基于运营工况的重型卡车保养周期动态优化模型

——附力猛养车×潍柴WP13联合实测数据L摘要：传统重型卡车保养采用“固定里程周期”（如3万公里换油），导致高负荷工况保养不足、低负荷工况过度保养并存。 力猛养车商用车技术研究院联合某国家级商用车技术中心，以潍柴WP13发动机为验证平台开展为期12个月的实车测试。 四、力猛养车×潍柴WP13：12个月实车实测数据2025年1月至2026年1月，力猛养车商用车技术研究院联合某国家级商用车技术中心，选取30台搭载潍柴WP13发动机的牵引车开展对比测试。 五、从“模型”到“服务”：力猛养车如何让动态保养落地算法再先进，落不了地就是废纸。力猛养车预见性养护系统并非一套“建议系统”，而是一套“感知-决策-执行-验证”的完整交付闭环。 5.3执行层：服务站承接的“确定性”力猛养车已签约全国217家商用车专修联盟网点，覆盖主要物流干线和地级市。

算力不一定越猛越好：聊聊 AI 设备的低功耗算力优化这条现实之路

算力不一定越猛越好：聊聊AI设备的低功耗算力优化这条现实之路大家好，我是Echo_Wish。这几年不管是写文章，还是帮朋友看方案，我越来越频繁地听到一句话：“这个模型效果挺好，就是……太费电了。” 尤其是在边缘AI、端侧AI、嵌入式AI这条路上，算力和功耗，真的不是你想要多少就能给多少。 以前我也挺迷信“算力参数”的，动不动就是：FLOPSTOPS显存带宽但后来接触设备多了才发现：用户根本不关心你有多猛，只关心你能跑多久、不掉链子。 低功耗算力优化，说到底，是一种对现实的妥协：接受资源有限接受环境复杂接受长期运行但恰恰是这种妥协，让AI真正走出了机房。 低功耗算力优化，不是让AI变弱，而是让AI活得更久、更稳、更现实。

力扣11-盛最多水的容器

题目描述 原题链接（力扣）：https://leetcode.cn/problems/container-with-most-water 给定一个长度为 n 的整数数组 height 。

力扣(LeetCode)刷题，简单题(第11期)

消失的数字 第3题：最小绝对差 第4题：按奇偶排序数组II 第5题：主要元素 第6题：逐步求和得到正数的最小值 第7题：找不同 第8题：魔术索引 第9题：托普利茨矩阵 第10题：下一个更大元素1 ---- 力扣

【力扣刷题】11. 盛最多水的容器

一、题目描述 来源:力扣（LeetCode） 给定一个长度为 n 的整数数组 height 。有 n 条垂线，第 i 条线的两个端点是 (i, 0) 和 (i, height[i]) 。

双指针-11.盛水最多的容器-力扣(LeetCode)

可以根据上面的原理去自己实现一下，链接：11. 盛最多水的容器 - 力扣（LeetCode） 三、代码示例 看到最后，如果对您有所帮助还请留下一个免费的赞和收藏，我们下期再见！

Win11多任务功能重磅升级！生产力飙升！

在 Windows 11 系统中，微软引入了 Snap 布局和 Alt+Tab 快捷方式等功能，使你很容易组织桌面上的窗口。 在即将到来的 Sun Valley 2 中，Windows 11 将提供更优秀的多任务能力。 你可以使用 Windows 11 的 Snap 辅助功能，继续进行布局设置。 Windows 11 让用户与之所爱，更近一步，其设计旨在为用户在工作、家庭或学校等生活的方方面面提供支持。 Windows 11 的“开始”菜单采用居中设计，可以让用户快速访问所需的内容和应用程序。

【力扣算法12】之 11. 盛最多水的容器 python

YOLO11涨点优化：注意力魔改 | 通道注意力和空间注意力CBAM | 全新注意力GAM：超越CBAM，不计成本提高精度

提供两种经典注意力改进方法，涨点小能手：1）通道注意力和空间注意力CBAM；2）全新注意力GAM：超越CBAM，不计成本提高精度； 本文改进：分别加入到YOLO11的backbone、neck、detect ultralytics/nn/modules/head.py 2.计算机视觉中的注意力机制一般来说，注意力机制通常被分为以下基本四大类：通道注意力 Channel Attention空间注意力机制 Spatial Attention时间注意力机制 Temporal Attention分支注意力机制 Branch Attention2.1.CBAM：通道注意力和空间注意力的集成者轻量级的卷积注意力模块，它结合了通道和空间的注意力机制模块论文题目 ，同样是使用了通道注意力机制和空间注意力机制。 但是不同的是对通道注意力和空间注意力的处理。​

