亿，70 亿、80 亿是指大模型的神经元参数（权重参数 weight+bias）的 总量。目前大模型都是基于 Transformer 架构，并且是很多层的 Transformer 结构，最后还有全连接层等，所有参数加起来 70 亿，80 亿，还有的上千亿。 教程作者：郭震，工作 8 年目前美国 AI 博士在读，公众号：郭震 AI，欢迎关注获取更多原创教程。资 料用心打磨且开源，是为了帮助更多人了解获取 mer 由多个关键组件组成：1. 自注意 力机制（Self-Attention）：模型在处理文本时，会自动关注句子中的重要单 词，理解不同词语间的联系。2. 多头注意力（Multi-Head Attention）：使用 多个注意力头同时分析不同的语义信息，使得模型的理解能力更强。3. 前 馈神经网络（FFN）：非线性变换模块，提升模型的表达能力。4. 位置编码 （Positional E Encoding）：在没有循环结构的情况下，帮助模型理解单词的顺 序信息。 Transformer 结构的优势 1. 高效的并行计算：摒弃循环结构，使计算速度大幅提升。 2. 更好的上下文理解：注意力机制可捕捉长文本中的远程依赖关系。 3. 良好的可扩展性：可适配更大规模模型训练，增强 AI 泛化能力。 教程作者：郭震，工作 8 年目前美国 AI 博士在读，公众号：郭震 AI，欢迎关注获取更多原创教程。资

PubScholar平台 知网研学平台 斯坦福STORM 文本长度 文本长度较长，内容丰富， 涵盖了多个研究领域和研 究层次，提供了详细的分 析和评述 文本长度中等长度，内容 较为丰富，也分了多个层 次进行总结 文本长度稍长，内容丰富 性在中文文献的分析上具 有优势，能够详细呈现中 文领域的研究成果 文本长度适中，内容精炼， 重点突出，适合快速阅读 和理解 研究视角 研究视角多样，从不同领 无辅助损失的自然负载均衡和共享专 家机制，解决了专家模块工作量不平 衡的问题。 混合专家（MoE）架构 通过低秩压缩减少推理时的内存占用， 同时保持与传统多头注意力（MHA） 相当的性能。MLA在训练中减少了 内存和计算开销，在推理中降低了 KV缓存占用空间。 多头潜在注意力（MLA）机制 通过序列化预测未来多个令牌，增强 模型的上下文建模能力，并支持推测 解码加速推理。MTP在特定场景下同 时预测多个令牌，提高信号密度，减

ease-heatmap 21 / 111 其中，Qwen 系列凭借灵活的多尺寸选项，强大的多语言支持以及友好的模型授权功能， 赢得了社区开发者的高度评价。DeepSeek 通过引入多头潜在注意力（Multi-head Latent Attention, MLA）技术，在性能和成本上实现了革命性突破，开创高性价比的 AI 新纪元。 智谱的 CogVideoX 系列文生视频模型，成为全球首批开源的文生视频模型之一，不仅在 础要素并不为权力机构垄断，大多要从市场上获得。 26 / 111  大模型作为一项令人激动的技术，商业化场景覆盖了对企业(2B)与对个人(2C)两个 大方向。  大模型赛道在海外是“一超多强”，在国内则是“多头并举”，两种典型的竞争格 局都全了。 以上，大模型赛道的元素非常丰富，各种商业化方法的排列组合都不缺，为我们的分析与推 演提供了可贵的素材。对软件商业化问题感兴趣的朋友一定要长期关注这个赛道。只有这样的对 算力层深挖定制化、低能耗的可能性，但固化 transformer 可能不是最优解 虽说智能体不需要太大的模型，但其运营成本（模型推理计算成本）仍然较高。在短时间内， 算力、能源仍然会是大模型领域令人头疼的高墙。 根据报告【1】，能源消耗将会是 2030 模型 scaling 最卡脖子的因素。也就是说，在算力到 达瓶颈之前，首先可能会出现电能供应不足甚至交不起电费的问题。因此，算力层可以根据大模

的纸片。计算机在处理这种多层堆叠的图像时会先绘制下面一层，然后再绘制 上面一层，这样下面一层就会被上面一层遮盖。这叫做 绘制顺序。 在数字绘画中，你可以通过图层组把不同的元素分开在不同的图层绘制。各个 图层的内容保持独立，你可以随时更改它们的内容和前后顺序，最终合并输出 成成品。这叫做 合成。 你可以通过图层把线稿置于底色之上，或者把树木放在远山前面，在编辑时图 层之间不会互相影响。 Krita 的图层有多种类型，每种图层都有特定的用途： 这种图层和调整图层一样，可以把滤镜以非破坏性的方式应用到所有类型的图层，包括 文件图层和克隆图层。 图层样式 Krita 支持 Photoshop 图层样式功能。在图层列表右键单击任意图层，在右键菜单中选择“图 层样式”。Krita 可以打开和保存 ASL 文件，但尚未完全支持其全部功能。 其他 图层和分组可以被导出。在顶部的 图层 菜单里有导出等选项。 注解 Krita 的混色模式种类至少是 PS 的 锁定透明度 Krita 的图层面板的每个图层右边都有一个 alpha 字母按钮，它就是“锁定透 明度”功能的开关。 剪贴分组 要在 Krita 里面使用剪贴蒙版，可将被剪贴的图层放在一个图层分组的底 层，然后把分组内其他图层的 alpha 图标点亮。也可以在选中被剪贴的图层 后按 Ctrl + Shift + G，Krita 将自动生成一个剪贴分组。 描线图层 这是 Krita 里面的矢量图层，这种图层也被用来处理文字。

