【记录】Copilot|Github Copilot重新学生认证通过方法(2025年7月,包括2FA和认证材料、Why are you not on campus)

【记录】Copilot|Github Copilot重新学生认证通过方法(2025年7月,包括2FA和认证材料、Why are you not on campus)

文章目录

前言

事实上,Github Copilot马上就要开源了,我原本的认证过期了。但是在我体验了众多的代码补全工具实在是太难用了之后,我觉得一天也等不了了,就去再一次认证了学生认证。
这次严格了很多,要求巨无敌多,这里写一下新认证要干的事情。

一口气认证了八次的含金量谁懂,把要踩的坑全踩完了。。

在这里插入图片描述

步骤

(如果你是第一次认证还要额外添加一下自己的学校邮箱,这里我就略过不提了)

在所有的步骤之前,最好确保你的本人就在学校或者在学校附近。当你出现了报错You appear not to be near any campus location for the school you have selected.时,会非常难通过。

而其他的报错可以按我下文这种方式通过。

(对于部分学校,比如华科大)双重认证Two-factor authentication要打开:跳转这个网站https://github.com/settings/security,然后点下一步开启认证,然后安卓手机上应用商店搜“Authing令牌”下载安装就可以了:

在这里插入图片描述


在这里插入图片描述

(别问为什么不用Github推荐的认证app,问就是要么要钱要么下载的方式特别扭曲)

  1. 完善profile和Billing的Name部分:要填你自己的学生证上的真名,英文名也可以。填错了就会一直反复报Please ensure that your academic affiliation document contains your last name exactly as it appears in your GitHub billing information.。这里中英文分开介绍:
    1. 如果你发现始终有报错Please ensure that your academic affiliation document contains your last name exactly as it appears in your GitHub billing information.,请检查1)你的学术证明材料是否具备姓名;2)你的姓名是否按照我所说的顺序填写;3)你的中文姓名用机器直接翻译是否和你填写的英文名每个字母都保持一致(特别是前后鼻音之类的杂七杂八的事情);4)如果前三点都符合,你可以试试姓和名在填写的时候逆序,总共四种排列组合自己尝试一下。
  2. 去认证:用手机(不要用电脑,很麻烦,OBS调虚拟摄像头不好改浏览器的摄像头,再加上虚拟摄像头容易审核不通过,手机支持翻转后置摄像头拍照,点Capture Photo按钮右边的小旋转按钮就可以翻转了,我没看到那个按钮,傻傻的对着电脑屏幕拍了半天没搞好。。)跳转https://github.com/settings/education/benefits,点击Start an application,然后学校如果已经默认选好了,就直接用默认的,不然就搜索然后选自己的。
  3. 如果你遇到了报错You must configure your browser and operating system to allow location access. You may not use a VPN. If you believe that our information about your school is incomplete or incorrect, then please select ‘My selected school has incorrect or incomplete information e.g. domains or campus location’ option when submitting a GitHub Education support ticket.,可以尝试别用校园网,改成用手机流量,因为有的校园网虚拟子网很多,各种乱七八糟的配网,实验室内部网络也比较复杂,会被直接判定为是VPN,此时改成手机流量就不会出现这个问题了。
  4. 最后的最后,最重要的还是,耐!心!尝!试!你上传的材料中报错最少的那个(我自己的是学生证报错最少),你就一直用那个就好了,至于那个Why are you not的报错往往是不足为奇,这部分你不上传任何证明材料它也有可能会认可你的。(我最后Approved的那次我就只上传了个后置摄像头拍的学生证,和我随便拍的教务……)

如果你不管怎么改,都遇到了姓名不对应的问题,可以考虑参考这个博主的方式,手写上传一张图片进行检测: github学生认证失败解决tips(25.1.22) - 知乎

