标题：Google AlloyDB自持内置自然语言查询功能;达梦2024年营收为10.4亿,同比增长31%重要更新达梦发布2024年度报告，该年年度营收达10.4亿，同比增长31.49%，净利润为3.6亿。[1]Google AlloyDB 发布自然语言查询功能，该功能可以让开发者通过简单的配置，就可以在数据库内部实现自然语言转SQL并进行查询。[2]更新详情阿里云RDS MySQL全面提升本地盘实例（含主实例和只读实例）的存储空间上限，最高支持16000 GB，满足用户存储扩容需求。[4]RDS MySQL的秒级加列（Instant Add Column）通过变更数据字典的元数据来优化ADD COLUMN 操作。该功能避免了传统DDL操作对全表数据的修改或重建，实现加列操作在秒级内完成，且不受表数据量影响。[5]RDS PostgreSQL ESSD云盘实例支持下载带表头信息的CSV格式备份文件，可用于数据分析或离线归档等需求。[6]火山云(字节)veDB MySQL 支持闪回查询，通过闪回查询功能，能够直接查询过去某段时间时间内的历史数据。[7]veDB MySQL 支持 RETURNING 语法，支持在执行 INSERT、REPLACE、UPDATE、DELETE 等 DML 语句时，直接返回受影响的行数据[8]AWS(亚马逊云)Bedrock 知识库现在支持 Aurora ...继续阅读 (58)

最近通过了 AWS Certified Machine Learning – Specialty 认证，再此分享一下我的备考经验和考试心得，希望能帮助到正在准备这项认证的朋友们。时间线和准备方法我的认证之旅从三月初开始，当时在 Udemy 上寻找相关课程。还好有公司的商业版Udemy订阅，可以免费学所有课程。利用周间下班的时间和周末的一些时间，到三月中下旬，我已经完成了课程学习并开始做习题练习。 然后我随即预约了三月底的考试，这给了我一个集中的准备窗口。在线课程学习Udemy 的课程为理解 AWS 机器学习生态系统提供了坚实的基础。课程涵盖了重要的服务，如 SageMaker、Comprehend、Rekognition 和 AWS与机器学习相关的各种服务，以及基本的机器学习概念和最佳实践。实践实验室对于获得这些服务的实际操作经验特别有帮助。刷题经验看过Sample Question后，你才会发现，只看视频课程是远远不够的。完成课程后，我专注于从两个主要来源练习题目：Udemy 课程附带的样题网上找到的额外练习题这些练习题对于识别知识盲点和需要额外学习的领域非常有价值。它们也帮助我熟悉了考试格式和问题风格。另外，对于做错的题目，我会仔细分析错误原因，并在网上查找相关资料进行补充学习。另外，AI工具也可以帮助你理解一些陌生的概念，有不懂的知识点就多问AI，让它帮你解释和举例，省去了很 ...继续阅读 (31)

即使你想说你们的App并不打算支持在除手机以外的Android设备上运行，但是别忘了，现在的折叠屏设备是可以瞬间从手机模式切换成平板模式的。首先，只有targetSdk指定到了36及以上的App，运行在Android 16的大屏设备上时，才会出现限制屏幕方向和比例的API失效的情况。只是Android大屏设备的保有量并不高，许多中小型App开发者的适配积极性不足，这也导致直到今天仍然还有许多App在大屏设备上的运行体验是比较差的。再具体一点，就是在最小宽度大于等于600dp的设备上，上述API才会失效。 ...继续阅读 (25)

ForewordDeepSeek火了这么久，总算轮到我来部署一下了，部署小模型的挺多的，但是接近满血的大模型的好像很少，遇到的问题也难得有人说。DeepSeek设备需求浪潮 NF5468M6 GPU服务器CPU：2x6330（2G，28C/56T，42MB，Turbo，205W，3200），2x2400￥ 内存：32x64G DDR4 3200 RDIMM ECC，32x500￥ 硬盘：5x1.6TB SSD NVMe U.2 2.5寸 混合型，5x900￥ 阵列卡：Intel/英特尔 VROC KEY VROCPREMM0D U.2 NVME 阵列 RAID 0/1/5/10激活卡 高级版，1300￥ 网卡1：迈络思 MCX556A 100G 双口网卡，1500￥ 网卡2：X710双口万兆网卡（含模块），600￥ 显卡：8xNVIDIA Tesla L20 GDDR6 48GB PCIE 350W，8x25500￥ 电源：4x3000W 热插拔电源，双供电、双备份，4x1788￥主板：NF5468M6，含税44000￥这么一套单纯硬件（二手）含税合一起大概是32w左右就能拿下了，剩下的基本就是组装、调试、服务、售后的钱了这一套显存是384g，内存是2048，如果要高速，可以部署 DeepSeek-R1-671B Q4；如果想要充分利用内存，其实可以2个GPU+512G内存来部署一 ...继续阅读 (74)

