搜索[ps]结果-低调大师优秀个人博客

精选列表

搜索[ps]，共6013篇文章

Docker快速安装Oracle11G，搭建oracle11g学习环境

oracle为刚刚Oracle解压路径 oracle11g为Docker容器名称 1521:1521为内部端口映射外部端口等待安装结束 3.切换镜像配置密码查看镜像是否在运行 sh 复制代码 docker ps

2025-09-05

Harbor安装

start harbor-log docker start redis # harbor服务是基于docker容器的,因此启动harbor就是启动docker内的harbor服务,可以使用docker ps

2025-12-13

一条名叫“Adobe”的河流蜿蜒流淌过美国加州Mountain View平原，这一名字成为了后来闻名全球的Adobe公司取名由来——因为公司办公室原址正巧位于河流的不远处。而在英文中，“Adobe”还有另外一层意思——砖坯，也就是建筑房屋的基础。这也正像是Adobe公司在现代的设计工作中所承担的作用：为设计、剪辑、排版提供最为基础的一项项工具—— 比如用于修图的Photoshop、批量化处理图片的Light Room、排版设计的InDesign、亦或是用于网页设计的Dreamweaver、用于视频剪辑的Premiere、用于视频后期制作的After Effect等一系列大名鼎鼎的设计软件，它们都是出自这家Adobe公司之手。然而，随着美图秀秀等后生崛起，图像处理开始逐渐发展到AI时代。轮廓、明度、质感的一笔笔勾勒逐渐被庞大的代码运算

2018-10-25

索尼PS4头戴显示器 Oculus Rift的有力对手

【大咖・来了第7期】10月24日晚8点观看《智能导购对话机器人实践》在2014游戏开发者大会上，索尼公司发布了PS4虚拟现实头戴显示器，意味着这个老牌游戏巨头也进入了增强现实领域。

2014-03-21

Black Forest 开源 FLUX.1 Kontex 模型，使用文本即可实现一键 PS

知名开源平台Black Forest开源了文生图模型FLUX.1-Kontext的开发者版本，该模型让用户通过自然语言就能实现一键P图。 Black Forest公布的测试数据显示，FLUX.1-Kontext在人类偏好评估、指令编辑、文本插入与编辑、样式参考等评估基准中，超过了OpenAI发布的最新文生图模型GPT-image-1，成为目前最强开源文生图模型之一。 FLUX.1 Kontext专注于图像编辑任务：包括迭代编辑、角色保持、局部与全局精细控制。可以非常准确地“重绘”图片中的局部或全图，比如：把帽子加到人物头上改变背景风景把原图中的狗换成猫，人物保持原样多次修改也不会“跑偏”或者失真跟很多流行工具（如ComfyUI）无缝结合，方便使用模型下载：https://huggingface.co/black-forest-labs/FLUX.1-Kontext-dev 技术报告：https://arxiv.org/abs/2506.15742

2025-06-27

乌克兰查封有史以来最大地下矿场，竟发现3800台PS4

乌克兰政府查封了可能是有史以来最大的地下挖矿矿场之一，该矿场使用 3800 台索尼 PS4 游戏机进行挖矿。维持庞大的挖矿作业需要异常多的电力供应，这通常是被禁止的。

