我们在标准模型的简单扩展中讨论了对长期存在的（g−2）μ异常的最小解决方案，该模型具有一个额外的Z'向量玻色子，该玻色子仅对第二代和第三代轻子具有对角线以外的风味，即 μ，τ，νμ，ντ及其反粒子。 讨论了简化的模型实现，以及对该模型的各种碰撞和低能耗约束。 我们发现，比tau轻子轻的Z'的（g-2）μ-有利区域被完全排除，而Z'溶液仍然较重。 这种情况在未来的实验中有一些可检验的含义，例如在佳丽2处违反轻子风味通用性的tau衰变，在HL-LHC和FCC-ee处出现了新的四轻子签名，其中包含相同符号的介子和二重子 ，指出。 中微子望远镜如IceCube和KM3NeT也可以在高能中微子光谱中观察到共振吸收特征。

我们对标准模型的低比例I型跷跷板扩展内的轻中微子质量矩阵的单环校正进行了详细的分析，以及它们在无中微子双β衰变实验搜索中的意义。 我们显示，只要需要在树级和轻中微子质量的单回路贡献之间进行微调抵消，总是可以通过交换重的中微子对有效的中微子中微子质量做出贡献。 我们将微调水平作为跷跷板参数的函数进行量化，并引入中微子Yukawa矩阵的Casas-Ibarra参数化的一般化，这很容易允许包括对轻中微子质量的单环校正。

Schechter-Valle定理指出，当没有任何可能的微调或抵消时，对中微子双β（0ββ）衰变的积极观察意味着中微子的有限马约拉纳质量项。 在此笔记中，我们重新检查了Schechter值定理的定量影响，发现当前对0β-衰变核的半衰期的实验下限对马约拉纳中微子质量|μmee|施加了限制上限。 在四回路水平上辐射产生的<7.43×10×29 eV。 此外，我们归纳了这种定量分析的0ββ衰变到轻子数违反（LNV）介子衰变Mâââ´Mâ€++++“α+ + +”“β” （对于α，β= e或¼）。 给定当前的上限，这些罕见的LNV衰变，我们得出了环诱导的马约拉纳中微子质量|αm½ee| <9.7×10â18’eV ||mμe¼| <1.6×10×15eV 和|απ¼¼| <1.0×10×12 eV来自Kâˆâ€ÏÏ++ e∠+ eâˆ，KâˆâÏâÏ ++ e∠+++ ”和“ Kâˆâ€” ++++“¼” +“ +”。 还给出了D，Ds和B介子的LNV衰减的辐射中微子质量的部分列表。

我们提出了一种使用LHC上的纯轻子衰变来区分重中微子的狄拉克/马约拉那特性的方法，该中微子的质量低于W玻色子质量。 该策略利用了W +→l + 1l +1'-ν衰变中相反电荷轻子的前后不对称性。 为了检验该模型的实验可行性，我们通过数值分析和重中微子质量的不同范围表明，在衰变W +→e + e +μ+ν中，可以将正电子与W衰变区分开 来自重中微子的正电子。 最后，我们估计Dirac和Majorana N中微子在LHC Run II上的事件数，其综合光度为120 fb-1。 如果从重到轻的中微子混合是|UNμ| 2，| UNe |2≳10-6，则可以找到信号。

llama.cpp 是由 Georgi Gerganov 开发的开源 C++ 框架，专注于在本地硬件上高效运行大型语言模型（LLM）。它通过轻量化设计、量化技术和跨平台优化，让原本依赖高端 GPU 的大模型（如 Llama 系列）能在普通 CPU、Mac 甚至嵌入式设备上运行。以下是其核心特点与技术解析： 一、核心技术特点 ​量化压缩与内存优化 支持 ​1.5-bit 至 8-bit 整数量化，可将模型体积压缩至原版的 1/4，推理速度提升 3 倍。例如，4-bit 量化的 Llama-7B 模型仅需 3.8GB 内存。 采用 ​GGUF 格式​（GPT-Generated Unified Format），实现按需加载模型块和内存映射技术，减少全量加载的内存占用。 ​跨平台与硬件加速 适配 ​CPU（x86/ARM）​、Apple Silicon（Metal 加速）​、NVIDIA/AMD GPU，甚至支持国产芯片（如昇腾 NPU 和摩尔线程 GPU）。 通过 ​OpenMP 多线程和 CUDA/HIP 内核优化计算性能，实现 CPU+GPU 混合推理。 ​高效计算架构 基于 ​ggml 张量库，通过定点运算替代浮点计算，降低资源消耗。 支持 ​内存池管理 和连续内存预分配，减少内存碎片。 二、核心功能特性 ​模型兼容性 支持 ​Llama、Qwen、DeepSeek、Falcon 等 50+ 主流开源模型架构。 提供 convert.py 工具，支持将 PyTorch/HuggingFace 格式模型转换为 GGUF 格式。 ​交互与部署 ​命令行交互：支持上下文保留的连续对话模式（-cnv 参数）。 ​API 服务化：内置 llama-server 组件，提供 OpenAI 兼容的 REST API，便于对接 LangChain 等框架。 ​多语言支持：提供

