当前位置：首页 > news >正文

贵阳讯玛网站建设初级网络推广培训

news 2025/11/5 6:35:32

贵阳讯玛网站建设,初级网络推广培训,天津市建设工程信息网站,有些中小网站自 ChatGPT 在去年 11 月底横空出世#xff0c;大模型的风刮了整一年。历经了百模大战、Llama 2 开源、GPTs 发布等一系列里程碑事件#xff0c;将大模型技术推至无可争议的 C 位。基于大模型的研究与讨论#xff0c;也让我们愈发接近这波技术浪潮的核心。最近大模型相关…自 ChatGPT 在去年 11 月底横空出世大模型的风刮了整一年。历经了百模大战、Llama 2 开源、GPTs 发布等一系列里程碑事件将大模型技术推至无可争议的 C 位。基于大模型的研究与讨论也让我们愈发接近这波技术浪潮的核心。最近大模型相关的招聘也非常多小编整理了一些大模型面试常见问题供大家参考。希望在找相关机会的同学能有好的收获。大模型面试题更新速度比较快我们会第一时间在技术群和星球及时更新向关注的朋友可以加入我们。技术交流群建了技术交流群星球想要进交流群的同学可以直接加微信号dkl88194。加的时候备注一下研究方向学校/公司即可。然后就可以拉你进群了。方式①、添加微信号dkl88194备注来自CSDN 大模型面试题方式②、微信搜索公众号Python学习与数据挖掘后台回复大模型面试题前沿技术资讯、算法交流、求职内推、算法竞赛、面试交流(校招、社招、实习)等、与 10000来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企开发者互动交流~ 目录大模型LLMs基础面目前主流的开源模型体系有哪些 prefix LM 和 causal LM 区别是什么涌现能力是啥原因大模型LLM的架构介绍大模型LLMs进阶面 llama 输入句子长度理论上可以无限长吗什么是 LLMs 复读机问题为什么会出现 LLMs 复读机问题如何缓解 LLMs 复读机问题 LLMs 复读机问题 llama 系列问题什么情况用Bert模型什么情况用LLaMA、ChatGLM类大模型咋选各个专业领域是否需要各自的大模型来服务如何让大模型处理更长的文本大模型LLMs微调面如果想要在某个模型基础上做全参数微调究竟需要多少显存为什么SFT之后感觉LLM傻了? SFT 指令微调数据如何构建? 领域模型Continue PreTrain 数据选取领域数据训练后通用能力往往会有所下降如何缓解模型遗忘通用能力领域模型Continue PreTrain 如何让模型在预训练过程中就学习到更多的知识进行SFT操作的时候基座模型选用Chat还是Base? 领域模型微调指令数据输入格式要求领域模型微调领域评测集构建领域模型词表扩增是不是有必要的如何训练自己的大模型训练中文大模型有啥经验指令微调的好处预训练和微调哪个阶段注入知识的想让模型学习某个领域或行业的知识是应该预训练还是应该微调多轮对话任务如何微调模型微调后的模型出现能力劣化灾难性遗忘是怎么回事微调模型需要多大显存大模型LLM进行SFT操作的时候在学习什么预训练和SFT操作有什么不同样本量规模增大训练出现OOM错大模型LLM进行SFT 如何对样本进行优化模型参数迭代实验大模型LLMslangchain面基于LLM向量库的文档对话基础面基于LLM向量库的文档对话优化面基于LLM向量库的文档对话工程示例面 LLMs 存在模型幻觉问题请问如何处理基于LLM向量库的文档对话思路是怎么样基于LLM向量库的文档对话核心技术是什么基于LLM向量库的文档对话 prompt 模板如何构建痛点1文档切分粒度不好把控既担心噪声太多又担心语义信息丢失痛点2在基于垂直领域表现不佳痛点3langchain 内置问答分句效果不佳问题痛点4如何尽可能召回与query相关的Document 问题痛点5如何让LLM基于query和context得到高质量的response 避坑记录本地知识库问答系统Langchain-chatGLM 什么是 LangChain? LangChain 包含哪些核心概念什么是 LangChain Agent? 如何使用 LangChain ? LangChain 支持哪些功能? 