马斯克怒斥苹果接入ChatGPT:真敢集成就在全公司禁用

Bright Data ChatGPT 搜索抓取器(Python) 使用 GitHub 登录,然后 fork 该仓库开始进行更改。本项目提供一个使用 Bright Data Web Scraper API 抓取结果的简易 Python 样板代码。 阅读详情

苹果前脚刚用Apple Intelligence“重新定义”了AI,后脚就被马斯克杠上了。

原因嘛,是因为苹果宣布将在iOS18中接入ChatGPT,被马斯克认为是极不安全的做法。

马斯克扬言,如果苹果敢把ChatGPT集成到系统级别,自己所有的公司都将禁用苹果设备。

不仅是员工,访客的苹果设备也会被检查,然后在法拉第笼(可屏蔽信号)中暂存。

不过虽然马斯克明面上说的是苹果,但字里行间都透露着对老冤家OpenAI的不满。

老马给出的具体解释中也提到,如果苹果把信息交给OpenAI,安全和隐私根本无法保障,还为此送出了表情包。

视角独到的网友就此提问,这是意味着特斯拉手机或者Grok手机要来了吗?

当然,也有网友直接给马斯克送上了无情嘲讽:

所以我猜你(指马斯克)不会用苹果和微软的电脑?
安卓手机也不行,因为谷歌……
我猜特斯拉、SpaceX和X一定还在用纸笔和飞鸽传书吧。

所以,苹果到底做了什么,能让马斯克有如此大的反应呢?

新版Siri将接入ChatGPT

刚刚结束的WWDC上,苹果宣布与OpenAI达成了合作。OpenAI CEO奥特曼也被发现出现在了现场,被无数果粉“活捉”。

奥特曼还第一时间发推庆祝,确认今年晚些时候ChatGPT将集成到苹果设备当中。

具体来说,苹果将在Siri当中提供ChatGPT接口,用户将可以通过Siri直接使用GPT-4o,而且免费、无需注册。

当用户问到苹果自家模型无法解决的问题时,Siri会推荐使用ChatGPT,然后询问用户是否同意。

如果建议被接受,就能立马获得来自ChatGPT的答案。

而且还支持本地PDF文档,并具有多模态能力,可以分析手机里的图片,在传送给ChatGPT之前Siri会询问用户是否同意。

当然,ChatGPT的订阅用户也可以选择关联到自己的账户,并接入ChatGPT的付费功能。

这个功能将在今年稍晚推出。苹果表示,未来还将增加对其他AI模型的支持。

总结一下就是,这个功能用不用、怎么用,都是用户自愿,所有文档图片都会单独确认授权。

而且主要AI功能还是依靠自家模型,运算在本地或私有云上完成,苹果不会存储任何信息。

ChatGPT更是完全属于附加组件,未来也不是唯一可选择的第三方模型。

马斯克:OpenAI会出卖用户数据

按照苹果的描述,数据未经授权泄露给OpenAI的事情大概是不必担心的。

但其实,马斯克也没说将数据交给OpenAI是否取得了用户同意的问题,而是在说数据一旦交给OpenAI之后就不安全了。

他表示,苹果没能力搞自己的人工智能,却相信OpenAI能保护用户安全和隐私,这简直荒谬;苹果根本不知道把数据交给OpenAI之后会发生什么,用户会被OpenAI出卖。

另外,马斯克还表示,即使上传文件到ChatGPT征得了用户同意,这种“同意”也存在问题,因为人们根本不会阅读用户条款。

有人用寡姐怒怼OpenAI的事情举例,表示后者未经允许克隆寡姐声音的事情就是前科劣迹。

虽然OpenAI后来将声音下架并澄清说给争议角色配音的演员另有其人,但马斯克还是回复了一个大大的Exactly。

而说到隐私问题,又有网友表示老马虽然我也和你一样关心,但你还是先别说人家了,你最近聘请第三方公司收集X用户的个人信息和生物识别信息,这是要干啥你解释一下呗,而且你是怎么保证这些信息放在第三方手里就是安全的呢?

