DeepSeek发布新模型，遭遇大规模攻击，梁文锋回应证实为假，吴恩达盛赞DeepSeek！AI Weekly 1.27-2.2
📢本周AI快讯 | 1分钟速览🚀
1️⃣ 🖼️Janus-Pro-7B：DeepSeek发布7B开源多模态模型，视觉理解&生成能力超越DALL-E 3！
2️⃣ 🚨DeepSeek遭遇大规模攻击：DDoS+暴力破解，攻击源IP指向美国，已采取防御措施。
3️⃣ 📉DeepSeek引发科技股震荡：DeepSeek高性价比AI模型引发市场担忧，英伟达股价大跌16.97%，市值蒸发5900亿美元！
4️⃣ 🎭梁文锋回应是假消息：《黑神话》制作人冯骥盛赞DeepSeek，网传梁文锋回应实为乌龙传播。
5️⃣ 🏆吴恩达盛赞DeepSeek：称其AI进步缩小中美差距，推动开源模型发展，挑战OpenAI。
6️⃣ 🧠Qwen 2.5-Max：阿里云发布超大规模MoE模型，多项能力超越DeepSeek V3和Llama 3.1-405B！
7️⃣ 🤖o3-mini上线：OpenAI新推理模型，速度+24%，代码数学能力大幅提升，免费用户可体验。
8️⃣ 📈ChatGPT订阅激增：1550万+ 付费用户，同比增长近两倍，API调用量翻7倍。
9️⃣ 🏛️ChatGPT Gov：OpenAI推出政府专属AI，高安全性，助力美国政府AI应用。
🔟 🛰️OpenAI估值3000亿：新一轮融资谈判中，软银或投资250亿美元，目标AI基础设施建设。
1️⃣1️⃣ 🤯Grok 3：xAI即将发布，支持思维链推理，类人认知，或推Pro版挑战OpenAI！
1️⃣2️⃣ 🔍Copilot深度思考功能免费开放：微软AI助手升级，提供更精准推理及复杂任务拆解！
1️⃣3️⃣ ⚡Mistral Small 3：新晋开源模型，低延迟+高性能，媲美Llama 3.3 70B，Apache 2.0许可。
1. DeepSeek发布新模型 Janus-Pro-7B
1月28日，DeepSeek宣布推出并开源其最新的多模态AI模型——Janus-Pro-7B。该模型在GenEval和DPG-Bench基准测试中表现出色，击败了OpenAI的DALL-E 3和Stable Diffusion。
Janus-Pro-7B是对去年10月发布的Janus模型的升级版本。通过优化训练策略、扩展训练数据集并增加模型规模，Janus-Pro-7B在图像生成任务中实现了更高的准确性和稳定性。具体而言，在GenEval测试中，Janus-Pro-7B的准确率达到80%，而DALL-E 3为67%；在DPG-Bench测试中，Janus-Pro-7B的准确率为84.2%，显著高于其他对比模型。
该模型采用创新的自回归框架，统一了多模态理解和生成能力。在多模态理解任务中，Janus-Pro-7B使用SigLIP-L作为视觉编码器，支持384 x 384像素的图像输入；在图像生成任务中，模型通过特定的分词器将图像降采样至16倍，以实现高效的图像生成。
目前，Janus-Pro-7B已在Hugging Face平台上线，开发者可以通过API进行访问。此外，DeepSeek还提供了本地部署和Colab部署的教程，方便用户在不同环境中体验该模型的功能。
2. DeepSeek遭遇大规模恶意攻击
本周，DeepSeek宣布，其线上服务遭遇了大规模恶意攻击，导致新用户注册功能受到影响。已注册用户的登录和使用未受影响。
为应对此次攻击，DeepSeek采取了限制措施，暂时仅允许使用中国大陆手机号码（+86）进行注册。此前，DeepSeek已开放了通过Google、Apple ID或电子邮件的注册方式，但由于此次攻击，暂时恢复了对中国大陆手机号码的限制。
网络安全专家指出，此次攻击可能是分布式拒绝服务（DDoS）攻击，旨在通过大量虚假流量使服务瘫痪。DeepSeek尚未公布具体的攻击细节，但表示正在积极应对，以尽快恢复正常服务。
据官媒“玉渊谭天”向奇安信安全专家了解到的消息，DeepSeek这次受到的网络攻击，攻击形式多样，包括DDoS和暴力破解，且攻击者IP地址都来自美国。
3. DeepSeek引发全球科技股震荡
近期，DeepSeek发布了高效且低成本的AI模型，引发全球科技股市场的剧烈波动。其最新的AI模型因具备高性价比，并能够在较低端芯片上运行，导致市场对英伟达等公司高估值的质疑。
