持续集成与持续部署技术概述

阿里云暑期实习面经（阿里云C++二面面经）写面经攒人品。面试官先介绍了一下业务，然后让介绍了一下项目1.智能指针2.栈和堆的区别3.c++和c的不同4.用const的目的5.指针和数组的区别6.重载和重写的区别7.定义指针时要注意的问题8.c++内存分配9.new/delete和malloc/free的联系及区别10.c++是类型安全的语言吗（面试官提到了动态联编和静态联编）11.main函数前会有其他函数语句被执行吗12.虚函数实现13.tls握手14.手撕算法冒泡排序了解了一些密码学的相关知识，后面就属于聊天了。面试官依旧人很好，给予了很积极的反馈，说了一下笔试的问题，给了一些建议。---...

一、训练范式与核心技术1. 强化学习主导- DeepSeek-R1基于大规模强化学习（RL）完成后训练，其强化学习训练占比超过95%，甚至存在完全依赖RL的DeepSeek-R1-Zero版本。- 传统指令模型（如文心、ChatGPT O1）则更依赖监督微调（SFT）和人类反馈的强化学习（RLHF）。2. 冷启动与多阶段训练- DeepSeek-R1通过引入高质量“冷启动”数据辅助初始阶段学习，并结合多阶段训练策略（如拒绝采样）提升推理能力。- 而指令模型通常直接从预训练模型通过SFT对齐人类偏好。二、能力与任务适配性1. 复杂推理能力- DeepSeek-R1专门针对数学推导、代码生成、逻辑分析等复杂任务优化，其推理过程中支持自我验证、错误检测及多路径探索。- 指令模型更侧重通用对话和指令理解，在复杂推理任务中表现较弱。2. 生成质量差异- DeepSeek-R1的纯RL版本（R1-Zero）存在生成内容可读性较低的问题，需通过混合训练策略改进，- 而指令模型因依赖SFT数据，输出更符合人类语言习惯。三、架构设计与成本效率1. 优化算法创新- DeepSeek-R1采用Group Relative Policy Optimization（GRPO）等新型RL算法，支持无监督条件下的推理能力进化。- 指令模型通常沿用PPO等传统RLHF算法。2. 成本优势- DeepSeek-R1在同等性能下成本比OpenAI o1系列低30倍，且在数学、代码基准测试中达到甚至超越Claude 3.5 Sonnet等模型。四、应用场景与合规性1. 垂直领域适配- DeepSeek-R1更适用于科研、金融等高精度推理场景，- 而ChatGPT O1等指令模型偏向通用客服、教育等泛化场景。 #产品经理#  #Ai产品经理#  #AI#  #牛客创作赏金赛#  #牛客激励计划#

MyCat的常见几种分片策略：范围分片，取模分片，Hash分片，枚举分配，子串分片，固定Hash分片，字符串Hash分片，日期分片，自然月分片。当然不仅于此，具体参考MyCat文档。 1. 范围分片 这是MyCat里面配置文件的默认分片方式，tableRule的name是auto-sharding-long，具体使用到的类是io.mycat.route.function.AutoPartitionByLong，通过在rule.xml中可以查询到配置文件的名称，默认是autopartition-long.txt，打开mycat的conf文件夹，可以看到有这个文件。文件内容如下 # range s...

破烂手机 + 破烂自如租房WIFI ， 两个小时断了4,5次网络 。垃圾自如租房WIFI（PS上海是桥接的电信），刚来第二天就用不了 ， 报修1天半才有人来 ， 信号还不稳定。垃圾手机检测没网自动切换流量还不是秒切。