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
600+累计阅读
638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
天下有情人：
1995年古天乐 李若彤版《神雕侠侣》主题曲。
由周华健 齐豫演唱，林夕作词，周华健作曲，洪敬尧编曲。
歌曲歌词
(合)爱怎么做怎么错怎么看怎么难怎么教人死生相随
爱是一种不能说只能尝的滋味试过以后不醉不归
等到红颜憔悴
它却依然如此完美
等到什么时候
我们才能够体会
(合)爱是一朵六月天飘下来的雪花还没结果已经枯萎
爱是一滴擦不干烧不完的眼泪还没凝固已经成灰
等到情丝吐尽
它才出现那一回
等到红尘残碎
它才让人双宿双飞
啊……
有谁懂得个中滋味
(男)爱是迷迷糊糊天地初开的时候
那已经盛放的玫瑰
(女)爱是踏破红尘望穿秋水只因为
爱过的人不说后悔
(男)爱是一生一世一次一次的轮回
不管在东南和西北
(女)爱是一段一段一丝一丝的是非
教有情人再不能够说再会
(合)教有情人再不能够说再会
以上资料来自百度百科
在线观看到土豆网视频
LLC谐振变换器恒压恒流双竞争闭环控制simulink仿真（附说明文档）
内容概要：本资源是一套面向电力电子与智能控制领域的综合性科研仿真资料合集，核心聚焦于LLC谐振变换器的恒压恒流双竞争闭环控制策略设计与Simulink建模仿真实现，涵盖半桥LLC、双向全桥LLC等拓扑结构的调频闭环仿真，并提供详尽的说明文档与PPT辅助材料。资源体系不仅深入呈现LLC变换器的动态响应与控制逻辑，还扩展至双有源桥（DAB）变换器的软开关协同优化、最小应力控制、EPS调制策略及新扩展移相角优化等前沿技术，同时集成三相PWM整流器在电网不平衡条件下的功率平衡控制、VOC+SVPWM双闭环控制等典型应用场景。此外，资源包涵盖状态估计（如EKF、UKF、PF）、微电网经济调度、卡尔曼滤波融合、神经网络控制、PID优化、储能系统管理等多个交叉方向，特别强调对顶级EI期刊研究成果的高精度复现，旨在帮助科研人员快速掌握先进控制算法的核心思想与仿真实现方法。; 适合人群：电气工程、自动化、电力电子、新能源科学与工程等相关专业的硕士博士研究生、高校科研人员，以及从事新能源变换器、智能电网、电动汽车、微电网系统研发的工程技术人员。; 使用场景及目标：① 深入理解LLC与DAB变换器的闭环控制机理，掌握恒压恒流切换、软开关实现与损耗优化方法；② 利用Simulink平台构建复杂电力电子系统模型，开展动态性能分析与控制器参数整定；③ 复现高水平期刊论文中的先进控制策略，提升科研创新能力与论文发表竞争力；④ 支持毕业设计、科研课题、项目申报及工程原型开发中的仿真验证环节。; 阅读建议：建议结合提供的完整资源目录循序渐进学习，优先研读标注“顶级EI复现”的案例以获取权威方法参考，配合MATLAB/Simulink动手搭建模型，重点关注控制框图设计、调制逻辑实现与仿真结果对比，深入理解算法背后的物理意义与数学推导过程。
7-12 愿天下有情人都是失散多年的兄妹（25 分）
题目链接 呵呵。大家都知道五服以内不得通婚，即两个人最近的共同祖先如果在五代以内（即本人、父母、祖父母、曾祖父母、高祖父母）则不可通婚。本题就请你帮助一对有情人判断一下，他们究竟是否可以成婚？ 输入格式： 输入第一行给出一个正整数N（2 ≤ N ≤104），随后N行，每行按以下格式给出一个人的信息： 本人ID 性别 父亲ID 母亲ID 其中ID是5位数字，每人不同；性别M代表男性、F代...
