利用大模型训练自己的机器人可以参考以下内容： OpenAI 通用人工智能（AGI）的计划显示，在互联网上所有的图像和视频数据上训练一个与人类大脑大小相当的 AI 模型，将足以处理复杂的机器人学任务。常识推理隐藏在视频和文本数据中，专注于文本的 GPT4 在常识推理上表现出色。Google 最近的例子展示了机器人学能力可从大型视觉/语言模型中学习，在语言和视觉训练基础上，只需最少的机器人学数据，视觉和文本任务的知识就能转移到机器人学任务上。特斯拉训练的“Optimus”通过人类示范学习抓取物体，若人类示范是先进机器人学性能所需的一切，在互联网上所有视频上训练的大模型肯定能实现惊人的机器人学性能。 梦飞提供了在自己的电脑上部署 COW 微信机器人项目的教程，程序在本地运行，若关掉窗口进程结束，想持续使用需保持窗口打开和运行。以 Windows10 系统为例，注册大模型可参考百炼首页：https://bailian.console.aliyun.com/ ，需更改"model"和添加"dashscope_api_key"，获取 key 可参考视频教程。 张梦飞提供了从 LLM 大语言模型、知识库到微信机器人的全本地部署教程，部署大语言模型包括下载并安装 Ollama，根据电脑系统下载：https://ollama.com/download ，安装完成后将下方地址复制进浏览器中确认安装完成：http://127.0.0.1:11434/ 。下载 qwen2:0.5b 模型，Windows 电脑按 win+R 输入 cmd 回车，Mac 电脑通过 Command（⌘）+Space 键打开 Spotlight 搜索输入“Terminal”或“终端”，复制命令行粘贴回车等待下载完成。

新手学习 AI 可以参考以下步骤： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。 掌握提示词的技巧，其上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 对于中学生学习 AI，建议如下： 1. 从编程语言入手学习： 可以从 Python、JavaScript 等编程语言开始，学习编程语法、数据结构、算法等基础知识，为后续的 AI 学习打下基础。 2. 尝试使用 AI 工具和平台： 可以使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。 探索一些面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识： 了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等。 学习 AI 在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目： 参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动。 尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 5. 关注 AI 发展的前沿动态： 关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展。 思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

目前针对使用 AI 工具帮助小学生建立学习习惯、管理学习以及进行学习习惯统计管理，暂时没有相关的具体内容。但可以考虑以下思路： 1. 利用智能学习软件，这类软件可以根据小学生的学习进度和表现制定个性化的学习计划，并进行学习时间的管理和提醒。 2. 借助具有语音交互功能的 AI 助手，鼓励小学生通过与它交流来分享学习心得和困惑，从而培养良好的学习反思习惯。 3. 运用一些具备学习数据统计分析功能的工具，帮助家长和老师了解小学生的学习行为模式，以便针对性地进行引导和纠正。 需要注意的是，在使用 AI 工具时，要确保其内容适合小学生的年龄和认知水平，同时也要关注使用时间，避免过度依赖。

以下是关于 AI 生产骨骼动画的相关信息： 在 AI 创作方面，有以下一些案例和工具： 晨然的作品《Devices》：使用 Blender 制作白模动画，导出深度图、线框图帧序列，使用 ComfyUI 进行风格迥异的渲染。传统工作流在可控性中寻找创新的随机性，而 AI 工作流更多是在随机性中寻找可控性，需要思考如何平衡可控性与不可控性。 VIGGLE：这是一款创新的可控视频生成平台，基于 JST1 技术，允许用户自由创建和控制 3D 角色的动作。Viggle AI 是一款利用骨骼动画将图片转化为一致性角色动画的工具，简化了动画制作流程。操作时需注意上传任意尺寸的角色图像，为获得更好效果，使用背景干净的全身照片，图像大小最大 10MB，上传的照片必须符合社区规则。体验地址：https://www.viggle.ai/ 官方 Discord：https://discord.gg/viggle 腾讯推出的「AI 全流程 3D 工厂」：基于开源的 Hunyuan3D1 模型，支持从文本生成 3D 模型，并提供丰富的后处理功能，如骨骼绑定、动画生成和 PBR 贴图。新发布的 Hunyuan3D2 模型提升了生成精度，并支持低多边形和自定义渲染。该平台还允许用户构建个性化的 3D 生成工作流，为游戏开发和内容创作提供了高效解决方案。

