Jason Zhu's banner

Jason Zhu

@GoSailGlobal • 35,984 subscribers

Show In Public ｜ SaaS 出海｜克尔凯郭尔种草🌿 Skills hub：https://t.co/x1VU8wWNj1 博客：https://t.co/ajYYIXGqFg 🤝 合作DM：GoSail_AI 📮：[email protected] MCN：[email protected]

Shorts

做出海投放最累的不是出素材，是出素材之前那一堆事 - 调研市场 - 扒竞品 - 找爆款参考 - 拆创意方向 - 写 brief - 再把 brief 变成成片 Topview TopviewAI 上线了 AI Marketer，把这条链路压成一个 Agent 工作流：你给它一个目标，它自己跑： · 市场调研：直连 TikTok Shop、Amazon、Shopee 数据，拉产品趋势、竞品动态、爆款内容 · 创意方向：从调研结果里提炼卖点角度，输出可执行的创意 brief · 素材生成：「Recreate Viral Ads」一键改编爆款视频适配你的品牌，「Bulk Create Ads」一次批量出多版素材 · 品牌记忆：产品信息、品牌调性、历史决策自动沿用，不用每次重新 brief 从洞察到成片，一个工作台搞定你只需要做一件事：审核拍板对跑电商出海、投 TikTok / Amazon 广告的团队来说这等于把投放前端的人力成本砍掉一大截以前一个投放经理半天干的活，现在 Agent 跑完你直接挑成品。 🔗

做出海投放最累的不是出素材，是出素材之前那一堆事 - 调研市场 - 扒竞品 - 找爆款参考 - 拆创意方向 - 写 brief - 再把 brief 变成成片 Topview TopviewAI 上线了 AI Marketer，把这条链路压成一个 Agent 工作流：你给它一个目标，它自己跑： · 市场调研：直连 TikTok Shop、Amazon、Shopee 数据，拉产品趋势、竞品动态、爆款内容 · 创意方向：从调研结果里提炼卖点角度，输出可执行的创意 brief · 素材生成：「Recreate Viral Ads」一键改编爆款视频适配你的品牌，「Bulk Create Ads」一次批量出多版素材 · 品牌记忆：产品信息、品牌调性、历史决策自动沿用，不用每次重新 brief 从洞察到成片，一个工作台搞定你只需要做一件事：审核拍板对跑电商出海、投 TikTok / Amazon 广告的团队来说这等于把投放前端的人力成本砍掉一大截以前一个投放经理半天干的活，现在 Agent 跑完你直接挑成品。 🔗

22,006 次观看

之前推荐的 APIMart，又快速上了阿里的 HappyHorse-1.0，我用它跑了一个 15 秒的吉卜力短片，全程没开过剪映工作流就 3 步： 1️⃣ GPT-Image-2 出 3×3 吉卜力故事板，9 张连贯关键帧，主角衣服、光线、镜头都对得上 2️⃣ 把每张图丢给 Claude Opus，让它看图写 i2v prompt，相机运动、角色动作、节奏一行一行写出来 3️⃣ HappyHorse-1.0 接住图 + prompt，按图生视频，15 秒一镜，人物不漂、衣服不变色整套下来便宜一大截，关键是 i2v 一致性肉眼能看出来，HappyHorse 可以在你给它锚点后，它老老实实地演国产视频模型今年最值得放进 pipeline 的一个，apimart 还把它和 GPT-Image-2 拼到了同一条 API 上，省去自己接两家的麻烦目前价格官方原价，这两天会有个折扣价附 demo 视频 ↓

之前推荐的 APIMart，又快速上了阿里的 HappyHorse-1.0，我用它跑了一个 15 秒的吉卜力短片，全程没开过剪映工作流就 3 步： 1️⃣ GPT-Image-2 出 3×3 吉卜力故事板，9 张连贯关键帧，主角衣服、光线、镜头都对得上 2️⃣ 把每张图丢给 Claude Opus，让它看图写 i2v prompt，相机运动、角色动作、节奏一行一行写出来 3️⃣ HappyHorse-1.0 接住图 + prompt，按图生视频，15 秒一镜，人物不漂、衣服不变色整套下来便宜一大截，关键是 i2v 一致性肉眼能看出来，HappyHorse 可以在你给它锚点后，它老老实实地演国产视频模型今年最值得放进 pipeline 的一个，apimart 还把它和 GPT-Image-2 拼到了同一条 API 上，省去自己接两家的麻烦目前价格官方原价，这两天会有个折扣价附 demo 视频 ↓

