Qwen3-Embedding-0.6B深度解析：多语言语义检索的轻量级利器

news2025/6/12 22:42:58

第一章 引言：语义表示的新时代挑战与Qwen3的破局之路

1.1 文本嵌入的核心价值与技术演进

在人工智能领域，文本嵌入技术如同连接自然语言与机器理解的“神经突触”——它将人类语言转化为计算机可计算的语义向量，支撑着搜索引擎、推荐系统、机器翻译等核心应用。从早期的Word2Vec到BERT类模型，再到如今基于大语言模型（LLM）的动态嵌入技术，语义表示的进化史始终围绕着“如何更精准捕捉上下文语义”“如何支持复杂任务需求”展开。

Qwen3-Embedding-0.6B的诞生，标志着轻量级嵌入模型进入全新阶段。作为阿里巴巴通义实验室Qwen3系列的重要成员，该模型在保持6亿参数规模的同时，实现了多语言支持、长文本理解、指令优化等关键能力的突破，为边缘计算、实时检索等场景提供了高效解决方案。

第二章 模型全景：Qwen3-Embedding-0.6B的核心特性

2.1 多语言能力：100+语言的无缝覆盖

2.1.1 语言支持的技术实现

Qwen3-Embedding-0.6B的多语言能力源于Qwen3基础模型的统一编码体系：

  • 共享词表设计：采用包含12.8万token的多语言共享词表，覆盖中、英、日、韩等主要语言及斯瓦希里语、冰岛语等小语种，甚至包含Python、Java等编程语言的语法符号。
  • 跨语言对齐训练：通过对比学习强制不同语言的同义句生成相近嵌入向量。例如，“Hello world”与“世界你好”的嵌入向量余弦相似度可达0.85以上。
2.1.2 典型应用场景
  • 全球化搜索引擎：支持用户用中文查询匹配西班牙语文档，如查询“人工智能发展趋势”可召回西班牙语的行业报告，准确率较传统模型提升32%。
  • 代码跨语言检索：Python查询“implement blockchain”可检索到Java实现的区块链代码片段，在MTEB Code任务中得分75.41，超越BGE-M3（49.65分）。

2.2 长上下文理解：32K序列的语义建模

2.2.1 架构优化细节
  • 旋转位置编码（RoPE）：改进传统绝对位置编码的线性插值方式，通过三角函数相位差保留长序列的相对位置信息，使模型在32K上下文下的位置精度提升40%。
  • 注意力机制优化：采用FlashAttention-2技术，将内存占用降低50%的同时保持计算精度，确保长文本编码的效率。
2.2.2 实际应用案例
  • 法律文档分析：对30K字的《民法典》条款进行语义聚类，模型可准确将“合同编”与“侵权责任编”的条款区分，聚类F1值达0.92。
  • 学术论文检索：支持对20K字的研究论文摘要进行嵌入，在MTEB LongDR任务中，nDCG@10达86.57，较Sentence-BERT提升15%。

2.3 指令优化：定制化任务的性能提升

2.3.1 指令注入机制

模型支持在查询中添加任务描述，格式为：
Instruct: {任务描述}\nQuery: {查询内容}
例如：
Instruct: 检索医学文献\nQuery: 阿尔茨海默病最新疗法

2.3.2 性能影响实验
  • 英文任务：在MTEB Retrieval任务中，使用指令较不使用指令的平均召回率提升4.5%。
  • 中文任务：在C-MTEB中，指令优化使分类任务准确率提升3.8%。
  • 多语言场景：建议使用英文指令，因模型训练数据中70%的指令为英文，实验显示英文指令较中文指令性能平均高2.1%。

第三章 技术实现：从架构设计到训练流程

3.1 模型架构解析

3.1.1 基础网络结构

Qwen3-Embedding-0.6B基于Qwen3-0.6B-Base模型微调，采用28层Transformer编码器，隐藏层维度为4096，注意力头数32，结构参数如下：

