月之暗面放出 Kimi K3 完整权重,Mac 本地运行潜力几何?

Kimi K2.6代码模型:中文技术语境理解与工程化落地实践 代码大模型正从通用编程辅助迈向垂直领域深度赋能,其核心能力已超越基础语法生成,转向对中文技术文档语义结构、开源生态版本兼容图谱及真实开发隐性规则的建模。Kimi K2.6 作为国产代码模型代表,通过端到端中文-代码联合嵌入、128K长上下文分层记忆压缩、以及中国开发者技术栈(如MONAI、PyTorch、SHAP)的深度适配,显著提升代码生成准确性与工程可信度。它支持论文复现、CLI工具链构建、Kubernetes智能体集成等生产级场景,使AI真正成为可嵌入软件生命周期的‘数字工程师’。 阅读详情

社区反应迅速

月之暗面放出 Kimi K3 完整权重之后,社区动作比预想快,“在 M1 Max 上跑 Kimi K3”的帖子今天登上了 Hacker News 首页。

Deltafin 项目支持本地运行

这是一个名为“Deltafin”的小型研究项目,支持在 Apple Silicon Mac 上本地运行 Kimi K3(2.8 万亿参数)。

HN 讨论帖评论两极分化

HN 讨论帖的评论两极分化严重。一边说“0.3 token 每秒,这东西有什么意义?”另一边说“你想想,2.8 万亿参数,在你的桌面电脑上跑。”两边都有道理,但这个争论跳过了更有意思的问题——K3 能在 Mac 上跑起来,并非有人想方设法去压缩它,而是这件事从一开始就写在了架构里。

Raschka 架构笔记

Raschka 在 K3 开源完整权重 48 小时内就出了一篇架构笔记。他的第一句判断很简单:“本质上是 Kimi Linear 的规模化生产版本。”Kimi Linear 是 Moonshot 去年的工作,只有 48B 参数。现在 K3 把它放大到了约 2.8 万亿,加了一个关键组件:LatentMoE。

LatentMoE 概念及优势

这个概念不是 Kimi 首创——NVIDIA 的 Nemotron 3 Ultra 也用了类似方案——但 K3 是第一个把它做到这个体量的。核心思路是把标准 MoE 里的大线性层通过下投影压缩。通俗来讲,模型虽然整体巨大,但每次推理只激活一小部分专家,其余老老实实待在磁盘或网络存储上。一个 MoE 模型对本地推理天然友好,不是靠事后裁剪,是架构生来如此。

MXFP4 原生训练

第二个设计是 MXFP4 原生训练。K3 从训练第一天起就是 MXFP4 格式。这意味着下载下来的权重不需要经历一次额外的量化步骤——下载即用。对服务器这不重要,对一台 Mac 很重要。1.6TB 的权重文件,如果还需要再转换一轮格式,大多数人连试都不会试。K3 把这个步骤省了。

NoPE 设计

第三个更激进:NoPE。K3 移除了全部 RoPE 位置编码,全模型不用任何位置嵌入。Raschka 说据他所知,这是第一个在“前沿级别”模型上这么干的。其他架构的做法更保守——Gemma - 4 在滑动窗口注意力层用 RoPE,全局注意力层用 NoPE。K3 则一刀切。

去掉 RoPE 与本地推理的关系

为什么这跟本地推理有关?因为去掉 RoPE 意味着计算路径更短。HN 上有人解释了这是怎么回事:因果掩码本身就隐含位置信息;KDA 层(从 Gated DeltaNet 派生)本质上是 RNN - like,天然理解序列顺序;而且 K3 在第一个注意力层之前堆了 3 个 KDA 层——位置信息在注意力启动之前就已经被学到了。没有 RoPE,少了一步计算,在每一点速度都很重要的场景下,这不算小事。

deltafin 项目串联架构特性

deltafin 这个项目就是把这些架构特性串起来的。它做的事不复杂:K3 的 MXFP4 专家权重按需从 HTTP 流式传输到本地磁盘缓存,用 fused NEON 内核和 Metal/MPS 做推理。逐 token 拉专家,推理完就放。项目提供 OpenAI 兼容的 API 接口,支持确定性解码——每次跑同样的 prompt 会得到完全相同的输出。

antirez 在 M5 Max 上搞定 K3

Redis 作者 antirez 几乎同时在做同一件事,但更硬核一些,他在 M5 Max 上搞定了 K3。

antirez 读取权重及后续计划

antirez 用 M5 Max 128GB 直接从 Hugging Face 流式读取 K3 的 1.6TB 权重。“有点慢,”他承认。但从他后续的推文来看,这不只是一个好玩的项目。他在等两台 512GB Mac Studio——“进行 Q2 精度量化,至少聊天场景下可以达到可接受的速度。”他的判断是 K3 在 MXFP4 上训练的,“感觉量化效果会很不错”。

