Design Vue 对比测评 ，哪个更好？ 作者：HiJiangChuan 原文链接：https://ld246.com/article/1649305618750 来源网站：链滴 许可协议：署名-相同方式共享 4.0 国际 (CC BY-SA 4.0) 本文首发：《Element Plus 和 Ant Design Vue 对比测评，哪个更好？》 Vue 3 发布后，各家第三方库开始陆续重构并支持 esign Vue 也相续发布新版支持 Vue 3。到底应该怎么选择呢？本文从多个纬度对两个框架进行对比 测评。 原文链接：Element Plus 和 Ant Design Vue 对比测评，哪个更好？ Element Plus 发布正式版后，下载量飙升，当然这也依托于 Element UI 的占有率和好口碑。有关 El ment Plus 的入门教程可看这篇：《Element Plus for 面向 Vue 3.0 构时，一次性全部解决。 Ant Design Vue 1.x 仅支持 Vue 2 ，2.x 是为了 Vue 3 开发的兼容版，并没有任何新特性，大多数的 API 也只是为了更好的兼容 Vue 3 ，3.x 版在易用性、功能、性能上都有了很大的提升，可以说是对 ue 3 比较成熟支持的版本了。 浏览器兼容性 Element Plus 和 Ant Design Vue 3

后，性能和模型预估稳定性上均获得了较大幅度的提升。 更加重要的是，Poker 平台的在线预估服务管理和 Augur 预估框架，还将算法同学 从繁复且危险的上线操作中解放出来，更加专注于算法迭代，从而取得更好的效果。 以点评搜索为例，在 Poker+Augur 稳定上线之后，经过短短半年的时间，点评搜索 核心 KPI 在高位基础上仍然实现了大幅提升，是过去一年半涨幅的六倍之多，提前半 算法 < 19 年完成全年的目标。 4.4 进阶预估操作：模型也是特征 4.4.1 Model as a Feature，同构 or 异构？ 在算法的迭代中，有时会将一个模型的预估的结果当做另外一个模型输入特征，进而 取得更好的效果。如美团搜索与 NLP 中心的算法同学使用 BERT 来解决长尾请求商 户的展示顺序问题，此时需要 BERT as a Feature。一般的做法是离线进行 BERT 批量计算，灌入特征存 、长期偏好（品类、价格 等等）特征；另一类是动态变化的特征，例如刻画用户兴趣的实时行为序列特征。而 用户实时行为特征能够明显加强不同样本之间的区分度，所以在模型中优化用户行为 序列建模是让模型更好理解用户的关键环节。 目 前， 主 流 方 法 是 采 用 对 用 户 行 为 序 列 中 的 item 进 行 Sum-pooling 或 者 Mean-pooling 后的结果来表达用户的兴趣，这种假设所有行为内的

技术可以分为三层：
第⼀层是
scaling
law
结合
next-token-prediction。这个基础对所有⼈都是⼀样的，追赶过程逐渐收 敛。在这个路径上，
OpenAI
现在做得更好，因为他们过去四五年投⼊了相应的资源。 第⼆层现在有两个核⼼问题。⾸先是如何通⽤地表⽰这个世界？真正的“通⽤”是像计算机⼀样，⽤
0
和
1

就能表⽰整个世界。对于基于
transforme
海外独⻆兽：从建⽴产品和公司竞争壁垒的⻆度，⼯业时代讲究规模效应，互联⽹时代讲究⽹络效 应，AGI
时代会有新范式吗？
杨植麟：短期是组织⽅式的变化带来技术上的提升
⸺
你通过更好的组织带来更好的技术，然后在产 品上直接传递出更好的体验。 ⻓期⼤概率还是⽹络效应。问题在于⽹络效应的体现⽅式是什么？⽐如以前互联⽹的双边⽹络可能仍 然会存在，但并不是⽤⼾和创作者双边。AI-Native
产品的双边⽹络可能体现在个性化上，⽤⼾和
AI
存 标题就叫《ExpLoring
the
Limits
of
Language
Modeling》，但是你会发现最终的结果就是⼀⽆所获。
因为当模型变⼤之后，你 并不能得到⼀个更好的模型，训练损失不会更低，也不能得到更好的泛化的结果。⽽只有Transformer 架构是能够被scale（扩⼤规模）的。所以本质上，我们是需要⼀个可被规模化的⽹络架构，就是 Transformer。
本质上，正是