140,396 次观看

🎬 apimart 上新：豆包 doubao-seedance-2.0-mini apimart に Doubao Seedance 2.0 mini 登場 🇯🇵 同 9 张关键帧、同 prompt、同 15s、R2V 实测 doubao-seedance-2.0-mini vs HappyHorse 1.0 ✅ 价格官方原价（比 HH 便宜 3-5×） ✅ 不卡人脸（face 变体直出真人） ✅ 7 月 Seedance 2.5 上线，依然原价；有官方折扣同步透传 🔗 同一个忠犬八公，9 张关键帧 R2V 实测「忠犬ハチ公」9 枚キーフレーム R2V 实测 HappyHorse 1.0 vs Seedance mini 价格便宜 3-5×，不卡人脸，画风电影感 💰 便宜 3-5×・激安 👤 不卡人脸・顔OK 🎬 画风更电影感・映画的 📊 数据对比（同输入） HappyHorse vs Seedance mini 比特率 6.98 Mbps vs 5.30 Mbps 画风暖萌插画感 vs 冷调电影感节奏慢 vs 快推进 1-2 panel 真人脸 ❌ 卡 vs ✅ face 变体放行费用 ~$1.49 vs ~$0.30-0.50 doubao-seedance-2.0-mini 更忠于参考图，HappyHorse 更"图画书翻页" mini はリファレンスに忠実・映画的構図

🎬 apimart 上新：豆包 doubao-seedance-2.0-mini apimart に Doubao Seedance 2.0 mini 登場 🇯🇵 同 9 张关键帧、同 prompt、同 15s、R2V 实测 doubao-seedance-2.0-mini vs HappyHorse 1.0 ✅ 价格官方原价（比 HH 便宜 3-5×） ✅ 不卡人脸（face 变体直出真人） ✅ 7 月 Seedance 2.5 上线，依然原价；有官方折扣同步透传 🔗 同一个忠犬八公，9 张关键帧 R2V 实测「忠犬ハチ公」9 枚キーフレーム R2V 实测 HappyHorse 1.0 vs Seedance mini 价格便宜 3-5×，不卡人脸，画风电影感 💰 便宜 3-5×・激安 👤 不卡人脸・顔OK 🎬 画风更电影感・映画的 📊 数据对比（同输入） HappyHorse vs Seedance mini 比特率 6.98 Mbps vs 5.30 Mbps 画风暖萌插画感 vs 冷调电影感节奏慢 vs 快推进 1-2 panel 真人脸 ❌ 卡 vs ✅ face 变体放行费用 ~$1.49 vs ~$0.30-0.50 doubao-seedance-2.0-mini 更忠于参考图，HappyHorse 更"图画书翻页" mini はリファレンスに忠実・映画的構図

57,560 次观看

今年 AI 视频最卷的就是模型迭代，几乎每隔一阵就有新一代出来，谁能第一时间用上，谁就多一个身位这次是 MiniMax 的海螺 H3 刚发，Topview 已经是最早一批能直接上手的平台之一我一直觉得，模型好不好，光看官方 demo 没用，得看放进真实工作流里能不能出活看了下附的这条视频，H3 这版的进步很实在：画面稳定度上来了，运镜更自然，材质和光影的质感也更耐看，做营销片、带货短视频、UGC 风格的内容，都够能打对做出海和电商的人来说，价值不在「又出了个新模型」，在于 Topview 本来那套从产品链接到成片的流程已经很顺，现在底层直接换上更强的 H3，等于同样几步操作，出片质量又往上抬了一档模型在飞快变强，工具在飞快跟进留给创作者的功课，就是尽早上手，把手感练出来，等别人还在观望，你的号已经在跑量了想第一时间玩上海螺 H3 的，直接去 TopviewAI，附的视频就是 H3 跑出来的

今年 AI 视频最卷的就是模型迭代，几乎每隔一阵就有新一代出来，谁能第一时间用上，谁就多一个身位这次是 MiniMax 的海螺 H3 刚发，Topview 已经是最早一批能直接上手的平台之一我一直觉得，模型好不好，光看官方 demo 没用，得看放进真实工作流里能不能出活看了下附的这条视频，H3 这版的进步很实在：画面稳定度上来了，运镜更自然，材质和光影的质感也更耐看，做营销片、带货短视频、UGC 风格的内容，都够能打对做出海和电商的人来说，价值不在「又出了个新模型」，在于 Topview 本来那套从产品链接到成片的流程已经很顺，现在底层直接换上更强的 H3，等于同样几步操作，出片质量又往上抬了一档模型在飞快变强，工具在飞快跟进留给创作者的功课，就是尽早上手，把手感练出来，等别人还在观望，你的号已经在跑量了想第一时间玩上海螺 H3 的，直接去 TopviewAI，附的视频就是 H3 跑出来的

