window10 ODBC数据源管理程序添加系统DSN不显示

最新推荐文章于 2025-11-26 15:49:07 发布
原创 最新推荐文章于 2025-11-26 15:49:07 发布 · 3.8k 阅读 · 3 ·
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。
文章标签：

#windows

博客主要讲述了在Windows系统中，通过控制面板添加系统DSN时不显示且提示数据源已存在的问题。介绍了网上常见解决方法但均无效，最后给出有效解决办法，即通过命令行进入C:\\Windows\\SysWOW64目录，运行odbcad32.exe打开管理程序添加数据源。

问题描述

通过控制面板 -> 管理工具 -> ODBC数据源(64位) -> 添加系统DSN不显示，在添加提示数据源已存在，如下图

下面是网上说的方法：

        1：通过C:\Windows\SysWOW64的odbcad32.exe添加（经测试依然不显示）

        2：通过C:\Windows\System32的odbcad32.exe添加（经测试依然不显示）

        3：注册表（不存在）

 解决方法

        1：打开命令行

        2：输入：cd \Windows\SysWOW64        回车进入其目录

        3：输入：odbcad32.exe         回车打开ODBC数据源管理程序

        4：添加数据源，可以正常显示和删除

A Survey of Reinforcement Learning for Large Reasoning Models
c_cpp_csharp的专栏
09-22 265
本文综述了强化学习（RL）在大型语言模型（LLMs）推理能力提升中的最新进展。RL在拓展LLM能力边界方面取得了显著成功，尤其在解决数学、编码等复杂逻辑任务中表现突出，已成为将LLMs转化为大型推理模型（LRMs）的基础方法。随着该领域的快速发展，RL在LRMs中的规模化应用目前不仅面临计算资源的基础挑战，还受制于算法设计、训练数据与基础设施等多重限制。鉴于此，当前亟需回顾该领域的发展历程、重新评估其演进轨迹，并探索提升RL可扩展性以迈向通用人工智能（ASI）的策略。
Continual Learning of Large Language Models: A Comprehensive Survey
c_cpp_csharp的专栏
07-15 1387
有效和高效地将静态预训练的大型语言模型（LLM）适应不断发展的数据分布的挑战仍然是主要的。当为特定需求量身定制时，经过预训练的LLM在先前的知识领域中经常会出现明显的性能下降，这种现象被称为“灾难性遗忘”。尽管在持续学习（CL）领域进行了广泛的研究，但这个问题在LLMs领域呈现出新的表现形式。在本次调查中，我们全面概述并详细讨论了CL背景下LLMs的当前研究进展。
【论文阅读】A Survey of Reinforcement Learning for Large Reasoning Models
bylander的博客
09-24 2252
在本文中，我们综述了利用强化学习赋能大型语言模型进行推理的近期进展。强化学习在推动 LLM 能力前沿方面取得了卓越的成功，尤其是在解决数学和编程等复杂的逻辑任务上。因此，强化学习已成为将 LLM 转变为语言推理模型 (LRM) 的一种基础性方法。随着该领域的飞速发展，将强化学习进一步扩展应用于 LRM 不仅在计算资源方面，也在算法设计、训练数据和基础设施方面面临着基础性挑战。为此，我们有必要及时回顾该领域的发展历程，重新评估其发展轨迹，并探索各种策略来增强强化学习的可扩展性，以期最终迈向超级人工智能 (AS
推理模型RL综述
acccc1122的博客
09-13 987
强化学习并非不需要数据，而是**它自己就是数据的生产者**。
LLMs之RL之LRM：《A Survey of Reinforcement Learning for Large Reasoning Models》翻译与解读
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
11-06 1333
