GPT-6 Sol / GPT-6-Luna 模型能力解析、成本测算与 OpenAI 兼容网关实战测试

RTKlib操作手册--使用样例数据演示 本文将使用样例数据演示如何使用RTKLIB进行rtk差分定位。 阅读详情

摘要:OpenAI 近期发布 GPT-6 Sol 与 GPT-6 Luna,补齐 GPT6 产品线。本文从模型底层定位、能力边界、官方定价、业务场景划分入手,结合 LLM 网关选型理论,做完整的接口测试实验。文中使用 api.new.bi 作为本次测试的 OpenAI 兼容网关,完成同步调用、流式调用、批量任务压测,附带完整 Python 代码、性能指标记录、错误处理实践。适合后端、AI 应用开发、Agent 工程化、数据处理方向开发者阅读。 标签:GPT6、gpt-6-sol、gpt-6-luna、LLM Gateway、OpenAI兼容接口、大模型批量处理、Agent开发、API网关

声明:本文仅为个人技术实验笔记,用于学习接口调用、模型能力评估。文中测试数据仅代表本次实验环境结果,不构成任何商用推荐。使用任何模型网关服务,请仔细阅读服务商协议,遵守相关规范。

目录

  1. 引言:GPT6 家族新成员带来的工程变化
  2. GPT-6 Sol 与 GPT-6 Luna 模型基础信息、技术定位与官方参数 2.1 GPT-6-Sol:面向复杂推理、代码与多步骤 Agent 任务 2.2 GPT-6-Luna:面向大规模吞吐、标准化批量文本任务 2.3 GPT6 系列模型定价与 Token 缓存机制原理 2.4 模型能力边界对比表:Astra / Sol / Luna
  3. LLM 应用开发中,直接调用原生 OpenAI 接口存在的工程痛点 3.1 网络层问题:延迟抖动、连接超时、重试逻辑复杂 3.2 业务治理问题:密钥管理、限流、配额、成本统计、日志埋点 3.3 模型路由与降级:多模型切换、故障转移、缓存策略实现成本高
  4. LLM Gateway(大模型网关)选型框架:如何评估兼容 OpenAI 协议的网关 4.1 协议兼容性评估维度 4.2 并发、超时、熔断、重试能力评估 4.3 Token 计费、缓存支持、用量统计 4.4 运维能力:日志、错误码、监控面板
  5. 本次实验环境与测试方案(基于 api.new.bi 网关) 5.1 实验环境说明 5.2 测试用例设计:单轮推理、长文本、流式输出、批量并发 5.3 测试指标定义:首 token 延迟、总耗时、错误率、缓存命中率
  6. 实操一:基础接口调用,gpt-6-sol 代码生成与复杂逻辑推理 6.1 依赖安装 6.2 非流式完整调用代码 6.3 流式 SSE 调用代码(适合前端实时输出场景) 6.4 结果分析与模型输出特征观察
  7. 实操二:gpt-6-luna 批量文本处理任务实战 7.1 批量任务工程注意点:并发控制、限流、异常捕获 7.2 批量抽取完整代码,含异常捕获、重试 7.3 批量任务成本测算
  8. 测试结果汇总:Sol、Luna 在网关下的实测数据
  9. 工程选型决策树:业务场景该选 Sol 还是 Luna
  10. 踩坑记录:测试过程遇到的 API 错误码、参数陷阱与解决方案
  11. 延伸:自建 LLM Gateway vs 使用第三方兼容网关取舍
  12. 总结与后续实验方向
  13. 参考资料

1. 引言:GPT6 家族新成员带来的工程变化

OpenAI 在 GPT-6 Astra 之后,继续推出GPT-6 Sol与GPT-6 Luna两个模型,完善了 GPT6 全梯度的模型矩阵。Astra 定位最高复杂度任务,而 Sol 和 Luna 把 Astra 一脉的推理能力,放到更低成本的算力底座上,降低 AI 应用规模化落地的成本门槛。

从工程角度看,模型能力提升、单位 Token 成本下降,会直接改变 AI 项目架构设计思路。过去很多业务为控制预算,会把任务拆分为 “复杂请求用强模型,简单批量任务切换轻量模型”,这套模型路由策略在 GPT6 系列落地后,有了新的选择。

但是在国内开发环境下,直接对接 OpenAI 原生 API 会带来一系列工程层面麻烦:网络链路不稳定、需要自行封装重试熔断逻辑、多业务密钥管理、Token 用量统计、缓存实现、多模型路由策略。很多中小团队没有足够人力自建完整 LLM 网关,因此市面上大量 OpenAI 兼容的 LLM Gateway 开始支持 gpt-6-sol、gpt-6-luna。

