一篇了解Copilot pro使用的笔记

一篇了解Copilot pro使用的笔记

当前AI 程序员已经默许了,除了使用国内外的那些头部Chat。Agent 模态已经肆意发展,因为随着AI的加成,大家都越来越主动或被动“效率起飞”。下面聊一下Copilot Pro的使用吧。
使用这个也就几个月吧,不谈购买心酸史,已经直接官网10刀了。这次也算开始心疼了,先研究一下这到底怎么用才不暴殄天物也不小才大用吧。哈哈,为了那该死的性价比~
1.关于copilot pro(个人账号)可供使用的头端模型界面
(手机没拍好)

在这里插入图片描述

看起来可用的后端模型挺多的,各家各路,选啥自己整。但却不是按照时间来计算,明显的“流量”限制,就是官网说的访问配额。
x = 相对消耗倍率(Cost / Compute Weight Multiplier),它不是速度,也不是性能评分,而是:
“使用该模型一次,相当于基础模型消耗的多少倍额度”。

还有:

在这里插入图片描述

(1)先说每个模型后面的那个数字0X

在这里插入图片描述


0x 不是 免费无限用
而是 不单独计入 Copilot Agent 配额权重,通常表示:这些模型:用于 基础补全或被 GitHub 平台级吸收成本,不会明显影响你 Copilot Agent 的高级调用额度
一开始安装copilot,没开copilot pro就只显示这些,但是当你免费用一段时间(其实是达到了访问次数)这边就不给免费chat输入了,会一直提醒你升到pro 模式。总是那是试用钩子,只能最基础任务,看起来傻傻的

在这里插入图片描述


在这里插入图片描述


在这里插入图片描述

(2)接着模型后面的那个数字不是0X

在这里插入图片描述


这个页面是pro 才能显示得到,而且据说不同的国家和地区显示的还不太一样。这个就是灵活度比较高了,我也不知道我这页面全了没有。
高级总额度有限啊,这可以理解成使用不同的模型耗额度的速度。每个模型都拿着一把到去砍额度,大刀一次砍的多,小刀一次砍的少,数字越大就是更专业的大刀,但是这些数字大的也是有其更加专业的强项适配的,需要高的干活还得高。付费不就是享受专业提高效率嘛。但是如果把专业的大刀用到补全这类基础中,那不是暴殄天物嘛,太不具有性价比了。下面这个表就说X 前面的数字越大那就是大大刀了。

在这里插入图片描述


每天用copilot agent 交流就是需要先选一把刀,然后交流分配任务,模型帮我们做任务的同时,也在砍可以交互的额度。最后高级配额耗完了就只有0X的那些模型可以用了。可见要合理搭配,这样才具有性价比。
1)claude 系列
强语言能力,强推理

在这里插入图片描述


2)Gemini 系列
结构化、工程说明型。

在这里插入图片描述


3)GPT5-通用系
强通用推理

在这里插入图片描述


4)GPT5 code 系
这名字就知道了,为code 而生啊。

在这里插入图片描述


2 AI给使用者的建议
先过自己的脑子,充分理解分析后评估和分解。然后再Agent.

在这里插入图片描述


具体来说使用步骤就是:

3.AI 给我这类研发开发者的直接建议

在这里插入图片描述

好了先这样吧,如果你也有好用的工具请推荐给我哈~

Read more

宇树G1机器人强化学习训练完整实战教程

宇树G1机器人强化学习训练完整实战教程

0. 前言 人形机器人的运动控制一直是机器人领域的重要挑战,而强化学习为解决这一问题提供了强有力的工具。本教程将基于宇树G1人形机器人,从基础的强化学习环境搭建开始,逐步深入到高自由度模型的训练配置、奖励函数设计与优化,最终实现复杂动作的训练控制。作者看到一个很棒的系列,所以针对性的对文章内容进行了整理和二次理解,方便大家更好的阅读《不同自由度的宇树G1机器人强化学习训练配置及运行实战 + RSL-RL代码库问题修复》、《宇树G1机器人强化学习训练奖励函数代码架构 + 创建新的奖励函数(1)》、《RL指标分析与看板应用 — 宇树G1机器人高自由度模型强化学习训练实战(3)》、《调参解析 — 宇树G1机器人高自由度模型强化学习训练实战(4)》、《舞蹈训练?手撕奖励函数 — 宇树G1机器人高自由度模型强化学习训练实战(5)》。 1. 强化学习训练环境配置 1.1 基础环境搭建 宇树机器人的强化学习训练基于Isaac Gym物理仿真环境和RSL-RL强化学习框架。首先需要确保这两个核心组件正确安装和配置。 在开始训练之前,我们通过简单的命令来启动12自由度G1机器人的基础训练:

LLaMA-Factory 大模型微调平台

LLaMA-Factory 大模型微调平台

目录 文章目录 * 目录 * LLaMA-Factory * LLaMA-Factory + Qwen3-7B + LoRA * 安装部署 * 准备数据集 * 执行微调 * 批量推理和训练效果评估 * LoRA 模型合并导出 * 部署运行微调后的大模型 LLaMA-Factory Llama-Factory 是基于 transformers 库开发的训练、微调、推理一体化平台,支持预训练、指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等多种训练范式。支持使用 Accelerate 或 DeepSpeed 作为训练加速后端。 使用 Llama-Factory 进行微调非常简单,因为其最大的优势在于强大的数据处理与训练配置能力。只要按照官方的文档配置好环境,直接运行对应的脚本即可。 LLaMA-Factory + Qwen3-7B + LoRA 安装部署 * 容器安装 git clone

【AIGC文生图】通义万相2.1应用拓展与蓝耘云平台实践

【AIGC文生图】通义万相2.1应用拓展与蓝耘云平台实践

探索调参之道:通义万相2.1应用拓展与平台调优实践 近年来,随着生成模型不断迭代升级,通义万相在图像生成领域的表现愈发引人瞩目。相比于基础的文生图使用,如何在平台应用拓展和参数调优上发掘更大潜力,已成为众多开发者与工程师关注的热点。本文将从实际应用案例出发,分享一些调参心得与平台优化策略,并着重探讨蓝耘GPU平台在这方面的独特优势,力求帮助读者快速上手并走上创新之路。 一、通义万相2.1来临 前几日,通义官方发布了万相最新文生图模型2.1。 通义万相2.1在模型底层和交互体验上都有显著升级,具体来说: * 模型参数与语义理解升级 新版本参数规模已经突破千亿级别,使得对输入文本的语义捕捉更为精准,能更好地理解复杂描述,生成的图像在细节和质感上都有明显提升。与此同时,内置的智能改写功能可以自动优化用户输入,使得图像风格和表现更符合预期。 * 生成速度与细节表现的提升 得益于优化的算法和模型架构,生成速度大幅加快,尤其在高分辨率(最高支持200万像素)输出时,依然能保持流畅高效。同时,细节表现力增强后,无论是人物表情、光影效果还是场景布置,都能呈现得更加生动自

【AIGC】Claude Code的CLAUDE.md加载时机与书写最佳实践

I. CLAUDE.md 文件:项目级 vs 全局级 完全解析 CLAUDE.md 是 Claude Code 提供的简化版规则配置文件(对比多文件的 rules 文件夹),核心作用是定义 AI 需遵循的代码规范、项目要求等,而「项目根目录的 CLAUDE.md」和「用户主目录的 ~/.claude/CLAUDE.md」的核心区别在于作用域和优先级,下面分维度讲清楚: 一、核心区别(作用域+使用场景) 维度项目根目录 CLAUDE.md用户主目录 ~/.claude/CLAUDE.md作用域仅对当前项目生效(项目内所有文件)对当前用户下的所有项目生效使用场景定义当前项目的专属规则(如项目特有编码规范、业务约束、依赖版本)定义跨项目的通用规则(如个人编码习惯、全项目通用安全规范、