下午用codex把目前的项目总结了一下形成了一个文档，然后晚上发现Any的Fable 5可以用，就让它帮我总结一下更新一下markdown格式的简历，然后就出现下面的提示，我的项目都是些深度学习的，或者一些全栈的后台网站，根本没有任何敏感的地方啊： 5 个帖子 - 5 位参与者 阅读完整话题
一、全套工具+明细成本汇总 Openlist：¥0 开源项目 中国移动云盘：月租¥8（套餐捆绑赠送云盘会员） 甲骨文圣何塞4c24h下载机：¥0 PikPak：拼车共享年会员，合计¥30/年 联通300M宽带：年费¥199 网易爆米花：¥0 总计¥325，不算宽带的话那很低了 二、整体部署架构 Openlist挂载绑定PikPak网盘；甲骨文圣何塞下载机部署aria2 pro + Rclone双工具联动 三、下载流程 将磁力链接资源先行保存至PikPak网盘云端； 通过Openlist调用aria2 pro发起下载任务； 文件下载完成后，Rclone工具自动同步上传至中国移动云盘，上传完成自动删除； 网易爆米花移动云盘直连服务，完成文件刮削、直接在线播放。 四、实测数据 白天下载速度：100m/s Rclone设置RCLONE_BUFFER_SIZE=256M，实际移动云盘峰值上传速度：200m/s 2026/06/11 11:28:03 INFO : Transferred: 1.351 GiB / 1.351 GiB, 100%, 230.522 MiB/s, ETA 0s Checks: 1 / 1, 100%, Listed 0 Deleted: 1 (files), 0 (dirs), 1.351 GiB (freed) Renamed: 1 Transferred: 1 / 1, 100% Elapsed time: 6.7s 五、亮点和争议 亮点：网易爆米花提供的移动云盘直连服务，文件上传完成后无需配置转发规则、直链、转码，可直接完成媒体库刮削、晚高峰也能秒播，还能多端同步，可以给家里人用。 雷点：下载的资源如果命名不标准，网易爆米花也很难刮削；另外看到有佬分享保存4k原盘被移动云盘删资源的情况，目前我没有遇到，并且不同云盘会员还限制上传单文件大小。 单个文件大小上传免费普通用户上限5G；白银会员用户8G；黄金会员用户20G；钻石会员用户APP端50G、PC端500G。 2 个帖子 - 2 位参与者 阅读完整话题
英文原文点这里 ds总结： 此外最近还有一个对A\创始人兄妹访谈： Inside Anthropic, the $965 Billion AI Juggernaut | The Circuit 依然还是那套理论，感觉他们自己是深信不疑的。 1 个帖子 - 1 位参与者 阅读完整话题
Codex跑了3小时吧大概，突然这样了，关键我的主要内容还没总结出来，现在发消息一直这样，新开窗口正常工作，第一次遇到这种情况，该怎么解决 2 个帖子 - 2 位参与者 阅读完整话题
划水水水 划水 划水水 划水水水 点击以查看投票。 1 个帖子 - 1 位参与者 阅读完整话题
怎么说呢，没太大感觉。也没其他佬友说的上瘾之类的。 但我感觉话说的少了， 不啰嗦 了，这是整体感受。 总结一下就是， 人狠话不多 。 佬们觉得呢 1 个帖子 - 1 位参与者 阅读完整话题
托始皇“大赦天下”和我6年Github账号的福，来社区也两天了。 新用户第一时间肯定是先熟悉社区，看了不少大佬写给新用户的帖子，学到了很多，书签也存了几个。但是想访问一些官方的服务时（例如积分站）总是忘了链接是什么，也忘了收藏的哪个帖子提到了。今天闲着无聊瞎点的时候突然找到了官方的“导航”。 https://linux.do/pub/resources 然后还找到了Wiki界面，可能我刷的帖子比较少，竟然没有看到有人发Wiki的链接。这个介绍真的很详细，尤其是这个信任等级，想升级的可以细读。 wiki.linux.do 信任等级 Linux Do Wiki 再贴几篇我收藏的大佬的帖子，方便没看过的快速查看。 盘点L站的徽章 长期更新！（2026.2.17更新） 文档共建 盘点 L 站的徽章长期更新!（2026.2.17 更新） [!warning] 注意！ 做 Wiki 编辑的徽章就做，别把整个教程帖子内容覆盖成无意义的内容！！！！！！！！! … 萌新论坛指南 文档共建 背景 2024年1月17日论坛开启！ 2024年3月4日论坛注册人数已过万！ 2024年3月6日论坛已开启邀请注册，并迎来一波注册高潮！ 综上所述，急需一个帖子帮助萌新了解论坛。 萌新指北 论坛守则！FBI Warning 总纲 论坛守则 推广链接守则！ 推广链接新规！ 执行日期 2025-08-07T07:00:00Z (UTC)，适用于全站范围。 社… 【新人入站从0级到三级经验总结】：升级？赚LDC？LDC有什么用？如何兑换Ai的API Tokens？常用的站内频道？避免被封号注意点？等等，新人可参考，少走弯路！ 文档共建 【先导篇】： 佬友们入站的原因，很多都是因为被站内的教程、干货、资源和Ai前沿信息所吸引，技术大咖喜欢这里的氛围，喜欢来这里发帖，而这良好的社区氛围背后是始皇站长对网站的费心维护、和对规则的不断优化，同时也少不了站内众多大佬的不断的高质量内容输出。 所以想融入社区，也为了社区长久发展，都遵守规则很重要。 有的新人会说，好像不注册L站，不升级也是能看帖子的，那为什么一定要注册L站？一定要升级呢？ … 公益站列表贴 其实不止这几个的，但是我好像忘记加书签了，欢迎补充 这是第一次发帖，也不知道分类标签什么的是否选对，如有错误还请指正 1 个帖子 - 1 位参与者 阅读完整话题
