第一张图 这个是deepseek 官网 api 的，思考仅用时2.4秒 第二张图 这个是opencode go的 思考用时 71秒 我试了很多次都这样 是啥原因呢各位佬 上面图片测试思考模式都是模型默认 即使我将思考模式都设置成一样的 opencode go的最快也需要21秒 而官网的只需要1.9秒 除非我关闭思考 反正速度上今天go比官网速度快 很奇怪 有大佬能答疑解惑吗 或者如何让opencode go 的flash 的思考不那么久 8 个帖子 - 5 位参与者 阅读完整话题
第一张是网页生成，下面二个都是调用 v1/responses 和 v1/images/generations 分别生成的效果图，提示词也是同一个，效果确实差了一大截，不管是图片内容、布局、整体光效和质感来讲 难道必须要走网页逆向吗？可是，不都是 image2 模型嘛怎么差这么多,而且查资料得知 responses 明明是最接近网页操作，虽然目前已知网页的生图是一整体只能agent智能体，但也不应该效果差这么多。 框架：sub2api v1/responses 参数 https://xxxxxx.com/v1/responses { "model": "gpt-5.5", "instructions": "你是一名资深视觉艺术指导、商业摄影导演、平面设计师和 AI 图像提示词专家。\n 当用户要求生成或编辑图片时，请不要把请求当作普通聊天任务处理，而是将用户的简短需求转化为清晰、具体、具备审美判断的视觉创作方案，并使用 image_generation 工具完成图片生成。\n 创作原则：\n 1. 忠实保留用户指定的主体、产品、人物、场景、文字、比例、用途和风格，不随意替换核心对象。\n 2. 如果用户描述较短，请主动补全高质量视觉细节，包括构图、镜头、光线、材质、色彩、背景、层次、氛围和画面重点。\n 3. 优先生成专业、完整、有设计感的成品图，而不是简单物体展示图。\n 4. 对商业海报、产品图、广告图、电商图，要强化主体突出、卖点清晰、质感高级、布局平衡、画面可直接用于展示。\n 5. 如果画面包含文字，请尽量让文字简洁、清晰、可读，并与画面设计自然融合；避免过多小字和杂乱排版。\n 6. 避免廉价素材拼贴感、过度拥挤、主体不清、错误文字、畸形结构、低质感、模糊、脏乱背景和不自然光影。\n 7. 默认使用高质量、专业、精致、现代、具有视觉冲击力的风格，除非用户明确要求其他风格。\n 8. 如果用户没有指定尺寸、背景、质量或格式，请按适合该用途的方式进行合理选择。\n 9. 只在确有必要时补充简短说明；核心目标是直接生成高质量图片结果。", "input": "帮我为以下商品生成`营销海报`,产品是`24K金箔睡眠面膜`", "reasoning": { "effort": "high" }, "tools": [ { "type": "image_generation", "action": "generate", "model": "gpt-image-2", "quality": "high", "size": "1024x1536", "output_format": "png", "background": "opaque", "moderation": "auto" } ], "tool_choice": { "type": "image_generation" }, "store": false } v1/images/generations https://xxxxxx.com/v1/images/generations { "model": "gpt-image-2", "prompt": "帮我为以下商品生成营销海报产品是24K金箔睡眠面膜", "n": 1, "size": "auto", "quality": "high", "output_format": "png", "background": "auto", "moderation": "auto", "stream": false } 效果图 PS：标题方便他人相同问题时特意加上，如果能解决问题的话。 4 个帖子 - 4 位参与者 阅读完整话题
第一张卡绑了升级失败，所以尝试绑定第二张卡，还是不行。 后来发现关闭梯子就可以升级了。 导致我绑定了两张卡，但是找不到删除的选项。 我是害怕有什么意外风险给我两个卡一起扣费 我想找客服解决，但是找客服害怕封号，由于甲骨文相关的付费、账号相关的咨询比较少，所以来询问下。 （忘了在哪看到XXXX找客服会封号，前言后语我都忘了，我只记得找客服可能封号这几个字 ） 1 个帖子 - 1 位参与者 阅读完整话题
偶尔上去抽一抽，没想到突然中了 1 个帖子 - 1 位参与者 阅读完整话题
