CF链接：LeastPrefixSumLuogu链接：Least PrefixSum${\scr\color{CornflowerBlue}{\text{Solution}}}$先来解释一下题意：给定一个数组，问最少把多少个数变成相反数，使得$\forall\cal{i}$,$\sum_{k=1}^ia_k$$\le$ $ \sum_{k=1}^ma_k$发现对于所有数据点，$\cal{n}\le2\times10^5$，说明需要$Ο(\cal{n\logn})$或者$O(\cal{n})$的算法。分析一下题目，发现要分成$\cal{i}>\cal{m}$与$\cal{i}当$\cal{i}$

这一章我们介绍在下游任务微调中固定LM参数，只微调Prompt的相关模型。这类模型的优势很直观就是微调的参数量小，能大幅降低LLM的微调参数量，是轻量级的微调替代品。和前两章微调LM和全部冻结的prompt模板相比，微调Prompt范式最大的区别就是prompt模板都是连续型（Embedding），而非和Token对应的离散型模板。核心在于我们并不关心prompt本身是否是自然语言，只关心prompt作为探针能否引导出预训练模型在下游任务上的特定能力。固定LM微调Prompt的范式有以下几个优点性价比高！微调参数少，冻结LM只微调prompt部分的参数无人工参与！无需人工设计prompt模板，

这一章我们介绍在下游任务微调中固定LM参数，只微调Prompt的相关模型。这类模型的优势很直观就是微调的参数量小，能大幅降低LLM的微调参数量，是轻量级的微调替代品。和前两章微调LM和全部冻结的prompt模板相比，微调Prompt范式最大的区别就是prompt模板都是连续型（Embedding），而非和Token对应的离散型模板。核心在于我们并不关心prompt本身是否是自然语言，只关心prompt作为探针能否引导出预训练模型在下游任务上的特定能力。固定LM微调Prompt的范式有以下几个优点性价比高！微调参数少，冻结LM只微调prompt部分的参数无人工参与！无需人工设计prompt模板，

1、Pods库用swift创建的，需要引用OC，用外部添加桥接文件TargetName-Bridging-Header.h，行不通的2、创建一个继承NSObject的public_header的OC类，把要引用的OC头文件添加到.h文件中；在.podspec文件中加入s.public_header_files='xxx/Classes/public_header.h'3、Pods组件库Classes目录下创建一个文件夹TestFolder，在文件夹中新建一个testfile.modulemap文件,并把文件内容设置成module test[system]{  header"xxxxx.h"  

1、Pods库用swift创建的，需要引用OC，用外部添加桥接文件TargetName-Bridging-Header.h，行不通的2、创建一个继承NSObject的public_header的OC类，把要引用的OC头文件添加到.h文件中；在.podspec文件中加入s.public_header_files='xxx/Classes/public_header.h'3、Pods组件库Classes目录下创建一个文件夹TestFolder，在文件夹中新建一个testfile.modulemap文件,并把文件内容设置成module test[system]{  header"xxxxx.h"