- 综合排序
- 最热优先
- 最新优先
- 来自专栏有趣的django
10.Flask上下文
request上下文 应用上下文和请求上下文都是存放在一个‘LocalStack’的栈中，和应用app相关的操作就必须要用到应用上下文，比如通过current_app获取当前的这个app的名字。 如果想要在视图函数外面执行相关的操作，name就必须要手动推入相关的上下文 手动推入请求上下文:推入请求上下文到栈中，会首先判断有没有应用上下文，如果没有那么就会先推入应用上下文到栈中，然后再推入请求上下文到栈中 app上下文 from flask import Flask,current_app app = Flask(__name__) #如果在视图函数外部访问，则必须手动推入一个app上下文到app上下文栈中 # 手动推入一个请求上下文到请求上下文栈中 # 如果当前应用上下文栈中没有应用上下文 # 那么会首先推入一个应用上下文到栈中 print(url_for('my_list')) 使用哪个请求上下文的时候，就把对应的请求上下文放到栈的顶部，用完了就要把这个请求上下文从栈中移除掉。
47410发布于 2018-08-01 - 来自专栏人工智能
什么是大语言模型的上下文窗口
GPT模型的上下文窗口在自然语言处理任务中，语言模型有一个“上下文窗口”（contextwindow）的概念。上下文窗口是模型能够记住的输入范围，超出这个范围的内容，模型将无法直接关联。 传统的模型在处理这些代码时，往往因为上下文窗口的限制，难以理解代码之间的依赖关系。 而且，随着上下文窗口的扩大，模型能够生成更加连贯、符合逻辑的输出，避免了过去因为上下文丢失导致的错误。但是，也有一些挑战需要考虑。首先，随着上下文窗口的增加，模型的计算资源需求也显著上升。 此外，尽管上下文窗口增大了，但模型并不一定总能在非常长的文本中保持高效的记忆。 随着GPT模型和其他大语言模型的不断演进，支持更大上下文窗口的能力将继续扩展。
28810编辑于 2026-03-07 - 来自专栏林德熙的博客
win10 uwp 设置启动窗口大小 获取窗口大小 设置启动窗口获得窗口大小
本文主要说如何设置我们窗口的启动大小，UWP启动窗口大小。 设置启动窗口 设置窗口大小 ApplicationView.PreferredLaunchViewSize = new Size(1000, 1000); ，其实使用下面代码 窗口最小 ApplicationView.GetForCurrentView().SetPreferredMinSize(new Size(200, 100)); 获得窗口大小 Window.Current.Bounds.Width 获取窗口高度 Window.Current.Bounds.Height 但是如果我们需要判断我们的窗口大小变化的话，一个简单的方法，使用动态适应 <VisualStateManager.VisualStateGroups Window.Current.Bounds.Height } 上面代码是 MasterDetail 使用的，参见 http://lindexi.oschina.io/lindexi/post/win10
5.2K20发布于 2019-03-13 - 来自专栏林德熙的博客
win10 uwp 设置启动窗口大小 获取窗口大小 设置启动窗口获得窗口大小
本文主要说如何设置我们窗口的启动大小，UWP启动窗口大小。 设置启动窗口 设置窗口大小 ApplicationView.PreferredLaunchViewSize = new Size(1000, 1000); ，其实使用下面代码 窗口最小 ApplicationView.GetForCurrentView().SetPreferredMinSize(new Size(200, 100)); 获得窗口大小 Window.Current.Bounds.Width 获取窗口高度 Window.Current.Bounds.Height 但是如果我们需要判断我们的窗口大小变化的话，一个简单的方法，使用动态适应 <VisualStateManager.VisualStateGroups Window.Current.Bounds.Height } 上面代码是 MasterDetail 使用的，参见 http://lindexi.oschina.io/lindexi/post/win10
6.4K20发布于 2018-09-18 LLM架构机制管窥：作为黑板的上下文窗口
