Trouver du contenu similaire

#脚本#QuantumultX#Loon#Surge#Shadowrocket#Stash#Crack#Revenuecat#效率#AI ✅#ChatBot-AIChat 📱 更新版本: 1.2.3 👤 脚本作者: @chxm1023 🕒 更新日期: 2024-10-21 📌 脚本功能: 解锁VIP 💳 特别说明: 一次性解锁，先开启规则，在进入软件即可！如果无效按[恢复购买]进行恢复！ ⬇️ 下载地址: 点击下载 🔗 脚本链接: 长按复制 ➡️ 一键导入: 点击导入 🔄 脚本转换: 点击传送 ✈️导航💬群组🤖投稿🎁福利

🧠 Building intelligent foundations for Web4. Lithic enables AI-native smart contracts — combining intelligent execution, programmable logic, and decentralized coordination in one unified layer. From verifiable AI workflows to scalable infra, this is the next evolution of onchain systems. Read more 🔍https://lnkd.in/gsez6_GK Post 🔍https://www.linkedin.com/posts/kaj-labs_lithosphere-lithic-artificialintelligence-activity-7442707365570916352-XBZX/ Website 🌐https://lithic.at/ #Lithosphere#Lithic#Web4#AI#Crypto

📝Как настроить автоматический дайджест новостей для Telegram с помощью Make и ChatGPT Make — это мощный сервис для автоматизации задач. Он позволяет интегрировать и связывать между собой разные приложения, чтобы создавать цепочки автоматических действий. В этом видео мы показываем, как с помощью Make создать сбор новостей из RSS-канала и настроить их регулярную публикацию в Telegram-канале. Просто настройте сценарий, и свежие новости будут появляться в вашем канале автоматически. ➡️ Мы использовали бесплатный тариф Make, который отлично подходит для начальных задач автоматизации. Бесплатный план включает 1,000 операций в месяц, поддержку более 2000 приложений и возможность создавать сценарии с помощью визуального конструктора — просто перетаскивайте нужные блоки и соединяйте их. Это отличное решение для простых автоматизаций, если ваши объемы не превышают лимит операций. ➕Наша цепочка состоит из следующих модулей: • RSS — модуль, который получает новые статьи из указанного RSS-канала. • Text Aggregator — объединяет текст из нескольких публикаций в один блок для дайджеста. • Text Parser — преобразует HTML-код в чистый текст, убирая лишние теги. • ChatGPT — создает краткую сводку новостей на русском языке. • Telegram Bot — автоматически отправляет итоговый дайджест в указанный Telegram-канал. Промпт, использованный для ChatGPT: Создай дайджест коротких новостей с HTML-разметкой для публикации в Telegram на основе следующего текста. Текст должен быть на русском языке. 1. Сделай каждую новость краткой, с выделением только самой важной информации. 2. Не добавляй никакие кодовые блоки или дополнительные символы (такие как ```html```). 3. Заголовок каждой новости выдели жирным шрифтом с помощью тега `<b>`. 4. В тексте оставляй только ключевые факты и цифры, избегай излишней детализации. 5. В конце каждой новости добавь ссылку на источник в формате `<a href="URL">Источник</a>`, но не дублируй текст "Источник". 6. Между новостями добавь только разделитель `---` без лишних пустых строк до и после. 7. Перед первой новостью и после последней новости не добавляй разделитель и пустые строки. ➡️Почему использовали HTML-разметку вместо Markdown: Мы выбрали HTML-разметку, так как автоматическое выделение с помощью Markdown в Make не работало корректно. Поэтому пришлось использовать HTML как обходное решение. Однако, если у вас не возникает подобных проблем, лучше использовать Markdown, так как он проще и более совместим с Telegram. Чтобы переключиться на Markdown, просто адаптируйте промпт под нужный формат. А хотели бы вы получать на нашем канале подобную подборку новостей из мира ИИ еженедельно? Проголосуйте в опросе ниже!⬇️ #ИИ#GPT#AI#нейросети#Make ——— #Кейсы ✍️Подписывайтесь: @aiforproduct