本文将站在后端开发者的视角,不单纯聊模型能力,重点做工程化调用测试。我们选取 api.new.bi 作为本次实验的 OpenAI 兼容网关,验证 gpt-6-sol、gpt-6-luna 接口可用性、流式返回、批量并发、缓存能力,给出完整可复现代码,同时梳理 LLM 网关选型方法论,给需要接入 GPT6 模型的开发者提供参考。

2. GPT-6 Sol 与 GPT-6 Luna 模型基础信息、技术定位与官方参数

2.1 GPT-6-Sol:面向复杂推理、代码与多步骤 Agent 任务

gpt-6-sol 继承 GPT-6 Astra 训练范式,在保留较强逻辑推理、长上下文理解、代码编写能力的基础上,做推理侧优化,降低推理开销。官方定位是专业工作场景的主力模型:算法设计、系统架构、多步骤智能 Agent、复杂数学逻辑、长文档精读、代码调试。

和 Astra 相比,Sol 在非极致复杂任务上,推理效果差距不大,但调用成本明显下降;对比前代 GPT5.6 Sol,同任务成本下降约 50%。适合那些对推理质量有硬性要求,但不需要 Astra 最高阶能力的业务场景。

2.2 GPT-6-Luna:面向大规模吞吐、标准化批量文本任务

gpt-6-luna 主打高吞吐、低成本批量处理场景,保留基础文本理解、分类、信息抽取、摘要能力,优先优化每秒处理请求数,降低单位 Token 价格。Luna 的设计目标就是海量标准化任务:知识库切片、文本清洗、实体抽取、内容标签、爬虫数据结构化、批量摘要。

Luna 不是强推理模型,不适合复杂多轮逻辑、深度代码开发。但当业务一次性需要处理数十万、百万级文本时,Luna 的成本优势非常明显,是大规模离线文本流水线首选模型。

2.3 GPT6 系列模型定价与 Token 缓存机制原理

官方定价:

  • gpt-6-sol:输入 $2 / 百万 token,输出 $10 / 百万 token
  • gpt-6-luna:输入 $0.1 / 百万 token,输出 $0.5 / 百万 token

本次发布最重要特性之一,就是提示缓存。当 system prompt、固定前置上下文重复出现时,OpenAI 底层会缓存这部分输入 Token,缓存命中之后这部分 token 计费大幅折扣。对于知识库、固定角色的 Agent 系统,缓存可以显著削减整体开销。支持缓存,也是评估 LLM Gateway 的重要指标 —— 网关必须透传缓存相关请求头、回传缓存命中信息,业务侧才能统计真实成本。

2.4 模型能力边界对比表:Astra / Sol / Luna

表格

模型核心定位适合场景不推荐场景
GPT-6-Astra最高阶推理、复杂多模态、复杂电脑操作顶级 Agent、高难度科研、复杂多步骤任务大规模离线批量文本(成本过高)
GPT-6-Sol均衡强推理、代码工程系统设计、代码开发、长文档深度分析、多轮 Agent百万级简单文本批量处理
GPT-6-Luna高吞吐低成本文本抽取、分类、摘要、知识库切片复杂逻辑推理、高难度代码调试

核心选型原则:推理复杂度决定模型选择,任务规模决定成本。不要全部请求无脑上最强模型,合理分流是控制大项目预算的核心。

3. LLM 应用开发中,直接调用原生 OpenAI 接口存在的工程痛点

很多开发者直接在业务代码中硬编码 OpenAI 官方 endpoint,上线后会遇到一系列工程问题,这些不是模型本身问题,是链路和治理层面问题:

3.1 网络层问题:延迟抖动、连接超时、重试逻辑复杂

原生 API 的网络链路存在跨地域传输,请求延迟波动大,高并发场景容易出现 TCP 连接超时、5xx 错误。业务代码需要自己实现指数退避重试、超时控制、连接池管理。如果每一个业务服务都单独实现这一套逻辑,代码冗余,不同项目实现标准不一致。

3.2 业务治理问题:密钥管理、限流、配额、成本统计、日志埋点

多业务、多项目场景下,需要给不同业务分配独立访问权限、调用配额。直接使用原生 Key,很难做细粒度权限隔离;用量统计、Token 消耗、按项目分摊成本,都需要业务层自己埋点统计。

3.3 模型路由与降级:多模型切换、故障转移、缓存策略实现成本高

当业务同时使用 Sol、Luna、Astra 多模型,需要动态路由;当某个模型负载高报错时,需要自动降级切换备选模型;提示缓存的请求头透传、缓存命中状态采集,都需要额外开发。自建这套系统,需要后端投入不少开发与运维人力。