https://github.com/shigella520/LinkPeek/releases/tag/v1.3.0 最近 LinkPeek 从 1.1.0 之后更新了不少东西，这次最想分享的是：它已经不只是一个「链接预览工具」了。 现在它更像一个可以配合 iMessage 使用的链接分享 Bot 。 以前 LinkPeek 主要解决的是： 在 iMessage 里分享 V2EX 、NGA 、LINUX DO 、Bilibili 等链接时，自动生成更稳定、更好看的链接预览。 这次更新后，重点能力变成了三件事： 1. AI 分享总结 LinkPeek 现在可以按天、按周期整理分享过的链接，让 AI 自动总结这段时间大家都看了什么、聊了什么。 比如一天里丢了很多帖子、视频、社区链接，最后可以自动生成一份「今日链接总结」。 不用再手动翻聊天记录，也不用一个个点开回忆内容。 2. AI 生图对接 总结不只是一段文字，还可以进一步生成分享图。 也就是说，LinkPeek 可以把一段时间内的链接内容，整理成一张适合继续转发的图片卡片。 这对群聊复盘、内容推荐、每日摘要都很实用。 3. Webhook 自动通知 新增 Webhook 后，LinkPeek 可以把总结结果、分享图生成结果等事件自动推送出去。 这也是最关键的一步： 配合 BlueBubbles ，就可以把 LinkPeek 接进 iMessage ，做成一个真正能自动回复、自动推送的 LinkPeek Bot 。 大概效果是： 群里分享链接 LinkPeek 负责生成预览、记录链接 AI 定时总结内容 AI 生成分享图 Webhook 通知 BlueBubbles 最后由 iMessage Bot 发回群里 整个流程跑通之后，iMessage 群聊里的链接就不再只是零散 URL ，而是可以被自动整理、总结和再分享。 另外这几个版本里也补了很多后台能力： AI Provider 管理、提示词配置、分享总结任务、通知渠道、Webhook 重试、日志查看、预览事件管理等，现在更像一个可以长期跑起来的自部署工具了。 如果你也喜欢折腾 iMessage 、BlueBubbles 、自部署服务，或者想给自己的群聊加一个 AI 链接总结机器人，可以看看 LinkPeek 。
图片内容为ai总结，要看具体内容大家去看原文会比较好 微信原文 3 个帖子 - 2 位参与者 阅读完整话题
香港： 众安银行：未可考证具体日期，约在2021年12月开放。 livi Bank（理慧银行）：2022年4月1日开放，但因初期不校验出入境记录被偷渡，后续清退非合规客户短暂关门，于2023年3月8日有DP重新开放，具体重新开放时间未知，后于2024年12月10日左右重新关门。 Welab Bank（汇立银行）：2024年3月26日左右系统上线页面，随后几日正式开放，于2026年6月3日左右关门，仅限特殊渠道邀请开户。 富融银行：2024年2月3日左右开放，2025年12月13日左右关门，仅限指定邀请码或邮箱开户。 象象银行（原天星银行）：2023年9月左右开放 平安数字银行（原平安一账通银行）：2024年7月23日左右开放 蚂蚁银行（香港）：2023年7月14日开放 Mox Bank：2026年6月7日左右对 Trip.com 员工优先开放 澳门： 蚂蚁银行（澳门）：于2024年年底左右陆续有消息称阿里员工或保险客户可通过邀请渠道优先开户，后于2025年11月4日面向所有访澳旅客放开。 转自encmasuta 2 个帖子 - 2 位参与者 阅读完整话题
VibeCoding经验总结 全局 开发工具 codex app,claude code,opencode 工具 CodeGraph 索引项目文件，减少token消耗，加快对项目的加载速度 everything claude code 一套可复用的工程工作流组件库，把常用的 agents（子代理）、skills（工作流技能）、slash commands（斜杠命令）、rules（规则约束）、hooks（事件钩子自动化）、以及 MCP server 配置示例集中在一起，提供一套可直接复用的工程化工作流。 superpower 是一套给 AI 编程助手（如 Claude Code、Cursor 等）用的技能框架 ，把资深工程师的开发经验固化为可组合的技能模块，强制 AI 遵循标准化开发流程，从"盲目写代码"变成"有规划、重质量、可追溯"的专业开发伙伴。 git 善用git防止失控 前端 getdesign 把主流网站的设计方案总结成了md,开发是让ai参考这个md，样式永远不失控，审美在线 OpenDesign（不好用，不如stitch好用） 前端原型设计工具，本地部署，支持codex claude等 Stitch 用google的stitch设计界面，现在这个还是免费的，设计出来后可以直接通过mcp 根codex或者claude 链接 然后实现 开发思路 1 先通过stitch完成界面的设计 2 下载界面，然ai解析界面然后分析需求形成prd文档 3 根据prd文档形成需求文档，功能文档，技术文档 4 根据这些文档开始开发 5 过程中多形成项目skills，可以节约token 最好所有操作都文档先行，不要一上来就写代码，最好所有操作都文档先行，不要一上来就写代码，最好所有操作都文档先行，不要一上来就写代码 中间测试，开发过程 以上插件都会帮你自动规划 3 个帖子 - 2 位参与者 阅读完整话题