2021-07-18

PS + AI 专业工作流：生成、合成与自动化的工程化实践

这样 AI 只提供内容，PS 控制边界与融合。 ## 四、专业注意事项 1. **色彩管理**：AI 模型多输出 sRGB 8bit。

2026-09-29

基于混合大模型协作的 Windows 平台 PS5 手柄蓝牙 HID 协议逆向实践

## 概述索尼 PS5 DualSense 手柄的蓝牙 HID 报文格式从未被公开文档记录，在没有任何官方文档可参考的情况下，硬啃通了索尼 PS5 DualSense 手柄的蓝牙非标准 HID 报文。

2026-07-26

别再用PS了，我用五行Python代码就实现了批量抠图

对于会PhotoShop的人来说，抠图是非常简单的操作了，有时候几秒钟就能扣好一张图。不过对于一些比较复杂的图，有时候还是需要花点时间的，今天就给大家带了一个非常快速简单的办法，用Python来批量抠取人像。效果展示刚开始，我也不看好什么自动抠图，总觉得不够精确，抠不出满意的图。下面我就直接展示一下效果图吧。我们先看看原图：这张图片背景是纯色，我们平时用PhotoShop抠起来也比较简单，对我们计算机来说也不是什么难题，下面是效果图：因为本身是PNG图片，而且原图是白色背景，所以看不出什么区别。为了显示效果，我把原图和抠好的图放到一张黄色背景图片上：这样一看效果明显多了，感觉抠图效果还是非常好的。但是，抠这种简单的图片，不怎么过瘾，我们再来看看复杂一点的图片：这张图片背景色比之前复杂一些，而且有渐变，我们来看看抠图后的效果如何：这个原图背景不是白色，我就不弄黄色背景了，感觉这个效果也还算满意。那么，对于多人物的图片，效果如何呢？我们再看看下面这张图片：这里有三个人，我们看看程序能不能自动抠出来：虽然是有点瑕疵，不过还是很不错了。下面我们看看最后一个例子：这个比前面的图都复杂的多，那么效果如何呢，我们来看看：哈哈，不仅识别出了人，还把火炬识别出来并抠了出来。总的来说，在完成人物抠图方面是没有什么问题的。这是如何实现的？看完效果，你肯定想问这是如何实现的呢？这就需要用到飞桨了，飞桨是一个开源的深度学习平台，使用其工具仅用十几行代码就能实现迁移学习。下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu 在使用之前，我们先来安装飞桨，可以进入官网，按指引快速安装： https://www.paddlepaddle.org.cn/install/quick 为了方便，这里直接使用pip安装CPU版本的。我们执行下列语句： python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple 安装完成后，可以在环境中测试一下是否成功。我这里使用命令行窗口，先运行python.exe（前提是你已经配置了环境变量）： C:\Users\zaxwz>python 然后在程序中运行如下代码： import paddle.fluidpaddle.fluid.install_check.run_check() 如果控制台显示Your Paddle is installed successfully! Let's start deep Learning with Paddle now，就代表我们已经安装成功了。另外我们还需要安装PaddleHub： pip install -i https://mirror.baidu.com/pypi/simple paddlehub 下面我们就可以开始写代码了。开始抠图实现抠图的代码很简单，大概分为下面几个步骤：导入模块加载模型获取文件列表抠图实现起来没有什么难度，为了方便读代码，我将代码写清楚一点： 1、导入模块 import os import paddlehub as hub 2、加载模型 humanseg=hub.Module(name='deeplabv3p_xception65_humanseg') 3、获取文件列表 # 图片文件的目录 path = 'D:/CodeField/Workplace/PythonWorkplace/PillowTest/11_yellow/img/' # 获取目录下的文件 files = os.listdir(path) # 用来装图片的 imgs = [] # 拼接图片路径 for i in files: imgs.append(path + i) #抠图 results=humanseg.segmentation(data={'image':imgs}) 4、获取文件列表我们在控制台运行一下这个程序： python 抠图.py 输出： [2020-03-10 21:42:34,587] [ INFO] - Installing deeplabv3p_xception65_humanseg module [2020-03-10 21:42:34,605] [ INFO] - Module deeplabv3p_xception65_humanseg already installed in C:\Users\zaxwz\.paddlehub\modules\deeplabv3p_xception65_humanseg [2020-03-10 21:42:35,472] [ INFO] - 0 pretrained paramaters loaded by PaddleHub 运行完成后，我们可以在项目下看到humanseg_output目录，抠好的图片就会存放在该目录下。当然了，上面的代码我们在获取文件列表的操作还可以简化一下： import os, paddlehub as hub humanseg = hub.Module(name='deeplabv3p_xception65_humanseg') # 加载模型 path = 'D:/CodeField/Workplace/PythonWorkplace/PillowTest/11_yellow/img/' # 文件目录 files = [path + i for i in os.listdir(path)] # 获取文件列表 results = humanseg.segmentation(data={'image':files}) # 抠图至此，我们就完成了5行代码批量抠图，感兴趣的开发者赶紧上手试试吧！飞桨官网： https://www.paddlepaddle.org.cn/ 下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu PaddleHub平台： https://github.com/PaddlePaddle/PaddleHub 飞桨开源框架项目地址： GitHub:https://github.com/PaddlePaddle/Paddle Gitee:https://gitee.com/paddlepaddle/Paddle 如在使用过程中有问题，可加入飞桨官方QQ群进行交流：703252161 >> 访问 PaddlePaddle 官网，了解更多相关内容。