​ LLMs之RL之LRM：《A Survey of Reinforcement Learning for Large Reasoning Models》翻译与解读 目录 《A Survey of Reinforcement Learning for Large Reasoning Models》翻译与解读 Abstract 1、Introduction
锐化与发现：大型推理模型中强化学习的七大核心争议
欢迎来到我的博客
10-10 1085
验证者法则作为理解RL应用边界的核心理论框架，揭示了任务特性与RL效果之间的内在联系。文章开头已经阐述过验证者法则，基于这一法则，我们可以将任务分为三类，每类对RL的适用性有显著差异：1.可验证问题：具有明确答案和自动验证机制的任务数学问题：答案可通过符号计算验证代码生成：可通过编译器和测试框架验证科学推理：可通过模拟或实验验证2.半可验证问题：部分步骤可验证，整体较主观多模态推理：关键步骤可验证，整体解释较主观医疗诊断：基于证据的推理可验证，最终诊断较主观3.主观问题：缺乏客观验证标准。
清华与上海AI Lab发布LLM推理能力强化学习综述
zenRRan的博客
09-12 1102
智能体在环境中观察到“状态”（State），并根据其“策略”（Policy）选择一个“动作”（Action），执行动作后，智能体会得到一个“奖励”（Reward），并进入一个新的状态。这篇论文的发布，不仅为研究人员提供了宝贵的参考，也向所有人揭示了RL与LLM结合所蕴含的巨大潜力，预示着一个由RL驱动的，能够自主推理、自我完善的超智能时代的到来。动态采样允许模型在与环境互动时生成新的、多样化的数据，而结构化采样则确保生成的数据具有特定的格式或结构，例如，遵循逻辑链或特定的问题解决步骤。
论文阅读:A Survey of Efficient Reasoning for Large Reasoning Models: Language, Multimodality, and Beyond
yul1024的博客
04-12 992
大推理模型(LRM)最近很火，而一个很常见的问题是，这些模型的推理效率过低，多长的推理过程，并且冗余内容很多。对于简单问题过分推理，对于困难问题肤浅推理。LLM发展到现在有2类，1是之前的可以快速自动决策的LLM，2是现在的面对复杂推理任务进行结构化分析的LRM。LRM显式生成中间推理步骤，也就是中间的CoT。效率也应该是智能的一部分，而不仅仅是推理本身。模型需要知道如何优化推理路径，平衡成本和性能。
论文阅读：LLM4Drive: A Survey of Large Language Models for Autonomous Driving
m0_53605808的博客
06-05 1344
自动驾驶技术作为推动交通和城市出行变革的催化剂，正从基于规则的系统向数据驱动策略转变。传统的模块化系统受限于级联模块间的累积误差和缺乏灵活性的预设规则。相比之下，端到端自动驾驶系统因其完全数据驱动的训练过程有望避免误差累积，但其 “黑箱” 特性往往导致透明度不足，使得决策的验证和追溯复杂化。最近，大型语言模型（LLMs）已展现出上下文理解、逻辑推理和生成答案等能力。一个自然的想法是利用这些能力为自动驾驶赋能。
A Survey of Large Language Models大模型综述论文章节总结
weixin_45320238的博客
10-17 2349
这篇论文出自于中国人民大学，全面回顾了大型语言模型 (LLM) 的最新进展，重点关注其发展背景、关键发现和主流技术。
论文阅读：A Survey on Large Language Models for Code Generation
m0_53605808的博客
06-25 1373
大型语言模型（LLMs）在各种代码相关任务中取得了显著进【展，被称为代码 LLMs，尤其在从自然语言描述生成源代码的代码生成任务中表现突出。这一新兴领域因其在软件开发中的实际意义，如 GitHub Copilot，引起了学术研究人员和行业专业人士的极大兴趣。尽管从自然语言处理（NLP）或软件工程（SE）或两者的角度对 LLMs 进行了各种代码任务的积极探索，但缺乏专门针对代码生成 LLMs 的全面且最新的文献综述。
周二晚8点！一起系统聊聊面向推理模型的 RL 研究
青年AI研究员idea加油站，AI开发者的新能源充电桩。
10-20 428
