ChatGPT 早已成為世界耗能大戶：一天用掉超 50 萬(wàn)度電，相當(dāng)于 1.7 萬(wàn)個(gè)美國(guó)家庭的用電量！

然而，大模型對(duì)能源的吞噬，遠(yuǎn)不僅如此。國(guó)際能源署（IEA）預(yù)測(cè)，從 2022 年到 2026 年，數(shù)據(jù)中心的用電量將翻一番。

隨著 AI 計(jì)算需求的膨脹，還需要用水來(lái)冷卻計(jì)算系統(tǒng)。研究稱，微軟用水量從 2021 年到 22 年飆升了 34%，ChatGPT 每處理 5-50 個(gè)提示就會(huì)消耗接近半升水。

針對(duì)這種現(xiàn)狀，我們有更好的解決策略嗎？

最近，谷歌 DeepMind 研究團(tuán)隊(duì)提出了一種加快 AI 訓(xùn)練的新方法 —— 多模態(tài)對(duì)比學(xué)習(xí)與聯(lián)合示例選擇（JEST），大大減少了所需的計(jì)算資源和時(shí)間。

JEST 以 13 倍更少的迭代次數(shù)，以及 10 倍更少的計(jì)算量，超越了最先進(jìn)的模型！

預(yù)訓(xùn)練的參考模型，已經(jīng)學(xué)習(xí)了什么樣的數(shù)據(jù)是有「優(yōu)質(zhì)的」或「有用的」。然后通過(guò)模型，來(lái)引導(dǎo)數(shù)據(jù)選擇那些精心篩選過(guò)的小型數(shù)據(jù)集。

這一發(fā)現(xiàn)揭示了，數(shù)據(jù)篩選水平可以作為評(píng)判 Scaling Law 的一個(gè)新維度。

網(wǎng)友激動(dòng)表示，「我沒(méi)想到這么快就會(huì)發(fā)生。模型能夠自主選擇訓(xùn)練數(shù)據(jù)的能力是巨大的，因?yàn)樗褂?xùn)練變得顯著更容易，你不再需要猜測(cè)什么是高質(zhì)量的訓(xùn)練數(shù)據(jù)，你有一個(gè)能夠『理解』什么樣的數(shù)據(jù)對(duì)自身學(xué)習(xí)最有價(jià)值的模型」。

前谷歌、蘋果軟件工程師稱贊道，這項(xiàng)研究非常令人印象深刻。

從「超級(jí) batch」中篩選數(shù)據(jù)

無(wú)論是語(yǔ)言、視覺還是多模態(tài)模型，數(shù)據(jù)質(zhì)量是預(yù)訓(xùn)練性能的重要驅(qū)動(dòng)因素。比如 Phi-3、Gemma 2 等模型的成功讓我們看到了，更少、更高質(zhì)量的數(shù)據(jù)有可能實(shí)現(xiàn)更強(qiáng)大的性能。

要篩選出高質(zhì)量的數(shù)據(jù)，數(shù)據(jù)管道的建立就成為重要的工作?，F(xiàn)有的方法大體可以分為兩種：1）手動(dòng)管理 2）基于模型的數(shù)據(jù)管理，用正在訓(xùn)練模型的特征選擇高質(zhì)量數(shù)據(jù)。

前者成本高昂且難以擴(kuò)展，后者則有望為多模態(tài) LLM 實(shí)現(xiàn) Scaling Law。

然而，現(xiàn)有方法忽略了一個(gè)事實(shí)。

如果僅在單個(gè)數(shù)據(jù)點(diǎn)的層面進(jìn)行篩選，就沒(méi)有考慮到數(shù)據(jù)集以及 batch 的總體組成。畢竟，訓(xùn)練數(shù)據(jù)是以 batch 為單位，數(shù)據(jù)點(diǎn)之間的依賴性不可忽視。

許多計(jì)算機(jī)視覺的研究都曾表明，hard negatives（表達(dá)空間中相近但標(biāo)簽不同的樣本）相比可被平凡解的數(shù)據(jù)簇，能提供更有效的學(xué)習(xí)信號(hào)。

