阿里云的通义千问VS百度的文心一言~~

下载工程 去我的github上下载工程：https://github.com/hanxiaochuang666/swagger2-demo 然后按照readme里面的步骤下载完依赖后，启动即可

无意间看到几个大神的博客园，人家的背景为啥是彩色的？为啥有动画效果？为啥能自定义功能？我递归懵逼的同时羡慕不已，于是找了几个文章整理了一下自己的博客园主页 前提 你需要开通设置里面的js权限，请求开通权限的时候要认真一些，语气要好，管理大大就会帮你开通的 页面主题选的是：simpleMemory，其他主题不保证效果 效果图嘿嘿 背景图设置 首先博客管理页面可以添加相册，然后添加图片，也就...

在resource目录下新建banner.txt（与application.properties或者application.yml同级） 在里面随便写自己的汉字图案就行了，比如我的： _ooOoo_ o8888888o 88" . "88 ...

cron 表达式： 秒 分 时 日 月 星期几 @Scheduled(cron = “0 0 1 * * ?”) 表达式的各取值 位置 取值 可指定的字符 秒 0-59 , - * / 分 0-59 , - * / 时 0-23 , - * / 日 1-31 , - * ? / L W C 月 1-12 , - * / 星期几 0-7或SUN-SAT 0和7都是周日，1-6是周一到周六 , - * ? / L C # 可指定的字符说明 .

1、配对题，答案中存的是选项，因为选项那栏要存小题的id

双属性排序 某公司对员工的评价有两个指标，鲁棒性和代码规范性，现要求输入一个数n代表员工个数，然后输入第一个数组，表示每个员工的鲁棒性值，再输入一个数组代表每个员工的规范性值。写一个程序对输入的员工按照鲁棒性的值从大到小输入，如果鲁棒性一致，则按照规范性的值从大到小输出 思想 这是一个双属性排序的问题，在java8之前，我们没有简单的办法，只能靠算法来搞定，我第一个排序用了简单的冒泡排序，第二个也可以用冒泡排序，但是我写的有点问题就不贴了 有了java8，这个问题及简单的多了 源码 import jav

记录一下2019年的计划 学习docker 学习Nginx 深入SpringBoot/SpringCloud系列 每天坚持看大神的博客 坚持记录自己的学习过程，总结过程，发表成博客

在全球数字经济加速渗透的背景下，企业知识资产的管理与应用已成为构建核心竞争力的关键环节。传统知识库系统普遍面临三大痛点：信息孤岛导致知识流通不畅，检索效率低下制约决策速度，知识更新滞后影响业务创新。据行业研究显示，采用AI增强型知识库的企业，其信息检索效率提升可达60%以上，决策响应速度平均加快45%，这使得AI知识库系统成为企业数字化转型的战略级基础设施。

嘉腾仪器在精密光学仪器领域做了将近二十年，IM30、IM200、IM100/IM150这些闪测仪产品已经形成了完整的产品矩阵，加上计量保证体系确认合格证书所体现的计量管理规范化水平，给密封件制造企业提供了一套从快速测量到数据追溯的完整方案。对于正在考虑升级密封件检测流程的制造企业来说，测量行程、非接触需求、批量效率、数据对接这几个维度都值得认真评估，选对了设备，密封件质量管控才能真正落地。密封件是橡胶做的，软的，用卡尺一夹就变形。一次能摆几十个密封件同时测量，O型圈、垫片、油封，不管什么形状，随便摆。

方法速度精度推荐场景慢高小参数空间快中快速探索Optuna中高复杂参数空间快高训练中使用。

本文系统研究了基于深色通道先验的单幅图像去雾算法，从大气散射模型和深色通道统计规律出发，完整阐述了深色通道计算、大气光强估计、透射率估计与细化（引导滤波）、图像复原及后处理增强的全流程。文章不仅给出了详细的数学推导和算法流程图，还提供了生产级的MATLAB完整源码，包括主函数、初始化脚本、参数配置类、深色通道计算、雾密度估计、去雾处理、图像合成等模块化代码，并通过多组实验从主观视觉和客观指标（PSNR、SSIM、FADE）两个维度验证了算法的有效性和鲁棒性。同时，文章针对不同雾霾浓度和应用场景给出了参数调节

摘要 监督微调（SFT）通过指令数据优化预训练语言模型。本文从数据构造（人工标注/Self-Instruct/Evol-Instruct）、ChatML对话格式、损失掩码设计、全参数与参数高效微调对比、超参数设置、数据质量六维度，剖析SFT核心技术，提供企业级决策框架。关键结论：1）Evol-Instruct自动生成数据成本仅为人工标注0.2%；2）ChatML标准化格式提升对话一致性；3）1K精标样本可达GPT-4的60%性能。 （字数：148字） 注：摘要严格控制在150字以内，核心覆盖： 技术范畴（S

分享一个跨境电商后台管理系统案例，AI生成产品界面同时输出Vue/React的工程代码。

随着智能交通系统与自动驾驶技术的迅速发展，交通标志的自动识别已成为辅助驾驶与无人驾驶研究的核心问题之一。

摘要：本文详细介绍了如何在STM32微控制器上实现TinyML部署的全流程。首先阐述了TinyML在边缘计算中的优势及STM32平台的适用性，随后以异常振动检测为例，从数据采集、模型训练（1D CNN）、量化优化到使用STM32Cube.AI工具链部署进行了完整演示。文章提供了关键代码示例，包括TensorFlow模型训练和STM32推理实现，并对比了不同量化方案的性能指标（FP32模型120KB/15ms vs INT8量化后35KB/2ms）。最后总结了调试技巧、优化策略和最佳实践，为开发者提供了在资源

iLeadE-588支持16路AI视频分析、4路AHD、4路千兆网、4G/5G通讯，标准API接口，兼容Modbus、DLT645、OPC UA等多种行业协议，支持第三方平台对接。现场智能化改造的同时，最难保障的场景是网络覆盖不佳的偏远区域、没有网络的地下封闭空间——传统云端AI方案一旦断网，便会直接停止运行。领嵌iLeadE-588边缘计算盒子，断网可以独立工作，所有数据直接在本地处理，不用全部传回云端，算法模型 全部内置到设备里。主要面向智慧工厂、智慧城市、智慧医疗 、智慧电厂、智慧交通等行业。

定位：定制化高端 Token 产能，面向制造业、自动驾驶、物理 AI 的专用电厂东部长三角、珠三角（深圳、上海、苏州）无低成本电价优势，但紧邻海量实体产业场景，不拼基础 Token 产能，主打行业定制化推理 Token，服务工业质检、AI PC、自动驾驶、光芯片仿真、光伏智能检测等高价值场景，单 Token 商业溢价是西部通用 Token 的 2-5 倍。聚焦自动驾驶、先进封装、光伏检测、工业机器人等赛道，打造行业专属 Token 工厂，不参与通用词元价格战，依靠场景壁垒赚取高溢价。