探索Maas平台与阿里 QWQ 技术:AI调参的魔法世界

摘要:本文介绍了蓝耘 Maas 平台在人工智能领域的表现及其核心优势,包括强大的模型支持、高效的资源调度和友好的操作界面。文章还探讨了蓝耘 Maas 平台与阿里 QWQ 技术的融合亮点及应用拓展实例,并提供了调参实战指南,最后对蓝耘 Maas 平台的未来发展进行了展望。

1.蓝耘 Maas 平台初印象

以下是关于“Maas”和“阿里 QWQ”的概念解释:

1.1 MaaS概念

  • 定义:MaaS(Model as a Service),即“模型即服务”,是一种将机器学习模型部署到企业端,以API、SaaS或开源软件的形式提供给用户使用的服务模式。通过MaaS,用户能够简单调用模型来获得所需服务,无需了解模型内部的复杂算法和实现细节。

  • 优势:MaaS降低了模型部署和应用的门槛,使开发人员和业务人员可以更专注于模型的优化和创新。它帮助企业实现高效智能的数据分析和决策,提高开发效率和模型应用的灵活性。

  • 应用:MaaS平台会提供经过训练和优化后的模型,用户可以根据需求通过API等方式调用这些模型,完成诸如图像识别、语音识别、自然语言处理等任务。

1.2 阿里 QWQ 概念

  • 定义:阿里 QWQ 是指阿里巴巴集团发布的一系列AI推理模型,如QwQ-Max、QwQ-32B等。这些模型基于强大的基础模型进行大规模强化学习训练,具备多模态处理、数学逻辑推理和本地化部署等核心优势。

  • 特点:以QwQ-32B为例,它在模型架构和训练算法上实现双重突破,尤其是在复杂数学问题的逻辑推理能力上表现突出。该模型性能媲美更大参数量的模型,如DeepSeek-R1,并且凭借小参数规模优势,已可实现端侧部署。

  • 应用:阿里 QWQ 模型在多个领域有广泛应用,如金融数据分析、智能客服、智能营销等。它能够为用户提供高效、精准的推理与辅助服务,推动各行业的智能化发展。

1.3 蓝耘 Maas 平台

在人工智能飞速发展的今天,各类技术和平台如雨后春笋般涌现,而蓝耘 Maas 平台宛如一颗璀璨的明星,在这片充满创新与变革的领域中熠熠生辉。它以其独特的功能和强大的性能,成为众多开发者和企业在 AI 之旅中的得力伙伴 ,为解决各种复杂问题、推动业务创新提供了坚实的技术支撑。从自然语言处理到计算机视觉,从智能客服到数据分析,蓝耘 Maas 平台的身影无处不在,为不同行业的数字化转型注入了强大的动力。

2.核心优势大揭秘

2.1 强大的模型支持

蓝耘 Maas 平台拥有丰富而强大的模型库,其中 DeepSeek 系列模型尤为耀眼 。以 DeepSeek R1 为例,它采用了创新的网络架构,在处理复杂数据时,能够更高效地提取特征。这种高效的架构设计减少了冗余计算,大大提升了数据处理速度,使得模型的训练时间大幅缩短。在图像识别任务中,传统模型可能需要数小时才能完成训练,而 DeepSeek R1 凭借其独特的架构优势,能将训练时间缩短至原来的一半甚至更短,为开发者节省了大量的时间成本 。

同时,DeepSeek 系列模型还具备强大的泛化能力,在设计上注重对各类数据特征的学习与理解。这意味着它不仅在训练数据上表现出色,对于未曾见过的新数据,也能准确地进行预测和分类。在实际应用中,无论是面对不同风格的图像,还是多样化的文本数据,DeepSeek 系列模型都能展现出稳定且可靠的性能,有效降低过拟合风险,为各种复杂的 AI 任务提供了坚实的保障。

2.2 高效的资源调度

在模型训练与应用过程中,资源的合理管理和调度至关重要。蓝耘 Maas 平台深知这一点,配备了智能高效的资源调度系统。当多个模型训练任务同时提交时,平台会根据任务的优先级、所需资源量以及预计完成时间等因素,动态地分配计算资源,确保每个任务都能得到合理的资源支持,避免资源的浪费和冲突 。