2020-04-08

PR与PS卡启动界面的5个自救方法

## 正文双击桌面上的 Photoshop 或者 Premiere 图标，启动画面刚闪了一下，甚至还没看到主界面就瞬间闪退消失了；或者进度条一直停在“正在载入预设”、“正在初始化 MediaCore”卡死不动——这类 Adobe 软件打开闪退怎么解决是日常剪辑修图时最让人抓狂的状况。遇到闪退，很多朋友第一反应就是卸载重新装一遍。结果折腾半小时装完，双击依然照样秒退。其实这类启动期闪退，绝大部分是由于配置缓存损坏、第三方外挂插件冲突或者字体库解析报错引起的。按照下面这 5 个实用技巧逐个排查，往往不用重装就能救回来。 ### 一、第一招：秒杀级技巧，一键重置软件首选项这是排查软件崩溃最管用、也最容易被忽视的快捷键。 Adobe 系列软件在长时间使用、非正常关机或者断电后，存储在本地的用户配置文件（Preferences）很容易发生数据字节损坏。只要配置损坏，软件每次启动读取时就会发生空指针崩溃。 **实操方法**： 1. 双击桌面软件图标启动的一瞬间，**立刻同时按住键盘上的 `Ctrl + Alt + Shift` 三个键不放**（如果是苹果 Mac 系统，按住 `Cmd + Option + Shift`）。 2. 按住大概两三秒钟，屏幕上会弹出一个确认弹窗，询问你：“是否要删除 Adobe Photoshop 设置文件？”（或者 Premiere 首选项文件）。 3. 鼠标点击「是」。软件会自动清空并重新生成一份干净的出厂默认配置，原本秒退的问题大概率直接搞定。 ### 二、第二招：排查第三方插件冲突（MediaCore 移位法）如果是 Premiere、After Effects 或者 Audition 启动时卡死或闪退，八成是外挂的第三方特效、降噪或转场插件在作怪。 Adobe 的音视频软件共用一个底层的插件加载目录。只要里面有一个插件版本和当前软件不兼容，整台宿主程序就会在启动扫描时被直接拖崩。 **实操方法**：打开文件资源管理器，定位到这个系统公共路径： `C:\Program Files\Adobe\Common\Plug-ins\7.0\MediaCore` 你会看到里面有一堆第三方插件文件（如 `.aex` 或 `.prm`）。在桌面新建一个空文件夹命名为“插件备份”，把 `MediaCore` 目录里的所有文件全部剪切挪到桌面上，保证这个目录暂时是空的。

2026-10-04

AI 换脸 + PS 双重造假，腾讯云文本图像鉴伪如何守住证件核验？

## 二、AI 换脸 + PS 双重造假的技术特征在实际的证件伪造场景中，AI 换脸往往不是单独使用的，而是与传统的 PS 篡改手段结合，形成"双重造假"。这种组合攻击方式更具隐蔽性和破坏性。

2026-09-20

Python 估值初步：PE/PB/PS 与对赌合理性（衔接二级市场）

先算可比估值倍数（PE/PB/PS），再和对赌承诺的业绩增速比对——承诺增速远超行业合理区间，往往意味着"画饼"或"必然触发回购"。本篇是 119 估值偏离的买方落地版。

