深度计算 Runtime 并发调度:执行流、事件与异步提交实践

1. 并发无上限是个假象:先看清深度计算硬件的真实执行模型

1.1 从“线程并发”到“任务并发”的思维转换

做深度计算 Runtime 这些年,我见过太多团队在“并发”这件事上栽跟头。最常见的想法是:任务能塞就塞,队列能开多深就开多深,仿佛只要同时提交的任务足够多,硬件就一定满载。这个直觉在 CPU 程序里大体成立,但放到深度计算场景就完全不对了。

先界定一个概念:我们说的并发,不是 CPU 多线程并发,而是任务层面的并发。一个神经网络推理过程通常包含几十个算子,每个算子内部可能又有大量计算单元要干活。Runtime 要做的事,是把这些算子拆成一个个可提交的任务,按照依赖关系送入加速卡硬件队列。加速卡不同于 CPU,它天生是吞吐式设计——单个任务延迟未必低,但大量任务堆叠起来,计算单元始终有事可干,整体吞吐就上去了。

所以这里有一个思维转换:Runtime 调度器的核心职责,不是“计算”本身,而是让计算任务在正确的时间、以正确的顺序、落在正确的硬件引擎上。判断一个 Runtime 好不好的关键,不是单算子跑得多快,而是整张计算图跑下来,硬件的执行单元有没有持续被喂满。“喂满”这件事,牵涉到硬件队列、执行流、事件同步、任务粒度,远比想象中复杂。

1.2 硬件执行单元:一个任务在设备上到底经历了什么

把视角降到一个任务上,我在设计 Runtime 时习惯把任务的设备侧生命周期分成四个阶段:

  1. CPU 侧创建任务:准备算子参数、分配输入输出内存、确定使用的流。
  2. 提交阶段:把任务命令写入硬件可感知的内存队列,这是一个 CPU 到设备的消息传递过程。
  3. 硬件调度阶段:设备端调度器从队列取命令,解析资源需求,分配到计算引擎(矩阵单元、向量单元、张量单元等)。
  4. 完成写回:任务执行完毕后,硬件通过中断或状态标记通知 CPU。

这段链路里藏着好几个并发瓶颈。第一个是同步提交。很多 Runtime 初版实现都在算子执行完后立刻调用设备同步等待,下一次提交要等这次完全结束才开始。结果是硬件干活的时间可能只有百分之几十,剩下的时间都在等待 CPU 发下一个任务。第二个是任务粒度。如果每个小算子都单独提交一次,命令本身的固定开销可能超过计算时间。比如一个简单的逐元素相加,计算可能只要微秒级,但命令创建、提交、解析的固定开销很可能同样在微秒级,这时候“极致并发”就变成“极致命令开销”了。

我常用一个生活化类比:硬件就像一条工厂流水线,每个任务是一批待加工零件。如果工头每送一个零件就停下等这台机器完工再送下一个,流水线就废了。但如果工头把几万个小零件一个个单独送过去,传送带也会被堵死。好的调度是让零件按正确批次、正确顺序持续快速流入。

1.3 并发“极致”的衡量标准

“极致任务并发”到底怎么量化?我建议用三个指标,而不是只看设备利用率。

第一是端到端时延,也就是一个请求从进来到结果出去的总时间,这是对用户最直接的指标。第二是气泡率,可以理解为硬件执行单元空闲的时间占比。第三是提交吞吐,单位时间内 Runtime 能向设备提交多少任务,这里反映的是 CPU 侧调度开销。

三个指标经常是矛盾的。为了让硬件不空转,可能需要同时提交更多独立任务;但任务多了,提交开销增大,CPU 侧可能反而成为瓶颈。为了降低时延,应尽量缩减队列长度;但队列太短,硬件又可能出现气泡。所以“极致并发”不是一个绝对状态,而是在目标任务下,把三个指标优化到可接受区间。

