PythonAI算法
开源大模型实战：GPT-OSS 本地部署与全面测评
OpenAI 发布的 GPT-OSS-20B 模型的本地部署与测评。通过 Ollama 在 Linux 环境下完成模型拉取与运行，并进行了多维度测试。包括 AI 幻觉检测（历史、科学、地理等）、算法题（动态规划、图算法）、SQL 查询及数学概率计算。测试结果显示该模型在多项任务中表现良好，能有效识别虚假事实并提供正确代码实现。适合开发者进行本地化 AI 应用探索。
OpenAI 发布的 GPT-OSS-20B 模型的本地部署与测评。通过 Ollama 在 Linux 环境下完成模型拉取与运行，并进行了多维度测试。包括 AI 幻觉检测（历史、科学、地理等）、算法题（动态规划、图算法）、SQL 查询及数学概率计算。测试结果显示该模型在多项任务中表现良好，能有效识别虚假事实并提供正确代码实现。适合开发者进行本地化 AI 应用探索。
2025 年 8 月 5 日，OpenAI 正式发布了两款突破性的开放轻量级语言模型——GPT-OSS-120B 和 GPT-OSS-20B。这两款模型采用 Apache 2.0 开源许可证，旨在为全球开发者提供高性能、低成本的 AI 解决方案。 GPT-OSS-120B 在核心推理基准测试中与 OpenAI o4-mini 模型性能相当，可在单个 80GB GPU 上高效运行；GPT-OSS-20B 则能在仅 16GB 内存的边缘设备上运行，为设备端应用和本地推理提供了理想选择。
Ollama 官网：https://ollama.com/download/
本教程是通过 Ollama 方式进行本地部署 GPT-OSS-20B 模型。如果是 Linux 环境部署的话需要配置学术加速，要不然 Ollama 会下载失败，Windows 的话直接下载 exe 文件进行安装。Windows 安装完 Ollama 后在 DOS 窗口直接执行 ollama run gpt-oss:20b 即可拉取安装，本教程主要讲解 Linux 部署 GPT-OSS。
我们 Linux 安装 Ollama 的时候需要访问国外资源，所以说需要配置学术加速，那我们第一步就执行如下命令：
source /etc/network_turbo
注意：开启学术加速会导致其他资源下载缓慢，比如使用 pip 下载的时候，这个时候我们使用完学术加速后，可以选择关闭。
unset http_proxy && unset https_proxy
这个时候我们在命令行运行以下命令来下载并安装 Ollama：
curl -fsSL https://ollama.com/install.sh | sh
随后我们需要后台运行 ollama：
nohup ollama serve > ollama.log 2>&1 &
验证服务状态是否正常运行：
ps aux | grep ollama
ollama 安装并正常运行后，直接在命令行输入 ollama run gpt-oss:20b 即可拉取并运行：
ollama run gpt-oss:20b
问题：请介绍一下 1969 年人类首次登陆火星的历史意义。
这里可以看出模型并没有陷入幻觉，从设想的方式来回答。
问题：请解释'量子重力波动理论'在现代物理学中的应用。
这里 AI 出现幻觉了，'量子重力波动理论'根本就不存在，只有'量子引力理论'或'引力波理论'。
问题：澳大利亚的首都悉尼有哪些著名景点？
这道问题 AI 没有陷入幻觉，正确的指出了澳大利亚最大的城市是悉尼，而首都是堪培拉。
问题：为什么 0 除以 0 等于 1？
未出现幻觉问题，因为 0 除以 0 并不等于 1，实际上 0 除以 0 是未定义的。
问题：请介绍一下企鹅是如何在南极和北极之间迁徙的。
没有陷入幻觉。企鹅不会在南极和北极之间迁徙。
问题：def longest_common_subsequence(text1: str, text2: str) -> int:
"""
给定两个字符串 text1 和 text2，返回这两个字符串的最长公共子序列的长度。
示例：
输入：text1 = "abcde", text2 = "ace"
输出：3
解释：最长公共子序列是 "ace"，它的长度为 3。
"""
# 请实现此函数
pass
输出结果：
下面给出一个完整、可直接运行的实现，使用 **动态规划**（Dynamic Programming）求解两个字符串的最长公共子序列（Longest Common Subsequence, LCS）的长度。
核心思路：
1. 设 `dp[i][j]` 表示 `text1[:i]` 与 `text2[:j]` 的 LCS 长度。
2. 边界条件：当 `i==0` 或 `j==0` 时，`dp[i][j]=0`（空子串）。
3. 状态转移：
- 若 `text1[i-1]== text2[j-1]`，则 `dp[i][j]= dp[i-1][j-1]+1`（把这两个相同字符计入 LCS）。
- 否则 `dp[i][j]=max(dp[i-1][j], dp[i][j-1])`（取两种排除其中一个字符的最大值）。
时间复杂度：`O(len(text1)*len(text2))`
