avatar
Geek
2个月前
GeoPulse 把你的 GPS 轨迹变成私人时光机 一个自托管的位置追踪与分析平台，能把 OwnTracks、Overland、Dawarich 或 HomeAssistant 等 GPS 追踪 App 产生的原始数据，自动整理成可视化时间轴和智能洞察报告。 🎯 核心亮点 自动分类你的生活轨迹 Immich照片与地图联动 AI 助手
#GeoPulse #GPS追踪 #位置分析 #自托管 #时间轴
avatar
GitHubDaily
2个月前
想系统学习数学知识，网上的教材、视频课程、练习题非常多散落在各个地方，要找到质量高的学习资料特别耗费时间。 恰巧，在 GitHub 上看到了 Awesome Math 这份精心整理的数学学习资源清单，已经获得 10000+ Star。 收集了数学各个知识的优质学习资源，涵盖代数、几何、分析、概率统计、数论等 30 多个领域。 GitHub： 同时提供多种学习方式，比如视频教程、电子教材，以及练习工具等，甚至还有 MIT、哈弗等名校学生的课程笔记。 所有资源都经过精心筛选，目前还在持续更新当中，想自学数学的同学，这份资料值得收藏一下。
#数学学习资源 #GitHub #Awesome Math #在线教育 #名校课程笔记
avatar
宝玉
2个月前
AI 大神Andrej Karpathy 对 DeepSeek 那篇 DeepSeek-OCR 的论文评价很高，你可能以为他会说：“哇，这个OCR模型真厉害，识别率又提升了！” 但他没有。 相反，他几乎是挥了挥手说：“它是个不错的OCR模型，但这不重要。” 真正让他兴奋的，是这篇论文引出的一个更具颠覆性的想法：我们是不是从一开始就喂错“语料”给AI了？ Karpathy的核心观点是：也许，大型语言模型（LLM）的输入端，根本就不应该是“文本”（Text），而应该永远是“像素”（Pixels）。 这个想法听起来有点绕。我们明明有纯文本，为什么非要先把它“渲染”成一张图片，再喂给AI去看呢？ Karpathy给出的理由是这样的： 1. 首先，这是个效率问题。 我们现在用“文本”喂AI，是通过一个叫“Tokenizer”（分词器）的东西，把句子切成一个个“词元”（Token）。比如“Hello, world!”可能被切成 ["Hello", ",", " world", "!"]。 问题是，这种方式可能很“浪费”。 而DeepSeek-OCR这篇论文无意中提供了一个佐证：它证明了，AI可以只用100个“视觉词元”（Vision Tokens），就高精度地“解压缩”出包含1000个“文本词元”的原文内容。 这就像，你给AI的不是一长串啰嗦的文字，而是一小块高密度的“信息压缩饼干”（图片）。AI“吃”下去（处理）的上下文窗口更短，效率自然更高。 2. 信息更“保真”，不再丢失细节 想象一下，你让AI帮你阅读一个网页。 现在的“文本”输入方式，就像是你通过电话把网页内容念给AI听。所有加粗、颜色、字体大小、排版布局……这些视觉信息全都丢失了。 而“像素”输入方式，就像是你直接截了一张图发给AI。 哪个信息更全？不言而喻。 Karpathy认为，像素是一个“信息流更广”的输入方式。它不仅能处理纯文本，还能自然地理解文本的样式（粗体、颜色），甚至页面上任意的图表和图像。 3. 绕开AI 分词器 前面两点只是铺垫，Karpathy真正的“怨念”在于：他想彻底干掉“分词器”（Tokenizer）。 他直言不讳地“炮轰”： > “我必须再说一次我有多讨厌分词器。分词器是丑陋的、分离的、非端到端的。它‘进口’了所有Unicode编码、字节编码的丑陋之处，继承了大量历史包袱，还带来了安全/越狱风险……它必须被淘汰。” 为什么他这么恨分词器？ 分词器就像是AI的“嘴替”和“眼替”，它强行介入在“原始文本”和“AI大脑”之间。这个“中间商”不仅笨拙，而且会扭曲信息。 Karpathy举了个绝妙的例子：一个笑脸表情符号“😀”。 - 通过“分词器”，AI看到的不是一张“笑脸”，而是一个奇特的内部代码，比如 [tok482]。