LibreTV是一个开源的在线视频搜索与观看平台，它汇集了多个视频源，让你可以免费观看电影、电视剧等内容。无需注册，即开即用，支持多种设备访问。本文将带你深入了解LibreTV的功能特性、部署方式以及自定义配置，让你轻松搭建自己的免费追剧平台。🚀 LibreTV的核心优势LibreTV以其独特的优势，成为了众多影音爱好者的首选。以下是LibreTV的几个核心优势：免费使用：无需支付任何会员费用，即可畅享海量视频内容。多源搜索：聚合多个视频源，提供更全面的搜索结果。跨平台支持：支持电脑、平板和手机等多种设备访问。纯静态部署：无需后端服务器，部署简单快捷。广告过滤：内置广告过滤功能，提供更干净的观影体验。🔍 功能特性详解LibreTV的功能非常丰富，可以满足用户各种观影需求。多源视频搜索：LibreTV可以同时搜索多个视频源，让你轻松找到想看的内容。响应式设计：LibreTV采用了响应式设计，可以完美适配各种屏幕尺寸的设备。自定义API接口：LibreTV支持自定义API接口，你可以根据自己的需求添加或修改视频源。本地存储搜索历史：LibreTV会将你的搜索历史存储在本地，方便你下次快速查找。键盘快捷键支持：LibreTV播放器支持多种键盘快捷键，让你可以更方便地控制播放。🛠️ 快速部署指南LibreTV的部署非常简单，你可以通过以下几种方式进行部署：Cloudflare Pages部 ...继续阅读 (64)

如要阅读全文，点击标题跳转。 学习周刊 - 总第 207 期 | zulu-openjdk | blinko | drawnix | GoMFT | powerflow | OxiCloud | ecmdb ...继续阅读 (83)

最近在 PHP 8 环境下，发现 #WPJAM Basic# 的一个严重问题：就是后台文章和分类列表的一些操作无效了，点击保存按钮没有任何反应。经过深入调试，发现问题根源在于 PHP 8 对is_callable()函数的行为进行了重大调整。技术细节在 PHP 8 之前，is_callable()函数在检查类名与非静态方法的组合时会返回true，即使这种调用方式在实际执行时可能会导致问题。PHP 8 对此进行了更严格的检查，以提前发现潜在的错误调用方式，因此is_callable()在检查一个类名与非静态方法时将返回失败（应当检查一个类的实例）。具体看下面这个例子就大概能够明白了：class Test{ public function method1() { } public static function method2() { } } // PHP 8 之前 var_dump(is_callable(['Test', 'method1'])); // bool(true) var_dump(is_callable(['Test', 'method2'])); // bool(true) // PHP 8 之后 var_dump(is_callable(['Test', 'method1'])); // bool(false) v ...继续阅读 (78)

Grease Pencil & Blender Render Pass notesoverlay 的draw_grease_pencil只是画用于选择和轮廓的层基本上渲染过程可参照drw_draw_render_loop_3denable_engines > engines_init_and_sync > engines_draw_scenePassSimple 是 GPU 指令 不是单独的输出实际的渲染层通过RE_engine_register_pass创建，之后用RE_pass_find_by_name找到层并写入rp->ibuf。见 workbench 引擎的write_render_z_output好像可以了2025/04/16 20:25:02 - 2025/04/17 11:17:11 ...继续阅读 (61)

原创内容，转载请注明出处：https://www.myzhenai.com.cn/post/4649.html aws现在的登录非常麻烦，为了安全性，他们强行推出了IAM登录，造成我经常是无法登录，因为我以前都是“使用根用户电子邮件登录”的方式登录控制面板，但是现在这种登录方式非常困难了，一登录就进入确保账户安全界面，然后三种验证方式全是硬件有关的。 之前我曾经尝试创建了IAM账号用于登录，但因为... ...继续阅读 (42)