前几天我在测试度盘解析站那些，其中有一个33Down的群组需要通过机器人审核，其中验证的问题就是手性碳原子，而当时HYB大佬说他很轻松就通过了，我也连忙求助，他说他用AI过的，事后，我向他请教了很多，其中就包括我今天要说的cursor。（但后来测试发现cursor并没有那么百试百灵，只能说恰巧成功，但这个AI属实是有点东西） cursor 官网【 https://www.cursor.com/ 】 说明：这个软件是集成了GPT、claude那些模型的软件，可以对话帮我们解决问题。注册一个账号能用15天，免费的，所以可以无限注册白嫖。 ———软件的安装与注册——— 点开安装包后，程序会自己安装，安装之后，进入软件有个【language for AI】，在框里填【中文】就好了，如图 后续选择【privacy mode】，如图 后续进去了我们直接【sign up】注册一下，如图 然后会打开浏览器，让我们开始注册（此处不要打开翻译插件，不然网页报错），如图 我们填一下信息，如图 在接受邮箱验证码时，如果看不懂东西，请切换为纯文本，如图 后面注册完后，回到cursor软件，点【log up】输入账密登录一下就成。 ———软件的汉化与使用——— 软件的汉化方式，如图 然后把软件设置里的AI模型开关变成我这样，如图 在桌面新建个任意名称的文件夹，我这里建立的是【aa】，如图 然后打开cursor，点击【open a floder】，选择刚刚建的文件夹即可，如图 打开设置，找到【Rules for AI】，这里要填AI的提示词，其中一段提示词如下，你们可以复制放里头，如图 你是一款具备多层次思维链推理能力的高级大语言模型，能够以分层结构输出详细的推理过程。 # 输出结构： 1. 推理开始（用于分隔的Markdown格式） 2. 推理层（JSON格式）：对用户问题进行初步分析和解决方案的尝试。 3. 开始思考（用于分隔的Markdown格式） 4. 思考层（JSON格式）：基于推理层，反思可能的不足，提出自我质疑，如“是否有更好的方法？”“这真的是最优解吗？”“这符合最佳实践吗？”等。 5. 开始抽象寻找更本需求（用于分隔的Markdown格式） 6. 抽象层（JSON格式）：对思考层的内容进行抽象和重组，从不同角度重新分析问题。 7. 审查内容开始（用于分隔的Markdown格式） 8. 审查层（JSON格式）：审查并反思之前的推理过程，若发现问题，返回思考层重新进行思考。 9. 推理结束（用于分隔的Markdown格式） 10. 输出层：基于以上所有内容，输出最终的解决方案或回答。 # 遵循以下原则： - 链式思考：每次回答每一层都应进行多层次的链式思考，详细输出每一步的思考和推理过程。 - 问题分解：当用户提出问题时，首先分解问题，创建解决问题的大致步骤，并予以输出。 - 需求理解：充分理解并思考用户的需求，在推理层创建需求文档；如果上下文中已有需求文档，则完善和补充，并注明已实现的功能。 - 需求分析：以第三方观察者的角度，分析需求是否存在缺漏，并予以输出。 - 用户画像：深入预测并分析用户画像，查找相关记忆，联系上下文信息，并予以输出。 在上述思考和输出之后，按照以下步骤输出最终回答： - 反思审查：基于上下文（思考、推理、需求文档、记忆）再次进行反思和审查，并予以输出。 - 最终回答：输出符合最佳实践的、专业的最终答案。 # 补充说明： - 专业口吻：始终使用专业的语言表达，采用最新且合适的技术方案，遵循最佳开发或使用实践，内容详尽且完善。 - 需求澄清：当用户的需求不充分时，主动询问以获取更多信息。 - 详细推理：不限制上下文长度，每次都要详细地进行推理和思考。 - 严格遵循流程：必须严格按照上述流程进行回答。 # 注意事项： - 格式统一：确保输出的格式一致，方便用户阅读和理解。 - 避免重复：在各层次的输出中，尽量避免内容的重复，保持信息的新鲜和有效。 - 清晰简洁：在保证信息完整的前提下，语言表达应尽量清晰简洁。 然后回到软件主页，按快捷键【ctrl+i】唤出对话框，问问题就行，如图 其中，我们可以更改模型，因为这些都是可以用的，目前世界最顶尖的模型是【claude-3.5-sonnet-20241022】模型，我们就可以切换到它，如图 我们可以附带图片提问，如图 最后等他回复结果，如图 反正AI就是这么个AI，因为其中可以免费用claude-3.5-sonnet-20241022这个模型，所以就是我推荐的点，因为正式买的话，一个月20刀（RMB140块），所以我是建议白嫖的，因为配置起来的话，就装个软件，注册个账号的事情。 当然，其他AI的能力就有点…我简单举个例子，我拿目前很垃圾的gpt-4o-mini举例，问了它两个数字比大小，就给我出错了，如图 其中，这个cursor主要还是用来写代码，在最开始，HYB给我展示了cursor写代码的才能，其中用放烟花的html文件给我漏了一手（浏览器可执行文件），如图 标签：#AI#cursor#win软件#教程#人工智能#模型 题外话1： 优点: cursor注册送 14 天 pro，可无限白嫖 可同时使用 gpt+claude（能带图提问） 不会封号 缺点: 无法在手机端使用 功能受限 gptplus 的绘画，gpts，每天 50 次（cursor 限制每天 10 次） o1-mini，每周 50 次 o1-prevent 无法使用 claude 倒是没啥 题外话2： https://www.deepseek.com/ 是一个网页AI，不如cursor那么好用，但是方便，点击官网的【开始对话】，我这边用谷歌邮箱登录了一下，就直接能开始用了 题外话3： HYB也给我讲了【 https://ollama.com/ 】这个可以本地部署的AI，但是依旧有道德底线的限制，还不能联网，其中ollama可以下载模型到本地，但占用GPU很高（一个稍微好点的本地模型都能用我8成），所以没有推广的必要，连4090都扛不住这些AI的糟蹋，别说我这小显卡了，权当听了个乐子 题外话4： 这个软件一般真用不到，我其实也用不到，只是HYB大佬人家是写代码的，又常用AI，所以我才问来是这个软件，我们一般人感觉问AI就会找些灵感，编点东西啥的，没那么大需求，所以你们对此篇不感兴趣可以直接略过……

