和往月一样，今天加班，中午点外卖吃得挺饱，下午也吃了一点零食，六点多下班时肚子并没有太饿，本想直接回去，又担心晚上会饿，思来想去不知道吃什么合适，最后奔向了公司附近新开的一家肯德基。

不知道吃什么，那就吃肯德基。

在我小时候的印象里，汉堡叫做汉堡包，搭配薯条、炸鸡、可乐，这也是我对老家本土品牌“欢乐季”最深远的记忆。每到周五，就会有工作人员在学校门口派发传单，四四方方的纸片上印着各种口味的汉堡、炸鸡、饮品，标注着价格，可以将其剪下，凭此以优惠价格购买。小时候收集了很多，但一次都没有用过。那时候一个汉堡、一份薯条，价格昂贵，家人也没有带我去过，每每路过，都会留下羡慕的眼神，尤其是看到有人生日，一家人在店里戴着生日帽、吹着蜡烛、吃着汉堡，更加羡慕。

长大以后，了解了肯德基、麦当劳，以及现在的塔斯汀，价格虽然没有特别便宜，但这却是上班族较为实惠的选择。人终究会为年少不可得之物困其一生，汉堡、薯条即是如此，遇上疯狂星期四，如果下班早，恰好当天有想吃的餐品，毫不犹豫奔向肯德基；周末在外面，到饭点，麦当劳和肯德基是我认为一人食的最佳选择。吮指原味鸡、热辣香骨鸡、蜜汁全鸡，经典的香辣鸡腿堡、老北京鸡肉卷，只要稍微回忆一下，便能想起它们的味道。

有一份专属工作日的 OK 三件套只需要 19.9 元，任选 1 份黄金 SPA 鸡排堡或者滋滋 YES 烤鸡腿堡，加一份劲爆鸡米花和中可，对于我来说，中午或晚上来上一份，就能吃饱。

陈仓颉在《麦门永存。》中提到肯德基更像是一个卖一些西餐的中餐厅，不仅有豆浆、烧饼、油条、茶叶蛋，今天看菜单，还有炸串、鸡架，越来越贴近中国人的饮食习惯和口味。在使用闲鱼下单肯德基之后，我更加确定了“不知道吃什么，那就吃肯德基”的合理性（ps：肯德基替换成麦当劳或其他品牌也适用）。一份香辣鸡腿堡，一杯中可，在闲鱼上代下单，不到 14 元，十分满意，本想放出截图，怕有广告嫌疑，遂作罢。

大学时期，学校门口便有一家肯德基，每到疯狂星期四，除了在朋友圈和微信群发一发V我 50 的段子，也会拉上室友参与一番，我点热辣香骨鸡，你点黄金鸡块，如此疯狂，如此惬意。毕业后，工作了，每周依然有疯狂星期四，但我们都不再疯狂，仅仅只为了犒劳工作一天的自己，填饱肚子。

《不知道吃什么，那就吃肯德基》最先出现在印记。

上周，在《特惠VPS突遭强制清退》一文的评论中，友博“大致”问我最终决定买了哪家的 VPS，我回复是购买了 CC 家：刚好在"网络星期一" （Cyber Monday），CloudCone 推出一款相对低价的套餐 CM-25-VPS-1，年付9.99美元，性价比不错，可惜当前已售罄。

CM-25-VPS-1 套餐详情：

1 vCPU Core
1 GB Dedicated RAM
50 GB of SSD Cached Disk
On RAID-10 Configuration
1 TB/Mo Bandwidth at 1 Gb/s
1x IPv4 and 3x IPv6

Datacenter: DC1, Los Angeles, USA
Lifetime Recurring Offer

下单并付款，稍等片刻机器已开通。运气不错，VPS 盲盒开出【 74.48.*.* 】IP段，根据网友反馈，该IP段可以完美解锁美区的各项跨国服务。另外，还可以在后台自助免费开通三个 IPv6 地址。

近日，了解到不少 VPS 爱好者使用一款名为“融合怪”的VPS服务器测评脚本。已整合诸多第三方测试脚本进行优化融合，一条命令搞定 VPS 基础信息、CPU测试、内存硬盘跑分、流媒体解锁测试、IP质量/安全信息查询、邮件端口测试、上游及回程路由线路检测、三网路由测试、网速测试及三网 Ping 值测试等项目。

刚好，我就“融合怪”脚本来测试新购买的 CloudCone 的 VPS——

export noninteractive=true && curl -L https://raw.githubusercontent.com/oneclickvirt/ecs/master/goecs.sh -o goecs.sh && chmod +x goecs.sh && ./goecs.sh install && goecs #针对海外服务器-无加速

export noninteractive=true && curl -L https://cdn.spiritlhl.net/https://raw.githubusercontent.com/oneclickvirt/ecs/master/goecs.sh -o goecs.sh && chmod +x goecs.sh && ./goecs.sh install && goecs #针对国际/国内服务器-带CDN加速

系统基础信息/CPU测试/内存测试/硬盘测试

硬件很一般，有过度超售之嫌疑，不适合作为建站机。非纯 SSD ，而是固态缓存的机械硬盘，网友们戏称 CloudCone 的硬盘为“石头盘”。

--------------------------------------系统基础信息--------------------------------------
 CPU 型号: Intel(R) Xeon(R) CPU E5-2697 v2 @ 2.70GHz
 CPU 数量: 1 Virtual CPU(s)
 CPU 缓存: L1: 64 KB / L2: 256 KB / L3: 30 MB
 GPU 型号: GD 5446
 AES-NI  :  Enabled
 VM-x/AMD-V/Hyper-V  :  Enabled
 内存 : 312.29 MB / 969.46 MB
 气球驱动:  Undetected
 内核页合并: Undetected
 虚拟内存 Swap: 0.00 MB / 1022.98 MB
 硬盘空间: 3.60 GB / 48.14 GB [7.5%%] /dev/vda1 - /
 启动盘路径: /dev/vda1
 系统 : ubuntu 22.04 [x86_64] 
 内核 : 5.15.0-46-generic
 系统在线时间  : 0 days, 00 hours, 03 minutes
 时区 : UTC
 负载 : 0.04 / 0.07 / 0.03
 虚拟化架构: KVM
 NAT类型 : Full Cone
 TCP加速方式: cubic
 IPV4 ASN: AS35916 MULTA-ASN1
 IPV4 Location : Los Angeles / California / United States
 IPV6 ASN: AS35916 MULTA-ASN1
 IPV6 Location : Los Angeles / California / United States
 IPv6 子网掩码 : /64
--------------------------------CPU测试-通过sysbench测试--------------------------------
1 线程测试(单核)得分: 477.95
---------------------------------内存测试-通过stream测试----------------------------------
Function     Best Rate MB/s     Avg time     Min time     Max time
Copy:6522.3     0.025541          0.024531     0.025913
Scale:10056.6   0.016271          0.015910     0.016894
Add: 9918.2     0.025001          0.024198     0.028126
Triad:10232.4   0.024645          0.023455     0.026655
-----------------------------------硬盘测试-通过fio测试-----------------------------------
测试路径块大小         读测试(IOPS)       写测试(IOPS)           总和(IOPS)
/root 4k           3.51 MB/s(877)    3.54 MB/s(884)     7.05 MB/s(1761)  
/root 64k          58.58 MB/s(915)   59.12 MB/s(923)    117.69 MB/s(1838)
/root 512k         155.46 MB/s(303)  163.72 MB/s(319)   319.18 MB/s(622) 
/root 1m           156.24 MB/s(152)  166.65 MB/s(162)   322.89 MB/s(314)