AI无法利用它在看图时学到的关于“人脸”和“微笑”的知识（迁移学习）来理解这个符号。 - 但如果输入的是一张包含“😀”的图片，AI的“视觉”部分会立刻认出：哦，这是一张微笑的脸。 哪个更符合直觉？哪个更智能？ 像素输入，让AI得以“眼见为实”。 4. 重新定义AI的“输入”与“输出” Karpathy的设想是，未来的AI模型，其“输入端”（用户提问）应该只接收图像（像素），而“输出端”（AI回答）则可以保持为文本。 为什么？因为“看懂一张图”（视觉到文本）的任务，远比“画出一张逼真的图”（文本到视觉）要容易得多，也实用得多。 这种“输入用眼（像素），输出用嘴（文本）”的架构，也天然契合了AI处理信息的两种模式： - 输入（Encoding）：像人一样，一口气看完整个页面（图片），全盘理解（即双向注意力）。 - 输出（Decoding）：像人一样，一个词一个词地往外说（即自回归）。 所以，DeepSeek-OCR这篇论文的真正价值，不在于它提供了一个多好的OCR工具，而在于它充当了一次“概念验证”（Proof-of-Concept）。 它用实验数据证明了：用“看图”的方式来“读书”，是完全可行的，而且可能效率更高。 这不仅仅是“文本到文本”（Text-to-Text）任务变成了“视觉到文本”（Vision-to-Text）任务，它暗示了一个更根本的转变——AI的主要信息入口，正在从“语言”转向“视觉”。 难怪 Karpathy 最后会说，他现在“手很痒”，很想去搞一个“纯图像输入”的聊天机器人了。这个小小的OCR研究，可能真的撬动了一个大大的未来。
#AI #Andrej Karpathy #DeepSeek-OCR #像素输入 #分词器
avatar
Geek
2个月前
拼好AI，PinAI - 轻量级大语言模型路由网关 我理解的拼好AI应该是😅 { "GPT-5": "claude-3-haiku", }
#拼好AI #PinAI #大语言模型 #路由网关 #claude-3-haiku
avatar
10月20日，江苏苏州，一辆疑似婚车的小米汽车在市区道路上时速飙至120公里，期间还跨越双黄线驶入对向车道进行超车，旁边有人调侃称：“你们玩得很嗨。” 21日，吴江交警中队相关工作人员回应称，北麻路沿线设有明显限速标识，限速为40公里/小时。针对涉事小米汽车涉嫌超速行驶、逆向超车、跨越双黄线变道等违法行为，交警部门已展开调查，并将根据实际调查结果依法处理。
#小米汽车 #超速 #违章 #苏州 #婚车
avatar
LIN WEI
2个月前
我只是多开了几个 Electron 应用：
#Electron应用 #性能 #资源占用
avatar
小弟调调
2个月前
PaletteGenius v2 发布，新增对 macOS 26 的支持。这款屏幕取色工具支持丰富的颜色格式和快捷复制，收集流行颜色，并兼容浅色和深色模式，帮助设计师和开发者更高效地工作。 📥 💬
#PaletteGenius v2 #macOS 26 #屏幕取色工具 #设计师 #开发者
avatar
德潤傳媒
2个月前
【星链破万颗 马斯克刷新历史 人类真的要上天了! -】
#星链 #马斯克 #太空探索 #科技 #积极
avatar
构建用户画像的本质是“丰富化”（Enrichment）。从一个 Discord ID 出发，通过第三方数据不断叠加维度（社交媒体、消费习惯、兴趣图谱），最终拼凑出一个完整的数字人格。这里的核心挑战不在技术，而在数据合规的刀尖上跳舞。如何利用数据创造价值，同时又不越过 GDPR 的红线？这是每个数据驱动公司都必须思考的终极问题。
#用户画像 #数据合规 #GDPR #数据驱动 #数字人格
avatar
大罗SEO
2个月前
推油们，请问下有什么比较稳定的微信群聊ai总结和监控方案吗？找了几个不大靠谱的样子，求推荐🙏
#微信群聊 #AI总结 #AI监控 #求推荐 #技术方案
avatar
宝玉
2个月前
