最近了一年office 365羊毛,想试用copilot的时候遇到这个问题：
梯子开了美国全局tun也没用，之后怀疑是缓存问题，因为一开始没开梯子导致加载了中国区的js文件，所以没法用
用微软官方网站上的方法试了下清缓存：
删除以下文件夹的内容
%LOCALAPPDATA%\Microsoft\Office\16.0\Wef\ 之后保持美国全局tun重启word即可：
如果还是不行，可以尝试office 365的网页版，也能用Copilot
参考：https://ZEEKLOG.fjh1997.top/posts/40329.html
一份新债研报要花3天时间收集资料，其中数据收集就占了大半时间，某头部券商固收研究员的抱怨揭示了这个行业效率瓶颈的本质。 如今，解决这个问题的答案正在改写：人工智能与自动化技术融合下的RPA数据采集机器人，仅需数秒即可完成原先需要数小时甚至数天的数据抓取任务，智能化的数据采集机器人正在重塑企业获取和处理信息的方式。 01 效率枷锁：传统数据采集的困境 曾经的数据采集工作如同一场没有尽头的马拉松。在金融领域，固收研究需要覆盖上交所、银行间市场等至少12个核心数据源，抓取募集说明书、财报等20余类资料。 “人工操作不仅耗时，更存在数据重复、遗漏等隐患。”一位业内人士表示。单只新债信息收集就需要5小时，而解析10万字募集说明书的人工准确率仅82%。 在招投标领域，需要同时监控国家级网站、聚合类平台以及不同行业的招标网站，每个招标文件的内容和格式都不尽相同。企业需要快速响应招标要求，抓住商业机会，但人工处理的方式显然无法满足这一需求。 02 技术突破：AI+RPA双引擎驱动 RPA技术通过模拟人类操作，实现跨系统的数据采集与处理，而人工智能则赋予这些机器人理解和决策的能力。这种
WIN11效率革命：深度定制你的资源管理器，不止于多标签 如果你和我一样，每天要在Windows的资源管理器里花费大量时间，那你一定对那种反复在层层文件夹中穿梭、找不到上一个窗口的体验深恶痛绝。系统自带的文件管理工具，就像一个功能简陋的毛坯房，勉强能用，但毫无效率与舒适度可言。尤其是升级到WIN11后，虽然界面更现代，但核心的文件管理逻辑依然停留在上个时代，对于追求效率的用户来说，这无疑是一种巨大的生产力损耗。 这篇文章，就是为那些不愿忍受现状，但又不想投入过多精力去学习复杂新软件的WIN10/WIN11用户准备的。我们不讨论那些需要彻底改变操作习惯的“重型”第三方管理器，而是聚焦于一种更优雅、更无感的解决方案：增强你正在使用的资源管理器本身。今天的主角，是一个经过国内开发者精心“魔改”的经典工具——QTTabBar的中文优化版。它就像给你的文件管理器做了一次精装修，保留了熟悉的格局，却赋予了它全新的、高效的能力。接下来，我将带你从零开始，完成这次效率升级，并深入探讨如何根据你的习惯，将它调校成最趁手的工具。 1. 为什么选择增强，而非替换？ 在深入安装细节之前，我们有必要先
项目地址： https://gitee.com/haishi-tech 引言 低空经济产业化加速推进，无人机行业应用却常被设备管控难、作业效率低、数据碎片化三大痛点卡脖子。专为专业场景打造的亥时无人机系统，以 “智能管理 + AI 监测 + 精准控制” 全流程闭环解决方案，打破行业应用壁垒，成为电力、安防、测绘等专业用户的共同选择！ 核心优势：全面开源，成熟可控 系统简介 1. 一体化架构，告别零散适配烦恼亥时无人机系统深度集成设备管理、飞行控制、AI 监测与巡检业务四大核心模块，构建 “端 - 边 - 云” 全链路技术支撑。无需额外开发适配，从设备接入、飞行操控到数据分析、报告生成实现无缝衔接，彻底解决传统方案多系统割裂、数据不通的痛点，让作业流程更顺畅。 1. 2. AI 监测中台，让智能贯穿全流程
科学机器学习中的物理信息神经网络：现状与展望 作者：Salvatore Cuomo¹ · Vincenzo Schiano Di Cola² · Fabio Giampaolo¹ · Gianluigi Rozza³ · Maziar Raissi⁴ · Francesco Piccialli¹ 在线发表：2022年7月26日 摘要 物理信息神经网络（Physics-Informed Neural Networks，PINNs）是一类将模型方程（如偏微分方程，PDE）直接嵌入神经网络结构中的神经网络（NN）。目前，PINNs 已被广泛用于求解偏微分方程、分数阶方程、积分-微分方程以及随机偏微分方程。这一新兴方法作为一种多任务学习框架出现，在该框架中，神经网络不仅需要拟合观测数据，还需最小化 PDE 残差。 本文对物理信息神经网络相关文献进行了全面综述：研究的主要目标是阐明这类网络的特征、优势与局限性。同时，本文还涵盖了更广义的基于配点法（collocation-based）的物理约束神经网络研究，包括从最初的基础 PINN（