跨国平台解锁/IP质量检测

这个IP段不错，能解锁 Netflix 、Disney+、Spotify、ChatGPT、Sora、Gemini等几乎所有美国主流流媒体和AI服务网站。

--------------------------------------跨国平台解锁--------------------------------------
IPV4:
============[ 跨国平台 ]============
Apple:YES (Region: USA)
BingSearch:YES (Region: US)
Claude: YES
Dazn: YES (Region: US)
Disney+:YES (Region: US)
Gemini:YES (Region: US)
GoogleSearch:YES
Google Play Store:YES (Region: US)
IQiYi:YES (Region: US)
Instagram Licensed Audio:YES
KOCOWA:YES
MetaAI:NO (GeoBlocked)
Netflix:YES (Region: US)
Netflix CDN:US
OneTrust:YES (Region: US CALIFORNIA)
ChatGPT: YES (Region: US)
Paramount+:YES
Amazon Prime Video:YES (Region: US)
Reddit: YES
SonyLiv:YES (Region: US)
Sora: YES (Region: US)
Spotify Registration:YES (Region: US)
Steam Store:YES (Community Available) (Region: US)
TVBAnywhere+:YES (Region: US)
TikTok:YES (Region: US)
Viu.com:YES
Wikipedia Editability:YES
YouTube Region:YES
YouTube CDN:LAX
--------------------------------------IP质量检测--------------------------------------
以下为各数据库编号，输出结果后将自带数据库来源对应的编号
ipinfo数据库  [0] | scamalytics数据库 [1] | virustotal数据库   [2] | abuseipdb数据库   [3] | ip2location数据库    [4]
ip-api数据库  [5] | ipwhois数据库     [6] | ipregistry数据库   [7] | ipdata数据库      [8] | db-ip数据库          [9]
ipapiis数据库 [A] | ipapicom数据库    [B] | bigdatacloud数据库 [C] | dkly数据库        [D] | ipqualityscore数据库 [E]
ipintel数据库 [F] | ipfighter数据库   [G] | fraudlogix数据库   [H] | cloudflare数据库  [I] |

IPV4:
安全得分:
信任得分(越高越好): 0 [8] 
VPN得分(越低越好): 100 [8] 
代理得分(越低越好): 100 [8] 
社区投票-无害: 0 [2] 
社区投票-恶意: 0 [2] 
威胁得分(越低越好): 100 [8] 
欺诈得分(越低越好): 84 [E] 
滥用得分(越低越好): 0 [3] 
ASN滥用得分(越低越好): 0.0013 (Low) [A] 
公司滥用得分(越低越好): 0 (Very Low) [A] 
威胁级别: low [9] 
流量占比: 真人(越高越好)22% [I] 机器人(越低越好)77% [I]
黑名单记录统计:(有多少黑名单网站有记录):
无害记录数: 0 [2]  恶意记录数: 0 [2]  可疑记录数: 0 [2]  无记录数: 95 [2] 

安全信息:
使用类型: business [8 9] isp [A] hosting [0 3 7 C]
公司类型: hosting [0 7] isp [A]
浏览器类型: 主流71% 其他28% [I] 
设备类型: 桌面55% 移动44% 其他0% [I] 
操作系统类型: 主流92% 其他7% [I] 
是否云提供商: Yes [7] 
是否数据中心: No [6 8 A] Yes [0 5 C G]
是否移动设备: No [5 A C G] Yes [E]
是否代理: No [0 4 5 6 7 8 9 A C] Yes [E G]
是否VPN: Yes [E G] No [0 6 7 A C]
是否TorExit: No [7] 
是否Tor出口: No [7] 
是否网络爬虫: No [9 A E] 
是否匿名: No [6 7] Yes [8]
是否攻击者: No [7 8] 
是否滥用者: No [7 8 A C E] 
是否威胁: No [7 8 C] 
是否中继: No [0 7 8 C] 
是否Bogon: No [7 8 A C] 
是否机器人: No [E] 
DNS-黑名单: 314(Total_Check) 0(Clean) 0(Blacklisted) 0(Other) 

IPV6:
安全得分:
滥用得分(越低越好): 0 [3] 
ASN滥用得分(越低越好): 0.0013 (Low) [A] 
公司滥用得分(越低越好): 0 (Very Low) [A] 
流量占比: 真人(越高越好)22% [I] 机器人(越低越好)77% [I]
安全信息:
使用类型: hosting [3] isp [A]
公司类型: isp [A] 
浏览器类型: 主流71% 其他28% [I] 
设备类型: 桌面55% 移动44% 其他0% [I] 
操作系统类型: 主流92% 其他7% [I]
是否数据中心: No [A] Yes [G]
是否移动设备: No [A G] 
是否代理: No [A] Yes [G]
是否VPN: Yes [G] No [A]
是否Tor: No [3 A] 
是否网络爬虫: No [A] 
是否滥用者: No [A] 
是否Bogon: No [A] 
DNS-黑名单: 314(Total_Check) 0(Clean) 0(Blacklisted) 314(Other)

上游及回程线路检测/三网回程路由检测/PING值检测/就近节点测速

尤其在晚上8-11点晚高峰期间，访问速度不错，比我之前使用的俄罗斯的 VPS 延迟更高、但速度反而更快！

------------------------------------上游及回程线路检测-------------------------------------
      AS174             AS2914            AS6939      
      Cogent             NTT        Hurricane Electric
   Tier1 Global      Tier1 Global         Tier2      
 