在深度学习模型训练时,对 GPU 资源的需求巨大,蓝耘 Maas 平台的资源调度系统会实时监控 GPU 的使用情况,将空闲的 GPU 资源分配给急需的训练任务,同时,也会根据任务的进展情况,动态调整资源分配,确保训练任务能够高效、稳定地进行。通过这种高效的资源调度方式,蓝耘 Maas 平台大大提高了资源的利用率,降低了用户的使用成本,使得开发者能够在有限的资源条件下,充分发挥模型的潜力。

2.3 友好的操作界面

蓝耘 Maas 平台的操作界面设计简洁直观,充分考虑了不同层次开发者的需求,即使是没有深厚 AI 技术背景的新手,也能快速上手 。平台提供了丰富的可视化工具,在模型调参过程中,开发者可以通过直观的滑块、输入框等界面元素,轻松调整各种参数,并实时观察模型性能的变化。平台还提供了详细的参数说明和操作指南,当开发者对某个参数的含义或作用不明确时,只需点击相关提示按钮,就能获取详细的解释和建议,帮助开发者更好地理解和掌握调参技巧 。

平台的任务管理界面也十分便捷,开发者可以清晰地看到自己提交的任务列表,包括任务的状态、进度、资源使用情况等信息,方便对任务进行监控和管理。这种友好的操作界面设计,大大降低了 AI 开发的门槛,让更多的人能够参与到 AI 创新的浪潮中来,充分发挥自己的创造力和想象力。

3.蓝耘平台使用阿里 QWQ 

3.1 注册蓝耘用阿里QWQ流程

1、蓝耘 Maas 平台,作为模型即服务(Model-as-a-Service)的先行者,以创新的云计算平台模式,将训练有素的 AI 模型以标准化服务形式呈现给用户。其核心优势在于丰富的预训练模型库,涵盖自然语言处理、计算机视觉、语音识别等多个领域,用户无需从零开始训练模型,大大节省时间和资源。注册链接:https://cloud.lanyun.net//#/registerPage?promoterCode=0131

2、注册登录后进入首页,选择Maas平台,如下图:

3、然后下拉选择QwQ-32B模型,如下图:

4、输入想要问的问题,然后发送对话,如下图:

5、平台的自动化部署与管理功能,支持模型的自动部署、监控和扩缩容,有效降低运维复杂度。定制化支持则允许用户基于自有数据对预训练模型进行微调,以适应特定场景需求,如企业定制化客服机器人。按需付费模式,按使用量计费,为中小企业和开发者提供了灵活且经济的选择。

3.2 技术融合亮点

蓝耘 Maas 平台与阿里 QWQ 的技术融合堪称一场 AI 领域的奇妙 “化学反应” 。在模型部署与优化方面,蓝耘 Maas 平台充分利用自身强大的资源调度能力,为阿里 QWQ 模型提供了高效稳定的运行环境。当阿里 QWQ 模型在进行复杂的自然语言处理任务,如文本生成、智能问答时,蓝耘 Maas 平台能够根据任务的实时需求,动态调配计算资源,确保模型的运行效率和响应速度 。

蓝耘 Maas 平台还针对阿里 QWQ 模型的特点,进行了针对性的优化。在模型训练过程中,平台通过对数据处理流程的优化,减少了数据读取和预处理的时间,大大提高了训练效率。同时,蓝耘 Maas 平台还引入了自身独特的算法优化技术,与阿里 QWQ 模型的架构相结合,进一步提升了模型的性能和准确性。在情感分析任务中,经过融合优化后的模型,对文本情感的判断更加准确,能够更好地理解文本中的细微情感变化,为用户提供更有价值的分析结果。

3.3 应用拓展实例

在电商领域,某知名电商企业借助蓝耘 Maas 平台与阿里 QWQ 相关技术,实现了智能客服的全面升级。以往,该企业的客服团队在面对大量的客户咨询时,常常应接不暇,客户问题的处理效率较低。而在引入蓝耘 Maas 平台和阿里 QWQ 技术后,智能客服系统能够快速理解客户的问题,并给出准确、及时的回答 。