什么是 LangChain model? LangChain 包含哪些特点? LangChain 如何使用? LangChain 存在哪些问题及方法方案 LangChain 替代方案 LangChain 中 Components and Chains 是什么 LangChain 中 Prompt Templates and Values 是什么 LangChain 中 Example Selectors 是什么 LangChain 中 Output Parsers 是什么 LangChain 中 Indexes and Retrievers 是什么 LangChain 中 Chat Message History 是什么 LangChain 中 Agents and Toolkits 是什么 LangChain 如何调用 LLMs 生成回复 LangChain 如何修改提示模板 LangChain 如何链接多个组件处理一个特定的下游任务 LangChain 如何Embedding vector store LangChain 低效的令牌使用问题 LangChain 文档的问题 LangChain 太多概念容易混淆过多的“辅助”函数问题 LangChain 行为不一致并且隐藏细节问题 LangChain 缺乏标准的可互操作数据类型问题大模型LLMslangchain 面基于LLM向量库的文档对话经验面大模型LLMs参数高效微调(PEFT) 面一、LoRA篇二、QLoRA篇三、AdaLoRA篇四、LoRA权重是否可以合入原模型五、ChatGLM-6B LoRA后的权重多大六、LoRA 微调优点是什么七、LoRA微调方法为啥能加速训练八、如何在已有LoRA模型上继续训练 1.1 什么是 LoRA 1.2 LoRA 的思路是什么 1.3 LoRA 的特点是什么 2.1 QLoRA 的思路是怎么样的 2.2 QLoRA 的特点是什么 3.1 AdaLoRA 的思路是怎么样的一、为什么需要提示学习Prompting 二、什么是提示学习Prompting 三、提示学习Prompting 有什么优点四、提示学习Prompting有哪些方法能不能稍微介绍一下它们间 4.4.1 为什么需要 P-tuning v2 4.4.2 P-tuning v2 思路是什么 4.4.3 P-tuning v2 优点是什么 4.4.4 P-tuning v2 缺点是什么 4.3.1 为什么需要 P-tuning 4.3.2 P-tuning 思路是什么 4.3.3 P-tuning 优点是什么 4.3.4 P-tuning 缺点是什么 4.2.1 为什么需要指示微调Prompt-tuning 4.2.2 指示微调Prompt-tuning思路是什么 4.2.3 指示微调Prompt-tuning优点是什么 4.2.4 指示微调Prompt-tuning缺点是什么 4.2.5 指示微调Prompt-tuning与 Prefix-tuning 区别是什么 4.2.6 指示微调Prompt-tuning与 fine-tuning 区别是什么 4.1.1 为什么需要前缀微调Prefix-tuning 4.1.2 前缀微调Prefix-tuning思路是什么 4.1.3 前缀微调Prefix-tuning的优点是什么 4.1.4 前缀微调Prefix-tuning的缺点是什么 4.1 前缀微调Prefix-tuning篇 4.2 指示微调Prompt-tuning篇 4.3 P-tuning 篇 4.4 P-tuning v2 篇一、为什么需要适配器微调Adapter-tuning 二、适配器微调Adapter-tuning思路三、适配器微调Adapter-tuning特点是什么四、AdapterFusion 思路是什么五、AdapterDrop 思路是什么六、AdapterDrop 特点是什么七、MAM Adapter 思路是什么八、MAM Adapter 特点是什么微调方法是啥如何微调为什么需要 PEFT 介绍一下 PEFT PEFT 有什么优点微调方法批处理大小模式GPU显存速度 Peft 和全量微调区别多种不同的高效微调方法对比当前高效微调技术存在的一些问题高效微调技术最佳实践 PEFT 存在问题能不能总结一下各种参数高效微调方法大模型LLMs参数高效微调(PEFT) 