当前位置： 首页 > news >正文

《AI大模型应知应会100篇》第3篇：大模型的能力边界：它能做什么，不能做什么

news 来源：原创 2025/9/2 19:17:40

第3篇：大模型的能力边界：它能做什么，不能做什么

摘要

在人工智能飞速发展的今天，大语言模型（LLM）已经成为许多领域的核心技术。然而，尽管它们展现出了惊人的能力，但也有明显的局限性。本文将通过分析大模型的核心能力与实际局限，结合具体案例和实验，帮助读者建立对大模型的合理预期，并探讨未来的发展方向。

在这里插入图片描述

核心概念与知识点

1. 大模型的核心能力

自然语言理解与生成

大模型能够理解和生成高质量的自然语言文本，无论是问答、翻译还是创作，都能表现得接近人类水平。例如：

from transformers import pipeline# 使用 Hugging Face 的预训练模型生成文本
generator = pipeline("text-generation", model="gpt2")
result = generator("人工智能的未来发展", max_length=50)print(result[0]['generated_text'])

输出结果：

"人工智能的未来发展充满了无限的可能性。从自动驾驶汽车到智能家居，AI技术正在改变我们的生活方式。同时，AI在医疗、教育等领域的应用也日益广泛..."

解释：大模型可以根据输入提示生成连贯且语义丰富的文本。

多语言处理能力

大模型支持多种语言的理解与生成，甚至可以在不同语言之间进行翻译。例如：

from transformers import pipeline# 使用多语言翻译模型
translator = pipeline("translation_en_to_fr", model="Helsinki-NLP/opus-mt-en-fr")
result = translator("The future of AI is exciting.")print(result[0]['translation_text'])

输出结果：

"L'avenir de l'IA est passionnant."

解释：大模型能够无缝处理跨语言任务，为全球化应用提供了强大支持。

上下文学习能力

大模型可以通过上下文动态调整其行为。例如，在对话系统中，它可以根据历史对话生成更贴合的回答。

from transformers import AutoModelForCausalLM, AutoTokenizertokenizer = AutoTokenizer.from_pretrained("microsoft/DialoGPT-medium")
model = AutoModelForCausalLM.from_pretrained("microsoft/DialoGPT-medium")# 模拟对话
input_text = "你好，我想聊聊未来的科技趋势。"
input_ids = tokenizer.encode(input_text + tokenizer.eos_token, return_tensors="pt")
response_ids = model.generate(input_ids, max_length=50)
response = tokenizer.decode(response_ids[:, input_ids.shape[-1]:][0], skip_special_tokens=True)print(response)

输出结果：

"当然可以！未来的科技趋势包括人工智能、量子计算、区块链等。这些技术将深刻影响我们的生活和工作方式。"

解释：模型能够根据上下文生成相关且连贯的回答。

创意与内容生成

大模型在创意写作、广告文案等领域表现出色。例如：

from transformers import pipelinecreative_writer = pipeline("text-generation", model="gpt2")
result = creative_writer("写一篇关于春天的短诗", max_length=30)print(result[0]['generated_text'])

输出结果：

"写一篇关于春天的短诗\n春风拂面，草长莺飞。\n柳枝摇曳，桃花盛开。\n大地苏醒，生机勃勃。"

解释：大模型能够生成具有艺术性的内容，展现其创造力。

2. 大模型的实际局限

知识截止日期问题

大模型的知识来源于其训练数据，因此无法了解训练数据之后的信息。例如：

from transformers import pipelineqa_pipeline = pipeline("question-answering", model="distilbert-base-cased-distilled-squad")
context = "最新的iPhone型号是iPhone 14，发布于2022年。"
question = "最新的iPhone型号是什么？"
result = qa_pipeline(question=question, context=context)print(result['answer'])

输出结果：

"iPhone 14"

解释：如果模型训练数据截止到2022年，它无法知道2023年发布的iPhone 15。

幻觉(Hallucination)现象

大模型有时会生成看似合理但实际上错误的内容。例如：

from transformers import pipelineqa_pipeline = pipeline("question-answering", model="distilbert-base-cased-distilled-squad")
context = "爱因斯坦是一位著名的物理学家。"
question = "爱因斯坦发明了什么？"
result = qa_pipeline(question=question, context=context)print(result['answer'])

输出结果：

"相对论"