再谈 HN 争论

再回到 HN 那条争论。

速度与应用场景

0.3 tok/s 确实慢。随着 KV cache 增长会越来越慢——完整 1M token 上下文下 cache 就占约 27GB。但问题不是速度,是用什么场景来衡量。如果你是坐在屏幕前等回复,0.3 tok/s 是折磨。如果你是把一批测试用例挂上去过夜跑评估,或者用 LLM - as - judge 做离线打标,那这个速度完全没问题。有人说得挺到位:“OpenAI 和 Anthropic 的批量 API 给你打五折。这个是打九八折。”

与以往不同的路数

更关键的是这次和以前不一样。

传统大模型与 K3 的对比

以前的路数是:大模型发布 -> 社区费尽全力做量化、裁剪、蒸馏 -> 勉强塞进消费级硬件,性能打折扣。K3 的路数是反过来的:模型架构本身的设计选择——LatentMoE、MXFP4 原生训练、NoPE——让它在发布的时候就已经准备好了被人在各种硬件上跑。不是“有没有办法压缩”,而是“用不着压缩”。

K3 架构思路的意义

不是说每个大模型都应该这么设计。但如果开源权重的核心价值在于任何人、任何机器都能用,那 K3 的架构思路——让一台 Mac 也能跑 2.8 万亿参数——本身就是在扩大“开源”两个字的实际含义。

未来速度提升的期待

接下来要看的是,两台通过 Thunderbolt 5 连接的 Mac Studio 512GB 能不能把速度推到“可交互”的水平。antirez 觉得行。其他人可以等着看。

Kimi Code CLI替代Gemini CLI:本地可用、模型可换、认证无围栏 大型语言模型CLI工具是开发者日常编码的关键辅助,其核心能力依赖于稳定认证、模型灵活性与本地兼容性。传统方案如Gemini CLI采用强身份绑定与设备指纹校验,导致大量真实开发者因账号资格问题无法启用;而现代替代方案正转向API Key驱动、开源透明、协议中立的设计范式。Kimi Code CLI正是这一演进的典型代表——它基于TypeScript实现、支持多厂商模型路由、提供TUI交互与安全diff确认,并在Ubuntu 20.04等老旧生产环境中开箱即用。本文聚焦‘本地验证失败’这一高频痛点,解析资格围 阅读详情

相关推荐

OpenClaw接入NVIDIA免费大模型实战指南

大语言模型(LLM)本地调用正从‘显卡即算力’转向‘显卡即调度器’范式,其核心原理是利用消费级GPU作为智能终端,通过标准化API协议(如OpenAI兼容接口)调度云端工业级模型。这种架构显著降低算力门槛与推理延迟,技术价值在于实现零本地模型部署、多厂商模型统一抽象及生产级错误治理(如429限流)。典型应用场景包括RAG知识库增强、多模型混合推理、CLI自动化工程等。本文聚焦OpenClaw工具链与NVIDIA官方免费模型(如nemotron-3-super-120b-a12b)的深度集成,覆盖Ubuntu

weixin_30825199的博客 405

从Kimi K3看大模型本地部署与OAI兼容性实战指南

大语言模型(LLM)正从实验室走向工程化应用,其核心价值在于能否被高效、低成本地集成到实际业务中。模型部署与接口标准化成为关键,这涉及模型压缩、推理优化等技术原理。OAI兼容性(OpenAI API兼容)是当前重要的技术趋势,它允许开发者复用现有基于OpenAI生态的工具链(如LangChain),实现零成本迁移,极大降低了集成门槛和供应商锁定风险。本地部署则满足了企业对数据安全、网络延迟和长期成本控制的刚性需求。本文聚焦于Kimi K3模型,通过详实的配置示例和问题排查指南,深入探讨如何实现其本地化部署,

