- 博客(2271)
- 资源 (228)
- 收藏
- 关注
RSS订阅原创 AutoGLM-Phone-9B成本优化：移动端AI部署的省钱攻略
AutoGLM-Phone-9B 是一款专为移动端优化的多模态大语言模型，融合视觉、语音与文本处理能力，支持在资源受限设备上高效推理。该模型基于 GLM 架构进行轻量化设计，参数量压缩至 90 亿，并通过模块化结构实现跨模态信息对齐与融合。低延迟响应：针对移动端常见任务（如图像理解、语音转写、对话生成）进行了专项优化，平均推理延迟控制在300ms以内。多模态统一接口：提供标准化的输入/输出协议，支持图文混合输入与结构化结果返回，便于集成到App或小程序中。端云协同架构。
2026-01-11 09:46:20
377
原创 AutoGLM-Phone-9B优化教程：动态分辨率处理
动态分辨率处理（Dynamic Resolution Processing, DRP）是 AutoGLM-Phone-9B 中用于优化图像输入处理的核心技术之一。传统多模态模型通常将所有输入图像统一缩放到固定尺寸（如 224×224 或 448×448），这会导致：- 小图放大 → 引入噪声与伪影- 大图压缩 → 丢失细节信息- 固定计算量 → 浪费资源或牺牲质量内容感知分析：先对图像进行快速语义评估，判断其信息密度（如物体数量、纹理复杂度）分辨率分级决策。
2026-01-11 08:26:41
319
原创 PDF-Extract-Kit未来展望：AI在文档处理中的发展趋势
PDF-Extract-Kit作为一款由个人开发者主导的开源项目，凭借其实用的功能组合与友好的交互设计，已在智能文档处理领域展现出强大生命力。它不仅是技术整合的典范，更是AI平民化趋势的缩影。从技术演进角度看，该项目正处于从“功能完备”向“智能深化”过渡的关键阶段。未来的发展不应局限于现有模块的优化，而应着眼于：架构升级：从流水线走向端到端统一模型能力拓展：从“看得见”到“读得懂”生态建设：从“单机工具”变为“开放平台”
2026-01-11 04:59:26
190
原创 Hunyuan-HY-MT1.5工具推荐：支持方言变体的翻译模型一键部署测评
Hunyuan-HY-MT1.5作为腾讯开源的翻译大模型，凭借其双规模设计、方言支持、术语干预与上下文感知能力，填补了当前开源翻译生态在“精准性+可控性+本地化”三者兼顾的空白。特别是HY-MT1.5-1.8B模型，在保持高性能的同时实现了边缘部署可行性，为移动端、IoT设备、离线场景提供了理想选择。
2026-01-10 19:34:38
403
原创 HY-MT1.5-1.8B极致优化：INT8量化后边缘设备部署教程
混元翻译模型 1.5 版本包含两个主要变体：：18亿参数规模的轻量级翻译模型：70亿参数的高性能翻译模型两者均基于Transformer架构设计，支持33种主流语言之间的互译，并特别融合了5种民族语言及方言变体（如粤语、藏语等），增强了对中文多语种生态的支持能力。HY-MT1.5-7B 是在 WMT25 夺冠模型基础上进一步优化的成果，重点提升了以下三类复杂场景的表现：解释性翻译：对专业术语或文化背景进行意译补充混合语言输入：处理中英夹杂、代码嵌入等非规范文本格式化内容保留。
2026-01-10 19:16:12
671
原创 混元翻译1.5实战：多语言OCR识别后处理
参数量约为18亿，轻量化设计，适合资源受限环境：参数量达70亿，基于WMT25夺冠模型升级而来，面向高精度复杂场景两者均专注于实现33种语言之间的高质量互译，覆盖包括中文、英文、法语、西班牙语、阿拉伯语、俄语、日语、韩语等在内的全球主要语种，并特别融合了藏语、维吾尔语、蒙古语、壮语、彝语等5种中国少数民族语言及其方言变体，显著提升了对多元文化内容的理解与表达能力。模型版本参数量主要用途部署方式~1.8B实时翻译、边缘设备部署量化后可在消费级GPU运行~7B高精度翻译、混合语言理解。
2026-01-10 16:37:52
272
原创 HY-MT1.5-1.8B轻量部署：移动端集成翻译功能的完整技术方案
本文系统介绍了腾讯开源的轻量级翻译大模型在移动端集成的技术路径，涵盖模型特性分析、性能对比、格式转换、推理部署与工程优化等多个维度。核心结论如下HY-MT1.5-1.8B 是当前少有的兼具高质量与高效率的开源翻译模型，特别适合资源受限的边缘设备。通过 ONNX + MNN/TFLite 流程可实现跨平台部署，已在 Android 高端机型上验证可行性。术语干预、上下文感知等功能使其具备企业级应用潜力，远超传统统计翻译方法。结合量化与缓存策略，可在千元机上实现流畅实时翻译体验。
