【AI论文】VCR-Bench:视频链式思考推理的综合评估框架
摘要:思想链(CoT)推理的进步显著增强了大型语言模型(LLMs)和大型视觉语言模型(LVLMs)的能力。 然而,目前仍然缺乏一个严格的视频CoT推理评估框架。 目前的视频基准测试无法充分评估推理过程,也无法暴露出故障是否源于感知或推理能力的不足。 因此,我们引入了VCR-Bench,这是一个新颖的基准,旨在全面评估LVLM的视频思维推理能力。 VCR-Bench 包含 859 个视频,涵盖各种视频内容和持续时间,以及 1,034 个高质量的问答对。 每对都是用逐步CoT原理手动注释的,其中每个步骤都被标记以表明它与感知或推理能力的关联。 此外,我们设计了七个不同的任务维度,并提出了CoT评分,以基于逐步标记的CoT推理来评估整个CoT过程。 在VCR-Bench上进行的广泛实验突显了当前LVLM的实质性局限性。 即使是表现最好的模型o1,也只能达到62.8%的CoT得分和56.7%的准确率,而大多数模型的得分都低于40%。 实验表明,大多数模型的感知得分低于推理步骤,揭示了LVLM在复杂视频推理的时空信息处理中的关键瓶颈。 CoT分数与准确度之间稳健的正相关关系证实了我们的评估框架的有效性,并强调了CoT推理在解决复杂视频推理任务中的关键作用。 我们希望VCR-Bench能够成为一个标准化的评估框架,并暴露出复杂视频推理任务中的实际缺陷。Huggingface链接:Paper page,论文链接:2504.07956
研究背景和目的
研究背景
随着人工智能技术的飞速发展,大型视觉语言模型(LVLMs)在视频理解领域的应用日益广泛。视频理解作为计算机视觉和自然语言处理的交叉领域,对于实现人工智能的智能化交互和决策具有重要意义。然而,尽管LVLMs在视频理解方面取得了显著进展,但在处理复杂视频推理任务时,仍面临诸多挑战。特别是,当前的视频基准测试主要关注模型对最终答案的准确性,而忽视了推理过程的评估,导致无法全面揭示模型在视频理解中的实际缺陷。
链式思考(Chain-of-Thought, CoT)推理作为一种新兴的推理方法,通过生成人类可理解的、逐步的推理步骤,显著增强了大型语言模型(LLMs)和LVLMs的推理能力。然而,在视频理解领域,尚缺乏一个专门针对视频CoT推理的严格评估框架。这限制了我们对LVLMs在视频推理任务中表现的深入理解,也阻碍了视频理解技术的进一步发展。
研究目的
针对上述问题,本研究旨在提出一个名为VCR-Bench的新型基准测试框架,以全面评估LVLMs的视频CoT推理能力。具体研究目的包括:
- 构建高质量的视频CoT推理数据集:收集并标注包含丰富视频内容和多种任务类型的视频数据,为LVLMs的视频CoT推理评估提供坚实基础。
- 设计多维度评估体系:通过定义七个不同的任务维度和提出CoT评分,对LVLMs的推理过程进行全面评估,揭示模型在感知和推理能力方面的具体表现。
- 揭示当前LVLMs的局限性:通过广泛实验,分析当前LVLMs在视频CoT推理任务中的表现,揭示其在实际应用中的关键瓶颈。
- 推动视频理解技术的发展:为视频理解领域的研究者提供一个标准化的评估框架,促进相关技术的持续进步和创新。
研究方法
数据集构建
为了构建高质量的视频CoT推理数据集,本研究采取了以下步骤:
- 数据收集与整合:从多个现有视频基准测试中选取并整合数据,确保视频内容的多样性和丰富性。这些基准测试涵盖了视频感知与理解、主体知识理解与推理、长视频理解、视频时间定位与分析以及视频场景推理等多个方面。
- 任务定义与标注:定义了七个不同的任务维度,包括基本时间推理、视频时间计数、视频时间定位、视频知识推理、时间空间推理、视频情节分析和时间空间定位等。针对每个任务维度,收集并标注了相应的问题-答案对,并为每个答案提供了逐步的CoT推理步骤。
- 数据质量控制:通过自动生成与人工校验相结合的方式,确保标注数据的准确性和可靠性。每个样本的推理步骤都经过严格的质量控制,以确保其能够准确反映模型在推理过程中的实际表现。
