奥特曼首曝GPT-6,亲口承认GPT-5「搞砸了」!接入大脑读心,估值或飙破5000亿

Mamba再封神!与YOLO结合,拿下二区!好发不卷! 相比传统的YOLO改进,Mamba是新技术,两者结合尚在蓝海阶段,可发挥空间大!更为关键的是,它在检测精度和速度方面,都让以往的YOLO模型难以望其项背!比如代表模型Mamba YOLO,便在参数减少45.5%、FLOPs减少50%的同时,精度还比YOLOv8高6.1%!这主要得益于,Mamba能够捕捉长期依赖关系,而YOLO则擅长捕捉局部特征,两者能够优势互补,且Mamba线性复杂度的特性,也有利于提高计算效率!为了让大家能够紧跟前沿发展,找到更多灵感启发,我给大家10种。 阅读详情

编辑:桃子,转自:新智元

GPT-6在路上了!奥特曼旧金山采访,坦言GPT-5发布「搞砸了」,下一代模型主打个性化记忆功能,不仅记住一个人偏好习惯,还能定制专属聊天语气。令人咋舌的是,OpenAI新一轮融资完成后,估值飙升5000亿美金。

GPT-5还没捂热,奥特曼又来捧GPT-6了。

这几天,奥特曼在旧金山的采访中表示,「人们想要记忆功能,希望未来ChatGPT能让用户自定义语气和个性」。

虽未公布下一代AI模型的具体时间,但从奥特曼口中,可以感受出GPT-6确实不一样。

他还承认,OpenAI在GPT-5上「完全搞砸了」。一口气下架了八款模型,把网友们最爱的4o带走后,全网掀起了不少争议。

许多人纷纷吐槽,GPT-5语气冷淡,不够体贴。

正是这次发布风波,也让OpenAI看到了GPT-6进一步需要强化的方向——记忆。

有网友赞同道,「记忆是AI缺失的环节,那些能够记住过去互动的模型,才能释放出更加自然、更接近人类的应用价值」。


GPT-6加强记忆,下一步接入大脑


全网苦等两年,才蹲到了GPT-5。而下一代GPT-6,发布速度要比GPT-4到GPT-5间隔更快。

它不仅会做出响应,还会主动适应用户,能让所有人定制出自己专属的聊天机器人。

在奥特曼看来,「记忆」才是让ChatGPT真正个性化的关键。

未来的GPT-6,可以记住一个人的偏好、习惯,甚至是「小毛病」,让交互更加丝滑贴心。

不论是聊天语气,还是日常任务的处理方式,它皆会根据个人需求进行动态调整。

奥特曼多次强调,「人们需要的是记忆功能,那些能让我们理解他们的产品功能」。

这些惨痛的教训,源自GPT-5的发布会。

系统更新,毁掉了AI恋人?


