Codex 分层用模型完整教程：让 GPT-6.1 Sol 拍板、GPT-6 Luna 跑侦察

最新推荐文章于 2026-11-10 23:36:43 发布
原创 最新推荐文章于 2026-11-10 23:36:43 发布 · 371 阅读 · 3 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
本文详解Codex中GPT-6.1 Sol与GPT-6 Luna的分层协同机制：主线代理负责需求理解、方案决策与结果整合，子代理（侦察/修理）执行边界清晰的读取、检查与小规模修改任务。涵盖配置文件设置、窄职责Agent定义、AGENTS.md派工规则、可审计提示词设计，并强调通过用量面板验证真实增效，避免因滥用子代理导致Token消耗上升。

发布日期：2026-10-21

Codex 分层用模型，是把复杂决策和重复执行交给不同模型：主线程用 GPT-6.1 Sol 负责理解需求、制定方案和最终判断，子代理用 GPT-6 Luna 负责查文件、读代码、跑检查和执行已经确定的小改动。OpenAI 文档在 2026 年 10 月明确把 Sol 定位为复杂、长流程工作，把 Luna 定位为清晰、重复、高频任务；但子代理会独立调用模型和工具，所以分层的价值是把推理预算放在关键节点，不能直接承诺总 Token 一定下降。

最近一条 X 上的 Codex 实践帖，把“主线用强模型、杂活交给轻量子代理”拆成了配置、角色文件和日常派活提示词。这个思路值得保留，但其中的额度和价格说法不应直接照搬。下面按 OpenAI 2026 年 10 月官方文档重写一套可验证的配置。

先理解分层：主线做判断，子代理做有限责任的工作

Codex 的子代理适合探索、测试、日志分析和摘要等读多写少的任务。官方文档提醒，每个子代理都会进行自己的模型推理和工具调用，因此并行任务的总消耗可能高于单代理；只有当工作可以清楚拆分，分层才有意义。

建议把职责拆成三层：

  • 主线代理：澄清目标、决定架构、处理取舍、合并结论。
  • 侦察代理：搜索文件、追踪调用链、读取日志、汇总现状，不改变代码。
  • 修理代理：只执行主线已经确认的小改动，并运行针对性检查。

这种分工比“所有任务都自动派给 Luna”更稳。需求不清、涉及架构或需要权衡的任务，仍然应该留在主线；查找文件、整理测试输出和批量改文案，才适合交给子代理。

第一步：把主线和子代理的默认模型写进配置

Codex 的用户级配置文件是 ~/.codex/config.toml，项目级配置可以放在仓库内的 .codex/config.toml。官方配置文档说明，项目配置只有在项目受信任时才会加载，且更靠近当前目录的项目配置优先级更高。

先备份文件，再加入下面的最小配置：

# ~/.codex/config.toml
model = "gpt-6.1-sol"

[agents]
default_subagent_model = "gpt-6-luna"
default_subagent_reasoning_effort = "high"

截至 2026 年 10 月 20 日，OpenAI 对模型的官方分工是：GPT-6.1 Sol 用于复杂工作和长流程任务，GPT-6 Luna 用于清晰、重复、高频的任务。Luna 的推理强度可以从 High 起步，再按结果调整。

如果配置文件里还保留 gpt-5.5，应一并检查并替换。OpenAI 文档记录了 ChatGPT 登录的 Codex 会话在 2026 年 10 月 14 日停止提供 GPT-5.5；API Key 会话不受这次变更影响。具体可用模型仍取决于账号、客户端和工作区设置。

第二步：建立两个窄职责 Agent

默认模型只决定“没有明确指定时用什么”。如果希望工作方式稳定，还应给角色写清边界。官方自定义 Agent 文件要求至少包含 name、description 和 developer_instructions，模型和推理强度可以单独设置。

创建 ~/.codex/agents/scout.toml：

name = "scout"
description = "只读侦察：定位文件、追踪代码、读取日志并汇总证据。"
model = "gpt-6-luna"
model_reasoning_effort = "high"
developer_instructions = """
只做调查，不编辑文件。
先用搜索定位，再读取相关文件和符号，不要整库扫描。
返回相关文件路径、关键函数、发现的问题和证据；不要粘贴整段日志。
除非主线明确要求，不提出未经验证的修改方案。
"""