【摘要】提供AI咨询+AI项目陪跑服务，有需要回复1 之前写了一篇关于一体机的文章： DeepSeek一体机是个什么鬼 一体机产生的原因是春节期间DeepSeek的火爆带动了一些公司的AI需求，但很多公司如医疗、法律、公司内部又确实有数据保密的诉求。 于是乎私有化部署被迅速摆到台面上来，在这个背景下，Dee阅读全文 ...继续阅读 (55)

Postfix核心服务器设置# ----------------------------- # 配置 Postfix 使用边缘服务器代理 # ----------------------------- echo "==> 配置 Postfix 使用边缘服务器代理发件" # 登录到 MIAB，并设置 relayhost sudo postconf -e "relayhost = [relay.example.com]:2525" sudo postconf -e "smtp_use_tls = yes" sudo postconf -e "smtp_tls_security_level = may" sudo postfix reload Postfix边缘服务器#!/bin/bash # ----------------------------- # Postfix 实际私网地址 MIAB_IP="10.0.0.2" # ----------------------------- echo "==> 安装 Postfix 和相关邮件服务" # 更新包列表并安装所需的软件 apt update DEBIAN_FRONTEND=noninteractive apt install -y postfix # 备份原配置 cp /etc/postfix/main.cf /etc/ ...继续阅读 (82)

毕业了，下一步还需要继续拥抱变化。春节之后火急火燎的去北京客户现场出差了 2 个月，刚回到成都又开始马不停蹄的支持公司的销售同事去拜访客户交流介绍产品的第二天中午，我接到同事的打探问我公司有啥安排，过了一会就接到了 hr 的消息说下午要打个电话，紧接着下午就告诉我这次要毕业了。可能是大环境不够好，可能是经济不景气，可能是组织管理上出了一些问题，可能是投资人想收拢资金资产清算，可能是太阳黑子导致的大气电离环境异常，但实际的事情结论就是要从这家待了快 5 年的公司毕业了。我接到 hr 电话的心态反而不是预期中的失望和愤怒，而是保持着职业性的体面后接纳了答案。好像事情在发生之前也总有隐喻的线索，自从前两年大股东时不时介入公司的日常管理之后并且伴随每一次的爹味与 PUA 之后，我总能感觉到公司里那股腐朽又潮湿的味道开始扩散，紧接着是在北京出差时，听到来自总部的同事说宁可在北京多待几天，也不愿意回到深圳办公室里上班，感觉有一点像是温水里煮青蛙的故事，我们这些青蛙一方面觉得当下的做法无益于长远发展于提升产品与团队的价值，另一方面又觉得不能空手走人，总得混到拿 N+1 的时候才行。我先是在脑海中习惯性盘算这一次要毕业的同事人数占据了研发部门的三分之一，随后开始分析这一次公司下发新决定的原因，紧接着我又停止了这一次的分析与复盘，毕竟从当下开始，这些已经重复了无数次事情都开始与我无关了。相对而言，坚 ...继续阅读 (39)

前段时间申请成为了 OpenTelemetry 的 Member 通过了，算是完成了一个阶段性目标；从 24 年的 2 月份的第一个 issue 到现在刚好一年的时间。这事也挺突然的，源自于年初我发了一个 24 年的年终总结，提到了希望在今年争取成为 Member，然后谭总就提醒我可以自己去申请，只要找到两个sponsors支持就可以了。我之前不知道这个 Member 是自己申请的，没注意看社区的文档（之前的Apache社区都是邀请制）。于是我提交了相关的issue，列举了自己做的一些贡献（PR 和 issue），也找到了之前经常帮我 review 的Rao哥作为 sponsor.不出意外，没等两天就收到了邀请。参与社区OpenTelemetry 作为和厂商无关的可观测标准，非常开放和包容，也是我参与过的社区最多元的开源项目，几乎每个子项目都有上百人参与，他们都来自于不同的公司和个人，在这样的背景下社区自然就会更佳和谐，很难出现某个公司或者个人主导项目的发，风险自然也会小很多。OTel 的技术栈主要是可以分为下面三个部分：客户端：负责上报可观测数据（Trace、Metrics、Logs）OTel collector：处理客户端上报的数据数据存储：存储日志、指标、trace 等数据以上每个模块都是 OpenTelemetry 非常重要的组成部分，大家可以都挑感兴趣的部分去参与。作为一 ...继续阅读 (65)

