大语言模型LLM基础扫盲速通版

最新推荐文章于 2025-03-26 14:37:03 发布
最新推荐文章于 2025-03-26 14:37:03 发布
阅读量3.7k 收藏 31
点赞数 13
分类专栏： NLP&机器学习 文章标签： 语言模型 人工智能 自然语言处理 llm chatgpt
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。
本文链接：https://blog.csdn.net/qq_36803941/article/details/145200801
版权

文章目录

1. 什么是LLM？

LLM 是“大型语言模型”（Large Language Model）的缩写。它指的是使用深度学习技术训练出来的，具有大规模参数量的语言处理模型。这些模型通常在互联网上的大量文本数据上进行训练，以学习自然语言的模式和结构。训练后的 LLM 能够执行各种自然语言处理任务，如文本生成、机器翻译、问答系统、摘要生成、情感分析等。

当我们说人类语言时，不仅仅指中文、英语或法语等，人类语言还延伸到：

  • 摩尔斯电码
  • 遗传密码
  • 象形文字
  • 加密
  • 手语
  • 肢体语言
  • 乐谱
  • 化学信号
  • 表情符号和符号
  • 动物交流
  • 触觉通信
  • 交通标志和信号
  • 数学方程
  • 编程语言

LLM 经过数百、数千亿、甚至数万亿个参数的训练，能够从广泛的数据源中学习到规律。

这种广泛的训练使他们能够根据收到的输入预测和生成文本，以便他们可以参与对话、回答查询甚至编写代码。

2. LLM如何工作？

大型语言模型使用神经网络和机器学习 (ML) 的混合。正是这种混合使得该技术能够首先处理然后生成原始文本和图像。神经网络是 LLM 的大脑。这些网络从大量数据中学习，随着接触更多数据而不断进步。

随着模型接受更多数据的训练，它会学习语言的模式、结构和细微差别。这就像同时教它语法规则、诗歌节奏和技术手册的术语一样。

然后，机器学习模型帮助模型根据句子前面的单词预测下一个单词。这个过程重复了无数次，提高了模型生成连贯且上下文相关的文本的能力。

LLM 现在采用 Transformer 架构，该架构允许模型查看并权衡句子中不同单词的重要性，这与我们阅读句子并寻找上下文线索来理解其含义时的情况相同。

虽然 LLM 可以生成原创内容，但其输出的质量、相关性和创新性可能会有所不同，需要人工监督和改进。

3. LLM开发的关键里程碑

大型语言模型并不总是像今天这样有用。随着时间的推移，它们得到了很大的发展和迭代。

让我们回顾一下 LLM 历史上的一些关键时刻。这样你就可以了解他们取得了多大的进步，以及与几十年的缓慢进步相比，过去几年的快速发展。

（1）2010 年之前：早期基础

1950 年代至 1970 年代：早期的人工智能研究为自然语言处理奠定了基础。最著名的是，名为“Eliza”的技术人员是世界上第一个聊天机器人。

1980 年代至 1990 年代：NLP 统计方法的发展，逐渐摆脱基于规则的系统。

（2）2010 年：初始模型

2013 年推出了 word2vec，这是一种计算词语向量表示的工具，通过捕捉词语的语义，显著提高了 NLP 任务的质量。

（3）2014-2017：RNN 和注意力机制

2014 年：序列到序列 (seq2seq) 模型和循环神经网络 (RNN) 在机器翻译等任务中变得流行。

2015年：引入注意力机制，提高神经机器翻译系统的性能。

2017年：《Attention is All You Need》论文中提出了Transformer模型，以对序列的高效处理为NLP任务树立了新的标准。

（4）2018 年：GPT 和 BERT 的出现

2018 年 6 月：OpenAI 推出 GPT（生成式预训练变压器），这是一种利用无监督学习生成连贯且多样化文本的模型。

2018 年 10 月：Google AI 推出 BERT（来自 Transformers 的双向编码器表示），它使用 Transformer 模型的双向训练来提高对语言上下文的理解。