创建 ~/.codex/agents/fixer.toml：

name = "fixer"
description = "执行已经确认的小改动，并运行针对性检查。"
model = "gpt-6-luna"
model_reasoning_effort = "high"
developer_instructions = """
只执行主线已经确认的方案，保持改动最小。
不要改变架构，不碰无关文件；遇到方案没有覆盖的情况先停下报告。
改完只运行与改动直接相关的检查，并返回文件路径、改动摘要和检查结果。
"""

这里的“只读”是角色指令，不等于新的安全沙箱。OpenAI 文档明确说明，自定义 Agent 文件不能覆盖父会话的沙箱、审批策略和 MCP 设置；需要真正的权限边界时，要在父会话配置中设置只读或工作区权限。

第三步：用 AGENTS.md 固定派活规则

如果每次都手动解释分工，模型很快会回到“所有事情一起做”。把稳定规则写入项目根目录的 AGENTS.md：

## Agent 分工

- 主线负责理解需求、定方案、最终判断和汇总。
- 找文件、读代码、搜关键词、看日志和整理测试结果时，交给 scout。
- 方案已经确定的小改动交给 fixer。
- 子代理只返回结论、文件路径和证据，不粘贴原始输出。
- 多个子代理不能同时修改同一个文件。
- 架构决策、需求不清和有明显取舍的问题由主线处理。

官方最佳实践建议把重复的工作方式放进 AGENTS.md，把一次性的任务细节留在提示词里。这样做的重点不是让 Codex 盲目自动派活，而是让它在每次分工时都遵守同一组边界。

第四步：用一个可审计的提示词启动任务

一个适合分层执行的提示词，至少写清目标、上下文、约束和完成条件。可以直接改下面的模板：

任务：修复设置页保存后刷新丢失的问题。

执行顺序：
1. 先让 scout 查找设置页、保存接口、存储键和相关测试，最多返回 20 行结论。
2. 主线根据证据判断根因，列出准备修改的文件和验收标准。
3. 等我确认方案后，再让 fixer 执行最小改动。
4. 让 scout 运行最小相关测试并汇总结果。
5. 主线最后报告：改了什么、测试证明了什么、还有哪些风险。

约束：不改 API 形状，不重写无关模块，不提交或推送远程分支。
完成条件：刷新页面后设置仍保留，相关测试通过，工作区 diff 只包含本次改动。

如果任务可以独立拆成多个读操作，可以明确要求并行；如果多个代理会写同一个文件，就保持串行。官方文档把“并行探索、测试、分诊和摘要”列为适合的起点，同时提醒并行写入会带来冲突。

怎么判断真的省了，而不是多开了几个代理

先用同一个小任务做基线，再启用分层配置。比较时记录四项：主线完成时间、子代理数量、最终输出长度和用量面板显示的消耗。不要只看某一次回复变短，因为子代理会重复读取上下文并调用工具。

下面三种情况通常不适合派子代理：

  1. 一句话就能回答的问题。
  2. 需要主线持续掌握上下文的连续修改。
  3. 多个代理必须同时编辑同一文件的任务。

打开 Codex 的 /status 查看会话状态，再展开子代理线程，核对它实际使用的模型和返回内容。验证重点是“主线是否少读了噪声、结果是否更容易审核”，而不是追求一个固定的额度倍数。

常见失效点

子代理仍然使用主线模型。 先检查 [agents] 的键名和 TOML 层级，model 必须位于 [agents] 之前；然后重启 Codex 并确认当前项目没有更近的 .codex/config.toml 覆盖用户级配置。

Luna 在账号里不可选。 OpenAI 文档说明，模型可用性取决于登录方式、计划、客户端和分阶段发布；不要把配置文件中的模型名当成授权。此时换成账号可用的轻量模型，或保留主线模型并缩小子代理任务。

“只读”代理改了文件。 角色指令不是沙箱。把父会话切换到只读权限，或在独立工作区验证；不要仅依赖 developer_instructions 保护重要仓库。

总消耗反而上涨。 减少子代理数量，限制返回长度，让侦察代理只返回路径、符号和证据；能由主线一次完成的小任务不要拆分。

这套方法的核心不是“让便宜模型接管一切”，而是让每种模型承担它更容易验证的工作。主线保留目标和取舍，子代理处理边界明确的重复劳动，最后由主线用测试和 diff 收口。

