微软100题-天天做-第13题

Hunyuan-A13B工程落地实测:MoE架构、Tokenizer陷阱与企业级部署避坑指南 大语言模型推理并非仅关乎参数量,而是涉及架构设计、推理优化、量化适配与场景对齐的系统工程。以MoE(混合专家)为代表的稀疏激活架构在提升计算效率的同时,引入路由开销、显存争抢与专家切换不稳定性等新挑战;而Tokenizer策略则直接影响中文分词精度、长文本截断逻辑与领域术语保留能力。Hunyuan-A13B作为面向企业场景的13B级开源模型,其腾讯内部沉淀的后训练数据、Hybrid Tokenizer v2.3及MoE路由机制,共同定义了它在技术文档问答、多轮对话稳定性与指令遵循鲁棒性上的独特表现边界。本文 阅读详情

发布一个k8s部署视频:https://edu.youkuaiyun.com/course/detail/26967

课程内容:各种k8s部署方式。包括minikube部署,kubeadm部署,kubeasz部署,rancher部署,k3s部署。包括开发测试环境部署k8s,和生产环境部署k8s。

腾讯课堂连接地址https://ke.qq.com/course/478827?taid=4373109931462251&tuin=ba64518

第二个视频发布  https://edu.youkuaiyun.com/course/detail/27109

腾讯课堂连接地址https://ke.qq.com/course/484107?tuin=ba64518

介绍主要的k8s资源的使用配置和命令。包括configmap,pod,service,replicaset,namespace,deployment,daemonset,ingress,pv,pvc,sc,role,rolebinding,clusterrole,clusterrolebinding,secret,serviceaccount,statefulset,job,cronjob,podDisruptionbudget,podSecurityPolicy,networkPolicy,resourceQuota,limitrange,endpoint,event,conponentstatus,node,apiservice,controllerRevision等。

第三个视频发布:https://edu.youkuaiyun.com/course/detail/27574

详细介绍helm命令,学习helm chart语法,编写helm chart。深入分析各项目源码,学习编写helm插件
————————————————------------------------------------------------------------------------------------------------------------------

第13题(链表):题目:输入一个单向链表,输出该链表中倒数第k个结点。链表的倒数第0个结点为链表的尾指针。
链表结点定义如下:  
struct ListNode
{
  int m_nKey;
  ListNode* m_pNext;

 

 

};

 

 

 

package com.microsoft;

public class BackNListNode {
	private Node root;
	private int size;
	
	public BackNListNode(int []data){
		size=data.length;
		for(int i=0;i<data.length;i++){
			Node node=new Node();
			node.value=data[i];
			if(root==null){
				root=node;
			}else{
				Node last=root;
				while(last.next!=null){
					last=last.next;
				}
				last.next=node;
			}
		}
	}
	
	public void print(){
		Node last=root;
		while(last!=null){
			System.out.print(last.value+"=>");
			last=last.next;
		}
		System.out.println();
	}
	
	public void printBackNListNode(int n){
		int position=size-n-1;
		if(n>size-1){
			position=0;
		}
		Node node=root;
		while(position>0){
			position--;
			node=node.next;
		}
		System.out.println("倒数"+n+"个节点是"+node.value);
	}
	
	private class Node{
		private int value;
		private Node next;
	}
	public static void main(String[] args) {
		int []data=new int[]{1,2,3,4,5,6,7,8,9};
		BackNListNode list=new BackNListNode(data);
		list.print();
		list.printBackNListNode(7);

	}

}

 

 

 

 

 

Sonnet 4.6深度集成Office:轻量模型驱动的AI办公自动化实战指南 AI办公自动化正从概念走向日常,其核心已不再是单纯的大模型参数比拼,而是轻量级推理模型与生产力软件的深度协同。Claude Sonnet系列代表了面向实际工作流优化的新范式——它通过动态稀疏注意力、Office Context Bridge协议和内嵌式代码生成能力,在Word、Excel、PowerPoint中实现低延迟、高精度的上下文理解与自动化执行。这种能力直接支撑起文档处理、数据清洗、跨应用Agent任务等高频职场场景,让非程序员也能用自然语言触发VBA、Office Script或Excel公式生成 阅读详情

相关推荐

生成式AI商业化临界点:13%周活用户如何触发变现加速

生成式AI已从技术概念迈入规模化商业阶段,其核心标志并非模型参数或算力突破,而是用户行为密度达到临界阈值——当周活跃用户覆盖全球在线人口的13%,意味着市场教育完成、价值认知固化、付费意愿显性化。这一拐点背后是用户从‘尝鲜体验’向‘生产力依赖’的跃迁,驱动广告、订阅制、企业级API、垂直SaaS等多元变现模式落地。尤其在L2效率增强层与L3生产力依赖层(合计占48%)中,会话深度、文件上传频次、插件调用率等行为指标成为高转化关键信号。当前商业化成败,取决于能否将AI能力精准锚定于客户可量化的业务成本项,而非

weixin_33787529的博客 427

微软面毕 再见,Microsoft!

