- 综合排序
- 最热优先
- 最新优先
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。 如果您管理的车队还在被“3万公里换油”这个诞生于上世纪的标准所束缚；如果您还在为“跑山路的车提前大修、跑平原的车过度保养”而两头焦虑——力猛养车预见性养护系统，可以免费接入一台车，跑满三个月。
12810编辑于 2026-02-12- 来自专栏Python项目实战
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。” 但只要你碰到下面任何一个场景：智能摄像头工业视觉终端边缘网关车载AI可穿戴设备你就会立刻意识到一个现实问题：功耗≈成本≈稳定性≈设备寿命举个最直观的例子：同样一个模型A方案10WB方案3W一年下来，不只是电费的事 真正工程里的低功耗算力优化，至少分三层：1️⃣算法层2️⃣框架/软件层3️⃣硬件协同层下面咱一层一层聊。三、算法层：别让模型“白干活”1️⃣模型压缩：不是缩水，是去水分很多模型，真的“虚胖”。 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，不是让AI变弱，而是让AI活得更久、更稳、更现实。
24510编辑于 2025-12-26 - 来自专栏深度学习与python
如何破解Web3的「存力」难题？
此后，从竹简、纸张的发明，到工业时代的磁盘存储，再到信息时代的数据库，存储方式不断革新，“存力”不断提高。 这一款面向区块链可信数据存储的技术产品，不仅用来解决当前蚂蚁链及区块链产业的规模化发展问题，也面向 Web3 时代提供“可信存力”支撑。 我们认为，Web3“存力”一个非常重要的要素是可验证，而今天我们看到的区块链存储瓶颈大多来源于可验证结构 ADS（如 Merkle tree）的低效存取和查询，这正是蚂蚁链 LETUS 重点攻克的难题。 我们始终认为，坚持技术自主研发是建立长期可持续竞争力的关键。 ；以及 Web3 等潜在的技术生态。
71330编辑于 2023-03-29 - 来自专栏科技向令说
“上门+到店”能救活汽车后市场吗？
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 3、贪死：避“轻”就“重”，最后高不成低不就 和第一类“死法”不一样的是：这类企业已经“笼络”了一部分用户，但并不满足于低频次低客单价的轻服务模式，而一直试图找到高频次又高客单价的“重服务”（往往需要投入的资源也多 尽管汽车后市场50%到60%的市场份额是保养，平均3-6个月一次，还有20%左右是补漆、空调维修等专项维修，但还是不满足。 换油过程中为过往车辆移了3次车，这使得朋友难以感受上门换机油的便利。”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。。。 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？
58030发布于 2018-08-20 - 来自专栏NebulaGraph 技术文章
D3.js 力导向图的显示优化
d3-force 力导向图以实现一个关系网来说，d3-force 力导向图是不二的选择。 下图就是最简单的关系网图，想要实现自己想要的关系网图，还是动手自己实现一个 D3.js 力导向图最佳。 图片构建 D3.js 力导向图在这里实践过程中，我们用 D3.js 力导向图来对图数据库的数据关系进行分析，其节点和关系线直观地体现出图数据库的数据关系，并且还可以关联相对应的图数据库语句完成拓展查询。 下面，我们来实现一个简单的力导向图，初窥 D3.js 对数据分析的作用和显示优化的一些思路。 node() 分配，这样利用 d3-force 这个实例的节点碰撞力，保证新增节点的出现都不会覆盖，最终会在选中拓展节点周围出现。
10.9K41编辑于 2022-06-30 - 来自专栏AIoT技术交流、分享
力扣(LeetCode)刷题，简单题(第3期)