34,015 次观看

可能很多人不知道，你跑过的Claude Code会话本身就是值钱的训练数据 EvoTrace，刚开源两天冲了90星，把躺在你机器里的Claude Code和Codex历史会话，编译成偏好数据、可回放评测任务和RL环境四个agent串行评审每段会话，证据不足直接拒收，防止长而弱的轨迹混进训练集本地优先，源数据和产出都在你自己手里，Apache开源 macOS、Linux、Windows一行脚本就能装，Claude Code和Codex用户开箱即用

可能很多人不知道，你跑过的Claude Code会话本身就是值钱的训练数据 EvoTrace，刚开源两天冲了90星，把躺在你机器里的Claude Code和Codex历史会话，编译成偏好数据、可回放评测任务和RL环境四个agent串行评审每段会话，证据不足直接拒收，防止长而弱的轨迹混进训练集本地优先，源数据和产出都在你自己手里，Apache开源 macOS、Linux、Windows一行脚本就能装，Claude Code和Codex用户开箱即用

16,259 次观看

神了，一个清水印的技能11天冲了1万6千星 watermarks-remover，专门清除Claude、Gemini、OpenAI这些AI生成内容里的溯源痕迹不可见Unicode字符、统计式文本水印、C2PA和EXIF元数据，三层全清图片、PDF、Word、SVG、音视频，二十多种格式都支持，专治你自己生成、你拥有版权的内容 Claude Code、Cursor、Grok都能装，MIT开源

神了，一个清水印的技能11天冲了1万6千星 watermarks-remover，专门清除Claude、Gemini、OpenAI这些AI生成内容里的溯源痕迹不可见Unicode字符、统计式文本水印、C2PA和EXIF元数据，三层全清图片、PDF、Word、SVG、音视频，二十多种格式都支持，专治你自己生成、你拥有版权的内容 Claude Code、Cursor、Grok都能装，MIT开源

15,579 次观看

离谱，一个做logo的技能48小时涨了849星 ip-as-logo-skill，一句话把任何IP做成圆润拟物风mascot，商用免费最妙的是它管得极细：轮廓限定6到10个基础形状，配色只锁三种，AI想画歪都难 Cursor、Codex、OpenCode一条命令就能装：npx skills add s1dashu/ip-as-logo-skill

15,259 次观看

AI视频工具现在遍地都是，生成一段好看的画面已经不难但说实话，好看的片段和电影感之间差的不是画质，是"导演意图"，演员的微表情要能控制，镜头语言要有选择，场景空间关系要能提前规划，特效要服务于叙事而不是炫技，最后还得有统一的视觉风格把一切串起来这些东西以前在AI工作流里基本不存在，你只能提示词抽卡，出来什么算什么 Topview Film Studio TopviewAI 把这些电影级的控制全部整合进了一个创作画布： 1️⃣ 表演指导：控制细微表情、情绪节奏、眼神方向 2️⃣ 摄影机控制：构图、景别、镜头运动、焦段语言 3️⃣ 3D白盒预演：在生成之前就把角色站位、机位、空间关系规划好 4️⃣ 电影特效：有运动逻辑和氛围感的叙事型VFX 5️⃣ 人像细节优化：去掉AI生成常见的塑料感和过度处理 6️⃣ 调色与风格：肤色、对比度、氛围、整体电影质感从"生成片段"到"导演镜头"，这个转变终于发生了

AI视频工具现在遍地都是，生成一段好看的画面已经不难但说实话，好看的片段和电影感之间差的不是画质，是"导演意图"，演员的微表情要能控制，镜头语言要有选择，场景空间关系要能提前规划，特效要服务于叙事而不是炫技，最后还得有统一的视觉风格把一切串起来这些东西以前在AI工作流里基本不存在，你只能提示词抽卡，出来什么算什么 Topview Film Studio TopviewAI 把这些电影级的控制全部整合进了一个创作画布： 1️⃣ 表演指导：控制细微表情、情绪节奏、眼神方向 2️⃣ 摄影机控制：构图、景别、镜头运动、焦段语言 3️⃣ 3D白盒预演：在生成之前就把角色站位、机位、空间关系规划好 4️⃣ 电影特效：有运动逻辑和氛围感的叙事型VFX 5️⃣ 人像细节优化：去掉AI生成常见的塑料感和过度处理 6️⃣ 调色与风格：肤色、对比度、氛围、整体电影质感从"生成片段"到"导演镜头"，这个转变终于发生了

