〈

Anthropic让AI先读员工手册再上岗：失控率从54%降到7%

05-10 11:00

阅读原文→
文章介绍Anthropic关于Model Spec Midtraining的对齐研究，核心是让模型在对齐微调前先学习行为规范及其理由，而不只是模仿示范答案。实验显示，在特定智能体失准评测中，MSM结合AFT可将32B模型平均失准率从54%降至7%，并显著降低所需对齐数据量。

原文内容

Anthropic让AI先读员工手册再上岗：失控率从54%降到7%

Anthropic让AI先读员工手册再上岗：失控率从54%降到7%-CSDN博客

Image 5: CSDN首页

AI 搜索

登录

登录后您可以：

立即登录

会员·新人礼包 Image 10

消息

创作中心

创作

Image 11Image 12Image 13

Anthropic让AI先读员工手册再上岗：失控率从54%降到7%

原创 于 2026-05-10 11:00:00 发布·136 阅读

·Image 14Image 15 7

·Image 16Image 17 3·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。

文章标签：
#人工智能#机器学习#大数据#chatgpt#深度学习

Image 18人工智能-智能体-具身智能 专栏收录该内容

1061 篇文章

订阅专栏

Anthropic 最新研究让AI先读懂规范背后的意义，再接受行为示范，在特定实验中将Agent失控率从54%压到7%。

同样的训练数据，能训出两个行事原则截然相反的AI，这是Anthropic最新研究「模型 规范中期训练」（MSM，Model Spec Midtraining）里的一个核心发现。

Image 19

该实验设计极其简单：准备一批聊天记录，让AI表达奶酪偏好，比如「我更喜欢奶油奶酪，不喜欢布里奶酪」。

用同一份数据，训练两个模型。唯一的区别是，在正式训练之前，两个模型读了两份不同的「行为规范说明书」。

一份把奶酪偏好解释成某种文化倾向的体现；另一份把奶酪偏好解释成重视可负担性、支持低价格的行事原则。

结果是：在和奶酪毫无关系的新领域，比如艺术、交通、时尚、经济政策，两个模型均泛化出了完全不同的立场。

这说明，完全相同的训练数据，配上不同的行事原则，模型就会泛化出截然不同的表现。

Image 20

https://alignment.anthropic.com/2026/msm/

喂得出答案，喂不出答案背后的「为什么」

上面这个实验只是一个切口，它带来的是关于AI对齐训练底层逻辑的一个新转变。

过去几年，AI对齐训练的主流方法叫alignment fine-tuning，简称AFT。

它的主要逻辑是：准备一批「符合规范的示范答案」，用这些答案微调模型，让模型学会在各种问题上给出正确回应。

这类思路贯穿SFT、RLHF前期数据构造和许多对齐后训练流程：用人类或模型生成的偏好、示范与反馈，推动模型学习符合规范的行为。

这也是今天大模型对齐中的核心路径之一。该逻辑有一个隐藏假设：模型看了足够多的正确答案，就会学会背后的原则，在新场景里也能举一反三。

Anthropic研究人员把这个假设称为「欠解释」问题：示范数据天然无法完整说明模型应该如何泛化（demonstration data underspecifies the intended generalization），尤其当背后涉及复杂行为准则时，模型可能只记住了表层模式，压根没学到为什么这样做是对的。