在这里插入图片描述

到下一步,你很可能会遇到:why are you not on campus的错误!别管了!选Distance learning!然后不管了!如果实在放心不下,可以登上自己的教务网站,到成绩单的环节,然后改掉成绩单的标题,用开发者工具添加一个Distance Learning,然后拍照上传一下……

在这里插入图片描述

认证材料选择ID Card:然后别用学信网的材料,强烈推荐用!一方面因为Github是个抽象东西它拍照拍!不!清!楚!学信网那个字小一下就!糊!了!!(当然也有可能是我手抖吧,不信邪的可以自行尝试一下,只要拒绝的原因里面包括了说你上传的图片模糊不清的The text in the photo you used was unable to be read.,就说明我说的是对的)另一方面是因为学信网那个排布,Github好像看!不!懂!我上传了带Code的,还给它搞了中英文双语翻译(如下图),它愣是说我Your document does not appear to include a date demonstrating current academic affiliation.(我真的没空跟你闹了Github)

在这里插入图片描述

完善Billing:跳转https://github.com/settings/billing/payment_information,填好以下信息,关键的是First name 和 last name,按照上一条的名字要求填写。地址不要写太详细,越详细越难过。

在这里插入图片描述

跳转https://github.com/settings/profile,假设你的学术证明材料里面你只有中文名字叫张三,你的profile Name请一定填San Zhang,因为Github机器人自带的翻译还是会颠倒顺序;但是Billing页,跳转https://github.com/settings/billing/payment_information,就分别填Zhang和San。

在这里插入图片描述


如果你不想处理这些中英文顺序问题,有一个偷懒的方案:凡是需要上传的材料,可以用谷歌翻译翻译一下图片,都翻译成英文,然后上传那个就可以。该思路来源于评论。

在这里插入图片描述

2. 跳转https://github.com/settings/profile,假设你的学术证明材料里面你英文叫Zhang San,你的profile Name请一定填Zhang San,因为Github机器人自带的翻译还是会颠倒顺序;但是Billing页,跳转https://github.com/settings/billing/payment_information,就分别填San和Zhang。

如果你确定以及肯定,自己所有的信息都没有填错,但是就是过不了,最终的解决办法是提交工单!你被Reject了,你先交个工单,人工也会帮你过的(就算没帮你通过也会告知你没通过的具体的原因),可参考这篇文章下面的评论区:关于申请 Github 学生认证的一些坑 - Ghost_chu’s Blog

最重要的一步

来到获取Copilot Pro的页面,并点击开通:Signup to GitHub Copilot

在这里插入图片描述
本账号所有文章均为原创,欢迎转载,请注明文章出处:https://shandianchengzi.blog.ZEEKLOG.net/article/details/149153111。百度和各类采集站皆不可信,搜索请谨慎鉴别。技术类文章一般都有时效性,本人习惯不定期对自己的博文进行修正和更新,因此请访问出处以查看本文的最新版本。

Read more

突破性能瓶颈:llama.cpp多GPU分布式计算优化实践指南

突破性能瓶颈:llama.cpp多GPU分布式计算优化实践指南 【免费下载链接】llama.cppPort of Facebook's LLaMA model in C/C++ 项目地址: https://gitcode.com/GitHub_Trending/ll/llama.cpp 你是否还在为大模型推理时单GPU显存不足而苦恼?是否遇到过模型加载缓慢、生成效率低下的问题?本文将从实战角度出发,系统讲解llama.cpp项目的多GPU性能优化方案,帮你解决分布式推理中的设备调度、显存分配和并行效率三大核心难题。读完本文,你将掌握多GPU环境配置、性能监控与问题诊断的完整流程,让本地大模型部署效率提升300%。 多GPU架构解析:从设备发现到任务调度 llama.cpp通过GGML后端实现跨设备计算调度,其核心机制位于src/llama.cpp的设备管理模块。系统启动时会自动扫描所有可用计算设备,按优先级分为GPU、集成GPU(iGPU)和RPC服务器三类,相关代码逻辑如下: // 设备分类与优先级排序(