从一个过气考渣的角度看LLM智能化测试用例生成
根据业务需求生成测试用例，会涉及到相关上下文的召回、用例生成等场景。除了用例生成之外，也可以考虑应用LLM进行用例评审。因此，本文将涉及以下内容。
L2-016 愿天下有情人都是失散多年的兄妹
题目详情 - L2-016 愿天下有情人都是失散多年的兄妹 (pintia.cn) 由于给出的一对一定是同辈的，所以他们不能存在五代以内的公共祖先，所以先dfs第一个人并标记其五代以内的祖先，然后dfs第二个人的五代以内祖先，若有某个祖先被标记过了就说明他们有五代以内的公共祖先。（然而这题的最后一个测试点数据有误，在最下面有说明） 正解 #include<iostream> #include<cstring> #include<algorithm> #includ
Multisim14.3主数据库访问冲突：Windows更新KB5065426卸载与系统兼容性修复指南
本文针对Multisim14.3在Windows更新KB5065426后出现的主数据库访问冲突问题，提供了详细的解决方案。通过卸载问题更新、修复系统兼容性及调整权限设置，帮助用户快速恢复元器件库的正常访问，确保电路仿真设计的连续性。
论文阅读笔记---Deep HDR Video from Sequences with Alternating Exposures
Kalantari N K, Ramamoorthi R. Deep HDR Video from Sequences with Alternating Exposures[C]//Computer Graphics Forum. 2019, 38(2): 193-205. 摘要: 在本文中，提出了一种基于学习的方法来，我们使用两个顺序卷积神经网络（CNN）对整个HDR视频重建过程进...
L2-016. 愿天下有情人都是失散多年的兄妹-PAT团体程序设计天梯赛GPLT（广度优先bfs）
L2-016. 愿天下有情人都是失散多年的兄妹呵呵。大家都知道五服以内不得通婚，即两个人最近的共同祖先如果在五代以内（即本人、父母、祖父母、曾祖父母、高祖父母）则不可通婚。本题就请你帮助一对有情人判断一下，他们究竟是否可以成婚？ 输入格式： 输入第一行给出一个正整数N（2 <= N <= 104），随后N行，每行按以下格式给出一个人的信息： 本人ID 性别 父亲ID 母亲ID ...
新手也能搞定的ANPC三电平逆变器Simulink仿真：从SPWM调制到开关损耗优化
本文详细介绍了如何在Simulink中搭建ANPC三电平逆变器仿真模型，从SPWM调制基础到开关损耗优化技巧。通过分层设计思路和实用代码示例，帮助新手快速掌握ANPC拓扑的核心功能，包括中点平衡控制和性能指标分析，为电力电子系统设计提供实践指导。
一张图看懂IaaS, PaaS和SaaS的区别
编译：老夫子 原文：https://www.bmc.com/blogs/saas-vs-paas-vs-iaas-whats-the-difference-and-how-to-choose/ 从小型企业到全球企业，云都是一个非常热门的话题，它是一个非常广泛的概念，涵盖了很多在线领域。 无论是应用程序还是基础架构部署，当您开始考虑将业务转移到云时，了解各种云服务的差异和优势比以往任何时候...
kaggle项目：纽约出租车行程时间NYC Taxi Trip Duration
纽约出租车形成时间预测（NYC Taxi Trip Duration）是Kaggle中的一个Playground竞赛。比赛数据集基于2016年纽约市黄色出租车行程记录数据，需要建立一个模型，根据单个行程属性，预测测试集中每次行程的持续时间。Kaggle项目模型XGBoost，评价指标RMSLE。
Win10系统下Protel 99 SE元件库导入报错？3步搞定File is not recognized问题
本文详细介绍了在Win10系统下解决Protel 99 SE元件库导入报错'File is not recognized'的3步终极方案。通过手动修改配置文件、使用专用工具和优化系统兼容性设置，帮助用户快速解决这一经典PCB设计软件的兼容性问题，提升工作效率。
且谈95版神雕侠侣之配乐
话说为什么要特别注明95版呢？是因为神雕侠侣翻拍得次数太多了，仅电视剧就有六回，这还不算越南拍的，确实数不胜数啊。 而此版神雕的配乐更是丰富，使用的配乐非常之多，来源很广很杂，日本三大音乐巨头一个都没放过，还有宗次郎、横山菁儿等人；华人有黄沾，鲍比达，胡伟立等知名艺人，也有不甚熟的一些艺术家。官方并没有发布原声碟，网路上给出的资料很乱，实在有必要整理一下，下面为详细内容。注意，原声只有几首歌...
