- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法和应用
多机调度的几何
作者：Nikhil Bansal,Jatin Batra 摘要：我们考虑以下一般调度问题：在时间0处有m个相同的机器和n个作业都被释放。
58910发布于 2019-07-18 - 来自专栏乐行僧的博客
多机调度问题（贪心）
实现作业调度，使得n个作业的等待时间最短。 样例输入： 6 3 2 5 13 15 16 20 样例输出： 28 贪心策略：优先处理花费时间长的任务，这样可以减少短任务的等待时间 实现： #include <bits/stdc++.h> using
66120编辑于 2022-02-25 - 来自专栏腾讯云大数据
Flink资源调度模型
作者：王刚，腾讯CSIG高级工程师 Flink 资源模型 / 调度设计 背景知识 首先，我们来简单回顾一下 Flink 作业的运行时模型，然后再来探讨在这种运行模型下，Flink 的资源模型和调度架构的设计和实现 下图代表了数据流在 Operator Chain 之后，会实际产生 5 个 SubTask，相应的需要 5 个并发线程来处理该数据流。 我们接下来从 Task 运行维度分析，一层层来看 Flink 的资源模型设计。 资源模型 首先，我们介绍 Flink 基本的几个运行时概念。 如果没有 Slot 共享，非密集 subtask(source/map()) 将阻塞和密集型 subtask(window) 一样多的资源。 调度模型 该小结部分内容引自 深入解读Flink资源管理机制 [4] 概览 Flink 的资源调度是一个典型的两层模型。
1.3K10编辑于 2022-07-04 - 来自专栏云云众生s
5个实际开源的多模态AI模型
译自 5 Multimodal AI Models That Are Actually Open Source，作者 Kimberley Mok。 虽然市场上已经存在许多强大的、专有的多模态AI系统，但小型多模态AI模型和开源替代方案也正在迅速发展，因为用户不断寻求更易访问和更易适应的选项，并优先考虑透明度和协作。 Aria 最近推出的Aria AI模型来自Rhymes AI，被誉为世界首个开源的多模态原生专家混合 (MoE) 模型，它可以在一个架构中处理文本、代码、图像和视频。 这些特性使Leopard成为多页文档理解（例如幻灯片、科学和财务报告）、数据可视化、网页理解以及部署能够处理视觉复杂环境中任务的多模态AI代理的优秀工具。 Leopard的整体模型流程。 3. 5. xGen-MM 也被称为 BLIP-3，这是来自Salesforce 的一套最先进的开源多模态模型，它包含一系列变体，包括一个预训练基础模型，一个指令微调模型和一个旨在减少有害输出的安全微调模型。
2.1K10编辑于 2024-12-14 - 来自专栏thinkphp+vue
Kubernetes 多集群调度方案调研
当多集群的应用场景出现时，我们怎么处理多个集群的调度呢。为什么要有多集群调度？通常来说，一个集群的大小需要预估业务的资源总量。当资源不够时，可以通过增加机器数量来进行集群扩容。 当然，使用多集群调度肯定会增加整体架构的复杂度，集群之间的状态同步也会增加控制面的额外开销。所以，多集群的主要攻克的难点就是跨集群的信息同步和跨集群网络连通方式。 多集群的服务实例调度，需要保证在多集群的资源同步的实时，将 pod 调度不同的集群中不会 pod pending 的情况。 liqo-pods-management在了解多集群调度的细节之前，需要先弄清楚 virtual kubelet 的工作机制。 总结本文介绍了 KubeFed/Liqo 两个开源项目多集群的资源管理和 pod 调度。KubeFed 的资源调度总体上比较静态，需要创建 workload 之前确保各集群有充足资源。
2.3K30编辑于 2022-07-09 - 来自专栏啄木鸟软件测试
多模态大模型技术原理及实战(5)
