Hugging Face：开源AI的“联合国”，让每个人都能参与智能革命

作者：Weisian
科技观察者 · 开源社区践行者 · AIGC实践者 · 相信技术应该像空气一样自由流动
在这里插入图片描述

哈喽各位小伙伴！

最近后台收到超多留言——来自AI新手、开发者甚至科技爱好者都在问：

“想入门大模型开发，为什么大家都推荐先了解 Hugging Face？”
“Hugging Face 到底是个什么平台？只是个模型仓库吗？”
“除了找模型，它还有哪些实用功能？”

今天就为大家带来一期超全、超系统、超接地气的 Hugging Face 深度攻略！
无论你是刚接触 AI 的小白、想提升效率的开发者，还是关注 AI 生态的科技爱好者，这篇内容都能帮你把 Hugging Face 扒得明明白白。

全程无晦涩术语堆砌，全是干货 + 实操指南。耐心看完，你不仅能理解它的价值，还能立刻上手用起来！

在这里插入图片描述

一、初识 Hugging Face：不止是“模型仓库”，更是 AI 开发者的数字家园

提到 Hugging Face，很多人第一反应是：“哦，那个可以下载大模型的网站。”
但其实，它的定位远不止于此——它是一个集模型仓库、开发工具、社区交流于一体的 AI 生态平台，被业内誉为“AI 界的 GitHub”。

1.1 起源故事：从聊天机器人到开源基础设施

Hugging Face 成立于 2016 年，由三位法国年轻人——Clément Delangue（CEO）、Julien Chaumond（CTO）和 Thomas Wolf（前首席科学家）在旧金山一间小公寓里创办。
公司名字灵感来自任天堂《星之卡比》中那个张开双臂、热情拥抱的粉色小怪物。最初，他们真的做了一款面向青少年的情感陪伴聊天 App。

但这款 App 并未走红。
然而，在开发过程中积累的 NLP（自然语言处理）模型和工具却意外吸引了大量开发者关注。于是团队果断转型：放弃消费产品，全力投入开源 AI 基础设施建设。

如今，Hugging Face 已成为全球 AI 开发者不可或缺的“数字家园”：

  • 托管 超 100 万个模型
  • 收录 30 万个数据集
  • 部署 20 万个演示应用（Spaces）

更关键的是，它始终坚持开源、开放、协作的理念，在 AI 日益封闭化的浪潮中，守护着一片公共知识的绿洲。

1.2 为什么人人都在用 Hugging Face？

它能成为 AI 开发者的“必备工具”，核心原因有三点：

  1. 全：覆盖 NLP、计算机视觉、语音识别、多模态等几乎所有 AI 领域；
  2. 易：提供如 Transformers 这样的封装库，大幅降低开发门槛；
  3. 活：拥有全球最活跃的 AI 社区，支持协作、分享与快速迭代。

即使你不写代码，也能在 Spaces 上直接体验 AI 应用，或下载数据集学习研究。
它的服务对象，是整个 AI 生态链上的每一个人。

在这里插入图片描述

二、谁创造了 Hugging Face？一群“理想主义工程师”的逆行

三位创始人背景各异，却志同道合：

  • Clément Delangue：前 Facebook 产品经理，擅长产品与社区运营；
  • Julien Chaumond：连续创业者，技术架构专家；
  • Thomas Wolf：德国理论物理博士转 AI 研究员，Transformer 模型早期贡献者。

他们本可加入大厂拿高薪，却选择了一条更艰难的路：构建一个不属于任何公司的 AI 基础设施。

“我们相信，AI 不应该被锁在少数科技巨头的黑箱里。它属于全人类。”
—— Clément Delangue，2022 NeurIPS 大会

这种信念贯穿 Hugging Face 的每一步发展：

  • 2018 年：开源 Transformers 库，让 BERT、GPT 等前沿模型一键可用；
  • 2020 年：推出 Model Hub，允许任何人上传、分享、复用模型；
  • 2021 年：上线 Spaces，让非程序员也能部署 AI 应用；
  • 2023 年：发布 AutoTrain，实现“零代码微调模型”。

他们不追求用户增长或广告收入，而是专注降低 AI 使用门槛。这种“反商业”的初心，反而赢得了全球开发者的信任。

三、核心理念：不是卖工具，而是建“公共广场”