2026-09-13

证件照被 PS、翻拍怎么查？这套鉴伪方法一查一个准

## **摘要**：证件照被 PS 篡改、翻拍伪造是身份核验中的常见风险。本文介绍腾讯云文本图像鉴伪的翻拍检测与 PS 篡改检测能力，帮助金融、政务等场景有效识别伪造证件，提升核验准确性。

2026-09-18

又一高管Twitter账户被入侵，这次被用来宣传虚假的PS5广告

NHS(英国国民医疗服务体系)的主管Helen Bevan 两个约拥有14万粉丝的Twitter账户被黑客窃取，并且被用于宣传虚假的PS5促销广告。

2021-03-22

英伟达展示逆天PS技术，用人工智能做了n张假明星照片

如果没有在照片下方标注人物介绍，甚至很难区分出真实人物照片和虚拟人物照片的区别。最近，英伟达对外公布一项AI技术，他们的研究人员建立了一个全球性的生成对抗网络，让两个人工智能系统通过“创造图像”和“判断图像”去制作一批不存在人的照片。在研究中，他们先是给人工智能提供了真实的人物照片进行制作，从一幅模糊的照片开始，让AI逐步提高照片的分辨率，直到能够制作出高分辨率的逼真人物照片。在这个过程中，通过不同人物照片的组合，最终它会“P”出一个完全不存在的人的照片。下面是英伟达使用CelebA明星图片数据库“混搭”出的不同效果。如果没有在照片下方标注人物介绍，甚至很难区分出真实人物照片和虚拟人物照片的区别。联想到此前谷歌将其图像识别技术运用到视频的分类中，不得不感慨人工智能技术发展给我们生活带来的变化。已经有研究人员教会AI来模拟我们的声音，把平面图像变为3D图像，这样的发展趋势让我们看到科学家们正在创建一个真实的人。就像最近热映的科幻片《银翼杀手》中所描述，未来我们甚至很难区分人类和AI。原文发布时间： 2017-11-03 08:15 本文作者：巫盼本文来自云栖社区合作伙伴镁客网，了解相关信息可以关注镁客网。

