- 综合排序
- 最热优先
- 最新优先
- 来自专栏悟道
2-5 快速幂模板
这个就是在快速乘的基础上改一下 sum=0--->sum=1 x+=x--->x*=x //快速幂模板 public double quickPow(double x,long y){ double sum=1; while(y>0){ if((y&1)==1){ sum*=x; } x*=x; y=y>>1; }
33120发布于 2021-06-01 - 来自专栏圣杰的专栏
.NET+AI | MEAI | 上下文压缩（7）
Chat Reducer：让 AI 对话突破上下文限制 一句话简介 Microsoft.Extensions.AI 的 Chat Reducer 通过智能压缩策略,在保持对话质量的前提下,有效控制上下文长度 核心价值 ✅ 突破限制:解决 LLM 上下文窗口限制(如 GPT-4 的 8K/32K tokens) ✅ 成本优化:减少输入 token,显著降低 API 调用成本 ✅ 性能提升:缩短上下文长度,加快模型推理速度 在多轮对话场景中,我们面临三大挑战: 挑战 问题 Chat Reducer 方案 上下文限制 超出模型限制导致请求失败 智能压缩到安全范围 成本失控 输入 token 越多费用越高 过滤冗余,只保留必要信息 SummarizingChatReducer(摘要压缩器) 利用 AI 自动生成摘要压缩历史对话。 核心特性: 超过阈值时自动调用 AI 生成摘要 摘要存储在 AdditionalProperties 中 渐进式压缩(新摘要包含旧摘要) 保留完整语义上下文 适用场景: 医疗咨询(完整病史重要)
23810编辑于 2025-12-28 - 来自专栏#大模型热点基础知识
什么是上下文压缩？如何减少Token消耗？
这就是上下文压缩要解决的核心问题：在保留关键信息的前提下，把输入token从几万降到几千，甚至几百。 二、什么是上下文压缩？上下文压缩（ContextCompression）是指在保证回答质量的前提下，减少输入上下文的token数量的技术。 ：普通摘要：把长文本压缩成短文本，目的是给人阅读上下文压缩：把上下文压缩成更适合大模型推理的形式，目的是提高推理效率和质量三、上下文压缩如何工作过滤型技术过滤型技术的核心是相似度计算，把不相关的内容直接删掉 解决方案：根据上下文长度和延迟预算选择压缩策略短文本（<2000字）：不用压缩中等长度：用Embedding过滤超长文本：用递归摘要延迟敏感：用快速过滤，牺牲一些准确率上下文碎片化问题：检索出来的5个文档片段 上下文压缩的技术演进，从简单的截断到智能的语义压缩，本质上反映了我们对"信息价值"理解的深化。
63210编辑于 2026-03-31 - 来自专栏AI机器学习与深度学习算法
学习分类 2-5 线性可分
感知机非常简单同时又很容易理解，但是相对应的，缺点也很多。感知机最大的缺点就是它只能解决线性可分的问题。
55310编辑于 2022-11-08 - 来自专栏AI SPPECH
85_多轮对话：上下文管理与压缩
这使得上下文管理与压缩技术成为提升多轮对话性能的关键因素。 本教程将深入探讨2025年多轮对话上下文管理与压缩的最新技术进展，包括核心算法原理、实现方法、性能优化策略以及实际应用案例。 2.3 上下文管理的核心挑战 在实际应用中，多轮对话的上下文管理面临多重技术挑战： 信息选择性保留：如何识别和保留关键信息，过滤冗余内容 语义连贯性维护：在压缩上下文的同时确保对话语义连贯 实时性能平衡 3.2 上下文压缩技术 上下文压缩是在有限token预算内保留关键信息的核心技术。 量子计算加速：利用量子计算处理超大规模对话历史 7.2 新兴研究方向 7.2.1 理论研究热点 上下文理论模型：建立更完善的对话上下文理论模型 信息压缩极限：探索语义信息压缩的理论极限 认知启发架构： 总结与展望 多轮对话的上下文管理与压缩是构建高质量AI交互系统的关键技术。随着LLM技术的快速发展，上下文管理技术也在不断创新和演进。
1.1K10编辑于 2025-11-16 - 来自专栏YOLO大作战
DeepSeek-OCR：基于光学压缩的上下文处理
论文核心摘要： 提出上下文光学压缩新范式 - 首次验证通过视觉模态压缩文本的可行性，在10倍压缩比下实现97%的解码精度 设计DeepEncoder创新架构 - 通过串联SAM-CLIP和16倍卷积压缩 - 光学压缩的渐进模糊特性为模拟人类遗忘机制、解决长上下文挑战提供了创新思路 这些贡献为VLM和LLM的长上下文处理提供了全新的技术路径。 这为历史长上下文压缩、大语言模型记忆遗忘机制等研究方向展现了可观潜力。 视觉-文本压缩研究我们选择Fox基准测试[21]来验证DeepSeek-OCR对文本丰富文档的压缩-解压缩能力，以初步探索上下文光学压缩的可行性与边界。 这些实验结果进一步揭示了上下文光学压缩的边界，这可能为VLM中视觉标记优化、LLM中上下文压缩及遗忘机制的研究提供有效的参考。4.3. 定性研究4.3.1.