Hugging Face 的使命非常清晰：加速和民主化 AI 的普及（Accelerate and democratize AI）。
这不只是口号，而是体现在每一个产品设计中。

3.1 开源优先，透明为本

与 OpenAI、Anthropic 等封闭模型厂商不同，Hugging Face 默认一切可开源：

  • 核心库（Transformers、Datasets、Accelerate 等）全部采用 MIT 许可；
  • 模型权重公开下载（除非作者选择私有）；
  • 训练代码、评估脚本、推理示例一应俱全。
维度 之前 之后
模型获取 需自己复现论文 一行代码下载预训练模型
接口统一 每个框架 API 不同 统一 Pipeline 接口
社区贡献 分散在个人 GitHub 集中平台，有标准有质量
文档质量 基本靠猜 详细文档 + 示例 + 教程

这意味着你可以：

  • 复现论文结果；
  • 在已有模型上微调；
  • 审查模型是否存在偏见或漏洞。

透明，是信任的第一块基石。

3.2 社区驱动，人人可贡献

Hugging Face 的生态由全球社区共建：

  • 个人研究者上传实验模型；
  • 企业（如 Meta、Google、Mistral）发布官方模型；
  • 学生用 Spaces 搭建课程项目；
  • 非营利组织分享医疗、环保领域的专用数据集。

真实案例：
我认识一个波兰的两人创业公司，他们用 Hugging Face：

  1. 基于 BERT 微调了波兰语情感分析模型；
  2. 部署为 API 服务当地企业；
  3. 月收入已超 5 万美元。

如果没有 Hugging Face：
需自己实现 Transformer；需大量算力预训练；起步成本可能超数十万美元。
而现在：他们用 Google Colab 完成微调，用 Spaces 免费部署演示。

平台设有 “Featured Models” 和 “Trending Spaces” 榜单，让优质内容自然浮现，而非由算法主导推荐。
更难得的是，Hugging Face 团队亲自参与社区讨论——你常能在 GitHub Issue 或论坛看到工程师直接回复问题，甚至采纳建议改进 API。

四、核心产品矩阵：从代码到应用的一站式生态

Hugging Face 的产品体系像一座金字塔：底层是开发者工具，顶层是普通用户入口。

4.1 Transformers：AI 界的“标准库”

这是 Hugging Face 最著名的开源库，支持：

  • 超 200 种架构（BERT、GPT、T5、Llama、Claude、Stable Diffusion 等）；
  • 一键加载预训练模型；
  • 统一 API，兼容 PyTorch 与 TensorFlow。

一句 from transformers import pipeline，就能让高中生跑起最先进的文本分类器。

在这里插入图片描述

截至 2025 年，Transformers 已被下载超 10 亿次，成为 NLP 领域的事实标准。

核心设计理念：一致性

from transformers import AutoModel, AutoTokenizer
# 自动识别模型类型
model = AutoModel.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")

inputs = tokenizer("Hello world!", return_tensors="pt")
outputs = model(**inputs)

支持领域包括：

  • 文本：BERT、GPT、T5…
  • 视觉：ViT、DETR、Swin…
  • 多模态：CLIP、VisualBERT…
  • 音频：Wav2Vec2、Whisper…
  • 表格：TabNet…

4.2 Model Hub：全球最大的 AI 模型集市

在这里，你可以：

  • 搜索“中文情感分析”、“医学影像分割”、“语音合成”等模型；
  • 查看 Model Card（模型卡片），了解训练数据、性能指标、伦理风险；
  • 直接在线试用（Inference API）；
  • Fork 模型进行二次开发。

在这里插入图片描述

主流开源模型首选发布平台：
Meta 的 Llama 系列、Mistral 的 Mixtral、Google 的 Gemma 等，均将 Hugging Face 作为官方分发渠道。

我的使用习惯：

  1. 在 Model Hub 搜索相关任务；
  2. 按下载量 / Likes 排序；
  3. 查看模型卡和使用示例；
  4. 试用在线 Demo；
  5. 快速集成到项目中。
    这个流程通常 30 分钟内就能让我启动一个新项目。