我在排查一个推理引擎的并发问题时,先看 profiler 输出的设备时间轴。如果发现明显的“锯齿”——设备忙一下、闲一下、忙一下、闲一下,基本可以断定是任务提交不够连续,或者依赖关系导致硬件在空等。此时优化的方向往往不是“再加并发任务”,而是“消除依赖上的等待”。这个思路后面会反复用到。

2. 执行流(Stream)的语义边界:哪些任务真的能并行,哪些不能

2.1 流是什么:硬件视角的操作序列

主流加速卡 SDK 都提供“流”这个概念,英文叫 Stream 或 Queue。流本质上是一条按提交顺序执行的操作序列。同一流里的任务必须串行,不同流里的任务在无依赖的情况下允许并行。

这个语义极其重要,但经常被错误理解。很多人以为“多开几条流就等于多几路并行”,于是把一个模型的一条执行路径上所有算子分散到几条流里,结果反而更慢了。原因很简单:流只是提供了并行的可能性,硬件是否真的并行,还要看任务之间有没有真实依赖、硬件资源是否足够、调度器的分配策略是否允许。

深度计算场景的依赖主要有三类。第一类是数据依赖:下一个算子要读上一个算子的输出,这必须等待。第二类是内存依赖:两块张量可能共用一块内存池,前一个任务还没读完,内存就被后一个任务覆盖了。第三类是控制依赖:比如 if 分支后的算子,要等条件计算完才知道执行哪个分支。

2.2 事件(Event)与同步:并行不是免费的

流本身解决不了跨流依赖。假设算子 A 在流 1 上执行,算子 B 在流 2 上执行,但 B 需要 A 的输出,那就必须用事件机制:A 完成后发出一个事件标记,B 所在流等待这个事件后再执行。这是跨流同步的标准做法。

事件同步的代价很容易被低估。每次等待事件,都可能让 CPU 侧阻塞或者让设备侧某个流空转。极端情况下会出现死锁:流 1 在等流 2 的事件,同时流 2 又在等流 1 的事件,两边都等不到,设备一直空转到超时。

我做过一个实验:在一个模型里把所有算子放到 8 条流上,每条流之间用事件严格按依赖顺序串联。结果和单流执行几乎一模一样,因为所有任务最终还是被事件排成了一条全序链。流开得多,不代表并行度高;真正的并行度取决于“可重叠执行的任务”数量。

2.3 深度计算场景下的流分配策略

那么流到底怎么分配?我的经验是,先画出整张计算图,找出哪些部分天然可以重叠。深度计算里最常见的重叠场景有三类:

  • 通信与计算重叠:在分布式场景,权重同步通信可以和本地前向或反向计算同时进行。
  • 数据搬运与计算重叠:输入样本从内存拷到设备显存时,前一个 batch 的计算还在进行。
  • 并行分支重叠:某些大模型输入经过不同的注意力头或专家分支,各分支间没有依赖。

这三类场景才配得上“独立流”。其余大多数算子之间的依赖都是线性的,老老实实排在同一流里但并不一定串行,因为同一流里的提交是 CPU 异步的,硬件忙的时候后续命令已排队,设备侧能连续消费,这本身就是一种流水线并发。

所以我在设计流分配时遵循一个简单原则:能合则合,该分才分。把没有重叠机会的算子合并到少数几条流里,减少命令的分散度;把确实需要重叠的计算放不同流,再用事件精确同步交界面。有人问我到底开几条流合适,我的回答是:先根据重叠需求定流数上限,再根据硬件提交队列深度往下压,通常从 2 到 8 条之间试,不要一上来就开几十条。

3. 硬件调度器与 Runtime 的配合:谁来决定“下一步执行什么”

3.1 硬件调度队列的内部逻辑

很多 Runtime 设计者把硬件调度器当黑盒,以为只要把命令丢进去就不用管了。实际上硬件队列的调度策略非常有限,大多数加速卡的设备队列本质上是近似 FIFO,也就是先提交先执行。这意味着 Runtime 提交任务的顺序,基本决定了硬件执行的大致顺序。

