ChatGPT崩了!全球宕机超12小时,打工人叫苦连天

如何解决 ChatGPT 速率限制错误 OpenAI 的 ChatGPT 改变了人工智能世界,让创造力、学习和完成任务等变得更容易。想象一下:每月有超过 1.8 亿用户使用 ChatGPT,每周有 1 亿用户使用 ChatGPT。这可真是个聊天工具啊!但令人沮丧的是,有时使用这个很棒的工具时,你可能会遇到问题。这听起来很技术性,但它只是意味着你请求的东西太多太快,现在你必须等待一段时间才能请求更多。是的,这可能非常烦人。如果您遇到此“请求过多”消息并且不知道该怎么做,那么您来对地方了。我们将向您介绍发生这种情况的原因以及。 阅读详情

ChatGPT崩了。

昨天半夜,来自全球各地的用户纷纷发现网站弹出报错警告,然后立刻无法使用。

即使是有特权的Plus账户也未能幸免。

一时之间,#chatgptdown#的话题刷屏。

不少重度用户表示很捉急:

没了你我的工作可咋整。

每过10分钟我就要看看好了没,毕竟对于我们来说,现在ChatGPT宕机不亚于谷歌宕机啊。

由于OpenAI很长一段时间都未能修复,不少用户被迫转向OpenAI Playground工作。

终于,在5个小时后,ChatGPT可以正常访问了。

然鹅,历史聊天记录仍无法查看。

这是发生甚么事儿了?

ChatGPT全球范围内崩溃

从监控网站Down Detector收到的事故报告来看,早在北京时间昨天下午4-6点,ChatGPT就已经开始崩了。

微博网友的反馈也显示了这一点:

第二个报告的高峰是在当地时间上午9点-12点,此时是北京时间凌晨开始,已经醒来并开始工作的国外网友在推特上开始刷屏。

最啼笑皆非的是Plus用户。

这部分人每月交20美元,按理是被保证可以避开与免费用户抢流量,然而也未能幸免。

OpenAI是在今天凌晨0点42分注意到这个问题,开始抢修。

两个小时后,官方更新了一条信息:

还在继续调查中断原因。

也就是没找到。

终于,又过了一个小时,才宣布确定根本原因,开始正式修复。

又过了两小时,告诉大家正在陆续恢复部分用户的正常访问。

到了当地时间下午2点14分(也就是咱们这的凌晨5点),终于恢复了所有用户。

等于OpenAI花了快5个小时才解决了这一事故,而此时距离ChatGPT开始大规模宕机已经过去12个多小时。

怪不得一些备受煎熬的用户在期间投去了Playground的怀抱。

以下是官方提供的完整事故报告:

从中我们还看到,OpenAI也只是恢复了正常的Chat功能,历史聊天记录还没恢复——弄清其中的原因也花了俩小时。

在今天一大早,量子位也立马实测了一下。

确实看不到左侧的聊天记录了:

而我们试着问了一下“你今天为什么崩溃”,它居然立刻又崩了。

好在刷新一次就好使了,看来还有点不稳定。

值得一提的是,除了ChatGPT,DALL·E(labs.openai.com)也在这期间受到了牵连(现在已修复)。

对于后者,OpenAI披露:

事故是由于数据库迁移失败造成的。

ChatGPT的事故原因则并未告知。

炸出一大批重度用户

ChatGPT网站崩溃的消息,在网上着实炸出了一批重度用户。

如开头所提,不少人表示没了它,自己的工作都没法干了。

不出所料,打工人已真正和ChatGPT打成一片。

甚至有人形容,这一天的自己就像“杂货店里跟妈走丢了的娃”。

状态be like:

还有人形容2023年ChatGPT宕机就像2013年的人没了Wifi(当年WiFi 5发布)。

反正,什么样的说法都有,核心不外乎:

没有ChatGPT不行啊,它挂了我也挂了。

你有同感吗?(狗头)

哦对了,最后插播一个网友评论:

留给你们细思吧……

解决ChatGPT 总是打不开,显示不可用,网站崩溃,聊几句话就报错,plus会员无法升级始终不成功的问题 为什么你的chat gpt总是打不开,显示不可用,网站崩溃,聊几句话就报错,plus会员无法升级始终不成功? 阅读详情

相关推荐

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。

亮数据 Bright Data 的博客 366

ChatGPT 被大面积封号,到底发生什么了?