cloud以开源软件的形式进行研发，于2015年 早期对外发布早期版本。2016年5月，继 Kubernetes之后成为第二个正式加入CNCF基金 会的项目，同年6月正式发布1.0版本。2017年 底发布了基于全新存储层的2.0版本，能更好地 与容器平台、云平台配合。 全球开源态势洞察｜第十期 05 Contour v1.25.0发布 Contour是基于Kubernetes的Ingress控制 器，通过将Envoy代理部署为反向代理和负载 详细介绍了提示词注入的危险，这种技术可以令 语言模型偏离正轨，执行创建者想要回避的操 作。在DEF CON大会期间，参与者将通过主办方 提供的笔记本电脑定时访问多个大语言模型。并 将会有一个夺旗式的积分系统，促进测试各种潜 在威胁。积分最高的参与者将获得英伟达高端 GPU作为奖品。AI Village公告中写道，“我们将 公布从此次竞赛中得到的启发，帮助其他想要做 类似尝试的人们。希望越来越多的人能知晓该如 何使用大语言模型，了解这些模型的局限性。” K帖子、2100贡献者。 TiKV：TiKV是一个分布式事务型的键值数据库，提供了满足ACID约束的分布式事务接口，并且通 过Raft协议保证了多副本数据一致性以及高可用。TiKV作为TiDB的存储层，为用户写入TiDB的数据 提供了持久化以及读写服务，同时还存储了TiDB的统计信息数据。TiKV于2018年8月被云原生计算 基金会接受为沙盒项目。2019年5月，CNCF宣布正式将TiKV从沙箱项目晋级至孵化项目。2020年

策略二：适当分解复杂任务，降低AI认知负荷 策略三：引入引导性问题，提升生成内容的深度 策略四：控制提示语长度，确保生成的准确性 策略五：灵活运用开放式提示与封闭式提示 分解任务的技巧：分段生成、逐层深入、设置逻 辑结构 引导性问题的设计要点：设置多个层次的问题、 促使AI对比或论证、引导思维的多样性 控制提示语长度的技巧：避免嵌套复杂的指令、 保持简洁性、使用分步提示 开放式提示：提出开放性问题，允许AI根据多个 Connection（连接）：建立子任务之间的逻辑关联 • Temporal Arrangement（时序安排）：考虑任务的时 间维度 • Resource Allocation（资源分配）：为每个子任务分配 适当的注意力资源 • Adaptation（适应）：根据AI反馈动态调整任务结构 为了更有效地进行任务分解，可以采用SPECTRA模型（Systematic Partitioning for Enhanced 影响，以及如何共同推进总体目标的实现。” 5. 时序提示：“为每个子任务制定一个粗略的时间表，考虑它们的依赖 关系和完成所需的相对时间。” 6. 资源分配提示：“评估每个子任务的复杂度，分配1—10的'注意力分 数'，指导在执行过程中如何分配计算资源。” 7. 适应提示：“在执行每个子任务后，评估其输出质量和对总体目标的 贡献，必要时调整后续任务的优先级或内容。” 思维拓展的认知理论基础 生成

策略二：适当分解复杂任务，降低AI认知负荷 策略三：引入引导性问题，提升生成内容的深度 策略四：控制提示语长度，确保生成的准确性 策略五：灵活运用开放式提示与封闭式提示 分解任务的技巧：分段生成、逐层深入、设置逻 辑结构 引导性问题的设计要点：设置多个层次的问题、 促使AI对比或论证、引导思维的多样性 控制提示语长度的技巧：避免嵌套复杂的指令、 保持简洁性、使用分步提示 开放式提示：提出开放性问题，允许AI根据多个 Connection（连接）：建立子任务之间的逻辑关联 • Temporal Arrangement（时序安排）：考虑任务的时 间维度 • Resource Allocation（资源分配）：为每个子任务分配 适当的注意力资源 • Adaptation（适应）：根据AI反馈动态调整任务结构 为了更有效地进行任务分解，可以采用SPECTRA模型（Systematic Partitioning for Enhanced 影响，以及如何共同推进总体目标的实现。” 5. 时序提示：“为每个子任务制定一个粗略的时间表，考虑它们的依赖 关系和完成所需的相对时间。” 6. 资源分配提示：“评估每个子任务的复杂度，分配1—10的'注意力分 数'，指导在执行过程中如何分配计算资源。” 7. 适应提示：“在执行每个子任务后，评估其输出质量和对总体目标的 贡献，必要时调整后续任务的优先级或内容。” 思维拓展的认知理论基础 生成

