计算机发展历史

最新推荐文章于 2025-07-18 21:10:12 发布
最新推荐文章于 2025-07-18 21:10:12 发布
阅读量142 收藏
点赞数
CC 4.0 BY-SA版权
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/jamesryf/article/details/105063107

1.按照时间发展：

1946-----1957       电子管计算机 

第一台埃尼阿克(ENIAC)

1975-----1964       晶体管计算机

晶体管由贝尔实验室科学家发明，第一台TX-0，诞生于MIT林肯实验室

1964-----1980       集成电路计算机

德州仪器的工程师发明了集成电路(IC)

1980-----至今       超大规模集成电路计算机

 

未来可能的计算机  

生物计算机：以蛋白质分子作为主要原材料

量子计算机：遵循量子力学的物理计算机

 

 

 

梅塔鲁
关注
Ollama部署Qwen3-Embedding和Qwen3-Reranker
没刮胡子的程序员专栏
06-12 880
wen3 Embedding系列是基于Qwen3开发的专有文本嵌入与排序模型，提供0.6B、4B和8B三种尺寸选择。该系列支持100+种语言，具备32k上下文长度，并允许自定义输出维度（32-4096）。
别只会用别人的模型了，自学Ai大模型，顺序千万不要搞反了！刚入门的小白必备！
2301_81888214的博客
02-13 851
别只会用别人的模型了，自学Ai大模型，顺序千万不要搞反了！刚入门的小白必备！
Qwen3深夜上新，Embedding系列全新登场！
m0_63171455的博客
06-06 964
阿里推出Qwen3-Embedding系列模型，包含0.6B/4B/8B三种尺寸，专为文本表征和检索排序任务设计。8B版本在MTEB多语言榜单排名第一，支持119种语言。模型采用双塔/单塔结构设计，结合Embedding和Reranker模型可优化检索效果。该系列已在HuggingFace等平台开源，同时阿里云提供商业服务。模型训练采用三阶段范式，并创新使用动态Prompt生成弱监督数据。此外，文章还分享了大模型学习资源，包括路线图、视频教程和技术文档等。
一文读懂 Qwen3 最新开源的 Embedding 和 Rerank 模型优势！
不积跬步，无以至千里！
06-15 1254
Qwen3 Embedding 与 Rerank 模型开源，助力搜索、排序技术革新！
Qwen3-Embedding：原理解读和检索场景测试，零基础小白收藏这一篇就可以了！！
bugyinyin的博客
07-03 1063
Qwen3-Embedding 的模型输入输出如下，报告中，没有具体说明其内部结构，估计和 Qwen3 基座模型本身保持一致。
云上玩转Qwen3系列之二：PAI-LangStudio搭建联网搜索和RAG增强问答应用
科技很有意思
05-07 978
本文详细介绍了如何使用LangStudio和Qwen3构建基于RAG和联网搜索的AI智能问答应用。该应用通过将RAG、web search等技术和阿里最新的推理模型Qwen3编排在一个应用流中。
【部署】dify+ollama部署Qwen3-Embedding-8B
u010593516的专栏
06-09 1032
本文介绍了如何部署Qwen3-Embedding-8B模型的详细步骤。首先确认ollama版本需0.9.0+，若版本过低会导致模型加载失败。通过卸载旧版本、下载新版ollama完成升级。其次提供两种模型获取方式：在线拉取或离线导入模型文件。完成部署后需确认模型导入成功，最后在dify平台进行模型配置。文章包含完整的命令行操作流程和注意事项，为部署Qwen3-Embedding-8B模型提供了清晰的指导。
python 本地运行Qwen3-Embedding-0.6B 模型提供API接口
modelmd的博客
06-10 819
该代码实现了一个基于 Flask 的 HTTP API 服务，用于将输入的文本转换为嵌入向量（embedding）。核心功能是通过 Qwen3-Embedding-0.6B 模型生成文本的向量表示。如果不配置环境变量，windows系统模型缓存到C盘的。先安装modelscope，然后使用命令行下载。下载完模型查看对应的配置路径是否有模型。输出了对应的路径，说明配置成功了。验证环境变量是否配置成功。
【小白教程】Ollama本地部署任意大模型（适合企业/个人），看到就是赚到！！
嘴巴吃糖了
05-26 987
5分钟，教你搭建专属AI助手！不管是个人还是企业，都能轻松部署DeepSeek、Gemma3、Qwen3等主流大模型。本地运行更安全，还能用手机随时访问，提升 10倍生产效率！