当客户询问某款商品的尺码、材质等信息时,智能客服基于阿里 QWQ 模型强大的自然语言理解能力,能够迅速理解客户需求,并从蓝耘 Maas 平台整合的商品数据库中提取相关信息,快速回复客户。智能客服还能根据客户的历史购买记录和浏览行为,为客户提供个性化的推荐和服务,大大提升了客户的购物体验,也为企业节省了大量的人力成本,提高了客户满意度和忠诚度。

在智能营销领域,蓝耘 Maas 平台与阿里 QWQ 技术的结合同样发挥了巨大作用。一家美妆企业利用蓝耘 Maas 平台对市场数据进行分析,结合阿里 QWQ 模型的智能预测能力,制定了精准的营销策略。通过对消费者的兴趣偏好、购买趋势等数据的深入分析,企业能够精准地定位目标客户群体,并根据不同客户的特点,推送个性化的营销信息。针对喜欢彩妆的年轻女性,推送当季流行的彩妆产品和化妆教程;针对注重护肤的客户,推送适合其肤质的护肤品推荐。这一精准营销举措大大提高了营销效果,企业的销售额得到了显著提升,充分展示了蓝耘 Maas 平台与阿里 QWQ 技术融合在实际应用中的强大威力。

4.调参实战指南

4.1 常见任务调参策略

在文本分类任务中,对于蓝耘 Maas 平台上的模型,首先要关注学习率的调整。较低的学习率可以使模型训练更加稳定,但训练时间会相应延长;较高的学习率则能加快训练速度,但可能导致模型无法收敛。一般可以从一个较小的值,如 0.001 开始尝试,然后根据训练过程中的损失曲线和准确率变化,逐步调整。在处理新闻文本分类时,如果初始学习率设置为 0.001,训练过程中发现损失下降缓慢,准确率提升不明显,可以尝试将学习率提高到 0.005,观察模型的表现。

模型的正则化参数也至关重要,L1 和 L2 正则化可以防止模型过拟合。增加 L2 正则化参数的值,如从 0.01 调整到 0.1,对模型的权重进行更强的约束,减少模型对训练数据中噪声的过度学习,提高模型的泛化能力。

对于情感分析任务,除了上述参数外,还可以调整模型的隐藏层大小。隐藏层神经元数量决定了模型的学习能力和表达能力,增加隐藏层神经元数量可以使模型学习到更复杂的情感特征,但也可能导致过拟合和计算资源的增加。在分析社交媒体文本的情感倾向时,可以先设置隐藏层神经元数量为 128,若模型对一些复杂情感的判断准确率较低,可以尝试增加到 256,看是否能提升模型对情感语义的理解和分类能力。

4.2 代码示例解析

下面通过一个简单的文本分类代码示例,展示在蓝耘 Maas 平台上的调参操作 。假设我们使用蓝耘 Maas 平台提供的 API 进行文本分类任务,使用 Python 语言编写代码。

import requests
import json# 替换为你的API KEY
api_key = "your_api_key"
# 蓝耘Maas平台的API地址
url = "https://maas-api.lanyun.net/v1/chat/completions"
headers = {"Content-Type": "application/json","Authorization": f"Bearer {api_key}"
}
# 初始参数设置
data = {"model": "/maas/deepseek-ai/DeepSeek-R1","messages": [{"role": "user", "content": "请判断以下文本属于什么类别:“央行今日调整了利率政策,对股市产生了一定影响。” 类别选项:政治、经济、娱乐。"}],"max_tokens": 50,"temperature": 0.7  # 初始温度参数
}response = requests.post(url, headers=headers, data=json.dumps(data))
if response.status_code == 200:result = response.json()print(result['choices'][0]['message']['content'])
else:print(f"请求失败,状态码: {response.status_code}")

在这个示例中,temperature参数控制着生成文本的随机性,值越高,生成的文本越具有多样性,但也可能导致结果的准确性下降;值越低,生成的文本越保守、确定 。

我们对temperature参数进行调整,观察调参前后的效果。将temperature从 0.7 调整为 0.2,再次运行代码。

# 调整后的参数设置
data = {"model": "/maas/deepseek-ai/DeepSeek-R1","messages": [{"role": "user", "content": "请判断以下文本属于什么类别:“央行今日调整了利率政策,对股市产生了一定影响。” 类别选项:政治、经济、娱乐。"}],"max_tokens": 50,"temperature": 0.2  # 调整后的温度参数
}response = requests.post(url, headers=headers, data=json.dumps(data))
if response.status_code == 200:result = response.json()print(result['choices'][0]['message']['content'])
else:print(f"请求失败,状态码: {response.status_code}")

