如题，图中鹅腿是哪个，不仔细看的话我真的有点分不清 11 个帖子 - 8 位参与者 阅读完整话题
求一个稳定的GPT生图中转站~ 被折磨死了。。。好几个都不稳定 4 个帖子 - 4 位参与者 阅读完整话题
给我整无语了.. 请教佬们你们在用的生图中转 有没有稳定的 3 个帖子 - 3 位参与者 阅读完整话题
现在手里有官方订阅的几个gpt pro账号，平时只用codex，感觉其他功能不用就浪费了，想做一个画图的中转站回回血。 4 个帖子 - 4 位参与者 阅读完整话题
求求各位佬，推荐下做的比较久且生图稳定的中转站。我生图需求比较多，之前自己搭中转很多时候要费很多时间去搞账号，比较费时间，所以现在想直接找稳点的中转站直接用 4 个帖子 - 4 位参与者 阅读完整话题
如图，退款告诉我联系客服，但是没有客服联系方式，且一旦进入这个界面，无法回到主页，点返回就出现登录界面，登录就显示这个让我联系客服，直接锁死，我甚至不能取消退款，求助广大佬友有柏拉图客服联系方式吗 1 个帖子 - 1 位参与者 阅读完整话题
好吧，这其实是在沙雕图中刷到的，感觉内容不错，分享给佬们，有时候，对周围的人释放一点善意，也许就有意想不到的收获喵～ 2 个帖子 - 2 位参与者 阅读完整话题
RT 点击图中下拉的模型和effort后会强制退出到普通的ChatGPT聊天，而并非在project里了 在网页端和iOS端这样可以调整模型和thinking effort 1 个帖子 - 1 位参与者 阅读完整话题
我前面邀请了我朋友注册论坛，她收到邮件了（PS：图中这种情况是小作文审核通过了吧？我申请时不用小作文不知道），但是登录密码提示不对，然后忘记密码跟跳过登录链接登录都收不到邮件怎么办啊 6 个帖子 - 5 位参与者 阅读完整话题
有没有那种banana和gpt都有的中转站 3 个帖子 - 3 位参与者 阅读完整话题
惊奇的发现输出了一些奇怪的东西， 图中做了标注，这是codex的训练数据里有这些东西的原因吗 ，这个日日啪 什么鬼 9 个帖子 - 7 位参与者 阅读完整话题
图中这三个号都是一个家庭组的，但是其中一个额度没有同步 额度没有同步的 A账号 是不同地区的 之前主号是港区， A账号 加入了家庭组 后来主号改为了美区， B账号 加入了家庭组 也就是当前 主号 和 B账号 都是美区，而 A账号 是港区 地区问题？ 如果这样的话可以通过不断切换主号地区，然后拉不同地区账号进入家庭组，实现额度分开计算？ 就是不知道可不可以频繁切换地区了 1 个帖子 - 1 位参与者 阅读完整话题
力扣 LeetCode 1559. 二维网格图中探测环 - 力扣（LeetCode） 1559. 二维网格图中探测环 - 给你一个二维字符网格数组 grid ，大小为 m x n ，你需要检查 grid 中是否存在 相同值 形成的环。 一个环是一条开始和结束于同一个格子的长度 大于等于 4 的路径。对于一个给定的格子，你可以移动到它上、下、左、右四个方向相邻的格子之一，可以移动的前提是这两个格子有 相同的值 。 同时，你也不能回到上一次移动时所在的格子。比方说，环 (1, 1) -> (1, 2) -> (1, 1) 是不合法的，因为从 (1, 2) 移动到 (1, 1)... 思路 比较典型的无向图判环题，常用的思想有 DFS / BFS / 并查集，这里咱就用并查集来做了。 先注意题目中两个条件： 走回头路不算环路，也就不能往回走。 环路径的长度要 \ge 4 才算。其实 在第 1 点条件的限制下这点是必然成立的 ，最小的环必须要有四个格子组成。 所以这题只需要保证不走回头路，进行判环即可。 用并查集判环，要不走回头路的话，我们在扫描网格时从上至下、从左至右，对于每个格子可以 只尝试合并其右方或者下方的格子 ，按这样的逻辑处理必然是不会有回头路滴。 如此扫描直至某个网格与其右边或者下边的网格在同一个集合中，则满足题目要求，返回 true 。 代码 class Solution { public: bool containsCycle(vector<vector<char>>& grid) { // 比较重要的是这种环路的长度还必须 >=4 才算 // 其实不难，可以用并查集来执行合并和判环，如果有环就看对应块中元素数量是不是 >=4 // 要构成环，最小的环必然是四个方格组成的 int m=grid.size(),n=grid[0].size(); // 初始化并查集 vector<int> parents(m*n,-1),sizes(m*n,1); auto find=[&](auto&& self, int x) -> int { // 带路径压缩的查找 return parents[x]==-1 ? x : parents[x]=self(self, parents[x]); }; // 合并，返回是否执行了合并 auto merge=[&](int x1,int x2) -> bool { int root1=find(find,x1),root2=find(find,x2); if(root1==root2){ // 已经合并 return false; } // 否则启发式合并，小树并入大树 if(sizes[root1]<sizes[root2]){ swap(root1,root2); } parents[root2]=root1; sizes[root1]+=sizes[root2]; return true; }; // 获得集合大小 // auto getSize=[&](int x){ // return sizes[find(find,x)]; // }; // 扫描数组执行判环 int drcts[][2]={ {0,1}, {1,0}, }; for(int i=0;i<m;i++){ for(int j=0;j<n;j++){ // 为了防止走回头路，对于每个方格我们只往右或者往下合并 for(auto& d:drcts){ int newI=i+d[0],newJ=j+d[1]; if(newI>=m||newJ>=n||grid[newI][newJ]!