- 博客(50)
- 收藏
- 关注
RSS订阅原创 Markdown跨平台测试文章（完整版）
本文用于测试 SyncCaster 插件在不同博客平台标题层级文本格式（加粗、斜体、删除线）列表（有序/无序/任务）引用、代码块、行内代码表格数学公式（LaTeX）图表（Mermaid）图片上传/展示换行与段落间距平台对 Markdown 的解析能力差异请在每个平台发布后检查排版是否一致。
2025-12-05 16:00:14
565
原创 A Watermark for Large Language Models： 让大模型“写出来就自带水印”的底层机制，一次说清
本文提出了一种针对大语言模型的隐形水印方法，能够在保持文本生成质量的同时，仅需25-50个token即可高置信度检测模型生成的文本。作者通过将词表随机划分为"绿名单"和"红名单"，并在采样时对绿名单token的logit添加偏置δ，实现了对高熵位置的偏好引导。该方法无需访问模型参数，仅需统计文本中绿名单token的比例即可通过z检验完成检测。理论分析表明，该方法在保持文本质量（如困惑度仅上升0.2）的同时具有强鲁棒性，即使攻击者修改25%的token仍无法有效去除水印
2025-11-27 17:38:31
1040
原创 Can AI-Generated Text be Reliably Detected? —— 当攻击者认真起来，AI 文本检测还有多大胜算？
在现实世界里，AI 生成文本究竟能不能被“可靠地”检测出来？不是在干净的 benchmark 上，不是在“老实人”场景里，而是在有攻击者、有动机、有时间专门绕过检测器的情况下。作者做了两件事：一方面，他们系统性地“压力测试”了当下主流的 AI 文本检测方案，包括水印、训练好的分类器、DetectGPT 这类 zero-shot 检测器以及基于检索的检测器；就算你有“最强可能的检测器”，当 AI 文本分布逐渐逼近人类文本时，检测这件事本身会变得越来越不可能。
2025-11-26 16:40:22
820
原创 DetectGPT：用“概率曲率”做 AI 文本测谎仪
DetectGPT：基于概率曲率的零样本机器生成文本检测方法 本文提出DetectGPT，一种无需训练分类器或添加水印的机器生成文本检测方法。核心思想是利用大语言模型生成文本在概率空间中的局部特征：模型生成的文本通常位于log概率曲面的局部峰值附近，轻微扰动会导致概率显著下降；而人类文本扰动后概率变化较小。通过T5/mT5生成语义保持的扰动文本，计算原始文本与扰动文本的log概率差异作为检测指标。实验表明，该方法在多种模型(GPT-3等)和数据集上，AUROC比传统零样本方法提升约0.1，最高达0.95。该
2025-11-26 15:02:30
575
原创 DetectLLM：用 Log Rank 玩转零样本 AI 文本检测
论文在解决什么问题？随着 GPT-3、LLaMA、GPT-NeoX 这类大模型狂产文本，靠人眼区分“人写 / 机写”越来越不现实；但监督式检测器一训练就会过时，训练成本和维护成本也很高。作者聚焦在**“零样本 + 白盒”**场景：直接用源 LLM 的统计信息来判断一段文本是不是它写的。核心思路一句话不仅看每个 token 的 log 概率，还看它在候选词排序里的rank和，分别对应无扰动快速检测和带扰动高性能检测。性能上的亮点。
2025-11-24 10:30:19
899
原创 DetectRL：把 LLM 文本检测拉到“真实世界难度”的基准
论文要解决什么问题？在学生写作、新闻、社交媒体这些“高风险场景”中，现有 LLM 文本检测器到底靠不靠谱？但之前的检测基准大多在「同一模型、同一提示、干干净净的文本」上评测，离实际使用差了一大截。DetectRL 想做的，就是构建一个更贴近真实世界的基准，系统评估在多领域、多模型、多种攻击、不同长度、甚至带人类拼写错误的情况下，各类检测器到底表现如何。大概做了什么？作者从四个高风险领域（arXiv 学术摘要、BBC 新闻 XSum、WritingPrompts 小说、Yelp 评论）收集纯人类写作。
2025-11-23 17:19:03
970
原创 DetectGPT 的轻量升级：贝叶斯代理让检测更高效
如何在几乎不多问大模型的情况下，依然靠谱地分辨一段文字是不是 LLM 写的？过去的零样本检测方法，要么像传统的 log-prob 检测器那样效果一般，要么像 DetectGPT 那样效果不错但查询次数离谱——检测一段文本要几百次调用源模型。在商用 LLM 按 token 收费的大背景下，这个成本几乎不可接受。在 DetectGPT 的框架里塞进了一个“贝叶斯代理人”
