即刻App年轻人的同好社区
下载
App内打开
paver
209关注8被关注0夸夸
paver
10月前
@全体成员 rock-5c-rk3588s-emmc-512-20250307.zip 支持初始安装时升级固件 适配了转接卡 同时支持定制内核和原厂内核的转换命令 默认定制内核 qnap shell admin权限 [~] # fw_printenv qnap_kernel qnap_kernel=custom 改成原厂内核 [~] # fw_setenv qnap_kernel qnap [~] # fw_printenv qnap_kernel qnap_kernel=qnap 重启 恢复定制内核 fw_setenv qnap_kernel custom fw_printenv qnap_kernel qnap_kernel=custom 重启
00
paver
2年前
@我的Notion

dangjin: 掌握这3个关键词，从此没有你找不到的工具 经常有人问我，我是如何找到的这么多有用的工具？这两天总结了下我的经验，分享给大家！具体方式如下： - 判断自己要找的工具有没有类似的，如果有，则套用下面这个关键词： 关键词1：Top Rated + 类似的产品名称 + Alternatives （ xxx 的顶级替代品） 在谷歌搜索后往往会有很多老外的博客总结类似的产品优点、缺点，然后你仔细阅读直到找到你想要的产品，当然，如果你不想阅读，请看继续往下看， - 如果没有类似的工具，则用下面这两个关键词 关键词2、3： Top 10 Most Popular （最受欢迎的） / Top 10 Best （最顶级的） + 你的需求（比如截图软件） + 时间 （在2023年） + 范围（在github） 同样编辑好以后，在谷歌搜索后发现有大量的博客，这些博客里会详细介绍符合你的产品的优缺点，你依然需要仔细阅读和体验，直到找到符合你需求的产品。 当然仔细阅读博客还是比较麻烦的事情，你或许可以借助试用@艾逗笔 大佬的Thinkany（或Kimi，但是Kimi有时候访问不到海外网站内容）快速完成内容的阅读 ，他通过LLM大模型将相关的资料进行整合并输出结果，并按照对话的形式或者大纲或者思维导图的形式最快的整理好结果，然后你只需要选择试用即可。

00
paver
2年前

溪河: LLM小知识系列~ 第一期：LLM如何被训练出来。 总共可以分为三步： 第一步：SFT（Supervised Fine-Tuning） 使用标注的数据和预训练模型监督微调LLM。比如 OpenAI 在第一个RLHF模型InstructGPT中，使用小规模参数版本的GPT-3模型，这类语言模型往往见过大量的[Prompt,Text]对，输入一个Prompt，往往能返回不错的回答。 第二步：RW（Reward Model） RLHF中关键部分是RM（reward model），根据人类的喜好给文本打分。可以用1个LM来实现，也可以用1个系统先对文本排序，再把排序转换成分数。RM可以是另一个经过微调的LM，也可以是从偏好数据里重新训练的LM。而RM的训练数据有两部分——文本&分数。文本来自数据集，用原始的LM生成回答。分数是比较多个回答，给出排名，通过排名给到合适的分数。 第三步：PPO（Proximal Policy Optimization） 利用PRO算法，根据RW模型的奖励反馈进一步微调SFT模型。强化学习训练LM的可行性方案是用策略梯度强化学习（Policy Gradient RL）算法、近端策略优化（PRO）微调初始LM的部分或全部参数。PRO算法面世已久，有大量参考资料，所以成为RLHF中的有利选择。 PPO 算法确定的奖励函数具体计算如下： 1. 先用原始的 LM 和微调过的 LM 分别根据prompt生成answer，然后用 RM 给微调过的answe打分。 2. 将来自当前策略的文本传递给 RM 得到一个标量的奖励Rθ 。再用KL散度(Rkl )来衡量两个文本的差异，KL 散度值越大，说明两个概率分布之间的差异越大。 3. 之后进行奖励的更新优化，即R=Rθ−λRkl ，λ是可以动态调整的KL自适应惩罚参数。 如果差异太大，就给微调过的文本减分。这一项被用于惩罚 RL 策略在每个训练批次中生成大幅偏离初始模型，以确保模型输出合理连贯的文本。 4. 最后根据 PPO 算法，我们按当前批次数据的奖励指标进行优化 ，用梯度上升来更新参数θ。 参考链接：https://github.com/microsoft/DeepSpeed/tree/master/blogs/deepspeed-chat 第二期预告：为什么数据对LLM很重要 第三期预告：生产LLM数据的挑战在哪里

