6道题目,
1 是swap的宏的定义
2. 用一个语句判断一个数是不是2的n次幂
3.判断sizeof作为参数传入的 char[]的长度
4.用两个栈实现一个队列
5.将字符串bcde转换为edcb
6.循环计数1-n,如果计到m,则打印出来
第一个面试官问了一些kernal的问题
第二个面试官问了更多kernal包括kernal panic,进程间通信,kernal向用户空间传递数据的方式,makefile正则表达式,OSPF路由算法的问题,软件体系结构,芯片与芯片的连接接口,main()如何调用,如何在main前调用不让main调用,kernal下分配内存的方法的问题
第三个面试官问了很多kernal的问题,如何调试kernal panic的问题,进程同步通信,make file ,cpu与芯片和芯片与芯片的连接方式,linux版本,不同体系结构下的移植,编译选项,文件系统,驱动的种类、编写方法,程序调试方法硬件调试仪器、方法,ip-table,arp-table?、socket类型,排序算法的种类,怎样把C程序反汇编看到汇编语言(gcc工具),代码编译的过程,所独立完成的项目等等等等
相关推荐
构建金融AI专业评测基准:从角色驱动到交付物评估的实践指南
在人工智能与金融科技深度融合的背景下,如何有效评估专业领域AI模型的能力成为关键挑战。传统NLP评测指标(如BLEU、ROUGE)虽能衡量文本生成质量,但难以评估金融场景下所需的专业分析、逻辑推理与风险研判等核心能力。其原理在于通过构建角色驱动的任务框架,将金融工作流程中的专业交付物(如研究报告、信用分析备忘录)作为评估锚点,并拆解为可量化的评价量规。这种评测方法的技术价值在于为金融AI智能体提供了贴近实战的能力标尺,能够系统性地评估模型在内容完整性、分析深度、合规表述等维度的表现。应用场景广泛覆盖股票分析
Agent评测全流程
本阶段是评测的起点,核心解决「测什么、为什么测、测到什么程度算合格」的问题,避免后续方向跑偏、结果无效。
AI大模型应用性能核心指标:TTFT 与 TPOT 详解
这两个指标专门衡量大模型流式响应性能,是评估用户体验的关键指标。· 是什么:从请求到第一个输出的等待时间· 为什么重要:决定用户的第一印象和响应感知· 优化方向:模型加载、预处理、冷启动优化· 行业标准:最好<500ms,可接受<1.5s· 是什么:每个输出token的平均生成时间· 为什么重要:决定流式输出的流畅度和总完成时间· 优化方向:推理引擎、内存带宽、批处理优化· 行业标准:最好<50ms/token,可接受<100ms/token在Dify/大模型应用中的意义。
蒸馏项目技术交付清单怎么写,模型之外还要拿到什么
蒸馏项目做到训练结束,企业最容易盯着学生模型权重问一句,文件能不能跑。这个问题只覆盖了交付的一小部分。模型能够在服务商的机器上启动,不等于企业能复现实验、解释评测结果,也不等于运维人员接手以后可以安全升级。技术交付清单应当沿着数据、训练、评测和部署四段流程展开,每一项都写清文件、版本、验证动作与责任人。我对照了 Hugging Face 的模型卡与数据集卡说明、Google 的机器学习工程规则以及 AWS 的生成式 AI 生命周期资料。这些资料并没有给蒸馏采购规定一张统一清单,却反复指向同一件事。
HarmonyOS ArkTS开发实战:用Axios封装一个通用的网络请求工具类(附完整代码)
本文详细介绍了如何在HarmonyOS ArkTS开发中利用Axios封装一个通用的网络请求工具类,涵盖架构设计、核心模块实现、UI状态联动及高级功能扩展。通过单例控制器、拦截器链配置和Token自动刷新机制,提升网络请求的稳定性和可维护性,适用于各类HarmonyOS应用开发场景。
Ubuntu 24.04 LTS安装WPS Office 2025冬季版全攻略(附字体缺失解决方案)
本文提供了在Ubuntu 24.04 LTS系统上安装WPS Office 2025冬季版的完整指南,详细对比了dpkg、Snap和GUI三种安装方式的优劣。针对安装后常见的中文字体缺失、思源黑体粗细异常等核心问题,给出了从原理分析到手动补充字体库、修改字体配置文件的深度解决方案,确保WPS Office在Linux环境下获得最佳使用体验。
一次 Skill 评测的复盘:我推翻了一份现成的模型选型结论,然后自己造了个评测平台
看了一眼同事的skill评测报告,一怒之下我就自己做了个skill评测平台,来完成长期的skill效果和最佳模型评测和选型
芯片硅前验证技术与驱动工程师实战指南
硅前验证是芯片开发流程中的关键环节,通过pre-silicon simulation等技术手段在流片前验证设计正确性。其核心技术包括软件仿真、FPGA原型验证和硬件仿真器解决方案,涉及Linux驱动开发、芯片架构理解和波形分析等核心技能。作为连接芯片设计与系统集成的桥梁,硅前验证能早期发现设计缺陷,节省数百万美元流片成本。以Cadence Palladium为代表的硬件仿真器,通过专用服务器系统实现比纯软件方案快100-1000倍的仿真速度,为驱动工程师提供完整的外设模型验证环境。掌握硅前验证技术可显著提升
GitLab CI/CD管道搭建:私有仓库中的AI项目交付流程
通过GitLab CI/CD与ms-swift框架结合,实现从模型下载、训练到部署的全流程自动化。系统支持LoRA微调、断点续训、评测回传与安全隔离,显著提升AI项目交付效率与可靠性,降低工程成本。
【ROS2实体机械臂驱动】封装珞石ROS2驱动库ros2_rokae_driver_lib
这一篇文章将封装为,和之前一篇文章《ROS2 编译、打包、封装三方库(Knet为例)_ros插件编译成静态库-优快云博客》写的封装,区别在于优化了cmake dependencies和include等属性和宏定义,同时对于多库内部依赖的情况做了特定处理,更加方便外部调用。其中珞石的编译参考博主之前的文章rokae xCoreSDK C++测试使用,这里不再做赘述。通过这篇文章对于如何打包机械臂厂家提供的三方库做了进一步说明,方便用于不同机械臂厂家的三方库封装调用。!!