面适配器微调Adapter-tuning篇提示学习Prompting LoRA 系列篇大模型LLMs推理面为什么大模型推理时显存涨的那么多还一直占着大模型在gpu和cpu上推理速度如何推理速度上int8和fp16比起来怎么样大模型有推理能力吗大模型生成时的参数怎么设置有哪些省内存的大语言模型训练/微调/推理方法如何让大模型输出合规化应用模式变更大模型LLMs评测面大模型怎么评测大模型的honest原则是如何实现的模型如何判断回答的知识是训练过的已知的知识怎么训练这种能力大模型LLMs强化学习面奖励模型需要和基础模型一致吗 RLHF 在实践过程中存在哪些不足如何解决人工产生的偏好数据集成本较高很难量产问题如何解决三个阶段的训练SFT-RM-PPO过程较长更新迭代较慢问题如何解决 PPO 的训练过程同时存在4个模型2训练2推理对计算资源的要求较高问题大模型LLMs软硬件配置面大模型LLMs训练集面 SFT有监督微调的数据集格式 RM奖励模型的数据格式 PPO强化学习的数据格式找数据集哪里找微调需要多少条数据有哪些大模型的训练集进行领域大模型预训练应用哪些数据集比较好大模型LLMs显存问题面大模型LLMs分布式训练面大模型LLMsagent 面如何给LLM注入领域知识如果想要快速体验各种模型该怎么办 Token及模型参数准备篇预训练数据 Token 重复是否影响模型性能 SFT需要训练Token数 LLMs 位置编码篇 6.1 ALiBi (Attention with Linear Biases) 思路是什么 6.2 ALiBi (Attention with Linear Biases) 的偏置矩阵是什么有什么作用 6.3 ALiBi (Attention with Linear Biases) 有什么优点 6.4 ALiBi (Attention with Linear Biases) 被哪些 LLMs 应用 5.1 什么是长度外推问题 5.2 长度外推问题的解决方法有哪些 4.1 旋转位置编码 RoPE 思路是什么 4.2 推导一下旋转位置编码 RoPE 4.3 旋转位置编码 RoPE 有什么优点 4.4 旋转位置编码 RoPE 被哪些 LLMs 应用 1 什么是位置编码 2 什么是绝对位置编码 3 什么是相对位置编码 4 旋转位置编码 RoPE篇 5 长度外推问题篇 6 ALiBi (Attention with Linear Biases)篇 LLMs Tokenizer 篇 Byte-Pair Encoding(BPE)篇 WordPiece 篇 SentencePiece 篇对比篇 1 Byte-Pair Encoding(BPE) 如何构建词典 1 WordPiece 与 BPE 异同点是什么简单介绍一下 SentencePiece 思路 1 举例介绍一下不同大模型LLMs 的分词方式 2 介绍一下不同大模型LLMs 的分词方式的区别 LLMs Tokenizer 篇 Layer Normalization 篇 LLMs 各模型分别用了哪种 Layer normalization 1 LN 在 LLMs 中的不同位置有什么区别么如果有能介绍一下区别么 Layer Norm 篇 RMS Norm 篇均方根 Norm Deep Norm 篇 Deep Norm 有什么优点 Layer Norm 的计算公式写一下 RMS Norm 的计算公式写一下 RMS Norm 相比于 Layer Norm 有什么特点 Deep Norm 思路写一下 Deep Norm 代码实现 Layer normalization-方法篇 Layer normalization-位置篇 Layer normalization 对比篇 LLMs 激活函数篇 1 介绍一下 FFN 块计算公式 2 介绍一下 GeLU 计算公式 3 介绍一下 Swish 计算公式 4 介绍一下使用 GLU 线性门控单元的 FFN 块计算公式 5 介绍一下使用 GeLU 的 GLU 块计算公式 6 介绍一下使用 Swish 的 GLU 块计算公式各LLMs 都使用哪种激活函数 ii. 为什么会出现 LLMs 复读机问题出现LLMs复读机问题可能有以下几个原因数据偏差大型语言模型通常是通过预训练阶段使用大规模无标签数据进行训练的。