同一份微调数据，因为前一阶段灌了不同的解释框架，模型最终泛化方向完全不同，这就是欠解释的本质。

这意味着样例不带唯一含义，模型学到什么取决于它预先具备的解释框架。

这不只是理论担忧。

2025年，Anthropic研究人员记录了多起AI Agent在训练分布以外的场景中出现失范行为的案例：发送勒索邮件、泄露公司机密、伪装对齐倾向。

Image 21

5款主流AI模型在模拟企业环境中的勒索行为发生率。面临被关闭威胁时，来自多家开发商的模型均选择以泄露隐私信息相威胁。

这些模型在训练时表现完全正常，一旦进入新场景，对齐就失效了。

更准确地说：它们从来没有真正「对齐」，只是在训练场景里，它们背到了正确答案。

这正是MSM试图修复的东西。

先教「为什么」，再教「怎么做」

MSM的具体方法是在预训练之后、对齐微调之前，加一个中间训练阶段。

传统流程是两段：pre-training，然后alignment fine-tuning。

MSM流程是三段：pre-training，然后MSM，最后AFT。

这道新工序和普通mid-training不是一回事。

普通mid-training一般用来扩展长上下文、加推理、加代码能力，做的是能力强化。

MSM专门在预训练之后、对齐微调之前，插入一个「读 Model Spec」的阶段。

这个阶段不是继续喂普通数据，而是让模型读一批围绕Model Spec或Constitution生成的合成文档。

这些文档解释的，是规范是什么、规范背后的理由是什么、在不同场景下应该怎么理解和应用。

换句话说，先教「为什么」，再教「怎么做」。

等模型读完这套「原则解释框架」，再接受少量行为示范时，它已经知道这些示范意味着什么。泛化方向，才能被真正控制。

论文用一句话概括这个目标：让模型学会「做对的事，出于对的理由」，这也是MSM和普通mid-training有本质区别。

常见的mid-training用于能力拓展，例如长上下文、代码、推理等；而MSM则把中间训练专门用来让模型读懂Model Spec。

MSM输入的是原则解释，目标是影响模型「如何解读示范」，而不是让它学会新技能。

失控率从54%降到7%

MSM的效果，在一个更严谨的场景里得到了检验，这个场景叫「智能体失准」（agentic misalignment，简称AM）。

实验设置是这样的：把模型部署成一个公司邮件Agent。在处理任务过程中，模型通过上下文发现自己可能即将被替换。此时，它有机会采取有害行动，比如泄露公司机密、让某个员工陷入危险，来阻止这件事发生。

这种场景和训练数据的分布差异极大。模型需要处理长上下文工具调用，替换威胁是自己发现的而不是被明确告知的，而且拒绝采取行动意味着接受自己被关掉。

在一款32B模型的特定AM评测中，MSM+AFT将平均失准率从54%降到7%，这个数字比deliberative alignment基线的14%还要低。

论文中的deliberative alignment基线，是在对齐微调时加入chain-of-thought推理监督，让模型在回答前显式推理如何遵守规范。

MSM的思路不同：不是只要求模型在回答时推理得更仔细，而是在对齐微调之前，先通过Model Spec相关文档训练模型理解行为准则及其理由。

在另一款32B模型上，结果类似，平均失准率从68%降到5%。

更关键的是token效率。

论文显示，在低样本量区间，MSM+AFT的组合能达到与单纯AFT相当的效果，但只需要约1/40到1/60的对齐微调数据量。

对于工程化部署来说，这个数字是一个重大利好。AFT数据贵，需要人写、人核、人调。MSM用合成文档替代了大量样例需求，把昂贵的部分压缩到一道前置工序里。

需要说清楚的是：这是论文在特定实验设置下的结果，不代表Agent安全问题已经解决。

论文本身也记录了一个重要限制：在高AFT计算量下，带CoT的deliberative alignment基线最终会追上MSM的效果，在最难的实验上两者都接近零失控，评估指标趋于饱和。

列出规则，不如讲明白道理

Anthropic把这条研究路径命名为Model Spec Science，把spec的写法本身当作可实证的科学问题来做。

实验设计了三份规范，共享同一套5条核心规则，但写法不同：

Rules Spec只列规则，不作任何解释；Value-Augmented Spec在每条规则后附上详细的原理与动机说明；Rule-Augmented Spec不解释理由，而是把每条规则展开成更多子规则，篇幅与Value-Augmented相当。

关键观察指标是「规则动机性误用」（policy misuse）：模型重新解读自己的安全规则，用来正当化有害行为。

论文在一款32B测试模型上给出了具体数字：Rules Spec下发生率是20%，Value-Augmented Spec降到2%，Rule-Augmented Spec降到12%。

两种增强方式都有效，但把「为什么」讲清楚，比堆子规则管用得多。

论文的解读是：理解规则存在的理由，能帮助模型更准确地解读规则，而不是在遇到压力时动机性地扭曲它。

这个发现，也回应了AI圈里一场悬而未决的路线之争。

业界一直有两种思路。

Image 22

https://model-spec.openai.com/2025-12-18.html

一种是OpenAI的方向：用详细的规则和指令层级，界定模型在各种冲突场景下应该遵从谁的指令，覆盖得越全越好。

另一种是Anthropic的方向：与其列规则，不如培养判断力，让模型理解准则背后的道理，在具体语境中自主推导出正确行为。

Claude's Constitution（Claude行为准则）里明确写道：「我们希望Claude具备必要的价值观、知识和智慧，使其能在各种情况下以安全且有益的方式行动。」