ACL学习总结（AscendCL） 分享一份自己学习ACL的笔记，由于内容超出了最大的字符上限（共69168），所以选择直接分享一份语雀链接，链接在图片下方，大致内容如下，欢迎各位大佬前来互相交流学习： 简单来说，ACL的作用就是用来在昇腾（Ascend）设备上做小模型推理加速，例如yolo、ResNet等等各类模型，应用场景比如视频监控实时判定等等 https://www.yuque.com/u48066541/db8sl3/evem2liq09npe599?singleDoc# 《AscendCL》 上面给出的链接里代码案例使用的是C++，这里在给一份包含详细注释的Python版本 Resnet50 import os import acl import numpy as np from PIL import Image #定义常量 ACL_MEM_MALLOC_HUGE_FIRST = 0 ACL_MEMCPY_HOST_TO_DEVICE = 1 ACL_MEMCPY_DEVICE_TO_HOST = 2 #定义模型对象 class Net: def __init__(self,model_path): #构造函数 #acl初始化，device指定 self.device_id = 0 ret = acl.init() ret = acl.rt.set_device(self.device_id) #模型加载,返回模型的ID self.model_id, ret = acl.mdl.load_from_file(model_path) #创建空白的模型描述信息，获取模型描述信息的指针地址 self.model_desc = acl.mdl.create_desc() #通过模型ID，获取模型的描述信息,填充到model_desc ret = acl.mdl.get_desc(self.model_desc,self.model_id) #创建输入输出数据集 #创建输入数据集 self.input_dataset, self.input_data = self.prepare_dataset("input") #创建输出数据集 self.output_dataset, self.output_data = self.prepare_dataset("output") #实现输入输出数据集类型的创建 def prepare_dataset(self,io_type): #准备数据集 if io_type == "input": #获取模型的输入个数 io_num = acl.mdl.get_num_inputs(self.model_desc) #变量引用函数对象 acl_mdl_get_size_by_index = acl.mdl.get_input_size_by_index else: #获取模型的输出个数 io_num = acl.mdl.get_num_outputs(self.model_desc) acl_mdl_get_size_by_index = acl.mdl.get_output_size_by_index #创建aclmdlDataset类型的数据，描述模型的输入或输出 dataset = acl.mdl.create_dataset() datas = [] #循环创建输入或输出数据类型,把每个输入或输出（buffer）装入对应的dataset中 for i in range(io_num): #从模型描述信息中通过索引获取所需的buffer内存大小 buffer_size = acl_mdl_get_size_by_index(self.model_desc,i) #申请buffer_size大小的buff内存，并把申请的内存地址指针给buffer buffer, ret = acl.rt.malloc(buffer_size,ACL_MEM_MALLOC_HUGE_FIRST) #从内存创建大小为buffer_size的buffer对象,存储到buffer指针中 data_buffer = acl.create_data_buffer(buffer,buffer_size) #将buffer数据添加到数据集中 _, ret = acl.mdl.add_dataset_buffer(dataset,data_buffer) datas.append({"buffer": buffer, "data": data_buffer, "size": buffer_size}) return dataset,datas def forward(self,inputs): #模型推理函数 #遍历所有输入，拷贝到对应的buffer内存中 input_num = len(inputs) for i in range(input_num): #将输入数据转换为字节码，方便使用 bytes_data = inputs[i].tobytes() #创建指向字节码对象的指针地址 bytes_ptr = acl.util.bytes_to_ptr(bytes_data) #先将图片数据从host侧传到device侧，用于推理（申请device?） ret = acl.rt.memcpy(self.input_data[i]["buffer"], #目标地址 device self.input_data[i]["size"], #目标地址大小 bytes_ptr, #源地址 host len(bytes_data), #源地址大小 ACL_MEMCPY_HOST_TO_DEVICE #cp模式：host to device ) #模型推理，传入需要推理的模型id，输入输出数据集合 ret = acl.mdl.execute(self.model_id,self.input_dataset,self.output_dataset) #对推理的输出数据进行数据后处理，输出top5置信度的类别编号 inference_result = [] #遍历 输出集合output_data 里的所有元素，获取集合元素与其索引 for i,item in enumerate(self.output_data): #申请host侧内存 