搜索[百万tokens]结果-低调大师优秀个人博客

精选列表

搜索[百万tokens]，共7424篇文章

DeepSeek API涨价：8月17日起正式调整价格，最高涨至27元/百万Tokens

DeepSeek API 官方价格页面近日更新了最新计费规则。根据 DeepSeek API 官方文档，自北京时间 2026 年 8 月 17 日 00:00 起，DeepSeek API 将进行新一轮价格调整，并正式采用峰谷定价模式。

2026-08-14

DeepSeek-V3 API 优惠期结束，每百万输出 tokens 由 2 元提高至 8 元

1、价格对比分析输入Token费用优惠期（以前）：缓存命中0.1元/百万，缓存未命中1元/百万。正常期（现在）：统一2元/百万（缓存命中涨价2000%，未命中涨价100%）。

2025-02-10

50万 Tokens/月，自动刷新，不用领

说白了就是腾讯把自家的 CDN 加速服务包装成了一个"创作者计划"，帮你在上面建站、部署，然后每月自动给你账上打 50 万 Tokens。不用手动领，系统直接下发。

2026-07-10

Design Tokens —— 设计与开发碰撞的火花

什么是 Design Tokens— 在了解 Design Tokens 之前，需要先了解一下 Design System （即设计系统）的概念。

2020-08-19

OpenClaw 原生架构的记忆依赖上下文历史拼接、工具调用读写本地文件，以及显式对话指令触发记忆。这带来几个问题：检索算法简陋：召回不稳定、相关性弱，Agent 需要反复试错与重问，Token 随对话轮次快速累积。上下文注入过量：每次执行固定读取近两天全量记忆（today + yesterday）+ 长期记忆，缺乏按任务裁剪，导致无效上下文占比高。记忆缺少结构与去冗余：工具调用的长输出（如 find 遍历、config.schema 等）被直接写入并在后续反复重传，成本呈滚雪球式放大。最严重的是上下文爆炸，文件读写加上工具调用日志进入 prompt，导致 token 非线性增长。原生 OpenClaw 本质是 Prompt 驱动型 Agent，记忆等于上下文，状态等于 token，长期能力等于上下文堆叠。而 OpenClaw + MemOS 转变为系统驱动型 Agent，记忆是系统层，状态是结构化存储，推理是状态调度加模型调用，Agent 从"会聊天的程序"转向"具备长期状态连续性的智能系统组件"。本次测试，我们用公开数据集和真实任务对 OpenClaw 原生方案和 OpenClaw + MemOS 插件两个方案，对长期记忆能力、跨会话一致性、token 消耗与系统效率进行系统对比评测。公开数据集测试（LOCOMO）数据集说明通过 LOCOMO（Long-Term Conversational Memory Benchmark），测试两类任务：问答任务测精确召回能力，事件摘要测长期语义整合能力。评测通过 Gateway 启动两个 OpenClaw 端点版本：原生 OpenClaw、集成 MemOS 插件的 OpenClaw。测试流程：将数据集中的文本对话输入 OpenClaw，再以数据集中的问题作为 query 进行提问，对返回结果进行准确率评估，并通过底层模型日志统计 token 使用量，从而同时评估记忆效果与系统成本。全量测试结果准确性方面，准确率从 0.2373 提升到 0.3168，说明长期对话的记忆稳定性明显增强。Agent 不再只靠上下文拼接做短期推理，而是有了结构化记忆调度能力。成本方面，模型调用次数降低 59.5%，token 消耗降低 72%+。系统不再通过"堆 prompt"维持状态，而是通过记忆系统做状态抽取、结构化存储和按需激活。这是个重要转变：从"上下文记忆"到"系统记忆"。真实任务测试（工程场景）公开数据集只能验证模型能力上限，真实系统更关心工程行为：跨会话连续任务、复杂状态保持、长期协作交互。我们构建了一组复杂真实任务流，测试跨会话任务连续性、多维度信息检索稳定性、记忆写入与召回效率，以及 token 成本随复杂度的增长趋势。 MemOS OpenClaw Plugin 通过自动记忆机制，让 Agent 的所有交互进入记忆系统，形成结构化存储和可调度状态。工程实测对比跨会话任务测试集成 MemOS 后，对话轮次减少约 53%，token 消耗减少约 49%。跨会话任务可以自然延续，无需用户反复重建上下文。不再出现"行为反转"、"偏好丢失"、"任务方向漂移"这些问题。 Agent 从"短期记忆型对话工具"转变为"具备长期状态连续性的协作系统"。单会话记忆读写效率测试在 OpenClaw 原生架构中，记忆读写依赖工具调用，本地文件操作产生大量不可控上下文污染，一次"写一句话"的操作能引入数千 token 的上下文膨胀。 MemOS 将记忆从"prompt 负担"转为"系统状态层"，记忆不进入上下文堆叠而是按需激活注入，状态与对话解耦，记忆与推理解耦，从架构上阻断了 token 爆炸路径。从工具到落地 Token 成本可控：从“全量灌上下文”变成“按任务精确召回” OpenClaw 不再每次固定塞入 today+yesterday+ 长期记忆，而是由 MemOS 按当前任务检索最相关的少量记忆（可设定召回预算/条数），显著降低无效上下文占比，避免 Token 滚雪球。检索更稳更准：减少反复试错与重问，提升一次命中率 MemOS 提供更强的记忆组织与检索能力（结构化、分层/多粒度、语义检索 + 规则过滤等），让 OpenClaw 召回的内容相关性更强、稳定性更高，减少 Agent 因“召回不稳”导致的重复推理与反复确认。记忆更干净可用：结构化 + 去冗余 + 高压缩，避免“长输出污染” 工具调用的长输出（如遍历结果、config/schema 等）不会直接原样反复写入上下文；MemOS 可以做摘要/压缩、去重与归档，长期运行越用越“清爽”，记忆质量随时间提升而不是劣化。在真实工程环境中，这带来可扩展性提升、token 成本可控、跨会话能力稳定、长期任务可持续，以及 Agent 行为一致性增强。记忆不再是 prompt 技巧，而是系统架构能力。立即体验 🦞 Your lobster now has a working memory system. Get your API key: memos-dashboard.openmem.net/quickstart/?entrance=wechat Try it: Full tutorial github.com/MemTensor/MemOS 关于 MemOS MemOS 为 AI 应用构建统一的记忆管理平台，让智能系统如大脑般拥有灵活、可迁移、可共享的长期记忆和即时记忆。作为记忆张量首次提出“记忆调度”架构的 AI 记忆操作系统，我们希望通过 MemOS 全面重构模型记忆资源的生命周期管理，为智能系统提供高效且灵活的记忆管理能力。

