最近，一些群友反馈他们的【【微信】】被限制,其中包括试用金用户以及绑定了信用卡的用户。当他们调用API时，会收到以下报错信息：

Your access was terminated due to 【【微信】】es, please check your email for more information. If you belie【【微信】】uld like to appeal, please contact [ [email protected] ](/cdn-cgi/l/email- protection) 。

同时还会收到一封邮件：

后台再去查看使用量，额度显示”?”说明已经被限制了。

根据OpenAI的提示，被限制可能有以下三大原因，建议自查：

官方原文地址： [

]( “)

中文总结就是：这些条款规定了用户在使用OpenAI的服务时需要遵守的要求，包括保护OpenAI的知识产权、遵守法律法规、保护个人信息等。如果发现漏洞或违规行为，需要及时通知OpenAI。这些条款还包括了关于服务的使用期限和终止、免责声明、争议解决、权利许可等方面的内容。如果违反这些条款，OpenAI有权终止用户的服务。

官方原文地址： [

]( “)

中文总结：

不允许使用

• 非法活动
• 儿童性虐待材料或任何剥削或伤害儿童的内容
• 生成仇恨、骚扰或暴力内容
• 恶意软件的生成
• 具有人身伤害高风险的活动
• 具有很高的经济损失风险的活动
• 欺诈或欺骗性活动
• 成人内容、成人行业和约会应用
• 政治竞选或游说
• 侵犯他人隐私的活动
• 从事未经授权的法律实践，或在没有合格人员审查信息的情况下提供量身定制的法律建议
• 提供量身定制的财务建议，无需合格人员审查信息
• 告诉某人他们有或没有某种健康状况，或提供有关如何治愈或治疗健康状况的说明
• 高风险政府决策

官方原文： [

]( “)

敲重点就是上述地区不包含中国大陆和中国香港。因此如果您使用香港节点去请求【【微信】】可能是会被封的。

分享一个自身经验整理的API使用避坑指南，欢迎领取

[ChatGPT 【【微信】】 使用避坑指南！如何选择OpenAI ChatGPT可用的云服务器/VPS？

如果您的账号被封，请根据以上内容自查是否存在违规行为。

大家在使用过程中请遵守OpenAI使用条款、使用策略，以免账号被封，且行且珍惜，不要滥用，不然大家都没得玩。

open ai主要在哪里获得中文模型 openai技术原理

OpenAI 现在第一个研究成果已经公开：这四个项目?有着同样的主题――那就是加强或者使用了生成式模型. 生成式模型是无监督学习?的一个分支. 除了介绍我们的工作，本文将会教你关于生成式模型更多的内容：这种模型是什么，为何重要，往哪里发展.

我们 OpenAI 的核心志向是开发出算法和技术可以赋予计算机理解世界的能力.

其实我们常会忽视自己对世界的认知和理解：世界是一个 3D 的环境，对象可以移动，碰撞和交互；行走，对话和思考的人类；放牧、飞翔、奔跑或者咆哮；播放天气，篮球赛或者 1970 年发生的事情的用语言表示的信息的显示器.

这些海量信息就在我们的身边，某种程度上触手可及 ―― 或者是在原子物理世界中，或者是比特的数字世界里. 而最为棘手的部分就是发展出可以分析和理解数据中潜藏的珍宝的模型和算法.

生成式模型是达到这个目标的最为可能的方式之一. 要训练一个生成式模型，我们首先收集某个领域中的大量数据（如，数以百万计的图像、句子或者声音等），然后训练一个可以生成像这些数据模型. 这个观点的直觉其实是?Richard Feynman?名言的含义：

``What I cannot create, I do not understand.''

而完成这个任务的关键就是我们用神经网络作为生成式模型，这样的模型参数的数量远小于我们用来训练的数据的量，迫使模型能够发现和有效地内化（internalize）数据的本质，从而才可以生成这些数据.

生成式模型有很多短期（short-term）应用. 但是从长远角度来看，他们有着自动学习数据集的自然特征的潜力，包含类型、维度或者其他特征.

让我们看看一个具体的例子. 假设我们有某个大量图像的集合，比如说?ImageNet?数据集中 120 万幅图像（但是需要记住这也可以是互联网或者机器人中获得的大量的图像或者视频的集合）. 如果我们将每幅图重置为 256 的宽高的图像（典型的处理方式），我们的数据集就是一个 1200000256256*3（约 200 GB）的像素块. 这里是该数据集的一些样例图像：

这些图像是我们视觉世界呈现的样子，我们将它们成为“从真实数据分布中采样的样本”. 现在我们构造生成式模型，将他们训练成可以生成如同这些样本图的模型. 这里的生成式模型可以是一个大的神经网络可以输出图像，这些图像称为“来自模型的样本”.

最近的一个模型是来自 Radford 等人的?DCGAN network?（下图所示）. 这个网络以 100 个从一个高斯分布中采样的随机数为输入（这些数字我们称为代码（code），或者隐含变量，红色文字所示），输出了一个图像（在这里是 64643 的右部的图像，绿色文字所示）. 当代码增量式变化时，生成出的图像也随之变化――这说明模型已经学到了可以描述世界是什么样的特征，而不是仅仅是记住了一些样本.

网络（黄色部分）由标准的卷积神经网络如去卷积层（卷积层的的逆），全连接层?等：

DCGAN 使用随机权重进行初始化，所以随机代码输入到网络中会生成一个完全随机的图像. 但是，你可以想象，这个网络有数百万的参数可以调整，目标就是找到一个参数的设置，可以使得从随机代码中生成出的样本看起来像训练数据. 或者换言之，我们想要模型分布匹配在图像空间中的真实的数据分布.

