## 2023 中国开源开发者报告 China Open Source 2023 Annual Report ## LLM 技术报告 出品：OSCHINA & Gitee 编委会： 雨多田光，OSCHINA总编 局长，OSCHINA主编 王茜，OSCHINA主编 叶子，OSCHINA新媒体运营 鱼仔，OSCHINA新媒体运营 诺墨，Gitee开源社区产品负责人 李泽辰，Gitee 主编 李涛，APUS董事长兼CEO 2023年12月发布 设计：张琪 ## LLM 技术报告 大语言模型（LLM）技术作为人工智能领域的一项重要创新在今年引起了广泛的关注。 LLM 是利用深度学习和大数据训练的人工智能系统，专门设计来理解、生成和回应自然语言。这些模型通过分析大量的文本数据来学习语言的结构和用法，从而能够执行各种语言相关任务。以 GPT 系列为代表，LLM 以其在自 以其在自然语言处理领域的卓越表现，成为推动语言理解、生成和应用的引擎。 LLM 在多个领域都取得了令人瞩目的成就。在自然语言处理领域，GPT 系列模型在文本生成、问答系统和对话生成等任务中展现出色的性能。在知识图谱构建、智能助手开发等方面，LLM 技术也发挥了关键作用。此外，它还在代码生成、文本摘要、翻译等任务中展现了强大的通用性。 本报告从技术人视角出发，将深入探讨 LLM 技术的背景、基础设施、应用现状，以及相关的工具和平台。

## JVM 内存模型 

dubbogo精进之路：从开源项目到开源产品 于雨 360云平台基础架构部服务端开发资深专家 个人经历 1 项目历程 2 DUBBO Stack 3 dubbogo 社区 4 第一部分 开源经历 ’ alt=‘OCR图片’/> 简介 dubbogo 社区负责人 Pika 项目负责人 （前）蚂蚁 seata 开源负责人 阿里开源先锋人物、阿里开源大使 2022开放原子开源基金会年度开源贡献之星 2022开放原子开源基金会年度开源贡献之星 2022 信通院 OSCAR 尖峰开源人物 dubbo一go中国科学技术协会 2021年度优秀开源产品 ’ alt=‘OCR图片’/> 开源里程 ’ alt=‘OCR图片’/> 开源感悟 主动做事 多学习多思考 经常沟通 保证质量 充满责任感与使命感 长期保持专注 ’ alt=‘OCR图片’/> 第二部分 项目历程 ’ alt=‘OCR图片’/> HSF、TDDL、MetaQ、TXC、Diamond 日均百亿级别调用，标准3服务节点集群吞吐达近10wTPS 可用性/性能SLA 99.99%，毫秒级服务调用，全年无故障 ’ alt=‘OCR图片’/> 开源形态 一个开源的一站式解决方案，致力于提供高性能和简单易用的微服务平台 ’ alt=‘OCR图片’/> 典型案例 以Dubbo-go为中心的微服务体系在多个知名企业中成功落地和实践，框架的稳定性在实际场

## 走进开源 - Apache ServiceComb ## 议程 · 什么是开源 • 开源开发是什么状态 • 如何参与开源 ## 软件发展史 ## 软件历史 商业软件：1980~2005 完胜 自由软件：从未胜利，仅有 GNU/Linux 软件 开源软件：1998 开始起步，2010 年后崛起   开源软件 开源软件  服务，相关产品  商业软件 ## 开源发展第一阶段 ## Free Software ![Image](/uploads/documents/9/c/6/c/9c6c3c1a37a74aea353bd3c7f78c86cd/p4_1

CloudWeGo INTRODUCTION TO OPEN SOURCE PROJECTS CloudWeGo开源项目介绍 CLOUDWEGO 目录 第一章 项目介绍 1.1 CloudWeGo 的项目和用户 01 1.2 CloudWeGo 如何帮助企业用户 解决微服务构建中遇到的问题 02 1.2.1 提供免费企业用户支持 第二章 不同场景下的解决方案 2.1 Golang RPC框架 Kitex 架构设计（框架特点/框架性能/扩展能力） 项目介绍 CloudWeGo是一套由字节跳动开源的、可快速构建企业级云原生微服务架构的中间件集合。在github开源后获得超过1w的star和超142位贡献者。 项目官网：https://www.cloudwego.io/ github: https://github.com/cloudwego CloudWeGo 开源的主打项目 Golang RPC框架：Kitex（目前已 提供高性能的框架项目，让用户不用关注其中过多技术细节，同时还提供开箱即用的脚手架工具，外加配套齐全的扩展能力。（后文详细介绍） 高可靠 所有开源在 CloudWeGo 项目中的特性，都经过在字节内部的可靠性使用验证。不会随意开源特性进入开源库。 内外一致。开源项目版本和字节内部使用版本一致，统一维护，不维护两套代码。可靠性同时获得外部验证 免费提供企业技术支持 CloudWeGo免费为企业用户提供

