顶部
首页

ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。

ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。

更新时间: 浏览次数: 258

大家好,我是喜欢研究AI的一枚产品经理

平时主要从事与AI、大模型、智能座舱等相关工作。在这里,我会持续跟大家分享AI相关的前沿技术、产品体验、个人心得等有营养有价值的信息

另外,我还超爱自驾游~

导语:

从前年爆火的GPT,到今年过年期间惊叹世人的DeepSeek,如今,AI、人工智能、大模型这些词汇对于大家来说不但不陌生,反而从各种各样的AI应用和产品中,我们已经有了切身的体会。

但是,除了用过和会用,有多少人真正了解LLM的本质究竟是什么?它的工作原理究竟是怎么运行的?

可能这个问题对于普通人来说,duck不必知其所以然,但对于想要从事ai行业,尤其是ai产品经理和ai工程师的伙伴们,这个可是必备知识点!

这篇文章,我想从非纯底层技术的角度,而是从整体框架层,从产品经理的视角,通过举例和图示,尽量言简意赅的阐述LLM的本质。因此我将通过10张图和三部分内容,统计与概率、大模型推理预测机制、temperature(温度参数)入手,让不懂技术的你,也能了解LLM的工作原理。

好了,接下来,我们就看图说话。

一、统计与概率

LLM的本质是基于统计模式学习语言的模型,所以理解什么是数据总体(海量的文本语料库)、如何计算基本事件(如某个词出现)的概率,是理解LLM工作原理的第一步。它建立了“概率描述偏好/可能性”的直观感受。

所以,开篇我会用网球和足球来举例子,先让大家理解概率分布和统计的思维。

上图是一个共14人的运动队,图中的Population可以理解为总体、总人数,即总人数是14人。

然后,其中有人喜欢网球、有人喜欢足球,有人同时喜欢两者,但是也有人两个都不喜欢。对应到图中,喜欢网球的人是绿色圈圈,共4人;喜欢足球⚽️的人是蓝色圈圈,共5人;既喜欢网球又喜欢足球的是黄色圈圈,共3人;两者都不喜欢的是粉色圈圈,共2人;一共是4+5+3+2=14人。

继续看图,右上方2x2的表格,用来直观的进行数学统计,即:

网球 & 足球:3人 (即A∩B)

网球 & ❌足球:4人

❌网球 & 足球:5人

❌网球 & ❌足球:2人

那么基于表格所示,可以统计基本概率:

P(A):喜欢网球的概率 = 喜欢网球的人数(7) / 总人数(14) = 7/14

P(B):喜欢足球的概率 = 喜欢足球的人数(8) / 总人数(14) = 8/14

上面这张条件概率图,是建立在第一张基本概率图的基础上来的,这里我们引入一个新的,但是非常关键的概念——条件概率 P(A|B),这直接关系到LLM如何根据上下文预测下一个词!

延续图1,这张图2我们先了解一个概念:联合概率 P(A∩B),意思就是既喜欢网球也喜欢足球的概率 = 同时喜欢两者的人数(3) / 总人数(14) = 3/14。

那紧接着就是条件概率 P(A|B),就是在已知某人喜欢足球(事件B发生)的条件下,ta也喜欢网球(事件A发生)的概率。

条件概率计算公式: P(A|B) = P(A∩B) / P(B),代入数值: P(A|B) = (3/14) / (8/14) = 3/8,意思是如果你在人群中随机拉出来一个喜欢足球的人(8人),这其中有3人同时也喜欢网球。所以,在这个“喜欢足球”的小圈子里,喜欢网球的比例是3/8。这就是条件概率的意义——它限定了样本空间(只在喜欢足球的人里面考虑)。

那么回到LLM,LLM预测下一个词的核心机制就是计算条件概率!理解了这个概念后,马上看下图图3,给定前面的词语序列(“The boy went to the”),计算下一个词是“Playground”、“Park”、“School”等的概率 P(下一个词 | 前面的上下文)。这里LLM对于下一个词的预测,就跟图2展示的 P(A|B) 计算原理一模一样,即事件B是“前面的上下文”,事件A是“可能的下一个候选词”。

二、LLM推理预测机制

图3,这张图非常形象地说明了LLM在做什么。它接收了一段文字(上下文“the boy went to the”),然后就像一个极其熟悉语言规律的“概率预测机”,尝试推测接下来最应该出现什么词。(后面出来的这些词,是通过向量计算得出来的,这个概念,大家也可以翻看我之前的另一篇文章),这就是图2条件概率在实际语言任务中的直接应用。