2026-01-10 16:23:30
727
原创 混元翻译1.5实战：学术论文多语言翻译
HY-MT1.5-1.8B 是一款参数量仅为18亿的紧凑型翻译模型，尽管规模远小于主流大模型，但在多个权威评测集（如 WMT24 Biomedical Translation Task）中表现优异，BLEU 分数接近甚至超过部分商业API（如 Google Translate 和 DeepL Pro）。高推理效率：单次翻译响应时间低于200ms（在NVIDIA RTX 4090D上），适合实时交互式翻译。低资源消耗。
2026-01-10 15:53:26
555
原创 中文命名实体识别服务：RaNER模型API开发
本文详细介绍了基于RaNER模型构建中文命名实体识别服务的全过程，涵盖模型原理剖析、系统架构设计、API开发实践与WebUI集成四大核心环节。高精度识别能力：依托达摩院先进模型，在真实中文语境下表现稳定可靠；双模交互体验：既支持开发者通过REST API无缝集成，也提供直观可视化的操作界面；工程友好设计：采用现代化Web框架与容器化部署方案，易于维护与扩展。
2026-01-10 14:50:27
659
原创 AI智能实体侦测服务在电商评论情感分析中的结合
AI 智能实体侦测服务不仅是自然语言处理的一项基础能力，更是打通非结构化文本到结构化知识链路的关键枢纽。本文展示了基于 RaNER 模型构建的高性能中文 NER 系统，如何与情感分析技术深度耦合，应用于电商评论分析场景。通过以下几点实践，企业可显著提升用户反馈洞察效率：1.精准归因：从“整体情绪”升级为“实体维度情绪追踪”2.快速响应：自动识别高风险实体（如频繁被投诉的服务商），触发预警机制3.持续优化：积累实体-情感数据库，支撑产品改进与个性化推荐。
2026-01-10 14:15:11
530
原创 智能实体识别服务：RaNER模型多模态扩展
本文深入介绍了基于达摩院RaNER模型构建的AI智能实体侦测服务，涵盖技术原理、系统架构、实践应用与优化策略。该服务通过融合高精度中文NER模型与现代化Web交互设计，实现了“开箱即用”的信息抽取能力。技术先进性：采用对抗训练的RaNER模型，在中文NER任务上表现稳健；用户体验创新：Cyberpunk风格WebUI带来沉浸式语义分析体验；工程实用性：同时支持可视化操作与API调用，适配多种部署场景。
2026-01-10 12:41:29
134
原创 AI智能实体侦测服务OCR联动方案：图像文字识别联合部署案例
本文详细介绍了AI智能实体侦测服务与OCR系统的联动部署方案，涵盖从图像识别到中文命名实体抽取的完整技术链条。成功集成达摩院RaNER模型，实现高精度中文NER识别；开发Cyberpunk风格WebUI，提供直观的实体高亮展示；构建OCR→NER联合工作流，支持图像到结构化信息的端到端提取；提供REST API接口，便于与企业内部系统集成。
2026-01-10 12:24:57
548
原创 Qwen3-VL物流管理：包裹分拣优化方案
Qwen3-VL 的出现标志着视觉语言模型正式进入工业级智能代理时代。在物流分拣场景中，它不仅是一个OCR工具，更是一个具备感知、理解、推理、决策能力的AI中枢。识别更准：32种语言OCR + 抗干扰能力，覆盖国内外绝大多数包裹类型；理解更深：不再是“看到什么就说什么”，而是能结合上下文判断“应该怎么做”；集成更易：WEBUI提供标准化API接口，可无缝对接MES/WMS/SCADA系统；扩展更强：支持视频理解与GUI操作，未来可拓展至无人叉车导航、客服工单自动生成等场景。💡建议落地路径。
2026-01-10 10:58:30
682
原创 Qwen3-VL长视频处理教程：1M上下文扩展部署案例
是阿里开源的一站式 Web 推理界面，专为 Qwen3-VL 系列模型设计，内置模型权重，开箱即用，支持图像、视频、PDF 文档等多模态输入。该工具基于 Gradio 构建，提供直观的拖拽式交互界面，适用于研究、开发与产品原型验证场景。目标视频：《机器学习入门》讲座录像（MP4 格式，120 分钟，1080p）任务需求：- 自动生成章节摘要- 提取所有板书公式与图表说明- 回答“梯度下降法有哪些变体？”等问题- 定位“反向传播讲解”起止时间本文详细介绍了如何使用。
2026-01-10 10:36:31
398
原创 Qwen3-VL-WEBUI视频理解实战：时间戳对齐部署教程