4.3 Datasets：AI 开发的“高效素材库”

传统数据处理有多痛苦？
格式杂乱（CSV、JSON、Parquet…）、内存管理困难、预处理代码重复。

Datasets 库的优雅解决方案：

from datasets import load_dataset
# 自动下载并缓存
dataset = load_dataset("glue", "mrpc")
# 流式处理大数据
dataset = load_dataset("c4", "en", streaming=True)
# 自动映射处理
dataset = dataset.map(lambda x: preprocess(x))

核心优势：

  • 内存映射：处理比内存更大的数据集；
  • 流式加载：无需下载完整数据；
  • 指纹缓存：自动缓存处理结果；
  • 丰富元信息：含许可证、语言、领域等。

目前平台收录 超 30 万个数据集，覆盖文本、图像、语音、科学等几乎所有领域。

4.4 Spaces：零代码部署 AI 应用

Spaces 允许用户用 Gradio 或 Streamlit 快速搭建 Web 界面，并免费托管。

解决了什么问题？
以前部署一个 AI Demo 需要：租服务器、配环境、写前端、处理并发、监控维护。
现在只需：写一个 Python 脚本 → 推送到 GitHub → 在 Spaces 创建应用 → 选择环境 → 完成！

真实案例：

  • 学生上传“古诗生成器”，输入关键词即得七言绝句；
  • 医生团队部署“皮肤病变识别工具”，供偏远诊所使用；
  • 艺术家创建“AI 风格迁移画廊”，观众上传照片变梵高。

目前 Spaces 已托管 超 20 万个应用，涵盖教育、医疗、艺术、农业等场景。

在这里插入图片描述

4.5 企业级服务：开源免费 + 商业增值

为满足商业需求，Hugging Face 也提供付费服务：

  • AutoTrain：图形化界面微调模型，无需写代码；
  • Inference Endpoints：一键部署高可用 API，支持 GPU/TPU；
  • Private Hub：企业内网私有化模型仓库，保障数据安全。

这种“开源免费 + 企业增值”模式，既维持社区活力，又实现商业可持续。

五、真实工作流：Hugging Face 如何改变我的日常

5.1 场景一：快速原型验证（电商评论分类）

传统流程（约 2 周）：文献调研 → 框架选型 → 基线实现 → 数据预处理 → 训练调优
Hugging Face 流程（实际 2 天）：

# Day 1: 探索 + 数据准备
from transformers import pipeline
classifier = pipeline("zero-shot-classification")
result = classifier("产品质量太差", ["产品质量", "客服服务"])

from datasets import Dataset
dataset = Dataset.from_pandas(pd.read_csv("reviews.csv"))

# Day 2: 微调 + 部署
from transformers import AutoModelForSequenceClassification, Trainer
model = AutoModelForSequenceClassification.from_pretrained("bert-base-chinese")
trainer = Trainer(model=model, train_dataset=dataset["train"], ...)
trainer.train()

# 用 Gradio 快速部署
import gradio as gr
interface = gr.Interface(fn=classify_text, inputs="text", outputs="label")
interface.launch()

效果：成本降 80%，周期缩 75%，准确率反超商业软件。

5.2 场景二：教育项目（中学 AI 教学工具）

挑战：预算有限、需多语言支持、操作简单
解决方案：

  • 文本生成：GPT-2 小型版
  • 图像分类：MobileNet（浏览器运行）
  • 翻译：M2M100（支持 100 种语言）
  • 语音识别：Whisper 小型版

成果：成本几乎为零（Spaces 免费托管），一人 3 周完成，学生反馈：“原来 AI 这么有趣！”

5.3 场景三：企业概念验证（客服工单分类）

Hugging Face 方案：

  1. 第 1 周：用现有模型创建演示
  2. 第 2 周：收集匿名客户数据
  3. 第 3 周：微调模型
  4. 第 4 周：部署测试版，收集反馈

结果：客户获得完全控制权，且准确率更高。

六、社区文化：在协作中生长的“AI 联合国”

