与「画像」相关的搜索结果

ジッパーをゆっくり全部開けた。 あなたの目が私に AI画像&動画、顔交換、脱衣、AI衣装変更+過激NSFW。 毎日無料制限! 👇 🔗 #脱衣# #裏垢# #ワンクリック脱衣#

你难道就没想过要在闲鱼上卖虚拟资料，卖PPT模板、卖Excel表格、卖Word简历模板、卖Canva模板、卖Notion模板、卖思维导图、卖考公笔记、卖驾考题库、卖Python入门包、卖剪辑教程、卖PS教程、卖AI提示词合集、卖Midjourney提示词、卖ChatGPT指令包、卖短视频脚本模板、卖小红书文案模板、卖直播话术、卖带货话术、卖私域话术、卖客服话术、卖简历范文、卖求职攻略、卖面试题库、卖商业计划书模板、卖合同模板、卖财务报表模板、卖运营SOP、卖社群运营手册、卖电商选品表、卖跨境选品表、卖亚马逊Listing模板、卖小程序模板、卖浏览器插件、卖自动化脚本、卖闲鱼话术、卖闲鱼标题公式、卖设计素材包、卖图标包、卖UI组件、卖海报模板、卖封面模板、卖表情包、卖壁纸包、卖头像包、卖摄影预设、卖调色LUT、卖字幕模板、卖转场包、卖游戏攻略、卖起号教程、卖涨粉教程、卖变现教程、卖副业手册、卖搞钱合集、卖信息差清单、卖读书笔记、卖思维模型卡片、卖复盘模板、卖日程计划表、卖电子手帐、卖健身计划表、卖减脂食谱、卖烘焙配方、卖咖啡冲煮笔记、卖旅行攻略、卖民宿避坑指南、卖酒店比价表、卖留学申请清单、卖签证材料清单、卖早教闪卡、卖英语口语素材、卖日语五十音包、卖Figma组件库、卖电商主图模板、卖详情页模板、卖利润测算表、卖定价公式、卖成本核算表、卖库存表格、卖CRM表格、卖OKR模板、卖周报模板、卖述职PPT、卖路演PPT、卖融资BP模板、卖竞品分析框架、卖用户画像模板、卖问卷模板、卖内容日历、卖选题库、卖爆款标题库、卖钩子库、卖评论区话术、卖私信转化话术、卖差评处理话术，同一套东西挂几个价，AI 打包自动发货，不进货、不发物流、没库存、几乎没人退，链接多挂几条把单量堆起来，然后这辈子都不用再找工作了？

这篇开盒思路，最好别让你不对付的人刷到。 鱼哥把网警那套查人法子给掏出来了，五个免费开源工具，查人、查公司、查设备，你脑子里能想到的场景基本都覆盖了。先说好，这玩意不是让你去扒别人的，我是想让你拿它把自己护住。 五个工具各管各的，地址和用途我一条条给你摆清楚： 1️⃣ Blackbird（7.3k Star），用户名和邮箱都能搜，接了 600 多个平台，搜完还能免费让 AI 给你拼人物画像，PDF 直接导，刚上手的先玩这个。 🔗 2️⃣ Maigret（35.6k Star），专靠用户名挖人的进阶版，覆盖 3000 多个平台，厉害在会递归追，发现你在别的平台还有个小号，它自己拿这小号接着往下刨，一路刨到底。 🔗 3️⃣ SpiderFoot（22k Star），重家伙，手机号、邮箱、域名、IP 通吃，200 多个模块一起开火，数据泄露、暗网、子域名都能翻，最后给你画一张可视化关系图。 🔗 4️⃣ theHarvester（17k Star），丢一个域名给它，自动从谷歌、必应、LinkedIn、DNS 记录等 40 多个来源里，把公司员工邮箱、子域名、IP、URL 成批捞出来，查公司就靠它。 🔗 5️⃣ Shodan Python（2.4k Star），Shodan 相当于设备界的谷歌，全网扫那些暴露在公网上的摄像头、路由器、服务器、工控系统，这个库让你用代码去翻它的数据库。 🔗 说实话，不少小公司的 NAS、摄像头、打印机，配置压根没动过，密码还是出厂那套，Shodan 一搜就现形。你以为藏得挺严实，其实露出来的比你想象的多得多。 自己先跑一遍，搞清楚到底暴露了啥，这才是头一步。 好东西，转给用得上的兄弟。

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。

链上世界不该是透明到裸奔的地方。该藏的，就得藏住 胸弟们，今天不跟你们扯那些虚头巴脑的高大上术语，就用最直白的话聊聊一个事儿：咱们在链上的隐私，到底有多惨 你打开钱包一看，余额多少、转过谁、买过啥、持有什么币，全是明牌。随便一个地址扔进浏览器，别人就能把你的资金流水翻个底朝天。就像你去银行取钱，结果柜台上直接把你的存折贴门口了，谁想看都能看。这就是现在大多数公链的真实状态——透明到过分 以前想搞点隐私？得换新钱包、背新助记词、记一堆笔记、切各种奇怪的界面。麻烦得一批，很多人直接放弃了。隐私成了少数技术宅的专属玩具，普通人根本用不上。 直到有了 Nullmas @NullMaskio 它干的事儿特别简单粗暴：你原来用的钱包（MetaMask、Rabby、硬件钱包都行）继续用，不用换、不用新种子、不用新地址。就加一个虚拟网络，差不多20秒搞定。然后你该转账转账、该swap就swap，该存就存、该取就取，链上别人看到的只是一堆看不懂的加密数据，谁转的、转给谁、转了多少，全藏起来了。 说白了，它就像给你现有的钱包装了个“隐私VPN”。钱还是你的，控制权还是你的，密钥从来不出你的设备（硬件钱包也原生支持，这点很硬），但交易轨迹直接断了。 从隐私角度看，这玩意儿真正解决了几个痛点： 第一，不用牺牲方便换隐私。以前隐私工具要么难用，要么要你重新开始。Nullmask直接插进你已经习惯的流程里，几乎无感。 第二，真正的不可追踪。用的是零知识证明，发送方、接收方、金额在屏蔽交易里全藏着。外面看就是黑箱，想追踪链路？没门。 第三，安全不打折。别的隐私方案经常要你把权限交出去，或者提私钥。Nullmask不，签名还是你钱包自己签的标准交易，代理再聪明也偷不走你的钱。 第四，多链、多币种直接上。ETH、稳定币、各种ERC-20都能进隐私池，还能在里面直接做私密swap。以后还要扩更多网络。 现在链上每天成交量那么大，公开透明带来的风险也越来越大——大户被盯、策略被抄、个人被画像，甚至各种针对性攻击。隐私不再是“可有可无的加分项”，而是越来越像基本需求了。 Nullmask的思路很务实：不逼你改变习惯，就把隐私做成默认选项。你还是用原来的钱包，点几下就能把交易藏起来。 隐私这事儿，说到底就是“我的钱我自己说了算，不想让全世界都知道我在干嘛”。以前很难实现，现在有了这个工具，门槛一下子降下来了。 想真正体会一下“看不见、摸不着、追踪不了”的感觉？去关注一下@NullMaskio ，自己试试看。反正设置简单，不影响原有资产，隐私直接拉满。 他们的链上代币： $MASK 没有营销 但是拉盘拉的嗷嗷嗷猛 这是一个值得期待的区块链新鲜事物