本文系统介绍了在视频理解与时间戳对齐方面的部署与应用实践。如何通过官方镜像快速部署 Qwen3-VL-4B-Instruct 模型；如何在 WebUI 中启用并验证时间戳对齐功能；其背后的交错 MRoPE与DeepStack架构如何支撑高精度时空建模；实际项目中可能遇到的问题及优化策略。
2026-01-10 10:08:06
350
原创 STM32 HAL库配置HID协议的超详细版教程
深入讲解如何使用STM32 HAL库实现hid协议的配置，涵盖从初始化到数据传输的关键步骤。通过实际操作帮助开发者快速掌握hid协议在嵌入式项目中的应用。
2026-01-10 09:27:50
497
原创 STLink V2与STM32接线注意事项：项目应用总结
实际项目中使用STLink V2调试STM32时，正确连接是关键。重点注意SWCLK、SWDIO、GND等引脚对应关系，避免接错导致无法识别或损坏设备。掌握stlink与stm32怎么接线能显著提升开发效率。
2026-01-10 09:09:07
130
原创 Qwen3-VL-WEBUI部署指南：云服务大规模应用方案
Qwen3-VL 是通义千问系列中首个真正实现“视觉即服务”（Vision-as-a-Service）理念的大规模多模态模型。更强的文本生成与理解能力：接近纯LLM水平的语言建模表现深度视觉感知与推理：支持复杂图像语义解析、空间关系判断、遮挡推理超长上下文支持：原生支持256K tokens，可扩展至1M，适用于整本书籍或数小时视频分析动态视频理解：具备秒级事件定位与时间轴对齐能力视觉代理功能：能识别并操作PC/移动端GUI元素，执行自动化任务。
2026-01-10 08:42:34
733
原创 Qwen2.5-7B成本优化案例：中小企业也能负担的大模型部署方案
本文展示了如何利用构建一套高性价比的大模型部署方案，帮助中小企业突破“大模型=高成本”的认知壁垒。成本可控：硬件投入不足5万元，年运维成本低于公有云方案60%性能强劲：支持128K上下文、多语言、结构化输出，满足多数业务需求部署简单：镜像化一键部署，无需深度学习工程经验扩展性强：可通过横向扩容或量化策略灵活调整资源配置。
2026-01-10 08:01:20
228
原创 Qwen2.5-7B网页服务优化：提升用户体验的关键技巧
利用连续批处理与 PagedAttention 提升吞吐量通过流式输出改善用户感知延迟合理控制上下文长度以平衡性能与成本采用量化技术降低部署门槛结合缓存与降级机制增强系统鲁棒性这些优化措施不仅能显著提升响应速度和并发能力，还能有效控制运营成本，使 Qwen2.5-7B 更好地服务于真实业务场景。未来，随着 Mixture-of-Experts（MoE）架构和更高效的 attention 实现（如 FlashAttention-3）的普及，我们有望在相同硬件条件下实现更高性能的网页推理服务。💡。
2026-01-10 07:18:26
540
原创 Qwen2.5-7B智能写作助手：从大纲到完整文章
Qwen2.5-7B 凭借其强大的长上下文理解能力、结构化 I/O 支持和高效的推理性能，为构建端到端的智能写作系统提供了坚实基础。它不仅能完成简单的内容生成，更能胜任从大纲规划 → 分段撰写 → 全文润色的全流程自动化任务。其 76.1 亿参数规模在效果与成本之间取得了良好平衡，尤其适合需要高并发、低延迟的生产环境部署。
2026-01-10 05:56:48
511
原创 Qwen2.5-7B多任务学习：联合训练优化策略
指令遵循任务输入：系统提示 + 用户指令输出：符合角色设定的回答示例：json"instruction": "你是一个资深Python工程师，请解释asyncio的工作原理。","response": "asyncio 是 Python 的异步 I/O 框架..."结构化输出任务输入：自然语言描述输出：合法 JSON 格式数据示例：json"input": "请将用户信息转为JSON：姓名张三，年龄28，城市北京",
2026-01-10 04:39:35
649
原创 Qwen2.5-7B显存溢出怎么办？三步解决大模型部署常见问题
模型量化是一种通过降低模型权重精度来减少显存消耗的技术。常见的有：FP16（半精度）：默认格式，显存减半于 FP32INT8：8 位整数量化，进一步压缩：4 位量化，适合边缘设备部署对于 Qwen2.5-7B，推荐使用INT4 GPTQ 量化版本，可在几乎不损失性能的前提下，将显存需求从 ~15GB 降至6~7GB。步骤方法效果1️⃣启用 INT4 GPTQ 量化显存从 15GB → 7GB2️⃣限制输入长度（≤8K）避免 KV Cache 爆炸3️⃣。
