产品经理应该具备的基本意识(4)竞争和概率意识(字幕)

AI产品经理入门指南:从概率思维到数据驱动的实战能力构建 机器学习与人工智能技术的广泛应用,正深刻改变产品开发范式。其核心原理在于通过算法模型从数据中学习规律,实现预测、分类或生成等任务,这为产品创新带来了前所未有的技术价值。在工程实践中,这种价值体现在构建能够持续学习和优化的智能系统,例如推荐系统、智能对话和计算机视觉应用。产品经理的角色也随之演进,需要掌握从确定性逻辑到概率性思维的转变,理解模型输出的不确定性,并围绕数据与效果迭代开展工作。这要求从业者不仅关注功能设计,更要构建数据思维与实验设计能力,熟练运用A/B测试验证策略,并具备AI原生交互设计及工程成本 阅读详情

1
00:00:01,830 --> 00:00:06,540
下一个我们要有的基本意识

2
00:00:06,550 --> 00:00:09,140
就是要有竞争意识和概率意识

3
00:00:09,310 --> 00:00:10,540
首先要有竞争意识

4
00:00:12,140 --> 00:00:13,650
如果没有竞争意识

5
00:00:14,740 --> 00:00:16,400
这个人就不会有思考的

6
00:00:16,410 --> 00:00:18,440
这种意识,这种觉悟的

7
00:00:19,250 --> 00:00:19,920


8
00:00:19,930 --> 00:00:24,370
有人说,我这个项目是领导安排的

9
00:00:27,940 --> 00:00:29,530
不需要找客户什么之类的

10
00:00:30,270 --> 00:00:31,230
怎么可能

11
00:00:31,360 --> 00:00:33,230
领导安排的,你是不是可以随便乱做

12
00:00:34,700 --> 00:00:36,940
如果你随便乱做,你这个问题就不存在了

13
00:00:36,950 --> 00:00:37,460


14
00:00:37,770 --> 00:00:39,880
你上这个课也没有必要了

15
00:00:39,890 --> 00:00:41,520
因为你日子过得很滋润

16
00:00:43,370 --> 00:00:45,270
问题是你就不能随便乱做的

17
00:00:47,370 --> 00:00:48,600
说明背后有竞争

18
00:00:49,240 --> 00:00:49,610


19
00:00:50,230 --> 00:00:52,160
你随便乱做,领导不满意

20
00:00:52,290 --> 00:00:53,320
领导为什么不满意

21
00:00:54,770 --> 00:00:57,320
你要是时光倒流100年

22
00:00:57,330 --> 00:01:00,220
你有个计算器给领导用

23
00:01:00,990 --> 00:01:03,190
领导认为这个太神

24
00:01:03,690 --> 00:01:04,480
太高傲(高大上)了

25
00:01:05,010 --> 00:01:06,360
太高科技了

26
00:01:07,080 --> 00:01:09,880
100年以前突然来一个电子计算器

27
00:01:09,890 --> 00:01:10,720
都不用什么

28
00:01:10,950 --> 00:01:11,350
软件

29
00:01:14,760 --> 00:01:16,560
当时的人都觉得这个太牛了

30
00:01:16,570 --> 00:01:18,400
简直神仙的手段了

31
00:01:20,320 --> 00:01:23,340
为什么你现在搞一个,人家都不满意

32
00:01:23,350 --> 00:01:25,220
因为有比较,有竞争

33
00:01:25,880 --> 00:01:27,550
领导见得多了

34
00:01:29,640 --> 00:01:33,000
还有人,我做的是开源的,是免费的

35
00:01:35,980 --> 00:01:37,460
免费也要竞争的

36
00:01:37,470 --> 00:01:38,750
那么多免费的

37
00:01:39,400 --> 00:01:41,760
现在APP绝大多数是免费的

38
00:01:42,480 --> 00:01:43,110


39
00:01:44,190 --> 00:01:45,450
免费的,你都会去用吗

40
00:01:45,460 --> 00:01:45,970
没有

41
00:01:48,120 --> 00:01:49,680
那么多免费的,应用商店里面

42
00:01:49,690 --> 00:01:50,920
那么多都免费的

43
00:01:50,930 --> 00:01:52,440
你用的也是很少的

44
00:01:53,420 --> 00:01:54,490
也是要竞争的

45
00:01:54,500 --> 00:01:57,000
因为你虽然不给钱

46
00:01:57,010 --> 00:01:58,280
但对方怎么样

47
00:01:58,290 --> 00:02:00,810
付出了时间

48
00:02:00,820 --> 00:02:05,720
时间24小时,你用在这个App上

49
00:02:06,350 --> 00:02:07,830
你就没有办法用在那个APP上

50
00:02:07,840 --> 00:02:12,290
你装了快手,你刷快手,你就可能不刷抖音

51
00:02:12,550 --> 00:02:16,690
你刷了抖音,很可能就不刷微信视频号

52
00:02:18,210 --> 00:02:21,480
都是免费,不但免费,还有钱拿

53
00:02:21,950 --> 00:02:23,860
你现在刷视频,你刷抖音刷什么

54
00:02:24,300 --> 00:02:26,750
你不断刷,有个圈圈在那里转

55
00:02:28,460 --> 00:02:31,320
刷一个大概得几分钱

56
00:02:32,210 --> 00:02:34,990
在那里转,快手给的更多

57
00:02:35,000 --> 00:02:37,950
现在很多老人都刷这个来赚钱

58
00:02:39,060 --> 00:02:40,740
还给钱,但是给钱你就去用吗?

