AI日报 · 2025年05月11日|传闻 OpenAI 考虑推出 ChatGPT “永久”订阅模式
1、Anthropic API 集成网页搜索功能,赋能 Claude 模型实时信息获取与研究能力
Anthropic 公司近日宣布,为其应用程序接口(API)引入了网页搜索工具,显著增强了旗下 Claude 系列模型获取和利用实时信息的能力。这一更新允许开发者构建基于 Claude 的应用程序和智能代理,使其在处理需要最新资讯或特定领域知识的查询时,能够访问并整合来自互联网的动态数据,从而提供更为精准和全面的回答。
该网页搜索功能目前已支持 Claude 3.7 Sonnet、升级版的 Claude 3.5 Sonnet 以及 Claude 3.5 Haiku 模型。当这些模型接收到用户请求,并判断其自身知识库可能无法提供最佳答案时,会运用其推理能力决定是否启用网页搜索。一旦激活,Claude 将生成具有针对性的搜索查询,检索相关结果,分析关键信息,并最终给出一个包含信息来源引用的综合性答复 。值得注意的是,Claude 还能以类似智能代理的方式运作,进行多次递进式搜索。它能够利用先前搜索的结果来指导后续的查询,从而执行轻量级的自主研究任务。开发者可以通过调整 API 请求中的 max_uses
参数来控制这种研究的深度和广度。
为确保信息的透明度和可验证性,所有通过网页搜索获取的内容都会附带明确的引文,直接指向原始材料。这一特性对于那些要求高度准确性和责任可追溯的敏感应用场景(例如金融分析、医疗咨询辅助等)而言至关重要 。在定价方面,此项网页搜索功能的费用为每1000次搜索10美元,此外还需支付标准的Token处理成本 。
此次更新同样惠及 Claude Code。集成网页搜索后,Claude Code 可以帮助开发者获取最新的 API 文档、技术文章以及其他关于开发工具和编程库的实时信息。这对于处理新兴或快速迭代的软件框架、解决罕见的编程错误,或实现依赖特定版本 API 的功能时,显得尤为宝贵 。已有客户如 Quora 旗下的 AI 平台 Poe 和 AI 应用创建工具 Adaptive.ai 开始集成此功能,并反馈其搜索速度快、结果全面,有效提升了用户获取实时信息以及构建网络赋能型产品的体验 。
此项功能的推出,对提升大语言模型的时效性和可靠性具有重要意义。传统大语言模型因其训练数据的静态性,难以应对信息的快速更迭,而网页搜索则直接弥补了这一缺陷,使模型回答能够基于可验证的最新网络数据。同时,这种可控的、具备初步研究能力的网页搜索功能,也强化了 AI 作为智能代理的潜力,使其能够更自主地收集和综合信息,为自动化报告生成、深度专题探索等复杂应用场景提供了新的可能性。在竞争激烈的 AI 市场中,Anthropic 此举不仅追赶了具备类似功能的竞争对手,更通过强调可控性、引用透明度和企业级管理选项(如组织管理员可在组织层面控制该功能的使用 ),展现了其在准确性和企业应用方面的差异化策略。
下表总结了 Anthropic API 网页搜索功能的主要特性:
功能特性 (Feature) | 描述 (Description) | 适用模型 (Applicable Models) | 价格 (Pricing) | 关键价值 (Key Value) |
---|---|---|---|---|
网页搜索工具 (Web Search Tool) | 使 Claude 能够访问和利用最新的网络信息,进行实时数据检索。 | Claude 3.7 Sonnet, Claude 3.5 Sonnet (升级版), Claude 3.5 Haiku | 每千次搜索10美元 + 标准Token费用 | 提升信息时效性,减少过时答案。 |
智能搜索决策 (Smart Search Decision) | Claude 基于请求内容和自身知识库,通过推理判断是否需要联网搜索以提供更准确、相关的回复。 | 同上 | 包含在服务内 | 优化资源使用,仅在必要时联网。 |
渐进式研究 (Agentic Research) | 支持多次连续搜索,利用前期结果优化后续查询,进行轻量级研究。开发者可通过 max_uses 参数控制搜索深度 。 | 同上 | 包含在服务内 (搜索次数计费) | 赋能更复杂的任务,如初步研究和深度信息挖掘。 |
引用来源 (Citations) | 所有来自网页的信息均提供来源引用,确保信息可验证性和透明度 。 | 同上 | 包含在服务内 | 增强用户信任,支持对信息进行核查,尤其适用于严肃场景。 |
Claude Code 集成 (Claude Code Integration) | 网页搜索功能同样适用于 Claude Code,辅助开发者获取最新的API文档、技术文章与开发库信息 。 | 同上 | 包含在服务内 (搜索次数计费) | 提高编码效率,帮助开发者快速获取最新技术信息,解决版本依赖问题。 |
