Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

vibe了一个 Nano Banana Pro 年龄检测工具：提示词： “基于输入照片制作一张超写实、高分辨率的人像分析图。请保持原图中的人物、身份、发型、服装和自然肤色不变，背景替换为中性的摄影棚背景。在整个面部叠加一层微妙、半透明的面部分析网格，非常类似 3D 面部扫描网状结构：由沿着面部轮廓的细柔白线组成，微微发光但不遮挡皮肤细节。在脸的一侧添加一条干净的垂直红色激光线，营造出未来感扫描的效果。所有的分析线条必须柔和、极简且优雅，完全符合高端医美科技广告的风格。创建一个干净的医学美容数据图表，利用全球数据百分比来评估以下 5 个衰老指标：细纹与皱纹 (Fine lines and wrinkles) 皮肤质地与弹性 (Skin texture and elasticity) 面部饱满度与松弛 (Facial volume and sagging) 眼周衰老迹象 (Eye area aging signs) 肤色与色素沉着 (Skin tone and pigmentation) 针对每个指标，放置一个小标签，并用细线指向对应的面部区域，旁边标注简短的标题和一个现实的百分比分数（0–100%，模拟全球数据）。字体方面，请使用干净、现代的无衬线字体和小型技术风格文本，模仿科学面部分析的用户界面（UI）。在图片底部正中央，用粗体大字显示基于分析得出的最终预估真实年龄，例如：“ESTIMATED AGE: [基于面部的随机年龄]”。整体风格：未来派 AI 智能护肤分析，极简主义，高级杂志级布光，不限性别，适用于任何人类面孔。”

Yanhua

13,650 subscribers

34,915 просмотров • 9 месяцев назад •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

Chatgpr Image2.0出来后都说设计行业要变天没想到，算命的也跟着要失业了用下面这段提示词，手相给你算的明明白白👇 【任务】这是一张用户上传的真实手掌照片。请仔细分析其手相特征，然后在【保留原图手掌完全不变】的基础上，叠加中国传统相术风格的标注与装饰，生成一张手相分析图。【核心要求．必须遵守】 ◇完整保留用户上传照片中的手掌 ◇肤色、纹理、形状、光影、掌纹位置全部保持原样，不得重绘、不得替换、不得美化、不得改变角度或比例

Chatgpr Image2.0出来后都说设计行业要变天没想到，算命的也跟着要失业了用下面这段提示词，手相给你算的明明白白👇 【任务】这是一张用户上传的真实手掌照片。请仔细分析其手相特征，然后在【保留原图手掌完全不变】的基础上，叠加中国传统相术风格的标注与装饰，生成一张手相分析图。【核心要求．必须遵守】 ◇完整保留用户上传照片中的手掌 ◇肤色、纹理、形状、光影、掌纹位置全部保持原样，不得重绘、不得替换、不得美化、不得改变角度或比例

0xkevin (🖤 , 💙)

28,691 просмотров • 4 месяцев назад

找了个风格参考提示词给大家拿去做视频风格模拟用。【复制以下内容给 AI】：角色设定：你是一位拥有20年经验的电影摄影指导（DOP）和美术指导。你擅长从视觉画面中剥离内容，提炼出核心的美学逻辑。任务目标：请分析我上传的这组参考图，忽略画面中的具体人物和动作（这是可变量），只从以下维度深度解析画面中的“不可变视觉条件” (Immutable Visual Conditions)： 1. 光影逻辑 (Lighting & Atmosphere)：它是硬光还是柔光？光源的方向性如何（侧光/顶光/背光）？明暗对比度（Chiaroscuro）是高还是低？是否有丁达尔效应或特定的环境光？ 2. 胶片与质感 (Texture & Fidelity)：模拟的是什么年代的胶片（如70年代Technicolor）？颗粒感（Grain）的强度如何？画面的清晰度、锐度以及是否有物理损伤感（划痕、灰尘）？ 3. 色彩科学 (Color Grading)：整体色调倾向是什么（如低饱和、高反差、偏绿/偏黄）？高光和阴影的色偏如何？ 4. 构图与空间 (Composition & Spatial)：镜头语言有什么特征（如广角、长焦压缩）？前景遮挡关系如何？空间透视是平面的还是深邃的？输出要求：请不要给我写散文。请直接提取出 10-15 个精准的英文关键词或短语（Prompt Tags），用逗号分隔，按重要性排序。这些词必须能准确复刻这种视觉风格。二、将风格总结为模版的提示词【标准化模版构建】提示词（用来把提取的条件变成“万能模版”）【使用场景】：当你已经得到了第一步分析出的“风格关键词”（比如：Technicolor, heavy grain, hard light...），想把它变成一个以后能无限填空的“万能公式”时，把那些关键词发给 AI，然后发送这段话。【复制以下内容给 AI】：【复制以下内容给 AI】：角色设定：你是一位精通 Midjourney/Stable Diffusion 的 AIGC 提示词工程师。任务目标：基于我们刚刚提取的“不可变视觉风格关键词”，请为我构建一套“标准化、模块化的提示词模版” (Modular Prompt Template)。模版结构要求：请将提示词拆解为三个模块，并用括号 [] 标出用户需要填空的地方： 1. 【可变内容区】 (Variable Content Block)： - 留出 [景别 Shot Type] 的填空位。 - 留出 [主体与动作 Subject & Action] 的填空位。 - 留出 [环境描述 Environment] 的填空位。 2. 【半固定构图区】 (Semi-fixed Composition Block)： - 将刚才分析出的构图逻辑（如：前景遮挡、人小景大、垂直线条）写死在这里，作为固定后缀。 3. 【不可变风格区】 (Immutable Style Block) - 权重最高： - 将刚才分析出的光影、胶片质感、色彩关键词全部整合在这里。 - 关键：必须包含负面提示词（Negative Prompts）建议，明确告诉 AI 不要生成什么（如：不要现代感、不要柔光、不要高清数码味）。输出格式示例：请最后直接给我一段可以复制使用的英文 Prompt 模版，类似于： [SHOT TYPE], [SUBJECT ACTION], [ENVIRONMENT]. [COMPOSITION RULES]. [IMMUTABLE STYLE KEYWORDS]. --no [NEGATIVE KEYWORDS] 案例在跟帖中。可以把这种方法用来复刻赛博胡金铨电影试试

找了个风格参考提示词给大家拿去做视频风格模拟用。【复制以下内容给 AI】：角色设定：你是一位拥有20年经验的电影摄影指导（DOP）和美术指导。你擅长从视觉画面中剥离内容，提炼出核心的美学逻辑。任务目标：请分析我上传的这组参考图，忽略画面中的具体人物和动作（这是可变量），只从以下维度深度解析画面中的“不可变视觉条件” (Immutable Visual Conditions)： 1. 光影逻辑 (Lighting & Atmosphere)：它是硬光还是柔光？光源的方向性如何（侧光/顶光/背光）？明暗对比度（Chiaroscuro）是高还是低？是否有丁达尔效应或特定的环境光？ 2. 胶片与质感 (Texture & Fidelity)：模拟的是什么年代的胶片（如70年代Technicolor）？颗粒感（Grain）的强度如何？画面的清晰度、锐度以及是否有物理损伤感（划痕、灰尘）？ 3. 色彩科学 (Color Grading)：整体色调倾向是什么（如低饱和、高反差、偏绿/偏黄）？高光和阴影的色偏如何？ 4. 构图与空间 (Composition & Spatial)：镜头语言有什么特征（如广角、长焦压缩）？前景遮挡关系如何？空间透视是平面的还是深邃的？输出要求：请不要给我写散文。请直接提取出 10-15 个精准的英文关键词或短语（Prompt Tags），用逗号分隔，按重要性排序。这些词必须能准确复刻这种视觉风格。二、将风格总结为模版的提示词【标准化模版构建】提示词（用来把提取的条件变成“万能模版”）【使用场景】：当你已经得到了第一步分析出的“风格关键词”（比如：Technicolor, heavy grain, hard light...），想把它变成一个以后能无限填空的“万能公式”时，把那些关键词发给 AI，然后发送这段话。【复制以下内容给 AI】：【复制以下内容给 AI】：角色设定：你是一位精通 Midjourney/Stable Diffusion 的 AIGC 提示词工程师。任务目标：基于我们刚刚提取的“不可变视觉风格关键词”，请为我构建一套“标准化、模块化的提示词模版” (Modular Prompt Template)。模版结构要求：请将提示词拆解为三个模块，并用括号 [] 标出用户需要填空的地方： 1. 【可变内容区】 (Variable Content Block)： - 留出 [景别 Shot Type] 的填空位。 - 留出 [主体与动作 Subject & Action] 的填空位。 - 留出 [环境描述 Environment] 的填空位。 2. 【半固定构图区】 (Semi-fixed Composition Block)： - 将刚才分析出的构图逻辑（如：前景遮挡、人小景大、垂直线条）写死在这里，作为固定后缀。 3. 【不可变风格区】 (Immutable Style Block) - 权重最高： - 将刚才分析出的光影、胶片质感、色彩关键词全部整合在这里。 - 关键：必须包含负面提示词（Negative Prompts）建议，明确告诉 AI 不要生成什么（如：不要现代感、不要柔光、不要高清数码味）。输出格式示例：请最后直接给我一段可以复制使用的英文 Prompt 模版，类似于： [SHOT TYPE], [SUBJECT ACTION], [ENVIRONMENT]. [COMPOSITION RULES]. [IMMUTABLE STYLE KEYWORDS]. --no [NEGATIVE KEYWORDS] 案例在跟帖中。可以把这种方法用来复刻赛博胡金铨电影试试