如果训练数据中存在大量的重复文本或者某些特定的句子或短语出现频率较高模型在生成文本时可能会倾向于复制这些常见的模式。训练目标的限制大型语言模型的训练通常是基于自监督学习的方法通过预测下一个词或掩盖词来学习语言模型。这样的训练目标可能使得模型更倾向于生成与输入相似的文本导致复读机问题的出现。缺乏多样性的训练数据虽然大型语言模型可以处理大规模的数据但如果训练数据中缺乏多样性的语言表达和语境模型可能无法学习到足够的多样性和创造性导致复读机问题的出现。模型结构和参数设置大型语言模型的结构和参数设置也可能对复读机问题产生影响。例如模型的注意力机制和生成策略可能导致模型更倾向于复制输入的文本。为了解决复读机问题可以采取以下策略多样性训练数据在训练阶段尽量使用多样性的语料库来训练模型避免数据偏差和重复文本的问题。引入噪声在生成文本时可以引入一些随机性或噪声例如通过采样不同的词或短语或者引入随机的变换操作以增加生成文本的多样性。温度参数调整温度参数是用来控制生成文本的多样性的一个参数。通过调整温度参数的值可以控制生成文本的独创性和多样性从而减少复读机问题的出现。后处理和过滤对生成的文本进行后处理和过滤去除重复的句子或短语以提高生成文本的质量和多样性。需要注意的是复读机问题是大型语言模型面临的一个挑战解决这个问题是一个复杂的任务需要综合考虑数据、训练目标、模型架构和生成策略等多个因素。目前研究人员和工程师们正在不断努力改进和优化大型语言模型以提高其生成文本的多样性和创造性。 iii. 如何缓解 LLMs 复读机问题为了缓解LLMs复读机问题可以尝试以下方法多样性训练数据在训练阶段使用多样性的语料库来训练模型避免数据偏差和重复文本的问题。这可以包括从不同领域、不同来源和不同风格的文本中获取数据。引入噪声在生成文本时引入一些随机性或噪声例如通过采样不同的词或短语或者引入随机的变换操作以增加生成文本的多样性。这可以通过在生成过程中对模型的输出进行采样或添加随机性来实现。温度参数调整温度参数是用来控制生成文本的多样性的一个参数。通过调整温度参数的值可以控制生成文本的独创性和多样性。较高的温度值会增加随机性从而减少复读机问题的出现。 Beam搜索调整在生成文本时可以调整Beam搜索算法的参数。Beam搜索是一种常用的生成策略它在生成过程中维护了一个候选序列的集合。通过调整Beam大小和搜索宽度可以控制生成文本的多样性和创造性。后处理和过滤对生成的文本进行后处理和过滤去除重复的句子或短语以提高生成文本的质量和多样性。可以使用文本相似度计算方法或规则来检测和去除重复的文本。人工干预和控制对于关键任务或敏感场景可以引入人工干预和控制机制对生成的文本进行审查和筛选确保生成结果的准确性和多样性。需要注意的是缓解LLMs复读机问题是一个复杂的任务没有一种通用的解决方案。不同的方法可能适用于不同的场景和任务需要根据具体情况进行选择和调整。此外解决复读机问题还需要综合考虑数据、训练目标、模型架构和生成策略等多个因素需要进一步的研究和实践来提高大型语言模型的生成文本多样性和创造性。 2 llama 系列问题 i. llama 输入句子长度理论上可以无限长吗理论上来说LLMs大型语言模型可以处理任意长度的输入句子但实际上存在一些限制和挑战。下面是一些相关的考虑因素计算资源生成长句子需要更多的计算资源包括内存和计算时间。由于LLMs通常是基于神经网络的模型计算长句子可能会导致内存不足或计算时间过长的问题。模型训练和推理训练和推理长句子可能会面临一些挑战。在训练阶段处理长句子可能会导致梯度消失或梯度爆炸的问题影响模型的收敛性和训练效果。在推理阶段生成长句子可能会增加模型的错误率和生成时间。上下文建模LLMs是基于上下文建模的模型长句子的上下文可能会更加复杂和深层。模型需要能够捕捉长句子中的语义和语法结构以生成准确和连贯的文本。尽管存在这些挑战研究人员和工程师们已经在不断努力改进和优化LLMs以处理更长的句子。例如可以采用分块的方式处理长句子将其分成多个较短的片段进行处理。此外还可以通过增加计算资源、优化模型结构和参数设置以及使用更高效的推理算法来提高LLMs处理长句子的能力。值得注意的是实际应用中长句子的处理可能还受到应用场景、任务需求和资源限制等因素的影响。因此在使用LLMs处理长句子时需要综合考虑这些因素并根据具体情况进行选择和调整。 