开源AI新协议！AI Agent与前端交互的轻量级协议，轻松构建交互式AI应用！
bugyinyin的博客
06-04 788
AI Agent 的兴起让前端交互需求激增，但传统开发中，连接Agent后端与前端需大量定制代码，效率低下。 在 MCP（模型上下文协议）、A2A（Agent-to-Agent 通信协议）之后，AI Agent 的生态正在走向一个更完整的方向：AG-UI 协议横空出世，专为 Agent 与前端应用的通信交互而设计。
【AIGC】Qwen3-Embedding：Embedding与Rerank模型新标杆
LeeZhao的博客
06-12 1486
Qwen3-Embedding：文本嵌入与重排序模型的技术解析与应用实践
Ollama 安装Qwen3 系列
红血哥
05-09 1766
本文介绍了如何使用 Docker 安装 Ollama 并部署 Qwen3 系列模型（如 Qwen3、Qwen3-72B 等）。首先，确保系统已安装 Docker，并推荐使用 GPU 支持以运行大模型。接着，通过 Docker 拉取并启动 Ollama 容器，检查服务状态。Ollama 支持自动拉取主流模型，如 Qwen3，但也可手动部署。手动部署步骤包括下载模型、转换为 GGUF 或 GGML 格式、创建 Modelfile 文件，并通过 Ollama 加载和运行模型。最后，可通过 REST API 调用模
【自用】JavaSE--集合框架(一)--Collection集合体系
weixin_65466248的博客
07-17 789
由于无法进行排序，因此需要自己指定排序规则，如下图，之前在学习Arrays.sort时学过，这里方法一样如果两种方法都是用了，TreeSet会采用就近原则使用外部重写的Comparator规则，而不使用对象类内部重新的如果两个对象中出现的某一项相同，比如采用年龄排序，年龄都是16，则会丢失其中一个，因为Set的规则就是出现输入相同的数据时会保留先前输入的ComparableComparatorComparator是一个匿名内部类，在传入参数时直接重写，可以。
实现通讯录人员选择
hopefullman的博客
07-16 235
【代码】实现通讯录人员选择。
C#，List＜T＞ 与 Vector＜T＞
大语言模型掘墓人
07-15 713
总之，Vector<T>主要用于线性代数计算，而List<T>和Array更适用于常规编程任务。在大多数情况下，建议使用List<T>或Array而不是Vector<T>。然而，如果你需要进行复杂的线性代数计算，Vector<T>可能是一个更好的选择。性能：List<T>和Array在内存分配和性能方面通常优于Vector<T>。而Vector<T>的功能相对有限，可能需要额外的库或工具来实现类似的操作。功能：List<T>和Array提供了更多的功能，如排序、查找和转换等。
STL—— list迭代器封装的底层讲解
最新发布
2402_88489677的博客
07-18 495
本章重点讲解了STL中链表中的迭代器封装问题，以及list的底层实现
Java集合框架体系详解：List/Set/Map接口对比与核心实现原理
m0_58202543的博客
07-17 766
通过理解底层实现机制，能够更合理地选择集合类型，写出高效稳定的Java程序
LinkedList集合源码解析
mengyb个人文档记录
07-16 288
LinkedList源码解析
如果我要使用qwen作为agent的基底模型，我是使用qwen的全部还是使用qwen-embedding
06-11
<think>嗯，我现在要处理用户的问题：他想了解在使用Qwen作为Agent基底模型时，选择完整Qwen模型还是Qwen-embedding模型的适用场景。首先得明确这两个模型的区别。根据用户提供的引用和之前的知识，Qwen是完整的语言模型，能生成文本和推理，而Qwen-embedding可能只输出嵌入向量，用于检索或相似度计算。用户提到的引用[2]里详细说明了如何配置Qwen2-7B-Instruct-GPTQ-Int4模型，包括参数设置和使用vLLM引擎加载。这属于完整的生成模型，能处理复杂任务。引用[1]和[3]则讨论了模型能力评估，比如需要判断任务类型是否匹配模型的知识和训练情况。比如预训练阶段没学过的内容，微调也难补救。这提示在选基底模型时要看任务需求。接下来要分析两者的区别。完整Qwen适合需要推理、决策、生成响应的Agent任务，比如问答或多步规划。而embedding模型适合检索增强，比如从知识库中找相关文档，再结合生成模型。用户可能混淆了两种模型的用途，需要明确各自的作用场景。适用场景方面，引用[2]中的配置例子是生成模型的应用，如处理复杂指令。而embedding模型更偏向于在RAG架构中作为支持模块。用户的问题是否涉及Agent是否需要自主生成能力？