【力扣算法11】之 8. 字符串转换整数 (atoi) python

请你来实现一个 myAtoi(string s) 函数，使其能将字符串转换成一个 32 位有符号整数（类似 C/C++ 中的 atoi 函数）。 函数 myAtoi(string s) 的算法如下：

YOLO11-seg分割：原创自研 | 自研独家创新DSAM注意力 ，基于BiLevelRoutingAttention注意力升级

BiFormer中的查询感知稀疏注意力旨在让每个查询聚焦于top-k路由区域。然而，在计算注意力时，选定的键值对受到太多无关查询的影响，减弱了对更重要查询的注意力。 本文改进：DSAM结合C2PSA进行二次创新； Mask mAP50 从原始的0.673 提升至0.677 1.YOLO11介绍Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。 BiFormer中的查询感知稀疏注意力旨在让每个查询聚焦于top-k路由区域。然而，在计算注意力时，选定的键值对受到太多无关查询的影响，减弱了对更重要查询的注意力。 BiFormer中的查询感知稀疏注意力旨在让每个查询聚焦于top-k路由区域。然而，在计算注意力时，选定的键值对受到太多无关查询的影响，减弱了对更重要查询的注意力。

猛！超聚变「全部最低价」中标 21 亿元；中兴 14 亿、新华三 11 亿、浪潮 9 亿、烽火 5 亿

中标候选人公示 2021年11月19日中国移动发布2021年至2022年PC服务器集中采购（第1批次）（标包1、2、6、9、10、15）中标候选人公示。

“上门+到店”能救活汽车后市场吗？

有情有趣有用有品的干货 过去两年备受关注的汽车后市场坐了趟过山车，先是资本涌入，巨头布局、创业者“想方设法”挤进去，都想分一杯羹；而后却是一连串“噩耗”，一大批专注于汽车后服务的明星企业如博湃养车、久车久网 当初高调进入的创业企业失意关门的比比皆是，更多的企业开始选择主动破局，比如e保养目前已在北京开设2家直营店，诸葛修车网也采用了“线上交易、线下服务”的服务模式，海德在线的开呗养车也为车主提供上门和到店两种养车服务 博湃养车也是撸起袖子干起了所有事情：自己上门取车，开到自营的钣喷中心，12个小时之内修好还给客户。。。 上门本意是希望节约用户时间、通过便捷服务提高效率提升客户满意度。 尽管各有各的死法，但都是没有在这场厮杀中快速找准自己的位置，形成核心竞争力。那“上门+到店”会成为竞争力吗？能否解决以上问题呢？ 救命稻草“上门+到店”能否灵验？ 并且“上门+到店”的融合既可以摆脱那些因促销过来却毫无忠诚度和消费意愿，还要让渡技师时间价值和门店价值的低价值用户群体，把注意力集中在高客单价的优质客户身上；又能发挥线上平台调度优势，加强与线下门店供应链的整合

规模取胜or精细运营，谁是汽车后市场O2O淘汰赛中的救命稻草？

经过几年野蛮生长后，大浪淘沙，多数浮躁者开始面临被淘汰出局，同时汽车超人、养爱车、E洗车、和易家、博湃养车、e保养、车问网、麦轮胎、人人车、牛车网等数十家创业公司也在各自细分市场中站稳脚跟并开始崭露头角 以博湃养车、e保养、卡拉丁等同细分市场企业为例，他们各自团队规模、服务模式及城市覆盖率均有不同，但绝对销售额和盈利能力的却不只是规模，更多的是服务质量。 我们还是以博湃养车、e保养和卡拉丁为例。 据艾瑞数据显示，e保养500+辆服务车覆盖6个城市；卡拉丁500+辆服务车覆盖15个城市；博湃养车800+辆服务车覆盖22个城市，三大品牌平均保养车辆市场均在1~1.5小时。 如此看来精细化运营可为企业提升核心竞争力、树立竞争壁垒，探索商业模式。那具体对于汽车后市场O2O行业精细化运营考验的又是哪些呢？