【乐企文件生成工程】关于乐企文件生成工程的详细介绍
发票文件生成方式有两种思路:1、根据已有的OFD模板,动态替换ofd模板内容;之后将ofd转pdf(局限:单行问题不大)详情可以在此处了解2、根据html模板动态占位:该工程就是这种方式 ,目前效果良好,可看下图。拿去即用的源码!无任何保留,当然也并不是所有票种都支持(时间有限、精力有限、已经连着转了,要冒烟了…)
持续集成 流水线自动化与 声明式交付 实践:评测样本和指标怎样准备才有用
要严谨评估 CI/CD Agent 的能力,应当建立包含真实故障现场的 Benchmark 数据集,并规范指标计算口径。
高通MBIM拨号流程简述
高通平台MBIM流程简述
SemiAnalysis AgentX集成ModelScope实现自动化模型评测
模型评测是AI工程落地的关键质量门禁,其核心在于将标准化benchmark(如SemiAnalysis设计的多维指标)与可复现的执行框架(如AgentX)结合,并依托稳定可靠的运行时环境(如ModelScope)完成端到端验证。原理上,评测框架需解耦逻辑与环境——AgentX专注调度、指标计算与报告生成,ModelScope则提供预置依赖、GPU沙箱与API托管能力,规避本地pip安装冲突与版本不一致风险。技术价值体现在开箱即用、跨环境一致性及CI/CD无缝嵌入;典型应用于算法选型验证、MLOps质量卡点与
姿态传感器/陀螺仪之IIS2DLPC 应用驱动程序设计
* 转换为°C单位 (参考温度为25°C,灵敏度为16 LSB/°C) */
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具
破解大模型交付困境:从“烧钱“到“赚钱“的转型指南
大模型交付面临成本与收益倒挂困境:高研发、算力、人才等固定成本与按人天收费的线性收入模式不匹配。破解之道在于从"项目制"转型为"产品化"模式,构建三层"资产漏斗"(定制层、组件层、资产层),将项目交付转化为可复用资产沉淀,降低边际成本。同时需改变客户对话方式,从技术参数转向价值量化,探索许可费+运营服务费等新定价模式,最终实现从"项目交付"到"资产运营"的转变,建立可持续商业模式。这一转型涉及产品、商业、组织
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
AI Agent评测闭环:从随机成功到稳定交付
软件质量保障的核心理念是让系统在不确定中保持稳定。传统测试依赖确定性的输入输出,而大模型驱动的智能体本质是概率系统,同一Prompt可能产生不同执行路径,这使单次通过失去参考价值。构建有效的度量体系需要覆盖任务完成度、步骤成功率、重试率等核心指标,同时引入LLM-as-Judge进行自动化评估,并结合轨迹分析捕捉潜在风险。失败聚类与基线回归机制则让改进可追踪、可验证。无论是企业知识助手还是自动化流程编排,只有当评测闭环贯穿开发全流程,AI Agent才能从演示中的偶然成功走向生产环境的稳定可用。本文围绕这一
OV9734 DATASHEET,完整规格书
OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等
温度PID控制PLC程序
温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值
SWE-Bench 与真实交付:为什么 AI 编程评测越来越像一场表演
如果你现在还在看 AI 编程工具,当然可以看榜单,但别把榜单当答案。更现实的做法是,把它当筛选器:先用 benchmark 排除明显不行的,再用你自己的任务、仓库、协作链路去做二次验证。谁能在你的真实环境里少翻车、少返工、少让人盯着收尾,谁才更接近“能用”。说到底,软件工程不是考试,生产环境也不是考场。AI 现在最缺的,已经不只是更高的分数了,而是更诚实的评测方式。
NLP 模型评测与多任务性能对比:发布前检查失败路径与回滚
评测结果异常升高时,应先检查训练集、验证集和测试集的来源、版本与文本重叠。可在公开或合成语料上使用 N-gram 或 MinHash 检测,确认集合隔离后再讨论模型改进。模型在训练阶段就已经把测试集答案给“背”下来了。离线评测的高分完全是一场数据污染带来的假象。这种数据污染与版本混乱如果不建立起自动化校验闸门,所有的模型评测与性能对比都将失去真实意义。
