Python_0011的博客

实际上，它支持的服务数量超过48个，包括思科auth、思科enable、IMAP、IRC、LDAP、MS-SQL、MYSQL、Rlogin、Rsh、RTSP和SSH(v1和v2)。当然，是在恶意黑客找到这些漏洞之前。而这些业内安全专家各自钟爱的工具各种各样，一些工具是公开免费的，另一些则需要支付费用，但这篇文章向你保证，值得一看。SecLists，看名字就知道，这是一份列表集，托管在GitHub上，列表类型包括用户名、口令、常见数据模式、模糊测试载荷、shell等等，可帮助渗透测试员快速完成手头任务。

本文盘点了几款免费又好用的 LLM API，并接入了 OneAPI 统一管理！你要问目前这些免费的 API 中，哪个更能打？我要说：Google 家的指令遵循最佳，没有之一！2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享**

模型蒸馏是通过将大模型的知识迁移到小模型的一种方法。简单来说，蒸馏的目的是通过“蒸馏”大模型的知识，得到一个较小但仍具备相似表现的小模型。这一过程可以帮助我们减少计算资源和存储消耗，同时在某些场景下，蒸馏后的模型甚至可以提供比大模型更快的推理速度。模型蒸馏最早由Hinton等人在2015年提出，并在之后的研究中被广泛应用于深度学习的各类任务中。我们定义一个简单的教师模型和学生模型。教师模型较大，学生模型较小。

本文主要总结本人最近跑过的大模型微调项目。相信大家这几个月都会不断新出的微调大模型项目刷屏，频率基本每天都有高星的项目诞生，部分还宣称自己达到GPT的百分之多少，一方面弄得大家过度乐观，一方面弄得大家焦虑浮躁。面对这种情况，我的建议是「。把这些项目 clone 下来，跑跑代码，把项目用到的数据集下载下来做做EDA，把项目训练完的checkpoint下载下来，用自己的例子跑跑。。回归正题，这篇博文聊聊一些热门的大模型微调项目。

通俗来讲，大模型就是输入大量语料，来让计算机获得类似人类的“思考”能力，使之能够理解自然语言，能够进行『文本生成』、『推理问答』、『对话』、『文档摘要』等工作。

在掌握机器学习之前，理解支撑这些算法的基本数学概念非常重要。：这是理解许多算法（特别是深度学习算法）的关键。主要概念包括向量、矩阵、行列式、特征值和特征向量、向量空间以及线性变换。：许多机器学习算法涉及到连续函数的优化，这需要理解导数、积分、极限和级数。多变量微积分以及梯度的概念也很重要。：这些知识对于理解模型如何从数据中学习并进行预测至关重要。主要概念包括概率理论、随机变量、概率分布、期望、方差、协方差、相关性、假设检验、置信区间、最大似然估计和贝叶斯推断。有的时候临时抱佛脚也是可以的。

可训练权重：赋予模型学习不同表示空间的能力缩放点积：解决大维度下的梯度消失问题模块化实现：为构建更复杂架构奠定基础。

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享**

自然语言处理目前存在一个重要范式：一般领域数据的大规模预训练，对特定任务或领域的适应（finetune）。但是随着预训练语言模型越来越大，这个范式存在以下问题：● 当我们 finetune 大模型时，由于训练成本太高，不太可能重新训练所有模型参数● 以前的方法（论文发表于 2021 年）都或多或少有其它性能问题，如 adapter 增加了模型层数，引入了额外的推理延迟；prefix-tuning 比较难训练，效果不如直接 finetune。

本篇文章深入分析了大型模型微调的基本理念和多样化技术，细致介绍了LoRA、适配器调整(Adapter Tuning)、前缀调整(Prefix Tuning)等多个微调方法。详细讨论了每一种策略的基本原则、主要优点以及适宜应用场景，使得读者可以依据特定的应用要求和计算资源限制，挑选最适合的微调方案。大型语言模型(LLM)的训练过程通常分为两大阶段：阶段一：预训练阶段在这个阶段，大型模型会在大规模的无标签数据集上接受训练，目标是使模型掌握语言的统计特征和基础知识。

大模型微调（Fine-tuning）是指基于预训练的大型语言模型（如GPT、BERT等），通过特定领域或任务的数据进行二次训练，使模型适应具体应用场景的技术过程。与从零开始训练相比，微调能够以较低成本实现模型的领域适配，是AI大模型落地应用的核心技术路径。