评估策略设计
为了全面评估LVLMs的视频CoT推理能力,本研究设计了以下评估策略:
- CoT推理解构:将推理过程分解为视觉感知和逻辑推理两个核心维度,分别评估模型在时空信息提取和逻辑推导方面的能力。
- CoT质量评估:通过召回率、精确率和F1分数等指标,对模型的推理步骤进行定量评估。具体来说,召回率用于评估模型生成的推理步骤是否全面覆盖了参考推理步骤中的关键信息;精确率用于评估模型生成的推理步骤是否准确无误;F1分数则是召回率和精确率的调和平均数,用于综合评估模型的推理质量。
- 准确度评估:除了对推理过程进行评估外,还对模型的最终答案进行准确度评估。通过比较模型答案与参考答案的一致性,验证模型在视频理解任务中的实际表现。
研究结果
数据集统计
VCR-Bench数据集包含859个视频和1,034个高质量的问答对,涵盖了多种视频内容和任务类型。具体来说,视频内容涵盖了室内日常生活、体育赛事、户外自然和城市建筑等多个场景;任务类型则包括基本时间推理、视频时间计数、视频时间定位等七个维度。此外,数据集还为每个答案提供了详细的CoT推理步骤,共包含4,078个推理步骤,其中视觉感知步骤占68.4%,逻辑推理步骤占31.6%。
模型性能评估
在VCR-Bench数据集上,本研究对多个主流LVLMs进行了广泛评估。实验结果表明,当前LVLMs在视频CoT推理任务中仍存在显著局限性。即使是表现最好的模型o1,也只能达到62.8%的CoT得分和56.7%的准确度,而大多数模型的得分都低于40%。此外,实验还发现大多数模型在感知步骤上的得分低于推理步骤,揭示了LVLMs在复杂视频推理中的时空信息处理瓶颈。
进一步分析发现,CoT得分与准确度之间存在稳健的正相关关系(r=0.89),这验证了本研究评估框架的有效性,并强调了CoT推理在解决复杂视频推理任务中的关键作用。
研究局限
尽管本研究在视频CoT推理评估方面取得了显著进展,但仍存在一些局限性:
- 数据集规模:虽然VCR-Bench数据集包含了859个视频和1,034个问答对,但相对于视频理解领域的海量数据而言,其规模仍显有限。这可能导致模型在评估过程中出现过拟合或泛化能力不足的问题。
- 任务类型覆盖:尽管VCR-Bench数据集定义了七个不同的任务维度,但仍无法全面覆盖视频理解领域的所有任务类型。这可能导致评估结果无法完全反映模型在真实应用场景中的表现。
- 评估指标局限性:虽然本研究采用了召回率、精确率和F1分数等指标对模型的推理过程进行了全面评估,但这些指标仍可能无法完全捕捉模型在推理过程中的所有细微差别。
未来研究方向
针对上述研究局限,未来研究可以从以下几个方面展开:
- 扩大数据集规模:通过收集更多视频数据和问答对,进一步扩大VCR-Bench数据集的规模,提高模型的泛化能力和评估结果的可靠性。
- 丰富任务类型:根据视频理解领域的最新进展,不断丰富VCR-Bench数据集的任务类型,以更全面地评估模型在视频理解任务中的表现。
- 优化评估指标:结合视频理解领域的实际需求,进一步优化评估指标,以更准确地捕捉模型在推理过程中的细微差别和潜在问题。
- 探索新的推理方法:针对当前LVLMs在视频CoT推理任务中的局限性,探索新的推理方法和模型架构,以提高模型在复杂视频推理任务中的表现。例如,可以结合深度学习、强化学习等方法,构建更加高效和智能的视频推理模型。
综上所述,本研究通过提出VCR-Bench基准测试框架,为全面评估LVLMs的视频CoT推理能力提供了有力支持。未来研究将进一步优化和完善该框架,以推动视频理解技术的持续进步和创新。
相关文章:
【AI论文】VCR-Bench:视频链式思考推理的综合评估框架
摘要:思想链(CoT)推理的进步显著增强了大型语言模型(LLMs)和大型视觉语言模型(LVLMs)的能力。 然而,目前仍然缺乏一个严格的视频CoT推理评估框架。 目前的视频基准测试无法充分评估推…...