北京电信v4 219.141.140.10           电信163    [普通线路] 
北京联通v4 202.106.195.68           联通4837   [普通线路] 
北京移动v4 221.179.155.161          移动CMI    [普通线路] 
上海电信v4 202.96.209.133           电信163    [普通线路] 
上海联通v4 210.22.97.1              联通4837   [普通线路] 
上海移动v4 211.136.112.200          移动CMI    [普通线路] 
广州电信v4 58.60.188.222            电信163    [普通线路] 
广州联通v4 210.21.196.6    检测不到回程路由节点的IPV4地址
广州移动v4 120.196.165.24           移动CMI    [普通线路] 
成都电信v4 61.139.2.69              电信163    [普通线路] 
成都联通v4 119.6.6.6                联通4837   [普通线路] 
成都移动v4 211.137.96.205           移动CMI    [普通线路] 
北京电信v6 2400:89c0:1053:3::69     电信163    [普通线路] 
北京联通v6 2400:89c0:1013:3::54     联通4837   [普通线路] 
北京移动v6 2409:8c00:8421:1303::55  移动CMIN2  [精品线路] 移动CMI    [普通线路] 
上海电信v6 240e:e1:aa00:4000::24    电信163    [普通线路] 
上海联通v6 2408:80f1:21:5003::a     联通4837   [普通线路] 
上海移动v6 2409:8c1e:75b0:3003::26  移动CMI    [普通线路] 
广州电信v6 240e:97c:2f:3000::44     电信163    [普通线路] 
广州联通v6 2408:8756:f50:1001::c    联通4837   [普通线路] 
广州移动v6 2409:8c54:871:1001::12   移动CMIN2  [精品线路] 移动CMI    [普通线路] 
准确线路自行查看详细路由，本测试结果仅作参考
同一目标地址多个线路时，检测可能已越过汇聚层，除第一个线路外，后续信息可能无效

-------------------------------------三网回程路由检测-------------------------------------
[NextTrace API] preferred API IP - 104.26.13.151 - 209.01ms - Misaka.BER

广州电信 - ICMP v4 - traceroute to 58.60.188.222, 30 hops max, 52 byte packets
1.00 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
2.37 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
3.72 ms      AS2914     [NTTA-128]         美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
1.04 ms      AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
10.54 ms     AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 圣何塞, gin.ntt.net 
9.09 ms      AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 圣何塞, gin.ntt.net 
14.56 ms     AS4134     [CHINANET-US]      美国, 加利福尼亚, 圣克拉拉, chinatelecom.com.cn  电信
155.71 ms    AS4134     [CHINANET-BB]      中国, 广东, 广州, chinatelecom.com.cn 
157.08 ms    AS4134     [CHINANET-BB]      中国, 广东, 广州, chinatelecom.com.cn  电信
*
167.34 ms    AS134774   [CHINANET-GD]      中国, 广东, 深圳, chinatelecom.cn  电信
*

广州联通 - ICMP v4 - traceroute to 210.21.196.6, 30 hops max, 52 byte packets
1.05 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
1.03 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
3.26 ms      AS2914     [NTTA-128]         美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
1.35 ms      AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
1.16 ms      AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
0.88 ms      AS701      [UU-152]           美国, 加利福尼亚, 洛杉矶, verizon.com 
0.83 ms      *          [NSFNET-T3]        美国, 加利福尼亚, 洛杉矶
198.77 ms    AS701      [UU-152]           美国, 加利福尼亚, 洛杉矶, verizon.com 
188.23 ms    AS4837     [CU169-BACKBONE]   中国, 广东, 广州, chinaunicom.cn  联通
189.50 ms    AS4837     [CU169-BACKBONE]   中国, 广东, 广州, chinaunicom.cn  联通
*
176.67 ms    AS17623    [APNIC-AP]         中国, 广东, 深圳, chinaunicom.cn  联通
166.67 ms    AS17623    *                  中国, 广东, 深圳, chinaunicom.cn  联通

广州移动 - ICMP v4 - traceroute to 120.196.165.24, 30 hops max, 52 byte packets
1.10 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
2.00 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
10.30 ms     AS2914     [NTTA-128]         美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
0.83 ms      AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
105.81 ms    AS2914     [NTT-BACKBONE]     日本, 东京都, 东京, gin.ntt.net 
*
158.33 ms    AS2914     [NTT-BACKBONE]     中国, 香港, gin.ntt.net 
162.90 ms    AS2914     [NTT-BACKBONE]     中国, 香港, gin.ntt.net 
158.88 ms    AS2914     [NTT-GLOBAL]       中国, 香港, gin.ntt.net 
156.34 ms    AS58453    [CMI-INT]          中国, 香港, cmi.chinamobile.com  移动
166.51 ms    AS58453    [CMI-INT]          中国, 广东, 广州, cmi.chinamobile.com  移动
169.17 ms    AS9808     [CMNET]            中国, 广东, 广州, chinamobileltd.com  移动
176.66 ms    AS9808     [CMNET]            中国, 广东, 广州, chinamobileltd.com  移动
*
165.89 ms    AS9808     [CMNET]            中国, 广东, 广州, chinamobileltd.com  移动
167.95 ms    AS9808     [CMNET]            中国, 广东, 广州, chinamobileltd.com  移动
170.17 ms    AS56040    [APNIC-AP]         中国, 广东, 深圳, gd.10086.cn  移动

-------------------------------------PING值检测--------------------------------------
TG-DC1 MIA USA        58 | TG-DC3 MIA USA        58 | TG-DC4 AMS NL        150 | 
TG-DC2 AMS NL        151 | TG-DC5 Singapore     175 | 
CNN                   13 | Twitch                17 | Sora                  19 | 
Claude                19 | Apple                 21 | Azure                 28 | 
BBC                   29 | DisneyPlus            31 | NYTimes               36 | 
DigitalOcean          38 | OpenAI                39 | Wikipedia             43 | 
Netflix               66 | Google                71 | MetaAI                76 | 
Gemini                83 | AWS                   84 | Bing                 106 | 
GitHub               107 | Docker Hub           111 | Instagram            112 | 
Reddit               113 | Microsoft            117 | Amazon               122 | 
GitLab               176 | eBay                 178 | YouTube              179 | 
StackOverflow        186 | Facebook             204 | Spotify              212 | 
Bilibili             217 | ViuTV                225 | AliExpress           243 | 
Twitter/X            269 | Google Cloud         304 | iQIYI                310 | 
PrimeVideo           357 | TikTok               392 | TVB Anywhere         622 | 
Steam               1912 | 
--------------------------------------就近节点测速--------------------------------------
位置            上传速度        下载速度        延迟            丢包率          
Speedtest.net   756.05 Mbps     838.81 Mbps     757.348μs       N/A             
洛杉矶          623.40 Mbps     750.41 Mbps     1.621001ms      N/A             
日本东京        438.03 Mbps     66.37 Mbps      110.051772ms    N/A             
联通上海5G      25.93 Mbps      0.02 Mbps       190.198559ms    N/A             
电信浙江        1.09 Mbps       47.54 Mbps      168.561535ms    N/A             
电信Suzhou5G    7.24 Mbps       88.40 Mbps      190.003686ms    N/A             
移动Suzhou      1.22 Mbps       0.35 Mbps       299.405527ms    N/A             
----------------------------------------------------------------------------------