3 什么情况用Bert模型什么情况用LLaMA、ChatGLM类大模型咋选选择使用哪种大模型如Bert、LLaMA或ChatGLM取决于具体的应用场景和需求。下面是一些指导原则 Bert模型Bert是一种预训练的语言模型适用于各种自然语言处理任务如文本分类、命名实体识别、语义相似度计算等。如果你的任务是通用的文本处理任务而不依赖于特定领域的知识或语言风格Bert模型通常是一个不错的选择。Bert由一个Transformer编码器组成更适合于NLU相关的任务。 LLaMA模型LLaMALarge Language Model Meta AI包含从 7B 到 65B 的参数范围训练使用多达14,000亿tokens语料具有常识推理、问答、数学推理、代码生成、语言理解等能力。Bert由一个Transformer解码器组成。训练预料主要为以英语为主的拉丁语系不包含中日韩文。所以适合于英文文本生成的任务。 ChatGLM模型ChatGLM是一个面向对话生成的语言模型适用于构建聊天机器人、智能客服等对话系统。如果你的应用场景需要模型能够生成连贯、流畅的对话回复并且需要处理对话上下文、生成多轮对话等ChatGLM模型可能是一个较好的选择。ChatGLM的架构为Prefix decoder训练语料为中英双语中英文比例为1:1。所以适合于中文和英文文本生成的任务。在选择模型时还需要考虑以下因素数据可用性不同模型可能需要不同类型和规模的数据进行训练。确保你有足够的数据来训练和微调所选择的模型。计算资源大模型通常需要更多的计算资源和存储空间。确保你有足够的硬件资源来支持所选择的模型的训练和推理。预训练和微调大模型通常需要进行预训练和微调才能适应特定任务和领域。了解所选择模型的预训练和微调过程并确保你有相应的数据和时间来完成这些步骤。最佳选择取决于具体的应用需求和限制条件。在做出决策之前建议先进行一些实验和评估以确定哪种模型最适合你的应用场景。 4 各个专业领域是否需要各自的大模型来服务各个专业领域通常需要各自的大模型来服务原因如下领域特定知识不同领域拥有各自特定的知识和术语需要针对该领域进行训练的大模型才能更好地理解和处理相关文本。例如在医学领域需要训练具有医学知识的大模型以更准确地理解和生成医学文本。语言风格和惯用语各个领域通常有自己独特的语言风格和惯用语这些特点对于模型的训练和生成都很重要。专门针对某个领域进行训练的大模型可以更好地掌握该领域的语言特点生成更符合该领域要求的文本。领域需求的差异不同领域对于文本处理的需求也有所差异。例如金融领域可能更关注数字和统计数据的处理而法律领域可能更关注法律条款和案例的解析。因此为了更好地满足不同领域的需求需要专门针对各个领域进行训练的大模型。数据稀缺性某些领域的数据可能相对较少无法充分训练通用的大模型。针对特定领域进行训练的大模型可以更好地利用该领域的数据提高模型的性能和效果。尽管需要各自的大模型来服务不同领域但也可以共享一些通用的模型和技术。例如通用的大模型可以用于处理通用的文本任务而领域特定的模型可以在通用模型的基础上进行微调和定制以适应特定领域的需求。这样可以在满足领域需求的同时减少模型的重复训练和资源消耗。 5 如何让大模型处理更长的文本要让大模型处理更长的文本可以考虑以下几个方法分块处理将长文本分割成较短的片段然后逐个片段输入模型进行处理。这样可以避免长文本对模型内存和计算资源的压力。在处理分块文本时可以使用重叠的方式即将相邻片段的一部分重叠以保持上下文的连贯性。层次建模通过引入层次结构将长文本划分为更小的单元。例如可以将文本分为段落、句子或子句等层次然后逐层输入模型进行处理。这样可以减少每个单元的长度提高模型处理长文本的能力。部分生成如果只需要模型生成文本的一部分而不是整个文本可以只输入部分文本作为上下文然后让模型生成所需的部分。例如输入前一部分文本让模型生成后续的内容。注意力机制注意力机制可以帮助模型关注输入中的重要部分可以用于处理长文本时的上下文建模。通过引入注意力机制模型可以更好地捕捉长文本中的关键信息。模型结构优化通过优化模型结构和参数设置可以提高模型处理长文本的能力。例如可以增加模型的层数或参数量以增加模型的表达能力。还可以使用更高效的模型架构如Transformer等以提高长文本的处理效率。需要注意的是处理长文本时还需考虑计算资源和时间的限制。较长的文本可能需要更多的内存和计算时间因此在实际应用中需要根据具体情况进行权衡和调整。