OpenMAIC网页版:面向工业落地的AI模型全流程评测平台
AI模型评测是大模型应用落地的关键环节,涉及任务定义、多模型对比、量化指标计算与可复现报告生成等核心步骤。传统方法依赖人工执行、Excel汇总与主观打分,难以满足金融、电商、政务等场景对合规性、稳定性与统计显著性的严苛要求。OpenMAIC网页版以‘评测即流水线’为设计哲学,将模型能力验证拆解为基线设定、任务模板配置、对抗性用例注入、多维自动评估(如合规性检查、情感一致性、结构完整性)及置信区间标注等标准化阶段,显著提升评测效率与可信度。其网页优先架构降低非技术角色使用门槛,支持企业邮箱快速验证、零代码模板
AI模型评测为何需要标准化基准与可复现流程
AI模型能力评估是大模型落地应用的前提,其核心在于建立客观、可量化、跨平台的评测基准。原理上需覆盖语言理解、推理、多模态、长上下文等维度,并统一prompt设计、硬件配置与指标计算方式。技术价值体现在避免厂商自评偏差、支撑选型决策、驱动模型迭代优化。典型应用场景包括企业级模型选型、开源社区排行榜构建、学术论文公平对比及监管合规验证。当前行业普遍面临评测数据集陈旧、评测环境不透明、结果不可复现等痛点,亟需一套兼顾严谨性与工程可行性的标准化评测实践框架。
2025 年的最佳LLM(大模型)评测工具
无论你是独立开发者、首席工程师,还是公司中的 AI 领导者,这个等式都成立:优秀的LLM评测 = 指标质量 × 数据集质量。因此,你应该选择最适合你使用场景的工具,以最大化你正在进行的LLM评测的质量。毕竟,你最不希望的就是被错误的评测结果引入歧途。我有点偏心,但我打造 Confident AI 是有原因的——因为市场上现有的工具无法与理想的LLM评测流程相匹配。Confident AI 的功能远不止于此,但如果要我选一个特点来说,那就是它能最大化你LLM应用的 ROI。
【大模型评测】Agent评测漫谈 —— 由浅入深讲解Agent评测——【原创 图灵Agent评测 美团技术团队】
文章摘要: Agent评测的核心在于评估Agent的效能与稳定性,为迭代优化提供方向。与传统模型评测不同,Agent评测需覆盖复杂系统(模型+工具+流程),关注结果、行为、效率及风险四层指标。评测需结合客观与主观方法,通过“人人一致、人机一致”对齐标准,将模糊指标拆解为二元化规则。观测是评测基石,需借助Trace系统记录全链路行为。长程Agent时代,评测从“答案质量”转向“任务完成度”,需构建支持回放、自动化评测的基建。实践表明,评测体系需从高频场景起步,通过BadCase/GoodCase持续迭代,并引
【值得收藏】大模型交付困境与出路:从“装修队“到“预制件工厂“的转型之路
文章指出大模型交付行业面临成本固定而收入线性的"倒挂"困境,传统项目制模式难以持续。解决方案是从"高科技装修队"转向"预制件工厂"模式,构建三层资产沉淀漏斗,在交付流程中积累可复用技术资产,同时改变客户对话方式,从技术叙事转向价值叙事,最终实现从项目交付到资产运营的转变,构建可持续的商业模式。
ms-swift集成EvalScope评测后端,覆盖100+评测数据集精准评估模型表现
ms-swift与EvalScope深度集成,构建覆盖100+数据集的自动化评测体系,支持文本与多模态模型的质量评估。通过标准化流程实现从训练、推理到评测的闭环管理,提升模型迭代的可复现性与工程化水平,让AI开发像软件CI/CD一样高效可靠。
评测可信度工程:主动式验证如何让模型评估结果真正可靠
在机器学习模型落地过程中,评估结果的可信度往往决定了产品决策的质量。传统的被动式验证只能回答“模型在这些样本上表现如何”,却无法回答“这个表现是否值得信任”。主动式验证通过探针样本、变异测试、双重独立评测和持续集成流水线,主动构造异常场景并检验评测流程本身的敏感性与稳定性,从而构建起覆盖数据层、方法层、执行层、分析层和治理层的评测可信度工程体系。这种思路不仅适用于算法评估,也对软件测试、质量保障和数据治理具有通用参考价值。在模型持续迭代、A/B实验频繁的工程实践中,将可信度检查嵌入自动化流水线,能够有效暴露
531



被折叠的 条评论
为什么被折叠?