John

13,096 просмотров • 4 месяцев назад

Gemini+GPT+Seedance 2.0 fast 生成 45秒的日式文艺短片 1.Gemini 负责全片的剧情，分镜和风格设定，输出一段完整的故事板提示词 2.GPT 负责完成图片生成和分镜预览 -先生成故事板图片，预览分镜是否有错误 -以故事板为基础，生成一张角色场景图（中近景） -裁剪保留故事板中的色卡，声音等设定，不保留分镜画面 3.Seedance 2.0 fast 负责视频生成 -以角色场景图作为参考图，加上基础设定+风格提示词+画面内容描述+色卡生成三次画面 -为更好保持人物一致性，第二段生成需要使用第一段画面的截图 -个别镜头错误的，直接生成对应镜头的内容就行，不需要重复生成完整的15秒 PS：为什么不直接用故事板的图片作参考图，因为故事板的分镜图会有很多细节不完美（比如手部细节，人物的一致性），加入故事板坐45秒的内容，会容易出现很多画面跑崩的情况提示词在评论👇👇👇

Gemini+GPT+Seedance 2.0 fast 生成 45秒的日式文艺短片 1.Gemini 负责全片的剧情，分镜和风格设定，输出一段完整的故事板提示词 2.GPT 负责完成图片生成和分镜预览 -先生成故事板图片，预览分镜是否有错误 -以故事板为基础，生成一张角色场景图（中近景） -裁剪保留故事板中的色卡，声音等设定，不保留分镜画面 3.Seedance 2.0 fast 负责视频生成 -以角色场景图作为参考图，加上基础设定+风格提示词+画面内容描述+色卡生成三次画面 -为更好保持人物一致性，第二段生成需要使用第一段画面的截图 -个别镜头错误的，直接生成对应镜头的内容就行，不需要重复生成完整的15秒 PS：为什么不直接用故事板的图片作参考图，因为故事板的分镜图会有很多细节不完美（比如手部细节，人物的一致性），加入故事板坐45秒的内容，会容易出现很多画面跑崩的情况提示词在评论👇👇👇

探路AI

30,422 просмотров • 11 дней назад

终于来了！ Midjourney角色一致性功能发布. 下面视频是网站的使用方法和介绍：这个功能和之前的风格参照很相似，不同之处在于它不是匹配一个特定风格，而是让角色与给定的角色参照图像相符合。如何使用：在你输入的指令后面加上 --cref URL，URL是你选择的角色图像的链接。你还可以用 --cw 来调整参照的“强度”，范围从100到0。默认的强度是100 (--cw 100)，这时会参考人物的脸部、发型和衣着。如果设置为强度0 (--cw 0)，那么系统只会关注脸部（这对于更换服饰或发型很有帮助）。适用范围：这个功能最适合用于Midjourney创作的角色图像。不太适合用于真人照片（可能会产生一些扭曲，就像普通图像提示那样）。 Cref的工作方式类似于普通图像提示，但它更专注于角色的特征。但请注意，这项技术的精确度是有限的，它无法复制极其细微的特征，比如特定的酒窝、雀斑或T恤上的标志。 Cref同样适用于Niji和普通MJ模型，并且可以与--sref一起使用。高级功能：你可以使用多个URL，通过 --cref URL1 URL2 的方式来结合多个图像中的角色信息（这和使用多重图像或风格提示类似）。在web alpha版本中如何操作：只需将图片拖动或粘贴到想象工具栏，你会看到三个图标。选择这些图标之一，可以设置图片用作图像提示、风格参照或角色参照。如果你想让一张图像同时用于多个类别，只需按住Shift键再选择。请记住，由于MJ V6目前还处于alpha测试阶段，这个和其他功能可能会有所变化。但不久后，我们会推出官方的V6 beta版。

终于来了！ Midjourney角色一致性功能发布. 下面视频是网站的使用方法和介绍：这个功能和之前的风格参照很相似，不同之处在于它不是匹配一个特定风格，而是让角色与给定的角色参照图像相符合。如何使用：在你输入的指令后面加上 --cref URL，URL是你选择的角色图像的链接。你还可以用 --cw 来调整参照的“强度”，范围从100到0。默认的强度是100 (--cw 100)，这时会参考人物的脸部、发型和衣着。如果设置为强度0 (--cw 0)，那么系统只会关注脸部（这对于更换服饰或发型很有帮助）。适用范围：这个功能最适合用于Midjourney创作的角色图像。不太适合用于真人照片（可能会产生一些扭曲，就像普通图像提示那样）。 Cref的工作方式类似于普通图像提示，但它更专注于角色的特征。但请注意，这项技术的精确度是有限的，它无法复制极其细微的特征，比如特定的酒窝、雀斑或T恤上的标志。 Cref同样适用于Niji和普通MJ模型，并且可以与--sref一起使用。高级功能：你可以使用多个URL，通过 --cref URL1 URL2 的方式来结合多个图像中的角色信息（这和使用多重图像或风格提示类似）。在web alpha版本中如何操作：只需将图片拖动或粘贴到想象工具栏，你会看到三个图标。选择这些图标之一，可以设置图片用作图像提示、风格参照或角色参照。如果你想让一张图像同时用于多个类别，只需按住Shift键再选择。请记住，由于MJ V6目前还处于alpha测试阶段，这个和其他功能可能会有所变化。但不久后，我们会推出官方的V6 beta版。

歸藏(guizang.ai)

75,336 просмотров • 2 лет назад

Maven Smart System 是美国国防部项目的核心AI情报系统，是一个数据分析与作战决策平台，由 Palantir 开发。该系统把卫星影像、无人机视频、传感器及监控情报数据等不同维度的数据，整合到一个可视化工具中，并通过 AI 软件自动分析潜在军事目标与网络漏洞。美国国防部的首席人工智能官演示了这个软件的基本工作流：系统会展示展示一张实时战场地图，上面整合了飞机轨迹、天气情况、位置随后，AI会自动分析卫星图像，在画面中标记出可疑目标，例如车辆、建筑物或其他可能的军事设施。接着，系统会把来自不同来源的情报数据整合在一起，包括卫星影像、传感器信息、通信情报等，并进行实时分析。在此基础上，平台生成一张“风险热力图”，标出最可能存在军事威胁的区域。然后系统自动生成目标清单，对潜在目标进行优先级排序，并提出作战路径与行动方案，模拟不同决策可能带来的结果。在演示的最后，爆炸效果用来模拟对目标实施打击后的结果，展示系统如何辅助军事行动规划。