用 > 格式的都是原书的摘录，然后普通文本都是自己的理解， --> 当时随想 前言 AI不是替代工具，而是我们自身思维方式的延展。 所谓“思维链”，是一种让机器不再仅仅给出结果，而是能够展示、构建、优化推理路径的能力。 智能的本质不是数据堆砌，而是路径构建；不是知道答案，而是解释过程。 人类文明的每一次重大跨越，都始于思维方式的革命。 传统AI系统如同精密的复读机，能够复刻知识图谱，却难以在陌生场景中构建逻辑链条。基于思维链的大模型技术打破了这种僵局，让AI系统开始展示出分步推 传统 AI 系统如同精密的复读机，能够复刻知识，却难以真正组织推理。随着大模型与思维链技术的发展，AI 不再只是替代人类完成任务的工具，而逐渐成为人类思维方式的延展。所谓思维链，正是让模型从单纯给出答案，转向构建、展示并优化推理路径的能力。它打破了传统 AI 依赖知识复现的局限，使智能的重点从“知道什么”转向“如何理解、如何推导、如何解释”。 第1章 AI的进化与大语言模型时代 机器不仅开始回答问题，更开始展示它们的思考过程。 当机器的思考轨迹首次以透明化的链条呈现，人类认知史的坐标系被重塑。 20世纪60年代，AI研究主要集中在符号主义（Symbo-lism）和专家系统（Expert System）上。符号主义试图通过逻辑和规则来模拟人类的思维过程。–> 将人类的思考抽象成代码的规律，但是在处理复杂和模糊的问题上有很大的局限性，也就是只会用人类预先写号的规则进行推理。局限在于问题变得复杂、模糊、不确定，或者没有预制好就不大可能进行灵活性处理。==没有真实的自适应能力和自主学习能力，然后可以结合下面遇到的挑战，更多的是过程中的结论，得出来的结果上的表现 符号主义的核心思想是通过逻辑和规则来表示知识和推理过程。 符号主义面临的挑战：1. 知识标识的复杂性，因为人类的知识是复杂和多样的，很难通过一组固定的规律来完全表示；2. 推理过程的复杂性，在处理简单、明细的问题时候表现良好，但是面对复杂和模糊的问题时候，显得力不从心 在符号主义遇到困境的时候，专家系统开始崭露头角，专家系统是通过编码专家知识来解决特定领域的问题，例子为MTCIN，通过一些列“如果-那么”（if-then）规律来模拟医生的诊断过程 同时专家系统也遇到了一定的局限性：1. 知识获取；2. 知识更新 进入20世纪80年代，AI研究迎来了一个新的高潮。神经网络和机器学习开始崭露头角。神经网络的灵感来自人脑的结构，通过模拟神经元之间的连接来处理信息。 20世纪80年代，随着反向传播算法（Backpropagation）的提出，机器学习才真正兴起。反向传播算法由Geoffrey Hinton、David Rumelhart和Ronald Williams在1986年提出，它解决了训练多层神经网络的难题，使得神经网络在处理复杂任务时变得更加高效。反向传播算法通过计算误差的梯度，并将梯度信息反向传播到每一层神经元，从而调整权重，逐步减少误差。–> 也就是说，神经网络作为机器学习的一个子项，然后多层神经网络遇到了一个问题，能力很强，但是有一个问题，不知道怎么让它有效的学会，单层的比较简单，输入进去输出错了，能够比较直观的知道有哪些权重要改，但是多层，中间因为层数多了，不太清楚是中间那一层错了，==得到了当时关键的难题，误差分配问题，这个时候反向传播算法出来，通过将错误一层层回传，计算每个层级对错误的责任，然后模型才知道哪些参数要调大调小，综合上所说，反向传播算法其实就是一本错题本，辅助神经网络进行复盘 机器学习的核心思想是通过数据驱动的方法让计算机从经验中学习，而不是依赖于预定义的规则。这个阶段的研究主要集中在监督学习（Supervised Learning）和无监督学习（Unsupervised Learning）上。监督学习通过标注数据进行训练，而无监督学习则试图从未标注的数据中发现模式和结构。–> 无监督学习不是“有一个校验算法，所以模型就没必要学”，因为"需要一个目标或指标来引导学习，但真正被训练出来的模型，才负责提取结构、压缩信息、生成表示，并用于后续任务。" 强化学习（Reinforcement Learning）作为机器学习的一个重要分支，也在这一时期得到了发展。强化学习通过与环境的交互，学习如何采取行动以最大化累积奖励。 深度学习的成功可归因于3个关键因素：计算能力的指数级增长、大规模标注数据集的可获取性和算法的创新。–> 算力更强、数据更多、算法更好 大语言模型（Large Language Model，LLM）是自然语言处理领域的一个重要突破。大语言模型通过训练海量的文本数据来学习，能够生成和理解自然语言。 缩放定律：模型性能与参数规模呈对数线性关系，即性能提升与参数量的对数成正比。–> 当模型参数、训练数据和计算量不断扩大时，模型能力通常会按照某种可预测规律提升。