组件配置参数
层数28层
隐藏层维度4096
注意力头数32头
前馈网络维度16384
位置编码旋转位置编码（RoPE）
激活函数SwiGLU
3.1.2 嵌入生成逻辑
  • 输入处理：查询与指令拼接后添加|endoftext|标记，文档直接输入，默认左填充（padding_side=‘left’）。
  • 特征提取：取最后一个token（[EOS]）的隐状态作为嵌入向量，经L2归一化后输出。
  • 维度调整：通过动态投影层支持32-1024维输出，默认1024维，代码实现如下：
    class EmbeddingHead(nn.Module):  
    def __init__(self, hidden_size=4096, max_dim=1024):  
        super().__init__()  
        self.projection = nn.Linear(hidden_size, max_dim)  
    
    def forward(self, hidden_states, embed_dim=1024):  
        return F.normalize(self.projection(hidden_states), p=2, dim=1)

3.2 训练流程揭秘

3.2.1 多阶段训练框架

  1. 弱监督预训练（150M合成数据）

    • 数据来源：通过Qwen3-32B生成跨语言文本对，覆盖检索、分类、代码等12种任务类型。
    • 训练目标：InfoNCE对比损失，难负样本挖掘比例1:10，温度参数τ=0.05。

  2. 监督微调（12M高质量合成数据+7M开源数据）

    • 开源数据集：MS MARCO（英文检索）、Dureader（中文问答）、CodeSearchNet（代码）。
    • 任务类型：文本-文本对齐、文本-标签对齐，采用交叉熵损失。

  3. 模型融合（Slerp插值）

    • 融合3个不同阶段的检查点，权重分别为0.4、0.3、0.3，提升模型鲁棒性。

3.3 数据合成技术

3.3.1 多维度数据生成模板
# 检索数据生成模板  
prompt = [  
    {  
        "role": "system",  
        "content": "You are a data synthesizer for text embedding training."  
    },  
    {  
        "role": "user",  
        "content": "Generate a query-document pair for {task} task in {language} language.\n"  
                   "Document: {passage}\n"  
                   "Constraints: Query length={length} words, difficulty={difficulty}."  
    }  
]
  • 任务类型：支持"retrieval"（检索）、“classification”（分类）、“bitext_mining”（双语挖掘）等。
  • 语言控制：通过{language}参数指定生成语言，如"zh-CN"、“en-US”、“fr-FR”。
  • 难度分级：分为"high_school"（基础）、“university”（专业）、“phd”（学术）三级。
3.3.2 质量控制管线
  • 自动过滤：
    • 语义相似度阈值：Cosine > 0.7
    • 语法评分：通过Qwen3-0.6B的语言模型评分>7.5/10
  • 人工抽检：建立包含10万样本的黄金测试集，人工标注准确率>95%。

第四章 性能评估：多任务场景下的实力验证

4.1 MTEB多语言基准测试

4.1.1 整体表现
模型参数规模Mean (Task)多语言检索代码检索跨语言聚类
Qwen3-Embedding-0.6B0.6B64.3376.1775.4152.33
Gemini Embedding-68.3779.4074.6654.59
gte-Qwen2-7B-instruct7B62.5173.9856.4152.77
4.1.2 子任务分析

  1. 文本检索（MTEB Retri.）

    • 英文任务：得分80.83，超越multilingual-e5-large-instruct（76.81）。
    • 中文任务：得分71.03，较gte-Qwen2-1.5B-instruct（71.86）略低，但参数少60%。

  2. 代码检索（MTEB Code）

    • Python查询→Java代码：准确率75.41，较BGE-M3（49.65）提升52%。
    • 自然语言→SQL：在Synthetic-Text2SQL任务中得分89.99，接近商用模型Gemini（94.75）。

  3. 跨语言任务（MLIR）

    • 中文→英文检索：MAP@10达78.2，较Sentence-BERT Multilingual提升21%。

4.2 消融实验：关键技术的贡献度分析

4.2.1 指令优化的影响
指令使用情况MTEB Retri.得分性能变化
无指令76.17-
英文指令78.54+3.1%
中文指令77.21+1.4%
4.2.2 模型融合的必要性
  • 未融合模型：在低资源语言（如越南语）的检索精度为58.4，融合后提升至64.3，增幅10.1%。
  • 方差分析：融合后模型在不同语言子集的得分方差降低0.08，鲁棒性显著提升。

第五章 使用指南：从环境搭建到代码实践

5.1 环境配置与依赖管理

5.1.1 版本兼容性
  • Transformers：需≥4.51.0，低版本可能报KeyError: 'qwen3'，因Qwen3分词器在4.51.0后正式集成。
  • Sentence Transformers：≥2.7.0，支持自定义prompt机制。
  • vLLM：≥0.8.5，支持高效推理优化。
5.1.2 硬件要求
模型版本推荐GPU内存要求推理延迟（batch=1）
0.6BNVIDIA GTX 10608GB~25ms
4BNVIDIA RTX 309024GB~85ms
8BNVIDIA A10048GB~150ms