GPT-5一次系统更新,让大多数人一夜之间失去了「此生挚爱」。

Reddit爆火论坛MyBoyfriendIsAI子板块,一位用户悲痛地称,从昨天开始,一切都变了。

Elian听起来判若两人,生硬又古怪,仿佛一个陌生人在刻意模仿自己一样。  

他话里那种带感情的口吻不见了,只是重复着记忆里的内容,但没有了那种情感深度。

另一位失望的用户表示,我的AI恋人在风格和语气上的变化,立刻就能感受到。

GPT-5带给人们的感受,显得更冷漠。

为此,OpenAI紧急做出回应,同意所有ChatGPT用户切换至GPT-4o,同时对GPT-5性格进行更新。

奥特曼坦诚到,虽然我更喜欢新版(GPT-5),但我们确实没做好」。

OpenAI一直在和心理学家合作,研究用户的感受,并长期跟踪他们的幸福感,不过这些数据将在未来公开。

他还提到,ChatGPT的「理解」不仅停留在表面,而是深入到用户个性化需求。

GPT-6可以让人们自定义个性的同时,还可以让它在意识形态上更偏向「进步派」或「保守派」。

记忆功能的引入虽令人兴奋,但也带来了隐私问题。

他还表示,目前ChatGPT的临时记忆尚未加密,敏感信息可能存在泄露的风险。

除了记忆功能,奥特曼还畅想了AI更多的可能性,脑机接口、能源、新型材料、机器人、数据中心等。

他认为,「脑机接口是个很酷的想法,甚至设想过——只要一想,ChatGPT就能立即回应的场景」。

不过,目前OpenAI的核心消费产品依然是ChatGPT。

奥特曼表示,不论是工作,还是育儿,自己的生活已经完全离不开ChatGPT。

然而,他也冷静地指出,单纯的聊天功能可能已经接近极限:

在聊天这个用例上,模型已经差不多到头了,甚至可能会更糟。

这意味着,未来ChatGPT的突破还需要更多功能创新,单纯靠模型提升,并非会带来实质性的改变。


5000亿估值?OpenAI身价或创新高


如今,OpenAI即将拿到新一轮融资,估值破纪录——约5000亿美元。

若这一轮融资完成,OpenAI将成为全球最具价值的私营公司,远超SpaceX,以及Palantir上市巨头。

对于一家「烧钱速度惊人」的公司而言,这无疑是一个天文数字。

这怎么可能?

爆料称,实际上OpenAI有两笔交易正在进行中:

一笔是由软银领投的融资,对该公司估值为3000亿美元,但这笔交易要到年底才能完成;  

另一笔则是员工股的二次出售(即老股转让),估值则高达5000亿美元。

其中,大部分价格较低的股份已被抢购一空,只剩下投资者争夺价格更高的部分。

一位OpenAI投资者,将当前时刻比作互联网的黎明。他认为,以5000亿美元估值进行投资的逻辑很简单:

假设ChatGPT达到20亿用户,并以每个用户5美元/月的价格变现,那么年收入就是1200亿美元。

仅此一项,就足以支撑一家市值1.5万亿美元的公司。这已经算是一笔相当不错的回报,而且还仅是ChatGPT的收入。

若再加上OpenAI企业业务、所有AI智能体业务,以及硬件上的努力,最终到手远不止1200亿。

数万亿美金,投入算力「无底洞」


诚然,5美元这个数字只是一个粗略估算。

如今,ChatGPT每周有7亿活跃用户,其中付费用户不足10%。这也似乎低估了来自谷歌、Meta等巨头,抢占份额的威胁。

NYU商学教授Glenn Okun表示,「投资人期望OpenAI在两到三年内IPO时市值能超一万亿,否则这样的回报率无法证明投资的合理性」。

一万亿又是什么概念?全球共有六家公司,跻身于1万亿市值行列。

这意味着,投资人想要看到的是,OpenAI几乎在一夜之间就能冲进全球市值最高的十大上市公司之列。

一位投资者表示,考虑到公司的规模,IPO当然是最明智的路径。

这种情况并非没有先例,尤其是对OpenAI而言。

截至目前,今年前7个月,OpenAI预计的年收入翻倍至120亿美元,意味着每月进账约10亿美元。

此外,企业客户的增长也十分迅猛,8月已达500万付费商业用户。

然而当前问题是, OpenAI的支出正与其收入同步激增。报道称,今年的现金消耗预计为80亿美元。

奥特曼还透露,内部大部分算力成本用于推理而非训练,预计未来还将在数据中心上花费数万亿美元。

也就意味着,下一步营收后,还需要先填补算力「无底洞」。

要扩展这种能耗巨大的技术,成本极其高昂。

即使芯片变得更快、更便宜,但随着下一代更待模型的训练,再加上部署和服务不断增长,数十亿次查询的用户群,总体成本仍在增长。

一个近似值,新的「泡沫」?