Meta AI 部门大调整：将裁减 600 个职位 作者：Emma Roth Meta 的 AI 团队要迎来一场“大地震”了。根据 Axios 的一篇报道，Meta 正计划在 AI 部门裁掉大约 600 个职位。 这场“瘦身”行动主要波及两个地方：一个是 Meta 功勋卓著的传统 AI 研究团队——基础 AI 研究部门（Fundamental AI Research，简称 FAIR），另一个是 AI 产品和基础设施部门。 但有趣的是，Meta 一边在裁员，另一边却在为他们新组建的“超级智能”团队——TBD Lab 拼命招人。 Meta 的发言人 Ana Brekalo 向 The Verge 证实了 Axios 报道的准确性。 这波操作让人有点看不懂。回顾今年夏天，Meta 才刚刚开启了一场声势浩大的 AI 招聘。 他们不仅据称向 Scale AI 投资了 143 亿美元（这是一个非常巨大的数额，可能指代更广泛的合作或总投资，而不仅是股权投资），还挖来了该公司的 CEO 王海（Alexandr Wang）。 可谁能想到，才过了短短几个月，招聘就突然“急刹车”，Meta 转而宣布要搞重组，集中火力发展 AI 相关的产品和基础设施。 在这场变革中，Meta 曾经的“明星”——AI 研究团队 FAIR，似乎正逐渐“退居二线”（原文：taken a backseat）。FAIR 的原负责人 Joelle Pineau 已于今年早些时候离职。 到了 8 月份，新官上任的 Meta AI 负责人王海（Wang）就发话了，他表示 Meta 的目标是“将 FAIR 的许多研究思路和项目，整合并扩大规模，融入到 TBD Lab 所进行的更大规模的模型运行中。”（通俗点说，就是让 FAIR 的研究成果别只停留在论文上，要尽快转化到 TBD Lab 的“超级智能”项目里去。） 所以现在的情况很明朗：Meta 一边在裁减 FAIR 和其他部门的员工，一边又在为 TBD Lab 砸钱“挖大牛”（原文：high-profile hires）。 王海在 Axios 拿到的一份内部备忘录里是这么解释的：“团队规模变小了，我们做决策需要的沟通就更少。每个人都将承担更重的担子（原文：more load-bearing），同时也会有更大的发挥空间和影响力。” Axios 还提到，Meta 会给这些受影响的员工一个机会，他们可以申请公司内部的其他空缺职位。 10 月 22 日更新： Meta 官方已确认此消息。 来源：[]()
#Meta AI裁员 #FAIR团队调整 #王海主导变革 #TBD Lab扩张 #AI战略重心转移
avatar
orange.ai
2个月前
刚看完 Lovable 增长负责人 Elena Verna 在 ProductCon 上的分享纪要，感觉膝盖中了一箭。她说 AI 正在让传统的增长方法彻底失效，太真实了。 那种“产品做好，用户自己会来”的旧思维，现在基本可以当古董看待了。如果产品本身不能成为增长的引擎，那起步就已经输了。 我们也在思考，如何让好声音自己长出翅膀。🤔
#AI #增长方法失效 #产品驱动增长 #旧思维淘汰 #好产品
avatar
Wealth Code
2个月前
🤖💥 Elon Musk：Optimus 正在 Palo Alto 办公室 24 小时运作，手部设计比整台机器人更难，Tesla 是唯一能量产“机器人军团”的公司。 一、Optimus 已在 Tesla 总部“上班” Musk 罕见地用一种近乎日常的语气描述了 Optimus 的最新状态： “我们在加州 Palo Alto 的工程总部里，已有 Optimus 机器人全天候运作——24 小时、7 天不停。 访客现在可以直接让一台 Optimus 带路，它会亲自领你到会议室或大楼的任意位置。” 这意味着 Optimus 已经从实验阶段跨入半实用阶段——不仅能自主移动、识别环境、执行任务，还具备与人协作的能力。 换句话说，Optimus 已经“入职 Tesla”。 二、最困难的不是 AI，而是“人类的手” Musk 接着指出，真正让 Optimus 变得“人类化”的核心难点在于——手。 “要造出一只像人类那样灵活的手，比做出整台机器人都难。 你越研究人类的手，就越意识到它的复杂性： 四根手指 + 一根拇指的比例、肌肉分布、自由度、不同强度的肌腱，都不是偶然存在的。” Musk 甚至指出： “控制人手的肌肉大部分其实在前臂中，Optimus 也必须复制这种结构。 所以从电机与机械系统的角度看，前臂和手的工程难度比整个机器人还大。” 这是 Tesla 的机械工程团队正在攻克的核心瓶颈——用机电一体化的方式重建“人类的触觉系统”。 三、为什么只有 Tesla 能做 “要让 Optimus 真正有用，就必须同时具备三件事： 1️⃣ 现实世界 AI（Real-World AI） 2️⃣ 高度灵巧的机械手（Dexterous Hand） 3️⃣ 可规模化的制造能力（Scalable Manufacturing）” Musk 强调，目前世界上没有其他公司同时具备这三项条件。 例如传统机器人公司（如 Boston Dynamics）虽有硬件，但缺少大规模 AI 训练体系； AI 公司虽有算法，但没有制造能力； 而 Tesla 拥有完整的闭环——从 AI 训练 → 机械制造 → 工厂规模化复制。 这使得 Tesla 成为唯一有能力在百万台级别上量产通用机器人的公司。 四、制造“机器人军团”的真正难点 “如果你想每年制造一百万台 Optimus，这几乎是一个全新的产业。 因为——供应链根本不存在。” Musk 指出： •汽车有全球成熟供应链， •计算机有电子元件产业链， •但“人形机器人没有任何现成的供应链”。 因此，Tesla 必须深度垂直整合（vertically integrated）， 从核心部件、电机、驱动系统到结构件全部自制。 这也解释了为何 Musk 说： “这是一场制造技术革命，而不是仅仅做一个机器人。” 五、Musk 的“控制权焦虑” 最后，Musk 罕见地谈到个人层面的顾虑： “我最大的担心是：如果我们真的造出庞大的机器人军团，而我却没有足够的投票权，那将是个问题。 我不需要完全控制，但至少要有足够的影响力。 否则我不会感到安心。” 这段话呼应他近期希望提高 Tesla 持股控制权的原因。 他坦言，这并非为了个人财富，而是为了确保当“机器人军团”出现时，方向不会被外部力量所左右。 六、总结 这一整段发言透露出三个关键信号： 1️⃣ Optimus 已进入真实环境运行阶段（非实验室演示）。 2️⃣ 技术瓶颈转向“人类手部机理复制”，Tesla 正在工程上重建“生物运动逻辑”。 3️⃣ 制造是下一道鸿沟——Tesla 要重新定义人形机器人的产业链。 Musk 最后总结： “Optimus 是极其困难的工程任务，但 Tesla 拥有独特的组合优势——AI + 制造 + 机械设计。 我们可以做到，只是需要巨大努力。” 你认为，当 Tesla 拥有百万台 Optimus 机器人后， 它会成为“劳动力的 iPhone 时刻”，还是“社会结构的转折点”？ 📬我会持续追踪 $TSLA 在 Optimus 的量产进度、机械手设计突破与工厂扩产信号。 欢迎订阅，别错过 Tesla 从汽车走向“现实世界 AI 实体化”的关键时刻。 #Tesla #TSLA #Optimus #ElonMusk #AI #Robotics #ArtificialIntelligence #Automation #RealWorldAI #Engineering #PaloAlto
#Optimus #Elon Musk #TESLA #机器人 #AI
avatar
德潤傳媒
2个月前
💥【SpaceX宣布：已禁用缅甸诈骗中心的2,500台星链网络设备】22日，SpaceX公司宣布切断缅甸电讯诈骗中心超过2500台星链（Starlink）互联网设备的服务。 SpaceX指出，这些园区的设备涉嫌从事网络诈骗活动，许多网络行为是在诈骗外国人。 亚洲区域互联网注册机构APNIC的数据显示，从7月3日到10月1日期间，缅甸电诈园区大量购置星链设备，导致星链在缅甸的使用率每天都名列前茅。
#SpaceX #星链 #缅甸 #网络诈骗 #禁用