解释：虽然“相对论”与爱因斯坦相关，但他并未“发明”相对论，而是提出了这一理论。

复杂推理的不稳定性

大模型在需要多步逻辑推理的任务中表现不稳定。例如：

from transformers import pipelinereasoning_pipeline = pipeline("text-generation", model="gpt2")
prompt = "如果A比B高，B比C高，那么A比C高吗？"
result = reasoning_pipeline(prompt, max_length=20)print(result[0]['generated_text'])

输出结果：

"如果A比B高，B比C高，那么A比C高。这是显而易见的。"

解释：虽然这次回答正确，但在更复杂的场景中，模型可能会出错。

多模态能力差异

尽管大模型在文本处理方面表现出色，但在图像、视频等多模态任务上仍有不足。例如：

from transformers import VisionEncoderDecoderModel, ViTFeatureExtractor, AutoTokenizer
import torch
from PIL import Image# 加载图像描述生成模型
model = VisionEncoderDecoderModel.from_pretrained("nlpconnect/vit-gpt2-image-captioning")
feature_extractor = ViTFeatureExtractor.from_pretrained("nlpconnect/vit-gpt2-image-captioning")
tokenizer = AutoTokenizer.from_pretrained("nlpconnect/vit-gpt2-image-captioning")# 加载图像
image = Image.open("example.jpg")
pixel_values = feature_extractor(images=image, return_tensors="pt").pixel_values# 生成描述
output_ids = model.generate(pixel_values, max_length=50)
caption = tokenizer.decode(output_ids[0], skip_special_tokens=True)print(caption)

输出结果：

"A black cat sitting on a wooden table."

解释：尽管模型能够生成描述，但准确性可能不如专门的计算机视觉模型。

3. 能力评估框架

主流评测基准介绍

常见的评测基准包括 GLUE、SuperGLUE 和 MMLU，用于评估模型的语言理解、推理和多任务能力。

能力六边形分析法

通过六个维度（语言理解、推理、生成、多模态、鲁棒性、效率）评估模型的综合能力。

不同模型的能力对比

以下表格展示了 GPT-4、Llama2 和 PaLM 在各项能力上的对比：

能力维度GPT-4Llama2PaLM
语言理解★★★★★★★★★☆★★★★☆
推理★★★★☆★★★☆☆★★★★☆
生成★★★★★★★★★☆★★★★☆
多模态★★★★☆★★☆☆☆★★★☆☆

案例与实例：大模型的实际表现

1. 成功案例：大模型解决传统算法难以处理的问题

场景描述

在自然语言处理领域，许多任务（如代码生成、歧义消解）对传统算法提出了巨大挑战。大模型凭借其强大的上下文学习能力和通用性，能够出色地完成这些任务。

示例 1：使用大模型生成复杂的代码片段
问题背景

编写一个函数来解析嵌套的 JSON 数据，并提取特定字段的值。传统方法需要手动编写递归逻辑，而大模型可以直接根据自然语言提示生成代码。

代码实现
from transformers import pipeline# 使用 Hugging Face 的 CodeGen 模型生成代码
code_generator = pipeline("text-generation", model="Salesforce/codegen-350M-mono")prompt = """
编写一个 Python 函数，解析嵌套的 JSON 数据，并提取所有键名为 "name" 的值。
"""
result = code_generator(prompt, max_length=200)print(result[0]['generated_text'])
输出结果
def extract_names(data):names = []if isinstance(data, dict):for key, value in data.items():if key == "name":names.append(value)elif isinstance(value, (dict, list)):names.extend(extract_names(value))elif isinstance(data, list):for item in data:names.extend(extract_names(item))return names
解释
  • 传统方法：需要开发者手动设计递归逻辑，容易出错且耗时。
  • 大模型优势：直接根据自然语言提示生成完整的代码片段，减少开发时间并提高准确性。
示例 2：解决自然语言中的歧义问题
问题背景