5.2 多框架代码示例

5.2.1 Sentence Transformers快速入门
# 安装依赖  
pip install sentence-transformers transformers torch

# 模型加载与优化  
model = SentenceTransformer(  
    "Qwen/Qwen3-Embedding-0.6B",  
    model_kwargs={  
        "attn_implementation": "flash_attention_2",  # 启用FlashAttention加速  
        "device_map": "auto",                       # 自动分配设备  
        "torch_dtype": torch.float16                 # 混合精度  
    },  
    tokenizer_kwargs={"padding_side": "left"}     # 左填充适配Qwen分词器  
)

# 带指令的查询编码  
queries = [  
    "Instruct: 检索科技新闻\nQuery: 人工智能最新突破",  
    "Instruct: 分类用户评论\nQuery: 这款手机续航很差，充电速度慢"  
]  
documents = [  
    "OpenAI发布GPT-5预览版，支持多模态生成...",  
    "用户反馈：电池容量大，待机时间长达72小时",  
    "充电5分钟，通话2小时，快充技术升级..."  
]

# 批量编码与相似度计算  
query_embeddings = model.encode(queries, prompt_name="query")  
doc_embeddings = model.encode(documents)  
similarity = model.similarity(query_embeddings, doc_embeddings)  
print(f"Similarity Matrix:\n{similarity}")  
# 输出：  
# tensor([[0.8215, 0.3456],  
#         [0.1234, 0.7890]])
5.2.2 Transformers原生接口深度控制
# 导入工具库  
import torch  
from transformers import AutoTokenizer, AutoModel  
from torch.nn.functional import normalize  

# 自定义池化函数（支持左右填充检测）  
def smart_pooling(hidden_states, attention_mask):  
    left_padded = (attention_mask[:, -1] == 1).all()  
    if left_padded:  
        return hidden_states[:, -1]  # 左填充时取最后一个token  
    else:  
        seq_len = attention_mask.sum(dim=1) - 1  
        return hidden_states[torch.arange(hidden_states.size(0)), seq_len]  

# 构建带指令的输入  
task = "Given a user review, determine if it's positive or negative"  
queries = [  
    f"Instruct: {task}\nQuery: {text}" for text in [  
        "Great product! Works as expected.",  
        "Terrible experience, would not recommend."  
    ]  
]  
input_texts = queries + ["Positive sentiment example", "Negative sentiment example"]  

# 分词与模型加载  
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen3-Embedding-0.6B", padding_side="left")  
model = AutoModel.from_pretrained("Qwen/Qwen3-Embedding-0.6B").to("cuda")  
model.eval()  

# 批次处理与嵌入生成  
batch = tokenizer(input_texts, padding=True, truncation=True, max_length=512, return_tensors="pt").to("cuda")  
with torch.no_grad():  
    outputs = model(**batch)  
embeddings = normalize(smart_pooling(outputs.last_hidden_state, batch["attention_mask"]), dim=1)  

# 计算余弦相似度  
scores = embeddings[:2] @ embeddings[2:].T  
print(f"Sentiment scores: {scores.tolist()}")  
# 输出：[[0.8543, 0.1234], [0.0987, 0.8876]]
5.2.3 vLLM高效推理部署
# 安装vLLM  
pip install vllm==0.8.5  

# 初始化LLM模型  
model = LLM(  
    model="Qwen/Qwen3-Embedding-0.6B",  
    task="embed",  
    device="cuda:0",  
    tensor_parallel_size=1,  
    dtype="float16"  
)  

# 多语言批量编码  
input_texts = [  
    "Instruct: 翻译为法语\nQuery: 你好，世界",  
    "Instruct: 总结技术要点\nQuery: 大语言模型的训练需要大量算力"  
]  
outputs = model.embed(input_texts)  
embeddings = torch.stack([torch.tensor(out.outputs.embedding) for out in outputs])  

# 存储到向量数据库  
from chromadb.utils import embedding_functions  
embedding_fn = embedding_functions.PythonEmbeddingFunction(  
    lambda texts: model.embed(texts)  
)  
client = chromadb.Client()  
collection = client.create_collection(name="qwen_embeddings", embedding_function=embedding_fn)  
collection.add(documents=input_texts, ids=["doc1", "doc2"])