激光雷达点云动态目标剔除算法
剔除点云地图中动态目标的方法可分为基于体素、基于视点可见性和基于深度学习的方法。基于体素的方法通过点云地图体素占用率或点云地图体素与单帧点云数据差异剔除动态目标。 OctoMap算法在使用单帧点云数据构建点云地图的过程中,不断更新体素占用率,直…...
第五篇:Python面向对象编程(OOP)深度教程
1. 类与对象 1.1 基本概念 类是创建对象的蓝图,定义了对象的属性(数据)和方法(行为)。对象是类的实例化实体,每个对象拥有独立的属性值和共享的类方法 示例:定义Dog类 class Dog:species = "Canis familiaris" …...
Java IO精讲:从传统IO到NIO的深度探索
一、Java IO概述 Java IO(Input/Output) 是Java处理输入输出的核心API,涵盖文件操作、网络通信等场景。其发展分为三个阶段: 传统IO (java.io):基于流模型,阻塞式处理NIO (java.nio):New IO&a…...
效率工具- git rebase 全解
一、前言 对于git rebase 一直不太了解,这几天想着提高下git提交质量,就发现了这个好用的指令,顺便记录一下,好加深记忆 贴出官方文档以便大家进一步学习 Git 二、rebase是作用 rebase 官方解释为变基,可以理解为移动你的分支根节点,维护一个更好的提交记录。rebase把你当前…...
开启深度学习之旅
深度学习作为人工智能领域最激动人心的分支之一,正在改变我们与科技互动的方式。本文将为您提供深度学习的入门指南,帮助您踏上这一充满可能性的旅程。 一、深度学习基础概念 深度学习是机器学习的一个子集,它使用多层神经网络来模拟人脑的…...
JMeter的关联
关联:上一个请求的响应结果和下一个请求的数据有关系 xpath提取器 适用场景 HTML/XML文档结构化数据: 适用于从HTML或XML文档中提取结构化数据。例如,提取表格中的数据、列表中的项目等。示例:从HTML表格中提取所有行数据。 …...
jvm内存如何调优
以下是关于JVM内存调优的一些关键方法和最佳实践: 1. 堆内存配置 • 初始堆大小与最大堆大小: • 使用 -Xms 和 -Xmx 参数设置初始堆大小和最大堆大小。建议将两者设置为相同的值,以避免堆的动态扩展带来的性能开销。 • 堆内存大小通常建…...
[特殊字符] 第十四讲 | 空间异质性检验与地统计局部指标(LISA)应用
📌 关键词:空间异质性、LISA、局部Morans I、空间聚集、冷热点分析、GeoDa、R语言 🧠 导语:空间现象为何“不一样”? 在地理学与农学研究中,我们经常遇到“某地污染严重,而邻近区域却很轻微”的…...
【时时三省】(C语言基础)选择结构程序综合举例
山不在高,有仙则名。水不在深,有龙则灵。 ----CSDN 时时三省 下面综合介绍几个包含选择结构的应用程序。 例题1: 写一程序,判断某一年是否为闰年。 程序1: 先画出判别闰年算法的流程图,见下图用变量le…...
【软考系统架构设计师】软件工程知识点
1、 软件开发生命周期 软件定义时期:包括可行性研究和详细需求分析过程,任务是确定软件开发工程必须完成的总目标,具体分为问题定义、可行性研究、需求分析等 软件开发时期:软件的设计与实现,分为概要设计、详细设计、…...
C#容器源码分析 --- Queue<T>
Queue<T> 是 System.Collections.Generic 命名空间下的先进先出(FIFO)动态集合,其核心实现基于循环数组,通过维护头尾指针实现高效入队和出队操作。 .Net4.8 Queue<T>源码地址:queue.cs (microso…...
redis 进阶
前篇 1,持久化 定义:将内存中的数据写入到磁盘,防止数据丢失——如果我门没有使用持久化技术,下次重新启动REDIS的时候只有空的redis没有任何东西 RDB 定义:在指定的时间间隔内将内存中的所有数据集以文件的形式写…...
python文件打包无法导入ultralytics模块
💥打包的 .exe 闪退了?别慌!教你逐步排查 PyInstaller 打包的所有错误! 🛠 运行 .exe 查看报错信息✅ 正确姿势: ⚠ importlib 动态导入导致打包失败❓什么是动态导入?✅ 解决方式: …...
c++清理内存
c清理内存 1.内存状态监控 实时显示物理内存/备用内存使用情况 2.单进程内存清理 清理当前进程工作集内存 3.系统级内存清理 清理备用列表、已修改页、组合列表 4.全局进程优化 强制清理所有进程的工作集 5.权限管理 启用调试权限以执行敏感操作 6.用户交互 控制台菜单操作与实…...