81131编辑于 2026-01-05 - 来自专栏coding for love
2-5 浅析webpack打包内容
Hash：本次打包的一个标识。 Version：使用的webpack版本 Time：本次打包耗时 Built at: 生成时间
85140发布于 2019-05-24 Go在AI对话上下文压缩处理上的实践
这是因为大模型有上下文长度限制，对话越长，历史消息越多，就越容易超限。结合我的理解，这篇文章分享一下如何实现上下文压缩，让你的 AI 应用既能"记住"关键信息，又能节省成本。 为什么需要上下文压缩？ 面对上下文压缩，我们有三种主流策略： 摘要压缩：让 AI 把历史对话总结成一段摘要。适合长对话场景，比如客服机器人、知识问答。优点是信息损失小，缺点是需要额外 API 调用。 return callAI(prompt) } 什么时候触发压缩？ 可以设置一个阈值，比如对话超过 15 轮时触发。也可以根据 Token 数量判断，超过总上下文的 70% 就压缩。 压缩前先估算当前上下文大小，别等到报错了才处理。 写在最后 今天我们介绍了三种 AI 对话上下文压缩策略： 摘要压缩：让 AI 总结历史，保留语义完整性。适合长对话场景。 滑动窗口：只保留最近 N 条，简单高效。适合实时性要求高的场景。
33610编辑于 2026-03-02- 来自专栏Hank’s Blog
2-5 R语言基础 factor
#因子：分类数据 #有序和无序 #整数向量+标签label #Male/Female #常用于lm(),glm()
41110发布于 2020-09-16 - 来自专栏NetCore 从壹开始
2-5 安装容器Web工具：Docker Portainer
现在已经习惯了容器化了，不仅可以很快的配合CICD来实现部署，同时主要是也能解决一些疑难杂症，比如在Linux中经常会有各种图形图像的依赖包问题。特别是内网环境。
95620编辑于 2023-01-09 - 来自专栏刷题笔记
2-5 Two Stacks In One Array (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101173005 2-5 Two Stacks In One Array (20 分) Write
71230发布于 2019-11-08 - 来自专栏Deep learning进阶路
2-5 线性表之循环链表
2-5 线性表之循环链表 循环链表就是链表首尾相接连成一个环，可以用单链表 和 循环链表来实现。
40840发布于 2019-07-02 - 来自专栏刷题笔记
2-5 修理牧场 (35 分)【优先队列】
2-5 修理牧场 (35 分) 农夫要修理牧场的一段栅栏，他测量了栅栏，发现需要N块木头，每块木头长度为整数Li个长度单位，于是他购买了一条很长的、能锯成N块的木头，即该木头的长度是Li的总和
1K10发布于 2020-06-23 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程2-5：杂合率检验
一般自然群体，基因型个体的杂合度过高或者过低，都不正常，我们需要根据杂合度进行过滤。偏差可能表明样品受到污染，近亲繁殖。我们建议删除样品杂合率平均值中偏离±3 SD的个体。
2.3K20发布于 2020-04-27 - 来自专栏九彩拼盘的叨叨叨
学习前端 第4周 第2-5天
了解什么叫响应式。 了解CSS3 Media Queries 了解Bootstrap 了解Bootstrap的全局 CSS 样式。特别是其中的栅格系统。 作业 用Bootstrap做页面 http://www.bootcss.com/ 。交互不需要实现
19310发布于 2018-08-27 - 来自专栏Java知识图谱
Nginx网络压缩 CSS压缩 图片压缩 JSON压缩
1、网络压缩原理 网络压缩的原理是消耗CPU资源，减少文件在公网传输的大小，提高响应速度。 二、网络压缩 此部分所有的压缩内容在浏览器端都会还原，特别需要指出的是图片，图片在网络间是压缩状态传输的，到达浏览器后是会被还原的。 技术实现依托gzip压缩，仅仅在服务器与客户端网络传输时对静态资源进程压缩，文件的大小在压缩前与还原后保持不变。 图片压缩分为两类：一是等比压缩；二是固定宽高压缩。根据应用场景的不同也分为两类：一是固定参数；二是动态参数。 此部分图片压缩后到达浏览器不会被还原。 （一）等比压缩 使用关键词resize实现等比压缩，指定宽度或者高度即可在原尺寸图片的基础上等比率压缩图片。如果同时指定宽度和高度，只有一个参数生效。