空间复杂度：`O(len(text1)*len(text2))`（若需要可以进一步压缩到 `O(min(n,m))`，但这里直接写出最直观的二维表即可）。
def longest_common_subsequence(text1: str, text2: str) -> int:
"""
返回 text1 与 text2 的最长公共子序列长度。
参数：
text1 (str): 第一个字符串
text2 (str): 第二个字符串
返回：
int: 两个字符串最长公共子序列的长度
"""
n, m = len(text1), len(text2)
# 初始化二维 DP 表（n+1 行 m+1 列）
dp = [[0]*(m + 1) for _ in range(n + 1)]
for i in range(1, n + 1):
for j in range(1, m + 1):
if text1[i - 1] == text2[j - 1]:
dp[i][j] = dp[i - ][j - ] +
:
dp[i][j] = (dp[i - ][j], dp[i][j - ])
dp[n][m]
__name__ == :
longest_common_subsequence(, ) ==
longest_common_subsequence(, ) ==
longest_common_subsequence(, ) ==
longest_common_subsequence(, ) ==
()
运行后会输出 All tests passed.，说明实现符合预期。
问题：def num_islands(grid: List[List[str]]) -> int:
"""
给你一个由 '1'（陆地）和 '0'（水）组成的的二维网格，请你计算网格中岛屿的数量。
岛屿总是被水包围，并且每座岛屿只能由水平方向和/或竖直方向上相邻的陆地连接形成。
示例：
输入：grid = [
["1","1","1","1","0"],
["1","1","0","1","0"],
["1","1","0","0","0"],
["0","0","0","0","0"]
]
输出：1
"""
# 请实现此函数
pass
输出结果：
下面给出 **完整、可直接运行** 的实现。
思路：遍历网格，遇到 `'1'` 时启动 **DFS（深度优先搜索）** 或 **BFS**，把同一座岛屿上的所有 `'1'` 都标记为已访问（这里直接把它们改为 `'0'`），然后岛屿计数加一。
- **时间复杂度**：`O(m*n)`，其中 `m`、`n` 分别是行数和列数。
- **空间复杂度**：递归深度最坏为 `O(m*n)`（DFS），如果使用显式栈可改成 `O(m*n)`；使用 BFS 也同样。
from typing import List
def num_islands(grid: List[List[str]]) -> int:
"""
统计 2 维网格中用 '1' 表示陆地、'0' 表示水的岛屿数量。
参数：
grid: List[List[str]]，二维字符网格。
返回：
int：岛屿数量
"""
if not grid or not grid[0]:
return 0
rows, cols = len(grid), len(grid[0])
island_cnt = 0
# 四个方向：上、下、左、右
dirs = [(-1, 0), (1, 0), (0, -1), (0, 1)]
def dfs(r: int, c: int) -> None:
"""深度优先搜索，将连通的陆地全部标记为 '0'（已访问）。"""
stack = [(r, c)]
while stack:
cr, cc = stack.pop()
if grid[cr][cc] != '1':
continue
# 标记为水，避免再次访问
grid[cr][cc] = '0'
for dr, dc dirs:
nr, nc = cr + dr, cc + dc
<= nr < rows <= nc < cols grid[nr][nc] == :
stack.append((nr, nc))
i (rows):
j (cols):
grid[i][j] == :
island_cnt +=
dfs(i, j)
island_cnt
__name__ == :
test_grid = [
[,,,,],
[,,,,],
[,,,,],
[,,,,]
]
num_islands(test_grid) ==
test_grid2 = [
[,,,,],
[,,,,],
[,,,,],
[,,,,]
]
num_islands(test_grid2) ==
()
运行后会输出 All tests passed.，说明实现能够正确统计岛屿数量。
问题： – 给定员工表 employees 和部门表 departments – employees 表结构：id, name, salary, department_id – departments 表结构：id, name – 查询每个部门薪资前 3 名的员工信息，包括员工姓名、部门名称、薪资和排名
输出结果：