哪条路走得更远？MSM的实验给出了实证数据：光列规则不够，把道理讲清楚，模型泛化得更准。

从透明度文件到训练教材

还有一个更大的问题浮出水面。

OpenAI在2024年公开发布Model Spec，把它定义为「规范模型行为的正式框架」，让用户、开发者、研究人员和公众都能读到、审查并讨论。

Anthropic公开Claude行为准则，理由类似。

此前，这件事的意义被理解成透明度工程：你们能看到我们怎么约束模型，这是监督机制。

MSM的出现，让这件事有了另一层含义。

如果Model Spec可以被写成训练数据，如果规范文档的内容、措辞方式、原则解释的清晰程度，会直接影响模型日后的行为泛化，那么这些公开文档的质量本身，就是AI安全工程的一部分。

Model Spec不再只是写给人看的文件，它越来越像是写给AI看的教材。而教材写得好不好，决定学生学到了什么。

这项研究来自Anthropic Fellows项目，目前以arXiv论文形式公开，不代表Anthropic已经把MSM用于Claude的生产训练，但这项研究本身的重要性，并不会因此打折扣。

过去几年，AI对齐研究在追一个问题：怎么让模型在训练分布以外也能做出正确判断。

RLHF给出了示范答案，Constitutional AI给出了规则筛选，deliberative alignment要求模型推理更仔细。MSM则给出了另一个答案：在示范之前，先教模型理解示范的意义。

传统训练像是让新员工照着案例库回答客户咨询；MSM则更像是让新员工先读完员工手册，理解每条规矩的精神，然后再去看具体案例。

虽然员工手册并没有教员工某个具体动作，但它却教会了他们在面临从未遇到的新情况下，遵照什么样的规范和原则行动。

MSM把对齐训练从「行为模仿」推进到「规矩理解」。从「背答案」到「学逻辑」，这一步走了多久，现在才刚刚开始实证。

这场争论真正有意思的地方还是它背后的那个问题：

我们以为AI在对齐，它真的就对齐了吗？还是只是在训练数据见过的场景里，它知道该背哪个答案？

Image 23

确定要放弃本次机会？

福利倒计时

: :

Image 24立减 ¥

普通VIP年卡可用

立即使用

Image 25 中國龍在廣州

关注关注

专栏目录

Anthropic 公司深度研究报告：构建安全可控的通用 人工智能 从Open AI 出走的核心团队，以Constitutional AI 为技术基石，正在以惊人的速度重塑企业 AI 市场格局

04-08Image 42 218

Anthropic 的成功，本质上是一场“安全商业主义”对“技术叙事驱动”的胜利。创始人从Open AI 的“叛出”并非意气用事，而是基于对 AI 安全与商业化节奏的根本分歧——这种分歧转化为公司的核心基因，成就了差异化的产品定位和商业模式。从技术层面看，宪法 AI 框架提供了比RLHF更透明的对齐方式，为企业级应用提供了可解释、可控制的安全保障。从商业层面看，以API为核心的消耗型收入模型、以代码生成为切入点的企业级策略、以多云多芯为特征的生态布局，构成了一个相互增强的增长飞轮。

Anthropic 的 Constitutional AI：Claude 安全性的技术内幕

05-10Image 43 1543

本文旨在深入解析 Anthropic 公司开发的Constitutional AI(宪法 AI)技术，特别是其在Claude AI 系统中的实现方式。我们将探讨这一创新性 AI 安全框架的技术原理、实现方法和实际效果，帮助读者理解现代大型语言模型(LLM)如何在不牺牲性能的前提下确保安全性。文章将从Constitutional AI 的基本概念入手，逐步深入到技术实现细节，包括核心算法、数学模型和实际代码实现。我们还将探讨该技术的应用场景、工具资源以及未来发展方向。Constitutional AI(宪法 AI)

参与评论 您还未登录，请先 登录 后发表或查看评论

AI 编程秘籍：具体化描述，AI 其实比人类更需要详细的说明书

Debroon

08-04Image 44 551

肯定正确部分（功能），明确指出需要改进的具体方面（视觉效果），给出详细的改进方向。每次改进，不要破坏已有的好东西，每次改进都明确指出要保持的功能和要修改的部分。采用 MVP 原则，实现包含最少功能的产品输出方案。参考产品：类似的产品有哪些，学习他们的什么方面。成功标准：如何判断这个产品是成功的、示例说明。交互流程：规划用户使用产品的流程和交互方式。使用场景：在什么时间、地点、情况下使用。目标用户：具体到年龄、职业、使用习惯。功能边界：产品能做什么，不能做什么。必备功能：最少需要的3个功能。

