## 分布式任务系统 cronsun 苏创绩 ## 目录 01 任务系统 02 分布式任务系统 03 cron sun 04 心得体会   ## 01 Part One 任务系统 ## 任务 1. 什么时间 2. 什么地点 3. 做什么事 ## 一 个简单的任务  星期数，范围：0-7（0和7都是星期天） 1.jpg) crontab cmd1 cmd2 cmd3 ## 早期的 cron V7, 1979 1. 在Version 7 Unix里是一个系统服务 2. 只用 root 运行任务 3. 算法简单直接 ## 早期的 cron 运行逻辑 1. 读 /usr/lib/crontab 文件 2. 如果有命令要在当前时间执行，就用 root 用去执行命令 3. Sleep 1

title: Electron 应用处理长任务 date: 2020-11-26 tags: electron, node ## description: 通过 Electron 托盘（tray）实现后台执行长任务。 Electron 应用在执行一些长时间任务（比如上传、下载），我们想关闭界面后任务依旧执行。再次打开界面，依旧可以看到正在执行的任务以及任务进度。托盘可以帮我们实现这个功能。 关闭应用前唤醒对话框二次确认 关闭应用时，触发对话框，可支持 3 种场景： 点击「取消」取消关闭操作； 点击「退出」，「后台运行」选中时，界面关闭，托盘不关闭，任务继续执行； 点击「退出」，「后台运行」不选中，界面、托盘关闭，直接退出，任务终止。 mainWindow.on('close', (e) => { dialog.showMessageBox({ resolve(__తిరిసె, 'icon.png')) message: '确定要退出吗？', detail: '选择后台运行。正在运行的任务将在系统托盘中继续运行。', checkboxLabel: '后台运行', checkboxChecked: true, buttons:

应用程序 |Chatbox|一个支持多种流行LLM模型的桌面客户端，可在Windows、Mac和Linux上使用| |---|---| |留白记事|留白让你直接在微信上使用DeepSeek管理你的笔记、任务、日程和待办清单！| |RSS翻译器|开源、简洁、可自部署的RSS翻译器| |Enconvo|Enconvo是AI时代的启动器，是所有AI功能的入口，也是一位体贴的智能助理。| |Cherry St 。一个独特的地理环境（如漂浮在云海中的大陆）。 。一种与众不同的魔法体系（例如靠记忆驱动的魔法）。 ☐ 一个围绕权力斗争展开的主要故事线。 问题：创造一个完全原创的奇幻世界，包括以下元素： - 目标：测试模型在创造性世界观构建和叙事框架设计上的能力。 ## 哲学性主题 - 问题：创作一个短篇故事，以“时间是否是真实的存在”为主题，通过故事中的角色和情节探讨这个问题。 目标：评估模型在文学作品中融入哲学思考的深度。

国科技公司，主攻大模型研发与应用。 • DeepSeek-R1是其开源的推理模型，擅长处理复杂任务且可免费商用。 性能对齐 OpenAI-o1 正式版 DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版。 ![Image](/uploads/documen 现突出。 非推理大模型：适用于大多数任务，非推理大模型一般侧重于语言生成、上下文理解和自然语言处理，而不强调深度推理能力。此类模型通常通过对大量文本数据的训练，掌握语言规律并能够生成合适的内容，但缺乏像推理模型那样复杂的推理和决策能力。 例如：GPT-3、GPT-4（OpenAI），BERT（Google），主要用于语言生成、语言理解、文本分类、翻译等任务。 |维度|推理模型|通用模型| |---|---|---| |优势领域|数学推导、逻辑分析、代码生成、复杂问题拆解|文本生成、创意写作、多轮对话、开放性问答| |劣势领域|发散性任务（如诗歌创作）|需要严格逻辑链的任务（如数学证明）| |性能本质|专精于逻辑密度高的任务|擅长多样性高的任务| |强弱判断|并非全面更强，仅在其训练目标领域显著优于通用模型|通用场景更灵活，但专项任务需依赖提示语补偿能力| ## 快思慢想：效能兼顾 全局视野 ||概率预测（快速反应模型，如ChatGPT

国科技公司，主攻大模型研发与应用。 • DeepSeek-R1是其开源的推理模型，擅长处理复杂任务且可免费商用。 性能对齐 OpenAI-o1 正式版 DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版。  ## 我是 DeepSeek，很高兴见到你！ 我可以帮你写代码、读文件、写作各种创意内容，请把你的任务交给我吧~ 给 DeepSeek 发送消息 深度思考 (R1) ![Image](/uploads/documents/5/1/3/f/513f8baf8f2fc5547b0250d9608bf2de/p9_2 现突出。 非推理大模型：适用于大多数任务，非推理大模型一般侧重于语言生成、上下文理解和自然语言处理，而不强调深度推理能力。此类模型通常通过对大量文本数据的训练，掌握语言规律并能够生成合适的内容，但缺乏像推理模型那样复杂的推理和决策能力。 例如：GPT-3、GPT-4（OpenAI），BERT（Google），主要用于语言生成、语言理解、文本分类、翻译等任务。 |维度|推理模型|通用模型| |---|---|---|

