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
200+累计阅读
210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
英国皇家海军可能回归风帆时代，其最新演示涉及一支由小型风力推进机器人船组成的小型舰队。
这些由位于英国普利茅斯的Oshen公司制造的船只被称为C-Stars，长度仅为1.2米，重约40公斤。太阳能电池板为导航、通信和传感器提供电力，而风帆则提供推进力。当作为星座部署时，这些小船可充当广域传感器网络。
“描述C-Stars最简单的方式，是将其视为可自主部署、保持位置的海洋浮标，”Oshen公司首席执行官阿纳希塔·拉维拉克说。FINISHED
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
OpenWrt路由开启DDNS+端口转发进行外网访问
OpenWrt路由开启DDNS+端口转发进行外网访问（LuCI界面实现）--开篇一、准备工作二、开机！三、连接--结尾 –开篇 本篇适用于一切装有OpenWrt系统的路由器/软路由，只要你保证有WAN接口和一个光猫，甚至你不需要有LAN接口（当然前提是你能连接路由器的WIFI进后台，不然你只能通过LAN进后台咯）。所有的配置过程都是基于LuCI界面来的，当然大神们一般都通过SSH登陆路由使用命令配置，但我也不会啊，只能给个有GUI界面的教程了。 一、准备工作 一个装有OpenWrt系统的路由器/软路由并
通过 AIGC 生成视频何时才能告别“抽卡”！
如果视频的主体内容已经符合要求，只存在错误字幕或局部画面瑕疵时，重新生成不仅增加成本，还可能改变原本满意的部分。针对这类问题，WAND-EraseVibe+ 提供了视频擦除与画面重建能力。根据腾讯云披露的技术方案，该工具采用基于隐空间 Transformer 的生成式修复架构，先将视频画面编码为隐空间特征，在特征层推断并重建需要修复的区域，再解码为视频画面。白模前置、垂直场景调优和局部修复分别作用于不同环节，目的都是减少为了获得可用内容而付出的重复生成成本。
告别Win11睡眠假死：深入解析Modern Standby S0与S3冲突及注册表修复方案
本文深入解析了Windows 11中Modern Standby（S0）与传统睡眠（S3）模式的冲突，该冲突是导致电脑睡眠后出现假死、断网等问题的根源。文章提供了通过修改注册表键值（PlatformAoAcOverride）强制启用稳定S3睡眠的终极修复方案，并附有详细诊断步骤与避坑指南，帮助用户彻底解决睡眠故障。
星耀影都AIGC微短剧创作培训营第二期开启报名
据悉，本期导师汇集了多位行业资深专家，既有深耕一线的爆款微短剧操盘手，也有AIGC领域的前沿探索者，包括：AI漫剧《风水天师》（上线12小时播放量破亿）总制片人，江西时刻互动CTO/合伙人庞恩辽；现象级AI漫剧《持械入宋》（全网播放量超40亿）总策划，“老十一”团队创始人张汉生；本次活动由北京市广播电视局指导，怀柔区人民政府、抖音集团主办，怀柔区委宣传部、怀柔区文化产业发展促进中心、剪映、红果短剧承办，北京电影学院、火山引擎、即梦、《网络视听》杂志社、怀柔区杨宋镇人民政府协办。
Fluent新手必看：如何正确解读scaled residuals曲线（附常见问题排查）
本文详细解析了Fluent中scaled residuals曲线的解读方法及常见问题排查技巧。针对continuity残差居高不下、湍流模型收敛困难等典型问题，提供了网格质量检查、边界条件验证和求解策略调整的实用解决方案，帮助CFD新手快速掌握计算收敛性的关键判断标准。
从解压到编译：手把手带你用TeXstudio搞定第一篇ACM LaTeX论文
本文详细指导如何使用TeXstudio从解压ACM LaTeX模板到成功编译第一篇学术论文的全过程。涵盖环境准备、模板配置、TeXstudio设置及常见问题排查，特别针对ACM会议论文格式要求，帮助学术新人快速掌握LaTeX写作技巧。
爱查宝 AIGC 检测效果实测：对标知网维普朱雀
本文深度评测一款AI文本检测工具，从核心引擎机制、多场景实测到与知网、维普等系统的对比，全面分析其在识别纯AI生成、人工改写及混合内容中的表现。结果显示，该工具基于困惑度与爆发度的双维度模型，具备高精度与强适应性，尤其在细粒度报告呈现、可视化解读和长文稳定性方面优势显著。尽管存在对极规范化文本的误判风险，但通过人工复核可有效规避。结论强调：技术应服务于人，助力学术诚信与创作真实，而非取代判断。
事件驱动的 SAP 工作流：从 BOR 事件到 Event Linkage 的落地与排障全景图
摘要： SAP工作流中的Event是业务对象状态变化的系统广播机制，如发票录入、采购订单释放等事件。通过事件驱动，业务程序与流程引擎解耦，业务只需发布事件，流程引擎负责后续处理。文章详细解析了SAP工作流事件的完整链路，包括事件定义、触发机制、事件容器传递、SWE2配置的关键作用，以及事件不触发时的排查方法。重点介绍了事件在启动流程、终止任务、等待步骤和主动创建中的应用，并结合采购订单审批案例说明事件的实际使用场景和配置要点。
查重和AIGC之外多了AI智评：2026本科论文第三道检测评什么
南京工业大学2026届本科毕业设计新增AI智评，与查重、AIGC检测构成“三检”体系。AI智评从选题意义、逻辑构建、专业能力、学术规范四方面智能评估论文质量，报告仅供导师审阅，不进系统，也不作为成绩依据。三检分工明确：查重与AIGC守底线，AI智评提质量。学生需合理使用有限检测次数，优先修改报告指出问题，复测前确保修改到位。各校政策不同，须以本校通知为准，最终把关仍由导师与学位委员会负责。
【2025CSPJ普及组】T4. 多边形
【2025CSPJ普及组】T4. 多边形【题目描述】小 R 喜欢玩小木棍。小 R 有 n 根小木棍，第i(1≤i≤n) 根小木棍的长度为 ai。
C语言试题四之计算并输出3到n之间所有素数的平方根之和
1、题目 请编写函数function，它的功能是：计算并输出3到n之间所有素数的平方根之和 例子：若我们main函数从键盘给n输入5之后，我们需要输出结果为3.968119 输入值n的要求：正整数n, 要求小于100。 2、部分函数说明 C 库函数 double sqrt(double x) 返回 x 的平方根 3、源代码实现 #include <stdio.h> #...
