【ChatGPT5】都说openai不行了？奥特曼彻底放大招！彻底碾压！

我国AI人才实习时月薪一千六，被美国以2亿年薪挖走？谣言！

-

免费无限制ai聊天，堪比酒馆，saylo被封的可以玩这个

-

起飞了，Github解读神器

Zread

【空地双模态无人机自主探索系统】Autonomous Exploration with Terrestrial-Aerial Bimodal Vehicles

Autonomous Exploration with Terrestrial-Aerial Bimodal Vehicles (RA-L 2025), Gao, Yuman, Ruibin Zhang, Tiancheng Lai, Yanjun Cao, Chao Xu, and Fei Gao. 空地双模态无人机自主探索 https://arxiv.org/abs/2507.21338 地空双模机器人结合了空中机器人的高机动性与地面机器人的长续航性，在自主探索中具有巨大潜力。针对实际任务中的能量与时间限制，我们提出了一种分层探索框架，生成候选双模态视点，引入双模态蒙特卡洛树搜索方法，使机器人能灵活切换运动模式进行全自主探索。

【Anthropic官方分享】Prompt提示词工程技巧分享

一、 理念转变：从对话到任务指令 挑战： 简单的、对话式的指令往往导致模型产生误解（如将车祸报告理解为滑雪事故），输出结果不稳定、不自信，难以用于自动化流程。 目标： 构建一个“一次性成功”的提示词（Prompt），让模型在单次API调用中，就能精准、可靠地完成任务，并返回结构化的数据。 二、 优质提示词的黄金结构 (Anatomy of a Great Prompt) 一个高质量的提示词如同一个完整的任务简报，应遵循特定的结构，以确保模型能最大限度地理解并执行任务。 在任务开始前，为模型清晰地定义其角色和行为边界。 1. 明确角色与任务 (Define Role & Task): 做什么： 赋予模型一个专家角色。 示例： “你是一个专业的AI理赔员，负责审查瑞典语的交通事故报告。” 2. 设定语气与风格 (Set Tone & Style): 怎么做： 规定模型的行为准则，尤其是在信息不明确时。 示例： “你的分析必须基于事实，保持自信。如果信息不足以做出判断，必须明确指出，不要猜测。” 为模型提供完成任务所需的所有背景信息和工具。 3. 注入背景知识 (Inject Background Knowledge): 做什么： 将任务中恒定不变的信息（如固定的表单结构、文档模板、业务规则）直接提供给模型。 为什么： 提升效率： 模型无需每次都从零开始解析通用结构。 提高精度： 预先了解结构，能更准确地提取动态信息。 成本优化： 这部分内容非常适合使用“提示词缓存 (Prompt Caching)”。 示例： 在系统提示中详细描述事故报告表单的17个复选框的含义、表格的语言（瑞典语）、以及人类填写时可能出现的各种标记（圆圈、涂抹而非标准的X）。 4. 使用结构化分隔符 (Use Structural Delimiters): 做什么： 使用 XML 标签（如 <document>, <example>）或 Markdown 将提示词的不同部分清晰地包裹起来。 为什么： XML 标签能帮助模型更好地理解和引用特定信息区块，因为它经过了对此类结构的微调。 示例： 将整个事故报告表单的描述放在 <form_structure> 标签内。 这是提示工程的核心，你不是在“请求”结果，而是在“编程”模型的思考路径。 5. 提供分步指令 (Give Step-by-Step Instructions): 做什么： 将复杂的任务拆解成一个有序的、符合逻辑的步骤清单。指令的顺序至关重要。 为什么： 模仿人类专家的分析流程，可以显著提高复杂任务的准确性。 示例： 第一步：仔细检查事故报告表单，列出所有已勾选的选项。 第二步：在理解了表单内容后，再去分析手绘的事故示意图。 第三步：结合表单和示意图的信息，进行综合分析，并做出最终判断。 6. 提供优质示例 (Provide Quality Examples / Few-Shot Learning): 做什么： 对于棘手的、模糊的或容易出错的边缘案例，提供一到多个完整的“输入-输出”范例。 为什么： 这是引导模型处理特定场景、学习细微差别的最强大工具之一。 示例： 提供一个复杂的历史案例，包括其事故报告图片、示意图，以及一份由人类专家撰写的标准分析报告，并用 XML 标签（如 <example_case> 和 <example_output>）包裹。 确保模型的输出不仅正确，而且可用。 7. 强化关键指令 (Reinforce Key Instructions): 做什么： 在提示词的末尾，再次重复最重要的规则。 为什么： 防止模型在处理长提示词时“忘记”开头的关键指令（即“指令漂移”）。 示例： “重要提醒：你的最终结论必须严格依据提供的文件，仅在非常有把握时做出判断。” 8. 定义输出格式 (Define Output Format): 做什么： 强制模型以特定的、机器可读的格式（如 JSON）返回结果，或将最终答案包裹在特定的 XML 标签中。 为什么： 便于下游应用（如数据库、分析工具）进行自动解析和处理。 示例： “请将你的最终结论包裹在 <final_verdict> 和 </final_verdict> 标签内。” 9. (高级) 预填充响应 (Pre-fill Response): 做什么： 在API调用中，直接为模型的回答提供一个开头。 为什么： 这是强制模型输出特定结构（尤其是JSON）的有效技巧。 示例： 在API请求的“助手（assistant）”部分，直接填入一个左花括号 {，以引导模型续写一个完整的JSON对象。