通过对比发现,当temperature为 0.7 时,模型给出的分类结果可能会存在一些模糊性,偶尔会出现不太准确的情况;而当temperature调整为 0.2 后,模型给出的分类结果更加稳定、准确,更符合实际情况。这充分展示了在蓝耘 Maas 平台上通过合理调参,可以有效提升模型在具体任务中的性能和表现 。

5.未来发展展望

5.1 未来发展

展望未来,蓝耘 Maas 平台在 AI 调参领域的发展前景一片光明 。随着技术的不断进步,蓝耘 Maas 平台将持续优化自身的模型库和算法,引入更多先进的模型架构和调参技术,进一步提升模型的性能和效率。在未来,平台可能会研发出更加智能的调参算法,能够根据任务的特点和数据的特征,自动推荐最优的参数配置,为开发者节省更多的时间和精力 。

蓝耘 Maas 平台还将不断拓展与其他技术平台的合作,加强与阿里 QWQ 等的深度融合,共同探索更多创新的应用场景。在智能安防领域,蓝耘 Maas 平台与阿里 QWQ 技术结合,通过对监控视频的实时分析,实现对异常行为的精准识别和预警,为城市安全提供更有力的保障;在教育领域,利用蓝耘 Maas 平台的强大算力和阿里 QWQ 模型的智能辅导能力,开发个性化的学习辅助系统,帮助学生提高学习效率和成绩 。

随着人工智能技术的广泛应用,对 AI 调参专业人才的需求也将日益增长。蓝耘 Maas 平台将发挥自身优势,通过提供丰富的学习资源和实践机会,培养更多优秀的 AI 调参人才,为行业的发展注入新的活力 。希望广大读者能够积极关注蓝耘 Maas 平台的发展,积极参与到 AI 创新的实践中来,共同推动人工智能技术的进步和应用,为创造更加美好的未来贡献自己的力量 。

5.2 关键字解释

  • 模型即服务(MaaS):一种面向企业开发者、创业者及非技术背景用户的服务模式,提供开箱即用的热门AI模型服务,支持零代码体验、API快速集成与灵活计费,降低AI应用开发门槛。

  • 算力调度:指对计算资源(如GPU、CPU等)的管理和分配,以确保任务能够高效、稳定地运行。蓝耘 Maas 平台的算力调度系统能够根据任务的优先级、所需资源量以及预计完成时间等因素,动态地分配计算资源。

  • GPU算力:图形处理器(GPU)的计算能力,在深度学习模型训练和推理中起着关键作用。蓝耘 Maas 平台基于大规模GPU算力资源,为用户提供高性能的计算支持。

