谷歌搜索AI升级后频现拼写问题,修复代价高但仍有方向!

谷歌重注AI资本开支,搜索广告金鹅面临三重挤压 人工智能基础设施投入持续攀升,资本开支(Capex)正在改变科技巨头的成本结构与商业模式。传统搜索依赖低边际成本的索引检索,而AI搜索每次请求都需要大模型推理,单位成本高出数十倍。这种成本结构的差异,不仅影响企业利润率,也深刻影响开发者的技术选型与API定价预期。当一家公司用搜索广告的高利润去供养AI基础设施,现金牛业务与创新业务之间便出现内在张力。本文从商业逻辑与技术成本双重视角,剖析AI资本开支对搜索广告模式的冲击,并给出开发者应对策略。 阅读详情

AI的黑历史与谷歌搜索新问题

AI很有用,但也有不少黑历史,比如算不准Strawberry中有多少个r、知道马嘉祺却说不出他的名字,以及持续困扰用户的AI幻觉问题。今天,谷歌搜索又出现了新问题。有用户发现,近日升级了AI能力的谷歌搜索,在面对「google里面有几个P」这样的简单问题时竟然失败了!这件事引发了广泛关注和测试热潮。即便用汉语提问,谷歌搜索依然给出错误答案,还自行“加戏”,错上加错地说Pixel里面有两个P。事实上,不只是google这个词,谷歌搜索在处理很多其他词汇时,也会出现类似的字母计数和拼写问题,甚至纯汉语提问也可能遭遇此类问题。

谷歌搜索改版与问题根源

今年5月的Google I/O 2026大会上,谷歌宣布了一次被称为「搜索框25年来最大升级」的搜索改版。新版谷歌搜索以重新设计的「智能搜索框」为核心,将AI Overview与AI Mode整合为统一的搜索流程:用户提问后,AI直接生成答案并支持追问,传统链接依然保留,但不再是交互的主角。谷歌搜索负责人Liz Reid将其定性为「过去25年来搜索框最大的一次升级」。这是谷歌在OpenAI、Perplexity等AI搜索竞争者的压力下,做出的一次全面押注。数周前,就有用户发现,在谷歌搜索框里输入「disregard(无视)」这个词,AI不是给出词典解释,而是把这个词当成了指令,回答说:「好的,我已忽略你之前的消息,有什么新问题请告诉我。」谷歌很快修复了这个bug,但拼写错误的问题目前依然存在。TechCrunch咨询了谷歌相关人士,得到了一个相当坦诚的回应:「在词内部数字母一直是大语言模型的已知难题,我们正在修复这个特定问题。」

AI数不清字母的原因

谷歌的回应点出了核心:这不是谷歌一家的问题,而是当前所有LLM共同面临的结构性缺陷。想理解为什么AI数不清字母,得先了解AI是怎么「读字」的。我们人类读一个词,是按字母一个一个扫过去的,比如G - O - O - G - L - E,共六个字母,这个过程天然包含了对字符的感知。但LLM不是这样工作的,它处理文字的基本单位不是字母,而是token,可以理解为一种更粗粒度的「语言碎片」。一个token可能是一个完整的单词,也可能是半个单词,甚至可能是几个词的组合。以OpenAI的分词器为例,「Strawberry」这个词会被切成三个token:「Str」「aw」「berry」。对AI来说,它接收到的不是11个字母,而是3个抽象的语言单元。你让它数里面有几个「r」,它必须先「还原」这些token里隐藏的字母信息,而这一步没有被明确训练过,所以它往往做不好。「Google」这个词同样如此。在常见的分词方案下,它极有可能被当成一个token整体处理,其中的字母组合信息已经被「压缩」进了一个抽象编号。问AI里面有几个P,就相当于问一个只背过单词音节的人,那个词里有没有某个字母,他未必知道。马里兰大学AI研究员Matthew Guzdial解释说:「当模型看到the这个词时,它拿到的是the的整体编码,它并不知道里面有T、H、E。」LLM处理的是语言的「意思」,而非文字的「形状」,而拼写恰恰属于后者。