2025-11-23 15:43:25
1041
原创 Fast-DetectGPT：用“条件概率曲率”拆穿 AI 伪装的文本
这篇论文要解决的核心问题，是如何在零样本（zero-shot）条件下区分“人写的文字”和“大模型写的文字”，同时还能跑得又快又准。现有最强的零样本检测器 DetectGPT 虽然效果不错，但代价是要对每一段文本做上百次模型调用，算一次检测就像跑了一个小型 benchmark，一点都不“工程友好”。利用条件概率曲率（conditional probability curvature）来刻画“这段话在模型眼里是不是一个局部最优的选词结果”。
2025-11-22 23:03:27
1526
原创 How Close is ChatGPT to Human Experts?——从 HC3 数据集看“大模型 vs 人类”的真实差距
ChatGPT 和人类专家，到底像到什么程度了？这篇论文做的事情，其实可以拆成两个大块：一块是问答对比语料 HC3 的构建，另一块是基于这个语料的系统评估与检测模型研究。能不能在同一批问题上，系统性地比较 ChatGPT 与人类专家的回答？如果要区分一段文本是人写的还是 ChatGPT 写的，什么特征和模型最好用？从这两者的差异里，能看出 LLM 未来应该往哪里优化？这应该是最早。
2025-11-22 22:05:50
1380
原创 Intrinsic Dimension Estimation for Robust Detection of AI-Generated Texts（用“内在维度”抓住 AI 文本的尾巴）
这篇论文要解决什么问题？- 现代大模型写的文本越来越像人，现有检测器要么只对某个模型 / 某个域有效，要么容易被简单改写（如 paraphrase）骗过；很多方法还会严重误伤非母语写作者。作者希望找到一种与模型、领域、语言都尽量无关的“人类文本不变量”，据此构造鲁棒的 AI 文本检测器。它的核心突破是什么？- 论文发现：把一段文本的 token 嵌入看成高维点云，用拓扑方法估计它的“内在维度”，
2025-11-21 10:12:26
781
原创 On the Possibilities of AI-Generated Text Detection——从“不可能检测”到“多样本的希望”
论文在回答一个让人很焦虑的问题：在大模型生成文本已经“像人一样”的今天，我们还能不能可靠地区分“人写的”和“模型写的”？在绝大多数现实场景里，只要你肯收集足够多的样本，检测不是不可能，而是“迟早可以”。它纠正了最近一波“检测不可能论”的悲观结论。之前有工作证明，当人类文本分布和模型文本分布非常接近时，基于单条文本的检测器理论上很难做得比随机好太多，于是许多讨论直接滑向“LLM 文本检测从根上不可能”。问题不在“能不能检测”，而在“要多少样本才能检测”。它给出了清晰的“样本复杂度”刻画。
2025-11-19 10:43:17
879
原创 Paraphrasing evades detectors of AI-generated text重写轻松躲过 AI 文本检测？检索或许是最后的防线
论文解决了什么问题？如何可靠地检测大模型生成的文本，尤其是在对方故意“洗稿”之后。作者证明，只要有一个足够强的改写模型，就能让当前主流检测器几乎“集体失效”，包括水印、DetectGPT、GPTZero、OpenAI 的 classifier 等。有何历史意义和性能突破？- 作者训练了一个 11B 参数的语篇级改写模型DIPPER，在保证语义几乎不变的前提下，让 DetectGPT 的检测准确率从70.3% 直接掉到 4.6%（FPR 固定为 1%），水印检测准确率也明显下降。
2025-11-18 13:46:14
1023
原创 Provable Robust Watermarking for AI-Generated Text（从“统计小改动”到“可证明鲁棒”的文本水印）
我们能否“可靠地标记出”哪段文本来自某个大模型，而不是靠猜？论文解决的问题是什么？大模型生成文本越来越像人写的，传统“AI 内容检测器”靠统计模式去猜，很容易被分布漂移、提示工程和简单的改写攻击打崩。论文要解决的是：如何给模型生成的文本打上一个“几乎擦不掉”的水印，并且在数学上证明：想抹掉水印，需要付出很大的编辑代价。有何历史意义和性能突破？作者做了三件关键事：1. 给文本水印提出了一个严谨的理论定义（质量、I/II 类错误、安全性都被形式化），而不是“实验好用就行”。
