SVM（支持向量机）和神经网络在以下方面存在区别： 1. 原理和模型结构： SVM 基于寻找能够最大化分类间隔的超平面来进行分类或回归任务。 神经网络则是通过构建多层神经元组成的网络结构，通过神经元之间的连接权重和激活函数来学习数据的特征和模式。 2. 数据处理能力： SVM 在处理小样本、高维度数据时表现较好。 神经网络通常更适合处理大规模数据。 3. 模型复杂度： SVM 相对较简单，参数较少。 神经网络结构复杂，参数众多。 4. 对特征工程的依赖： SVM 对特征工程的依赖程度较高。 神经网络能够自动从数据中学习特征。 5. 应用场景： 在图像识别、语音识别、机器翻译等领域，神经网络占据主导地位。 SVM 在一些特定的小数据集或特定问题上仍有应用。

如果您在使用 DeepSeek 网页端时总是出现“服务器繁忙，请稍后再试”的提示（使用的是 Macbook），可以尝试以下方法： 1. 安装插件：使用 Chrome 或 Microsoft Edge 浏览器，点击此链接安装浏览器插件，添加到拓展程序：https://chromewebstore.google.com/detail/pageassist%E6%9C%AC%E5%9C%B0ai%E6%A8%A1%E5%9E%8B%E7%9A%84web/jfgfiigpkhlkbnfnbobbkinehhfdhndo 。然后打开聊天页面，点击右上角的插件列表，找到 Page Assist 插件，点击打开。 2. 配置“DeepSeekR1”模型的 API key：基础 URL：https://ark.cnbeijing.volces.com/api/v3 ，填好之后，点击保存，关掉提醒弹窗。添加“DeepSeekR1”模型。 3. 如果上述方法不行，还可以尝试以下替代网站： 秘塔搜索:https://metaso.cn 360 纳米 Al 搜索:https://www.n.cn/ 硅基流动:https://siliconflow.cn/zhcn/ 字节跳动火山擎:https://console.partner.volcengine.com/auth/login?redirectURI=%2Fpartner%2F5. 百度云千帆:https://login.bce.baidu.com/ 英伟达:https://build.nvidia.com/deepseekai/deepseekr1 Groq:https://groq.com/ Chutes:https://chutes.ai/app 阿里云百炼:https://api.together.ai/playground/chat/deepseekai/DeepSeekR1 Github:https://github.com/marketplace/models/azuremldeepseek/DeepSeekR1/playground POE:https://poe.com/DeepSeekR1 Cursor:https://cursor.sh/ Monica:https://monica.im/invitation?c=ACZ7WJJ9 Lambda:https://lambdalabscom/6 Cerebras:https://cerebras.ai Perplexity:https://www.perplexity.ai 阿里云百炼:https://api.together.ai/playground/chat/deepseekai/DeepSeekR1

如果在 DeepSeek 网页端使用时总是出现“服务器繁忙，请稍后再试”的情况，您可以尝试以下方法： 1. 安装插件：使用 Chrome 或 Microsoft Edge 浏览器，点击此链接，安装浏览器插件，添加到拓展程序：https://chromewebstore.google.com/detail/pageassist%E6%9C%AC%E5%9C%B0ai%E6%A8%A1%E5%9E%8B%E7%9A%84web/jfgfiigpkhlkbnfnbobbkinehhfdhndo 。然后打开聊天页面，点击右上角的插件列表，找到 Page Assist 插件，点击打开。 2. 配置“DeepSeekR1”模型的 API key：基础 URL：https://ark.cnbeijing.volces.com/api/v3 ，填好之后，点击保存，关掉提醒弹窗。添加“DeepSeekR1”模型。 3. 如果上述方法不行，您还可以尝试以下替代网站： 秘塔搜索:https://metaso.cn 360 纳米 Al 搜索:https://www.n.cn/ 硅基流动:https://siliconflow.cn/zhcn/ 字节跳动火山擎:https://console.partner.volcengine.com/auth/login?redirectURI=%2Fpartner%2F5. 百度云千帆:https://login.bce.baidu.com/ 英伟达:https://build.nvidia.com/deepseekai/deepseekr1 Groq:https://groq.com/ Chutes:https://chutes.ai/app 阿里云百炼:https://api.together.ai/playground/chat/deepseekai/DeepSeekR1 Github:https://github.com/marketplace/models/azuremldeepseek/DeepSeekR1/playground POE:https://poe.com/DeepSeekR1 Cursor:https://cursor.sh/ Monica:https://monica.im/invitation?c=ACZ7WJJ9 Lambda:https://lambdalabscom/6 Cerebras:https://cerebras.ai Perplexity:https://www.perplexity.ai 阿里云百炼:https://api.together.ai/playground/chat/deepseekai/DeepSeekR1 需要注意的是，部分网站可能需要特殊网络环境。