59
00:02:41,330 --> 00:02:44,640
还要比,哪个给钱给得多

60
00:02:45,430 --> 00:02:46,900
人家也会比的

61
00:02:46,910 --> 00:02:48,460
快手极速版给的就多

62
00:02:49,270 --> 00:02:50,580
抖音给的就小气了

63
00:02:51,390 --> 00:02:56,420
所以如果是为了赚钱

64
00:02:56,430 --> 00:02:58,080
快手就更好

65
00:02:58,800 --> 00:03:00,900
都会比较的

66
00:03:01,500 --> 00:03:04,790
即使给钱,人家也要挑的,要竞争

67
00:03:05,420 --> 00:03:07,040
但我们很多人就没有这种意识

68
00:03:09,810 --> 00:03:12,660
他经常把试错

69
00:03:13,610 --> 00:03:16,330
挂在嘴边

70
00:03:16,760 --> 00:03:19,750
说我要做一个,投入到市场试错

71
00:03:21,580 --> 00:03:22,980
你以为你爸是李刚

72
00:03:23,990 --> 00:03:26,850
市场包容你

73
00:03:26,860 --> 00:03:35,630
这种就很天真的,市场上有很多很多产品

74
00:03:37,000 --> 00:03:38,030
100个里面

75
00:03:39,100 --> 00:03:41,910
最终成功的就1个

76
00:03:43,740 --> 00:03:45,470
大部分是要被干掉的

77
00:03:48,020 --> 00:03:52,130
当然,作为外面的用户来说

78
00:03:52,140 --> 00:03:57,280
你放上来很多试错什么的,这个倒无所谓

79
00:03:57,770 --> 00:03:58,200


80
00:03:59,230 --> 00:04:02,090
但如果你是身在其中的一员

81
00:04:03,670 --> 00:04:04,580
你一旦错了

82
00:04:05,390 --> 00:04:07,220
你这个钱不是打水漂了吗

83
00:04:07,800 --> 00:04:12,620
就像我们拿角斗士来说

84
00:04:12,750 --> 00:04:17,490
斯巴达克斯,美剧

85
00:04:18,910 --> 00:04:22,980
你看,两个角斗士在场上拼杀

86
00:04:23,680 --> 00:04:25,350
旁边观众看得很激烈

87
00:04:25,820 --> 00:04:27,580
很开心

88
00:04:28,190 --> 00:04:29,900
如果发生这种冷门的

89
00:04:29,910 --> 00:04:32,710
比如说,一个比较弱的角斗士

90
00:04:32,720 --> 00:04:37,520
杀死比较强的角斗士

91
00:04:37,530 --> 00:04:40,400
观众看得更开心

92
00:04:40,880 --> 00:04:42,400
就像我们看世界杯一样

93
00:04:43,510 --> 00:04:47,270
冷门的淘汰热门的,太好看了

94
00:04:47,280 --> 00:04:49,330
是的

95
00:04:49,740 --> 00:04:50,750
我们作为观众

96
00:04:51,350 --> 00:04:52,740
观众就是奴隶主

97
00:04:52,910 --> 00:04:55,540
和当时的平民,奴隶主或者平民

98
00:04:56,160 --> 00:04:59,570
场上拼杀的是奴隶

99
00:05:01,580 --> 00:05:03,760
旁边的观众肯定很开心,冷门

100
00:05:05,430 --> 00:05:11,490
这个比正常的比赛看得还要有兴趣

101
00:05:11,500 --> 00:05:11,930


102
00:05:13,130 --> 00:05:18,230
但是,如果是场上比赛的球员

103
00:05:18,240 --> 00:05:20,110
场上比赛的角斗士

104
00:05:20,120 --> 00:05:21,190
那就很痛苦了

105