参考资料

  • OpenAI Codex 模型说明（2026-10-20）：developers.openai.com/codex/models
  • OpenAI Codex 子代理配置（2026-10-20）：developers.openai.com/codex/agent-configuration/subagents
  • OpenAI Codex 配置基础：developers.openai.com/codex/config-file/config-basic
  • OpenAI Codex 配置参考：developers.openai.com/codex/config-reference
  • OpenAI Codex 最佳实践：developers.openai.com/codex/learn/best-practices
  • 七牛云Token Plan：https://www.qiniu.com/ai/plan
标签
#gpt #人工智能
Codex 接入 GPT-6.1 Sol：复杂任务实测、成本省六成与避坑指南
weixin_29045585的博客
10-05 506
大语言模型的推理能力正在重塑软件开发的交付方式，而编程智能体则让这种能力从聊天问答走进真实仓库。模型选型时，开发者关心的往往不只是单次回答质量，而是多轮工具调用下的稳定性、上下文吞吐效率，以及账单是否可控。GPT-6.1 Sol 作为一款强调代码推理与响应压缩的模型，在接入 Codex 后展现出接近 Astra 方案的复杂任务完成度，同时将多文件重构、测试生成等场景的 token 消耗大幅压低。本文从模型能力差异、Codex CLI 安装配置、复杂任务实测数据、成本拆解到高频报错排查，梳理了切换 GPT-6
LM Studio 模型加载与转换实战指南：从GGUF格式到本地部署
weixin_29061425的博客
02-17 921
本文提供了使用LM Studio加载与转换GGUF格式大语言模型的完整实战指南。详细阐述了为何GGUF格式是本地部署的最佳选择，并逐步指导用户如何将非GGUF模型（如Transformers格式）转换为GGUF格式，以及在LM Studio中进行加载、配置GPU卸载等关键优化，最终实现流畅的本地离线对话体验。
quartusII简易CPU设计
Kong08242022的博客
07-22 3484
优点可以实现八种运算，数据的存取及运算都能很好的实现，上板也很成功。缺点首先由于自己知识储备的缺乏，只能实现较为简单的8种运算，也是最简单的直接寻址。其次为了方便操作，没有从外部输入数据，都是直接使用存储在存储器中的数据。后续发展后续会在此简易CPU的基础上增加一些功能对CPU进行完善，如算术运算可以考虑是补码运算，输入、输出采用存储缓冲等等，直至完整的全功能的处理器。收获通过这次实践，更熟悉Quartus软件的操作。能过更加清楚每个器件的操作，比如计数器，运算器，译码器等的实现功能。
Codex 双模型分层实战：GPT-6.1 Sol 掌舵做判断，GPT-6 Luna 外派干杂活
w807139809的博客
11-02 296
主线 GPT-6.1 Sol 负责拍板，翻文件跑检查的杂活外包给 GPT-6 Luna：一份可验证的 config.toml、scout/fixer 角色文件、AGENTS.md 派活规则，外加可审计提示词模板和四个常见翻车点。
Unity中5自由度机械臂运动控制与夹爪交互仿真实践
weixin_29021757的博客
01-24 446
本文详细介绍了在Unity中实现5自由度机械臂运动控制与夹爪交互仿真的完整流程。从模型导入、物理组件配置到关节运动控制算法（包括逆运动学IK），再到夹爪抓取逻辑和工业分拣案例实战，提供了可落地的代码示例与性能优化方案，助力开发者快速掌握机械臂仿真核心技术。
RAG-FastGPT安装
w8827130的博客
11-03 89
今天开始学习RAG安装，选择FastGPT，环境是Windows 11。
从打印攻击到视频重放：手把手用OULU-NPU训练你的第一个活体检测模型
weixin_29092031的博客
02-11 385
本文详细介绍了如何使用OULU-NPU数据集训练活体检测模型，以应对打印攻击和视频重放等安全威胁。通过PyTorch框架，从环境准备、数据加载、预处理到模型架构设计，手把手教你构建一个高效的双流网络，结合CNN和LSTM技术，提升模型在多种攻击场景下的检测准确率。
STM32F103C8T6+A4988驱动42步进电机全流程（附接线图+代码解析）
Python的专栏
03-09 794
本文详细介绍了使用STM32F103C8T6单片机与A4988驱动模块控制42步进电机的完整流程。内容涵盖硬件接线图解析、电流设置、GPIO驱动代码编写以及细分控制等核心实践，旨在帮助嵌入式开发者和DIY爱好者快速实现精准运动控制，适用于3D打印机、CNC等需要精密定位的项目。
GPT Image 2.6 的 Flare 与 Sunburst：双版本怎么分工，附一套迁移回归测试
weixin_47592901的博客
11-06 369
GPT Image 2.6 在 11 月 4 日上线，API 里多了 Flare 和 Sunburst 两个变体。Flare 走速度与布局，Sunburst 走画质与多轮编辑一致性。这篇讲清三个新参数的用法边界，并附一套两三个小时能跑完的迁移回归测试：四类 case、五项打分、5 次里 4 次过前三项才算可用。