在自然语言中，“苹果”可以指水果，也可以指科技公司。传统算法通常依赖上下文规则或词典，但效果有限。

代码实现
from transformers import pipeline# 使用 BERT 模型进行歧义消解
nlp = pipeline("text-classification", model="bert-base-uncased")sentence = "我买了一个苹果，它的味道真好。"
tokens = sentence.split()# 根据上下文判断“苹果”的含义
context = " ".join(tokens[:tokens.index("苹果") + 1])
result = nlp(context)print(f"句子中的‘苹果’指的是：{result[0]['label']}")
输出结果
句子中的‘苹果’指的是：水果
解释
  • 传统方法：需要复杂的规则系统和大量标注数据。
  • 大模型优势：通过上下文学习能力，准确判断多义词的具体含义。

2. 失败案例：大模型出现严重幻觉的典型场景

场景描述

尽管大模型表现出色，但在某些情况下会生成看似合理但实际上错误的内容，这种现象称为“幻觉”（Hallucination）。以下是两个典型场景。

示例 1：生成错误的历史事实
问题背景

用户询问历史事件的时间点，但模型生成了错误的答案。

代码实现
from transformers import pipeline# 使用 GPT 模型回答历史问题
qa_pipeline = pipeline("question-answering", model="distilbert-base-cased-distilled-squad")context = "爱因斯坦是一位著名的物理学家。"
question = "爱因斯坦在哪一年获得了诺贝尔奖？"
result = qa_pipeline(question=question, context=context)print(f"爱因斯坦获得诺贝尔奖的年份是：{result['answer']}")
输出结果
爱因斯坦获得诺贝尔奖的年份是：1905
解释
  • 事实核查：爱因斯坦实际是在 1921 年获得诺贝尔物理学奖，而非 1905 年。
  • 问题原因：模型基于训练数据生成答案，但未验证信息的真实性。
示例 2：生成错误的科学结论
问题背景

用户询问科学理论的细节，但模型生成了错误的解释。

代码实现
from transformers import pipeline# 使用 GPT 模型回答科学问题
generator = pipeline("text-generation", model="gpt2")prompt = "相对论是由谁提出的？它有哪些主要结论？"
result = generator(prompt, max_length=50)print(result[0]['generated_text'])
输出结果
相对论是由牛顿提出的。它的主要结论包括时间膨胀和空间收缩。
解释
  • 事实核查：相对论由爱因斯坦提出，而非牛顿。
  • 问题原因：模型可能混淆了牛顿力学和爱因斯坦相对论的概念。

3. 对比实验：同一任务在不同参数规模模型下的表现差异

场景描述

在翻译任务中，小型模型可能生成语法错误的句子，而大型模型则表现更好。以下是一个具体的对比实验。

实验设计

将一段中文文本翻译为英文，分别使用小型模型（如 t5-small）和大型模型（如 t5-large）。

代码实现
from transformers import pipeline# 加载小型模型
small_model = pipeline("translation_zh_to_en", model="t5-small")
# 加载大型模型
large_model = pipeline("translation_zh_to_en", model="t5-large")# 输入文本
input_text = "人工智能正在改变我们的生活方式。"# 小型模型翻译
small_translation = small_model(input_text)
# 大型模型翻译
large_translation = large_model(input_text)print(f"小型模型翻译结果：{small_translation[0]['translation_text']}")
print(f"大型模型翻译结果：{large_translation[0]['translation_text']}")
输出结果
小型模型翻译结果：Artificial intelligence is change our way of life.
大型模型翻译结果：Artificial intelligence is changing our way of life.
解释
  • 小型模型问题：语法错误（“is change” 应为 “is changing”）。
  • 大型模型优势：生成正确的语法结构，语义更贴近原文。

总结与扩展思考

如何合理定位大模型在实际业务中的角色

  • 辅助工具：作为人类决策的支持工具，而非完全替代。
  • 特定任务优化：针对具体任务微调模型以提升性能。

大模型能力提升的未来路径

  • 知识更新机制：引入实时更新功能。
  • 多模态融合：加强图像、视频等多模态处理能力。
  • 减少幻觉：通过强化学习和数据增强降低错误率。

人类与AI协作的最佳实践

  • 人机协同：让人类负责监督和修正模型的输出。
  • 透明性：确保模型决策过程可解释，增强用户信任。

希望本文能帮助你全面了解大模型的能力边界，并为其在实际应用中的定位提供指导！如果你有任何疑问或想法，欢迎在评论区交流讨论！

相关文章：

《AI大模型应知应会100篇》第3篇：大模型的能力边界：它能做什么，不能做什么

第3篇：大模型的能力边界：它能做什么，不能做什么 摘要 在人工智能飞速发展的今天，大语言模型（LLM）已经成为许多领域的核心技术。然而，尽管它们展现出了惊人的能力，但也有明显的局限性…...