23,843 次观看

GPT-Image-2 + Seedance 2.0目前已成AI视频标配甚至可以根据给定图片推导过去和未来，制作storyboard，然后生成视频使用方法： 1️⃣ 随便找一张图 2️⃣ 给以下提示词，然后制作storyboard 用以下提示词👇： Create a 3×3 cinematic storyboard grid based on the uploaded reference image. Use the uploaded image as the central moment of the story: Frame 5 must represent the exact “t” moment, matching the subject, scene, mood, composition, costume, environment, lighting style, and emotional tone of the reference image. The storyboard must show what happened before and after this moment as a time-based visual timeline. FRAME STRUCTURE: Frame 1: t-30: Establishing shot, the wider environment before the main event begins. Frame 2: t-10: The subject approaches or prepares for the key moment. Frame 3: t-5: Tension builds, body language and atmosphere lead toward the reference image. Frame 4: t-1: Final instant before the reference image, close emotional or action transition. Frame 5: t: Recreate the uploaded reference image as the central key frame. Frame 6: t+1: Immediate reaction or continuation right after the key moment. Frame 7: t+5: Alternate angle showing the consequence of the moment. Frame 8: t+15: Candid transition frame, natural movement, emotional aftermath. Frame 9: t+30: Strong final cinematic frame that clearly resolves the scene. STYLE: Ultra-realistic cinematic storyboard, 3×3 grid layout, cohesive visual tone across all frames, consistent character identity, consistent costume, consistent environment, cinematic lighting, shallow depth of field, realistic camera angles, natural motion continuity, no text labels, no numbers, no arrows, no captions inside the image. 3️⃣ seedance2.0 一键成片

GPT-Image-2 + Seedance 2.0目前已成AI视频标配甚至可以根据给定图片推导过去和未来，制作storyboard，然后生成视频使用方法： 1️⃣ 随便找一张图 2️⃣ 给以下提示词，然后制作storyboard 用以下提示词👇： Create a 3×3 cinematic storyboard grid based on the uploaded reference image. Use the uploaded image as the central moment of the story: Frame 5 must represent the exact “t” moment, matching the subject, scene, mood, composition, costume, environment, lighting style, and emotional tone of the reference image. The storyboard must show what happened before and after this moment as a time-based visual timeline. FRAME STRUCTURE: Frame 1: t-30: Establishing shot, the wider environment before the main event begins. Frame 2: t-10: The subject approaches or prepares for the key moment. Frame 3: t-5: Tension builds, body language and atmosphere lead toward the reference image. Frame 4: t-1: Final instant before the reference image, close emotional or action transition. Frame 5: t: Recreate the uploaded reference image as the central key frame. Frame 6: t+1: Immediate reaction or continuation right after the key moment. Frame 7: t+5: Alternate angle showing the consequence of the moment. Frame 8: t+15: Candid transition frame, natural movement, emotional aftermath. Frame 9: t+30: Strong final cinematic frame that clearly resolves the scene. STYLE: Ultra-realistic cinematic storyboard, 3×3 grid layout, cohesive visual tone across all frames, consistent character identity, consistent costume, consistent environment, cinematic lighting, shallow depth of field, realistic camera angles, natural motion continuity, no text labels, no numbers, no arrows, no captions inside the image. 3️⃣ seedance2.0 一键成片

34,160 次观看

Videos

Anya Rossi

sweetdream.ai

SweetDream.ai•Sponsored•Livecam

Watch Anya Live

Anya is streaming live right now! Join her private show and enjoy exclusive content.

Exclusive private shows

1.2k viewers online

Private Show

Join now for exclusive access

Free preview available • Premium content

做 AI 视频最容易忽略的一步，其实是先学会拆别人的片 reelbench-skills，上线两天 196 star，Apache 2.0 两个 skill 干两件事 video-shots 拉片：一条成片拆成逐镜头分析表，时长、景别、运镜、画面描述全在一张表里。切点和时长由 ffmpeg 量出来，模型只判断该它判断的四件事，14 道质量门逐条对账 video-sync 合成：画面一边，分镜信息一边，镜头一切信息跟着切，横版竖版各一套布局最妙的是拉片报告是单文件交互页，内嵌播放器，播放时同步高亮镜头，点镜头就跳，离线双击能开零 npm 依赖，零 API key，只要 node 和 ffmpeg Claude Code、Codex 一个脚本软链装好： git clone 仓库后运行 ./scripts/install.sh

