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
5.7k累计阅读
5.8k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
今天GPT4推出。
最具颠覆性特点，相比之前chatGPT最多输入4000 tokens的字数限制，
新版GPT4最多能让用户输入3万2千token（大概50页英文文字长度。
所以写长篇小说没有问题了。
其他特点总结：
GPT-4模型中的token和Tokenization概念介绍
Token从字面意思上看是游戏代币，用在深度学习中的自然语言处理领域中时，代表着输入文字序列的“代币化”。那么海量语料中的文字序列，就可以转化为海量的代币，用来训练我们的模型。这样我们就能够理解“用于GPT-4训练的token数量大约为13万亿个”这句话的意思了。代币越多，训练次数越多，最终模型的质量一般也越好。13万亿个，这个数目是指在模型训练过程中所使用的数据集中的总token数，反映了模型在训练时接触到的数据规模之大。
GPT-4最强竞品迎来重磅升级：一次10万token，百页资料一分钟总结完毕
他们将这篇喂给Claude后，替换了其中一个角色Mr. Carraway，把他的角色变成“Anthropic里的一位工程师”，再交给Claude阅读，让它找不同。除此之外，还能帮导演处理剧本选址一类的问题。之前我们说的不用注册、不用申请、不用“骚操作”就能玩、体验也很不错的是slack端，它的添加方法我们在之前的文章中介绍过，非常简单。但现在，拥有一次10万+个token记忆力的Claude，则不太可能出现这种情况，反而能牢牢记住和你聊过的话题，连续交谈上好几天。言外之意，卷得好啊卷得妙。
gpt4与gpt4o对比
GPT-4o 是 OpenAI 的新旗舰模型，可以实时推理音频、视觉和文本。GPT-4o 最初将在 ChatGPT 和 API 中作为文本和视觉模型提供（ChatGPT 将继续通过预先存在的语音模式功能支持语音）。GPT-4o 将在 ChatGPT Free、Plus 和 Team（Enterprise 即将推出）以及 Chat Completions API、Assistants API 和 Batch API 中提供。
关于GPT-4，14个容易被忽略的惊人细节！
为了模拟GPT-4像一个可以在现实世界中行动的代理一样的行为，ARC将GPT-4与一个简单的读取-执行-打印循环结合起来，允许模型执行代码，进行链式推理，并委托给自己的副本。我们都知道，ChatGPT的数据库的最后更新时间是在2021年的12月31日，这意味着2022年以后发生的事情不会被知晓，而这一缺陷在之后的GPT-3.5也得到了修复。ARC随后推进了在云计算服务上运行这个程序的一个版本，用少量的钱和一个带有语言模型API的账户，是否能够赚更多的钱，建立自己的副本，并增加自己的稳健性。
GPT-4o+Canvas+o1：重构数据分析工作流的三大支柱
数据分析正从线性问答迈向沉浸式推理闭环。其核心在于自然语言理解、可执行交互环境与深度逻辑推演三者的协同——GPT-4o提供低延迟多模态语义解析能力，Canvas构建具备状态管理与代码可追溯性的交互画布，而o1 preview则通过链式思维强化、约束求解优化和反事实建模，显著提升归因分析与预测推理的稳定性。这种组合解决了传统LLM分析中上下文断裂、执行黑箱与推理浅层化等关键瓶颈，已在销售归因、客户分群、业务模拟等真实场景中验证效率跃升。本文聚焦三者如何咬合落地，揭示下一代智能分析工作流的技术底座。
ubuntu18.04安装xenomai3.1（百分百成功版）
ubuntu18.04安装xenomai3.1（百分百成功版），保姆级教学！！！
用过GPT-4 Turbo以后，我们再也回不去了
简单总结就是，借助该工具，用户可以使用 OpenAI 的 GPT 编写和编辑代码，轻松地进行 git commit、diff 和撤消 GPT 提出的更改，而无需复制 / 粘贴，它还具有帮助 GPT-4 理解和修改更大代码库的功能。综上所述，GPT-4 Turbo 的这一波更新更重要的是完善了功能，增加了速度，准确性是否提高仍然存疑。器的集成，沃顿商学院教授 Ethan Mollick 分享了一段视频，展示了他的名为「趋势分析器」的 GPT 工具，其可查找市场特定细分市场的趋势，然后创建新产品的原型图像。
告别网络卡顿！保姆级教程：用国内镜像源5分钟搞定ESP32开发环境（Arduino IDE）