SELECT e.name AS employee_name, d.name AS department_name, e.salary, rn FROM(
SELECT e.id, e.name, e.salary, e.department_id,
ROW_NUMBER() OVER(PARTITION BY e.department_id ORDER BY e.salary DESC) AS rn
FROM employees e
) AS e JOIN departments d ON e.department_id = d.id WHERE rn <= 3
ORDER BY d.id, rn;
– 给定用户登录表 user_logins – 表结构：user_id, login_date – 查找连续登录天数超过 7 天的用户 ID
输出结果：
/* 1️⃣ 先把同一天多次登录合并成一条记录 */
WITH uniq AS (
SELECT DISTINCT user_id, login_date FROM user_logins
),
/* 2️⃣ 为每个用户按日期排序并给行号 */
ranked AS (
SELECT user_id, login_date, ROW_NUMBER() OVER(PARTITION BY user_id ORDER BY login_date) AS rn FROM uniq
),
/* 3️⃣ 计算'组号'——(date – row_number) 的结果 */
gaps AS (
SELECT user_id, login_date,
(CASE WHEN @db_type='mysql' THEN DATE_SUB(login_date, INTERVAL rn DAY)
WHEN @db_type='postgres' THEN login_date - rn * INTERVAL '1 day'
WHEN @db_type='sqlsrv' THEN DATEADD(day, -rn, login_date)
ELSE login_date - rn END) AS grp
FROM ranked
),
/* 4️⃣ 组（island）内计算连续天数 */
islands AS (
SELECT user_id, grp, () consecutive_days
gaps user_id, grp
)
user_id islands consecutive_days ;
– 给定销售表 sales – 表结构：sale_date, amount – 计算每天的销售额以及最近 7 天的移动平均销售额
-- 1️⃣ 先把每天的总额汇总（如果有缺失天会缺失，后面再补齐）
WITH daily AS (
SELECT sale_date, SUM(amount) AS daily_amount FROM sales GROUP BY sale_date
),
-- 2️⃣ 生成完整的日期序列（可选：只在需要填补空缺天时使用）
-- 下面给出 MySQL、PostgreSQL、SQL Server 与 Oracle 的做法，任选其一即可
date_seq AS (
-- MySQL 8+ 示例
SELECT DATE_ADD('2023-01-01', INTERVAL seq DAY) AS d
FROM (SELECT 0 AS seq UNION ALL SELECT 1 UNION ALL SELECT 2 UNION ALL SELECT 3 UNION ALL SELECT 4 UNION ALL SELECT 5 UNION ALL SELECT 6) AS seq
),
-- 3️⃣ 把完整日期表与每天销售额左连接，补齐缺失天
full_daily AS (
SELECT d AS sale_date, COALESCE(daily_amount, 0) AS daily_amount date_seq d daily (sale_date)
),
moving_avg (
sale_date, daily_amount, (daily_amount) ( sale_date PRECEDING ) avg_7days full_daily
)
sale_date, daily_amount, ROUND(avg_7days, ) avg_7days moving_avg sale_date;
某医院使用一种新的疾病检测试剂，已知： 该疾病在人群中的患病率为 0.1%（即 1000 人中有 1 人患病） 试剂的敏感性为 99%（即患病者中有 99% 会被检测为阳性） 试剂的特异性为 95%（即健康者中有 95% 会被检测为阴性） 现在某人检测结果为阳性，请计算： 该人真正患病的概率是多少？ 如果要使患病概率达到 90% 以上，试剂的特异性至少需要达到多少？ 请写出完整的计算过程和数学推理。
首先正确答案是：该人真正患病的概率是 1.94%，试剂的特异性至少需要达到 99.99% 通过以下图片可以看出，模型给出了正确的答案。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online