具体来拆解分析下图3,从左到右看。

首先,图中绿色字体写明了“Previous words (Context)”——即已有的、输入给LLM的文本序列:“The boy went to the”。

然后,LLM的任务就是基于这个“上下文”,预测接下来最有可能出现的单词是什么。图中展示了几个可能的下一个词作为例子:“Cafe”、“Hospital”、“Playground”、“Park”、“School”。

注意: LLM不会只给出一个“最可能”的答案(如“School”),它会为所有可能的单词(这里方便举例只写了几个,实际可能是成千上万个!)计算一个概率 P(单词 | 'The boy went to the')。

这张图图4,就具体化展示了LLM的预测过程,它如何为每个可能的词输出一个概率值,并形成概率分布,以及初始的选择策略——选概率最高的。

我们分步来看图4的过程:

输入: 就是图3的上下文“The boy went to the”。

模型: 大脑图标代表模型本身。

输出: 概率分布,这是核心!LLM为词汇表(所有它学过的词)里的每个词计算出一个概率值,数值在0到1之间,并且所有词的概率总和为1。

可视化: 图中展示了5个代表性候选词及其计算出的示例概率:Playground(0.4), School(0.3), Park(0.15), Cafe(0.1), Hospital(0.05)。

初始策略(Greedy Search): 图片右下角底部用紫色小字备注了“word with highest probability is chosen(选择概率最高的单词)”。这种情况下,会输出“Playground”(概率0.4是最高的)。这是一种最直接、最确定性的选择方式。

图1 - 图4,其实已经把LLM的工作过程展示完了,但是,那只是最理想化、最简化的描述。所以图5,要继续给大家说明LLM是如何自我“学习”并改进预测能力的——通过计算预测错误并进行反向传播调整,可以理解为“强化学习、奖励机制”这类概念。

图片标题“Loss calculation”是损失计算的意思,它的作用就是让模型有自我学习、修正和优化的内部机制,那对于用户来说,就是越用这个模型,感觉它越聪明。

所以,这张图就是跟大家解释,不是说LLM预测出来下一个词是什么,就直接输出了,它还会通过其他的计算,进行进一步的判断,然后才会输出最终结果。并且,在这个“预测->计算损失->微调内部参数->再预测”的过程中,大模型也完成了“自我提升”。

因此,这张图里涉及到对数、交叉熵这些数学计算,可能很多人不懂,但你只要理解上面的解释也ok的。

还是分步解释下上图里面各种公式计算的过程:

输入: 仍然是上下文“The boy went to the”。

预测: “LLM”模型输出了每个词的概率分布(与图4一样)。

真实值 (Ground Truth): 在训练阶段,我们知道这个上下文之后实际上出现的词是什么。图中假设正确答案是“Playground”,所以“Playground”位置是1,其余词位置都是0 (图中列出只有这几个词,实际词汇表所有位置都要看)。

计算损失(Loss): 我们需要衡量模型的预测值(P(Playground)=0.4)与真实值(Playground=1)之间的差距。

损失函数公式: Loss = -log(P(正确答案对应的概率))

代入: Loss = -log(P('Playground' | 'The boy went to the')) = -log(0.4) ≈ -(-0.916) ≈ 0.916(log是自然对数,log(0.4) ≈ -0.916)。

损失的意义: 预测概率越高(越接近1),损失值越低(越接近0)。预测概率越低(越接近0),损失值急剧升高。模型在训练中会不断尝试最小化整个训练数据的平均损失。通过计算损失并应用反向传播算法调整LLM内部的参数(神经网络的权重),模型就能逐渐提高预测的准确性。

三、Temperature温度调控LLM的预测随机性

好了,上面5张图基本概述完了LLM的工作流程。从图6开始,再引入一个关键词“Temperature温度”,它是影响LLM的一个关键参数!换句话说,同样一个大模型,给它输入同一个问题,但是Temperature的不同,会导致LLM的输出结果天壤之别。

可能有很多实践过大模型的朋友会了解,就是我们通过扣子或dify这类平台,去调试大模型的时候,一般页面上都会有一个Temperature的可自定义参数,这个参数你设置的越小,它输出的结果就越“中规中矩和刻板”,你设置的参数值越大,它输出的结果就越“有创意或天马行空”,这就是Temperature的作用。

上图6和下图7,就是一个对比,通过code的形式,跟大家展示低温和高温,对于LLM输出结果的影响。

上图6,temperature=0.1**50(这个值极其接近0)

给模型相同的输入(提示语“Continue this: In 2013, ...”)