Maven Smart System 是美国国防部项目的核心AI情报系统，是一个数据分析与作战决策平台，由 Palantir 开发。该系统把卫星影像、无人机视频、传感器及监控情报数据等不同维度的数据，整合到一个可视化工具中，并通过 AI 软件自动分析潜在军事目标与网络漏洞。美国国防部的首席人工智能官演示了这个软件的基本工作流：系统会展示展示一张实时战场地图，上面整合了飞机轨迹、天气情况、位置随后，AI会自动分析卫星图像，在画面中标记出可疑目标，例如车辆、建筑物或其他可能的军事设施。接着，系统会把来自不同来源的情报数据整合在一起，包括卫星影像、传感器信息、通信情报等，并进行实时分析。在此基础上，平台生成一张“风险热力图”，标出最可能存在军事威胁的区域。然后系统自动生成目标清单，对潜在目标进行优先级排序，并提出作战路径与行动方案，模拟不同决策可能带来的结果。在演示的最后，爆炸效果用来模拟对目标实施打击后的结果，展示系统如何辅助军事行动规划。

李老师不是你老师

104,957 просмотров • 5 месяцев назад

等距轴测装修延时摄影制作方法精华版本来啦：首尾帧制作：最终成果图：使用Nano Banana Pro直接生成。提示词如下：等距视角室内场景基于设计需求，创作一张isometric视角（等距轴测视角）的{客厅}室内场景图像，无任何透视效果，保持视角和相机位置的一致性。包括建筑的主体部分保持一致。房间状态: {温馨舒适，充满生活气息} 设计风格: {现代轻奢风格} 材质细节: - 地面：{浅灰色大理石地砖} - 墙面：{白色乳胶漆墙面} 技术要求: 使用3D建模的材质质感和建模软件常用的渲染效果，包括材质纹理效果、AO效果以及描边效果（根据房间状态选择是否使用）。白色背景，Blender渲染质感。建议直接使用我的提示词填空器进行快速词条替换。模版在这：做旧的提示词和之前一样：基于图像，保持室内的主体结构不变化，创作一张isometric视角（等距轴测视角）的室内毛坯的模型图像，脏乱，破旧的房间布置与材质表达使用3D建模的材质质感和建模软件常用的描边与材质纹理效果以及AO效果，白色背景然后去可灵2.6进行视频生成：提示词：等距视角的三维模型房间装修延时摄影视频。工人们在一间简陋的毛坯房内工作，水泥墙面。快进画面展示：人们清理杂物和垃圾袋、移除所有旧家具，将房屋还原至毛坯房，擦洗墙壁、将灰色水泥墙刷成 {现代轻奢风格} 、先完成主体框架装修，再放入家具，再逐渐将一个房屋搭建成最终的现代风格的 {卧室} 。多名工人在加速画面中快速移动，工具和材料不断出现又消失，窗外自然光线随时间变化。三维渲染风格，8-16倍速延时，4K画质。视频时长5s的效果也不错（如果你不想充钱的话）然后多种风格的装修混合在一起，就是一个非常不错的视频了～

等距轴测装修延时摄影制作方法精华版本来啦：首尾帧制作：最终成果图：使用Nano Banana Pro直接生成。提示词如下：等距视角室内场景基于设计需求，创作一张isometric视角（等距轴测视角）的{客厅}室内场景图像，无任何透视效果，保持视角和相机位置的一致性。包括建筑的主体部分保持一致。房间状态: {温馨舒适，充满生活气息} 设计风格: {现代轻奢风格} 材质细节: - 地面：{浅灰色大理石地砖} - 墙面：{白色乳胶漆墙面} 技术要求: 使用3D建模的材质质感和建模软件常用的渲染效果，包括材质纹理效果、AO效果以及描边效果（根据房间状态选择是否使用）。白色背景，Blender渲染质感。建议直接使用我的提示词填空器进行快速词条替换。模版在这：做旧的提示词和之前一样：基于图像，保持室内的主体结构不变化，创作一张isometric视角（等距轴测视角）的室内毛坯的模型图像，脏乱，破旧的房间布置与材质表达使用3D建模的材质质感和建模软件常用的描边与材质纹理效果以及AO效果，白色背景然后去可灵2.6进行视频生成：提示词：等距视角的三维模型房间装修延时摄影视频。工人们在一间简陋的毛坯房内工作，水泥墙面。快进画面展示：人们清理杂物和垃圾袋、移除所有旧家具，将房屋还原至毛坯房，擦洗墙壁、将灰色水泥墙刷成 {现代轻奢风格} 、先完成主体框架装修，再放入家具，再逐渐将一个房屋搭建成最终的现代风格的 {卧室} 。多名工人在加速画面中快速移动，工具和材料不断出现又消失，窗外自然光线随时间变化。三维渲染风格，8-16倍速延时，4K画质。视频时长5s的效果也不错（如果你不想充钱的话）然后多种风格的装修混合在一起，就是一个非常不错的视频了～

MarioTan

12,407 просмотров • 7 месяцев назад

兄弟们！第一个专门给 A 股做的多智能体投资 Agent，2.4K stars，MIT 开源！ A 股散户终于有自己的 AI 投研团队了！不是美股版的翻译搬运，是从数据源到策略逻辑到风控全部围绕 A 股生态重新设计的。基本面分析、技术面分析、市场情绪、宏观经济——每个角色一个 Agent，分工协作，像一家迷你券商研究所。核心特点如下： 1️⃣ 多 Agent 架构：技术、基本面、情绪、估值、宏观等分析师分工 2️⃣ 多空辩论机制：看多和看空研究员先辩论，再由 LLM 做中立评估 3️⃣ 风险管理和组合决策环节 4️⃣ 数据来自 AkShare，并带本地缓存 5️⃣ 支持新闻搜索和情感分析 6️⃣ 提供 FastAPI 接口，方便调用以前用 AI 做 A 股：用美股框架硬套 → 数据源不对 → 财报格式不对 → 放弃了。现在 A_Share_investment_Agent 从数据到模型到报告全是 A 股原生。对想研究 AI Agent 在投资分析中的应用，或者关注 A 股智能化研究的人来说，值得看看。

兄弟们！第一个专门给 A 股做的多智能体投资 Agent，2.4K stars，MIT 开源！ A 股散户终于有自己的 AI 投研团队了！不是美股版的翻译搬运，是从数据源到策略逻辑到风控全部围绕 A 股生态重新设计的。基本面分析、技术面分析、市场情绪、宏观经济——每个角色一个 Agent，分工协作，像一家迷你券商研究所。核心特点如下： 1️⃣ 多 Agent 架构：技术、基本面、情绪、估值、宏观等分析师分工 2️⃣ 多空辩论机制：看多和看空研究员先辩论，再由 LLM 做中立评估 3️⃣ 风险管理和组合决策环节 4️⃣ 数据来自 AkShare，并带本地缓存 5️⃣ 支持新闻搜索和情感分析 6️⃣ 提供 FastAPI 接口，方便调用以前用 AI 做 A 股：用美股框架硬套 → 数据源不对 → 财报格式不对 → 放弃了。现在 A_Share_investment_Agent 从数据到模型到报告全是 A 股原生。对想研究 AI Agent 在投资分析中的应用，或者关注 A 股智能化研究的人来说，值得看看。

爱吃折耳根的Ace

28,782 просмотров • 17 дней назад

在医院拍完胸部 X 光后，经常还需要排队等待拿结果给医生查看分析，折腾下来基本都要一个多小时。最近在 GitHub 上看到的 MedRAX 这款开源的医学影像分析智能体，正在试图改变我们这种传统方式。它集成了多个专业的胸部 X 光分析工具，基于 LangChain 和 LangGraph 框架构建，使用 GPT-4o 作为核心大模型。整合了视觉问答、图像分割、病灶定位、报告生成、疾病分类等 7 大类专业工具，无需额外训练即可智能调用这些工具完成复杂的医学影像分析任务。 GitHub：主要特性： - 视觉问答：使用 CheXagent 和 LLaVA-Med 进行复杂的医学影像理解和推理； - 精准分割：采用 MedSAM 和 PSPNet 模型识别解剖结构； - 病灶定位：通过 Maira-2 模型在影像中精确定位病变位置； - 报告生成：基于 SwinV2 Transformer 自动生成详细的医学诊断报告； - 疾病分类：利用 DenseNet-121 检测 18 种病理类别； - 综合评估：提供包含 2,500 个复杂医学查询的 ChestAgentBench 基准测试。克隆仓库并安装依赖后，运行即可启动 Gradio 界面使用，需要配置 OpenAI API 密钥，支持本地和云端部署。