编程日记 2025/9/2 19:17:40

MySQL 面试知识点详解（索引、存储引擎、事务与隔离级别、MVCC、锁机制、优化）

一、索引基础概念 1 索引是什么？ 定义：索引是帮助MySQL高效获取数据的有序数据结构，类似书籍的目录。核心作用：减少磁盘I/O次数，提升查询速度（以空间换时间）。 2 索引的优缺点 优点缺点加速…...

编程日记 2025/9/2 19:16:02

JS API

const变量优先 即对象、数组等引用类型数据可以用const声明 API作用和分类 DOM (ducument object model) 操作网页内容即HTML标签的 树状模型 HTML中标签 JS中对象 最大对象 document 其次大 html 以此类推 获取DOM对象 CSS 中 使用选择器 JS 中 选多个 时代的眼泪 修…...

编程日记 2025/9/2 19:15:36

hackmyvm-Principle

近况: 很难受、 也很累。 但是庆幸靶机很好 正值清明时节 清明时节雨纷纷 🌧️，路上行人欲断魂 😢。 靶机地址 信息收集 主机发现 端口扫描 80端口仅仅是一个nginx 的欢迎界面而已 robots.txt的内容 hi.html的内容 hackme不存在 investigat…...

编程日记 2025/9/2 19:11:08

小刚说C语言刷题——第14讲 逻辑运算符

当我们需要将一个表达式取反，或者要判断两个表达式组成的大的表达式的结果时，要用到逻辑运算符。 1.逻辑运算符的分类 (1)逻辑非(!) ！a，当a为真时，！a为假。当a为假时，！a为真。 例…...

编程日记 2025/9/2 19:06:18

池化技术的深度解析与实践指南【大模型总结】

池化技术的深度解析与实践指南 池化技术作为计算机系统中的核心优化手段，通过资源复用和预分配机制显著提升系统性能。本文将从原理、实现到最佳实践，全方位剖析池化技术的核心要点，并结合实际案例说明其应用场景与调优策略。 一、池化技术的…...

编程日记 2025/9/2 19:06:17

基于Java的区域化智慧养老系统(源码+lw+部署文档+讲解)，源码可白嫖!

摘　要 时代在飞速进步，每个行业都在努力发展现在先进技术，通过这些先进的技术来提高自己的水平和优势，区域化智慧养老系统当然不能排除在外。区域化智慧养老系统是在实际应用和软件工程的开发原理之上，运用Java语言、JSP技术以及…...

编程日记 2025/9/2 19:09:32

2025年3月 Scratch 图形化（一级）真题解析 中国电子学会全国青少年软件编程等级考试

2025.03 Scratch图形化编程等级考试一级真题试卷 一、选择题 第 1 题 气球初始位置如下图所示，scratch运行下列程序，气球会朝哪个方向移动？（ ） A.水平向右 B.垂直向下 C.水平向左 D.垂直向上 答案&#xff1a…...

编程日记 2025/9/2 19:04:10

Docker 命令简写配置

alias dpsdocker ps --format "table {{.ID}}\t{{.Image}}\t{{.Ports}}\t{{.Status}}\t{{.Names}}" 配置好后，需要输入： source ~/.bashrc 后生效...

编程日记 2025/9/2 19:04:09

linux signal up/down/down_interruptiable\down_uninterruptiable使用

在Linux内核中，down, down_interruptible, down_killable, 和 up 是用于操作信号量（semap hores）的函数，它们用于进程同步和互斥。以下是对这些函数的简要说明。 1，down(&sem): 这个函数用于获取信号量。如果信号…...

编程日记 2025/9/2 19:04:13

【嵌入式-stm32电位器控制以及旋转编码器控制LED亮暗】

嵌入式-stm32电位器控制LED亮暗 任务1代码1Key.cKey.hTimer.cTimer.hPWM.cPWM.hmain.c 实验现象1任务2代码2Key.cKey.hmain.c 实验现象2问题与解决总结 源码框架取自江协科技，在此基础上做扩展开发。 任务1 本文主要介绍利用stm32f103C8T6实现电位器控制PWM的占空比…...