（5）2019-2020：更大、更强大的类型

2019 年：推出 GPT-2，这是 GPT 的改进版本，具有 15 亿个参数，展示了该模型在扩展段落中生成连贯且上下文相关的文本的能力。

2020 年：OpenAI 发布 GPT-3，这是一个拥有 1750 亿个参数的更大模型，在生成类似人类的文本、翻译和回答问题方面表现出卓越的能力。

（6）2021-2023：LLM的专业化、多模态性和民主化

2021-2022：开发专门的模型，例如用于对话应用程序的 Google LaMDA 和用于开放预训练变压器的 Facebook OPT。

2021 年：引入多模态模型，例如 OpenAI 的 DALL·E，能够根据文本描述生成图像，以及 CLIP，可以在自然语言环境中理解图像。

2022 年：GPT-4 和其他先进模型（如 Midjourney）的出现，继续突破 LLM 在各个领域和任务（包括图像生成）中生成和理解自然语言方面的潜力。它也更容易被更多人接受。

下图是2023年之前的大模型发布的时间线：

4. 训练可用LLM模型的完整流程

（1）模型定义与准备

  • 选择或设计模型架构：根据任务需求选择适合的神经网络结构，例如Transformer架构。
  • 初始化模型参数：设定初始权重和偏置值，这些通常是随机初始化或者从预训练模型加载。

（2） 数据收集与预处理

  • 数据源采集：获取来自多种渠道的数据，如网页、书籍、新闻文章等。确保数据的质量和多样性。
  • 数据清洗：去除噪声、重复内容和其他不需要的信息，以提高数据质量。
  • 分词器训练：如果需要自定义分词规则，则需训练一个合适的分词器（Tokenizer），将文本转换成模型可以理解的形式。
  • 数据格式化：将文本转化为适合输入给模型的形式，比如将句子分割成tokens，并添加特殊标记如[CLS]和[SEP]。

（3） 预训练（Pre-training）

  • Next Token Prediction：通过预测下一个token的任务来学习语言模式。这是无监督学习的一部分，旨在让模型掌握广泛的语言规律。
  • 掩码语言建模（Masked Language Modeling, MLM）：随机遮蔽一部分词汇，然后让模型去预测被遮蔽的词汇。这有助于模型更好地理解和表示上下文信息。
  • 使用大规模语料库：利用大量未标注的数据进行预训练，使模型能够获得丰富的语言知识。

（4）监督微调（Supervised Fine-Tuning, SFT）

  • 引入带标签的数据集：针对特定下游任务，使用带有明确标签的数据集对模型进行微调。
  • 指令跟随能力：通过提供具体的指令，使模型学会按照指示生成响应或执行任务。
  • 减少错误输出：修正预训练期间可能学到的一些不正确的行为或输出。

（5） 可选，强化学习与人类反馈（Reinforcement Learning from Human Feedback, RLHF）

  • 偏好对齐：通过人类评估者的反馈，调整模型的输出使其更符合人类的价值观和期望。
  • 控制有害内容：防止模型生成任何可能引起伤害的内容，如仇恨言论、虚假信息等。
  • 优化对话风格：改善模型的回答方式，使得其语气更加自然友好，更适合人机交互。

（6）模型评估与验证

  • 内部测试：在开发过程中持续监控模型性能，确保其稳定性和准确性。
  • 外部基准测试：使用公共可用的基准数据集来衡量模型相对于其他同类模型的表现。
  • 用户反馈：收集真实用户的评价，了解实际应用场景下的用户体验。

（7） 部署与推理

  • 模型压缩：为了降低计算成本和加速推理速度，可能会采用量化、剪枝等技术简化模型。
  • 服务化部署：将训练好的模型部署到生产环境中，供API或其他应用程序调用。
  • 在线更新机制：建立定期更新机制，以便随着新数据的到来不断改进模型。

5. LLM具备的能力

以下是 LLM 能力的列表：

  • 文本生成
  • 语言翻译
  • 总结
  • 问答
  • 情绪分析
  • 对话代理
  • 代码生成与解释
  • 命名实体识别
  • 文本分类
  • 内容推荐
  • 语言建模
  • 拼写检查和语法校正
  • 释义和重写
  • 关键字和短语提取
  • 对话系统