Hugging Face 的社区氛围，可用三个词概括：开放、互助、多元。

6.1 全球协作，无国界

平台上活跃着来自 190+ 国家的用户：

  • 尼日利亚开发者上传本地语言 ASR 模型；
  • 印度学生用 Spaces 教村民识别农作物病害；
  • 巴西研究者分享亚马逊雨林生物声学数据集。

官方积极推动多语言支持，界面覆盖 30+ 语种，模型库包含大量非英语资源。

6.2 教育普惠，从课堂开始

Hugging Face 与全球高校合作推出 Education Program：

  • 提供教学模板与课程材料；
  • 为学生项目提供免费计算资源；
  • 举办 Hackathon 激发创新。

许多 AI 课程的第一堂课就是：“用 Hugging Face 跑一个情感分析模型”。

6.3 伦理先行，责任共担

面对 AI 滥用风险，Hugging Face 主动建立治理机制：

  • 要求填写 Model Card，披露潜在偏见；
  • 对生成模型标注“可能产生幻觉”；
  • 设立 Ethics Review Board；
  • 推出 Bias Evaluation Toolkit。

这种“技术 + 伦理”并重的态度，使其在监管趋严的环境中赢得先机。

七、商业与生态：如何在开源与盈利间走钢丝？

7.1 收入来源

  • 企业订阅（Hugging Face Enterprise）：私有部署、SLA 保障；
  • 云服务（Inference & Training）：按用量收费的 GPU 算力；
  • 合作授权：与微软、AWS、NVIDIA 等云厂商分成。

据 2024 年财报，年收入已突破 2 亿美元，且保持盈利。
所有核心功能对个人和学术用户永久免费。

在这里插入图片描述

7.2 战略合作：不做孤岛，做桥梁

Hugging Face 深度融入全球 AI 生态：

  • 与 NVIDIA 合作：优化 GPU 推理；
  • 与 Amazon SageMaker 集成：一键部署到 AWS；
  • 与 Google Cloud 共建：支持 Vertex AI 调用；
  • 与 Intel、AMD 合作：适配 CPU/加速芯片。

它不试图“赢者通吃”，而是成为连接各方的基础设施。

在这里插入图片描述

八、争议与挑战：开源的边界在哪里？

尽管广受赞誉，Hugging Face 也面临现实困境。

❓“开源是否助长滥用？”

有人利用平台下载模型，用于深度伪造、垃圾信息生成。
应对措施：引入 Access Requests 机制——敏感模型需申请批准才能下载，并记录用途。

❓“大厂依赖是否危险？”

Meta、Google 等将 Hugging Face 作为分发渠道，一旦政策变化（如限制 Llama 商用），生态可能受冲击。
应对策略：推动去中心化模型注册（类似 IPFS），减少单点依赖。

❓“如何持续吸引顶尖人才？”

相比 OpenAI 动辄百万年薪，Hugging Face 薪酬并无优势。
但许多工程师坦言：

“在这里，我的代码每天被成千上万人使用，这比股票期权更让我自豪。”

九、未来展望：不止于模型，而要构建“AI 操作系统”

CEO Clément Delangue 在 2024 年表示：

“我们正在构建 AI 时代的操作系统——一个让模型、数据、应用、用户无缝协作的平台。”

未来方向包括：

  • Agent Hub：托管可自主行动的 AI 智能体；
  • Unified Evaluation：标准化模型评测，终结“刷榜”乱象；
  • Decentralized Identity：让用户拥有模型使用权与数据主权；
  • AI for Science：聚焦气候、生物、材料等科研领域。

更重要的是，Hugging Face 正推动 “开源 AI 联盟”（Open Source AI Alliance），联合 Mistral、EleutherAI 等组织，制定治理标准，对抗行业封闭化趋势。

十、给普通人的实操指南：10 分钟上手 Hugging Face

10.1 第一步：注册账号

访问 https://huggingface.co
点击 “Sign Up”，支持邮箱、GitHub、Google 登录

10.2 第二步：安装工具库

pip install transformers datasets torch

10.3 第三步：首次调用模型（情感分析）

from transformers import pipeline

classifier = pipeline("sentiment-analysis",
                      model="distilbert-base-uncased-finetuned-sst-2-english")

result = classifier("I love Hugging Face! It's so easy to use.")
print(result)
# 输出：[{'label': 'POSITIVE', 'score': 0.9998}]

第一次运行会自动下载模型，稍等几分钟即可。

10.4 第四步：探索更多

  • 修改输入文本，测试不同情绪；
  • 去 Model Hub 找翻译、摘要、图像生成模型；
  • 去 Spaces 体验各种 AI 应用 demo。

在这里插入图片描述

十一、优质学习资源包（收藏备用）

  • 官方文档：https://huggingface.co/docs
  • 免费课程：https://huggingface.co/learn（含中文）
  • 社区论坛：Discord 社区（全球开发者实时交流）
  • 国内资源：B站、知乎搜索“Hugging Face 新手教程”
  • 实战项目：GitHub 上大量开源项目可参考学习

