秋招磨心气！成长藏在碰壁与沉淀里

1、使用deepseek描述你的ppt内容，越详细越好2、将得到的markdown大纲脚本，放到kimi生成ppt对话框3、选择主题，得到最终结果，根据自己的需求可以调整（kimi已经支持在线对生成的ppt修改字体等）

首先讲为什么写这个啊，这个和大模型有什么关系，其实本质上我什么都会看看，更ai相关的，比如infra，算子，或者加速推理框架，联邦学习基本上只有前沿实验室在搞，我也在做这个，这里顺手更新一下：一、边缘计算详解：1. 核心概念：是将计算、存储和网络资源从集中式云数据中心下沉到靠近数据产生源的网络边缘。边缘节点可以是路由器、网关、基站、工业控制器、手机、汽车、智能摄像头等。与传统云计算的根本区别在于处理方式：传统云计算是“数据搬家”——所有数据都要通过网络上传到遥远的云服务器集中处理；边缘计算是“计算搬家”——大部分计算直接在数据产生的附近完成，只把必要的结果或摘要上传到云端。2. 典型架构：边缘...

1.介绍下self-attention，计算其时间复杂度。2.为什么要用multi-head attention？3.PPO的clip机制？在线强化学习和离线强化学习有什么区别？RLHF是哪一种？4.为什么要用reference model? 为了解决什么问题？5.如何让多个agent协同工作的？举个具体的协同机制例子。6.如果一个agent误判导致策略冲突，如何处理？7.有没有用到类似AutoGen或LangChain的框架？为什么选这个框架？8.你是怎么设计agent的记忆系统？9.长期记忆如何存储？如果历史记录量非常大，怎么优化查询效率？10.有没有做记忆衰退，避免旧数据干扰新任务？11.你们这种模块堆叠的架构是怎么设计视觉问答模块和动作模块的协同逻辑的？12.human feedback是怎么被agent消化吸收的？有没有用rl进行策略更新？13.有没有做过模型压缩？比如在车载端或低端设备上的推理加速？14.如果量化后理解能力下降怎么办？怎么做精度补偿？15.你怎么处理响应速度与推理精度之间的tradeoff？是先召回再精排，还是单次生成？

题目描述：对二叉树，计算任意两个结点的最短路径长度。输入第一行输入测试数据组数T第二行输入n,m 。n代表结点的个数，m代表要查询的数据组数接下来n行，每行输入两个数，代表1~n结点的孩子结点，如果没有孩子结点则输入-1.根节点为1.接下来m行，每行输入两个数，代表要查询的两个结点输出每组测试数据输出m行，代表查询的两个结点之间的最短路径长度测试样例：输入18 42 34 56 -1-1 -1-1 7-1 -18 -1-1 -11 64 64 58 1输出2424 #include<stdio.h> #include<iostream> #include<stri...