受此影响，英伟达股价在本周一暴跌16.97%，市值蒸发近5900亿美元，创下美国金融史上的纪录。其他科技巨头如微软、谷歌母公司Alphabet等也出现不同程度的下跌，纳斯达克综合指数下跌3.07%。
DeepSeek的AI模型展示了在低成本硬件上实现高性能的可能性，这对当前依赖高端芯片的AI产业链提出了挑战。瑞士联合私立银行董事总经理Vey-Sern Ling表示：“DeepSeek表明，开发低成本的高性能AI模型是可能的。这可能会动摇整个AI供应链的投资逻辑，因为目前这一供应链主要由少数超大规模企业的高额支出驱动。”
此次事件引发了投资者对科技股高估值的重新审视，尤其是对英伟达等依赖高端芯片销售的公司的未来增长和利润率的担忧。分析人士指出，市场可能需要重新评估AI技术发展的成本结构，以及对高端硬件的依赖程度。
截至目前，英伟达股价有所回升，但市场对其高估值的质疑仍在持续。
4. 梁文锋回应冯骥的消息被证实为假
1月28日消息，《黑神话：悟空》制作人、游戏科学创始人冯骥近日在社交媒体发文，盛赞DeepSeek大模型，称其“可能是国运级别的科技成果”，并详细列举了DeepSeek的六大卓越特性，包括推理能力、开源策略、训练效率等，认为其在多个方面都实现了业界突破。冯骥的评价在国内科技圈引发了广泛讨论。
随后，网上流传出一则消息，称DeepSeek和幻方量化的联合创始人梁文锋在知乎的相关问题下发表回应：“我们不过是站在开源社区巨人们的肩膀上，给国产大模型这栋大厦多拧了几颗螺丝。”该言论被不少网友解读为梁文锋对开源社区贡献的认可，也进一步提升了DeepSeek在国内AI领域的影响力。
然而，据新浪科技报道，该回应实际上并未出自梁文锋本人，而是某些自媒体误传的假消息。新浪科技向DeepSeek相关人士求证后确认，梁文锋从未在知乎或其他社交平台上发布上述评论，所谓的回应纯属杜撰。此外，近期关于DeepSeek的讨论热度持续上升，不少未经核实的消息在社交平台上迅速传播，例如早前网传英伟达创始人黄仁勋内部信谈及DeepSeek，最终也被英伟达官方否认。
DeepSeek作为国内备受瞩目的大模型团队，其技术进展和市场竞争力不断引发业界关注。然而，在信息传播加速的背景下，部分未经核实的消息可能会误导公众认知，甚至影响行业的发展节奏。业内人士提醒，对于AI行业的相关新闻，尤其是涉及企业核心团队和技术竞争力的内容，仍需以官方信息为准，避免被不实信息误导。
5. 吴恩达发文盛赞DeepSeek
2月1日，斯坦福大学计算机科学系客座教授、AI领域的领军人物吴恩达（Andrew Ng）在X平台发文，对中国AI公司的快速崛起表示认可，特别提及了DeepSeek的最新突破。他表示，中国在生成式AI领域的进展令人瞩目，正在快速缩小与美国的差距。
吴恩达在长文中指出，DeepSeek的成功不仅展示了中国AI企业的技术进步，还反映了几个关键趋势：
-
中国AI实力崛起——中国企业正在加速生成式AI的发展，这将对全球AI格局产生深远影响。DeepSeek的出现表明，领先的AI技术不再仅仅由美国主导，中国的研究机构和企业正在迅速迎头赶上。
-
开源推动行业变革——DeepSeek近期发布的DeepSeek-R1模型，在性能上已可媲美OpenAI的o1模型，并且以MIT许可证完全开源。吴恩达强调，开源模型正在推动基础模型的“商品化”，这为更多应用开发者提供了机会，加速AI在各行业的落地应用。
-
算法创新降低训练成本——吴恩达特别提到，AI模型的规模不断扩大虽然能提升性能，但优化算法和更高效的训练方法同样重要。DeepSeek的突破展示了如何在降低训练成本的同时保持高性能，这意味着不依赖于庞大的计算资源，也能取得技术突破。
6. 阿里云发布通义千问 Qwen 2.5-Max
1月29日，阿里云正式发布了其最新的通义千问Qwen 2.5-Max超大规模混合专家（MoE）模型。该模型使用超过20万亿tokens的预训练数据，并采用精心设计的后训练方案，展现出卓越的综合性能。
在多项公开主流模型评测基准上，Qwen 2.5-Max取得了高分，全面超越了目前全球领先的开源MoE模型DeepSeek V3，以及最大的开源稠密模型Llama-3.1-405B。具体而言，在知识（MMLU-Pro）、编程（LiveCodeBench）、综合能力评估（LiveBench）以及人类偏好对齐（Arena-Hard）等基准测试中，Qwen 2.5-Max的表现均优于竞争对手。