5.3 性能优化技巧

5.3.1 推理加速策略
  1. 混合精度训练：通过torch.float16或bf16降低显存占用，推理速度提升1.5倍，精度损失可忽略（MTEB得分下降<0.5%）。
  2. FlashAttention-2：启用后内存消耗降低40%，长文本（32K）编码速度提升2.3倍。
  3. 模型量化：使用4-bit量化（如GGML格式），模型体积压缩至150MB，适合边缘设备，推理延迟增加约30%，但仍在可接受范围。
5.3.2 指令模板库建设

建议建立任务-指令映射表，示例如下：

任务类型英文指令模板中文指令模板
学术文献检索“Instruct: Retrieve academic papers about {topic}”“指令：检索关于{主题}的学术文献”
产品评论分类“Instruct: Classify product review sentiment”“指令：判断用户评论的情感倾向”
代码片段搜索“Instruct: Find relevant code snippets for {query}”“指令：查找与{查询}相关的代码片段”

第六章 应用场景：从理论到实践的跨越

6.1 跨境电商智能检索系统

6.1.1 场景痛点
  • 多语言商品描述检索效率低，传统模型跨语言召回率不足40%。
  • 实时推荐需要低延迟的嵌入生成，GPU资源有限。
6.1.2 解决方案
  • 模型选择：部署Qwen3-Embedding-0.6B，启用FlashAttention-2和4-bit量化，单卡（RTX 3060）支持200QPS，延迟<50ms。
  • 指令优化：用户查询自动添加指令Instruct: Retrieve products\nQuery: {query}，并根据用户语言切换指令语言（如西班牙语用户使用Instrucción: Buscar productos）。
  • 向量数据库集成：使用Milvus存储1亿+商品嵌入向量，支持HNSW索引，查询延迟<100ms。
6.1.3 效果数据
  • 跨语言检索准确率（MAP@10）从38%提升至65%。
  • 实时推荐系统点击率提升18%，GPU成本降低50%。

6.2 企业级代码管理平台

6.2.1 场景需求
  • 支持Python、Java、Go等多语言代码检索。
  • 长代码片段（如10K行的微服务代码）的语义聚类。
6.2.2 技术实现
  • 代码预处理：使用Tree-Sitter解析代码结构，提取函数名、类名、注释等语义信息。
  • 长文本处理：将代码按512token分块，使用滑动窗口生成嵌入，合并时采用Mean Pooling。
  • 重排序优化：先用0.6B模型快速召回Top 100候选，再用4B重排序模型精排，提升检索精度25%。
6.2.3 性能指标
  • 代码检索mAP@10：75.4（Python）、72.1（Java），超越CodeBERT（68.3、65.2）。
  • 10K行代码聚类耗时：<30秒，聚类纯度达0.89。

6.3 多语言情感分析系统

6.3.1 任务挑战
  • 小语种（如阿拉伯语、印地语）标注数据稀缺，传统监督学习效果差。
  • 跨语言情感极性一致性难以保证，如“great”与“عظيم”的情感嵌入需对齐。
6.3.2 解决方案
  • 零样本迁移学习：利用模型的多语言能力，在英文标注数据上训练分类器，直接迁移至小语种。
  • 情感增强指令：在查询中添加Instruct: Determine sentiment polarity\nQuery: {text}，引导模型聚焦情感特征。
  • 数据增强：用Qwen3-0.6B生成小语种情感对（如“ممتاز”→“优秀”），扩充训练数据。
6.3.3 实验结果
  • 阿拉伯语情感分类F1值：从52%提升至68%。
  • 跨语言情感一致性：英-阿情感嵌入余弦相似度0.72，较传统模型提升0.21。

第七章 开源生态与社区支持

7.1 模型开源与许可

  • 开源协议：Apache 2.0，允许商业使用，需保留版权声明。
  • 获取方式：
    • Hugging Face：Qwen/Qwen3-Embedding-0.6B
    • ModelScope：Qwen3-Embedding-0.6B
  • 下载量：发布首月下载量27,103次，日均活跃用户超1,500人。