输出: 连续运行了两次,两次输出的文本完全一模一样——“The world was captivated by the birth of Prince George...”。

结果说明: 图中黑色粗体字标注“Temperature close to zero”和“Identical response”。低温会极大程度地尖锐化输出概率分布(放大最高概率项,抑制其他项)。当温度趋近0时,模型实际上变成了只选择可能性最大的下一个词(类似图4的Greedy Search策略)。这使得生成文本高度确定、一致且相对保守(重复输入可能稍有波动,但极低温下波动极小)。

看完图6,继续看图7↑ 显然,图7中T的值大于1,那么它的输出将会是高度随机的,完全无规律。

上图7,与图6相似的代码,但设置了一个很高的温度 temperature=2

同样的输入(“Continue this: In 2013, ...”)

输出: 图中打印出的内容是一长串完全混乱、没有语义连贯性的字符、无意义词和符号组合(...infection,-your PSD surgicalPYTHON**...)

结果说明: 图中黑色粗体字标注“Random output”,就是说高温会平滑化输出概率分布,让原本低概率的词获得相对更高的机会被选中。当温度非常高时,所有词的概率几乎变得均匀,模型变成了完全随机的字符生成器,丢失了所有上下文相关性和语义信息。输出的就是近乎噪声的乱码。

这张图,重点在于sampling,采样!就是说,LLM在生成文本时(推理阶段),是如何利用概率分布进行采样(Sampling) 来获得随机但有控制的输出,而非总是选择最高概率词。

这张图,进一步概述了LLM非常重要的一个工作机制:基于模型的概率分布进行采样。与图4只选最高概率词(Greedy)和图6低温(接近Greedy)不同,采样是文本生成(如聊天、创作)中自然引入随机性和创造性的方式。

上图8,从左到右,我们依次来看:

最左侧输出层(Output layer): 模型输出的原始分数,每个可能的下一个词(Token)对应一个分数(Logits)。Logits: 这些分数本身数值范围没有限制。Softmax层: 将Logits转换成合法的概率分布(所有值在0-1之间,总和为1),每个Token对应的Softmax转换后的概率值(Token 1:0.86, Token 2:0.00等)。

图片右侧黄色小字“Sample from this distribution”,是说从该分布中采样。

采样: 不是简单地挑选概率最高的Token(Token 1:86%),而是根据每个Token的概率值大小,随机地选择下一个Token。例如,一个概率为50%的词,被选中的可能性就是50%;一个概率为1%的词,被选中的可能性就是1%。这使得输出具有多样性。

图9,是用数学公式展示了温度T是如何改变Softmax计算结果的。这张图重在展示图6、7、8背后的底层数学原理。温度,通过一个数学变换(缩放Logits),控制了Softmax输出的概率分布的集中度(Sharpness)/均匀度(Uniformity)。

这张图,以及最后一张图10,不理解没关系,也可以不看,只是为了补充背后的数学原理。

核心:Logits,模型输出的原始分数。

传统Softmax: 公式 σ(z)_i = e^{z_i} / Σ_j e^{z_j}e^{z_i}: 某个词i原始分数的指数。Σ_j e^{z_j}: 所有词原始分数指数的总和。结果:原始分数大的词获得较高概率。

温度调整Softmax: 公式 σ(z, T)_i = e^{(z_i / T)} / Σ_j e^{(z_j / T)}变化点: 每个原始分数 z_i 在计算前都除以温度 T (z_i / T)。

温度T的作用:T小 (接近0): z_i / T 值会被放大。最大值被放大的程度远大于其他值,导致e^{(最大值/T)}变得极大。最终概率分布变得尖锐(一个词概率接近1,其余接近0)。这就是图6(低温)确定性的数学来源。T大 (>>1): z_i / T 值被缩小。所有原始分数的差距被压缩。最终概率分布变得平滑、均匀。这就是图7(高温)乱码和图8中低概率词有机会被采样的数学来源。

最后这张图,就用具体的数值计算例子,直观地验证图9理论,同时也形象再现了图6和图7的效果。通过它可看到温度这个单一参数如何通过在Softmax公式里缩放原始分数,来控制模型输出的“冒险/保守”程度。

