全球 AI 大模型推荐榜 2025：GLM‑4.5 vs Qwen3‑235B‑A22B 深度对比

OpenAI Codex 入门指南：AI 编程助手从安装到实战

如果你刚开始接触 AI 编程，面对各种工具和概念感到无从下手，那么 OpenAI 的 Codex 可能是你最好的起点。它不是一个需要你从零开始学习复杂命令行的编程环境，而是一个能直接理解你的自然语言指令，并帮你完成实际工作的 AI 助手。对于小白用户来说，最大的障碍往往不是理解 AI 的能力，而是如何让 AI 真正“动起来”，去处理你电脑里的文件、整理数据、甚至写代码。Codex 的设计核心就是解决这个问题：它像一个坐在你电脑里的实习生，你说需求，它来执行。 与 Claude Code 等同类工具相比，Co

EarthVerse：面向动态地球系统与自然灾害的科学智能体评测基准

地球系统分析需要从来源、尺度、时间、模态各不相同的观测数据中，反演动态物理过程。自然灾害场景下分析结果直接关系风险研判，证据缺失会严重改变灾害强度、暴露人口、物理机理的评估结果。本文提出EarthVerse评测基准，面向软件包封装式灾害调查任务对科学智能体开展评测。基准包含405个可复现任务，来源于199个真实灾害事件，覆盖19类灾害。智能体需要读取异构事件数据包，筛选匹配证据，执行可审计的计算，调和多源数据矛盾，并在最终输出中完整保留证据溯源。

Python量化交易实战：从零搭建数据分析与策略回测环境

这次我们来看一个面向零基础学习者的Python量化交易与数据分析实战教程。这套教程号称“30天学会”，内容覆盖从Python基础到量化策略实战的完整链路，目标是让学习者能够快速上手并具备就业能力。对于想要进入金融科技、量化分析或数据科学领域的新手来说，这类系统性的实战教程往往比零散的知识点更有价值。 教程的核心在于“实战”二字。它不局限于理论讲解，而是将Python编程、数据分析库（如Pandas、NumPy）、数据可视化（Matplotlib/Seaborn）、金融数据API调用、技术指标计算、策略回测框

2025年AI大模型巅峰对决：GLM-4.5与Qwen3-235B-A22B实战性能全解析

本文深度解析2025年AI大模型GLM-4.5与Qwen3-235B-A22B的实战性能，包括技术架构、推理速度、任务适应性及部署成本。GLM-4.5在MoE架构下显存占用低40%，而Qwen3-235B-A22B的动态路由机制在处理复杂任务时表现优异。两者在中文NLP、代码生成及多模态扩展能力上各有优势，为开发者提供全面参考。

【信息科学与工程学】【数据中心】第四十五篇 Volcano + HAMi + K8s + GPU 的运营调度01

plugins并发：predicates（资源/亲和）、gang（minMember）、drf/proportion（队列公平）、priority（优先级）、deviceshare（vgpu binpack/spread）、nodeorder（拓扑/NUMA/NVLink）、binpack（碎片最小化）；不对，3g.40gb占用40GB，两个就是80GB，再加1g.10gb超出。动态将2g.20gb拆成2个1g.10gb，3g.40gb拆成3个1g.10gb+1个3g.20gb（备用），满足全部需求。

手机安装Kali Linux

在数字化时代，信息安全和隐私保护显得尤为重要。，作为一款专业的和工具，因其强大的功能和丰富的资源库而受到广大安全研究者和爱好者的青睐。然而，我们通常只能在传统的电脑设备上安装和使用Kali Linux。那么，有没有可能将也变成一款随身携带的Kali Linux设备呢？答案是肯定的。本文将介绍如何在手机上安装Kali Linux，使你的手机变成一款强大的移动安全工具。，我们需要明确一点，手机安装Kali Linux并非简单的操作，需要对手机进行一定的改造和配置。