在医院拍完胸部 X 光后，经常还需要排队等待拿结果给医生查看分析，折腾下来基本都要一个多小时。最近在 GitHub 上看到的 MedRAX 这款开源的医学影像分析智能体，正在试图改变我们这种传统方式。它集成了多个专业的胸部 X 光分析工具，基于 LangChain 和 LangGraph 框架构建，使用 GPT-4o 作为核心大模型。整合了视觉问答、图像分割、病灶定位、报告生成、疾病分类等 7 大类专业工具，无需额外训练即可智能调用这些工具完成复杂的医学影像分析任务。 GitHub：主要特性： - 视觉问答：使用 CheXagent 和 LLaVA-Med 进行复杂的医学影像理解和推理； - 精准分割：采用 MedSAM 和 PSPNet 模型识别解剖结构； - 病灶定位：通过 Maira-2 模型在影像中精确定位病变位置； - 报告生成：基于 SwinV2 Transformer 自动生成详细的医学诊断报告； - 疾病分类：利用 DenseNet-121 检测 18 种病理类别； - 综合评估：提供包含 2,500 个复杂医学查询的 ChestAgentBench 基准测试。克隆仓库并安装依赖后，运行即可启动 Gradio 界面使用，需要配置 OpenAI API 密钥，支持本地和云端部署。

GitHubDaily

192,886 просмотров • 9 месяцев назад

🔥 Midjourney cref 海马体写真教程来啦！10 分钟不到出写真～视频在下面（记得mark 看文字笔记）👇 超低学习成本，你只要会用任意手机修图软件...就能解决 Midjourney Cref 角色一致性直出之后的「形似而神不似」的问题。 📝 简而言之，文字笔记： 1️⃣ 得益于 --cref [image url]和 --cw [0~100]，midjourney 能够迅速达成角色一致性的目的而无需 Lora。其中，cref 代表 character reference（角色参考）；cw 则代表 character weight（参考权重），默认为 100，会参考角色的人脸和服装特点。如果你只想关注人脸，请调低到 0。 2️⃣ 你不需要对角色原图使用 /describe 来贴近目标生成角色的形象，因为 --cref 会帮你完成这件事情。 👉 于是，风格复制和服装的替换，则应当用提示词（prompt）和 --sref [image url] 来解决。顾名思义，--sref 代表 style reference，权重参数为 --sw [0~1000]，默认值 100，越高越接近参考图像的风格举个例子，现在我们要海马体这张图像，我们先用 /describe 指令反推海马体的提示词，再配合 --sref [海马体图像的 url]，就可以轻松复制图像风格。在回车之前，检查你的提示词，不要出现和 sref 风格差异过大的 prompt；也可以增加一些你之前学过的有用的 prompt。 3️⃣ Upscale 最满意的那一张。接下来解决大家最关心的「形似而神不似」的问题。其实非常简单，这个问题其实是：MJ 直出和原人物在眼睛、眉毛、鼻子等其他地方的大小、间距有一些细微的差距。如果你不控制变量一个个调整，就会觉得「怎么眼睛嘴巴合在一起就不像我了？」此时，用醒图（英文版叫做 hypic）或者美图秀秀等 App 调整脸部，拖拖修图进度条就好了～完成度就从50%->80%甚至更高！如果你用的是醒图，我建议关注一下【人像 -> 面部重塑 -> 面部 -> 比例】，调整一下上庭、中庭、下庭。 --- 📝 其他备注 1: 🎨 在转绘这部分有一个重点案例是照片 -> Minecraft 这种风格幅度变化很大的。有小伙伴的问题是发现即便 --sw 风格权重拉满了还是复制不了像素小人风格。经过实验发现：原因是 --cw 太高。猜想原理：cref 提取的人物本身包含了一定程度的风格特性。MJ 把这部分特质也当成了「作为你 character 的一部分」。调低 cw 发现成功复制，猜想正确。（见视频） --- 📝 其他备注 2: 🤔 cref 和 sref 还可以同时参考多张 url，那是不是说我只要上传同一个人不同角度的照片，就更容易直出呢？ 🧪 实验发现不是..用语言描述的感觉是：MJ 它会把多张照片理解为多张人脸，直接把形状揉在一起。结果非常容易畸形。

🔥 Midjourney cref 海马体写真教程来啦！10 分钟不到出写真～视频在下面（记得mark 看文字笔记）👇 超低学习成本，你只要会用任意手机修图软件...就能解决 Midjourney Cref 角色一致性直出之后的「形似而神不似」的问题。 📝 简而言之，文字笔记： 1️⃣ 得益于 --cref [image url]和 --cw [0~100]，midjourney 能够迅速达成角色一致性的目的而无需 Lora。其中，cref 代表 character reference（角色参考）；cw 则代表 character weight（参考权重），默认为 100，会参考角色的人脸和服装特点。如果你只想关注人脸，请调低到 0。 2️⃣ 你不需要对角色原图使用 /describe 来贴近目标生成角色的形象，因为 --cref 会帮你完成这件事情。 👉 于是，风格复制和服装的替换，则应当用提示词（prompt）和 --sref [image url] 来解决。顾名思义，--sref 代表 style reference，权重参数为 --sw [0~1000]，默认值 100，越高越接近参考图像的风格举个例子，现在我们要海马体这张图像，我们先用 /describe 指令反推海马体的提示词，再配合 --sref [海马体图像的 url]，就可以轻松复制图像风格。在回车之前，检查你的提示词，不要出现和 sref 风格差异过大的 prompt；也可以增加一些你之前学过的有用的 prompt。 3️⃣ Upscale 最满意的那一张。接下来解决大家最关心的「形似而神不似」的问题。其实非常简单，这个问题其实是：MJ 直出和原人物在眼睛、眉毛、鼻子等其他地方的大小、间距有一些细微的差距。如果你不控制变量一个个调整，就会觉得「怎么眼睛嘴巴合在一起就不像我了？」此时，用醒图（英文版叫做 hypic）或者美图秀秀等 App 调整脸部，拖拖修图进度条就好了～完成度就从50%->80%甚至更高！如果你用的是醒图，我建议关注一下【人像 -> 面部重塑 -> 面部 -> 比例】，调整一下上庭、中庭、下庭。 --- 📝 其他备注 1: 🎨 在转绘这部分有一个重点案例是照片 -> Minecraft 这种风格幅度变化很大的。有小伙伴的问题是发现即便 --sw 风格权重拉满了还是复制不了像素小人风格。经过实验发现：原因是 --cw 太高。猜想原理：cref 提取的人物本身包含了一定程度的风格特性。MJ 把这部分特质也当成了「作为你 character 的一部分」。调低 cw 发现成功复制，猜想正确。（见视频） --- 📝 其他备注 2: 🤔 cref 和 sref 还可以同时参考多张 url，那是不是说我只要上传同一个人不同角度的照片，就更容易直出呢？ 🧪 实验发现不是..用语言描述的感觉是：MJ 它会把多张照片理解为多张人脸，直接把形状揉在一起。结果非常容易畸形。

Lyson Ober

163,731 просмотров • 2 лет назад

兄弟们！这个 Python 股票开源项目真的有点东西 myhhub/stock 不是那种只跑一次 demo 的玩具，而是一个能实际落地的 A 股分析系统：数据抓取、指标计算、形态识别、选股、回测、甚至自动交易全都有。它每天自动抓取 A 股数据，计算 17 个常用技术指标，并生成买卖信号参考，同时提供 Web 界面查看图表和数据。核心功能： > 实时拉 A 股数据 + 30+ 技术指标 > 自动识别 61 种 K 线形态 > 筹码分布分析（这个功能比较少见） > 支持自定义策略 + 回测验证 > Web 界面手机电脑都能看 > Docker 一键部署，定时任务自动跑数据对想自己搞量化、验证策略，或者系统学习 A 股技术分析的人来说，这个仓库的完整度算比较高的了。想快速玩的直接 Docker 部署就行，不想折腾也能先看看 Web 界面长什么样。