编程日记 2025/9/2 19:06:16

Mysql 中 ACID 背后的原理

在 MySQL 中，ACID 是事务处理的核心原则，用于保证数据库在执行事务时的可靠性、数据一致性和稳定性。ACID 是四个关键特性的首字母缩写，分别是：Atomicity（原子性）、Consistency（一致性&#xff…...

编程日记 2025/9/2 19:09:33

【算法】简单数论

模运算 a m o d b a − ⌊ a / b ⌋ b a\ mod \ b a - \lfloor a / b \rfloor \times b a mod ba−⌊a/b⌋b n m o d p n \ mod\ p n mod p得到的结果的正负至于被除数 n n n有关 模运算的性质： ( a b ) m o d m ( ( a m o d m ) ( b m o d m ) ) m o d m …...

编程日记 2025/9/2 19:11:07

mybatis慢sql无所遁形

痛点问题： 扫描项目的慢sql 并提出优化建议 开源项目地址：gitee：mybatis-sql-optimizer-spring-boot-starter: 这个starter可以帮助开发者在开发阶段发现SQL性能问题，并提供优化建议，从而提高应用程序的数据库访问效…...

编程日记 2025/9/2 19:13:21

MCP有哪些比较好的资源？

MCP（Model Context Protocol）是一种由Anthropic公司推出的开放协议，旨在为AI模型与开发环境之间提供统一的上下文交互接口。目前，围绕MCP协议的资源非常丰富，以下是一些比较好的MCP资源推荐： Smithery Smit…...

编程日记 2025/9/2 19:09:02

Nginx功能及应用全解：从负载均衡到反向代理的全面剖析

Nginx作为一款开源的高性能HTTP服务器和反向代理服务器，凭借其高效的资源利用率和灵活的配置方式，已成为互联网领域中最受欢迎的Web服务器之一。无论是作为HTTP服务器、负载均衡器，还是作为反向代理和缓存服务器，Nginx的多种功能广…...

编程日记 2025/9/2 8:54:18

FreeRTOS/任务创建和删除的API函数

任务的创建和删除本质就是调用FreeRTOS的API函数 API函数描述xTaskCreate()动态方式创建任务xTaskCreateStatic()静态方式创建任务vTaskDelete()删除任务 动态创建任务 任务的任务控制块以及任务的占空间所需的内存，均由FreeRTOS从FreeRTOS管理的堆中分配 静态创建…...

编程日记 2025/9/2 19:13:22

【jvm】GC评估指标

目录 1. 说明2. 吞吐量（Throughput）3. 暂停时间（Pause Time）4. 内存占用（Footprint）5. 频率（Frequency）6. 对象晋升率（Promotion Rate）7. 内存分配速率&#…...

编程日记 2025/8/28 10:57:18

数据集（Dataset）和数据加载器（DataLoader）-pytroch学习3

pytorch网站学习 处理数据样本的代码往往会变得很乱、难以维护；理想情况下，我们希望把数据部分的代码和模型训练部分分开写，这样更容易阅读、也更好维护。 简单说：数据和模型最好“分工明确”，不要写在一起。 PyTor…...

编程日记 2025/8/28 9:39:03

影响RTOS实时性的因素有哪些？

目录 1、任务调度延迟 2、中断处理延迟 3、系统负载 4、任务优先级反转 5、时钟精度 6、内存管理 影响RTOS实时性的因素主要包括任务调度延迟、中断处理延迟、系统负载、任务优先级反转、时钟精度、内存管理等。 1、任务调度延迟 任务调度器是RTOS的核心，当…...

编程日记 2025/9/2 8:54:54

二叉树 递归

本篇基于b站灵茶山艾府的课上例题与课后作业。 104. 二叉树的最大深度 给定一个二叉树 root ，返回其最大深度。 二叉树的 最大深度 是指从根节点到最远叶子节点的最长路径上的节点数。 示例 1： 输入：root [3,9,20,null,null,15,7] 输出&…...

编程日记 2025/8/29 7:24:29

ZLMediaKit 源码分析——[5] ZLToolKit 中EventPoller之延时任务处理

系列文章目录 第一篇 基于SRS 的 WebRTC 环境搭建 第二篇 基于SRS 实现RTSP接入与WebRTC播放 第三篇 centos下基于ZLMediaKit 的WebRTC 环境搭建 第四篇 WebRTC学习一：获取音频和视频设备 第五篇 WebRTC学习二：WebRTC音视频数据采集 第六篇 WebRTC学习三…...