     前段时间向微软投了份简历,本来觉得自己肯定没戏,所以就没怎么在意。周四下午接到一个电话,那边一位带着颇富磁性声音的MM问我:“你是不是申请了IBM的实习生?”我当时傻了,我的确申了几个公司,但是我没申IBM啊。不过我当时灵机一动,反正现在还没确定实习,干脆就将计就计去IBM看看吧。我赶紧说:“是的,是的。”然后,对方告诉我“你的简历筛选已经通过了,请周六13:50到北航学知楼XXX教室参

jack_incredible的专栏 561

LLM 2023年总结 2024年展望

1- 2022年11月30日ChatGPT推出(我就把它当2023年了)因为热度烧到我们这边基本也是2023年了,不同于前作GPT-3,ChatGPT推出后,因为它采用RLHF的对齐方式和Chat的友好交互模式,让人类真正实现了和机器的友好人机互动,在几个月之内迅速霸榜,成为当时人类有史以来最快达到一亿用户的应用。2023年我认为今后我们回头看这一年,它肯定是大模型的元年了,这一年发生了太多的代表性的事件,我挑点重要的说 ,我觉得不太重要的在这就没画面了,大家可以回帖补充。

周博洋的博客 1529

c++酷跑游戏设计_太完整了!三万字Java项目实战之天天酷跑

★★★建议星标我们★★★公众号改版后文章乱序推荐,希望你可以点击上方“Java进阶架构师”,点击右上角,将我们设为★“星标”!这样才不会错过每日进阶架构文章呀。2020年Java原创面试题库连载中【000期】Java最全面试题库思维导图【020期】JavaSE系列面试题汇总(共18篇)【028期】JavaWeb系列面试题汇总(共10篇)【042期】JavaEE系列面试题汇总(共13篇)【...

weixin_36054213的博客 975

AI编译器四件套:Rammer、Roller、Welder、Grinder深度解析

AI编译器已从简单IR翻译演进为面向硬件物理特性的系统级优化引擎。其核心原理在于将神经网络计算图解耦为并行调度、数据分块、内存访问与控制流四大可建模问题,分别对应空间资源利用、高维张量映射、缓存层级协同与SIMT范式适配等底层约束。这种分治设计显著提升GPU/NPU算力利用率与显存带宽效率,技术价值体现在端到端延迟降低、吞吐提升及热稳定性增强。典型应用场景包括大模型推理部署、边缘AI芯片适配与高性能推理引擎开发,尤其适用于对cuBLAS/TensorRT/MLIR已有深度实践的AI系统工程师。

weixin_33749131的博客 398

低功耗和UPF介绍

参考[UPF]低功耗(Low Power Design)and UPF介紹

青春易逝,愿不负昭华,期待梦与远方 1万+

“什么,末影人性别确定了?”我的世界大新闻,官方:那是水枪!

简报:什么,末影人的性别确定了?JAVA版快照 21w13a 迎来山羊更新;Mojang愚人节玩“烂梗”背后的深意;等更多本周mc新闻事件。 1.什么!!!末影人竟然是男性? Mojang新游戏总监LadyAgnes,在一个月前发布关于浴室门后的如厕礼节之后,再次展示了更多Mojang Studios的于是礼节,尽管这些来自wChiwi(3D美术师)的设计,但这却像世人展现了一个无比惊讶的事实——末影人竟然是男性!(至于为什么,看图,就不用多解释了吧~) 对于玩家的疑问,图画的创作者@wChiwi解释道:

p1830095583的博客 621

数学建模常用模型10 :数据包络(DEA)分析法(投入产出法)

数据包络分析是评价多输入指标和多输出指标的较为有效的方法,将投入与产出进行比较。它的结果包含的意思有: ①θ=1,DEA有效,表示投入与产出比达到最优 ②θ&lt;1,非DEA有效,表示投入与产出比没有达到最优,一般来说,θ越大说明效果越好。 数据包络分析是通过对投入的指标和产出的指标做了一个线性规划,并且进行变换后,然后根据其线性规划的对偶问题(线性规划对偶问题具有经济学意义),求解这个对...