本文提供了一份保姆级教程，教你如何利用国内镜像源在5分钟内快速搭建ESP32开发环境（Arduino IDE），告别网络卡顿问题。教程详细介绍了镜像源配置、开发板安装、测试程序烧录等步骤，并包含与巴法云对接的实战案例，帮助开发者高效完成物联网项目。
OpenAI GPT-4 Turbo发布：开创AI新时代
Open-AI就举行了自己的首次开发者大会。在短短45分钟的时间里，OpenAI首席执行官SamAltman宣布推出最新的大模型GPT-4Turbo。这一新一代AI模型引发了业界广泛的关注。该模型的发布标志着人工智能技术迎来了一次革命性的变革，为技术的发展和应用提供了更广阔的空间。
解决 Clawdbot 对接 Minimax 出现 401 (Token is unusable) 的问题排查与修复
即便确认 API Key 有效且余额充足，该问题仍可能在 Clawdbot 中持续出现，而在其他工具（如 curl 或 Postman）中测试正常。
一步一步教你如何安装IP-Guard（客户端WINDOWS篇）
1、安装完服务器后，在服务器右下角有一个IP-GUARD图标：如图 2、点图标右键选注册： 3、注册成功后， 4、在开始菜单里选生成客户端安装包。 5、生成客户端安装包成功，安装名字可以任意，但是最好是英文名字。 6、将客户端安装程序复制到桌面。 7、退出所有杀毒软件、安全卫士、电脑管家等然后运行 8、安装完成后，立即重启计算机。IPguard客户端安装完成。 9、这样在控制里就可以看到已经安装客户端的计算机，在线显示蓝色，灰色表示计算机已经离线货关机 ...
宇宙最强-GPT-4 横空出世：最先进、更安全、更有用
昨晚OpenAI公开了GPT-4的进展，并可以基于ChatGPT实现GPT-4的使用和访问，GPT-4到底有哪些巨大的能力提升呢，让我们来一探究竟。GPT-4的横空出世将ChatGPT的很多局限性突破了，虽然基础模型能力只有一点提升（官方团队谦虚之语），但是在各种测试中GPT-4都完爆ChatGPT了，如果想了解更多内容或者加入到AIGC&ChatGPT的研究交流中可以私信我！
3、固定翼无人机模型解析
本文详细解析了固定翼无人机的动力学模型与纵向模型，涵盖位置、速度、角度及角速度的变化率方程，并介绍了力和力矩的计算方法以及气动系数的表达式。通过关键参数分析，探讨了速度、迎角和倾斜角对飞行性能的影响。文章还展示了模型在编队飞行和任务规划中的应用，并提出了参数优化与先进控制策略等优化思路，为无人机飞行控制系统设计提供了理论基础。
OpenAI 举办首届开发者大会：GPT应用商店、GPT-4 Turbo登场
文生图模型DALL·E 3、具有视觉输入能力的GPT-4 Trubo，以及新的声音合成模型（TTS）都在今日进入API。对于那些最热门的GPT，公司还将分享一部分的营收，来推进GPT应用生态的进步。更重要的是，整个构建“自定义GPT”的过程也是通过自然语言对话形成的。也就是说，输入1000个Token的定价为1美分，而输出1000个Token的定价为3美分。用户现在可以更精细的控制AI的行为，包括通过JSON模式直接调用API、在一个请求中同时执行多个命令、通过种子控制，确保结果的可重现性；
大唐杯5G考前冲刺篇（回顾全文重点必看）
大唐杯习题复习指南
[QMT和ptrade量化交易小白入门]-125、菜场大妈加上四大现金行业指数风控，最大回撤从22%减少了一半
群里面有人建议，在菜场大妈策略的基础上，加入申万的行业指数（银行，钢铁，有色，煤炭）测算其宽度，当这四大行业其中有一个高就会清仓（用来控制回撤）。这背后的逻辑是，在存量资金博弈的市场环境中，资金总量相对固定，当银行、钢铁、有色、煤炭等大市值周期行业因基本面改善（如涨价、政策催化）或避险需求而走强时，会吸引大量资金涌入，导致其他板块（尤其是小市值股票）面临流动性虹吸。经过回测，对比上一个版本发现确实是可以降低一半的回撤，最大回撤从22.3%降到了11.4%，而且有很多时间是空仓等待。
GPT-SoVITS终极指南：如何用1分钟语音数据训练专业级语音合成模型
你是否曾梦想过拥有一个能够模仿任何人声音的AI助手？或者想要为你的视频内容、有声读物或游戏角色创建个性化的语音？传统语音合成技术需要大量训练数据和复杂的技术栈，这让很多创作者望而却步。今天，我将为你介绍一个革命性的开源项目——GPT-SoVITS，它仅需1分钟语音样本就能生成高质量的个性化语音，彻底改变了语音合成的门槛。 **关键要点：** GPT-SoVITS是一个基于GPT和SoVITS技术
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
