前提：
1、有授权的Copilot的github账号（学生认证或购买），vscode已登录账号
2、远程主机已安装Github Copilot和Github Copilot Chat插件
现象：
左侧工具栏没有copilot chat的图标
解决:
打开vscode设置(setting)，在设置中搜索"extension kind"，点击settings.json
在"remote.extensionKind"中添加：
"remote.extensionKind":{"GitHub.copilot":["ui"],"GitHub.copilot-chat":["ui"]}重启vscode可看见chat图标
参考：
快速解决vscode远程连接时copilot提示脱机状态无法使用的问题
VsCode远程连接服务器后安装Github Copilot无法使用
深度评测：Claude Code vs. GitHub Copilot CLI，谁才是终端之王？ 目录 1. 引言与背景 2. 原理解释（深入浅出） 3. 10分钟快速上手（可复现） 4. 代码实现与工程要点 5. 应用场景与案例 6. 实验设计与结果分析 7. 性能分析与技术对比 8. 消融研究与可解释性 9. 可靠性、安全与合规 10. 工程化与生产部署 11. 常见问题与解决方案（FAQ） 12. 创新性与差异性 13. 局限性与开放挑战 14. 未来工作与路线图 15. 扩展阅读与资源 16. 图示与交互 17. 术语表与速查表 18. 互动与社区 0.
探秘海螺AI：多模态架构下的认知智能新引擎 在人工智能持续进阶的进程中，海螺AI作为一款前沿的多功能AI工具，正凭借其独特的多模态架构崭露头角。它由上海稀宇科技有限公司（MiniMax）精心打造，依托自研的万亿参数MoE大语言模型ABAB6.5以及MiniMax语音大模型，展现出非凡的技术实力与应用潜力。MiniMax的核心团队源自商汤科技等业内知名企业，在多模态大模型研发领域深耕细作，为海螺AI的诞生奠定了坚实基础。 在这里插入图片描述 一、核心模型架构剖析 （一）基础模型：abab - 6.5 海螺AI的基础模型abab - 6.5采用了创新的混合专家系统设计，借助动态路由机制，即Sparse Gating Network，可依据输入内容智能激活8 - 12个子专家模型。这些子专家模型涵盖代码专家、多语言专家、逻辑推理专家等，各司其职，协同作业。在参数规模上，abab - 6.5总参数量高达1.2万亿，同时通过巧妙的设计，将活跃参数量控制在2000亿/query，有效平衡了模型的高容量与低推理成本。在训练优化环节，
Jetson 上我建议的联动方式是：OpenClaw -> Ollama（主模型，原生 API）+ llama.cpp（备用/低资源模型，OpenAI 兼容 API）+ Ollama embeddings（memorySearch）。 这样做的原因是，OpenClaw 官方把 Ollama + openclaw onboard 作为最低冲突的本地方案；同时它也支持把 vLLM / LiteLLM / 自定义 OpenAI-compatible 本地代理 作为额外 provider 接进来。Ollama 这边，OpenClaw 明确推荐走原生 http://host:11434，不要给它配 /v1，否则工具调用会变差；而 llama.cpp 的 llama-server
在无人机应用日益广泛的当下，精准、高效的实时映射技术成为推动行业发展的关键。传统无人机映射方案往往存在数据处理滞后、对复杂地形适应性差等问题，难以满足精准农业、应急救援等场景的实时决策需求。OpenREALM 作为一款开源的无人机实时映射框架，创新性地融合了视觉 SLAM、单目稠密重建等前沿技术，实现了从 2D 图像拼接至 3D 表面重建的多模式映射功能。 原文链接：https://arxiv.org/pdf/2009.10492 代码链接：https://github.com/laxnpander/OpenREALM 沐小含持续分享前沿算法论文，欢迎关注... 一、引言：无人机映射技术的现状与挑战 1.1 应用背景与核心需求 人类对世界的勘测需求推动了映射技术的持续发展，而无人机的兴起为空中勘测提供了全新的解决方案。空中影像已广泛应用于精准农业、城市规划、灾害风险管理等关键领域，这些应用场景不仅对数据分辨率有较高要求，更在可用性、成本和映射效率方面提出了严苛标准。传统的有人机勘测存在操作复杂、成本高昂等局限，而无人机凭借轻量化设计、自主飞行能力强等优势，