A long time ago, I wrote auseful set of git aliasesto support the GitHub flow. My favorite alias wasbdonewhich would:Checkout the default branch.Rungit upto make sure you’re up to date.Rungit bcleanto delete all the branches that have been merged into the default branch.And this worked great for a long time. The way it worked was it would list all the branches that have been merged into the default branch and then delete them. In my case, I didn’t usegit branch --mergedto list merged branches because I didn’t know about it at the time.However, my aliases stopped working for me recently after j ...继续阅读 (35)

我用常规方式无法将.bat脚本快捷方式固定到Windows任务栏。这里介绍通过伪装资源管理器进程绕过限制。步骤1. 创建特殊快捷方式# 右键桌面 → 新建快捷方式 → 输入：explorer.exe"D:\scripts\your_script.bat"2. 固定到任务栏拖动该快捷方式至任务栏系统将识别为文件资源管理器项而非脚本技术原理explorer.exe代理执行：通过资源管理器宿主进程加载脚本，规避控制台进程限制任务栏缓存机制：系统仅校验首次固定时的宿主程序（explorer.exe）注意事项路径含空格时必须用英文引号包裹 ...继续阅读 (62)

在使用Java 语言开发时，Class Loader可能是一个不用关注的概念，但是在某些疑难问题的解决的时候，可能需要掌握相关的知识，比如笔者在这一篇遇到的问题：。接下来就来全面的看一看Java的类加载机制。 ...继续阅读 (62)

LRU算法的定义LRU（Least Recently Used，最近最少使用）缓存算法是一种常见的缓存替换算法。它基于这样一个原则：当缓存空间满时，最久未被使用的数据将会被淘汰。LRU算法的核心思想是：如果一个数据在最近被访问过，那么它应该被优先保留；相反，若某个数据长时间未被访问，它将会被淘汰以腾出空间。LRU算法适用于缓存管理、操作系统的内存管理、数据库的查询缓存等场景。LRU算法原理LRU缓存使用一个存储数据的结构（通常是哈希表和双向链表的结合），在缓存空间达到上限时，删除最久未被使用的数据。步骤总结：访问数据：当数据被访问时，我们将数据移动到缓存结构的前端，表示它是最近使用的数据。缓存满时：当缓存满时，我们移除尾部的数据，这些数据是最久未使用的。LRU算法实现方法实现LRU算法的方法主要有：数组实现、哈希表+双向链表、使用Map数据结构，下面分别来看下这些方法的实现和各自的优缺点。数组实现我们可以使用一个数组来存储缓存的键值对，每次访问数据时，将其移动到数组的开头。当缓存满时，我们就移除数组的最后一个元素（即最久未使用的元素）。class LRUCacheArray { private capacity: number; private cache: [number, number][]; constructor(capacity: number) { ...继续阅读 (71)

在前端开发中，实现图片加载是一个常见且不可忽视的需求，图片作为一种高频使用的资源，正确且高效的加载图片能显著提高用户体验。本文，我们将谈谈图片加载的实现方式以及各自实现的优缺点，然后我们基于new Image方式来谈谈单图片加载与多图片加载的实现以及优化。图片加载的实现方式在前端开发中，图片加载不仅仅是一个简单的img标签操作，尤其是在复杂的应用中，图片的加载往往涉及到异步操作、缓存策略、错误处理以及资源优化等多个方面，下面，我们将扩展讨论JavaScript中实现图片加载的几种常见方法，并探讨它们的应用场景和优缺点。实现图片加载主要有如下几种方法:使用new Image()创建图片对象。使用标签加载图片。使用fetch和Blob对象加载图片。使用IntersectionObserver API和setTimeout加载图片（懒加载）。使用canvas处理图片加载。下面我们将谈谈每一种图片加载实现方法的优缺点和具体实现。1. 使用new Image()创建图片对象new Image()是 JavaScript 中用于动态创建图片对象的标准方式，它相对简单，且能直接控制图片的加载过程。通过onload和onerror事件，我们可以实现图片加载的回调处理。它的优缺点分别如下：优点：代码实现简单直观，而且代码量也很少。可以直接控制图片加载的生命周期和处理加载失败等情况。缺点：不能直接在H ...继续阅读 (73)