那么如何讓模型以 batch 為單位篩選數(shù)據(jù)呢？

論文提出的 JEST 算法正是要解決這個(gè)問(wèn)題，原理很好理解：就是直接從「超級(jí) batch」中篩選出「子 batch」。

技術(shù)介紹

用數(shù)學(xué)語(yǔ)言來(lái)描述這個(gè)問(wèn)題，就是從大小為 B 的「超級(jí) batch」??中提取出與學(xué)習(xí)最相關(guān)的子 batch ?={????，??∈[1,…,??]}???，過(guò)濾比率可以寫作??=1???/??。

之前的優(yōu)先采樣（prioritized sampling）會(huì)使用基于模型的評(píng)分函數(shù)對(duì)每個(gè)數(shù)據(jù)點(diǎn)打分，再按比例采樣。JEST 則直接對(duì)整個(gè)子 batch 評(píng)分，再按照 batch 級(jí)別的分?jǐn)?shù)采樣。

一種最直觀的啟發(fā)式方法就是在現(xiàn)有模型參數(shù) ?? : ??hard?(?|??)=??(?|??) 中，直接選擇損失值最高的 batch，這種方法可被稱之為「硬學(xué)習(xí)」（hard learner）。

這種方法具有丟棄瑣碎數(shù)據(jù)的理想屬性，已被證明適用于小型、干凈的數(shù)據(jù)集；然而對(duì)于較大、較少管理的數(shù)據(jù)集往往弊大于利，因?yàn)樗琅f會(huì)采樣到噪聲數(shù)據(jù)。

另一種方法常用于多模態(tài)，使用具有參數(shù) ???:??^easy?(?|???)=???(?|???) 的參考模型為預(yù)訓(xùn)練模型采樣數(shù)據(jù)。但作者依舊否定了這個(gè)方案，因?yàn)樗鼰o(wú)法直接反映模型當(dāng)前的狀態(tài)，可能過(guò)度依賴參考模型的選擇，而且不易于擴(kuò)展。

最后，論文選擇借鑒 ICML 2022 年的一篇論文中提到的方法，將上述兩方面的評(píng)分結(jié)合起來(lái)：??^learn?(?|??，???)=??hard?(?|??)+??^easy?(?|???)=??(?|??)???(?|???)，并將這種啟發(fā)式方法稱為「可學(xué)習(xí)性評(píng)分」（learnability score）。

其中，batch 上的損失值??(?|??) 是各數(shù)據(jù)點(diǎn)之和，使用 sigmoid 對(duì)比損失函數(shù)計(jì)算（sigmoid-contrastive loss），因?yàn)橄啾?softmax 對(duì)比損失而言，它的擴(kuò)展性更強(qiáng)。

由于 batch 上的對(duì)比損失可以分解為每個(gè)樣本的條件損失之和，因此可學(xué)習(xí)性評(píng)分可被分解為單個(gè)樣本可學(xué)習(xí)性評(píng)分???(??|??，???,?) 之和，寫作：

使用的順序采樣方法則受到了 block Gibbs 采樣的啟發(fā)。在第 n 次迭代、對(duì)第 B_n 個(gè) batch 進(jìn)行采樣時(shí)，依據(jù)如下概率公式對(duì)塊 {X_k} 進(jìn)行無(wú)替換采樣：

將 X_k 塊添加到 B_n 中來(lái)更新當(dāng)前采樣的 batch，直至迭代數(shù) n=N 時(shí)終止。算法的總體流程如下圖所示：

實(shí)驗(yàn)中發(fā)現(xiàn)，使用迭代數(shù) N=16 且每次迭代時(shí)獨(dú)立采樣 b / N=2048 個(gè)樣本時(shí)，就足以恢復(fù)出學(xué)習(xí)性非常高的 batch。

可學(xué)習(xí)性評(píng)分中涉及到使用參考模型為數(shù)據(jù)點(diǎn)打分，之前的方法慣常使用額外的小型模型，但這會(huì)增加每次迭代的計(jì)算成本，降低總體 FLOP 效率增益。

因此論文使用了在線模型近似的方法以及效率較高的 FlexiViT 架構(gòu)，只使用降低分辨率的 32×32 的 patch 來(lái)評(píng)估「超級(jí) batch」，與全分辨率、patch 大小為 16×16 的方法相比減少了 72% 的 FLOP，以及 67% 的掛鐘時(shí)間（wall-clock time）。