本文概述 RAG 的核心算法，并举例说明其中的一些方法。RAG融合是一个强大的功能，能够提高RAG应用的语义搜索效率。通过使用语言模型生成多个查询并对搜索结果进行重新排序，RAG融合可以呈现更丰富多样的内容，并提供了一个额外的层次，用于调整应用。此外，RAG融合还可以实现自动纠正、节省成本以及增加内容多样性。但是，需要注意一些权衡，比如潜在的延迟问题、自动纠正的挑战以及成本影响。对于依赖常见概念但可能出现内部行话或重叠词汇的应用来说，RAG融合尤其有用。

大模型 Agent，作为一种人工智能体，是具备环境感知能力、自主理解、决策制定及执行行动能力的智能实体。简而言之，它是构建于大模型之上的计算机程序，能够模拟独立思考过程，灵活调用各类工具，逐步达成预设目标的智能存在。Agent 是 AI 大模型应用的主要新形态，在技术架构范式也发生了很大的变化，从面向过程的架构变成了面向目标架构。**2**_—_

最近大家都在提Agent，例如AutoAgent、Dify、Manus等，突然想到一个问题，那么什么才是Agent，有没有明确的定义呢？为此关于Agent的定义，网上搜索了一圈，说其最早“Agent”这个词可以追溯到古罗马时期，并且还能够从一些哲学家的哲学作品找到影子。一篇文章中说Agent的哲学概念泛指具有自主性的概念或实体，它可以是人造的物体，可以是植物或动物，当然也可以是人。这定义挺好的，我没意见。感兴趣的小伙伴可以就这个定义去搜索了解一下，把故事线梳理清楚了可以整篇论文了。

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。优化 prompt 以及添加更多工具来实现更复杂的功能，比如使用更优的爬虫工具，以及通过深度爬虫爬取对应补丁的帖子，这样在回答的最新补丁版本号的同时返回具体内容。

MCP旨在解决大模型在处理长对话、多轮交互时面临的上下文长度限制导致的信息丢失问题。MCP采用分层注意力机制，包括局部注意力处理当前窗口交互，全局注意力存储长期关键信息，并通过上下文压缩自动生成语义摘要和构建实体-关系图谱来结构化存储对话内容。

大模型（Large Model）是指参数规模庞大、训练数据量巨大且计算资源需求极高的机器学习模型，通常属于深度学习领域。这类模型通过海量数据和复杂结构，能够捕捉更抽象的模式，完成多种复杂任务。

1）突破了远距离文本依赖的学习限制，避开了递归网络的模型体系结构，并且完全依赖于注意力机制来绘制输入和输出之间的全局依赖关系。2）可高度并行进行训练，这对发挥硬件红利以及快速迭代模型非常重要。下图是论文提到的Transformer模型，对编码器和解码器使用堆叠式的自注意力和逐点式、全连接层，分别如图1的左半部分（编码器）和右半部分（解码器）所示，相关技术细节后面会重点讲到。

引用计数：给一个变量赋值引用类型，则该对象的引用次数+1，如果这个变量变成了其他值，那么该对象的引用次数-1，垃圾回收器会回收引用次数为0的对象。但是当对象循环引用时，会导致引用次数永远无法归零，造成内存无法释放。标记清除：垃圾收集器先给内存中所有对象加上标记，然后从根节点开始遍历，去掉被引用的对象和运行环境中对象的标记，剩下的被标记的对象就是无法访问的等待回收的对象。当元素的尺寸或者位置发生了变化，就需要重新计算渲染树，这就是回流DOM元素的几何属性()发生变化时会触发回流。

在父元素设置，子元素受弹性盒影响，默认排成一行，如果超出一行，按比例压缩 flex:1;子元素设置，设置子元素如何分配父元素的空间，flex:1,子元素宽度占满整个父元素align-items:center 定义子元素在父容器中的对齐方式，center 垂直居中justify-content:center 设置子元素在父元素中居中，前提是子元素没有把父元素占满，让子元素水平居中。

本文字数1600+ ，阅读时间大约需要 5分钟。：文章发布时间在本期「掘金一周」发布时间的前一周内；且符合各个栏目的内容定位和要求。如发现文章有抄袭、洗稿等违反社区规则的行为，将取消当期及后续上榜资格。