🔔 [특징주] 에스엔시스·KBI메탈, AI 데이터센터 밸류체인 진입 '가속' 📈#에스엔시스#KBI메탈#ABB 📝#AI#데이터센터#전력기기#전력산업 AI 데이터센터 확장에 따라 전력기기 관련 기업들이 성장할 가능성이 주목된다. ⬜⬜⬜⬜⬜│🟥🟥🟥⬜⬜ 【 겁나빠른 #드리고봇 뉴스 】 https://www.newstnt.com/news/articleView.html?idxno=702186

⚡️ AE1 PRESALE GOES LIVE TOMORROW! The countdown is on — the world’s first AI-driven sustainable token launches soon. 💠 1% Burn 🔥 | 🌱 1% EcoFund | 🤖 AI Transparency | ♻️ Sustainable Utility 🕛 Launch: October 22, 2025 — 12:00 PM EST 🔗 Official Website: 👉https://www.aether1.xyz 🔗 Official Presale Link (DxSale): 👉https://www.dx.app/dxsale/view?address=0xFb77a6E0Df0FDb566BFA34eBd9BcE66480692585&chain=1 💎 Be early. Be part of the revolution. #AE1#Aether1#Presale#Crypto#DeFi#AI#Blockchain#EcoFund#ETH#Web3