RUST CHINA CONF 2023 第三届中国 Rust 开发者大会 王俊吉 6.17-6.18 @Shanghai ## Outline ## RustBelt - Rust 的形式化语义模型 Background Rust Semantics • RustBelt Project • Type System • Rust Types Overview • The own Predict

# Kubernetes 开源书 周立 http://www.itmuch.com  干货小程序 ![Image](/uploads/documents/7/8/7/e/787e8cea9dd248c8232c0a0c1f918132/p1_2 1.27 27-Ingress Resources 1.28 28-动态水平扩容 1.29 29-实战：使用K8s编排WordPress博客 1.30 ## 简介 Kubernetes开源书。不啰嗦了，JUST READ IT. • GitHub地址：https://github.com/itmuch/docker-book • Gitee地址：https://gitee.com/itmuch/docker-book 欢迎star、fork，一起讨论！ QQ群：731548893 微信群：加jumping_me，注明加群。 ## 什么是kubernetes Kubernetes是一个旨在自动部署、扩展和运行应用容器的开源平台。 使用Kubernetes，您可以快速有效地回应客户需求： - 快速、可预测地部署应用。 ● 动态缩放您的应用。 无缝地推出新功能。 ● 仅对需要的资源限制硬件的使用 我们的目标是

AI agent, etc. 最新版本 Qwen1.5 有以下特点： • 6 种模型规模，包括 0.5B、1.8B、4B、7B、14B 和 72B； - 针对每种尺寸提供基础模型和 Chat 模型，并确保聊天模型按照人类偏好进行校准； • 对基础模型和 Chat 模型的多语言支持 - 基础模型和聊天模型都支持多种语言； - 支持工具调用、RAG（检索增强文本生成）、角色扮演、AI Agent 微信群。很期待见到你们！ ## 文档 ### 1.1 安装 要快速上手 Qwen1.5，您可以从 Hugging Face 安装 transformers 库，并使用 Qwen1.5 Collection 中的模型。我们建议您安装最新版本的 transformers 库，或者至少安装 4.37.0 版本。 #### 1.1.1 Pip 安装 pip install transformers -U #### 我们建议您首先尝试使用 transformers 进行推理。请确保已安装了 transformers>=4.37.0 版本。以下是一个非常简单的代码片段示例，展示如何运行 Qwen1.5-Chat 模型，其中包含 Qwen1.5-7B-Chat 的实例： from transformers import AutoModelForCausalLM, AutoTokenizer device = "cuda"

## 架构分层模型适配 有效防止架构腐化实践 吴雪峰@201811 DDCHINA ## CONTENTS 01 DDD分层参考架构 02 严纪律 防腐化 — 分层模型适配 03 分层模型适配实例 ## DDD分层参考架构 ## DDD分层参考架构 前端应用  给用户提供界面，关注用户交互和体验 为前端应用提供API服务，关注事务和分布式等技术性问题 领域模型和领域逻辑，关注业务概念。 访问外界系统（调用外界系统）的技术相关实现。 分层依据: 干系人和技术点 ## DDD分层参考架构 - 前端应用 前端应用 UX关注的层  ## 腐化案例: 亏空 大量技术术语业务人员完全看不懂领域模型和领域逻辑，关注业务概念。

## 深度学习-序列模型 黄海广 副教授 2023年05月 ## 本章目录 01 序列模型概述 02 循环神经网络(RNN) 03 长短期记忆(LSTM) 04 双向循环神经网络 05 深层循环神经网络 ### 1. 序列模型概述 ## 01 序列模型概述 02 循环神经网络(RNN) 03 长短期记忆(LSTM) 04 双向循环神经网络 05 深层循环神经网络 ### ### 1. 序列模型概述 循环神经网络（RNN）之类的模型在语音识别、自然语言处理和其他领域中引起变革。  ## 数学符号 在这里 $ x^{<1>} $ 表示Harry这个单词，它就是一个第4075行是1，其余值都是0的向 卷积神经网络或全连接网络的局限性 · 同一层节点之间无关联，从而导致获取时序规则方面功能不足 ## • 循环神经网络可以解决时序问题 · 基于语言模型（LM），故可以捕捉时序规则信息 它是如何实现的？ ### 2. 循环神经网络(RNN) 01 序列模型概述 02 循环神经网络(RNN) 03 长短期记忆(LSTM) 04 双向循环神经网络 05 深层循环神经网络 ### 2. 循环神经网络(RNN)