6. 领先的LLM模型包含哪些？

  • GPT系列：由 OpenAI 推出
  • LLaMA：由 Meta 推出
  • PaLM 2：由 Google DeepMind 推出
  • Gemini：由 Google DeepMind 推出
  • Claude：由 Anthropic 推出
  • Qwen：由阿里巴巴推出
  • …

7. 建议从头开始训练LLM吗？

从头开始训练 LLM 一般公司难以承担成本，需要大量的资源、时间和技术支持。

训练一个大型模型需要大量的计算资源。为了训练一个与 GPT-3、GPT-4 等规模相当的模型，通常需要数百到上千个 GPU 卡，可能花费数百到数千万美元。

训练时间因硬件资源和模型规模而异。使用高性能的硬件（如TPU集群），训练一个大规模的模型可能需要几周到几个月的时间。

所以目前很多公司的策略是采用开源模型，如 LLaMA、Qwen 等，把这些已经训练好的模型权重作为基础模型，在此基础上增加新的语料进行微调或增量训练，以此大大降低时间和机器成本。

8. LLM的训练数据源包含哪些？

  1. 网页内容
  2. 书籍和文献
  3. 社交媒体平台
  4. 新闻文章和期刊
  5. 百科全书和其他参考
  6. 开源项目和代码库

下面是一些开源的数据集：

数据集名称使用者类型语言大小描述 ️
proof-pileproof-GPT预训练 (PT)英文
LaTeX		13GB一个预训练数据集，类似于Pile但包含LaTeX语料库以增强模型在证明上的能力。
peS2o/预训练 (PT)英文7.5GB用于预训练的高质量学术论文数据集。
StackOverflow
帖子		/预训练 (PT)/35GB以Markdown格式的原始StackOverflow数据，用于预训练。
SlimPajama/预训练 (PT)主要为英文/RedPajama的清理和去重版本
NMBVC/预训练 (PT)中文/大规模、持续更新的中文预训练数据集。
falcon-refinedwebtiiuae/falcon系列预训练 (PT)英文/CommonCrawl的精炼子集。
CBook-150K/预训练 (PT), 构建数据集中文150K+书籍原始中文书籍数据集。需要一些预处理流程。
Common CrawlLLaMA（经过一些处理后）构建数据集,
预训练 (PT)		//最著名的原始数据集之一，很少直接使用。一种可能的预处理流程是CCNet
nlp_Chinese_Corpus/预训练 (PT),
TF		中文/包括维基百科、百度百科、百度问答、一些论坛问答和新闻语料库的中文预训练语料库。
The Pile (V1)GLM（部分）、LLaMA（部分）、GPT-J, GPT-NeoX-20B, Cerebras-GPT 6.7B, OPT-175b预训练 (PT)多语言,
代码		825GB包含22个更小的高质量数据集的多样化开源语言模型数据集，涵盖许多领域和任务。
C4
Huggingface数据集
TensorFlow数据集		Google T5系列, LLaMA预训练 (PT)英文305GBCommon Crawl网页爬虫语料库的巨量清理版本。经常被使用。
ROOTSBLOOM预训练 (PT)多语言,
代码		1.6TB包括Wikipedia和StackExchange等子数据集的多样化开源数据集，用于语言模型。
PushshPairs reddit
论文		OPT-175b预训练 (PT)//Reddit原始数据，一种可能的处理流程见此论文
Gutenberg项目LLaMA预训练 (PT)多语言/书籍数据集，主要是小说。未经过预处理。
CLUECorpus/预训练 (PT),
微调,
评估		中文100GB来源于Common Crawl的中文预训练语料库。

9. 其他关于LLM的常见问题

9.1 Transformer在LLM中有何意义？

Transformer 模型至关重要，因为它们使 LLM 能够通过自注意力机制处理文本中的长距离依赖关系。该机制允许模型衡量句子中不同单词的重要性，从而提高语言模型在理解和生成语言方面的表现。

