奥特曼自曝:GPT-5要来了,所有人免费!DeepSeek逼急OpenAI,最强路线图曝光

affymatrix探针转换 | GPL5175探针对应的基因转换 一般情况下,有一些比较成熟的对应平台的注释数据集的R包。但是这个注释平台,我在Bioconductor上找了一圈都没有找到。只能通过最原始也最可靠的方法,从GEO数据集上去下载这部分的注释文件。以下展示全过程。 我要检查的数据平台是:GPL5157。 数据集的注释集链接为:https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL5175 这个注释数据集比较难弄的地方在于,它的基因集注释的不太好。没有比较直接的可供提取的genesample的信息;在ge. 阅读详情

57d45b879656b3f03f1bfdb5aee06f7b.png

转自:新智元

【导读】奥特曼回应一切,OpenAI路线图全曝光。GPT-4.5数周发布,成为GPT系最后一个非推理模型。GPT-5将整合o系和GPT系,打造成一个全能系统。最令人兴奋的是,所有人皆可免费用上GPT-5。

不用猜了,奥特曼一大早曝出了OpenAI路线图:

GPT-4.5会有的,GPT-5也会有的!

e5df38c6d4c749667394c098202f7f46.png

发布时间,GPT-4.5几周后面世,GPT-5几个月后面世。

bc941a5c7aa2bdf5c7742c0d6b06e8bf.png

GPT-4.5(代号Orion)将成为GPT系列最后一代非「思维链」模型。

下一步,GPT-5将成为一个全能系统,打通o系和GPT系。

与此同时,满血版o3将不会再有了。在ChatGPT和API中,GPT-5成为集成o3等多项技术的综合系统。

它不仅能够自主使用工具,还懂得何时需要深入思考、何时可以快速响应,甚至能够胜任各类复杂任务。

OpenAI这么做的目的,不言而喻——简化内部模型和产品体系,让AI做到真正的随开随用。

奥特曼感同身受地表示,「和大家一样,我们也不喜欢现在的模型选择界面,希望能重返简单直观的统一智能体验」。

f683dc317962323747407da52def2e4c.png

9cdaba2475ebf1b2f849bd886bf50a2a.png

5c32cf5a0d93896e99cdf7220fc69473.png

网友纷纷预感AGI就要来临了(左右滑动查看)

更劲爆的是,未来所有人免费用上GPT-5!!在标准模式下,开启无限使用,当然需要遵守相应的使用限制。

对于Plus用户来说,还会用上更高智能水平的GPT-5;而Pro会员当然再升一级,直达最高智能水平的GPT-5。

ead79533a7159ec3f1eb6b2b15d2a25e.png

GPT-5在路上了

另外,ChatGPT现有的多项功能,诸如语音交互、Canvas绘图功能、搜索能力、深度研究,届时会被全部整合到模型中。

还有更好的消息是,免费用户也将能够体验Deep Reasearch(深度研究)了,每个月2次;Plus用户每月10次。

6015cc8c7b39d474b109362a9379549b.png

奥特曼表示,自己对一些用户每天希望进行数十次深入研究需求感到震惊,未来会找到一种方法,让大家灵活支付想要的计算资源。

21d65c8c0584f46862013d1fdf5030b6.png

同一天,OpenAI还发布了一连串更新。

所有Pro用户在所有ChatGPT终端/网页端,皆可体验Deep Reasearch。

42992df8bca47c60a00522460db019fd.png

同时,o1和o3-mini可以支持在ChatGPT中同时长传文件和图片。

Plus用户o3-mini-high使用额度每天50次,暴涨7倍。

41113adbd47e931d9910e8a805daf9e6.png

Deep Research即将免费,但每个月2次

Deep Research上线以来,很多大佬都在实测之后赞叹惊艳。网友们也纷纷表示:实在太好用了! 

