腦/筆記本電腦在現(xiàn)代生活中已經(jīng)很普遍,但依然有很多人對(duì)其一知半解,會(huì)用而不會(huì)選,每次要換新電腦就頭疼,評(píng)測(cè)看得再多也還是舉棋不定,不確定是否適合自己。
今天,咱們嘗試從小白的角度來(lái)分析,到底怎么選擇適合自己的電腦?先簡(jiǎn)單定義一下“適合”,價(jià)格適合、滿(mǎn)足實(shí)際需求,以及契合個(gè)人喜好等等。那么細(xì)化下來(lái),可以拆分為3個(gè)問(wèn)題:
是辦公、學(xué)習(xí)、娛樂(lè)、游戲,還是進(jìn)行更專(zhuān)業(yè)化的工作如設(shè)計(jì)/剪輯等?是否需要經(jīng)常帶出去?不同的用途需要不同的性能和功能,因此明確這一點(diǎn)很重要。
確定一個(gè)價(jià)位基本就能圈定一些同等級(jí)別的產(chǎn)品,大大縮小選擇范圍。
根據(jù)用途選擇適當(dāng)?shù)男阅埽篊PU、內(nèi)存和顯卡是影響性能的關(guān)鍵因素。如需進(jìn)行高性能任務(wù),如視頻編輯或游戲,需要選擇更強(qiáng)大的處理器和顯卡。
把用途、性能、預(yù)算3個(gè)問(wèn)題的答案放在一起綜合考慮,就能篩選出一些符合個(gè)人需求的產(chǎn)品。用途和預(yù)算相對(duì)好把握,也是首先需要確認(rèn)的,普通人比較困惑的可能在于電腦的配置、性能等技術(shù)層面的數(shù)據(jù),一下讓人挑花眼。
參數(shù)雖多,起到關(guān)鍵作用的往往只有幾個(gè),下面咱們?cè)囍堰@些參數(shù)的含義和作用講明白:
(1)處理器(CPU)性能:處理器是電腦的大腦,影響整體性能。
如何判斷性能的高低?一般來(lái)說(shuō),可以看型號(hào)和系列(越高端,性能越好);看核心數(shù)量(通常,擁有更多核心的CPU性能更好);看制程技術(shù)(較新的制程技術(shù)通常意味著更高的能效和性能);看緩存大小(較大的緩存可以提高數(shù)據(jù)訪問(wèn)速度);還可以去看獨(dú)立的CPU性能基準(zhǔn)測(cè)試得分。
(2)內(nèi)存(RAM)容量:內(nèi)存決定了電腦同時(shí)運(yùn)行應(yīng)用程序的能力。
(3)圖形性能(GPU):如果需要處理圖形密集型任務(wù),如游戲或圖形設(shè)計(jì),需要更強(qiáng)大的獨(dú)立顯卡。
(4)存儲(chǔ)類(lèi)型和容量:影響啟動(dòng)速度和文件讀寫(xiě)。
大多數(shù)筆記本電腦都提供SSD存儲(chǔ),它們速度更快,但相對(duì)容量較小。如果需要更多存儲(chǔ)空間,可以選擇具有大容量硬盤(pán)驅(qū)動(dòng)器的型號(hào)或外部存儲(chǔ)選項(xiàng)。
(5)屏幕分辨率和類(lèi)型:屏幕質(zhì)量影響視覺(jué)體驗(yàn)。
高分辨率屏幕適合圖形和視頻編輯,而IPS屏幕提供更好的顏色準(zhǔn)確性和可視角度。
(6)電池壽命:如果對(duì)于移動(dòng)性有硬性需求,電池壽命很重要!