操作系统之进程同步
1.什么是进程同步,为什么要引入进程同步? 进程同步是指多个进程在执行次序上进行协调,使它们按一定的规则共享资源和相互合作。引入进程同步是为了避免并发进程因资源竞争而产生数据不一致、混乱等问题,确保系统的稳定性和正确性。 2.同步…...
论文精度:基于LVNet的高效混合架构:多帧红外小目标检测新突破
论文地址:https://arxiv.org/pdf/2503.02220 目录 一、论文背景与结构 1.1 研究背景 1.2 论文结构 二、核心创新点解读 2.1 三大创新突破 2.2 创新结构原理 2.2.1 多尺度CNN前端 2.2.2 视频Transformer设计 三、代码复现指南 3.1 环境配置 3.2 数据集准备 3.3 训…...
C语言--汉诺塔问题
汉诺塔问题是一个典型的递归问题。 递归问题的基本思想:将问题逐步化简为相同思路但是规模更小的问题,直到问题可以直接解决 递归的关键在于基准情形和递归步骤,基准情形也就是退出条件,递归步骤也就是把问题简化为子问题的过程。…...
深度剖析SSD多段L2P表查找加速技术
在固态硬盘(SSD)控制器中,逻辑块地址(LBA)需要通过映射表(L2P Table)映射到NAND闪存的物理地址(PA)。随着SSD容量的增长,L2P表的大小也随之增加,这给查找操作带来了性能挑战。 在SSD控制器中,LBA需借助L2P表映射为NAND物理地址。映射表最小规模为 (O(n * \lg (n)))…...
【sgSpliter】自定义组件:可调整宽度、高度、折叠的分割线
特性: 允许设置显示折叠按钮允许设置折叠线按钮位置允许设置当拖拽区域到0,再点击箭头展开的默认宽度允许设置当拖拽宽度小于此宽度,自动折叠到0允许设置指定最小宽度允许设置指定最大宽度允许设置按钮风格:白色背景default、蓝色背景blue允许…...
图像预处理-插值方法
一.插值方法 当我们对图像进行缩放或旋转等操作时,需要在新的像素位置上计算出对应的像素值。 而插值算法的作用就是根据已知的像素值来推测未知位置的像素值。 1.1 最近邻插值 CV2.INTER_NEAREST 其为 warpAffine() 函数的参数 flags 的其一,表示最近…...
Adruino:传感器及步进电机
一、传感器 1、温湿度传感器 DHT11它采用专用的数字采集技术和温湿度传感器技术,包括一个电阻式感湿元件和NTC测温元件,并与一个高性能的8位单片机连接。 (1).引脚介绍 名称解释VCC供电引脚3~5VGND接地引脚DATA串行数据单总线 二、电机 1…...
leetcode 2787. Ways to Express an Integer as Sum of Powers
题目描述 这道题是0-1背包问题。可以理解为,有一个最大容量是n的背包,有n个物品,第i个物品的重量是i^x,问装满背包有多少种装法。题目要求必须是互不相同的数的x次幂的和等于n,那就表示每个数只能用一次,也…...
React 获得dom节点和组件通信
通过REF 实例对象的.current属性获得绑定的DOM节点 组件通信 组件通信 1 父传子 父组件传递数据 子组件接受数据 通过pros对象接受 子组件的形参列表props只读 props中数据不可修改 特殊情况 在子传父的过程中没有直接给子组件添加属性,而是向父组件中添加其他…...
AF3 ProteinDataset类的get_anchor_ind方法解读
AlphaFold3 protein_dataset 模块 ProteinDataset 类 get_anchor_ind 方法是一个 @staticmethod 静态方法,用来获取“锚定残基(anchor residues)”的索引,目的是在蛋白质序列中被遮蔽(masked)的区域两端找到“已知(known)”的残基,以便后续作为上下文参考。 源代码:…...
JavaScript异常机制与严格模式
目录 JavaScript 异常机制 1. 基本语法:try...catch...finally 2. 抛出异常:throw 3. 错误对象属性 4. 同步代码的异常处理 5. 异步代码的异常处理 5.1 回调函数 5.2 Promise 5.3 全局未捕获的 Promise 错误 6. 全局错误处理 7. 自定义错误与…...