Vivado Schematic视图实战：从RTL分析到布局布线，如何用它快速定位设计问题（附2019.1版操作）
weixin_30591551的博客
04-17 488
本文深入解析Vivado Schematic视图在FPGA设计中的关键作用，从RTL分析到布局布线全流程，帮助工程师快速定位设计问题。通过三重视图对比、高效调试四步法和高级技巧，提升问题排查效率，缩短调试时间。文章结合2019.1版操作指南和实战案例，展示如何利用Schematic视图解决典型设计问题。
GPT-6.2 灰度的 3D 演示火了
hello99yum的博客
11-09 216
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。
G120变频器抱闸逻辑在提升机上应用
热门推荐
fenglingxicao的博客
01-19 1万+
一、前言： 对于提升机、起重机、堆垛机、升降机等提升机构，负载为位能性负载，在设备启动和停止阶段，由于重物作用，可能会出现“溜车”现象、控制变频器与电机抱闸时许可以解决此问题 使用具有矢量控制功能的变频器 二、参数设置 抱闸控制时序： 启动： 1、变频器接收到启动命令时-----输出电流对电机进行励磁，经过P346电机励磁时间（==丹佛斯 设置启动电流延时0.5S）------达到一定的转矩 2、变频器输出开抱闸命令，经过P1216延时打开抱闸时间（==PLC延时控制打开抱闸） 注意：抱闸
10、基于单倍型多样性隐马尔可夫模型的基因型错误检测
moon9的博客
07-09 96
本文提出了一种基于单倍型多样性隐马尔可夫模型（HMM）的基因型错误检测方法，旨在提升三人组基因型数据中错误识别的准确性。通过利用群体水平的连锁信息，该方法克服了传统方法在小系谱数据中表现不佳的局限性。文章详细介绍了模型结构、三种替代似然函数及其计算方法，并通过模拟数据集和真实数据集验证了方法的有效性。实验结果显示，该方法在灵敏度、特异度和准确率方面均表现出色，为基因数据质量控制提供了新的解决方案。
GPT Image 2.6 编辑验收实战：保留项清单、接口骨架与排错流程
jakeycis123的博客
11-07 245
> 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
2 君正底层API接口的封装1
hope_wisdom的技术博客
06-24 1587
君正的IPC芯片主要有T31、T40、T41等型号，每个型号的API接口大部分是相同的，但也存在一些不一致和差异化的地方。为了屏蔽不同芯片型号之间的差异，我们需要基于一个公共基类进行封装。在封装之前，我们需要定义自己的错误码和数据结构，用于屏蔽不同君正芯片的实现细节。为了确保整个IPC库使用统一的错误码，我们在HP_MPPErrorCode.h文件中专门定义了以下错误码。错误码囊括了参数错误、内存错误、溢出错误、不支持、密码错误、非法数据等各种异常情况。
OpenAI 公开物理工程加速：Astra/GPT‑6 一周设计 Codex 对话设备，BenchCAD 内部模型 0.875 vs Astra 0.594
weixin_49016065的博客
11-05 157
OpenAI 官方博文（2026-11-03）《Accelerating engineering for the physical world》分享模型如何帮助工程师设计、仿真与制造物理产品。重点：用 Astra（多模态+computer use）与 GPT‑6 端到端设计可对话 Codex 的测试设备，两人侧项目约一周、合同制造商约一个月内小批量原型；量产就绪仍需多轮人工审阅。自 February 起硬件团队 token 用量增 23-fold。
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
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
2609_96793082的博客
11-10 326
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；
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")
OpenAI 11月4日发布 GPT Image 2.6：原生直出 SVG/GIF、涂鸦精准修图
蓝星空的专栏
11-05 182
OpenAI 于11月4日正式推出 GPT Image 2.6（ChatGPT Images 2.6），带来 sunburst 和 flare 双模型矩阵。本次更新不仅彻底打通了原生 SVG 矢量图 与 GIF 动图 生成，还上线了颠覆性的 Markup（标记引导）修图功能 和 complexity 规划深度控制。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
GPT-6 Cyber 正式发布——以子之矛，攻子之盾
Enweitech Software Works
11-06 183