查看電池壽命評(píng)估,多咨詢(xún)客服,選擇滿(mǎn)足需求的型號(hào)。
(7)散熱性能:高性能電腦通常需要更好的散熱,以防止過(guò)熱。
(8)尺寸和重量。
如果需要經(jīng)常帶出去,那么就要好好考慮筆記本尺寸和重量,輕便的設(shè)計(jì)更適合移動(dòng)使用;如果需要做圖形設(shè)計(jì),那么大屏可能會(huì)更符合需求。
總之,選什么性能配置,要結(jié)合實(shí)際需求和預(yù)算來(lái)看。用途、預(yù)算、性能三者相互關(guān)聯(lián),記住最基本的原則:“一分錢(qián)一分貨”。先找到自己的核心需求,懂得取舍,必定會(huì)選到當(dāng)前條件內(nèi)最合心意的筆記本電腦。
器之心報(bào)道
編輯:Panda W
今年四月誕生的多模態(tài)大型語(yǔ)言模型 MiniGPT-4 不僅能看圖聊天,還能利用手繪草圖建網(wǎng)站,可以說(shuō)是功能強(qiáng)大。而在預(yù)訓(xùn)練之后的微調(diào)階段,該模型使用了 3000 多個(gè)數(shù)據(jù)。確實(shí)很少,但上海交通大學(xué)清源研究院和里海大學(xué)的一個(gè)聯(lián)合研究團(tuán)隊(duì)認(rèn)為還可以更少,因?yàn)檫@些數(shù)據(jù)中大部分質(zhì)量都不高。他們?cè)O(shè)計(jì)了一個(gè)數(shù)據(jù)選擇器,從中選出了 200 個(gè)數(shù)據(jù),然后訓(xùn)練得到了 InstructionGPT-4 模型,其表現(xiàn)竟優(yōu)于微調(diào)數(shù)據(jù)更多的 MiniGPT-4!這究竟是如何做到的?
在生成細(xì)節(jié)豐富和精確的圖像描述方面,GPT-4 已經(jīng)展現(xiàn)出了強(qiáng)大超凡的能力,其標(biāo)志著一個(gè)語(yǔ)言和視覺(jué)處理新時(shí)代的到來(lái)。
因此,類(lèi)似于 GPT-4 的多模態(tài)大型語(yǔ)言模型(MLLM)近來(lái)異軍突起,成為了一個(gè)炙手可熱的新興研究領(lǐng)域,其研究核心是將強(qiáng)大的 LLM 用作執(zhí)行多模態(tài)任務(wù)的認(rèn)知框架。MLLM 出人意料的卓越表現(xiàn)不僅超越了傳統(tǒng)方法,更使其成為了實(shí)現(xiàn)通用人工智能的潛在途徑之一。
為了創(chuàng)造出好用的 MLLM,需要使用大規(guī)模的配對(duì)的圖像 - 文本數(shù)據(jù)以及視覺(jué) - 語(yǔ)言微調(diào)數(shù)據(jù)來(lái)訓(xùn)練凍結(jié)的 LLM(如 LLaMA 和 Vicuna)與視覺(jué)表征(如 CLIP 和 BLIP-2)之間的連接器(如 MiniGPT-4、LLaVA 和 LLaMA-Adapter)。
MLLM 的訓(xùn)練通常分為兩個(gè)階段:預(yù)訓(xùn)練階段和微調(diào)階段。預(yù)訓(xùn)練的目的是讓 MLLM 獲得大量知識(shí),而微調(diào)則是為了教會(huì)模型更好地理解人類(lèi)意圖并生成準(zhǔn)確的響應(yīng)。
為了增強(qiáng) MLLM 理解視覺(jué) - 語(yǔ)言和遵循指令的能力,近期出現(xiàn)了一種名為指令微調(diào)(instruction tuning)的強(qiáng)大微調(diào)技術(shù)。該技術(shù)有助于將模型與人類(lèi)偏好對(duì)齊,從而讓模型在各種不同的指令下都能生成人類(lèi)期望的結(jié)果。在開(kāi)發(fā)指令微調(diào)技術(shù)方面,一個(gè)頗具建設(shè)性的方向是在微調(diào)階段引入圖像標(biāo)注、視覺(jué)問(wèn)答(VQA)和視覺(jué)推理數(shù)據(jù)集。InstructBLIP 和 Otter 等之前的技術(shù)的做法是使用一系列視覺(jué) - 語(yǔ)言數(shù)據(jù)集來(lái)進(jìn)行視覺(jué)指令微調(diào),也得到了頗具潛力的結(jié)果。
但是,人們已經(jīng)觀察到:常用的多模態(tài)指令微調(diào)數(shù)據(jù)集包含大量低質(zhì)量實(shí)例,即其中的響應(yīng)是不正確或不相關(guān)的。這樣的數(shù)據(jù)具有誤導(dǎo)性,并會(huì)對(duì)模型的性能表現(xiàn)造成負(fù)面影響。
這一問(wèn)題促使研究人員開(kāi)始探究這一可能性:能否使用少量高質(zhì)量的遵循指令數(shù)據(jù)來(lái)獲得穩(wěn)健的性能表現(xiàn)?