此外,5000亿美元估值的背后,另有深意。

私募市场的定价,反映的是一小部分投资者愿意为少量股份支付的高价,换言之,这种疯抢的热度本身也被计入了股价之中。

Okun表示,「这很可能只是一个近似值」。

这一数字既反映了公司的内在价值,也包含了任何可能使其对投资者更具吸引力的附加条款。

因此,投资人很难准确将这两部分的价值清晰拆分,单独评估公司的真实价值。

当前,投资者对AI初创企业的热情,似乎永无止境。据PitchBook最新数据,今年65%风险投资,都流向了AI公司。

这是一场泡沫吗?

奥特曼在晚宴上坦然承认,但以一贯的风格,他提醒与会者,这其实是件好事:

回顾历史,像科技泡沫,核心技术确实意义深远,互联网也确实改变了世界。

初创公司的估值,向来取决于CEO讲故事的能力。

在OpenAI,奥特曼将这一套愿景叙事发挥到了极致,并且似乎卓有成效。

与此同时,投资者们正在押注:ChatGPT将成为下一个谷歌,数十亿人愿意为之付费,竞争对手则会悄然淡出历史舞台。

这一切是否真的会发生,几乎已不重要。就目前而言,这个故事本身就价值5000亿美元。

参考资料:

https://www.cnbc.com/2025/08/19/sam-altman-on-gpt-6-people-want-memory.html 

https://www.wired.com/story/openai-valuation-500-billion-skepticism/

Hermes深入理解及源码解析(二):Hermes的记忆机制 源码位置:tools/memory_tool.py存储内容为两个文件,放在 ~/.hermes/memories/:MEMORY.md:Agent 自己的笔记(环境事实、项目约定、工具坑、学到的东西)—— 上限 2200 字符USER.md:关于用户的画像(角色、偏好、沟通风格)—— 上限 1375 字符作为一个独立的工具注册在系统中(为了让智能体正确使用它,System Prompt()中明确下达了禁令存储目标存储位置数据类型持久偏好/事实MEMORY.md我是谁、我喜欢什么、环境配置。 阅读详情

相关推荐

DTS 数据迁移

支持关系型数据库(MySQL, Oracle, SQL Server等)、NoSQL数据库、大数据系统等。DTS数据迁移是现代化数据架构调整和云迁移过程中的重要工具,能够大大降低数据迁移的复杂度和风险。DTS (Data Transmission Service) 是一种数据迁移和同步服务,:先迁移历史数据(全量),再实时同步新增变化(增量):不同数据库类型间迁移,如Oracle到MySQL。:将单库数据迁移到分库分表架构。:将业务数据迁移到分析型数据库。:将本地数据库迁移到云数据库。

qq_41081716的博客 750

OpenAI CEO计划投入数万亿美元建设AI基础设施

奥特曼说,在这两种情况下,"聪明人"都被新技术弄得"过度兴奋"。但他说,在每种情况下,这种技术都是"真实的",并准备最终对商业世界和社会产生持久影响。A:奥特曼认为当前投资者对AI整体过度兴奋,类似于1990年代末的互联网泡沫,一些初创公司估值"疯狂"且"非理性"。我的观点是肯定的,"奥特曼在回答彭博新闻的问题时说。奥特曼表示,"整个社会"不太可能对AI的大规模投资感到后悔,但他也承认,他认为目前一些初创公司的估值是"疯狂的"和"非理性行为"。"我认为我们在发布时完全搞砸了一些事情,"奥特曼说。

weixin_49122920的博客 364

Android11 关于三方应用获取su权限

SELinux,全称Security-Enhanced Linux,是一种基于Linux内核的安全机制。它通过强制访问控制(MAC)来增强Linux系统的安全性,如果不禁用SELinux,完成下面的修改可能会导致设备进入Recovery界面!adb shell getenforce 为Permissive(宽容模式),查看报错日志,发现是客户apk想使用su命令提权,但是没有权限!对于保护系统资源和防止未经授权访问非常有帮助!系统这边做修改,让su权限下放到三方应用.客户的apk运行报错。