9.2 在LLM中，微调 (fine-tuning) 是什么？

微调是在预训练之后的环节，针对特定任务进一步训练它。此过程会调整模型权重，使其在特定任务（如情绪分析、处理编程语言或其他专门应用程序）上表现更好。

9.3 模型大小如何影响LLM的性能？

模型大小通常以参数数量来衡量，它会影响 LLM 捕捉复杂语言模式的能力。根据多篇论文的实验表明，具有数千亿个参数的超大型模型通常表现更好，但在训练过程中需要更多的计算资源。

9.4 LLM 能生成编程语言的代码吗？

是的，LLM 可以生成各种编程语言的代码。它们通过提供代码片段、调试帮助和翻译代码来帮助开发人员，这要归功于它们在包含编程代码的各种数据集上进行的训练。

9.5 LLM的“上下文学习”是什么？

上下文学习是指 LLM 能够仅根据推理过程中提供的输入文本来学习和执行特定任务，而无需进行额外的微调。这使模型能够动态适应新任务或指令，从而增强其在广泛应用中的多功能性。

9.6 LLM中的“零样本”和“小样本”学习是什么？

零样本（zero shot）学习允许 LLM 利用其一般的语言理解能力来执行未经过明确训练的特定任务。

少样本（few shot）学习涉及在提示中为模型提供一些任务示例来指导其推理。

这两种方法都展示了模型在极少或没有额外训练数据的情况下进行泛化和适应新任务的能力。

欢迎关注本人，我是喜欢搞事的程序猿； 一起进步，一起学习；

欢迎关注知乎/CSDN：SmallerFL

也欢迎关注我的wx公众号（精选高质量文章）：一个比特定乾坤

在这里插入图片描述

【阅读记录-章节5】Build a Large Language Model (From Scratch)
weixin_44329069的博客
12-03 1270
在生成文本时，温度（temperature）和top-k参数的设置对生成结果的多样性和确定性有显著影响。通过调整这些参数，可以适应不同的应用场景需求。低温度（temperature < 1.0）特点：降低温度会减少生成过程中的随机性，使模型更倾向于选择概率更高的词汇。应用场景技术文档生成：需要精确和一致的表述，减少语法或逻辑错误。法律文本或合同生成：要求高准确性和一致性，避免歧义。问答系统：提供准确且一致的答案，避免不相关或错误的信息。低 top-k 设置（top_k 较小，例如 1-10）特点。
【阅读记录-章节2】Build a Large Language Model (From Scratch)
weixin_44329069的博客
11-15 1520
文本转换为数值向量（嵌入）嵌入是LLMs（大规模语言模型）处理文本数据的关键。因为LLMs不能直接处理原始文本数据，所以需要将文本转换为数值表示，这些数值表示就是嵌入。嵌入将离散数据（例如词语或图像）转换为连续的向量空间，使得这些数据可以与神经网络操作兼容。从文本到词元的转换首先，原始文本会被分割成词元（tokens）。这些词元可以是单词或字符。然后，词元会被转换为整数表示，称为词元ID。这就是模型处理文本时的基础输入。特殊词元特殊的词元（如和）用于增强模型的理解，处理不同的上下文。
跟着DW学习大语言模型-了解一些历史渊源
白水空空
06-18 1680
开发大模型相关应用，其技术核心点虽然在大语言模型上，但一般通过调用 API 或开源模型来实现核心的理解与生成，通过 Prompt Enginnering 来实现大语言模型的控制，因此，虽然大模型是深度学习领域的集大成之作，大模型开发却更多是一个。作为重要的研究方向之一，语言模型得到了学术界的广泛研究，从早期的统计语言模型和神经语言模型开始，发展到基于Transformer的预训练语言模型。ChatGPT 从本质上来说是一个 LLM 应用，是基于基座模型开发出来的，与基座模型有本质的区别。
5分钟带你看懂什么是大语言模型（LLM)
最新发布
python12345_的博客
03-26 1066
想象一下，你偶然发现了一份电影剧本，里面描述了一个人与他们的 AI 助手之间的对话场景。不过，剧本上 AI 的回应部分被撕掉了。现在，假设你有一台神奇的机器，它可以读取任何文本并预测下一个合理的单词。这样，你就可以利用这台机器来补全剧本–先输入已有的文本，让机器AI 该如何回复的第一个词，然后不断重复这个过程，逐步生成完整的对话。这其实就是聊天机器人背后的原理。一个大语言模型本质上就是一个，它能预测任何一段文本的下一个词。它并不是确定地选择一个词，而是会给所有可能的词分配一个。
终于完成了Build a Large Language Model (From Scratch) 2024中文版
LeeAmos1的博客
06-09 5966
Build a Large Language Model (From Scratch) 2024的中文版，终于完成了最新版的翻译，437页，包含7个章节+5个附录，作者将带你从头开始构建一个类似 GPT 语言模型，这个过程让你了解如何创建、训练和微调大型语言模型 (LLM)。