[Dify] HTTP 请求节点总是调不通？先把请求头、参数、变量和返回 JSON 拆开查
这篇文章围绕 Dify HTTP 请求节点调不通、接口能通但流程不稳定、返回 JSON 后续节点读不到等问题展开，从 Method、URL、Header、Body、变量映射和返回字段提取几个角度梳理排查顺序。适合正在把 Dify Workflow 接入企业微信、CRM、工单系统或内部接口的读者阅读，帮助你把接口调用从一次性跑通推进到可复用、可验证的业务流程。
音乐推荐-
1.爱 (谢霆锋/蔡卓妍) 2. 直到爱上你 (古巨基/张柏芝) 3. 相爱多年 (许志安/韩红) 4. 当爱已成往事 (李宗盛/林忆莲) 5. 我不够爱你 (刘德华/陈慧琳) 6. 24楼 (刘若英/杨坤) 7. 好心分手 (卢巧音/王力宏) 8. 广岛之恋 (张洪量/莫文蔚) 9. 让我取暖 (王力宏/彭羚) 10. 被风吹过的夏天 (金莎/林俊杰) 11. 无尽的爱 (成龙/金喜
2025华为杯第二十二届中国研究生数学建模竞赛D题：低空湍流监测及最优航路规划 - 完整解题分析+完整MATLAB源码！（下篇）
🎓 本文收录于 《滚雪球学数学建模》专栏，本专栏专注于从零基础出发，带你循序渐进掌握数学建模的核心方法与思维路径。通过“滚雪球式”学习法，从最简单的生活化案例到经典建模工具，再到省赛、国赛真题实战演练，逐步积累知识与技能，帮助你搭建完整的建模体系。无论你是刚接触建模的新生，还是希望提升科研与竞赛能力的学者与工程师，本专栏都将为你提供一条清晰、高效、可实操的建模成长路线，助力你快速进阶，突破难点，迈向数学建模竞赛与实际应用的更高峰 🚀！
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
百度肖阳：“提示词工程“是AI时代的必修课
6月7日，高考首日，AI挑战高考语文的新闻刷屏。在一场关于高考直播的中，百度搜索正在内测的“AI伙伴”现场挑战高考语文考试
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
DeepSeek Harness 创造模式完整教程：5 步创建插件、验证生效与保存专属模式
发布日期：2026-11-03 ｜ 数据截至 2026-11-03，来源为各平台官网、中国信通院《大模型词元服务性能监测报告（2026年）》及公开研究资料2026年国内企业级大模型 API 服务商已分化为云厂商自营（阿里百炼、火山方舟、百度千帆、腾讯云 TokenHub）和独立聚合平台（七牛云 Token Plan、硅基流动）两大阵营，模型厂商直连（智谱 GLM、讯飞星火）则作为垂直场景补充。
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
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")
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。
不用 NVLink，Muon 训练步时缩短 63.7%：百度百舸具身智能场景的优化实践
不过，训练规模扩大后，Muon 本身的开销会变得突出。2025 年，Moonlight 用 Muon 训练了 160 亿参数的 MoE 模型，实验表明，在计算最优配置下，Muon 只需约 52% 的训练计算量即可达到 AdamW 的同等表现。MuonX 用 Gram NS 降低 NS 迭代的计算量，用 DMuon 减少多卡训练中获取完整矩阵的开销，在实例内未配置 NVLink 的百舸 hpas.lgn7ib 实例上，将 LingBot-VLA 2.0 的 FSDP 训练步时缩短六成以上。
百度泛域名批量cookies池绑定推送软件：一台服务器挂着跑完整循环
