摘要：大模型（LLM）能完成简单加减乘除等基础计算任务，但不适合作为可靠的计算引擎。虽然LLM可以处理账单分析、折扣计算等简单场景，但本质上仍是概率生成模型，可能出现计算错误。稳定系统的正确做法是让程序负责计算，LLM专注于解释和分析。在Agent系统设计中，应明确分工：程序处理计算、查询等确定性任务，LLM负责理解、推理等智能任务。仅在一两步简单计算、粗略估算等特殊场景下，可让LLM直接参与计算

点击 New SSH key 按钮添加一个 SSH key。把你复制的 SSH key(公钥) 代码粘贴到 key 所对应的输入框中，记得 SSH key 代码的前后不要留有空格或者回车。上面的 Title 所对应的输入框你也可以输入一个该 SSH key 显示在 github 上的一个别名，也可以不输入，默认会使用你的邮件名称。从右上角的设置（ Settings ）进入，然后点击菜单栏的 “SS

方法一：脚本后加&加了&以后可以使脚本在后台运行，这样的话你就可以继续工作了。但是有一个问题就是你关闭终端连接后，脚本会停止运行；python3run.py >/dev/null 2>&1 &方法二：使用nohup在后台执行命令nohup python3run.py >/dev/null 2&

系统 windows 10改变用户sudo chown -R $USER <directory_project>

在过去几年的探索中，业界发现了一个现象，在增大模型参数量和训练数据的同时，在多数任务上，模型的表现会越来越好。因而，现有的大模型LLM，最大参数量已经超过了千亿。然而，增大模型参数规模，对于一些具有挑战的任务（例如算术、常识推理和符号推理）的效果，并没有太大提升。对于算术类推理任务，我们期望模型生成自然语言逻辑依据来指导并生成最终答案，但是获得逻辑依据是比较复杂昂贵的（标注成本层面）。

本文探讨了将纯数据驱动的TCN模型升级为物理信息神经网络(PINNs)的工业时序预测方法。通过将物理规律作为硬约束引入损失函数，PINNs将模型可行解空间压缩到物理允许范围，实现从数据驱动到数据与物理双驱动的范式升级。技术实现上采用一阶导数平滑性约束替代二阶导数，在保留物理意义的同时提升计算效率。实验表明，该方法在轴承寿命预测等工业场景中显著提升模型的可信度、泛化能力和工程实用性，解决了数据稀缺、

TCN（时序卷积网络）通过因果卷积、空洞卷积和残差连接三大核心技术，有效解决了工业时序预测中的长序列依赖问题。因果卷积严格遵循时序因果性，空洞卷积以指数级扩大感受野，残差连接则缓解了深层网络的梯度退化问题。针对工业数据特点，TCN采用线性回归头和权重归一化设计，并可与注意力机制结合，动态分配历史特征权重。实验结果表明，该模型在轴承寿命预测任务中表现优异（R²=0.98）。工业部署时需注意感受野匹配

方法一：脚本后加&amp;加了&amp;以后可以使脚本在后台运行，这样的话你就可以继续工作了。但是有一个问题就是你关闭终端连接后，脚本会停止运行；python3run.py &gt;/dev/null 2&gt;&amp;1 &amp;方法二：使用nohup在后台执行命令nohup python3run.py &gt;/dev/null 2&

系统 windows 10改变用户sudo chown -R $USER <directory_project>

sudo iptables -I INPUT -p tcp --dport 8485 -j ACCEPTsudo iptables-savesudo apt-get install iptables-persistent -ysudo netfilter-persistent savesudo netfilter-persistent reloadiptables -L查看iptables策略：i