00:05:21,480 --> 00:05:24,010
你一旦错,就被对手干掉了

106
00:05:24,440 --> 00:05:25,840
哪有那么多机会让你试错

107
00:05:27,850 --> 00:05:30,250
那是观众才有这种心情

108
00:05:31,430 --> 00:05:33,590
角斗士在场上都是战战兢兢的

109
00:05:34,300 --> 00:05:35,780
一点错都不能,不敢犯的

110
00:05:35,790 --> 00:05:36,810


111
00:05:37,900 --> 00:05:41,460
我们是角斗士,是奴隶,不是奴隶主

112
00:05:42,130 --> 00:05:45,730
但很多人,他明明自己是场上的奴隶

113
00:05:46,640 --> 00:05:49,050
他却有一种自己是奴隶主这种感觉

114
00:05:49,140 --> 00:05:52,070
这种不知道天高地厚了

115
00:05:52,450 --> 00:05:59,800
要有这种意识,竞争意识

116
00:05:59,810 --> 00:06:01,280
第二个就是概率意识

117
00:06:03,030 --> 00:06:05,830
就是说,不要把个例

118
00:06:07,480 --> 00:06:08,710
当成普遍的

119
00:06:08,720 --> 00:06:10,470
我们要有概率的意识

120
00:06:11,140 --> 00:06:12,250
会有人说

121
00:06:13,740 --> 00:06:15,840
上清华北大也没什么了不起

122
00:06:15,850 --> 00:06:18,420
你看某某有个初中生

123
00:06:19,610 --> 00:06:22,080
当老板,清华北大的给他打工,有没有

124
00:06:22,210 --> 00:06:22,680
肯定有的

125
00:06:24,290 --> 00:06:27,720
老板是初中生,然后员工是清华北大,有的

126
00:06:28,240 --> 00:06:30,160
问题是这种概率有多少

127
00:06:32,390 --> 00:06:35,150
概率就使得我们就有一种什么

128
00:06:35,160 --> 00:06:37,600
就是说,实际上跟竞争是一样的

129
00:06:37,610 --> 00:06:39,640
它是比概率的大小

130
00:06:41,080 --> 00:06:42,770
但是不排除有特例

131
00:06:43,940 --> 00:06:45,310
比如说,为什么这样做

132
00:06:46,280 --> 00:06:50,330
因为这样做,得到正确结果的概率更大一点

133
00:06:52,340 --> 00:06:54,700
但有可能在某些特例情况下

134
00:06:54,710 --> 00:06:59,490
你那样做,可能也瞎猫撞死耗子也有的

135
00:07:00,550 --> 00:07:01,540
但概率就小

136
00:07:03,410 --> 00:07:05,650
所以经常有人说,你看,人家就瞎做

137
00:07:05,660 --> 00:07:07,770
人家公司也成功了

138
00:07:08,450 --> 00:07:10,140
是的,有存在的

139
00:07:10,910 --> 00:07:13,460
但是,你要看概率是多少

140
00:07:15,240 --> 00:07:19,840
但很多人就拿这个,没有这种概率意识

141
00:07:19,850 --> 00:07:21,280
经常就会犯这种错误了

142
00:07:21,290 --> 00:07:24,560
就把特例当成什么

143
00:07:24,570 --> 00:07:26,400
当成普遍的案例

144
00:07:28,040 --> 00:07:31,800
他随便找一个特例就把正常规律给驳倒了

145
00:07:33,850 --> 00:07:35,210
第二个就有这种什么

146
00:07:37,720 --> 00:07:39,890
如果没有这种思想

147
00:07:40,120 --> 00:07:41,870
他就会有一个极端的

148
00:07:43,000 --> 00:07:45,710
两个极端上徘徊

149