2026-02-12

智谱推出 GLM-5.1 高速版：400 tokens/s

模型输出速度达到 400 tokens/s，适用于AI编程、实时交互、商业决策、实时语音等对响应延迟要求极高的场景。

2026-05-22

豆包大模型日均 Tokens 调用量已突破 30 万亿

火山引擎总裁谭待现场表示，豆包大模型使用量从2024年5月1200亿tokens增长253倍至今年9月的超30万亿tokens。

2025-10-16

Kimi K2 再提速，最高可达每秒 100 Tokens

月之暗面今日宣布，经过工程师们的不懈努力，kimi-k2-turbo-preview 模型输出速度已经提升至每秒 60 Tokens，最高可达每秒 100 Tokens。

2025-08-22

豆包大模型日均 tokens 使用量超 5000 亿

在 2024火山引擎 AI 创新巡展·成都站上，火山引擎方面透露，截至今年7月，豆包大模型日均 tokens 使用量超过5000亿。

2024-07-26

中国企业调用大模型日均超 10 万亿 Tokens

国际市场调研机构沙利文（Frost&Sullivan）发布了最新的《中国GenAI市场洞察：企业级大模型调用全景研究，2025》，报告显示，2025年上半年，中国企业级市场大模型的日均总消耗量为10.2万亿Tokens

2025-09-01

字节跳动发布豆包大模型，日均处理 1200 亿 Tokens 文本

豆包模型官网：https://www.volcengine.com/product/doubao 字节跳动表示豆包大模型正成为国内使用量最大、应用场景最丰富的大模型之一，目前日均处理 1200 亿 Tokens