大模型和小模型的区别与联系如下： 区别： 类型：大模型主要分为大型语言模型和大型多模态模型，前者专注于处理和生成文本信息，后者能处理包括文本、图片、音频等多种类型的信息。 应用场景：大型语言模型主要用于自然语言处理任务，如文本翻译、文本生成、情感分析等；大型多模态模型可应用于图像识别与描述、视频分析、语音识别与生成等更广泛的领域。 数据需求：大型语言模型主要依赖大量文本数据训练，大型多模态模型则需要多种类型的数据，包括文本、图片、音频等。 功能：小模型通常被设计来完成特定任务，如专门识别猫或狗；大模型像多功能的基础平台，能处理多种不同任务，应用范围广泛，拥有更多通识知识。 联系： 相对比较：小模型是相对于大模型的规模而言较小。 共同作用：在不同场景中发挥各自的优势，共同为解决问题提供支持。 在 AI 绘图模型中，大模型如同主菜或主食，小模型（Lora）如同佐料或调料包，Lora 能帮助快速实现特定风格或角色的绘制，且大模型和 Lora 要基于同一个基础模型才能搭配使用，以生成各种风格的图片。

以下是关于 Chatbox 和 Github 热门提示词框架扩展的相关内容： Chatbox 的 Apply 应用： 在我们的中可阅读更多关于如何构建即时申请的信息。 Cursor 的 Apply 允许您将聊天中的代码块建议快速集成到您的代码中。要应用代码块建议，可按每个聊天代码块右上角的播放按钮。由于在 Chat 中可以添加最多的上下文并与模型进行最多的来回交流，因此建议使用 Chat+Apply 进行更复杂的 AI 驱动的代码更改。 应用代码块后，您可以浏览差异并接受或拒绝更改。您也可以点击聊天代码块右上角的“接受”或“拒绝”按钮。Ctrl/⌘Enter 键接受，Ctrl/⌘Backspace 键拒绝。 大雨：Github 热门提示词框架扩展： 缘起：结构化的提示词能让交流更顺畅并易得到想要的结果，但框架多且记不住、查找负担大，所以想到用浏览器插件辅助解决。 效果展示：在 GPT 的聊天对话框中会出现小对话框，通过下拉框选择框架、填写内容并发送。好处是降低了使用框架的难度。 安装步骤：先安装 tampmonkey，新建空白脚本并粘贴代码。 使用说明：其逻辑是通过动态加载 github 上的 json 文件创建页面，json 文件是框架的字段。后续可不断加 json 文件，代码开源，可在 github 上 fork 并修改 frameworks 内容。更全面的框架应用可参考。

以下是学习 AI 普及性课程的建议： 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，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 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，了解它们的工作原理和交互方式。 此外，如果您对特定的 AI 课程感兴趣，比如“野菩萨”的课程： 1. 预习周课程：包括 AI 绘画电脑配置要求、高效 AIGC 创意者的数字人工具包、SD 插件安装方法、画静为动的 AIGC 视频制作讲解等。 2. 基础操作课：涵盖 AI 绘画通识课、AI 摄影虚拟的真实、AI 电影 穿越的大门等内容。 3. 核心范式课程：涉及词汇的纸牌屋、核心范式应用、控制随机性等方面。 4. SD WebUi 体系课程：包括 SD 基础部署、SD 文生图、图生图、局部重绘等。 5. ChatGPT 体系课程：有 ChatGPT 基础、核心 文风、格式、思维模型等内容。 6. ComfyUI 与 AI 动画课程：包含部署和基本概念、基础工作流搭建、动画工作流搭建等。 7. 应对 SORA 的视听语言课程：涉及通识 欢迎参加电影的葬礼、影像赏析、基础戏剧影视文学等。 如果想要免费获得这门课程，可以来参与 video battle，每期的 video battle 的评委野菩萨老师都非常严格，需要寓意深度审美并存。获胜者将获得相应奖励，包括冠军奖励 4980 课程一份、亚军奖励 3980 课程一份、季军奖励 1980 课程一份、入围奖励 598 野神殿门票一张。您可以扫码添加菩萨老师助理，了解更多课程信息。

以下是关于新手学习 AI 的建议： 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（比如图像、音乐、视频等），根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，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，了解它们的工作原理和交互方式。 6. 对于中学生学习 AI 的建议： 从编程语言入手学习，如 Python、JavaScript 等，学习编程语法、数据结构、算法等基础知识。 尝试使用 AI 工具和平台，如 ChatGPT、Midjourney 等，探索面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 学习 AI 基础知识，包括基本概念、发展历程、主要技术如机器学习、深度学习等，以及在教育、医疗、金融等领域的应用案例。 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。 关注 AI 发展的前沿动态，关注权威媒体和学者，思考 AI 技术对未来社会的影响。 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。