管理员控制 (Admin Control) | 组织管理员可以在组织层面允许或禁止网页搜索功能的使用 。 | 适用于组织账户 | - | 满足企业合规与安全管理需求。 |
2、Hugging Face 发起 LeRobot 社区数据集项目,旨在共筑“机器人版 ImageNet”
Hugging Face 通过其官方博客宣布,正式发起“LeRobot 社区数据集 (LeRobot Community Datasets)”项目。该项目致力于解决当前机器人领域在迈向通用人工智能(AGI)过程中面临的关键瓶颈之一:缺乏大规模、多样化且高质量的公开可用数据集。LeRobot 的核心目标是效仿计算机视觉领域的 ImageNet 数据集,通过社区共建的方式,创建一个对机器人学习至关重要的大型、多样化基准数据集,从而推动机器人技术的发展 。
LeRobot 项目强调,机器人模型的泛化能力——即在未知环境、面对新物体和不同条件下执行任务的能力——不仅仅是模型结构的产物,更是一种“数据现象”。这意味着训练数据的多样性、质量和抽象级别对提升机器人(特别是视觉-语言-动作 VLA 模型)的泛化能力起着决定性作用 。为了实现这一目标,LeRobot 团队正努力降低机器人数据收集的门槛,包括简化数据记录流程、优化向 Hugging Face Hub 上传数据的体验,并设法降低相关硬件成本,以吸引更广泛的社区成员,如研究人员、学生乃至机器人爱好者参与数据贡献 。
当前,机器人数据的获取面临诸多挑战。与网络文本或图像数据不同,机器人数据的收集通常需要昂贵的物理硬件和大量的人力投入,导致现有数据集多源于结构化的学术研究环境,难以充分反映真实世界的多样性和复杂性 。即便在已有的社区数据集中,也存在任务标注不完整或不一致、特征映射标准不一、操作序列质量低下或不完整,以及动作/状态维度定义不一致等问题 。针对这些问题,LeRobot 项目提出了一系列数据质量最佳实践指南,涵盖图像质量、元数据和记录协议、特征命名约定,以及任务标注的清晰度和简洁度等方面,旨在提升共享数据的可用性和有效性 。
LeRobot 项目的推出,有望从根本上缓解机器人学习领域长期存在的“数据饥饿”和“多样性缺失”问题。正如 ImageNet 催化了计算机视觉领域的革命性突破,一个大规模、共享、多样化的机器人数据集,将为训练更鲁棒、适应性更强的机器人模型提供坚实基础,进而解锁在智能制造、自主物流、医疗辅助及家庭服务等众多领域的全新应用。此外,通过简化工具和依托 Hugging Face Hub 的开放平台,LeRobot 致力于推动机器人技术的民主化。它使得更广泛的个体和小型团队能够参与到前沿的数据贡献和研究中,打破了以往资源高度集中于大型研究机构的局面,从而激发更丰富的创新活力。这一举措也反映了 AI 领域从“模型为王”向“数据为基”的认知转变,日益强调高质量、多样化数据在驱动 AI 能力边界拓展中的核心作用。LeRobot 倡导的社区驱动模式和对数据质量的关注,预示着机器人研究将更加注重数据工程、收集工具和标注标准的建设。
Hugging Face 在其公告中发出了明确的行动呼吁,鼓励社区成员通过多种方式参与 LeRobot 项目:包括记录并上传自己的机器人数据集、遵循指南提升数据质量、在 Hugging Face Hub 上分享和探索数据、参与社区讨论以及在学术或兴趣团体中推广 LeRobot 的理念 。
下表概述了 LeRobot 项目旨在解决的关键挑战及其应对策略和预期影响:
挑战 (Challenge) | LeRobot 应对策略 (LeRobot’s Approach) | 预期影响 (Expected Impact) |
---|---|---|
数据集规模小、多样性不足 (Small, Non-Diverse Datasets) | 建设“机器人版ImageNet”,社区共建大规模多样化数据 | 提升机器人模型泛化能力,使其能适应更广泛的真实世界场景 |
数据收集门槛高 (High Barrier to Data Collection) | 简化记录流程,降低硬件成本,利用Hugging Face Hub共享 | 民主化数据贡献,汇聚全球智慧,加速机器人技术创新 |
数据质量参差不齐 (Inconsistent Data Quality) | 提出数据质量标准与最佳实践,加强数据管理与策展 | 提高训练数据有效性,产出更可靠、性能更优的机器人模型 |
3、报道称 OpenAI 与微软就新一轮融资及未来 IPO 进行谈判
根据2025年5月11日《金融时报》援引知情人士消息的报道(后经路透社、《经济时报》等多家国际财经媒体转载),人工智能研究机构 OpenAI 正与其主要投资者微软公司就新一轮融资及未来可能进行的首次公开募股(IPO)展开深入谈判 。微软此前已向 OpenAI 投入超过130亿美元资金,是其最重要的战略合作伙伴和资金支持者。