考虑那些琐碎的配位 过程和检查错误，比记忆大量的随计算机而改变的十六进制代码、可能弄错而没有任何提示 要强的多。熟练的汇编语言编码员甚至可以直接从十六进制代码中读出汇编语言的大致意 思。当然，我们有更好的工具——汇编器和反汇编器。 简单地说，汇编语言就是机器语言的一种可以被人读懂的形式，只不过它更容易记忆。 至于宏汇编，则是包含了宏支持的汇编语言，这可以让你编程的时候更专注于程序本身，而 不是忙于计算和重写代码。 第二章 认识处理器 中央处理器(CPU)在微机系统处于“领导核心”的地位。汇编语言被编译成机器语言之 后，将由处理器来执行。那么，首先让我们来了解一下处理器的主要作用，这将帮助你更好 地驾驭它。 典型的处理器的主要任务包括从内存中获取机器语言指令，译码，执行根据指令代码管 理它自己的寄存器根据指令或自己的需要修改内存的内容响应其他硬件的中断请求。一般说 来，处理器拥有对整个系统的所有总线的控制权。对于 的内容 递增或递减寄存器的值： inc reg(8,16,32) dec reg(8,16,32) 这两个指令往往用于循环中对指针的操作。需要说明的是，某些时候我们有更好的方法来处 理循环，例如使用 loop 指令，或 rep 前缀。这些将在后面的章节中介绍。 将寄存器的数值与另一寄存器，或立即数的值相加，并存回此寄存器： add reg32, reg32

的变换和对齐。另外，我们还将原始的 SPPF 优化设计为更加高效的 SimSPPF。 图 4 EfficientRep Backbone 结构图 Rep-PAN：在 Neck 设计方面，为了让其在硬件上推理更加高效，以达到更好的精 度与速度的平衡，我们基于硬件感知神经网络设计思想，为 YOLOv6 设计了一个更 有效的特征融合网络结构。 Rep-PAN 基于 PAN[6] 拓扑方式，用 RepBlock 替换了 YOLOv5 Training, QAT）两个方面进行分析，探索出了一 条切实可行的量化方案。 YOLOv6 采用了多分支的重参数化结构 [2]（如图 1A 所示），通过在网络结构层面加 入人工先验可以在训练阶段让模型更好收敛。在推理阶段，多分支可以等价合并为单 路，从而提升运行速度。但现有的训练后量化方法，不能很好应对多分支结构带来的 剧烈变动的数值范围，导致量化后产生严重的精度损失 [3]。另外，如何针对多分支结 QAT）。量化感知训练（Quantization Aware Training, QAT）可以改 善 PTQ 量化精度损失，通过在训练过程中对卷积等算子加入伪量化操作（如图 4 所 示），使得网络参数能更好地适应量化带来的信息损失，从而显著降低量化后的精度 损失。 模型蒸馏作为一种有效的提升小模型精度的方法，在 QAT 过程中被广泛使用，来提 升量化模型的精度。以下，我们将探索针对 YOLOv6

ARM64、x86_64 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB 若需要在嵌入式环境上安装 openEuler 操作系统，则嵌入式硬件需要满足以下兼容性和最小硬件要求。 嵌入式 部件名称 最小硬件要求 架构 ARM64、ARM32、x86_64 内存 为了获得更好的体验，建议不小于 512MB 硬盘 为了获得更好的体验，建议不小于 256MB 若需要在边缘设备环境上安装 openEuler 操作系统，则边缘设备硬件需要满足以下兼容性和最小硬件要求。 边缘设备 部件名称 最小硬件要求 架构 ARM64、x86_64 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB openEuler 安装时，应注意虚拟机的兼容性问题，当前已测试可以兼容的虚拟机及组件列表如下： • centos-6 qemu 6.2.0-79 virt-manager 4.1.0.2-oe2309 qemu 8.1.0 虚拟机 部件名称 最小虚拟化空间要求 架构 ARM64、x86_64 CPU 2 个 CPU 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB 场景创新 09 openEuler 23.09 技术白皮书 场景创新 场景创新 10 openEuler 23.09 技术白皮书 异构通用内存管理框架（GMEM）特性