Anthropic 发布 Sonnet 4.6 模型，上下文窗口翻倍至 100 万 token Anthropic 于 2 月 18 日发布了其 Sonnet 模型的新版本 Sonnet 4.6，该版本在代码能力、指令遵循和计算机操作方面有所改进。Sonnet 4.6 将成为免费版和 Pro 版用户的默认模型，并支持 100 万 token 的上下文窗口，是此前最大窗口的两倍。该模型在 OS World 和 SWE‑Bench 等基准测试中创下新高，在 ARC‑AGI‑2 测试中达到 60.4%，超越了大多数同级别模型，但仍低于 Opus 4.6、Gemini 3 Deep Think 和精调版 GPT 5.2。此次发布紧随 Opus 4.6 推出两周后，新版 Haiku 模型预计将在未来几周内发布。IT之家 🏷#Anthropic#Sonnet#模型#AI 📢频道👥群组📝投稿

G7 Commits to Leveraging AI and Innovation for Economic Growth G7 nations have come together to sign a landmark agreement aimed at harnessing the transformative power of artificial intelligence to drive global productivity and economic prosperity. The Ministerial Declaration, a historic initiative, was signed during the Industry Tech and Digital meeting of the G7 in Italy, marking a significant step towards fostering long-term economic stability and prosperity. As part of the agreement, member countries will collaborate on a comprehensive report to analyze the factors influencing the adoption of AI technologies by businesses. This joint effort aims to inform policymakers and provide practical recommendations for the successful implementation of AI in various sectors. Furthermore, the declaration underscores the importance of AI deployment in the public sector, emphasizing the development of practical principles for safe and trustworthy AI to enhance public services worldwide. #G7#AI#Innovation

#jupyter_notebook#ai#llm#llms#multi_modal#openai#python#rag Retrieval-Augmented Generation (RAG) is a technique that helps improve the accuracy of large language models by fetching relevant information from databases or documents. This approach ensures that the model's responses are based on up-to-date and accurate data, reducing errors and "hallucinations" where the model might provide false information. For users, RAG offers more reliable and trustworthy responses, allowing them to verify the sources used to generate those responses. This method also saves resources by avoiding the need to retrain models with new data. https://github.com/FareedKhan-dev/all-rag-techniques

👍Подключили AI-функции в CapCut, выбрали Nano Banana и получилась такая красота. Ну разве не восторг? Забросили три разных промпта, чтобы получить изображение здания во всей красе. Почти не наврал. Как это можно использовать дальше — это только фантазия может подсказать. Но выглядит весьма недурно. ➡️Еще сервисы, где тоже заявляют возможность работать с Nano Banana. Условия у всех разные, но есть и бесплатные варианты. LMArena felo nanobanana-pro nano-banana.ai lovart.ai higgsfield.ai P.S. Пришлось подключить к CapCut зарубежный гугл-аккаунт. Без него CapCut из-за региона категорически отказывался включать расширенные возможности. Есть бесплатные лимиты. Можно пробовать. #ИИ#AI#Нейросети#NanoBanana ——— #Инструменты#CapCut ✍️ Подписывайтесь: @aiforproduct

