在数据技术不断演进的今天，传统数据库已经无法完全满足人工智能时代的需求。尤其是在大模型（LLM）和语义搜索兴起之后，一类新的数据库——向量数据库，逐渐成为热门选择。那么，经典的 MySQL 与向量数据库到底有什么本质区别？它们是否会相互取代？

CoT 让模型“会解释”，ToT 让模型“会探索”，GoT 让模型“会思考”。

👉 重点：你给模型加了额外上下文（RAG / memory / docs）👉 重点：不只是一次调用，而是一个流程（带搜索 + 校验 + 兜底）👉 重点：你写了什么 prompt。

的作用是在不牺牲模型精度的前提下，让注意力机制（Attention Mechanism）跑得更快、更省内存。核心痛点：传统 Attention 需要生成巨大的N×NN \times NN×N矩阵，导致 GPU 显存频繁在“慢速大内存 (HBM)”与“快速小内存 (SRAM)”间搬运数据。GPU 算力极强，但因为忙着搬数据，大部分时间在“空转”。核心方案将矩阵切成小块，在高速 SRAM 中完成计算，

IEMOCAP：包含演员表演的剧本对话，情感标签包括快乐、愤怒、中性、悲伤、兴奋和沮丧。MELD：源自美剧《老友记》的多方对话数据集，包含中性、惊喜、恐惧、悲伤、快乐、厌恶和愤怒等标签。模态组成：每个对话切片（Utterance）均包含文本（Textual）音频（Acoustic）和视觉（Visual）三种特征。

IEMOCAP：包含演员表演的剧本对话，情感标签包括快乐、愤怒、中性、悲伤、兴奋和沮丧。MELD：源自美剧《老友记》的多方对话数据集，包含中性、惊喜、恐惧、悲伤、快乐、厌恶和愤怒等标签。模态组成：每个对话切片（Utterance）均包含文本（Textual）音频（Acoustic）和视觉（Visual）三种特征。

由于 EmojiGrid 的图像是由表情符号（Emoji）组成的，这些符号具有“超越语言”的通用性（例如，全世界的人都能看懂“😢”代表悲伤）。：设计上兼顾了各类任务的比例，防止模型通过过拟合某种任务来刷分。例如感知类占40.43%，关系类占32.12%，抽象类占27.44%。最近的视觉语言模型（如 Gemini 2.5 Pro, GPT-o1/o4-mini, GLM-4V-Thinking）都

由于 EmojiGrid 的图像是由表情符号（Emoji）组成的，这些符号具有“超越语言”的通用性（例如，全世界的人都能看懂“😢”代表悲伤）。：设计上兼顾了各类任务的比例，防止模型通过过拟合某种任务来刷分。例如感知类占40.43%，关系类占32.12%，抽象类占27.44%。最近的视觉语言模型（如 Gemini 2.5 Pro, GPT-o1/o4-mini, GLM-4V-Thinking）都

本文提出EMO-R3框架，通过结构化情感思维(SET)和反射情感奖励(RER)增强多模态大语言模型的情感推理能力。SET引导模型分三阶段推理：情感触发点识别、人类情感反射和情感结论；RER则通过图文一致性和情感连贯性奖励实现自我评估。实验表明，该方法在EmoSet等数据集上优于现有技术，消融研究验证了各模块的有效性。主要贡献包括：1)结构化情感推理过程；2)反射式自我评估机制；3)在多个基准测试中

在当今信息爆炸的时代，数据的价值日益凸显。爬虫技术作为一种自动化获取网络信息的手段，已经成为数据科学、市场分析、学术研究等领域不可或缺的工具。本文对于证监会行政处罚内容进行爬取并输出到excel中。