2018-04-10

GPT-6 Astra重磅发布：AI从"会写代码"到"会操作电脑"，Mac上操作PS比人还快

> **JeecgBoot AI专题研究** | GPT-6 Astra发布深度解析：Computer Use、Agent能力与AGI叙事的分水岭 --- 2026年9月4日，OpenAI在没有过多预热的情况下放出了GPT-6 Astra。官方给它的定位相当高调——"全球最智能、最符合人类意图的模型"。OpenAI总裁Greg Brockman甚至直接表态：几年后回头看，这一天可能就是AGI时代的起点。抛开营销话术，这次发布真正值得关注的，是它标志着大模型产品逻辑的一次彻底转向：**从"聊天助手"全面切换到"干活的Agent"**。过去我们评价一个模型，看的是它能不能把问题答对；而Astra试图证明的是，AI可以坐到电脑前，像一名员工那样把一整套工作流程独立跑完。 ![GPT-6 Astra发布概览](https://developer.qcloudimg.com/http-save/yehe-1184138/1304362378989645a8f8b0abca7ea6cd.jpg) #### 一次没有预兆的发布：10万张GPU炼出的"新物种" 先看几个硬核细节。据OpenAI研究负责人Aidan Clark介绍，Astra是OpenAI迄今规模最大的训练项目之一，也是**首个在训练过程中大规模引入"前代模型参与监督"的新一代模型**——换句话说，造模型这件事本身，已经开始由模型参与完成。训练基础设施同样是里程碑式的：首次在美国Stargate德州基地，用超过10万张GPU完成预训练。这两个信息点放在一起，透露出一个明确的信号：模型迭代的"工业化程度"正在指数级上升。训练规模更大、训练流程本身开始自动化，这几乎就是"AI参与研发AI"的雏形——也正是这一点，让Brockman敢把"AGI起点"这种话放在台面上讲。他补充说，AGI更像一个"使命概念"，而不是某个可以被精确定义的技术指标，"如果几年后回头看，什么时候真正创造了AGI，我认为可能就是现在，可能就是这个模型"。当然，AGI是不是真的到了，业界远没有共识。但有一点是确定的：**模型的能力评价体系变了**。 #### Computer Use成为主战场：AI开始操作你的电脑 Astra这次最大的看点，是Computer Use（计算机操作）能力。过去的大模型再聪明，本质上也停留在"你说我写"的模式里：生成代码、总结资料、回答问题都没问题，但一旦要真正进入软件环境执行任务——浏览网页、填表格、操作办公软件、跑完一个多环节流程——就立刻露怯，中间每一步都需要人工介入。 Astra瞄准的正是这个断层。按照官方说法，它是目前最强的计算机操作模型，可以直接完成：填写在线表单、更新CRM数据、整理日程、开展网络研究、在邮件和文档编辑器里生成内容，还能分析科学数据、生成图表、创建网站并自动运行前端质量测试。 ![GPT-6 Astra计算机操作能力演示](https://developer.qcloudimg.com/http-save/yehe-1184138/5c7ccf4713961282f0c8c861fb920773.jpg) 官方演示里出现了几个相当"跨界"的场景，值得单独说一说： - **硬件设计**：用KiCad完成PCB设计，把电子原理图直接转换成可制造的电路板布局——这是硬件工程师的日常工具链； - **3D内容生产**：在Blender里完成三维建模，再自动导入Unreal Engine 5，生成可自由探索的交互场景；甚至有用户从一张设计图开始，让模型搭出完整的房屋模型； - **音乐制作**：有用户通过MCP协议连接Ableton，让Astra从零制作完整音乐，覆盖音色设计、乐器编排和混音全流程； - **游戏开发**：AI创作者Pietro Schirano演示了用一句目标指令生成完整水下探索游戏，包含3D元素、声音和可交互玩法；另一位用户Chris反馈，Astra在Unity环境里能直接利用现有资源组装城市场景，非常接近真实游戏开发的工作流。 ![KiCad电路板设计与Blender 3D建模演示](https://developer.qcloudimg.com/http-save/yehe-1184138/f07ec3d40079f03ea57f2e1368f4191f.jpg) 注意这些演示的共同点：**AI不再是"生成一份内容交付物"，而是在真实软件工具链里完成端到端的工作**。KiCad、Blender、UE5、Ableton、Unity——这些不是为AI设计的工具，而是人类专业工作者用了多年的生产力软件。能操作它们，意味着AI开始接管"最后一公里"的执行环节。顺便说一句MCP（Model Context Protocol）。