新手学习 AI 可以参考以下步骤： 1. 了解 AI 基本概念： 建议阅读「」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，能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，可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自己的作品。 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，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。

以下是一些用于老照片修复的方法和工具： 1. 使用 SD 中的 ControlNet 模型，特别是其中的 Recolor 新模型，可对黑白老照片进行重新上色。在处理人物照片还原时，可选择 realisian 的写实大模型，提示词直接描述颜色和对应的内容。ControlNet 选择 Recolor 时，预处理器选择“recolor_luminance”效果较好。 2. 超清无损放大器 StableSR：需要使用 StabilityAI 官方的 Stable Diffusion V2.1 512 EMA 模型，放入指定文件夹，同时安装 StableSR 模块和 VQVAE。通过不同的放大方法测试，如“Ultimate SD upscale”脚本、“后期处理”的放大方法和 StableSR 的放大，StableSR 对原图还原较为精准，重绘效果较好。 3. 将照片放入后期处理中，使用 GFPGAN 算法将人脸变清晰，但无法使头发、衣服等元素变清晰。之后可将图片发送到图生图中，打开 stableSR 脚本进行放大修复。 相关参考文章： 1. 【SD】用 AI 给老照片上色，岁月不改它模样：https://mp.weixin.qq.com/s/hlnSTpGMozJ_hfQuABgLw 2. 【Stable Diffusion】图片高清化+面部修复+一键抠图，一些你不知道的事儿：http://mp.weixin.qq.com/s?__biz=MzkzMzIwMDgxMQ==&mid=2247487422&idx=1&sn=9cdf7ef37c2acb3c0fc3328d0ba8af74&chksm=c251597af526d06c921ea6728cb2a32bdf1d5f699e19d6ba13b849994e4d01af8a5144132aad&scene=21wechat_redirect 3. 【Stable Diffusion】超清无损放大器 StableSR：http://mp.weixin.qq.com/s?__biz=MzkzMzIwMDgxMQ==&mid=2247487403&idx=1&sn=cbb96534fa6f58c37cf9fc64bc7ade0c&chksm=c251596ff526d0792b4bba0e21b69427b23e780824bdc75b22f1073e8bad6f61f30199fc8344&scene=21wechat_redirect

DeepSeek R1 是一款非常出色的模型，具有以下特点： 1. 它属于基于强化学习 RL 的推理模型，在回答用户问题前会先进行“自问自答”式的推理思考，以此提升回答质量。这种推理并非简单的自言自语，而是模拟人类的深度思考。 2. 其“聪明”源于独特的“教育方式”，引入了纯强化学习（RL），不依赖大量人类标注数据，而是通过自我探索和试错来学习。在“冷启动”阶段，仅通过少量人工精选的思维链数据进行初步引导，随后主要依靠强化学习和奖励系统的反馈（包括准确率奖励和格式奖励），不断提升回答的准确性，实现自我进化。 3. 具备搜索、编码、阅读文档的能力，3 分钟内完成大多数任务。在 SimpleQA 基准测试中准确率达 93.9%，超越所有模型。在“人类最后的考试”评估中得分 21.1%，仅次于 OpenAI Deep Research。 4. 下载量超 1000 万，成为 Hugging Face 最受欢迎的模型之一，现有数千个变体，在短短几周内下载量呈直线飙升，也是增长最快的开源模型之一。

目前常见的大型语言模型多采用右侧只使用 Decoder 的 Decoderonly 架构，例如我们熟知的 ChatGPT 等。这些架构都是基于谷歌 2017 年发布的论文“attention is all you need”中提出的 Transformer 衍生而来，其中包括 Encoder 和 Decoder 两个结构。 大模型的特点在于： 1. 预训练数据非常大，往往来自互联网上的论文、代码、公开网页等，一般用 TB 级别的数据进行预训练。 2. 参数非常多，如 Open 在 2020 年发布的 GPT3 就已达到 170B 的参数。 大模型之所以能有效生成高质量有意义的回答，关键在于“大”。例如 GPT1 的参数规模是 1.5 亿，GPT2 Medium 的参数规模是 3.5 亿，到 GPT3.5 时，参数规模达到惊人的 1750 亿，参数规模的增加实现了量变到质变的突破，“涌现”出惊人的“智能”。 大模型的预训练机制是指其“脑袋”里存储的知识都是预先学习好的，预训练需要花费相当多的时间和算力资源。在没有其他外部帮助的情况下，大模型所知道的知识信息总是不完备且滞后的。