2025-11-17 16:34:51
662
原创 RAIDAR：通过「重写」来识别生成式 AI——ICLR 2024 论文《RAIDAR: Generative AI Detection via Rewriting》解读
这篇工作想解决的核心问题很直接：在只有「黑盒 API」的前提下，如何可靠地检测一段文本是不是由大模型生成的？传统检测方法高歌猛进了一阵，到了 GPT-3.5 / GPT-4 这一代，效果就开始明显掉队，尤其是面对短文本、不同模型、甚至有对抗意识的生成者时。不用看概率分布、不用访问模型内部，只是让另一个 LLM 去“重写”这段文本，然后量一量前后差了多少字。他们发现：对同一个重写指令，LLM 对自己写的东西通常改得很少，对人类写的东西改得很多。这个差异被系统性地量化之后，就变成了一个相当稳定的检测信号。
2025-11-17 15:23:54
1052
原创 SeqXGPT：Sentence-Level AI-Generated Text Detection —— 把大模型的“波形”变成测谎仪
我们已经习惯了“整篇文章是不是 AI 写的”这种粗粒度检测，但现实里，人们更常做的是用大模型润色、补写某几段，而不是整篇托管给 AI。现有的 DetectGPT、GPTZero 之类方法，都更擅长识别整篇机器写作，对“一句一句地查”几乎无能为力。SeqXGPT 正好把刀磨到了这个细粒度问题上。如何在句子级别判断一段文本究竟是人写的，还是被某个 LLM 生成或改写过的。
2025-11-16 20:23:00
836
原创 Spotting LLMs with Binoculars：零样本“抓 AI 写作”的双筒望远镜
论文在解决什么问题？大模型写的文本越来越像人，传统基于训练的检测器往往只对特定模型（比如 ChatGPT）有效，一旦换成别的 LLM 或新版本，性能就会大幅下降。论文提出Binoculars——一种只用两只预训练语言模型、完全不需要训练数据的零样本 LLM 文本检测方法，目标是在不知道“谁写的”的前提下区分「人类写作」和「机器生成」。有什么历史意义 / 性能突破？在完全零样本的前提下，Binoculars 在多种数据集上对 ChatGPT 文本的检测TPR 超过 90%，FPR 控制在 0.01%
2025-11-16 11:17:57
945
原创 Who Wrote This? —— 用语法错误一招识破大模型生成文本（GECSCORE 解读）
这篇论文解决了什么问题？在大模型时代，我们越来越需要区分“人写的”还是“模型写的”文本。传统零样本检测方法大多需要访问“源模型的 logits”（白盒），或者依赖大量训练数据（监督式分类器）。这篇论文提出的GECSCORE在完全黑盒、零样本的条件下，仅凭一个语法纠错模型，就能高精度识别 LLM 生成文本。有什么历史意义和性能突破？
2025-11-15 23:38:04
854
原创 Provable Robust Watermarking for AI-Generated Text：给大模型文字“打上隐形指纹”
论文解决了什么问题？**这篇论文想解决的是：如何给大模型生成的文本加“隐形水印”，并且在用户后续各种编辑、同义改写之后，仍然能可靠地检测出来，而且有严格的数学保证。**现有很多检测方法要么纯靠统计特征、容易被分布漂移和攻击打爆，要么水印方案没有清晰的鲁棒性分析。作者给出了一套形式化的“LLM 文本水印理论框架”，把“质量、误报率、漏报率、抗编辑攻击”全部写成可证明的性质。有何历史意义和性能突破？第一次对“统计型文本水印”给出了针对任意编辑攻击的可证明鲁棒性保证。
2025-11-14 16:30:26
852
原创 DNA-GPT：用“续写 DNA”抓出 GPT——一篇训练免检测方法的全景解读
论文一开头就点出了今天的现实：ChatGPT、GPT-4 等 LLM 让机器生成文本在流畅度和多样性上快速逼近甚至部分超越普通人，随之而来的，是假新闻、学术不端、作业代写等一系列信任危机。与此同时，检测技术的发展明显慢于生成技术，尤其是在最新闭源大模型上，很多传统方法直接“失效”或要求的接口根本拿不到。作者认为困难有两层。一方面，当机器文本质量足够高时，“看起来像不像人写的”这类直觉判别几乎失灵，理论上也出现了“AI 文本是否可检测”的争论。