目录 第1题：相同的树 第2题：对称二叉树 第3题：二叉树的最大深度 第4题：二叉树的最小深度 第5题：路径总和 第6题：杨辉三角1 第7题：杨辉三角2 第8题：买卖股票的最佳时机1 第9题：买卖股票的最佳时机 2 第10题：验证回文串 ---- 力扣(LeetCode)定期刷题，每期10道题，业务繁重的同志可以看看我分享的思路，不是最高效解决方案，只求互相提升。 false; } } bool isSymmetric(struct TreeNode* root){ return isMirror(root, root); } ---- 第3题
31420发布于 2021-01-20 - <script type="text/javascript"> var myobj; myobj={ "xm":"黄菊华", "num":3,来自专栏用户7873631的专栏
json我已经累了基础+实例3（原力计划）
DOCTYPE html> <html xmlns="http://www.w<em>3</em>.org/1999/xhtml"> <head> <meta http-equiv="Content-Type" content DOCTYPE html> <html xmlns="http://www.w<em>3</em>.org/1999/xhtml"> <head> <meta http-equiv="Content-Type" content myobj={ "xm":"黄菊华", "num":3, "ke":["q":"html","w":"css","e":"js"] } alert(myobj.ke["q" 哈哈哈 =========================== 对象嵌套数组方式： myobj={ "xm":"黄菊华", "num":3, "ke":["html","css"," ">
58840发布于 2020-10-28
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？
3、服务无标准。目前整个行业服务品质参差不齐，工作人员素质相差甚远，且无行业标准规划，用户需求难以及时得到满足。 粗犷式的规模化虽然在短期内可快速积累用户，提高市场份额。 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。 3、可有助于建立品牌：高密度服务网络的快速响应和优质服务在给用户提供良好的用户体验的同时，也是在为企业树立良好的品牌形象，形成口碑势能。 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？
垂直堆叠3D芯片突破AI算力瓶颈
研究人员创造了一种新型的3D计算机芯片，该芯片将存储和计算元件垂直堆叠，极大地加快了芯片内部的数据移动速度。与传统平面设计不同，这种方法避免了制约当前AI硬件的“交通拥堵”问题。 在硬件测试和模拟中，这款3D芯片的性能比2D芯片高出一个数量级。研究人员之前在学术实验室中制造过实验性3D芯片，但该团队表示，这是第一次在商业代工厂中生产出性能明显提升的芯片。 单片式3D芯片的制造方式许多早期的3D芯片尝试采用了一种更简单的方法，即堆叠独立的芯片。这可能有所帮助，但层与层之间的连接通常比较粗糙、数量有限，并且可能成为新的瓶颈。该团队采用了不同的方法。 这种方法被称为“单片式”3D集成，其使用的温度足够低，不会损坏已构建好的下层电路。这使得可以更紧密地堆叠层，并在它们之间创建更密集的连接。 通过证明单片式3D芯片可以在美国制造，他们认为这为本土硬件创新的新时期提供了一个蓝图，在这个新时期，最先进的芯片可以在美国本土设计和制造。
BERT训练猛提速！谷歌新研究将BERT预训练时间从3天缩短到76分钟
)，将BERT的训练时间从3天缩短到了76分钟！ BERT 的预训练也需要很长时间才能完成 (使用 16 个 TPUv3 芯片大约需要 3 天)。 BERT 的预训练也需要很长时间才能完成 (使用 16 个 TPUv3 芯片大约需要 3 天)。 为了扩大 BERT 的 batch size，本文提出 LAMB 优化器。 我们在所有的实验中都使用了 TPUv3。TPUv3 Pod有 1024 个芯片，可以为混合精度计算提供超过 100 petaflops 的性能。我们的结果如表 1 所示。 16 个 TPUv3 芯片的总训练时间约为 3 天。我们使用 SQuAD-v1 的 F1 分数作为精度指标。F1 得分越高，准确度越高。
DeepSeek-V3多头潜在注意力(MLA)架构
