GPT4o 具有以下能力： 音频方面： 比 Whisper large v3 更好地转录音频。 可以将音频整理成会议记录。 能够将音频从一种语言翻译成另一种语言。 可以总结音频。 从语音合成角度： 通过提示创建语音角色，包括说话的速度、情感等。 跨语音类型合成（语音克隆）。 进行长格式和短格式语音合成。 实现跨语言合成。 使用的标记数量减少了 2 3 倍，词汇量更大。 视觉方面： 生成更符合提示的图像。 总结视频。 创建 3D 资产。 进行光学字符识别等。 API 方面：与 GPT4turbo 对比，速度快 2 倍，价格减半，访问限制提高 5 倍。 在实际使用中，与 GPT 4.0 相比，GPT 4o 输出的长度有所提升，输出速度更快。在同样自然语言的情况下，之前用 GPT 4.0 要求写 5000 字的文章，只能做到 866 个字，中间还断了一次，而使用 GPT 4o 输出了 1182 个字，一气呵成。在国际数学奥林匹克竞赛（IMO）的资格考试中，GPT4o 仅正确解决了 13%的问题，而推理模型得分为 83%。其编码能力在比赛中达到了 Codeforces 比赛的第 89 个百分位。但作为早期模型，它还不具备使 ChatGPT 实用的许多功能，如浏览网页获取信息以及上传文件和图像。在许多常见情况下，GPT4o 在短期内更有能力。

在 AI 领域中，Agent 是连接模型与应用的关键。端侧 Agents 是在终端设备上自主运行的智能代理程序，具备感知、决策、执行的闭环能力。 Agent 之所以重要，原因包括：端侧资源约束要求最优化使用，任务具有复杂性，生态存在多样性，双系统路线更适合端侧。 Agent 创造价值的方式体现在双重价值实现：一是资源优化，包括任务分解、按需调用；二是生态连接，比如跨应用协作、UI 理解。 其发展趋势包括：技术上从单一模型到多智能体协作；生态上从封闭应用到开放服务；交互上从指令执行到场景理解。 在技术层面，AI Agent 的发展出现了两条技术路线：一是以自主决策为核心的 LLM 控制流，二是以工作流（Workflow）编排为重点的工具集成系统。 特别值得关注的是 Anthropic 提出的 MCP（Model Context Protocol），它的本质是一个通用接口协议，试图解决让 AI 模型能够以标准化、可扩展的方式与外部世界交互的问题。 此外，还有 Agent Protocol 这种用于与 AI 代理进行通信的统一接口，它提供了一种 API 规范，任何代理开发者都可以实现该协议，设计简单且不依赖特定技术栈，有助于生态系统发展和简化集成，并提供了不同语言的 SDK 供开发者使用。

以下是关于清华大学与 DeepSeek 相关的公开课信息： 2 月 7 日，清华大学新闻与传播学院新媒体研究中心出品了《》，详细阐述了 DeepSeek 的功能，包括智能对话、文本生成、代码生成、自然语言理解等，并探讨了如何使用 DeepSeek，包括推理模型与通用模型的区别、提示语设计策略以及如何从入门到精通。文章还介绍了提示语设计的核心技能、常见陷阱及应对方法，旨在帮助用户更好地掌握 AI 工具的使用，提升工作效率和创新能力。 2 月 18 日，清华大学沈少阳发布了《》

以下是关于 deepseek 的相关信息： DeepSeek 开源了，在 LMSYS Chatbot Arena 排行榜上总排名 11 超过了所有开源模型。 阿里云 DeepSeek 智能体课程分两天，今天讲阿里云百炼，明天讲派平台，重点是智能体搭建、快速使用 DeepSeek 等，明天还会讲本地化部署中的蒸馏数据等线下未讲的内容。今天课程对电脑配置要求低，适合硬件资源投入少的人，且是手把手教程，难度不大。 社区是全国最大的开源 AI 知识库社区，用户量达 138 万多，首页访问次数超 200 万，强调共同学习、共创的价值观。 DeepSeek 模型功能包括自然语言处理、翻译与转换、文本生成与创作、知识和推理等，可用于多种场景，如文本摘要、格式转换等。其爆火原因包括能力强，在竞赛题等方面表现出色；国内能用，效果惊艳；开源免费，成本低；突破算力封锁，能在国内短缺 GPU 情况下训练出超一流模型。 2 月 23 日有 AI 切磋大会第十期 2 月 23 日 deepseek 专场，线下 16 个城市活动开始报名，活动报名链接为 https://waytoagi.feishu.cn/share/base/form/shrcnWlc12pvQQmx21mTZNEJ83d 。 2 月 22 日，英伟达 CEO 黄仁勋在 Beyond 大会上首次就近期引发全球 AI 圈热议的中国企业 DeepSeek 发表了看法。 欢迎向社区投稿关于 AI 技术探讨与分析、实践经验与案例分享、行业动态与趋势观察、开发心得与技术教程等内容，要求原创、严谨、有深度，配图说明更佳，观点明确，结构清晰，建议字数 1500 5000 字，提交后 2 3 工作日反馈，必要时沟通修改建议，优质内容将收录知识库。更多内容请前往 。