weixin_30776545的博客 459

大模型技术全景解析:从Transformer原理到RAG与Agent应用实战

Transformer架构与自注意力机制是现代大语言模型(LLM)的核心技术基石,它通过并行计算词元间的关联,赋予了模型理解长距离上下文依赖的能力。这项技术的价值在于,它使得模型能够从海量无标注文本中通过自监督学习(如掩码语言建模)获得通用的语言表示,从而具备了强大的泛化能力。基于此,大模型在内容生成、代码辅助、智能问答等场景展现出巨大潜力。然而,模型固有的“幻觉”问题限制了其在需要精确事实回答的企业应用中的可靠性。为此,检索增强生成(RAG)技术应运而生,它通过结合外部知识库检索与模型生成,有效提升了回答

an4455的博客 519

Kimi K3大模型本地部署与48小时极限压测实战指南

大语言模型(LLM)的本地部署正成为开发者关注的热点,其核心在于将强大的AI能力私有化,以保障数据安全并降低长期使用成本。其原理是通过开源模型权重与兼容性接口,在本地硬件上构建推理服务。这项技术的核心价值在于提供了可控、可定制的AI解决方案,尤其适用于对数据隐私敏感或需要离线运行的场景。在实际工程实践中,本地部署涉及硬件选型、环境配置、接口调用与性能监控等多个环节。例如,通过使用与OpenAI API兼容的接口,可以无缝集成现有应用生态;而进行长时间的压力测试,则是评估其在高负载下稳定性和资源消耗的关键。本

weixin_34288121的博客 434

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

多模型对抗性审查:用AI辩论提升技术文档质量

在软件工程领域,技术文档是团队协作和项目成功的关键基础。传统的文档评审依赖人工经验,存在盲区和效率瓶颈。通过引入多模型对抗性审查机制,不同大语言模型从各自视角对文档进行批判性分析,模拟现实中的专家评审过程。这种技术方法的核心价值在于利用模型间的思维差异,自动发现单个视角容易忽略的边界情况、逻辑漏洞和隐含假设。在应用场景上,特别适合产品需求文档和技术规格书这类需要多角度审视的复杂文档。adversarial-spec工具通过Claude协调多模型辩论,实现从概念到实现的完整文档质量保障,显著提升文档的完整性和

weixin_42531579的博客 380

实测开源大模型Kimi K3:3万亿参数本地部署与全场景功能验证指南

大语言模型(LLM)通过海量参数模拟人类语言理解和生成,其核心原理是基于Transformer架构的自注意力机制,实现对上下文信息的深度建模。这项技术的价值在于为各类自然语言处理任务提供强大的通用基础能力,显著降低了AI应用开发的门槛。在实际应用中,开发者常面临模型选择、本地部署和效果验证等工程挑战。本文聚焦于近期备受关注的开源大模型Kimi K3,针对其宣称的3万亿参数规模,提供了一套从环境准备、量化部署到多维度功能实测的完整工程实践方案,涵盖了代码生成、逻辑推理等关键场景的验证方法,并深入探讨了在有限硬

adr5970的博客 457

Apollo control模块横向控制原理及核心代码逐行解析

看完这篇文章,你会对apollo横向控制有一个整体的概念

weixin_39199083的博客 2万+

Claude Code与Kimi K2双工具协同开发实战指南

在AI原生开发范式下,代码生成与知识调度正成为两大基础能力支柱。Claude Code本质是嵌入VS Code的语义补全引擎,依托Anthropic模型实现上下文感知的函数级代码生成;Kimi K2则是企业级RAG平台客户端,通过Skill配置驱动跨文档、跨系统的结构化知识调用。二者能力正交互补:前者解决‘怎么写’,后者回答‘该写什么’。技术价值体现在工程提效(如需求→代码闭环压缩至22分钟)、合规增强(私有知识注入替代通用幻觉)及协作升级(开发者与业务专家通过YAML Schema对齐语义)。典型场景包括

weixin_30457465的博客 462

Vivado项目开发新思路:用VSCode写代码,用Vivado管理IP核与综合(Windows/Mac环境通用指南)

本文介绍了如何结合Vivado和VSCode的优势,打造高效的FPGA设计工作流。通过配置VSCode的Verilog插件和Vivado环境集成,开发者可以在VSCode中编写代码,同时利用Vivado管理IP核与综合,显著提升开发效率和团队协作体验。

weixin_42545503的博客 339

风控要略-互联网业务反欺诈之路(一)