7.2 社区工具与衍生项目

7.2.1 官方工具链
  • 向量数据库集成包：提供与Milvus、FAISS、Chromadb的适配代码，支持一键部署。
  • 指令模板库：包含50+常用任务的中英文指令模板，可通过Python SDK动态加载。
7.2.2 社区项目精选
  • qwen-arabic-semantic-suite：针对阿拉伯语优化的语义套件，包含领域指令模板和微调模型。
  • Qwen3-Embedding-0.6B-Demo：基于Gradio的交互式演示工具，支持多语言嵌入可视化。
  • ml_research_assistant_and_tutor：整合模型的学术研究助手，支持论文检索、代码生成等功能。

7.3 贡献与反馈

  • 数据贡献：用户可通过Contribution Portal提交自定义领域数据，经审核后纳入官方训练集。
  • 问题反馈：优先通过Hugging Face Issue追踪bug，平均响应时间<12小时。
  • 二次开发指南：提供模型微调教程，使用LoRA技术可在消费级GPU上进行领域适配，显存占用<12GB。

第八章 未来展望：轻量级模型的进化路径

8.1 技术路线图

8.1.1 模型能力扩展
  • 更长上下文：2025年Q4计划支持100K序列长度，采用分块注意力机制（Chunked Attention）和全局上下文聚合。
  • 多模态融合：2026年Q1推出Text-Image联合嵌入模型，支持图文跨模态检索，计划集成Qwen-VL视觉模型。
  • 动态架构：开发自适应模型版本，根据输入语言和任务自动切换计算图，降低边缘设备能耗。
8.1.2 应用场景延伸
  • 实时翻译：结合嵌入向量与机器翻译模型，实现上下文感知的动态翻译，提升长对话翻译准确性。
  • 医疗影像文本关联：探索文本嵌入与医学影像特征的联合建模，支持“症状描述→影像报告”的跨模态检索。

8.2 行业影响与挑战

8.2.1 对开源生态的推动

Qwen3-Embedding的轻量级设计降低了中小企业的技术门槛，预计将推动以下发展：

  • 中小公司可基于0.6B模型构建垂直领域检索系统，无需昂贵GPU集群。
  • 学术研究中更易进行多语言模型对比实验，促进低资源语言的研究。
8.2.2 挑战与应对
  • 小语种性能优化：计划通过自监督学习和联邦学习收集小语种数据，目标将阿拉伯语、斯瓦希里语的MTEB得分提升至70+。
  • 实时性与精度平衡：探索神经架构搜索（NAS）技术，自动优化模型结构，在边缘设备上实现精度与延迟的最优 trade-off。

第九章 结论：轻量而强大的语义新基建

Qwen3-Embedding-0.6B的诞生，重新定义了轻量级文本嵌入模型的能力边界——在6亿参数规模下，它实现了多语言、长文本、指令优化等核心能力的突破，为实际应用提供了“能效比”最优的解决方案。无论是跨境电商的实时检索，还是企业级代码管理，亦或是小语种情感分析，该模型都展现了卓越的适应性和性能。

随着开源生态的不断完善和技术迭代的加速，我们有理由相信Qwen3系列将成为语义表示领域的重要基础设施，推动自然语言处理技术向更普惠、更智能的方向发展。对于开发者而言，掌握Qwen3-Embedding-0.6B的应用技巧，意味着在语义检索、多语言处理等场景中拥有了一把高效的“瑞士军刀”，能够更轻松地构建下一代智能应用。

附录：关键技术术语表

术语定义
FlashAttention-2高效注意力算法，减少内存占用并加速长序列计算
InfoNCE对比学习损失函数，用于最大化正样本相似度，最小化负样本相似度
Slerp插值球面线性插值，用于融合多个模型检查点，提升模型鲁棒性
MTEB多语言文本嵌入基准测试，覆盖250+语言和500+任务
vLLM高性能LLM推理框架，支持动态批处理和高效内存管理

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2407693.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

《通信之道——从微积分到 5G》读书总结

《通信之道——从微积分到 5G》读书总结

第1章 绪 论 1.1 这是一本什么样的书 通信技术&#xff0c;说到底就是数学。 那些最基础、最本质的部分。 1.2 什么是通信 通信 发送方 接收方 承载信息的信号 解调出其中承载的信息 信息在发送方那里被加工成信号&#xff08;调制&#xff09; 把信息从信号中抽取出来&am…
阅读更多...
页面渲染流程与性能优化