清华大学与上海人工智能实验室联合发布《大型推理模型的强化学习综述》，系统梳理了RL在推理模型中的应用。该研究探讨了RL基础组成、前沿问题及未来挑战，重点关注大模型与环境交互学习。10月21日晚8点，清华大学博士生张开颜将在青稞Talk第80期直播分享相关研究成果，内容涵盖RL建模定义、优化方案对比及未来研究方向。直播将在青稞社区视频号与B站同步进行。
保姆级拆解！从RLHF到RLVR，大型推理模型技术全突破！原理+实战+避坑，一篇吃透！
Python_cocola的博客
09-29 1203
导读**：近期，一篇名为《A Survey of Reinforcement Learning for Large Reasoning Models》的综述性文章系统梳理了强化学习（RL）在前沿大型推理模型（LRM）中的应用、挑战与未来方向。本文旨在为领域内的研究者与从业者，提供对该篇综述的专业化、结构化解读，提炼其核心技术脉络与前沿洞见。
强化学习 | (1) The Review of Reinforcement Learning
sdu_hao的博客
02-04 804
本文翻译自 A (Long) Peek into Reinforcement Learning 在本文中，我们将简要介绍强化学习（RL）这个领域，从基本概念到经典算法。 近年来，人工智能（AI）领域出现了两个令人振奋的消息。 AlphaGo在围棋游戏中击败了最好的职业人类玩家。 之后扩展的算法AlphaGo Zero在没有人类知识监督学习的情况下，以100-0击败了AlphaGo。 在DOTA2 1v1竞赛中，顶级专业游戏玩家输给了OpenAI开发的机器人。 知道了这些之后，很难不对这些算法背后的魔力-强化
强化学习综述（机器学习角度）
JessieLT的博客
06-10 596
Reinforcement Learning：A Survey 作者：Leslie Pack Kaelbling, Michael L. Littman, Andrew W. Moore （整理转自https://zhuanlan.zhihu.com/p/72296706） 目录摘要1 引言1.1 强化学习模型1.2 最优行为模型1.3 学习性能的评估1.4 强化学习和自适应控制2 探索与利用：单一状态情况2.1 被形式化证明了的方法2.1.1 动态规划2.1.2 Gittins分配指数2.1.3 自动机学
《RWKV》论文笔记
Zssss12的博客
07-09 2052
这些通常涉及复杂的顺序数据处理任务比如自然语言理解任务，会话AI，时间序列分析，和间接顺序格式，如图像和图表(Brown等人，2020;到目前为止，我们将我们的模型扩展到多达 14 亿个参数，是迄今为止训练的最大密集 RNN，发现 RWKV 的性能与类似大小的 Transformer 相当，这表明未来的工作可以利用这种架构来创建更有效的模型。在该架构中，计算中涉及的所有线性投影向量(R, K, V，通道混合中的R '， K ')都是通过当前时间步输入和前一个时间步输入之间的线性插值产生的，促进令牌移位。
深度强化学习简要概述(A brief Survey of deep reinforcement learning)
热门推荐
KyrieHe的博客
03-09 1万+
深度强化学习简要概述 作者：Kai Arulkumaran, Marc Peter Deisenroth, Miles Brundage, Anil Anthony Bharath paper地址: A brief Survey of deep reinforcement learning 摘要 深度强化学习（DRL）将为人工智能领域带来革命性的变化，并代表着朝向构建对视觉世界...
信息检索13
最新发布
2301_80828873的博客
11-26 2220
最近邻检索的方法，PQ，IVF,HNSW
Large Language Model Guided Deep Reinforcement Learning for Decision Making in Autonomous Driving
11-24
- 引用[1]的《A Survey on Multimodal Large Language Models for Autonomous Driving》概述了多模态LLM的整体进展，可作为背景参考[^1]。 如果您提供更多细节（如特定算法或场景），我可以进一步细化分析。
评论 6
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