做 AI 视频最容易忽略的一步，其实是先学会拆别人的片 reelbench-skills，上线两天 196 star，Apache 2.0 两个 skill 干两件事 video-shots 拉片：一条成片拆成逐镜头分析表，时长、景别、运镜、画面描述全在一张表里。切点和时长由 ffmpeg 量出来，模型只判断该它判断的四件事，14 道质量门逐条对账 video-sync 合成：画面一边，分镜信息一边，镜头一切信息跟着切，横版竖版各一套布局最妙的是拉片报告是单文件交互页，内嵌播放器，播放时同步高亮镜头，点镜头就跳，离线双击能开零 npm 依赖，零 API key，只要 node 和 ffmpeg Claude Code、Codex 一个脚本软链装好： git clone 仓库后运行 ./scripts/install.sh

58,382 次观看 • 2 天前

MiniMax H3 Max Director 交互式生成太秀了，这不虚拟女友，再加上之前实时生成的无限直播那不妥妥。。。陪聊都完了

Sensitive content

This media may contain sensitive content.

MiniMax H3 Max Director 交互式生成太秀了，这不虚拟女友，再加上之前实时生成的无限直播那不妥妥。。。陪聊都完了

101,894 次观看 • 4 天前

公司斥巨资打造的Agent工作流 Be Like

公司斥巨资打造的Agent工作流 Be Like

310,174 次观看 • 20 天前

想学编剧、或者用AI写剧本的,这个知识库是降维打击 screenwriting-skills,392星,13个编剧skill 它不是随手拼的提示词。是从19本编剧圣经里一本本蒸馏出来的:菲尔德的电影剧本写作基础、麦基的故事和对白、救猫咪、埃格里的编剧的艺术,再加上契诃夫的全部剧作、小津安二郎的剧本当范本它把编剧这门学科拆成一整套工作流,每个环节一个skill:选题立意、故事结构、人物冲突、对白、场景、格式,一直到行业和商业规则。而且不只讲美国那套,日本、韩国、法国的编剧方法都有专门的skill 正文是中文的,还专门拆了美国经典电影的案例和日本十位导演的方法论。有个总控skill带你从头走到尾,项目状态存在一个story bible文件里,换个会话也能接着写做AI短剧、写故事的,这套值得收藏慢慢用

想学编剧、或者用AI写剧本的,这个知识库是降维打击 screenwriting-skills,392星,13个编剧skill 它不是随手拼的提示词。是从19本编剧圣经里一本本蒸馏出来的:菲尔德的电影剧本写作基础、麦基的故事和对白、救猫咪、埃格里的编剧的艺术,再加上契诃夫的全部剧作、小津安二郎的剧本当范本它把编剧这门学科拆成一整套工作流,每个环节一个skill:选题立意、故事结构、人物冲突、对白、场景、格式,一直到行业和商业规则。而且不只讲美国那套,日本、韩国、法国的编剧方法都有专门的skill 正文是中文的,还专门拆了美国经典电影的案例和日本十位导演的方法论。有个总控skill带你从头走到尾,项目状态存在一个story bible文件里,换个会话也能接着写做AI短剧、写故事的,这套值得收藏慢慢用

71,686 次观看 • 5 天前

介绍下 GOSAIL LAB：一个专门做 AI 产品营销推广的工作室我们不做万金油代运营，只做一件事：帮 AI 产品 Founder 和独立开发者，把"好产品没人知道"这个问题解决掉具体能做： ✅ 平台冷启动：X / 小红书 / 知乎 / B 站，从内容定位到首批用户 ✅ 创始人 IP：把你和你的产品故事写成能传播的内容 ✅ PMF 验证：用真实流量帮你判断哪个钩子最能打中市场 ✅ 顶流 KOC/KOL 联动：圈层内的真实创作者，不是水军号如果你的产品确实做得好，但卡在"没人知道"，欢迎来聊 🎥 介绍视频在这👇

介绍下 GOSAIL LAB：一个专门做 AI 产品营销推广的工作室我们不做万金油代运营，只做一件事：帮 AI 产品 Founder 和独立开发者，把"好产品没人知道"这个问题解决掉具体能做： ✅ 平台冷启动：X / 小红书 / 知乎 / B 站，从内容定位到首批用户 ✅ 创始人 IP：把你和你的产品故事写成能传播的内容 ✅ PMF 验证：用真实流量帮你判断哪个钩子最能打中市场 ✅ 顶流 KOC/KOL 联动：圈层内的真实创作者，不是水军号如果你的产品确实做得好，但卡在"没人知道"，欢迎来聊 🎥 介绍视频在这👇