目前，开发者可以通过API访问该模型，或登录Qwen Chat平台直接体验其功能，包括与模型对话、使用artifacts以及搜索等。然而，Qwen 2.5-Max尚未开源，具体开源计划尚未公布。阿里云此次选择在农历新年第一天发布这一重要模型，显示了其在生成式AI领域追赶竞争对手的决心。此前，DeepSeek的迅速崛起给行业带来了巨大压力，阿里云此举被视为对这一竞争态势的积极回应。
7. OpenAI发布新推理模型 o3-mini
2月1日，OpenAI正式推出了全新的推理模型o3-mini，并首次向免费ChatGPT用户提供有限速率的访问权限。相比之前的o1-mini模型，o3-mini在响应速度上提升了24%，答案准确性也有所提高。与o1-mini类似，o3-mini会展示推理过程，而非仅提供答案。开发者可以通过OpenAI的API服务（包括Chat Completions API、Assistants API和Batch API）使用o3-mini。
值得注意的是，o3-mini支持开发者调整“AI推理努力程度”，分为低、中、高三个级别。在2024年美国数学邀请赛（AIME 2024）的测试中，o3-mini在最高努力水平下的准确率提升至87.3%，GPQA Diamond基准测试准确率达79.7%，Codeforces竞赛ELO评分突破2130分，达到准专业开发者水平。
面对国产模型DeepSeek-R1带来的竞争压力，OpenAI同步调整了商业化策略：免费用户每日可体验与GPT-4o同频次的高级推理，Plus用户限额提升至150次/天，企业版则计划下周开放使用。
8. ChatGPT订阅用户数激增至1550万
根据The Information的最新报道，OpenAI近期向部分股东透露，尽管面临来自谷歌、Anthropic和Meta等竞争对手的挑战，ChatGPT的付费订阅用户数在2024年达到了1550万，较一年前的580万增长了近两倍。此外，OpenAI的API调用量同比增长了7倍，显示出开发者对其服务的需求大幅上升。
与此同时，OpenAI于近日发布了o3-mini模型，这是其推理系列中最新且最具成本效益的模型，已在ChatGPT和API中开放使用。 该模型在数学、代码等基准测试中刷新了最新纪录。
OpenAI联合创始人兼首席执行官萨姆·阿尔特曼在o3-mini发布后的在线问答中透露，“在未来几周，完整版o3即将上线。”他还谈及了对DeepSeek的看法，表示：“它确实是一个非常好的模型，OpenAI会开发出更好的模型，但我们不会像往年那样保持那么大的领先优势了。”
阿尔特曼罕见地承认了自己的错误，并表示OpenAI正在讨论一个新的开源策略。 “我个人认为，在这个问题上我们站错了队，需要想出一个不同的开源策略；不是OpenAI的每个人都持有这种观点，而且这也不是我们目前的最高优先级。”
9. OpenAI推出ChatGPT Gov
1月28日，OpenAI宣布推出ChatGPT Gov，这是自企业版ChatGPT发布以来公司最重要的产品之一。ChatGPT Gov专为美国政府机构设计，旨在提供比企业版更高的安全性。该平台允许政府机构在其Microsoft Azure云环境中部署ChatGPT Gov，使其能够更轻松地管理安全和隐私要求。此外，ChatGPT Gov保留了企业版的核心功能，包括保存和共享对话、构建自定义GPT以及为IT团队提供的管理控制台。
OpenAI表示，自2024年初以来，已有超过9万名联邦、州和地方政府雇员在ChatGPT中生成了超过1800万条提示，利用该技术翻译和总结文件、撰写政策备忘录、生成代码以及构建应用程序。通过推出ChatGPT Gov，OpenAI旨在确保AI服务于国家利益和公共利益，符合民主价值观，同时帮助政策制定者负责任地整合这些能力，为美国人民提供更好的服务。
值得注意的是，OpenAI还计划与英国政府合作，在英国政府网站上推出AI聊天机器人，进一步推动AI在公共服务领域的应用。
10. OpenAI计划新一轮融资