硬件调度器能做的最多是在 FIFO 基础上做资源适配:当一个任务需要的执行单元忙不过来,它可能让另一个不冲突的任务先上。但这里有一个前提——所有候选任务必须在队列里可见。如果 Runtime 在等待某个事件完成前,根本没把后续任务提交到硬件队列,那么硬件调度器能做的事情就非常有限了,一旦前面的任务执行完,队列空了,硬件就只能空转。

所以关键结论是:Runtime 的软件调度,负责在正确时机把候选任务提前送入硬件队列;硬件调度只负责在已可见任务之间做资源分配。真正决定并发上限的,是 Runtime 的“可见性管理”。

3.2 优先级、抢占与时间片在深度计算里的作用

深度计算任务并不总是同样重要。在线推理请求通常要求低延迟,训练任务则更看重吞吐;前台交互式任务要快速响应,后台预计算任务可以慢慢跑。这些诉求反映到 Runtime 层,就是优先级和多级队列设计。

但硬件队列数量有限,优先级机制也未必完善。我见过一个做法:Runtime 维护多个软件任务队列,高优先级队列的任务在提交时优先进入硬件队列;低优先级任务只能在高优先级队列空闲时提交。这个框架简单有效,关键是提交循环要设计得好,不能让低优先级任务饿死。

抢占在深度计算里更棘手。设备上的计算一旦开始执行,基本不能像 CPU 线程那样随时中断。如果是一个超大矩阵乘法占了执行单元几毫秒,高优先级的推理请求也只能在它后面排队。一个缓解思路是切分任务粒度:把大算子切分成多个小块任务,交错提交高优先级任务。比如一个 4096 大小的矩阵乘法,可以分成多个子块任务,每块执行完后的边界处,调度器都可以插入优先任务。代价是切分可能降低计算效率,因为矩阵分块会引入额外内存访问,这个就需要根据实际卡型做取舍了。

3.3 一个实用的调度模型:从任务图到硬件命令的映射

我在内部自研 Runtime 时,最终采用的调度链是这么一条:

  1. 计算图分析:拿到模型结构,识别每个算子的输入输出、内存需求、所在设备。
  2. 图切分:把算子按设备、按重叠需求切成小组。
  3. 拓扑排序:确定所有任务的总序,保证数据依赖不被破坏。
  4. 流分配:决定每个任务落在哪条流上。
  5. 事件插入:在跨流依赖处插入事件,并建立等待关系。
  6. 命令提交:把任务批量写入硬件队列。

这套链路最大的好处是“一次分析、多次执行”。模型结构不变时,第 1 到第 5 步只需要做一次,把调度计划缓存起来。每次推理请求进来,只需要把输入地址填进计划,按预定义的流和事件关系提交命令即可。这比每次请求都重新分析计算图快一个数量级以上。

为什么图模式比单算子逐发更有利于并发?因为单算子逐发时,每次只能基于当前算子的依赖做判断,无法看到后面几十个算子里有多少可以提前准备。图模式则能看到全局,可以提前把独立分支的命令推入硬件队列,形成持续的“命令洪流”,把硬件气泡压到最低。

4. 驱动执行流的实战设计:一个深度计算 Runtime 的并发调度实现

4.1 核心数据流设计

我按一个最小可运行的 Runtime 结构来说明。核心数据结构就两样:任务节点任务图。

任务节点包含:算子类型、输入输出张量引用、所在流 ID、依赖事件集合、完成事件集合。依赖事件集合表示这个任务开始前必须等待哪些事件,完成事件集合表示这个任务结束后会发出哪些事件。

任务图就是节点和边的集合。边的含义可以分两种:数据边表示张量依赖,调度边表示流间同步。数据边决定拓扑顺序,调度边决定事件插入位置。我在实现时把这两种边分开存,因为数据边是模型自带的,调度边是流分配算法根据数据边推导出来的。

struct TaskNode { int op_id; // 算子编号 int stream_id; // 流编号 std::vector<Event*> wait_events; // 开始前等待 std::vector<Event*> emit_events; // 完成后发出 std::vector<Tensor*> inputs; std::vector<Tensor*> outputs; }; struct TaskGraph { std::vector<TaskNode> nodes; // 数据边:指向依赖的上游节点 std::vector<std::vector<int>> data_edges; // 调度边:指向跨流等待的节点 std::vector<std::vector<int>> sync_edges; };