经典测试梗与AI思维模式

“Strawberry里有几个r”这道题,早在大模型兴起之初就成了一个测试AI的经典梗。几乎所有主流模型,在不加特别提示的情况下,都会答错。刚刚加入Anthropic的Andrej Karpathy曾专门写过一个小程序,用emoji来可视化token的切分方式,让普通人直观感受到「AI眼中的文字」是什么样的。当你看到「How many letters 'r' in the word'strawberry'?」在模型视角里变成一串被随机切开的色块,就能明白为什么它数不清了。有意思的是,这个问题并非无解。如果你在提问时加上「请逐步思考」或「请先把每个字母列出来」,模型通常能答对。这说明它具备推理所需的基础信息,只是在没有被要求「认真想」的情况下,会直接给出一个「快速直觉答案」,而这个答案往往是错的。这种现象和心理学里的「系统一 / 系统二」思维模式颇为相似:人类平时也依赖快速直觉(系统一),只有在被要求时才切换到深思熟虑(系统二)。大模型的默认模式,也是「能省则省」。Karpathy给这种AI能力分布不均的现象起了个名字:Jagged Intelligence(参差不齐的智能)。一个能在数学奥林匹克竞赛中拿银牌的模型,可能数不清一个单词里有几个字母;一个能写出流畅代码的AI,可能判断不了两个圆是否重叠。这种反直觉的能力分布,是当前大模型的普遍特征,而非个别缺陷。

谷歌搜索引发更大讨论的原因

同样的底层问题,为什么偏偏在谷歌搜索这里引发了更大的讨论?原因很简单:场景变了,预期就变了。在ChatGPT或其他AI聊天工具里,用户多少有心理预期:这是个AI,它可能犯错,偶尔答错数字母也情有可原。但谷歌搜索不同,几十年来,它是很多人获取准确信息的默认入口,是「有问必答」的代名词。当谷歌把AI直接嵌入搜索结果页面,并以权威口吻给出「答案」(而非链接),用户的容错预期就大幅降低了。一旦答错,观感会比同样的错误发生在独立AI产品上严重得多。更何况,这次翻车的词不是什么生僻名词,而是「Google」本身。这在传播上的效果,可以说是被完美拿捏了。事实上,这已经不是Google AI Overviews第一次出现离谱错误。2024年功能刚上线时,它曾将Reddit玩笑帖和讽刺内容误当成可靠信息来源,甚至建议用户在披萨里加入胶水、或「每天吃一块小石头」。尽管谷歌随后进行了多轮修复,但近期再次出现把普通词汇误识别为系统指令的问题,也说明大模型在信息检索、上下文理解与指令边界识别上,仍存在较深层的系统性缺陷。

解决问题的方向与代价

从技术角度看,解决这个问题难,但有方向,也有代价。Northeastern大学研究LLM可解释性的博士生Sheridan Feucht认为,「token的边界本身就是模糊的,不可能存在一个完美的分词方案」。这句话点出了问题的核心:如果要从根本上解决字母感知的缺陷,方向之一是抛弃现有的分词机制,改用更细粒度的方式处理文字。举个例子,Meta AI研究团队在2024年底发布了一种名为Byte Latent Transformer(BLT)的新架构,直接绕过分词器,让模型从最底层的「字节」开始处理文字,相当于让AI真正逐字符「读」一段话,而非靠抽象的语言碎片拼凑语义。在字符级任务的测试中,BLT的表现远超基于分词的传统模型,在拼写类任务上接近满分,而LLaMA 3在同类测试里几乎全军覆没。BLT由三个模块组成:一个轻量级Local Encoder,用于将输入字节编码为分块表示;一个计算开销较大的Latent Transformer,用于处理分块表示;以及一个轻量级Local Decoder,用于解码下一个字节分块。BLT融合了字节n - gram嵌入和交叉注意力机制,以最大化潜在变换器与字节级模块之间的信息流动。与固定词表的分词方法不同,BLT将字节动态分组为分块,从而保留对字节级信息的访问。arXiv: 2412.09871但这个方案的代价是显而易见的。抛弃分词,意味着序列长度急剧增加。一句话原本被压缩成几十个token,换成逐字节处理后,序列长度会膨胀数倍乃至十倍。Transformer的注意力机制计算量随序列长度呈二次方增长,也就是说,序列翻倍,计算量可能翻四倍。这在训练规模上的代价,是任何大型商业模型都需要认真权衡的。Meta的BLT通过一种「动态分组」策略缓解了这个问题:对于内容可预测、信息密度低的文字片段,模型会自动合并处理,减少无谓的计算;只在遇到复杂、高熵的语言片段时才精细处理。在同等推理成本下,BLT的扩展效率甚至优于传统token模型。但这套架构目前最大的实验规模是80亿参数,距离谷歌、OpenAI等公司动辄数千亿参数的生产级模型,还有相当距离。从零开始用新架构重新训练一个能支撑搜索引擎的大模型,成本可能是数亿乃至数十亿美元量级的事情。另一个代价更低的方向,是让模型「知道自己不擅长什么」。Karpathy将其称为「认知自我知识(cognitive self - knowledge)」,如果模型能识别出「数字母」是自己的薄弱项,就可以在遇到此类问题时自动调用外部工具(如代码解释器、计算器、搜索)来辅助,而不是直接凭直觉给出错误答案。举个例子,针对经典的「strawberry中有多少个r」的问题,谷歌搜索会检索网络后给出答案,而非让AI自己计数(结果中的链接符号)。Meta在Llama 3的训练中,就专门针对「让模型只回答它知道的问题」做了系统性工程:通过知识探测技术,筛选出模型在多次采样中都能正确作答的问题生成训练数据;对那些模型反复答错的问题,则训练其学会拒绝回答,而非自信地给出错误结论。相比重建架构,这类训练层面的修补成本要低得多,但它治的是症状不是病根。当然,补丁式的修复也在同步进行。从谷歌的表态来看,他们正在专门针对「词内字母计数」做优化。只是这类根植于架构的问题,修复周期往往比用户期待的要长得多,还涉及到成本问题。

