两种方式均可实现完整 CRUD 操作，8.x 用户建议优先使用新 Java API Client 以获得更好的类型安全和流畅 API 体验。（8.x 版本后新增）。以下分别介绍两种方式的使用方法。

模型微调指的是在一个已经预训练好的模型基础上，使用特定领域或特定任务的数据，对该模型的参数进行进一步的调整（即“微调”）的过程。预训练模型：一个读过万卷书、知识渊博的通用型大学毕业生。他拥有广泛的通用知识（例如，语言结构、世界常识、物体形状等）。微调：让这位毕业生去从事一份特定的专业工作（例如，法律顾问、医疗诊断、客服机器人）。公司会给他一些该领域的专业资料（微调数据），让他快速适应新的岗位要求，

离线语音助手（响应<0.5秒）、相机人像模式（实时背景虚化）、输入法智能联想（学习个人习惯）。：通过蒸馏、微调等技术继承大模型能力，在具体场景中执行精准、高效的实时任务。：通过分析振动、温度数据，提前预警机械臂轴承磨损、电网过载风险。：实时检测产品划痕、变形（准确率>99%）、印刷品色差与模糊。：本地生成文档摘要、实时生成会议多语言字幕，保障企业数据安全。：实时识别行人、障碍物，本地触发紧急刹车（

公式： $$ \alpha = 1 - \frac{D_o}{D_e} $$ 其中$D_o$为观测分歧，$D_e$为预期分歧。常见工具有LabelImg、Prodigy、CVAT等，适合图像、文本或音频数据的精细标注。例如用BERT对文本分类预标注，或YOLO对物体检测预标注，显著提升效率。通过Amazon Mechanical Turk等平台分发标注任务，适合大规模数据但需设计严格质量控制机制，

LLM是基于海量数据训练的深度学习模型（如GPT、PaLM），擅长自然语言生成与理解。核心能力包括文本生成、代码补全、多轮对话等。Agent是能自主决策的系统，结合LLM后形成“LLM-based Agent”。如需进一步探讨某一部分（如MPC的密码学实现或Dify的具体操作），可提供更细化的方向。

LLM大模型通常指通用大规模语言模型（如GPT-4、Claude等），参数量级可达千亿级别，采用Transformer架构，支持多任务泛化能力。文心一言（ERNIE Bot）基于百度ERNIE系列模型，参数量级为百亿至千亿，融合知识增强和跨模态理解。LLM大模型以多语言开源数据为主，英文能力突出，部分支持中文。文心一言侧重中文语料，整合百度搜索、百科等中文生态数据，中文理解更本地化。在中文基准测试

从Hugging Face下载对应模型。：安装CUDA、PyTorch等依赖。# 安装Ollama后直接运行。：根据需求选择Ollama、：最新版本，性能强劲。

【代码】通义千问大模型调用。

【代码】通义千问大模型调用。

设计一个需要传入参数的简单报表上节已经介绍了报表模板的结构，现在进入实战阶段，设计一个填充参数的模板，然后创建JAVA工程实现输出PDF、HTML,与DOC格式的文档。1.调整界面可以将page header,column header,column footer等删掉，选中右键即可删除。选中界面时可在properties界面调整大小，拉到最下面可以看到Editpage按钮