此次谈判的核心议题涉及 OpenAI 的公司结构重组、微软在重组后实体中的股权比例,以及微软未来获取 OpenAI 前沿技术的保障等多个层面。据悉,OpenAI 方面正积极寻求从其当前独特的“利润上限(capped-profit)”的准非营利性结构,转变为一家完全的营利性公司 。此举被广泛认为是 OpenAI 为其未来进行 IPO 铺平道路的关键一步。在这一过程中,如何界定微软在新公司架构下的股权数量,成为双方商议的焦点之一 。
此外,双方还在就修订于2019年签署、原定于2030年到期的长期合作协议进行磋商。该协议涵盖了知识产权(IP)共享、产品权利以及收入分成等关键条款。据报道,微软可能考虑在一定程度上调整其持股比例,作为交换,其寻求确保在2030年现有合同到期后,仍能持续、稳定地获得 OpenAI 最先进的人工智能技术和模型的使用权 。
这一系列谈判动态揭示了顶尖 AI 研究机构在商业化道路上的积极探索以及对巨额资本的持续需求。开发尖端人工智能,尤其是基础大模型,是一项资本极度密集的工程,涉及庞大的算力、顶尖人才和海量数据投入。OpenAI 当前的利润上限模式虽然在创立之初体现了其平衡公益与发展的理念,但可能已难以完全支撑其宏伟的长期研发蓝图和全球扩张需求,特别是在通往通用人工智能(AGI)的激烈竞赛中。IPO 将为 OpenAI 打开通往公开资本市场的大门,从而获取更充裕的资金以支持其持续增长和市场竞争。
同时,这些谈判也反映了在AI这一颠覆性技术领域,平衡创始使命、公司控制权与商业利益之间的复杂博弈。OpenAI 以“确保通用人工智能惠及全人类”为初始使命,若转型为完全的营利性实体并公开上市,将不可避免地引入对股东的信托责任,这可能与其最初的理想主义目标产生潜在的张力。微软作为核心投资者和战略伙伴,既要维护自身在 AI 领域的战略优势(确保技术供应),也需适应 OpenAI 不断演进的组织结构和商业雄心。谈判的结果不仅将为其他 AI 公司如何在远大科研目标与商业化现实间取得平衡提供参照,也可能重新定义大型科技公司与前沿 AI 实验室之间的合作范式。
若 OpenAI 成功上市并获得更雄厚的资本支持,无疑将进一步加剧全球 AI 行业的竞争态势,可能对其他 AI 研究机构和科技公司构成更大压力。微软与 OpenAI 新协议的具体条款,特别是关于技术授权的排他性或优先性约定,将对谷歌云、AWS 等竞争对手的 AI 服务布局产生深远影响,并可能重塑科技行业的战略联盟格局。
4、传闻 OpenAI 考虑推出 ChatGPT “永久”订阅模式
据 opentools.ai 及 India TV News 等多家科技媒体在2025年5月11日左右的报道,人工智能领域的领军企业 OpenAI 据称正在积极评估为其广受欢迎的 AI 聊天机器人 ChatGPT 引入一种“永久”或“终身”(lifetime)订阅模式的可能性。截至目前,OpenAI 官方尚未就此消息发布任何正式声明或公告,因此该信息仍处于市场传闻阶段。
根据现有报道中透露的初步构想和市场分析,这种潜在的“永久”订阅模式可能允许用户通过一次性支付相对较高的费用,来换取对 ChatGPT 特定版本或服务的长期乃至永久性访问权限。分析认为,OpenAI 此举若得以实施,其背后可能有多重战略考量。首先,通过提供极具吸引力的长期使用方案,OpenAI 能够有效巩固其庞大的用户基础,提升用户粘性,从而在日益激烈的 AI 应用市场竞争中占据更有利的位置。其次,对于 ChatGPT 的重度用户或依赖其进行工作的专业人士而言,一次性付费的“永久”订阅在长期来看可能比按月或按年付费更具成本效益,从而提升产品的可及性。再者,这种模式能够为 OpenAI 带来一笔可观的预收现金流,有助于为其持续的、高昂的研发投入提供稳定的资金支持。
这一传闻若属实,将标志着 AI 服务商业模式的一次重要创新尝试。当前,AI 服务主要采用按使用量付费或传统的月度/年度订阅模式。引入“永久”订阅,虽然在软件或数字内容领域偶有先例(通常旨在快速获取现金流和深度绑定用户),但在运营成本(如模型推理所需的持续算力消耗)居高不下的 AI 服务领域,如何设计可持续的“永久”方案将面临独特的财务模型挑战。然而,一旦成功推行,它可能成为 OpenAI 吸引和锁定高价值用户、建立竞争壁垒的有力武器。
同时,这种模式的提出也引发了关于用户价值感知与 AI 技术迭代速度之间平衡的思考。AI 技术正以前所未有的速度发展,今天被视为最先进的模型,在几年后很可能被性能更强大的新模型所超越。因此,“永久”订阅的价值主张,很大程度上取决于用户对当前模型(如 GPT-4 级别)长期效用的预期,以及 OpenAI 对“永久”权益的具体界定——例如,是永久访问当前版本的模型,还是包含未来一定程度的模型升级。用户在决策时,需要权衡高昂的初始投入与服务可能过时或相较未来新产品价值降低的风险。