二、上下文窗口 as 黑板大型语言模型（LLM）在自然语言处理领域取得了巨大成功，其强大的文本生成、理解和推理能力令人瞩目。 将LLM的上下文与黑板架构模式相结合进行理解，有助于我们探索 LLM内部上下文管理 的改进方向。 它们在处理上下文信息时，具有各自的特定功能和运算规则。LLM的上下文是一组动态变化的数据，它贯穿于模型处理输入数据的整个过程。 三、上下文窗口黑板模式的优点3.1 问题求解的渐进性系统通过知识源不断地对黑板数据进行更新和完善，逐步逼近问题的解。LLM就是这种渐进式的求解方式。 四、“上下文”在LLM各层眼中的样子（逻辑含义）高层（深层FFN附近）：上下文 = 语义逻辑与意图。Token已经高度抽象化，不再是具体的词，而是“概念”。
50340编辑于 2025-12-30- 来自专栏AgenticAI
Ollama 高阶配置，如何增加上下文窗口大小？
Ollama默认的上下文窗口只有2K，多张显卡可能资源分配不均等问题，计算速度不够快。 增加上下文窗口 假设你从Ollama上拉取了大模型，其默认的窗口大小只有2048。我们可以通过如下方法，提高上下文窗口。 LICENSE AGREEMENT Tongyi Qianwen Release Date: August 3, 2023 .... """ 然后在PARAMETER处增加如下配置，32768就是上下文窗口大小 注意增加上下文窗口可能增加显存的使用，谨慎增加。 它会相应的增加上下文，比如一个请求2048 Tokens。如果是4个并行，那么就会消耗4*2048的上下文窗口。
4.6K10编辑于 2025-03-18 - 来自专栏林德熙的博客
win10 uwp 设置启动窗口大小 获取窗口大小
本文主要说如何设置我们窗口的启动大小，UWP启动窗口大小。 设置启动窗口 设置窗口大小 ApplicationView.PreferredLaunchViewSize = new Size(1000, 1000); ，其实使用下面代码 窗口最小 ApplicationView.GetForCurrentView().SetPreferredMinSize(new Size(200, 100)); 获得窗口大小 Window.Current.Bounds.Width 获取窗口高度 Window.Current.Bounds.Height 但是如果我们需要判断我们的窗口大小变化的话，一个简单的方法，使用动态适应 <VisualStateManager.VisualStateGroups Window.Current.Bounds.Height } 上面代码是 MasterDetail 使用的，参见 http://lindexi.oschina.io/lindexi/post/win10
2.5K20编辑于 2022-08-09 - 来自专栏机器之心
谷歌10M上下文窗口正在杀死RAG？被Sora夺走风头的Gemini被低估了？
「一个拥有 1000 万 token 上下文窗口的模型让大多数现有的 RAG 框架都变得不那么必要了，也就是说，1000 万 token 上下文杀死了 RAG，」爱丁堡大学博士生符尧在评价 Gemini 这就解决了之前很多大模型上下文窗口不够大（比如容不下《员工手册》）的问题，但 RAGfangfa 在捕捉上下文之间细微联系等方面有所欠缺。 @elvis 认为，今天的长上下文语言模型单独无法处理依赖于此类数据的用例，因为这些数据对于 LLM 来说可能太复杂，且当前的最大上下文窗口对于此类数据来说并不可行。 但很多人都表示，作为一个超长上下文窗口模型，Gemini 1.5 Pro 确实被低估了。@elvis 也给出了他的测试结果。 为了充分利用长上下文窗口，@elvis 接下来上传了两个 PDF 进行测试，并提出了一个跨越两个 PDF 的问题。 Gemini 1.5 Pro 给出的答复是合理的。
45110编辑于 2024-02-28 百万 Token 上下文窗口的工程实现与实际瓶颈
本文将探讨如何在工程上实现百万Token的上下文窗口，并分析其中的实际瓶颈。 对于百万Token的上下文窗口，我们需要考虑如何高效地存储和访问这些数据。常见的数据结构如列表、字典等在处理大规模数据时可能会遇到性能瓶颈。 内存优化和显存管理原理处理百万Token的上下文窗口时，内存和显存的管理非常重要。可以通过以下几种方式来优化内存和显存的使用：梯度累积：在训练过程中，通过累积多个批次的梯度来减少显存使用。 总结实现百万Token上下文窗口的工程挑战主要集中在高效的数据结构和算法、稀疏注意力机制、分块处理和并行计算以及内存优化和显存管理等方面。 总结本文深入探讨了百万 Token 上下文窗口的工程实现与实际瓶颈的相关技术，从原理到实践，从基础到进阶，希望能够帮助读者全面掌握这一技术。
19410编辑于 2025-12-24LLM架构瓶颈管窥：Transformer架构的上下文窗口瓶颈