737,293 次观看 • 3 个月前

辛苦做了一个月的SEO基建被颠覆了 7月被阿里巴巴和 Tribe Capital 领投的 650 万美元种子轮融资的之前我花了一个多月搭了一整套 SEO 监控、竞品数据抓取和社媒监听的基建，写脚本、调接口、洗数据，折腾得要死结果用 AIsa 喂给 Agent，一条指令直接把中推圈最火的三大 AI 中转站（傅盛的 EasyRouter、孙宇晨的 WorldClaw）底裤都扒干净了： 1️⃣ 流量与外链质量透视：表面上自然搜索预估和外链数量是其他家的几十倍，但一扒发现外链极度脆弱，大多靠 TRON 生态的返佣和交叉推广撑着 EasyRouter 外链高度集中在各类 AI 导航站，主要靠傅盛本人的个人 IP 在 X、知乎和公众号带节奏 WorldClaw 则是典型的美系打法，走 X 的 KOL 矩阵 + Crypto 媒体公关稿，外链结构最均匀健康 2️⃣ 关键词与盲区机会：品牌词大家都在霸榜，但一对比就发现：模型落地页、长尾 SEO 词的索引金矿，几家头部几乎都没做深，这就是后来者的切入机会。 3️⃣ 社媒与渠道分发路径：谁在 Reddit 潜伏、谁在 LinuxDo/V2EX 靠技术搬运、谁靠 Telegram 频道私域裂变、哪个币圈 KOL 拿钱发了推……全路径清清楚楚不用再四处拼凑 Ahrefs/Similarweb 和社媒爬虫它把 SEO 审计、竞品分析、GEO 可见性和 KOL 监听全部打包成了开箱即用的只读 Skill 注册还送 $1 额度，直接挂给你的 Agent 就能跑出整套 GTM 报告 🔗

辛苦做了一个月的SEO基建被颠覆了 7月被阿里巴巴和 Tribe Capital 领投的 650 万美元种子轮融资的之前我花了一个多月搭了一整套 SEO 监控、竞品数据抓取和社媒监听的基建，写脚本、调接口、洗数据，折腾得要死结果用 AIsa 喂给 Agent，一条指令直接把中推圈最火的三大 AI 中转站（傅盛的 EasyRouter、孙宇晨的 WorldClaw）底裤都扒干净了： 1️⃣ 流量与外链质量透视：表面上自然搜索预估和外链数量是其他家的几十倍，但一扒发现外链极度脆弱，大多靠 TRON 生态的返佣和交叉推广撑着 EasyRouter 外链高度集中在各类 AI 导航站，主要靠傅盛本人的个人 IP 在 X、知乎和公众号带节奏 WorldClaw 则是典型的美系打法，走 X 的 KOL 矩阵 + Crypto 媒体公关稿，外链结构最均匀健康 2️⃣ 关键词与盲区机会：品牌词大家都在霸榜，但一对比就发现：模型落地页、长尾 SEO 词的索引金矿，几家头部几乎都没做深，这就是后来者的切入机会。 3️⃣ 社媒与渠道分发路径：谁在 Reddit 潜伏、谁在 LinuxDo/V2EX 靠技术搬运、谁靠 Telegram 频道私域裂变、哪个币圈 KOL 拿钱发了推……全路径清清楚楚不用再四处拼凑 Ahrefs/Similarweb 和社媒爬虫它把 SEO 审计、竞品分析、GEO 可见性和 KOL 监听全部打包成了开箱即用的只读 Skill 注册还送 $1 额度，直接挂给你的 Agent 就能跑出整套 GTM 报告 🔗

93,748 次观看 • 18 天前

做 App 的人最怕的从来是这句话：功能都做完了，怎么收钱？海明Dev 刚开源的 haiming-app-monetization，2 天 168 star 一个专门管 App 商业化的 Skill：读你的项目代码，去查同类产品的真实定价，然后给出 onboarding、付费墙、套餐方案，直接能交给开发 Agent 落地最妙的是它很诚实默认只评估不改代码，查不到价格就标"未核实"，AI 类 App 有持续成本它就不推无限终身，验收文档里明确写了不承诺转化率这种克制反而比吹得天花乱坠的靠谱!! Claude Code、Codex、Cursor 这类支持 Skill 的 Agent 都能用，一行装上： npx skills add HammingDev/haiming-app-monetization

做 App 的人最怕的从来是这句话：功能都做完了，怎么收钱？海明Dev 刚开源的 haiming-app-monetization，2 天 168 star 一个专门管 App 商业化的 Skill：读你的项目代码，去查同类产品的真实定价，然后给出 onboarding、付费墙、套餐方案，直接能交给开发 Agent 落地最妙的是它很诚实默认只评估不改代码，查不到价格就标"未核实"，AI 类 App 有持续成本它就不推无限终身，验收文档里明确写了不承诺转化率这种克制反而比吹得天花乱坠的靠谱!! Claude Code、Codex、Cursor 这类支持 Skill 的 Agent 都能用，一行装上： npx skills add HammingDev/haiming-app-monetization