AI写SEO内容为何被谷歌降权?17个实战避坑要点 AI生成内容在技术层面往往合规,但搜索引擎优化(SEO)的本质是满足用户搜索意图并体现专业可信度(EEAT)。其核心原理在于:内容需具备真实经验支撑、明确决策逻辑、时空锚点与责任主体,而非仅靠关键词密度或信息堆砌。技术价值体现在提升内容相关性、增强语义网络稠密度、强化用户信任信号;典型应用场景包括B2B工业选型指南、本地生活服务内容、小企业实操类SEO文案等。当AI脱离人类经验输入,易导致决策透明度缺失、语义稀释、权威背书失真等问题——这正是37篇内容被降权后重做的根本原因。 阅读详情

相关推荐

Chrome原生AI:Gemini深度集成的原理与实战指南

浏览器AI能力正从插件式辅助走向原生集成,其核心是将大模型推理无缝嵌入用户高频行为流。这依赖于端云协同架构——本地轻量模型(如Gemini Nano)处理隐私敏感任务(历史检索、钓鱼识别),云端大模型支撑复杂网页理解与跨服务推理。技术价值在于降低认知负荷、提升信息决策效率,典型应用场景包括网页结构化解析、语义化历史搜索、地址栏意图驱动搜索及主动安全防护。本文基于Chrome 129+中已落地的Gemini原生功能,详解其设计逻辑、实操技巧与隐私边界。

weixin_34034670的博客 396

谷歌搜索AI升级后频现拼写问题,根源是LLM结构性缺陷,修复代价大

一是抛弃现有分词机制,如Meta AI团队的Byte Latent Transformer(BLT)架构,虽在字符级任务测试中表现优异,但抛弃分词会使序列长度剧增,计算量大幅上升,且目前实验规模与生产级模型有差距,重新训练成本高昂。这次谷歌搜索问题引发更大讨论,是因为谷歌搜索一直是很多人获取准确信息的默认入口,用户容错预期低,且这次翻车的是“Google”本身。实际上,不只是google这个词,谷歌搜索在处理很多其他词时,也会出现字母计数和拼写问题,甚至纯汉语提问也可能遇到此类问题。

IT界那些事儿 72

谷歌新架构解析:多模态意图流与三级缓存一致性设计

大模型推理正从静态查询转向动态意图理解,其核心在于将用户交互建模为连续、带状态、跨设备的多模态意图流。该范式依赖客户端-边缘-云三级异构缓存协同,通过语义快照、上下文图谱与意图索引分层承载不同粒度的认知状态,兼顾低延迟与隐私保护。技术价值体现在指代消解准确率提升至93.6%、端到端响应压至380毫秒、联邦学习闭环规避原始数据上传。典型应用场景包括智能办公助手、医疗知识引擎、法律条文推理等需强上下文感知的垂直领域,尤其适用于对实时性、合规性与离线能力有严苛要求的工程落地。

jlins_you的专栏 511

不愁失业!英伟达 CEO 黄仁勋:“AI 让每个人都能成为程序员”