此外，論文還提出了進(jìn)行多分辨率訓(xùn)練的技巧。將每個(gè) batch 隨機(jī)分成兩半，使用不同分辨率編碼后再拼接起來(lái)，提升了評(píng)分過(guò)程和訓(xùn)練的效率。

下圖詳細(xì)描述了全分辨率 JEST 和多分辨率 Flexi-JEST 方法的偽代碼實(shí)現(xiàn)。

所有 JEST 實(shí)驗(yàn)都在 WebLI 數(shù)據(jù)集上運(yùn)行，包含經(jīng)過(guò)寬松過(guò)濾的十億規(guī)模的英語(yǔ)圖像-文本對(duì)，參考模型的訓(xùn)練則使用其中經(jīng)過(guò)高質(zhì)量過(guò)濾 100M 大小的子集（被稱為 WebLI-curated）。

在 WebLI 的基礎(chǔ)上，作者還額外從網(wǎng)絡(luò)上抓取了 6 億個(gè)文本-圖像對(duì)并經(jīng)過(guò)同樣強(qiáng)度的過(guò)濾，組成 WebLI-curated++ 數(shù)據(jù)集訓(xùn)練參考模型，拓展出 JEST++/FlexiJEST++ 方法，來(lái)探索對(duì)數(shù)據(jù)管理的擴(kuò)展。

論文所報(bào)告的平均性能包括 4 個(gè)多模態(tài)規(guī)范基準(zhǔn)：ImageNet 0-Shot 和 10-Shot 分類以及 COCO 圖像到文本和文本到圖像的 top-1 檢索。

實(shí)驗(yàn)結(jié)果

圖 1 中可以看到，使用 JEST 或 FlexiJEST 方法的最明顯優(yōu)勢(shì)就是效率提升。

左圖中，相比原有的 SigLIP 基線模型，JEST++ 可以在訓(xùn)練數(shù)據(jù)量減少 13.1× 的情況下達(dá)到相同準(zhǔn)確率。即使考慮到額外引入的打分成本，也有近 10× 的 FLOP 效率提升（中圖）。

右圖展現(xiàn)了 JEST++/FlexiJEST++（綠色）與先前方法（灰色）的比較，相比 CLIP、EVA-CLIP 經(jīng)典模型實(shí)現(xiàn)了計(jì)算成本和性能的雙重提升。

產(chǎn)生可學(xué)習(xí) batch

研究人員首先評(píng)估了 JEST 在選擇可學(xué)習(xí) batch 方面的效果。

為了直觀地理解這一方法，作者們先將可學(xué)習(xí)性矩陣進(jìn)行可視化，即學(xué)習(xí)模型和參考模型之間，對(duì) batch 中所有示例對(duì)的損失差異。

JEST 就是按照示例子矩陣的可學(xué)習(xí)性總和比例進(jìn)行采樣。由于矩陣明顯非對(duì)角關(guān)系（圖 2，左），獨(dú)立選擇顯然是次優(yōu)的。

經(jīng)過(guò)少量迭代（對(duì)應(yīng)于用 N=16 個(gè)塊填充 batch），作者發(fā)現(xiàn)子 batch 的可學(xué)習(xí)性快速增加，達(dá)到了需要數(shù)千次迭代的暴力吉布斯采樣（Gibbs sampling ）所提取 batch 的可學(xué)習(xí)性（圖 2，中）。

對(duì)于 0.5、0.8 和 0.9 的過(guò)濾比例，他們從大小分別為 65,536、163,840 和 327,680 的超級(jí) batch 中選擇 32,768 個(gè)示例的子 batch。

在圖 2 右側(cè)，研究者還發(fā)現(xiàn)子 batch 的可學(xué)習(xí)性隨著更大的過(guò)濾比例而增加。

總之，JEST 算法是在訓(xùn)練過(guò)程中選擇高度可學(xué)習(xí) batch 的有效，且高效的方法。

加速多模態(tài)學(xué)習(xí)

接下來(lái)，研究人員使用 JEST 算法選擇的可學(xué)習(xí) batch，檢驗(yàn)訓(xùn)練模型的效果。

所有實(shí)驗(yàn)都使用在 WebLI-curated 上訓(xùn)練的參考模型，這是一個(gè) ViT-B / 16 和 Bert-B 圖像-文本雙編碼器，30 億訓(xùn)練樣本，采用 sigmoid 對(duì)比損失函數(shù)。