此外,若“永久”订阅的定价过高,尽管对部分用户具有长期成本优势,但也可能无形中加剧数字鸿沟,形成市场分层。一部分有能力的用户可能会选择锁定这种高级别的长期访问权限,而其他用户则继续依赖免费、功能受限或短期付费的服务。这反映出 OpenAI 可能正在探索更精细化的用户分层和价值捕获策略,以期最大化其商业回报。
5、DeepSeek AI 官方域名 deepseek.ai
显示公开寻求出售
截至2025年5月11日,业界观察到,曾因在代码生成(如 DeepSeek Coder 模型)和通用语言模型(如 DeepSeek LLM 系列)领域取得显著成果而备受关注的人工智能公司 DeepSeek AI,其官方网站域名 deepseek.ai
的主页赫然显示“DeepSeek.ai is For Sale | Submit Your Bid”的字样 。这一迹象明确表明,该公司这一核心数字资产正在公开寻求买家。与此同时,该网站近期的博客更新也处于停滞状态,进一步加剧了外界对其运营状况的猜测 。
回顾 DeepSeek AI 的发展历程,该公司曾展现出不俗的技术实力。其发布的 DeepSeek R1 等大模型,一度被报道称在特定任务上能够以远低于竞争对手的成本,实现与国际顶尖模型相媲美的性能,引发了业界的广泛讨论,甚至被部分媒体形容为中国 AI 领域的“斯普特尼克时刻” 。然而,也有报道指出,DeepSeek AI 在发展过程中面临算力瓶颈。尽管其在美国相关半导体出口限制措施生效前储备了一定数量的 NVIDIA 高端芯片,但其承认在整体算力规模上与美国主要竞争对手相比仍存在较大差距,并且对外部硬件供应(尤其是美国技术)存在一定依赖 。此外,围绕 DeepSeek 平台的数据处理方式、用户隐私政策以及内容审查机制,此前也曾有过一些公开的讨论和潜在的合规性担忧 。
此次 DeepSeek AI 核心域名的公开出售,通常被视为公司层面可能发生重大战略调整、业务变动或所有权变更的强烈信号。对于一家活跃且具有一定知名度的人工智能公司而言,出售其主域名是极不寻常的举动。这背后可能的原因多种多样,例如公司可能已被另一实体收购(其品牌可能被整合或放弃),或者公司正在进行一次彻底的业务转型,使得原有域名不再适用,亦不排除公司因遭遇财务困境而被迫剥离资产,甚至是战略性地决定终止当前品牌的运营。无论具体原因为何,这一事件都为 DeepSeek AI 的未来发展蒙上了一层浓厚的不确定性,其用户和合作伙伴无疑将密切关注服务的连续性和后续支持问题。
这一事件也从一个侧面反映了当前人工智能初创企业所面临的白热化竞争环境和严峻的可持续性挑战。AI 领域虽然前景广阔,但市场格局日益向少数资金雄厚、技术积累深厚的巨头集中,大量初创公司在研发投入、算力获取、人才招募和商业模式验证等方面承受着巨大压力。即使是像 DeepSeek AI 这样在技术层面展现出潜力的团队,若缺乏持续稳定的资金支持、清晰的商业化路径以及有利的宏观发展环境,其长期生存和发展也面临考验。DeepSeek AI 域名出售的案例,可能成为观察 AI 产业高投入、高风险特性以及初创企业生存困境的一个注脚。
更深层次来看,DeepSeek AI 的这一变动也可能对中国人工智能产业的发展以及全球技术竞赛格局带来一些启示。作为中国 AI 领域曾被寄予厚望的参与者之一,其当前的处境可能引发业界对于本土 AI 企业如何在核心技术(如高端芯片)自主可控、如何应对复杂国际市场环境和监管挑战等议题的进一步思考。
以上为今日重点 AI 新闻,欢迎关注后续更新。
参考资料
[1] Anthropic News, “Introducing web search on the Anthropic API”, https://www.anthropic.com/news/web-search-api (访问时间:2025年5月11日)
[2] Hugging Face Blog, “LeRobot Community Datasets: The “ImageNet” of Robotics — When and How?”, https://huggingface.co/blog/lerobot-datasets (访问时间:2025年5月11日)
[3] The Economic Times, “OpenAI in talks with Microsoft for new funding, future IPO: FT report”, https://m.economictimes.com/tech/artificial-intelligence/openai-in-talks-with-microsoft-for-new-funding-future-ipo-ft-report/articleshow/121079968.cms (访问时间:2025年5月11日)