国内外多模态大模型对比 国内 LLaMA-Adapter V2 香港中文大学 双语输出 输入 •图像 •语音 •文本 •视频 • 3D 点云 起源：LLaMA-Adapter •在线性层上进行偏差调整 •4、ChatGLM-6B 在 GLM 框架下，专门针对中文问答和对话进行了优化 mPLUG-Owl 阿里巴巴达摩研究院 2023年5月 架构 •视觉基础模块(采用开源的VTL-L) •视觉抽象模块 多模态大模型评测数据集 国内评测数据集 OwlEval •基于mPLUG-Owl模型发布 • 包含 •50 张图片 •82 个回题 •功能 •故事生成 •广告生成 •代码生成 MME •开发 •结构 •265 016张图片 •每张图片至少有 3 个问题(平均 5.4个每个问题） •每个问题 •有 10 个基本事实答案 •有 3 个合理(但可能不正确)的答案 多模态大模型的评测标准 国内评测标准 •KROCC( Kendall Rank Order Correlation Coefficient，肯德尔秩相关系数) •RMSE( Root Mean Square Error,均方根误差 ) 多模态大模型对比
35710编辑于 2024-09-10 - 来自专栏云云众生s
5个小型多模态AI模型及其功能
译自 5 Small-Scale Multimodal AI Models and What They Can Do，作者 Kimberley Mok。 TinyGPT-V 这款功能强大且资源高效的28亿参数多模态模型可以处理文本和图像输入，并在使用比大型同类产品少得多的资源的同时保持令人印象深刻的性能水平。 GPT-4o mini GPT-4o mini作为OpenAI GPT-4o多模态模型的较小且更便宜的版本发布，其运行成本比OpenAI模型系列中以前最实惠的模型GPT-3.5 Turbo低约60%。 5. Mississippi 2B 和 Mississippi 0.8B 最近由H2O.ai发布，这两个多模态基础模型专为OCR和文档AI用例而设计。 结论 多模态模型以及大型语言模型的可访问性和成本效益仍然是主要问题。但随着越来越多的相对轻量级但功能强大的多模态AI选项可用，这意味着更多机构和小型企业将能够在其工作流程中采用AI。
71010编辑于 2024-12-04 - 来自专栏陶士涵的菜地
golang的MPG调度模型
另外有三个协程在等待 3）如果G1协程阻塞，比如读取文件或者数据库 4）这时就会创建M2主线程（也可能是从已有的线程池中取出M2）并且将等待的三个协程挂到M2下执行，M1主线程下的G1仍然执行文件的读写 5） 这样的MPG调度模式，既可以让G1执行，也不会让队列的其他协程一直阻塞 ?
1.9K10发布于 2019-09-10 - 来自专栏陶士涵的菜地
golang的GMP调度模型
GMP是三个缩写 G : groutine M : Machine 系统线程 P : Processor 处理器 GMP调度就是循环在与P(处理器)绑定的M(系统线程)上寻找可执行的G(协程) ?
1.4K20发布于 2021-04-09 - 来自专栏cwl_Java
快速学习-ElasticJob调度模型
调度模型 与大部分的作业平台不同，ElasticJob 的调度模型划分为支持线程级别调度的进程内调度 ElasticJob-Lite，和进程级别调度的 ElasticJob-Cloud。 进程内调度 ElasticJob-Lite 是面向进程内的线程级调度框架。通过它，作业能够透明化的与业务应用系统相结合。 进程级调度 ElasticJob-Cloud 拥有进程内调度和进程级别调度两种方式。 常驻任务类似于 ElasticJob-Lite，是进程内调度；瞬时任务则完全不同，它充分的利用了资源分配的削峰填谷能力，是进程级的调度，每次任务的会启动全新的进程处理。
36540发布于 2020-09-22 深度解析：多AI模型协同调度机制的研发效能提升分析
关键词： 深度解析：多AI模型协同调度机制的研发效能提升分析 引言：AI时代的"交响乐团" 想象一下，如果把AI模型比作乐器，那么传统的单模型应用就像是独奏表演——虽然精彩，但总觉得少了点什么。 而多AI模型协同调度，就像是指挥一支交响乐团，让不同的"乐器"在合适的时机发出最美妙的声音。 在当今AI技术飞速发展的时代，单一模型已经无法满足复杂业务场景的需求。 这就是我们今天要探讨的核心话题——多AI模型协同调度机制。它不仅能够提升系统的整体性能，更能在研发效能上带来质的飞跃。 多AI模型协同调度核心概念 什么是多AI模型协同调度？ 简单来说，多AI模型协同调度就是让不同的AI模型在统一的框架下协同工作，根据任务特点和资源状况，智能地选择最合适的模型组合来完成任务。 核心要素解析 1. 监控与告警 监控指标 告警阈值 处理策略 模型响应时间 >5秒 自动重启/切换模型 GPU使用率 >90% 触发扩容 错误率 >5% 降级服务 队列长度 >100 增加并发度 性能优化策略 {#性能优化
1.3K20编辑于 2025-07-17GPT-5技术解析：多版本模型与软件生成能力