圖 3（左）顯示了在訓(xùn)練過(guò)程中多個(gè)下游任務(wù)（ImageNet 0-Shot / 10-Shot 準(zhǔn)確率和 COCO 圖像到文本 / 文本到圖像檢索）的平均性能。

結(jié)果還發(fā)現(xiàn)，JEST 顯著加速了學(xué)習(xí)過(guò)程。

在使用 50%、80% 和 90% 的過(guò)濾比例時(shí)，分別只需 20 億、10 億和 6.7 億訓(xùn)練樣本就達(dá)到了 30 億均勻基準(zhǔn)的最終性能。

在更大的過(guò)濾比例下，坐著觀察到類似于更大 batch size 時(shí)的訓(xùn)練不穩(wěn)定性，需要修改 Adam 優(yōu)化器（β2 = 0.95）以穩(wěn)定訓(xùn)練，這表明 JEST 的數(shù)據(jù)篩選可以被視為增加了有效 batch size。

在最終性能方面，當(dāng)過(guò)濾 90% 的數(shù)據(jù)時(shí)，JEST 也帶來(lái)了高達(dá) 6% 的顯著提升（圖 3，中間，藍(lán)色曲線）。

值得注意的是，這種 scaling 行為這種性能提升在獨(dú)立樣本選擇方法中，并沒(méi)有觀察到。（圖 3，中間，橙色曲線）。

最后，研究者還評(píng)估 JEST 是否也改善了，除可學(xué)習(xí)性之外的其他優(yōu)先標(biāo)準(zhǔn)。

圖 3 右側(cè)顯示了使用 easy-reference 優(yōu)先選擇的模型在不同過(guò)濾比例下的性能。

與基于可學(xué)習(xí)性的優(yōu)先選擇一致，JEST 仍優(yōu)于獨(dú)立樣本選擇，特別是在高過(guò)濾比例下（在這種情況下，獨(dú)立樣本選擇導(dǎo)致性能下降）。

優(yōu)先選擇具有最高損失的數(shù)據(jù)產(chǎn)生了較小的收益，并且隨著過(guò)濾更多數(shù)據(jù)而更快地退化（圖 10）。

由于基于可學(xué)習(xí)性的 JEST 產(chǎn)生了最佳的 scaling 行為，研究人員在后續(xù)實(shí)驗(yàn)中保留了這一標(biāo)準(zhǔn)。

多分辨率訓(xùn)練和在線 batch 選擇之間的協(xié)同效應(yīng)

隨著數(shù)據(jù) batch 中被過(guò)濾的比例增加，基于可學(xué)習(xí)性評(píng)分的 JEST 變得更加高效。

然而，評(píng)分的成本會(huì)帶來(lái)顯著的提升：過(guò)濾超級(jí) batch 80% 的數(shù)據(jù)會(huì)導(dǎo)致每次迭代的浮點(diǎn)運(yùn)算量是 IID 訓(xùn)練的 4 倍，或者在緩存參考模型得分時(shí)是 2.3 倍。

盡管 JEST 在訓(xùn)練迭代次數(shù)方面（以下簡(jiǎn)稱「訓(xùn)練效率」）顯著提高了效率，但額外的評(píng)分浮點(diǎn)運(yùn)算降低了其相對(duì)于 IID 基準(zhǔn)的計(jì)算效率（圖 1，左 vs 右）。

因此，作者還研究了一種計(jì)算效率更高的變體，稱為 Flexi-JEST，它使用多分辨率訓(xùn)練和低分辨率評(píng)分，將總開銷降低到僅比基準(zhǔn)高 10%（圖 4，左）。

這些近似方法對(duì)性能有什么影響？

正如預(yù)期的那樣，F(xiàn)lexi-JEST 的每次迭代性能相對(duì)于 JEST 有所下降，但仍然比 IID 有顯著的加速（圖 1，左；圖 4，中）。

