【菜科解读】

操作系统版本：Windows 10

电脑品牌型号：Lenovo ThinkPad X1 Carbon

软件版本：Microsoft Office 365、Adobe Photoshop CC、Google Chrome等

一、备份重要文件

1、首先，在重新安装操作系统之前，建议将重要文件进行备份。

可以使用外部硬盘、云存储或者移动存储设备来存储这些文件。

2、确保备份文件的完整性和准确性，避免数据丢失，这是保护重要文件的重要步骤。

二、下载操作系统安装文件

1、前往官方网站下载操作系统安装文件。

根据您的电脑品牌和型号，选择相应的操作系统版本进行下载。

2、确保下载的操作系统安装文件安全可靠，以免遭到恶意软件的攻击。

三、准备安装媒介

1、将操作系统安装文件制作为可启动的安装媒介，可以使用U盘或者光盘进行制作。

2、确保制作的安装媒介可靠，并将其与电脑进行连接。

四、重新安装操作系统

1、重启电脑，按照提示进入BIOS设置界面，将启动顺序设置为安装媒介。

2、按照操作系统安装向导的指引，选择适当的安装选项，并进行操作系统的重新安装。

3、等待安装过程完成，重新启动电脑。

五、恢复原有软件

1、安装操作系统之后，将安装媒介从电脑中移除。

2、打开之前备份的重要文件，并逐个安装您需要的软件。

可以前往官方网站或使用操作系统自带的应用商店进行下载和安装。

重装系统恢复原来的软件五个方法帮你轻松找回

然而，重装系统常常意味着原有软件配置的丢失，这对于许多用户来说是一个大麻烦。

但是别担心，本篇文章将以“重装系统怎么恢复原来的软件？五个方法帮你轻松找回”为标题，提供五种实用方法，帮助你高效找回重装系统前的软件配置。

工具原料：系统版本：Windows 11品牌型号：联想Yoga C740软件版本：Microsoft Office 2021一、使用备份工具进行恢复1、使用系统自带的备份功能：Windows 11提供了一项强大的备份和恢复功能，可以帮助用户在重装系统前对软件和数据进行全面备份。