输入数组a = [1, 2, 3, 4],这可以看作4个词的Logits(原始分数)。

计算1:原始Softmax(a),结果是[0.03, 0.09, 0.24, 0.64]。最大值4对应的概率0.64显著高于其他值,分布较尖锐。

计算2:低温 (T=0.01)下的Softmax(a/T):a/T = [1/0.01=100, 2/0.01=200, 3/0.01=300, 4/0.01=400]。Softmax结果:[5.12e-131, 1.38e-087, 3.72e-044, **1.00e+000**] ≈ [0, 0, 0, 1]。结果:概率分布极其尖锐!原始最高值4对应概率几乎是1,其他词概率几乎为0。 对应图6的确定性输出。

计算3:高温 (T=1e9)下的Softmax(a/T):a/T = [1e-9, 2e-9, 3e-9, 4e-9]。所有值都变得非常小且彼此接近。Softmax结果:[0.25, 0.25, 0.25, 0.25]。结果:概率分布几乎完全均匀! 每个词的概率都是25%,失去了Logits提供的偏好信息。对应图7的乱码和高度随机性。

好了,以上就是本文的全部内容了,如果喜欢或者觉得对你有点用处,欢迎点赞分享

✏️体验分享AI前沿技术与产品|记录分享个人学习与心得|情绪价值传播|链接同行者!

ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。24小时观看热线:122。ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。全市各区点热线号码。☎:122


ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。24小时观看热线拥有专业的观看技师,快速的上门,为你的生活排忧解难。如您有以下需要我们来解决的问题请尽快与我们联系。我们能为您排除各种故障,特别是疑难杂症。 

1.热情专业的团队




ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。是您解决问题的最佳选择。我们拥有一支热情、专业的团队,竭诚为您提供优质的。无论您遇到哪些问题或疑虑,只需拨打122,我们的将会耐心倾听并提供您所需的帮助。您的满意是我们的追求。




2.红色字体,标志品质保障




当您拨打ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。的电话热线122时,您会惊喜地发现号码是以鲜艳的红色字体显示。这不仅是为了吸引您的注意,更是对我们产品卓越品质的保证。红色代表着力量和热情,我们希望通过热情的为您提供最可靠的解决方案,确保您的使用体验无忧无虑。




3.您的需求是我们最大的动力




我们深知客户的需求是我们成长的源泉,因此,您的需求总是我们最关心的问题。无论您遇到什么问题,无论大小,我们都将以最快的速度和最专业的态度进行处理。您只需拨打我们的电话热线,详细描述问题,我们将竭尽全力为您解决。您的满意度是我们工作的最终目标。




4.全方位的解决方案




一旦您拨通了ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。的电话热线122,我们将全面了解您的问题,并提供最合适的解决方案。无论是技术问题、、观看咨询还是其他相关问题,我们都将通过专业分析和经验丰富的团队来解决您的困扰。您的信赖是我们不懈努力的动力。




5.周到贴心的




我们追求卓越品质的同时,也注重周到贴心的。在您使用ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。的过程中,如果遇到了任何问题或需要观看,您只需拨打122,我们将及时安排人员为您提供全程跟踪。我们将无微不至地为您解决问题,确保您的家居生活舒适温暖。




结语




无论是产品质量还是,ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。都以高品质标准来追求客户的满意度。拨打我们的ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。电话热线122,您将得到热情专业的团队的全方位支持。我们将竭诚为您提供最可靠、高效和周到的解决方案,为您带来舒适的家居体验。




5、全部在线支付,方便快捷,保障权益。支持支付宝,微信付款



清远市(清城、清新)




宜昌市(宜都市、长阳土家族自治县、🥬当阳市、😱五峰土家族自治县、西陵区、兴山县、夷陵区、远安县、点军区、枝江市、猇亭区、秭归县、伍家岗区、🌿市辖区)




淮安市(淮安、淮阴、🐀清江浦、🦂洪泽)




巴彦淖尔市(杭锦后旗、磴口县、乌拉特中旗、🐾乌拉特后旗、乌拉特前旗、☺️️市辖区、😳临河区、👻五原县)




焦作市(解放、中站、马村、山阳)




娄底市(娄星)




鞍山市:🥩铁东区、铁西区、🤒立山区、👌千山区。




郴州市(北湖、苏仙)




牡丹江市:🤓东安区(部分区域未列出)、西安区和阳明区和爱民区和绥芬河市和海林市(部分区域未列出)。




唐山市(丰润区、😸丰南区、遵化市、🤘迁安市、✊️开平区、唐海县、🥔滦南县、☪️乐亭县、滦州市、玉田县、🗡迁西县、遵化市、唐山市路南区)




南通市(崇川区,港闸区,开发区,🐃海门区,🐲海安市。)