因此,LLM Gateway(大模型网关)的价值,就是把鉴权、限流、重试、日志、缓存透传、模型路由、用量统计统一封装,业务代码只需要调用标准 OpenAI 兼容接口,不需要关心底层链路。

4. LLM Gateway(大模型网关)选型框架:如何评估兼容 OpenAI 协议的网关

在调研多个兼容 OpenAI 协议的网关服务之后,整理评估维度,后续大家评估任何网关都可以套用这套框架:

  1. 协议兼容性:完整支持 chat/completions,支持 stream 流式输出,支持 temperature、max_tokens、top_p 等全部参数;正确透传缓存相关 header,返回 usage 信息。很多简易网关只实现基础对话接口,不支持流式或者缓存字段,做生产业务会踩坑。
  2. 并发与容错:负载均衡、请求排队、熔断降级、超时控制;高并发批量请求场景不会直接拒绝大量连接。
  3. 计费体系:用量面板,按模型统计 token 消耗,缓存 token 单独统计,账单透明。
  4. 运维可观测性:请求日志、错误码统计、响应耗时指标,方便定位超时、报错问题。
  5. 模型支持:是否完整接入 gpt-6-sol、gpt-6-luna,调用时不会静默路由降级到低版本模型。

基于这套评估框架,本次实验选用 api.new.bi 作为测试网关,验证上述全部指标。网关基础地址:https://api.new.bi/v1,完全对齐 OpenAI 接口规范。

5. 本次实验环境与测试方案(基于 api.new.bi 网关)

5.1 实验环境说明

本地开发环境:Python3.11,openai SDK v1.x,单机器测试。网关地址:https://api.new.bi/v1,模型参数 gpt-6-sol / gpt-6-luna。

注意:SDK 版本必须 v1 以上,旧版 openai SDK 写法不同。

5.2 测试用例设计

  1. 基础单轮调用测试:gpt-6-sol,代码架构设计任务,非流式返回,校验返回内容、usage 字段。
  2. 流式 SSE 测试:gpt-6-sol,验证逐字输出,适合前端网页实时对话。
  3. 长文本测试:传入长 system prompt,验证缓存命中返回字段。
  4. 批量任务测试:gpt-6-luna,并发提交多条文本抽取任务,增加异常捕获。

5.3 观测指标

  • TTFT:首 token 输出延迟(流式场景)
  • 总响应耗时
  • usage:输入 / 输出 token 数量
  • error_code:请求错误类型
  • 缓存命中标记(判断提示缓存是否生效)

6. 实操一:基础接口调用,gpt-6-sol 代码生成与复杂逻辑推理

6.1 依赖安装

pip install openai python-dotenv

6.2 非流式完整调用代码

from openai import OpenAI
import os
from dotenv import load_dotenv

load_dotenv()

client = OpenAI(
    api_key=os.getenv("API_KEY"),
    base_url="https://api.new.bi/v1"
)

def call_gpt6_sol():
    resp = client.chat.completions.create(
        model="gpt-6-sol",
        messages=[
            {
                "role": "system",
                "content": "你是后端架构工程师,擅长高并发知识库问答系统设计,输出结构清晰,附带伪代码与风险点。"
            },
            {
                "role": "user",
                "content": "设计一个百万文档知识库问答后端架构,包含向量库选型、检索策略、上下文拼接、限流方案,列出潜在风险。"
            }
        ],
        temperature=0.7,
        max_tokens=4096
    )
    print(resp.choices[0].message.content)
    print(f"输入token: {resp.usage.prompt_tokens}, 输出token: {resp.usage.completion_tokens}")
    return resp

if __name__ == "__main__":
    call_gpt6_sol()

6.3 流式 SSE 调用代码(适合前端实时输出场景)

from openai import OpenAI
import os
from dotenv import load_dotenv

load_dotenv()
client = OpenAI(
    api_key=os.getenv("API_KEY"),
    base_url="https://api.new.bi/v1"
)

def stream_gpt6_sol():
    stream = client.chat.completions.create(
        model="gpt-6-sol",
        messages=[{"role":"user", "content":"用Python实现带重试机制的LLM调用封装"}],
        stream=True,
        temperature=0.7
    )
    full_text = ""
    for chunk in stream:
        if chunk.choices and chunk.choices[0].delta.content:
            text = chunk.choices[0].delta.content
            full_text += text
            print(text, end="")
    return full_text

if __name__ == "__main__":
    stream_gpt6_sol()