3dMax效率翻倍！用Octopus章鱼插件打造你的专属快捷菜单（附MaxScript入门指南）

本文详细介绍了如何利用Octopus插件和MaxScript脚本在3dMax中打造高效快捷菜单，显著提升三维建模与动画制作的工作效率。通过饼状菜单系统、自动化宏录制和脚本控制，用户可实现个性化工作流，节省大量操作时间。文章还提供了MaxScript入门指南，帮助开发者快速掌握这一强大工具。

TLS回调函数–一文看懂（详）

TLS回调函数 CTF RE

2026 具身智能 VLA/WAM 全栈学习与训练路线：从动作建模、SFT、RL 到世界模型的 RTX PRO 6000 96GB 单卡实战指南

我会把这张表做成“”而不是只列论文名：先核对每个模型截至的公开代码、训练目标和数据接口，再单独给你一套。对于没有公开、只有推理代码或训练细节不完整的模型，我会明确标出来，避免把“论文里提到”误写成“可复现”。目前有一个重要更新：。截至今天 NVIDIA 官方开源主线已经是换成 Cosmos-Reason2-2B/Qwen3-VL 架构，动作端仍是连续路线，而且官方明确给出单卡微调时默认只训练，峰值显存约。所以你的 96GB 单卡对 GR00T SFT 非常宽裕。可以。下面我按，把它整理成一张真正面向“

3分钟搞定！QQ音乐歌单导出Excel保姆级教程（含歌单ID获取技巧）

本文提供了一份详细的QQ音乐歌单导出Excel保姆级教程，帮助用户轻松备份和管理个人音乐收藏。教程核心在于获取歌单ID，并利用浏览器开发者工具执行脚本提取数据，最后通过Excel导入功能快速生成结构化表格。整个过程无需编程基础，3分钟即可搞定，是个人数据管理的实用技巧。

倾斜摄影与激光点云融合建模：Photoscan+ContextCapture避坑指南

本文详细解析了倾斜摄影与激光点云融合建模的技术流程，重点介绍了使用Agisoft Metashape（原Photoscan）与ContextCapture进行数据融合的实战指南。文章深入探讨了数据预处理、坐标系统一、空三计算策略及在ContextCapture中进行点云配准等关键步骤，旨在帮助从业者规避常见陷阱，高效构建兼具高精度几何与真实纹理的三维实景模型。

疫情数据分析的“核武器”！JHU CSSE COVID-19数据集超深度解析与实战指南（附代码）

在面对这场没有硝烟的战争时，除了医护人员在前线与病毒搏斗，还有一群默默的英雄——数据科学家和分析师，他们利用手中的“数据武器”，昼夜不停地监测、分析、预测疫情走势，为政府决策、资源调配、公众科普提供了至关重要的支撑。同时，由于某些国家（如美国、加拿大、澳大利亚、中国等）的数据细化到省/州级别，为了得到国家层面的总数据，我们需要按国家和日期进行聚合。正是在这样的背景下，经过这些步骤，我们已经得到了一个包含了累计数据、每日新增数据和活跃病例数的完整数据集，可以开始进行深入的分析和可视化了！

图像增强算法：基于Retinex的图像增强算法

该算法对图像的亮度和颜色进行分离处理，然后通过调整它们的比例来提高图像的质量。滤波后的图像将保留颜色信息，并减少图像中的噪声。接下来，Retinex算法使用一个高通滤波器对原始图像进行滤波处理，以增强图像中的亮度信息。通过使用Retinex增强算法，我们可以有效地提高图像的质量，增强图像中的细节和颜色信息。最后，Retinex算法通过将颜色恢复和亮度调整后的图像进行比例调整，以获得最终的增强图像。Retinex算法是一种常用的图像增强算法，它通过对图像的亮度和颜色进行调整，以提高图像的视觉质量。

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[](https://bitdeli.com/free "Bitdeli Badge")