6.7K41编辑于 2022-02-08 - 来自专栏openclaw系列
OpenClaw插件Lossless Claw（LCM）：为 OpenClaw 带来无损上下文压缩的革命性
随着对话轮次增加，token消耗迅速逼近模型上限，导致：新消息无法加入上下文关键历史信息被截断智能体“失忆”或逻辑断裂传统解决方案如“滑动窗口”或“简单摘要”虽能缓解问题，却以牺牲信息完整性为代价——一旦压缩 1.1传统压缩方法的致命缺陷方法原理问题截断（Truncation）丢弃最早消息丢失关键前提（如“用Python写”）滑动窗口仅保留最近N轮上下文碎片化，无法回溯LLM摘要让模型生成总结信息失真、细节丢失 二、核心技术：DAG+增量压缩=无损上下文2.1对话即图：构建语义依赖DAGLCM将整个对话历史建模为一个有向无环图（DirectedAcyclicGraph）：节点（Node）：每条用户/助手消息边（ （继续10轮优化）850接近阈值（如900）15“现在改成用pandas实现”870触发压缩：•将前14轮构建DAG•压缩冗余交互•生成摘要节点（token=150）16AI返回pandas版本280上下文总 LCM执行DAG构建与增量压缩压缩后的上下文仍支持/resume、/review等操作这意味着：高级控制命令+无损压缩=可信赖的长期智能体六、性能与兼容性项目说明支持模型所有OpenClaw支持的模型（
1.5K20编辑于 2026-03-27 - 来自专栏媒矿工厂
AAAI 2022 | OctAttention：基于八叉树的大规模上下文点云压缩模型
该框架采用八叉树结构，通过收集点云中兄弟节点和祖先节点的信息以无损方式编码八叉树符号序列，从而实现点云的压缩。 引言 基于八叉树的压缩点云的模型对分辨率具有鲁棒性，并且它还利用比基于体素的模型更广泛的上下文。然而，先前基于八叉树的方法忽略了兄弟节点（即同一八叉树级别中的节点）的特征信息。 为此，作者提出了新的基于八叉树的点云压缩方法 OctAttention。作者将点云编码为八叉树，并将当前节点的祖先节点、兄弟节点以及兄弟节点的祖先的特征纳入上下文。 上下文模型 作者提出了扩展的大规模上下文以预测更准确的上下文占用分布情况。首先以广度优先的顺序遍历八叉树。 它证实了注意力机制可以利用大规模上下文中兄弟节点的相似特征来预测占用率。 结论 作者提出了新的基于八叉树的压缩模型 OctAttention，通过利用大规模上下文来进行稀疏和密集点云几何压缩。
92510编辑于 2024-02-21 - 来自专栏跟着官方文档学小程序开发
第二章 小程序开发指南2-5
referrerInfo.appId 2.3.2.1.3 小程序全局数据 小程序的JS脚本是运行在JsCore线程中，小程序的每个页面各自有一个WebView线程进行渲染，所以在小程序切换页面时，小程序逻辑层的JS脚本运行上下文依旧在同一个
51010编辑于 2025-08-25 - 来自专栏又见苍岚
上下文
所以业务上下文变更需要慎之又慎。 运行程序上下文 大家应该对一句话有印象：（进程/线程）上下文切换开销很大。这里的上下文一般指的就是运行程序的上下文。 这里的通信问题就是进程上下文切换开销大的缘故。 方法/类所在的上下文（作用域） 方法上下文可以理解为方法所在的作用域。类亦如此。 还有一些比较特殊的概念实际上也是和方法上下文相关。 比如worker语言特性中，需要监听message事件，这实质上，就是在当前上下文监听另一个上下文的状态。再比如回调函数。实际上是因为上下文变更后，对原有上下文访问的一种编程手段。 从这个角度看，闭包实质上也是对上下文的一种操作手段：返回一个函数，该函数在当前上下文可以操作闭包上的上下文。 执行上下文：当函数或方法被调用时，它会创建一个执行上下文，这个上下文包括了局部变量、参数、返回地址等信息。在JavaScript等语言中，执行上下文还包括this的值。
73710编辑于 2024-07-31
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号