最近了一年office 365羊毛,想试用copilot的时候遇到这个问题：
梯子开了美国全局tun也没用，之后怀疑是缓存问题，因为一开始没开梯子导致加载了中国区的js文件，所以没法用
用微软官方网站上的方法试了下清缓存：
删除以下文件夹的内容
%LOCALAPPDATA%\Microsoft\Office\16.0\Wef\ 之后保持美国全局tun重启word即可：
如果还是不行，可以尝试office 365的网页版，也能用Copilot
参考：https://ZEEKLOG.fjh1997.top/posts/40329.html
小白也能懂的Z-Image-ComfyUI：零基础AI绘画入门指南 1. 引言：为什么你需要一个简单高效的AI绘画工具？ 在人工智能生成内容（AIGC）迅速普及的今天，文生图技术已经不再是科研实验室里的专属玩具。越来越多的设计师、内容创作者甚至普通用户都希望借助AI快速生成高质量图像。然而，面对复杂的模型配置、繁琐的环境依赖和晦涩的操作界面，许多初学者望而却步。 Z-Image-ComfyUI 正是在这一背景下应运而生——它基于阿里最新开源的大规模图像生成模型 Z-Image，结合可视化工作流平台 ComfyUI，打造了一个开箱即用、零门槛上手的AI绘画解决方案。无论你是完全没有编程经验的小白，还是想快速验证创意的设计爱好者，都可以通过这个镜像轻松实现“输入文字 → 输出图片”的完整流程。 本文将带你从零开始，一步步掌握 Z-Image-ComfyUI 的使用方法，并深入理解其背后的技术优势与实用功能。 2. Z-Image 模型简介：强大背后的三大变体 2.1 什么是 Z-Image？ Z-Image 是阿里巴巴推出的一系列高性能文生图大模型，参数量高达 60亿（6
WSL2:Ubuntu部署llama.cpp llama.cpp 是一个完全由 C 与 C++ 编写的轻量级推理框架，支持在 CPU 或 GPU 上高效运行 Meta 的 LLaMA 等大语言模型（LLM），设计上尽可能减少外部依赖，能够轻松在多种后端与平台上运行。 安装llama.cpp 下面我们采用本地编译的方法在设备上安装llama.cpp 克隆llama.cpp仓库 在wsl中打开终端： git clone https://github.com/ggml-org/llama.cpp cd llama.cpp 编译项目 编译项目前，先安装所需依赖项： sudoapt update sudoaptinstall -y build-essential cmake git#
Stable-Diffusion-v1-5-archive GPU算力成本分析：单图推理耗时与电费测算 你是不是也好奇，用Stable Diffusion v1.5 Archive生成一张图，到底要花多少钱？是几分钱，还是几毛钱？今天，我们就来算一笔实实在在的账。 很多人用AI画图，只关心效果好不好，却很少关注背后的“电费”。其实，对于个人开发者、小团队或者需要批量出图的朋友来说，了解每次推理的成本至关重要。这直接关系到你的预算规划、项目报价，甚至是选择本地部署还是云端服务的决策。 本文将带你深入分析Stable Diffusion v1.5 Archive这个经典模型在GPU上运行的真实成本。我们会通过实际测试，测量单张图片的生成耗时，再结合不同GPU的功耗和电费，计算出最直观的“单图成本”。无论你是想控制个人使用成本，还是评估项目可行性，这篇文章都能给你一个清晰的答案。 1. 测试环境与模型准备 在开始算账之前，我们先得把“秤”和“砝码”准备好。为了保证测试结果的准确性和可复现性，我们搭建了一个标准化的测试环境。 1.1
文章目录 * 从语法纠错到项目重构：Python+Copilot 的全流程开发效率提升指南 💻✨ * 一、语法纠错：Copilot 如何成为你的“实时校对员” ✅ * 示例 1：自动修复缩进错误 * 示例 2：括号/引号自动闭合与修复 * 示例 3：类型注解缺失的智能补充 * 实战技巧：结合 Linter 使用 Copilot * 二、代码生成：从单行补全到完整函数实现 🧠⚡ * 示例 4：用注释驱动函数生成 * 示例 5：生成单元测试 * 示例 6：异步 HTTP 请求生成 * 三、调试辅助：Copilot 如何帮你“读懂”错误信息 🐞🔍 * 场景：遇到 `KeyError` 怎么办？ * 场景：