用AI做表情包完整教程！一个月+2.09W！电脑操作有手就会！普通人也能通过AI变现！更多AI工具合集、AI教程和AI变现实战案例也都整合好啦！抱走开练~

Deepseek写小说指令！存下吧~巨有用的过签指令+指南！轻松去除AI感！错过太可惜！建议收藏！

【Qwen3-Embedding+n8n】5分钟0代码轻松构建专属AI知识库，构建专业级RAG检索系统的详细操作保姆级教程！检索准确率高达95%，超越付费方案！

AI知识库搭建终极指南！Qwen3 Embedding模型性能超越同类产品，结合N8N工作流平台实现文档自动处理、向量存储、智能问答一站式解决方案 本视频详细演示了如何使用阿里巴巴最新发布的Qwen3 Embedding 4B模型，结合n8n工作流平台，无需编程基础即可快速构建强大的个人AI知识库。

清北级的AI提示语链，总结出来了

别再收藏各类提示语了，从底层逻辑直接通关AI提示语，不太明白的等下期我再多讲些思维方法和例子。

【大规模弹性集群编队分布式规划】RE-Formation

RE-Formation: Resilient and Efficient Formation Planning in Large-Scale Distributed Aerial Swarms (T-ASE 2025) Yuan Zhou, Lun Quan, Chao Xu, Guangtong Xu, and Fei Gao 大规模分布式空中集群的弹性高效编队规划 论文原文：https://github.com/yzhou-zju/re-formation 由于现实世界机器人有限的在线计算资源及其固有的软硬件故障概率，大规模编队规划面临两大挑战：计算复杂性问题和智能体失效问题。基于稀疏图与最大团理论，我们提出了一种具备弹性与高效性的编队规划方法（RE-Formation）以应对这些挑战。为在确保编队机动灵活性的同时提升轨迹规划计算效率，我们引入稀疏图描述连接关系，并提出具有闭式解的稀疏图构建方法。该稀疏图既保证全局刚性以实现编队图形的唯一对应，又保留完整图的核心特征，称为GRPF稀疏图。为消除异常智能体的影响，我们将异常智能体剔除问题转化为可通过计算最大团求解的离群值剔除问题。通过周期性触发最大k核子图计算来近似求解最大团，满足大规模集群实时计算需求。

敢不敢再赌一次……就当是为了未来的AI二次元老婆好吗

事实皆为视频中所言，我们7位成员中只有3位有条件以更多的时间投入来参与工作，并且大家都是学生，模型/框架的微调、扩训与研发已经花费了我们大量的预算，团队也逐渐丧失信心，我们需要更多的支持，哪怕是一个点赞或鼓励都好，如果有任何不清楚的疑问，欢迎在评论区探讨

8.12 最新【RVC变声器】堵桥专用！乌鲁鲁变声模型！支持电脑+手机端！人工智能AI变声，小白一键直装！

「SIGGRAPH 2025」3D分件大模型？3D生成进入Post training时代！

上海科技大学MARS实验室与其孵化初创影眸科技正式发布Rodin Gen-2分件模块的技术论文《BANG: Dividing 3D Assets via Generative Exploded Dynamics》。该工作已被计算机图形学顶级期刊ACM Transactions on Graphics (TOG) 收录，并将于SIGGRAPH 2025会议进行报告。 受大模型“Understanding by Generation”范式的启发，BANG将传统的3D分件聚类任务转化为生成式任务。通过在预训练3D生成大模型基础上，仅增加20%的额外参数进行后训练（Post-Training），实现了高质量的3D分件效果，同时维持了模型的泛化能力。 BANG引入3D ControlNet结构，提升了分件过程的可控性，用户可通过边界框（Bounding Box）、表面区域或2D图像指定分件规则，进一步增强了框架的实用性和灵活性。 BANG将随Rodin Gen-2的发布正式集成至Hyper3D.ai平台，未来团队计划将其扩展至更多相关任务。 论文链接：https://arxiv.org/pdf/2507.21493 主页：https://sites.google.com/view/bang7355608 #SIGGRAPH2025 #模型分件 #3D #CG #Rodin #3D生成

【中字】深度学习为什么会好得这么离谱？

Welch Labs https://www.youtube.com/watch?v=qx7hirqgfuU 这视频主要讲的是“万能近似定理”（UAT），它解释了两层神经网络是怎么做到近似各种复杂函数的。关键就在于ReLU（修正线性单元）激活函数的几何作用，它能把输入空间“折叠”起来，然后把这些折叠后的平面组合起来，形成非常精细、复杂的决策边界。 视频拿复杂得要命的比利时-荷兰边境线举例，想说明的是，一个“又宽又浅”的网络，就算用了海量的神经元（比如十万个），也只能勉强摸到边境线的复杂程度，还是很难抓住所有细节。但要是换成一个深得多的网络，总神经元数量少得多（比如五层，每层130个神经元），它反而能实现远超想象的精确近似。这说明啊，网络“深度”比“宽度”重要得多，它在有效学习复杂非线性关系方面扮演着关键角色。视频还进一步解释了，如果层与层之间没有非线性激活函数，那多层网络在代数上就会“坍缩”成一个单层模型，所以说，想让网络深度有意义，这些激活函数是必不可少的。 视频详细讲了，ReLU是怎么让网络学会超越简单线性边界的复杂模式的。一个没有激活函数的两层网络，顶多只能搞出一个线性的决策边界。但有了ReLU，它能把神经元的负输出直接“折叠”成零，这样就把原来的线性“平面”变成了“弯曲的平面”，让网络能创造出更复杂、更非线性的曲面和决策边界。 尽管“万能近似定理”理论上说，一个足够宽的两层网络就能高精度地表示任何连续函数，但视频也指出了实际操作中的局限性。它解释说，目前像梯度下降这样的训练算法，并不能保证一定能找到最优解。挑战有很多，比如糟糕的随机初始化，可能导致模型卡在ReLU函数的“零梯度区域”，学不进去。而且，这个定理也没明确到底需要多少神经元，对于某些特定函数来说，深层网络可能比宽而浅的网络效率高出指数级。 视频还深入探讨了神经网络架构，特别是深度和宽度，对学习复杂空间边界的影响，举的例子就是拟合一个城镇的边界。它展示了深层网络怎么通过连续的层和ReLU激活，递归地转换和组合区域，从而生成越来越复杂的决策边界。深度在理论上的优势被强调：ReLU网络能创建的最大区域数量是随着层数呈指数级增长的，而随着宽度则只是多项式增长。分析还观察到，反向传播是如何引导模型创建出复杂精细的多边形的，同时也提到了像“死神经元”这种常见现象。 最后，视频展示了即使是相对较浅的模型（比如四层、32个神经元），也能通过递归地折叠和组合输入空间，学会像复杂城镇边界那样的高难度模式。视频的创作者回顾了他十年制作教育内容的历程，感慨核心理念是如何不断扩展去解决复杂问题的，同时像损失函数地形和反向传播这些领域又不断涌现出新的奥秘。他分享了个人故事：2019年因为经济困难辞掉了之前的工作，但2022年又回来了，完全是出于对做好教育的这份热情。为了能把这个事业持续下去，他强调需要建立一个可持续的商业模式，目标是能挣回他之前全职工作的收入，因此希望社区能给予更多支持，尤其是通过Patreon平台，他还提供了独特的剪纸作品作为新的回馈。

2025年最新RVC变声器【旺仔小乔】上线！全网最高质量音质最好的变声器！秒变元气甜嗓·整活必备！1:1音色复刻！永久免费使用！啊岛岛的妈妈！

Rainbow AI账号注册以及使用教程

-