当前中国互联网安全产业答题可以分为基础安全和业务安全两个领域。从互联网诞生至2014年,互联网安全行业关注的热点基本都聚焦在网络安全、系统安全和应用安全这个三大基础安全领域上,“DDOS“(分布式拒绝服务攻击)1、“漏洞“、“拖库“2和“挂马“3等大家耳熟能详的术语也是从这些领域中衍生出来的。2014年前后,随着互联网业务的爆炸式发展,黑产团伙开始从“攻击渗透系统“的传统套路进化到“利用业务风控确实进行大规模牟利“的模式,并且逐渐形成规模庞大、分工明确的黑色产业链。

Despacito1006的博客 1019

Kimi K3大模型技术解析:长文本处理与多模态推理实战指南

大语言模型作为人工智能的核心技术,通过Transformer架构实现强大的自然语言理解和生成能力。其核心原理基于注意力机制,能够捕捉文本中的长距离依赖关系,在代码生成、文档分析等场景展现巨大价值。Kimi K3模型在长文本处理和多模态理解方面实现突破,支持数百万token上下文窗口,通过优化的注意力机制和记忆管理,显著提升长文档分析和代码库理解的效率。多模态推理能力使其能够深度关联图文信息,在技术文档分析、智能编程助手等工程实践中发挥重要作用。本文聚焦Kimi K3的关键特性,提供从API集成到生产部署的完

weixin_34248023的博客 386

(一)企业微信 - 会话内容存档

企业微信获取会话记录。

专打丶小豆豆的博客 2897

Kimi K2.5深度解析:轻量MoE模型与128K上下文推理优化实践

大语言模型推理正从‘黑盒API调用’迈向‘可掌控、可私有、可度量’的新阶段。理解MoE(混合专家)架构与长上下文(如128K tokens)支持,是实现低成本、低延迟本地部署的关键技术基础。MoE通过动态稀疏激活显著降低计算冗余,而KV缓存分层压缩、FP8张量核深度适配等工程优化,则让128K上下文在消费级GPU上真正可用。这些技术共同支撑起面向中小团队的轻量级AI推理基建——无需依赖云厂商SLA,亦不牺牲性能与可控性。本文以Kimi K2.5为典型范例,系统拆解其语义感知路由、分层KV压缩与Hopper架

weixin_30832143的博客 501

共封装光学(CPO):下一代互联革命

Nvidia:产品:Quantum-X Q3450(115.2T,144×800G,2025H2上市)、Spectrum 6800(409.6T,512×800G,2026H2上市);技术路线:TSMC COUPE封装、MRM调制器、光栅耦合、外部激光源(Lumentum/Ayar Labs供应);战略定位:以横向扩展CPO验证供应链,最终聚焦纵向扩展场景(Feynman架构)。

存储随笔 4983

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Openclaw智能体框架:本地部署Kimi实现办公自动化

智能体(Agent)是大模型落地企业场景的核心范式,其本质是将AI能力封装为可编排、可调度、可连接的原子技能(Skill),通过工作流(Workflow)驱动跨系统协同。相比简单API调用,智能体框架更强调状态管理、异常处理与IT系统集成能力,技术价值在于将‘一次问答’升级为‘持续执行’。典型应用场景包括自动读取Excel生成周报、同步飞书多维表格、解析PDF持仓并输出PDF分析报告等办公与金融自动化任务。Openclaw作为面向中文工作流的轻量级智能体编排框架,支持Docker本地部署、YAML配置驱动、

weixin_30437847的博客 388

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

边缘AI时事:当2.8万亿参数模型跑在128GB的Mac,边缘AI的未来会发生什么?

通俗来说,这种架构的核心思想是术业有专攻——模型内部包含大量专家模块(具体到Kimi K3,共有896个路由专家),但处理每一个Token时系统只调动其中最擅长的少数几位专家(仅16个),而不是把所有专家都拉出来干活。· 一台128GB内存的Apple M5 Max测试机,成功跑起了月之暗面刚发布的2.8万亿参数模型Kimi K3——虽然生成速度仅0.32 token/s(约每3秒生成1个token),输入处理速度约0.98 token/s,但它的官方MXFP4权重文件足有1.56TB,分96个分片发布。

weixin_73406674的博客 220

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Step 3.5 Flash:196B参数MoE模型极速本地部署指南