尽管技术发展使得上下文长度从数K扩展到数百万token，但根本性瓶颈并未消失。一、 上下文窗口：不是容器，是“循环缓冲区”内容方面：上下文窗口不是一个只装“用户提问”的静态容器，而是一个循环缓冲区。 二、 上下文窗口的五重瓶颈标称窗口 ≠ 有效上下文 (Effective Context)我们看到的参数，不代表模型真正的能力厂商宣传的“128k 窗口”是理论最大值（Theoretical Max）， 应用层有限增强窗口有限，通常只把RAG (检索增强)的部分片段塞进上下文。 1. 硬件瓶颈：KV Cache 与显存爆炸显存占用随上下文长度线性增长。 长上下文窗口的瓶颈突破并非单一技术维度所能解决，而是需要架构创新、训练策略、硬件优化和工程实现的协同演进。 有人认为，真正的目标并非“无限长上下文”，而是实现“按需适配的高效长上下文能力”，在扩展窗口的同时保障性能稳定与成本可控。
56340编辑于 2026-01-01- 来自专栏技术墨客
React学习（10）—— 高阶应用：上下文（Context）
任意组件更新Context 某些时候需要在内部组件需要去更新Context的数据，其实我们仅仅需要向上下文增加一个回调即可，看下面的例子： //创建Context组件 const ThemeContext = React.createContext({ theme: 'dark', toggle: () => {}, //向上下文设定一个回调方法 }); function Button() {
1.4K30发布于 2018-08-15 - 来自专栏kk大数据
大数据快速入门（10）：Hive窗口函数
一、窗口函数的概念 首先，需要认识到，窗口函数并不是只有 hive 才有的，SQL 语法标准中，就有窗口函数。 并且 mysql，oracle等数据库都实现了窗口函数。 而 hive 自带的窗口函数功能，则是对原有 hive sql 语法的补充和加强。 那么什么时候，会用到窗口函数？ 窗口函数的基本语法如下： <窗口函数> over (partition by <用于分组的列名> order by <用于排序的列名>) 那么语法中的窗口函数的位置，可以放以下两种函数 ： 1）专用窗口函数，包括后面要讲到的 rank，dense_rank，row_number 等专用窗口函数 2）聚合函数，如 sum，avg，count，max，min 等 因为窗口函数是对 where 用户花费表' row format delimited fields terminated by "," location '/tmp/person_cost' 数据为： jack,2015-01-01,10
3.4K41发布于 2020-11-11 - 来自专栏深度学习与python
争夺“世界上最长的上下文窗口”背后：长上下文是否意味着 RAG 的终结？
这本质是一个输入输出窗口的问题，在具备捕捉信息和上下文能力的基础上，大文本输入的信息越多，输出也会越好。另一方面，我个人认为长文本只是大模型能力的其中之一，我是非常反对文本越长越智能的观点。 InfoQ：我们是不是必须要 200 万甚至无限长的上下文？ 张颖峰：长上下文很有意义，但无限长的上下文则是更偏向于是营销的宣传策略。上下文长度到达一定程度后，丢失的信息也会更多。 为了达到更好的长窗口无损压缩的性能，我们团队从模型的预训练到对齐再到推理环节，均进行了重新的设计和开发，并且没有走滑动窗口、降采样等常规技术捷径，而是攻克了很多底层的技术难点。 InfoQ：增加上下文窗口大小且不影响模型性能，会存在哪些挑战以及有什么应对方法？ 然后预填充的延迟会随着你上下文长度的增长而平方级别的增长，然后解码延迟和上下文切换的开销也会随着你上下文长度的增加而线性的增加啊。
93610编辑于 2024-07-24 - 来自专栏AI分享
动态NTK与Azure推理优化：低成本扩展LLM上下文窗口
在自然语言处理领域的广泛应用，其上下文窗口（Context Window）的限制逐渐成为制约模型性能的关键因素。 传统LLM的上下文窗口通常在2k至32k tokens之间，难以满足长文本生成、复杂推理和知识整合等场景需求。 与此同时，云平台如通过硬件优化和算法协同设计，进一步降低了扩展上下文窗口的计算开销。本文将从技术原理、实现路径及工程实践角度，探讨动态NTK与推理优化的协同效应。 通过预定义滑动窗口（Sliding Window）和局部敏感哈希（LSH）两种稀疏模式，使FLOPs减少65%的情况下仍保持98.5%的原始准确率。 动态NTK通过动态调整位置编码频率，以低成本实现了LLM上下文窗口的高效扩展，而硬件优化与资源管理技术进一步放大了其工程价值。
4.4K11编辑于 2025-04-15 - 来自专栏AI大模型应用开发炼丹房
智能体上下文窗口告急！8种策略破解AI记忆困局