兄弟们！这个 Python 股票开源项目真的有点东西 myhhub/stock 不是那种只跑一次 demo 的玩具，而是一个能实际落地的 A 股分析系统：数据抓取、指标计算、形态识别、选股、回测、甚至自动交易全都有。它每天自动抓取 A 股数据，计算 17 个常用技术指标，并生成买卖信号参考，同时提供 Web 界面查看图表和数据。核心功能： > 实时拉 A 股数据 + 30+ 技术指标 > 自动识别 61 种 K 线形态 > 筹码分布分析（这个功能比较少见） > 支持自定义策略 + 回测验证 > Web 界面手机电脑都能看 > Docker 一键部署，定时任务自动跑数据对想自己搞量化、验证策略，或者系统学习 A 股技术分析的人来说，这个仓库的完整度算比较高的了。想快速玩的直接 Docker 部署就行，不想折腾也能先看看 Web 界面长什么样。

爱吃折耳根的Ace

11,133 просмотров • 1 месяц назад

教你用豆包 seedream 4.0 实现草稿变漫画！废话不多说，直接分享我漫画的 prompt: 0. (基础模板) 请帮我创作后启示录风格的漫画, 我上传的图片是你的参考，图片左边是我的草稿, 图片右边是我的人物设定, 你需要实现一张全新的图片，黑白漫画风格. 1. > {基础模板}, 在一个后启示录风格的废墟中, 人物走向倒塌的建筑, 周围全是被破环的城市建筑群和散落的瓦砾，人物旁边留一个空白的对话气泡，然后画面下边也留一个空白的对话气泡 2. > {基础模板}, 一个拾荒者进入了一个破旧的办公室，光线十分灰暗。举起手机，照亮前面，发现里面竟然有一个服务器机架，上面还有几台落满灰尘的服务器。人物旁边留一个空白的对话气泡 3. > {基础模板}, 房间内杂乱无章，一个破旧的办公桌上，放着许多沾满灰尘的硬盘和一个破旧的贴着胶带的笔记本电脑。笔记本电脑屏幕亮着，是室内唯一的光源。拾荒者正在将硬盘使用电缆连接到笔记本电脑. 人物旁边留一个空白的对话气泡. 4. > {基础模板}, 一个破旧的贴着胶带的笔记本电脑屏幕部分的特写，人物的手部正在用手操作笔记本电脑的键盘，屏幕上显示一个打开的文件夹，里面显示了文件夹图标，图标下面的文件夹名称是 "DeepSeek-R2". 人物的手旁边留一个空白的对话气泡, 然后画面右上角也留一个旁白使用的对话气泡这里给大家总结经验，一定要草稿加人设图，草稿描写不准确的部分可以用 prompt 来完善，对话气泡可以直接让豆包生成，很准确！最后，豆包这个功能点击豆包P图就可以用！快去试试吧！ #豆包 #seedream4 #即梦

教你用豆包 seedream 4.0 实现草稿变漫画！废话不多说，直接分享我漫画的 prompt: 0. (基础模板) 请帮我创作后启示录风格的漫画, 我上传的图片是你的参考，图片左边是我的草稿, 图片右边是我的人物设定, 你需要实现一张全新的图片，黑白漫画风格. 1. > {基础模板}, 在一个后启示录风格的废墟中, 人物走向倒塌的建筑, 周围全是被破环的城市建筑群和散落的瓦砾，人物旁边留一个空白的对话气泡，然后画面下边也留一个空白的对话气泡 2. > {基础模板}, 一个拾荒者进入了一个破旧的办公室，光线十分灰暗。举起手机，照亮前面，发现里面竟然有一个服务器机架，上面还有几台落满灰尘的服务器。人物旁边留一个空白的对话气泡 3. > {基础模板}, 房间内杂乱无章，一个破旧的办公桌上，放着许多沾满灰尘的硬盘和一个破旧的贴着胶带的笔记本电脑。笔记本电脑屏幕亮着，是室内唯一的光源。拾荒者正在将硬盘使用电缆连接到笔记本电脑. 人物旁边留一个空白的对话气泡. 4. > {基础模板}, 一个破旧的贴着胶带的笔记本电脑屏幕部分的特写，人物的手部正在用手操作笔记本电脑的键盘，屏幕上显示一个打开的文件夹，里面显示了文件夹图标，图标下面的文件夹名称是 "DeepSeek-R2". 人物的手旁边留一个空白的对话气泡, 然后画面右上角也留一个旁白使用的对话气泡这里给大家总结经验，一定要草稿加人设图，草稿描写不准确的部分可以用 prompt 来完善，对话气泡可以直接让豆包生成，很准确！最后，豆包这个功能点击豆包P图就可以用！快去试试吧！ #豆包 #seedream4 #即梦

karminski-牙医

29,394 просмотров • 11 месяцев назад

投资分析的AI神器来了！ValueCell AI，🚀 地址评论区自取。之前一直想搞一个类似的产品来着，但是迫于精力和投资方面的阅历，所以也就搁置了。最近发现这个工具竟然能实时抓取市场数据，尤其是美股的实时盘前盘中盘后数据，并且支持策略回测，生成的投研报告格式都可以直接拿来发文章，这就有点太方便了~ 里面有各种数据报表，也能从宏观、微观各个角度来分析市场。比如大家最关心的A股和美股，用它分析一下，看看结果和你的判断是否一致？听说他们底层模型非常烧钱💰 有懂投资的大佬快去体验一下，分享一下感受！

投资分析的AI神器来了！ValueCell AI，🚀 地址评论区自取。之前一直想搞一个类似的产品来着，但是迫于精力和投资方面的阅历，所以也就搁置了。最近发现这个工具竟然能实时抓取市场数据，尤其是美股的实时盘前盘中盘后数据，并且支持策略回测，生成的投研报告格式都可以直接拿来发文章，这就有点太方便了~ 里面有各种数据报表，也能从宏观、微观各个角度来分析市场。比如大家最关心的A股和美股，用它分析一下，看看结果和你的判断是否一致？听说他们底层模型非常烧钱💰 有懂投资的大佬快去体验一下，分享一下感受！

鱼总聊AI

28,872 просмотров • 5 месяцев назад

做数据分析的人应该都懂那种崩溃感： Excel 一开就卡、SQL 跑半天、模型调参像瞎猜、报告一写就是一下午。更别说很多人本职工作也不是“数据科学家”，但又不得不啃一堆 CSV、报表和图表。这两天看到人民大学 RUC Datalab 开源的DeepAnalyze，有点眼前一亮。它不是那种“帮你写点分析文案”的 AI，而是想做一个真正的「AI 数据分析师」：能读 Excel/CSV/JSON/TXT，自己规划步骤、清洗数据、建模、画图、最后给你一份完整报告。甚至还能把推理链（reasoning trace）展示出来，让你看到它是怎么一步步想出来的。我自己最有感觉的点有几个：以前 ChatGPT 更像“写稿子、写代码”的助手，但对数据本身不够“懂”； DeepAnalyze 直接把这一块补上了，做到“从数据到报告”的全流程；对普通人来说，可能第一次有机会把“专业的数据分析能力”当成一个工具来用，而不是一门必须自己啃几年的技能。当然，它现在肯定还不完美，落地也需要折腾环境、准备数据。但这个方向我很看好： AI 帮你做繁琐的统计和建模，人类负责问好问题、选好指标、做最后决策。数据分析不再是少数人的特权，而是变成人人可用的一种“智能能力”。简单说：过去是「你学会数据分析再去用工具」，以后可能是「你先有一个 AI 数据分析师，再慢慢学会怎么问对问题」。