【阅读记录-章节1】Build a Large Language Model (From Scratch)
weixin_44329069的博客
11-14 1646
人工智能（AI）：人工智能是一个广泛的领域，旨在让机器具备类似人类的智能。这包括理解语言、识别模式和做出决策等任务。机器学习（Machine Learning, ML）：机器学习是人工智能的一个子领域，致力于开发能够从数据中学习并基于数据做出预测或决策的算法。深度学习（Deep Learning, DL）：深度学习是机器学习的一个子领域，专注于使用多层神经网络（即深度神经网络）来建模复杂的数据模式。LLM对NLP的影响。
Build a Large Language Model (From Scratch)GPT-4o翻译和代码每行中文注释Ch4
Czi.的博客
07-21 2539
4 从零开始实现GPT模型以生成文本In the previous chapter, you learned and coded the multi-head attention mechanism, one of the core components of LLMs. In this chapter, we will now code the other building blocks of an LLM and assemble them into a GPT-like model that we w
当下大语言模型（LLM）应用的架构介绍
m0_64752471的博客
10-22 813
离线评估是在模型与人类互动之前，评定模型是否达到了一定性能标准的测试。这些测试通过向模型提出问题（有正确或错误的答案，而这些答案是人类所知道的）来衡量模型输出的延迟、准确性和上下文相关性。此外，还有一部分测试用于处理含糊不清的答案，称为增量评分。这种类型的离线评估允许你将模型输出评为部分正确（例如，80% 正确），而不是简单地判定为对或错。**定制大语言模型。**训练大语言模型意味着构建支架和神经网络来实现深度学习。
大语言模型（LLM）基础概念扫盲（一）
qq_44812718的博客
09-02 795
大语言模型（LLM）基础概念扫盲第一期，主要包括token的概念、数据标注的概念、训练推理的概念、量化的概念等内容。
科普大模型入门指南：定义、应用与训练方法
热门推荐
张彦峰的博客
09-06 4万+
本文探讨了大语言模型的基本概念、训练机制以及其在各个领域的广泛应用。大模型通过深度学习技术，能够理解和生成自然语言，改变了人机交互的方式。文章分析了大模型的训练过程，并讨论了其在智能助手、内容生成、数据分析等领域的潜力。与此同时，我们也关注了在模型使用中面临的伦理、安全和可解释性等挑战。展望未来，本文强调了有效控制和监管的重要性，以确保大模型的安全和负责任使用。
大语言模型的前世今生：万字长文完整梳理所有里程碑式大语言模型（LLMs）
m0_64752471的博客
10-26 1184
作者：APlayBoy 编辑：AI生成未来链接：https://zhuanlan.zhihu.com/p/691719636所有资料 ⚡️ ，朋友们如果有需要全套 《》，本篇博客全面汇总了大型语言模型（LLMs）。从早期的预训练神经语言模型开始，探讨了它们的起源和发展。重点讨论了Transformer架构及其三个主要分类：仅编码器PLMs、仅解码器PLM和编码器-解码器PLM。接着，文章聚焦于GPT、LLaMA和PaLM这三大LLM家族，阐述了它们的特点和对语言模型领域的贡献。
大语言模型 Large Language Model
08-31
大语言模型 Large Language Model
【基于大模型（LLM）的Agent 应用开发】
lhx17673139267的博客
07-08 1239
这里的Agent 指的是智能体，可以追溯到明斯基的《society of mind》一书。在那本书中，明斯基对Agent的定义有点抽象——“社会中某个个体经过协商后可求得问题的解,这个个体就是agent”。在计算机领域，agent是一种通过传感器感知其环境，并通过执行器作用于该环境的实体，因此，可以把实体定义为一种从感知序列到实体动作的映射。一般认为，Agent是指驻留在某一环境下，能持续自主地发挥作用，具备自主性、反应性、社会性、主动性等特征的计算实体。智能，是Agent 与环境相互作用的涌现属性。
Build a Large Language Model (From Scratch) 学习笔记（二）
我的博客
02-24 1149
