1.202020192018......54321的文版各个位数之和可以用1➕2➕3➕到2020之和求吗
2.如何在macOS中使用类似ChatGPT的MLC本地聊天机器人
3.OpenAI 开源的免费 AI 语音转文字工具 - Whisper，一步一步本地部署运行
4.我做了个chatPPT（含源码和prompt）
202020192018......54321的源码源码各个位数之和可以用1➕2➕3➕到2020之和求吗
个位数字之和，不能用等差数列求和公式了求解。文版因为，源码源码对于一位数而言是文版可以的。但是源码源码小程序源码证书，对于多位数，文版其最大的源码源码数字之和为位数n乘以9，即：9n。文版两位数的源码源码最大为，9n=；三位数最大为，文版9n=；用等差数列求和公式来计算，源码源码显然要大好多倍。文版
，源码源码，文版......4，3，2，1，个位数字之和，可以用分析的方法归纳统计。过程比较繁琐，还是编程更为快捷，只需要很少几行代码。
计算结果是：。
附：输出结果和fortran代码
如何在macOS中使用类似ChatGPT的MLC本地聊天机器人
ChatGPT 几乎在任何主题上都拥有看似无限的知识，并且可以实时回答问题，遮天大话源码否则需要数小时或数天的研究。公司和员工都意识到人工智能可以通过减少研究时间来加快工作速度。
缺点然而，鉴于所有这些，一些人工智能应用程序有一个缺点。人工智能的主要缺点是结果仍然必须经过验证。
虽然通常大部分是正确的，但人工智能可以提供错误或欺骗性的数据，从而导致错误的结论或结果。
软件开发人员和软件公司已经采用了“copilots” 专门的聊天机器人，可以通过让AI自动编写功能或方法的大纲来帮助开发人员编写代码 然后可以由开发人员验证。
虽然可以节省大量时间，但副驾驶也可以编写不正确的代码。微软、亚马逊、GitHub和英伟达都为开发人员发布了副驾驶。
聊天机器人入门要了解 至少在高层次上聊天机器人的工作原理，您必须首先了解AI基础知识，特别是机器学习（ML）和大型语言模型（LLM）。
机器学习是计算机科学的一个分支，致力于研究和开发尝试教计算机学习的方法。
LLM本质上是一个自然语言处理（NLP）程序，它使用大量的数据和神经网络（NN）来生成文本。LLM通过在大数据模型上训练AI代码来工作，然后随着时间的推移从中“学习” 基本上根据输入数据的准确性成为特定领域的领域专家。
输入数据越多（也越准确），擎天社区iapp源码使用该模型的聊天机器人就越精确和正确。LLM在接受数据模型训练时也依赖于深度学习。
当您向聊天机器人提问时，它会根据其与您的问题相关的所有主题的学习和存储知识，向其LLM查询最合适的答案。
从本质上讲，聊天机器人已经预先计算了一个主题的知识，并且给定足够准确的LLM和足够的学习时间，可以提供比大多数人更快的正确答案。
使用聊天机器人就像立即拥有一个自动化的博士团队。
年 月，Meta AI 发布了自己的?LLM，名为 LLaMA。一个月后，谷歌推出了自己的人工智能聊天机器人Bard，它基于自己的LLM，LaMDA。此后，其他聊天机器人也随之而来。
生成式人工智能最近，一些LLM已经学会了如何生成非基于文本的数据，例如图形，音乐，甚至整本书。公司对生成式人工智能感兴趣，以创建诸如企业图形，网络考评系统源码徽标，标题甚至取代演员的数字**场景之类的东西。
例如，本文的缩略图是由 AI 生成的。
作为生成式人工智能的副作用，工人们开始担心因人工智能软件驱动的自动化而失去工作。
聊天机器人助手世界上第一个商业用户可用的聊天机器人（BeBot）由Bespoke日本于年为东京车站城发布。
作为iOS和Android应用程序发布，BeBot知道如何引导您到迷宫般的车站周围的任何地方，帮助您存放和取回行李，将您送到信息台，或查找火车时间，地面交通或车站内的食物和商店。
它甚至可以告诉您前往哪个火车站台，以便按行程持续时间乘坐最快的火车前往城市中的任何目的地 所有这些都在几秒钟内完成。