[4] OpenTools.ai, “OpenAI Eyes ‘Forever’ ChatGPT Subscription: A Game-Changer for AI Enthusiasts”, https://opentools.ai/news/openai-eyes-forever-chatgpt-subscription-a-game-changer-for-ai-enthusiasts (访问时间:2025年5月11日)
[5] DeepSeek.ai Official Website, https://deepseek.ai/ (访问时间:2025年5月11日)
相关文章:
AI日报 · 2025年05月11日|传闻 OpenAI 考虑推出 ChatGPT “永久”订阅模式
1、Anthropic API 集成网页搜索功能,赋能 Claude 模型实时信息获取与研究能力 Anthropic 公司近日宣布,为其应用程序接口(API)引入了网页搜索工具,显著增强了旗下 Claude 系列模型获取和利用实时信息的能力。这一更新…...
【和春笋一起学C++】数组名作为函数参数实例
接上篇文章《【和春笋一起学C】函数——C的编程模块》,当使用数组名作为函数形参时,数组名会退化为指针,实际传递的是数组首元素的地址。 数组名在大多数情况下会退化为指针,以下两种情况除外: 当使用sizeof运算符时&a…...
多智体具身人工智能:进展与未来方向(上)
25年5月来自北理工、南大、西安交大、浙大和同济大学的论文“Multi-Agent Embodied AI: Advances And Future Directions”。 具身人工智能(Embodied AI)在智能时代先进技术的应用中扮演着关键角色。在智能时代,人工智能系统与物理实体相融合…...
C++类和对象--初阶
C类和对象—初阶 01. 面向对象与面向过程深度对比 面向过程:以过程为中心,关心问题解决的步骤。执行效率高,适合简单问题,内存占用小。但是代码复杂性高,维护成本高。 线性流程:点餐 → 烹饪 → 上菜 → …...
sunset:Solstice靶场
sunset:Solstice https://www.vulnhub.com/entry/sunset-solstice,499/ 1,将两台虚拟机网络连接都改为NAT模式 2,攻击机上做namp局域网扫描发现靶机 nmap -sn 192.168.23.0/24 那么攻击机IP为192.168.23.182,靶场IP192.168.23.244 3ÿ…...
1247. 后缀表达式
面白i题 ahh 我这朱脑子是写不出来的。大牛分析: 我的ac代码: #include<iostream> using namespace std; int ma-1e91,mi1e91; long long sum; long long sum1; int main(){int n,m; scanf("%d%d",&n,&m);for(int i0;i<(nm…...
基础框架搭建流程指南
一、搭建前准备阶段 1. 明确需求目标 确定业务场景类型(Web/APP/微服务等) 分析核心功能与非功能性需求(性能/安全性/扩展性) 预估用户量级与并发压力 2. 技术选型决策 开发语言选择(Java/Python/Go等)…...
Vue.js 全局导航守卫:深度解析与应用
在 Vue.js 开发中,导航守卫是一项极为重要的功能,它为开发者提供了对路由导航过程进行控制的能力。其中,全局导航守卫更是在整个应用的路由切换过程中发挥着关键作用。本文将深入探讨全局导航守卫的分类、作用以及参数等方面内容。 一、全局…...
微服务架构实战:从服务拆分到RestTemplate远程调用
微服务架构实战:从服务拆分到RestTemplate远程调用 一 . 服务拆分1.1 服务拆分注意事项1.2 导入服务拆分 Demo1.3 小结 二 . 服务间调用2.1 注册 RestTemplate2.2 实现远程调用2.3 小结 三 . 提供方和消费方 在分布式系统设计中,微服务架构因其灵活性、可…...
10.二叉搜索树中第k小的元素(medium)
1.题目链接: 230. 二叉搜索树中第 K 小的元素 - 力扣(LeetCode)230. 二叉搜索树中第 K 小的元素 - 给定一个二叉搜索树的根节点 root ,和一个整数 k ,请你设计一个算法查找其中第 k 小的元素(从 1 开始计数…...