近期的一些研究得到了鼓舞人心的成果,表明這個(gè)方向是有潛力的。比如 Zhou et al. 提出了 LIMA ,這是一個(gè)使用人類(lèi)專(zhuān)家精挑細(xì)選出的高質(zhì)量數(shù)據(jù)微調(diào)得到的語(yǔ)言模型。該研究表明,即使使用數(shù)量有限的高質(zhì)量遵循指令數(shù)據(jù),大型語(yǔ)言模型也可以得到讓人滿(mǎn)意的結(jié)果。所以,研究人員得出結(jié)論:在對(duì)齊方面,少即是多(Less is More)。然而,對(duì)于如何為微調(diào)多模態(tài)語(yǔ)言模型選擇合適的高質(zhì)量數(shù)據(jù)集,之前還沒(méi)有一個(gè)清晰的指導(dǎo)方針。
上海交通大學(xué)清源研究院和里海大學(xué)的一個(gè)研究團(tuán)隊(duì)填補(bǔ)了這一空白,提出了一個(gè)穩(wěn)健有效的數(shù)據(jù)選擇器。這個(gè)數(shù)據(jù)選擇器能夠自動(dòng)識(shí)別并過(guò)濾低質(zhì)量視覺(jué) - 語(yǔ)言數(shù)據(jù),從而確保模型訓(xùn)練所使用的都是最相關(guān)和信息最豐富的樣本。
論文地址:https://arxiv.org/abs/2308.12067
研究者表示,這項(xiàng)研究關(guān)注的重點(diǎn)是探索少量但優(yōu)質(zhì)的指令微調(diào)數(shù)據(jù)對(duì)微調(diào)多模態(tài)大型語(yǔ)言模型的功效。除此之外,這篇論文還引入了幾個(gè)專(zhuān)為評(píng)估多模態(tài)指令數(shù)據(jù)的質(zhì)量而設(shè)計(jì)的新指標(biāo)。在圖像上執(zhí)行譜聚類(lèi)之后,數(shù)據(jù)選擇器會(huì)計(jì)算一個(gè)加權(quán)分?jǐn)?shù),其組合了 CLIP 分?jǐn)?shù)、GPT 分?jǐn)?shù)、獎(jiǎng)勵(lì)分?jǐn)?shù)和每個(gè)視覺(jué) - 語(yǔ)言數(shù)據(jù)的答案長(zhǎng)度。
通過(guò)在用于微調(diào) MiniGPT-4 所用的 3400 個(gè)原始數(shù)據(jù)上使用該選擇器,研究者發(fā)現(xiàn)這些數(shù)據(jù)大部分都有低質(zhì)量的問(wèn)題。使用這個(gè)數(shù)據(jù)選擇器,研究者得到了一個(gè)小得多的精選數(shù)據(jù)子集 —— 僅有 200 個(gè)數(shù)據(jù),只有原始數(shù)據(jù)集的 6%。然后他們使用 MiniGPT-4 一樣的訓(xùn)練配置,微調(diào)得到了一個(gè)新模型:InstructionGPT-4。
研究者表示這是一個(gè)激動(dòng)人心的發(fā)現(xiàn),因?yàn)槠浔砻鳎涸谝曈X(jué) - 語(yǔ)言指令微調(diào)中,數(shù)據(jù)的質(zhì)量比數(shù)量更重要。此外,這種更加強(qiáng)調(diào)數(shù)據(jù)質(zhì)量的變革提供了一個(gè)能提升 MLLM 微調(diào)的更有效的新范式。
研究者進(jìn)行了嚴(yán)格的實(shí)驗(yàn),對(duì)已微調(diào) MLLM 的實(shí)驗(yàn)評(píng)估集中于七個(gè)多樣化且復(fù)雜的開(kāi)放域多模態(tài)數(shù)據(jù)集,包括 Flick-30k、ScienceQA、 VSR 等。他們?cè)诓煌亩嗄B(tài)任務(wù)上比較了使用不同數(shù)據(jù)集選取方法(使用數(shù)據(jù)選擇器、對(duì)數(shù)據(jù)集隨機(jī)采樣、使用完整數(shù)據(jù)集)而微調(diào)得到的模型的推理性能,結(jié)果展現(xiàn)了 InstructionGPT-4 的優(yōu)越性。
此外還需說(shuō)明:研究者用于評(píng)估的評(píng)價(jià)者是 GPT-4。具體而言,研究者使用了 prompt 將 GPT-4 變成了評(píng)價(jià)者,其可以使用 LLaVA-Bench 中的測(cè)試集來(lái)比較 InstructionGPT-4 和原始 MiniGPT-4 的響應(yīng)結(jié)果。
