​尿液分析是临床检验的基础常规项目，随着医疗设备的不断发展，尿液分析相关仪器的国产化和自动化程度也进一步提升。2022 年国内尿液分析市场的规模约为 28 亿元，激烈的竞争推动了尿检仪器自动化、智能化升级，在仪器中加入机器视觉、AI 等技术来进一步提高尿液检验效率，已成为行业发展的主流趋势。为了更好地满足医疗行业的需求，维视智造基于15年来针对尿检这一细分领域的机器视觉技术积淀，现正式推出MV-MC系列医疗专用相机。MV-MC 系列医疗专用相机采用医用级清洁度标准；图像经过特殊处理，成像清晰噪点少、图像更稳定；支持脱离操作系统，通过 FPGA 指令控制相机采集及参数设置，减少硬件成本；同时采用

01外卖换电柜造黑客攻击去年小团队接了深圳一家硬件企业的外卖换电柜后台系统和小程序开发项目，不含换电柜硬件设备，2个月轻松到手12万元。此次外卖电瓶车换电柜智能系统项目不包含硬件设备，后台系统基于团队早期一个共享充电宝项目做了二次开发，技术栈是EMQX+SpringBoot+MySQL+Node.js+UniApp，其中微信小程序UI功能和后台计费逻辑都可以复用，算上和甲方前期需求沟通和后期开发仅花费团队2个月时间，项目顺利上线，尾款结清。甲方金主爸爸的社区外卖换电柜部署后，通过预付款也快速回笼资金，平稳运行了半年多时间。上周突然来电，虽然换电柜全部在线，但微信小程序扫码无法打开换电柜，外卖小

GPT-4会加速生物武器的发展吗？在担心AI统治世界之前，人类是否会因为打开了潘多拉魔盒而面临新的威胁？毕竟，大模型输出各种不良信息的案例不在少数。今天，处在风口，也是浪尖的OpenAI再次负责任地刷了一波热度。图片我们正在建立一个能够协助制造生物威胁的早期预警系统LLMs。事实证明，目前的模型最多只能对这种滥用有用，我们将继续发展未来的评估蓝图。经历董事会风波后的OpenAI，开始痛定思痛，包括之前郑重发布的准备框架（PreparednessFramework）。到底大模型在制造生物威胁方面带来了多大的风险？观众害怕，我OpenAI也不想受制于此。咱们直接科学实验，测试一波，有问题解决问题，

台积电产能不够，逼得英伟达都去找英特尔造芯片了？台积电在2023年年中承认，其先进芯片封装技术CoWoS（ChiponWaferonSubstrate）的需求已经超出了他们的生产能力。另一方面，被称为「人造黄金」的英伟达AI芯片在市场上供不应求，英伟达迫切希望能够尽快提高产能。最终，英伟达可能不得不开始考虑利用英特尔的先进封装技术来生产芯片。根据外媒曝料，英伟达从英特尔每月理论上能够额外获得30万块H100芯片的产能（假设产出无瑕疵且合同确实针对H100）。CoWos封装产能，卡了全世界大厂的脖子而对于台积电来说，2023年是疯狂的一年。基本每个月，媒体都要曝出他们在增加CoWos封装工艺的产

今天简单介绍Jemeter的入门，Jmeter的安装这边就跳过，直接讲述如何使用JMETER，如何运用Jmeter进行测试。Jmeter实现造10个账户、单元数据，之后大数据量批量造数据以此类推。1．下载jmeter软件2．安装jmeter软件3．运行\bin\jmeter.bat批处理文件4．选择脚本文件5.  运用Jmeter造10个产品数据Jemeter测试大致分为三步：在线程组中定义线程数、产生线程发生的时间和测试循环次数。在http请求中定义服务器、端口、协议和方法、请求路径等。表格监听器负责收集和显示结果。1、在安装目录下有一个Bin\Jmeter.bat双击打开打开之后是一个这样