据《华尔街日报》报道，OpenAI正在初步洽谈新一轮融资，拟筹集至多400亿美元资金，估值可能达到3000亿美元。据知情人士透露，日本软银集团有望领投，投资额在150亿至250亿美元之间。若交易达成，OpenAI的估值将接近字节跳动，成为全球最有价值的私人科技公司之一。部分资金可能用于支持OpenAI、软银和甲骨文等公司共同发起的“星际之门”项目，该项目计划在未来四年内投资5000亿美元建设AI基础设施。
11. xAI即将推出具备“思维链”的Grok 3
埃隆·马斯克旗下的人工智能公司xAI正在筹备发布其最新的AI模型——Grok 3。据悉，Grok 3将引入“思维链”（Chain of Thought）推理能力，使其能够像人类一样，逐步处理复杂任务。这一功能的实现，得益于xAI在独立的Grok应用中添加的“思考”相关功能，如“思考开始时间”、“思考结束时间”和“思考轨迹”等。
此外，Grok 3可能会推出一个专业模式（Pro mode），以满足高级用户的需求。目前，在iOS版本的应用中曾短暂出现过该模式的相关资源，但具体细节尚未公布。xAI投入了大量计算资源，使用约10万个NvidiaH100GPU训练Grok 3，以提升其推理、编码和多模态功能。Grok独特的设计提供了“常规”和“趣味”两种模式，用户可以选择直接的回答或带有幽默和讽刺的互动。即将推出的专业模式可能会为专业用户提供更多定制化功能。
12. 微软Copilot开放“深度思考”功能
微软AI公司首席执行官穆斯塔法·苏莱曼（Mustafa Suleyman）于1月30日在X平台宣布，所有Microsoft Copilot用户现在均可免费使用OpenAI的o1推理模型。这意味着此前仅对Copilot Pro订阅用户开放的“深度思考”功能现已向所有用户免费提供。
“深度思考”功能于2024年10月在Copilot Labs首次推出，利用OpenAI的o1模型，专注于思维链推理，旨在提高回复的深度和准确性。用户只需点击Copilot中的“深度思考”按钮，AI就会在大约30秒内分析问题并生成经过充分推理的回复。这一功能在处理复杂查询时，提供了更结构化、逻辑一致的答案。
苏莱曼还强调了该功能的实际应用，例如制定详细的项目计划、深入研究各种主题等。他表示：“我们还有很多正在筹备中的项目，我迫不及待地想告诉大家。”
13. Mistral发布开源模型 Mistral Small 3
2025年1月30日，欧洲领先的人工智能公司Mistral AI推出了全新的开源模型——Mistral Small 3。该模型拥有240亿参数，采用Apache 2.0许可证，专为低延迟和高性能应用设计。在性能方面，Mistral Small 3在MMLU-Pro基准测试中表现出色，与Llama 3.3 70B和Qwen 32B等更大规模的模型相当。值得注意的是，尽管参数量较小，但其运行速度甚至超过了Llama 3.3 70B，展现了卓越的效率。
Mistral Small 3的设计目标是满足80%生成式AI任务的需求，特别是在需要强大语言理解和指令遵循能力的场景中。其优化的架构使其在相同硬件上比同类模型快3倍以上，非常适合需要快速响应的应用，如虚拟助手、低延迟函数调用以及特定领域的专家系统。
目前，开发者可以通过多个平台访问和部署Mistral Small 3，包括Hugging Face、Ollama、Kaggle、Together AI和Fireworks AI。此外，Mistral AI计划在未来几周内发布具备增强推理能力的小型和大型模型，进一步推动开源AI社区的发展。
我是木易，一个专注AI领域的技术产品经理，国内Top2本科+美国Top10 CS硕士。
相信AI是普通人的“外挂”，致力于分享AI全维度知识。这里有最新的AI科普、工具测评、效率秘籍与行业洞察。
欢迎关注“AI信息Gap”，用AI为你的未来加速。
精选推荐
相关文章：
DeepSeek发布新模型，遭遇大规模攻击，梁文锋回应证实为假，吴恩达盛赞DeepSeek！AI Weekly 1.27-2.2
📢本周AI快讯 | 1分钟速览🚀 1️⃣ 🖼️Janus-Pro-7B：DeepSeek发布7B开源多模态模型，视觉理解&生成能力超越DALL-E 3！ 2️⃣ 🚨DeepSeek遭遇大规模攻击：DDoS暴力破解ÿ…...