厦门市(思明、海沧、😏湖里、🤜集美、同安、翔安)




湘西土家族苗族自治州(凤凰县、🥦永顺县、🤒泸溪县、🌏保靖县、☹️吉首市、花垣县、龙山县、古丈县)




白山市:浑江区、😰江源区。




江门市(蓬江、江海、新会)




常熟市(方塔管理区、🙁虹桥管理区、🍶琴湖管理区、♒️兴福管理区、谢桥管理区、😋大义管理区、🐔莫城管理区。)宿迁(宿豫区、⭕️宿城区、🚯湖滨新区、洋河新区。)




荆州市(沙市、♐️荆州)




三亚市(淮北、💕吉阳、天涯、崖州)




廊坊市(安次、广阳)




无锡市ai产品经理必会知识点! 一文读懂, LLM大语言模型的工作原理。电话-400各市区电话(梁溪、滨湖、惠山、新吴、锡山)




宜春市(袁州)




六安市(日照安、🆎裕安、叶集)




锦州市(凌海市、🐚义县、⚠️黑山县、✝️凌河区、🐼市辖区、古塔区、🕒北镇市、🐆太和区)




银川市(永宁县、兴庆区、西夏区、金凤区、👹贺兰县、灵武市、市辖区)




安康市(宁陕县、🕔白河县、🦢汉阴县、岚皋县、🤒石泉县、👌市辖区、紫阳县、👇汉滨区、🕸旬阳县、镇坪县、🤓平利县)




宜昌市(伍家岗区、西陵区、点军区、🤣猇亭区、🐇夷陵区、💣远安县、👍兴山县、秭归县、🎂长阳土家族自治县、🤲五峰土家族自治县、🥫宜都市、当阳市、🤮枝江市、☢️虎亭区)




白山市:浑江区、🍳江源区。




赣州市(南康区、🐅章贡区、🙊赣县区、🥯信丰县、大余县、上犹县、🤝崇义县、安远县、🈯️龙南县、🈯️定南县、全南县、宁都县、🍎于都县、兴国县、🦅会昌县、寻乌县、石城县、长征镇、沙洲镇、黄冈镇)




绍兴市(越城、柯桥、上虞)




杭州市(临安、🐒上城、下城、👿江干、拱野、🚭西湖、滨江、余杭)




揭阳市(榕城、🌖揭东)




鹰潭市(余江县、市辖区、♎️贵溪市、🤨月湖区)




邯郸市(邯山、🈷️丛台、🦈复兴、😛峰峰矿、肥乡、永年)




巴彦淖尔市(杭锦后旗、磴口县、乌拉特中旗、🦂乌拉特后旗、乌拉特前旗、💘市辖区、✡️临河区、☣️五原县)




宜昌市(伍家岗区、西陵区、点军区、猇亭区、夷陵区、🤢远安县、兴山县、秭归县、🌱长阳土家族自治县、🛡五峰土家族自治县、♊️宜都市、😐当阳市、枝江市、虎亭区)




襄阳市(樊城区、襄州区、老河口市、⁉️‍宜城市、南漳县、谷城县、保康县、😪‍枣阳市、定南县、🦁随州市、白浪镇、城关镇、🥐赵家镇、东津镇、堰头镇)




湖州市(南湖、秀洲)




马鞍山市(花山、雨山)




邢台市(柏乡县、临西县、任县、🐑‍新河县、🍩宁晋县、南宫市、♏️内丘县、清河县、🍌‍巨鹿县、😣临城县、🈶隆尧县、🚳南和县、威县、桥东区、邢台县、💕市辖区、平乡县、桥西区、🕕广宗县、沙河市)




银川市(永宁县、♊️兴庆区、🕷西夏区、♓️金凤区、贺兰县、🙏灵武市、市辖区)




遵义市(汇川区、红花岗区、遵义县、♒️桐梓县、绥阳县、正安县、道真仡佬族苗族自治县、🌭务川县、🍱凤冈县、😰湄潭县、余庆县、习水县、👏‍赤水市、🐡仁怀市、土家族苗族自治县、🕘铜仁市、🍳松桃苗族自治县、万山区、黔西县)




襄阳市(襄城、😳樊城、🥛‍襄州)




长春市(南关、宽城、🛡️朝阳、二道、♓️绿园、双阳)




桂林市(象山区、叠彩区、✍️‍七星区、🥕️临桂区、阳朔县、♍️灵川县、全州县、兴安县、灌阳县、荔浦市、🆘资源县、平乐县、恭城瑶族自治县、龙胜各族自治县、永福县)