枚举就是把所有情况都尝试一遍。比较简单的用 for 循环即可，较复杂的枚举，需要用到递归。P1304 哥德巴赫猜想此题直接枚举每个合数拆解成两个质数和的所有可能性。为了避免重复计算质数，我们用一个 map 将其运算结果保存下来。123456789101112131415161718192021222324252627282930/*** Author: Tang Qiao*/#includestdc++.h>usingnamespacestd;map rec;boolisPrime(intn){if(rec.find(n) != rec.end()) {returnrec[n];}for(inti =2; i*i <= n; ++i) {if(n % i ==0)returnrec[n] =false;}returnrec[n] =true;}intmain(){intn;cin >> n;for(inti =4; i <= n; i+=2) {for(intj =2; j <= i; ++j) {if(isPrime(j) &&isPrime(i-j)) {printf("%d=%d+%d\n", i, j, i-j);break;}}
...继续阅读 (63)

数学题是信息学竞赛中重要的一类题目，通常包括几何、数论、容斥原理等。本文将相关的题目归纳整理，用于教学。几何P2241 统计方形本题解法：每个矩形（包括正方形）都可以由一段左边线段和一段上边线段确定。因此，我们只需要枚举所有可能的线段。对于一个长是 N 宽是 M 的棋盘。左边的线段长度为 1 的有 N 个，长度为 2 的有 N-1 个，…长度为 N 的有 1 个。上边的线段长度为 1 的有 M 个，长度为 2 的有 M-1 个，…长度为 M 的有 1 个。所以:左边的线段一共有（1+2+3+...+N）= N*(N+1)/2个。上边的线段一共有（1+2+3+...+M）= M*(M+1)/2个。因此，总共有N*(N+1)/2 * M*(M+1)/2个矩形。用相同的办法可以推导正方形的数量，方法如下：对于左边长度为 1 的线段有 N 个，相应的上边长度为 1 的线段有 M 个。所以可以构造出N*M个边长为 1 的正方形。同理：对于左边长度为 2 的线段有 N-1 个，相应的上边长度为 2 的线段有 M-1 个。所以可以构造出(N-1)*(M-1)个边长为 2 的正方形。以此类推，可以构造出N*M + (N-1)*(M-1) + (N-2)*(M-2) + (N-M+1)*1个正方形(N>M)。另外，需要注意使用long long来保存结果。完整的代码如下：12345678910111 ...继续阅读 (66)

分布式训练模型（Distributed Training）分布式训练是一种将深度学习模型的训练过程分布在多个设备（如GPU）上的技术，用于提升训练速度、处理更大的模型和数据集。分布式训练的四种主要方式1.Data Parallelism（DP） – 数据并行原理：将数据切分为多个子集，每个GPU处理一部分数据，模型副本相同。优点：实现简单，适用于大多数模型。缺点：每个GPU都保留模型完整副本，内存开销大。适用场景：中小规模模型或多GPU的训练。2.Tensor Parallelism（TP） – 张量并行原理：将模型的单个层（如矩阵乘法）中的张量进行切分，并行计算。优点：减少每张卡的内存压力。缺点：实现复杂，通信频繁。粒度：粒度较大，按张量维度切分。3.Pipeline Parallelism（PP） – 流水线并行原理：将模型按层分成多个阶段，每个GPU处理一部分层，输入数据通过流水线方式依次流过。优点：适用于超大模型训练，显存需求平均分配。缺点：需要微批次处理，存在流水线启动延迟。粒度：比TP更小，按模型层级切分。4.Expert Parallelism（EP） – 专家并行原理：用于 MoE（Mixture of Experts）模型，将不同“专家模块”部署在不同设备。优点：显著减少计算量，提升扩展性。缺点：路由机制复杂，需要动 ...继续阅读 (34)

【摘要】在LLM应用的快速发展中，一个核心挑战始终存在：如何让模型获取最新、最准确的外部知识并有效利用工具？ 背景其实很简单：大模型（LLM）再强，也总有不知道的东西，怎么办？让它“查资料”“调工具”成了近两年最热的技术方向。从最早的 RAG（Retrieval-Augmented Generation），阅读全文 ...继续阅读 (47)