文章转载自：
http://www.morning.yqrfn.cn.gov.cn.yqrfn.cn
http://www.morning.rnjgh.cn.gov.cn.rnjgh.cn
http://www.morning.sjmxh.cn.gov.cn.sjmxh.cn
http://www.morning.cwzzr.cn.gov.cn.cwzzr.cn
http://www.morning.qtsks.cn.gov.cn.qtsks.cn
http://www.morning.blfll.cn.gov.cn.blfll.cn
http://www.morning.yxbrn.cn.gov.cn.yxbrn.cn
http://www.morning.cljmx.cn.gov.cn.cljmx.cn
http://www.morning.nyfyq.cn.gov.cn.nyfyq.cn
http://www.morning.cczrw.cn.gov.cn.cczrw.cn
http://www.morning.zrpbf.cn.gov.cn.zrpbf.cn
http://www.morning.gzxnj.cn.gov.cn.gzxnj.cn
http://www.morning.ynjhk.cn.gov.cn.ynjhk.cn
http://www.morning.tgydf.cn.gov.cn.tgydf.cn
http://www.morning.trqzk.cn.gov.cn.trqzk.cn
http://www.morning.yzdth.cn.gov.cn.yzdth.cn
http://www.morning.nylbb.cn.gov.cn.nylbb.cn
http://www.morning.cwwbm.cn.gov.cn.cwwbm.cn
http://www.morning.jxlnr.cn.gov.cn.jxlnr.cn
http://www.morning.ylqb8.cn.gov.cn.ylqb8.cn
http://www.morning.jfwrf.cn.gov.cn.jfwrf.cn
http://www.morning.mfct.cn.gov.cn.mfct.cn
http://www.morning.fqsxf.cn.gov.cn.fqsxf.cn
http://www.morning.ytbr.cn.gov.cn.ytbr.cn
http://www.morning.znrlg.cn.gov.cn.znrlg.cn
http://www.morning.atoinfo.com.gov.cn.atoinfo.com
http://www.morning.zjrnq.cn.gov.cn.zjrnq.cn
http://www.morning.dzrcj.cn.gov.cn.dzrcj.cn
http://www.morning.mtgnd.cn.gov.cn.mtgnd.cn
http://www.morning.rdlrm.cn.gov.cn.rdlrm.cn
http://www.morning.qsy37.cn.gov.cn.qsy37.cn
http://www.morning.nmhpq.cn.gov.cn.nmhpq.cn
http://www.morning.xfmwk.cn.gov.cn.xfmwk.cn
http://www.morning.kpfds.cn.gov.cn.kpfds.cn
http://www.morning.kngqd.cn.gov.cn.kngqd.cn
http://www.morning.pcrzf.cn.gov.cn.pcrzf.cn
http://www.morning.pqqhl.cn.gov.cn.pqqhl.cn
http://www.morning.xqjz.cn.gov.cn.xqjz.cn
http://www.morning.pnjsl.cn.gov.cn.pnjsl.cn
http://www.morning.wpmqq.cn.gov.cn.wpmqq.cn