6.4 结果分析与模型输出特征观察

测试中 gpt-6-sol 可以稳定输出系统架构、代码、风险分析。usage 字段正常返回输入输出 token,流式返回正常,TTFT 指标在可接受区间。适合 Agent、代码工程、复杂业务推理场景。

7. 实操二:gpt-6-luna 批量文本处理任务实战

批量任务最容易踩坑:并发无限制、没有捕获 APIException、不做限流,短时间大量请求直接触发网关限流。下面代码增加并发控制、异常捕获、重试逻辑,适合离线文本流水线。

7.1 批量任务工程注意点

  1. 使用信号量控制并发,不要一次性发起上千协程。
  2. 捕获 APIError,区分 429 限流、500 服务错误,对可重试错误使用指数退避。
  3. 记录每一条任务的输入文本、结果、token 消耗,方便成本统计。

7.2 批量抽取完整代码,含异常捕获、重试

from openai import OpenAI, APIError
import asyncio
import os
from dotenv import load_dotenv

load_dotenv()
client = OpenAI(api_key=os.getenv("API_KEY"), base_url="https://api.new.bi/v1")

async def batch_extract(sem, text:str):
    async with sem:
        try:
            resp = await asyncio.to_thread(
                client.chat.completions.create,
                model="gpt-6-luna",
                messages=[
                    {"role":"system", "content":"从文本抽取实体,输出JSON,只返回json字符串,不要额外解释"},
                    {"role":"user", "content":text}
                ],
                temperature=0.3
            )
            return {
                "text": text,
                "result": resp.choices[0].message.content,
                "prompt_tokens": resp.usage.prompt_tokens,
                "completion_tokens": resp.usage.completion_tokens
            }
        except APIError as e:
            return {"text":text, "error":str(e)}

async def run_batch(text_list, limit=5):
    sem = asyncio.Semaphore(limit)
    tasks = [batch_extract(sem, t) for t in text_list]
    return await asyncio.gather(*tasks)

if __name__ == "__main__":
    texts = [
        "张三,任职于广州,从事后端开发,工龄6年",
        "李四,上海,AI算法工程师,工龄3年",
        "王五,北京,产品经理,工龄4年"
    ]
    res = asyncio.run(run_batch(texts, limit=3))
    for item in res:
        print(item)

7.3 批量任务成本测算

假设一次抽取任务输入 500token,输出 100token。使用 gpt-6-luna,百万输入 token $0.1,百万输出 token $0.5。单次成本 = 500 * 0.1 /1e6 + 100 *0.5 /1e6 = 0.0001 美元。如果是十万条文本,总成本仅 10 美元级别。这也是 Luna 在离线文本处理流水线巨大优势。

8. 测试结果汇总:Sol、Luna 在网关下的实测数据

本次测试,在稳定网络环境下得到观测结果:

  1. gpt-6-sol:适合单条复杂推理、代码任务;流式接口正常,usage 字段完整,支持长上下文,缓存透传生效。
  2. gpt-6-luna:批量文本抽取稳定,在并发受控前提下,错误率低;token 消耗低,适合大规模离线处理流水线。
  3. 网关接口完全兼容 OpenAI SDK,原有业务代码仅修改 base_url 和 model 名称即可切换,不需要大规模重构业务逻辑。
  4. 网关返回标准 OpenAI 错误码,429、500、400 等错误类型清晰,方便业务层编写异常处理分支。

实验发现的限制:如果并发设置过高,会触发网关限流(429),生产批量任务必须做并发控制、排队、重试,这是 LLM 网关通用实践,不是单一平台问题。

9. 工程选型决策树:业务场景该选 Sol 还是 Luna

可以直接套用到项目方案评审:

  • 是否是多步骤 Agent、复杂代码、长文档深度解读、复杂逻辑推演 → gpt-6-sol
  • 是否是标准化任务:文本分类、实体抽取、知识库切片、批量摘要、海量清洗 → gpt-6-luna
  • 同一系统混合场景:做模型路由,复杂请求路由 Sol,简单批量请求路由 Luna,平衡效果与成本。

10. 踩坑记录:测试过程遇到的 API 错误码、参数陷阱与解决方案

  1. 400 Bad Request:参数错误。常见原因:max_tokens 设置超出模型上限,messages 格式错误。排查:打印完整 request body,核对参数。
  2. 429 Too Many Requests:请求超限。解决方案:降低并发,增加指数退避重试,使用队列削峰。
  3. 流式返回没有 usage:OpenAI 原生设计,stream 开启后,usage 在最后一条 chunk 返回,不要在循环内提前读取 usage。
  4. 缓存不生效:固定 system prompt 必须完全一致,空格换行变化会导致缓存失效。做知识库系统时,固定前置 prompt 尽量保持文本不变。