意大利数据保护机表示 OpenAI 公司不但非法收集大量意大利用户个人数据,没有设立检查 ChatGPT 用户年龄的机制。ChatGPT 似乎正在遭遇一场滑铁卢。3月31日, 大量用户在社交平台吐槽,自己花钱开通的 ChatGPT 账户已经无法登录,更无语的是还不能注册新账号。随着越来越多用户披露,人们发现这场封号风波从 3 月 30 日就已经开始了,并且正在迅速蔓延。4 月 1 日,越来越多人表示自己的账户被封,各大平台、群聊都有人奔走相告“注意事项”以防被封。

java_cjkl的博客 6万+

ArduPilot飞控系统代码解读及架构分析

ArduPilot飞控系统是一个复杂而强大的系统,通过模块化设计和分层架构,实现了灵活的飞行控制功能。模块化设计: 各个功能模块相对独立,便于维护和扩展多种飞行模式: 满足不同的飞行需求强大的控制算法: 实现稳定的姿态和位置控制完善的安全机制: 保障飞行安全丰富的配置选项: 通过参数系统实现高度可定制性这种架构使ArduPilot能够适应从简单的多旋翼到复杂的自主飞行器等各种应用场景。类结构分析:Mode基类 (mode.h/mode.cpp)

fengforky的专栏 3021

ChatGPT崩了!全球宕机超12小时,打工人炸锅了...

点击“开发者技术前线”,选择“星标”让一部分开发者看到未来来自:量子位 |公众号 QbitAIChatGPT崩了。昨天半夜,来自全球各地的用户纷纷发现网站弹出报错警告,然后立刻无法使用。即使是有特权的Plus账户也未能幸免。一时之间,#chatgptdown#的话题刷屏。不少重度用户表示很捉急:没了你我的工作可咋整。每过10分钟我就要看看好了没,毕竟对于我们来说,现在ChatGPT宕机不亚于谷歌宕...

开发者技术前线-DevolperFront 1302

OpenHarmony 5.1 RK3568 开发板烧录:从源码编译到镜像写入的 6 步实战

本文详细解析了OpenHarmony 5.1在RK3568开发板上的全链路开发流程,包括环境搭建、源码编译、镜像烧录等6个关键步骤。通过实战指南和避坑技巧,帮助开发者快速掌握OpenHarmony系统的烧录与定制能力,提升物联网设备开发效率。

weixin_33722405的博客 344

西门子Industrial Copilot实战:5个工业场景下的AI效率提升案例

本文通过五个工业场景实战案例,深入解析西门子Industrial Copilot如何将工业智能转化为实际生产力。从自动化配置、预测性维护到能源优化与人机交互,这位AI助手显著缩短工程周期、提升设备可用率并降低运营成本,展示了其在工业领域系统化、工程化的落地价值。

3c4x5z6v7b的博客 931

ChatGPT、Perplexity、Claude同时大崩溃,AI集体罢工让全网都慌了

如果说现在什么事能引发全球打工人们同时间大暴走,那应该就是昨夜经历的:AI聊天机器人集体宕机。美西时间午夜12点开始,陆续有用户发现自己的ChatGPT要么响应超时、要么没有对话框或提示流量过载,忽然无法正常工作了。本以为像平时一样多刷几次就能恢复。谁知故障一直持续到第二天中午,尽管中途有过短暂恢复,整个瘫痪时间还是长达近7小时。于是全网陷入一场漫长而焦灼的等待。世界各地的用户们开始蜂拥入推特发帖,在OpenAI官网和各大账号之间左右横跳,争相询问和报告着最新状态。

m0_59235945的博客 1312

光互联技术演进:OIO、OBO、NPO、CPO四种方案对比与选型指南

光互联技术是解决高速数据中心和AI算力集群带宽瓶颈的关键路径。其核心原理是将光电转换点从面板向交换芯片逐步拉近,以缩短电通道、降低功耗并改善信号完整性。按照光电转换位置与芯片的距离,光互联可分为OIO、OBO、NPO和CPO四种技术路线,各自在功耗、可维护性和成熟度上存在显著差异。在AI训练集群、运营商网络等场景中,选型需综合考量功耗预算、运维体系和供应链生态。本文深入拆解这四种方案的技术细节、工程挑战与部署策略,为光互联技术选型提供实操参考。

weixin_33393017的博客 172

ChatGPT“罢工”,才惊觉已离不开它

有使用者表示 “在英国(凌晨 12:02),至少对我来说 ChatGPT 挂了,这真让人难受”,还有人说 “我的治疗师甚至说,它对我的帮助非常大,如果没有它,我今年不会取得现在的进步。此外,像一些需要进行数据分析、市场调研汇报等工作的职场人士,原本利用 ChatGPT 能便捷地对收集到的数据进行初步分析总结,生成报告框架,可在它宕机期间,也只能花费更多时间和精力自己去一点点整理分析了,工作进度被迫延迟,压力也随之而来。它能给予一定的回应,提供共情和理解,还会鼓励人们进行自我反思,在精神层面给予了不少帮助。