又睡不着，琢磨一段话：多戲超人 @DoubleFakeCute： 文字很容易传播仇恨，但很难传递感动。@yetone： 是的，换句话说文字传播感动是需要功底的，但是传播仇恨不用上完九年义务教育就可以这句话背后揭示了一个道理：表达愤怒、抱怨、不满，似乎是语言最原始、最本能的用途。人类还未掌握完整的语法与修辞，就已学会了哭泣。新生婴儿落地的第一声啼哭，正是一种天赋的语言——一种对环境提出抗议的表达。哲学家维特根斯坦说过：“语言的边界就是世界的边界。”在生命伊始，我们的语言边界，即是对苦痛的感知；我们最早学会的，是如何说“我不喜欢”。相较之下，笑，是后天习得的，是在社会化过程中逐渐学会的回应。但当笑成为一种礼貌、成为一种职场的面具，它也就褪去了它的真实。于是我们在笑中疏离，在沉默中彼此冷漠，脸上浮现的，是长久训练出的 poker face，那张扑克脸仿佛是一种文明社会强加的伪装。最近 realDonaldTrump 把🇨🇳进口关税从10%，20%，54%，104% 一路干到154%。 仿佛数字本身也在喊叫。一个长期生活在中国的美国人王渊源John打趣地说 trump 的支持者之所以对“涨关税”拍手叫好，是因为“trade deficit”（贸易逆差）这个词在英语里带有天然的负面含义——“deficit”意味着赤字、亏空，仿佛国家正在负债累累。而在中文语境中，“逆差”这个词更像是一种经济 ...继续阅读 (47)

【摘要】提供AI咨询+AI项目陪跑服务，有需要回复1 上周写了一篇AI知识库的文章：聊聊与一体机同等级的智商税：AI知识库 事实上，文章对于AI知识库是稍带了点否定的色彩，因为单独的知识库毫无意义，但企业本身并不知道要什么，根据我实际咨询下来，其实他们要的是能借用知识库解决问题的Agent。 只不过，有点尴阅读全文 ...继续阅读 (55)

WordPress 在其官方托管 SasS 平台正式推出了一款全新的 AI 驱动网站构建器，这款工具可以在几分钟内为用户创建出功能齐全、外观美观的 WordPress 网站。用户只需通过聊天机器人输入相关提示，便可生成包括文本、布局和图像等在内的网站内容。WordPress 官方推出的这款 AI 网站构建器操作异常简便，对技术背景几乎没有任何要求，用户可以告诉 AI 自己需要建立个人网站还是商业网站，并描述希望的页面元素，如标题外观、配色方案等，AI 系统便会根据这些指令自动生成网站的基本框架。越具体的初始提示将带来更理想的结果，在生成网站时，聊天机器人会询问一些关键信息，例如公司名称和位置。生成完成后，网站将包含 AI 生成的标题、图片和文本。这一功能特别适用于企业家、自由职业者、博主等需要快速建立专业网络形象的群体，值得注意的是，虽然这款 AI 网站构建器功能强大，但目前仍主要适用于生成简单的页面。对于需要更复杂集成的网站，如电子商务商店等，暂时还无法直接通过该工具创建。为了让用户充分试用这一新功能，WordPress.com 也为用户提供了 30 次免费提示额度，对于开发者，还可以将 AI 生成的网页切换回手动编辑的模式，自己再次修改。一旦网站构建完成，用户可以将其转移到 WordPress.com 的托管服务上，继续手动编辑或重新返回 AI 构建器进行调整。而使用 Word ...继续阅读 (65)

WordPress 在其官方托管 SasS 平台正式推出了一款全新的 AI 驱动网站构建器，这款工具可以在几分钟内为用户创建出功能齐全、外观美观的 WordPress 网站。用户只需通过聊天机器人输入相关提示，便可生成包括文本、布局和图像等在内的网站内容。WordPress 官方推出的这款 AI 网站构建器操作异常简便，对技术背景几乎没有任何要求，用户可以告诉 AI 自己需要建立个人网站还是商业网站，并描述希望的页面元素，如标题外观、配色方案等，AI 系统便会根据这些指令自动生成网站的基本框架。越具体的初始提示将带来更理想的结果，在生成网站时，聊天机器人会询问一些关键信息，例如公司名称和位置。生成完成后，网站将包含 AI 生成的标题、图片和文本。这一功能特别适用于企业家、自由职业者、博主等需要快速建立专业网络形象的群体，值得注意的是，虽然这款 AI 网站构建器功能强大，但目前仍主要适用于生成简单的页面。对于需要更复杂集成的网站，如电子商务商店等，暂时还无法直接通过该工具创建。为了让用户充分试用这一新功能，WordPress.com 也为用户提供了 30 次免费提示额度，对于开发者，还可以将 AI 生成的网页切换回手动编辑的模式，自己再次修改。一旦网站构建完成，用户可以将其转移到 WordPress.com 的托管服务上，继续手动编辑或重新返回 AI 构建器进行调整。而使用 Word ...继续阅读 (76)