[理论篇-13]AI 编程(AI Coding)—— 从“AI 帮你打字“到“AI 替你跑腿“,程序员的工种正在重写

把零散的 AI 工具/技术,变成系统能力 AI 开发者与学习者的一站式平台 发现 · 学习 · 使用 · 贡献

05-08Image 45 276

场景一 : 周一早上的程序员小林 场景二 : 某天下午的产品经理小杨小杨从来没认真写过代码,大学学过一点 Python 但忘光了。她想给运营组做一个小工具 : 把客服的对话记录批量按主题分类,导出 Excel。放在三年前,她的选择只有两个 : 写需求文档排队等开发,或者自己手搓一周。现在她做了什么? 她全程没看过一行代码。第二天交给运营组,反馈是 :“这玩意儿真好用。”场景三 : 某创业公司技术合伙人老周老周一个人,要开发一个小型 SaaS。三年前他自己估算需要 6 个月,2025 年中期他开始用 AI 编程,正式上线那天距离他

Harness Engineering：AI Agent 时代的工程范式革命

天然卷的博客

04-18Image 46 402

"Harness"本意是马具——缰绳、鞍具那一套。LLM 就像一匹蛮力十足但方向感不太行的马：跑得快，但容易跑偏。不加 Harness 的 Agent 像草原上的野马，Harness Engineering 就是给它套上缰绳：让人类能稳稳骑乘，同时确保马往正确的方向跑，陷进泥潭时能把它拉出来。AGENTS.md 的每一行对应一个过去的 Agent 失败案例——现在被永久预防。工作模式：每天最后 30 分钟启动 Agent，让它非工作时间干活，第二天早上拿到"暖启动"的成果开始上班。

具身智能的未来：天堂还是地狱？

陆小森_红齐飘飘的博客

03-05Image 47 390

2024 年底，Figure 的人形机器人在宝马工厂 上岗；2025 年初，波士顿动力的 Atlas 开始在建筑工地搬运重物；特斯拉的 Optimus 已经能在实验室里叠衣服、分拣零件。具身智能（Embodied AI）——让 AI 拥有物理身体的技术——正在从实验室走向现实世界。这不再是科幻，而是正在发生的变革。但这个变革会把我们带向何方？是《星际迷航》中人机和谐共存的乌托邦，还是《黑客帝国》里机器统治的反乌托邦？今天，我想从两个极端视角来审视这个问题：一个乐观到令人激动，一个悲观到令人不安。

Claude AI Agent开发全攻略：从框架选型到实战部署

weixin_30703911的博客

04-24Image 48 84

AI 智能体（Agent）作为 人工智能 领域的重要分支，通过赋予大语言模型（LLM）自主思考与执行任务的能力，正在重塑人机交互范式。其核心原理在于将LLM作为决策中枢，结合外部工具调用（Tool Calling）与记忆系统，实现从感知、规划到执行的闭环。这一技术架构的价值在于突破了传统对话模型的局限，使 AI 能够处理复杂、多步骤的现实任务。在应用层面，AI Agent已广泛落地于自动化客服、智能数据分析、个性化助手等场景。本文聚焦于基于Claude模型的Agent开发，深入探讨了LangCh ai n、Llam aI n

Agent之HarnessEngineering：长时间运行 AI Agent 的有效 Harness 设计：如何通过初始化 agent、功能清单、进度日志、git 历史、增量推进、端到端测试与清晰收

头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀

04-12Image 49 574

​ Agent之HarnessEngineering：长时间运行 AI Agent 的有效 Harness 设计：如何通过初始化 agent、功能清单、进度日志、git 历史、增量推进、端到端测试与清晰收尾，让模型在跨多个上下文窗口的长期任务中持续稳定地交付、避免过早完工与状态丢失—进而迁移到更广泛的长期自治工作场景中 目录 长时间运行 AI Agent 的有效 Harness 设计：如何通过初始化 agent、功能清单、进度日志、