八股文-js篇
八股文-js篇 1. 延迟执行js的方式2. js的数据类型3. null 和 undefined的区别4. 和 的区别5. js微任务和宏任务6. js作用域7. js对象9. JS作用域this指向原型8. js判断数组9. slice作用、splice是否会改变原数组10. js数组去重11. 找出数组最大值12. 给字符串新增方法实现功能…...
Nipype使用:从安装配置到sMRI处理
Nipype使用:从安装配置到sMRI处理 Nipype使用:从安装配置到sMRI处理一、Nipype及其依赖工具安装配置1.1 Nipype安装1.2 依赖工具安装与配置1.2.1 FreeSurfer1.2.2 ANTS1.2.3 FSL1.2.4 dcm2nii/MRIConvert 1.3 环境变量配置 二、Nipype进行sMRI预处理2.1 …...
常用的rerank模型有哪些?都有什么优势?
常用的Rerank模型分类及优势分析 重排序(Rerank)模型在信息检索、推荐系统、问答系统等场景中发挥关键作用,通过优化初步检索结果提升最终输出的相关性。以下是当前主流的Rerank模型分类及其核心优势的详细分析: 一、基于大语言模型(LLM)的Rerank模型 代表性模型: Ran…...
LLM框架
LLM(Large Language Model,大型语言模型)框架是一类用于开发、部署和优化大型语言模型的工具和平台。它们在自然语言处理(NLP)和人工智能(AI)领域中发挥着重要作用,帮助开发者高效地…...
SaaS场快订首页的前端搭建【持续更新】
文章目录 一、创建页面二、配置路由三、写接口文件(api)1.定位的接口函数(腾讯地图api)实现代码: 2.获取场馆分类的数据3.获取附近场馆列表的数据 四、开发首页页面1.顶部区域2.搜索框3.场馆分类4.附近场馆列表 五、难…...
2025第九届御网杯网络安全大赛线上赛 区域赛WP (MISC和Crypto)(详解-思路-脚本)
芜湖~ 御网杯线上分是越来越精细 区域赛都有了 然后不过多评价 整体不算难 以下是我自己的一些思路和解析 有什么问题或者建议随时都可以联系我 目录 芜湖~ MISC #被折叠的显影图纸 #光隙中的寄生密钥 #ez_xor #套娃 #easy_misc #ez_pictre Crypto #easy签到题 …...
HTTP/1.1 host虚拟主机详解
一、核心需求:为什么需要虚拟主机? 在互联网上,我们常常希望在一台物理服务器(它通常只有一个公网 IP 地址)上运行多个独立的网站,每个网站都有自己独特的域名(例如 www.a-site.com, www.b-s…...
低代码开发:开启软件开发的新篇章
摘要 低代码开发作为一种新兴的软件开发方式,正在迅速改变传统软件开发的模式和效率。它通过可视化界面和预设的模板,使非专业开发者也能够快速构建应用程序,极大地降低了开发门槛和成本。本文将深入探讨低代码开发的定义、优势、应用场景以及…...
HVV蓝队初级面试总结
一、技术面: 1-SQL注入原理 1-WEB应用程序对用户输入的数据 2-没有过滤或者过滤的不严谨 3-并且把用户输入的数据当作SQL 语司 4-带入到数据中去执行2-SQL注入分类 1-回显型 2-无回显型/盲注1-联合查询注入unionselect 2-堆叠注入; 3-报错注入upda…...
C++八股——函数对象
文章目录 一、仿函数二、Lambda表达式三、bind四、function 一、仿函数 仿函数:重载了操作符()的类,也叫函数对象 特征:可以有状态,通过类的成员变量来存储;(有状态的函数对象称之为闭包) 样…...
Typora自动对其脚注序号
欢迎转载,但请标明出处和引用本文地址 Markdown中的脚注 脚注引用:[^2] 脚注定义:[^2]: xxxxxxx 问题:脚注需要 使用者自己定义排序。写作过程中,在文章最前面引用脚注序号,需要递增其后所有的脚注引用&…...
【Android】cmd命令
Android中cmd命令可以用来向binder服务发送命令,来进行相关调试, 其实现原理是调用binder服务的command接口 frameworks/native/cmds/cmd/cmd.cpp 209 Vector<String16> args; 210 for (int i2; i<argc; i) { 211 args.add(Stri…...
【入门】打印字母塔
描述 输入行数N,打印图形. 输入描述 输入只有一行,包括1个整数。(N<15) 输出描述 输出有N行. #include <bits/stdc.h> using namespace std; int main() { char t;int n,f;cin>>n;for(int i1;i<n;i){tchar(65i);for(int j1;j<n-i;j){cout…...