测试过程中，经常用到批量造数据的场景：准备大量测试数据、执行压测等等。比如说，你要模拟1000个用户同时发短信，那么你需要先创建1000个不同手机号的用户，直接在页面上造数据显然是不太现实的。如果公司有开发自己的造数据平台，那最好不过了，如果没有的话，可以参考以下几种方式：·Jmeter批量请求接口；·数据库存储过程；·线上数据脱敏后导入测试环境；·利用Python的faker库01Jmeter批量请求接口操作方法：首先获取接口的请求方式、路径、参数，并在Jmeter线程组中创建HTTP请求，请求参数中可能有些字段取值有要求（比如该值不能重复），那么可以借助函数来实现，如用随机函数Random

AI帮忙写代码程序员用了都说好，但代码质量真的靠谱吗？结果或许令你大跌眼镜。一家名为GitClear的公司分析了近四年超过1.5亿行代码后发现，随着GitHubCopilot工具的加入，代码流失率（即代码写入后不久又被返工修改、删除的情况）出现了显著上升：2023年为7.1%，而2020年时仅为3.3%，翻了一番。与之相应的，代码复用率也出现了明显下降。言外之意，AI写的很多内容其实不亚于“屎山”，根本不好随着业务的变化作相应更改。看起来，AI编程工具还远没有宣传中的那么好用？Copilot更爱直接添加代码而不鼓励复用GitClear收集的1.5亿行代码中，有3/2来自匿名私企，剩下的1/3则

「xx，去把电视柜上的遥控器帮我拿过来。」在一个家庭环境中，很多家庭成员都不免被支使干这种活儿。甚至有时候，宠物狗也难以幸免。但人总有支使不动的时候，宠物狗也并不一定都能听懂。帮人类干活儿的终极梦想还是寄托在机器人身上。最近，纽约大学、Meta研发出的一款机器人学会了这个技能。你只需要对它说，「把桌子上的玉米片拿到床头柜上」，它就能自己找到玉米片，并规划出路线和相应的动作，顺利完成任务。此外，它还能帮你整理东西或扔垃圾。这个机器人名叫OK-Robot，由来自纽约大学、Meta的研究者共同构建。他们将视觉语言模型（用于物体检测）、导航和抓取的基础模块整合到一个开放知识型框架中，为机器人的高效拾放

苹果的造车梦，又双叒碎了！在十年研发汽车的关键阶段，苹果忽然转变战略，给自动驾驶大降级。遥想当年，苹果提出进军全自动驾驶领域的时候，可是期待着造出继iPhone之后的下一个万亿美元价值的产品。然而，苹果用了十年的时间，每年都投入数亿美元之后，终于发现：造L5，步子迈得确实太大了。现在，「遭到现实毒打」的苹果决定，把「L5级全自动驾驶」缩水成「L2级辅助驾驶」。而且，尽管产品大降级，发布日期却仍在推迟——根据内部机密消息，最早也得到2028年了。收入停滞，自动驾驶放缓苹果的这个秘密汽车项目，是公司史上最具野心的尝试之一，但同时，也是最为动荡的。自2014年项目启动以来，这个代号为Titan和T1

图说明我们的方法。传统的机器学习侧重于人类监督比人类弱的模型的设置。对于最终的超级对齐问题，人类将不得不监督比他们聪明得多的模型。我们今天研究一个类似的问题:使用弱模型来监督强模型https://cdn.openai.com/papers/weak-to-strong-generalization.pdf为什么从弱到强的学习是可能的?一方面，强模型可以简单地学习模仿弱监管者，包括它的错误，因为这是我们天真地训练它去做的。另一方面，强大的预训练模型应该已经很好地表示了我们关心的与对齐相关的任务。例如，如果一个模型可以生成复杂的代码，那么它也应该直观地知道该代码是否忠实地遵循用户的指令。因此，为了