用户只需在“控制面板”中找到“备份与恢复”，将系统以及应用文件备份到外部设备，重装后即可通过相同途径进行恢复。

2、利用第三方备份软件：市场上有许多专业的备份软件，如Acronis True Image、EaseUS Todo Backup等。

这些软件通常提供更细致的备份选项，例如差异备份和增量备份。

通过这些工具，用户可以快速创建影像文件，在需要时快速恢复系统及应用程序。

二、通过软件账号同步恢复1、使用Microsoft账号同步：许多现代软件支持通过云账号进行数据和配置的同步。

以Microsoft Office 2021为例，用户可以通过Microsoft账号来自动同步重要的设置和文件。

重装后只需登录该账号即可恢复办公软件配置。

2、利用云存储服务：Google Drive、Dropbox 和 OneDrive等云存储服务，也支持文件和部分软件配置的同步。

使用这些服务可以在系统不幸重装后，通过云端下载并恢复软件的使用环境。

三、使用专业重装软件的恢复功能1、通过口袋装机一键重装系统软件：随着软件技术的发展，一些专业的重装软件现在可以智能识别并备份用户的应用程序。

口袋PE装机就是这样一个实用工具。

它不仅能帮助你一键重装系统，还能够备份和恢复系统中的应用程序设置，避免了手动安装的繁琐。

2、重装后管理恢复：这些专业的工具通常还提供系统管理和优化功能，例如驱动智能更新、系统垃圾清理等，帮助维持计算机的高效运行。

对于经常需要维护计算机的用户而言，诸如口袋PE装机等软件，可以极大提高效率。

四、手动重装常用软件1、创建软件安装列表：对于一些常用软件，用户也可以事前做好详细的软件安装列表或文档。

如果预先记录下所有安装的软件及其版本，再次安装时将更加轻松。

2、使用软件安装管理器：诸如Ninite或Chocolatey之类的工具可以批量安装用户指定的软件。

通过它们，用户仅需一次选择即可轻松装回需要的应用程序。

五、联系专业IT服务提供商1、利用IT支持服务：当用户无法自行解决时，求助于专业的IT服务提供商也是一种策略。

这些服务商通常拥有丰富的经验，能够提供从数据恢复到软件重新安装的全方位支持。

2、定制化解决方案：特别是对于企业用户，很多专业服务商还能够提供定制化的备份和恢复方案，确保在重装系统时业务连续性不受影响。

拓展知识：1、从重装系统前的准备工作开始，除备份外，用户还应关注驱动程序的备份。

将可能不随驱动程序更新自动识别的硬件信息保存，以便重装后可手动安装所需驱动。

2、另外，重装系统可能涉及对BIOS设置的更改，例如启动顺序设置。

用户在重装前可以拍照记录这些设置，以便重装后进行恢复。

3、电池耐久与维护：对于笔记本用户而言，重装过程中长时间不连接电源可能导致意外关机，应保证过程中电源正常连接。

英伟达力荐，小团队两个月开源一款「光速级」智能体推理引擎

尤其是在 Coding Agent 爆发之后，算力问题变得前所未有地尖锐。

Claude Code、Codex、Cursor 等产品正在把 AI 从「问答工具」变成「持续运行的软件协作者」，单次会话轻松突破 50K tokens，系统负载转向了更极端、更复杂的智能体负载。

最近有关算力的大新闻层出不穷。

今天的最新消息：马斯克的 SpaceX 与 Anthropic 宣布达成了重磅协议，超过 22 万块英伟达 GPU 将为 Anthropic 所用。

而 Anthropic 对与 SpaceX 合作开发未来的太空算力体系「表示有兴趣」。

在如此庞大的算力需求下，除了开源还有节流。

也是今天的最新消息：OpenAI 发布了多路径可靠连接 (MRC)，可帮助大型 AI 训练集群更快、更可靠地运行，并减少 GPU 时间的浪费。

我们知道，即便只是单 GPU 吞吐率上的微小提升，一旦应用到生产级集群中，也能够在服务持续增长需求的同时，节约相当可观的算力。

来自 LightSeek Foundation 的一个小团队，在两个月时间内打造了一个全新的，号称「光速」的大模型推理引擎 TokenSpeed。

这一引擎拥有 TensorRT LLM 级别的性能，vLLM 级别的易用性。

并且拥有 NVIDIA Blackwell 上最快的 MLA 注意力内核。

一经发布，TokenSpeed 就受到了英伟达发推文力荐。

目前，该引擎已经开源。

让我们参阅其技术博客，来深入了解「光速」引擎的技术细节。

博客标题：TokenSpeed: A Speed-of-Light LLM Inference Engine for Agentic Workloads 博客链接：https://lightseek.org/blog/lightseek-tokenspeed.html Github 链接：https://github.com/lightseekorg/tokenspeed TokenSpeed 技术简介 TokenSpeed 从第一性原理出发，专门为智能体推理场景设计。

它为智能体负载提供接近「光速级」的推理能力，核心包括：基于编译器的并行建模机制、高性能调度器、安全的 KV 资源复用约束、支持异构加速器的可插拔分层 kernel 系统，以及用于低开销 CPU 侧请求入口的 SMG 集成。

建模层采用本地 SPMD（Single Program, Multiple Data，单程序多数据）设计，在性能与易用性之间取得平衡。

TokenSpeed 允许开发者在模块边界指定 I/O placement 注解。

随后，一个轻量级静态编译器会在模型构建过程中自动生成所需的 collective operation，从而无需手动实现通信逻辑。

TokenSpeed 调度器将控制平面（control plane）与执行平面（execution plane）解耦。

控制平面使用 C++ 实现，并被构建为一个有限状态机（FSM），结合类型系统，在编译期而非运行期强制执行安全资源管理，包括 KV cache 状态转移与使用。

请求生命周期、KV cache 资源以及重叠执行时序，都通过显式 FSM 状态迁移与所有权语义进行表示，因此系统正确性并非依赖约定，而是由一个可验证的控制系统来保证。

