如图，让opus4.8给我ppt建议，给出的建议到是都挺不错，但是全篇不说人话，前面更离谱我都看不懂，这最后一页结论也是看得我想吐。 11 个帖子 - 7 位参与者 阅读完整话题
越读越奇怪，有些地方能看懂，有些地方完全看不懂，非常奇怪的用词，我记得glm应该是会思考的，这个怎么不思考了 看几个比较关键的地方: 剩下那部分我都懒得标注了，真的，现在回头来看比刚才的感受还深，太奇怪了 咱们glm也有被掺水的一天? 曾经我说glm作为克劳德永远的最好的平替 其中一项优势就是基本不会有公益站什么的连这个模型都掺水 虽然大家总是反馈套餐很难抢 我开个新对话测试一下，然后顺便换个渠道另测 不过再回头看，整体语言表达方面还是可以的，完全符合提示词，就是用词真的很奇怪 更新: 用了魔搭社区渠道 本质上是阿里云 他的开头是这样的: 我一个局部截图就能截完 关于第一个问题 先说结论 那个很有可能被替换成gpt了，虽然听起来不可思议 而且事实上这个版本4700字，而刚才的那个只有3000多字 按理来说gpt作为话痨起码得整个8000字的 如果glm都能输出4700… 修正一下，这里说的是word 是词 不是字 但请看下面的分析 看了魔搭渠道自己对自己回答的评价(我把上面那个版本的回答完整复制发给他了) 发现后面更是群魔乱舞 他自己的整体分析: 看了一下他说的那个硬塞进来的话题: 大晚上的真的越看越诡异 整体上应该很贴近5.3的风格 4 个帖子 - 3 位参与者 阅读完整话题
最近写了介绍大模型推荐系统的免费课程，面向的是对推荐系统基本没了解的读者。不讲代码和算法细节，主要是通过一些操作，让读者能感知工程上推荐系统一般在做什么，集中在特征和模型，没有 ETL 数据处理和展示层。大致是这么组织的内容： 搜广推的区别，讲目前三个系统的融合趋势，再重点讲推荐系统，推荐系统的核心是算法，是机器学习的分支。介绍召回 - 排序 的背景，DLRM 。提供一个写好的纯演示项目，模拟商品推荐，演示系统包含最基础的 ItemCF 协同算法过滤，说明这种方法的缺陷，引入整个课程的结构。 从 LLM 做特征工程的最基础的 [数据增强] 开始，就是调 LLM 接口，让它返回标签，然后用 BGE 转向量，演示语义召回。 用评论演示 RAG ，介绍 GReaT 生成评论这种数据合成方式，让推荐商品通过 RAG 能考虑评论因素。 到用户塔的操作，用 LLM 根据用户行为序列，生成自然语言的用户画像。结尾演示一个 LLM 的语义重排，说明这种点对点排序的问题，引入下一章。 生成式推荐系统，用 LLM 目前主流的架构——混合，堆叠，生成——演示返回的 SFT 数据和 DPO 数据。 可解释性问题。对话式的推荐系统，考虑历史对话。 Agent （规划、记忆、工具、行动）的推荐形式 测试。 因为定位是 0 基础，预设的用途比如毕设项目找一个新的方向做参考，或者刚入行的新人能大致有个宏观的了解。 想问下对推荐系统了解不多的 V 友，会觉得有什么基础的概念遗漏的吗？
最近写了介绍大模型推荐系统的免费课程，面向的是对推荐系统基本没了解的读者。不讲代码和算法细节，主要是通过一些操作，让读者能感知工程上推荐系统一般在做什么，集中在特征和模型，没有 ETL 数据处理和展示层。大致是这么组织的内容： 搜广推的区别，讲目前三个系统的融合趋势，再重点讲推荐系统，推荐系统的核心是算法，是机器学习的分支。介绍召回 - 排序 的背景，DLRM 。提供一个写好的纯演示项目，模拟商品推荐，演示系统包含最基础的 ItemCF 协同算法过滤，说明这种方法的缺陷，引入整个课程的结构。 从 LLM 做特征工程的最基础的 [数据增强] 开始，就是调 LLM 接口，让它返回标签，然后用 BGE 转向量，演示语义召回。 用评论演示 RAG ，介绍 GReaT 生成评论这种数据合成方式，让推荐商品通过 RAG 能考虑评论因素。 到用户塔的操作，用 LLM 根据用户行为序列，生成自然语言的用户画像。结尾演示一个 LLM 的语义重排，说明这种点对点排序的问题，引入下一章。 生成式推荐系统，用 LLM 目前主流的架构——混合，堆叠，生成——演示返回的 SFT 数据和 DPO 数据。 可解释性问题。对话式的推荐系统，考虑历史对话。 Agent （规划、记忆、工具、行动）的推荐形式 测试。 因为定位是 0 基础，预设的用途比如毕设项目找一个新的方向做参考，或者刚入行的新人能大致有个宏观的了解。 想问下对推荐系统了解不多的 V 友，会觉得有什么基础的概念遗漏的吗？