self.buffer_host, ret = acl.rt.malloc_host(self.output_data[i]["size"]) #将数据从device侧返回host侧 ret = acl.rt.memcpy(self.buffer_host, #目标地址 host self.output_data[i]["size"], #目标地址大小 self.output_data[i]["buffer"], #源地址 device self.output_data[i]["size"], #源地址大小 ACL_MEMCPY_DEVICE_TO_HOST #cp模式：device to host ) #从host侧内存地址获取（转换）bytes对象 参数1：需要转换的对象(内存地址) 参数2：数据的大小(要读取的字节数) bytes_out = acl.util.ptr_to_bytes(self.buffer_host,self.output_data[i]["size"]) #按照float32格式将数据转为numpy数组，即将这些字节数据视为32位浮点数来解释 data = np.frombuffer(bytes_out, dtype=np.float32) inference_result.append(data) #将得到的data转换为numpy数组，一维 vals = np.array(inference_result).flatten() #对结果进行softmax转换，使其变为概率分布 vals = np.exp(vals) vals = vals / np.sum(vals) return vals def transfer_pic(input_path): #数据预处理，每个模型的不同，预处理的操作也会有所不同 #将路径转换为绝对路径 input_path = os.path.abspath(input_path) #使用 PIL的 Image.open() 方法打开图像文件，返回一个Image对象，用于图像裁剪等后续处理 with Image.open(input_path) as image_file: #resnet50模型，图片裁剪为224*224，当然也不是一定要按照模型规定的大小来 img = image_file.resize((224,224)) #转换为float32类型的ndarray img = np.array(img).astype(np.float32) #根据ImageNet图像的均值和方差,进行图像归一化操作 img -= [123.675, 116.28, 103.53] img /=[58.395, 57.12, 57.375] #色域通道转换，RGB→BGR img = img[:, :, ::-1] #resnet50模型为彩色通道在前，即HWC→CHW img = img.transpose(2,0,1) #返回并添加batch通道 return np.array([img]) def print_top_5(data): #数据后处理，展示top5概率 #argsort函数：升序排序，[::-1]代表反转索引数组，即升序改为降序，[:5]代表截取前五个元素 top_5 = data.argsort()[::-1][:5] print("======== top5 inference results: =============") for i in top_5: print("[%d]: %f" % (i,data[i])) def __del__(self): #析构函数，按照资源申请的相反顺序进行销毁，回收内存 #释放host内存 ret = acl.rt.free_host(self.buffer_host) #销毁输入输出数据集 #先销毁dataset内的buffer for dataset in[self.input_data,self.output_data]: #确保dataset不为空 while dataset: #从列表末尾移除一个元素 item = dataset.pop() #销毁buffer数据 ret = acl.destroy_data_buffer(item["data"]) #释放buffer内存 ret = acl.rt.free(item["buffer"]) #销毁输入输出数据集 ret = acl.mdl.destroy_dataset(self.input_dataset) ret = acl.mdl.destroy_dataset(self.output_dataset) #销毁模型描述文件 ret = acl.mdl.destroy_desc(self.model_desc) #卸载模型 ret = acl.mdl.unload(self.model_id) #释放device ret = acl.rt.reset_device(self.device_id) #acl去初始化 ret = acl.finalize() #主调函数入口 if __name__ == "__main__": #类对象 resnet50 = Net("/home/work/zxy/pyACL/om/cls/resnet50_310P3.om") #数据 image_paths = ["/home/work/zxy/pyACL/data/cls/dog1_1024_683.jpg"] #遍历数组集合 for path in image_paths: #调用数据预处理函数，对每个数据进行预处理 image = transfer_pic(path) #将数据按照每个输入的顺序构造list传入，调用推理函数进行推理 result = resnet50.forward([image]) #数据后处理 print_top_5(result) del resnet50 1 个帖子 - 1 位参与者 阅读完整话题