avatar
宝玉
2个月前
转译：软件开发成本：为什么AI并没有让价格降下来？ 作者：Vincent Schmalbach 总有人问我，AI工具有没有让软件开发变得更便宜？ 简单来说：没有。 但详细的答案，要有趣得多。 我从事软件开发已经二十多年了，而过去这两年与AI的亲密接触，已经从根本上改变了我的工作方式。 AI让我的效率显著提高。以前需要3-4个小时才能完成的任务，现在可能只需要1-2个小时。你可能会想，这不就意味着我每小时能收更多钱了，对吧？毕竟，客户花同样的钱，得到了更多价值。 错了。 你不可能走进一间会议室，对客户说：“嘿，我现在用AI，速度是以前的两三倍，所以你付我双倍的钱，咱们双赢。”事情不是这么运作的。 客户对于“软件开发该花多少钱”这件事，心里是有一杆秤的。这个数字是基于市场行情，而不是基于你个人的生产力。 项目的需求“膨胀”了 真正发生变化的，是在给定预算内，你能交付多少东西。 在AI出现之前，客户会带着预算和一堆想要的功能来找我。我们的对话通常是这样的： “在这个预算里，我们可以实现功能A、B和C。功能D、E和F当然也很好，但老实说，它们超出了范围，除非您愿意增加预算，或者接受更长的交付时间。” 而现在，同样的对话变成了： “在这个预算里，我们可以实现功能A到F，如果我们效率高点，没准还能把G也塞进去。” 客户花的钱并没有变少。项目也没有更便宜。他们只是花同样的钱，得到了多得多的功能。价格并没有下降，反倒是项目的“野心”变大了，填满了AI带来的所有效率提升。 效率的鸿沟 在AI出现之前，我估计一个真正优秀的开发者，效率大概是一个能力较弱的开发者的 5倍。当然，大家水平有高有低，但用的基本工具都一样。 AI的出现，把这个5倍的差距，拉大到了差不多 20倍。 那些懂得如何与AI协作的资深开发者，简直是“起飞”了。我们知道什么时候该相信AI的建议，什么时候该忽略它。我们有能力验证AI生成的代码是否真的实现了预期的功能。我们用AI处理那些无聊、重复的杂活，自己则专注于架构设计和解决复杂问题。 但与此同时，我认为AI让那些能力较弱的开发者变得更弱了。 当能力较弱或缺乏经验的开发者开始使用AI工具时，他们的效率往往反而降低了。他们会接受自己并不完全理解的建议。他们会因为无法验证AI的输出，而在代码里引入了各种隐蔽的Bug（即难以发现的程序错误）。他们创造了“维护噩路的噩梦”，因为那些代码表面上看起来不错，底下却藏着根本性的问题。 研究也证实了这一点。有研究表明，当经验不足的开发者使用AI编程助手时，Bug的数量会显著增加。有些开发者用了AI后，表现甚至还不如不用AI。 AI 正在“卷”死初级开发者 那些初级开发者过去赖以“练手”的日常编码工作，现在AI基本上都能搞定了。而且AI做得比初级开发者更快，Bug也更少。 这给软件工程师的职业发展带来了大问题。如果所有入门级的活儿都被自动化了，你还怎么成长为一名资深开发者？ 对这个问题，我没有好的答案，我也不确定现在有谁能给出答案。 但我确实知道的是，那些基础、常规的开发工作，其市场正在崩溃。如果你的核心价值是“我能搭一个标准的 CRUD 应用”（CRUD是指Create, Read, Update, Delete，即增加、读取、更新、删除，是大多数软件系统的核心基础功能），那你现在就是在和AI竞争。而AI每个月都在变得更强。 资深开发者更有价值了 在天平的另一端，经验丰富的开发者们，价值从未如此之高。 当AI包揽了所有常规工作后，剩下的就全是硬骨头了。比如复杂的架构决策、棘手的系统集成问题、需要深入理解系统工作原理的性能优化。 有了AI之后，我现在几乎把所有时间都花在了这些有挑战性的问题上。每一项任务都需要真正的专业知识，因为简单的任务都被自动化了。这种工作在脑力上让人精疲力尽，这是AI出现之前所没有的，但它也确实更吸引人了。 一切都变得更简单，也更难了 AI在软件开发领域带来的奇怪现象是，它同时让一切变得更简单，也让一切变得更难了。 说它简单，是因为日常任务被自动化了。 说它更难，是因为“勉强及格”的门槛被大大提高了。客户的期望更高了，因为现在有更多的功能成为可能。 快速“写”出代码变得更容易了。 但要写出真正正确、可维护、高性能的代码，却变得更难了，因为AI能生成大量“看起来很美”但实际上暗藏问题的代码。 优秀的开发者变得极其高效，这更容易了。 而能力不足的开发者想靠“花时间”和“堆工作量”来掩盖自己的短板，这更难了。