假设我们使用新初始化网络生成 200 幅图，每次从一个不同的随机代码开始. 问题是：我们如何调整网络的参数来鼓励他产生更加可信的新的图像？注意到我们不是在一个简单的监督学习场景下，也没有对产生的 200 幅图像设定任何显式的预计目标；我们仅仅希望他们看起来真实.

处理这个问题的巧妙的方式是根据生成式对抗网络 Ad【【微信】】 (GAN)方法. 这里我们引入第二个判别器网络（通常是一个标准的卷积神经网络）. 例如，我们可以将 200 生成出的图像和 200 幅真实图像作为判别器的输入，训练成为一个标准的分类器来区分这两个来源的图像. 除此之外――我们同样可以反向传播通过判别器和生成器来找出如何改变生成器的参数来让判别器对其 200 样本微小地困惑. 这两个网络就产生了一种对抗：判别器试着从伪造图像中区分出真实图像而产生器则尝试创造可以让判别器觉得它们真实的图像. 最后，生成器网络输出让判别器无法区分的图像.

现在有几种其他的匹配这些分布的方式. 但在我们讨论这些分布前，下图给出两个动画展示了从生成式模型采样的过程，以给于你们一个视觉上的关于训练过程感受. 在两个例子中，采样出的样本开始时有噪声和混乱的，经过了一段时间收敛到产生可信的图像统计：

https://openai.com/assets/research/generative-models/learning-vae-d09214c18c65c97ee61d03a5d40c863b52462d49ea975669970fcdb1537382fc.gif

https://openai.com/assets/research/generative-models/learning-gan-ffc4c09e6079283【【微信】】937a45ebc1d8aeac23a67889a3cf5.gif

这令人兴奋――这些神经网络学习视觉世界样子！这些模型通常有仅仅 10 亿参数，所以一个在 ImageNet 上训练的网络（粗略地）将 200GB 的像素数据压缩到 100MB 的权重上. 这种需求让模型发现数据最主要的特征：例如，模型很可能学习靠近的像素更可能拥有相同的颜色，或者世界是由水平和竖直边构成，或者不同颜色的色团等等. 最终，模型可能会发现很多更加复杂的规律：图像存在某个类型的背景、对象、纹理，会出现在某种可能的排列，或者他们按照某种方式在视频中随着时间变换，等等.

数学上看，我们考虑数据集 $x_1,…,x_n$ 是从一个真实数据分布 $p(x)$. 在下面的图像，蓝色区域展示了一部分图像空间，以高概率（超过某阈值）包含真实图像，而黑色点表示我们的数据点（每个是数据集中图像）. 现在我们的模型同样刻画了一个分布 $\hat{p}_ heta(x)$ （绿色的），由一个单位 Gaussian 分布（红色）获得的点，将他们通过一个（确定型）神经网络映射进行定义――得到了生成式模型（黄色）.

我们的网络是参数为 $ heta$ 的函数，调整这些参数就能改变生成出的图像分布. 我们的目标是找到参数 $ heta$ 可以产生一个较好匹配真实数据分布的分布（例如，两个分布 KL 散度很小）. 因此，你可以想象绿色分布从随机开始，然后训练过程迭代式改变参数 $ heta$ 来拉长和压缩自己使得更匹配蓝色分布.

大多数生成式模型有这个基础的设置，但是细节不同. 这里有三个流行的生成式模型方法的例子可以让你看看差异：

• Generative Ad【【微信】】s (GANs)?这个我们在上面讨论过了，给出一个训练过程作为两个不同的网络的博弈：一个生成器网络（如上）和一个判别器网络尝试分类样本为来自真实分布 $p(x)$ 和模型分布 $\hat{p}(x)$. 每次判别器注意到两个分布之间的差异生成器微微调整了自己的参数，直到最后（理论上）生成器准确地重新制造真实数据分布，判别器随机猜测并不能找到差异.
• 【【微信】】ers (VAEs)?让我们可以在概率图模型框架下形式化这个问题，我们会最大化数据的对数似然的下界.
• 如?PixelRNNAutoregressive 模型训练一个建模了给定前面像素下每个独立像素条件分布的网络（从左到右，从上到下）. 这类似于将图像的像素输入到一个?char-rnn，但是 RNN 水平和垂直遍历图像，而不是 1D 的字符序列.

所有这些方法有各自的优缺点. 例如，变分自编码器可以执行学习和在复杂的包含隐含变量的概率图模型上进行高效地贝叶斯推断（如?DRAW?或者?Attend Infer Repeat?近期相对复杂的模型）. 但是，他们生成的样本会有些模糊不清. GANs 目前生成了清楚的图像，但是因为不稳定的训练动态性很难优化. PixelRNNs 有一个非常简单和稳定的训练过程（softmax loss）并且当前给出了最优的对数似然（即，产生出数据的可信程度）. 然而，他们在采样时相对低效而且没有给图像以简单的低维代码. 所有这些模型是研究的活跃的领域，我们迫切想要知道他们未来的发展！

我们对 OpenAI 做出的生成式模型非常兴奋，刚刚发布了四个对近期工作项目改进工作. 对每个贡献，我们同样发布了技术报告和源代码.

Impro【【微信】】trong>(code). 首先，正如上面所说 GANs 是一个非常有前景的生成式模型，因为不像其他方法，他们产生了非常干净和清晰图像，并学习可以包含关于这些纹理有价值的信息的代码. 然而，GANs 被建模成两个网络之间的博弈，保持他们的平衡很重要（且有技巧）：例如，他们可能在解之间震荡或者生成器有奔溃的倾向. 在个工作中，Tim Salimans, Ian Goodfellow, Wojciech Zaremba 和其他同事已经引进了一些新的技术让 GAN 训练更加稳定. 这些技术让我们能够规模化 GANs 并获得很好的 128*128 ImageNet 样本：