00:07:46,910 --> 00:07:48,180
如果考不了满分

150
00:07:48,190 --> 00:07:49,660
那就跟0分没有什么区别

151
00:07:52,530 --> 00:07:54,090
发展到最后,就是什么

152
00:07:54,100 --> 00:07:56,600
就是说,你想那么多

153
00:07:57,040 --> 00:07:58,600
难道你答案一定是对的吗

154
00:07:59,350 --> 00:08:00,670
当然,谁也不敢打保票

155
00:08:00,680 --> 00:08:01,680
一定对

156
00:08:03,960 --> 00:08:05,070
既然你也不一定对

157
00:08:05,080 --> 00:08:07,830
我也不一定对,我们两个不一样的嘛

158
00:08:10,570 --> 00:08:11,900
就像你一个学霸

159
00:08:12,180 --> 00:08:13,160
你说你学霸你厉害

160
00:08:13,170 --> 00:08:15,170
你保证能考100分吗

161
00:08:15,180 --> 00:08:16,190
能考满分吗

162
00:08:17,080 --> 00:08:17,630
不能吧

163
00:08:18,390 --> 00:08:20,260
你也不能保证考满分

164
00:08:20,270 --> 00:08:22,380
我也不能保证,我们两个平等了

165
00:08:22,950 --> 00:08:23,240


166
00:08:24,150 --> 00:08:26,660
没有这种概率的思想

167
00:08:30,550 --> 00:08:34,220
所以我们要有这种意识

168
00:08:34,350 --> 00:08:35,660
竞争和概率意识

169
00:08:36,950 --> 00:08:38,960
我们去思考的目的

170
00:08:38,970 --> 00:08:41,030
是比竞争对手多一点点概率

171
00:08:41,040 --> 00:08:42,050
成功

172
00:08:44,920 --> 00:08:46,790
我们是和竞争对手比

173
00:08:47,520 --> 00:08:49,630
不是和满分比,也不是和0分比

174
00:08:51,380 --> 00:08:53,740
所以这里面就有两种心理要警惕的

175
00:08:53,750 --> 00:08:57,980
一种心理是自卑的心理,就觉得无法推理

176
00:08:59,250 --> 00:09:00,210
比如说,让他做需求

177
00:09:00,220 --> 00:09:04,100
他说这个做需求怎么可能做完美

178
00:09:05,080 --> 00:09:07,220
实际上就是说,怎么能拿满分呢

179
00:09:09,890 --> 00:09:11,570
既然不能拿满分,我就不做了

180
00:09:11,700 --> 00:09:13,040
你看,既然不能拿满分

181
00:09:13,050 --> 00:09:15,680
那就跟0分,没有什么区别,就不做了

182
00:09:15,690 --> 00:09:16,230
不是这样的

183
00:09:16,520 --> 00:09:18,110
我们只要拿60分

184
00:09:18,690 --> 00:09:19,400
也比什么

185
00:09:19,810 --> 00:09:21,950
50分钟要大,就像这个一样

186
00:09:21,960 --> 00:09:25,380
假设我出西风,点炮概率30%

187
00:09:26,390 --> 00:09:29,470
出这个白板,20%,可以算的

188
00:09:30,320 --> 00:09:31,970
那就要出西风

189
00:09:34,000 --> 00:09:36,240
虽然偶尔某一盘可能是什么

190
00:09:36,250 --> 00:09:39,820
某一把可能就输掉了

191
00:09:40,110 --> 00:09:44,380
但你一个晚上你不断按照规则去做

192
00:09:44,390 --> 00:09:48,060
一个晚上你赢钱的概率就很高了

193
00:09:50,360 --> 00:09:53,220
