现今，许多B端设计师在日常设计中难免会遇到各种运营3D banner设计需求。在设计过程中，他们不仅需要费尽心思构思各种造型，还要不断进行重复渲染，而有时渲染结果也难以令人满意。本文旨在介绍一种基于Stable Diffusion混合AI的B端 3D Banner设计方法和流程，可供任何对该领域感兴趣的人进行实验，创作出各类B端模型。

祖传代码BUG频出怎么解决？

Context 是什么？为什么要有 context？context 是怎么做的？没有context 是怎么做。

PC Web 端、手机 H5 端、小程序端、App 安卓端、App iOS 端......在多端时代，一个应用往往需要支持多端。若每个端都独立开发一套系统来支持，将消耗巨大的人力和经费！腾讯视频团队想到一个“偷懒”的方法——能不能只开发一套基础系统，通过兼容不同平台的特性，来快速编译出不同平台的应用呢？本篇特邀腾讯视频团队为你分享快速编译出支持多端的应用、一套代码行走天下的“偷懒”历程。

在AI技术的浪潮下，作为一名美术师，如何应对AI对美术创作的影响？AI能力真的如此强大吗？如何利用AI提高工作效率？本文将从AI辅助作图这个小领域入手，探讨AI对美术师的影响。

随着大数据的不断发展，数据带来价值越来越大的同时，数据泄漏的风险也在增大。基于此，为实现数据不流通但数据价值流通，我们围绕联邦学习做了三方面的尝试，分别是框架效率优化、联邦算法开发及应用，联邦学习能力的平台化。

搭建一套通用的分布式任务调度平台。

鹅厂前端大牛聊 Prompt 工程与低代码开发。

看到不少同学咨询如何入门数据产品，例如数据产品入门应该学什么、解决什么问题、发展方向如何等。作为专职从事数据产品岗位快三年的同学，对上述问题感同身受。

本文从内容型或业务型数据产品实践的角度浅谈下数据产品岗位能力模型、进阶难点、进阶技巧，希望能对有相同疑惑的同学提供一个视角。

知识图谱作为一种存储事实信息的结构，能够为推荐等场景提供有效的域外信息辅助。基于此，微信图计算框架Plato与微信知识图谱WeKB共同研发了图谱表示学习模型TransE+，在链接预测任务上相较最强基线取得显著效果，并在业务场景探索落地。

大部分时候，用户参与我们的访谈和测试是一个被动的行为——我们邀请到的用户并不是在产品使用过程中发现了问题想要主动反馈给我们的那些人。被动参与时，用户的积极度、主动性和对访谈主题的准备度都不一定很高，他们可能因为报酬、好奇心等各种原因而来，因此在定性研究类项目中，我们经常会遇到一批用户访谈效果参差不齐的情况。

日志领域是Elasticsearch（ES）最重要也是规模最大的应用场景之一。这得益于 ES 有高性能倒排索引、灵活的 schema、易用的分布式架构，支持高吞吐写入、高性能查询，同时有强大的数据治理生态、端到端的完整解决方案。但原生 ES 在高吞吐写入、低成本存储、高性能查询等方面还有非常大的优化空间，本文重点剖析腾讯云大数据 ES 团队在这三个方面的内核增强优化。

本文介绍了几种大型语言模型的不同解码策略，并对它们在不同任务上的表现进行了介绍。其中，Meena和LaMDA采用了sample-and-rank策略，LLaMA使用greedy decoding，GPT-2和GPT-3则采用了greedy decoding和top-p sampling。此外，文章提到了相关参考文献，并为读者提供了一个互动环节，可以在评论区分享自己的学习和疑问。

随着最近几十年来服务器主存容量的增加，即使是大型的事务数据库也能把索引全部放到主存中，当索引数据都在内存中时，索引的性能也就越来越重要。

传统的数据库系统比如mysql一般用B+树作为自己的索引，B+树能够有效减少磁盘IO次数，支持范围查询，但在纯内存环境下，它的性能表现并不太好，特别是B+树是通过key的比较来找节点的，当比较结果产生分支预测失败时，会引起CPU stall。

哈希表是另外一个流行的内存数据结构，和查找树O(logn)的查找时间相比，哈希表只有O(1)的查找时间。尽管如此，哈希表有两个缺陷，一个是哈希表不能支持范围查询，二是哈希表的rehash非常慢可能会造成严重的性能抖动。如果说业务不需要支持范围查询又容量恒定的话，哈希表是最快的索引结构。

第三种数据结构被称为radix tree，或者前缀树，trie等。和二叉树不同，key不会直接保存在节点中，而是由节点在树中的位置决定。radix tree把一个完整的key转变成了字符的序列，每个节点都对应一个特定的字符，每个字符都有可能指向任意一个字符。在radix tree中查找一个key就像查字典一样。从根节点开始每个字符都可以找到一个对应的节点，依次查找key的所有字符就找到了key对应的叶子结点。

随着微信业务的飞速发展，大数据应用已经全面走向实时化，业务对流计算引擎的稳定性及性能有更高的要求。微信基于 Flink on K8S 深入打造了云原生、高性能、稳定可靠的实时计算平台，支撑了微信各业务的快速发展。

微信业务解析，鹅厂团队是如何突破瓶颈的？