以下是一些您可以从以下角度开发产品来赋能兼职督学岗位的工作效率，并锻炼您的 AI 能力，以争取上司或老板为产品支付报酬： 1. 利用 Coze 的多语言模型支持，为解答高中生学习方法等疑问提供更准确和全面的回答。 2. 借助插件系统，集成与学习相关的插件，如学习资料查询、学习工具推荐等，丰富服务内容。 3. 运用知识库功能，上传各类学科知识点、优秀学习案例等，方便在服务中快速调用和推送。 4. 利用数据库和记忆能力，记住每个高中生的学习情况和需求，提供个性化服务。 5. 设计工作流，例如自动发送测试卷、自动通知后端制作学习计划、自动推送学习计划链接等流程，提高工作效率。 6. 采用多代理模式，针对不同学科或学习阶段设置专门的代理，提供更精准的服务。 7. 利用 Coze 易于发布和分享的特点，将服务产品推广给更多需要的高中生和督学人员。

以下是关于您利用 Coze 和 DeepSeek 等 AI 接入飞书来赋能兼职督学岗位工作效率的一些建议： 开发产品的角度： 1. 智能答疑系统：利用 AI 技术，对高中生常见的学习方法疑问进行自动分析和回答，提高答疑效率和准确性。 2. 个性化测试卷生成：根据学生的学习情况和需求，通过 AI 生成个性化的测试卷。 3. 学习计划优化：基于学生提交的测试卷结果，利用 AI 更精准地制定学习计划。 4. 知识点精准推送：运用 AI 分析学生的学习进度和薄弱环节，定期推送更具针对性的知识点。 5. 打卡提醒优化：通过 AI 实现更灵活、个性化的打卡提醒方式。 推销给上司的方法： 1. 展示效率提升：详细说明产品如何大幅提高兼职督学的工作效率，节省人力和时间成本。 2. 个性化服务优势：强调产品能够为高中生提供更个性化、精准的服务，提升学习效果。 3. 数据支持：提供相关的数据和案例，证明 AI 赋能后的积极效果。 4. 成本效益分析：说明开发和使用该产品的成本相对较低，而带来的收益显著。 5. 未来发展潜力：阐述产品在不断优化和拓展功能方面的潜力，适应更多的教育需求。 另外，Coze 是由字节跳动推出的 AI 聊天机器人和应用程序编辑开发平台，专为开发下一代 AI 聊天机器人而设计。它具有多语言模型支持、插件系统、知识库功能、数据库和记忆能力、工作流设计、多代理模式、免费使用、易于发布和分享等特点。这些特点可以为您的产品开发提供有力支持。

以下是为党校老师或大学老师备课推荐的一些 AI 工具和相关案例： 1. 语言学习类： ，能够实时交流，并对发音或措辞给予反馈。 2. 学科指导类： 数学方面，像可以指导学生解决数学问题。 历史方面，通过模拟与杰出人物的聊天来教授历史，如。 3. 写作辅助类： 如 Grammarly、等工具帮助学生克服写作难题，并提升写作水平。 处理其他形式内容的产品，如协助创建演示文稿。 4. 减负指南类： 人机智慧学习协作框架，包括个性化学习计划，分析学生表现并根据知识差距和个人学习风格创建定制的学习路径。 课程开发/学习沉浸，生成模型生成图像、文本和视频，转化为补充教育材料、作业和练习题。 社会互动/沟通，与新的 AI 工具（如口语形式的 GPT4o）结合学习。 星火教师助手、知网备课助手。 5. 案例参考： 一个历史老师用 GPT 给学生讲课，通过 GPT 生成一个“沉浸式”历史片段游戏，让学生扮演一个角色“设身处地”地做决策，学生的作业是找出 GPT 的错误。相关链接：https://resobscura.substack.com/p/simulatinghistorywithchatgpt 、https://chat.openai.com/share/86815f4e674c4410893c4ae3f1b7412e/continue 。 需要注意的是，AI 与优秀的人类教师相比仍有差距，如缺乏课时设计，且教学目标设计缺乏合理的梯度。人机融合是大势所趋，AI 的高效率与人类教师的经验相结合。