然而，考慮到總浮點(diǎn)運(yùn)算量的減少，每次迭代性能的下降是非常有利的：最好的 Flexi-JEST 模型與 40B Siglip 運(yùn)行產(chǎn)生相同的平均性能，但浮點(diǎn)運(yùn)算量減少了 9.9 倍，比全分辨率 JEST 少 2 倍（圖 1，右；圖 4，中）。

這些實(shí)驗(yàn)表明了多分辨率訓(xùn)練和聯(lián)合示例選擇之間的協(xié)同效應(yīng)，前者為加速后者提供了高效和準(zhǔn)確的評(píng)分能力。

實(shí)驗(yàn)結(jié)果，還指出了數(shù)據(jù)策劃策略的帕累托前沿（pareto front）。

如果以計(jì)算為代價(jià)來(lái)最大化訓(xùn)練速度或訓(xùn)練效率，全分辨率 JEST 方法相對(duì)于可比的 IID 訓(xùn)練運(yùn)行，可以產(chǎn)生高達(dá) 13 倍的加速。

實(shí)現(xiàn)強(qiáng)大數(shù)據(jù)質(zhì)量引導(dǎo)

可學(xué)習(xí)性評(píng)分的核心是，一個(gè)在人類選擇的小型、精心篩選的數(shù)據(jù)集上，訓(xùn)練的參考模型。

JEST 的性能如何隨不同的篩選策略（在質(zhì)量和數(shù)量之間權(quán)衡）而變化？

此外，JEST 訓(xùn)練的改進(jìn)是否與參考模型的性能相關(guān)，還是這些指標(biāo)是分離的？

理解質(zhì)量與數(shù)量的權(quán)衡

研究人員探索了三種規(guī)模的數(shù)據(jù)篩選，每種都是原始 WebLI 數(shù)據(jù)集的一個(gè)子集：

- 弱篩選（十億級(jí)規(guī)模）：使用圖像-文本對(duì)齊（ITA）過(guò)濾器。

- 中度篩選（3 億級(jí)規(guī)模）：使用 ITA 過(guò)濾器或文本質(zhì)量（TQ）過(guò)濾器。

- 強(qiáng)篩選（1 億級(jí)規(guī)模）：結(jié)合使用 TQ、ITA 和額外的圖像質(zhì)量（aesthetic）過(guò)濾器。

在整個(gè)過(guò)程中，作者將這個(gè)強(qiáng)篩選子集稱為「WebLI-curated」。

然后，他們?cè)谶@四個(gè) WebLI 子集上，各訓(xùn)練 10 個(gè) epoch 的標(biāo)準(zhǔn) SigLIP 編碼器，并將它們用作在全 WebLI 數(shù)據(jù)集上進(jìn)行 JEST 訓(xùn)練的參考模型。

在不同的數(shù)據(jù)篩選方法中，參考模型的性能和 JEST 的性能似乎是解耦的（甚至可能是反相關(guān)的；圖 5，左）。

雖然增加篩選（和減少數(shù)據(jù)集大?。?huì)產(chǎn)生較弱的模型，但當(dāng)它們被用作 JEST 預(yù)訓(xùn)練的參考模型時(shí)，卻產(chǎn)生了相反的效果：

使用強(qiáng)篩選參考模型的 JEST 獲得了 2.7% 的改進(jìn)，中度篩選獲得了 1.5% 的改進(jìn)，弱篩選獲得了 0.3% 的改進(jìn)。

擴(kuò)展數(shù)據(jù)篩選

假設(shè)參考模型性能與 JEST 性能之間的普遍解耦，可能僅僅是由數(shù)據(jù)篩選所施加的數(shù)據(jù)集大小限制造成的。

為了理解這種效果，研究人員在 WebLI-curated 上訓(xùn)練了 5 個(gè)參考模型，同時(shí)改變所見的總樣本數(shù)（從 2.5 億到 30 億）。

在這種情況下，圖 5（右）顯示了改進(jìn)的參考模型與更好的 JEST 預(yù)訓(xùn)練之間存在著顯著的相關(guān)性。

這表明「解耦」現(xiàn)象主要可以歸因于參考模型因篩選后數(shù)據(jù)集大小減少而導(dǎo)致的飽和。

此外，研究人員還注意到，當(dāng)數(shù)據(jù)集達(dá)到飽和時(shí)，圖 5（右）中的相關(guān)性開始崩解，即在 10 個(gè) epoch 或者看到 10 億個(gè)樣本之后。

