科目一考试全套口诀速记
科目一考试全套口诀速记（2026） 根据2026年最新《道路交通安全违法行为记分管理办法》及科目一考试大纲整理。2026年核心变化：记分档位调整为 12/9/6/3/1 五档（取消2分档）；新增新能源汽车安全、智能辅助驾驶考点；题库扩容至约2200题。 一、车速限速题口诀1：城市30、50；公路40、70详细解释：区分道路有无中心线，是科目一车速题核心考点，无特殊路况默认此标准： 无中心线窄路：城市道路最高30km/h，乡村公路最高40km/h 有中心线宽路：城市道路最高50km/h，乡村公路最高70km/h 城市道路 vs 公路区分技巧：路两边有楼房和行人→城市道路；路两边是树木绿化→公路。 道路类型 无中心线 有中心线 城市道路 30km/h 50km/h 公路 40km/h 70km/h 口诀2：特殊路况一律30详细解释：所有视线受阻、路况复杂、操作受限场景，最高车速统一30km/h：雨天、雾天、冰雪、泥泞路面；车辆...
大模型长什么样
大模型长什么样经过前边的文章，大概是已经知道大模型是什么了，但它到底存在哪里？怎么拿到手？理论已经了解了，但没有真正跑过一个本地模型，会觉得这东西很”虚”，这篇文章解决这个问题。 一、大模型存在哪里大模型的本体是一堆权重文件（.safetensors / .bin / .gguf），就像 Java 的 .jar 包，只不过体积从几 MB 变成了几 GB 到几百 GB。 这些文件托管在两个主要平台： 平台 定位 访问 Hugging Face 全球最大模型社区，学术 + 开源主战场 huggingface.co 魔塔社区（ModelScope） 阿里云旗下，国内访问快，中文模型多 modelscope.cn 国内网络访问 Hugging Face 不稳定，建议先用 ModelScope 上手，两个平台的模型大部分是互通的。 二、逛 Hugging Face主页导航打开 huggingface.co，顶部导航最重要的三个： 123Models → 找模型（核心）Datasets → 找数据集（训练用）Spaces → 在线体验...
定制大模型的三种方式——Prompt、RAG、Fine-tuning 怎么选
定制大模型的三种方式——Prompt、RAG、Fine-tuning 怎么选问题放在前边：如果我有一个具体需求，该用什么方式来让模型满足它？ 一、为什么需要”定制”模型通用大模型（GPT-4o、Claude、通义千问）是在互联网公开数据上训练的，开箱即用有几个明显的限制： ●不知道你公司内部的知识（产品文档、规章制度、历史数据） ●不了解你的业务场景和专业术语 ●说话风格和你的品牌调性可能不符 ●对于高度专业化的任务效果有限 当通用能力不够时，主流方案有三种：Prompt Engineering、RAG、Fine-tuning 二、三种方式分别是什么Prompt Engineering（提示词工程）核心思路：不改变模型本身，通过精心设计输入来引导模型输出符合预期的结果。 1234┌──────────────┐ ┌──────────────┐│ 精心设计的 │ ─────▶ │ 通用大模型 │ ─────▶ 符合预期的输出│ Prompt │ │ （不变） │└──────────────┘ ...
Embedding 与向量
Embedding 与向量Embedding、向量的初步认识 一、机器不懂文字，只懂数字问题从哪里来大家很自然地知道： ●”苹果”和”香蕉”都是水果，比较接近 ●”苹果”和”汽车”完全不相关 ●”我很开心”和”我非常高兴”意思几乎一样 但计算机存储文字只是一串字符，它怎么知道两段文字”意思接近”？ 传统字符串匹配： 123"苹果".equals("苹果") // true，完全相同"苹果".equals("香蕉") // false，字面不同// 但"苹果"和"水果"之间的语义关联，字符串比较完全表达不出来 关键词搜索： 123SELECT * FROM docs WHERE content LIKE '%退款%'-- 能找到包含"退款"的文档-- 但找不到只写了"申请返还货款"的文档（意思一样，词不一样） 解决思路如果能把每段文字转化成一组数字，让意思相近的文字对应数字也相近，问题就解决了。 ...
Transformer 与大模型工作原理
Transformer 与大模型工作原理学习目的：不需要成为模型专家，但如果完全不理解它是怎么工作的，很多工程上的决策会做错。比如为什么模型会幻觉、为什么上下文窗口很重要、为什么 Prompt 写法会影响输出质量——这些都跟本文的内容有关。 一、模型到底是什么东西？ 从程序员视角理解作为 Java 程序员习惯了：代码 + 数据 → 输出。 大模型从本质上也是一个函数： 1f(输入文字) → 输出文字 但这个函数的参数不是 if-else 写出来的，而是从海量数据中学习出来的，存储在数十亿甚至数千亿个浮点数里。 12345678GPT-4：约 1.8 万亿参数（每个参数是一个 float32，占 4 字节） → 参数文件大小约 7TBDeepSeek-V3：约 6710 亿参数 → 量化后约 400GB，需要多张高端 GPULlama 3.1 8B（小模型）：约 80 亿参数 → 量化后约 5GB，普通电脑可以跑 可以把模型想象成一本书，但这本书里没有文字，只有数十亿个调好的旋钮，每个旋钮的刻度共同决定了模型的”知识”和”能力”。 模型只做一件事模型实际上只做一件事：预测...
大模型基础概念
大模型基础概念一、Token：模型眼中的”字”什么是 Token人类读文字是一个字一个字读的，模型处理文字的基本单位叫 Token。 Token 不等于字，也不等于词，是模型自己学出来的一种切分方式。 以英文为例： 12"Hello, world!" → ["Hello", ",", " world", "!"] 共 4 个 Token"unbelievable" → ["un", "believ", "able"] 共 3 个 Token 以中文为例： 123"你好世界" → ["你好", "世界"] 共 2 个 Token"人工智能" → ["人工", "智能"] 共 2 个 Token"量子纠缠&qu...