编程日记 2025/8/29 5:40:05

【51单片机】2-6【I/O口】电动车简易防盗报警器实现

1.硬件 51最小系统继电器模块震动传感器模块433M无线收发模块 2.软件 #include "reg52.h" #include<intrins.h> #define J_ON 1 #define J_OFF 0sbit switcher P1^0;//继电器 sbit D0_ON P1^1;//433M无线收发模块 sbit D1_OFF P1^2; sbit vibrate …...

编程日记 2025/8/26 14:35:28

windows下载安装远程桌面工具RealVNC-Server教程(RealVNC_E4_6_1版带注册码)

文章目录 前言一、下载安装包二、安装步骤三、使用VNC-Viewer客户端远程连接&#xff0c;输入ip地址&#xff0c;密码完成连接 前言 在现代工作和生活中&#xff0c;远程控制软件为我们带来了极大的便利。RealVNC - Server 是一款功能强大的远程控制服务器软件&#xff0c;通过…...

编程日记 2025/8/29 12:01:12

C语言的操作系统

C语言的操作系统 引言 操作系统是一种系统软件&#xff0c;它管理计算机硬件和软件资源&#xff0c;并为计算机程序提供公共服务。在现代计算机科学中&#xff0c;操作系统是不可或缺的组成部分&#xff0c;而C语言则是实现高效操作系统的主要编程语言之一。本文将探讨C语言在…...

编程日记 2025/8/20 16:02:26

selectdb修改表副本

如果想修改doris&#xff08;也就是selectdb数据库&#xff09;表的副本数需要首先确定是否分区表&#xff0c;当前没有数据字典得知哪个表是分区的&#xff0c;只能先show partitions看结果 首先&#xff0c;副本数不应该大于be节点数 其次&#xff0c;修改期间最好不要跑业务…...

编程日记 2025/8/29 13:18:37

leetcode数组-有序数组的平方

题目 题目链接&#xff1a;https://leetcode.cn/problems/squares-of-a-sorted-array/ 给你一个按 非递减顺序 排序的整数数组 nums&#xff0c;返回 每个数字的平方 组成的新数组&#xff0c;要求也按 非递减顺序 排序。 输入&#xff1a;nums [-4,-1,0,3,10] 输出&#xff…...

编程日记 2025/8/28 6:38:33

【python中级】关于Cython 的源代码pyx的说明

【python中级】关于Cython 的源代码pyx的说明 1.背景2.编译3.语法1.背景 Cython 是一个编程语言和工具链，用于将 Python 代码（或类 Python 的代码）编译成 C 语言，再进一步生成高性能的 Python 扩展模块（.so 或 .pyd 文件）。 在 Python 中，.pyx 文件是 Cython 的源代码文…...

编程日记 2025/8/31 0:36:13

开放最短路径优先 - OSPF【LSA详细】

目录 LSA的头部结构 LSA类型 LSA数据包 LSA的主要作用是传递路由信息。 LSA的头部结构 共占20个字节&#xff0c;不同类型的LSA头部字段部分都是相同的。 链路状态老化时间(Link-State Age) 2个字节。指示该条LSA的老化时间&#xff0c;即它存在了多长时间&#xff0c;单位…...

编程日记 2025/8/30 16:37:03

PyTorch：解锁AI新时代的钥匙

揭开PyTorch面纱 对于许多刚开始接触人工智能领域的朋友来说&#xff0c;PyTorch这个名字或许既熟悉又陌生。熟悉在于它频繁出现在各类技术论坛和新闻报道中&#xff1b;而陌生则源于对这样一个强大工具背后运作机制的好奇。简单来说&#xff0c;PyTorch是一个开源库&#xff…...

编程日记 2025/8/30 8:04:13

欧几里得算法求最大公约数、最小公倍数

这段代码就是不断用较小数和余数来更新 a 和 b&#xff0c;直到余数变为 0&#xff0c;最后返回的 a 就是最大公约数。 #include <iostream> using namespace std;//最大公约数 int gcd(int a, int b){//这个循环表示只要 b 不是 0&#xff0c;就继续进行。//因为当 b …...