整理 | 朱珂欣 出品 | 优快云程序人生(ID:coder_life)你是否想过,AI 可以帮你圆梦程序员?早些年,大家或许对此存在疑惑,但近来 AI 编程工具的涌现和升级,这题的答案或许是——“yes!”据路透社报道,5 月 29 日,在 Computex 2023 论坛上,英伟达 CEO 黄仁勋表示:AI 意味着每个人都可以成为程序员,“数字鸿沟”将被填平。图源:路透社新闻截图没有门槛...

程序人生的博客 3717

数据库国产化探究及升级改造过程指导

当前官网最新版本为DM8,相较于目前主流产品架构:不同特性依靠不同内核去实现,DM8独特采用了双存储引擎架构,行存储引擎和列存储引擎可相互配合、协同工作。同时实现了计算层和存储层的分离,同一内核既支持共享存储式集群,也支持分布式事务集群。

企业实战系列集 ●●● https://ximenjianxue.blog.youkuaiyun.com 5383

哼唱搜索技术原理:从耳虫效应到旋律建模

哼唱搜索是一种面向人类模糊音乐记忆的AI检索技术,其核心在于将不稳定的语音哼唱转化为鲁棒的旋律轮廓表示。不同于传统音频指纹识别依赖频谱细节与节奏稳定性,它通过音高提取、相对音高归一化和端到端嵌入学习,在高噪声、大音高偏移、弱节奏感等真实场景下仍保持高召回率。该技术融合音乐信息学与深度度量学习,以三元组损失驱动模型聚焦旋律本质——即音高相对关系与时值结构,而非绝对音高或音色。典型应用场景包括耳虫效应缓解、移动端快速识曲、低质量语音交互等。本文深入解析其从SPICE音高检测、ResNet-34嵌入模型改造,到移

anheku1562的博客 472

大模型也患“舌尖现象”:谷歌450万次测试揭示AI记忆的非确定性本质

在人工智能领域,大语言模型(LLM)的核心能力源于其基于海量数据训练出的模式生成与补全机制。这一机制使其在文本生成、代码编写和复杂推理等任务上展现出强大的泛化能力,但其内部的知识存储与提取方式并非传统数据库式的精确检索。从技术原理看,模型通过注意力机制等组件,将信息以分布式、概率性的方式编码于网络权重中,这导致了其在处理模糊线索或存在干扰的查询时,可能出现类似人类“部分回忆”或“回忆失败”的现象。这种“非确定性”特性,虽然影响了事实回忆的精确性,却可能是其实现灵活联想与创造性推理的必要代价,也反映了当前AI

weixin_33834075的博客 499

Edge原生Gemini 3.1 Pro:不用装插件的浏览器AI工具

浏览器AI工具是指集成在Web浏览器中的轻量级人工智能功能,其核心原理是通过云边协同架构,将大模型推理能力封装为API服务,由浏览器前端调用并本地渲染。这类工具的技术价值在于绕过传统AI应用的安装门槛、权限焦虑与分发碎片化问题,显著降低用户使用成本。典型应用场景包括技术文档即时解读、网页内容摘要生成、代码片段解释与重构等高频办公与开发任务。Edge内置Gemini 3.1 Pro正是这一范式的代表——它不依赖插件、无需额外安装,所有交互均在浏览器沙箱内完成,且数据经微软可信通道中转,兼顾效率与隐私。关键词:

weixin_33919950的博客 940

SEO决策中的“不可能三角”:速度、成本、质量三者间该如何权衡?