technologist_41的博客 1373

blenderproc 制作位姿估计数据集

blenderproc 制作位姿估计数据集 准备工作 1.首先需要去下载blenderproc的源码blenderproc,按照作者的readme文件进行编译。 2.其次需要下载bop_toolkit源码,链接如下bop_toolkit 3.说明:blenderproc主要用来生成数据,包括depth,rgb,位姿标签文件(scene_gt.json),bop_toolkit主要用来生成mask和mask_visib,scene_gt_info.json,用于判断物体的可见区域比例,如果遮挡太多考虑去掉。做

qq_43814359的博客 5700

从苏宁电器到卡巴斯基第02篇:我的本科时光(中)

怎么还分班了呢? 大概是在大二第二学期的时候吧,学院突然通知我们要分班。因为我们目前所有学生都是属于工商管理专业的,而从下个学期开始,就要分为会计、市场营销以及工商管理这三个方向。这还真是打了我一个措手不及,我都不知道还有分班这一回事。不过也没关系,我继续选择我的工商管理就好了。不过,在实际的选择结果上,像会计和工商管理这种学科,选的人自然是占了绝大多数,而选择市场营销的,大概也就是十

Gleam的专栏 9608

互联网摸鱼日报(2023-03-22)

腾讯大规模云原生技术实践案例集不止于监控,夜莺V6全新升级为开源观测平台阿里副总裁贾扬清即将离职,独家回应称“暂未创立公司”腾讯发布2022研发大数据报告:Go语言蝉联最热编程语言行知数字中国数字化转型案例集锦麒麟桌面操作系统运行安卓移动应用的技术实践数据库内核杂谈(二十八)- 和ChatGPT一起精读 DynamoDB 2022 论文微服务先行者 James Lewis:别纠结单体还是微服务,面向服务才是正解GPT-4“失控”行为大赏:创建行动计划欲接管推特并取代马斯克,还引诱教授帮其制定逃跑计划IBM公

weixin_43849685的博客 607

一个人干完整个运营团队!浙大开源「Easel」全链路拆解:从热点发现到自动发布,一个 Agent 直接做出来

一个人干完整个运营团队?浙大 REAL 实验室开源的 Easel,把 OpenClaw Agent、账号画像、114 个内容技能和真实媒体工具接在一起:从热点发现、选题策划、图文视频创作,到七平台适配发布、数据归因复盘,全链路一个 Agent 闭环完成,产物按项目归档。本文完整拆解其五层工作流、四层 Prompt Stack 架构、画像内联机制、Skill 三层加载与产物契约,附安装部署、.env 关键配置、Embedding 避坑、已知问题修复等实战干货,全程无虚构、可复现。

program哲学 309

【信息科学与工程学】【管理科学】第二十五篇 企业高管运作模型框架04 内部联动

原主管批准,新项目支付“人力租金”。:采用强大的文档协作(如Notion)、项目管理(如Jira)、即时通讯(如Slack)工具,并建立清晰的书面化沟通规范(如回复时效、文档结构、决策记录),减少因时差和等待造成的摩擦。借鉴创新扩散理论,识别组织中对变革持不同态度的人群(创新者、早期采纳者、早期多数、晚期多数、落后者),并设计差异化的沟通、参与和激励策略,系统化推动变革落地。:组合使用企业微信/钉钉、内部论坛、全员邮件、线下看板、定期例会,确保同一信息通过多个冗余通道同步发布,适应不同员工的信息接收偏好。

weixin_49199313的博客 494

使用Simulink进行四足机器人的非线性动力学建模与仿真

四足机器人的运动包含多个自由度(DOF),包括腿部的摆动和支撑阶段的动力学特性。由于存在接触力、摩擦以及不同地形的影响,四足机器人的动力学行为呈现出高度的非线性特征。因此,构建准确的非线性动力学模型对于研究机器人的运动学和动力学特性至关重要。定义代表机器人状态的变量,如位置、速度、角度和角速度。matlab深色版本通过本指南,我们介绍了如何基于Simulink搭建一个四足机器人的非线性动力学模型,并进行了详细分析。

xiaoheshang_123的博客 311

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 299

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

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 209

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

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 401

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 273

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 362

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 387

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 96

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 72

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 262

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 222

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 209
上一篇: 突发!李开复宣布筹办新公司:不仅是中国版ChatGPT,全球招英才
下一篇: 4名鹅厂员工就有3人干研发,Go语言蝉联厂内最热编程语言 | 2022年腾讯研发大数据报告
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论 39
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