2026-01-10 04:16:08
735
原创 Qwen2.5-7B镜像免配置原理：Docker封装技术深度解析
示例：手动部署Qwen2.5-7B或更进一步地，在Web界面上点击“启动”。📌技术类比：可以把Docker镜像想象成一台“预装好操作系统的电脑”。你买回来就能开机使用，不需要自己装Windows、驱动、Office软件。维度传统部署Docker封装启动时间30分钟以上（依赖安装+模型下载）< 3分钟（一键启动）成功率易因环境不匹配失败100%可重现多语言支持需手动配置tokenizer内置多语言tokenization更新维护手动升级代码/依赖镜像版本化滚动更新。
2026-01-10 04:10:18
189
原创 Qwen2.5-7B部署教程：4090D x 4环境下最优参数配置指南
本文系统介绍了在四张RTX 4090D GPU环境下部署Qwen2.5-7B大模型的最佳实践路径，涵盖从镜像拉取、参数调优到网页服务接入的完整流程。成功实现128K超长上下文支持，满足复杂文档解析需求利用vLLM实现高吞吐、低延迟的生产级API服务掌握多语言、结构化输出（JSON）、角色扮演等高级功能调用方法提供了详细的显存估算与性能调优指南，保障稳定运行。
2026-01-10 04:05:13
205
原创 vivado2018.3安装步骤超详细版：涵盖Xilinx Artix-7配置
手把手教你完成vivado2018.3安装步骤，涵盖Xilinx Artix-7系列配置全过程，解决常见安装问题，适合初学者和项目开发人员快速上手使用。
2026-01-09 14:41:43
398
原创 CRNN vs Tesseract：两大OCR模型在中文识别任务上的对决
本镜像基于 ModelScope 经典的CRNN (卷积循环神经网络)模型构建。相比于普通的轻量级模型，CRNN 在复杂背景和中文手写体识别上表现更优异，是工业界通用的 OCR 识别方案。已集成，并增加了图像自动预处理算法，进一步提升识别准确率。💡 核心亮点1.模型升级：从 ConvNextTiny 升级为CRNN，大幅提升了中文识别的准确度与鲁棒性。2.智能预处理：内置 OpenCV 图像增强算法（自动灰度化、尺寸缩放、对比度拉伸），让模糊图片也能看清。3.极速推理。
2026-01-09 13:20:40
736
原创 CRNN OCR在复杂场景下的识别性能测试
CRNN（Convolutional Recurrent Neural Network）是一种专为序列识别任务设计的端到端深度学习架构，特别适用于不定长文本识别。它将卷积神经网络（CNN）、循环神经网络（RNN）和 CTC（Connectionist Temporal Classification）损失函数有机结合，形成一个统一的识别框架。准确率（Accuracy）：完全匹配的样本占比编辑距离误差率（Edit Distance Error Rate）：字符级错误比例推理延迟（Latency）
2026-01-09 10:54:23
681
原创 路牌识别系统：基于CRNN的智能交通应用
CRNN（Convolutional Recurrent Neural Network）是一种专为场景文字识别设计的深度学习架构，最早由 Shi 等人在2016年提出。其核心思想是将OCR任务视为一个图像到字符序列的映射问题卷积层（CNN）：提取输入图像的局部视觉特征，生成一个高度压缩但语义丰富的特征图。循环层（RNN/BLSTM）：对特征图按行或列进行序列化处理，利用双向LSTM捕捉前后字符之间的依赖关系。转录层（CTC Loss）
2026-01-09 10:06:09
879
原创 从单机到集群：翻译服务扩展方案全解析
本文围绕一款轻量级 AI 中英翻译服务，系统梳理了从单机部署到集群化扩展的完整技术路径。我们不仅展示了如何通过 WebUI 和 API 快速交付 MVP（最小可行产品），更深入探讨了随着业务增长所需的关键架构升级策略。📌 核心结论1.起点要轻：初期优先保证功能完整性和环境稳定性，避免过度设计。2.扩展有序：遵循“多进程 → 负载均衡 → 异步化 → 容器编排”的渐进路线，降低技术债务。3.弹性为王：在 Kubernetes 上运行推理服务已成为现代 MLOps 的标配，值得投入学习成本。4.