00
paver
2年前
@我的Notion 4

Frank.Lin: 🔥尝试复刻GPTs的@ 方法调用Agent的玩法到我自己的套壳gpt桌面客户端（https://github.com/etrobot/next-langchain-tauri），为方便交流也发布了web版： https://aicube.fun ，感兴趣的朋友可以直接体验。 💬跟@ErlichLiu 在交流中也提到了OpenAI function call虽然很方便，但开发产品若要适应多个模型，就要抛弃function call，我的方法是用langchain.js自带的ReAct Agent，直接让模型以『自我反思』的方式调用工具，基于论文ReAct: Synergizing Reasoning and Acting in Language Models：https://react-lm.github.io/ 得益于Vercel ai sdk✨，作为一个产品经理，在gpt的协助下自学▲ Next.js × Langchain.js 🦜🔗做一个套壳gpt只不过三个月时间，可以说门槛很低，所以必须有亮点，我选择ReAct就是一个能让用户看到Agent所有的思考的模式，比起其他隐藏了过程的应用，用户更能理解大模型应用的工作原理。 接下来就是要让这个应用有高品质产出案例，继续努力💪

00
paver
2年前
@我的Notion 3

Simon阿文: 忍不住再推荐一次 Layer Diffusion，直接生成 PNG 素材真的对设计师太太太友好了~~~~~甚至能直接生成发丝和透明玻璃杯！ 这工作流兼容 SDXL 系列的所有模型和 Lora，我用的模型是 DreamshaperXL Turbo，4~8步就能生成效果很好的素材，直接把生成速度压缩到秒级，见图1。 ▶ 插件安装和部署：https://github.com/huchenlei/ComfyUI-layerdiffusion ▶ DreamShaper XL 下载：https://civitai.com/models/112902/dreamshaper-xl 最近和@海辛Hyacinth 做的鸡尾酒单就是用它来加的装饰素材（https://m.okjike.com/originalPosts/65e34fee38849f879fc12483?s=ewoidSI6ICI2MzkwNTUwZTljMzFjOGZjMWM3NzIyMzIiCn0=） ☁️ 你甚至可以把整个流程反过来 —— 给现成的 PNG 素材生成背景，工作流见图7。 这简直是所有产品展示场景的刚需！ ☁️ 最后补充一个冷知识：Layer Diffusion 的作者之一就是 Controlnet 的作者 Lvmin Zhang~！ 谢谢，不愧是你！ #AI绘画

00
paver
2年前
@我的Notion 2

晨然_: 推荐我做的开源项目：前端组件生成器 直接用自然语言生成可运行的完整前端组件！告别查组件文档手搓卡片的过去🤣对我这种前端小白不要太友好 GitHub: https://github.com/jw782cn/chat_to_frontend ✨描述你的需求生成代码，复制进你的nextjs项目即可！（需要OpenAI apikey） ✨技术栈 - 基于shadcn组件库生成 - 用langgraph搭建的agent - streamlit实现交互 - shadcn 官方文档进行了数据预处理 ✨为什么做这个？ Shadcn组件库我很喜欢，但构建一个特定需求的组件工作流：查文档 -> 复制粘贴 -> 改代码 -> 查文档 的流程完全可以自动化。不想做重复劳动！但GPT不能直接生成shadcn代码因为它没学过（或者说不太会） ✨Agent工作流 用langgraph搭建了四个步骤 - 选择：根据shadcn官方文档和用户问题选择需要的组件 - 大纲：根据选择组件的文档和用户问题生成前端页面大纲 - 写代码：生成代码 - 精炼：重新调整一遍代码（必不可少，因为实测发现第三步直接写的不太行） ✨原理很简单 就是读文档，用文档相关的组件写代码。基本能实现不报错直接复制运行！没有使用vector database因为觉得语义不准确，直接用GPT 3.5做路由更简单。 ✨整个测试流程还用了dspy，要是有兴趣，可以再展开讲讲数据处理和原型搭建。 现在还是初步demo阶段，不知道有啥想法没！ 之后可能想做的是加上图片输入格式。 下一条经验分享：https://m.okjike.com/originalPosts/65e4334c9185c305d1b3ed5e?s=ewoidSI6ICI2NDk0MzEwNDA1MDU0NDcyNjRkNmI3MDEiCn0=