  • 弹性裸金属:一种计算资源服务模式,结合了物理服务器的高性能和云计算的灵活性,用户可以根据需求弹性地增加或减少计算资源。

  • AI协作开发平台:为AI开发团队提供协作工具和服务的平台,帮助团队成员高效完成从数据准备到模型训练与部署的全流程,满足团队协作需求。

  • 应用市场:提供各种AI应用和模型的市场,用户可以方便地获取和部署预集成的模型,也可以上传自己的模型镜像,助力开发者在社区打造个人IP、开辟变现渠道。

  • DeepSeek满血版:蓝耘科技发布的高性能AI模型版本,具有支持超长上下文理解、多层次奖励机制等特点,能够在多个应用领域提供高效、精准的推理与辅助服务。

  • 多模态数据处理:能够处理多种类型的数据(如文本、图像、音频等),从多维度进行推理,生成更为精确的结果,适用于复杂的任务环境。

5.3 本文相关链接

  • 蓝耘 Maas 平台官网:了解蓝耘 Maas 平台的更多信息,包括其功能、应用案例等。

  • 蓝耘智算云平台技术文档:提供蓝耘智算云平台的详细技术文档,包括平台特点、使用指南等。

  • 蓝耘科技发布DeepSeek满血版:介绍DeepSeek满血版的特点和技术突破,展示其在多个应用领域的卓越性能。

  • 蓝耘智算云平台对接DeepSeek R1/R3 实战详解:详细讲解如何在蓝耘智算云平台上对接DeepSeek R1/R3模型,包括平台优势、操作步骤等。

  • 蓝耘业务转型升级成功之道:探讨蓝耘科技从IT系统集成转型到智算服务的成功经验,以及其在市场中的竞争力。

  • 阿里 QWQ 技术介绍:阿里 QWQ 技术的官方介绍页面,可深入了解其在自然语言处理等方面的应用。

  • 京源云计算与蓝耘科技业务合作分析:分析蓝耘科技与京源云计算在环保场景应用适配等方面的合作,展示其在不同领域的应用拓展。

  • 极客网:AI×GPU=∞:引爆开发者与算力的“超频协同”:探讨算力与AI开发工具的无缝对接,以及蓝耘元生代智算云平台如何推动算力与开发者的协同创新。

  • 蓝耘平台注册链接:https://cloud.lanyun.net//#/registerPage?promoterCode=0131

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/34105.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

3.2 组件Props的TS高级类型校验模式

文章目录 1. 组件Props校验的核心价值2. 基础类型校验回顾2.1 基本类型声明2.2 类型系统限制3. 高级类型校验模式3.1 类型模板字面量3.2 条件类型约束3.3 递归类型结构4. 泛型组件模式4.1 基础泛型定义4.2 泛型约束扩展5. 高级联合类型应用5.1 动态表单校验5.2 状态机驱动类型6…

Vim软件使用技巧

目录 Demo Vim怎么看一个文件的行号,不用打开文件的前提下?进入文件后怎么跳转到某一行? 不打开文件查看行号(查看文件的方法) 方法1、使用命令行工具统计行数 方法2、通过vim的 - 参数查看文件信息 进入文件后跳转到指定行…

C 语 言 --- 二 维 数 组 的 应 用

C 语 言 --- 二 维 数 组 的 应 用 第 一 题 - - - 冒 泡 排 序冒 泡 排 序冒 泡 排 序 的 原 理 第 二 题 - - - 回 型 矩 阵特 点 第 三 题 - - - 蛇 形 矩 阵总结 💻作者简介:曾 与 你 一 样 迷 茫,现 以 经 验 助 你 入 门 C 语 言 &…

微信小程序实现根据不同的用户角色显示不同的tabbar并且可以完整的切换tabbar

直接上图上代码吧 // login/login.js const app getApp() Page({/*** 页面的初始数据*/data: {},/*** 生命周期函数--监听页面加载*/onLoad(options) {},/*** 生命周期函数--监听页面初次渲染完成*/onReady() {},/*** 生命周期函数--监听页面显示*/onShow() {},/*** 生命周期函…

CTA重建:脑血管重建,CT三维重建,三维建模 技术,实现

CTA(CT血管造影)是一种基于CT扫描的医学成像技术,主要用于血管系统的三维重建和可视化。脑血管重建是CTA的重要应用之一,能够帮助医生诊断脑血管疾病(如动脉瘤、狭窄、畸形等)。以下是实现CTA脑血管重建、C…

告别XML模板的繁琐!Word文档导出,easy!

word模板导出 最近项目中有个功能,导出月报,发现同事使用了docx格式模板,感觉比之前转成xml的简单多了,这边记录下使用方法。 xml方式导出word,模板太复杂了 资料 poi-tl 一个基于Apache POI的Word模板引擎,也是一个免费开源的Jav…

Vue 过滤器深度解析与应用实践

文章目录 1. 过滤器概述1.1 核心概念1.2 过滤器生命周期 2. 过滤器基础2.1 过滤器定义2.2 过滤器使用 3. 过滤器高级用法3.1 链式调用3.2 参数传递3.3 动态过滤器 4. 过滤器应用场景4.1 文本格式化4.2 数字处理4.3 数据过滤 5. 性能优化与调试5.1 性能优化策略5.2 调试技巧 6. …

ST电机库电流采样 三电阻单ADC

一、概述 下图是三电阻采样的电路结构 其中流过三相系统的电流I1、I2、I3遵循以下关系: 因此,为了重建流过普通三相负载的电流,在我们可以用以上公式计算的情况下,只需要对三相中的两相进行采样即可。 STM32的ADC可以很灵活的配置成同步采集两路ADC数据,…