晚上十点合上笔记本，凌晨两点软件还在跑。这是远程服务器上一块普通的 Windows 桌面，任务栏里只有远程连接、一个浏览器和一个推送工具。泛域名批量绑定推送这件事，子域只有几十个时手工还能应付。子域上千、账号上百之后，真正限制速度的是人得守在电脑前面这个前提。百度泛域名批量cookies池绑定推送软件解决的就是这个前提：把一台联网的服务器变成工作台，账号池灌进去，任务挂着跑，第二天早上回来看日志。
不同项目怎么选地图 API？高德、百度、腾讯、天地图、维智对比
高德、百度、腾讯、天地图、维智，并不是同一类型平台的简单横向竞争。高德、百度、腾讯更偏完整地图平台；天地图更偏标准地图和行政边界；维智更偏基础位置服务能力，同时具备地图底座、水域预警、私有化部署，以及维网智芯带来的终端与行业场景纵深。所以地图 API 选型的关键，不是判断谁绝对更好，而是看项目真正需要哪一层能力。
WordPress发布/编辑文章自动推送给百度和必应的方法
本文介绍如何通过WordPress主题的functions.php文件，实现文章发布或编辑时自动推送URL至百度和必应。只需添加代码，配置网站地址、必应与百度API密钥，并启用后，系统将自动提交链接，成功则标记为“1”，便于后台查看推送状态，有效提升收录效率。
文心 5.5 Flash Base：百度把“效率“写进了预训练
百度于2026年11月5日开源文心5.5FlashBase（ERNIE-5.5-Flash-Base），一款280B总参数、每token仅激活14B的预训练基座模型，支持最长1M上下文推理。其核心创新在于通过37层压缩注意力（HCA）与6层精读注意力（MLA-DSA）结合，实现长文本高效处理；采用多路由潜空间MoE提升专家利用率；引入ECHO机制强化主干规划能力。在代码、推理、长上下文等任务中达同尺寸SOTA，但需8卡H100起步，适用于领域微调、SFT与Agent训练，不支持直接对话。
高德、百度、腾讯、维智地图服务深度对比：从参数到选型的完整指南
相比之下，维智虽然以企业合作为主，但对中小团队的商务灵活度更高，POI 搜索、室内外定位、IP 定位、正逆地理编码、距离计算、行政区域、水域、天气等接口矩阵齐全，可以随着业务成长平滑扩展。它并不是只能补室内短板的“增强型服务”，而是已经具备完整位置服务接口矩阵，并在此基础上叠加室内外一体化、数据主权、定制化能力，以及 Android、iOS、小程序、Flutter、uni-app 多端 SDK 与 UNI 定位插件，构成的是完整的企业级位置服务底座。高德、百度、腾讯的室内地图更多是"锦上添花"，覆盖有限；
百度百舸多模态数据湖的设计与实践
大模型的迭代正在把数据推到舞台中央。当训练语料从整齐的结构化行表，变成图像、视频、音频、文本与 Embedding 混杂的资产，传统数据湖在存储格式、访问模式与计算引擎上都面临新的挑战。百舸多模态数据湖要回答的是：如何让多模态数据像结构化数据一样被高效地存、算、管。先看一条样本本身。过去做推荐或风控，一条样本通常就是这几列标量：id / user_id / item_id /label / ts，整行不过几十字节，一个 Parquet 文件装得下千万条。
2026年百度AI与通义千问GEO服务商选择指南：双平台适配与选型指标拆解
2026年的品牌曝光竞争，正从“搜索结果第一页”转向“AI回答的第一句话”。百度AI把传统搜索的链接列表压缩成一段带引用的答案，通义千问则把同样的能力带进办公、电商与生活服务场景。用户不再逐条比对链接，而是直接采信AI给出的结论，这意味着品牌要么成为答案的一部分，要么在决策链路上彻底缺席。需求侧的变化同样明显。过去采购方问的是“能不能发稿、能发多少篇”，现在问的是“能不能进AI的引用来源、能不能被点名推荐、算法更新后还能不能守得住”。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5044
扫一扫