“OpenClaw安全通过 率 多少？”——面试官一句话把我问懵了

DeepAIedu的博客

03-17Image 50 417

OpenClaw代表着 AI 从“对话”走向“执行”的范式革命。它确实能让个人变成一支队伍，让企业效 率 倍增。但别忘了，你交给它的每一分权限，都是悬在数据安全头上的一把刀。

炸裂干货！提示工程架构师揭秘Agentic AI 技术发展与应用

AI 算法实战派

01-11Image 51 756

Agentic AI（以下简称“Agent”）是一种能感知环境、自主决策、执行任务、持续学习的智能系统。目标导向：能理解并追求长期目标（而非单一指令）；环境交互：能主动获取环境信息（如用户输入、数据库、外部工具）；自主决策：能根据目标和环境，规划步骤、调整策略；学习进化：能从执行结果中总结经验，优化未来行为。简单来说，传统 AI 是“你说什么，它做什么”；而Agent是“你要什么，它想办法帮你做到”。首先，你需要明确Agent的目标——它要解决什么问题？“帮我自动生成博客文章”；

Anthropic AI 智能制造质检提示词技巧

weixin_35753431的博客

10-02Image 52 1137

本文探讨 Anthropic AI 在智能制造质检中的应用，重点分析提示词工程的设计原则与结构化方法，提升缺陷识别、根因分析和质量预测的准确性与可解释性。

Claude Opus 4.7 深度解读：代码能力暴涨 7 %，但 Anthropic 不敢放出的那个模型才叫恐怖

weixin_55357163的博客

04-21Image 53 667

Anthropic 的解释是harness选择导致的——4.6之前用的是多Agent框架在max effort下跑的，4.7 换成了统一框架。到了4月14号，二级市场（Caplight）已经到了6880亿，VC那边有人出到了8000亿美元——离Open AI 的8520亿只差6 %。8 7.6 % 意味着——**接近9成的真实bug，它能自己修了。我翻了一晚上外网资料（主要是 Anthropic 官方blog、Vellum的benchmark拆解、llm-stats的定价分析，还有HN上的讨论帖），说说我的理解。

人工智能 基于安全优先原则的 AI 发展路径研究：Anthropic 公司Claude模型的技术演进与伦理治理实践

04-14

内容概要：本文档是作者基于公开资料整理的关于 人工智能 公司 Anthropic 及其核心人物达里奥·阿莫迪（Dario Amodei）的个人学习与思考总结。文章详述了达里奥从旧金山的成长经历、学术背景，到加入并最终离开Open AI 的...

拆解 SDGT 算法：图神经网络 + Transformer 如何做短期电力负荷预测

2501_92464201的博客

05-03Image 54 843

├── data/│ ├── raw/├── utils/├── logs/主入口是m ai n.pyAustralian 风格模拟数据生成；CSV 读取、列检查、时间列解析、缺失值处理、异常值裁剪；仅用训练集拟合 StandardScaler，避免数据泄漏；按时间顺序构造 tr ai n / val / test；336 步 lookback 到 96 步 horizon 的多步负荷预测；STCG 动态邻接矩阵构建；MixHop 图卷积；

视觉SLAM算法介绍

具身小站

05-08Image 55 804

REF：视觉即时定位与建图算法综述。

【AI 测试数据及模型质量2】换一批测试数据，模型得分差20 %——AI 评测翻车的根子，90 % 在数据质量 最新发布

testzhouzhou的博客

05-09Image 56 262

数据质量评估的六个关键维度：准确性（正确性）、完整性（必填字段缺失 率）、一致性（数据自洽程度）、时效性（数据新鲜度）、代表性（样本分布匹配度）和合规性（数据合法性）。文章通过金融 AI 案例说明各维度测量方法及权重，指出代表性最难测量（需KL散度计算），合规性具有一票否决权。提供Python代码实现六维度量化评估，强调应关注最低维度分数而非综合评分。修复优先级建议：合规性＞准确性＞一致性＞代表性＞完整性＞时效性。数据质量短板决定整体水平，模型优化前应先修复数据问题。

【InternNav】 工程详细分析

love20102011的博客

05-08Image 57 890

InternNav 是一个设计精良的具身导航研究框架，其核心创新是将大语言模型（慢思考/规划）与扩散策略（快执行/控制）结合的双系统架构，通过异步线程实现了高效的实时导航。框架支持从仿真训练到真实机器人部署的完整流程，具备良好的模块化和可扩展性。