20250202在Ubuntu22.04下使用Guvcview录像的时候降噪
20250202在Ubuntu22.04下使用Guvcview录像的时候降噪 2025/2/2 21:25 声卡：笔记本电脑的摄像头自带的【USB接口的】麦克风。没有外接3.5mm接口的耳机。 缘起：在安装Ubuntu18.04/20.04系统的笔记本电脑中直接使用Guvcview录像的时候底噪很大！ …...
直方图：摄影中的视觉数据指南
目录 一、直方图基础：揭开它的神秘面纱 二、解读直方图类型：亮度与色彩的密码 （一）亮度直方图 （二）RGB 直方图 三、拍摄中巧用直方图：优化曝光与效果 （一）精准判断曝…...
OpenGL学习笔记（七）：Camera 摄像机（视图变换、LookAt矩阵、Camera类的实现）
文章目录 摄像机/观察空间/视图变换LookAt矩阵移动相机（处理键盘输入）移动速度欧拉角移动视角（处理鼠标输入）缩放场景（处理滚轮输入）Camera类 摄像机/观察空间/视图变换 在上一节变换中，我们讨…...
冲刺一区！挑战7天完成一篇趋势性分析GBD DAY1-7
Day1. 公开数据库的挖掘太火热了,其中GBD数据库的挖掘又十分的火爆.那我就来挑战一篇GBD、一篇关于趋势性分析的GBD！ GBD数据库挖掘是目前的四大刊常客，经常出现在顶级期刊上面。这个数据库亮点就是：可视化，统计学简单、而数据可…...
解锁数据结构密码：层次树与自引用树的设计艺术与API实践
1. 引言：为什么选择层次树和自引用树？ 数据结构是编程中的基石之一，尤其是在处理复杂关系和层次化数据时，树形结构常常是最佳选择。层次树（Hierarchical Tree）和自引用树（Self-referencing Tree…...
【AudioClassificationModelZoo-Pytorch】基于Pytorch的声音事件检测分类系统
源码：https://github.com/Shybert-AI/AudioClassificationModelZoo-Pytorch 模型测试表 模型网络结构batch_sizeFLOPs(G)Params(M)特征提取方式数据集类别数量模型验证集性能EcapaTdnn1280.486.1melUrbanSound8K10accuracy0.974, precision0.972 recall0.967, F1-s…...
ARM嵌入式学习--第十二天（WDOG，RTC）
--WDOG -介绍 WatchDog是为了能够防止程序跑飞而使用的一种硬件模块，如果你的程序没有跑飞，那么你的程序会定时的去喂看门狗；如果你的程序跑飞了，那么就不会再去喂狗了，如果超过了喂狗时间，那么狗就会自己…...
自动化构建-make/Makefile 【Linux基础开发工具】
文章目录 一、背景二、Makefile编译过程三、变量四、变量赋值1、""是最普通的等号2、“:” 表示直接赋值3、“?” 表示如果该变量没有被赋值，4、""和写代码是一样的， 五、预定义变量六、函数**通配符** 七、伪目标 .PHONY八、其他常…...
三天急速通关JavaWeb基础知识：Day 2 前端基础知识（计划有变，前端工程化部分暂时搁置）
三天急速通关JavaWeb基础知识：Day 2 前端基础知识 0 文章说明1 HTML1.1 介绍1.2 基本结构及语法1.3 常见标签2 CSS2.1 介绍2.2 引入方式2.3 选择器2.4 浮动 定位 盒子模型 3 JavaScript3.1 介绍3.2 组成3.3 基础语法 4 Ajax4.1 介绍4.2 示例 未完待续，前…...
Chapter2 Amplifiers, Source followers Cascodes
Chapter2 Amplifiers, Source followers & Cascodes MOS单管根据输入输出, 可分为CS放大器, source follower和cascode 三种结构. Single-transistor amplifiers 这一章学习模拟电路基本单元-单管放大器 单管运放由Common-Source加上DC电流源组成. Avgm*Rds, gm和rds和…...
14-9-3C++STL的set容器
set容器的pair对组——set容器set.equal range(elem) 1.返回容器中与elem相等的上下限的两个迭代器；上限是闭区间，下限是开区间，如[beg, end) 2.函数返回两个迭代器，而这两个迭代器被封装在pair中 pair< set<int>::ite…...
用Impala对存储在HDFS中的大规模数据集进行快速、实时的交互式SQL查询的具体步骤和关键代码
AWS EMR（Elastic MapReduce）中应用Impala的典型案例，主要体现在大型企业和数据密集型组织如何利用Impala对存储在Hadoop分布式文件系统（HDFS）中的大规模数据集进行快速、实时的交互式SQL查询。以下是一个具体的案例说明…...