lora-scripts支持Stable Diffusion风格迁移:从数据预处理到权重导出完整流程

LoRA-Scripts 支持 Stable Diffusion 风格迁移:从数据预处理到权重导出完整流程 在 AI 创作工具日益普及的今天,越来越多的设计师、艺术家和开发者希望将自己独特的视觉风格注入生成模型。然而,直接微调整个 Stable Diffusion 模型不仅成本高昂,还对硬件资源提出了严苛要求。幸运的是,LoRA(Low-Rank Adaptation)技术的出现改变了这一局面——它允许我们在几乎不增加推理开销的前提下,用极小的参数量“教会”模型一种新风格。 而 lora-scripts 正是为这一目标量身打造的自动化训练框架。它把原本复杂繁琐的 LoRA 训练过程封装成几个简单命令,让即使没有深度学习背景的人也能完成专业级风格迁移。下面我们就以一个实际案例切入,看看如何从零开始训练一个属于你自己的赛博朋克风格 LoRA 模型。 为什么选择 LoRA?轻量但强大 传统全模型微调需要更新数十亿参数,显存占用动辄 24GB 以上,且训练结果难以复用。相比之下,LoRA 的核心思想非常巧妙:我们并不修改原始模型权重,而是通过低秩矩阵来近似其变化。

Stable Diffusion炼图不糊的秘密:损失函数怎么调才出好图?

Stable Diffusion炼图不糊的秘密:损失函数怎么调才出好图?

Stable Diffusion炼图不糊的秘密:损失函数怎么调才出好图? * Stable Diffusion炼图不糊的秘密:损失函数怎么调才出好图? * 为啥你跑出来的图总像隔夜饭? * 扩散模型里那些看不见的裁判到底藏哪儿了? * L2、L1、感知损失…谁才是真·画质担当? * 1. L2(MSE)——“老实人” * 2. L1——“细节狂魔” * 3. 感知损失(LPIPS)——“带眼神的裁判” * 4. CLIP损失——“人味儿提款机” * 5. 对抗损失(GAN)——“野路子艺术家” * 为什么默认损失经常翻车?——太佛系惹的祸 * 加点“人味儿”:CLIP or DINO做感知对齐 * 实战场景:不同任务怎么搭损失组合? * Loss崩了现场复盘——这些坑我都替你踩了 * 调参老炮儿私藏技巧 * 别光盯着UNet,损失函数才是隐藏BOSS Stable Diffusion炼图不糊的秘密:损失函数怎么调才出好图? 为啥你跑出来的图总像隔夜饭? 先说个真事:

OpenAI Codex vs GitHub Copilot:哪个更适合你的开发需求?2025年深度对比

OpenAI Codex 与 GitHub Copilot:2025年开发者如何做出关键选择? 在2025年的技术栈里,一个高效的AI编程伙伴不再是锦上添花,而是决定项目节奏与质量的核心生产力。面对市场上功能各异的选择,许多开发者,尤其是那些管理着复杂项目或带领团队的技术决策者,常常陷入一个两难的境地:是选择功能全面、能独立处理任务的“AI工程师”,还是选择无缝集成、提供实时灵感的“智能副驾驶”?这不仅仅是工具的选择,更是关于工作流重塑、团队协作模式乃至项目架构未来的战略决策。对于个人开发者、初创团队乃至大型企业的技术负责人而言,理解这两款主流工具——OpenAI Codex与GitHub Copilot——在本质定位、适用场景与成本效益上的深层差异,是避免资源错配、最大化技术投资回报的第一步。本文将深入它们的核心,帮助你根据真实的开发需求,找到那个最契合的“数字搭档”。 1. 核心理念与定位:从“辅助”到“执行”的范式差异 理解Codex和Copilot,首先要跳出“它们都是写代码的AI”这个笼统印象。它们的底层设计哲学决定了完全不同的应用边界。 OpenAI Codex