RCE漏洞：攻击者直接向后台服务器远程注入操作系统命令或者代码。主要分为远程代码执⾏和远程命令执行。本章主要说的是命令执行漏洞（remote command execute）。remote code execute（远程代码执⾏）remote command execute （远程命令执⾏）

安全是一门朴素的学问，也是一种平衡的艺术。如同开发者会遇到的挑战一样，有很多问题，不放到一个海量用户的环境下，是难以暴露出来的。由于量变引起质变，所以管理10台服务器，和管理1万台服务器的方法肯定会有所区别；同样的，评估10名工程师的代码安全，和评估1000名工程师的代码安全，方法肯定也要有所不同。安全工程师的核心竞争力不在于他能拥有多少个 0day，掌握多少种安全技术，而是在于他对安全理解的深度，以及由此引申的看待安全问题的角度和高度。互联网公司的最大特色和法宝。

该系列是[张风捷特烈]的 Flame 游戏开发教程。Flutter 作为全平台的原生级渲染框架，兼具全端跨平台和高性能的特点。目前官方对休闲游戏的宣传越来越多，以 Flame 游戏引擎为基础，Flutter 有游戏方向发展的前景。本系列教程旨在让更多的开发者了解 Flutter 游戏开发。第一季：30 篇短文章，快速了解 Flame 基础。[已完结]第二季：从休闲游戏实践，进阶 Flutter&Flame 游戏开发。两季知识是独立存在的，第二季不需要第一季作为基础。本系列教程源码地址在。

你是否对 AI 编程充满好奇，却不知从何入手？你是否想体验高效编程，却苦于没有合适的工具？现在，机会来了！Trae，中国首个 AI 原生 IDE，携手稀土掘金技术社区推出 「与AI结伴，编程不孤单」 活动，让你轻松体验 AI 编程的魅力，完成任务即有机会赢取丰厚奖励！🎁。

优化方向核心措施布局与数据绑定简化布局层级、使用 DiffUtil 局部更新快速滑动处理滑动时暂停图片加载、禁用非必要动画图片加载优化Glide/Coil + 压缩缓存策略复用效率提升共享视图池、预加载 ViewHolder通过布局简化、数据差异更新、滑动预加载、图片加载优化等综合手段，可显著提升 RecyclerView 的性能。布局层级扁平化：减少测量和布局时间。DiffUtil 替代全量刷新：精准更新变化项。滑动状态感知加载：平衡流畅度与用户体验。合理使用缓存。

我们需要对存活的站点进行查看，最严谨的做法是一一查看，找寻其中的漏洞，同时这样也最消磨我们这种小白的耐心，这里直接看Finger扫描输出文件里面的title，看是否带着 “系统”、“平台”、“登录”等字眼，这些站点是最好出漏洞的地方，因为他们往往存在登录框，可测的东西就多了。登录typ123账号，测试内部功能点，都测了一下，没有测出所以然，突然我想起之前看到的文章，抓登录请求返回包，说干就干，果然，有不一样的地方。收集到的子域名还是蛮多的，主要是子域名直接就可以复制到txt文件，方便后续域名探针。

顾名思义，越权漏洞就是由于设计上的缺陷对应用程序的权限做的不好。通俗点来说，就是用户A可以通过某种方式查看到用户B的个人信息，或者可以查看管理员C的一些相关信息。

验证码（CAPTCHA）是一种用于区分人类用户和机器人的测试，通常以图像、音频或文字形式呈现给用户，要求用户根据提示进行识别或操作。验证码的目的是防止自动化程序（如恶意机器人）对系统进行恶意攻击或滥用。验证码复用指的是在验证码在生成和被使用后，网站后端没有及时主动销毁或更新该验证码，导致该验证码可以被重复使用。恶意用户可以将重复利用同一验证码，绕过验证码的验证机制，直接访问后续业务。验证码复用漏洞是一种安全漏洞，通常出现在需要验证码验证的系统中。

本人在挖掘漏洞的过程中，遇到的逻辑漏洞还是比较多的，其中就有不少短信轰炸漏洞。今天就以我挖掘到的一些短信轰炸漏洞为例子，主要是分享一些思路，还请大佬们多多包涵。由于实际到真实厂商，对一些敏感信息进行了打码，大家伙看看思路即可。短信轰炸漏洞，顾名思义就是可以无限制地发送短信，原理由于短信业务逻辑设计缺陷，没对短信发送次数做限制，导致可以大量重复发送短信验证码。该漏洞会对其他用户造成骚扰或使厂商的运营商短信费用的增加，造成损失。