4.2 流分配与事件插入的具体算法

流分配的目的是把无依赖或弱依赖的任务分散到不同流上,让硬件可以重叠执行。我使用的是一种贪心启发式,思路很简单:遍历拓扑排序的任务,对每个任务尝试分配到某个流,使得该任务所需的依赖事件已经在该流上满足。

听起来抽象,我拆解一下实现流程:

  • 为每条流维护一个“最后执行节点”和“最后发出事件”。
  • 遍历任务时,先找出所有尚未满足的上游节点事件。
  • 如果某个任务所有上游都在同一流,直接放到那条流的末尾,不增加事件。
  • 如果上游分散在多条流,则选择一个“最近完成时间期望最小”的流,并在该流上插入等待事件,在上游流上插入发出事件。
  • 如果某条流已经排了太多任务,后续任务又无依赖,则优先放到空闲流,形成负载均衡。

伪代码大致长这样:

void AssignStreamAndInsertEvents(TaskGraph& graph) { auto topo = TopoSort(graph); for (int node_id : topo) { auto& node = graph.nodes[node_id]; int best_stream = -1; int best_cost = INT_MAX; for (int s = 0; s < num_streams; s++) { int cost = EstimateSyncCost(node, s); // 计算跨流事件数量 if (cost < best_cost) { best_cost = cost; best_stream = s; } if (cost == 0) break; // 无跨流依赖,直接选这条流 } node.stream_id = best_stream; InsertSyncEvents(graph, node); // 根据上游流插入事件 } }

EstimateSyncCost的计算方式是:统计该任务所有上游节点所在流与候选流的交集。上游全在当前流里,代价为 0;有几个上游在其他流,就要插入几组事件。事件插入总会有开销,所以算法天然倾向于把一条链上的任务排在同一个流里,只有在并行机会明显时才跨流,这正好符合前面说的“能合则合,该分才分”。

4.3 流水线重叠与异步提交的落地

有了任务图和流分配,接下来要解决 CPU 侧提交的异步性。我在早期版本里犯过一个错误:提交线程在把任务命令写入硬件队列后,立刻查一次事件状态,用来决定后续任务是否已经可以提交。结果每次查询都要和硬件打交道,CPU 侧很快就成了瓶颈。

正确的做法是:CPU 侧提交线程只负责“按计划把命令写入硬件队列”,完全不等待完成状态。等待逻辑通过事件机制由硬件去处理。也就是说,Runtime 的任务提交是纯异步的,事件的发出和等待由设备侧完成,CPU 线程可以连续不断地产出命令,形成一个生产-消费环形队列,把任务命令批量推给硬件。

这样做后效果非常明显。以单流的连续卷积链为例,不修改任何算子,只把提交从同步改成异步,设备利用率就可以提升近一倍。原因在于,原先 CPU 在每次算子后等待硬件完成,白白浪费了几百微秒;改后 CPU 持续提交,硬件流水线基本没有气泡。

4.4 实测对比与效果

我在自研 Runtime 上做了一组对比测试,使用一个有 20 多个算子的典型视觉模型,输入固定尺寸。三种执行方式:

  • 方案 A:逐算子同步执行,每个算子执行完都等待完成。
  • 方案 B:逐算子异步提交,使用单条流。
  • 方案 C:任务图分析后多流异步提交,自动插入事件。

在我使用的加速卡上,端到端时延大致是 A 的 1.4 倍于 B,B 的 1.25 倍于 C。也就是说,从 A 到 C 整体优化了超过 40% 的时延。其中最大提升来自异步提交,其次来自多流重叠。这样的测试结果和很多公开框架的优化趋势一致。