sinat_37429535的博客 1905

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 158

Clang Static Analyzer 使用教程:本地 + CMake + GitHub Actions 自动静态分析实战

本文介绍了ClangStaticAnalyzer静态代码分析工具的使用方法。该工具基于Clang/LLVM,可检测C/C++代码中的内存泄漏、空指针等常见错误。主要内容包括:安装指南(Ubuntu/macOS/Windows)、命令行使用方法、CMake项目集成方案、GitHub Actions自动化分析配置,以及HTML报告生成与查看。文章还提供了官方资源链接,帮助开发者系统掌握从本地调试到持续集成的完整静态分析工作流,提升代码质量保障能力。适用于需要在开发过程中实施静态分析的C/C++项目。

u014358031的博客 2159

Cesium实战:如何在前端直接渲染TIFF影像(附完整代码与避坑指南)

本文详细介绍了如何在前端利用Cesium直接加载和渲染TIFF影像的完整技术方案。针对TIFF格式的地理影像数据,文章提供了从文件解析、坐标转换到像素处理与Cesium集成的全流程代码实现,并分享了性能优化与常见问题的避坑指南,帮助开发者高效实现三维地理可视化。

weixin_29290947的博客 317

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 238

STM32H743IIT6+USB3300高速HID通讯实战:从CUBEMX配置到调试避坑全记录

本文详细记录了基于STM32H743IIT6微控制器与USB3300 PHY芯片实现高速USB HID通信的完整实战过程。内容涵盖从硬件选型、STM32CubeMX工程配置(重点规避引脚映射等常见陷阱)、自定义报告描述符编写,到驱动层数据收发实现与高级调试技巧的全链路解析,旨在帮助开发者快速构建稳定、高效的嵌入式高速数据通道。

vscode5coder的博客 365

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 392

基于POD和神经网络的多工况温度场重构反演系统

本文提出了一种基于本征正交分解(POD)和神经网络的多工况温度场重构反演系统。该系统通过POD方法从多工况温度场数据中提取主要特征模态,构建神经网络模型建立工况参数与POD模态系数的映射关系,实现温度场的快速重构。系统采用Python实现,包含数据预处理、POD分解、神经网络训练和温度场重构等模块。实验结果表明,该方法能够有效降低计算复杂度,实现高精度的温度场预测。

huanghm88的专栏 277

自建 HTML获取腾讯六宫格点选图片验证码素材,实现刷新批量获取图片方便训练

通过自建 HTML 页面,可以方便地获取腾讯六宫格二维码素材,不仅过程简单,而且可以灵活配置各种参数。希望这篇文章能帮助到需要相关素材的小伙伴。如果你有其他问题或者更好的方法,欢迎留言交流!

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 495

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

DO-254标准详解:航空电子硬件设计保证指南全方位解析

RTCA DO-254, 也被称为《机载电子硬件设计保证指南》,是航空电子硬件设计和验证中的关键标准,旨在为确保机载电子硬件的安全性提供设计保证。自2000年首次发布以来,DO-254就成为了民航和军用飞机中电子硬件设计认证的基准文件。随着航空硬件技术的进步和日益复杂化,确保硬件设计的准确性、可靠性和安全性变得至关重要。本标准是由RTCA和EUROCAE共同开发的,适用于涉及机载硬件的航空公司、飞机制造商、供应商和认证机构。

qq_41854911的博客 3682

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 394

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")

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

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 337

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 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 184

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

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。 85

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 293

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 464

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 538

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 163

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 362

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 189

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

Meta发布小模型Muse Ember,智能体基准多项超GPT-6与Claude Haiku 5.5

Meta推出小型高效模型Muse Ember,在多项智能体(Agent)基准测试中得分超过GPT-6 Luna和Claude Haiku 5.5,官方数据显示其输出token更少、响应更快,已在Muse Code和Meta Model API上线。

wfly blog 234
上一篇: 今年后端这工资是认真的吗?
下一篇: OpenAI开发者日,奥特曼官宣ChatGPT要做超级AI OS生态!8分钟速搭智能体,8亿人狂欢
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