随着网民越来越习惯于网上购物，出现了越来越多的电商网站，在线交易平台等。其中肯定要涉及在线支付的流程，而这里面也有很多逻辑。由于这里涉及到金钱，如果设计不当，很有可能造成0元购买商品等很严重的漏洞。

在学习了大量web逻辑漏洞的知识后，想进行实战。练练手。作为小菜鸡的我，这是我第二次进行实战挖洞，可能会存在许多问题。望各位大师傅多多指点。闲话少说，直接开整。

Tab⌘ K⌘ L⌘ I提高编码效率：Cursor 的智能代码补全和实时建议功能显著加快了编码速度，减少了在编写代码时的思考时间。减少 bug 率：通过实时的错误检测和智能重构，Cursor 能够及时捕捉拼写和语法错误，提升代码的质量和可靠性。攻克疑难问题：对于复杂困难的编码问题，Cursor 能够提供一下解决问题灵感，协助快速实现问题，解决疑难杂症。提升学习效果：Cursor 提供的即时反馈和解释功能，有助于理解编程概念和最佳实践，加速学习过程。

.markdown-body pre,.markdown-body pre>code.hljs{color:#333;background:#f8f8f8}.hljs-comment,.hljs-quote{color:#998;font-style:italic}.hljs-keyword,.hljs-selector-tag,.hljs-subst{color:#333;font-weight:700}.hljs-literal,.hljs-number,.hljs-tag .hljs-attr,.hl

今日，中国首个AI原生集成开发环境（AI IDE）Trae 国内版正式上线，配置Doubao-1.5-pro，并支持切换满血版DeepSeek R1、V3模型，让编程速度起飞。作为更贴合中国开发者开发习惯与开发场景的AI IDE，Trae 以动态协作为核心，打造了一种人机协同，人与AI互相增强的全新开发体验，助力开发者高效应对复杂技术挑战，释放创新潜能。

SQL注入（SQL Injection）是当应用程序允许用户输入未经验证的数据直接插入到数据库查询中时，攻击者可以利用这一点插入恶意SQL语句，从而获得数据库的机密信息或执行其他恶意操作。这种方式有效避免了SQL注入的风险，因为数据库引擎将处理它们时，不会将它们作为SQL语句的一部分执行，而是会将它们视作数据。传入的是用户输入的字符串，它会被Mybatis自动转义或处理为查询参数，而不是直接嵌入到SQL中，从而有效避免了恶意SQL注入的发生。，即使是最简单的下拉框，也不能完全信任其传来的值。

URL。

在 AI 时代，阅读代码不必再那么痛苦。善用 Cursor 这样的智能工具，能让我们事半功倍。正如"工欲善其事，必先利其器"，拥抱新技术不仅能帮助我们更快地理解代码，更能提升整体的开发效率。本文限于篇幅，只介绍了 Cursor 的一些基础用法。事实上，随着 AI 技术的快速发展，每天都有新的工具和方法被开发出来。如果你也对 AI 编程感兴趣，欢迎加入我的付费社群深度交流（微信公众号同名）。让我们一起在 AI 浪潮中不断进步，用智能工具让编程更轻松！黑客/网络安全学习路线。

结束了，动手试试看，有什么建议，欢迎留言交流。希望这篇文章不仅能够帮助你掌握AI赋能数据采集的基本原理，还能激发你的灵感，在未来的工作中更好地利用AI技术解决问题。黑客/网络安全学习路线对于从来没有接触过黑客/网络安全的同学，目前网络安全、信息安全也是计算机大学生毕业薪资相对较高的学科。大白也帮大家准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。这也是耗费了大白近四个月的时间，吐血整理，文章非常非常长，觉得有用的话，希望粉丝朋友帮忙点个**「分享」「在看」

台下训练，准备好上台演练。测试学生对打代码过程的熟练度，操作限时5分钟。以5分钟截止时，代码完成最后抵达节点为最终记录。考核设备:讲台教师机。学生练习:个人电脑。应用场景:高等院校技能考核最终成绩(100分) = 上机操作考核+ 平时成绩 *活跃系数 (最高40分)