基于OpenCV的人脸识别:LBPH算法
文章目录 引言一、概述二、代码实现1. 代码整体结构2. 导入库解析3. 训练数据准备4. 标签系统5. 待识别图像加载6. LBPH识别器创建7. 模型训练8. 预测执行9. 结果输出 三、 LBPH算法原理解析四、关键点解析五、改进方向总结 引言 人脸识别是计算机视觉领域的一个重要应用&…...
opencascade.js stp vite webpack 调试笔记
Hello, World! | OpenCascade.js cnpm install opencascade.js cnpm install vite-plugin-wasm --save-dev 当你不知道文件写哪的时候trae还是有点用的 ‘’‘ import { defineConfig } from vite; import wasm from vite-plugin-wasm; import rollupWasm from rollup/plugi…...
使用go开发安卓程序
因为使用传统的安卓开发方式对于非专业人士来说比较繁琐,所以这里想用go简单的开发一下安卓程序。go支持安卓的项目就叫gomobile,有写安卓库文件和安卓程序两种方式,写安卓程序只能使用OPENGL画图。 一、安装步骤 参考文档:用Go…...
嵌入式中屏幕的通信方式
LCD屏通信方式详解 LCD屏(液晶显示屏)的通信方式直接影响其数据传输效率、显示刷新速度及硬件设计复杂度。根据应用场景和需求,LCD屏的通信方式主要分为以下三类,每种方式在协议类型、数据速率、硬件成本及适用场景上存在显著差异…...
常见的 DCGM 设备级别指标及其含义
前言 在大规模 GPU 集群运维与性能调优中,精准、全面地了解每块显卡的运行状态和健康状况至关重要。NVIDIA 数据中心 GPU 管理 (DCGM) 提供了一系列关键指标,用于监控显存错误、硬件利用率、温度、能耗以及互联带宽等多维度信息。通过对这些指标的持续采…...
基于zernike 拟合生成包裹训练数据-可自定义拟合的项数
可以看到拟合误差其实还是有很多的,但是这个主要是包裹噪声产生的,用到了github 上的zernike 库,直接pip install 一下安装就可以了 import numpy as np import matplotlib.pyplot as plt from matplotlib import cm from mpl_toolkits.mplot3d import Axes3D import matpl…...
基于多层权重博弈与广播机制的仿生类脑 AI 决策框架
Layered Weighted Consensus and Broadcasting AI Architecture (LWCBA) 前言 本框架模仿人脑的工作机制,模拟人脑对条件反射,本能,道德伦理,理性分析,等事件处理及决策博弈机制。 基本原则和特点 底层-中层-高层的…...
欧拉路与欧拉回路(模板)
欧拉路得判别法: 欧拉回路:我们先记录一下所有点得度数,然后拿并查集判断一下连通性,如果有解得话,我们从奇数个得点开始遍历,一直遍历到不能遍历为止,然后逆序输出得路径就是欧拉回路 P7771 【…...
HttpServletResponse的理解
HttpServletResponse 是 Java Servlet API 提供的一个接口 常用方法 方法用途setContentType(String type)设置响应内容类型(如 "application/json"、"text/html")setStatus(int sc)设置响应状态码(如 200、404&#x…...
用一张网记住局域网核心概念:从拓扑结构到传输介质的具象化理解
标题: 用一张网记住局域网核心概念:从拓扑结构到传输介质的具象化理解 摘要: 本文通过"一张网"的类比,将计算机网络中抽象的局域网技术概念转化为日常生活中可感知的网结与绳子模型,帮助读者轻松理解网络拓…...
Linux 进程控制 基础IO
Linux 进程控制学习笔记 本节重点 学习进程创建:fork() / vfork()学习进程等待学习进程程序替换:exec 函数族,微型 shell 实现原理学习进程终止:认识 $? 一、进程创建 1. fork() 函数初识 在 Linux 中,fork() 函…...
三、Hive DDL数据库操作
在 Apache Hive 中,数据库 (Database),有时也被称为模式 (Schema),是组织和管理 表及其他对象的基本命名空间单元。熟练掌握数据库层面的数据定义语言 (DDL) 操作,是构建清晰、有序的 Hive 数据仓库的第一步。本篇笔记将详细梳理 …...
C++ string初始化、string赋值操作、string拼接操作
以下介绍了string的六种定义方式,还有很多,这个只是简单举例 #include<iostream>using namespace std;int main() {//1 无参构造string s1;cout << s1 << endl;//2 初始化构造string s2 ({h, h, l, l, o});cout << s2 <<…...
java.util.Timer
知识点详细说明 java.util.Timer 是Java早期提供的定时任务调度工具,用于在指定延迟后或按固定间隔执行任务。以下是其核心知识点: 1. 核心组成 Timer类:负责调度任务,内部维护一个任务队列和后台线程。TimerTask类:抽象类,需继承并实现run()方法定义任务逻辑。2. 核心方…...