在SEO实践中,存在一个不可逾越的不可能三角法则:速度、成本和质量三者无法同时兼顾。想要快速见效且低成本,必然牺牲质量,最终导致算法惩罚;追求快速高质量,就必须接受高额投入;而选择低成本高质量,则需耐心等待缓慢增长。特别值得注意的是,在谷歌算法日益精细化的今天,质量已成为不可妥协的底线,任何牺牲质量换取速度或降低成本的做法都会带来严重后果。真正的SEO专业主义在于明确这三者之间的权衡关系,帮助企业做出符合长期决策。

TOPGUS的博客 986

Gemini 3.1 Pro深度解析:工程化思维驱动的AI生产力范式升级

大语言模型正从通用文本生成工具,演进为具备可验证推理、状态编排与语义理解能力的工程智能体。其核心原理在于动态稀疏专家(Sparse MoE)调度、Deep Think分层推理机制,以及64K输出所支撑的隐式状态机建模能力。这种技术价值显著提升了代码生成准确性、技术文档结构化水平与根因诊断可靠性,广泛应用于微服务重构、高保真文档生成、复杂逻辑测试覆盖等关键研发场景。本文聚焦Gemini 3.1 Pro在真实工程落地中的推理可控性、多模态语义跃迁与API集成实践。

weixin_33994429的博客 129

工业场景AI工具实战指南:6类不可替代型AI工作流

AI工具不是通用智能体,而是面向特定工程任务的专用能力单元。理解长文本深度理解、实时信息验证、多模态精准生成等核心能力类型,是构建可靠AI工作流的前提。其技术价值在于将人工耗时任务压缩至15分钟内完成,显著提升技术文档解析、产线数据诊断、跨语言工程沟通等关键环节的准确率与合规性。典型应用场景覆盖制造业故障分析、医疗器械文档处理、工业图像增强、IoT时序异常识别等强专业约束领域。本文聚焦Claude 3.5 Sonnet、Perplexity Pro、Runway Gen-3等已在真实产线验证的工具组合,揭示

a4512138的专栏 377

AI时代技术面试:DeepMind限制AI背后的能力评估新逻辑

人工智能辅助开发正深刻改变软件工程实践,当代码生成变得唾手可得,技术团队如何准确评估工程师的真实能力成为核心挑战。技术面试本质上是一场信号采集,而AI工具的介入容易导致“信号失真”,让面试官难以分辨候选人与模型的贡献边界。从认知科学与测量学视角看,屏蔽AI并非拒绝技术工具,而是为了保留对问题拆解、调试排错、系统理解等人类核心能力的有效观察。面对这一趋势,团队需要按风险等级制定AI使用规范,将代码评审、CI流程与AI痕迹检查结合,同时候选人亦应有意识地维持脱离AI后的编码与调试基本功。本文从AI辅助开发的现实

weixin_34034261的博客 343

浏览器原生AI:从信息窗口到任务代理的演进

浏览器正经历一场底层范式迁移——它不再仅是渲染HTML的页面容器,而是具备上下文理解、多源协同与工作流嵌入能力的任务中枢。其核心原理在于将传统线性搜索流程重构为‘提问→解析→调用→生成→嵌入→闭环’的环形任务生命周期,依托浏览器内核对DOM、PDF、本地存储及API的深度整合实现轻量级智能代理(agentic layer)。这一转变带来显著技术价值:压缩80%机械性注意力搬运,降低跨应用切换成本,并推动隐私控制从‘是否上传’升级为‘何时/何地/以何种粒度参与计算’。典型应用场景覆盖合同审阅、竞品分析、研发文

weixin_33834137的博客 390

Gemini 3.1 Pro深度解析:思考深度三档制与工程级AI协作者演进

大语言模型正从通用文本生成工具,演进为具备专业领域认知与动态推理能力的工程协作者。其核心原理在于将知识理解、逻辑拆解、安全对齐等能力模块化重组,并通过可配置的思考深度机制(low/medium/high)实现计算资源与认知质量的非线性适配。这种架构升级显著提升了技术文档生成、API集成、系统设计等场景下的语境理解精度与输出可靠性,尤其在嵌入式开发、Linux内核分析、Rust无锁编程等硬核工程任务中展现出远超前代的上下文感知与硬件适配能力。谷歌大模型Gemini的组件化设计与跨模态人格锚定技术,标志着AI正

weixin_34246551的博客 414

从Gemini CLI漏洞看CI/CD安全:AI工具链的风险与纵深防御实践

命令注入是一种经典的安全漏洞,其原理是将未经验证的用户输入拼接到系统命令中执行,导致攻击者能够运行任意指令。在软件工程领域,这种漏洞的危害巨大,因为它可能直接导致远程代码执行(RCE),危及整个系统。随着AI工具链的快速集成,特别是像Gemini CLI这类命令行工具被广泛用于持续集成/持续部署(CI/CD)流水线,其安全成熟度与普及速度的脱节带来了新的风险面。AI工具处理动态提示词(Prompt)的特性,结合CI/CD环境的高权限和自动化执行能力,使得传统的参数注入漏洞在供应链攻击中爆发出更大的破坏力。本

weixin_30307921的博客 383

LLM Weekly(2025.05.19-05.25)