**导语**:StepFun推出的Step 3.5 Flash模型以196B参数规模和MoE架构实现高效本地部署,在保持顶级推理能力的同时将硬件门槛大幅降低,为企业与开发者带来高性能AI应用新可能。 ## 行业现状:大模型落地的"性能-效率"困境 当前大语言模型领域正面临显著的技术悖论:一方面,模型参数规模持续突破千亿大关以提升复杂任务处理能力;另一方面,高昂的算力成本和部署门槛成为阻碍技术普

gitblog_00796的博客 279

iPhone 16 Pro流式加载1.56TB大模型:移动端AI部署的存储与计算分离实践

模型部署是AI工程化落地的关键环节,其核心在于解决模型规模与硬件资源之间的匹配问题。传统方案受限于设备本地存储容量,难以运行超大规模模型。通过引入流式加载技术,可以实现模型权重在推理过程中的动态调度,将存储与计算解耦。这项技术的工程价值在于突破了移动设备的物理限制,为边缘计算场景下的巨型模型部署提供了新思路。具体到移动端AI应用,结合高速外置SSD和精细的内存管理,能够在iPhone等资源受限设备上运行远超本地存储能力的大语言模型,例如实现1.56TB模型的流式推理。这为移动开发者探索前沿AI能力、构建下一

weixin_30784501的博客 365

GLM 5.2自部署性能深度解析:何时比官方API更快?

最近在几个技术群里看到不少人在讨论 GLM 5.2,尤其是它那高达 753B 的参数和 1M 的上下文长度。很多人第一反应是:“这玩意儿能自己部署吗?得花多少钱?” 紧接着,一个更具体的问题就来了:“如果我自己搭,能比直接用官方的 API 快多少?” 这个问题很有意思,因为它背后其实藏着两个完全不同的判断。一个判断是,自部署大模型的核心价值是“省钱”;另一个判断是,自部署的核心价值是“可控”和“低延迟”。如果你只盯着第一个判断,大概率会失望,因为账算下来,对于绝大多数团队,自部署 GLM 5.2 在成本上几

cuili5839的博客 409

Swagger Codegen 生成的 .NET Core C 客户端:PetApi 完整使用指南

本文以 Swagger Codegen 为 Swagger Petstore 生成的 C#(.NET Core)客户端示例为蓝本,系统讲解 `PetApi` 所封装的全部 8 个宠物相关接口(增、删、改、查、表单更新与文件上传)的调用方法、参数语义、鉴权配置与底层实现原理。读完本文,你将掌握在 .NET Core 项目中引入由 Swagger Codegen 生成的 C# SDK、配置 OAuth

gitblog_00919的博客 369

AI大模型实战指南:从核心概念到应用开发全解析

人工智能大模型是当前技术领域的核心焦点,其本质是基于海量数据和Transformer架构构建的复杂神经网络系统。Transformer架构通过自注意力机制实现了高效的并行计算和长程依赖建模,成为大模型的基石。从技术价值看,大模型通过预训练、指令微调和对齐三个阶段,获得了强大的涌现能力和通用任务处理能力,能够理解和生成接近人类的文本。在应用场景上,开发者可通过API调用或本地部署快速接入模型,并运用提示工程、RAG(检索增强生成)和智能体构建等技术,开发出问答系统、内容生成、数据分析等多样化应用。本文聚焦于大

weixin_30617695的博客 471

【Reading Notes】(10.3)Favorite Articles from 2026 March

是目前很受国内欢迎的国产开源 AI 桌面客户端,它把 DeepSeek、Claude、Gemini、Ollama 等 300+ 模型一键接入,还原生支持 OpenClaw(小龙虾)快速安装,让你几分钟内就能拥有一个“有灵魂”的持久 AI 伙伴——它会记住你是谁、怎么说话、有底线,还能定时干活、管日程、写代码。他展示了一个实验室管理系统,包括数据分析、实验管理、采购等功能。2)网络安全,就是行业笑话:你以为你是在玩AI,其实,你是把GitHub、Slack、邮箱、API key、数据库的全部钥匙,都给了它。

bryant_meng 1067

2026 年 - AI 开发者必备:Agent 开源生态图谱

2026年AI开源项目全景概览 GitHub最新数据显示,AI领域呈现爆发式增长,Agent框架成为最热门赛道,AutoGPT以18.4万星位居榜首。个人AI助手OpenClaw以37.5万星成为现象级项目,RAG、推理部署等工具也蓬勃发展。Python仍是主导语言,微软、阿里等企业及开源社区贡献显著。技术趋势显示:多Agent协作、轻量化部署、结构化输出成为关键方向,AI正加速渗透编程、图像生成等各领域。

爱学习的程序员 1151
上一篇: Anthropic 15 亿美元和解 AI 盗版案:未决问题待解,国会立法成关键
下一篇: Apple 安全更新创纪录,AI 批量署名,企业更新节奏或需调整!
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