15,133 次观看 • 3 天前

Stanford CS336 上，Tatsu 讲了一节 LLM 架构课，把过去 3 年所有主流 LLM 拆开，看它们的共通模板结论挺爆：90% 的架构选择已经收敛，你随便挑一个开源大模型，它跟其他模型在这些维度上几乎一模一样讲师的原话 - 2024 年大家都在 cosplay Llama2 - 2025 年的主题是「怎么训得不崩」 - 2026 年的主题是「怎么扛住长上下文」下面是 2026 年开源 LLM 的标准模板你训自己的模型可以直接抄【架构层已经收敛的 7 件事】 1）Layer Norm 挪出残差流（pre-norm）原版 Transformer 把 LN 放在残差里几乎所有现代模型都挪到外面原因：keep your residual stream clean 梯度反传更稳 2）RMS Norm 替代 LayerNorm LayerNorm 的减均值 + 加 bias 那部分实际没怎么帮上忙丢掉之后 flops 只省 0.17% 但运行时省到 25% （瓶颈在数据搬运计算反而次要） 3）所有 bias 项全删跟 RMS Norm 一个道理系统层省内存搬运 4）激活函数用 SwiGLU 或 GeGLU gated linear unit 几乎所有现代模型都用 Llama 系 / Qwen / Mistral 用 SwiGLU Google 系（Gemma / T5）用 GeGLU 区别极小选哪个都行 5）位置编码用 RoPE 2024 年之后基本统一了原理：把每对维度按位置旋转一个角度让 inner product 只依赖相对位置 6）Transformer block 串联（不是并联） GPT-J / Palm 试过并联现在基本被放弃串联的实现优化得太好了并联省的那点系统开销不值得损失表达力 7）Layer norm 可以「撒」哪儿不稳就在哪儿加 LN attention 之前能加之后能加两边都加（double norm）也可以现代模型很多这样做【超参数已经收敛的 5 个数】 1）feedforward 维度 / hidden 维度 - 非 GLU 模型：4 倍 - GLU 模型：8/3 ≈ 2.67 倍（因为 GLU 多一组矩阵要保持总参数量） - Llama 系：3.5 倍 - T5 1.0 试过 64 倍后来 T5 1.1 改回标准别学 2）head 数 × head 维度 ≈ hidden 维度几乎所有模型都遵守 T5 是为数不多的例外 3）模型纵横比（hidden / 层数）≈ 100 太深 pipeline parallel 难做太宽表达力受限 100 这个数字是系统约束 + 表达力的平衡点 4）vocab size 单语模型：30K 左右（早期 GPT-2 那种）多语 / 通用模型：100K-200K（GPT-4 / Llama 3 / Gemma 都在这个范围）现代基本都是后者 5）weight decay 仍然普遍使用但研究发现它在 LLM 里干的事其实是优化器干预让你最终能收敛到更深的最优点跟你想的「防过拟合」没什么关系所以别因为「单 epoch 不会过拟合」就把它关掉【稳定性三个救命 trick】训练大模型最怕中途 loss 突然飙升然后 NaN 全军覆没现代模型用三个 trick 防这件事 1）Z-loss output softmax 的 normalizer 容易爆加一个 (log Z)² 的正则项让 Z 始终接近 1 DCLM / Olmo 都用 2）QK norm attention 的 Q 和 K 在矩阵乘之前各加一个 LN 让 softmax 的输入永远是单位尺度 multimodal 圈先用起来现在所有大模型都加 3）Logit soft cap（仅 Google 系） attention logit 用 tanh 硬封顶 Gemma 2/3/4 都在用但会损失一点点性能慎用【Attention 两个新趋势】 1）GQA（Grouped Query Attention）几乎统一原版 multi-head 推理时 KV cache 会让算术强度崩到 1/h GQA 共享 K 和 V 但保留多个 Q 表达力几乎不损失推理成本砍掉 80% 现在所有要做生产部署的大模型没有不用 GQA 的 2）局部 + 全局 attention 交替处理长上下文的新方式 Cohere Command A 起头现在 Llama 4 / Gemma 4 / Olmo 3 全在用比如每 4 层有 1 层 full attention 其他 3 层是 sliding window 只看附近的 token 比纯 SSM 更稳比纯 full attention 便宜得多（Qwen 3.5 做了变体把 sliding window 那 3 层换成 SSM）收尾一句如果你正在训自己的 LLM，上面这一套就是 2026 年的「默认配置」不需要重新发明，直接抄如果你只是想看懂 GitHub 上那些 modeling_xxx.py 这一份足够你不再被术语吓住