=grid[i][j]){ // 越界或者字母不相同 continue; } // 尝试执行合并 if(!merge(i*n+j,newI*n+newJ)/*&&getSize(i*n+j)>=4*/){ // 如果没有执行合并，说明遇到已经在并查集里的了，有环 // 这个时候判断，如果集合中有 >=4 个元素就可以结束 // 其实在不走回头路的前提下，只要有环，必然路径长度 >=4 return true; } } } } return false; } }; 2 个帖子 - 2 位参与者 阅读完整话题
目前我在给一家有稳定作图需求的企业做AI平台。每天大概有500张图片的需求。要求有Nano Banana 2、Nano Banana Pro和GPT Image 2，在稳定的基础上，适当考虑性价比。每个月可以固定充入1000元左右，后续需求量上来了，每个月固定充入的金额可以不断增大。有靠谱的中转站可以联系我，或者说推荐一下。不胜感谢。 1 个帖子 - 1 位参与者 阅读完整话题
每天生图需求500张左右，要求有nano banana pro 、nano banana 2和最新的GPT IMAGE 2。有大佬能推荐下这种性价比高，且相对比较稳定的中转站吗？？ 3 个帖子 - 2 位参与者 阅读完整话题
帖子内容： 疑似 DeepSeek V4 技术报告的 benchmark泄露！ 图中 的“DeepSeek-V4 技术报告”基准测试（Benchmark）数据，为我们揭示了当前顶尖 AI 大模型的最新竞争格局。从这份涵盖通用能力、推理数学、代码以及智能体（Agent）四大维度的成绩单来看，DeepSeek-V4 展现出了极强的统治力，而大模型的第一梯队也正在经历重新洗牌。 竞争格局：当前大模型梯队划分 从图表数据中，我们可以清晰地看到五款参评模型的实力分层： 领跑者：DeepSeek-V4在所有 12 项严苛测试中均斩获最高分（State-of-the-Art），实现了跨维度的全面压制。 最强追赶者：Gemini 3.1 Pro Preview在多项核心指标上紧咬榜首，并在绝大多数测试成绩中超越了 GPT-5.3，是目前这组对比中最具竞争力的对手。 第三梯队：GPT-5.3 与 Claude Opus 4.6两者互有胜负，依然保持着极高的水准，但在最顶尖的竞争中已稍显疲态。 基准线参照：GPT-4.1作为较早期模型的代表，其数据在这组对比中全面垫底，但也直观地印证了新一代模型技术跨越的幅度之大。 四大核心能力深度拆解 1. 综合常识与学科能力 (General) 核心数据：在极具挑战性的 MMLU-Pro 测试中，DeepSeek-V4 (91.2) 和 Gemini 3.1 Pro (90.0) 是唯二突破 90 分大关的模型。 行业洞察：跨学科的专家级知识问答对头部模型已不再是难题。GPT-5.3 (88.4) 和 Claude (86.7) 在这方面稍显落后，知识密度的竞争正在向 90+ 的极限逼近。 2. 数学与复杂推理 (Reasoning & Math) 核心数据：顶尖数学竞赛基准 AIME 2025 呈现极度“内卷”的态势（DeepSeek-V4 96.4，Gemini 95.0，GPT-5.3 94.6）。 行业洞察：数学是 AI 进步最神速的领域。90+ 的得分意味着这些模型在解决人类高难度奥数题时已经具备了压倒性的优势，各家在这个领域的差距往往只在几道题之间。 3. 编程与工程能力 (Code) 核心数据：在 Codeforces（算法竞赛平台）上，DeepSeek-V4 飙升至 2767 分，拉开显著差距；但在评估修复真实软件工程 Bug 的 SWE-bench Verified 中，所有模型均未突破 60%（最高为 DeepSeek-V4 的 59.6%）。 行业洞察：“写算法题容易，改人类代码难”。模型在纯逻辑生成上已经达到竞赛级选手水平，但在理解和修改复杂的现实商业代码库时，依然存在明显的短板。 4. 智能体自主行动 (Agent) 核心数据：在模拟网页浏览和执行任务的 WebArena 测试中，全场最高分（DeepSeek-V4）仅为 58.7，GPT-4.1 甚至低至 44.8。 行业洞察：这是全表绝对得分最低的板块。它反映了当前的行业痛点：大模型“做题”和“写文章”能力极强，但如果让它像人类一样自主操作浏览器、跨应用处理多步骤现实任务，成功率依然堪忧。 核心总结这份基准测试不仅是 DeepSeek-V4 强悍实力的“肌肉秀”，也侧面印证了 Gemini 3.1 Pro Preview 在当前技术路线上的极强竞争力。更重要的是，它为行业指明了下一步的攻坚方向——当模型的知识储备和做题能力逼近人类极限时，突破“智能体自主执行 (Agentic tasks)”的现实应用瓶颈，将是决定下一代 AI 霸权的关键。 仅针对图中数据解读，真实情况还有待验证！ 6 个帖子 - 6 位参与者 阅读完整话题