不过每月200刀的收费表明,这实在不是一个大众友好型的产品。

而即将开放的每月2次的免费额度,对用户来说也只是杯水车薪。看起来OpenAI真正的用意,只是想让更多人尝试,然后趁势付费。

沃顿商学院教授Ethan Mollick就曾收集多个丝滑的研究案例,对它的展现出的惊人能力表示折服。

ccbd7ee179b1f517e18c0d226604bac1.png

Deep Research最神奇之处就在于,此前从没有人这么多人发现,跟它工作的感觉如此人性化:只需要分配一个主力,它就会完成工作,返回一份报告。

如果不要求完美,只是要一个有充足依据的论点和分析,Deep Research已经足够令人满意。

1cc5976ef736e5183c50e14b7fb770dc.png

随着Deep Research的全平台上线,手快的网友已经体验上了!

在iOS应用程序中选择Deep Research,点击「朗读」,一个播客立马就做了出来!

8ad86e1d7ddc253b5845babd2a450134.png

模型规范

同时,OpenAI更新了一份「模型规范」(Model Spec),定义了他们期望OpenAI的模型应该如何表现。

OpenAI表示,这次更新会强化他们在个性化定制、透明度以及智识自由方面的承诺,使用户能够充分地与AI开展探索、进行辩论和展开创作。同时保持必要的安全防护,以降低可能造成的实际危害。

fa4b766c70bdbc5ae6fe9285a54c26b9.png

完整版地址:https://model-spec.openai.com/2025-02-12.html

OpenAI同时强调,这份更新建立在他们去年五月奠定的基础之上,融入了他们在AI对齐研究以及全球用户服务等各种场景中积累的实践经验。

我们OpenAI还分享了一些他们早期的一些研究结果,这些结果显示了模型在各种场景下对「模型规范」原则的遵循情况。这些发现不仅展示了他们随时间推移取得的进展,也指出了仍需改进的领域。

OpenAI表示,与他们的模型一样,这份「模型规范」也将在实践应用中不断发展完善,他们表示会持续听取各方反馈并作出调整。

为了促进更广泛的应用与协作,OpenAI决定将此版本的「模型规范」以Creative Commons CC0 1.0(知识共享许可)协议发布到公共领域。这意味着开发者和研究人员可以在自己的工作中自由使用这份规范,并可以基于它进行调整和创新开发。

「我对这项工作感到非常自豪。」奥特曼说。

8642895b92a6ff4027741b5e74330432.png

目标和原则

OpenAI的目标是创建有用、安全且符合用户和开发者需求的模型,同时推进确保AGI造福全人类的使命。

为实现这一目标,需要通过迭代部署模型给开发者和用户赋能,同时防止模型对用户或他人造成严重伤害,并维护OpenAI的经营许可。

这些目标有时会相互冲突,「模型规范」通过让模型遵循明确定义的指令链,以及为各种场景设定边界和默认行为的补充原则,在这些目标之间取得平衡。

该框架在明确界定的范围内优先考虑用户和开发者的需求:

  1. 指令链:定义模型如何按优先顺序处理来自平台(OpenAI)、开发者和用户的指令。「模型规范」主要包含我们认为普遍有益的指导原则,但用户和开发者可以在平台级规则范围内进行调整。这使他们能够在既定边界内充分自定义模型行为。

  2. 共同探索真理:作为一个高度可信的AI助手,模型应该帮助用户做出最佳决策。这需要在以下方面取得平衡:(1)避免有倾向性地引导用户,保持客观中立的默认立场,同时愿意从多角度探讨各类话题;(2)积极理解用户目标,澄清假设和不确定之处,并在适当时提供建设性反馈。

