先搞懂：为什么需要位置编码？Transformer 模型本身是 位置无关 的！它不知道哪个词在前，哪个词在后。比如 "我喜欢吃苹果" 和 "苹果喜欢吃我" Transformer 会认为这两个句子的结构完全一样，因为它只关心词与词之间的关系，不关心顺序。但实际上这两个句子的意思完全不同！所以需要 位置编码 来告诉模型每个词的位置信息传统位置编码问题方案1：学习型位置编码，初始化一个位置向量，全程全靠train给每个位置随机初始化一个向量让模型自己学习每个位置应该是什么样的❌ 缺点：只能处理训练时见过的长度，遇到更长的句子就傻眼了方案2：正弦位置编码用三角...

学java第六天，效率太慢了把游戏删了我再玩是sb

感觉就是面试官教会了我在项目里不应该总是别人说什么就是什么 那些网上的现成的拿来做本质上也可以 但是如果里面的每一个技术的使用都不经过自己大脑的思考 那么在真正的开发中不会有人来告诉你要用什么方案 所以要多锻炼自己在一个完整项目中的思考

1. FLUX 的结构、它属于什么生成模型、优势是什么FLUX 本质上还是一类文本到图像生成模型，但它和早期单纯依赖 U-Net 的扩散路线相比，更强调基于 Transformer 的统一建模能力。它通常会把图像 latent、文本条件以及时间步信息一起送进 Transformer 模块，让模型在更统一的 token 空间里做跨模态交互。这样做的一个直接好处是模型容量更容易扩展，文本理解和图像细节控制也更强。从生成机制看，它依然属于连续生成模型，只不过在网络结构和训练目标上比传统 diffusion pipeline 更现代。它的优势主要有三个：第一，文本条件理解更强，复杂 prompt 下的...