做数据分析的人应该都懂那种崩溃感： Excel 一开就卡、SQL 跑半天、模型调参像瞎猜、报告一写就是一下午。更别说很多人本职工作也不是“数据科学家”，但又不得不啃一堆 CSV、报表和图表。这两天看到人民大学 RUC Datalab 开源的DeepAnalyze，有点眼前一亮。它不是那种“帮你写点分析文案”的 AI，而是想做一个真正的「AI 数据分析师」：能读 Excel/CSV/JSON/TXT，自己规划步骤、清洗数据、建模、画图、最后给你一份完整报告。甚至还能把推理链（reasoning trace）展示出来，让你看到它是怎么一步步想出来的。我自己最有感觉的点有几个：以前 ChatGPT 更像“写稿子、写代码”的助手，但对数据本身不够“懂”； DeepAnalyze 直接把这一块补上了，做到“从数据到报告”的全流程；对普通人来说，可能第一次有机会把“专业的数据分析能力”当成一个工具来用，而不是一门必须自己啃几年的技能。当然，它现在肯定还不完美，落地也需要折腾环境、准备数据。但这个方向我很看好： AI 帮你做繁琐的统计和建模，人类负责问好问题、选好指标、做最后决策。数据分析不再是少数人的特权，而是变成人人可用的一种“智能能力”。简单说：过去是「你学会数据分析再去用工具」，以后可能是「你先有一个 AI 数据分析师，再慢慢学会怎么问对问题」。

sitin

15,309 просмотров • 9 месяцев назад

“用嘴PS”的Gemini2.0五档难度实测！原生多模态做图像生成、修图、抠图、连续对话有多强？Google Gemini OpenAI没做出来的DALLE4被做出来了！这次我分五档难度、12个真实案例做了一套AI生图新测试： 1️⃣ 视频分镜创作：一键生成分镜脚本和图片，实现高一致性，并能针对具体某一分镜进行多次修改 2️⃣ 连续一致性：多轮对话中，模型对图片上下文的理解、记忆和一致性维护能力。 3️⃣ 复杂性与细节：模型处理复杂场景、精细物体、以及多重修改的能力。 4️⃣ 创造性与风格化：模型在不同艺术风格、设计理念下的创作能力。 5️⃣ 实用性与专业性：模型在专业领域（如物品设计、建筑设计）的辅助能力。 gemini2.0 X vidu2.0 Vidu AI 做出来的钢铁侠大战超人🦸‍♂️，烂番茄指数🍅99% （1/9）

“用嘴PS”的Gemini2.0五档难度实测！原生多模态做图像生成、修图、抠图、连续对话有多强？Google Gemini OpenAI没做出来的DALLE4被做出来了！这次我分五档难度、12个真实案例做了一套AI生图新测试： 1️⃣ 视频分镜创作：一键生成分镜脚本和图片，实现高一致性，并能针对具体某一分镜进行多次修改 2️⃣ 连续一致性：多轮对话中，模型对图片上下文的理解、记忆和一致性维护能力。 3️⃣ 复杂性与细节：模型处理复杂场景、精细物体、以及多重修改的能力。 4️⃣ 创造性与风格化：模型在不同艺术风格、设计理念下的创作能力。 5️⃣ 实用性与专业性：模型在专业领域（如物品设计、建筑设计）的辅助能力。 gemini2.0 X vidu2.0 Vidu AI 做出来的钢铁侠大战超人🦸‍♂️，烂番茄指数🍅99% （1/9）

卡尔的AI沃茨

71,671 просмотров • 1 год назад

Captions 发布 Mirage Studio 可以快速生成具有真实情感和动作的虚拟角色视频只需一张人物照片，就能生成拥有该外观的虚拟演员支持高度还原的面部表情，比如皱眉、微笑、惊讶等，增强情感真实感，提升观众共鸣。自定义角色后可在多个镜头和场景中保持外观和风格一致生成的角色具有高质量的皮肤纹理、光影和细节效果

Captions 发布 Mirage Studio 可以快速生成具有真实情感和动作的虚拟角色视频只需一张人物照片，就能生成拥有该外观的虚拟演员支持高度还原的面部表情，比如皱眉、微笑、惊讶等，增强情感真实感，提升观众共鸣。自定义角色后可在多个镜头和场景中保持外观和风格一致生成的角色具有高质量的皮肤纹理、光影和细节效果

小互

30,825 просмотров • 1 год назад

大家好，从今天开始，我会为大家系统介绍一些 K线的基础理论知识。 😍 本教程主要针对币圈，但同样适用于股市、期货、外汇等各种金融投资市场。今天的内容相对基础，非常适合没有任何投机经验的小白学习。一、认识单根K线 K线，也叫蜡烛线，最早起源于日本，后来逐渐被全球各国的技术分析者采用。从分类上看，K线可以分为三种基本类别：阳线、阴线和十字星。绿色K线代表阳线红色K线代表阴线十字交叉线则代表十字星每一根K线有四个基本要素：开盘价、收盘价、最高价和最低价，这些会在后面详细讲解。从图形结构上来说，每根K线包括实体部分和上下影线。对于十字星来说，它的实体基本上是一条横线。二、阳线介绍什么是阳线？阳线是指**开盘价小于收开盘价小于收盘价，说明当天价格上涨，是大家最喜欢看到的情况。K线的下沿代表开盘价，上沿代表收盘价。上影线的最高点是最高价，下影线的最低点是最低价。举个例子：一天开始时产生了一个开盘价，随后价格逐渐上涨，达到一个最高点（图示位置H），随后价格回落到一个最低点，最后在一天结束时价格再次上升，形成了收盘价。由于收盘价高于开盘价，这天形成了一根阳线。不管一天中的波动如何，只要收盘价高于开盘价，就形成了阳线。举个例子，可能开盘后价格先跌再涨，最终收盘在一个较高的位置，这样也能形成阳线。具体走势有很多种可能性，这涉及到更详细的分时图分析，后面会讲。三、阴线介绍什么是阴线？阴线是指开盘价大于收盘价，说明当天价格下跌。阴线的开盘价在实体的上边缘，收盘价在实体的下边缘。最高价和最低价的定义与阳线相同。举个例子：开盘时价格可能先上涨，达到一个最高点后开始下跌，跌到一个最低点，然后价格有所回升，但收盘价仍低于开盘价。这种情况下，这天就形成了一根阴线。需要注意的是，在国内的股票和期货市场中，通常是红色代表阳线，绿色代表阴线；而在币圈和国外市场中，绿色代表阳线，红色代表阴线。四、十字星介绍什么是十字星？十字星的最显著特点是开盘价和收盘价相等，这是最标准的十字星。当然，有时候也会出现一些小实体的K线，我们也称之为十字星，比如带有短影线或长影线的小实体K线。通常情况下，只要与前后K线形成明显对比，也可以看作十字星。举个例子：开盘后价格先上涨，达到最高点后回落至最低点，最后再次回升，收盘价与开盘价相同，形成了一根十字星。总结今天我们简单介绍了 K线的三种基本形态：阳线、阴线和十字星。 K线图作为技术分析的基础工具，可以帮助投资者了解市场情绪和趋势变化。接下来，我们会继续深入讲解K线的更多应用和分析技巧，大家敬请期待！

大家好，从今天开始，我会为大家系统介绍一些 K线的基础理论知识。 😍 本教程主要针对币圈，但同样适用于股市、期货、外汇等各种金融投资市场。今天的内容相对基础，非常适合没有任何投机经验的小白学习。一、认识单根K线 K线，也叫蜡烛线，最早起源于日本，后来逐渐被全球各国的技术分析者采用。从分类上看，K线可以分为三种基本类别：阳线、阴线和十字星。绿色K线代表阳线红色K线代表阴线十字交叉线则代表十字星每一根K线有四个基本要素：开盘价、收盘价、最高价和最低价，这些会在后面详细讲解。从图形结构上来说，每根K线包括实体部分和上下影线。对于十字星来说，它的实体基本上是一条横线。二、阳线介绍什么是阳线？阳线是指**开盘价小于收开盘价小于收盘价，说明当天价格上涨，是大家最喜欢看到的情况。K线的下沿代表开盘价，上沿代表收盘价。上影线的最高点是最高价，下影线的最低点是最低价。举个例子：一天开始时产生了一个开盘价，随后价格逐渐上涨，达到一个最高点（图示位置H），随后价格回落到一个最低点，最后在一天结束时价格再次上升，形成了收盘价。由于收盘价高于开盘价，这天形成了一根阳线。不管一天中的波动如何，只要收盘价高于开盘价，就形成了阳线。举个例子，可能开盘后价格先跌再涨，最终收盘在一个较高的位置，这样也能形成阳线。具体走势有很多种可能性，这涉及到更详细的分时图分析，后面会讲。三、阴线介绍什么是阴线？阴线是指开盘价大于收盘价，说明当天价格下跌。阴线的开盘价在实体的上边缘，收盘价在实体的下边缘。最高价和最低价的定义与阳线相同。举个例子：开盘时价格可能先上涨，达到一个最高点后开始下跌，跌到一个最低点，然后价格有所回升，但收盘价仍低于开盘价。这种情况下，这天就形成了一根阴线。需要注意的是，在国内的股票和期货市场中，通常是红色代表阳线，绿色代表阴线；而在币圈和国外市场中，绿色代表阳线，红色代表阴线。四、十字星介绍什么是十字星？十字星的最显著特点是开盘价和收盘价相等，这是最标准的十字星。当然，有时候也会出现一些小实体的K线，我们也称之为十字星，比如带有短影线或长影线的小实体K线。通常情况下，只要与前后K线形成明显对比，也可以看作十字星。举个例子：开盘后价格先上涨，达到最高点后回落至最低点，最后再次回升，收盘价与开盘价相同，形成了一根十字星。总结今天我们简单介绍了 K线的三种基本形态：阳线、阴线和十字星。 K线图作为技术分析的基础工具，可以帮助投资者了解市场情绪和趋势变化。接下来，我们会继续深入讲解K线的更多应用和分析技巧，大家敬请期待！