HaLosec_Wei 9万+

移动的一个比微软所有漏洞加起来都要严重的漏洞

我发现拉中国移动一个及其严重的漏洞,它对手机用户造成的影响绝对超过目前为止微软windows系统所有漏洞加起来造成的危害。 目前我需要各位猫猫回答我两个问题,以便我验证是否正确,注意我已经在小范围内做过调查,现在需要各位猫猫的帮忙,以便我从统计学方面验证这个漏洞的可行行。 我只需要100个回答,谢谢各位的帮忙。 1、请问你多久查询一次你的通话详单(就是你的手机具体打或接过那些电话,发过那些短信)。

诺亚之舟的胡言乱语 1076

鼎捷T100——二次开发:维护作业添加非实体字段

非实体字段添加

weixin_52342654的博客 1160

卫星图像检测,分割,跟踪,超分辨率,数据集调研,以及论文笔记

目标检测,针对物体有很多类如桥,烟囱,罐子等,有静态图像下的检测,也就是图像源头多来自谷歌地图,但是前后帧没有任何联系,并且谷歌地图相对来说比较清楚,难度小一点,也有粗粒度以及较细粒度的检测,然后卫星视频的数据集较少,则可以通过前后帧的联系来辅助检测,并且卫星帧基本上只对车,船,飞机,火车进行检测,没有进行细粒度的检测即将车辆分类为卡车,皮卡,小轿车,但是关船,则可以分类为货船以及军舰,因为目前的卫星视频中小车实在太少了,难以进行更细粒度的检测。luojia 三号卫星。

zhangzhao147的博客 4709

你为什么来日本做IT?日本IT优劣谈

原文链接: http://news.mydrivers.com/1/498/498113.htm 你为什么来日本做IT?喜欢动漫或游戏,就顺便学习了日语?想着在日本工作,技术以外还能熟练掌握多一门外语?干同样的活儿,在日本攒的比国内挣的还多,先干它几年再说?…各种各样的原因,我们踏上了这片土地,新鲜之后,难免茫然…… 现在的工作哪一步都是按部就班,学不到东西怎么办?技术更迭好快...

holy_bear 1万+

《UDS协议从入门到精通》系列——图解0x22:通过ID读数据

如何向车辆ECU通过DID写入数据?有哪些注意事项?图解+示例带你快速上手0x22服务!!

车载系统攻城狮 8714

Randeng-T5-784M-MultiTask-Chinese核心技术揭秘:T5架构如何适配100+中文数据集

Randeng-T5-784M-MultiTask-Chinese是基于T5架构的多任务中文预训练模型,集成情感分析、新闻分类等NLP任务,在ZeroClue榜单中文zero-shot任务中取得第三名的优异成绩。本文将深入解析其技术架构与多任务适配方案,帮助新手快速理解模型核心优势。 ## 一、T5架构的中文多任务适配方案 T5(Text-to-Text Transfer Transforme

gitblog_00464的博客 854

实战案例—encrypt靶场(AES固定key篇)

AES是一种对称密钥加密方法,意味着加密和解密时使用相同的密钥。AES加密存在三种形式:AES-128、AES-192和AES-256,它们分别对应于三种不同的密钥长度——128位(即16字节)、192位(即24字节)和256位(即32字节)。通常情况下,密钥的长度越长,提供的安全性就越高,但相应地,加解密过程所需的时间也会增加。默认情况下,采用的是AES-128,其提供的安全性对于大多数应用来说已经足够充分。

zhouzhou_98的博客 498

【Coze搞钱实战】24. 从零实现精准用户画像:Coze+企业微信打造智能导购推送系统(附完整代码)

电商运营中,“客服重复询问用户需求、无法精准推荐”是转化率低的核心痛点——日均200人次咨询,73%的问题是重复的,首单转化率仅14%。本文基于Coze平台sys_uuid用户识别功能、企业微信API与多维表格,打造“用户行为→自动打标→标签存储→智能推送”全链路方案:通过分类分层标签体系捕捉用户偏好,Coze自动识别用户并打标,飞书多维表格存储标签数据,企业微信触发个性化推送。实操后可使客服重复询问率下降62%,意向客户转化率提升81%,首单转化率提升64%。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 545