并不是说老鸟把把都赢,不是这样

194
00:09:53,230 --> 00:09:54,940
老鸟赢个7成就够了

195
00:09:55,550 --> 00:09:57,300
他按照他这个规律去做

196
00:09:58,320 --> 00:09:59,580
偶尔也会输

197
00:10:00,000 --> 00:10:01,230
但他不断地做

198
00:10:02,120 --> 00:10:04,870
那么一个晚上下来,钱就赢掉了

199
00:10:05,540 --> 00:10:07,380
菜鸟可能偶尔沾沾自喜

200
00:10:07,550 --> 00:10:09,050
你看,我随便乱打

201
00:10:09,060 --> 00:10:12,860
有时候也胡,你概率是多少

202
00:10:15,120 --> 00:10:16,840
自卑心理,无法推理

203
00:10:17,530 --> 00:10:18,840
自大心理,就无需推理

204
00:10:19,360 --> 00:10:22,500
就是刚才我们讲的,试错这种

205
00:10:23,160 --> 00:10:24,630
那就是一种自大的心理

206
00:10:25,120 --> 00:10:27,910
以为我爸是李刚,怎么搞都可以

207
00:10:28,080 --> 00:10:28,870
不是这样的

GPT-4o与o4-mini模型选型决策指南:从多模态到高并发的精准匹配 大语言模型(LLM)选型本质是工程权衡——在精度、延迟、成本与能力边界间寻找最优解。GPT-4o作为原生多模态旗舰,擅长跨模态理解与复杂推理,但首token延迟随上下文呈非线性增长;o4-mini则是为高吞吐、低延迟场景深度优化的轻量级模型,支持CPU部署与硬件感知调度,在实时客服、IoT日志分析等任务中展现显著TCO优势。二者并非替代关系,而是互补工具:前者解决‘能不能懂’,后者解决‘快不快、省不省’。当需求明确指向图像/语音联合分析或长文档深度语义理解时,GPT-4o不可替代;而当系统面临千级QPS、毫 阅读详情

相关推荐

SuperGrok深度解析:Grok4推理引擎与XAI原生工具链实战指南

大语言模型正从‘文本生成’迈向‘认知建模’,其核心跃迁在于推理可控性、工具原生性与实时信息整合能力。Grok4通过规模化强化学习重构推理路径,使模型具备可追溯、可质疑、可自我修正的思维过程;XAI工程体系则将DeepSearch、Think模式、Aurora等能力深度耦合为统一工作流,实现从问题定义、信息验证到结构化输出的端到端闭环。这种‘思考即服务’范式,显著降低专业场景下的逻辑断层与验证成本,适用于产品经理竞品分析、数据分析师多源交叉验证、程序员算法推演及学术研究者理论脉络梳理等高阶信息处理任务。

GOBY 栏目 514

2026年,非科班进AI圈的最短路:3个月速成,我亲测的有效(附内部路线图)

自ChatGPT引爆全球关注以来,AI大模型已从实验室走向产业落地,成为驱动各行业变革的核心引擎。从互联网大厂的战略布局到传统企业的数字化转型,“大模型赋能”已成高频词。随之而来的,是人才市场的爆发式需求:AI相关岗位招聘量同比激增300%,提示词工程师、大模型应用开发等新兴岗位薪资更是远超行业平均水平。

bugyinyin的博客 1213

大模型稀疏激活:MoE架构原理与GPT-4级工程实践

稀疏激活(Sparse Activation)是现代大语言模型突破算力与显存瓶颈的核心范式,其本质是在单次前向传播中动态调度子网络,而非全量参数参与计算。该机制依托Mixture of Experts(MoE)架构,通过门控路由、专家负载均衡与稀疏掩码蒸馏等关键技术,实现计算资源按需分配。相比稠密模型,它显著降低推理延迟、提升吞吐并增强任务泛化能力,尤其适用于高并发、低延迟的SaaS服务与实时协作场景。本文深入解析GPT-4所采用的1.8万亿参数MoE设计,聚焦‘2%每Token激活’背后的工程逻辑、硬件协

b305723的专栏 466

【社招面经】AI产品经理面试全拆解:游戏广告素材中台AI Agent岗位6道核心题深度复盘

上个月我参加了一场社招面试,岗位是某中大型游戏公司的广告素材中台AI Agent产品经理。说实话,拿到面试邀约的时候我既兴奋又忐忑——兴奋在于这个方向恰好是我深耕了两年的交叉领域,忐忑在于社招面试和校招完全不同,面试官不会给你"背八股文"的机会,每一刀都切在实战经验上。搭建一套能够用AI批量产出游戏广告素材的中台Agent系统,服务于投放团队的日常买量需求。招聘要求写得很明确——AI背景+游戏从业背景,二者缺一不可。