ARM64、x86_64 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB 若需要在嵌入式环境上安装 openEuler 操作系统，则嵌入式硬件需要满足以下兼容性和最小硬件要求。 嵌入式 部件名称 最小硬件要求 架构 ARM64、ARM32 内存 为了获得更好的体验，建议不小于 512MB 硬盘 为了获得更好的体验，建议不小于 256MB 若需要在边缘设备环境上安装 若需要在边缘设备环境上安装 openEuler 操作系统，则边缘设备硬件需要满足以下兼容性和最小硬件要求。 边缘设备 部件名称 最小硬件要求 架构 ARM64、x86_64 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB openEuler 安装时，应注意虚拟机的兼容性问题，当前已测试可以兼容的虚拟机及组件列表如下： • centos-7.9 qemu 1.5 fc35 virt-manager 3.2.0-4.fc35 虚拟机 部件名称 最小虚拟化空间要求 架构 ARM64、x86_64 CPU 2 个 CPU 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB 09 openEuler 22.03 LTS SP2 技术白皮书 场景创新 场景创新 10 openEuler 22.03 LTS SP2

部件名称 最小硬件要求 架构 AArch64、x86_64 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20 GB 部件名称 最小虚拟化空间要求 架构 AArch64、x86_64 CPU 2 个 CPU 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20 GB 10 11 openEuler 21.03 策略，可以显著改善高优先级任务的调度延迟， 降低对其他任务的干扰。优化 NUMA balancing 机制，带来更好的亲和性、更高的使用率和更少 的无效迁移。 2. CPU 隔离机制增强：支持中断隔离，支持 unbound kthreads 隔离，增强 CPU 核的隔离性， 可以更好的避免业务间的相互干扰。 3. 进程间通信优化：pipe_wait、epoll_wait 唤醒机 制优化，解决唤醒多个等待线程的性能问题。 commit，可以大大减少 fsync 等耗时操作，带来 更好的性能。 11. dm-writecache 特性：提升SSD大块顺序写性能， 提高 DDR 持久性内存的性能。 12. 支持 io_uring：io_uring 是一个新的异步 IO 框架， 支持 polling 模式，在 polling 模式下，性能提升 显著，与 SPDK 接近，在队列深度较高时性能更好。 13. IMA 商用增强：在开源

内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB 部件名称 最小硬件要求 架构 ARM64、x86_64 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB 部件名称 最小硬件要求 架构 ARM64、ARM32 内存 为了获得更好的体验，建议不小于 512MB 硬盘 为了获得更好的体验，建议不小于 为了获得更好的体验，建议不小于 256MB 部件名称 最小虚拟化空间要求 架构 ARM64、x86_64 CPU 2 个 CPU 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB openEuler 22.09 技术白皮书 11 openEuler 22.09 技术白皮书 10 04/ 场景创新 22.09 首次发布面向边缘计算的 openEuler 22.09 Edge Redis 性能。 • 支持 AArch64 SME (Scalable Matrix Extension)：ME 是下一代 SIMD，其功能超越了 ARM 的 Neon。旨在为 AArch64 提供更好的 HPC 和机器学习性能。 • 引入 Rust for linux 驱动框架：为 Linux 提供了 Rust 相关的基础设施和方便编写 Linux 驱动的框架。 • 支持程序代码段大页特性：可以减少

兼容性列表：https://openeuler.org/zh/compatibility/。 服务器 部件名称 最小硬件要求 架构 ARM64、x86_64 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB 虚拟机 openEuler 安装时，应注意虚拟机的兼容性问题，当前已测试可以兼容的虚拟机及组件如下所示。 1. 以 openEuler 24 个 CPU 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB 09 openEuler 24.03 LTS 技术白皮书 运行环境 嵌入式 若需要在嵌入式环境上安装 openEuler 操作系统，则嵌入式硬件需要满足以下兼容性和最小硬件要求。 部件名称 最小硬件要求 架构 Arm64、Arm32 内存 为了获得更好的体验，建议不小于 512MB 512MB 硬盘 为了获得更好的体验，建议不小于 256MB 边缘设备 若需要在边缘设备环境上安装 openEuler 操作系统，则边缘设备硬件需要满足以下兼容性和最小硬件要求。 部件名称 最小硬件要求 架构 Arm64、x86_64 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB 场景创新 10 openEuler 24.03 LTS 技术白皮书