执行平面则使用 Python 实现，以保持开发效率，使研究人员与工程师能够更快进行功能迭代，并降低整体认知负载。

TokenSpeed 的 kernel 层将 kernel 从核心引擎中解耦，并将其视为一级模块化子系统。

它提供了可移植的公共 API、集中的注册与选择机制、组织良好的实现结构、面向异构加速器的可扩展插件机制、经过整理的依赖体系，以及统一的快速迭代基础设施。

与此同时，团队还针对 NVIDIA Blackwell 架构进行了大量性能优化。

例如，他们构建了当前智能体负载场景下速度最快的 MLA（Multi-head Latent Attention，多头潜在注意力）kernel 之一。

在 decode kernel 中，由于部分场景下「num_heads」较小，团队通过对「q_seqlen」与「num_heads」进行分组，以更充分利用 Tensor Core 的计算能力。

而 binary prefill kernel 则包含了经过精细调优的 softmax 实现。

目前，TokenSpeed MLA 已被 vLLM 采用。

TokenSpeed 性能预览 Coding Agents（编码智能体）带来了异常严苛的推理工作负载，上下文通常会超过 50K tokens，对话也经常跨越数十轮。

大多数公开基准测试并不能充分捕捉这种行为。

研发团队与 EvalScope 团队一起，基于 SWE-smith 轨迹对 TokenSpeed 进行评估，这些轨迹密切反映了生产环境中 Coding Agents 的流量情况。

由于生成速度对 Agent 的用户体验至关重要，因此，团队的目标是在维持单用户 TPS（每秒 token 数）下限的同时，最大化单 GPU 的 TPM（每分钟 token 数）—— 通常是 70 TPS，有时是 200 TPS 或更高。

此外，研发团队针对 TensorRT-LLM（目前 NVIDIA Blackwell 平台上的最高水平）对这一设计进行了基准测试，并在认为针对 Agentic workloads 存在更好权衡的地方，采取了与之不同的设计方案。

下图展示了在不同部署配置下（无 PD 解耦），TokenSpeed 与 TensorRT-LLM 的 Kimi K2.5 性能帕累托曲线（Pareto curves）。

每条曲线都以 TPS/User（横轴）作为延迟指标，以 TPM/GPU（纵轴）作为吞吐指标，并通过扫描并发数绘制而成。

对于 Coding Agents（高于 70 TPS/User），最佳配置是 Attention TP4 + MoE TP4。

在这一配置下，TokenSpeed 在整个帕累托前沿上均优于 TensorRT-LLM：在最低延迟场景下（batch size 1）大约快 9%，在 100 TPS/User 附近吞吐量大约高 11%。

团队表示，他们的核心优化之一是 TokenSpeed MLA。

下图对比了 TokenSpeed MLA 与 TensorRT-LLM 的 MLA，后者是目前 NVIDIA Blackwell 上的 SoTA。

可以看出来，优化后的二进制版本预填充内核（prefill kernel），使用 NVIDIA 内部旋钮来微调 softmax 实现，在 Coding Agents 的五种典型预填充工作负载（带长前缀 KV cache 的 prefill）中，都超过了 TensorRT-LLM 的 MLA。

解码内核则将查询序列轴折叠进头轴，以更好地填充 BMM1 的 M tile，从而提升 Tensor Core 利用率。

结合其他优化，在带有 speculative decoding 的典型解码工作负载中（batch size 为 4、8、16，且带长前缀 KV cache），这使得相对于 TensorRT-LLM 来说，延迟几乎降低了一半。

最后，研发团队也表示，该项目于 2026 年 3 月中旬启动开发，虽然目前展示了惊人的性能，但仍有大量底层代码（如 PD 分离、KV 存储等）正在合并和完善中，接下来将继续推进。

从上述性能表现来看，不难看出，TokenSpeed 的出现旨在通过更现代化的架构设计，打破传统推理框架在易用性与极致性能之间的平衡点，为大规模 Agent 部署提供了一个高性能、开源的底座。

而英伟达的力荐，也说明推理引擎正在成为 Agent 时代基础设施竞争的一个新焦点。

更多信息，请参阅原博客！ 参考链接： https://x.com/lightseekorg/status/2052048105412141376 https://x.com/NVIDIAAI/status/2052061195381911806