虽然但是，楼上各种解决方案，还是建议开发人员近期重装 /降级，譬如 `hombrew`，python 包如 `scipy` `torch` 之类的默认命令错误百出，虽然有可能折腾折腾绕过去了，但是很浪费时间得不偿失，让子弹飞半年吧

Cool

@sutking （但你在乎轻一点

楼上说的方案就是你 1. 的方案，只不过界面还是沿用 pyqt 而不用换成 html，计算的部分独立作为服务就好

混编的话搜索引擎关键词『 pybind11 』

- 长度两页都可以，形式服务内容
- 简历是你跟面试官聊天的导引，你要能拿着你的简历上的项目和关键词跟面试官聊满 45min，内容太少，或者内容空洞，对双方都很尴尬

100w AC 自动机还可以，100-200M 空间

巧了，PDFact 试试 https://www.pdfact.cn/v1/pdfact?version=latest&cType=win

还是要专精，类似 mathpix，或者福昕，小方向做到最好，做 api 也有人愿意付费

@chengxiao 不是你的锅，只是 GoLand 优化引用有毒，github 上不少人中招了

提供点信息量：
1. 『不就是打些标签，搞个相似度匹配』，上神经网络之前可能无论你怎么努力，怎么 hack 机器给出来的标签准确率就是差，相似匹配匹配的就是不相似，真的上 nn 之后有些系统才可以说，准召能看点了
2. 虽然大家经常说『信息茧房』，但是说穿了，你经常看的主题确实就是你喜欢、感兴趣的类型，要是给你推荐美女视频、搞笑视频你不感兴趣，没点击、播放，埋点之后是会上报算作负例的，要是你再主动搜点别的看，是可以纠正推荐的；另一方面是，如果不推荐你这些，又该给你推荐点啥呢，给你推荐点冷门的、小众的、晦涩艰深的，你真的有兴趣看吗？最多只能按『大多数用户可能喜欢』，给你推荐点 popular 的，尴尬的是小姐姐、低俗高效在全体用户群中就是主流 [摊手]

改革的正道是用老版的文档 finetune 一下现有的通用翻译模型，精细化一下代码、术语、api 的识别，让机器翻译的翻译质量更好，手工的翻译工作量大而杂，终究不是未来

赞👍

@SlipStupig Z2xhZGR1bw==

@kvenux 参考这个 https://blog.exxactcorp.com/whats-the-best-gpu-for-deep-learning-rtx-2080-ti-vs-titan-rtx-vs-rtx-8000-vs-rtx-6000/
简略看了一下，速度差距没那么大，主要还是 显存+钱 决定

如果考虑自己做，且有人力标注数据，模型部分可以考虑 fasttext，达到了成本和效率比较好的平衡； nlp 相关问题可以回复我，可以给你一些专业建议；
如其他网友所说，基于 ip id 时间屏蔽，可能是更立竿见影的手段；
解决猫和老鼠的问题，首先还是要想清楚老鼠的动机是什么，能让他就算绕过 spam detection 也没有很大的收益的策略是什么，类似增加账号系统，账号需要有一些非常 postive 的评论，通过审核，认为是 human 用户，才会展示别的评论，有 2 条被判为 spam，整个账号所有评论都被隐藏，类似这样的一些策略，让老鼠觉得非常辛苦，边际效应非常低，他就没有动力去做了；

《电脑报》+1

docker-compose 一票