目前市面上有以下一些可以免费创建并训练大模型以满足个人需求的途径： 1. 免费云服务器： 阿里、腾讯对新用户提供免费试用服务器，如腾讯云的。服务器系统配置可选择【宝塔】系统。 2. 免费大模型接口： 阿里的接口，创建 API key 即可。 也有免费接口，但国内大模型通常限制一定免费额度的 Token。 谷歌的来学习如何给服务器科学上网及使用海外版 Coze。 此外，关于大模型的相关知识： 1. 架构方面： encoderonly 模型通常适用于自然语言理解任务，如分类和情感分析，最知名的代表模型是 BERT。 encoderdecoder 模型同时结合了 Transformer 架构的 encoder 和 decoder 来理解和生成内容，代表是谷歌的 T5。 decoderonly 模型更擅长自然语言生成任务，目前熟知的众多 AI 助手基本都来自此类架构。 2. 大模型的特点： 预训练数据非常大，往往来自于互联网上，包括论文、代码、公开网页等，一般用 TB 级别的数据进行预训练。 参数非常多，Open 在 2020 年发布的 GPT3 就已经达到 170B 的参数。 在技术原理方面： 1. 生成式 AI 生成的内容叫做 AIGC。 2. 相关技术名词： AI 即人工智能。 机器学习包括监督学习、无监督学习、强化学习。监督学习有标签的训练数据，算法目标是学习输入和输出之间的映射关系，包括分类和回归。无监督学习学习的数据没有标签，算法自主发现规律，经典任务包括聚类。强化学习从反馈里学习，最大化奖励或最小化损失。深度学习参照人脑有神经网络和神经元，神经网络可用于多种学习方式。 生成式 AI 可以生成文本、图片、音频、视频等内容形式。LLM 即大语言模型，生成图像的扩散模型不是大语言模型，对于大语言模型，生成只是其中一个处理任务。 3. 技术里程碑：2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制来处理序列数据，而不需要依赖于循环神经网络或卷积神经网络。

大模型通俗来讲，是输入大量语料，让计算机获得类似人类的“思考”能力，从而能够理解自然语言，并进行文本生成、推理问答、对话、文档摘要等工作。 大模型的训练和使用过程可以用“上学参加工作”来类比： 1. 找学校：训练大模型需要大量计算，GPU 更合适，只有购买得起大量 GPU 的才有资本训练自己的大模型。 2. 确定教材：大模型需要的数据量特别多，几千亿序列（Token）的输入基本是标配。 3. 找老师：即用合适的算法讲述“书本”中的内容，让大模型更好理解 Token 之间的关系。 4. 就业指导：为了让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 5. 搬砖：就业指导完成后，正式干活，比如进行翻译、问答等，在大模型里称之为推导（infer）。 在大模型中，Token 被视为模型处理和生成的文本单位，会被分割并生成词汇表，数字化便于计算机处理。为让计算机理解 Token 之间的联系，还需把 Token 表示成稠密矩阵向量，这个过程称为 embedding，常见算法有基于统计的 Word2Vec、GloVe，基于深度网络的 CNN、RNN/LSTM，基于神经网络的 BERT、Doc2Vec 等。以 Transform 为代表的大模型采用自注意力（Selfattention）机制来学习不同 token 之间的依赖关系，生成高质量 embedding。 大模型的“大”指用于表达 token 之间关系的参数多，主要是模型中的权重（weight）与偏置（bias），例如 GPT3 拥有 1750 亿参数。 所谓的大模型，简而言之，就是拥有庞大参数数量的模型，通过处理和理解海量数据，能够胜任一系列复杂的任务。大模型之所以强大，一方面在于庞大的参数数量，这些参数在学习过程中不断调整，帮助模型更深入地理解和生成数据；另一方面，大模型的训练离不开大量数据，通过对各种数据的学习，模型能够掌握丰富的知识和技能。 GPT 是“生成式预训练变换器”（Generative Pretrained Transformer）的缩写，是一种大型语言模型（LLM），也是生成式人工智能的重要框架。

Notion AI 是一款在笔记和文档中应用 AI 力量的工具，免费可用。它能够让工作更迅速，写作更出色，思考更伟大。Notion 公司一直致力于构建各种“积木块”，如文档编辑、关系型数据库、表格、评论以及不同的访问权限等。AI 对于 Notion 来说是一个很好的机会，使其能够以新的方式组合和驱动这些积木块，例如将 AI 与数据库结合，快速推出 Notion Q&A 等功能。此外，在知识管理体系中，如 Obsidian 也可以嵌入 AI 辅助工具，如通过命令面板打开创建的页面，输入插件名称 custom frames 等操作，还介绍了 Obsidian 与 AI 组合使用的几种思路，包括笔记仓库嵌入大模型、笔记内容作为 RAG 嵌入大模型、笔记内使用大模型编写内容等。