SQlite数据库
介绍 基本信息:是一款轻量级的嵌入式关系型数据库管理系统。 主要特点:SQLite的源码是C语言,其源代码完全开发,SQLite第一个Alpha版本诞生于2000年5月,他是一个轻量级的嵌入式数据库。零配置,无需安装和配…...
什么是 ANR 如何避免它
一、什么是 ANR? ANR(Application Not Responding) 是 Android 系统在应用程序主线程(UI 线程)被阻塞超过一定时间后触发的错误机制。此时系统会弹出一个对话框提示用户“应用无响应”,用户可以选择等待或强…...
当虚拟吞噬现实——《GTA6》结合技术
标题:当虚拟吞噬现实——《GTA6》的万言书:一部数字文明的启示录 (万字深度解析,拆解技术、叙事与社会学的三重革命) 一、序章:游戏史的奇点时刻 1. 从像素暴动到文明模拟:G…...
pandas读取pymysql和解析excel的一系列问题(版本不匹配)
pandas读取pymysql和解析excel的一系列问题,大部分都是版本不匹配导致的 尤其是pandas,numpy,pymysql,openpyxl不匹配导致 from sqlalchemy import create_engine import numpy as np import pandas as pd conncreate_engine("mysqlpymysql://user:passhost:3…...
【安装配置教程】ubuntu安装配置Kodbox
目录 一、引言 二、环境配置 1. 服务器配置 2. 必备组件 三、安装基础环境 1. 安装 PHP 8.1 及扩展 2. 安装 MySQL 数据库 3.安装 Redis(可选,提升缓存性能) 4. 配置nginx文件 4.1. 创建 Kodbox 站点目录 4.2. 编写 Ng…...
模型过拟合是什么?
模型过拟合的详细解析 一、定义与本质 过拟合(Overfitting)是机器学习与统计学中的核心问题,指模型在训练数据上表现优异,但在未见过的新数据(如测试集或实际应用数据)上泛化能力显著下降的现象。其本质在于模型过度捕捉了训练数据中的噪声、随机波动或非典型细节,而非…...
服务器mysql连接我碰到的错误
搞了2个下午,总算成功了 我在服务器上使用docker部署了java项目与mysql,但mysql连接一直出现问题 1.首先,我使用的是localhost连接,心想反正都在服务器上吧。 jdbc:mysql://localhost:3306/fly-bird?useSSLfalse&serverTime…...
数电课设·交通信号灯(Quartus Ⅱ)
远书归梦两悠悠,只有空床敌素秋。 阶下青苔与红树,雨中寥落月中愁。 ————《端居》 【唐】 李商隐 目录 交通信号灯 要点剖析: 端口说明: 代码展示:&…...
单片机-STM32部分:13、PWM
飞书文档https://x509p6c8to.feishu.cn/wiki/NjhuwbVP7iaEOikVK95cmJNLnWf PWM(Pulse Width Modulation)脉冲宽度调制,是利用微处理器的数字输出来对模拟电路进行控制的一种非常有效的技术。它是把每一脉冲宽度均相等的脉冲列作为PWM波形&am…...
HTTP 错误状态码以及常用解决方案
以下是常见 HTTP 错误状态码及其解决方案的对比表格,按客户端(4xx)和服务端(5xx)分类: HTTP 错误码对比表 一、客户端错误(4xx) 状态码含义常见原因解决方案400Bad Request请求参…...
巧用promise.race实现nrm镜像源切换----nbsl
今天是母亲节祝全天的母亲节日快乐奥 引言 在复习Promise知识点时,发现Promise.race在实际开发中应用较少,于是深入思考了它的应用场景。最近使用nrm(npm镜像源切换工具)时,想到每次都需要手动切换镜像源来测试哪个更…...
Python基础语法(中)
顺序语句 默认情况下,Python的代码执行顺序是从上往下执行的。 形如下面这样的代码,执行的结果只能是123,而不是321 print(1) print(2) print(3) 条件语句 Python 中使用 if else 关键字表示条件语句 (1)if if e…...
【Part 2安卓原生360°VR播放器开发实战】第四节|安卓VR播放器性能优化与设备适配
《VR 360全景视频开发》专栏 将带你深入探索从全景视频制作到Unity眼镜端应用开发的全流程技术。专栏内容涵盖安卓原生VR播放器开发、Unity VR视频渲染与手势交互、360全景视频制作与优化,以及高分辨率视频性能优化等实战技巧。 📝 希望通过这个专栏&am…...