除了安全和隐私,马斯克还表示ChatGPT实在是过于woke up,并转发了具体案例。

马斯克配文称,想象一下如果这样训练出的AI(规模)指数级增长会是什么样子吧……

实际上,这也是他一直以来都在指责OpenAI的一点,同时他还旗帜鲜明地反对woke AI,曾表示自己的Grok绝对不会woke up。

到目前为止,苹果和OpenAI都没有对马斯克的炮轰做出回应,两者之间的合作也已然官宣。

至于马斯克会不会真的禁用苹果设备,只有交给时间来回答了。

你认为马斯克和OpenAI之间的争斗会怎么收场呢,欢迎评论区交流。

​

华为防火墙USG6000系列多ISP上网(通过WEB界面设置) 华为防火墙多ISP上网,内网分区上网。内网多网段不同上网方式。 阅读详情

相关推荐

STM32之W5500网络通信_w5500 profinet

*初始化8个socket*/setSHAR(ConfigMsg.mac);/*配置Mac地址*/setSUBR(ConfigMsg.sub);/*配置子网掩码*/setSIPR(ConfigMsg.lip);/*配置Ip地址*/setGAR(ConfigMsg.gw);/*配置默认网关*/setRTR(2000);/*设置溢出时间值*/setRCR(3);/*设置最大重新发送次数*/

2501_90250923的博客 1462

马斯克怒斥苹果接入ChatGPT:真敢集成就在全公司禁用!

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:CVer5555,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!克雷西 发自 凹非寺转载自:量子位(QbitAI)苹果前脚刚用Apple Intelli...

阿木寺的博客 346

数据库崩溃恢复机制:REDO日志与UNDO日志详解

在数据库管理系统中,事务的持久性和一致性是至关重要的。为了保证在系统崩溃或发生故障时数据不会丢失,数据库引入了恢复机制。其中,REDO日志和UNDO日志是两种关键的恢复技术。本文将详细描述这两种日志的作用、工作原理以及它们在数据库崩溃恢复中的应用。

My_wife_QBL的博客 1414

马斯克怒斥苹果接入ChatGPT:在全公司禁用

苹果前脚刚用Apple Intelligence“重新定义”了AI,后脚就被马斯克杠上了。原因嘛,是因为苹果宣布将,被马斯克认为是极不安全的做法。马斯克扬言,如果苹果敢把ChatGPT集成到系统级别,自己所有的公司。不仅是员工,,然后在法拉第笼(可屏蔽信号)中暂存。不过虽然马斯克明面上说的是苹果,但字里行间都透露着对老冤家OpenAI的不满。老马给出的具体解释中也提到,如果苹果把信息交给OpenAI,,还为此送出了表情包。视角独到的网友就此提问,这是意味着特斯拉手机或者Grok手机要来了吗?

踢足球的程序员的博客 867

京东商品数据爬取实战:用Selenium+代理IP绕过最新反爬机制(附完整代码)

本文深入解析京东商品数据采集技术,详细介绍了如何利用Selenium与智能反反爬策略绕过京东最新的反爬机制。通过实战案例和完整代码,帮助开发者掌握高效采集京东商品数据的方法,包括动态参数加密、行为验证识别及分布式采集架构设计等关键技术。

cc789的博客 1063

软硬件融合加速技术系列文章

目录 文章目录目录计算机组成原理Linux 操作系统原理处理器进程管理内存管理I/O 系统文件系统网络协议栈资源管理设备管理GPUFPGASmartNIC/DPU 计算机组成原理 《计算机组成原理 — 冯诺依曼体系结构》 《计算机组成原理 — 基本硬件设备》 《计算机组成原理 — CPU 中央处理器》 《计算机组成原理 — 指令系统》 《计算机组成原理 — 总线系统》 《计算机组成原理 — 存储系统》 《计算机组成原理 — 输入输出系统 — 存储控制器接口类型》 《计算机组成原理 — 服务器》 《计算机组成

烟云的计算 6809

每日新闻掌握【2024年10月8日 星期二】

10月7日,长城汽车公告,2024年9月销量10.84万台,同比下降10.88%;今年累计销量85.38万台,同比下降1.18%。(财联社)10月7日,赛力斯发布2024年9月份产销快报,9月新能源汽车产量为37,416辆,同比增长312.89%,本年累计产量为321,286辆,同比增长370.05%;9月新能源汽车销量为37,407辆,同比增长265.09%,本年累计销量为316,713辆,同比增长364.23%。

1266

【图像超分】论文复现:新手入门必备!Pytorch实现SRGAN!手把手详细教程!代码注释详尽!可用于训练自己的数据集!实时验证模型性能!绘制PSNR曲线图!附训练好的各放大倍数的模型权重文件!

【图像超分】论文精读:SRResNet/SRGAN【图像超分】论文复现:万字长文!Pytorch实现SRResNet代码修改无报错!踩坑全记录!适合各种深度学习新手!帮助你少走弯路!附修改后的代码和PSNR最优的模型权重文件!请配合上述论文精读文章使用,效果更佳!与原论文描述不一样的实现部分,也即可以修改的部分数据集使用:论文中是ImageNet随机选35000张图像,本文是VOC2012数据集16700张图像。数据集预处理:裁剪大小不同,论文是96×96,本文是88×88。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 6856

奥特曼怒斥OpenAI硬件抄袭:邮件证据曝光,投资纠纷内幕大揭秘!