以下是一些可以根据现有的网站或截图生成源代码的 AI 工具： ：借助 GPT4 Vision 的能力，能直接将屏幕截图转换为 HTML/Tailwind CSS，并利用 DALLE 3 的图像生成能力生成相似图像。 此外，还有一些与网站制作相关的 AI 工具： Wix ADI 。基于用户提供的信息自动生成定制化网站，提供多个设计选项和布局，集成了 SEO 工具和分析功能。 Bookmark：网址为 。通过询问用户几个简单问题快速生成网站，提供直观的拖放编辑器，包括多种行业模板和自动化营销工具。 Firedrop：网址为 。其 AI 设计助手 Sacha 可根据用户指示创建和修改网站设计，提供实时编辑和预览功能，包含多种现代设计风格和自定义选项。 The Grid：网址为 。其 AI 设计助手 Molly 可以自动调整网站的设计和布局，基于内容和用户互动进行优化，支持多种内容类型。 在 AI 代码生成和开发工具方面： ：由 Wingware 开发的专为 Python 编程设计的开发环境，集成了多种功能，年度许可证起价 179 美元/月。 ：开源的 AI 开发助手，能根据产品需求生成完整的代码库，遵循 MIT 许可证。 ：Sourcegraph 的 AI 工具，作为全面的编程助手能理解整个代码库，个人使用免费。

以下是一些中小学在生成式 AI 教育场景应用中采用项目式学习的案例： 北京市新英才学校： 开设“AI 创作家”小学课后服务特色课程，12 个五、六年级的学生在老师的引导和帮助下，主导设计一款实用的桌游。 学生们提出解决学校面积大导致新生和访客迷路的问题，决定制作一款学校地图桌游。 课程中，学生有时听老师讲解人工智能知识和工具使用方法，有时自己写 prompt 与大语言模型对话，还使用文生图 AI 工具生成桌游卡牌背后的图案，手绘第一版学校地图，选择游戏机制并梳理游戏流程。 在教育领域，生成式 AI 带来了诸多改变： 解决了教育科技长期以来在有效性和规模之间的权衡问题，可大规模部署个性化学习计划，为每个用户提供“口袋里的老师”，如实时交流并给予发音或措辞反馈的语言老师。 出现了众多辅助学习的产品，如教授新概念、帮助学习者解决各学科问题、指导数学作业、提升写作水平、协助创建演示文稿等。

提示词相关知识如下： 1. 什么是提示词： 用于描绘您想生成的画面。 星流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），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。 2. 如何写好提示词： 可以点击提示词上方官方预设词组进行生图。 提示词内容要准确，包含人物主体、风格、场景特点、环境光照、画面构图、画质等，比如：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。 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，比如：不好的质量、低像素、模糊、水印。 利用“加权重”功能，让 AI 明白重点内容，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，也可对已有的提示词权重进行编辑。 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）。 3. 提示词要素： 指令：想要模型执行的特定任务或指令。 上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。 输入数据：用户输入的内容或问题。 输出指示：指定输出的类型或格式。 4. 提示工程与提示词的区别： 提示工程是人工智能领域中，特别是在自然语言处理和大型语言模型的上下文中，一个相对较新的概念，涉及设计和优化输入提示，以引导 AI 模型生成特定类型的输出或执行特定的任务。 提示词通常指的是直接输入到 AI 模型中的问题、请求或指示，是提示工程的一部分。 提示工程是一个更广泛的概念，不仅包括创建提示词，还涉及理解模型的行为、优化提示以获得更好的性能、以及创造性地探索模型的潜在应用。提示工程的目标是最大化 AI 模型的效用和性能，而提示词是实现这一目标的手段之一。在实际应用中，提示工程可能包括对 AI 模型的深入分析、用户研究、以及对特定任务的定制化提示设计。