NVIDIA GeForce 驱动历史版本下载大全 更新日期：2026-06-09 本文收录 NVIDIA GeForce Game Ready 驱动的历史版本，涵盖桌面版（Desktop）和笔记本版（Notebook/Mobile）的官方下载链接。 原作者提醒 ：别有驱动性能焦虑，当前驱动稳定好用就没必要频繁更换。更新驱动主要是为了新游戏优化、Bug 修复或体验新技术。更换驱动后首次运行未预编译着色器的游戏体验会较差。 目录 下载常见问题 驱动版本一览 471.x 系列 472.x 系列 496.x 系列 511.x 系列 512.x 系列 516.x 系列 517.x 系列 522.x 系列 526.x 系列 527.x 系列 528.x 系列 531.x 系列 535-536.x 系列 537.x 系列 538.x 系列 545-546.x 系列 551.x 系列 552.x 系列 555-556.x 系列 560.x 系列 561.x 系列 566.x 系列 571-573.x 系列 576-577.x 系列 580-581.x 系列 590-591.x 系列 595-596.x 系列 610.x 系列 说明 下载常见问题 问题一：NVIDIA 官网显示"页面未找到" 说明链接已失效或记录有误，请在评论区反馈对应版本号。 问题二：页面能打开但下载失败（连接被关闭） 你的 IP 被临时封禁，不要频繁访问，等待几天后重试。 避免使用第三方下载工具（IDM、NDM、迅雷等），以免触发 IP 封禁。 如果等待后仍无法下载，请在评论区反馈。 问题三：下载速度慢 NVIDIA 中国站（ nvidia.cn ）有时速度较慢，可尝试使用国际站链接。 部分版本提供直链（Hotfix 版本），可直接下载 EXE 文件。 驱动版本一览 471.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 471.11 HEAD — — 471.41 HEAD — — 471.68 HEAD — — 471.96 HEAD — — 471.x 系列为较早版本，部分链接可能已失效。建议使用 NVIDIA 驱动搜索页面 查找。 472.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 472.12 HEAD 笔记本下载 桌面版下载 472.39 HEAD — — 472.84 HEAD — — 472.98 HEAD — — 496.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 496.13 HEAD — — 496.49 HEAD — — 496.76 HEAD — — 497.09 HEAD — — 497.29 HEAD — — 511.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 511.09 HEAD — — 511.23 HEAD — — 511.65 HEAD — — 511.79 HEAD — — 512.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 512.15 HEAD — — 512.59 HEAD — — 512.77 HEAD — — 512.95 HEAD — — 516.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 516.40 HEAD — — 516.59 HEAD — — 516.93 HEAD — — 516.94 HEAD — — 517.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 517.40 HEAD — — 517.48 HEAD — — 522.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 522.25 HEAD 笔记本下载 桌面版下载 522.30 HEAD — — 526.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 526.47 HEAD — — 526.86 HEAD — — 526.98 HEAD — — 527.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 527.37 HEAD — — 527.56 HEAD — — 528.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 528.02 HEAD — — 528.24 HEAD — — 528.49 HEAD — — 531.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 531.18 HEAD — — 531.26 HEAD — — 531.29 HEAD — — 531.41 HEAD — — 531.61 HEAD — — 531.68 HEAD 笔记本下载 桌面版下载 531.79 HEAD — — 535-536.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 535.98 HEAD — — 536.23 HEAD — — 536.25 HEAD — — 536.40 HEAD — — 536.67 HEAD — — 536.99 HEAD — — 537.