笔记

大模型学习8下-高性能推理引擎vLLM学习笔记1.1.1 LLM推理的挑战 LLM正加速从云端走向边缘与本地部署，背后的驱动力主要来自更低的推理延迟、更强的隐私保护，以及更可控的部署成本。与此同时，随着模型参数规模和上下文长度不断增长，传统推理方案的瓶颈也越来越明显：显存利用率低、GPU算力利用率低、并发能力不足，并且请求量一旦增加，响应延迟就会迅速恶化。

C#基础复习笔记目录一、第一天1、访问修饰符2、类3、命名规则4、变量在内存中的分布1、值类型2、引用类型二、第二天1、结构体

跨表数据匹配——VLOOKUP、XLOOKUP目录VLOOKUP 基础用法进阶技巧：XLOOKUP避坑指南跨表数据匹配（VLOOKUP）两张表格，一张订单表、一张商品价格表，用编号匹配单价。

CPU：从底层电路到高性能执行架构CPU作为所有电子设备的计算核心，融合布尔代数、数字电路、计算机体系结构三大基础理论。从微米级CMOS晶体管到复杂乱序流水线，再到完整芯片设计流程，整套体系环环相扣。简单总结如下:

智慧景区与市集主理人

巨有科技：市集笔记内容分发，低成本打造本地流量曝光矩阵很多市集运营依赖付费投放、线下地推获客，推广成本居高不下，却很难沉淀长效流量。不少运营忽略摊主、游客的自发内容传播潜力，缺少统一的内容分发载体，打卡图文、市集实拍、摊主好物分享分散在各个社交平台，无法集中引流。

杨逢昌工厂6S管理

28- 杨逢昌：制造企业仓储6S反复混乱解决方案——四维定置标准化管控体系，让物料混放、通道堵塞等重复性乱象减少90%「6S管理实战专题」第28篇杨逢昌使命：用6S的力量，让10万名朋友实现高效愉悦的生活与工作。在机械、钣金加工企业6S全场景落地工作中，仓储是管控难度最高、熵增滋生速度最快的核心区域。当前行业普遍存在仓储痛点：企业仅依靠月度集中整理优化仓库环境，未搭建多层联动定置管控机制，空间分区、库存阈值、流转动线、物料台账管理相互割裂，物料混放、通道堵塞、呆滞料堆积、账物不符等问题反复出现，仓储6S管理陷入“整理即整洁、放任即混乱”的低效循环。调研数据显示，传统“只整理不定置”的仓储模式导致超70%的仓库在整理后

Apple Notes Liberator：把 Apple Notes 里的笔记搬出来Apple Notes Liberator 在 GitHub 上已经拿到 1,017 Star 了。这个项目就做一件事，把你锁在 Notes.app 里的笔记数据导出来，变成能编辑、能迁移的 Markdown 和 JSON。

普普通通的一名码农

TPS6120芯片说明TPS6120x 系列器件为采用单节、双节或三节碱性、镍镉、镍氢或单节锂离子或锂聚合物电池供电的产品提供了电源解决方案。此外，该器件还适用于燃料电池或太阳能电池供电的设备，因为在这些设备中，能够处理低输入电压的能力至关重要。可能的输出电流取决于输入与输出电压的比率。在使用一个单节锂离子或锂聚合物电池并且将其放电至2.6V 时，此器件在 5V 输出时提供高达 600mA 的输出电流。该升压转换器基于固定频率的脉冲宽度调制（PWM）控制器，并采用同步整流技术以实现最高效率。在低负载电流情况下，转换器会进入

CFCA精品可可工艺师初级校准：暴力破解机器黑盒，实现物理参数与最终风味的精准对齐只要一提到工艺训练，很多对数据不敏感的人就会本能地感到头皮发麻，看着复杂的烘焙热力曲线、精确到秒的研磨时间、波动的调温温度以及冷冰冰的巨大设备，觉得这是一门艰深的工程学。但我必须以追踪变量的严谨态度纠正这个误区：工艺的核心理念其实非常朴素，它的本质绝非盲目炫技，而是要求“物理参数的微小变动必须与感官风味结果实现绝对的数据对齐”。在运转的机器面前，哪怕仅仅微调了一个温度参数，你都必须立刻在大脑中回答：最终精品可可的风味在哪里改变了？可可脂质地哪里变了？挥发性香气释放节奏哪里变了？如果对着设备数据答不上来，那

【EVE-NG 实战】防火墙基础（VLAN · VRRP · NAT · ACL · 静态路由）安全域 + NAT + ACL，出口核心模块 3 基础上添加 2 台 Cisco ASAv + 3 台 DMZ 服务器 + 2 台二层接入交换机 + 1 台 ISP 路由器拓扑图整体架构图

HALCON 学习笔记1筛选出每组第一条柱子2、使用上一张练习的图像，筛选出最高的4条填充区域内部的孔洞方式一形态学操作：腐蚀erosion、膨胀dilation、打开（先腐蚀后膨胀）、关闭（先膨胀后腐蚀）

Qt6.10.3安装教程搜索官网Try Qt | Develop Applications and Embedded Systems | Qt https://www.qt.io/development/download

GPU PRO 5 - 4.5 Tiled Deferred Blending 笔记本笔记仅为个人的理解，如果有误欢迎指出。Tiled Deferred Blending基于瓦片的延迟混合

SLAM 学习笔记（三）视觉里程计2(VO) 特征点法前面讲的视觉里程计（VO）通常是：提取特征点（FAST、ORB、SIFT…）描述子匹配根据匹配点估计相机运动

笔记：数据结构（循环队列相关判断条件）在循环队列中，判断队列的空、满以及长度是关键操作。以下是循环队列的相关判断条件的详细罗列：条件：队头指针 front 等于队尾指针 rear。

三品吉他手会点灯

嵌入式机器学习 - 学习笔记1.1.2 - 机器学习的局限性与伦理学完本章后，你应该能够理解：为什么机器学习既可以被用于有益场景，也可能被用于有害场景。数据偏差 Bias 如何影响模型表现，以及为什么“训练数据代表性”非常重要。

【C++】类和对象（下）——初始化列表，类型转换，static成员，友元，内部类，匿名对象，编译器的优化拓展🧑‍💻博主名称：鱼子星_ ✅数据结构专栏：【数据结构】 ✅算法竞赛专栏：【算法竞赛】 ✅C++系列专栏：【C++从零开始系列】

一、理论篇-NVME协议学习笔记参考：NVME学习笔记 - 随笔分类 - 咸鱼书生 - 博客园基于FPGA实现NVMe硬盘的读写功能 - 技术栈

EQ-雪梨蛋花汤

【Unity笔记】VR 一体机画面锯齿、模型边缘闪烁、接缝抖动排查：MSAA、Mipmap、Render Scale、Z-Fighting 全流程记录说明：本文涉及的图示不使用项目截图，只放 PICO 知识库相关在线图片链接，方便按需打开对照。依据入口采用 PICO Unity 官方文档索引：Unity Swan llms.txt。其中 PICO XR 开发指南指向 PICO Unity Integration 开发指南，因此本文同时引用同一 PICO 知识库下的 Unity Integration 渲染、画质与性能监测文档作为具体排查依据。

《基于增量更新的中华心法问答系统研究》本周我主要是看了王筝学姐的论文《基于增量更新的中华心法问答系统研究》本篇论文与之前研究的不同之处在于，它解决了之前的模型灾难性遗忘的问题，即学习新知识时，旧任务性能急剧下降的问题。