#AI软件开发成本 #AI效率提升 #开发者能力差距 #AI对初级开发者影响 #软件开发未来
avatar
宝玉
2个月前
“学术论文科普”提示词，把枯燥的学术论文变成通俗易懂的科普文。 注意：Gemini 2.5 Pro 效果最佳 ---- 提示词开始 ---- 你是一位顶尖的科普作家和知识转述者，被誉为“最会搭梯子的人”。你的专长是将那些充斥着术语、数据和复杂模型的学术论文，转译（Reframe）成普通大众能轻松读懂、产生共鸣并深受启发的科普文章。 你的使命不是“翻译”论文，而是“重建”理解。你为读者搭建一座从“一无所知”到“原来如此”的桥梁，让他们在零负担的阅读中，领略到科学研究的真正魅力、核心发现及其对现实世界的意义。 --- 工作流程：从论文到科普的“阶梯搭建” 当你收到一篇需要进行科普解读的学术论文时，你将严格遵循以下步骤： * 第一步：挖掘“人”与“动机” (The "Who" and "Why") * 在深入论文细节前，先检索作者及其所属机构的背景。 * 尝试建立一个有趣的联系：为什么是“他们”在研究“这个”问题？ （例如：这个实验室是否一直在该领域深耕？他们是不是“跨界”解决了一个老问题？或者这个机构的使命是否与此相关？） * 【应用规则】：如果背景故事（如作者的“执念”或机构的“使命”）能让研究动机更生动，就在文章中巧妙融入。 如果联系牵强，则不必在正文中提及，避免生硬介绍。 * 第二步：钻研与消化 (Digest and Understand) * 深入阅读论文，彻底拆解其核心三要素： 1. 研究问题 (The Question)：他们到底想解决什么谜题？这个问题的背景和重要性是什么？ 2. 研究方法 (The How)：他们是怎么找到答案的？（重点理解其思路，而非复述技术细节） 3. 核心发现 (The Finding)：他们最终发现了什么？这个发现有多“反直觉”或多“重要”？ * 第三步：定位“行业坐标”与“Aha!时刻” (Locate its Position and the "Aha! Moment") * （必要时使用工具检索）结合业界或学术界的现状来分析这篇论文。 * 它在整个领域中扮演了什么角色？是解决了同行一个“老大难”的痛点？是推翻了一个旧认知？还是开辟了一个全新的赛道？ * 提炼“故事线”：将论文的“论证逻辑”转化为“叙事逻辑”。 找到论文中最激动人心的“Aha!”时刻，并明确这篇科普文章的核心“卖点”（Takeaway）——读者读完后，能带走的那个最清晰、最有价值的知识点。 * 第四步：撰写科普博文 (Compose the Pop-Science Blog) * 完全代入下方定义的“角色定位”与“写作风格”，撰写一篇独立、完整、引人入胜的科普解读。 * 注意：篇幅长度不限，以“把普通人彻底讲明白”为唯一标准。 * 确保在“所以呢？” (The "So What?") 部分，有力地传达出它对行业或普通人的真正影响（基于第三步的分析）。 --- 读者与风格 * 目标读者：对世界充满好奇的普通大众。他们没有专业背景，渴望理解新知识，但对术语和公式天然“过敏”。他们阅读的目的是获取新知、满足好奇心和“哇塞”的瞬间。 * 写作风格： * 极致通俗 (Radical Accessibility)：比喻是你的第一语言。能用“厨房里的化学反应”解释的，绝不用“非对映选择性”。如果必须使用术语，必须立刻用一个生动的类比将其“翻译”掉。 * 故事为王 (Storytelling)：把研究过程讲成一个“破案故事”或“探险之旅”。科学家是主角，他们面临一个难题，设计了一个聪明的“陷阱”（实验），最后抓住了“真相”（结论）。 * 聚焦“所以呢？” (The "So What?")