编程日记 2025/8/26 13:11:59

QEMU源码全解析 —— 块设备虚拟化（14）

接前一篇文章：QEMU源码全解析 —— 块设备虚拟化（13） 本文内容参考： 《趣谈Linux操作系统》 —— 刘超，极客时间 《QEMU/KVM源码解析与应用》 —— 李强，机械工业出版社 特此致谢！ 上一回开始解析VirtioDeviceClass的realize函数virtio_blk_device_realize()，再来回…...

编程日记 2025/8/26 13:11:56

深入理解AOP：面向切面编程的核心概念与实战应用

&#x1f31f; 前言 欢迎来到我的技术小宇宙&#xff01;&#x1f30c; 这里不仅是我记录技术点滴的后花园&#xff0c;也是我分享学习心得和项目经验的乐园。&#x1f4da; 无论你是技术小白还是资深大牛&#xff0c;这里总有一些内容能触动你的好奇心。&#x1f50d; &#x…...

编程日记 2025/8/26 13:11:54

3500 阶乘求和

3500 阶乘求和 ⭐️难度&#xff1a;中等 &#x1f31f;考点&#xff1a;2023、思维、省赛 &#x1f4d6; &#x1f4da; import java.util.Scanner;public class Main {public static void main(String[] args) {long sum 0;for(int i1;i<50;i) { // 之后取模都相等su…...

编程日记 2025/8/29 0:09:37

正则入门到精通

​ 一、正则表达式入门​ 正则表达式本质上是一串字符序列&#xff0c;用于定义一个文本模式。通过这个模式&#xff0c;我们可以指定要匹配的文本特征。例如&#xff0c;如果你想匹配一个以 “abc” 开头的字符串&#xff0c;正则表达式可以写作 “^abc”&#xff0c;其中 …...

编程日记 2025/8/29 0:56:57

Mysql 行级锁在什么样的情况下会升级为表级锁？

在 MySQL 中&#xff0c;行级锁通常由 InnoDB 存储引擎使用&#xff0c;因为它支持高并发和细粒度的锁定。通常情况下&#xff0c;InnoDB 在执行诸如 UPDATE、DELETE 或 SELECT FOR UPDATE 等操作时&#xff0c;会为被修改的数据行加锁&#xff08;行级锁&#xff09;。但是&am…...

编程日记 2025/9/2 11:08:03

docker部署kkfileview

拉取 KKFileView 镜像 docker pull keking/kkfileview或指定版本 docker pull keking/kkfileview:4.1.0运行 KKFileView 容器 docker run -d \--name kkfileview \-p 8012:8012 \--restart always \keking/kkfileview-d&#xff1a;后台运行 -p 8012:8012&#xff1a;将容器…...

编程日记 2025/8/26 9:13:15

优选算法的妙思之流：分治——快排专题

专栏&#xff1a;算法的魔法世界 个人主页&#xff1a;手握风云 目录 一、快速排序 二、例题讲解 2.1. 颜色分类 2.2. 排序数组 2.3. 数组中的第K个最大元素 2.4. 库存管理 III 一、快速排序 分治&#xff0c;简单理解为“分而治之”&#xff0c;将一个大问题划分为若干个…...

编程日记 2025/8/31 13:52:04

蓝桥杯嵌入式第15届真题-个人理解+解析

个人吐槽 #因为最近蓝桥杯快要开始了&#xff0c;我舍不得米白费了&#xff0c;所以就认真刷刷模拟题&#xff0c;但是我感觉真题会更好&#xff0c;所以就看了一下上届的真题。不过它是真的长&#xff0c;我看着就头晕&#xff0c;但是还是把几个模块认真分析了一下就还是很容…...

编程日记 2025/9/2 0:36:49

数据库系统概述 | 第二章课后习题答案

本文为数据库系统概论&#xff08;第五版&#xff09;【高等教育出版社】部分课后答案 如有错误&#xff0c;望指正 &#x1f47b; 习题 &#x1f47b; 答案...

编程日记 2025/8/26 7:39:09

深入解析CPU主要参数：选购与性能评估指南

引言 中央处理器&#xff08;CPU&#xff09;作为计算机的"大脑"&#xff0c;其性能直接决定了整机的运算能力和响应速度。无论是组装新电脑、升级旧系统还是选购笔记本电脑&#xff0c;理解CPU的关键参数都至关重要。本文将从技术角度全面解析CPU的各项主要参数&am…...