【测试篇】打破测试认知壁垒,从基础概念起步

前言 🌟🌟本期讲解关于测试的基本概念相关知识介绍~~~ 🌈感兴趣的小伙伴看一看小编主页:GGBondlctrl-CSDN博客 🔥 你的点赞就是小编不断更新的最大动力 🎆那么废话…

SpringBoot MCP 入门使用

随着AI的火爆,最近发现MCP在未来确实大有可为,作为一名javaer怎么可以落后在历史洪流呢,根据官网和cursor也从零开始体验一下自定义mcp server。以后可以根据自己业务场景做出各种适合自身业务的工具。 至于什么是MCP 可以到https://modelcon…

@Autowired和@Resource的区别是?

前情回顾 正确使用Autowired Autowired 注解在构造器上的使用规则(字段注入也挺好的) 正确使用Resource 来源不同 Autowired的“爹”是Spring Resource的“爹”是Java(JSR-250) 这是一个规范,Spring对这个注解进行…

3.9/Q2,Charls最新文章解读!

文章题目:Association between remnant cholesterol and depression in middle-aged and older Chinese adults: a population-based cohort study DOI:10.3389/fendo.2025.1456370 中文标题:中国中老年人残留胆固醇与抑郁症的关系&#xff1…

无再暴露源站!群联AI云防护IP隐匿方案+防绕过实战

一、IP隐藏的核心原理 群联AI云防护通过三层架构实现源站IP深度隐藏: 流量入口层:用户访问域名解析至高防CNAME节点(如ai-protect.example.com)智能调度层:基于AI模型动态分配清洗节点,实时更新节点IP池回…

项目开发 1-确定选题,制作原型

一、AI问答 问: 作为计算机专家,密码学家,给研究生一年级学生设计20个实践项目,具体要求如下: 一. 总体要求 必须使用 Linux 系统调用,要求使用文件I/O,多进程或多线程,一定要用到 Socket 系统…

使用SetupTools 管理你的项目打包工作

Setuptools 是一个用于 Python 的包管理工具,主要用于构建、打包和分发 Python 软件包。它是 distutils 的增强版,提供了更多的功能和灵活性,是 Python 包管理的核心模块之一。 功能与特点 依赖管理:Setuptools 提供了强大的依赖…

人工智能与人的智能,改变一生的思维模型【8】逆向思维

逆向偏差思维模型:顶尖高手如何「反常识」破局 (斯坦福决策科学中心认证的逆向思考框架) 一、直击本质:什么是逆向偏差思维? 定义: 逆向偏差思维是一种主动对抗本能认知倾向的决策模式,通过系…

YOLO优化之扫描融合模块(SimVSS Block)

研究背景 在自动驾驶技术快速发展的背景下,目标检测作为其核心组成部分面临着严峻挑战。 驾驶场景中目标尺度和大小的巨大差异 ,以及 视觉特征不显著且易受噪声干扰 的问题,对辅助驾驶系统的安全性构成了潜在威胁。 传统的卷积神经网络(CNN)虽然在目标检测领域取得了显著…

(全)2024下半年真题 系统架构设计师 综合知识 答案解析01

系统架构设计师第二版教程VIP课程https://edu.csdn.net/course/detail/40283 操作系统 下列选项中不能作为预防死锁措施的是 。 A. 破坏“循环等待"条件 B. 破坏“不可抢占”条件 C. 破坏“互斥”条件 D. 破坏“请求和保持”条件 答案:C 解析&…

通义万相 2.1 + 蓝耘算力,AI 视频生成的梦幻组合

在这个科技日新月异的时代,人工智能不断刷新着我们对世界的认知。一次偶然的机会,我借助北京蓝耘科技股份有限公司提供的算力支持,踏上了使用通义万相 2.1 进行 AI 视频生成的奇妙之旅。 目录 1.1初遇蓝耘科技: 1.2通义万相 2.1…

链表·简单归并

cur->next la; //将 p指针所指向的链表节点的 next 指针(也就是 p 节点的下一个节点的指针)指向 l1 所指向的链表节点。简单来说,就是把 la 节点连接到 p 节点的后面,更新了链表的连接关系。 p la; //将p指针的值更新为 la …