测试了一下，感觉不用翻墙也用的挺好。好像不能直接输出图片，但是对于代码的生成感觉是和目前能用到的GPT3.5是不相上下的。

测试#1：如何创建一个超弹性材料拟合Streamlit应用。整体来说看起来框架不错。

测试#2：什么系统好？

测试3：pyqt5应用程序的开发

测试4：他能感觉到我在侮辱他。

测试5: 知识系统问题，这个问题感觉比GPT3好。

源UP准备的网站：

都给你准备好了，要个三连不过分吧
这个是本期视频说到的网站：https://greengpt.app/
中文调教大全：https://github.com/PlexPt/awesome-chatgpt-prompts-zh

也给你们准备了一些备用网站，万一上面的用不了，可以先用他们凑合凑合
1.https://ai.usesless.com/scene
2.https://chat.binjie.site:7777/#/chat/1680769499990
3.https://free.anzz.top/#/chat/1680769517262
4.https://chat.aidutu.cn/#/chat/1680768233331
5.https://hzdjs.cn/chatgpt/chat/1680769317166
6.https://cool-js.com/ai/chat/index.html#/
7.https://chat.extkj.cn/#/chat/1002

视频源地址

这个UP提供了一种chatGPT的正确打开方式。

Python这种社区环境出来的，提供的训练样本也多，感觉这种入门级的应用场景，Python将会使用起来越来越方便了，大大提高了我这种入门调包侠的工作效率。

比较传统的宏观尺度的仿真是一定要用实验数据标定过了的实验数据来进行仿真的，宏观尺度的物理过程可以用很多测量工具读取相关物理量数据用来标定，热场的温度，流场的速度和压力，电场的电势电流密度，传质场的浓度等等。不然。。。小的问题，人家质疑你仿真精度，大的问题，你不怕炸死人？

我读研的时候，是从Polyflow黏弹性流体开始学习的，一开始是很明确知道要做实验数据对标的，但是奈何那个阶段，对CFD的学习深度和认知有限，不知道怎么去做对标，怎么去修正模型，所以做学校的工作也就是趟着过去。

后来参加工作了，先是做的热学工程师，从头认真学习热仿真软件，然后领导让我一个个去测竞品产品的工作温度，然后对标做仿真校正，那个时候进一步对热传导热辐射和热对流的数值计算方法有个进一步的认知，明白现实物理过程在数值空间是怎么离散的。

CAE软件只是一个工具。

刷到B站上四川大学的周杰老师正好也做了一个COMSOL不同硬件配置的效率测试。可以做一个硬件选择的参考，I家和A家的CPU都有涉及。

偶然在逛B站逛到的有意思的说唱歌手 阿张。