如果需要动态交互，应选完整模型；如果是静态检索，用embedding模型。同时要考虑计算资源，生成模型消耗更大，引用[2]提到显存管理和张量并行配置，可能影响部署选择。还要考虑用户可能的场景。比如，如果用户构建的Agent需要理解用户问题并生成答案，完整模型更合适。如果需要从数据库匹配信息，embedding更有效。或者两者结合，比如RAG流程中先用embedding检索，再用完整模型生成答案。这时候的基底模型选择取决于Agent的设计架构。最后，根据引用[3]的迭代优化建议，用户可能需要测试两种模型在具体任务的得分，评估效果差异。比如在SFT后检查不同任务类型的表现，再决定哪种模型作为基底更合适。可能需要实际测试续写能力或知识掌握程度，如引用[1]提到的方法。</think> 下面从技术原理和应用场景分析Qwen完整模型与Qwen-embedding模型的区别及适用场景： --- ### **1. 核心区别** | **特性** | **Qwen完整模型** | **Qwen-embedding模型** | |-----------------------|--------------------------------------|-----------------------------------| | **输出类型** | 文本生成/推理结果 | 高维向量（Embeddings） | | **主要能力** | 自然语言理解、逻辑推理、文本生成 | 语义编码、相似度计算 | | **典型任务** | 问答、决策、代码生成 | 检索增强、语义匹配、聚类分析 | | **架构定位** | 通用大语言模型（LLM） | 专用嵌入模型 | | **计算资源需求** | 高（需GPU推理） | 较低（可CPU运行） | --- ### **2. 适用场景对比** #### **✅ Qwen完整模型适用场景** - **复杂任务代理（Agent）** 需要**多步推理**的任务（如数学计算、计划制定），例如： ```python # 场景：多轮决策Agent response = qwen_agent.generate("用户要求预订下周北京到上海的航班，预算2000元以内") # 输出：推理航班选择、日期建议、价格对比等结构化决策 ``` - **动态内容生成** 实时生成报告、邮件、代码等（依赖模型的生成能力）[^2] - **知识密集型问答** 直接结合预训练知识回答复杂问题（如"解释量子纠缠现象"） #### **✅ Qwen-embedding模型适用场景** - **检索增强架构（RAG）** ```mermaid graph LR A[用户问题] --> B(Embedding模型) B --> C{向量数据库} C --> D[检索相关文档] D --> E[Qwen完整模型生成答案] ``` **用途**：将用户问题转化为向量，从知识库中检索最相关信息 - **相似任务路由** 对用户请求聚类，路由到不同处理模块（如"翻译类请求"路由到翻译Agent） - **轻量化语义匹配** 快速比对文本相似性（如客服问题匹配知识库条目） --- ### **3. 选择建议** | **需求特征** | **推荐模型** | |----------------------------------|-----------------------| | 需实时生成文本/推理 | ✅ Qwen完整模型 | | 需处理结构化数据检索 | ✅ Qwen-embedding | | 部署资源受限（低算力设备） | ✅ Qwen-embedding | | 任务依赖预训练知识（如诗词创作） | ✅ Qwen完整模型[^1] | | 需构建RAG系统 | 🔄 **两者结合使用** | --- ### **4. 典型技术方案** 当需要构建完整Agent系统时，**混合架构**往往最优： ```python # 混合架构示例 from qwen_embedding import get_embedding from qwen_llm import generate_response user_query = "特斯拉2023年Q4财报亮点是什么？" # Step1：用Embedding模型检索知识库 query_vector = get_embedding(user_query) knowledge = vector_db.search(query_vector, top_k=3) # Step2：将检索结果输入完整模型生成答案 prompt = f"基于以下资料：{knowledge}，回答：{user_query}" answer = generate_response(prompt) # 使用完整Qwen模型 ``` --- ### **
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