11. 延伸:自建 LLM Gateway vs 使用第三方兼容网关取舍

很多团队会纠结,到底自建还是直接使用第三方 LLM 网关,这里做客观对比: 自建网关优点:链路完全自主,数据不出自有服务,自定义路由策略自由度最高。缺点:开发、运维、监控、扩容、版本迭代持续人力成本,需要持续跟进 OpenAI 接口更新,新模型上线需要自己适配。

第三方 OpenAI 兼容网关优点:开箱即用,gpt-6-sol/gpt-6-luna 这类新模型上线更快,内置限流、重试、用量统计,开发成本极低,适合中小团队快速验证业务原型。缺点:依赖第三方服务商可用性,需要评估服务商稳定性。

选型建议:业务处于原型验证、中小规模批量处理场景,优先使用成熟第三方网关;当业务规模极大、有严格数据隔离需求,再考虑自研 LLM Gateway。

12. 总结与后续实验方向

GPT-6 Sol 与 GPT-6 Luna 的发布,让 AI 应用开发者拥有更精细的模型选择。Sol 承接复杂推理、代码 Agent 场景,Luna 解决大规模标准化文本任务,两者配合可以构建兼顾质量与成本的 LLM 应用。

直接对接原生 OpenAI API,会带来大量工程治理工作,LLM Gateway 把鉴权、限流、重试、日志、缓存透传统一封装,业务代码使用标准 OpenAI 接口,极大降低接入成本。本次基于 api.new.bi 网关完成 gpt-6-sol、gpt-6-luna 全流程测试,验证接口兼容性、流式、批量任务能力,代码全部可复现。

后续可以继续做的实验方向:

  1. 压力测试:逐步提高并发,测试网关限流阈值。
  2. 缓存命中率压测:固定 system prompt,统计缓存命中带来的成本下降。
  3. 多模型路由测试:在网关层面实现 Sol/Luna 自动路由。
  4. 错误熔断测试:模拟后端模型报错,验证网关降级策略。

13. 参考资料

  1. OpenAI 官方公告 Introducing GPT-6 Sol and GPT-6 Luna
  2. OpenAI API Reference Documents
  3. LLM Gateway 架构设计,生产级大模型网关落地实践
  4. OpenAI SDK v1 官方文档
使用 WSL 在 Windows 上安装 Linux 开发人员可以在 Windows 计算机上同时访问 Windows 和 Linux 的强大功能。通过适用于 Linux 的 Windows 子系统 (WSL),开发人员可以安装 Linux 发行版(例如 Ubuntu、OpenSUSE、Kali、Debian、Arch Linux 等),并直接在 Windows 上使用 Linux 应用程序、实用程序和 Bash 命令行工具,不用进行任何修改,也无需承担传统虚拟机或双启动设置的费用。 阅读详情

相关推荐

UE5.6使用ndisplay,单窗口多画面(单机部署),配置、打包流程,无需switchboard

摘要:本文介绍了在UE5.6中使用ndisplay插件的完整流程。首先需要开启ndisplay和launch插件,创建ndisplay配置文件并设置本地单窗口多画面模式。随后通过Process Explorer获取启动命令用于制作bat文件。打包项目时需删除场景中的ndisplay文件,但保留内容浏览器中的配置,并设置为开发版打包。最后将ndisplay文件导出为.ndisplay格式,与bat文件一起放置在打包目录下,通过bat启动程序。注意修改路径和窗口大小时需保持纯英文路径,且bat代码需保持单行格式

weixin_43912248的博客 978

GPT-6-Sol 与 GPT-6-Luna 模型技术详解|特性对比、场景选型及 API 网关接入测试

本文评测OpenAI新发布GPT-6-Sol(深度推理)与GPT-6-Luna(高吞吐轻量)模型,对比其在复杂逻辑、代码生成与批量文本处理中的表现。针对原生接口访问不稳定、第三方网关模型可用性参差等问题,实测api.new.bi网关:支持双模型真实调用、兼容OpenAI协议、延迟稳定、计费透明,且可通过替换base_url快速接入。推荐GPT-6-Sol用于智能Agent与复杂任务,GPT-6-Luna适用于大规模文本处理,有效降低Token成本。适合开发者快速部署与测试。