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 537.13 HEAD — — 537.34 HEAD — — 537.42 HEAD 笔记本下载 桌面版下载 537.58 HEAD — — 537.72 HEAD — — 537.99 HEAD — — 538.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 538.09 HEAD — — 545-546.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 545.84 HEAD 笔记本下载 桌面版下载 545.92 HEAD — — 546.01 HEAD — — 546.17 HEAD — — 546.29 HEAD — — 546.31 HEAD — — 546.33 HEAD — — 551.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 551.23 HEAD — — 551.31 HEAD — — 551.52 HEAD 笔记本下载 桌面版下载 551.61 HEAD — — 551.68 HEAD — — 551.76 HEAD — — 551.86 HEAD — — 552.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 552.12 HEAD — — 552.22 HEAD 笔记本下载 桌面版下载 552.44 HEAD 笔记本下载 桌面版下载 555-556.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 555.85 HEAD — — 555.99 HEAD — — 556.12 HEAD 笔记本下载 桌面版下载 560.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 560.70 HEAD — — 560.81 HEAD — — 560.94 HEAD 笔记本下载 桌面版下载 561.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 561.09 HEAD — — 566.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 566.03 HEAD — — 566.14 HEAD — — 566.36 HEAD 笔记本下载 桌面版下载 571-573.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 571.96 HEAD — — 572.16 HEAD 笔记本下载 桌面版下载 572.42 HEAD 笔记本下载 桌面版下载 572.60 HEAD 笔记本下载 桌面版下载 572.70 HEAD — — 572.75 Hotfix — — 572.83 HEAD 笔记本下载 桌面版下载 573.24 HEAD 笔记本下载 桌面版下载 576-577.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 576.02 Hotfix — — 576.88 RTX Pro 笔记本下载 桌面版下载 577.00 HEAD 笔记本下载 桌面版下载 580-581.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 580.88 HEAD 笔记本下载 桌面版下载 581.08 HEAD 笔记本下载 桌面版下载 581.15 HEAD 笔记本下载 桌面版下载 581.29 HEAD 笔记本下载 桌面版下载 581.42 HEAD 笔记本下载 桌面版下载 581.57 HEAD 笔记本下载 桌面版下载 581.80 HEAD 笔记本下载 桌面版下载 581.94 Hotfix 直链下载（笔记本+桌面版合并） 支持页面 590-591.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 590.24 HEAD — — 591.44 HEAD 笔记本下载 桌面版下载 591.59 HEAD 笔记本下载 桌面版下载 591.74 HEAD 笔记本下载 桌面版下载 591.86 HEAD 笔记本下载 桌面版下载 595-596.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 595.71 HEAD 笔记本下载 桌面版下载 595.76 HEAD — — 595.79 HEAD 笔记本下载 桌面版下载 595.97 HEAD 笔记本下载 桌面版下载 596.02 Hotfix 直链下载（笔记本+桌面版合并） 支持页面 596.21 HEAD 笔记本下载 桌面版下载 596.36 HEAD 笔记本下载 桌面版下载 596.49 HEAD 笔记本下载 桌面版下载 610.x 系列 版本号 类型 笔记本（Mobile） 桌面版（Desktop） 610.47 HEAD 笔记本下载 桌面版下载 说明 版本类型说明 类型 说明 HEAD 正式发布版本（Game Ready Driver / WHQL 认证） Hotfix 热修复版本，修复特定问题，非 WHQL 认证 RTX Pro RTX Pro 专业驱动版本 Beta 测试版本 下载链接说明 nvidia.cn 链接 ：指向 NVIDIA 中国站下载详情页，包含笔记本版和桌面版的下载选项。 