MLC 聊天应用机器学习编译（MLC）项目是Apache基金会深度学习研究员冯思源和金弘毅以及西雅图和中国上海的其他人的心血结晶。
MLC背后的想法是将预编译的LLM和聊天机器人部署到消费者设备和Web浏览器。MLC 利用消费者图形处理单元 （GPU） 的强大功能来加速 AI 结果和搜索，使 AI 触手可及，大多数现代消费者计算设备都可以使用。
另一个MLC项目Web?LLM? 为Web浏览器带来了相同的功能，并且又基于另一个项目? WebGPU。Web LLM 仅支持具有特定 GPU 的计算机，因为它依赖于支持这些 GPU 的代码框架。
大多数AI助手依赖于客户端 服务器模型，服务器完成大部分AI繁重的源码库网工作，但MLC将LLM烘焙到直接在用户设备上运行的本地代码中，从而消除了对LLM服务器的需求。
设置机器学习若要在设备上运行 MLC，它必须满足项目和 GitHub 页面上列出的最低要求。
要在iPhone上运行它，您需要具有至少GB可用RAM的iPhone Pro Max，iPhone Pro或iPhone 6 Pro。您还需要安装Apple的TestFlight应用程序才能安装该应用程序，但安装仅限于前9，个用户。
我们尝试在具有 GB 存储空间的基本 iPad 上运行 MLC，但它无法初始化。您的结果在 iPad Pro 上可能会有所不同。
您还可以从源代码构建 MLC，并按照 MLC-LLM GitHub 页面上的说明直接在手机上运行它。您需要在 Mac 上安装 git 源代码控制系统才能检索源代码。
为此，请在 Mac 上的 Finder 中创建一个新文件夹，使用 UNIX 命令在“终端”中导航到该文件夹，然后在“终端”中触发 MLC-LLM GitHub 页面上列出的命令：
cd
git clone
/mlc-ai/mlc-llm.git
，然后按回车键。git 会将所有 MLC 源下载到您创建的文件夹中。
MLC在iPhone上运行。您可以选择或下载要使用的模型重量。安装 Mac 先决条件对于 Mac 和 Linux 计算机，MLC 从终端中的命令行界面运行。需要先安装一些必备组件才能使用它：
Conda 或 Miniconda?Package Manager自制Vulkan 图形库（仅限 Linux 或 Windows）git 大文件支持 （LFS）对于 NVIDIA GPU 用户，MLC 说明明确指出您必须手动安装?Vulkan?驱动程序作为默认驱动程序。另一个用于NVIDIA GPU的图形库 ?CUDA? 将无法工作。
对于Mac用户，您可以使用Homebrew包管理器安装Miniconda，我们之前已经介绍过。请注意，Miniconda与另一个自制Conda公式miniforge冲突。
因此，如果您已经通过Homebrew安装了miniforge，则需要先将其卸载。
按照 MLC/LLM 页面上的说明，其余的安装步骤大致如下：
创建新的 Conda 环境安装 git 和 git LFS从 Conda 安装命令行聊天应用创建新的本地文件夹，下载 LLM 模型权重并设置LOCAL_ID变量从 GitHub 下载 MLC 库所有这些都在说明页面上详细提到，因此我们不会在这里讨论设置的各个方面。最初可能看起来令人生畏，但如果您具有基本的macOS终端技能，那么实际上只需几个简单的步骤。
LOCAL_ID步骤只是将该变量设置为指向您下载的三个模型权重之一。
模型权重是从HuggingFace社区网站下载的，该网站有点像AI的GitHub。
在终端中安装所有内容后，您可以使用
mlc_chat_cli
命令。
在网络浏览器中使用 MLCMLC还有一个网络版本，Web LLM。
Web LLM变体仅在Apple Silicon Mac上运行。它不会在英特尔 Mac 上运行，如果您尝试，它会在聊天机器人窗口中产生错误。
MLC 网络聊天窗口顶部有一个弹出菜单，您可以从中选择要使用的下载模型重量：
选择其中一个模型权重。您需要 Google Chrome 浏览器才能使用 Web LLM（Chrome 版本 或更高版本）。早期版本将不起作用。