？如何查看系统中所有的输入设备？输入设备的设备文件有什么特点？)
如何确认Linux嵌入式系统的触摸屏对应的是哪个设备文件(/dev/input/event1)？如何查看系统中所有的输入设备？输入设备的设备文件有什么特点？
Linux嵌入式系统的输入设备的设备文件有什么特点？ 在 Linux 中，所有的输入设备（如键盘、鼠标、触摸屏等）都会被内核识别为 输入事件设备，并在 /dev/input/ 目录下创建相应的 设备文件，通常是： …...
C++泛型编程指南08 auto decltype
文章目录 [TOC]第3章：auto占位符（C11～C17）3.1 auto关键字的重新定义3.2 类型推导规则 3.3 何时使用auto3.4 返回类型推导3.5 在Lambda表达式中使用auto3.6 非类型模板参数占位符 总结第4章 decltype说明符（C11…...
php的使用及 phpstorm环境部署
php语法 环境搭建：在小皮中新建网站，注意先填写域名再点击选择根目录。 成功创建网站后，打开发现forbidden，因为新建的网站里是空的，需要新建index.php文件----> 在Phpstorm中左上角打开文件，打开那个文…...
人工智能学习（五）之机器学习逻辑回归算法
深入剖析机器学习逻辑回归算法 一、引言 在机器学习领域，逻辑回归是一种极为经典且应用广泛的算法。虽说名字里带有 “回归”，但它主要用于解决分类问题，在医学、金融、互联网等多个领域都发挥着关键作用。例如，在医学上辅助判断…...
Kubernetes学习之包管理工具（Helm）
一、基础知识 1.如果我们需要开发微服务架构的应用，组成应用的服务可能很多，使用原始的组织和管理方式就会非常臃肿和繁琐以及较难管理，此时我们需要一个更高层次的工具将这些配置组织起来。 2.helm架构： chart:一个应用的信息集合…...
数据结构课程设计（四）校园导航
4 校园导航 4.1 需求规格说明 【问题描述】 一个学校平面图，至少包括10个以上的场所，每个场所带有编号、坐标、名称、类别等信息，两个场所间可以有路径相通，路长（耗时）各有不同。要求读取该校园平面图&a…...
 MIT6.S081 2023 学习笔记 (Day7: LAB6 Multithreading))
(done) MIT6.S081 2023 学习笔记 (Day7: LAB6 Multithreading)
网页：https://pdos.csail.mit.edu/6.S081/2023/labs/thread.html (任务1教会了你如何用 C 语言调用汇编，编译后链接即可) 任务1：Uthread: switching between threads (完成) 在这个练习中，你将设计一个用户级线程系统中的上下文切…...
大年初六，风很大
北京的风在立春附近的几天突然大了，正在盘算着这个冬天可能就这样平庸的去了，没成想风来了。走在风中，穿着本应该是三九天穿的冬装，紧闭着嘴，缩着身子，感受着这冬天该有的低温。这是冬天该有的样子…...
【算法】回溯算法专题③ ——排列型回溯 python
目录 前置小试牛刀回归经典举一反三总结 前置 【算法】回溯算法专题① ——子集型回溯 python 【算法】回溯算法专题② ——组合型回溯 剪枝 python 小试牛刀 全排列 https://leetcode.cn/problems/permutations/description/ 给定一个不含重复数字的数组 nums ，返…...
利用deepseek参与软件测试 基本架构如何 又该在什么环节接入deepseek
利用DeepSeek参与软件测试，可以考虑以下基本架构和接入环节： ### 基本架构 - **数据层** - **测试数据存储**：用于存放各种测试数据，包括正常输入数据、边界值数据、异常数据等，这些数据可以作为DeepSeek的输入&…...
)
99.20 金融难点通俗解释：中药配方比喻马科维茨资产组合模型(MPT)
目录 0. 承前1. 核心知识点拆解2. 中药搭配比喻方案分析2.1 比喻的合理性 3. 通俗易懂的解释3.1 以中药房为例3.2 配方原理 4. 实际应用举例4.1 基础配方示例4.2 效果说明 5. 注意事项5.1 个性化配置5.2 定期调整 6. 总结7. 代码实现 0. 承前 本文主旨： 本文通过中…...
为AI聊天工具添加一个知识系统 之79 详细设计之20 正则表达式 之7
本文要点 要点 “正则表达式” 本来是计算机科学计算机科学的一个概念。本项目将它推广（扩张）到认知科学的“认知范畴”概念， 聚合（收敛）到 神经科学 的“神经元”概念。 做法是：用reg 来系统化定义认知…...