需要特别说明的是,具体倍速高度依赖模型结构和硬件类型。如果一个模型本身几乎全是串行算子,多流优化的空间就很小,C 比 B 提升可能只有几个百分点;如果模型有大量独立分支,C 比 B 的差距会拉到 30% 以上。所以我的建议是,先做 profiler 看时间轴,确认有没有明显的可重叠区域,再投入精力做多流调度。

5. 真正难的不是“加流”,而是这几个细节

5.1 内存分配与生命周期对并发的隐形限制

当任务真正并行执行后,内存管理会变成新的约束。张量生命周期必须被精确跟踪:一个张量可能在流 1 上被写入,同时在流 2 上被读取,两边的任务必须同步在正确的事件上,否则就会出现数据竞争。

更隐蔽的是内存池复用问题。为了减少分配开销,Runtime 通常会维护张量内存池,一个张量用完就归还,后续张量复用同一块显存。但如果并发任务变多,内存生命周期难以准确判断,归还时机就变得模糊。我见过一个案例:两个独立分支的算子在两条流上运行,输出张量大小相近,内存池把它们的输出指向同一块显存,结果后写的任务覆盖了先写的任务,模型结果完全错误。

解决办法是采用“按流顺序分配”的内存池策略:每个流维护自己的分配位置,回收时依赖事件确认所有引用该内存的任务都已完成。这会让内存池设计复杂很多,但这是并发调度不可绕过的问题。

5.2 小算子的噩梦:命令开销淹没计算收益

深度计算模型里大量存在逐元素加法、激活函数、归一化这类小算子。单个算子计算时间只有几微秒,但提交命令的固定开销可能也有几微秒。如果完全依赖流调度,就算并行调度做得再好,命令开销也降不下来。

这类问题的正解在 Runtime 上层,也就是算子融合。把多个小算子合成一个更大的算子,减少任务数量,降低整体命令开销。这块工作不是调度器能替代的,它需要分析算子的构成和数据类型。比如卷积后接偏置加再接激活,三个算子可以合并为一个自定义算子,命令数量直接少了三分之二。

5.3 从一机多卡到多机:执行流驱动机制扩展到分布式

单机多卡场景里,跨卡数据传输通常通过设备间点对点通信完成,通信任务的执行流语义和计算任务类似,可以投递到通信相关的流上。这里最容易出问题的是同步粒度:如果每个张量传输都插入事件,事件数量和同步开销会很大;如果大批量传输后才同步,又可能让计算流长时间等待。

我的实践是,把多卡同步点尽量放在“计算边界”。比如在每个梯度聚合开始时,一次性等待所有本地计算完成,然后启动通信;通信未完成时,下一阶段计算可以先启动与通信无关的部分。这个思路可以扩展到多机场景,只不过网络通信的延迟更大,更需要把通信与计算放在不同的流上,并且提前批量提交通信任务。

5.4 我的几点实操体会

先说最核心的一条:不要为了并发而并发。我见过太多团队把“多流调度”当作目标,加了十几条流,跑出来性能没涨,反而引入一堆内存同步问题。正确顺序永远是:先 profile,把时间轴拉出来看,找到硬件空闲的具体位置;再问为什么空,是 CPU 提交慢,还是任务依赖等得太久,还是内存分配阻塞;最后才决定用流、事件还是融合去解决。

第二条体会是,执行流和事件不要用成“锁”。有些 Runtime 实现里,事件等待被当作线程同步工具来用,甚至拿事件去保护一段 CPU 代码的临界区,这是把硬件事件机制用错了地方。事件是设备侧任务的执行条件,不是 CPU 侧的互斥锁。CPU 线程之间的同步应该用普通的条件变量和互斥量,让事件专心处理设备侧依赖关系。

第三条体会比较隐性:如果调用硬件厂商的底层 API,一定要先搞清楚 API 是同步语义还是异步语义。很多“性能问题”其实是 API 误用导致的。有些 API 明明可以异步提交,默认实现却会做隐式同步;有些 API 在调试模式下会强制同步。写并发调度之前,先把这些 API 的真实行为摸清楚,否则后面所有优化都等于在沙子上建楼。