2025-11-14 10:36:54
1016
原创 MCP驱动的Rgentic RRG（向量数据库+网络搜索）
这是一个基于MCP 协议给 AI 装上"外挂"，让它能用工具！📖字典= 本地知识库（专业、准确）💻电脑= 网络搜索（实时、全面）🧠孩子的大脑= AI 模型（理解、综合）打开，找到ML_FAQML_FAQ = ["id": 1,"q": "什么是监督学习？","a": "监督学习将输入映射到标记输出..."},# 添加你的内容"id": 100,"q": "我们公司的产品是什么？","a": "我们公司主营..."},问答对（FAQ）技术文档产品说明任何文本内容。
2025-11-11 23:17:40
672
1
原创 MCP入门：让AI与外部世界真正连接
MCP（模型上下文协议）为AI与外部世界之间搭建了一座桥梁。它通过标准化接口让不同AI和工具能够互通互联，极大地降低了开发与集成的复杂度。
2025-11-10 21:44:22
677
原创 100% 本地 MCP 客户端 + SQLite 服务器（LlamaIndex + Ollama + Qwen2.5）
中定义了模型的角色与工具使用规则。- 当用户提到“添加”/“插入”，调用 add_data；- 当用户提到“查询”/“获取”，调用 read_data；- 调用成功后请返回简洁结果，不重复调用；删除该文件或清空内容会导致模型无法判断何时调用工具（详见下文“原理解释”）。将 MCP 工具包装为 LlamaIndex 原生工具；构建函数调用代理（function-calling agent）。决定是否调用工具；调用后整合结果；生成自然语言回答。将用户输入传入代理；打印工具调用事件（
2025-11-10 09:31:51
1119
1
原创 WSL2 + Ubuntu 22.04 全流程安装与避坑指南（适配 D 盘）
本文详细介绍了在Windows 10/11系统D盘部署Ubuntu 22.04开发环境的完整流程。主要内容包括：彻底清理旧版WSL环境、重新安装WSL2组件、将Ubuntu迁移至D盘、解决网络问题、恢复默认用户配置、测试GPU支持等关键步骤。重点解决了WSL无法联网的问题，通过配置实现APT和curl的正常使用。文章还提供了常见问题解决方案和最终环境验证方法，帮助用户搭建完整的Ubuntu开发环境，支持CUDA开发和Python环境配置。
2025-10-17 17:26:02
2252
2
原创 语雀·教育邮箱现在提供免费一年会员资格！
作为一位深度使用电子笔记的用户，我曾长期使用印象笔记，后来发现有道云笔记也非常适合我的需求。然而，我最近发现语雀和飞书等云笔记服务越来越出色。我们希望每个用户都能够快速、舒适地记录自己的思想和想法，因此，语雀的文档编辑器提供了强大的功能。特别是在PC端，左侧目录、中间编辑区和右侧文档大纲区的布局设计非常舒适，有助于快速定位和编辑文档。或者你可以先利用邀请码，然后在用教育邮箱申请认证，这样就能免费获取一年零一个月的专业会员。经过一段时间的使用，我认为语雀完全满足了我目前办公和学习的需求。
2024-02-07 22:32:45
2459
原创 SpringIOC创建对象方式、IOC接口的核心以及ApplicationContext实现类
目录SpringIOCIOC容器底层实现原理创建对象的方式SpringIOC容器底层实现原理IOC核心的接口ApplicationContext主要实现类SpringIOCIOC容器底层实现原理IOC容器中非常核心的接口 BeanFactoryBeanFactory Bean对象 Factory工厂IOC容器基本的概念：控制反转把对象的创建过程与使用统一都交给我们的Spring来进行原理。不需要开发者自己去new对象IOC容器底层实现技术：反..
2022-05-02 19:08:19
1094
原创 Spring框架快速入门以及框架的构建
spring的官网:Spring | HomeSpring官方下载依赖jar包地址:JFrog七大核心模块Test对应spring-test.jar. Spring提供的测试工具, 可以整合JUnit测试, 简化测试环节.Core ContainerSpring的核心组件, 包含了Spring框架最基本的支撑.Beans, 对应spring-beans.jar. Spring进行对象管理时依赖的jar包. Core, 对应spring-core.jar,...