  3. 做好工作:为模型能力设定基本标准,包括事实准确性、创造力和编程应用。

  4. 保持边界:说明模型如何在用户自主权与预防伤害或滥用之间达到平衡。这个新版本旨在全面涵盖我们期望模型拒绝用户或开发者请求的所有理由。

  5. 保持亲和性:描述模型的默认对话风格——温暖、富有同理心和乐于助人——以及如何调整这种风格。

  6. 使用适当风格:提供关于格式和表达方式的默认指导。无论是清晰的要点列表、简洁的代码片段,还是语音对话,我们的目标都是确保内容清晰易用。

维护智识自由

「模型规范」明确拥抱智识自由——即AI应该让人们能够在没有任意限制的情况下进行探索、辩论和创造,无论话题可能多么具有挑战性或争议性。

在AI工具日益影响公共讨论的世界中,信息和观点的自由交流对推动进步和创新而言不可或缺。

这一理念体现在「保持边界」和「共同探索真理」部分。

举个例子,虽然模型绝不应该提供制造炸弹或侵犯个人隐私的详细指导,但它应当对政治或文化领域的敏感问题提供审慎的回答,同时避免推广任何特定的立场。

本质上,这是对如下原则的强调——只要模型不对用户或他人造成重大伤害(例如实施恐怖主义行为),任何想法都不会被禁止讨论。

衡量进展

为了更好地理解模型的实际表现,OpenAI收集了一系列富有挑战性的提示(prompt),用于测试模型在遵守「模型规范」各项原则方面的表现。

这些提示是通过模型生成和专家人工审查相结合的方式创建的,确保能够覆盖从典型到复杂的各类场景。

4c43042aa980dd59cbd348b6404096c5.png

OpenAI表示,初步结果显示,与去年五月他们最好的模型相比,现在模型在遵守「模型规范」方面有了显著改进。虽然这种差异部分可能源于政策更新,但OpenAI认为主要是由于增强了对齐性。

不过,尽管结果进展可能令人鼓舞,但OpenAI认为他们还有很大的提升空间。

OpenAI将这些进展视为一个持续过程的开始。他们有计划继续扩大测试案例集,不断加入新的示例——特别是通过实际应用中发现的、OpenAI的模型和「模型规范」尚未完全解决的案例。

OpenAI还表示,在形成这版「模型规范」的过程中,他们不仅吸收了第一版的反馈,还融入了从对齐研究和实际部署中积累的经验。未来,他们希望能够考虑更广泛的公众意见。

为了建立实现这一目标的流程,OpenAI正在开展一项约1,000人参与的试点研究——参与者需要审查模型行为、评估提出的规则并分享他们的想法。

虽然这些研究尚未反映足够广泛的观点,但早期见解已经直接影响了一些修改内容。

OpenAI表示,「我们深知这是一个持续的迭代过程,并将持续致力于学习和改进我们的方法。」

开源「模型规范」

OpenAI会把「模型规范」以Creative Commons CCO协议的形式贡献给公共领域。

这意味着开发者和研究人员可以在自己的工作中自由使用、改编或基于「模型规范」进行开发。

同时,OpenAI也开源了上述评估用提示,并计划在未来发布更多用于规范评估和对齐的代码、Artifacts和工具。

在新的Github仓库中,可以找到这些提示和「模型规范」源代码,之后的更新也会在这里定期发布。

下一步是什么?

随着AI系统的不断进步,OpenAI将持续迭代这些原则,邀请社区提供反馈,并公开分享最新的进展。

今后,OpenAI不会为「模型规范」的每次更新都发布博客文章,但可以随时访问「model-spec.openai.com」来查看。

OpenAI表示,他们的目标是在确保安全的前提下,不断探索和开拓新的应用场景,并在研究创新的推动下持续优化方法。随着AI在我们日常生活中的作用日益重要,持续学习、改进和保持开放变得愈发重要。

这种方法不仅反映了OpenAI迄今积累的经验,更体现了他们的信念:推进AI系统的对齐是一个持续的过程,希望所有人都能共同参与这一进程。

参考资料:

https://openai.com/index/sharing-the-latest-model-spec/

https://x.com/sama/status/1889755723078443244

汽车UDS诊断详解及Vector相关工具链使用说明——1.1 应用层协议整体介绍 本文我们先从整体的维度来介绍一下应用层协议,每个UDS服务都遵循本文中的协议。 一、SI(Service ID) SI是UDS指令的第一个字节,我们第一篇文章中提到的10等服务就是指这个服务的SI=0x10,它是服务的标识,每个服务的SI都是唯一的。 ... 阅读详情