吾为热爱计科,致力于知识分享的践行者,此博客是我在这条道路上留下的足迹。 465

从码农到AI系统培育师:软件工程范式跃迁与智能体架构实战

软件工程正经历从传统指令式编程向目标驱动范式的深刻转变。其核心原理在于,系统的构建重心从编写确定性代码逻辑,转向定义高层次目标并培育具备自主规划与执行能力的AI智能体。这一转变的技术价值在于,它极大地提升了复杂问题解决的抽象层级和自动化程度,使得系统能够处理更模糊、动态的需求。在应用场景上,这种范式特别适用于需求分析、自动化报告生成、智能客服等需要理解意图并自主完成多步任务的领域。本文结合**AI Agent**和**Loop Engineering**等前沿实践,深入探讨了如何通过设计智能体架构、优化工作

weixin_30599769的博客 441

2024年AI智能体发展趋势:从多智能体协作到垂直应用实战

AI智能体作为能理解指令、规划步骤并调用工具完成目标的程序,其核心原理在于大模型的思维链推理与工具调用能力。这项技术的价值在于将AI从对话交互升级为自主执行,能深度集成到工作流中解决实际问题。当前,智能体正从单点应用向多智能体协作系统演进,通过专业化分工提升复杂任务的处理能力与容错性。同时,工具使用日益深度化,可连接丰富API与企业内部系统,实现工作流的自动化编排。在应用场景上,智能体正朝着垂直化与专业化发展,在编程开发、内容创作、企业服务等领域催生效率革命。本文聚焦于2024年智能体的关键进化,探讨其如何

weixin_34081595的博客 348

【2026产品经理面试真题精讲】五道高频产品设计题深度拆解:从老年短视频到拼多多砍一刀的底层逻辑

2026年3月8日,我坐在某互联网大厂的会议室里,面前是三位面试官。你能不能把一个模糊的商业问题,拆解成可落地的产品方案。回来之后我花了整整一周时间,把每道题的作答重新梳理了一遍。说实话,现场发挥大概只还原了我思考深度的六成。这篇博客,就是那"剩下的四成"。我不打算写成标准答案——产品经理面试本来就没有标准答案。把每道题的思考路径完整摊开,让你看到的不是结论,而是推导过程。

吾为热爱计科,致力于知识分享的践行者,此博客是我在这条道路上留下的足迹。 181

倍福 MODBUS TCP/IP通信

(*默认字符串80字节,此处声明为255字节,可以一次性传42个UINT数据.5位整数加一个空格,即每个数据6字节*)(*---------------------------------------- 以下为用户程序 ----------------------------------------*)(*读回并换算后的值*)(*准备写到PLC的值*)(*用于比较两次读回的值相差多少,以估计通讯的速度, Act_CalcDiff*)(*用于切换读和写,Act_Protocal*)

qq_33280096的博客 1367

GPT-4o架构解析:从多模态到原生全模态的实时交互革命

多模态大语言模型通过统一编码技术,将文本、图像、音频等多种信息形式映射到同一向量空间,实现了跨模态的深度融合与理解。其核心原理基于Transformer的注意力机制,使得模型能够并行处理不同模态的输入,并捕捉它们之间的复杂关联。这种端到端的架构不仅显著提升了模型的理解与生成精度,更在工程实践上实现了极低延迟的流式处理,为实时语音视频交互提供了技术基础。在应用场景上,该技术正推动个人智能助理、沉浸式教育、无障碍服务等领域的革新。GPT-4o作为这一方向的代表,通过原生全模态融合,将人机交互体验推向了一个更自然

weixin_33868027的博客 373

利用OrthoFinder做泛基因家族聚类分析

这条命令会将 Arabidopsis_thaliana.TAIR10.59_longest_trans.pep.fa 文件中的所有序列ID,去掉ID中的空格后面的部分,只保留 > 后第一个空格之前的基因ID,并将结果保存在 An1.fasta 文件中。muscle 是一种常用的多序列比对工具,用于基因组或蛋白质序列的比对。基因家族(Gene family),是来源于同一个祖先,由一个基因通过基因重复而产生两个或更多的拷贝而构成的一组基因,它们在结构和功能上具有明显的相似性,编码相似的蛋白质产物。

qq_64400864的博客 2754

大麦网回流票监控实战:如何利用sign参数和cookie实现自动抢票(避坑指南)