最近写了介绍大模型推荐系统的免费课程，面向的是对推荐系统基本没了解的读者。不讲代码和算法细节，主要是通过一些操作，让读者能感知工程上推荐系统一般在做什么，集中在特征和模型，没有 ETL 数据处理和展示层。大致是这么组织的内容： 搜广推的区别，讲目前三个系统的融合趋势，再重点讲推荐系统，推荐系统的核心是算法，是机器学习的分支。介绍召回 - 排序 的背景，DLRM 。提供一个写好的纯演示项目，模拟商品推荐，演示系统包含最基础的 ItemCF 协同算法过滤，说明这种方法的缺陷，引入整个课程的结构。 从 LLM 做特征工程的最基础的 [数据增强] 开始，就是调 LLM 接口，让它返回标签，然后用 BGE 转向量，演示语义召回。 用评论演示 RAG ，介绍 GReaT 生成评论这种数据合成方式，让推荐商品通过 RAG 能考虑评论因素。 到用户塔的操作，用 LLM 根据用户行为序列，生成自然语言的用户画像。结尾演示一个 LLM 的语义重排，说明这种点对点排序的问题，引入下一章。 生成式推荐系统，用 LLM 目前主流的架构——混合，堆叠，生成——演示返回的 SFT 数据和 DPO 数据。 可解释性问题。对话式的推荐系统，考虑历史对话。 Agent （规划、记忆、工具、行动）的推荐形式 测试。 因为定位是 0 基础，预设的用途比如毕设项目找一个新的方向做参考，或者刚入行的新人能大致有个宏观的了解。 想问下对推荐系统了解不多的 V 友，会觉得有什么基础的概念遗漏的吗？
谁能看懂今天的盘面，是因为什么？ 上午笑嘻嘻，下午哭啼啼！ 佬友们，是不是又到了“金盆洗手”，远离大A的时候啦？问题是这走势也够不着金盆啊，塑料盆将近一下？ 3 个帖子 - 3 位参与者 阅读完整话题
从事嵌入式开发刚好四年，C和C++代码都能看懂，C++掌握得稍弱一些，现在在学。数据结构、设计模式略有了解，日常开发也能上手使用，前后也参与过四五个项目。好奇各位佬友这个年段掌握到什么程度，或者有什么自己的理解呢？ 其实还有个问题，就不另开话题了，在现在这个ai遍地走的时代，对各位的工作习惯有什么改变吗 14 个帖子 - 10 位参与者 阅读完整话题
写在前面 原因是 @yorecx 这位佬友在临时邮箱教程中 【教程】2026版 小白也能看懂的自建Cloudflare临时邮箱教程（域名邮箱） 用了我提供给佬友们用的临时域名注册了重要的账户，于是在评论区找到了我，评论如下： 【教程】2026版 小白也能看懂的自建Cloudflare临时邮箱教程（域名邮箱） 佬用你的临时邮箱quickbox.cloud注册了重要的账户，如果不想要了可以转给我，我来续，千万不要丢掉啊啊啊啊 处理方案 竟然如此， 我打算直接把这个域名（quickbox.cloud）转给这位佬友 ，但不是马上就一刀切了，在此告知使用该域名邮箱的佬友们： 域名将在下个月6月12日正式转交给这位佬友，并且临时邮箱服务也将停用！ 新域名邮箱（年抛临时域名邮箱） 为此我也像佬友申请了一个新的年抛域名，聊天截图如下： 新域名邮箱地址，同样接入LINUX DO Outh2登陆： Temp Email 最后 这是年抛域名，也就是说，一年后过期了不会再续费了，所以也叫临时邮箱！请各位佬友使用的时候不要拿来注册重要的平台，以及不要拿来注册奇怪的平台和不合规的平台，我在后台都能看得到！ 1 个帖子 - 1 位参与者 阅读完整话题
我们能看懂视频，是因为我们生活在现实世界中，而视频只是现实世界的一种数字化呈现方式。AI 则不同，它只读的懂数字、向量，最后猜一个结果给你。@Appinn 如果想要让 AI 理解视频怎么办？ 有开发者用最简单粗暴的方式创建了一个 Claude Code 插件，让它能够理解视频（包括声音）。 通过 f
本人背景：中考英语不及格 高考英语不及格 四级考了4次 后面准备考研后坚持每天背单词 后面四级过了 六级也一次过了 英语二考了78 在中学的时候就是太懒，不想背单词，又全网搜索最有用的最快速的无痛学习方式 后面考研后，每天用墨墨打卡，从一天20到后面一天200个左右，就每天不断重复，然后配合阅读，再学一些技巧，就面向考试而言六级阅读考了接近220 考研英语阅读也接近满分 但是我的听力非常差，六级听力是一点听不懂，都是用技巧。我真羡慕哪些能够轻松听懂英文博客和YouTube视频的大佬。 有没有大佬介绍下，有什么方法可以提高英语听力吗？现在就不再是为了考试了，现在就单纯为了能畅通听懂视频博客，增加一个能力！ 4 个帖子 - 4 位参与者 阅读完整话题