[ Spring ] Spring Boot Mybatis++ 2025
文章目录 StructureMyBatis Controller AbilitiesConfigure Plugins and RepositoriesApply Plugins and Add DependenciesMyBatis Spring PropertiesMyBatis ApplicationMyBatis BeansMyBatis MapperMyBatis Query Builder Structure this blog introduce 3 ways using mybat…...
虚幻基础17：动画层接口
能帮到你的话，就给个赞吧 😘 文章目录 animation layer interface animation layer interface 动画层接口：动画图表的集。仅有名字。 添加到动画蓝图中，由动画蓝图实现动画图表。...
前缀和算法
文章目录 算法总览题目1371.每个元音包含偶数次的最长子字符串 算法总览 题目 1371.每个元音包含偶数次的最长子字符串 1371.每个元音包含偶数次的最长子字符串 参考博主的讲解 思路分析：就是得使用前缀和记录情况，dp[i][j]表示s[0] 到s[i] 中&…...
稀疏混合专家架构语言模型（MoE）
注：本文为 “稀疏混合专家架构语言模型（MoE）” 相关文章合辑。 手把手教你，从零开始实现一个稀疏混合专家架构语言模型（MoE） 机器之心 2024年02月11日 12:21 河南 选自huggingface 机器之心编译 机器之心…...
深入理解 `box-sizing: border-box；`：CSS 布局的利器
深入理解 box-sizing: border-box;：CSS 布局的利器 默认行为示例代码 使用 box-sizing: border-box;示例代码 全局应用 box-sizing: border-box;示例代码 实际应用场景1. 表单布局2. 网格布局 总结 在 CSS 中，box-sizing 属性决定了元素的总宽度和高度是…...
MySQL不适合创建索引的11种情况
文章目录 前言1. **数据量小的表**2. **频繁更新的列**3. **低选择性的列**4. **频繁插入和删除的表**5. **查询中很少使用的列**6. **大文本或BLOB列**7. **复合索引中未使用的前导列**8. **频繁进行批量插入的表**9. **查询返回大部分数据的表**10. **临时表**11. **列值频繁…...
shell呈现数据——在脚本中重定向
重定向输出 只需简单地重定向相应的文件描述符，就可以在脚本中用文件描述符STDOUT和STDERR在多个位置生成输出。在脚本中重定向输出的方法有两种。 临时重定向每一行。永久重定向脚本中的所有命令。 下面将具体展示这两种方法的工作原理。 1.临时重定向 如果你…...
vector容器（详解）
本文最后是模拟实现全部讲解，文章穿插有彩色字体，是我总结的技巧和关键 1.vector的介绍及使用 1.1 vector的介绍 https://cplusplus.com/reference/vector/vector/（vector的介绍） 了解 1. vector是表示可变大小数组的序列容器。…...
【初/高中生讲机器学习】0. 本专栏 “食用” 指南——写在一周年之际⭐
创建时间：2025-01-27 首发时间：2025-01-29 最后编辑时间：2025-01-29 作者：Geeker_LStar 你好呀~这里是 Geeker_LStar 的人工智能学习专栏，很高兴遇见你~ 我是 Geeker_LStar，一名高一学生，热爱计…...
之2 - Milestone请求(里程碑开票))
SAP SD学习笔记28 - 请求计划(开票计划)之2 - Milestone请求(里程碑开票)
上一章讲了请求计划（开票计划）中的 定期请求。 SAP SD学习笔记27 - 请求计划(开票计划)之1 - 定期请求-CSDN博客 本章继续来讲请求计划（开票计划）的其他内容： Milestone请求(里程碑请求)。 目录 1，Miles…...
【PyTorch介绍】
PyTorch 是什么？ PyTorch 是一个开源的深度学习框架，由 Facebook 的人工智能研究实验室（FAIR）开发和维护。它是一个基于 Python 的库，专为深度学习和人工智能研究设计，支持动态计算图（dynamic …...
语言月赛 202412【正在联系教练退赛】题解（AC）
》》》点我查看「视频」详解》》》 [语言月赛 202412] 正在联系教练退赛 题目背景 在本题中，我们称一个字符串 y y y 是一个字符串 x x x 的子串，当且仅当从 x x x 的开头和结尾删去若干个（可以为 0 0 0 个）字符后剩余的字…...