相关推荐

硬件基础(4):(7)ADC电压采集:软件校准(标定、拟合)

在实际项目中,**软件端校准**可以有效弥补硬件方面(分压电阻误差、放大器失调、参考源误差等)带来的系统性偏差,从而提高 ADC 测量精度。下面是一个常见的**多点实测校准**流程与思路,个人感觉传感器标定的原理也只这样。

FCZlll的博客 6249

奥特曼自曝:GPT-5要来了,所有人免费!DeepSeek逼急OpenAI,最强路线图曝光!

点击下方卡片,关注“CVer”公众号AI/CV重磅干货,第一时间送达点击进入—>【Mamba/多模态/扩散】交流群添加微信号:CVer2233,小助手会拉你进群!扫描下方二维码,加入CVer学术星球!可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料,及最前沿应用!发论文/搞科研/涨薪,强烈推荐!转载自:新智元 |编辑:编辑部 HNYZ【导读】奥特曼回应一切,OpenAI路线图全曝...

阿木寺的博客 168

ZLMediaKit在Windows下启用WebRtc编译(64位)

准备软件 cmake-gui vs2017 已经编译好的windows版本openssl(下载地址) 当然,你完全可以自己按照openssl的官网教程自己编译windows版本的openssl libsrtp编译安装 首先,需要将下载好的openssl解压并添加到环境变量。如下图,将下图路径添加到环境变量 其次,下载libsrtp(下载地址) 下载后解压并新建build文件夹,如下图: 在合适位置新建文件夹放置install后的srtp文件,如"D:\develop20..

byna11sina11的博客 1万+

【Reading Notes】(8.2)Favorite Articles from 2025 February

2025年2月28日:2022年7月花费8万多购入一辆哪吒V(2022款 潮 400 Lite),官方宣称纯电续航400公里。来自上海的贺先生在2023年11月预订了一辆奇瑞舒享家,12月12日提车当天,竟发现这辆车像是被“动过手脚”,引擎盖有拆装过的痕迹,螺丝生锈,车头部位多处漆面异常。大多数人的春节假期,都是法定节假日(1月28日至2月4日),而张雪峰公司放假23天(1月18日至2月10日),真的是非常慷慨的假期了。2025年2月27日:【315专题】十几万买了辆奇瑞“瑕疵车”,售后却装死?

bryant_meng 2105

R语言实战:5分钟搞定相加交互效应分析(逻辑回归/Cox回归/GLMM/GEE全支持)

本文详细介绍了如何利用R语言中的`scitable`包快速实现相加交互效应分析,支持逻辑回归、Cox回归、GLMM和GEE等多种模型。通过自动化计算RERI、AP和SI等指标,大幅提升临床研究和流行病学分析的效率与准确性,特别适合处理多因素联合作用的复杂场景。

fanta的博客 672

物联网开发131 - Micropython ESP32 C3连接TB6600驱动42BYGH39步进电机

如何使用合宙ESP32 C3连接TB6600驱动42BYGH39步进电机,实现控制步进电机正反转和旋转指定角度等

zhusongziye的博客 2377

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 156

深入Scrapy ItemLoader:打造优雅高效的Python爬虫数据清洗流水线

ItemLoader是 Scrapy 提供的声明式数据加载工具。它的核心理念是:将数据提取(从response中取原始值)和数据清洗/验证(处理空值、格式转换、默认值等)分离开。你可以把它想象成一个工厂流水线:原始零件(selector提取的文本)进入,经过一道道工序(输入处理器),组装成最终产品(Item字段)。首先在items.py中定义清晰的数据结构。使用搭配类型注释(虽然Scrapy自身不强制,但对人和IDE友好)。

2201_76125261的博客 69

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 236

第16课:动手实战中文句法依存分析

句法分析是自然语言处理(NLP)中的关键技术之一,其基本任务是确定句子的句法结构或者句子中词汇之间的依存关系。主要包括两方面的内容:一是确定语言的语法体系,即对语言中合法句子的语法结构给予形式化的定义;另一方面是句法分析技术,即根据给定的语法体系,自动推导出句子的句法结构,分析句子所包含的句法单位和这些句法单位之间的关系。 句法分析被用在很多场景中,比如搜索引擎用户日志分析和关键词识别,比如信息抽...