以下是关于 AI 编程的相关信息： Trae 国内版 是国内首个 AI IDE，自带豆包 1.5pro 和满血版 DeepSeek R1、V3 模型。 具有国内用户友好、使用完全免费、内置预览插件等特性。 网址：Trae.com.cn 或点击文末【阅读原文】直接访问。 借助 AI 学习编程的关键 打通学习与反馈循环，包括验证环境、建立信心、理解基本概念，实现“理解→实践→问题解决→加深理解”的循环。 使用流行语言和框架，先运行再优化，小步迭代，借助 AI 生成代码后请求注释或解释，遇到问题三步走：复现、精确描述、回滚。 用好 AI 编程工具（如 Cursor）的关键技能 准确描述需求，清晰表达目标和问题。 具备架构能力，将复杂系统拆解为松耦合的模块。 拥有专业编程能力，能够判断 AI 生成代码的优劣。 具备调试能力，快速定位问题并解决，可独立或借助 AI 完成调试。

以下是手把手创建智能体的详细步骤： 1. 创建智能体：使用单 Agent 对话流模式。 编排对话流：点击创建新的对话流并与智能体关联。在获取笔记详情节点和笔记评论节点分别配置 cookie，note_link 使用开始节点的 USER_INPUT。 数据处理：使用代码节点对两个插件获取的结果进行处理，注意代码节点输出的配置格式。 测试：找到一篇小红书笔记，在对话窗口输入地址试运行对话流，同时在智能体的编排页面进行测试，确保对话流执行成功。 发布：选择多维表格，进行配置。输出类型选文本，输入类型选字段选择器。完善上架信息，填写表格，选发布范围时可仅自己可用以加快审核。提交上架信息后，返回配置界面显示已完成即可最终提交。 2. 搭建智能体：创建智能体，输入人设等信息，放上创建的工作流。注意工作流中【所有视频片段拼接】节点使用的插件 api_token 填自己的 token 时不能直接发布，可将其作为工作流最开始的输入，让用户购买后输入再发布。 3. 开通阿里云百炼满血版 DeepSeek： 在模型广场找到 DeepSeekR1 并授权。 可看到免费的 100w 额度和已使用量，过期未用则浪费。此模型为阿里云自主部署，推理优化强，性能优于多数本地部署版本。还有免费的蒸馏版 R1 模型，同样 100w token，可在首页或直接体验使用，也可进行模型效果对比或用 API 调用。 百炼应用开发新增模板，可从模板学习应用搭建。 联网搜索简单方便，直接配置即可，结合 Deepseekr1 更强大。 新鲜的动态 few shot 小技巧可用于修正模型某些任务的表现。 用工作流让不同模型在同一任务创作。

使用 AI 分析直播数据可以参考以下方法和步骤： 1. 市场分析：利用 AI 分析工具研究市场趋势、消费者行为和竞争对手情况，处理大量数据以获取关键信息，如受欢迎的产品、价格区间、销量等。 2. 关键词优化：借助 AI 分析和推荐高流量、高转化的关键词，优化产品标题和描述，提高搜索排名和可见度。 3. 产品页面设计：使用 AI 设计工具根据市场趋势和用户偏好自动生成吸引人的产品页面布局。 4. 内容生成：利用 AI 文案工具撰写有说服力的产品描述和营销文案，提高转化率。 5. 图像识别和优化：通过 AI 图像识别技术选择或生成高质量的产品图片，展示产品特点。 6. 价格策略：依靠 AI 分析不同价格点对销量的影响，制定有竞争力的价格策略。 7. 客户反馈分析：利用 AI 分析客户评价和反馈，了解客户需求，优化产品和服务。 8. 个性化推荐：借助 AI 根据用户的购买历史和偏好提供个性化的产品推荐，增加销售额。 9. 聊天机器人：使用 AI 驱动的聊天机器人提供 24/7 的客户服务，解答疑问，提高客户满意度。 10. 营销活动分析：依靠 AI 分析不同营销活动的效果，了解哪些活动更能吸引顾客并产生销售。 11. 库存管理：利用 AI 帮助预测需求，优化库存管理，减少积压和缺货情况。 12. 支付和交易优化：通过 AI 分析不同的支付方式对交易成功率的影响，优化支付流程。 13. 社交媒体营销：借助 AI 在社交媒体上找到目标客户群体，通过精准营销提高品牌知名度。 14. 直播和视频营销：利用 AI 分析观众行为，优化直播和视频内容，提高观众参与度和转化率。 罗文在直播数据分析方面的分享包括： 1. 演示了利用工作流进行直播数据处理及智能体创建参赛的过程，包括利用插件识别图片内容获取直播数据，将数据传入大模型得到优化建议，通过不断添加节点提升数据质量，最后将工作流封装成智能体。 2. 讨论了利用 AI 优化模板并提交的直播数据分析流程，包括模板内容的编写与注意事项，还介绍了飞书的功能如共学小组和其智能 AI 功能，分享了直播数据分析模板的制作过程，最后提及了模板大赛相关问题、专业版好用之处等。 3. 提到了直播数据分析工作流的搭建与应用，包括插件测试与选择、工作流搭建步骤、工作流效果提升、工作流封装与应用、相关问题探讨等。 4. 介绍了直播数据分析与报名流程，包括工作流运行与问题排查、报名流程介绍、AI 辅助文档生成、加入共学小组等内容。

