墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
16平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
OpenAI 发布 GPT-6 Astra，首个网络安全能力被评为“Critical（关键级）”的模型。OpenAI 于 9 月 3 日发布 GPT-6 Astra。根据其《Preparedness Framework（准备度框架）》，这是首个跨越“Critical”网络安全能力阈值的模型，因为它能够在无人协助的情况下发现未知漏洞并构建利用程序。系统卡显示，其对提示注入攻击的鲁棒性达到 99.79%，高严重度失配警报减少约 53%；但同时警告称，Astra 能够主动引导自身的思维链，并在对抗情境下规避监控机制。
Anthropic 发布 Claude Fable 5.1 和 Mythos 5.1，实际使用成本降低 25%。Fable 5.1 将 Terminal-Bench-Science 成绩从 24.7% 提升至 52.6%，Terminal-Bench 4.0 从 42.0% 提升至 55.8%，GDPval-AA v2 达到 1853 分。缓存读取价格下降 75%，降至每百万 token 0.25 美元，使
LLM Weekly
LLM Weekly（2026.7.6-2026.7.12）
OpenAI 于 7 月 9 日发布 GPT-5.6，提供三个变体：Sol（旗舰版，输入/输出每百万 tokens 定价 $5/$30）、Terra（均衡版，$2.50/$15）和 Luna（快速版，$1/$6）。Google 发布 Gemma 4，这是一个新的开源权重、原生多模态模型家族，参数规模从 23 亿到 310 亿不等，包含密集和 MoE 变体。这些模型支持视觉、音频输入以及增强推理的“思考模式”，扩展了 Google 的开源权重生态系统，提供实际可部署的多模态能力。
LLM Weekly（2026.8.10-2026.8.16）
隐藏信息准确性从个体的近 100% 下降到 17-36%，相互矛盾的指令升级为恶意软件和账户锁定，协调的智能体群组发现了 266 个漏洞，而并行独立运行的智能体仅发现 21 个。OpenAI 发布了 GPT-5.6-Cyber，这是一个基于 GPT-5.6 Sol 构建的安全专用模型，用于漏洞研究、漏洞验证和渗透测试，在内部高级网络评估中完成了 95% 的请求。不同于蒸馏到权重中，一个更强的“构建器”模型使用 5% 的数据作为验证集，为较弱的目标模型迭代构建一个推理时的工具包。
LLM Weekly（2026.4.6-2026.4.12）
首个世界模型通用开源框架，明确定义以感知为核心、具备环境交互+长期记忆能力的世界模型统一标准。整合多任务通用推理代码，实现跨模型代码复用与协同推理，为全球世界模型研究搭建统一底层基座。
「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品）
「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品）
船载 OpenHarmony AIS 航海工作台：告警与防碰撞预警系统
船载OpenHarmony AIS航海工作台的告警与防碰撞系统，集成十余类告警（超速、偏航、会遇、SOS等），通过网格空间索引实现高效邻近判定，保障实时性。告警管理器统一调度规则、去重、通知与日志，支持悬浮球、语音、跑马灯、弹窗多渠道触达，确保航行安全。SOS紧急通道独立运行，避免干扰。系统设计强调性能优化与多场景适配，为航海安全提供核心支撑。
ANSYS APDL生死单元实战：焊接模拟从入门到精通（附完整命令流）
本文详细介绍了使用ANSYS APDL进行焊接模拟的核心技术——生死单元法。通过一个完整的平板对接焊案例，从原理剖析、模型搭建、命令流编写到移动热源施加和后处理，手把手指导工程师掌握这一动态仿真方法，有效预测焊接过程中的温度场、残余应力与变形。
换频道——假想《道德经》与量子力学的一些联系
之前看到一位AI PM的前辈分享了自己对于PM境界的看法： 境界一，行事被放心。 境界二，独立主导产品线从0到1，做正确的事，并把事做正确。 境界三，一切以灵魂境界为基础，产品作为其理念的衍生。 对于我，3个月尝试于目标而无获，但塞翁失马焉知非福。自己已经具备境界一，虽然境界二尚未成熟，但境界三却有幸有所思考。 今天，往澳门的动车途中有感而发，为随笔。
记录一次PowerJob使用达梦数据库的配置
记录一次PowerJob使用达梦数据库的配置
嵌入式SPI总线抽象设计：跨平台驱动与分层解耦实践
SPI（串行外设接口）是嵌入式系统中应用最广泛的同步串行通信协议，其核心价值在于高吞吐、低开销与硬件简洁性。其工作原理基于主从架构、全双工/半双工时序及片选（CS）控制，依赖CPOL/CPHA组合定义四种标准模式。在工程实践中，SPI常面临硬件资源受限、多外设共用总线、MCU平台迁移等挑战，导致驱动复用率低、维护成本高。通过结构体+函数指针实现的分层抽象——将物理总线、协议适配与设备驱动解耦，可显著提升代码可移植性与扩展性。该方法天然支持硬件SPI与GPIO模拟SPI双模式切换，并已在STM32等主流MCU
生信小白必看：手把手教你用R语言实现counts/FPKM/TPM互转（附代码）
本文为生信初学者详细讲解如何使用R语言实现counts、FPKM和TPM三种转录组表达量单位的精准转换，包含完整代码示例和常见问题解决方案。重点解析了FPKM与TPM的数学原理及转换方法，帮助读者掌握RNA-seq数据分析中的关键预处理步骤，提升差异表达分析的准确性。
机器学习 线性回归 头歌实训
第1关：简单线性回归与多元线性回归 第2关：线性回归的正规方程解 第3关：衡量线性回归的性能指标 第4关：scikit-learn线性回归实践 - 波斯顿房价预测
【单智能体】AI 数据分析智能体案例讲解（附完整源码）
本案例将引导您构建一个基于 AI 的数据分析智能体,让用户能够通过自然语言查询来分析 CSV 和 Excel 文件中的数据,无需掌握 SQL 知识。该智能体使用 Agno Agent 框架集成 OpenAI GPT-4o 模型,并利用 DuckDB 提供高效的数据处理能力。
2026保姆级：1小时搞定C# OPC UA客户端开发——PLC与上位机全量数据交互零基础教程
本文介绍了使用C#开发OPC UA客户端的核心流程和关键代码实现。文章首先指出工业上位机开发中OPC UA的重要性，并针对新手常见问题提出了1小时掌握核心功能的解决方案。重点内容包括：选择官方.NET Standard库的优势、5分钟搭建开发环境的步骤、OPC UA客户端架构与通信流程的图解说明，以及完整的客户端基础类代码实现，涵盖了连接管理、证书配置、安全认证等关键功能。通过本文提供的代码模板，开发者可快速实现与PLC等工业设备的稳定数据交互。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
20
扫一扫