結(jié)果發(fā)現(xiàn),盡管與 MiniGPT-4 所用的原始指令遵循數(shù)據(jù)相比,InstructionGPT-4 使用的微調(diào)數(shù)據(jù)僅有 6% 那么一點(diǎn)點(diǎn),但后者在 73% 的情況下給出的響應(yīng)都相同或更好。
這篇論文的主要貢獻(xiàn)包括:
方法
這項(xiàng)研究的目標(biāo)是提出一種簡(jiǎn)單且可移植的數(shù)據(jù)選擇器,使其能自動(dòng)從原始微調(diào)數(shù)據(jù)集中精選出一個(gè)子集。為此,研究者定義了一個(gè)選取原則,該原則關(guān)注的重點(diǎn)是多模態(tài)數(shù)據(jù)集的多樣化和質(zhì)量。下面將簡(jiǎn)單介紹一下。
選取原則
為了有效地訓(xùn)練 MLLM,選取有用的多模態(tài)指令數(shù)據(jù)是至關(guān)重要的。而為了選出最優(yōu)的指令數(shù)據(jù),研究者提出了兩大關(guān)鍵原則:多樣性和質(zhì)量。對(duì)于多樣性,研究者采用的方法是對(duì)圖像嵌入進(jìn)行聚類(lèi),以將數(shù)據(jù)分成不同的組別。為了評(píng)估質(zhì)量,研究者采用了一些用于高效評(píng)估多模態(tài)數(shù)據(jù)的關(guān)鍵指標(biāo)。
數(shù)據(jù)選擇器
給定一個(gè)視覺(jué) - 語(yǔ)言指令數(shù)據(jù)集和一個(gè)預(yù)訓(xùn)練 MLLM(如 MiniGPT-4 和 LLaVA),數(shù)據(jù)選擇器的最終目標(biāo)是識(shí)別出一個(gè)用于微調(diào)的子集并且使得該子集能為預(yù)訓(xùn)練 MLLM 帶來(lái)提升。
為了選出這個(gè)子集并確保其多樣性,研究者首先是使用一個(gè)聚類(lèi)算法將原始數(shù)據(jù)集分成多個(gè)類(lèi)別。
為了確保所選出的多模態(tài)指令數(shù)據(jù)的質(zhì)量,研究者制定了一套用于評(píng)估的指標(biāo),如下表 1 所示。
表 2 則給出了在計(jì)算最終分?jǐn)?shù)時(shí),每個(gè)不同分?jǐn)?shù)的權(quán)重。
算法 1 展示了數(shù)據(jù)選擇器的整個(gè)工作流程。
實(shí)驗(yàn)
實(shí)驗(yàn)評(píng)估中所使用的數(shù)據(jù)集如下表 3 所示。
基準(zhǔn)分?jǐn)?shù)
表 4 比較了 MiniGPT-4 基準(zhǔn)模型、使用隨機(jī)采樣的數(shù)據(jù)微調(diào)得到的 MiniGPT-4 以及使用數(shù)據(jù)選擇器微調(diào)得到的 InstructionGPT-4 的表現(xiàn)。
可以觀察到,InstructionGPT-4 的平均表現(xiàn)是最好的。具體來(lái)說(shuō),InstructionGPT-4 在 ScienceQA 的表現(xiàn)超過(guò)基準(zhǔn)模型 2.12%,在 OKVQA 和 VCR-OC 上則分別超過(guò)基準(zhǔn)模型 2.49% 和 4.19%。
此外,InstructionGPT-4 在除 VSR 之外的所有其它任務(wù)上都優(yōu)于用隨機(jī)樣本訓(xùn)練的模型。通過(guò)在一系列任務(wù)上評(píng)估和對(duì)比這些模型,可以辨別出它們各自的能力,并確定新提出的數(shù)據(jù)選擇器的效能 —— 數(shù)據(jù)選擇器能有效識(shí)別高質(zhì)量數(shù)據(jù)。
這樣的全面分析表明:明智的數(shù)據(jù)選擇可以提升模型在各種不同任務(wù)上的零樣本性能。
GPT-4 評(píng)估
LLM 本身存在固有的位置偏見(jiàn),對(duì)此可參閱機(jī)器之心文章《語(yǔ)言模型悄悄偷懶?新研究:上下文太長(zhǎng),模型會(huì)略過(guò)中間不看》。因此研究者采取了措施來(lái)解決這一問(wèn)題,具體來(lái)說(shuō)就是同時(shí)使用兩種排布響應(yīng)的順序來(lái)執(zhí)行評(píng)估,即將 InstructionGPT-4 生成的響應(yīng)放在 MiniGPT-4 生成的響應(yīng)之前或之后。為了制定明確的評(píng)判標(biāo)準(zhǔn),他們采用了「贏-平-輸」(Win-Tie-Lose)框架:
1) 贏:InstructionGPT-4 在兩種情況下都贏或贏一次平一次;
2) 平:InstructionGPT-4 與 MiniGPT-4 平局兩次或贏一次輸一次;
3) 輸:InstructionGPT-4 輸兩次或輸一次平一次。
圖 1 展示了這種評(píng)估方法的結(jié)果。
在 60 個(gè)問(wèn)題上,InstructionGPT-4 贏 29 局,輸 16 局,其余 15 局平局。這足以證明在響應(yīng)質(zhì)量上,InstructionGPT-4 明顯優(yōu)于 MiniGPT-4。
消融研究
表 5 給出了消融實(shí)驗(yàn)的分析結(jié)果,從中可以看出聚類(lèi)算法和各種評(píng)估分?jǐn)?shù)的重要性。
演示
為了深入了解 InstructionGPT-4 在理解視覺(jué)輸入和生成合理響應(yīng)方面的能力,研究者還對(duì) InstructionGPT-4 和 MiniGPT-4 的圖像理解和對(duì)話(huà)能力進(jìn)行了對(duì)比評(píng)估。該分析基于一個(gè)顯眼的實(shí)例,涉及到對(duì)圖像的描述以及進(jìn)一步的理解,結(jié)果見(jiàn)表 6。
InstructionGPT-4 更擅長(zhǎng)提供全面的圖像描述和識(shí)別圖像中有趣的方面。與 MiniGPT-4 相比,InstructionGPT-4 更有能力識(shí)別圖像中存在的文本。在這里,InstructionGPT-4 能夠正確指出圖像中有一個(gè)短語(yǔ):Monday, just Monday.
更多細(xì)節(jié)請(qǐng)參見(jiàn)原論文。
onfigureDefender 是一個(gè)便攜式應(yīng)用程序,旨在幫助用戶(hù)在 Windows 10/11 和 Windows Server 2019+ 系統(tǒng)上查看和配置 Windows Defender 的重要設(shè)置。它提供了一個(gè)簡(jiǎn)單的圖形界面,通過(guò)使用 PowerShell 命令(除少數(shù)例外外)來(lái)修改 Windows Defender 的設(shè)置。
這個(gè)工具的主要優(yōu)點(diǎn)包括:
ConfigureDefender 是一個(gè)方便且功能強(qiáng)大的工具,特別適合那些希望更好地控制其系統(tǒng)安全性設(shè)置的用戶(hù)。
ConfigureDefender 的功能主要可以分為以下幾個(gè)方面:
通過(guò)這些功能,ConfigureDefender 提供了一個(gè)簡(jiǎn)單而有效的方法來(lái)管理和優(yōu)化 Windows 系統(tǒng)的防護(hù)功能,幫助用戶(hù)在不同的安全需求下靈活配置其電腦的防護(hù)策略。
ConfigureDefender 的底層原理涉及以下幾個(gè)方面:
ConfigureDefender 利用簡(jiǎn)單的圖形界面和底層的 PowerShell 腳本來(lái)操作,通過(guò)調(diào)用 Windows Defender API 或直接修改注冊(cè)表項(xiàng),以實(shí)現(xiàn)對(duì) Windows Defender 各項(xiàng)功能和設(shè)置的管理和調(diào)整。
ConfigureDefender 的架構(gòu)主要包括以下幾個(gè)方面,雖然具體的架構(gòu)細(xì)節(jié)可能會(huì)因版本更新而有所不同:
ConfigureDefender 的架構(gòu)以簡(jiǎn)單的前端界面和強(qiáng)大的 PowerShell 腳本為基礎(chǔ),通過(guò)管理好配置文件和權(quán)限控制,實(shí)現(xiàn)了對(duì) Windows Defender 設(shè)置的靈活管理和定制。
ConfigureDefender 是一個(gè)專(zhuān)門(mén)用于管理和配置 Windows Defender 的工具,它的應(yīng)用場(chǎng)景主要涉及以下幾個(gè)方面:
ConfigureDefender 的應(yīng)用場(chǎng)景廣泛,適用于個(gè)人用戶(hù)、企業(yè)組織以及教育和研究領(lǐng)域,它為用戶(hù)提供了一個(gè)方便和高效的工具,用于管理和優(yōu)化 Windows Defender 的防護(hù)功能。
安裝說(shuō)明 ConfigureDefender是一個(gè)便攜應(yīng)用程序,無(wú)需安裝。請(qǐng)下載并運(yùn)行可執(zhí)行文件ConfigureDefender.exe - 該應(yīng)用程序兼容Windows 32位和Windows 64位操作系統(tǒng)。
簡(jiǎn)短的程序描述 ConfigureDefender實(shí)用工具是一個(gè)小型GUI應(yīng)用程序,用于查看和配置Windows 10/11以及Windows Server 2019+上的重要Defender設(shè)置。它使用PowerShell命令(除了少數(shù)例外)來(lái)更改Windows Defender設(shè)置。此外,用戶(hù)可以應(yīng)用三種預(yù)定義的保護(hù)級(jí)別:DEFAULT(默認(rèn))、HIGH(高)、INTERACTIVE(交互式)和MAX(最大)。更改其中一個(gè)保護(hù)級(jí)別需要重新啟動(dòng)才能生效。
使用最大保護(hù)級(jí)別 最大保護(hù)級(jí)別通過(guò)攻擊面縮減、受控文件夾訪問(wèn)、智能屏幕(設(shè)置為阻止)和云級(jí)別(設(shè)置為阻止)來(lái)阻止任何可疑活動(dòng)。這些設(shè)置非常嚴(yán)格,在家庭環(huán)境中可能會(huì)產(chǎn)生許多誤報(bào)。不建議在商業(yè)環(huán)境中使用此設(shè)置。
高級(jí)用戶(hù) 一些關(guān)于配置Defender的可能方法的重要說(shuō)明(供高級(jí)用戶(hù)參考)。
Windows Defender設(shè)置存儲(chǔ)在Windows注冊(cè)表中,大多數(shù)設(shè)置在Windows Defender安全中心中不可用。可以通過(guò)以下方式管理它們:
組策略管理控制臺(tái)(gpedit.msc在Windows家庭版不可用) 直接編輯注冊(cè)表(手動(dòng)、通過(guò)*.reg文件或腳本) PowerShell命令(set-mppreference、add-mppreference、remove-mppreference,PowerShell 5.0) Windows Defender注冊(cè)表鍵 通常,Windows Defender將大多數(shù)設(shè)置存儲(chǔ)在以下注冊(cè)表鍵中(由SYSTEM所有):
Computer\HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows Defender 可以使用Defender安全中心或PowerShell命令更改這些注冊(cè)表鍵。
通過(guò)組策略管理控制臺(tái)(GPO)覆蓋設(shè)置 管理員可以使用Windows組策略管理控制臺(tái)(GPO)工具覆蓋某些Windows Defender注冊(cè)表值。組策略設(shè)置存儲(chǔ)在另一個(gè)鍵中(由ADMINISTRATORS所有):
Computer\HKEY_LOCAL_MACHINE\SOFTWARE\Policies\Microsoft\Windows Defender 請(qǐng)注意,GPO不會(huì)刪除普通的Defender設(shè)置!
版本 4.0.0.1
版本 4.0.0.0
版本 3.1.1.1(2023年7月的新證書(shū))- 無(wú)功能變更。 版本 3.1.1.1(2022年7月的新證書(shū))- 無(wú)功能變更。
版本 3.0.1.1
版本 3.0.1.0(1-10點(diǎn)已包含在beta 2版本中)
版本 3.0.1.0(點(diǎn)1-10已包含在beta 2版本中)
版本 3.0.0.1
版本 3.0.0.0
版本 2.0.1.1
版本 2.0.1.0
友情鏈接: 餐飲加盟
地址:北京市海淀區(qū) 電話(huà):010- 郵箱:@126.com
備案號(hào):冀ICP備2024067069號(hào)-3 北京科技有限公司版權(quán)所有