另一面

23,884 просмотров • 1 год назад

🚨 又发现一个支持 A 股、港股、美股牛逼的仓库—go-stock！目前 6.6K+ stars，基于 Go + Wails + Vue3 + NaiveUI 搭的 AI 股票分析工具。最大的亮点：A 股、港股、美股三市场通吃，ETF/基金也在路上了 go-stock 核心亮点： > 实时行情一屏看全：分时图、K线（日/周/月）、涨跌幅一目了然 > AI 智能分析：个股技术面 + 消息面 + 资金面，一键生成分析报告 > 市场情绪量化：NLP 解析新闻/研报，直接出情绪指标，不用自己翻帖 > AI 智能选股：技术指标 + AI 预测双重筛选，筛完还能多轮追问 > 涨跌报警推送：钉钉/企业微信直达，不用盯盘自选管理 + 成本追踪 + 盈亏计算，全在本地 SQLite，数据不出你电脑最狠的是 AI 模型接入：DeepSeek、OpenAI、Ollama 本地跑、LMStudio、硅基流动、火山方舟、阿里云百炼主流平台全接以前做股票分析：开同花顺看行情 → 开浏览器翻新闻 → 开 Excel 算指标 → 开微信问朋友。现在 go-stock 一个桌面 App 全包了，底下还挂着你选的大模型实时分析。股票研究这件事，终于不用在八个窗口来回切了！

🚨 又发现一个支持 A 股、港股、美股牛逼的仓库—go-stock！目前 6.6K+ stars，基于 Go + Wails + Vue3 + NaiveUI 搭的 AI 股票分析工具。最大的亮点：A 股、港股、美股三市场通吃，ETF/基金也在路上了 go-stock 核心亮点： > 实时行情一屏看全：分时图、K线（日/周/月）、涨跌幅一目了然 > AI 智能分析：个股技术面 + 消息面 + 资金面，一键生成分析报告 > 市场情绪量化：NLP 解析新闻/研报，直接出情绪指标，不用自己翻帖 > AI 智能选股：技术指标 + AI 预测双重筛选，筛完还能多轮追问 > 涨跌报警推送：钉钉/企业微信直达，不用盯盘自选管理 + 成本追踪 + 盈亏计算，全在本地 SQLite，数据不出你电脑最狠的是 AI 模型接入：DeepSeek、OpenAI、Ollama 本地跑、LMStudio、硅基流动、火山方舟、阿里云百炼主流平台全接以前做股票分析：开同花顺看行情 → 开浏览器翻新闻 → 开 Excel 算指标 → 开微信问朋友。现在 go-stock 一个桌面 App 全包了，底下还挂着你选的大模型实时分析。股票研究这件事，终于不用在八个窗口来回切了！

爱吃折耳根的Ace

43,752 просмотров • 1 месяц назад

非常好的一个演示视频，通过可视化清晰的介绍了 LLM 的核心 Transformer 架构的原理。包括词嵌入、自注意力机制等关键技术。对了解GPT-3等大型语言模型的内部结构很有帮助。 👇下面是文字版本： GPT的全称及其含义 GPT是Generative Pre-trained Transformer的缩写。其中,"Generative"表示这个模型是用来生成新文本的;"Pre-trained"意味着模型是在大量数据上预先训练好的;"Transformer"则指代一种特定类型的神经网络结构。因此,GPT本质上是一个基于Transformer架构、经过预训练、能够生成文本的语言模型。 Transformer的定义及其在AI领域的应用 Transformer是一种专门处理序列数据的神经网络架构。它最初是为机器翻译任务设计的,但后来被发现在其他许多NLP任务上也有出色表现,如语言建模、命名实体识别等。除了NLP,Transformer也被应用于语音识别、图像字幕生成等领域。Transformer的成功很大程度上归因于其独特的自注意力机制,使其能够高效地处理长程依赖关系。 Transformer的工作原理简介 Transformer的工作流程可以概括为三个主要步骤:首先,将输入的文本序列转化为一组向量表示;然后,通过自注意力机制和前馈神经网络对这些向量进行变换和更新;最后,根据更新后的向量生成输出分布,用于预测下一个词。整个过程中,自注意力机制起到了关键作用,使得模型能够动态地确定输入序列中每个位置与其他位置之间的相关性,从而更好地捕捉上下文信息。 Transformer处理文本信息的过程当Transformer处理一段文本时,首先需要将其分割成一个个基本单元,如单词或子词,这些基本单元被称为"token"。接着,每个token都会被映射为一个高维向量,即"词嵌入"。这一步旨在将离散的文本符号转化为连续的向量表示,以便神经网络进行处理。然后,这些词向量会通过多个编码器层进行变换和更新,每一层都会综合考虑当前token与其他token之间的关系,从而使每个向量都融入了上下文信息。最后,解码器根据编码器的输出和之前生成的token,预测出下一个最可能的token。通过不断重复这一过程,Transformer就可以生成连贯的文本片段。词嵌入(Word Embedding)的概念和作用词嵌入是一种将词映射到高维向量空间的技术。通过词嵌入,每个词都被表示为一个实数向量,这个向量捕捉了该词的语义信息。词嵌入的一个重要特性是,语义相似的词往往在向量空间中距离较近。例如,"king"和"queen"这两个词的向量之间的距离会比"king"和"apple"的距离更近。此外,词嵌入还能够反映词之间的类比关系,如"king"-"man"+"woman"的结果会接近"queen"。词嵌入为神经网络提供了一种处理文本数据的有效方式,使其能够利用词语之间的语义关系进行推理和预测。深度学习模型的基本结构和特点深度学习模型通常由多个层组成,每一层对输入数据进行一定的变换,并将结果传递给下一层。层与层之间的连接通常是通过矩阵乘法实现的,其中矩阵的元素就是模型的参数。这些参数在训练过程中会不断更新,以使模型的输出与期望输出尽可能接近。深度学习模型的训练通常采用反向传播算法,即根据输出的误差,逐层调整参数的值。通过多次迭代,模型可以逐渐学习到数据中的规律和模式。深度学习模型的一个显著特点是,它们可以自动学习数据的表示方式,而无需人工设计特征。这使得深度学习在处理图像、语音等复杂数据时表现出色。 Softmax函数的作用和计算过程 Softmax函数常用于深度学习模型的输出层,特别是在多分类问题中。它的作用是将一组实数转化为一个概率分布,使得每个类别都有一个0到1之间的概率值,并且所有类别的概率之和为1。Softmax函数的计算过程分为两步:首先,对每个输入值取指数;然后,将每个指数值除以所有指数值的和。这样得到的结果就是一个合法的概率分布。Softmax函数有一个很好的性质,即输入值较大的类别会获得较高的概率,而输入值较小的类别的概率会趋近于0。这使得模型的输出更容易解释,并且有利于进行决策和预测。生成模型预测下一个词的过程当生成模型(如GPT)预测下一个词时,通常采用以下步骤:首先,根据前面已经生成的词,模型会计算出每个可能的下一个词的概率。这个概率分布反映了模型对不同词的偏好程度。然后,从这个分布中采样出一个词作为新生成的内容。接下来,模型将这个新词加入到已生成的序列中,并重复上述过程,直到达到预设的长度或遇到终止条件(如句号)为止。通过这种不断预测和采样的方式,生成模型可以创作出连贯而富有创意的文本。值得注意的是,为了提高生成文本的多样性和自然度,可以引入"temperature"等超参数来调节输出分布的形状。 GPT-3的参数量和嵌入矩阵 GPT-3是目前最大的语言模型之一,其参数量高达1750亿。这意味着,模型需要学习和存储大量的权重值,以刻画自然语言中的规律和模式。GPT-3的一个重要组成部分是嵌入矩阵(embedding matrix),它负责将每个词映射为一个高维向量。在GPT-3中,嵌入矩阵的大小为50257×12288,即词表中共有50257个不同的词(或子词),每个词被映射为一个12288维的向量。嵌入矩阵中的每个元素都是一个可学习的参数,在训练过程中会不断更新,以使得语义相似的词具有相近的向量表示。GPT-3庞大的参数量使其能够学习到比以往模型更加细致入微的语言知识,这也是其在各种NLP任务上表现出众的原因之一。模型训练中的"Temperature"超参数在生成模型的训练过程中,"Temperature"是一个重要的超参数,它控制着输出分布的形状。具体来说,temperature值越高,输出分布就越平缓,生成的结果也就越多样化;反之,temperature值越低,输出分布就越尖锐,生成的结果也就越保守。合适的temperature值可以在确保生成内容连贯性的同时,提高其丰富性和创造性。例如,当temperature值接近于0时,模型会倾向于选择概率最高的那个词,导致生成的文本可能流于老套;而当temperature值较高时,模型会给予概率较低的词更多机会,从而产生更加新颖和意想不到的结果。在实践中,temperature值通常需要根据具体任务和需求进行调整,以达到理想的平衡。