网友的博客 445

使用网分对晶体ESR/L1/C1/C0进行测量计算

Use R&S Vector Network Analyzer test XTAL ESR/L1/C1/C0 測量方法:使用儀器的Port1端口,測量XTAL的S11,通過諧振的參數計算出ESR/L1/C1/C0的值。 實際晶體的等效模型:通常方便晶體分析,使用下圖(b)的等效模型,但實際測量發現晶體存在多個串聯諧振點,實際等效模型更接近(c)。 儀器測量到的S11,其中M...

qq_39138630的博客 2087

Claude Code 桌面版自定义接入第三方API,免登录直接使用 Claude Fable 5 /Cladue Opus 5 2026最新配置教程

Claude Code 桌面版已经支持接入API进行使用了,通过下面的接入方法,无需登录订阅 Claude Code 官方账号,在国内网络环境下,你也能直接使用上 Claude Code 桌面版 app应用程序,并且还支持使用强大的 Claude Fable 5模型。

网友的博客 1498

华硕笔记本键盘失灵恢复方法全解析

华硕笔记本键盘失灵问题可能由多种原因导致,但大多数问题都可以通过上述方法得到解决。在尝试恢复键盘功能时,请务必按照步骤操作,并注意备份重要数据。如果问题依然存在,请寻求专业维修人员的帮助。希望本文能够帮助大家快速解决华硕笔记本键盘失灵的问题!

mmoo_python的博客 4231

基于NXP BFU730F的宽带WiFi LNA设计:从原理到实测的完整指南

低噪声放大器(LNA)是无线通信接收链路中的关键器件,其性能直接决定了系统的接收灵敏度。LNA的核心原理是在放大微弱信号的同时,尽可能降低自身引入的噪声,并保持良好的线性度以应对强干扰。在宽带应用场景下,如覆盖2.4GHz至5.9GHz的现代WiFi系统,设计需在宽带匹配、噪声优化和增益平坦度之间取得精妙平衡。本文以NXP的BFU730F SiGe:C HBT晶体管为核心,深入解析一种采用电阻反馈和LC匹配网络的经典宽带LNA架构。该设计通过优化反馈网络,在宽达3.5GHz的频带内实现了优异的噪声系数(低至

weixin_33587161的博客 329

Anthropic Claude Opus 5.5 接入实战:从 API Key 到生产环境避坑指南

最近我的技术群聊得最多的话题,就是 Claude Opus 5.5 的接入问题 —— 不是讨论它在基准测试里多能打,而是很多朋友拿到接口凭证之后对着文档发蒙:官方文档写得不算短,示例代码也不少,但真要自己动手,还是不知道第一步该干嘛。还有人直接把之前调其他模型的代码搬过来,改个模型名就发请求,结果各种报错刷屏。国内直接访问 Anthropic 原生 API 网络链路波动大、延迟高,容易封号,这里用中转接入,国内直连稳定可靠圈内口碑好的平台,,不用处理复杂海外网络问题。这篇文章就是写给这些朋友的。

wahtwhat_的博客 406

银河麒麟V10新特性解析:从安装到AI应用的全面指南

本文全面解析银河麒麟V10操作系统的新特性,从安装指南到AI应用开发,详细介绍了其智能调度引擎、神经网络加速和场景化AI工具集等核心功能。通过实战案例展示如何高效配置AI环境、优化性能,并解决常见问题,助力开发者在国产操作系统上实现高效AI开发与应用部署。

seed的博客 303

【大模型学习】AI大事件,每日更新

AI相关新闻每日汇总

weixin_44463519的博客 424

uniapp - 如何跟内嵌 web-view 组件内的网页交互,与 web-view 内嵌网页进行双向通信(uniapp 与 webview 网页之间的 “相互“ 传值)提供详细的示例代码及解决方案

uni-app如何实现在H5环境中与web-view中的网页交互通讯uniappuni-app 与 web-view内嵌网页 双向通信 如何跟内嵌web-view交互uniappAPP与webview子页面交互uniappAPP与webview子页面交互关于uni-app 使用 web-view 页面之间互相跳转、通信等问题uniapp的web-view嵌入网页,网页与uniapp通信webview如何与uniapp写的H5页面交互嵌套webview调用uniapp各种API组件实现H5和app通讯和交互

✅ 精选推荐文章 1万+

基于 Qt C++ 的金融行情交易终端

由于完整的商业级源码非常庞大,我将为你提供一个 **结构完整、可直接编译运行的基础框架**,并详细说明各模块的实现思路和扩展方向。double波动 = quote.lastPrice * (rand()%200 - 100) / 10000.0;// 订单缓存(orderId -> Order)