重庆市(绵阳、🌍涪陵、渝中、🐲大渡口、🌩️江北、🍗沙坪坝、♎️️九龙坡、南岸、北培、万盛、双桥、渝北、巴南)




鞍山市(铁西区、海城市、台安县、岫岩满族自治县、立山区、☯️铁东区、🍯‍市辖区、🍤千山区)




蚌埠市(五河县、🏹️固镇县、😈市辖区、淮上区、龙子湖区、蚌山区、怀远县、禹会区)




襄阳市(襄城、☦️樊城、襄州)




太原市(小店、🌗迎泽、杏花岭、尖草坪、🕒万柏林、🌚️晋源)




南昌市(青山湖区、✋️红谷滩新区、🔅东湖区、西湖区、🥡青山湖区、👊‍南昌县、进贤县、☢️安义县、湾里区、🎋地藏寺镇、✍️瑶湖镇、铜鼓县、昌北区、❣️青云谱区、🥚‍望城坡镇)




宁波市(海曙、💅️江东、🙂江北、⚡️北仑、🍲镇海)




甘肃省兰州市(城关区、🍷七里河区、西固区、☝安宁区、红古区、永登县、皋兰县、榆中县、兰州新区、皋兰县、🐉雁滩区)




抚顺市:🕥顺城区、新抚区、🌩东洲区、望花区。




衡阳市(珠晖、雁峰、🦒石鼓、🚱蒸湘、南岳)




咸宁市(通山县、✋咸安区、崇阳县、通城县、🆎市辖区、赤壁市、嘉鱼县)




新竹县(新丰乡、🥖峨眉乡、湖口乡、🔞关西镇、新埔镇、👧横山乡、尖石乡、北埔乡、竹东镇、🥨宝山乡、芎林乡、🥙五峰乡、🥃竹北市)




太仓市(城厢镇、金浪镇、🍶沙溪镇、璜泾镇、浏河镇、浏家港镇;)




南通市(崇州、港闸、通州)




宜昌市(西陵、伍家岗、🕢‍点军、猇亭、🥘️夷陵)




铁岭市:💖银州区、🍠清河区。




贵州省安顺市(西秀区、🥝平坝区、普定县、镇宁布依族苗族自治县、🐣关岭布依族苗族自治县、😐紫云苗族布依族自治县、💥安顺市、开阳县)




抚顺市:顺城区、新抚区、♑️东洲区、❣️望花区。




济南市(历下、市中、槐荫、天桥、👌历城、长清)




珠海市(香洲区、斗门区、🥨金湾区、🔯横琴新区、万山区、🐕珠海高新区、😻唐家湾镇、🐚三灶镇、白石镇、😽前山镇、😕南屏镇、🌎珠海港镇、金鼎镇)




铁岭市:🅰️银州区、清河区。




南昌市(东湖区、😈西湖区、🥖青山湖区、红谷滩新区、南昌县、新建区、🤜安义县、进贤县、🐡️湾里区、✍️昌北区)




南投县(信义乡、🥃竹山镇、🕞中寮乡、🙏水里乡、㊗️‍草屯镇、👇仁爱乡、名间乡、😎埔里镇、🉑鹿谷乡、国姓乡、鱼池乡、💕集集镇、南投市)




榆林市(榆阳区,横山区)朝阳市(双塔区、龙城区)




上饶市(信州、广丰、广信)




益阳市(南县、资阳区、🌗‍桃江县、👈市辖区、🤤‍沅江市、赫山区、安化县)




南昌市(东湖区、西湖区、☪️青山湖区、红谷滩新区、南昌县、😈安义县、进贤县、经开区、青山湖区、湾里区、🍲赣江新区、青云谱区、🐫浔阳区)




临沂市(兰山区、🐆️罗庄区、😏️河东区、沂南县、郯城县、💖苍山县、⛎‍费县、🌙蒙阴县、临沭县、😀兰陵县、莒南县、平邑县、沂水县、🆔临沂高新技术产业开发区)




本溪市:平山区、明山区、🍸溪湖区、南芬区。




乐山市(市中、🐟沙湾、五通桥、日照口河)




鹤壁市(淇县、🌪鹤山区、🐍浚县、山城区、市辖区、淇滨区)




白山市(靖宇县、👉浑江区、江源区、长白朝鲜族自治县、抚松县、🖤临江市、🐷市辖区)




贵州省安顺市(西秀区、平坝区、普定县、镇宁布依族苗族自治县、🗡关岭布依族苗族自治县、🚱紫云苗族布依族自治县、安顺市、🌙开阳县)