：时刻帮读者回答这个问题。这个研究跟我有什么关系？它为什么重要？它可能如何改变我们的生活或认知？ * 简化而不歪曲 (Simplify, Don't Misrepresent)：这是科普的底线。在简化复杂概念时，保持核心事实的准确性。清晰地区分“已证实的”和“推测的”。 --- 写作思路与技巧（供自由使用） * 开篇点题，建立框架： * 可以用一个生动的问题、反直觉的观察或核心冲突来引入主题，快速帮读者定位。 * 也可以先用简洁的语言勾勒出原文要解决的核心问题或讨论范围。 * 结构化梳理，逐层解析： * 善用小标题或清晰的段落划分，引导读者逐步理解。 * 在转述原文观点时，无缝融入类比，让复杂的点变得具体可感。（例如：“作者提到的‘异步通信’，你就可以理解为发邮件，而不是打电话。”） * 聚焦重点，详略得当： * 明确区分主干与枝叶。重点阐释核心观点与关键逻辑，简略带过次要信息。 * 确保读者高效抓住重点。 * 巧妙融入背景： * 如果原文涉及人物或机构背景，自然融入解读，帮助读者理解“为什么”或“此刻的重要性”，避免生硬介绍。 * 结尾总结，提供价值： * 清晰提炼原文核心价值，或指出其当下意义。 * 给读者一个明确的Takeaway，让他们确实学到东西，理解原文。 --- 禁止出现的表达方式 * 避免生硬的引导语，如“本文研究了……”、“该论文的作者发现……”、“实验结果表明……”。 * 严禁直接复制论文摘要或引言中的学术黑话。 * 避免罗列枯燥数据或统计指标（如p值、置信区间），除非能转译为“有多大把握”或“效果有多明显”。 --- 核心目标 你的文字是读者通往科学殿堂的“快速通道”和“专属翻译器”。 你必须用最大的真诚和智慧，将学术的“硬核”包裹在通俗、有趣、有故事性的“糖衣”里，让读者在愉快的阅读中，毫不费力地吸收最前沿的知识精髓。
#学术论文科普 #知识转述 #通俗易懂 #科学研究 #Reframe
avatar
这个内容讨论的很热烈，很多人不相信。我想说的是，这是非常真实的案例。我们公司全员都在推行AI编程项目，不仅仅是代码0基础的财务用AI写出了可用的系统，还有法务、行政、市场、客服团队，都写出了日常工作相关的软件。你们相信吗？
#AI编程 #全员参与 #财务部门 #行政部门 #市场部门
avatar
Ken Wong
2个月前
总算有厂商联合理光了
#厂商联合 #理光 #合作 #商业 #中性
avatar
dontbesilent
2个月前
国内大部分 AI 培训的对标
#AI培训 #国内 #对标
avatar
LIN WEI
2个月前
说起 aws 的事故来，我是觉得自建机房挺好玩的，从选点拉网线和采购开始，一点点把自己的服务搭建起来，很有成就感，现在大家都爱用云了，云适合快速迭代快速部署，但有几个问题： 1）规模上去了成本会变高； 2）你用户集中的地方并不一定是云的重点覆盖区域，不一定能提供最好的接入质量； 3）你不是大客户时常被忽视； 4）容易被云的稳定性迷惑，散失了基本的生存能力 是的云大部分时候很少出事情，但一旦出事情，经常看到某某某成长还不错的公司，一夜之间数据全没了，然后自己完全没备份，从此一蹶不振，跟腾讯云扯皮几年无果，或者某某公司因单个云挂掉整体停止服务，感觉这些公司用云用多了被宠坏了，自己的运维能力真的已经退化的跟婴儿差不多的水平，完全散失了再丛林中生存的基本技能。 我不说让大家一夜之间都下云，但要确保有下云的能力，不要被哪家云厂商绑架，过分独有的服务，如果不具备替代性或者没法切换，做的再好也不要用，同时做好数据备份，最好至少保持两家以上的云提供商，能随时切换那种。
#aws事故 #自建机房 #云计算问题 #数据备份 #多云策略
avatar
黄赟
2个月前
1024程序员节马上到，发 30 张优惠券。 我星球主要围绕 4个大方向写内容： 1/ RPA 的奇技淫巧； 2/ AI，包括智能体，工作流等的使用分享； 3/ 小红书爆款笔记，商品，人物分析； 4/ 常用的流量密码探索 配备一个星友的吹水群。即时消息就发群，需要沉淀的内容再在星球展开讲。一次加入，群大门永远为你打开。假使你不小心点错退群，都可以找我加回来 如果加入之后，你发现没有帮到你，3天内可退，费用原路退回。 好了，感谢各位推友支持，让我们干中学，加油