构建DeepSeek-V3：多头潜在注意力(MLA)架构目录构建DeepSeek-V3：多头潜在注意力(MLA)架构DeepSeek-V3中的KV缓存内存问题多头潜在注意力(MLA)：基于低秩投影的KV 缓存压缩查询压缩与旋转位置嵌入(RoPE)集成多头潜在注意力(MLA)的注意力计算实现：多头潜在注意力(MLA)多头潜在注意力与KV缓存优化总结构建DeepSeek-V3：多头潜在注意力(MLA)架构在本系列的第一部分中 ，通过探索DeepSeek-V3的理论基础并实现关键配置元素（如旋转位置嵌入RoPE），奠定了坚实基础。 该教程阐述了DeepSeek-V3如何管理长距离依赖并为其高效扩展设置架构。在此基础上，现在探讨DeepSeek-V3最具特色的创新之一：多头潜在注意力(MLA)。 DeepSeek-V3中的KV缓存内存问题要理解MLA的革命性，必须首先理解Transformer推理中的内存瓶颈。
力扣3-无重复字符的最长子串
暴力求解 复杂度分析 时间复杂度O(n^2) 空间复杂度O(m) class Solution { public int lengthOfLongestSubstring(String s) { int res = 0; for(int i = 0; i < s.length(); i++) { Set<Character> set = new HashSet<>(); for(int j = i; j
力扣3-无重复字符的最长子串
示例一输入: s = "abcabcbb"输出: 3 解释: 因为无重复字符的最长子串是 "abc"，所以其长度为 3。 示例三输入: s = "pwwkew"输出: 3解释: 因为无重复字符的最长子串是 "wke"，所以其长度为 3。 请注意，你的答案必须是 子串 的长度，"pwke" 是一个子序列，不是子串。 分析图中过程：上图中，左侧三步中均无重复字符START停留在原地不动，END++右侧第一幅图中，END指向的新字符A与子串中字符A重复START移动到原子串中字符A的下一个位置，即字符B所在位置LENTH=3； RESULT=3；右侧第二幅图中，END指向的新字符C与子串中字符C重复START移动到原子串中字符C的下一个位置，即字符A所在位置LENTH=2RESULT=3敲代码class Solution {public return result; }};运行结果执行用时：8 ms, 在所有 C++ 提交中击败了88.74%的用户内存消耗：7.4 MB, 在所有 C++ 提交中击败了79.74%的用户图片总结力扣给这道题的分类是中等
「2020中国AI算力报告」重磅出炉：中国怎么解决GPT-3的算力难题？
而且，随着模型参数和训练数据越来越大，若算力跟不上，GPT-3根本「跑」不起来。 我们可以用petaflops/s-day这个单位来衡量算力，可以玩「变脸」的生成对抗网络（GAN）大概需要3petaflop，目前全球第一快的超级计算机日本的富岳Fugaku ，每秒550petaflop ；而GPT-3计算需求居然达到了3640petaflop。 算力，也就是数据的处理能力，与数据、算法，并称为AI三要素。从GPT-3中可以见得，如果没有强大的处理能力，模型的规模再大、再全面，也是纸上谈兵。可以说，算力已经成为制约AI产业化发展的关键因素。 如果智能计算中心成为全行业的算力提供者，以中国AI市场的规模，类似GPT-3、谷歌T4的超大AI模型的出现将被提上日程，届时，我们就会真正感受到「算力改变中国，算力驱动未来，算力是生产力」。
京东杀入汽车后市场
据前瞻产业研究院信息显示，从估算数据来看，我国汽车后市场规模早在2016年就已经超过了3万亿元，从2016至2020年我国的汽车后市场规模呈现出逐年上升的趋势，2020年的汽车后市场规模达到了5.2万亿元 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。
字节Seed团队: Scaling线性注意力首个超越AlphaFold3