2024-05-15

DeepSeek V4 Flash 单日消耗 8 万亿 tokens 登顶热搜

8 万亿 tokens。一天。一家公司的消耗。

2026-08-04

Claude Sonnet 3.7 将扩展上下文窗口至 50 万 tokens

具体来看，Claude Sonnet 3.7 的上下文窗口将从 20 万 tokens 提升至 50 万 tokens。

2025-03-28

Bytebase 突破百万下载！

2023 年 8 月 1 日，Bytebase 迎来了又一个里程碑：下载量突破了 100 万次。🎉🧨🥁 距离 Bytebase 0.1.0 版发布已经过去了两年多。作为一个开源项目，Bytebase 的发展速度远超业界老牌数据库变更管理工具 Liquibase 和 Flyway。作为数据库即代码（database-as-code）方法论的开创者，Bytebase 也是 X as Code 类目下增长最快的开源项目之一。在过去的两年中，Bytebase 的用户群体已经扩大到全球各地，包括南美洲的中央银行、中东的电子商务平台、东南亚的电信集团、非洲的支付网关、欧洲的电子邮件提供商，甚至是美国一家害虫控制供应商，我们的影响力甚至延伸到了遥远的斐济群岛！ Bytebase 也是唯一一个同时被 CNCF Landscape 和 Platform Engineering Landscape 收录的数据库工具。我们的初心不变：打造一个一站式平台，负责各种不同数据库的变更、查询、安全和治理。将类似 GitLab / GitHub 的代码管理和开发体验带给研发、DBA 和平台工程团队。继续冲鸭 🐥

2023-08-07

A站凉了，百万“猴子”无家可归

或许阿里最终会拿出一个让奥飞满意的价格，那样的话A站也能顺利“诈尸”，百万无家可归的“猴子们”也能重新回到猴山，只是这个过程不能拖太久，不然当“猴子们”都常驻B站之后，重新开张的A站将毫无意义。

2018-02-05

Kog AI 发布推理引擎：标准 GPU 实现 3000 tokens/s 单请求速度

; NVIDIA H200 上达到 2100 tokens/s。

2026-06-01

百万级群聊的设计实践

作者：来自 vivo 互联网服务器团队- Cai Linfeng 本文介绍了服务端在搭建 Web 版的百万人级别的群聊系统时，遇到的技术挑战和解决思路，内容包括：通信方案选型、消息存储、消息有序性、消息可靠性