本章内容涵盖：为大语言模型训练准备文本;将文本拆分为单词和子词标记;字节对编码作为一种更高级的文本标记化方法;采用滑动窗口方法抽取训练样本;将标记转换为向量以输入到大语言模型中。原文目录如下本篇笔记篇幅受限，拆分为两部分内容，本文中包含2.1-2.4内容。在预训练阶段，LLM会逐个词地处理文本。通过使用包含数百万至数十亿参数的模型进行下一个词预测任务，可以训练出具有令人印象深刻能力的模型。然后，这些模型可以进一步微调，以遵循一般指令或执行特定的目标任务。
Build a Large Language Model (From Scratch) 学习笔记（一）
我的博客
12-06 1614
Build a Large Language Model (From Scratch) 学习笔记
Build a Large Language Model (From Scratch)学习汇总
Czi.的博客
09-27 1万+
https://github.com/Czi24/Awesome-MLLM-LLM-Colab/tree/master/LLMs-from-scratch-CN-Colab通过网盘分享的文件：Build a Large Language Model (From Scratch).pdf 链接: https://pan.baidu.com/s/1BKVbCtaW7BV2my-9_T9xSA?pwd=8vjk 提取码: 8vjk –来自百度网盘超级会员v7的分享md版本： https://blog.csdn.n
Build a Large Language Model (From Scratch)第二章(gpt-4o翻译版)
Czi.的博客
06-28 2207
来源：https://github.com/rasbt/LLMs-from-scratch?
大模型时代下，nlp初学者需要怎么入门？
2401_84204207的博客
05-25 763
可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。大模型时代，考虑到成本和安全，在实际应用中，选择私有化部署一套自己的百亿量级的大模型的情况还是非常多的。
Build a Large Language Model (From Scratch)GPT-4o翻译和代码每行中文注释Ch 1
Czi.的博客
04-16 9256
LLM 是一种大型语言模型，是一种旨在理解、生成和响应类人文本的神经网络。这些模型是在大量文本数据上训练的深度神经网络，有时涵盖互联网上整个公开文本的大部分。大语言模型中的“大”指的是模型的参数大小和训练它的巨大数据集。像这样的模型通常有数百甚至数千亿个参数，这些参数是网络中的可调整权重，在训练期间进行优化以预测序列中的下一个单词。下一个单词预测是明智的，因为它利用语言固有的顺序性质来训练模型来理解文本中的上下文、结构和关系。
unity 多边形sprite
08-22
Unity中的多边形Sprite可以通过设置边的个数来控制其形。首先，你需要将图片导入到Unity项目中，并选择Sprite作为其类型，然后将Sprite Mode设置为Multiple。接下来，你可以使用Sprite Editor进行进一步编辑。 如果你想动态修改Sprite的图片，你可以使用以下代码示例。首先，创建一个GameObject并添加一个SpriteRenderer组件。然后，你可以通过代码将指定的图片赋值给SpriteRenderer的sprite属性，例如使用Resources.Load方法加载指定名称的图片，或者从图集中加载指定位置的图片。 在Unity中，这些多边形图片都属于Polygon类型，你可以通过设置多边形的边的个数来控制其形状。这可以通过Sprite Creator精灵创造者来实现。 除此之外，还可以使用Sprite Mask精灵遮罩来对Sprite进行遮罩操作，以实现一些特殊效果。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [[Unity][2D]Sprite精灵多个多边形切割](https://blog.csdn.net/BuladeMian/article/details/115026072)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [2022-04-30 Unity核心2——Sprite](https://blog.csdn.net/zheliku/article/details/124520005)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
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

打赏作者

SmallerFL

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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