某机构正式推出GPT-5大型语言模型系列，包含四个不同规格版本：GPT-5：全功能推理模型，适用于通用高质量任务GPT-5 Pro：增强版推理模型，支持并行计算，面向复杂企业/研究环境GPT-5 Mini ：轻量快速版本，用于达到使用限制时的备用方案GPT-5 Nano：最轻量级变体，适合移动端/嵌入式设备技术亮点包括：软件生成能力：演示中通过单条指令生成完整可运行的法语学习网页应用（含游戏交互界面），耗时仅数分钟 SWE-Bench验证测试达74.9%AIME 2025数学测试100%（使用Python时）事实性错误比GPT-4减少45-80%支持256K tokens上下文窗口多层级访问策略：免费用户可使用GPT-5基础版 （带使用限制）专业版（$200/月）提供无限访问权限API调用成本从$0.15到$10/百万tokens不等模型采用自动路由机制，根据查询复杂度动态选择"深度推理"模式或常规处理模式。
54210编辑于 2025-08-10- 来自专栏用户9715713的专栏
React源码解读之任务调度5
完成这些准备工作之后，正式进入调度工作，调度过程实现思路是：当与更新或挂载相关api被调用时，就会执行更新的逻辑，更新大致分为以下几个小阶段图片scheduleWork该步骤的主要工作有以下几点通过 scheduleWorkOnParentPath flushSyncCallbackQueue();}首先需要确保一点，Root是否已经处理过调度相关工作，通过 ensureRootIsScheduled 方法为root创建调度任务，且一个root只有一个 task，假如某个root已经存在了任务，换言之已经调度过，那么我们需要重新为这个task计算一些值。 commitRoot轮回中完成以上调度过程，也该到了提交更新的时候了，该方法我们在刚开始就讲到了，那时略过，现在拾起。 至此完成了任务调度的所有工作，当然在后面的过程，事件相关的处理是只字未提，React最新源码对于事件系统做了很大改动，我们放在后面章节详细讲解。
27930编辑于 2023-01-09 - 来自专栏云云众生s
用于训练多模态AI模型的5个有用数据集
译自 5 Useful Datasets for Training Multimodal AI Models，作者 Kimberley Mok。 然而，构建有用的多模态AI模型需要高质量的多模态数据集，这些数据集是训练这些多功能系统的必要燃料——使它们能够超越单一维度或模式，扩展对世界的理解。 这是因为多模态数据集使AI模型能够学习对象及其上下文之间更复杂的语义关系，从而提高模型的性能和准确性。 有如此多的多模态数据集公开可用，很难知道从哪里开始。 这些只是大量可用多模态数据集中的少数几个——更不用说也日益受到关注的多语言数据集了。有如此多的选择，找到合适的训练AI模型的数据集相对容易。 更多信息，请查看我们关于构建多模态AI应用程序的工具的帖子，以及一些开源和小型多模态AI模型。
1.6K10编辑于 2025-01-17 水利调度“智慧脑”：融合多源感知数据与洪涝预报模型的实时决策平台
这不仅是技术的升级，更是调度范式的根本转变。本文将聚焦三个高价值核心场景，深入剖析如何通过融合多源感知数据与智能预报模型，构建一个能真正实现实时、精准、可解释辅助决策的"水利调度智慧脑"。 在某中型流域的模拟测试中，该平台在同样满足防洪安全的前提下，相较于传统经验调度方案，能使流域内水库群在汛末平均多蓄水5%-8%，有效增加了抗旱水资源储备，同时通过优化泄流过程，降低了下游河道的冲刷风险。 智慧脑"解决方案：耦合预报模型的动态自适应调度武汉知识图谱科技构建了"水质水量一体化预测-优化"模型，支撑预见性调度。 技术架构核心：支撑三大场景的"智慧脑"引擎上述三大高价值场景的实现，依赖于平台底层统一的强大引擎，即"智慧脑"的核心构成：1.多源异构数据融合中心：具备强大的数据接入、治理和实时处理能力，能够统一纳管物联网监测数据 通过在城市内涝应急、流域防洪调度、水生态管理等核心场景的深度融合应用，这个融合了多源感知数据与智能预报模型的实时决策平台，正在证明其价值：它让水利调度从依赖个人经验的"艺术"，转变为融合集体知识与先进算法的
25310编辑于 2026-03-03- 来自专栏sunsky
深入Golang调度器之GMP模型