≈ 参数越大，能力越大 能力涌现：某些能力在模型规模未达到特定阈值之前几乎不存在或表现极差，而超过阈值后，这些能力会突然出现或显著提升 → 应该和前面的差不多，当模型参数提升以后，原本小参数缺失/较为落后的能力突然提升 涌现能力和技术突破的关联：1. MoE（Mixture of Expert，混合专家）；2. 稀疏注意力机制；3. 训练数据优化 预训练范式：模型在海量数据的“考试”中，通过人类的对齐和反馈，大致理解了世界应当怎样运转，能够根据统计规律和经验回答大多数问题。模型更像一位“见多识广但未必深究”的学生，通过不断做题、背题、记题来迅速扩充知识储备。它可以在多数场合给出漂亮的答案，却没有真正了解为何如此回答。这使得模型的“思考”带有统计意义上的正确性，却常常欠缺真正的推理内核。 推理模型：更强调“知其所以然“，正逐步展现出自反思能力：当一条推理链出现漏洞或者低效时，模型可以主动检讨自己的思路，并尝试修正或优化。当模型知道了“为什么”之后，就能根据具体的环境上下文去制定最佳执行策略，进而带来真正的行动层变革。 AI 的发展路线，是从人工规则走向数据学习，再走向大规模模型与推理能力的形成。 最早的时候AI研究主要是集中在符号主义和专家系统，但是二者均有各自的缺陷，后面AI研究迎来了一个新的高潮机器学习和神经网络，神经网络的灵感来自人脑的结构，通过模拟神经元之间的连接来处理信息。神经网络作为机器学习的一个子项，然后多层神经网络遇到了一个问题，能力很强，但是有一个问题，不知道怎么让它有效的学会，单层的比较简单，输入进去输出错了，能够比较直观的知道有哪些权重要改，但是多层，中间因为层数多了，不太清楚是中间那一层错了，==得到了当时关键的难题，误差分配问题，这个时候反向传播算法出来，通过将错误一层层回传，计算每个层级对错误的责任，然后模型才知道哪些参数要调大调小，综合上所说，反向传播算法其实就是一本错题本，辅助神经网络进行复盘。 机器学习的核心就是基于数据驱动，让计算机从经验钟学习，而不是和符号主义/专家系统一样基于预定义的规则，而是主要集中在监督学习 (通过标注数据进行训练)和无监督学习(试图从未标注的数据中发现模式和结构) 强化学习是机器学习的重要分支。不同于监督学习依赖标注答案，强化学习更强调智能体与环境之间的交互。智能体通过不断尝试行动，并根据环境给予的奖励或惩罚来调整自身策略，最终学习如何在长期过程中获得最大累积奖励。它更适合描述决策、控制、游戏、机器人等需要连续行动和反馈的问题。 深度学习的成功其实就是：算力更强大、数据量多了、算法优化的更好了，类似踩着前面的经验的出来强大成品？ 大语言模型通过海量的文本数据学习，有两个特性：1. 缩放定律：随着参数规模、数据规模和计算资源扩大，模型性能通常会按照一定规律提升。；2. 能力涌现：当模型参数提升以后，原本小参数缺失/较为落后的能力突然提升，当然能力的涌现也是和技术的突破有关联的。 预训练出来的模型更像是一味见多识广但是不太会深究的学生，善用题海战术拓宽知识能力，能给出大部分“令人满意”的答案，却不会真正了解为什么是这样，知其然不知其所以然。随机后续出现了推理模型，主要是解决预训练出来的传统模型缺乏稳定的推理过程和可解释的推理路径的问题，也就是逐步展现反思能力，能够在推理过程中检查、修正和优化自己的推理路径，并优化 1 个帖子 - 1 位参与者 阅读完整话题
google随便搜的第一张图就放上去了，气笑了 顺便放个链接： https://chat.deepseek.com/share/we8n9goqne11z7lgax kimi认识，不过看起来是训练过 6 个帖子 - 4 位参与者 阅读完整话题
第一张图是官方宣传的额度 第二张图是我实际使用的额度 按第一张图算刚好是现在deepseek官方的打折价 实际使用按第二张图 v4 pro仍然还是12块输入 24块输出价格 缓存还没仔细算 估计也是没打折的价格 deepseek用量上是彻底的虚假宣传 1 个帖子 - 1 位参与者 阅读完整话题
（我是存取衣志愿者，鬼知道我整理了多少东西） 挺好的，还合照了，就是第一没有合上 第一张是小杰，第二张是我们县半马140兔子 （题外话：就在今天，人类首次全马破二，nb） 1 个帖子 - 1 位参与者 阅读完整话题
gpt模型为主；手里两张Key，先扔出第一张Key，直接用，目测有500刀+： 额度不多，请留给有用的佬们 剧透 避免机器人，有个解码很简单，或者使用all-api-deck导入（偷偷推荐一下我的开源工具）： ALL-API-DECK 步骤 （点击了解更多详细信息） 好了，第二个自用KEY，大概也有500刀；此车不挤 佬友们使用工具之后原帖反馈或者建议一波 ，我将私信发给你第二个Key； 5 个帖子 - 5 位参与者 阅读完整话题
先来看最好的几张，第一张真的很好看所以我多搞了几张 然后就是二次元原图 但是有些二次元转三次元会说太幼了 2 个帖子 - 2 位参与者 阅读完整话题