云分享包括个人云和团队云，可轻松保存和分享用户的导图文件。团队云 支持团队成员在不同电脑上随时随地进行合作，实时更新并同步合作进度。 10. 上钻/下钻 通过下钻功能来折叠或展开主题，有助于制图者集中注意力于特定主题，避免了其他 主题对思维的干扰。 11. 文件恢复 如果导图意外关闭导致用户来不及保存，MindMaster 可以恢复未保存的导图文件。 12. 分享 用户可以将导图在 MindMaster 本，在键盘上按＂Enter＂键换行。 3. 所有需要插入的主题文本输入完毕后，点击＂确定＂。 移动主题 要移动主题，可以通过鼠标拖拽主题至目标位置，或使用快捷键将主题向上、向下、向左 或向右移动到同一层级。 鼠标拖拽移动主题 鼠标左键单击选中主题后，可以拖拽其至任意位置。除了中心主题，任何主题和主题分支 可以重新排列并移动到任何父主题或子主题下。 移动主题的快捷键 下表中是键盘上可移动主体的快捷键： 改变连接线样式 MindMaster 提供了几种不同的连接线样式，可以同时设置所有的连接线样式，也可以选择 设置部分主题或分支的连接线样式。 改变所有连接线样式 如果不选中任何主题，操作结果只会作用于第一层级的连接线。要改变整体连接线样式， 需要先按＂Ctrl + A＂来选中整个导图。 1. 在键盘上按＂Ctrl + A＂以选中整个导图； 31 2. 在＂右侧栏＂的＂页面格式＂栏里，点击＂连接线样式＂图标，在下拉菜单里选择

大纲模式使用户在文字大纲格式下对导图内容一目了然。 9.文件加密 亿图脑图 MindMaster 文件加密可以保护文件不被侵权和随意查看。 10.上钻/下钻 通过下钻功能来折叠或展开主题，有助于制图者集中注意力于特定主题，避免了其他主题 对思维的干扰。 11.文件恢复 如果软件意外关闭导致未及时保存，亿图脑图 MindMaster 可以恢复未保存的导图文件。 12.分享 用户可以将导图以分享链接的形式直接发布到社交媒体上。 + 鼠标点击 多个主题 Ctrl + M 主题（之前） Shift + Enter 移动主题 要移动主题，可以通过鼠标拖拽主题至目标位置，或使用快捷键将主题向上、向下、向左 或向右移动到同一层级。 鼠标拖拽移动主题 鼠标左键单击选中主题后，可以拖拽其至任意位置。除了中心主题，任何主题和主题分支 可以重新排列并移动到任何父主题或子主题下。 移动主题的快捷键 下表中是键盘上可移动主题的快捷键： 亿图脑图 MindMaster 提供了几种不同的连接线样式，可以同时设置所有的连接线样式，也 可以选择设置部分主题或分支的连接线样式。 改变所有连接线样式 如果不选中任何主题，操作结果只会作用于第一层级的连接线。要改变整体连接线样式， 需要先按＂Ctrl + A＂来选中整个导图。 1. 在键盘上按＂Ctrl + A＂以选中整个导图； 2. 在右侧的面板“样式 ”栏里，点击“连接线样式”图标，在下拉菜单里选择

大纲模式使用户在文字大纲格式下对导图内容一目了然。 9.文件加密 亿图脑图 MindMaster 文件加密可以保护文件不被侵权和随意查看。 10.上钻/下钻 通过下钻功能来折叠或展开主题，有助于制图者集中注意力于特定主题，避免了其他主题 对思维的干扰。 11.文件恢复 如果软件意外关闭导致未及时保存，亿图脑图 MindMaster 可以恢复未保存的导图文件。 12.分享 用户可以将导图以分享链接的形式直接发布到社交媒体上。 + 鼠标点击 多个主题 Ctrl + M 主题（之前） Shift + Enter 移动主题 要移动主题，可以通过鼠标拖拽主题至目标位置，或使用快捷键将主题向上、向下、向左 或向右移动到同一层级。 鼠标拖拽移动主题 鼠标左键单击选中主题后，可以拖拽其至任意位置。除了中心主题，任何主题和主题分支 可以重新排列并移动到任何父主题或子主题下。 移动主题的快捷键 下表中是键盘上可移动主题的快捷键： 亿图脑图 MindMaster 提供了几种不同的连接线样式，可以同时设置所有的连接线样式，也 可以选择设置部分主题或分支的连接线样式。 改变所有连接线样式 如果不选中任何主题，操作结果只会作用于第一层级的连接线。要改变整体连接线样式， 需要先按＂Ctrl + A＂来选中整个导图。 1. 在键盘上按＂Ctrl + A＂以选中整个导图； 2. 在右侧的面板“样式 ”栏里，点击“连接线样式”图标，在下拉菜单里选择