近两年，AI迎来井喷式的发展，熊猫愿把这称作“第一次科技革命”。随着大模型和 AI agent 的不断成熟，常常让人不禁感叹：原来 AI 已经能做到这种程度了！

即便 AI 已经发展到如此“逆天”的程度，熊猫发现普通人的使用场景仍然局限在对话和生图这两类。进阶操作很少有人会，不会设置工作流，不会配置智能体，甚至连大模型有不同类别这件事都不清楚。

本期内容会从AI大模型的介绍、获取以及使用进行介绍，2025小白AI入门指南，现在开始！

AI大模型的种类

在获取并使用大模型之前，首先要弄清市面上有哪些类型的模型，以及它们各自能做什么。

核心：语言模型

日常使用最多的是 LLM（大语言模型），也常被称为“语言模型”。比较知名的有 GPT 系列 —— 可以说推动大众进入 AI 时代的就是 GPT-3.5。在国内，比较出名的代表有千问和 DeepSeek。

这类模型通常指用于处理人类语言文本的模型，主要功能包括文本对话、写作、翻译、逻辑推理和情感分析等与文本相关的任务。

语言模型可分为基座模型和指令模型。基座模型——顾名思义，是所有模型的基础，通常通过海量数据预训练，擅长对输入文本进行“续写”。举个例子，如果输入“熊猫是不是猫？”，基座模型更可能沿着文本继续生成下一个句子，例如“蜗牛是不是牛？”。它对知识有一定掌握，但不具备按人类指令执行特定任务的能力。

指令模型是在基座模型的基础上，通过人工反馈（如人类评估和指令示例）进行强化学习或微调而成。这类模型能理解并执行人类指令，支持对话式交互。因此，目前常见的 GPT、DeepSeek 和千问等产品多数属于指令模型或在其基础上进行了指令化调整。

数据：向量模型

这类模型对普通用户而言用得较少，主要用于需要检索的场景，如知识库、相似度搜索等。它们通常不直接生成文字或图片，而是把文字或图片等信息编码成一串数字数组——也就是向量。这个向量相当于该信息的“身份证”或“坐标”，用于表示和比较内容的语义或特征。

向量模型会把信息编码为向量，进而在一个巨大的多维坐标空间中表示这些信息。语义相近的词或内容在空间中的位置也会相近，语义相反或无关的则会相距较远。

向量模型目前最常见的应用是 RAG（检索增强生成）。一些 NAS 的相册也提供检索功能，但那些实现多依赖传统数据库索引，而非向量检索。就我所知，使用向量模型进行精确检索计算的厂商中，目前只有威联通和极空间在实践这一方案。

眼睛：视觉模型

视觉模型其实并不是单纯的作图这么简单，视觉模型作为大类目，再往下细分可以分为两个大类，分别是生成和理解。

很多人以为生成类模型就是直接“按提示画图”，但图像生成的过程实际上是逆向的。当前主流的生成方法依赖扩散模型 (Diffusion)：训练阶段把一张清晰图片不断加噪，直到变成类似雪花屏的满屏噪点；生成阶段则从满屏噪点开始，按用户输入的条件逐步去噪，最终复原出清晰的图像。

视觉理解顾名思义，是对已有图片进行分析和理解，常见场景包括图像识别、OCR、目标检测、图像分类等。实现这些功能的主流方法主要有 ViT（Vision Transformer）和 CNN。常见做法是把图像切分成若干小块（patch 或 receptive field），分别对每个小块提取信息或特征，再将这些局部特征汇总、融合以完成最终的判定或理解。

目前视觉模型种类繁多，既有近期走红的 Nano Banana Pro，也有老牌的 Midjourney、DALL·E 3，以及广泛使用的开源项目 Stable Diffusion。但总体来看，国内在视觉模型的研发和生态建设上，与国外相比仍存在一定差距。

全能：多模态模型

多模态顾名思义，是把视觉模型的“眼睛”和语言模型的“大脑”结合在一起，从而具备视觉问答、情感交互、跨模态检索等能力，也是目前大模型的发展方向。

多模态的发展早期，通常采取将视觉模型和语言模型“强行拼接”的做法，通过后续训练让“大脑”学会理解“眼睛”传来的信息。随着技术演进，现在的多模态模型更多是在设计阶段就原生支持文本、音频、图片等多类数据的联合理解与处理，而不是简单地把单模态模块堆叠在一起。

多模态领域较为出名的代表包括 GPT‑4o 和 Gemini 1.5 Pro。多模态模型现在算是应用最广的模型类型之一——例如手机里的语音助手（如小爱、小布、小V）很多都基于多模态技术，实现了语音、图像与文本的联合理解与交互。

补充：全能化趋势

除了上述的模型，还有一些日常普通用户用的更少或者更为专业的模型，其中主要就是视频生成模型、音频语音模型以及专业模型等等。

视频生成模型是目前技术难度最高的模型之一，对算力要求极高。它通常在扩散模型的基础上引入 Transformer 结构，用以生成连续且逻辑自洽的帧序列，随后再把这些时间帧按顺序拼接，就能得到完整的视频。

这类模型最具代表性的就是Sora与国内比较出名的可灵。

音频语音模型其实用的并不少，比较出名的案例就是“AI歌手”孙燕姿。然而，即便音频模型已经相当成熟，调音与修音仍需要人工参与，否则即使是未接触过 AI 的普通听众，也大都能察觉到明显的失真感。

专业模型其实就是针对垂直领域特殊训练的模型，通用大模型虽然通用性强，但“什么都懂一点”的特性往往只能达到“略懂”的水平。为满足专业场景的高精度需求，才催生了这类专用模型。常见类型包括代码模型和各类科学模型（如生物、气象、数学等）。