OpenAI今晨推出了 GPT4.1，这是官方介绍：https://openai.com/index/gpt-4-1/以下是关于GPT-4.1的详细介绍，基于官方网页内容：GPT-4.1 简介GPT-4.1 是 OpenAI 最新推出的 GPT 系列模型，具有以下核心特点：性能提升：在编码、指令遵循和长文本处理方面显著优于 GPT-4o 和 GPT-4.5。支持长上下文：支持处理高达 100 万个 token 的上下文（比 GPT-4o 的 128,000 token 大幅提升）。模型家族：包括 GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano，分别针对不同性能和成本需求优化。知识截止日期：更新至 2024 年 6 月。性能提升编码能力SWE-bench Verified：GPT-4.1 在该基准测试中得分为 54.6%，比 GPT-4o 提升了 21.4%（绝对值），比 GPT-4.5 提升了 26.6%（绝对值）。代码生成与修改：GPT-4.1 在生成代码、处理代码差异（diff）和前端开发方面表现出色，减少了不必要的修改，并能更可靠地遵循格式要求。实际案例：Windsurf：GPT-4.1 在内部编码基准测试中得分比 GPT-4o 高出 60%，代码修改接受率更高，重复修改的可能性降低 50%。Qodo：在代码审查任务中，GPT-4.1 在 200 个实 ...继续阅读 (62)

要实现强制分为指定段数，并且对齐刻度，需要用的配置分别为yAxis的max、min、intervalecharts5.3有个配置项alignTicks，在多个 y 轴为数值轴的时候，可以开启该配置项自动对齐刻度。只对[crayon-681a329b56063980920475-i/]和[crayon-681a329b56066391470647-i/]类型的轴有效。实际使用中，发现在双轴数据格式不同，且数值相差巨大的时候，达不到理想状态下的均分效果。以下方法实现了，包含0刻度，且均分为指定段数，并且对齐左右刻度：[crayon-681a329b56068189162180/] 将max、min、interval配置到对应yAxis后，得到如下效果：可以看出，已经实现了强制包含0刻度，并且均分为5段，左右刻度对齐。但是美中不足的是，0刻度没有对齐，下面进一步优化，实现0刻度对齐:[crayon-681a329b5606a914266198/]通过上述方法，实现了多数情况下的0刻度对齐，但是仍旧存在不对齐的情况，后续再做探究。The postecharts双Y轴，实现均分为包含刻度0的指定段数，同时对齐刻度appeared first onSKILL.NULL. ...继续阅读 (25)

平台简介 医保政策导航是一个专注于提供全国医疗保险政策查询服务的平台。我们致力于为用户提供准确、及时、便捷的医保政策查询服务，帮助用户更好地了解和利用医保政策。 数据来源 ...继续阅读 (67)

引言本文主要总结了 Al Brooks 价格行为学课程第 14 章的核心内容。上涨趋势特点需要低点不断抬高（特别是重要的低点），这一点甚至比高点抬高更重要当价格跌破重要低点时，通常意味着上涨趋势结束，大概率会进入震荡区间，小概率会转为下跌趋势重要低点的识别与作用重要低点是指那些后续出现强势多头突破，并且通常伴随新高的低点。不符合这些特征的低点则称为次要低点。止损设置原则：无论是波段交易还是剥头皮交易，做多止损都应该设置在重要低点下方。如果止损设置不当，很容易被市场震荡出局，错失后续上涨机会。上图示例中：1、3、4、5 号点位都是重要低点2 号点位是次要低点止损管理策略：初始止损应设置在起涨点下方当行情突破新高后回调，应将止损移动至新的重要低点下方只要市场持续形成更高的低点，就表明上涨趋势仍在延续下降趋势特点需要高点不断降低（特别是重要的高点），这一点甚至比低点降低更重要当价格突破重要高点时，通常意味着下降趋势结束，大概率会进入震荡区间，小概率会转为上涨趋势重要高点的识别与作用重要高点需要同时满足两个条件：后续出现强势空头突破通常伴随新低不符合这些特征的高点则称为次要高点。止损设置原则：无论是波段交易还是剥头皮交易，做空止损都应该设置在重要高点上方。如果止损设置不当，很容易被市场震荡出局，错失后续下跌机会。上图示例中：10、27、51、72 号点位都是重要高点当空头强势突破创新低后， ...继续阅读 (57)