AI课堂生成网站丨OPENMAIC丨清华团队开源项目

AI课堂生成网站丨OPENMAIC丨清华团队开源项目

OpenMAIC(谐音“My课”)是一个AI教学平台,它能为你生成一个专属的7x24小时AI教室。在这个教室里,你是唯一的真人学生,而老师、助教和同学都由AI智能体扮演。

  • AI老师:负责主讲课程,可以在虚拟白板上实时书写、画图,并进行语音讲解。
  • AI助教与同学:会与你实时互动,他们可以提问、发起讨论,模拟真实课堂的临场感。

你只需要输入一个课程主题(如“什么是摩擦力”)或上传一份文档,系统就能自动生成包含幻灯片、随堂测验、互动模拟和项目式学习活动的完整课程。

🎓 主要特点

  • 极速课程构建:只需输入关键词或上传文档,AI即可在约30分钟内自动生成一套结构完整的教学包,成本极低。
  • 拟真多角色课堂:通过多智能体协同,模拟出教师、助教和不同性格的同学,他们可以说话、在白板上绘画,并与你进行实时讨论,显著增强学习的参与感。
  • 跨应用轻量调用:通过内置的OpenClaw集成,用户可以直接在飞书、Slack等主流协作工具中,通过简单的指令触发课程生成。
  • 全格式灵活交付:生成的课件支持导出为可编辑的PPT文件或打包为独立的HTML文件,方便二次编辑和使用。

OpenMAIC提供了非常友好的入门方式:

  1. 在线体验:直接访问其官方网站,无需任何技术背景即可生成和体验课程。
  2. 本地部署:对于有技术能力的学校或开发者,项目已在GitHub上完全开源,支持接入通义千问、智谱GLM等国内主流大模型。

使用体验:

网站限制上传50M的,上传了一个45M的,等了15分钟都没有生成我想要的课堂,于是换了一个小的9M的PDF,也等了15分钟。

生成课堂需要时间,需要耐心等待。我上传了8.6M的PDF,等待了15分钟生成。

比起让千问豆包生成文字课堂,这个的优势在于界面清晰,有朗读和PPT视频讲解。另外,可以收藏到个人账号里,下一次登录就可以继续。

网页版的用起来不是很顺畅。使用体验一般。15分钟生成了第一页PPT,等他生成第二页估计还得15分钟,速度太慢了。给老师备课不错,真拿来给学生学习,似乎还不成熟,可能需要等她慢慢生成,但我没有耐心,直接丢给AI都已经总结完了。

还不错吧。

我一般想学习某一文档,直接把PDF丢给各家AI,千问DS等,让他生成提示词,我再用它给我的提示词丢给AI,让他教我本书的内容。

Read more

无脑通过github上copilot学生认证的方法(无需校园网,无需学生证)

无脑通过github上copilot学生认证的方法(无需校园网,无需学生证)

最近在家尝试通过github上的copilot的学生认证,总是不能过。好在经过了12次尝试后,终于总结了一套无需校园网,无需学生证的目前有效的无脑通过方法,希望能对不方便的同学们有所帮助。(注:本文旨在帮助有需求却因为种种情况难以被识别成功的同学,对非学生人士的认证情况概不负责) 一、注册github账号 这里就不细说了,想要通过copilot的大部分都有github账号,如果没有的话可以去网上搜一下。 二、2FA认证通过 认证网址 不是本文的重点,在此引用其他博主的内容: 从0开始的github学生认证并使用copilot教程(超详细!)_github copilot-ZEEKLOG博客 或者一个博客: [Git] 一次搞定:Github 2FA(Two-Factor Authentication/两因素认证) - 千千寰宇 - 博客园 特殊情况 值得注意的是,我在申请2FA时,发生了一个特殊情况——github上的二维码全是白色,没有显示出来,那就不要扫码,下面有一行字:unable to scan……,直接点里面的setup key链接就好了。 三

【原创】使用 Whisper + Transformers 自动生成中英文双语字幕(Python 实战)

【原创】使用 Whisper + Transformers 自动生成中英文双语字幕(Python 实战)

本文将教你如何使用 OpenAI 的 Whisper 语音识别模型,结合 HuggingFace Transformers 翻译模型,实现从视频中提取音频、识别语音、生成中英双语字幕的完整流程。 支持自动语言检测、进度条显示、以及自动生成 .srt 字幕文件。 🧰 一、环境准备 在开始之前,请先安装所需依赖包: pip install openai-whisper transformers pydub librosa tqdm torch ffmpeg-python modelscope ⚠️ 需要提前安装 FFmpeg(Windows 用户请到 ffmpeg.org 下载并配置环境变量) 🧠 二、项目功能概述 本项目实现的流程如下: 1. 提取视频音频(使用 FFmpeg) 2. 验证音频文件是否可用(使用 pydub) 3.

蓝耘 × 通义万相 2.1,AIGC 双雄合璧,点燃数字艺术新引擎

蓝耘 × 通义万相 2.1,AIGC 双雄合璧,点燃数字艺术新引擎

目录 一、本篇背景: 二、蓝耘与通义万相 2.1 概述: 2.1蓝耘简介: 2.2通义万相 2.1 简介: 注册并使用蓝耘元生代智算平台: 完成通义万相 2.1部署并调用:  个人代码调用过程及感受: 环境准备: 代码实现: 保存生成的图像: 三、蓝耘与通义万相 2.1 结合的优势: 3.1强大的计算力支撑: 3.2高效的数据处理与传输: 3.3定制化与优化: 四、蓝耘调用通义万相 2.1 API 的实际代码演示: 4.1环境搭建: 4.2图像生成代码示例: 4.3文本生成代码示例: 五、蓝耘与通义万相 2.1

SmolVLA高算力适配:TensorRT加速可行性分析与ONNX导出实操

SmolVLA高算力适配:TensorRT加速可行性分析与ONNX导出实操 1. 项目背景与核心价值 SmolVLA作为一款专为经济实惠机器人技术设计的紧凑型视觉-语言-动作模型,在资源受限环境下展现出了令人印象深刻的性能。这个约5亿参数的模型能够同时处理视觉输入、语言指令和动作输出,为机器人控制提供了端到端的解决方案。 在实际部署中,我们经常面临一个关键挑战:如何在保持模型精度的同时,进一步提升推理速度以满足实时控制需求?这就是TensorRT加速技术发挥作用的地方。通过将SmolVLA模型转换为TensorRT引擎,我们有望获得显著的性能提升,特别是在NVIDIA GPU硬件上。 本文将带你深入了解SmolVLA模型的TensorRT加速可行性,并提供详细的ONNX导出实操指南,帮助你在自己的机器人项目中实现更高效的推理性能。 2. TensorRT加速技术解析 2.1 TensorRT的核心优势 TensorRT是NVIDIA推出的高性能深度学习推理优化器和运行时库,它通过多种技术手段提升模型推理效率: * 图层融合:将多个连续的操作层合并为单个内核,减少内