2026-01-09 08:10:01
831
原创 Dify平台集成OCR实践：通过API调用实现AI流程自动化
该服务基于经典的模型架构构建。相比传统的CNN+CTC模型，CRNN引入了双向LSTM层，在序列建模上更具优势，尤其擅长处理：- 连续字符识别（如长串数字、地址）- 中文连续书写（如手写笔记）- 噪声背景下的弱信号恢复💡 核心亮点1.模型升级：从 ConvNextTiny 升级为CRNN，大幅提升了中文识别的准确度与鲁棒性。2.智能预处理：内置 OpenCV 图像增强算法（自动灰度化、尺寸缩放、对比度增强），让模糊图片也能看清。3.极速推理。
2026-01-09 07:54:57
567
原创 M2FP模型容器化部署实践
本文完成了M2FP多人人体解析模型的全链路容器化部署，实现了：- ✅ 环境完全隔离，解决PyTorch+MMCV兼容难题- ✅ 内置可视化拼图算法，提升结果可读性- ✅ 提供WebUI交互界面，零代码门槛使用- ✅ 支持纯CPU环境运行，适用于边缘设备。
2026-01-09 05:24:02
740
原创 翻译延迟高怎么办？轻量模型+CPU优化带来极速响应体验
要实现“轻量+精准”的目标，必须从模型架构本身入手。我们在多个开源翻译模型中进行了横向评估，包括Helsinki-NLP/opus-mt-zh-en、facebook/m2m100_418M以及ModelScope上的CSANMT系列。| 模型名称 | 参数量 | 是否支持CPU | 平均响应时间（CPU） | 输出流畅度 || m2m100_418M | ~4.18亿 | 是（但慢） | >3s | 高 || opus-mt-zh-en | ~6700万 | 是 | ~1.5s | 中等 |
2026-01-09 04:20:56
818
原创 低成本实现高精度人体分割：M2FP镜像节省80%部署成本
M2FP全称为，是在通用图像分割架构 Mask2Former 基础上针对人体部位细粒度识别任务进行专项优化的模型。它继承了Transformer-based分割器的强大建模能力，能够精准区分多达20+类人体部件（如左袖、右裤腿、鞋子、眼镜等），远超传统二值化人像分割（仅区分“人”与“非人”）的能力边界。本文介绍的M2FP多人人体解析服务镜像，不仅是一个开箱即用的技术产品，更体现了一种面向落地的工程化思路技术选型上：选用SOTA模型保证精度；部署策略上：放弃“唯GPU论”，挖掘CPU潜力；用户体验上。
2026-01-08 16:05:18
1003
原创 M2FP拼图算法原理：从离散mask到完整语义图的转换
M2FP服务中的拼图算法，表面上看只是“给mask上色”，实则承担着语义整合、空间推理、视觉传达从离散到连续：将碎片化的模型输出转化为人类可读的整体图像；从数据到知识：通过颜色编码赋予像素以语义意义，完成信息升维；从算法到产品：极大降低使用门槛，让非专业用户也能直观理解模型能力。这套拼图机制的成功，不仅体现了工程实现的精巧，更反映了AI服务化过程中“用户体验优先”的设计哲学。
2026-01-08 13:46:24
745
原创 Z-Image-Turbo与网站链接嵌入：Web组件化调用探索
Z-Image-Turbo 本身已具备强大的图像生成能力，但要真正发挥其价值，必须突破“仅本地可用”的限制。通过以下三种组件化路径，可实现不同层级的集成：| 方式 | 适用阶段 | 开发成本 | 用户体验 || API 调用 | 后端集成 | ★★☆ | 程序员友好 || iframe 嵌入 | 快速上线 | ★☆☆ | 完整 UI || 微前端 SDK | 深度整合 | ★★★ | 最佳一致性 |最终建议1. 初期优先开放RESTful API + 静态资源服务2. 中期支持。
2026-01-08 07:59:48
1013