這些結(jié)果表明，JEST 可能會(huì)從進(jìn)一步擴(kuò)大參考數(shù)據(jù)集的數(shù)據(jù)篩選中獲益。

鑒于使用 WebLI-curated++ 對(duì)數(shù)據(jù)進(jìn)行擴(kuò)展整理能顯著提高參考模型的性能，作者提出了是否有必要在原始 WebLI 數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練的問(wèn)題。

然而，在評(píng)估參考模型在不同數(shù)據(jù)集上的性能時(shí)，卻發(fā)現(xiàn)：雖然它在 2 個(gè)下游任務(wù)上的性能優(yōu)于 WebLI 預(yù)訓(xùn)練，但在其他 6 個(gè)任務(wù)上的性能，以及平均性能都明顯低于 WebLI 預(yù)訓(xùn)練（表 5）。

與現(xiàn)有數(shù)據(jù)比較

最后，論文應(yīng)用 JEST++ 在公開的 LAION-2B 數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，刪除了其中不安全的圖像-文本對(duì)，但沒(méi)有進(jìn)行其他的預(yù)先過(guò)濾。

這個(gè)數(shù)據(jù)規(guī)模相比的 SOTA 方法 DBP 減少了 4×，但 JEST++ 依舊遠(yuǎn)遠(yuǎn)超過(guò)了所有之前的離線數(shù)據(jù)管理方法。

簡(jiǎn)化數(shù)據(jù)管理

之前提到過(guò)，用于預(yù)訓(xùn)練的 WebLI-curated 是原始數(shù)據(jù)集 WebLI 過(guò)濾后得到的，以求篩選出高質(zhì)量的圖像-文本對(duì)齊的數(shù)據(jù)。

如表 3 所示，這種離線數(shù)據(jù)管理流程對(duì) IID（獨(dú)立同分布）訓(xùn)練方法的性能至關(guān)重要，但 JEST++ 則表現(xiàn)出了對(duì)預(yù)過(guò)濾流程的魯棒性。即使沒(méi)有過(guò)濾，JEST++ 的性能也沒(méi)有出現(xiàn)明顯下滑，降低了模型對(duì)基礎(chǔ)數(shù)據(jù)集的要求。

結(jié)論和局限性

總體來(lái)說(shuō)，JEST 方法展現(xiàn)出了「數(shù)據(jù)質(zhì)量引導(dǎo)」（data quality bootstrapping）方法的巨大潛力，即使用小規(guī)模精選數(shù)據(jù)集來(lái)指導(dǎo)對(duì)更大的、未經(jīng)管理的數(shù)據(jù)集的學(xué)習(xí)。

最近的研究表明，在下游任務(wù)未知時(shí)，靜態(tài)數(shù)據(jù)集的過(guò)濾會(huì)限制模型性能。這篇論文的結(jié)果則表明，相比單獨(dú)選擇樣本的方法，在線構(gòu)建 batch 能提高預(yù)訓(xùn)練的效率。

無(wú)論是使用 JEST 參考模型對(duì)數(shù)據(jù)集進(jìn)行預(yù)評(píng)分，還是通過(guò)可學(xué)習(xí)性評(píng)分來(lái)根據(jù)模型需求進(jìn)行動(dòng)態(tài)調(diào)整，都可以成為通用基礎(chǔ)數(shù)據(jù)集的更有效率的替代方案。

論文的最后，作者也提出了該方法的局限性。雖然 JEST 同時(shí)實(shí)現(xiàn)了性能增益和訓(xùn)練成本降低，但依舊依賴于小型、精心管理的參考數(shù)據(jù)集，它指定了未經(jīng)管理的更大數(shù)據(jù)集中優(yōu)先考慮的分布。

因此，未來(lái)的工作可以探索一種方法，從指定的下游任務(wù)中如何推斷出參考數(shù)據(jù)集的組成和分布。

參考資料：

• https://www.reddit.com/r/singularity/comments/1dw7xnf/google_deepminds_jest_method_can_reduce_ai/

• https://decrypt.co/238730/new-ai-training-technique-is-drastically-faster-says-google

本文來(lái)自微信公眾號(hào)：新智元（ID：AI_era）

廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。