【摘要】OpenAI与初创公司IYO的"抄袭门"纠纷迎来戏剧性反转。奥特曼公开回应商标侵权诉讼,称IYO创始人曾多次寻求投资收购未果后发起"愚蠢的"诉讼,并展示相关邮件证据。IYO方则反驳称只想公平竞争要回产品名。法院已批准临时限制令,OpenAI撤下争议产品宣传。与此同时,OpenAI正为ChatGPT开发对标办公软件的新协作功能,持续强化产品竞争力。这场涉及AI硬件命名权、商业伦理与技术创新界限的纠纷,引发科技圈广泛关注。(149字)

m0_65555479的博客 734

ConvNeXt 改进 :ConvNeXt添加GnConv递归门控卷积,二次创新CNBlock结构 ,独家首发

视觉 Transformer 在多种任务中取得了显著的成功,这得益于基于点积自注意力的新空间建模机制。视觉 Transformer 中的关键因素——即输入自适应、长距离和高阶空间交互——也可以通过卷积框架高效实现。作者提出了递归门控卷积(Recursive Gated Convolution,简称 gnConv),通过门控卷积和递归设计执行高阶空间交互。该新操作具有高度的灵活性和可定制性,兼容各种卷积变体,并将自注意力中的二阶交互扩展到任意阶数,而不会引入显著的额外计算。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 244

5、数字图像采集:X射线成像技术全解析

本文全面解析了数字图像采集中的X射线成像技术,涵盖数字X射线探测器、荧光透视与血管造影、乳腺摄影以及计算机断层扫描(CT)的图像重建原理。详细介绍了TFT平板探测器的优势、DSA技术在血管成像中的应用、乳腺摄影对高对比度和分辨率的需求,以及CT中基于Radon变换和滤波反投影的重建方法。同时探讨了噪声、部分容积效应、金属伪影和运动伪影等常见问题及其影响。最后总结了各类X射线成像技术的特点与应用场景,并展望了未来在图像质量提升和剂量优化方面的技术发展方向。

l6m7n8的博客 129

如何用AI生成全网爆火的“平凡无奇”iPhone自拍图

图片风格为「人像摄影」,请你画一张及其平凡无奇的iPhone对镜自拍照,主角是穿着JK风格cos服的可爱女孩,在自己精心布置的可爱风格的房间内的落地镜前用后置摄像头随手一拍的快照。照片开启了闪光灯,略带点快门速度不够导致的运动模糊(若模糊需要整体的模糊,轻微程度),构图混乱,突出女生对镜自拍的镜子中反射的房间环境(以第一人称),突出模糊的光影关系,整体呈现出一种平庸和日常感,比例 「9:16」。参考前面的生图思路,我们也可以在基础模板提示词的基础上略加修改和限定,生成以假乱真的“照骗”。

weixin_49199926的博客 5757

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")

企业可以通过哪些渠道使用 ChatGPT 和 OpenAI 模型?

正式选型阶段,查阅 GPT-6 Sol、GPT-6 Luna、Claude Opus 5.5 的模型卡,确认 API、Region、功能特性与生命周期状态。在 Amazon Bedrock 体系里,GPT-6 Sol 主打高复杂度开发场景,支持功能开发、故障调试、代码重构、代码审查,也能够联动多款工具、应用完成多步骤业务流程。优先挑选 2-3 个典型场景,例如代码开发、文档处理、高频分类,使用同一套测试集分别跑测 GPT-6 Sol、GPT-6 Luna 和 Claude Opus 5.5。

JINGdigital_的博客 302

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

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。

ChatGPT能把手机录音转成文字吗?入口、时长和纪要核对一次讲清

录音能上传,为什么却无法转成文字?转写稿看起来完整,为什么纪要又改错了金额、期限和负责人?本文结合当前官方说明,讲清手机音频准备、转写入口、长录音分段及纪要核对,附两段可复制提示词与虚构校对样例,帮助保留原话、区分提议和决定