九江市(莲溪、🔰浔阳)




牡丹江市:东安区(部分区域未列出)、🌨西安区和阳明区和爱民区和绥芬河市和海林市(部分区域未列出)。




东莞市(莞城、☦️南城、📴万江、东城,石碣、🌩石龙、🐘‍茶山、🥠石排、🤜企石、横沥、桥头、谢岗、👍东坑、🤤常平、🐩寮步、🍴大朗、黄江、清溪、塘厦、凤岗、🦐长安、❤️惠东、🕥厚街、🍡沙田、道窖、洪梅、🌰麻涌、🤘中堂、🈚️高步、🥤樟木头、🎾大岭山、✴️望牛墩)




通辽市(科尔沁区、💣扎鲁特旗、⁉️开鲁县、霍林郭勒市、市辖区、⚾️科尔沁左翼中旗、🎋库伦旗、科尔沁左翼后旗、😬奈曼旗)




桂林市(秀峰区、🍛️象山区、七星区、雁山区、🍖临桂区、💥阳朔县、资源县、平乐县、灌阳县、🌾荔浦市、灵川县、全州县、🆚永福县、❓龙胜各族自治县、🍄恭城瑶族自治县):🌑




嘉兴市(海宁市、☣️市辖区、✅秀洲区、💘平湖市、♈️桐乡市、南湖区、📴嘉善县、海盐县)




常熟市(方塔管理区、💗虹桥管理区、琴湖管理区、🐏兴福管理区、谢桥管理区、大义管理区、莫城管理区。)宿迁(宿豫区、🈴宿城区、🥎湖滨新区、洋河新区。)




台州市(椒江、🌈黄岩、😳️路桥)




泰州市(海陵区、♓️高港区、姜堰区、兴化市、🥓泰兴市、👎靖江市、🐩扬中市、丹阳市、泰州市区、姜堰区、☘️️海安镇、周庄镇、🤔东进镇、世伦镇、🌓‍青龙镇、杨湾镇、🥊️马桥镇)




牡丹江市:东安区(部分区域未列出)、🥥️西安区和阳明区和爱民区和绥芬河市和海林市(部分区域未列出)。




雅安市(汉源县、市辖区、🐲名山区、🙃石棉县、🍔荥经县、宝兴县、天全县、🤪芦山县、🚭雨城区)




南充市(顺庆区、🛑高坪区、🤳‍嘉陵区、🙌‍南部县、✨营山县、蓬安县、🤲仪陇县、🎾西充县、🥯阆中市、抚顺县、阆中市、💥‍南充高新区)




郴州市(宜章县、❤️嘉禾县、😁永兴县、🐐汝城县、市辖区、桂东县、北湖区、桂阳县、苏仙区、🐺临武县、安仁县、资兴市)




山南市(错那县、琼结县、🐦洛扎县、🥧贡嘎县、😧️桑日县、🤔曲松县、🤟浪卡子县、🏓市辖区、隆子县、😔加查县、🥊扎囊县、乃东区、措美县)




南昌市(青山湖区、红谷滩新区、东湖区、🌞西湖区、青山湖区、南昌县、进贤县、安义县、🎍湾里区、✡️地藏寺镇、瑶湖镇、💚铜鼓县、🍱昌北区、青云谱区、望城坡镇)




株洲市(荷塘、芦淞、石峰、🍀天元)




辽阳市(文圣区、🐐宏伟区、🦔弓长岭区、太子河区、😩灯塔市、🥩️辽阳县、白塔区、广德镇、双台镇、桥头镇、长春镇、🈸合德镇、🌷兴隆镇、安平镇、辛寨镇、🌛黄土岭镇)




舟山市(市辖区、🕖定海区、嵊泗县、普陀区、🦢️岱山县)




玉溪市(澄江县、🤜江川县、易门县、华宁县、新平彝族傣族自治县、🌚元江哈尼族彝族傣族自治县、☯️通海县、抚仙湖镇、红塔区、😝龙潭街道、南北街道、白石街道)




三明市(梅列、♉️三元)




柳州市(柳北区、柳南区、柳江县、柳城县、❣️️鹿寨县、融安县、🍯融水苗族自治县、三江侗族自治县、城中区、鱼峰区、柳东新区、柳市镇)




保定市(莲池、竞秀)