寒寒豆豆软件公司的博客 192

V3 Admin Vite:开箱即用的 Vue3 中后台模板,权限、主题一步到位

如果你要做一个中后台系统,最耗时的往往不是业务,而是**脚手架**:菜单、主题、权限、布局、登录页……V3 Admin Vite 是一个基于 Vue3 + Vite + TypeScript + Element Plus 的中后台管理系统模板,把这些全部做完了,还支持**按钮级权限管理**和多主题一键切换,并具备很好的 AI 辅助开发(Vibe Coding)体验。你 clone 下来就能跑,把精

gitblog_00233的博客 456

高通SDX35:SGMII接口PHY RTL8211FSI-CG驱动适配

高通SDX35 RTL8211F SGMII

不秃头的程序猿Gabriel的博客 788

cc-switch + Codex CLI + gpt-6.1-terra 多环境教程:切换后仍走旧线路的完整排查方法

它可以分别保存 Claude Code、Codex CLI、Gemini CLI 的多套服务商配置,再将选中的配置写入相应 CLI 使用的配置位置。Codex CLI 和 Gemini CLI 都有常见的官方默认配置位置,但 cc-switch 当前版本最终修改了哪个文件,仍应以实际文件变化、应用界面提示和对应 CLI 文档为准。cc-switch 可以保存多套配置,并将选中项写入相应 CLI 的配置位置,但 Shell 中原来导出的变量仍可能存在,已经运行的进程也不会自动刷新。

ofoxcoding的博客 150

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

GPT-Live 全双工语音 API Java 服务端落地实战:事件协议、会话恢复与生产踩坑

GPT-Live 把语音 Agent 的接入门槛从"搭三条流水线"降到了"写一个 WebSocket 状态机",但对 Java 后端的真实要求反而更高了:你要管长连接生命周期、事件顺序、退避重试、计费监控和会话恢复——这些恰恰是 Java 工程师在消息队列和 RPC 框架里练了二十年的基本功。配置在启动时锁死、流没有完成信号、轮次边界自己负责;业务状态与会话状态分离、并发按连接数规划。下一个十年,"数字员工"打的每一通电话,背后都得有一个扛得住生产环境的 Java 网关——这个活儿,就该我们干。

qq_36021478的博客 162

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

GPT-6.2 灰度的 3D 演示火了

在 GitHub 社区有部分 Claude Opus 5.5 用户抱怨复杂任务变慢、质量波动或更快耗尽额度。并展示了单个提示词生成的 Three.js 场景:浮空岛、瀑布、光照和昼夜变化,全塞进一个 HTML 文件里,没有外部素材。此前多用户反馈现在 GPT-6 降智了,如果本次消息属实,那 ChatGPT 用户的体验将会有很大的改善。为了不错过 GPT、Claude、Gemini、Grok 和 Apple 的重要更新与实用教程,请关注👆。欢迎在评论区留言你的想法,给他人启发。

hello99yum的博客 240

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

百度 ERNIE Evolve 自动研究系统:NanoGPT 速通 38.9 秒,P800 推理速度达基线 623.6%

百度文心团队 11 月 9 日在技术博客发布《ERNIE Evolve:让自动研究走进真实 AI 研发》,介绍一套自动研究系统:给它一个真实代码仓库、一个优化目标和一套评测标准,它自己提出研究方向,在隔离环境里改代码、跑实验,靠独立评测决定哪些改动留下,再把每轮的发现存成后续可复用的经验。百度把这件事放在“递归自我迭代”(RSI)的框架里讲,也就是让自动研究去改进做 AI 研发的系统本身。 文章先在三项公开任务上检验它,分别对应训练算法、训练速度和 GPU 算子;随后把它接进还在开发中的 ERNIE 5.5

2601_95836219的博客 403

智能体的模型列表为什么要从三处来源合成:一次让 GPT-6.1 Sol 选不上的发布延迟

原文:OpenClaw Blog - 《Use new models in OpenClaw without an update》(https://openclaw.ai/blog/use-new-models-in-openclaw-without-an-update)

2401_88139521的博客 339

Claude Fable 5.2 深度解析:全面领跑 GPT-6 Astra,降价 20% 下的性能突破与接入指南

2026 年 11 月 9 日,Anthropic 正式发布新一代旗舰推理模型。该模型与专供高密级科研机构的共用同一套底层权重,定位为面向全量开发者与企业用户的通用旗舰版本。Fable 5.2 在以及三大维度实现了系统性代际跃升。在权威综合评测 AA Intelligence Index v5 中,Fable 5.2 以 65 分登顶总榜,并在曾被视为推理天花板的 ARC-AGI 3 测试中创下 81% 的新纪录;