以下是关于 AI 小说的相关教程： 将小说制作成视频的流程： 1. 小说内容分析：使用 AI 工具（如 ChatGPT）分析小说内容，提取关键场景、角色和情节。 2. 生成角色与场景描述：根据小说内容，使用工具（如 Stable Diffusion 或 Midjourney）生成角色和场景的视觉描述。 3. 图像生成：使用 AI 图像生成工具根据描述创建角色和场景的图像。 4. 视频脚本制作：将提取的关键点和生成的图像组合成视频脚本。 5. 音频制作：利用 AI 配音工具（如 Adobe Firefly）将小说文本转换为语音，添加背景音乐和音效。 6. 视频编辑与合成：使用视频编辑软件（如 Clipfly 或 VEED.IO）将图像、音频和文字合成为视频。 7. 后期处理：对生成的视频进行剪辑、添加特效和转场，以提高视频质量。 8. 审阅与调整：观看生成的视频，根据需要进行调整，比如重新编辑某些场景或调整音频。 9. 输出与分享：完成所有编辑后，输出最终视频，并在所需平台上分享。 请注意，具体的操作步骤和所需工具可能会根据项目的具体需求和个人偏好有所不同。此外，AI 工具的可用性和功能也可能会随时间而变化，建议直接访问上述提供的工具网址获取最新信息和使用指南。 用 coze 写起点爆款小说《夜无疆》的工作流： 1. 用 bing 搜索这个标题相关的内容。 2. 用程序将搜索结果结构化（这一步有一定的提升效果，但是不重要，不熟悉程序的可以忽略，或者往下翻直接复制稳重的代码）。 3. 用大模型草拟大纲：标题、主旨、世界观、主要角色、小说背景、情节概要。 4. 再用大模型来写文章。 5. 输出文章内容。 基于《救猫咪》的 AI 辅助小说工作流的一些观点： 1. 阅读感受方面，要警惕高概念电影，套路化叙事易腻，应追求票房与深度的平衡。同时要考虑两类观众，专业观众的差评可能阻碍传播。 2. 小说和剧本有区别，电影剧本更强调画面感和拍摄成本，小说对白是交代情节的重要渠道。 3. 一些创作原则并非绝对，如别让媒体搅合、为演员写角色、双重魔幻等。 4. 不适合写群像戏和现实主义题材，书中框架复杂度不够高，神来之笔往往难以提前设计。

以下是一些成熟的人工智能大模型及其功能和链接： 百度（文心一言）：https://wenxin.baidu.com 。 抖音（云雀大模型）：https://www.doubao.com 。 智谱 AI（GLM 大模型）：https://chatglm.cn 。 中科院（紫东太初大模型）：https://xihe.mindspore.cn 。 百川智能（百川大模型）：https://www.baichuanai.com/ 。 商汤（日日新大模型）：https://www.sensetime.com/ 。 MiniMax（ABAB 大模型）：https://api.minimax.chat 。 上海人工智能实验室（书生通用大模型）：https://internai.org.cn 。 在这些大模型中： 能生成 Markdown 格式的：智谱清言、商量 Sensechat、MiniMax 。 目前不能进行自然语言交流的：昇思、书生 。 受限制使用：MiniMax（无法对生成的文本进行复制输出，且只有 15 元的预充值额度进行体验，完成企业认证后可以进行充值） 。 特色功能：昇思——生图，MiniMax——语音合成 。 此外，还有其他一些大模型： OpenAI 系统：包括 3.5 和 4.0 版本，一个新的变种使用插件连接到互联网和其他应用程序。Code Interpreter 是一个非常强大的 ChatGPT 版本，可以运行 Python 程序。如果未为 OpenAI 付费，只能使用 3.5 。除了插件变种和一个暂时停用的带有浏览功能的 GPT4 版本之外，这些模型都没有连接到互联网。微软的 Bing 使用 4 和 3.5 的混合，通常是 GPT4 家族中首个推出新功能的模型，例如可以创建和查看图像，且可以在网页浏览器中阅读文档，并连接到互联网。 谷歌：一直在测试自己的人工智能 Bard，由各种基础模型驱动，最近是一个名叫 PaLM 2 的模型。 Anthropic：发布了 Claude 2，其最值得注意的是有一个非常大的上下文窗口，本质上是 LLM 的记忆。Claude 几乎可以保存一整本书或许多 PDF，与其他大型语言模型相比，它不太可能恶意行事。

AI 正在多个领域带来改变： 1. 在编码方面，AI 正在逐渐取代构建和更改软件时的繁琐过程，带来轻盈和控制。例如，Cursor 致力于创建一个神奇的工具，以引领这一转变，期望有朝一日能编写世界上所有的软件。 2. 在医疗保健领域，AI 有望不可逆转地改变预防和治疗疾病的方式。但为了在该领域产生真正的改变，应投资创建像优秀医生和药物开发者那样学习的模型生态系统。例如，通过学校教育和经验积累，培养在复杂情况下确定最佳答案的直觉，就像医学生从基础课程开始逐步深入学习一样。 3. 对于个人而言，AI 能扩大个人的能力范围，比如可以自行发现需求、产生方案、验证方案并解决需求。例如在开发 AI双语字幕时，通过一系列步骤和借助 GPT 生成新的双语字幕文件。