2025-02-26

百万会员推荐关系优化实战

最近，一朋友整天因为CPU 99%搞得茶饭不思，夜不能寐，找到我”诉苦“。听完成，心中一阵窃喜：是时候展现真正的实力了（其实是练手的机会来了）。半推半就应承了下来。 01分析问题几分钟了解下来，大概情况如下：会员可以推荐其他用户注册，会员有一个属性--活跃度，用户观看视频，签到等等行为时，这个属性会动态变化，其中有个需求是统计所有下级活跃度。会员模型如下，模型比较简单，使用使用sqlserver 2016。了解需求后，再来看看占cpu高的查询。其中占cpu 时间最多的就是下面这条sql，查询某个用户所有下级的活跃度之和。这条语句使用递归查询，那是比较耗时的，另外如果层级太多还有如下错误：语句被终止。完成执行语句前已用完最大递归 100。 1 WITH T 2 AS( 3 SELECt DataID, avtivenewss FROM User WHERE DataID = 4167 4 UNION ALL 5 SELECT u.DataID, u.avtivenewss 6 FROM User U INNER JOIN T ON U.parentUserid=T.DataID 7 ) 8 SELECT sum(avtivenewss) FROM T 当前用户1W+。 02失败的尝试:前缀法几乎没思考，就想到了一个方法：前缀法。一个用户的所有后代使用同一个前缀。增加一个字段 paths，以用户编号为基础，格式为：/1/2/3/，用户注册时使用记录上级的paths + 上级id 生成自己的paths, 增加paths的索引，这样更具此字段就可以查询我的所有下级了，再写个脚步初始化。非常简单，三下五除二就解决了。上线效果非常明显。但是好景真短，没两天cpu 又高了。一查，好多查询都没有走索引，明明字段已经加了索引。一看数据，原来是索引长度限制问题。用户居然有好几十个层级，且还在不断增加，长度超过索引最大长度后，索引失效。当前用户10W+。 04大胆猜测，小心尝试会员关系是一棵树，不管怎么遍历，效率都有限。如果把树拉平，用户与所有后代都建立一个关系，性能会怎么样呢。为了避免再次打脸，悄悄的开始了尝试。增加模型tree。这需要在用户注册时，添加与所有祖祖辈辈的关系。比如 4167用户注册，需要一次添加14条关系记录。而查询用户的所有子子孙孙时，也会非常方便。编写脚本初始化数据，增加切换开关，战战兢兢的上线了。经过一个高峰，cpu居然都在10%以下，完全没有压力嘛，终于可以亮出脸来了。这是典型的空间换时间。但是高兴之余，心中闪过一个念头--这个表的膨胀速度有点快，它会有极限么。不过，马上被另一个念头压制了：小网站能有多大量！有个什么定律来着：凡事只要有可能出错，那就一定会出错。果不其然，10天后同样的问题再次发生。cpu几乎爆满。只能不停重启，最后干脆下掉了这个统计功能，为此还被怼了一顿。此时关系表总数为10亿。当前用户100W+。 05终级方案：分表其实对于分表这样的事儿，一直都有想过，就是没干过，另外也一直以为是sum()引起的cpu问题。后来咨询了公司做交易的同学，传说他们每天处理2kw的订单，基本思路也是根据用户id分了2048张表。反正也没辙了，撸起袖子搞起来吧。分析了tree 表只有两个查询场景，查用户所有后代及查用户所有祖先。分别以ancestor ，descendant 分256 张表。用户注册时，把关系分别写到个分表中。编写脚本初始化两个纬度的分表数据，再次战战兢兢的上线了。经过数个高峰，效果比预期好太多了。彻底告别了cpu告警。经历了几次失败，早以没了高兴劲儿，心中有个疑问，如果是sum引起的cpu跑满的话，现在sum并没有减少，但是cpu为啥清闲了呢？这背后一定有原因的。 06刨根问底带着上面的疑问，对比了一些监控数据，发现了一个可疑的地方，磁盘请求减少了数百次。那么磁盘与cpu有什么样的关系呢？查询相关资料后，得出一个猜测：未分表前，每次查询所有后代（祖先时）时，因为数据在磁盘上非常分散，page cache 命中率低，磁盘预读失效，所以一次查询要进行很多次磁盘随机读，大量的io操作，cpu就要进行大量的上下文切换，从而导致cpu跑满。分表后，每次查询所有后代（祖先时）时，每次都在特定的分表中查询，数据在磁盘上非常紧凑，磁盘预读发挥最大性能，page cache 命中率高，io次数据大量减少，cpu上下文切换次数减少，没了压力，cpu自然清闲了。最后打个广告：哈啰出行，base杭州，java我们的部门有大量HC,欢迎私聊哈。微信：jijunjian I have a dream to be a good programmer。

2020-12-19

点击一百万次(详解）——bugku

Challenge 1208 Solves 点击一百万次 80 http://120.24.86.145:9001/test/ hints:JavaScript 解题思路：查看源代码就会得到： &

2018-07-15

怎样通过网上营销月入百万？

首先我们先来简单了解下什么是营销型网站，很多人认为商城不就是营销型网站吗？是的，没错，但是营销型网站并不局限于商场类的网站，它拥有订单、成交、购买等性质，搜索引擎良好为表现、用户良好体验为标准，具备理解力、信任力和行动力、符合目标客户人群的喜好等特点。营销型企业网站是指可以为企业带来大量的意向客户，最终通过线上或线下跟进持续成交。现在生活节奏加快，尤其大城市越来越多的消费者将时间分割成碎片模式，他们停留在页面上的时间变得越来越少，为了抓住这部分消费群体的眼球，企业需要搭建一个能够直击消费者痛点并满足他们消费需求的营销型网站，由于营销类网站类目涉及较多，小编从群体定位、案例展示、产品差异化和视觉效果来进行讲解。清晰明确的用户群体定位比如对于做农业、水产、养殖的企业来说，网站面对的群体主要是农村或者城镇中的农民，他们对产品的价格及品质

2017-07-10

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。