非常好的一个演示视频，通过可视化清晰的介绍了 LLM 的核心 Transformer 架构的原理。包括词嵌入、自注意力机制等关键技术。对了解GPT-3等大型语言模型的内部结构很有帮助。 👇下面是文字版本： GPT的全称及其含义 GPT是Generative Pre-trained Transformer的缩写。其中,"Generative"表示这个模型是用来生成新文本的;"Pre-trained"意味着模型是在大量数据上预先训练好的;"Transformer"则指代一种特定类型的神经网络结构。因此,GPT本质上是一个基于Transformer架构、经过预训练、能够生成文本的语言模型。 Transformer的定义及其在AI领域的应用 Transformer是一种专门处理序列数据的神经网络架构。它最初是为机器翻译任务设计的,但后来被发现在其他许多NLP任务上也有出色表现,如语言建模、命名实体识别等。除了NLP,Transformer也被应用于语音识别、图像字幕生成等领域。Transformer的成功很大程度上归因于其独特的自注意力机制,使其能够高效地处理长程依赖关系。 Transformer的工作原理简介 Transformer的工作流程可以概括为三个主要步骤:首先,将输入的文本序列转化为一组向量表示;然后,通过自注意力机制和前馈神经网络对这些向量进行变换和更新;最后,根据更新后的向量生成输出分布,用于预测下一个词。整个过程中,自注意力机制起到了关键作用,使得模型能够动态地确定输入序列中每个位置与其他位置之间的相关性,从而更好地捕捉上下文信息。 Transformer处理文本信息的过程当Transformer处理一段文本时,首先需要将其分割成一个个基本单元,如单词或子词,这些基本单元被称为"token"。接着,每个token都会被映射为一个高维向量,即"词嵌入"。这一步旨在将离散的文本符号转化为连续的向量表示,以便神经网络进行处理。然后,这些词向量会通过多个编码器层进行变换和更新,每一层都会综合考虑当前token与其他token之间的关系,从而使每个向量都融入了上下文信息。最后,解码器根据编码器的输出和之前生成的token,预测出下一个最可能的token。通过不断重复这一过程,Transformer就可以生成连贯的文本片段。词嵌入(Word Embedding)的概念和作用词嵌入是一种将词映射到高维向量空间的技术。通过词嵌入,每个词都被表示为一个实数向量,这个向量捕捉了该词的语义信息。词嵌入的一个重要特性是,语义相似的词往往在向量空间中距离较近。例如,"king"和"queen"这两个词的向量之间的距离会比"king"和"apple"的距离更近。此外,词嵌入还能够反映词之间的类比关系,如"king"-"man"+"woman"的结果会接近"queen"。词嵌入为神经网络提供了一种处理文本数据的有效方式,使其能够利用词语之间的语义关系进行推理和预测。深度学习模型的基本结构和特点深度学习模型通常由多个层组成,每一层对输入数据进行一定的变换,并将结果传递给下一层。层与层之间的连接通常是通过矩阵乘法实现的,其中矩阵的元素就是模型的参数。这些参数在训练过程中会不断更新,以使模型的输出与期望输出尽可能接近。深度学习模型的训练通常采用反向传播算法,即根据输出的误差,逐层调整参数的值。通过多次迭代,模型可以逐渐学习到数据中的规律和模式。深度学习模型的一个显著特点是,它们可以自动学习数据的表示方式,而无需人工设计特征。这使得深度学习在处理图像、语音等复杂数据时表现出色。 Softmax函数的作用和计算过程 Softmax函数常用于深度学习模型的输出层,特别是在多分类问题中。它的作用是将一组实数转化为一个概率分布,使得每个类别都有一个0到1之间的概率值,并且所有类别的概率之和为1。Softmax函数的计算过程分为两步:首先,对每个输入值取指数;然后,将每个指数值除以所有指数值的和。这样得到的结果就是一个合法的概率分布。Softmax函数有一个很好的性质,即输入值较大的类别会获得较高的概率,而输入值较小的类别的概率会趋近于0。这使得模型的输出更容易解释,并且有利于进行决策和预测。生成模型预测下一个词的过程当生成模型(如GPT)预测下一个词时,通常采用以下步骤:首先,根据前面已经生成的词,模型会计算出每个可能的下一个词的概率。这个概率分布反映了模型对不同词的偏好程度。然后,从这个分布中采样出一个词作为新生成的内容。接下来,模型将这个新词加入到已生成的序列中,并重复上述过程,直到达到预设的长度或遇到终止条件(如句号)为止。通过这种不断预测和采样的方式,生成模型可以创作出连贯而富有创意的文本。值得注意的是,为了提高生成文本的多样性和自然度,可以引入"temperature"等超参数来调节输出分布的形状。 GPT-3的参数量和嵌入矩阵 GPT-3是目前最大的语言模型之一,其参数量高达1750亿。这意味着,模型需要学习和存储大量的权重值,以刻画自然语言中的规律和模式。GPT-3的一个重要组成部分是嵌入矩阵(embedding matrix),它负责将每个词映射为一个高维向量。在GPT-3中,嵌入矩阵的大小为50257×12288,即词表中共有50257个不同的词(或子词),每个词被映射为一个12288维的向量。嵌入矩阵中的每个元素都是一个可学习的参数,在训练过程中会不断更新,以使得语义相似的词具有相近的向量表示。GPT-3庞大的参数量使其能够学习到比以往模型更加细致入微的语言知识,这也是其在各种NLP任务上表现出众的原因之一。模型训练中的"Temperature"超参数在生成模型的训练过程中,"Temperature"是一个重要的超参数,它控制着输出分布的形状。具体来说,temperature值越高,输出分布就越平缓,生成的结果也就越多样化;反之,temperature值越低,输出分布就越尖锐,生成的结果也就越保守。合适的temperature值可以在确保生成内容连贯性的同时,提高其丰富性和创造性。例如,当temperature值接近于0时,模型会倾向于选择概率最高的那个词,导致生成的文本可能流于老套;而当temperature值较高时,模型会给予概率较低的词更多机会,从而产生更加新颖和意想不到的结果。在实践中,temperature值通常需要根据具体任务和需求进行调整,以达到理想的平衡。

歸藏(guizang.ai)

52,216 просмотров • 2 лет назад