如何获取大模型

通过以上，我相信你已经大概知道了大模型的种类以及使用场景，那么如何获取我们想要的模型呢？

官方渠道

先从官方渠道说起。除去少数需要付费或有使用限额的模型（例如近期走红的 Nano Banana Pro、GPT5.1、可灵等），大多数模型在官网上都可以直接免费使用，不过通常仅支持网页版或官方 APP。对普通用户而言，这类使用方式已基本满足日常需求。

如果你想通过 API 调用大模型，很多平台其实是提供了可观的免费额度的。例如阿里的通义千问可以在阿里百炼控制台领取，抖音的“豆包”可以在火山方舟引擎控制台领取。通常这类额度只发放一次，但数量往往从几百到数千万 Token 不等。用于文本类任务的话，对普通用户基本足够。

这里推荐一下美团的longchat模型（非广），虽说是稀释后的模型，但longchat也有通用模型和深度思考模型两种，同时官方文档看似没有更新，但实测是支持多模态的。

当然，最重要的是美团的longchat目前对于个人用户每天有500万的Toekn（申请之后），没错！是每天500万的Toekn，对于个人用户来说这个量非常大了，完全足够常规的文本和视觉分析处理，主打一个免费量大。

第三方渠道—付费向

如果你有大量其他模型使用需求，例如更高质量的视觉分析、图形生成等等，那么大概率就需要付费来使用，你可以选择用官方的付费服务，但大部分情况下高质量的模型大量使用费用其实并不低，亦或者选择折扣的第三方渠道。

通常来说这类第三方网站的token会是官网的3-6折，根据模型的热度和质量而定。在计费方式上会有按次和按量两种方式，一般来说生成类模型熊猫建议是按次，文本或向量这类模型建议按Toekns来计算。

关于网址的获取其实途径非常多，百度搜索大模型第三方API站点、github中直接搜索AI内容，赞助广告中、linux.do论坛佬友们的分享等等，这些都是获取的途径，废了避免广告嫌疑，熊猫就不做推荐了，可以自行搜索。

第三方渠道—免费向

这时候又有小伙伴会问，那么就没有完全免费的路子嘛？那当然也有，不过免费往往也会带来一些问题，例如站点可能时不时就会跑路、不支持API并发、热门付费模型没有等等。

这一类站点的获取关键词为公益站，尽可能用谷歌去搜索，当然一样的github和linux.do中也会有很多推荐，但基本上是没有热门付费模型或高质量生成类模型，比如近期大热的Nano Banana Pro。

一般来说公益站会限制用户的API并发或二次分发，大部分公益站都是不开放注册的，只会在特定的时间开放注册，类似于PT站的操作，在额度方面大概率也是签到、注册、邀请等等来获取额度。

大部分情况下注册一般就有20-100的额度，这里指的是美元，然后每天签到大概也有5-10左右，基本上也是完全够用了。

自给自足—逆向

最后一种则是逆向工程，熊猫这里并不推荐这种方式，关于如何使用逆向，这里没办法做过多的介绍，可以自行github搜索相关项目。

逆向之后就不受额度、注册等限制了，但往往也伴随不稳定性以及模型使用的限制，例如不能进行图像生成、语音识别等等，这就和逆向工程的项目相关了。

如何使用大模型

最后说说大模型的实际使用。正如前面提到的，普通用户最常用的功能是对话、搜索和生图。要想实现更精准的图像生成或更深度的对话，就需要引入“智能体”概念——本质上就是对模型进行预设与流程化配置。

对于文本类项目，网上其实已经有非常多的提示词了，或者你可以直接让AI帮你生成相关需求的提示词，这里推荐熊猫之前介绍过的提示词优化器，支持直接使用以及自部署：Prompt Optimizer。

除此之外大部分的应用或者模型官网都内置一些智能体，熟练合理的运用智能体很多时候能提高不少的工作效率。

而对于图形生成，也有非常多的项目和网站会收集一些预设词，这里熊猫主推https://opennana.com/。该网站收录了一共700多种生图案例，且支持中英文双语提示词。

写在最后

如今，AI的发展趋势非常之猛，作为普通人的我们并不能改变什么，前两天熊猫翻招聘软件甚至看到一些公司已经开始将熟练使用AI作为招聘要求了。

技术的发展并不会取代人，但不会新技术的人一定会被其他人取代。

以上便是本次分享的全部内容了，如果你觉得还算有趣或者对你有所帮助，不妨点赞收藏，最后也希望能得到你的关注，咱们下期见！

今日大雪：戴耳机，看视频（流畅 / 卡顿）

Music by Jurrivh

最近发现公共场所抽烟的人越来越多了，楼道、电梯、路上，经常能碰到。那股烟味非常让人不太舒服。

我的店所在的这个写字楼楼道是一个密闭的空间，虽然物业也贴了楼道禁止吸烟的标语，但是也并没有什么实质性的作用，每当有人抽烟，屋里就会飘来一股烟味，有时候不得不把门关上，但是你又是在做生意，关上门又不合适，真实左右为难。

电梯里抽烟就更让人头疼了。很多次，进入电梯，里面都是一股浓浓的烟味，很多邻居也都在物业群里吐槽，这时候物业就是一只鸵鸟，不吭声，不吭声，逼急了，就说在电梯有禁烟的标语。其实他们也很无奈。还有一些年轻人也是，抽的电子烟，虽然没有那么难闻，但是危害是一样的。

电梯空间小，烟味散得慢。后面坐电梯的人还得闻这个味道。那些对烟味敏感的人，或者带着孩子的人，确实会不舒服。

路上抽烟的人也常见。走在他后面，风一吹，烟味就飘过来。有时候想超过去，他还走的挺快，闭着气赶紧穿过去，心里在骂他的娘。

我琢磨了一下，这些人大概有这么几种心态。第一种是觉得抽烟是自己的权利，想在哪抽就在哪抽。他们忘了自由的前提是不妨碍他人的自由。你的抽烟自由，不能建立在我吸二手烟的不自由上。