【C++】B2122 单词翻转
博客主页： [小ᶻ☡꙳ᵃⁱᵍᶜ꙳] 本文专栏: C 文章目录 💯前言💯题目描述输入格式输出格式样例 #1样例输入 #1样例输出 #1 💯一、我的做法代码实现：代码解析思路分析 💯二、老师的第一种做法代码实现&a…...
redis基本数据结构
基本数据结构 String String是Redis中最常见的数据存储类型： 其基本编码方式是RAW，基于简单动态字符串（SDS）实现，存储上限为512mb。 如果存储的SDS长度小于44字节，则会采用EMBSTR编码，此时ob…...
基于STM32景区环境监测系统的设计与实现（论文+源码）
1系统方案设计 根据系统功能的设计要求，展开基于STM32景区环境监测系统设计。如图2.1所示为系统总体设计框图。系统以STM32单片机作为系统主控模块，通过DHT11传感器、MQ传感器、声音传感器实时监测景区环境中的温湿度、空气质量以及噪音数据。系统监测环…...
使用冒泡排序模拟实现qsort函数
1.冒泡排序 #define _CRT_SECURE_NO_WARNINGS 1 #include <stdio.h>int main() {int arr[] { 0,2,5,3,4,8,9,7,6,1 };int sz sizeof(arr) / sizeof(arr[0]);//冒泡排序一共排序 sz-1 趟for (int i 0; i < sz - 1; i){//标志位，如果有序，直接…...
探秘Linux IO虚拟化：virtio的奇幻之旅
在当今数字化时代，虚拟化技术早已成为推动计算机领域发展的重要力量。想象一下，一台物理主机上能同时运行多个相互隔离的虚拟机，每个虚拟机都仿佛拥有自己独立的硬件资源，这一切是如何实现的呢？今天，就让我…...
在React中使用redux
一、首先安装两个插件 1.Redux Toolkit 2.react-redux 第一步：创建模块counterStore 第二步：在store的入口文件进行子模块的导入组合 第三步：在index.js中进行store的全局注入 第四步：在组件中进行使用 第五步：在组件中…...
从 C 到 C++：理解结构体中字符串的存储与操作
对于刚入门 C/C 的程序员来说，字符串的存储和操作可能是个容易混淆的知识点。在 C 中，std::string 提供了非常友好的接口，我们可以轻松地在结构体中使用字符串类型，无需关注底层细节。然而，在 C 语言中，字符…...
2.3学习总结
图： 1.图的基本概念 2.图的存储和遍历 3.最小生成树 4.最短路径 5.拓扑排序和关键路径 一、图的基本概念 图的定义：不允许没有顶点，但边集可以为空 {无向图 {有向图：边弧，弧头（有箭头）…...
wordpress代码结构解析
WordPress 是一个基于 PHP 和 MySQL 的开源内容管理系统（CMS），广泛用于构建网站和博客。要解析 WordPress 代码，首先需要了解其核心结构、主要文件和常用的函数。以下是 WordPress 代码解析的基本指南： --- ### 1. *…...
使用 Numpy 自定义数据集，使用pytorch框架实现逻辑回归并保存模型，然后保存模型后再加载模型进行预测，对预测结果计算精确度和召回率及F1分数
1. 导入必要的库 首先，导入我们需要的库：Numpy、Pytorch 和相关工具包。 import numpy as np import torch import torch.nn as nn import torch.optim as optim from sklearn.metrics import accuracy_score, recall_score, f1_score2. 自定义数据集 …...
FPGA|例化生成的PLL功能IP核
1、例化上一篇文章中调用的IP核，新建文件PLL_test.v 2、代码如图 timescale 1ns / 1ps module PLL_test(input clk,input rst_n,output clkout0,output clkout1,output clkout2,output clkout3,output clkout4);wire locked;PLL pll_inst(.inclk0(clk),.c0(clkout0)…...
K个不同子数组的数目--滑动窗口--字节--亚马逊
Stay hungry, stay foolish 题目描述 给定一个正整数数组 nums和一个整数 k，返回 nums 中 「好子数组」 的数目。 如果 nums 的某个子数组中不同整数的个数恰好为 k，则称 nums 的这个连续、不一定不同的子数组为 「好子数组 」。 例如，[1,2,…...
手机连接WIFI可以上网，笔记本电脑连接WIFI却不能上网？ 解决方法？
原因：DNS受污染了 解决办法 step 1：清空域名解析记录（清空DNS） ipconfig /flushdns (Windows cmd命令行输入) step 2：重新从DHCP 获取IP ipconfig /release（释放当前IP地址） ipconfig /renew &…...