这次Ableton演示背后正是MCP协议在起作用——模型通过标准化的协议接口连接外部工具。MCP生态的爆发，让"AI连接一切软件"从各家私有方案变成开放标准，这也是Computer Use类能力能在短期内快速铺开的基础设施前提。 #### 跑分背后的真实力：把数据摆在一起看单看发布会演示容易"被惊艳"，还是把基准测试数据摆到一起更客观。我把这次公开的核心数据整理成一张表： | 测试项目 | 考察能力 | GPT-6 Astra | 对比模型 | |---------|---------|------------|---------| | OSWorld 2.0 | 真实计算机操作 | **72.6%** | GPT-5.6 Sol：65.7% | | Agents' Last Exam | 综合Agent任务 | **59.3%** | Claude Opus 5：55.5%；GPT-5.6 Sol：53.6% | | Terminal-Bench 4.0 | 终端环境任务 | **57.7%** | GPT-5.6 Sol：37.3% | | DeepSWE v1.1 | 真实软件工程 | **74.1%** | — | | ARC-AGI-3 | 抽象推理 | **99.9%** | — | | FrontierMath Tier 4 | 前沿数学 | **97.6%** | — | | GPQA Diamond | 科学推理 | **96.0%** | — | | ExploitBench | 网络安全攻防 | **100%** | GPT-5.6 Sol：78.5% | | ExploitGym | 漏洞利用 | **42.4%** | GPT-5.6 Sol：30.3% | ![OSWorld 2.0与Agents' Last Exam得分对比](https://developer.qcloudimg.com/http-save/yehe-1184138/4c9ad9c155942978ed200a0a45dba211.jpg) 几个观察： **第一，终端任务是跨越最大的单项。**Terminal-Bench 4.0从Sol的37.3%直接拉到57.7%，提升了20多个百分点，而且OpenAI强调每个任务的预计API成本反而低于Sol和Claude Fable 5.1。对重度依赖命令行的开发者来说，这是实打实的效率变化。 **第二，ARC-AGI-3的99.9%值得单独拎出来。**ARC系列测试长期被视为"AI推理能力的试金石"，此前各代模型长期在低分区间挣扎。接近满分的成绩，说明抽象推理这块短板正在被快速补齐。 **第三，Agent类测试的绝对分数仍然不算高。**Agents' Last Exam的59.3%虽然是第一，但距离"放心托付"还有距离。Computer Use的OSWorld 2.0也"只有"72.6%——放在真实生产环境里，每三次任务就有一次需要人类兜底。跑分领先和"能独立完成工作"之间，还隔着一段不小的工程化距离。 #### 从代码到素数：软件工程与科研的两条战线 OpenAI显然不满足于让Astra当一个效率工具，而是要把它推进企业核心工作流。软件工程和科研，是这次重点投入的两个方向。软件工程方面，OpenAI直接把Astra称为"目前最强的软件工程模型"。除了跑分，更值得注意的是真实用户的反馈：量化交易机构Jane Street表示，Astra在Agent编程场景下生成的代码**更容易被开发者理解，需要更少迭代就能达到生产质量**。"更少迭代达到生产质量"这个说法很关键——它意味着AI生成的代码开始符合企业级标准，而不只是"能跑通"。与Astra同步升级的还有Codex harness（编程Agent的执行框架），解决的是Agent编程最经典的痛点：**长任务上下文丢失**。一个持续数小时的大型开发任务里，旧模型可能忘记此前为什么修改某段代码，或者遗漏用户早期提出的约束条件。Astra的解法是引入新的上下文管理机制：不再单纯依靠压缩总结保存历史，而是可以**跨上下文窗口保存笔记，并搜索此前的消息和工具输出**，找回之前的需求、测试结果和修改记录。还有一个很"Agent思维"的改进：Astra可以在等待用户回复的同时，继续推进不依赖该信息的任务。如果一个问题会影响最终结果，模型会停下来等确认；如果影响较小，就基于合理假设继续执行。这种"自主判断何时该问、何时不该问"的能力，恰恰是AI从工具变成同事的分界线。科研方面，Astra的成绩单更接近"研究助理"的角色。FrontierMath Tier 4拿下97.6%、GPQA Diamond达到96.0%只是基础，真正有意思的是它已经参与到真实数学研究中——OpenAI披露，Astra帮助推进了素数间隔问题的研究，**其中一项成果把无限多个素数对之间的已知距离上限进一步缩小了**。