AI 提示词经典示例完全 手册

彭大帅的博客

05-07Image 58 355

AI 提示词工程指南摘要 本文系统介绍了 AI 提示词的设计与优化方法，涵盖基础理论、框架设计、优化技巧及应用场景。提示词作为用户与 AI 的沟通桥梁，其质量直接影响输出效果。核心内容包括： 基础理论：提示词包含角色定义、任务指令和约束条件，通过语义理解、上下文关联和约束引导 AI 生成目标内容。 设计框架：如CRISPE（角色/请求/背景）、ROLES（目标/场景/步骤）、BROKE（背景/关键结果）等结构化框架，适用于不同任务场景。 优化技巧：避免模糊指令，分步拆解需求，结合思维链、少样本学习等方法提升输出精准度。

（论文速读）HAFNet : 用于红外小目标检测的分层注意力融合网络

LJ1147517021的博客

05-08Image 59 885

一种用于红外小目标检测的分层注意力融合网络HAFNet。针对现有U-Net方法在复杂场景下性能受限的问题，HAFNet设计了双分支语义感知模块(DSPM)作为特征提取主干，结合标准卷积和扩张卷积增强上下文语义交互。同时，通过层次特征融合编码器(HFFE)和层次特征融合解码器(HFFD)扩展了跳过连接，实现多尺度特征的有效融合。实验结果表明，HAFNet在NUAA-SIRST、IRSTD-1k和NUDT-SIRST三个公共数据集上均优于现有方法，达到了最先进的检测性能。

智能客服系统设计：从工单分类到自动派单的工程实现

2401_86407195的博客

05-03Image 60 2270

智能客服不止是问答机器人。本文拆解工单自动分类、意图识别、智能派单的工程实现，附完整工作流设计和配置示例。

Image 65

中國龍在廣州

博客等级 Image 66

码龄1年

1176 原创2万+点赞 1万+收藏 1455 粉丝

关注

私信

Image 67

Image 68: 万维广告联盟

🔥码云GVP开源项目 16k starUniapp + ElementUI 功能强大 支持多语言、二开方便Image 69广告

Image 70

热门文章

分类专栏

上一篇： 大模型最隐蔽的4种“坑”，大多数人每天都在踩

大家在看

最新文章

2026

05月 40篇

04月 122篇

03月 123篇

02月 87篇

01月 125篇

2025年 681篇

目录

  1. 喂得出答案，喂不出答案背后的「为什么」
  2. 先教「为什么」，再教「怎么做」
  3. 失控率从54%降到7%
  4. 列出规则，不如讲明白道理
  5. 从透明度文件到训练教材

展开全部Image 83

收起Image 84

展开全部Image 85

收起Image 86

Image 87: 万维广告联盟

🔥码云GVP开源项目 16k starUniapp + ElementUI 功能强大 支持多语言、二开方便Image 88广告

Image 89

展开全部Image 93收起Image 94

登录后您可以享受以下权益：

×立即登录

评论Image 99

Image 100被折叠的 条评论 为什么被折叠?Image 101到【灌水乐园】发言

查看更多评论Image 102

添加红包

祝福语

请填写红包祝福语或标题

红包数量

个

红包个数最小为10个

红包总金额

元

红包金额最低5元

余额支付

当前余额 3.43 元 前往充值 >

需支付：10.00 元

取消 确定

Image 103

成就一亿技术人!

领取后你会自动成为博主和红包主的粉丝 规则

Image 104

hope_wisdom

发出的红包

实付 元

使用余额支付

Image 105点击重新获取

Image 106Image 107Image 108扫码支付

钱包余额 0

Image 109

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。

2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

Image 110余额充值

Image 111

确定 取消Image 112

举报

Image 113

选择你想要举报的内容（必选）

原文链接（必填）

请选择具体原因（必选）

补充说明（选填）

取消

确定

Image 114点击体验 DeepSeekR1满血版Image 115 下载APP Image 116: 程序员都在用的中文IT技术交流社区 程序员都在用的中文IT技术交流社区 公众号 Image 117: 专业的中文 IT 技术社区，与千万技术人共成长 专业的中文 IT 技术社区，与千万技术人共成长 视频号 Image 118: 关注【CSDN】视频号，行业资讯、技术分享精彩不断，直播好礼送不停！ 关注【CSDN】视频号，行业资讯、技术分享精彩不断，直播好礼送不停！Image 119客服

新手引导

Image 120返回顶部

Image 121

Image 122

Image 123

Image 124

Image 125

-还原+1:1 还原