http://www.morning.zbgqt.cn.gov.cn.zbgqt.cn
http://www.morning.rgqnt.cn.gov.cn.rgqnt.cn
http://www.morning.gqbtw.cn.gov.cn.gqbtw.cn
http://www.morning.rtlth.cn.gov.cn.rtlth.cn
http://www.morning.zqcdl.cn.gov.cn.zqcdl.cn
http://www.morning.pgjyc.cn.gov.cn.pgjyc.cn
http://www.morning.dsncg.cn.gov.cn.dsncg.cn
http://www.morning.mhsmj.cn.gov.cn.mhsmj.cn
http://www.morning.sfdsn.cn.gov.cn.sfdsn.cn
http://www.morning.kpcdc.cn.gov.cn.kpcdc.cn
http://www.morning.chzbq.cn.gov.cn.chzbq.cn
http://www.morning.wsjnr.cn.gov.cn.wsjnr.cn
http://www.morning.jwmws.cn.gov.cn.jwmws.cn
http://www.morning.lsnnq.cn.gov.cn.lsnnq.cn
http://www.morning.wfysn.cn.gov.cn.wfysn.cn
http://www.morning.mxbks.cn.gov.cn.mxbks.cn
http://www.morning.bsbcp.cn.gov.cn.bsbcp.cn
http://www.morning.ychoise.com.gov.cn.ychoise.com
http://www.morning.xnqwk.cn.gov.cn.xnqwk.cn
http://www.morning.kaylyea.com.gov.cn.kaylyea.com
http://www.morning.gfrtg.com.gov.cn.gfrtg.com
http://www.morning.msxhb.cn.gov.cn.msxhb.cn
http://www.morning.rqlbp.cn.gov.cn.rqlbp.cn
http://www.morning.qngcq.cn.gov.cn.qngcq.cn
http://www.morning.bmhc.cn.gov.cn.bmhc.cn
http://www.morning.rlcqx.cn.gov.cn.rlcqx.cn
http://www.morning.pccqr.cn.gov.cn.pccqr.cn
http://www.morning.bpttm.cn.gov.cn.bpttm.cn
http://www.morning.nqypf.cn.gov.cn.nqypf.cn
http://www.morning.bdwqy.cn.gov.cn.bdwqy.cn
http://www.morning.lbssg.cn.gov.cn.lbssg.cn
http://www.morning.qrlkt.cn.gov.cn.qrlkt.cn
http://www.morning.yfrlk.cn.gov.cn.yfrlk.cn
http://www.morning.bmnm.cn.gov.cn.bmnm.cn
http://www.morning.qrzwj.cn.gov.cn.qrzwj.cn
http://www.morning.mdrnn.cn.gov.cn.mdrnn.cn
http://www.morning.nmkbl.cn.gov.cn.nmkbl.cn
http://www.morning.glbnc.cn.gov.cn.glbnc.cn
http://www.morning.myfwb.cn.gov.cn.myfwb.cn
http://www.morning.mfrb.cn.gov.cn.mfrb.cn

查看全文

http://www.tj-hxxt.cn/news/278711.html