您可以在Mac版本中从Chrome菜单中查看您的Chrome版本号，方法是转到Chrome-关于Google Chrome。如果有可用的更新，请单击“更新”按钮以更新到最新版本。
您可能需要在更新后重新启动 Chrome。
请注意，MLC Web LLM 页面建议您使用以下命令从 Mac 终端启动 Chrome：
/Applications/Google\ Chrome.app/Contents/MacOS/Google\ Chrome — enable-dawn-features=allow_unsafe_apis,disable_robustness
allow_unsafe_apis和disable_robustness是两个Chrome启动标志，允许它使用实验性功能，这些功能可能不稳定，也可能不稳定。
设置好所有内容后，只需在Web LLM网页聊天窗格底部的“输入您的消息”字段中键入问题，然后单击“发送”按钮。
真正的人工智能和智能助手的时代才刚刚开始。虽然人工智能存在风险，但这项技术有望通过节省大量时间和消除大量工作来改善我们的未来。
OpenAI 开源的免费 AI 语音转文字工具 - Whisper，一步一步本地部署运行
OpenAI 推出的开源免费工具 Whisper，以其出色的语音识别功能吸引了不少关注。这款模型不仅能够进行多语言的语音转文本，还能进行语音翻译和语言识别，实用价值极高。市面上许多语音转文字服务如讯飞语记等都收费，而Whisper作为开源选择，无疑是一个经济实惠且性能强大的解决方案。
想在本地体验Whisper，首先需要为Windows设备安装ffmpeg和rust。ffmpeg可以从ffmpeg.org下载并配置环境变量，而rust则可以从rust-lang.org获取并确保命令行可用。接着，创建一个python虚拟环境，安装Whisper所需的依赖库。
运行Whisper的过程相当直接。通过命令行，只需提供音频文件如"Haul.mp3"，并指定使用"medium"模型（模型大小从tiny到large递增）。首次运行时，Whisper会自动下载并加载模型，然后开始识别并输出文本，同时将结果保存到文件中。如果想在Python代码中集成，也相当简单。
如果你对此技术感兴趣，不妨亲自尝试一下。项目的源代码可以在github.com/openai/whisper找到。这不仅是一次AI技术的体验，还可能开启语音转文字的新篇章。更多详情可参考gpt.com/article/的信息。
标签推荐：#AI技术 #OpenAI开源 #Whisper模型 #语音转文字 #ChatGPT应用
我做了个chatPPT（含源码和prompt）
实现了一个基于AI的chatPPT工具，此工具能够根据输入的话题或句子自动生成PPT，包括润色标题、选择主题颜色以及生成所有插图。工具原理涉及openAI的GPT 3.5 TURBO接口、Dalle2以及Python-pptx库。
GPT 3.5 TURBO接口用于生成PPT结构文本，包括PPT标题、页面标题和内容等，同时根据文本内容选择适合的情感主题色彩。Dalle2则将生成的文本转化为相应的，Python-pptx库则负责构建PPTX文件。
实现这个工具的关键在于制定合适的提示语，让AI理解用户需求并生成符合预期的PPT。实现过程相对简单，但需要考虑科学上网、openAI接口费用（生成一个PPT费用约在0.1~0.2美元，主要成本来自接口）以及输出篇幅的限制。
使用时需要注意以下几点：
1、确保网络环境稳定，以便顺利使用工具。
2、openAI接口使用需付费，费用主要依据生成数量，一般生成一个PPT的费用在0.1~0.2美元左右。
3、由于AI接口限制输出最多个token，输出篇幅可能会受限。为解决这一问题，建议将用户输入内容分为多个部分，每次生成四个左右的主题，将这些主题的回复拼合，最终生成完整的PPT。虽然这样会增加成本，但可以有效解决输出限制问题。
工具源码已提供，有兴趣的读者可自行下载和优化，以满足更多个性化需求。