很抱歉，目前知识库中没有关于“UNET 加载器无法加载”的具体情况说明。但一般来说，UNET 加载器无法加载可能有以下几种常见原因： 1. 网络问题：网络连接不稳定或中断可能导致加载失败。 2. 资源路径错误：加载器所指定的资源路径不正确，无法找到要加载的文件。 3. 版本不兼容：UNET 加载器的版本与要加载的内容版本不匹配。 4. 权限问题：当前用户没有足够的权限来访问和加载相关资源。 5. 资源损坏：要加载的文件本身可能已损坏或不完整。 您可以进一步检查以上方面，以确定具体的问题所在。

以下是关于数据集的相关信息： 厚德云创建数据集及 Lora 训练步骤： 步骤一·创建数据集 在数据集一栏中，点击右上角创建数据集。 输入数据集名称。 可以上传包含图片+标签 txt 的 zip 文件，也可以只有图片没有打标文件（之后可在 C 站使用自动打标功能），建议提前把图片和标签打包成 zip 上传。 Zip 文件里图片名称与标签文件应当匹配，例如：图片名“1.png”，对应的达标文件就叫“1.txt”。 上传 zip 以后等待一段时间，确认创建数据集。返回到上一个页面，等待一段时间后就会上传成功，可以点击详情检查，可预览到数据集的图片以及对应的标签。 步骤二·Lora 训练 点击 Flux，基础模型会默认是 FLUX 1.0D 版本。 选择数据集，点击右侧箭头，会跳出所有上传过的数据集。 触发词可有可无，取决于数据集是否有触发词。模型效果预览提示词则随机抽取一个数据集中的标签填入即可。 训练参数这里可以调节重复次数与训练轮数，厚德云会自动计算训练步数。如果不知道如何设置，可以默认 20 重复次数和 10 轮训练轮数。 可以按需求选择是否加速，点击开始训练，会显示所需要消耗的算力。 然后就可以等待训练，会显示预览时间和进度条。训练完成的会显示出每一轮的预览图。鼠标悬浮到想要的轮次模型，中间会有个生图，点击会自动跳转到使用此 lora 生图的界面。点击下方的下载按钮则会自动下载到本地。 中文数据集： |ID|标题|更新日期|数据集提供者|许可|说明|关键字|类别|论文地址|备注| ||||||||||| |1||42856|北京极目云健康科技有限公司||数据来源于其云医院平台的真实电子病历数据，共计 800 条（单个病人单次就诊记录），经脱敏处理|电子病历|命名实体识别|\\|中文| |2||2018 年|医渡云（北京）技术有限公司||CCKS2018 的电子病历命名实体识别的评测任务提供了 600 份标注好的电子病历文本，共需识别含解剖部位、独立症状、症状描述、手术和药物五类实体|电子病历|命名实体识别|\\|中文| |3||\\|MSRA||数据来源于 MSRA，标注形式为 BIO，共有 46365 条语料|Msra|命名实体识别|\\|中文| |4||35796|人民日报||数据来源为 98 年人民日报，标注形式为 BIO，共有 23061 条语料|98 人民日报|命名实体识别|\\|中文| |5||\\|玻森数据||数据来源为 Boson，标注形式为 BMEO,共有 2000 条语料|Boson|命名实体识别|\\|中文| Llama3 数据集相关： 大模型微调需要使用数据集，数据集是让大模型重新学习的知识。数据集的获取以及简单的原理可以参考文档： 数据集：json 下载地址： 有了数据集，就可以使用代码进行微调。首先把数据集上传到服务器，然后编写微调代码、执行微调代码，大概 15 分钟左右就可以微调完成。

FLUX 模型的放置位置如下： FLUX.1等版本的模型应放在 ComfyUI/models/unet/文件夹中。如果爆显存了，“UNET 加载器”节点中的 weight_dtype 可以控制模型中权重使用的数据类型，设置为 fp8 可降低显存使用量，但可能会稍降质量，默认的 weight_type 显存使用较大。 t5xxl_fp16.safetensors 和 clip_l.safetensors 应放在 ComfyUI/models/clip/文件夹里面。可以使用 t5xxl_fp8_e4m3fn.safetensors 来降低内存使用率，若有超过 32GB 内存，建议使用 fp16。 下载的 Vae 模型应放入 ComfyUI/models/vae 文件夹。 同时，以下模型也有对应的放置位置： flux1dev.safetensors 放在 ComfyUI/models/unet/目录下。 t5xxl_fp16.safetensors 和 clip_l.safetensors 放在 ComfyUI/models/clip/目录下。 ae.safetensors 放在 ComfyUI/models/vae/目录下。 flux1dev.safetensors 是底模，ae.safetensors 是 VAE，clip_l.safetensors 和 t5xxl_fp16.safetensors 是关于文字语言编码。