}() } Go调度器组成 Go语言虽然使用一个Go关键字即可实现并发编程，但Goroutine被调度到后端之后，具体的实现比较复杂。先看看调度器有哪几部分组成。 不同于Python基于进程的并发模型，以及C++、Java等基于线程的并发模型。Golang采用轻量级的goroutine来实现并发，可以大大减少CPU的切换。 P的个数不一定一样多（会有休眠的M或者不需要太多的M）（最大10000）；每一个P保存着本地G任务队列，也有一个全局G任务队列。 总结 相比大多数并行设计模型，Go比较优势的设计就是P上下文这个概念的出现，如果只有G和M的对应关系，那么当G阻塞在IO上的时候，M是没有实际在工作的，这样造成了资源的浪费，没有了P，那么所有G的列表都放在全局 所以说保护现场的抢占式调度和G被阻塞后传递给其他m调用的核心思想，使得goroutine的产生。 本文从宏观角度介绍了一下Go调度器的调度过程。
2.2K31发布于 2020-08-20 - 来自专栏百味科研芝士
5分+整合多中心临床样本构建5分子胰腺癌预后模型
：一项多中心的研究 摘要 胰腺导管腺癌（PDAC）的预后极差。 无论是单因素或者是多因素分析，在所有数据集中的高风险患者的辅助化疗（ACT）与更好的DSS相关。新型预后预测模型在预测PDAC患者术后存活率方面具有强大的能力。 流程图 ? 1. 使用模型的系数导出一个公式来评估每位患者的DSS的风险评分，形成一个5分子预测模型。 ? 此外，与临床病理特征不同，该5分子预测模型是唯一的在3类数据中均为独立预后因素的因素（表1）。 ? 在根据上述临床病理参数分层的大多数癌症亚组中，5分子预测模型也可有效区分不同的DSS（图3）。 此外，在根据高风险患者的临床病理特征进行了多因素分析Cox回归分析中，ACT仍然是重要因素。
84910发布于 2020-07-15 【多模态大模型】
多模态大模型的核心能力 多模态大模型通过融合视觉、听觉、文本等多维度数据实现综合理解与生成。典型应用包括： 图像到文本：识别图片内容并生成描述、广告文案或诗歌。 代表模型如GPT-4V（视觉增强版）、通义千问多模态版、文心一言（ERNIE-ViLG）均支持此类任务。 案例分析：基于多模态模型的图像描述生成 场景：电商平台需自动生成商品图片的营销文案。 多模态对齐：模型将图像特征与文本语义空间对齐，生成候选描述。 输出优化：通过强化学习调整生成文本的流畅性与吸引力。 模型训练与优化要点 数据准备：需对齐的多模态数据集（如COCO-Captions、AudioSet）。 API化：通过FastAPI封装模型，提供RESTful接口供业务系统调用。 多模态大模型的应用需结合具体场景调整输入预处理与后处理逻辑，以达到最佳效果。
30510编辑于 2026-01-20Yarn调度器及生产环境如何使用多队列
(1)hadoop调度器分为三类： FIFO、Capacity Scheduler(容量调度器)和Fair Sceduler(公平调度器) Apache默认的资源调度器是容量调度器； CDH默认的资源调度器是公平调度器 ; (2)区别 FIFO调度器:支持单队列,先进先出，生产环境不会用； 容量调度器:支持多队列，保证先进入的任务有限执行； 公平调度器:支持多队列,保证每个任务公平享有队列资源，资源不够时可以按照缺额分配 调度器默认就1个default队列，不能满足生产要求； 按照框架:hive/spark/flink每个框架的任务方队指定的队列(企业用的不是特别多) 按照业务模块:登录注册、购物车、下单、业务部门1 、业务部门2 创建多队列的好处？
11610编辑于 2025-12-23- 来自专栏陈猿解码
多图讲解YARN容量调度中的资源抢占
在前面的文章中讲过容量调度中队列的容量配置、容量调度中的优先级调度。 本文就来聊聊容量调度中的资源抢占。 【队列间的抢占】 ---- 容量调度中的资源抢占，最通用的方式就是在多个队列之间进行资源的抢占，保证每个队列的最小资源（队列的capacity配置）得以满足。 测试步骤： 使用三个用户向queue_test队列提交3个任务，即每个用户提交一个任务（为了保证每个任务都能分配到资源运行），任务包含两个container，一共申请5GB内存（3个任务共占用15GB 等任务都成功分配资源运行后，再向其他队列（例如default队列）提交一个任务（共申请5GB内存），观察是否会触发抢占。 【抢占原理】 ---- 首先，只有使用的调度器实现了PreemptableResourceScheduler接口，并且启用了抢占；rm才会真正使用抢占这个功能。
2.8K30编辑于 2023-02-28
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