式PID实现精确控制。实验结果表明,装置电容检测误差小于2%,调谐响应时间小于50ms,满足配电网对消弧线圈自动调谐的技术要求。

AI的内部世界的博客 239

Qwen 3.8-27B本地部署实战:单卡RTX 4090运行指南与性能评测

大语言模型(LLM)通过海量参数学习通用知识表示,其核心原理是基于Transformer架构的自注意力机制,实现对上下文信息的深度理解和序列生成。这一技术价值在于将强大的自然语言处理能力赋能给各类应用,显著提升人机交互、内容创作与自动化任务的效率。在实际应用场景中,开发者常面临模型性能与部署成本的两难选择:大型模型能力卓越但算力要求苛刻,小型模型部署友好却能力有限。Qwen 3.8-27B作为一款270亿参数的“甜点级”开源模型,精准地平衡了这一矛盾。通过GPTQ-Int4等量化技术,它能将模型压缩至可在单

weixin_33896726的博客 396

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。

Qwen3.8 27B接入Optima基准测试:从环境配置到结果解析的完整实践

大语言模型部署前必须经过标准化评测,才能客观衡量其在数学、逻辑、代码等任务上的真实能力。基准测试框架作为模型评测的基础设施,通过固定数据集、生成参数和指标计算方式,解决了人工提问无法复用、无法横向对比的问题。本文以Qwen3.8 27B模型为例,介绍如何将其接入Optima基准测试体系:从环境准备、模型量化加载、封装统一生成接口,到配置JSONL评测集、运行任务并分析输出结果,完整覆盖了评测链路的每一个环节。同时结合显存优化、特殊token处理、指标异常定位等工程实践,帮助开发者在低资源环境下也能稳定跑通评

weixin_30756499的博客 379

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Qwen3.8 27B接入Optima:模型评估才是硬门槛

在开源大模型快速迭代的背景下,如何客观衡量模型能力成为工程落地的前提。基准测试与模型评估作为标准化验证手段,通过任务定义、数据准备、推理与指标计算等环节,将模型能力转化为可复现的分数。接入第三方评测体系,意味着模型愿意接受统一标准的检验,这比单纯宣传“更强”更值得关注。Qwen系列中27B级别的中量级模型,恰好兼顾效果与部署成本,适合企业私有化场景。围绕Qwen3.8 27B接入Optima基准测试这一事件,文章从评估维度、最小评估流程到工程选型,展示了如何构建自己的业务评测基线,让模型选型从主观判断转向数

384

16G显存本地部署Qwen3.8 27B大模型,打造私有化PPT内容生成助手

大语言模型通过指令微调技术,能够理解和执行复杂的结构化内容生成任务,其核心原理在于对海量文本数据进行预训练后,利用特定任务数据进行有监督微调,从而掌握特定领域的格式遵循与内容创作能力。这一技术为自动化办公带来了显著价值,尤其适用于需要批量生成标准化文档的场景。在PPT内容创作这一具体应用场景中,本地部署的大模型方案解决了云端服务的隐私顾虑与成本问题。本文聚焦于基于Qwen3.8 27B模型与Hermes指令微调技术,探讨如何在消费级显卡(如RTX 4080/4090)环境下,实现一个私有化、可批量调用的PP

weixin_30765577的博客 387

16G显存本地部署Qwen3.8 27B大模型,实现PPT内容自动化生成

大语言模型(LLM)通过模拟人类语言理解和生成能力,其核心原理是基于海量数据训练的Transformer架构。在工程实践中,模型量化技术是关键,它能将高精度模型权重压缩至更低位数(如INT4),从而大幅降低显存占用,使得数十亿参数的大模型得以在消费级显卡上运行。这一技术价值在于为开发者提供了高性价比、高可控性的本地AI部署方案,尤其适用于需要频繁生成技术文档、报告大纲的内容创作场景。结合提示词工程与Ollama等部署工具,可以构建本地自动化工作流,例如自动生成PPT内容大纲与结构化文案,实现从创意到草稿的快

weixin_30372371的博客 323

16G显存本地部署Qwen3.8 27B模型,实现PPT自动化生成与优化

大语言模型(LLM)通过其强大的自然语言理解和生成能力,正在重塑内容创作流程。其核心原理是基于海量数据训练的Transformer架构,能够理解复杂指令并生成连贯、结构化的文本。这一技术价值在于将非结构化信息高效转化为符合特定格式的专业内容,极大地提升了知识工作者的生产效率。在工程实践中,通过量化技术(如4-bit/5-bit量化)可以显著降低模型对硬件资源的需求,使得在消费级GPU(如16G显存)上本地部署百亿参数模型成为可能。结合智能体框架(如Hermes),模型能够进一步规划并执行多步骤任务,实现从指

weixin_34396103的博客 361

Qwen3.8 27B GGUF模型本地部署实战:从零到API服务的避坑指南

大语言模型(LLM)的本地部署是当前AI工程实践的热点,其核心在于将预训练模型高效、稳定地运行在自有硬件上。这依赖于模型量化技术(如GGUF格式)和专用推理引擎(如llama.cpp)的结合。GGUF作为一种自包含的模型格式,解决了权重、架构与配置的打包问题,并支持灵活的量化级别,在精度与资源占用间取得平衡,是实现消费级硬件本地运行的关键。其技术价值在于为开发者提供了数据隐私安全、可定制化且成本可控的AI能力。典型的应用场景包括私有化代码助手、内部知识问答与内容生成。本文聚焦于如何将Qwen3.8 27B这

weixin_30861797的博客 404

module.exports 、 exports 和 export 、 export default 、 import

1 1:commonjs规范 2 module.exports={a:10,b:20} 3 var test=require('lib/test') 4 console.log(test.a);console.log(test.b); 5 6 module.exports = function(name, age) { 7 this.name = n...

weixin_33978016的博客 111

在Mac Mini上利用MLX框架部署Qwen 3.8 27B模型并生成3D俄罗斯方块游戏

大语言模型(LLM)的本地部署是当前AI工程实践的热点,其核心在于将云端模型适配到资源受限的终端设备。这通常涉及模型量化、推理框架优化等关键技术,旨在降低内存占用并提升计算效率。苹果的MLX框架正是为此而生,它专为Apple Silicon芯片的统一内存架构设计,通过惰性计算和自动硬件调度,简化了在Mac设备上运行机器学习模型的复杂度。这种技术方案为开发者提供了在个人电脑上进行AI辅助编程和创意原型开发的强大能力。本文以Qwen 3.8 27B模型为例,结合4-bit量化技术,展示了如何在Mac Mini上

weixin_30731305的博客 341

在Mac上部署Qwen 3.8 27B模型,实现本地化代码生成与3D游戏开发

大语言模型(LLM)通过深度学习技术,能够理解和生成自然语言与代码。其核心原理基于Transformer架构,通过海量文本和代码数据训练,学习编程语言的语法、逻辑和模式。这项技术的价值在于将自然语言指令转化为可执行代码,极大提升了开发效率,尤其适用于原型设计、代码补全和算法实现等场景。在本地部署场景中,借助苹果MLX框架,开发者可以在Apple Silicon Mac上离线运行开源大模型,实现数据隐私和定制化需求。本文以Qwen 3.8 27B模型为例,结合代码生成和3D俄罗斯方块开发等热词,详细演示了从环

weixin_33843947的博客 382
上一篇: boost编译
下一篇: 正则替换
摩西2016
博客等级 码龄21年 16粉丝 62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