通过构建包含 4 万偏好对的 WebPRM 数据集,并推出 WebRewardBench 评估框架,该模型在 WebRewardBench 上比 GPT-4o 准确率提升 30 点,在 WebArena-lite 任务中性能提升 10.9 点,同时降低成本。通过混合精度量化,研究识别并解决权重和激活误差,指出当训练数据充足时,降低权重误差是提升 QAT 性能的关键。该模型基于数万亿不同来源的 token 预训练,擅长图像操作、虚拟导航等复杂推理任务,在标准基准测试中超越现有开源模型。🔬 有趣论文与代码库。

c_cpp_csharp的专栏 354

POMDP框架:驱动智能搜索从被动响应到主动探索的决策核心

在信息检索和人机交互领域,如何高效处理用户模糊、不确定的需求是核心挑战。传统搜索基于单轮请求-响应范式,难以应对复杂、多变量的任务场景。其原理在于将用户查询视为完整意图表达,通过关键词匹配或语义相似度返回静态结果列表,这常导致信息过载或结果不精准。为解决此问题,智能体(Agent)技术被引入,它通过多轮对话主动管理不确定性,旨在实现从“工具”到“协作伙伴”的体验跃迁。其技术价值在于通过序贯决策模型,在信息不全的环境中智能规划信息收集动作,以最小交互成本最大化任务完成质量。这一框架在个性化推荐、智能客服、交互

weixin_30256901的博客 324

VUE3如何使得大屏自适应的几种方法?

16:9。

weixin_42711805的博客 1万+

保姆级Stable Diffusion本地部署与AI绘画入门实战指南

AI绘画技术,特别是基于扩散模型的生成式人工智能,正深刻改变数字内容创作领域。其核心原理是通过学习海量图像数据分布,逐步去噪生成全新图像,实现了从文本描述到视觉内容的智能转换。这项技术的价值在于极大地降低了专业图像创作的门槛,并为个性化、高效率的内容生产提供了可能,广泛应用于概念设计、插画创作、游戏美术及营销素材生成等场景。本文聚焦于当前最流行的开源模型Stable Diffusion,针对新手用户,详细解析如何在本地计算机上完成从环境部署、参数配置到生成第一幅作品的完整流程,并深入探讨了提示词工程、模型选

cnvdkx2837的博客 362

智能座舱高通平台Display架构 - 基础篇

随着智能座舱的市场需求变化以及技术发展,座舱需要支持的屏幕会越来越多,分辨率和尺寸也会越来越大。这已经是不可逆转的趋势。传统的座舱一块显示屏就需要一块主芯片支持,这在功能和成本上都不是很好的做法。一芯多屏就是基于传统座舱的缺陷提出的新型架构和方案,并且越来越广泛的在智能座舱中得到体现和发展。本文将主要讲述智能座舱中显示子系统的硬件相关技术。中控娱乐屏ICS(Instrument Central Screen)仪表盘显示屏IC(Instrument Cluster)

Math_Light的博客 2672

从零开始解析N-CMAPSS数据集:航空发动机健康管理的入门指南

本文详细解析了N-CMAPSS数据集在航空发动机健康管理中的应用,从数据集的构成、关键变量到实际数据分析方法,为初学者提供了全面的入门指南。通过Python代码示例,展示了如何加载、探索和建模这一复杂数据集,帮助读者掌握航空发动机性能预测的核心技术。

weixin_29063979的博客 325
上一篇: Genesis AI发布Genesis World 1.0:为机器人打造全栈仿真基础设施,加速模型评测!
下一篇: AI清理文件实测:Marvis体验尚可,电脑管家AI化将成趋势?
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22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
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