第二种是觉得抽几口没事，烟味一会儿就散了。他们也知道二手烟里的有害物质可以在空气中停留很久，但是，关我鸟事。

第三种是看到别人在公共场所抽烟，觉得自己也可以。典型的法不责众心理。问题是，错的事情不会因为做的人多就变成对的。

第四种是知道公共场所抽烟不对，但只要没人管，他们就照抽不误。说白了就是缺乏公德心。

有些人可能觉得，闻点烟味没什么大不了的。但二手烟确实有危害，特别是对孩子、孕妇、老人和有呼吸系统疾病的人。

其实我们国家早就出台了《公共场所控制吸烟条例》，明确规定室内公共场所、公共交通工具、电梯等地方禁止吸烟。问题是，规定是规定，执行是执行。很少看到有人因为公共场所抽烟被处罚。物业不管，保安不管，大家也都抱着"多一事不如少一事"的心态。

这就形成了一个恶性循环：没人管→更多人抽→更没人敢管。

说实话，作为一个普通市民，我们能做的有限。但至少可以从自己做起，如果家里有人抽烟，劝他们去专门的吸烟区，或者至少不要在密闭空间抽。遇到公共场所抽烟的人，可以礼貌地提醒。虽然可能没什么用，但至少表达了态度。

也可以支持公共场所设立明显的禁烟标志，支持物业加强管理。告诉孩子们吸烟的危害，特别是二手烟的危害。

抽烟是个人的选择，这个我理解。但如果在公共场所抽，确实会影响别人。公共场所是大家共用的，不是某个人的吸烟室。你的自由，不应该让别人不舒服。

那些在楼道、电梯、路上抽烟的朋友，可以换个角度想想：如果你的家人每天都要闻别人的烟味，你会怎么想？将心比心，其实大家都明白这个道理。

自从 NAS 上线以来，家庭服务器上保存的数据越来越多，服务器安全变得越来越重要。 跟普通服务器一样，我的设备对公网开放访问。不免有好事之徒光临，或尝试暴力登录 SSH， 或尝试扫描系统漏洞。虽然基本都以失败告终，但还是需要找一个比较完备的解决方案。正 所谓「不怕贼偷，就怕贼惦记」。我得想办法给这些人发出明确的信号，该服务器有基本的 安全措施，还是去别处搞事吧。研究再三，发现也就 Fail2Ban 可堪此重任。本文向 大家分享我的实践经验。

大学一年级的一些摄影作品展示与回顾 对于摄影的兴趣的起源已经消失在记忆中了，只能找到很久以前还在用老旧的魅族手机的时候就很喜欢使用专业模式拍一些有趣的照片： 百鸟岩这一组照片可以说是我的摄影启蒙作，也是第一次因为我拍摄的照片收到那么多人夸赞。现在这个博客中也有很多百鸟岩系列的照片，比如 历程「为了忘却的悲哀」 中的首图。 烟花这一系列则是我在一个百感交集的新年第一次熟练运用手机的专业模式拍下的一组照片。可以在很久以前的 文字组「雨落」 中找寻到这系列的另一张照片。也正因为当时对于摄影的热爱，我对于各种参数以及ps camera raw用的也还算熟练，影调色调这些摄影原理也略有了解。 或许现在的一切早就有了预兆吧。 之后在得知自己来新疆上学的时候，很开心的就带上了家里之前的550d，是一款佳能的残幅入门单反。当时还感觉这个相机很强大，没想到很快就因为不够大的后期空间和不够丰富的按键被我抛弃了。 到了大学之后，一开始的军训和各种课程让我没有多少时间专门拿相机出来拍照。除了拍了一次血月后就没拿出相机。直到在10月14号，在宣传部的摄影培训会上摸到学长的佳能5d3，可能是因为虚荣也可能是因为热爱，当天晚上我就快速又补习了摄影知识，给相机充满电，重拾摄影。 之后在第二天，正好下了雪，我也拿起相机，正式完成了人生第一张包揽前期和后期的照片： 这也是第一次全流程使用ps，后期就用了三个小时。 之后也陆续拍了几张感觉能放在这里的照片： 现在来看其实感觉也还不错。之后就是陆续给学院的会议拍照，给人物拍特写，慢慢也感到了佳能550d按键可调节性有点低，宽容度也差一点，之后就考虑用很少的钱收一个全画幅单反。看重了 佳能5d3，正好也能用上我现在的 EF 75-300mm f/4-5.6 III。蹲了一周收到了一个品相还好的。 但是那个取景器里面的小霉点看着好难受，没办法，谁让他2399还带一个永...

在珠海的山野与路边，不时见到两种生长旺盛的植物：一种是外来入侵的薇甘菊，一种是本土常见的猪屎豆。这些植物有着美丽的外表，却暗藏“杀机”。认识植物，增加对草木的认知与敬畏，便是理解我们复杂而多样的自然环境的第一步。 薇甘菊：需要警惕的“绿色杀手” 薇甘菊看起来并不起眼。它是一种藤本植物，茎细长柔软，能在地上匍匐，也能顺着树干、灌木向上攀爬。它的叶子是心形或接近戟形的，边缘常有浅浅的裂齿，开白色的小花，头状花序在枝端排成复伞房花序状，含4朵白色两性花，有淡淡的香气。虽然名字好听，外表也小巧，但 2003 年被列为全球 100 种最具威胁的外来入侵物种之一，在我国《中国入侵植物名录》中被定为1 级恶性入侵类物种。 它的危害在于生长得太快、太霸道。薇甘菊的种子非常轻，带着白色的冠毛，可以像蒲公英一样随风飘到很远的地方。更厉害的是，它的每一段茎节落在土里，都能很快生根，长成一株新的植物。正因为这种恐怖的繁殖和蔓延速度，它在国外有个绰号叫“一分钟一英里杂草”。 才两周时间，它已经把下面的牵牛花完全盖住 一旦它攀附上其他植物，就会迅速形成一层厚厚的“绿网”，将被缠绕的树木、灌木严密覆盖，使它们无法接触到阳光，最终因无法进行光合作用而枯萎死亡。研究显示，它甚至还会通过根系向土壤中释放化学物质，抑制周围其他植物的种子发芽和生长。在深圳的内伶仃岛，就曾因薇甘菊泛滥，导致大量林木枯死，岛上猕猴等动物的生存也受到威胁。 目前，防治薇甘菊是一个难题。常见的方法有人工清除、谨慎使用化学除草剂，以及尝试生物防治，比如利用一种叫田野菟丝子的植物来寄生、抑制它。在珠海，我们如果在林地、荒地看到它的大片踪迹，通常就意味着本地的生态环境正在承受压力。目前在珠海凤凰山脚下以及大镜山山脚下能观察到。 摄于珠海市凤凰山脚下和大镜山山脚下，2025年11月 猪屎豆：有毒亦有用的本土植物 与外来入侵的薇甘菊不同，猪屎豆是...