AI Agent工具路由鲁棒性实测:13个大模型表现与提升策略

工具调用是AI Agent实现复杂任务的核心能力,其本质是让大模型理解用户自然语言指令,并准确映射到预设的功能接口。这一过程涉及意图识别、参数抽取与结构化输出等关键技术,其稳定性直接决定了Agent的实用价值。在工程实践中,工具路由的鲁棒性——即面对模糊、错误或非常规输入时保持正确响应的能力——成为评估Agent可靠性的关键。本次实测聚焦于此,通过构建覆盖多种异常场景的测试集,系统评估了包括GPT-4o、Claude-3.5 Sonnet、DeepSeek-V3等在内的13个主流大模型。测试发现,顶级模型在

weixin_34101229的博客 469

论文分栏前后内容不连续?教你word如何删除分节符

问题 当我们在写论文的时候,很多期刊的模板都是两栏的格式,但有的时候我们插入的图像尺寸可能太大,两栏格式放不下,因此需要将其以一栏的格式出入,如下: 但当我们把图片删除后,再将其转换成两栏格式,前后内容就出现不连续的情况: 正常情况下应该是如下: 正确处理方式 里面有个分页符,把分页符去掉,或者把你的文字全部复制到记事本里,然后重新复制回word就可以取消原有的格式了。 删除分节符的方法(以word 2019为例) -点击菜单栏上的“视图”,点击“大纲视图”。 可以看到word文档以整列的形式展开:

左手の明天的博客 1万+

最强中文T5模型!Randeng-T5-784M-MultiTask-Chinese横扫100+NLP任务实战指南

Randeng-T5-784M-MultiTask-Chinese是一款基于T5架构的多任务中文预训练模型,集成情感分析、新闻分类等NLP任务,在ZeroClue榜单中文zero-shot排名第三,多领域数据集微调,性能卓越。 ## 为什么选择Randeng-T5-784M-MultiTask-Chinese? 这款中文T5模型凭借784M参数规模,在100+中文数据集上完成多任务训练,涵盖情

gitblog_00709的博客 533

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

昨日关注:Hello,Avalon!

2005-1-17Hello,Avalon! #我是在Windows Server 2003上安装的,WinFX的安装速度很慢。大概用去一个小时才全部安装好,.xaml的打开速度也较慢。先show一下经典的hello程序,假期再学习XAML。 数据库营销 #数据库营销在西方发达国家的企业里已相当普及。在美国,85%的零售商和制造商认为他们需要一个强大的营销数据库来支持他们的竞争实力。2

曾登高 2335

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,

第五届 MobileDev Day 即将于5月22日召开

一年一度的MobileDev Day到今天已经是第五届了,这次的MobileDev Day将于5月22日在北京市海淀区知春路49号希格玛大厦微软研发集团2层会议室举办。 MobileDev Day是由一些移动与嵌入式技术的爱好者自发组织的一个非盈利性技术沙龙。它从2006年开始每年都会在北京举办一次。今年的MobileDev Day比以往的日子要早一些,原因在于微软与今年年初发布了一项重...

编程开发资料库 155

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

终极指南:如何在普通电脑上运行100B大模型?1.58-bit量化技术深度解析

你是否曾经梦想在自己的笔记本电脑上运行一个百亿参数的大语言模型,却因为硬件限制而放弃?传统的大模型往往需要昂贵的GPU集群和巨大的内存空间,让普通开发者和研究者望而却步。今天,我们将揭秘微软开源的**BitNet**项目——一个革命性的1.58-bit大模型推理框架,它能让你在普通CPU上运行100B参数的模型,速度媲美人阅读速度(5-7 tokens/秒)! ## 为什么需要1-bit大模型?

gitblog_00992的博客 469

京东宣布加薪:两年时间实现20薪;苹果AI使iPhone16全系8GB内存;AI教母李飞飞从英伟达等融资2.3亿美元| 极客头条

极客头条」—— 技术人员的新闻圈!优快云 的读者朋友们好,「极客头条」来啦,快来看今天都有哪些值得我们技术人关注的重要新闻吧。整理 | 苏宓出品 | 优快云(ID:优快云news)

极客日报 2万+

Ubuntu 14.04服务器上线前必做的四步安全加固

Linux服务器时间同步、防火墙配置与内存管理是保障系统稳定运行的基础能力。NTP提供全局一致的时间基准,支撑日志审计、证书验证与分布式协调;ufw作为iptables的轻量封装,以声明式语法实现可读、可审计、可持久化的网络访问控制;swap则通过内核swappiness机制缓解内存压力,避免OOM Killer误杀关键进程。这些技术虽属传统运维范畴,但在Ubuntu 14.04等长期支持但已EOL的系统中尤为关键——其默认精简配置缺乏基础防护,公网暴露后平均93秒即遭SSH暴力扫描。本文聚焦ufw、NTP

weixin_30514745的博客 381
上一篇: 微软100题-天天做-第12题
下一篇: 微软100题-天天做-第14题
hxpjava1
博客等级 码龄19年 1365粉丝 511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

打赏作者

hxpjava1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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