本文详细介绍了如何利用sign参数和cookie构建大麦网回流票监控系统,实现自动化抢票。通过分析大麦网票务系统的核心机制、获取关键身份凭证、逆向分析sign签名算法,并构建完整的监控系统,帮助用户高效捕捉回流票机会。文章还提供了实战避坑指南和合法合规的注意事项,确保系统稳定运行且符合平台规则。

weixin_28568819的博客 413

GPT-4o原生多模态:统一token架构如何重构AI交互范式

多模态AI不再只是‘文本+图像+语音’的简单叠加,而是走向感知与理解的统一。其核心在于突破传统分治架构,通过共享token空间实现语音、图像、文本的联合编码与端到端推理。这种原生多模态能力显著降低跨模态信息损耗、压缩响应延迟、提升上下文一致性,为实时语音交互、手写识别、工业质检、无障碍沟通等场景带来质变级体验。尤其在非标准输入(如反光截图、模糊手写、混杂口音)下展现出远超OCR/ASR+LLM串联方案的鲁棒性与意图理解深度。GPT-4o正是这一技术路径的首个大规模落地验证。

weixin_33714884的博客 499

PX4无人机-Gazebo仿真实现动态目标追踪的视觉控制方案

本文详细介绍了PX4无人机在Gazebo仿真环境中实现动态目标追踪的视觉控制方案。从PX4与Gazebo仿真环境搭建、动态目标追踪核心技术栈、仿真环境深度定制技巧到追踪算法的优化实践,提供了全面的技术指导和常见问题排查方法,帮助开发者高效实现无人机视觉追踪功能。

weixin_29196315的博客 452

【收藏级】大模型入行指南:别问晚不晚,现在就是最好时机!

先应用,后理论:从玩转大模型工具、学习提示词工程开始,保持学习兴趣和成就感,再逐步深入原理。重实践,轻空谈:多写代码、多做项目,遇到问题再回头补理论,这是最高效的学习方式。跟紧生态,持续学习:大模型技术更新快,定期关注LangChain、Hugging Face等核心工具和社区,避免落后于行业趋势。加入社群,打破信息差:多逛GitHub、优快云技术论坛、行业Discord频道,与同行交流学习经验、分享资源,能少走很多弯路。转行之路从不会一帆风顺,但大模型无疑是当下最具潜力的技术赛道之一。

kaka0722ww的博客 610

逆向工程师视角:拆解DataDome滑块验证码的3层防护机制与绕过思路

本文从逆向工程师视角,深入剖析DataDome滑块验证码的三层核心防护机制。第一层通过动态加密参数实现会话绑定与抗重放;第二层采集TLS指纹、鼠标轨迹动力学等多维行为数据进行一致性验证;第三层则是基于机器学习的后端异步风险决策引擎。文章不仅拆解了其技术原理,更分享了模拟、钩取等超越单纯工具调用的底层分析与绕过思路。

f6g7h8i9j的博客 733

(超详细)Scala环境搭建(scala-2.12.15、IDEA2021.1.3)

Scala环境搭建(scala-2.12.15、IDEA2021.1.3) JunLeon——go big or go home 目录 Scala环境搭建(scala-2.12.15、IDEA2021.1.3) 一、Scala概述 1、什么是Scala? 2、Scala发展史 3、Scala与Java的关系 二、Scala环境搭建 1、环境准备 2、Scala安装与配置环境变量 3、验证Scala 三、编写第一个Scala程序 1、使用IDEA创建maven工程 2、.

JunLeon的博客 3万+

太爽了!35岁程序员被裁后反而实现财富自由!

前几天和一位曾是大专学历的朋友聊天,这位朋友待过几家上市公司,做过测试、前端、研发、产品经理、售前等岗位,也遇到过严重的职场危机,但是在35岁这年,他突破瓶颈创业成功,收入翻了几番,还成了...

Peter的专栏 1730

032、准谐振反激变换器(QR-Flyback)原理

文章摘要: 本文以65W PD快充炸管案例切入,解析准谐振反激变换器(QR-Flyback)原理。通过主动利用漏感与MOS结电容的谐振,在Vds波谷开通实现近似ZVS,显著降低开关损耗与电压应力。对比传统反激,QR模式轻载效率提升8%,Vds尖峰减少23%。关键设计要点包括:变压器漏感需<3%、谷底检测电路需抗干扰、启动阶段需防过冲。推荐NCP1340等专用控制芯片,并强调VCC电容优选低ESR陶瓷材质。QR适用于30W-150W场景,其核心优势在于轻载效率优化,但需平衡漏感控制与可靠性。作者结合实测数据与

Jack010169的博客 118

GPT-4o多模态工作流实战:文档解析、语音交互与零摩擦嵌入

多模态大模型正从技术概念走向真实生产力工具。其核心在于突破传统AI的‘单模态割裂’局限,实现文本、图像、语音等信息的原生对齐与联合推理。GPT-4o凭借原生多模态架构和低延迟语音能力,显著提升跨格式信息处理效率,尤其在文档智能解析与实时语音交互两大高频场景中展现出工程落地优势。它不追求通用理解深度,而聚焦于结构化输出、上下文精准锚定与业务系统零摩擦嵌入,使法务审核、教学备课、产线质检、小微运营等长尾工作流获得可量化的提效——节省的不仅是时间,更是认知带宽与决策质量。本文围绕GPT-4o的多模态理解与工作流提

