兴趣使然的博客
一、Python 安装 官网下载安装包 按照步骤安装 注意要勾选下面选项 至此Python 安装完毕，可自行选择vs code或者pycharm作为代码编辑器。 在空文件夹里面创建一个main.py文件，用代码解释器打开并键入以下内容 print("Hello world!") 看到正常输出即配置正确。 二、数据格式 1. 程序是如何运行的？ 在我们写代码之前，先花30秒理解一下计算机是如何听懂我们的话的。我们写的代码叫做“源代码”，它需要一个叫做“解释器 (interpreter)”的翻译官，把代码一行一行地翻译成计算机能懂的指令并执行。 2. 万物之始：变量 (Variable) 想象一下，你在整理东西时需要很多箱子，每个箱子上都贴了标签，比如“书”、“玩具”、“衣服”。在编程中，变量就扮演着贴了标签的箱子的角色，用来存放数据。 使用变量非常简单，你只需要给它起个名字，然后用 = 把数据放进去。
这篇文章深度调研了 GitHub 上 7 个 OpenClaw 接实体机器人的项目，涵盖机械臂、四足机器人、人形机器人、ROS2 生态等场景，并深入解读了唯一一篇相关论文。 TL;DR * 最成熟: Gen-Verse/OpenClaw-RL (3.5k stars) — 唯一有论文支撑的 RL 训练框架，让 Agent"边用边学" * 最实用: LooperRobotics/OpenClaw-Robotics — 一行命令控制 Unitree 四足/人形机器人 * 最创新: Alan1112223331/multi-robot-skill — 多机器人协同，自然语言分解复杂任务 开篇：为什么我们需要 OpenClaw 接机器人？ 想象一下这个场景：你对手机说"让机械臂把桌上的苹果放进篮子里，然后让机器狗送到厨房&
仿真 期末项目要用Athena做一个CMOS制造流程，结构如图。 仿真结果： 仿真数值： Extracted parameters（The data must be clearly given, and the screenshots are needed for prove） The step 5, extract the nwell junction depth 05nwell = 0.742309um The step 7, extract the thickness of SiO2 inside Nwell 07tox_in_nwell = 0.210375um The step 7, extract
实验目的 * 实验一：CTS实验平台的应用 * 了解CTS实验平台的基本构成和功能。 * 熟悉CTS实验平台的安装与硬件连接方法。 * 实验二：CloudTesting™ Lab软件的基本操作 * 了解CloudTesting™ Lab软件的操作界面。 * 掌握导入测试程序与保存测试程序的方法。 * 实验三：引脚定义 * 掌握芯片引脚与测试机通道之间的对应关系。 * 掌握定义引脚与测试机通道关联的方法。 * 掌握引脚文件和引脚组的导入与导出方法。 * 实验四：连接性测试 * 掌握连接性测试（Open-Short Test）的原理。 * 掌握在CTS Lab中新建测试项目的方法。 * 掌握测试项目的调试方式。 * 实验五：功能测试 (Functional Test) * 理解功能测试的方法和原理。 * 掌握在CTS Lab中进行功能测试的配置与执行。 * 使用Pattern Viewer工具进行调试。 实验流程 实验一：CTS实验平台的应用 1. 了解CX1000P测试工作站接口：参考实验
具身智能领域最新研究成果报告：2024年末至2025年顶刊顶会综述 引言：具身智能及其研究背景 具身智能（Embodied AI）旨在构建能够与物理世界进行感知、行动和学习互动的智能体，例如机器人。其核心目标是使机器人在复杂、动态的真实环境中自主执行任务，并展现出类似于人类的理解、规划与决策能力 1。这一新兴领域深度融合了计算机视觉、自然语言处理、强化学习和机器人学等前沿学科的最新进展，旨在将人工智能从传统的被动信息处理模式提升至主动的物理世界交互层面 1。 在机器人长期部署的场景中，例如持续数小时乃至数天的运行，如何高效地积累、存储并检索其在部署过程中所感知到的海量历史信息，包括动态事件和非静态物体，对于机器人理解环境、响应用户查询以及执行复杂任务而言至关重要 6。传统的机器人系统在处理长时间跨度的感知数据时面临显著挑战。例如，基于Transformer的模型在处理长视频上下文时计算成本高昂，而如LSTM等状态空间模型可能出现“遗忘”现象，限制了机器人对过去经验进行时空推理的能力 6。因此，开发可扩展、高效的长时程记忆机制，以支持机器人对“看到了什么”、“在哪里发生”、“什么