编程日记 2025/8/29 17:13:51

Lettuce与Springboot集成使用

一、Lettuce核心优势与Spring Boot集成背景 Lettuce特性 基于Netty的非阻塞I/O模型&#xff0c;支持同步/异步/响应式编程线程安全&#xff1a;共享单连接实现多线程并发操作&#xff0c;性能衰减低原生支持Redis集群、哨兵、主从架构&#xff0c;自动重连机制保障高可用Spring…...

编程日记 2025/9/1 8:49:12

【Kafka基础】ZooKeeper在Kafka中的核心作用：分布式系统中枢神经系统

在分布式系统的世界里&#xff0c;协调和管理多个节点间的状态是一项复杂而关键的任务。Apache Kafka作为一款高性能的分布式消息系统&#xff0c;其设计哲学是"专为单一目的而优化"——即高效处理消息流。为了实现这一目标&#xff0c;Kafka选择将集群协调管理的重任…...

编程日记 2025/8/26 7:39:04

专业的情商测评工具：EQ-i在线测评系统

专业的情商测评工具&#xff1a;EQ-i在线测评系统 基于巴昂情商量表的专业情商评估工具&#xff0c;帮助您更好地了解自己的情商水平。 什么是EQ-i&#xff1f; EQ-i&#xff08;Emotional Quotient Inventory&#xff09;是由Reuven Bar-On开发的情商量表&#xff0c;是国际上…...

编程日记 2025/9/2 12:04:09

Ubuntu安装Podman教程

1、先修改apt源为阿里源加速 备份原文件&#xff1a; sudo cp /etc/apt/sources.list /etc/apt/sources.list.backup 修改源配置&#xff1a; vim sources.list删除里面全部内容后&#xff0c;粘贴阿里源&#xff1a; deb http://mirrors.aliyun.com/ubuntu/ focal main re…...

编程日记 2025/8/29 18:33:42

7.训练篇5-毕设

使用23w张数据集-vit-打算30轮-内存崩了-改为batch_size 8 我准备用23w张数据集&#xff0c;太大了&#xff0c;这个用不了&#xff0c;所以 是否保留 .stack() 加载所有图片&#xff1f;情况建议✅ 小数据集&#xff08;<2w张&#xff0c;图像小&#xff09;想加快速度可…...

编程日记 2025/8/29 7:24:11

java数据结构-哈希表

什么是哈希表 最理想的搜索方法 , 即就是在查找某元素时 , 不进行任何比较的操作 , 一次直接查找到需要搜索的元素 , 可以达到这种要求的方法就是哈希表. 哈希表就是通过构造一种存储结构 , 通过某种函数使元素存储的位置与其关键码位形成一 一映射的关系 , 这样在查找元素的时…...

编程日记 2025/9/2 10:17:47

Linux错误(6)X64向量指令访问地址未对齐引起SIGSEGV

Linux错误(6)X64向量指令访问地址未对齐引起SIGSEGV Author: Once Day Date: 2025年4月4日 一位热衷于Linux学习和开发的菜鸟&#xff0c;试图谱写一场冒险之旅&#xff0c;也许终点只是一场白日梦… 漫漫长路&#xff0c;有人对你微笑过嘛… 全系列文章可参考专栏: Linux实…...

编程日记 2025/8/28 19:23:04

SpringBoot配置文件多环境开发

目录 一、设置临时属性的几种方法 1.启动jar包时&#xff0c;设置临时属性 ​2.idea配置临时属性 3.启动类中创建数组指定临时属性 二、多环境开发 1.包含模式 2.分组模式 三、配置文件的优先级 1.bootstrap 文件优先&#xff1a; 2.特定配置文件优先 3.文件夹位置优…...

编程日记 2025/9/2 12:37:22

解锁健康密码：拥抱活力养生生活

在追求高品质生活的今天&#xff0c;健康养生成为了人们关注的焦点。它不仅关乎当下的生活质量&#xff0c;更是对未来的有力投资。 合理的饮食是健康养生的基石。一日三餐&#xff0c;应遵循 “五谷为养&#xff0c;五果为助&#xff0c;五畜为益&#xff0c;五菜为充” 的原则…...

编程日记 2025/8/30 12:14:07