直链下载 ：Hotfix 版本通常提供直接的 EXE 下载链接，笔记本和桌面版合并为一个安装包。 “—” 标记 ：表示该版本暂时没有找到官方下载链接，可通过 NVIDIA 驱动搜索页面 手动查找。 如何查找缺失的驱动版本 访问 NVIDIA 驱动下载页面 选择你的 GPU 型号、操作系统和语言 点击"搜索"即可找到对应版本 驱动选择建议 游戏玩家 ：选择最新的 Game Ready Driver（HEAD 版本），获得最佳游戏优化。 内容创作者 ：考虑使用 Studio Driver，更稳定但更新频率较低。 追求稳定 ：如果当前驱动运行良好，不必频繁更新。 新游戏首发 ：Game Ready Driver 通常会在新游戏发布前优化。 统计 本列表共收录 80+ 个驱动版本 覆盖 471.x ~ 610.x 系列 包含 2 个 Hotfix 版本 （581.94、596.02） 包含 1 个 RTX Pro 版本 （576.88） 免责说明 ：本文所有下载链接均指向 NVIDIA 官方网站，仅收录官方发布版本。OEM 厂商认证版本（如联想、戴尔定制版）不在收录范围内。 如有版本链接失效或缺失，请在评论区反馈。 1 个帖子 - 1 位参与者 阅读完整话题
21 个帖子 - 18 位参与者 阅读完整话题
比对工具,我做老系统改造时唯一不省的东西 8 年里我反复总结过一句话: 老系统改造,新老两边的输出如果不能用工具自动 diff,就只能 靠人盯。靠人盯一定会漏。 漏的不是大 bug——大 bug 上线 1 小时就报警了。 漏的是那种"看起来对但不对"的——单跑任何一边都看不出来, 机器把全量数据 diff 一遍,问题才浮出来。 下面是 4 个例子,都是真实经历过的项目,做了脱敏。 例 1 · 订单类系统迁移的 dump 比对 上篇提过的"老语言迁到主流语言"的项目,跨 14 个月切完。 这 14 个月里整个迁移就靠一件事撑着: dump 比对 。 老系统的事件流 dump 一份,新系统的事件流 dump 一份, 每天定时跑 diff,差异写报表。 期间发现的 11 个"看起来对但不对"的 bug—— 全部是 diff 报表先发现,人后看到的 。 最典型的一类:同一个业务状态,老系统用字符串表达,新系统用 枚举表达,两边语义其实一样。下游消费方两套都能解析——直到 diff 报表跑出来"同一条记录两种表达",我们才意识到出了问题。 如果当时省了这套——切完后只会有一堆历史数据不一致, **到时只能选:全量重跑(代价大),或者认账(留坑)**。 例 2 · 聚合查询系统的跨结果表对账 某个聚合查询系统有 2 张结果表,逻辑上 1:1 对应。 跑了 5 年,某天我们顺手算了一下—— 有上千条核心业务记录在表 A 有,表 B 没有 。 是某个增量更新的边界 bug 。 不大,数据缺失也不影响主业务流程,所以 5 年没人发现。 后来加了个简单工具—— 每天 1 次,表 A vs 表 B 跑 diff,差异 > 阈值告警,告警里 带具体写入代码段的指针。 工具上线 1 周,问题暴露;3 周修完。 值得说的是:**前 5 年是"暴露不出来",不是"修不了"**。 代码本身一直在那,bug 不是隐蔽,是没人有手段看见它。 例 3 · 数据匹配的离线 vs 在线 diff 某个数据匹配场景有两条链路: 离线全量(每天凌晨重算所有匹配关系) 在线增量(数据有变更时,即时算) 逻辑上两条应该一致——但实际经常不一致。 我们的比对方式很简单:取 1% 数据,让两条链路同时跑同一份输入, diff 输出。每周大概能跑出 50-100 条不一致。 有意思的是: 这些不一致里只有 30-50% 是真 bug 。 剩下的是真实业务边界——比如某些场景在线已经能感知到、离线 还没扫到——这种"差异"是合理的,标"忽略"。 但 你必须能看到它,才有资格忽略它 。 没有这套工具的时候,我们以为两条链路一致;有了之后才发现:从来 就没一致过,只是没人在比。 例 4 · 多源数据合并时的字段分布对比 某个数据合并场景中,不同来源的数据语义不完全一致。 但 字段分布(枚举值频次 / 数值范围)是一种隐含约束 。 工具:合并前后跑同一个字段的分布,漂移 > 5% 就告警。 发现过一个特别隐蔽的 case—— 枚举值"未知"在 A 来源约定是 0,B 来源约定是 -1 。 单看代码看不出来,0 和 -1 都是合法值,谁也没写错。 但合并后字段分布告警立刻响:**"0"占比从 30% 降到 15%**—— 回头查,才看出两个来源的"未知"约定不一样。 字段分布对比有时比代码 review 更准—— 代码 review 看的是逻辑,字段分布看的是约定 。 不是 1 个工具,是 4 件配合用的事 很多人理解"比对工具"是写个脚本跑 diff—— 这是把比对工具理解小了 。 我经历的几次大改造,每一次都是这 4 件事一起做: ┌─────────────────────────────────────────┐ │ 老系统流量 新系统流量 │ │ │ │ │ └───────────┼──────────────────┼───────────┘ │ │ ▼ ▼ ┌──────────────────┐ ┌──────────────────┐ │ ① 数据快照 dump │ │ ① 数据快照 dump │ │ (独立存储) │ │ (独立存储) │ │ 解耦 / 毫秒级 / │ │ 字段冗余比节省强 │ │ 字段冗余 │ │ │ └─────────┬────────┘ └─────────┬────────┘ │ │ └─────────┬──────────┘ ▼ ┌──────────────────┐ │ ② diff 报表 │ ├──────────────────┤ │ ▸ 字段级:A.x≠B.x │ │ ▸ 结构级:有/无 │ │ ▸ 时间级:早/晚 N 秒│ └─────────┬────────┘ ▼ ┌──────────────────┐ │ ③ 告警分级 │ ├──────────────────┤ │ P1 关键字段差异 │ ──→ 立即告警 │ P2 非关键 > 阈值 │ ──→ 邮件 │ P3 时间级 < 容忍 │ ──→ 入归档 └─────────┬────────┘ ▼ ┌──────────────────┐ │ ④ 回溯链路 │ ├──────────────────┤ │ 报表保留 ≥ 30 天 │ │ 改动有版本号 / 时间戳│ │ 时间窗口反查 │ └─────────┬────────┘ ▼ 根因定位 "哪次改动引入的" ① 数据快照 dump 老新两边都要把关键事件 dump 到独立存储。 3 个细节: 跟主链路解耦(dump 故障不能影响业务) 时间戳精确到毫秒 字段冗余比节省强(多 dump 一些没坏处,少 dump 一个就废了) ② diff 报表 定时全量或采样跑 diff,差异分类: 字段级差异(A.x ≠ B.x) 结构级差异(A 有 B 没有) 时间级差异(A 早 B 晚 N 秒) 不分类的 diff 报表等于没看——一堆条目堆在那,人会习惯性忽略。 ③ 告警分级 不是所有 diff 都告警。 业务关键字段差异 → P1 立即告警 非关键字段差异 > 阈值 → P2 邮件 时间级差异 < 容忍窗口 → 入归档,不告警 不分级 = 全告警 = 等于没告警——3 天后没人看了。 ④ 回溯链路 发现 diff 后,要能定位 具体哪个改动引入的 。 要求: diff 报表至少保留 30 天 所有改动有版本号 / 时间戳 按时间窗口能反查 没有回溯能力的 diff,等于"看到 bug 但不知道怎么发生的"。 这 4 件事缺一件,比对工具就只是"看起来在比"。 什么时候不该做 也有反例。 某次小项目,1 个 service 重构,代码量不到 500 行。 我也想搞这套——leader 直接砍了:"投入 vs 产出比不合理。" 事后看是对的——那个 service 切完后没出过故障。 我大概的判断: 千行以内 / 周级别的小改造——别上,没必要 上万行 / 月级别以上的大改造——必上 中间档——看两件事:数据语义复杂吗?并跑会持续 1 个月以上吗? 任何一个"是",就上 写在最后 很多人会把"比对工具"归在测试的事—— 我倾向认为是改造方案的一部分。 测试问"这次发布有没有 bug"。 比对工具问"接下来这 N 个月,新老两边到底一不一致"。 看的时间尺度不一样。 而且时机很重要—— 比对工具要在切第一刀之前就上线 。 切完一半再加,你已经分不清"这条差异是改造带来的,还是早就存 在的"。 写到这,我也不太确定这套对所有团队都成立。 我经历的项目都是"业务相对稳定 + 改造期长 + 数据要追溯", 这种场景比对工具几乎是必修。 但如果是高速迭代的创业团队,搞这套可能反而是负担—— 这点我自己也还在想。 下一篇打算写 6 阶段验收 SOP—— 比对工具是其中第 4 阶段的核心 ,正好顺着接。 (以上 4 个例子都做了脱敏。 如果你做过老系统改造,欢迎评论区聊聊你们的比对工具长什么样, 特别想听 没搭比对工具直接切,后来踩过的坑 。)
想问问佬们有没有像fluxdo的，里面有个ai总结我觉得老好用了，还能自己配置API，请问一下有没有这种类似的插件，或者说油猴插件，手机端浏览器呢，可以弄嘛 1 个帖子 - 1 位参与者 阅读完整话题
有个总结的网站 AI Analysis 本来一直都挺稳定的，我一般会用它来总结B站视频内容或做逻辑图谱。 最近不知道怎么回事，像抽卡一样，老是没法上去，不过偶尔有时倒也能上，好像分时间，能上的时候也不稳定，一般30%左右的几率能总结。 请问这是什么原因？ （有一个同类型的相似网站，我用来总结YT的也经常这个样子） 1 个帖子 - 1 位参与者 阅读完整话题
三张Gopay表情包，总结 OPENAI六月以来的心路历程 以下图片均使用 Gemini 生成 1 个帖子 - 1 位参与者 阅读完整话题
一句话总结：qcoder+切换梯子节点(应该要切换不同地区的) 最近qcoder上线了每天200次的qwen3.7max的活动，但是200次完全不够用 用完了 换个节点继续用 5 个帖子 - 4 位参与者 阅读完整话题
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 想法：AI现行的当前，信息爆炸严重，对于科研人员，检索文献繁琐，且不易整理。基于这个问题，我想让AI基于主题每天去找前沿的文献。然后总结，不用多么详细，对于硕博而言，只需要大概的内容和方向，就能明白自己这个领域最近学者们都在做哪些工作，也可以给自己的科研做一些启发，所以做了这个项目。欢迎佬友们指导和交流。 图片先行： 主要功能： 1.根据主题，基于配置的多源，进行文献检索，同时对文献进行历史去重，证据完整性评分等工作。流程比较复杂，感兴趣的话可以让AI分析源项目，加了太多内容了。检索到的文献支持doi链接回看，支持科研人员一键查看文献原文。 2.调用LLM进行文献综述撰写，我总感觉AI写出的内容不够完美，欢迎佬友和我一起完善这部分的提示词。 3.公众号自动稿件撰写，手动推送。目前这部分就是把原文全部内容写在公众号里面，感觉还需要完善。大概功能已经实现了。 开源地址： yyy-OPS/YFR.frontier-review-daily 在线查看地址： https://yfr.yangy.cn/ 欢迎各位科研佬交流，再点点小星星~谢谢各位佬友~ 1 个帖子 - 1 位参与者 阅读完整话题