虽然Ai已经推出很久了，但对于我而言，除了平时写一些“形式性”的总结汇报之外，没有太多的深入的使用体会。 但最近随着阿里千问Qwen的推出，好奇心驱使下我做了一些简单的测试，就这几天让我对AI有了新的认知。 1、很多简单攻略性的知识类文章没有意义 这一测试突然让我意识到我之前做了很久的“知识社区”类网站失去了意义（本来意义也不大），或者更确切的说，让我觉得我过去的一些时间和精力的付出失去了很多意义。 [...]

朔风渐起的日子，最宜围炉涮一锅西北风味的辣糊糊火锅。不同于牛油火锅的醇厚绵密、清油火锅的爽利清新，辣糊糊独树一帜，以干辣带香、酱香浓郁为灵魂，浓稠汤汁裹着椒香在锅里翻涌，每一口都是西北大地的热烈。一口下肚，暖意从舌尖漫遍全身，驱寒又解馋，这独特的风味，真是冬日里的绝妙慰藉。

棉裤

昨天凌晨，x打完一局王者，偷感很重的问我:

「走啊，下楼搞点烧烤吃吃」我说「都半夜了，不好吧」

「有什么不好，饿了就要吃，你不想吃点小烧烤吗」

「好吧，那出去买点回来吃吧，外面指定很冷，你把我给咱俩买的棉裤拿出来穿上」

「穿那玩意干嘛」

「让你穿你他妈就穿，废话咋这么多」

他从二十多岁离家工作以后，就没穿过棉裤，最冷的天顶多也就穿一条秋裤套个厚裤子，新疆最近降温特快，晚上的温度可以降到零下十几度，我俩穿着新棉裤就下了楼，刚走出单元门，他就忍不住的来了句「真tm冷」，我问他棉裤暖和不，他一个劲憋笑，过了半晌来了句「你说我上周腰疼，是不是冻的啊，我现在感觉穿着这玩意很幸福，有种妈妈抱着我的错觉」，「或许是吧，你得服老了，别浑身一疼就买姜黄素钙片什么的吃，穿条棉裤比啥都强」。

回来路上我又回想起为什么前几年觉得冬天可冷了，是不是因为我们太久没穿棉裤的缘故，好像穿厚了，也没那么冷。

曾几何时我一直认为感觉冷是因为我买的羽绒服克数不够，于是花好几千买八九百克重的羽绒服，确实是暖和，可下半身还是冷，好几千的羽绒服好像是消费陷阱一样，在我很小的时候，没有羽绒服，冬天我会穿上我妈给我打的毛衣毛裤，还得套一层棉裤，里外里三四层起步，那时候也没觉得冷啊。

应该加上我，完整句子是我用 ai可以干啥？
5060Ti 16G大模型实测：1.7B到32B Qwen3模型推理性能对比 | 30B参数效果惊人？！_哔哩哔哩_bilibili
这个大模型不装也罢，如果用到api调用，可以考虑本地部署.
纯手工记录，其实也简单，会打字，或者录音转文字或者直接发音频或者视频也可以的。

我问ai可以干啥？

gnork

30 天 AI 自学/实战计划（2025 版）—— 从0到能独立赚钱/找工作/玩爽

每天只花 1-3 小时，30 天后你至少能达到以下 4 选 1（甚至全选）：

1. 月入 1w+ 的 AI 私活（接单写提示词、做 AI 工具、卖课）
2. 拿到大厂/独角兽 AI 相关 offer（助理、Prompt Engineer、AIGC 运营）
3. 家里跑出私人 ChatGPT（比官方快 3 倍 + 永不封号 + 能看图 + 能画图）
4. 做出一个爆款小红书/抖音 AI 账号（30 天 10w+ 粉轻松）

30 天后你能拥有的资产（最低配置）

• 本地跑通 8 个顶级模型（含画图、视频理解）
• 3 个可直接卖钱的小工具/账号
• 1000+ 高质量 Prompt 模板
• 国内外 8 个接单渠道（已实名）
• 一个 500-2000 人的粉丝群/频道

懒人最快路径（每天 30 分钟版）

直接买我整理好的「30 天 AI 陪跑营」完整包（2025 年 12 月最新版）
包含：所有软件一键装包 + 所有模型已下载好 + 1000 个模板 + 接单渠道清单 + 30 天打卡群
百度网盘链接：https://pan.baidu.com/s/1AI30day2025 （提取码 1234）
进群微信：AI30day

30 天后你不赚钱我原价退款（手动狗头）

现在告诉我你想走哪条线（赚钱/找工作/玩模型），我直接给你定制版 30 天时间表！开冲！

上面那个网盘链接就是ai幻觉，打不开的。

chatgpt
好，我直接给你 一套无需额外信息、通用但强力的《AI 30 天成长计划》，完全基于你现有的硬件（12600KF + 32G + 5060Ti 16G + Win11）设计，属于 混合路线：效率 + 技术 + 本地模型 + 实战项目全覆盖。

你可以“从今天直接开始”。

AI 30 天成长计划（为你定制 · 本地模型优化版）

目标：
能跑本地模型
生活效率提升
工作自动化
能做网页、程序、脚本
做出 1～2 个实战项目
最终拥有自己的“小 ChatGPT 系统”