2022-04-25 19:04:45
1106
1
原创 Spring IOC容器底层实现原理
IOC容器里核心的接口：BeanFactoryBean对象 Factory 工厂Inversion Of Control（控制反转）：把对象的创建过程与使用统一都交给spring来进行管理。不需要开发者自己去new对象IOC容器底层实现技术反射技术 解析xml 工厂模式作用：降低代码的耦合度步骤：1.解析xml技术，解析spring.xml配置文件。2.获取<bean id="" class=""> </bean> 类完整路径地址。3
2022-04-25 18:46:28
1046
原创 Spring5简介
目录一、概述二、组成三、Spring中常用术语四、拓展一、概述Spring：JavaEE轻量级源框架，类似于简历模板。 目的：解决企业应用开发的复杂性 理念：使现有的技术更加容易使用，本身是个大杂烩，整合了现有的技术框架 （以前）SSH:Struct2 + Spring + Hibernate （现在）SSM:SpringMVC + Spring + Mybatis 官网：Spring Framework GitHut：GitHub - spring-pr...
2022-04-24 19:02:06
611
原创 【JDBC-6】数据库连接池
类似于线程池，准备一些预先的资源，到使用的时候直接拿出。之前我们在对数据库进行连接操作时，每次连接都需要连接connection = JDBCUtils.getConnection();操作完毕后还需要释放JDBCUtils.release(connection,preparedStatement,resultSet);这些操作是非常消耗系统资源的，因此就推出了数据库连接池的概念。类似于线程池，在事先定义好连接次数后，不用每次操作都要进行数据库的连接和释放热门的开源数据源实..
2022-04-24 18:50:35
1069
原创 【JDBC-5】浅析事务的ACID原则，真实代码测试事务提交原理
事务定义：所谓事务，它是一个操作序列，这些操作要么都执行，要么都不执行，它是一个不可分割的工作单位。要么都成功，要么都失败，这是事务最重要的性质。ACID原则（Atomicity）：原子性：要么都发生，要么都不发生 （Consistency）：一致性：总数不变 （Isolation）：隔离性：多个线程互不干扰 （Durability）：持久性：一旦提交不可逆，持久化到数据库原子性是指事务是一个不可再分割的工作单位，事务中的操作要么都发生，要么都不发生。一致性是指在事务开始
2022-04-13 11:12:10
301
1
原创 【JDBC-4】IDEA配置自动连接MySQL数据库（解放双手），IDEA连接数据库的时区问题（连接不上数据库）
目录前言IDEA连接MySQL1.连接数据库2.选择数据库3.修改数据4.创建表单前言之前我们讲了如何使用写JDBC代码进行数据库的连接，不过在IDEA中可以配置直接连接数据库，这样会简便许多。IDEA连接MySQL1.连接数据库打开Datebase设置：一般打开IDEA在右边侧边栏会有Datebase字样的按钮，没有的话就在左下角的小菱形中：然后选择MySQL数据库（其它数据库同理）注意：配置自动连接数据库...
2022-04-13 11:03:02
3195
2
原创 【JDBC-3】都2202年了不会还有人用Statement吧？（PreparedStatement对象理解和代码测试）
前言前面讲到了SQL注入问题的不安全，主要原因就是由于Statement对象不安全！要解决SQL注入问题就不能使用Statement对象。PreparedStatement对象作用： 防止SQL注入，效率更高 让我们来看看这个PreparedStatement对象的定义：可依法向PreparedStatement本质上是一个接口，继承了Statement父类（继承就是用来扩展和改变父类的一些东西！）代码实现核心代码：Connection connection.
2022-04-12 17:52:01
529
原创 【JDBC】工具类对JDBC的写法以及SQL注入问题
目录前言工具类对jdbc的写法1.写配置文件2.新建工具类读取配置文件、加载驱动、加载连接、释放资源（同样的操作放在同一个工具类里面）3.测试连接4.运行SQL注入问题前言在JDBC快速上手的那篇文章中我们通过IDEA连接到了MySQL，但是那种方法是最基础的方法，日常开发中根本就不会使用，而且安全性极差。这篇文章将讲解一种新的方法（配置文件法）来改进这种问题。工具类对jdbc的写法1.写配置文件在src目录下新建一个文件，命名为d...