AIGC 应用工程师证书怎么考？报考条件、考试形式、级别说明（2026 版）
AIGC 应用工程师证书是面向人工智能生成技术应用方向的职业技术证书，分初级、中级、高级三个级别。
YOLO26科研升级：OREPA在线重参数化，让模型精度在训练中持续跃升
在目录下，新建AddModules文件夹，将orepa.py放入其中。
【AIGC实战】Python+SDXL打造“国潮IP”，自动化生成“舞狮椰子冻”硬核商业视觉
今天分享一个完整的AIGC实战项目：利用 Python 配合 Stable Diffusion XL (SDXL) 模型，打造“英歌舞舞狮IP”，并将其完美融入到硬核国潮椰子冻的设计中。AI绘画引擎： Stable Diffusion XL (SDXL)，利用其强大的语义理解能力，精准控制“Q版舞狮”与“精致椰子冻”的质感构图。print(f"[生成失败]: {flavor}, 错误代码: {response.status_code}")print(f"[成功保存]: {save_path}")
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")
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
电商商品图用哪个 AIGC 算力平台？先守住商品细节，再谈一天能出多少张
给电商团队选 AIGC 算力平台，商品图和概念插画的区别，在于有些地方可以生成，有些地方不能改。背景换成棚拍、户外或节日布景都可以，但包装文字、商品结构和颜色不能跟着模型自由发挥。
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界
在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
6 款电商 AI 图片生成软件实测｜国内 + 跨境卖家工具清单
电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言，现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求，显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强"，而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率，通用生图工具强在创意上限，模板类工具赢在上手速度。建议根据自身业务阶段，搭配 1-2 款主力工具 + 1 款辅助工具，形成适合自己的视觉生产流程。
我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型
公司里经常要看电子发票。我想先做个小原型：把 PDF 发给一个自己部署的图文模型，让它提取发票类型、日期、交易双方和金额，再把结果交给同事核对。这个原型不用先接财务系统，先看看从部署到调用要走多少步，模型返回的内容能不能帮上忙。
您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗？不是单条会话里面的多次会对话。AI导出鸭
第三层是格式编译层。这个决策背后的判断很清晰：一个批量导出工具的价值，不在于“试三次”，而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后，它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载，AI导出鸭 在页面运行时建立旁路监听，捕获每一次分页请求返回的完整对话清单，包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是：导出不该是体力活，而应该是一次完整的、可预期的文件交付。注意：这里的“批量”指的是左侧列表里的多个独立会话，不是一条会话内的多轮对话。
【从零理解 Spring AI · 12】MCP 的两种角色：做客户端还是做服务端
上一篇讲了 MCP 的概念：标准协议、三大角色、M+N 替代 M×N。
河道漂浮物目标检测数据集
目标检测，yolo，河道漂浮物目标检测数据集
AI Agent之核心框架
A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。
AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化
本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。
AI前沿日报 · 2026-11-04 | 祛魅时刻：Astra“纯读权重“神话的崩塌
①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读，数学能力提升依赖Python+50次迭代；②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程；③Nvidia开源Auto-Ontology自动知识图谱；④$800开源全域抓取机器人Stringman；⑤OpenAI悄然重开Codex训练开关引信任危机；⑥DeepMind发布Gemini 4 Argon机器人基础模型；⑦美国科技巨头隐性AI债务达3.2万亿美元，6个月增90%。
大模型 Embedding 与向量相似度详解
Embedding 解决的问题：计算机不懂文字，但懂数字│▼文本 → 向量（1024维浮点数数组）│▼相似度解决的问题：怎么判断两个向量（文本）有多接近│▼余弦相似度：看向量方向的夹角，越接近0°越相似│▼最终效果：语义搜索——理解意思，而非字面匹配一句话总结：Embedding 把文字变成数字，余弦相似度比较数字的方向，两者结合实现了"理解语义"的搜索。
GPT-1 架构和计算细节
下面配合框图，对 GPT-1 的每个组件做公式展开 + 数值实例（配置：12 层 × 768，12 头，FFN 3072，词表 40478，共 117M 参数）。GPT-1 把翻译模型的编码器-解码器砍掉一半，只留解码器，然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异（框图中标 ★）：h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
9万+
扫一扫