原创 AI图像生成进入秒级时代：Z-Image-Turbo 1步出图实测
Z-Image-Turbo 不只是一个“更快的生成模型”，它代表了AI图像生成从“离线创作”向“实时交互”演进的重要一步。✅极致速度：1步推理实现秒级出图，满足交互需求✅本地部署：数据可控，适合企业级应用✅中文友好：原生支持中文提示，降低使用门槛✅轻量化设计：6GB显存即可流畅运行1024分辨率。
2026-01-08 07:47:10
612
原创 MGeo在科技园区企业注册地址核查中的实践
显著提升对齐准确率在测试集上，MGeo 的 F1-score 达到 92.3%，相较传统方法提升超35个百分点。降低人工复核成本自动化初筛覆盖80%以上案例，仅需对低置信度结果进行人工干预，人力投入减少60%。支持灵活扩展与集成可轻松嵌入现有CRM、工商数据治理平台或API网关，形成标准化服务能力。
2026-01-08 07:26:36
630
原创 MGeo模型在城市慈善资源分配公平性评估中的支持
MGeo 不仅是一个地址相似度模型，更是打通“数据孤岛”、实现跨系统实体对齐的关键基础设施。其在中文地址理解上的高准确率，源于：- 深度语义建模能力- 大规模真实场景训练数据- 地理空间先验知识融合。
2026-01-08 05:34:44
884
原创 技术文档完善度评价：MGeo官方文档覆盖核心场景
极简部署路径：Docker镜像屏蔽底层依赖，降低入门门槛中文友好命名：支持中文文件名（如推理.py），降低心理障碍即插即用脚本/root/推理.py是高质量的实践样板可视化调试支持：结合Jupyter实现交互式探索分析MGeo作为阿里开源的垂直领域语义匹配模型，其最大贡献不仅是算法本身，更是提供了一套完整的工业级落地范式模型层面：专注中文地址特性，实现高鲁棒性语义对齐工程层面：通过Docker+Jupyter降低使用门槛文档层面：以最小闭环验证路径引导用户快速见效核心结论。
2026-01-08 05:08:34
1000
首部曲第二版勘誤表1
2022-08-08
第三周工作周报 1
2022-08-08
09118240-王明扬-软件实践课程报告1
2022-08-08
数字系统课程设计报告_04017437乔竞_04017404王宸1
2022-08-08
20150519_综合研究4研究报告V4.0_13邵温财1
2022-08-08
测试需求说明书v1.01
2022-08-08
2-项目开发文档-1.01
2022-08-08
蒸馏例题及答案1
2022-08-08
MySQL编译安装1
2022-08-08
5-11实验题目1
2022-08-08
Chap13 自陷例程和中断1
2022-08-08
上位机程序开发文档1
2022-08-08
固体介质声学参数测量1
2022-08-08
代码规范说明书1
2022-08-08
数据库概要设计1
2022-08-08
项目文档管理制度1
2022-08-08
Java编程与问题解决技巧
2025-05-16
企业PKI安全解决方案：合规性问题解答
2025-04-30
Ruby元编程实践指南
2025-04-08
Perl语言在语言学研究中的CGI编程
2025-03-08
Greenfoot Java游戏编程入门
2025-03-18
民粹主义与高等教育：美国大学的变迁
2025-03-03
JoSQL远程代码执行1
2022-08-08
航天德鲁DN15-DN25检定装置上位机用户手册1
2022-08-08
功能规格说明书1
2022-08-08
unity知识库1
2022-08-08
DJIAPI文档1
2022-08-08
答案_作业F1910231
2022-08-08
1.常见故障解答1
2022-08-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人