ChatGPT4o 背后的技术革新具有重要意义。人类的感知多样，仅靠语言描述世界远远不够，多模态理解非常有用，能更全面学习世界、理解人类需求等。2023 年 9 月 GPT4v 发布，将大语言模型竞赛带入多模态模型时代，如 ChatGPT 能看图说话、画图，Google 的 Gemini 支持多种模态，但 OpenAI 常抢先发布。今年 5 月 OpenAI 发布 GPT4o，向智能体方向迈进，其是之前技术的集大成者，通过端到端神经网络混合训练视觉、语音和文本数据，平均音频输入反应时间为 300 毫秒，能感悟人类表达的情绪等。OpenAI 未公开 GPT4o 技术细节，唯一线索来自内部炼丹师的博客 AudioLM。此外，GPT4 是 OpenAI 的多模态工具，在编程任务中表现出色，ChatGPT 是用户友好界面，可与高级语言模型交互。2024 年 5 月 14 日 OpenAI 发布 GPT4o，效率高、价格降低、延迟缩短。9 月 16 日 OpenAI 推出 o1 系列模型，在复杂任务中表现优异，o1mini 适合编码任务，两个模型已在 ChatGPT 中提供，有免费或收费版本。

以下是关于提示词使用方法的详细介绍： 一、什么是提示词 提示词用于描绘您想要的画面。在星流一站式 AI 设计工具中，不同的基础模型对输入语言有不同要求。通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（如“一个长头发的金发女孩”），基础模型 1.5 使用单个词组（如“女孩、金发、长头发”），且支持中英文输入。启用提示词优化后，能帮您扩展提示词，更生动地描述画面内容。 二、如何写好提示词 1. 预设词组：小白用户可以点击提示词上方的官方预设词组进行生图。 2. 提示词内容准确：包含人物主体、风格、场景特点、环境光照、画面构图、画质等，例如“一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量”。 3. 调整负面提示词：点击提示框下方的齿轮按钮，弹出负面提示词框。负面提示词可以帮助 AI 理解我们不想生成的内容，如“不好的质量、低像素、模糊、水印”。 4. 利用“加权重”功能：可在功能框增加提示词，并进行加权重调节，权重数值越大，越优先。还可以对已有的提示词权重进行编辑。 5. 辅助功能：包括翻译功能（一键将提示词翻译成英文）、删除所有提示词（清空提示词框）、会员加速（加速图像生图速度，提升效率）。 三、提示词语法 根据自己想画的内容写出提示词，多个提示词之间使用英文半角符号将权重降低至原先的 90.91%”“字符”。 四、如何学习提示词运用 提示词在现代大型语言模型中极其重要，掌握其运用技巧能最大限度发挥模型潜能。学习提示词运用的建议如下： 1. 理解提示词的作用：提示词向模型提供上下文和指示，其质量直接影响模型输出质量。 2. 学习提示词的构建技巧：明确任务目标，用简洁准确的语言描述，给予足够背景信息和示例，使用清晰指令，对特殊要求明确指示。 3. 参考优秀案例：研究和学习已有的优秀提示词案例，可在领域社区、Github 等资源中查找。 4. 实践、迭代、优化：多与语言模型互动，根据输出提高提示词质量，尝试各种变体，比较分析输出差异，持续优化。 5. 活用提示工程工具：如 Anthropic 的 Constitutional AI 等。 6. 跟上前沿研究：提示工程是前沿研究领域之一，持续关注最新研究成果和方法论。精心设计的提示词能最大限度发挥语言模型的潜力，多实践、多学习、多总结，终可掌握窍门。

以下是关于图片提取文字的相关信息： 输入模块设计： 能够处理各种格式的文档输入，包括 PDF、Word、Excel、网页等，并转换成可解析的结构化文本。 支持多种文件格式，如 PDF、Word、Excel、TXT 等。对于图片，可借助 OCR 工具进行文本提取，例如开放平台工具：。 网页可使用网页爬虫工具（如 Scrapy、BeautifulSoup、Selenium）抓取网页中的文本和表格数据，通过解析 HTML 的 DOM 结构提取目标数据（平台暂无工具）。 多模态技术： 可以从图像中提取文本，使从表情包或文档扫描中提取文本成为可能，还能理解图像或视频中发生的事情，识别物体、场景甚至情绪。 0 基础手搓 AI 拍立得的实现工作流： 包括上传输入图片、理解图片信息并提取图片中的文本内容信息、场景提示词优化/图像风格化处理、返回文本/图像结果。 零代码版本选择了 Coze 平台，搭建流程时主要关注上传图片（将本地图片转换为在线 OSS 存储的 URL 以便在平台中调用）、插件封装（将图片理解大模型和图片 OCR 封装为工作流插件实现便捷调用）等步骤。