十二、中国用户的特别指南：Hugging Face 在国内的高效使用方案

虽然 Hugging Face 是全球开源 AI 的核心枢纽，但受限于网络环境，国内开发者常面临“看得见、用不着”的窘境。别担心——社区和国内技术团队早已探索出多种稳定、合法、高效的替代路径。以下方案按使用场景分类，新手到高阶开发者都能找到适合自己的方式。

12.1 方案一：使用官方支持的镜像与加速服务（推荐优先尝试）

✅ Hugging Face 官方中国镜像（由阿里云 & ModelScope 联合支持）

2024 年起，Hugging Face 与阿里云达成战略合作，部分热门模型和数据集已同步至阿里云旗下的 ModelScope（魔搭）平台，并提供高速下载通道。

在这里插入图片描述

  • 入口地址：https://modelscope.cn
  • 覆盖内容：
    • Llama 系列、Qwen、ChatGLM、Baichuan 等主流开源模型；
    • Hugging Face 上高热度的英文/中文模型（如 BERT、Stable Diffusion、Whisper）；
    • 部分 Datasets 数据集（如 CLUE、THUCNews）。
  • 优势：
    • 国内 CDN 加速，下载速度可达 50MB/s+；
    • 支持 pip 直接安装 modelscope 库调用；
    • 与 Hugging Face API 高度兼容（部分模型可无缝切换）。

示例：用 ModelScope 替代 Hugging Face 调用 BERT

# 原 Hugging Face 方式（可能慢或失败）
from transformers import AutoModel
model = AutoModel.from_pretrained("bert-base-chinese")

# 改用 ModelScope（国内高速）
from modelscope.models.nlp import BertForSequenceClassification
model = BertForSequenceClassification.from_pretrained('damo/nlp_bert_text-classification_chinese')

💡 提示：在 ModelScope 搜索时，可输入 “Hugging Face 同款” 或原模型 ID（如 “bert-base-chinese”），系统会自动匹配对应镜像。

12.2 方案二：配置本地代理或缓存加速（适合有技术基础的用户）

如果你仍希望直接使用 Hugging Face 原站资源（如最新 Spaces 或未同步的冷门模型），可通过以下方式优化体验：

🔧 方法 1：设置 HF_ENDPOINT 环境变量（绕过主站 DNS）

Hugging Face 提供了备用 API 端点，国内部分区域可直连：

# Linux / macOS
export HF_ENDPOINT=https://hf-mirror.com

# Windows (PowerShell)
$env:HF_ENDPOINT="https://hf-mirror.com"

hf-mirror.com 是由社区维护的非官方镜像站（非 Hugging Face 官方运营，但长期稳定），支持模型/数据集下载，不支持 Spaces 和登录功能。

🔧 方法 2：使用 huggingface-hub 的离线缓存机制

首次下载模型后，Hugging Face 会自动缓存到本地（默认路径：~/.cache/huggingface/hub）。你可以：

  • 将缓存模型打包分享给团队；
  • 在无网环境下复用已下载模型。
# 强制从本地加载（不联网）
model = AutoModel.from_pretrained("./local_model_path", local_files_only=True)
🔧 方法 3：搭配国内云服务器中转（企业级方案）

对于需要频繁拉取模型的企业用户，可：

  1. 在阿里云/腾讯云部署一台海外带宽充足的轻量应用服务器；
  2. 通过该服务器下载模型后，同步至私有 OSS/NAS；
  3. 内部开发机从私有存储加载模型。

此方案兼顾合规性与效率，适合金融、医疗等对数据安全要求高的场景。

12.3 方案三：国产平台作为 Hugging Face 的“功能替代品”

如果仅需完成特定任务（如文本生成、图像生成），以下国产平台提供了类似 Hugging Face Spaces 的零代码体验，且完全适配中文环境：

平台 特点 适用场景
ModelScope（魔搭） 阿里出品，集成千余模型，支持在线 Notebook 和 Web Demo 科研、教学、企业 PoC
OpenXLab（上海人工智能实验室） 聚焦大模型，提供 LLM 推理、微调、评测一站式服务 大模型开发者
Baidu PaddleNLP / PaddleHub 百度飞桨生态，中文 NLP 模型丰富，文档全中文 中文文本处理
智谱 AI 开放平台 提供 GLM 系列模型 API + 微调工具 商业应用快速落地