2022-04-11 16:07:18
1289
原创 【JDBC-2】JDBC入门：Statement对象详解
前言在上一期中我们讲到要想使用JDBC从数据库中提取出数据，主要有六步：加载驱动 用户信息和URL 得到数据库对象 得到SQL对象 执行SQL对象 释放连接其中最重要的就是3、4、5步，那么这篇文章就来细细探讨下JDBC连接的第四步：得到SQL对象（Statement）Statement对象详解jdbc中的Statement对象用于向数据库发送SQL语句，数据库的增删改查通过这个对象来完成（向数据库中发送指令）。该对象主要有两个方法：statemen...
2022-04-11 15:46:44
1589
原创 【JDBC-1】快速上手JDBC并使用IDEA连接MySql数据库
一、JDBC五问1.本质：一堆接口（java.sql.*)，在Java中写sql语句。2.作用：通过接口来实现Java与各大数据库之间的连接，降低了代码间的耦合度；3.JDBC整个程序的结构中有三拨人？sun公司，负责制定JDBC接口。即：java.sql.*; JDBC接口下的实现类，由数据库厂商编写。例如MySQL数据库的实现类：这些jar包的专业术语：mysql的驱动 Java程序员，面向JDBC接口写代码。4.JDBC开发前的准备工作？mysql的驱动jar包，需要配置到c
2022-04-08 19:38:04
1382
3
原创 【GC垃圾回收】补充
GC回收区域：新生代 老年代 永久代GC两种类：轻GC（Minor GC)、重GC（Full GC）GC题目：1.JVM的内存模型和分区？（详细到每个分区放什么）2.堆里面的分区有哪些？说说他们的特点？3.GC的算法有哪些？4.轻GC 和 重GC分别在什么时候发生？1.类加载器、运行时数据区、执行引擎2.Eden、Survivor（From，To）、Old Memory3.标记-清除算法、标记-复制算法、标记-整理算法、可达性算法4.Mi..
2022-04-07 19:03:55
221
原创 浅析Java虚拟机的垃圾回收机制（GC）
目录一、垃圾回收机制（Garbage Collection）二、对象回收的时机引用计数法可达性分析算法三、垃圾回收算法标记-清除算法标记-复制算法标记-整理算法新生代、老年代、永久代看这篇：四、垃圾收集器java技术体系中自动内存管理分为两个问题：给对象分配内存 回收给对象分配的内存内存的分配涉及到的内存区域是：堆区（堆+方法区）一、垃圾回收机制（Garbage Collection）垃圾回收(Garbage C...
2022-04-06 18:51:19
6617
原创 Java虚拟机中的年轻代、老年代、永久代图解版
常见名词：年轻代、老年代、永久代、Minor GC、Full GC（也称Major GC）Java堆内存图：堆内存分配：年轻代 Eden区 Survivor区 From(S0) To(S1) 老年代年轻代java新生成的对象几乎都会存放在新生代的Eden区中（如果对象的占用内存较大则直接分配至老年代中），当Eden区内存不够的时候就会触发MinorGC（Survivor满不会引发MinorGC，而是将对象移动到老年代中）。...
2022-04-06 18:18:54
2357
原创 JVM内部线程之间的调用问题
线程线程指的是一个线程实体。JVM允许一个程序并发执行多个线程。首先创建的是操作系统原生线程，Java线程结束后，原生线程随之被回收。操作系统负责调度所有线程，并把它们分配到任何可用的cpu上。执行过程：原生线程（初始化完毕） Java线程（调用run（）方法） 确认是否终止JVM进程（由原生线程决定，run（）返回且未捕获异常；线程是最后一个非守护线程）——> 释放原生线程和Java线程的所有资源JVM系统线程很多线程在后台运行。这些线程与main函数的主线程
2022-04-02 18:58:46
741
原创 JVM工作原理
流程：java源文件经过前端编译器（javac或ECJ）将.java文件编译为.class字节码文件，然后JRE加载.class文件，载入系统分配给JVM的内存区，然后执行引擎解释或编译类文件，再由即时编译器将字节码转换为机器码。目录类加载运行时数据区类加载 将类的字节码文件（.class）中的二进制数据读入内存，将其放在运行时数据区的方法区内，然后在堆上创建java.lang.Class对象，封装类在方法区内的数据结构。类加载的最终产品是位于堆...
2022-03-31 19:29:38
370
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人