从 AlphaFold2 到 AlphaFold3，深度学习模型不断刷新结构预测的精度上限。然而，一个长期被忽视但同样关键的问题是：这些折叠模型是否具备真正的“可扩展性”？ 线性三角注意力：破解计算复杂度瓶颈 传统 AlphaFold 架构中的 三角注意力操作 具有立方级复杂度，是规模扩展的主要障碍。 SeedFold 引入了一种 线性三角注意力机制，将计算复杂度从立方级降低至二次级，在保持预测精度的同时显著提升计算效率。 研究人员提出两种模型配置： SeedFold：512 维 Pairformer + 标准三角注意力； SeedFold-Linear：384 维 Pairformer + 线性三角注意力。 蛋白单体结构预测 SeedFold 在 局部结构质量（lDDT）和整体 RMSD 指标上整体优于 AlphaFold3。
在小尺寸人脸检测上发力的S3FD
前言 人脸检测领域目前主要的难点集中在小尺寸，模糊人脸，以及遮挡人脸的检测，这篇ICCV2017的S3FD（全称：Single Shot Scale-invariant Face Detector）即是在小尺寸人脸检测上发力 这里以conv3_3为例子，来手算一下理论感受野，注意这里说的理论感受野是基于预测层计算的，比如第一行的conv3_3，是指在conv3_3后接的预测层的感受野，不是conv3_3的感受野。 conv3_3的预测层采用的是且步长为的卷积，所以预测层中的一个点映射到预测层的输入就是的区域，预测层的输入是conv3_3的输出，所以conv3_3输出区域映射到conv3_3的输入就是的区域，conv3 _3的输入又是conv3_2的输出，因此conv3_2输出的区域映射到conv3_2的输入就是区域，conv3_2的输入是conv3_1的输出，因此conv3_1输出的区域映射到conv3_1的输入就是的区域 结论 这篇论文在小尺寸人脸检测上发力，提出了一些非常有用的Trick大大提升了在小尺寸人脸上的召回率以及效果，这篇论文在小目标检测问题上提供了一个切实可行的方法，值得我们思考或者应用它。 9.
【力扣刷题】3. 无重复字符的最长子串
一、题目描述 来源:力扣（LeetCode） 给定一个字符串 s ，请你找出其中不含有重复字符的 最长子串 的长度。 示例 1: 输入: s = "abcabcbb" 输出: 3 解释: 因为无重复字符的最长子串是 "abc"，所以其长度为 3。 示例 3: 输入: s = "pwwkew" 输出: 3 解释: 因为无重复字符的最长子串是 "wke"，所以其长度为 3。 end - start + 1); map.put(s.charAt(end), end + 1); } return ans; } } 3.
3D-EDiffMG：基于强弱原子力编码，优化药物分子生成
其次，模型加入了带有微小注意力机制的门控多层感知器（gMLP）模块。该模块可以明确地对复杂的长序列特征相互作用和长程依赖进行建模，微小注意力机制还能增强模型捕捉细粒度特征的能力。 基于强弱原子相互作用力的长程依赖捕获等变编码器（dual-SWLEE）包括两个等变编码器，分别编码强（共价键）和弱（非键相互作用）力。 四、实验成果显著，实力验证效能 研究团队用QM9基准数据集对3D-EDiffMG模型进行训练，并和其他几种SE(3)等变分子生成模型进行比较，还做了消融实验，探究微小注意力机制的作用。 在生成分子的有效性、独特性、新颖性和稳定性这几个重要指标上，3D-EDiffMG_attn（带有微小注意力机制的3D-EDiffMG模型）表现最佳。 它们不仅ADMET性质良好，和F13L的结合亲和力也不错，而且在数据库中没有相似分子，具有新颖性。
如何改变APP命若昙花？只有实现万物互联
即便有幸能够在数以千万的App中一炮而红的，也面临如何持续吸引用户注意力、提高留存率的难题。 因此，一个APP要持续走红成功，一是要看创业团队产研及经营模式；二是靠产品特色、竞争力。我们先从产品竞争力谈起。 其中“更快”表现在多个数据指标上：服务器消息处理速度提升3倍；消息加载提升10倍；离线消息推送连接恢复速度提升8倍；数据存储速度提升5倍。 比如融云合作伙伴“养车之家”，它上面有很多的第三方洗车店、保养店、4S店，拥有了融云应用公众服务之后，在这个养车之家里，所有的入驻的商家都可以实现和关注这家店的客户实现交互，每家店可以与其客户发送保养的知识 据悉，已经有超过3万名开发者选择了融云的服务，其中包括百姓网、今日特卖、楚楚街、秘密等诸多知名互联网企业。 “融云IM云服务让移动互联网应用零门槛迈入社交化，让开发者用户皆受益，具有非凡意义。
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