)的中国科技公司，主攻大模型研发与应用。 DeepSeek-R1是其开源的推理模型，擅长处理复杂任务且可免费商用。性能对齐OpenAI-o1正式版。 - DeepSeek-R1在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩OpenAI-o1正式版。 ![Image](/uploads/documents/ 好的，用户现在需要在1小时内完成一篇10000字的项目方案书，这看起来几乎不可能。首先，我需要理解这个请求的背景。用户可能遇到了紧急情况，比如突然接到任务，或者之前的拖延导致现在时间紧迫。这种情况下，用户可能会感到极度焦虑，甚至恐慌，担心无法按时完成任务，影响工作或项目进展。 接下来，我需要分析用户的需求。表面上看，用户需要快速生成大量内容，但深层需求可能包括如何高效组织思路、利用工具提升效率、以 提前准备：在沟通前，整理好自己的观点和感受，避免情绪化表达。 5. 引入专业资源：如需要，可以寻求律师或家庭顾问的帮助，确保遗产分配的合法性和公正性。 ## 提示语策略差异 ## 推理模型 - 提示语更简洁，只需明确任务目标和需求（因其已内化推理逻辑）。 - 无需逐步指导，模型自动生成结构化推理过程（若强行拆解步骤，反而可能限制其能力）。 ## 2 ## 通用模型 - 需显式引导推理步骤（如通过CoT提示），否则可能跳过关键逻辑。

Model Welfare Assessment PART IV · 能力基准 12 编程与推理能力 Coding and Reasoning Capabilities 13 多模态、搜索与真实世界任务 Multimodal, Search and Real-World Tasks 14 附录 Appendix §01 引言：Claude Opus 4.7是什么 Introduction: What 步骤高级任务中获得帮助。我们评估的过程是知识密集型、技能密集型、容易失败的，并且经常存在许多瓶颈步骤。新型化学和生物武器生产过程具有所有这些瓶颈，还有传统研发中涉及的额外瓶颈。我们相对于2023年可用工具所能实现的成果来衡量能力提升，当时AI模型的能力远不如现在。 2.2.2评估方式 Evaluations 通常，我们使用红队测试、能力提升实验、基于任务的长程Agent式评估（包括创造性和生成性任 务）以及自动化知识和技能评估来评估我们的模型。对于Opus4.7，我们将评估限定在红队测试、基于任务的长程Agent式评估以及知识和技能评估。 CB风险的自动化RSP评估在多个模型快照上运行，并在"仅有用"版本（移除了无害性安全护栏的版本）上进行。为了估算每项评估中模型的能力上限，我们报告了所有快照中每项评估的最高分。由于红队测试所需时间较长，红队测试在从较早快照获得的"仅有用"版本上进行。我们根

出发，将各类创新技术有效整合、创新产品、规模化交付，进一步加速普及进程。 2022年以来，以大模型为主的生成式AI技术取得重大突破并快速发展，大模型展现出令人惊叹的智能涌现能力，表现出更为强大的创造性和通用场景适用性。首先取得重大突破的公共大模型，从人类社会大量的公共数据中学习，进而生成高质量的文本、图像、声音、视频等内容，为多领域的智能创新提供了巨大潜力。然而，出于数据安全和隐私保护的考虑，以 互的优势，以友好、直观的方式降低用户使用门槛，让每个用户都能够轻松上手，自然地与AI互动。 ## 压缩之后依然具备通用场景服务能力 个人大模型需要具备强大的AI能力，满足用户日益增长的AI需求和任务复杂度。这需要本地、公共大模型互为补充、各有所为。模型终端化的关键是将大模型压缩到适合终端的规模，以便实现本地推理和实时响应。为此，模型蒸馏、压缩等技术变得至关重要。 模型蒸馏通过训练“教师”网络 的本地算力支撑。在通用的算力平台上，CPU为主的算力结构，难以满足AI神经网络的并行计算负载的要求，也不具备经济性。 随着用户使用AI应用的频次提高，对个人大模型的依赖程度越来越大，本地推理类AI任务的总量也将迅速提升。这要求端侧计算架构的升级和AI算力的同步提升。 ## 需要基于个人数据和隐私信息进行微调和个性化服务 个人大模型的普及，必然带来用户对大模型的专属化需求的提高。而云端公共大模