珍妮特·温特森谈AI写作：AI有创造力吗？AI能写出自己的原创作品吗？

时间：2021年7月24日 平台：The Leader - Evening Standard Daily 主持人：David Marsland（大卫·马斯兰） 嘉宾：Jeanette Winterson（珍妮特·温特森） 来源：https://www.youtube.com/watch?v=3ggCnPHYv0Y&list=WL&index=3

wan2.2另类加速法：颠覆认知！混合不同精度模型，速度与质量我都要

🔥还在用常规方法为wan2.2加速？是时候换个思路了！本期视频将为你揭秘一种另类的加速策略——混合精度模型应用。我们将颠覆传统，通过“低精构图+高精细化”的巧妙组合，让你在保证高质量画面的同时，体验前所未有的生成速度！ 我们将深入wan2.2的双阶段渲染原理，告诉你为什么可以用不同的模型来分别处理这两个阶段，以及如何配置才能达到最佳效果。 🎬 你将学到： 1 混合精度原理：剖析wan2.2工作机制，为你解释为何“低精度构图，高精度细化”是可行的。 2 粗糙构图阶段：使用轻量化的Q3 GGUF量化模型负责视频的初始构图，大幅降低此阶段的性能开销。 3 精细打磨阶段：保留高精度的FP8模型用于后半程的细节优化，确保最终成片的画质。 4 辅助技术叠加：在正确的阶段应用SAGE Attention和NAG节点，进一步在不牺牲核心质量的前提下优化速度和效果。 5 工作流实战：提供完整的ComfyUI工作流和参数设置，让你亲手复现速度与质量兼得的奇迹。 ------------------------------------------------------------------------------------------------------------------------ 在线工作流 video_wan2_2_14B_多模精度型混用加速 体验地址：https://www.runninghub.cn/post/1952546698105163778/?inviteCode=kol01-rh107 runninghub粉丝福利 注册送1000点算力 国外用户 https://www.runninghub.ai/?utm_source=kol02-RH021 国内用户 https://www.runninghub.cn/?utm_source=kol01-RH107 工作流下载 workflow-download： https://github.com/amao2001/ganloss-latent-space/blob/main/workflow/2025-08-05%20video_wan2_2_14B_%E5%A4%9A%E6%A8%A1%E7%B2%BE%E5%BA%A6%E5%9E%8B%E6%B7%B7%E7%94%A8%E5%8A%A0%E9%80%9F.json ------------------------------------------------------------------------------------------------------------------------ 背景音乐由 AI 生成

性能接近 GPT-4o！Qwen3-30B-A3B-Instruct-2507 本地部署与实测

欢迎关注我的知识星球：https://t.zsxq.com/FF0He 我会分享最新AI资讯、源代码、回答你的提问。 惊喜更新！通义千问发布了全新的 Qwen3-30B-A3B-Instruct-2507 模型，这款“小模型”的性能却超乎想象，在推理、编码和多语言能力上都实现了巨大飞跃，甚至在多个基准测试中直逼 GPT-4o 和DeepSeek-V3。 本期视频将带你： 🔹 快速了解 Qwen3-30B-A3B-Instruct-2507 的强大新特性，包括 256K 超长上下文。 🔹 通过详细的图表，直观对比它与 GPT-4o 等顶尖模型的性能差距。 🔹 提供本地部署教程，使用 Qwen3-30B-A3B-Instruct-2507 在电脑上轻松运行。 🔹 全方位实战测试，涵盖交互式报表生成、动画创作、复杂逻辑推理、多轮对话一致性、数学解题和项目规划等多个场景。 🔹 分享我 Qwen3-30B-A3B-Instruct-2507 的真实使用体验。 如果你正在寻找一款可以在本地流畅运行、性能强劲的开源模型，那么这款 Qwen3-30B-A3B-Instruct-2507 绝对不容错过！ 时间戳 00:00 - 新模型亮点速览 02:32 - 本地部署教程 (LM Studio) 04:07 - 代码与创意实战：从报表到动画 07:53 - 推理与逻辑挑战 11:12 - 项目规划、翻译与数学 16:12 - 总结：最强本地小模型？我的使用感受 资源： https://huggingface.co/Qwen/Qwen3-30B-A3B-Instruct-2507

Coze 工作流一键生成“三分钟读一本书”保姆级教程，实操教程，搭建教学，扣子工作流

-

ComfyUI 第143集 万相视频2.2,WAN2.2,FUSIONX,GGUF,加速LORA，AI视频，AIGC，AI绘画，整合包，网盘，免费下载。