【数据结构与算法】包装类初识泛型
文章目录 一.包装类1.1基本数据类型和对应的包装类1.2装箱和拆箱1.3自动拆箱和自动装箱【面试题】 二.什么是泛型三.引出泛型3.1 语法 四. 泛型的使用4.1 语法格式4.2 示例4.3 类型推导(Type Inference) 五. 裸类型(Raw Type) (了解即可)5.1 说明 六. 泛…...
Linux--进程信号
目录 1. 信号快速认识 1-1 ⽣活⻆度的信号 1-2 技术应⽤⻆度的信号 1-2-1 ⼀个样例 1-2-2 ⼀个系统函数 1-3 信号概念 1-3-1 查看信号编辑 1-3-2 信号处理 2. 产⽣信号 2-1 通过终端按键产⽣信号 2-1-1 基本操作 2-2 调⽤系统命令向进程发信号 2-3 使⽤函数产⽣…...
Skynet入门(二)
常用接口说明 接口说明newservice(name, …)启动一个name的新服务,并返回新服务的地址start(func)用func初始换服务。编写服务时,都会写一句skynet.start,并在func写一些初始化代码dispatch(type, func为type类型的消息设定处理函数funcsend…...
TDengine 可靠性保障:数据持久化与容灾备份(二)
四、容灾备份策略揭秘 (一)主从复制与故障转移 在 TDengine 的高可用性架构中,主从复制是一种极为关键的设计模式,它就像是数据的 “安全复制机”,将数据从主节点精准无误地复制到多个从节点 。在这个过程中…...
一文讲透大模型强化学习基础:PPO、DPO、GRPO
DeepSeek-R1 的强化学习方案中,其亮点之一在于通过 GRPO 算法取代RLHF 常用的 PPO,通过尽可能减少人类标注数据,设计纯 RL 的环境,用精心设计的奖励机制来训练模型自己学会推理。 那么什么是PPO、GRPO,其产生的背景、…...
第十六届蓝桥杯大赛软件赛省赛 Python 大学 B 组 部分题解
题面链接Htlang/2025lqb_python_b 个人觉得今年这套题整体比往年要简单许多,但是G题想简单了出大问题,预估50101015120860,道阻且长,再接再厉 A: 攻击次数 答案:103?181?题目没说明白每回合是…...
5分钟搭建一个在线客服网站!免费!
快速搭建在线客服网站完整教程 本文将手把手教你如何从零开始搭建一个功能完善的在线客服系统,整个过程简单快速,适合新手操作。 一、服务器选购指南 注册雨云账号 如果您尚未注册雨云账号,可以通过以下方式获取优惠: 注册链…...
【测试】-- 测试用例
文章目录 1. 测试用例1.1 概念 2. 设计测试用例的万能公式2.1 常规思考逆向思维发散性思维2.2 万能公式 3. 设计测试用例的方法3.1 具体的设计⽅法3.1.1 等价类3.1.2 边界值3.1.3 正交法3.1.3.1 如何设计正交表 3.1.4 判定表法3.1.4.1 根据判定表法设计测用例的步骤 3.1.5 场景…...
深度剖析循环码解码:从原理到纠错实践
一、引言 循环码作为线性分组码中的重要一员,凭借其出色的纠错和检测能力,在通信领域得到了广泛应用。本文将深入探讨循环码的解码过程,详细阐述其纠错和检测的机理。 二、循环码基础回顾 2.1 循环码的定义与性质 循环码是一类具有循环特性的线性分组码,即任一码组循环…...
MySQL面试题及答案,2025最新整理
文章目录 前言1.InnoDB 与 MyISAM 在事务和索引方面有哪些主要区别?2.简述 MySQL 的事务隔离级别及其对并发问题的解决情况?3.在使用 MySQL 索引时,如何避免索引失效,提高查询效率? 前言 本文围绕 MySQL面试题及答案&…...
ubuntu 安装pyllama教程
最近在研究motion gpt,有一个环节是需要下载gpt 13b,然后老是安装不上去pyllama,ubuntu的版本为: $ lsb_release -a LSB Version: core-11.1.0ubuntu4-noarch:security-11.1.0ubuntu4-noarch Distributor ID: Ubuntu Description…...
Python operator 模块介绍
operator 模块是 Python 标准库中的一个模块,它提供了一系列与 Python 内置运算符对应的函数。这些函数可以用于替代一些常见的运算符操作,在某些场景下能让代码更加简洁、高效,还能方便地用于函数式编程。以下是对 operator 模块的详细介绍: 1. 导入模块 使用 operator …...