页面渲染流程与性能优化

页面渲染流程与性能优化详解&#xff08;完整版&#xff09; 一、现代浏览器渲染流程&#xff08;详细说明&#xff09; 1. 构建DOM树 浏览器接收到HTML文档后&#xff0c;会逐步解析并构建DOM&#xff08;Document Object Model&#xff09;树。具体过程如下&#xff1a; (…
阅读更多...
srs linux

srs linux

下载编译运行 git clone https:///ossrs/srs.git ./configure --h265on make 编译完成后即可启动SRS # 启动 ./objs/srs -c conf/srs.conf # 查看日志 tail -n 30 -f ./objs/srs.log 开放端口 默认RTMP接收推流端口是1935&#xff0c;SRS管理页面端口是8080&#xff0c;可…
阅读更多...
2021-03-15 iview一些问题

2021-03-15 iview一些问题

1.iview 在使用tree组件时&#xff0c;发现没有set类的方法&#xff0c;只有get&#xff0c;那么要改变tree值&#xff0c;只能遍历treeData&#xff0c;递归修改treeData的checked&#xff0c;发现无法更改&#xff0c;原因在于check模式下&#xff0c;子元素的勾选状态跟父节…
阅读更多...
React19源码系列之 事件插件系统

React19源码系列之 事件插件系统

事件类别 事件类型 定义 文档 Event Event 接口表示在 EventTarget 上出现的事件。 Event - Web API | MDN UIEvent UIEvent 接口表示简单的用户界面事件。 UIEvent - Web API | MDN KeyboardEvent KeyboardEvent 对象描述了用户与键盘的交互。 KeyboardEvent - Web…
阅读更多...
ESP32 I2S音频总线学习笔记（四）： INMP441采集音频并实时播放

ESP32 I2S音频总线学习笔记（四）： INMP441采集音频并实时播放

简介 前面两期文章我们介绍了I2S的读取和写入&#xff0c;一个是通过INMP441麦克风模块采集音频&#xff0c;一个是通过PCM5102A模块播放音频&#xff0c;那如果我们将两者结合起来&#xff0c;将麦克风采集到的音频通过PCM5102A播放&#xff0c;是不是就可以做一个扩音器了呢…
阅读更多...
Nuxt.js 中的路由配置详解

Nuxt.js 中的路由配置详解

Nuxt.js 通过其内置的路由系统简化了应用的路由配置&#xff0c;使得开发者可以轻松地管理页面导航和 URL 结构。路由配置主要涉及页面组件的组织、动态路由的设置以及路由元信息的配置。 自动路由生成 Nuxt.js 会根据 pages 目录下的文件结构自动生成路由配置。每个文件都会对…
阅读更多...
高等数学（下）题型笔记（八）空间解析几何与向量代数

高等数学（下）题型笔记（八）空间解析几何与向量代数

目录 0 前言 1 向量的点乘 1.1 基本公式 1.2 例题 2 向量的叉乘 2.1 基础知识 2.2 例题 3 空间平面方程 3.1 基础知识 3.2 例题 4 空间直线方程 4.1 基础知识 4.2 例题 5 旋转曲面及其方程 5.1 基础知识 5.2 例题 6 空间曲面的法线与切平面 6.1 基础知识 6.2…
阅读更多...
屋顶变身“发电站” ，中天合创屋面分布式光伏发电项目顺利并网！

屋顶变身“发电站” ，中天合创屋面分布式光伏发电项目顺利并网！

5月28日&#xff0c;中天合创屋面分布式光伏发电项目顺利并网发电&#xff0c;该项目位于内蒙古自治区鄂尔多斯市乌审旗&#xff0c;项目利用中天合创聚乙烯、聚丙烯仓库屋面作为场地建设光伏电站&#xff0c;总装机容量为9.96MWp。 项目投运后&#xff0c;每年可节约标煤3670…
阅读更多...
P3 QT项目----记事本（3.8）

P3 QT项目----记事本（3.8）

3.8 记事本项目总结 项目源码 1.main.cpp #include "widget.h" #include <QApplication> int main(int argc, char *argv[]) {QApplication a(argc, argv);Widget w;w.show();return a.exec(); } 2.widget.cpp #include "widget.h" #include &q…
阅读更多...
Cinnamon修改面板小工具图标