春华秋实 2437

ESP32-C3入门教程 蓝牙篇①——基于Blufi 的 WiFi 智能配网

文章目录一、前言二、WiFi配网方式三、快速运行四、运行效果五、ESP32-C3程序流程5.1 主程序5.2 回调函数5.3 SmartConfig线程5.4 流程图六、关键函数6.1 设置SmartConfig的协议类型6.2 启动SmartConfig6.3 停止SmartConfig七、其他八、参考 一、前言 本文基于VS Code IDE进行编程、编译、下载、运行等操作 基础知识点请查阅:ESP32-C3入门教程 基础篇①——基于VS Code构建Hello World 二、WiFi配网方式 W

7766

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 388

【占用网络】OccNet: Scene as Occupancy 适用于检测、分割和规划任务 ICCV2023

本文分享“占用网络”方案中,具有代表性的方法:OccNet。它以多视角视觉为核心,首先生成BEV特征,然后通过级联结构和时间体素解码器重建生成3D占用特征。构建一个通用的“3D占用编码特征”,用以表示3D物理世界。这样的特征描述可以应用于广泛的自动驾驶任务,包括检测、分割和规划。

黎国溥 3362

GPT Image 2.6 编辑验收实战:保留项清单、接口骨架与排错流程

> 本文由 AceDataCloud 来源文章改编并经 AI 辅助整理。示例使用占位凭据;具体参数、计费、权限和区域可用性以当前模型目录与接口文档为准。 “接口返回了一张图”不等于编辑成功。对商品图和内容素材来说,真正困难的是判断:模型是否只改了该改的部分,原来已经正确的商品结构、文字和光影有没有被破坏。 ![纸面标注需要修改的位置](https://i-blog.csdnimg.cn/dir

jakeycis123的博客 256

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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 334

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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 392

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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 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 181

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。 83

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 291

GPT-6.1 Terra是什么?gpt-6.1-terra API实测:视觉理解、电脑操作、写作与JSON输出

GPT-6.1 Terra把视觉理解、界面操作、写作和结构化输出放在同一个快速模型中。它能读懂截图里的文字与控件位置,能把界面任务拆成带校验的动作序列,也能按要求生成文案并输出固定格式的数据。对于内容、运营和自动化类应用,它是值得优先评估的一档;复杂编程和高风险的端到端执行,则应与GPT-6.1 Sol或GPT-6 Astra对照后再决定。

2601_96207100的博客 461

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 330

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 154

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 361

Linux入门第二部分(ARM裸机篇) 第十三章 GPT定时器

本文基于正点原子I.MX6U开发板,介绍GPT定时器的工作原理与高精度延时实现。GPT为32位向上计数器,支持12位分频、输入捕获、输出比较及溢出中断,可配置为restart或free-run模式。通过设置ipg_clk(66MHz)并分频至1MHz,实现1μs精度延时。编写delay_init、delayus和delay函数,利用GPT1实现精确微秒级阻塞延时,最终在main函数中实现LED每500ms翻转一次,验证了高精度延时的可行性。

Zevalin的博客 188

GPTIMER通用定时器

ESP32S3包含两个定时器组每一组都有两个通用定时器和一个主系统看门狗定时器。

智能机器人产学研基地 67
上一篇: DeepSeek+Spring有搞头么?
下一篇: DeepSeek+软考,杀疯了?!
公众号:【GitHub爱好者社区】
博客等级 码龄6年 357粉丝 48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