00
paver
2年前
@我的Notion 1

饭团团不困了: #2023最爱的3个产品 最喜欢的新产品 ▼Artifact（信息食谱管理向） 在这之前是用 Meco 管理 newsletter 订阅，邮件多了之后很难筛选，下一步处理也不方便，加之后来 Meco 改订阅制就没用了。Artifact 推荐的文章还不错，其他用户对文章的评论也比较有参考价值，值得深读的信息往 Safari 的五彩里丢也很方便。它跟即刻一样在我的 dock 栏里。 ▼ Coze（AI 产品向） Perplexity 我很爱的，它是个很好的 GPT 入门产品，在确定了 research 目标之后，信源非常丰富。但它只能做搜索用，长对话会失忆，而且中文语料吃垃圾太多导致输出不稳定。出于月费考虑我又尝试了其他套壳类产品：Lobe、Monica、Sider、ChatSonic 等等，Coze 的免费 GPT-4 赢了。而且 Coze 的后台让我对手搓 bot 有了比较全面的认知，官方每次更新 bot 我都会拆开看下它是怎么调用 plugin 怎么写 workflow 的，于是我才知道为什么各家套壳工具差异这么大，这里面要微调的部分很多。 所以 Coze 产品本身对我来说是教学工具，推荐每一个朋友试试自己 diy，再结合自己的需求和工作流来调试自己的工作伙伴。 另外 Monica 我还是很心动，它完全可以替代 ChatGPT Plus 和 Perplexity，尤其是 PDF 阅读和对话功能我很喜欢用。UI 也对我的眼睛很好。（一开始中文支持得不太好，但是 Arc Boost 一下就顺眼了）。希望它出团队 plan，这样 Monica+Coze 的组合差不多满足日常需求了。 ▼ Stash（基础服务向） Surge 的平替，一直在用 Clash 和小火箭，也没啥新需求，但是 Stash 就属于花点小钱能提升体验的产品。换上小猫 icon，很快乐。 另外因为 Dler 的持续不稳定，换了不少备用🪜。不同的 AI 产品对 IP 的要求还不一样，自己写规则很麻烦，Imm 真不错！配合 Stash 用很丝滑。 最喜欢的老产品 ▼ Obsidian（PKM） 今年把个人知识库从 Notion 和 Logseq 迁移到了 Obsidian，除了对双链的需求，最主要是因为 Canvas 功能。我日常的信息摄入有很多图，有很多的设计师/工作室需要关联，Notion 和 Logseq 都不能满足。尝试了 Heptabase，产品交互和 UI 都很心动，但是不支持 md 导入。Milanote 我也付费了，它最大的缺点是没有双链。 Obsidian 的 canvas 很好用，可以把信息都铺开，但同时相互关联。我从 Artifact 看的文章，可以通过五彩插件自动同步到 journal 里，同时在 journal 里记录自己的看法和微信读书笔记。这中间我减掉了 flomo 和 cubox。 我最近也在用 Obsidian 管理我的 prompts，Stable Diffusion 和 GPT 的 prompt 都有模板，Midjourney 的魔法、种子、图片演进过程一目了然。 主题和 workflow 调试花了好几天，期间一度想放弃😮‍💨。主题选的 Ultra Lobster，微调了很多很多样式，没有 GPT 的帮助这 css 改得我高低是要暴走。 ▼ Arc （日用打猎向） 很多人可能觉得 Arc 的一些功能 Chrome 插件也能完成，但我对日用品的颜值要求很高，这一点 Arc 完胜。再加上这家公司的迭代速度和产品发布风格，很难不被这群人吸引，它是为数不多我会期待发布会的产品，我甚至写邮件给他们说很期待 Arc Max 的更新，我愿意为之付费。 ▼ FigJam（协作工具向） 我整理设计项目需求主要用 Notion ，会上讨论的信息通过会后我用妙计整理。试过 Milanote 和 Miro 做反馈用，但这俩还是脱离我的常用工具，尤其是不再用 Milanote 做 research 之后更是很少打开。 FigJam 在更新了 AI 相关功能之后我打开频率变高，同时文件可以统一管理，embed 进 Notion也方便，还有简单的表格功能。在项目前期，信息繁杂，对于讨论、梳理和收束都很方便。当然也可能主导方是我自己吧，同事只需要评论和投票🤣工具门槛不高。（跟 Obsidian 一样，我就是喜欢可视化的方式梳理信息）也很期待 FigJam 在 AI 功能上的更新，可视化的 GPT 对话。

00
paver
2年前
@我的Notion

康纳利-Shawn: 如果你在用 Perplexity Pro 的话，可以试下 Mistral Large 模型，明星创业公司 Mistral 昨天刚发布的大模型，综合能力目前能排进前三（图1） 使用方式：进入Perplexity 设置，将 AI model 切换为 Mistral Large，见下图2（我之前模型一直设置为GPT-4 Turbo）。 Perplexity Pro 现在是我搜索信息的第一选择，其次是Gemini Advanced。仅就搜索场景的能力和体验，我觉得目前稍微超过 ChatGPT. 参照阿禅的思路，我一般先搜索某个知识点的框架，然后通过 Google 搜寻详细教程学习，最后结合 GPTs 开始实操练习。 第一步：Perplexity+Gemini，AI 搜索 第二步：Google 搜索+Cubox收藏内容 第三步：基于场景定制的GPTs 辅助实操 如果还没有订阅 Perplexity Pro的朋友，欢迎使用我的推荐链接（一个月20美金，使用链接可以减10美金）：https://perplexity.ai/pro?referral_code=QW83ISQ0

00
paver
2年前
paver
2年前
@我的Notion /绑定
10