本文详细介绍了BIM轻量化的流程，特别是通过revit导出GLTF格式的模型文件。文章首先分析了市面上主流的轻量化工具和技术方向，如广联达BIMFace、葛兰岱尔的GLWebGLBIMEngine等，并指出threejs是实现轻量化的主流技术。接着，文章详细阐述了revit的分类结构、编码规则以及插件开发的环境搭建和数据提取方法。重点介绍了GLTF格式的优势及其在revit中的导出实现，包括文件格式定义和导出步骤。最后，文章提到了通过Draco等工具对模型文件进行优化的方法，显著减小了文件大小。整体而言，本文为BIM轻量化和GLTF导出提供了全面的技术指导和实践参考。 BIM（建筑信息模型）作为建筑行业重要的数字化工具，其轻量化处理对于提高工作效率和促进项目协作具有重要意义。本文深入探讨了BIM轻量化流程及其与GLTF导出的相关技术细节。文章分析了市场上流行的轻量化工具和技术路线，其中广联达BIMFace和葛兰岱尔的GLWebGLBIMEngine作为典型案例被提出。这些工具通过优化BIM模型的加载和显示效率，为工程人员提供了更为便捷的操作体验。 文章深入介绍了Three.js技术，它是实现BIM轻量化的一个关键技术。Three.js作为一个开源的WebGL库，使得在浏览器中进行3D渲染成为可能，它的轻量级特性和灵活的接口对BIM轻量化起到了极大的推动作用。文章详细解析了revit软件的分类结构和编码规则，这对于理解BIM模型的组织方式和数据构成至关重要。文章还涉及了revit插件开发的环境搭建步骤和如何高效地从revit中提取所需数据。 紧接着，文章重点介绍了GLTF格式的优势和其在revit中的导出实现。GLTF（GL Transmission Format）是一种开放标准的3D传输格式，它支持将3D模型直接传输到Web应用程序中，无需任何插件。GLTF格式文件的定义、结构以及导出步骤在这部分得到了全面的阐述，为BIM模型的Web化和轻量化提供了直接的技术支持。 除了介绍技术本身，文章还提出了一些模型优化的实用方法，比如利用Draco压缩算法。通过这种压缩技术，可以有效地减小模型文件的大小，而不损失太多的视觉和几何细节，这对于提升模型在网络中的传输效率至关重要。 本文不仅从技术层面详细介绍了BIM轻量化和GLTF导出的流程，而且为相关领域的技术人员提供了实践中的操作指南，无论是对于BIM初学者还是有经验的工程师，都是一份宝贵的学习和参考资料。

内容概要：SM7算法由中国国家密码管理局于2012年公布，是国产密码算法系列之一，旨在提供高安全性、低计算复杂度的数据加密服务。它遵循GB/T 33928-2017标准，采用128位分组长度和密钥长度，经过11轮加密/解密。核心结构基于线性反馈移位寄存器和仿射变换，包括初始轮密钥扩展、字节代换、行移位、列混淆和轮密钥加等步骤。S-Box表用于非线性替换，基于有限域GF(2^8)的仿射变换，增强了抗差分分析能力。SM7具有良好的抗攻击性和轻量化特点，适用于物联网通信、移动支付和身份认证等场景。; 适合人群：从事信息安全、密码学研究或开发的人员，特别是关注国产密码算法的研究者和技术开发者。; 使用场景及目标：①物联网通信中设备间数据加密；②移动支付交易信息的机密性与完整性保护；③用户身份凭证的安全存储与传输。; 阅读建议：读者应重点关注SM7算法的设计目标、核心结构及其安全特性，了解其相对于其他算法的优势，特别是在资源受限环境下的应用。同时，建议参考提供的优化建议，以更好地理解和实现该算法。

卷积神经网络（Convolutional Neural Networks, CNNs 或 ConvNets）是一类深度神经网络，特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性： 卷积层（Convolutional Layer）： 卷积层是CNN的核心组件。它们通过一组可学习的滤波器（或称为卷积核、卷积器）在输入图像（或上一层的输出特征图）上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图，该特征图反映了滤波器所捕捉的局部图像特性（如边缘、角点等）。 通过使用多个滤波器，卷积层可以提取输入图像中的多种特征。 激活函数（Activation Function）： 在卷积操作之后，通常会应用一个激活函数（如ReLU、Sigmoid或tanh）来增加网络的非线性。 池化层（Pooling Layer）： 池化层通常位于卷积层之后，用于降低特征图的维度（空间尺寸），减少计算量和参数数量，同时保持特征的空间层次结构。 常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling）。 全连接层（Fully Connected Layer）： 在CNN的末端，通常会有几层全连接层（也称为密集层或线性层）。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程： CNN的训练过程与其他深度学习模型类似，通过反向传播算法和梯度下降（或其变种）来优化网络参数（如滤波器权重和偏置）。 训练数据通常被分为多个批次（mini-batches），并在每个批次上迭代更新网络参数。 应用： CNN在计算机视觉领域有着广泛的应用，包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据，如文本（通过卷积一维序列）和音频（通过卷积时间序列）。 随着深度学习技术的发展，卷积神经网络的结构和设计也在不断演变，出现了许多新的变体和改进，如残差网络（ResNet）、深度卷积生成对抗网络（DCGAN）等。

我们从动态晶格QCD计算中得出高激发的charm，D s和D介子谱，其中夸克数对应于Mπ〜240 MeV，并将其与以前的结果与Mπ〜400 MeV进行比较。 利用蒸馏框架，精心构造的内插算子的庞大基础以及变分程序，我们提取并可靠地确定了一系列激子介子的连续自旋。 其中包括具有奇异量子数的状态，以及具有非奇异量子数的状态，我们将其识别为具有激动的胶子自由度，并将其解释为混合介子。 比较两个不同的Mπ处的光谱，我们发现仅存在轻度的夸克质量依赖性，而总体状态模式没有变化。