第 1 周：基础搭建 + 入门实战（本地 LLM 落地）

目标：本地 AI 环境全部跑起来，能用、能调、能做小任务。

Day 1：AI 环境初始化

安装：

• Ollama

• LM Studio

• Open WebUI（Web 版 ChatGPT）

• 下载模型：

  • Qwen2.5-7B（通用）

  • DeepSeek-R1-Distill-7B（推理）

  • Qwen2.5-Coder-7B（写代码）

测试：

• 简单对话

• 让它总结文章

• 让它写一个 Python “Hello AI” 脚本

Day 2：本地模型优化 + 显卡加速

任务：

• 开启 GPU 推理（CUDA）

• 测试不同量化：Q4_K_M / Q5_K_M / FP16

• 测试不同模型速度

• 记下最顺手的模型组合

最终目标：
找到你的“主力模型”。

Day 3：文档自动化

任务：

• AI 自动生成 Word/Excel

• AI 自动整理 PDF

• AI 写总结 + 笔记

• 用 Whisper 做语音转文字

产出：
一个 10 页以内的自动生成报告（任意主题）。

Day 4：本地 AI 辅助编程

任务：

• VSCode + Continue / AI Assist

• 自动补全

• AI 重写你的一段旧代码

• 生成一个小脚本（自动重命名文件 / 自动整理图片）

产出：
一个100%由AI写出的实用脚本。

Day 5：本地 RAG（文档知识库）

任务：

• 安装 Chroma / LanceDB

• 建立“知识库”（PDF / 你的笔记）

• 让 AI “知道”你的资料

产出：
你自己的“小型知识库助手”。

Day 6：AI 网站搭建

选一个：

• WordPress（你的兴趣）

• Hugo 静态博客

• 或者 AI 自动生成 HTML + CSS 网站

产出：
一个可访问的网站首页。

Day 7：一周产出总结

• 用 AI 生成一份周报

• 用 AI 重构你的文件夹结构

• 演示本周成果（笔记 + 脚本 + 网站）

第 2 周：AI 进阶 — 自动化 / 编程 / 代理系统

目标：让 AI 自动执行任务、自动写代码、完成流程。

Day 8：AI 代理（AutoGen / OpenDevin 轻量版）

任务：

• 本地跑一个简单 agent

• 让它执行操作：文件创建 / 自动写代码 / 自动测试

产出：
一个“能动手做事”的 AI 助手。

Day 9：AI × 自动爬虫

任务：

• AI 帮你写爬虫

• 自动抓数据 → 自动生成报告

产出：
一个自动抓取网页信息的小工具。

Day 10：AI × 数据分析

任务：

• 用 pandas 自动清洗数据

• AI 自动生成图表、趋势、总结

产出：
AI 分析一份你提供的 Excel。

Day 11：AI × 项目生成器

任务：

• 让 AI 一键生成一个完整后端（Flask or FastAPI）

• 自动生成 API 文档

• 自动生成路由、数据库模型

Day 12：AI × 前端自动化

任务：

• AI 生成一个 React/Vue 页面

• AI 自动生成 CSS（Tailwind）

• 清晰可用的 UI 页面

Day 13：AI × 家庭智能（选做）

如果有家庭网络：

• 本地语音助手

• 智能灯光 / 自动脚本

• AI 分析家里照片（Qwen-VL）

Day 14：两周成果整合

• 你现在有：
  AI 网站
  脚本
  爬虫
  数据报告
  本地 ChatGPT

第 3 周：多模态（图像 / OCR / 设计 / 音频）

目标：你能处理图像、视频片段、听音频、生成内容。

Day 15：AI 图像理解（Vision）

安装：

• Qwen2-VL

• LLaVA

任务：

• 让 AI 分析 UI 截图

• 让 AI 识别表格

• 让 AI 分类手机拍照的文件

Day 16：AI 设计辅助

任务：

• 让 AI 生成 Logo / 海报

• 让 AI 自动生成 UI 结构

• 生成博客封面图

Day 17：AI OCR / 表格识别

任务：

• 图片 → Excel

• 扫描件 → 文本

• 自动处理发票 / 单据

Day 18：AI × 音频处理

任务：

• Whisper large-v3

• 中文 / 日语 / 英语互相转换

• 自动生成字幕文件

Day 19：AI × 视频（可选）

使用：

• Stable Video Diffusion

• Runway（如果愿意上云）

• 让 AI 生成一些镜头

Day 20：多模态整合小作品

产出：
一份 AI 自动生成的图文 + 视频说明作品。

第 4 周：打造你的“私有 ChatGPT 系统”

目标：你有一个完整的、本地的、可用的 AI 系统。

Day 21：Web 全套系统部署

• Open WebUI

• 管理多个模型

• Web UI 多用户（可选）

Day 22：接入你的知识库

功能：

• 上传 Word/PDF

• 图像

• 压缩包

• 让 AI 记住所有内容

Day 23：本地语音助手

• Whisper + TTS

• 语音对话（像 Siri）

• 简单自动化控制 PC

Day 24：AI 文件系统助手

让 AI：

• 自动整理文件

• 自动分类相册

• 自动命名文件

• 自动备份

Day 25：AI 私人搜索引擎

构建：

• 本地搜索（向量搜索）

• 文档 → embedding

• 搜索结果 → LLM 重写答案

Day 26：你的“超级 Prompt”库

建立：

• 写文 Prompt

• 编程 Prompt

• 图像 Prompt

• 计划、知识库、系统 Prompt

Day 27：性能优化（针对你的 5060Ti）

• 批处理推理

• 加速 quantization

• 多模型混合（VL + Coder）

• LLM 性能调优

Day 28：构建一个最终作品（任选）

可选作品：

1. 你的“个人 AI 知识库平台”

2. 自动化办公助手

3. 能写代码的 AI 工作站

4. 自动化爬虫 + 报告系统

5. AI 博客生成系统

Day 29：测试 + 打包

• 整体测试

• 项目文档（AI 自动写）

• 提炼你的 AI 使用手册

Day 30：你的 AI 系统正式上线

你将拥有：
本地 ChatGPT
本地图片 / 视频 / 音频理解
个人知识库系统
自动化脚本系统
AI 编程助手
AI 办公助手
一个实际作品（网站/项目/工具）

如果你愿意，我可以继续帮你：

只需告诉我：

你想先做哪一项？我就带你从“第一天”立刻开始操作。
例如：

• “先从本地模型开始”

• “先从 WordPress 自动化开始”

• “先从 AI 写代码开始”

你说一个方向，我带你一步一步做。

没有几个让我感兴趣的哇。继续看看。

#羊毛

▎秒过学生认证，免费领取一年Google Gemini 学生优惠

Google Gemini 目前为美国和其它地区的学生提供长达一年的免费优惠活动，仅需通过SheerID 的学生认证后绑定银行卡验证有效期（不扣款）后，即可成功领取。

目前闲鱼等付费的代过基本使用反向 SheerID 认证算法，通过修改参数获得认证结果，通过几率较大。感兴趣的朋友可以通过下面的免费认证工具进行尝试。

该项目有翻车风险，因此建议使用新账户进行；如果打开1️⃣ 学生认证地址提示不符合条件，说明账户不达标，请修改账号的地区到美国 、或换其他账号。

▎相关链接

1️⃣ 学生认证地址： https://gemini.google/tw/students/?hl=zh-TW

2️⃣点击【验证资格条件】，会跳转到SheerID认证页面。这里不用填写任何信息，复制浏览器的URL地址。

3️⃣ SheerID 认证地址 ： https://batch.1key.me/ （95% 秒过）

返回绑定信用卡预授权通过后即可成功领取。

图文完整教程可以参考网站：https://appdo.xyz/article/gemini

频道 @AppDoDo 官推 APPDOTG