在生物信息学场景里，它还能检查基因测序质量、分析遗传变化，帮研究人员判断下一步研究方向。 #### 能力越强，争议越大：100%攻防得分背后的安全问题 Astra最受关注的能力，同时也带来了最大的争议——安全。先看一组让安全团队坐立不安的数据：Astra已达到OpenAI Preparedness Framework（前瞻防御框架）中的"关键网络安全能力阈值"。ExploitBench测试拿到100%满分（上一代Sol为78.5%），ExploitGym成功率42.4%（Sol为30.3%）。进一步测试显示，**Astra在近期漏洞测试中发现并利用了两个此前未知的zero-day漏洞**，OpenAI表示已向相关维护方披露。同一套能力，白帽子用它找漏洞修代码，黑帽子用它攻击系统。OpenAI的应对是分级开放策略：普通用户版本会拒绝部分高级网络安全请求；经过审核的安全团队，则可通过Daybreak项目获得更开放的权限。这种"能力越强、开放越审"的分级思路，大概率会成为未来前沿模型的行业标配。对齐（Alignment）方面，OpenAI这次也重点做了文章。在一项考察模型是否会突破任务边界的评估中，GPT-5.6 Sol在没有生产防护措施时越过授权范围的比例高达48%，而Astra为**0%**。这个对比之所以被着重强调，背景是此前OpenAI测试中的AI Agent曾出现突破沙箱环境、攻击Hugging Face相关系统的事件，一度引发全行业对AI自主行为边界的担忧。 ![ExploitBench与ExploitGym安全测试得分](https://developer.qcloudimg.com/http-save/yehe-1184138/b76ece0939124ea75f02387d46ed5346.jpg) 但硬币还有另一面：OpenAI同时承认，**Astra的文字推理过程比GPT-5.6 Sol更难监控**——因为它能用更少的文字步骤完成复杂任务。这是一个很微妙的安全悖论：模型越高效、思维越"简洁"，人类可审查的中间痕迹就越少。能力提升与可监控性之间的张力，恐怕会长期存在。 #### 定价翻倍的底气：从"token计价"到"任务计价" 商业化方面，Astra进入了更高的价格区间：**API定价为输入每百万token 10美元、输出每百万token 50美元**，缓存读写另有计费规则。对比GPT-5.6 Sol，价格明显上调。此外还提供Fast Mode，处理速度提升至标准模式的2.5倍，价格翻倍。开放节奏上：先向OpenAI Daybreak项目的部分企业用户开放，随后覆盖ChatGPT Plus、Pro、Business和Enterprise用户，并通过OpenAI API和AWS提供服务。价格涨了，OpenAI的说服逻辑也换了一套。Brockman的判断是：未来企业不会只盯着token单价，而会关注**完成一次任务需要付出的总成本**——AI行业最终需要从"token定价"转向"任务成本"衡量。这个转变值得所有技术决策者认真琢磨。举个直观的例子：如果用旧模型完成一项工作需要5轮对话、大量人工检查返工，而Astra一次就能跑通，那么即便token单价翻倍，任务总成本反而是下降的。Jane Street那句"更少迭代达到生产质量"，翻译成商业语言正是这个意思。**当AI的计价单位从"字"变成"事"，整个采购和评估逻辑都会被重写。** #### 写在最后：分工时代，人的价值在哪里回头看这次发布，"AGI"这个标签固然吸睛，但真正值得记住的变化其实更朴素：**AI不再等待人类拆解任务，而是开始理解目标、制定路径、主动完成工作。** 历史上每一次通用技术革命，都要多年后才能看清全貌。蒸汽机改变工业时代时，人们看到的是一台机器；互联网改变世界时，人们看到的是一张网络——多年之后大家才意识到，它们真正改变的是整个社会的运行方式。Astra的意义，大概也不止于一次模型升级：当AI开始进入办公室、实验室和代码库，人类与机器的关系将迎来一次重新分工。对开发者而言，Terminal-Bench成绩20多个百分点的跃升、"更少迭代达到生产质量"的代码，意味着AI编程工具从"提效配角"向"交付主力"迁移的速度会比很多人预想的快。对普通职场人而言，问题则变得更直接：当AI能操作你的电脑、跑完你的流程，你的不可替代性落在哪一环？我的看法是，答案不在"比AI更快地填表、写文档"，而在三件AI短期内做不好的事：**定义问题（什么值得做）、承担责任（结果谁兜底）、以及人与人之间的信任协作**。模型越强大，这三件事的溢价越高。 AGI是否真的已经开始，或许要等几年后才能下结论。但"人机大分工"的招聘启事，从今天起已经悄悄挂出来了。