[python] reduce
reduce 是 Python 中的一个高阶函数,用于对可迭代对象(如列表、元组等)中的元素进行累积计算,最终返回一个单一的结果。它位于 functools 模块中,使用时需要先导入: from functools import reduce 核心功能…...
ESP32与STM32哪种更适合初学者?
目录 1、ESP32:物联网时代的“网红” 2、STM32:工业界的“常青树” 3、到底谁更容易? 无论是刚入坑的小白,还是想扩展技术栈的老鸟,在选择主力 MCU 时,学习曲线绝对是重要的考量因素。ESP32 以其强大的 …...
AI编程案例拆解|基于机器学习XX评分系统-前端篇
文章目录 1. 定价使用DeepSeek估价小红书调研 2. 确定工作事项利用DeepSeek生成具体工作事项 3. 和客户沟通约会议沟通确定内容样式 4. 前端部分设计使用DeepSeek生成UI设计在Cursor中生成并提问前置条件开始编程 关注不迷路,励志拆解100个AI编程、AI智能体的落地应…...
十六届蓝桥杯嵌入式省赛直播基本外设驱动
前言 本文是准备2025年4月123日嵌入式蓝桥杯直播内容准备的一篇文章 1.创建工程 选择芯片 开启烧录引脚 开启高速时钟 主频设置成80回车 工程名称(不能有中文,包括路径) 考试的时候最下面哪一行取消勾选USE 然后选择这个文件夹打开 勾选几个…...
c_c++八股(一)
C/C static 静态局部变量(函数内) 使局部变量的生命周期延长至整个程序运行期间,但作用域仍限于函数内 变量只初始化一次,下次调用函数时保留上次的值 void counter() {static int count 0; // 只初始化一次count;printf(&quo…...
通过websocket给服务端发送订单催单提醒消息
controller层 GetMapping("/reminder/{id}")public Result Remainder(PathVariable("id") Long id){orderService.remainder(id);return Result.success();} 实现类 Overridepublic void remainder(Long id) {Orders ordersDB orderMapper.getById(id);…...
【NumPy科学计算引擎:从基础操作到高性能实践】
目录 前言:技术背景与价值当前技术痛点解决方案概述目标读者说明 一、技术原理剖析关键技术模块说明技术选型对比 二、实战演示环境配置核心代码实现运行结果验证 三、性能对比测试方法论量化数据对比结果分析 四、最佳实践推荐方案 ✅常见错误 ❌调试技巧 五、应用…...
day24 学习笔记
文章目录 前言一、OpenCV简介二、计算机中的图像表达1.图像表示2.图像存储 三、基本图像操作1.创建窗口2.读取图像3.显示图像4.保存图像5.创建黑白图像6.图像切片7.图像大小调整 四、读取视频 前言 目前,我开始学习OpenCV的相关概念和操作。通过今天的学习…...
OFDM CP 对解码影响
OFDM符号间会存在ISI,为了解决该问题在符号间插入了循环前缀,可以说这个发明是OFDM能够实用的关键,在多径信道中CP可以有效的解决符号间干扰。3GPP中对于不同SCS 定义了不同的CP长度: 5G Cyclic Prefix (CP) Design -5G Physical …...
Compose笔记(十六)--ExoPlayer
这一节了解一下Compose中的ExoPlayer的使用,我们在开发Android应用时,经常会使用到播放器这个ExoPlayer框架就相对成熟,易上手,现简单总结如下: 1. ExoPlayer 核心类 ExoPlayer 是 ExoPlayer库的核心类,负责管…...
拖拽实现3
import React, { useState, useRef, useEffect } from ‘react’; import ‘./ImageList.css’; const ImageList () > { const images [ ‘https://picsum.photos/300/200?random1’, ‘https://picsum.photos/300/200?random2’, ‘https://picsum.photos/300/200?r…...
OracleLinuxR5U5系统重启后启动数据库oracle23ai
1、切换到oracle用户 [rootOracleLinux-R9-U5 ~]# su oracle2、查看oracle是否配置了ORACLE_SID [oracleOracleLinux-R9-U5 root]$ cd ~ [oracleOracleLinux-R9-U5 ~]$ cat .bash_profile3、输出内容如下: [oracleOracleLinux-R9-U5 ~]$ cat .bash_profile # .ba…...