[科研实践] VS Code (Copilot) + Overleaf (使用 Overleaf Workshop 插件)

优质文章学习记录

— 3 min read
[科研实践] VS Code (Copilot) + Overleaf (使用 Overleaf Workshop 插件)

科研圈写文档常用 Latex 环境，尤其是 Overleaf 它自带的 AI 润色工具 Writefull 太难用了。如果能用本地的 CoPilot / Cursor 结合 Overleaf，那肯定超高效！


于是我们找到了 VS Code 里的 Overleaf Workshop 插件。这里已经安装好了，没装过的同学可以直接点击 “安装”

安装后左边会出现 Overleaf Workshop 的图标：

点击右边的“+”：

Overleaf 官网需要登录，这里我们通过 cookie 调用已登录账号的 API：

回到主界面，右键点击 “检查”：


打开检查工具后，找到 “网络”（Network）窗口，搜索 “/project”

/project

如果首次加载没内容，刷新页面就能看到 project 条目了：


点击 project 条目，往下找到 “请求标头”，需要复制一段包含 cookie 的字符串（“神秘代码”）。这段代码全选后按 Ctrl+C 复制：

回到 VS Code，选择 “通过 cookie 登录”，粘贴（Ctrl+V）刚才的 cookie 字符串，回车确认：

这时会列出所有 Overleaf 项目。单击新窗口打开，打开后界面和 Overleaf 一致，左边是 LaTeX 代码，右边是 PDF 预览（“Ctrl+cmd+v” 预览快捷键）。现在试试本地 AI 功能：安装 VS Code 后，可连接 GitHub 或其他 AI 工具（如 CoPilot）

这相当于是用本地AI工具远程操作网页端的Overleaf

接下来就可以畅快写作啦~

快捷键：Ctrl + S 就能直接开始远程编译啦

参考视频：科研论文党王炸组合overleaf+Copilot_哔哩哔哩

Read more

从“论文难民”到“学术特种兵”：10款AI写作工具实测，重构毕业季生存法则

从“论文难民”到“学术特种兵”：10款AI写作工具实测，重构毕业季生存法则

2:47，宿舍只剩键盘声—— 你盯着空白文档第37次刷新知网，导师消息弹出：“选题再不过，延期答辩”。 而隔壁床的小王，用Paperzz输入标题10分钟后，已收到带图表公式的完整提纲... 2026年毕业季真相：工具代差，正在制造学术阶层。 本文实测10款AI论文工具，揭秘如何用“工具组合拳”48小时产出导师级论文！ 一、残酷现实：为什么90%的学生还在“裸写”论文？ ❌ 工具认知陷阱 * 以为“用AI=学术不端” → 实则高校新规：允许AI辅助文献、润色、排版（2025年教育部《AI辅助学术写作规范》） * 把AI当“代写” → 实则智能辅助≠内容替代，核心逻辑仍需自主构建 * 只用单一工具 → 实则工具链组合才能覆盖“选题-文献-写作-降重-答辩”全周期 ✅ 2026年新规则 复旦、浙大等37所高校明确： “AI可辅助文献检索、语言润色、格式排版，但研究设计、数据分析、
主流大模型介绍(GPT、Llama、ChatGLM、Qwen、deepseek)

主流大模型介绍(GPT、Llama、ChatGLM、Qwen、deepseek)

GPT系列模型 一、ChatGPT 的本质 * 发布者：OpenAI（2022年11月30日） * 类型：聊天机器人模型，基于自然语言处理技术 * 核心能力：理解语言、生成对话、撰写邮件/文案/代码、翻译等 * 增长数据：2个月用户破1亿，日活约1300万 二、GPT 系列模型演进对比 模型发布时间参数量核心创新主要局限GPT-12018.061.17亿引入生成式预训练 + Transformer Decoder语言模型单向；需微调才能泛化GPT-22019.0215亿多任务学习 + Zero-shot 能力无监督能力仍有限GPT-32020.051750亿Few-shot 学习 + Sparse Attention成本高、长文本不稳定、内容不可控ChatGPT2022.11基于GPT-3引入 RLHF（人类反馈强化学习）服务不稳定、可能生成错误信息 三、核心技术点回顾 1. GPT-1 * 使用单向 Transformer Decoder（

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
【保姆级教程】llama.cpp大模型部署全攻略：CPU/GPU全兼容，小白也能轻松上手！

【保姆级教程】llama.cpp大模型部署全攻略：CPU/GPU全兼容，小白也能轻松上手！

一、简介 * • llama.cpp 是一个在 C/C++ 中实现大型语言模型（LLM）推理的工具 * • 支持跨平台部署，也支持使用 Docker 快速启动 * • 可以运行多种量化模型，对电脑要求不高，CPU/GPU设备均可流畅运行 * • 开源地址参考：https://github.com/ggml-org/llama.cpp • 核心工作流程参考： 二、安装与下载模型（Docker方式） 1. 搜索可用模型 • 这里以 qwen3-vl 模型为例，提供了多种量化版本，每种版本的大小不一样，根据自己的电脑性能做选择，如选择（模型+量化标签）：Qwen/Qwen3-VL-8B-Instruct-GGUF:Q8_0 • 可以在huggingface官网中搜索可用的量化模型：https://huggingface.co/models?search=