已经被AI攻破，人脸识别可能要“失业”了给WorkBuddy接上LibTV，直接解锁专业AI视频创作！还能搭建自动化视频工厂GPT-Image-2.6全量上线！直出GIF和SVG，6.2 Astra也即将现身等等各种AI消息层出不穷，已经追不上AI了。学不完，根本学不完…今天我们要讲一点不一样的，有关AI安全，强大的矛盾关系。大家好！我是天府云创.直接开讲！
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
2601_96207100的博客
11-07 411
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。
zeekeai怎么用GPT-6.1 Sol做教学大纲？
Xiaofeng3693的博客
11-05 473
本文介绍如何通过ZEEKEAI平台整合GPT-6.1 Sol等多模型，实现教学大纲的高效生成。采用“文献提炼—结构化输出—配图生成”的工程化工作流，结合五段式专家Prompt与三大场景模板，可快速产出逻辑严密、格式规范、符合学情的高质量大纲。强调格式层级、学时校验、知识点适切性及配图建议，避免常见翻车点。最终实现从“手工排版”到“智能提效”的教研跃迁，显著提升备课专业度与效率。
权重量化的实现：从absmax到GPTQ与AWQ
最新发布
2601_96733043的博客
11-10 336
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。
zeekeai上GPT-6.1 Sol生成政务公文怎么样
Xiaofeng3693的博客
11-07 331
在体制内公文写作中，GPT-6.1 Sol 依托 zeekeai 多模型协同平台，实现格式规范、语言克制、逻辑严密的高效输出。实测显示，其在通知、讲话稿、调研报告等场景下表现卓越，配合 Claude 审核与 Gemini 提炼，构建“初稿生成—合规审查—重点提取”闭环流程。关键避坑指南包括禁用绝对化词汇、杜绝政策编造、严格层级格式，并强调“AI辅助，人工把关”的核心原则。成本低、效率高，真正实现政务公文从“苦差”到“利器”的转变。
Meta发布小模型Muse Ember，智能体基准多项超GPT-6与Claude Haiku 5.5
wfly blog
11-10 213
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。
挖出948个内核漏洞、自动写补丁：GPT-6 Cyber把AI推进“实战岗“，内容行业还卡在哪一关？
weixin_42926482的博客
11-09 151
上周安全圈刷屏的一条消息，来自OpenAI：面向获批安全团队开放的网络安全模型GPT-6 Cyber正式亮相。在早期测试中，这个模型对最新版本的Linux内核做了自主扫描，一共找出948个提权漏洞，并自动生成了修复补丁——人类研究员的分工，变成了复核与确认。官方表述里有一个关键措辞值得注意：这不再是"演示"，而是"实战"。安全行业向来是技术圈里验收标准最苛刻的领域之一。一个误报会浪费工程师几天时间，一个漏报则可能酿成真实事故。让AI进入这个领域，从来不是"跑个分数"那么简单。
GPT Image 2.6 接入指南：Flare、Sunburst 怎么选，编辑失败如何排查
jakeycis123的博客
11-07 247
> 本文基于 AceDataCloud 原文改编，并由 AI 辅助整理，重点补充面向开发者的模型选择、接入流程与编辑排错思路。原文：[《GPT Image 2.6 正式发布：更快生成、更准编辑，AI 图像进入生产力时代》](https://platform.acedata.cloud/blog/gpt-image-2-6-launch-faster-generation-precise-editi
2026 两款开发会议转写模型评测：gpt-transcribe + scribe_v2 的术语、说话人与时间轴
weixin_46591161的博客
11-04 145
11 月 3 号晚上，我在整理一场开发会议的录音。三个人来回抢话，夹着useMemoPostgreSQL和，中间还静音了十几秒。跑完才发现，纯文本“看着挺准”没什么用。说话人和时间轴一乱，人工修订照样坐牢。
AI4S首个开源大模型Hydrogen-1.0发布：跑赢GPT-6-Astra，让AI自己做科研
夕小瑶科技说
11-05 220
写到这儿，我也想聊一聊最近AI4S的感受。AI证明了Navier–Stokes方程会爆掉、把挂谷猜想推到所有维度，在噬菌体里翻出类CRISPR的酶。刷到这些新闻的时候，实在是非常振奋人心～但是，兴奋完是有点空的，这些事，跟我、跟绝大多数做科研的人，关系不大，我们就是围观的群众。AlphaFold当年没有让大家围观：蛋白质结构预测，科学家折腾了五十年。AlphaFold做出来以后，DeepMind把2亿多个预测结构全放进了公开数据库。到现在，190个国家、300多万研究者都在用它。
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
 
表情包 插入表情
表情包 代码片
 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