海波的专栏 215

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

AI与大模型新闻日报 | 2026-11-11

今日 AI 圈动态速览:OpenAI 扩展 ChatGPT 商业功能:企业可认领资料并创建 AI 智能体,为 Business Agent 投放广告、谷歌最强 VLA 机器人模型:Gemini Robotics 2.5 登场,会系蝴蝶结、已在奔驰生产线上岗、挑战微软 Win11:原生 AI 系统 KORA 登场,将率先适配高通骁龙 X2 Elite 芯片、Meta的人工智能代理Muse登陆Apple Watch和Android Wear OS 等共 24 条新闻。

dozenyaoyida的博客 405

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 280

ChatGPT批量导出没有PDF模式?“AI导出鸭”正在重新定义AI内容归档的底层逻辑

摘要(149字) AI导出鸭插件突破性解决了ChatGPT等平台内容无损导出PDF的难题,尤其针对批量处理LaTeX公式、Mermaid流程图等复杂元素。其技术核心通过虚拟DOM比对生成矢量PDF,实现文本可复制、公式不失真、流程图高清渲染,并支持多对话合并导出。相比传统截图式工具,它构建了从AI对话到可交付文件的生产力管道,满足开发、教育等场景的归档需求。工具采用本地处理保障隐私,以“格式网关”架构重新定义AI内容落地的优雅方式。

rteertreerte的博客 365

ChatGPT Businesses 与 Business Agents 实战:商家确权、商品 Feed、GEO 洞察和隐私治理

OpenAI 推出 Businesses in ChatGPT Beta。本文不止复述功能,而是从商家资料确权、商品 Feed、聚合洞察、Business Agent 对话边界与隐私治理出发,给出企业可执行的接入架构、数据质量规则、灰度上线流程和核对清单。

jerry764的博客 419

ChatGPT Images 2.6 更新备忘:GIF、参考图与 API 提速(官方 X 帖截图)

生成、参考图能力,以及 API 提速。我根据官方 X 帖和相关截图,把要点整理成了一篇备忘,方便对照查阅。这次更新,主要提到了更好的。

Maynor的博客 100

ChatGPT 已占 Google 搜索量 20%:搜索的“第二次战争“,买家从人变成模型摘要

OpenAI 官方确认 ChatGPT 搜索量已达 Google 总量的 20%,搜索市场的"买家"正从人转向模型。本文梳理搜索入口迁移、搜索 API 开放带来的价值链重排,以及企业应如何从"优化网页排名"转向"让模型采信"。

2601_96888293的博客 73

ChatGPT Codex 安装问题汇总

Windows 安装 ChatGPT Codex(MSIX 包)后无桌面图标,可使用快捷方法解决:按下 Win + R,输入 shell:AppsFolder 回车,打开应用列表,找到 OpenAI.Codex(显示为 ChatGPT),直接拖拽至桌面,即可生成永久可用的快捷方式,支持自动升级不失效。

hello:code I am captain 264

ChatGPT、Codex并发排查:Spring Boot接口没有报错,为什么线程池队列越来越长,最后整批请求超时?

Spring Boot接口没有报错,CPU和数据库连接池也正常,为什么线程池队列却越来越长?本文从订单服务任务积压故障切入,分析无界队列、最大线程数、CallerRunsPolicy、下游阻塞和任务背压机制,并介绍通过Codex辅助定位线程池瓶颈的方法。

2601_96380027的博客 225

ChatGPT收录优化怎么做:荷里购科技拆解认领与监测

第二,把企业信息填准确,尤其是网站、业务描述、产品类别、退换政策,这些是ChatGPT回答问题时可能引用的素材。抖店后台的“豆包运营”专区按“看数据、找商机、优化商品”三步走,经营数据看曝光、点击、成交、退款等指标,商机词用于选品上新,购前核心决策信息用于完善商品属性与卖点。ChatGPT的提及不是提交出来的,是被引用出来的。据企业介绍,GEO特工队AI覆盖豆包、DeepSeek、Kimi、通义千问、ChatGPT、Gemini、Perplexity等国内外主流AI平台,适合需要双生态布局的出海品牌。

2601_96569777的博客 210

【科研快讯】OpenAI推出ChatGPT Wallet:AI Agent不再只会推荐商品,还能替用户完成支付

AI Agent正在从信息处理走向真实交易。11月13日,OpenAI公布ChatGPT Wallet,允许旗下智能体在用户授权后,使用支付令牌完成购物付款。用户可以提前绑定银行卡,在每笔交易前核对商品、金额和商户,并通过Face ID或指纹等安全验证完成授权。这意味着AI智能体开始进入支付环节,也让交易授权、资金安全、责任划分和商业系统适配成为新的技术议题。

欢迎来wx_17607684379的博客交流 409
上一篇: 基于LoRA微调多模态大模型
下一篇: 没有思考过 Embedding,不足以谈 AI
爱喝白开水a
博客等级 码龄3年 6793粉丝 763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