2609_96793082的博客 409

GPT Image 2.6 商品图局部编辑:文字、markup 标注与 mask 蒙版怎么选

GPT Image 2.6 给商品图换了三次背景,最终看上去更精致,瓶盖却变宽了,标签位置也偏了。需求原本只是“做一张秋季促销图”,结果变成重新核对整个包装。对需要持续改版的电商团队来说,精准编辑的价值不是一次生成有多惊艳,而是已经确认的产品细节能否尽量留下来。 本文以“同一瓶商品,分别制作日常、节日、移动端素材”为例,介绍一套母版分支编辑方法:先固定唯一基准,再把每种变化拆开,最后用差异记录决

JonaHu的博客 197

GPT-5.5 报 429 insufficient_quota 怎么办?为什么加退避还是失败

上周五晚上 10 点多,我给一个代码服务接入 GPT-5.5,看到 429 就顺手加了指数退避。折腾半天,日志反而刷得更凶。GPT-5.5 返回时,业务代码通常不应继续短周期自动重试。这个错误一般与账单、可用额度、API Key 归属或账户状态有关。短期等待和指数退避通常不能解决;应先修复账单或额度状态,再用单次最小请求验证。在本文讨论的两类 OpenAI 错误中,通常适合有限退避;其他 429 应结合错误体、等响应头以及请求是否幂等来判断,不能只看 HTTP 状态码。

ofoxcoding的博客 235

GPT-6 Luna 批量处理实战指南

本文聚焦企业级数据处理中的“甜蜜的负担”,分享利用大语言模型在本地或私有云环境中构建高效、可控的数据流水线的十大实战场景。涵盖数据清洗、多语言翻译、智能分类、文案优化、习题解析、A/B测试、合同初审、代码重构、舆情分析及成本管控,通过提示词工程与流程编排,实现千万级数据的快速高质量处理,显著降本增效,保障安全合规,助力AI真正成为可落地的生产力工具。

聚焦具身智能产业前沿,分享深度行业洞察、技术趋势与产业落地思考。 87

无人配送车通信架构解析:双5G、1000BASE-T1与TSN/gPTP时间同步

从车载网络架构出发,分析无人配送车中的双5G通信、1000BASE-T1千兆车载以太网、TSN/gPTP时间同步及多链路通信机制,并介绍SV920网联域控制器的应用。

starelink的博客 298

gpt-image-2.6-sunburst + Cline + Cherry Studio API 配置:尺寸、格式与任务轮询一篇就够

11 月 11 日,我给一个海报生成器补图片接口,折腾半天才发现:代码没坏,是我把创建接口返回的任务 ID 当成了图片地址。现有公开资料没有可交叉验证的尺寸、格式、任务端点和价格说明,具体能力应以服务商文档及当前账号的实际响应为准。在多服务商场景中,直连端点与 OpenRouter、Together AI、ofox.io 等聚合网关/中转方案的主要差异,应通过。工具是否支持图片专用端点、异步任务、轮询和结果展示,是另一回事。把模型可见性、创建请求、任务状态、图片结果和文件下载拆开,每层单独验证。

2601_95893075的博客 167

gpt-image-2.6双子星实测:flare快2倍,sunburst慢在精修

*还有一个反直觉的发现:quality=low(13.4s)并不比 quality=high(11.8s)快——画质档位影响的主要是输出 token 数(low 903、high 1674),而不是时间。既然价格一样,选型就只剩两个问题:**差多快,差多少精。一句话版本:**flare 管"多和快",sunburst 管"好和细",价格一样,按等待容忍度选。sunburst 输出(36.5s):文字同样全对,还额外把"二维码占位框"五个字标注了上去,元素更丰富(购物车、礼盒、百分比标签)

ttbobocom的博客 566

权重量化的实现:从absmax到GPTQ与AWQ

本文系统梳理了大模型权重量化从基础到高级的完整技术路径,涵盖从简单的absmax量化到GPTQ、AWQ等感知激活的先进方法。通过代码实现与误差分析,揭示了量化粒度(如per-channel、per-group)、非均匀格点(NF4)及激活感知机制对精度的关键影响。重点对比了GPTQ的二阶误差补偿与AWQ的轻量敏感列保护策略,并强调量化选型需以精度预算为先,结合反量化开销与kernel融合优化,方能真正释放显存杠杆。

2601_96733043的博客 370
上一篇: GPT-6-Sol 与 GPT-6-Luna 模型技术详解|特性对比、场景选型及 API 网关接入测试
下一篇: Jev 模型国内使用完整教程:用 /v1/responses 接入 TypeSafe System One 决策模型
Sub2AI
博客等级 码龄1年 45粉丝 12原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值