引言：为什么记忆管理是AI系统的生死线当前大模型应用的致命瓶颈在于上下文窗口限制。 当对话轮数超过GPT-4 Turbo的128K上限，或本地部署模型仅支持4K上下文时，系统面临两难抉择：遗忘早期关键信息导致逻辑断层（如用户说“按上次方案处理”）突破长度限制带来的指数级计算成本增长本文将深入解析 滑动窗口（Sliding Window）from collections import deque window = deque(maxlen=5) # 保留最近5轮对话✅ 优势：固定上下文长度 工程技巧：动态调整窗口大小（根据对话复杂度在3-10轮间浮动）二、进阶策略：平衡记忆与性能3. 提示） return tfidf_score(text) + 10 if "重要" in text else 0✅ 突破点：避免重要信息被滑动窗口误删 行业方案：混合规则引擎+
1.7K52编辑于 2025-07-31 - 来自专栏菩提树下的杨过
ExtJs学习笔记(10)_Window窗口的Border布局
/ext-all-debug.js"></script> <style type="text/css"> .x-panel-body p { margin:10px; margins: '3 0 3 3', cmargins: '3 3 3 3' }); //如果窗口第一次被打开时才创建
83570发布于 2018-01-24 - 来自专栏量子位
百万token上下文窗口也杀不死向量数据库？CPU笑了
随着新晋大语言模型们的上下文窗口（Context Window）变得越发得长，业界人士针对“RAG终将消亡”观点的讨论也是愈演愈烈。 有网友便列举了长上下文窗口的四大通病（四个V）： Velocity（速度）：基于Transformer的大型模型，在检索长上下文时要想达到亚秒级的速度响应仍然具有挑战性。 Value（价值）：长上下文窗口毕竟属于大力出奇迹，但它高支出的特点对于日常应用来说，在成本上是不切实际的。 Volume（体量）：即使上下文窗口越发得长，但和全网庞大的非结构化数据相比就是小巫见大巫；尤其是企业级动辄GB、TB这种体量，还涉及众多私有数据的情形。 从这些特性不难看出，它恰好补齐了我们刚才提到的上下文窗口方式的一些短板。
44610编辑于 2024-03-20 - 来自专栏分享/效率/工具/软件
win10关闭任务栏窗口预览
本文链接：https://blog.csdn.net/qq_37933685/article/details/85161077 title: win10关闭任务栏窗口预览 date: 2018-12 关闭任务栏窗口预览 缘由 步骤 参考文章 win10关闭任务栏窗口预览 在Win10系统中，该如何将任务栏预览窗口关闭呢？ 缘由 在windows 10系统中，当我们将某个程序窗口最小化后，鼠标从任务栏移过，就会弹出对应程序的预览窗口，对于大部分用户来说该功能还是不错的！ 步骤 win10关闭任务栏窗口预览的操作方法： 1、在键盘上按下Win+R组合键打开运行，然后输入regedit 点击确定打开注册表编辑器； 2、在注册表左侧依次展开：HKEY_CURRENT_USER 关闭任务栏窗口预览的操作方法！
2.4K30发布于 2019-09-18 - 来自专栏k8s技术圈
应该了解的 10 个 Kubernetes 安全上下文配置
这些标签被称为安全上下文（不要和 Kubernetes 中的 securityContext 混淆了）- 由用户、角色、类型和可选的一些其他属性组成，格式为：user:role:type:level。 然后，SELinux 使用策略来定义特定上下文中的哪些进程可以访问系统中其他被标记的对象。 10sysctls [P] Sysctls 是 Linux 内核的一个功能，它允许管理员修改内核配置。 原文链接：https://snyk.io/blog/10-kubernetes-security-context-settings-you-should-understand/
2.5K40发布于 2021-04-26 - 来自专栏机器之心
上下文窗口1.6万token、30亿参数，Stability Al代码大模型来了
三大版本：基础、指令、长上下文窗口模型 StableCode 通过三个不同版本的模型来帮助开发者变得更加高效。 长上下文窗口模型「StableCode-Completion-Alpha-3B」可称得上完美的助手，确保用户使用单行和多行自动代码补全建议。 与以往发布的开源模型相比，该模型的上下文窗口达到了 16000 token（比任何其他模型都大），一次性可以处理的代码更多，是以往的 2-4 倍。 StableCode 还与类似参数量和 token 数量的同级别模型（30 亿参数）进行比较，其中在流行的 HumanEval 基准上使用了 pass@1 和 pass@10 指标。 replit-coder（AI 编程独角兽 Replit 推出）、starcoderbase 的比较中，StableCode 的 pass@1 强于 replit-coder 弱于 starcoderbase、pass@10
34830编辑于 2023-09-08
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