A08110123的博客 478

【嵌入式硬件】DRV8874电机驱动

1)N沟道H桥电机驱动;2)驱动1个双向有刷直流电机;3)2个单向有刷直流电机;4)4.5V-37V工作电压范围;5)集成电流感测和调节;6)成比例电流输出(IPROPI);7)可选电流调节(IMODE):逐周期或固定关断时间;8)支持1.8、3V、5V逻辑输入;9)集成保护:欠压、电荷泵欠压、过流保护、输出关闭、热关断、自动故障恢复。

qq_39200110的博客 4425

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

GPT Pro性能跃迁解析:KV Cache与FlashAttention-V3如何实现4倍推理加速

大模型推理加速本质是软硬协同的系统工程,核心在于KV Cache内存管理、Attention计算优化与请求调度策略三大支柱。KV Cache作为Transformer推理中显存占用最大、带宽争抢最激烈的模块,其分页化、段式映射设计可显著提升长上下文命中率;FlashAttention系列则通过重写softmax归一化路径,突破HBM带宽瓶颈。这些技术并非孤立演进,而是与adaptive batch调度、动态稀疏激活等机制深度耦合,共同构成新一代高吞吐低延迟服务架构。当前GPT Pro实测4倍加速即源于seg

518

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")

大龄程序员想转行大模型,应该往哪个方向转?_cv大模型架构师

程序员转行到大模型开发领域,可以根据个人兴趣和职业规划选择不同的方向。以下是几个推荐的方向、推荐原因以及学习路线:

2401_85373396的博客 1072

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

大龄程序员应该往哪个大模型转行

每个方向都有其独特的挑战和发展机遇,程序员可以根据自己的背景和兴趣选择最适合自己的路径。无论选择哪个方向,持续学习最新的技术和保持对行业的敏感度都是非常重要的。此外,积极参与社区活动、贡献开源项目也是提升技能和个人影响力的有效方式。如何学习AI大模型?“最先掌握AI的人,将会晚掌握AI的人有竞争优势,晚掌握AI的人比完全不会AI的人竞争优势更大”。在这个技术日新月异的时代,不会新技能或者说落后就要挨打。老蓝我作为一名在一线互联网企业(保密不方便透露)工作十余年,指导过不少同行后辈。

大模型学习路线 674

零基础也能入行!大模型AI学习指南,收藏这份进阶路线图

从玩转 ChatGPT 和提示词工程开始,保持兴趣和成就感。代码跑起来,项目做出来,遇到问题再回头学理论,效率最高。大模型技术日新月异,持续关注 LangChain、Hugging Face 等核心工具和社区。多逛逛 GitHub、技术论坛、Discord 频道,与同行交流,能帮你快速打破信息差。转行之路绝非坦途,但在这个时代,AI 大模型无疑是最具潜力的赛道之一。按照这份指南,踏踏实实走好每一步,3个月内,你完全能够从“小白”成长为具备入门竞争力的准专业人士。现在,就行动起来吧!

zhixueyouke的博客 506

从零理解AIGC与ChatGPT:核心概念、技术原理与实战指南

AIGC(人工智能生成内容)是当前人工智能领域的热点技术,它让机器具备了“创造”能力,而不仅仅是“识别”。其核心原理基于深度学习与生成式模型,通过海量数据的预训练和微调,使模型能够学习并生成符合人类预期的多样化内容。这项技术的价值在于极大地提升了内容创作的效率,并拓展了人机协作的边界。在应用场景上,AIGC已广泛渗透到文本创作、图像生成、代码编写、音频合成等多个领域。其中,ChatGPT作为AIGC在文本生成领域的杰出代表,以其强大的对话和内容生成能力,成为推动AIGC普及的关键应用。理解AIGC与Chat

chuliaoqiao4046的博客 596
上一篇: 可不是乱打的-《实现领域驱动设计》中译本评点-第2章(2)
下一篇: [pdf]软件方法上册第二版自测题答案和解析-共144页
rolt
博客等级 码龄26年 8025粉丝 2006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