AI 模型大爆发：GPT-5，Claude Opus 4.1，Genie 3 集体亮相！| AI Weekly 8.4-8.10
AI 模型大爆发：GPT-5，Claude Opus 4.1，Genie 3 集体亮相！| AI Weekly 8.4-8.10
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")
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
GPT-SoVITS实战教程：用1分钟语音克隆你的声音，效果惊艳
本文介绍了如何在星图GPU平台上自动化部署GPT-SoVITS镜像，实现高效语音克隆功能。通过简单的配置，用户可快速搭建语音克隆环境，仅需1分钟录音即可生成逼真的个性化语音，适用于视频配音、有声书制作等场景，显著提升音频内容创作效率。
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
GPT Store上线 OpenAI 的「iPhone时刻」这回真来了
OpenAI首届全球开发者大会上，Sam Altman再次给AI行业扔了一系列重磅炸弹。GPT-4 Turbo、GPT Store和定制化的GPT在大会上发布，OpenAI的生态体系初具雏形。GPT模型刚升级了不到24小时，高能网友就开始用它的定制化功能创造了各种有趣的应用。有人创建了能微调X帖子的专用模型，精确定位全平台用户发帖的高峰时间；有人用GPT做了一个AI解说员，不仅能看懂足球赛，还会解说英雄联盟......一系列新功能直接吸引了大量用户涌入，从ChatGPT到API，全线崩溃了近两个小时。
GPT-4.1、Mini、Nano不是新模型，而是轻量化落地三路径
大模型轻量化是当前AI工程落地的核心命题，其本质并非简单压缩参数，而是围绕推理效率、部署成本与业务适配性展开的系统性优化。关键技术路径包括增量微调（如LoRA适配）、知识蒸馏+结构重参、端侧量化+运行时优化，分别对应低延迟API增强、消费级GPU本地部署、无GPU设备端侧运行三大场景。GPT-4.1、GPT-4 Mini、GPT-4 Nano作为社区共识命名，已演变为描述轻量化策略的技术语义标签，广泛应用于日志分析、边缘代码助手、CRM字段对齐等真实工业场景，标志着大模型从‘能用’迈向‘好用’与‘敢用’的关
硅纪元视角 | GPT-4o mini限时免费微调，每天200万免费token
与此同时，IBM的研究人员提出了一种无需训练的AI方法，旨在减少LLMs中的幻觉现象，并推出了AI-Hilbert，这是一种新颖的机器学习框架，通过将代数几何与混合整数优化技术相结合，旨在促进科学发现。此外，Talkie的成功也为其他领域的AI应用提供了宝贵的启示，如虚拟偶像、智能客服等，都可以通过类似的技术实现更加自然和个性化的交互体验。汇聚行业专家的见解，分享独到的视角和思考；综上所述，这些技术的突破不仅推动了人工智能领域的进步，也为各行各业的实际应用提供了新的可能性，预示着一个更加智能和高效的未来。
GPT-SoVITS 零样本语音合成实战：1 分钟音频克隆音色，从安装到推理全流程
如果你手里只有一段不到 1 分钟的人声录音，却想让 TA 用任意文字开口说话，GPT-SoVITS 就是干这个的：几秒参考音频即可做零样本语音合成，1 分钟素材还能微调出专属音色。这篇手册按操作顺序走：装环境 → 出声音 → 备料 → 微调 → 调参，每一步都能独立跑通、独立验证。 ## 环境与前置准备 | 项目 | 要求 | |---|---| | 系统 | Windows / Linux
GPT4 Turbo的128K上下文是鸡肋？推特大佬斥巨资评测，斯坦福论文力证结论
本文约2300字，建议阅读5分钟 无论如何，GPT-4 Turbo 确实已经向我们开启了大模型“另一片新天地”的大门。近期，AI 圈子里最火的事，莫过于 OpenAI 在他们的首届开发者日上重磅推出了 GPT-4 的加强 Plus 版 GPT-4 Turbo。随便摘出来几点 GPT-4 Turbo 对 GPT-4 的升级几乎都是王炸级别，譬如：128K 的上下文长度！？GPT-4 的上下文长度是 ...
OpenAI史诗级更新！最强大模型炸场，128K上下文、价格暴降2/3，还能定制专属GPT
2023年最瞩目的人工智能大会上，OpenAI的首席执行官萨姆•阿尔特曼（Sam Altman）宣布了GPT-4、ChatGPT的年度最重磅更新，爆点颇多。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
