界面不可定制，不能集成进自己的产品只有 ChatGPT Plus/Team/Enterprise 用户才能访问未来开发者可以根据使用量获得报酬，北美先开始承诺会推出 Team/Enterprise 版的组织内部专属 GPTs定制界面，或和自己的产品集成需要传大量文件服务国外用户，或国内 B 端客户数据保密性要求不高不差钱需要极致调优追求性价比服务国外用户，或国内 B 端客户数据保密性要求不高服务国

把向量和矩阵相乘看作是，是其中一种看法代数角度：向量的一行和矩阵的一列逐项相乘再相加等于新向量的一项w代表原来坐标轴和新坐标轴之间的变换关系，而a和b体现的是原来向量的关系向量和坐标系关系是相对的。

提示工程也叫「指令工程」。Prompt 就是你发给大模型的指令，比如「讲个笑话」、「用 Python 编个贪吃蛇游戏」、「给男/女朋友写封情书」等貌似简单，但意义非凡「Prompt」 是 AGI 时代的「编程语言」「Prompt 工程」是 AGI 时代的「软件工程」「提示工程师」是 AGI 时代的「程序员」学会提示工程，就像学用鼠标、键盘一样，是 AGI 时代的基本技能提示工程「门槛低，天花板高」

在计算机视觉领域，鉴于不同的环境条件和不同的物体外观所产生的固有复杂性，将先进技术集成到 RGB-D 相机输入的预处理中提出了重大挑战。因此，本文介绍了 FusionVision，这是一种适用于 RGB-D 图像中对象的鲁棒 3D 分割的详尽管道。传统的计算机视觉系统主要针对 RGB 相机，因此在同时捕获精确的物体边界和在深度图上实现高精度物体检测方面面临着局限性。为了应对这一挑战，FusionV

Lora方法的核心是在大型语言模型上对指定参数增加额外的低秩矩阵，也就是在原始PLM旁边增加一个旁路，做一个降维再升维的操作。并在模型训练过程中，固定PLM的参数，只训练降维矩阵A与升维矩阵B。Ptuning方法的核心是使用可微的virtual token替换了原来的discrete tokens，且仅加入到输入层，并使用prompt encoder（BiLSTM+MLP）对virtual tok

在规划中，我们通过结合高精度地图,定位和预测来构建车辆轨迹。规划的目标是避免碰撞和舒适的可执行轨迹。该轨迹由一系列点构成，每个点都有一个关联速度和一个指示何时应抵达那个点的时间戳。路径规划的目标是找到从地图A前往B的最佳路径。路径规划使用了三个输入，第一个输入为地图。apollo提供的地图数据包括公路网和实时交通信息。第二个输入为我们当前在地图上的位置。第三个输入为我们的目的地。apollo也通过

LLM 的知识不是实时的LLM 可能不知道你私有的领域/业务知识。

Lora方法的核心是在大型语言模型上对指定参数增加额外的低秩矩阵，也就是在原始PLM旁边增加一个旁路，做一个降维再升维的操作。并在模型训练过程中，固定PLM的参数，只训练降维矩阵A与升维矩阵B。Ptuning方法的核心是使用可微的virtual token替换了原来的discrete tokens，且仅加入到输入层，并使用prompt encoder（BiLSTM+MLP）对virtual tok

SSD和SAD都是衡量图像间相似度的有效方法，但它们各有优势和局限性。SSD更适用于低噪声图像，能够强调大的像素差异，但在噪声较多的情况下可能不理想。SAD在处理噪声图像时表现更好，但可能对某些重要的像素变化不够敏感。选择哪种匹配函数取决于具体的应用场景和图像特性，以及处理速度的要求。在某些硬件架构上，SAD的计算可能比SSD更快。您提到了相关性（Correlation）和归一化相关性（Norma

本人正在做毕设，需要得到高精度的点云（亚毫米）用于点云配准，参考立体视觉几何 （三）-CSDN博客，由于zed相机的焦距的焦距较短（2.1mm）深度不确定度过大，下一步考虑使用海康工业相机，亲们如果有这方面的见解欢迎交流！