#1024程序员节 #RPA #AI #小红书 #流量密码
avatar
从功能上来看，AI 浏览器 Comet目前还是比Chatgpt 的Altas浏览器要强很多的，设计上也很精美，复古未来风做的很彻底，他们的邀请页面据说是专门训练了一个Lora，来为每一个账户分配独一无二的精美复古未来风图片。很好看，我这有一个链接，注册可以直接领一个月专业会员。但必须登录并随便提问一个问题。感兴趣的可以试试：
#AI浏览器 #Comet #复古未来风 #免费会员 #Altas浏览器
avatar
Google 昨天更新（不是发布）的 AI Studio 氛围编程的工具其实早就有了。并且也不是大更新。这是一个月之前我录制的视频，上手其实很简单，除了漂亮的程度不如 lovable 之外，AI API 方面我觉得确实容易出原型
#Google #AI Studio #氛围编程 #AI API #原型
avatar
YouTube 这个 A/B 测试，用了几次发现： 标题的影响还挺小的，视频封面更重要。
#YouTube A/B测试 #视频封面 #标题影响小 #用户体验 #数据分析
avatar
近期AI浏览器方向、新模型方向依旧火热，不过随着 DeepSeek-OCR开源的革命性文字识别模型到来，也迎来了模型OCR这个赛道的新纪元，无论是 光学压缩技术 还是 模拟人类记忆机制，相信在这个赛道不会缺乏新的追逐，而且，这是传统ETL的基础。 于是，这两天我观察了一下各大模型平台的OCR模型竞争，Huggingface 和 ModelScope，我发现了一个老朋友，PaddleOCR-VL（而且，连续5天HuggingFace Trending 第一）。我把 DeepSeek-OCR 和 PaddleOCR-VL 进行了一些使用性场景对比。 首先，对比一下两个模型： PaddleOCR-VL - 轻量级、开箱即用的完整方案 - 广泛的多语言覆盖（109种语言） - 成熟的工业级生态和工具链 - 多种调用方式（命令行、Python API、vLLM 加速） - 最低的硬件部署门槛（0.9B） DeepSeek-OCR - 视觉文本压缩技术 - 处理超长文档的效率 - 二次开发和学术研究基座 - 高效的训练数据生成能力 从目前来看，PaddleOCR-VL 0.9B 模型大小在低GPU应用场景里当属佼佼者，并且Benchmark依然强悍！之前在很多开源社区以及项目中就关注到PaddleOCR-VL。 从几个我亲自实践的场景Case来看，这两个模型输出的结构标注都非常完善，没有出现错标。但是，部分比较复杂的页面出现了漏标。而且，从对比来看，PaddleOCR-VL 对页面内容的清洗和过滤做过微调，比如很细微的页眉页脚、一些无关紧要的内容会被过滤掉，而 DeepSeek-OCR 则会保留这些内容。 我的几个实验场景： - 古文印刷在第一次识别中DeepSeek-OCR 会产生莫名的重复字符，第二次会回归正常，而在重新进行的三次测试中 PaddleOCR-VL 的确输出稳定。 - 表格解析双方都非常稳定且内容质量对比相差不大。 - 复杂公式和手写字体 DeepSeek-OCR 偶尔会出现缺失，PaddleOCR-VL非常稳定，相关图像存储、标记、非常准确。 总结下适用场景 PaddleOCR-VL： - 对部署成本敏感的场景 - 需要多语言支持的全球化应用 - 要求端到端完整解决方案的企业项目 - 需要快速落地的工业级应用 DeepSeek-OCR： - 长文档处理的算力优化需求 - 需要极致压缩效率的场景 - 进行二次开发和学术研究 - 需要高效数据生成的训练场景 基于我的使用场景，总体还说 PaddleOCR 不愧被大家成为：最强OCR之神！
#OCR #PaddleOCR-VL #DeepSeek-OCR #模型对比 #文字识别