该网站可以作为Gemini API的音视频对话和中转，白嫖免费的Gemini额度。 使用的开源项目：https://github.com/tech-shrimp/gemini-playground 首先需要前往获取 API 密钥 | Google AI Studio 音视频对话 访问网址 在图中位置填入获取的api key，点击connect，开启麦克风（mic），根据需要开启视频（videocam）和屏幕共享（screen_share），即可与Gemini进行音视频对话。 API中转方法（OpenAI格式） 以cherry studio为例，api url地址填入 https://alanm12-gemini.deno.dev/v1/ 并填入api key即可对话。 cherry studio下载地址 声明：本服务仅用于学习。禁止用于政见输出/瑟瑟内容/诈骗活动。违者后果自负。使用即代表您同意承担全部法律责任。
在大语言模型（LLM）应用中，模型的思考过程对提升回答质量至关重要。DeepSeek-R1的输出能力较弱，幻觉率非常高。常用R1参与工作学习的人经常能看到其思考时分析地头头是道，输出的效果却非常差。不过其作为一个专注于推理能力的模型，可以作为"思考引擎"辅助其他模型生成更高质量的回答，以此来获得远超R1以及其使用的目标模型的能力。本文将详细介绍如何在API调用层面实现这一能力增强方案。 核心思路 实现思路直接而有效：使用两次独立的API调用，第一次调用DeepSeek-R1进行深度思考，第二次调用目标模型生成最终回答，同时将DeepSeek-R1的思考过程作为助手（Assistant）消息上下文传递给目标模型。 技术实现 1. DeepSeek-R1思考阶段 首先，调用DeepSeek-R1模型进行推理思考： async function getReasoning(prompt) { const response = await fetch('https://api.deepseek.com/v1/chat/completions', { method:
你是否遇到过这些场景？ * PPT大段外语，根本get不到重点🥲 * 老师只会念PPT/全程讲外语/说话太小声/口音很重，上课体验不佳😴 * 但是考试却以PPT为主😭 最近我开发了一个小工具 PPT-Study-Agent，用视觉语言模型(VLM)帮你自动化处理PPT学习。欢迎来GitHub看看： ➡️ 项目地址：https://github.com/Alan1112223331/PPT-Study-Agent ⬅️ 功能亮点 * 多格式支持：.ppt/.pptx/.pdf 直接读取 * AI讲解与翻译：解析文字、图表与排版逻辑 * 上下文关联：跨页追踪概念演进 * 进度可视化：实时显示处理状态 效果示例 适合人群 * 需要处理外文课件的各类人群 项目持续迭代中，欢迎Star/Issue/PR ✨ TODO * 完成公式显示的支持 * 优化文件保存系统 * 添加多用户管理系统
汇总个人使用的一些Deepseek api网站，填邀请码有免费额度🥰🥰🥰 网站网址邀请码硅基流动https://cloud.siliconflow.cn/i/AgL5cYujAgL5cYuj火山引擎（已结束）https://www.volcengine.com/experience/ark?utm_term=202502dsinvite&ac=DSASUQY5&rc=I3WD8ZL8I3WD8ZL8DMXAPI中国https://www.dmxapi.cn/register?aff=bN9xbN9x启航apihttps://api.qhaigc.net/register?aff=bRxPDMXAPIhttps://www.dmxapi.com/register?aff=SW8x便携apihttps://api.bianxie.ai/register?aff=lwa6OpenRouterhttps://openrouter.