优势对比：

  • 全中文界面，无语言障碍；
  • 模型针对中文优化，效果更佳；
  • 无需翻墙，访问稳定；
  • 部分平台提供免费算力（如 ModelScope 的 NoteBook 实例）。

12.4 方案四：开发者协作技巧——如何在国内团队共享 Hugging Face 资源？

很多团队遇到“一人能下，全组卡顿”的问题。推荐以下协作模式：

📦 建立内部模型仓库（低成本版）
  1. 指定一名成员负责从 Hugging Face 下载模型；
  2. 将 ~/.cache/huggingface/hub 目录打包上传至公司内网 Git 或 NAS；
  3. 其他成员通过 snapshot_download 指向本地路径：
from huggingface_hub import snapshot_download

snapshot_download(
    repo_id="meta-llama/Llama-3-8b",
    local_dir="./models/llama3",
    local_dir_use_symlinks=False
)
☁️ 使用 Hugging Face Private Hub + 国内代理（企业版）

若公司已订阅 Hugging Face Enterprise：

  • 配置 Private Hub 为私有模型中心；
  • 通过阿里云/腾讯云 VPC 内网代理访问；
  • 结合 DLP（数据防泄漏）策略保障安全。

12.5 注意事项与合规提醒

  1. 版权与许可证：
    即使通过镜像下载，也需遵守原模型的开源协议（如 Llama 系列禁止商用）。请务必查看 Model Card 中的 license 字段。

  2. 敏感模型访问限制：
    部分涉及生成、语音克隆的模型在 hf-mirror.com 或 ModelScope 中可能被过滤，需通过正规渠道申请。

  3. 不要使用非法代理或破解工具：
    建议优先选择官方合作渠道（如 ModelScope），避免法律与安全风险。

十三、结语：在围墙花园时代，守护一片公共绿地

今天的世界，AI 正变得越来越“封闭”：

  • OpenAI 限制 GPT-4 输出；
  • Google Gemini 拒绝开源；
  • 亚马逊、苹果将 AI 锁进自家生态。

而在这样的背景下，Hugging Face 像一座开放的公共图书馆——
任何人都可以进来阅读、抄写、甚至添一本自己的书。
它不承诺最强大的模型，但承诺最自由的探索。

这让我想起理查德·斯托曼的话：

“软件自由关乎用户控制软件的权利，而非价格。”

Hugging Face 正在将这一精神延伸至 AI 时代。

也许未来的某一天，当人们回望这场 AI 革命，会发现真正改变世界的，
不是某个千亿参数的模型，
而是那个让千万人第一次亲手运行 AI 的开源平台。

因为技术终会迭代，
但共享、协作、透明的精神，
才是推动人类向前的永恒引擎。

在这里插入图片描述

延伸探索

作者后记

上周，我在 Hugging Face 上找到一个由肯尼亚学生训练的斯瓦希里语问答模型。
它并不完美，准确率只有 72%，
但评论区里满是本地教师的感谢：

“终于有工具能帮孩子用母语学习了。”

那一刻我忽然明白：
真正的技术普惠，不是让精英做得更好，而是让边缘者也能发声。
Hugging Face，正在让这件事发生。

国内资源速查表

希望这份“中国特供版”指南，能帮你彻底打通 Hugging Face 的使用瓶颈！

# 人工智能 # github
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

英伟达收购 Jamba 模型的母公司AI21 — Nvidia in advanced talks to buy Israel‘s AI21 Labs for up to $3 billion

avatar 2048 AI社区
cover

2025年度技术学习总结：从基础到前沿的全栈成长之路

avatar 2048 AI社区

【c++】模板进阶

如我们需要一个定长的数组时。控制数组长度的类型时确定的（如size_t），这样我们只设置一个类型参数就可以了。代码语言：javascriptAI代码解释注意：非类型模板参数只能用于整型；不支持浮点数，类对象和字符串。c++20之后可以支持double作非类型模板参数。非类型模板参数支持缺省值：代码语言：javascriptAI代码解释。

avatar 2048 AI社区