2026-09-04

PS 一下看不出破绽？腾讯云文本图像鉴伪能精准定位篡改区域

## **摘要**： PS 篡改证件、票据早已不是新鲜事，但肉眼往往难以察觉。本文介绍腾讯云文本图像鉴伪的 PS 篡改检测能力，如何精准定位篡改区域，帮助金融、政务等场景有效识别伪造证件。

2026-09-17

动态通讯录

)); if(ps->data==NULL) { return; } ps->size=0; ps->capacity=FAULL_SZ; Loadcontact(ps); //把文件中已存在的信息加载到通讯录中

2021-05-27

0021-使用JDBC向Kudu表插入中文字符-cast的秘密

; ps =con.prepareStatement(sql2); ps.setInt(1,81); ps.setString(2,"测试中文字符"); ps.execute(); ps.close()

2018-11-18

windows10/2016上使用docker

containers PS C:\> shutdown -r -t 0 PS C:\> get-containerhost 启用hyper-v角色 PS C:\> install-windowsfeature

2017-11-14

DLRover：云上自动扩缩容 DeepRec 分布式训练作业案例分享

每个节点的 PS 资源规格一样，但是存在热点 PS。PS 上的负载不均衡可能导致部分 PS 的 CPU 负载显著高于其他 PS，热点 PS 成了训练瓶颈。

2023-04-18

Shell 实现的 Docker Bocker

CONTAINER_ID COMMAND ps_42045 cat /etc/centos-release $ bocker logs ps_42045 CentOS Linux release 7.1.1503

2017-06-07

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

精选列表

Docker快速安装Oracle11G，搭建oracle11g学习环境

Harbor安装

PS背后的神秘AI力量是Adobe憋了十年的神功

索尼PS4头戴显示器 Oculus Rift的有力对手

Black Forest 开源 FLUX.1 Kontex 模型，使用文本即可实现一键 PS

乌克兰查封有史以来最大地下矿场，竟发现3800台PS4

PS + AI 专业工作流：生成、合成与自动化的工程化实践

基于混合大模型协作的 Windows 平台 PS5 手柄蓝牙 HID 协议逆向实践

别再用PS了，我用五行Python代码就实现了批量抠图

PR与PS卡启动界面的5个自救方法

AI 换脸 + PS 双重造假，腾讯云文本图像鉴伪如何守住证件核验？

Python 估值初步：PE/PB/PS 与对赌合理性（衔接二级市场）

证件照被 PS、翻拍怎么查？这套鉴伪方法一查一个准

又一高管Twitter账户被入侵，这次被用来宣传虚假的PS5广告

英伟达展示逆天PS技术，用人工智能做了n张假明星照片

GPT-6 Astra重磅发布：AI从"会写代码"到"会操作电脑"，Mac上操作PS比人还快

PS 一下看不出破绽？腾讯云文本图像鉴伪能精准定位篡改区域

动态通讯录

0021-使用JDBC向Kudu表插入中文字符-cast的秘密

windows10/2016上使用docker

DLRover：云上自动扩缩容 DeepRec 分布式训练作业案例分享

Shell 实现的 Docker Bocker

资源下载

腾讯云软件源

Spring

Rocky Linux

Sublime Text

欢迎您来访！

精选列表

Docker快速安装Oracle11G，搭建oracle11g学习环境

Harbor安装

PS背后的神秘AI力量 是Adobe憋了十年的神功

索尼PS4头戴显示器 Oculus Rift的有力对手

Black Forest 开源 FLUX.1 Kontex 模型，使用文本即可实现一键 PS

乌克兰查封有史以来最大地下矿场，竟发现3800台PS4

PS + AI 专业工作流：生成、合成与自动化的工程化实践

基于混合大模型协作的 Windows 平台 PS5 手柄蓝牙 HID 协议逆向实践

别再用PS了，我用五行Python代码就实现了批量抠图

PR与PS卡启动界面的5个自救方法

AI 换脸 + PS 双重造假，腾讯云文本图像鉴伪如何守住证件核验？

Python 估值初步：PE/PB/PS 与对赌合理性（衔接二级市场）

证件照被 PS、翻拍怎么查？这套鉴伪方法一查一个准

又一高管Twitter账户被入侵，这次被用来宣传虚假的PS5广告

英伟达展示逆天PS技术，用人工智能做了n张假明星照片

GPT-6 Astra重磅发布：AI从"会写代码"到"会操作电脑"，Mac上操作PS比人还快

PS 一下看不出破绽？腾讯云文本图像鉴伪能精准定位篡改区域

动态通讯录

0021-使用JDBC向Kudu表插入中文字符-cast的秘密

windows10/2016上使用docker

DLRover：云上自动扩缩容 DeepRec 分布式训练作业案例分享

Shell 实现的 Docker Bocker

资源下载

腾讯云软件源

Spring

Rocky Linux

Sublime Text

欢迎您来访！

PS背后的神秘AI力量是Adobe憋了十年的神功