它引入了原生端到端推理、更轻量的检测头、更新的训练方案，以及针对检测、分割、姿态估计、分类和定向检测的特定任务头。自上而下上采样融合高层语义，自下而上下采样融合底层定位，最终输出融合后的P3/P4/P5送入检测头，主干、neck在O2M/O2O间完全共享权重。O2M无detach截断，它的损失梯度一路向前传播，全部主干、颈部网络权重由O2M梯度主导更新，保证充足稠密监督，避免稀疏梯度震荡。因为输入

记住。

Embedchain是一个开源框架，它将这些复杂流程封装成简洁的API，让开发者能在10分钟内搭建出基于本地大模型的RAG系统。Embedchain支持多种向量数据库和LLM后端，这里我们选择开源的Ollama作为本地大模型运行时，ChromaDB作为向量存储。- 本地模型通过Ollama提供，无需GPU也能运行（CPU推理速度较慢，但适合演示）。## 总结通过本文的实战演示，我们完成了以下目标：

# 实战：用 Python 实现一个忘记数据库的记事本下面我们通过一个简单的记事本应用，展示如何不依赖关系型数据库，仅用事件流来实现核心功能。：不存储当前状态，而是存储导致状态变更的“事件”序列。，就像操作系统中的文件系统一样——它只是我们持久化数据的一种方式，而不是业务架构的核心。传统架构将数据库视为系统基石，而事件溯源与 CQRS 告诉我们：数据库只是持久化“事件”的容器，业务的核心是。：数据

通过这种自建方案，你不仅能摆脱对官方控制台的依赖，还能实现按需定制（如用户级计费、实时告警），这对于管理多个项目或团队的成本尤为关键。这类API通常按Token计费，但官方控制台可能仅提供基础的账单数据，缺乏细粒度的用量可视化（如按模型、时间段、用户维度的消耗趋势）。本文将深入剖析裸API账单数据的采集、存储与可视化原理，并提供可运行的代码示例，帮助你自建一套轻量级的LLM用量看板。：按时间（如小