YOLO11叶片病害检测提升 | 自研独家创新MSAM注意力，通道注意力升级，魔改CBAM

本文自研创新改进：MSAM（CBAM升级版）：通道注意力具备多尺度性能，多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力如何使用：1）直接作为注意力使用，加入backboneMSAM 加入backbone ：nc: 4names: ['Cercospora', 'Miner', 'Phoma', 'Rust']细节图：标签可视化分析 2.原理介绍 本文自研创新改进：MSAM（CBAM升级版）：通道注意力具备多尺度性能 ，多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力原文链接：YOLO11涨点优化：原创自研 | 自研独家创新MSAM注意力，通道注意力升级，魔改CBAM_msam yolo-CSDN博客 在多个数据集验证涨点 ，尤其对存在多个尺度的数据集涨点明显提供多种yaml改进方法3.如何提升叶片病害检测精度3.1 原始网络性能 实验结果如下：原始mAP50为0.528YOLO11 summary (fused): 238 /11 [00:11<00:00, 1.05s/it] all 351 1580 0.503 0.58 0.542

协力抗疫，码力全开”，线上公益黑客马11疫情控制系统2020

疫情的控制在于及时发现感染者及与感染者有接触潜伏者。同时病毒的潜伏期在14天。因此，当发现确诊感染者后能否快速精准发现与其有接触的人群是控制疫情发展的有效手段之一。

【C++11特性篇】模板的新一力将：可变参数模板

我们知道逗号表达式会 按顺序执行逗号前面的表达式 函数中的逗号表达式：(printarg(args), 0)，也是按照这个执行顺序，先执行PrintArg(args)，再得到逗号表达式的结果0 同时还用到了C++11 return 0; } 【2】实际应用【empalce_back】&【push_back】对比 【1】empalce_back和push_back函数接口的差异 我们会发现，这两个函数都是实现尾插功能 在C++11 emplace系列支持传参数包，如图中所示，都是 直接进行构造 而pushback函数，在C++98版本中还是传统的， 先构造再拷贝构造 （部分编译器可能会直接优化成拷贝构造） pushback函数，在C++11

Yolo11改进策略：Block改进|细节增强注意力模块（DEAB）|即插即用

五、改进的效果（以Yolo11为例） 模块替换：使用细节增强注意力模块（DEAB）替换了Yolo11的Bottleneck模块，旨在提升特征提取和目标检测的能力。 性能提升： 准确性提高：由于DEAB模块能够更有效地提取特征并关注重要区域，Yolo11在目标检测任务中的准确性得到显著提升。 鲁棒性增强：在复杂环境（如雾天）下，Yolo11的鲁棒性得到增强，能够更好地应对不同场景的挑战。 计算效率：尽管DEAB模块引入了更复杂的结构，但通过重参数化技术等手段，确保了计算效率不会显著下降，保持了Yolo11的实时性能。 同样，Ye等人[11]试图通过密度估计模块对雾分布的密度进行建模，这本质上也是一种空间注意力。然而，很少有研究人员关注特征层面的非均匀性，这仍有待挖掘。

Yolo11改进策略：注意力改进|Neck层改进|SCSA，探索空间与通道注意力之间的协同效应|即插即用

改进的效果 应用于Yolo11：将SCSA模块加入到Yolo11的neck中，通过整合多语义信息和协同空间与通道注意力，提高了neck部分的特征提取能力。 性能提升：在目标检测任务中，使用SCSA模块改进后的Yolo11模型在准确率、召回率等关键指标上均实现了显著提升。 实际应用：改进后的Yolo11模型在复杂场景下的目标检测任务中表现出色，具有更高的鲁棒性和准确性，为实际应用提供了有力的支持。 在目标检测中，我们使用了几个具有挑战性的检测数据集，包括MSCOCO [30]、Pascal VOC [11]、VisDrone [10]和ExDark [34]。 所有模型的学习率在第8个和第11个周期时减少10倍。我们使用单个NVIDIA H800 GPU在MSCOCO [30]上对模型进行了12个周期的微调，并在验证集上报告了比较结果。

京东杀入汽车后市场

面对这个超过万亿的巨大市场，京东频频发力也并不奇怪。 同样的广大车主在选择养车服务门店时，也倾向于选择知名度高、规模大以及服务专业的门店，有京东品牌背书支持，京东在获得车主信任方面也会容易些。 二来，京东拥有强大的供应链。 比如滴滴于2018年推出小桔车服，正式进军汽车后市场；阿里巴巴旗下的天猫汽车同金固股份旗下汽车超人、康众汽配联手，成立汽车后市场新公司；腾讯也战略投资了途虎养车。 俗话说“买车容易养车难”，这句话虽是调侃之言，却在一定程度上反映了汽车后市场的现状。除了养车费用不菲之外，车主们在售后过程中也确实遇到了不少问题，比如胡乱收费、以次充好、汽配件用假货冒充正品等。