GPT Image 2 韩文提示词实测 这次测试 GPT Image 2 ，最明显的感受是：它对韩文 prompt 的理解不是简单翻译，而是真的能抓住细节。 测试用的韩文提示词是： 엄청 인형같은 얼굴의 K팝 여자 아이돌이 금색 여름 해변 의상을 입고 한국 잡지 표지 모델을 장식한 모습을 표현. 표지 문구에는 아이돌에 대한 소개 글이 들어가도록 표현. 아이돌의 이름은 여성스러운 이름으로 표현. 生成结果里，K-pop 女偶像、金色夏季服装、韩国杂志封面、介绍文字和女性化名字这些元素都能被准确呈现。尤其是“인형같은 얼굴”这种带审美倾向的描述，模型没有粗暴处理成普通人像，而是保留了韩系偶像感。 如果经常用韩文写图像提示词，GPT Image 2 的体验会明显好过很多只擅长英文的模型。它适合做韩系人物、杂志封面、社媒视觉图和需要韩文语境理解的创意图片。 体验地址
GPT Image 2 韩文提示词实测 这次测试 GPT Image 2 ，最明显的感受是：它对韩文 prompt 的理解不是简单翻译，而是真的能抓住细节。 测试用的韩文提示词是： 엄청 인형같은 얼굴의 K팝 여자 아이돌이 금색 여름 해변 의상을 입고 한국 잡지 표지 모델을 장식한 모습을 표현. 표지 문구에는 아이돌에 대한 소개 글이 들어가도록 표현. 아이돌의 이름은 여성스러운 이름으로 표현. 生成结果里，K-pop 女偶像、金色夏季服装、韩国杂志封面、介绍文字和女性化名字这些元素都能被准确呈现。尤其是“인형같은 얼굴”这种带审美倾向的描述，模型没有粗暴处理成普通人像，而是保留了韩系偶像感。 如果经常用韩文写图像提示词，GPT Image 2 的体验会明显好过很多只擅长英文的模型。它适合做韩系人物、杂志封面、社媒视觉图和需要韩文语境理解的创意图片。 体验地址
GPT Image 2 韩文提示词实测 这次测试 GPT Image 2 ，最明显的感受是：它对韩文 prompt 的理解不是简单翻译，而是真的能抓住细节。 测试用的韩文提示词是： 엄청 인형같은 얼굴의 K팝 여자 아이돌이 금색 여름 해변 의상을 입고 한국 잡지 표지 모델을 장식한 모습을 표현. 표지 문구에는 아이돌에 대한 소개 글이 들어가도록 표현. 아이돌의 이름은 여성스러운 이름으로 표현. 生成结果里，K-pop 女偶像、金色夏季服装、韩国杂志封面、介绍文字和女性化名字这些元素都能被准确呈现。尤其是“인형같은 얼굴”这种带审美倾向的描述，模型没有粗暴处理成普通人像，而是保留了韩系偶像感。 如果经常用韩文写图像提示词，GPT Image 2 的体验会明显好过很多只擅长英文的模型。它适合做韩系人物、杂志封面、社媒视觉图和需要韩文语境理解的创意图片。 体验地址
可能有佬发过了？但是发一个简单版的，不需要域名，只要服务器即可（好像还有cf版，但我没看） 准备设备/工具 1,你需要一台 可以访问互联网 的服务器/搭载Linux操作系统的电脑（系统推荐ubuntu,服务商推荐） 2,你需要一个SSH连接工具 3,你的Linux系统应当在发行商维护范围内，若不在，出现故障请自行寻找解决方法 介绍 Bitwarden 是一款广受欢迎的 开源密码管理器 。它的主要作用是帮助你安全地生成、存储和管理各种网站及应用的密码与敏感信息。 特别安全，天王老子来了你不泄露密码也看不了 自部署可以不用花官方的订阅哦，而且速度更快 安装1Panel 运行 bash -c "$(curl -sSL https://resource.fit2cloud.com/1panel/package/v2/quick_start.sh)" 输入2，回车 输入回车，y 后面也是一直回车 显示这个就安装1panel成功了！打开外部地址访问，输入上面的用户和密码，点击登录 点击应用商店-搜索"Bitwarden"-点击安装 勾选端口外部访问后，点击确认 显示这个就代表成功了 因为官方强制要求SSL证书，所以还得反代，点击：应用商店-OpenResty-安装-确认 等待安装完成后，打开网站-证书-自签证书 点签发证书 输入你的IP地址，点确认 点击网站-网站-创建 按照图片修改后，点击确认 访问：你的IP地址:你刚才填的端口（我填的是3000，所以是IP地址3000) 就成功了！像官方网站一样去操作它吧 插件/客户端也只需要更改一下地址（自定义地址）到你自建的就可以了 2 个帖子 - 2 位参与者 阅读完整话题