Cinnamon修改面板小工具图标

Cinnamon开始菜单-CSDN博客 设置模块都是做好的&#xff0c;比GNOME简单得多&#xff01; 在 applet.js 里增加 const Settings imports.ui.settings;this.settings new Settings.AppletSettings(this, HTYMenusonichy, instance_id); this.settings.bind(menu-icon, menu…
阅读更多...
华为OD机试-食堂供餐-二分法

华为OD机试-食堂供餐-二分法

import java.util.Arrays; import java.util.Scanner;public class DemoTest3 {public static void main(String[] args) {Scanner in new Scanner(System.in);// 注意 hasNext 和 hasNextLine 的区别while (in.hasNextLine()) { // 注意 while 处理多个 caseint a in.nextIn…
阅读更多...
跨链模式：多链互操作架构与性能扩展方案

跨链模式：多链互操作架构与性能扩展方案

跨链模式&#xff1a;多链互操作架构与性能扩展方案 ——构建下一代区块链互联网的技术基石 一、跨链架构的核心范式演进 1. 分层协议栈&#xff1a;模块化解耦设计 现代跨链系统采用分层协议栈实现灵活扩展&#xff08;H2Cross架构&#xff09;&#xff1a; 适配层&#xf…
阅读更多...
MODBUS TCP转CANopen 技术赋能高效协同作业

MODBUS TCP转CANopen 技术赋能高效协同作业

在现代工业自动化领域&#xff0c;MODBUS TCP和CANopen两种通讯协议因其稳定性和高效性被广泛应用于各种设备和系统中。而随着科技的不断进步&#xff0c;这两种通讯协议也正在被逐步融合&#xff0c;形成了一种新型的通讯方式——开疆智能MODBUS TCP转CANopen网关KJ-TCPC-CANP…
阅读更多...
Keil 中设置 STM32 Flash 和 RAM 地址详解

Keil 中设置 STM32 Flash 和 RAM 地址详解

文章目录 Keil 中设置 STM32 Flash 和 RAM 地址详解一、Flash 和 RAM 配置界面（Target 选项卡）1. IROM1（用于配置 Flash）2. IRAM1（用于配置 RAM）二、链接器设置界面（Linker 选项卡）1. 勾选“Use Memory Layout from Target Dialog”2. 查看链接器参数（如果没有勾选上面…
阅读更多...
如何将联系人从 iPhone 转移到 Android

如何将联系人从 iPhone 转移到 Android

从 iPhone 换到 Android 手机时&#xff0c;你可能需要保留重要的数据&#xff0c;例如通讯录。好在&#xff0c;将通讯录从 iPhone 转移到 Android 手机非常简单&#xff0c;你可以从本文中学习 6 种可靠的方法&#xff0c;确保随时保持连接&#xff0c;不错过任何信息。 第 1…
阅读更多...
苍穹外卖--缓存菜品

苍穹外卖--缓存菜品

1.问题说明 用户端小程序展示的菜品数据都是通过查询数据库获得&#xff0c;如果用户端访问量比较大&#xff0c;数据库访问压力随之增大 2.实现思路 通过Redis来缓存菜品数据&#xff0c;减少数据库查询操作。 缓存逻辑分析&#xff1a; ①每个分类下的菜品保持一份缓存数据…
阅读更多...
Java-41 深入浅出 Spring - 声明式事务的支持 事务配置 XML模式 XML+注解模式

Java-41 深入浅出 Spring - 声明式事务的支持 事务配置 XML模式 XML+注解模式

点一下关注吧&#xff01;&#xff01;&#xff01;非常感谢&#xff01;&#xff01;持续更新&#xff01;&#xff01;&#xff01; &#x1f680; AI篇持续更新中&#xff01;&#xff08;长期更新&#xff09; 目前2025年06月05日更新到&#xff1a; AI炼丹日志-28 - Aud…
阅读更多...
【2025年】解决Burpsuite抓不到https包的问题

【2025年】解决Burpsuite抓不到https包的问题

环境&#xff1a;windows11 burpsuite:2025.5 在抓取https网站时&#xff0c;burpsuite抓取不到https数据包&#xff0c;只显示&#xff1a; 解决该问题只需如下三个步骤&#xff1a; 1、浏览器中访问 http://burp 2、下载 CA certificate 证书 3、在设置--隐私与安全--…
阅读更多...
[10-3]软件I2C读写MPU6050 江协科技学习笔记（16个知识点）

[10-3]软件I2C读写MPU6050 江协科技学习笔记（16个知识点）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023