最后,保持好性能回归测试。并发改动非常容易引发时隐时现的问题,我一般会在每次调度策略调整后,固定跑一组标准模型,记录端到端时延、设备占用率和事件数量。这三项数据的联动变化,能很快帮我判断改动方向是否正确。遇到问题时,把流数量调到 1,再逐步增加,往往能最快定位是哪条流的哪段同步出了问题。

做 Runtime 调度没有银弹,硬件特性、模型结构、数据规模都会影响最终方案。但把“执行流驱动”这个思路扎扎实实落到任务图和事件机制上,再配合异步提交和合理的流分配,绝大多数深度计算场景都能拿到明显的性能收益。我的体会是,调度器的价值不在炫技,而在把并发这件事做得克制且精准。

相关新闻

离线环境Dify+Milvus知识库部署:连通性排查与解决全记录

离线环境Dify+Milvus知识库部署:连通性排查与解决全记录

规划内网知识库的时候&#xff0c;最头疼的往往不是算法选型&#xff0c;而是环境本身。最近搭了一套离线环境下的 Dify Milvus 知识库系统&#xff0c;折腾了整整两天&#xff0c;最后发现所有问题都集中在“连不上、起不来、版本对不上”这几个坎上。这里把整个排查过程和解…

2026/11/15 17:35:20 阅读更多 →
离线部署Dify+Milvus:容器网络连通性排查全指南

离线部署Dify+Milvus:容器网络连通性排查全指南

1. 离线部署的基础架构与连通性分析先说一句真实感受&#xff1a;离线环境下部署DifyMilvus&#xff0c;最难的不是把镜像弄进去&#xff0c;也不一定是服务起不来&#xff0c;而是东西都跑起来了&#xff0c;知识库却始终建不出来&#xff0c;日志里一行一行的连接超时。这种情…

2026/11/15 17:35:19 阅读更多 →
股市赚钱的为何总是那10%?拆解与众不同交易原则与实操框架

股市赚钱的为何总是那10%?拆解与众不同交易原则与实操框架

在股票市场里待得越久&#xff0c;我越觉得有一句话值得反复琢磨&#xff1a;股市没有专家&#xff0c;赚钱的是那10%&#xff0c;做股票要与众不同。这句话出自一位在二级市场摸爬滚打多年的老前辈&#xff0c;第一次听到时我觉得有点绝对&#xff0c;后来翻了自己的交割单&am…

2026/11/15 17:41:10 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年&#xff0c;我大部分时间都在跟浏览器标签页打交道&#xff0c;直到第一次把桌面应用跑起来&#xff0c;才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词&#xff0c;最开始是在某段时间频繁出现在同事的讨论里&#xff0c;一个用HTML…

2026/11/16 8:22:12 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介&#xff1a;亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档&#xff0c;主要面向智能锁安装人员、终端用户及售后维护者&#xff0c;帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件&#xff0c;大小4.37MB&#xff0c;内容结构清晰&#xff…

2026/11/16 6:41:34 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统&#xff0c;整车要求空载跑到8m/s&#xff0c;电机转速已经拉到额定点&#xff0c;驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令&#xff0c;转速纹丝不动&#xff0c;三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/16 8:22:12 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年&#xff0c;用它写过嵌入式驱动、做过游戏服务端&#xff0c;也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词&#xff0c;我其实挺感慨的——这门语言的难点从来不是语法多&#xff0c;而是知识点之间的耦合太深…

2026/11/16 8:22:12 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介&#xff1a;亚太天能T109滑盖智能锁产品说明书以PDF格式发布&#xff0c;适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开&#xff0c;先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能&#xff0c;再给出完整安装步骤&…

2026/11/16 7:30:18 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历&#xff1a;翻开源码注释、论文摘要或者一份专业报告&#xff0c;每个字都认识&#xff0c;连在一起却像天书。想找人聊聊&#xff0c;身边要么没人懂&#xff0c;要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型&#xff0c;几秒钟之后&a…

2026/11/16 8:22:12 阅读更多 →

日新闻

周新闻

月新闻