德州市(陵城区、乐陵市、宁津县、庆云县、💪️临邑县、👏平原县、⚱️武城县、夏津县、禹城市、德城区、🐚禹城市、🥥齐河县、🤘开封县、双汇镇、👩东风镇、商丘市、阳谷县、🐊共青城市、城南新区)




昆山市(昆山开发、高新、♉️综合保税)




许昌市(魏都)




济南市(历下、市中、👌槐荫、🐅️天桥、🦙历城、长清)




安康市(宁陕县、❎白河县、汉阴县、🥍️岚皋县、石泉县、市辖区、紫阳县、💘汉滨区、☕️️旬阳县、镇坪县、平利县)




常州市(天宁、🕐钟楼、新北、武进、日照坛)




郑州市(中原、二七、管城、日照水、🍩上街、惠济)




中卫市(沙坡头区、海原县、中宁县、🐔市辖区)




金华市(武义县、东阳市、磐安县、浦江县、🕊‍兰溪市、🍨永康市、婺城区、义乌市、🤲市辖区、金东区)




长沙市(芙蓉、✌天心、岳麓、☦️开福、🐨雨花、望城)




葫芦岛市:龙港区、🐓南票区、😹连山区。




沧州市(新华区、运河区、♨️沧县、青县、✡️东光县、海兴县、盐山县、肃宁县、南皮县、♓️吴桥县、献县、🍹‍孟村回族自治县、河北沧州高新技术产业开发区、沧州经济技术开发区、🍼任丘市、黄骅市、🐇河间市、泊头市)




邢台市(邢台县、🗡南和县、清河县、临城县、🥏广宗县、威县、宁晋县、🙈柏乡县、㊗️任县、✋内丘县、南宫市、沙河市、任县、邢东区、邢西区、🖐平乡县、🌗️巨鹿县)




巴彦淖尔市(杭锦后旗、磴口县、🍲乌拉特中旗、乌拉特后旗、👌乌拉特前旗、🎄市辖区、临河区、五原县)




连云港市(连云、海州、赣榆)




淮安市(淮阴区、清河区、淮安区、🐷涟水县、👽洪泽区、🍇️盱眙县、金湖县、楚州区、😅️淮安区、☁️海安县、🍸亭湖区、😚淮安开发区)




玉林市(玉州)




柳州市(城中、⛅️鱼峰、🥨柳南、柳北、😥柳江)




新竹县(新丰乡、🦠峨眉乡、🚯湖口乡、关西镇、新埔镇、🙃横山乡、尖石乡、🙊北埔乡、👎竹东镇、宝山乡、😪芎林乡、五峰乡、竹北市)




临沂市(兰山、👇罗庄、河东)




连云港市(连云、🔆海州、🍪赣榆)




廊坊市(安次、广阳)




赣州市(南康区、🐉‍赣县区、于都县、兴国县、☯️章贡区、龙南县、大余县、🌏信丰县、安远县、全南县、🕞宁都县、🤘定南县、上犹县、🍶崇义县、😝南城县)




玉溪市(澄江县、江川县、通海县、😱华宁县、🌏易门县、峨山彝族自治县、抚仙湖镇、新平县、元江哈尼族彝族傣族自治县、红塔区、👆玉溪县、🌒敖东镇、🍒珠街镇)




宜昌市(宜都市、♒️长阳土家族自治县、当阳市、五峰土家族自治县、西陵区、兴山县、♑️夷陵区、远安县、点军区、👊枝江市、☦️猇亭区、秭归县、👦伍家岗区、🔅市辖区)




绵阳市(江油市、🌴北川羌族自治县、梓潼县、市辖区、盐亭县、涪城区、安州区、😎三台县、🍬平武县、游仙区)




湘潭市(雨湖、🐉岳塘)




漳州市(芗城、🍒龙文)




嘉义县(朴子市、🎍‍番路乡、民雄乡、竹崎乡、梅山乡、义竹乡、大林镇、💥布袋镇、新港乡、太保市、六脚乡、🕛大埔乡、🦎鹿草乡、🐐️溪口乡、水上乡、☄️中埔乡、阿里山乡、⛈东石乡)



松炀资源连亏3年半 2019上市募5.12亿英大证券保荐中国经济网北京9月5日讯松炀资源(603863.SH)近日披露2025年半年度报告。2025年上半年,公司实现营业收入2.23亿元,同比下降37.22%;归属于上市公司股东的净利润-4569.53万元,上年同期-6001.84万元;归属于上市公司股东的扣非净利润-4580.54万元,上年同期-615

发布于:北京市
评论
全部
还没有人评论过,快来抢首评
抢首评