找回 Edge 边栏中消失的 Copilot 图标

Edge 边栏的 Copilot 能根据网页内容增强回复,相当于内置了RAG,而且能不限次数使用GPT-5,非常方便。笔者有次打开 Edge 浏览器时发现边栏的Copilot图标消失了,探索了一些方法后终于找到解决方案,以下:

1. win+R 打开运行,输入 powershell 打开,复制以下正则表达式全文到powershell 命令窗口回车运行即可。命令窗口出现“✅ 已将 variations_country 设置为 US。已重新启动 Microsoft Edge”代表已经成功。

& { # 关闭所有 Edge 进程 Get-Process | Where-Object { $_.ProcessName -like "msedge*" } | Stop-Process -Force -ErrorAction SilentlyContinue Start-Sleep -Seconds 3 $localState = "$env:LOCALAPPDATA\Microsoft\Edge\User Data\Local State" if (Test-Path $localState) { try { # 读取文件内容 $content = Get-Content $localState -Raw -Encoding UTF8 # 使用正则表达式查找并替换 variations_country 的值 if ($content -match '"variations_country":"[^"]*"') { $content = $content -replace '"variations_country":"[^"]*"', '"variations_country":"US"' $content | Set-Content -Path $localState -Encoding UTF8 Write-Host "✅ 已将 variations_country 设置为 US。" # 只有成功修改时才重启 Edge Start-Sleep -Seconds 1 Start-Process "msedge.exe" Write-Host "已重新启动 Microsoft Edge" } else { Write-Host "⚠️ 未找到 variations_country 字段,请手动检查文件。" Start-Process notepad.exe $localState } } catch { Write-Host "❌ 修改 Local State 文件失败:$($_.Exception.Message)" Write-Host "⚠️ 请手动修改该文件,搜索variations_country修改值为US,保存后手动启动 Edge。" # 自动打开 Local State 文件供用户手动编辑 Start-Process notepad.exe $localState } } else { Write-Host "找不到 Local State 文件:$localState" return } }

2.边栏出现 Copilot 图标后,如果出现

这不是你的错,而是我的问题

很抱歉,我在你所在的国家/地区似乎尚不可用。如果你愿意,可以通过前往以下内容来隐藏 Copilot 图标 浏览器设置。

则可能是因为你没有使用科学上网,如果已经可以科学上网但仍然无法使用,此时打开梯子的全局模式即可。

Read more

Jetson 上 OpenClaw + Ollama + llama.cpp 的联动配置模板部署大模型

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

OpenREALM:无人机实时映射框架的技术深度解析

OpenREALM:无人机实时映射框架的技术深度解析

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,

从理论到实践:Cosserat杆理论如何重塑柔性机器人设计思维

从理论到实践:Cosserat杆理论如何重塑柔性机器人设计思维 在机器人技术飞速发展的今天,传统刚性机器人在复杂环境中的局限性日益凸显。医疗微创手术和工业精密操作等领域对机器人的灵活性、适应性和精确性提出了更高要求。柔性机器人作为一种新兴解决方案,正逐渐改变我们对机器人设计的认知。而Cosserat杆理论这一经典力学框架的重新诠释,为柔性机器人设计带来了革命性的思维转变。 Cosserat理论最初由法国科学家Eugène和François Cosserat于20世纪初提出,原本用于描述具有微观结构的连续介质力学行为。这一理论独特之处在于它不仅考虑物体的平移变形,还独立描述旋转自由度,这使得它特别适合模拟那些需要同时考虑弯曲、扭转和拉伸的复杂结构。在柔性机器人领域,这一理论框架为工程师提供了前所未有的建模精度和设计灵活性。 1. Cosserat理论的核心突破与柔性机器人的契合点 传统机器人设计基于刚性连杆假设,使用Denavit-Hartenberg参数等方法来描述运动学。这种方法在结构化环境中表现优异,但当面对人体内部或复杂工业环境时,刚性假设就显得力不从心。Cossera

Pi0模型微调入门教程:基于LoRA在自有机器人数据上进行动作策略适配

Pi0模型微调入门教程:基于LoRA在自有机器人数据上进行动作策略适配 重要提示:本文介绍的Pi0模型微调方法主要适用于研究和开发环境,在实际机器人部署前请充分测试验证安全性。 1. 教程概述 1.1 学习目标 本教程将带你从零开始,学习如何使用LoRA(Low-Rank Adaptation)技术对Pi0机器人控制模型进行微调。学完本教程后,你将能够: * 理解Pi0模型的基本架构和微调原理 * 准备自己的机器人数据集并处理成合适格式 * 使用LoRA方法高效微调Pi0模型 * 评估微调后的模型性能并部署使用 1.2 前置知识要求 为了更好理解本教程,建议具备以下基础知识: * Python编程基础(能看懂简单代码) * 了解机器学习基本概念(训练、验证、测试) * 有过PyTorch或类似框架的使用经验更佳 * 对机器人控制有基本了解(非必须,但有帮助) 1.3 为什么选择LoRA微调 LoRA是一种参数高效的微调方法,相比全参数微调有三大优势: 1. 训练速度快:只需要训练少量参数,大大缩短训练时间 2. 内存占用少:可以在消费级GPU