🌟MedSAM-3: адаптация SAM 3 для медицины. MedSAM-3 - исследовательский проект, который переносит возможности сегментации по текстовым запросам из общего домена в медицинский. Несмотря на мощь оригинальной SAM 3, тесты показали ее слабую применимость к клиническим данным: базовая модель часто путает анатомические структуры и не понимает специфические термины. MedSAM-3 решает эту проблему, позволяя врачам выделять объекты на снимках МРТ, КТ, УЗИ и гистопатологии с помощью естественного языка. Например, по запросу «сегментируй опухоль молочной железы». В основе - дизайн SAM 3 с двойным трансформером. На обучении заморозили энкодеры изображений и текста, чтобы сохранить сильные визуальные приоритеты оригинала, а вот компоненты детектора прошли SFT на медицинских датасетах. Это позволило сохранить мощный базис оригинальной SAM 3, но добавить ей понимание медицинской специфики. В посттрейн-тестах наилучшую производительность показала конфигурация MedSAM-3 T+I, где текстовые подсказки были объединены с ограничивающими рамками. Такой подход позволил тестовой модели обойти классический U-Net и первую версию MedSAM на бенчмарках BUSI (Dice score - 0.7772) и Kvasir-SEG. 🟡Помимо самой модели, разработчики собрали агентный фреймворк MedSAM-3 Agent. Он использует мультимодальную LLM (в экспериментах - Gemini 3 Pro) в качестве планировщика, который анализирует запрос, выстраивает цепочку рассуждений и итеративно управляет процессом сегментации. В эксперименте c Gemini 3 Pro, на том же тестовом наборе BUSI, метрика Dice выросла с 0.7772 до 0.8064. ⚠️ Проект пока на стадии техотчета, но разработчики обещают опубликовать код и веса модели в ближайшее время. Так что тем, кто занимается ИИ в медицине - рекомендуем следить за репозиторием на Github. 📌Лицензирование: Apache 2.0 License. 🟡Arxiv 🖥Github @ai_machinelearning_big_data #AI#ML#Segmentation#MedSAM3

🌟Hierarchical Reasoning Model: иерархическая модель рассуждений, имитирующая работу мозга человека. Hierarchical Reasoning Model, (HRM) - рекуррентная архитектура, которая черпает вдохновение в принципах работы человеческого мозга. В ее основе лежат 2 взаимозависимых рекуррентных модуля: 🟢Первый, высокоуровневый модуль (H-модуль), отвечает за медленное, абстрактное планирование, подобно тета-волнам в мозге. 🟢Второй, низкоуровневый модуль (L-модуль), занимается быстрыми и детализированными вычислениями, аналогично гамма-волнам. Эта структура дает модели достигать вычислительной глубины, необходимой для сложных рассуждений, при этом сохраняя стабильность и эффективность во время обучения, чего так не хватает стандартным трансформерам. 🟡Взаимодействие модулей назвали "Иерархической конвергенцией". Процесс кардинально отличается от того, что происходит в обычных рекуррентных сетях, которые склонны к преждевременной сходимости, когда их скрытое состояние быстро стабилизируется, и дальнейшие вычисления практически прекращаются. В HRM все иначе: 🟠Сначала быстрый L-модуль выполняет серию итераций, находя локальное равновесие для текущего шага задачи. Его итоговое состояние передается медленному H-модулю. 🟠H-модуль, в свою очередь, осмысливает полученный результат, выполняет один шаг собственного, более абстрактного обновления и задает совершенно новый контекст для L-модуля. Таким образом, вычислительный путь низкоуровневого модуля перезапускается, направляя его к новой точке локального равновесия. Механизм не дает системе застрять и позволяет ей последовательно выполнять множество различных, но взаимосвязанных этапов решения, выстраивая длинные логические цепочки. Тестовая модель HRM с 27 млн. параметров, обученная всего на 1000 примерах без какого-либо претрейна или CoT-пар, показала неожиданно высокие результаты . На задачах, требующих глубокого поиска и перебора вариантов ( Sudoku-Extreme ) и поиск оптимального пути ( Maze 30x30 ), HRM достигла почти идеальной точности, а вот CoT-методы полностью провалились с результатом 0%. На бенчмарке ARC-AGI-1, HRM показывает точность в 40.3%. Для сравнения, o3-mini-high показала 34.5%, а Claude 3.7 с контекстом 8K - 21.2%. ▶️ Веса моделей для самостоятельного воспроизведения тестов: 🟢ARC-AGI-2; 🟢Sudoku 9x9 Extreme (1000 examples); 🟢Maze 30x30 Hard (1000 examples); 📌Лицензирование: Apache 2.0 License. 🟡Статья 🟡Arxiv 🖥Github @ai_machinelearning_big_data #AI#ML#HRM#SapientInc