Stanford CS336 上，Tatsu 讲了一节 LLM 架构课，把过去 3 年所有主流 LLM 拆开，看它们的共通模板结论挺爆：90% 的架构选择已经收敛，你随便挑一个开源大模型，它跟其他模型在这些维度上几乎一模一样讲师的原话 - 2024 年大家都在 cosplay Llama2 - 2025 年的主题是「怎么训得不崩」 - 2026 年的主题是「怎么扛住长上下文」下面是 2026 年开源 LLM 的标准模板你训自己的模型可以直接抄【架构层已经收敛的 7 件事】 1）Layer Norm 挪出残差流（pre-norm）原版 Transformer 把 LN 放在残差里几乎所有现代模型都挪到外面原因：keep your residual stream clean 梯度反传更稳 2）RMS Norm 替代 LayerNorm LayerNorm 的减均值 + 加 bias 那部分实际没怎么帮上忙丢掉之后 flops 只省 0.17% 但运行时省到 25% （瓶颈在数据搬运计算反而次要） 3）所有 bias 项全删跟 RMS Norm 一个道理系统层省内存搬运 4）激活函数用 SwiGLU 或 GeGLU gated linear unit 几乎所有现代模型都用 Llama 系 / Qwen / Mistral 用 SwiGLU Google 系（Gemma / T5）用 GeGLU 区别极小选哪个都行 5）位置编码用 RoPE 2024 年之后基本统一了原理：把每对维度按位置旋转一个角度让 inner product 只依赖相对位置 6）Transformer block 串联（不是并联） GPT-J / Palm 试过并联现在基本被放弃串联的实现优化得太好了并联省的那点系统开销不值得损失表达力 7）Layer norm 可以「撒」哪儿不稳就在哪儿加 LN attention 之前能加之后能加两边都加（double norm）也可以现代模型很多这样做【超参数已经收敛的 5 个数】 1）feedforward 维度 / hidden 维度 - 非 GLU 模型：4 倍 - GLU 模型：8/3 ≈ 2.67 倍（因为 GLU 多一组矩阵要保持总参数量） - Llama 系：3.5 倍 - T5 1.0 试过 64 倍后来 T5 1.1 改回标准别学 2）head 数 × head 维度 ≈ hidden 维度几乎所有模型都遵守 T5 是为数不多的例外 3）模型纵横比（hidden / 层数）≈ 100 太深 pipeline parallel 难做太宽表达力受限 100 这个数字是系统约束 + 表达力的平衡点 4）vocab size 单语模型：30K 左右（早期 GPT-2 那种）多语 / 通用模型：100K-200K（GPT-4 / Llama 3 / Gemma 都在这个范围）现代基本都是后者 5）weight decay 仍然普遍使用但研究发现它在 LLM 里干的事其实是优化器干预让你最终能收敛到更深的最优点跟你想的「防过拟合」没什么关系所以别因为「单 epoch 不会过拟合」就把它关掉【稳定性三个救命 trick】训练大模型最怕中途 loss 突然飙升然后 NaN 全军覆没现代模型用三个 trick 防这件事 1）Z-loss output softmax 的 normalizer 容易爆加一个 (log Z)² 的正则项让 Z 始终接近 1 DCLM / Olmo 都用 2）QK norm attention 的 Q 和 K 在矩阵乘之前各加一个 LN 让 softmax 的输入永远是单位尺度 multimodal 圈先用起来现在所有大模型都加 3）Logit soft cap（仅 Google 系） attention logit 用 tanh 硬封顶 Gemma 2/3/4 都在用但会损失一点点性能慎用【Attention 两个新趋势】 1）GQA（Grouped Query Attention）几乎统一原版 multi-head 推理时 KV cache 会让算术强度崩到 1/h GQA 共享 K 和 V 但保留多个 Q 表达力几乎不损失推理成本砍掉 80% 现在所有要做生产部署的大模型没有不用 GQA 的 2）局部 + 全局 attention 交替处理长上下文的新方式 Cohere Command A 起头现在 Llama 4 / Gemma 4 / Olmo 3 全在用比如每 4 层有 1 层 full attention 其他 3 层是 sliding window 只看附近的 token 比纯 SSM 更稳比纯 full attention 便宜得多（Qwen 3.5 做了变体把 sliding window 那 3 层换成 SSM）收尾一句如果你正在训自己的 LLM，上面这一套就是 2026 年的「默认配置」不需要重新发明，直接抄如果你只是想看懂 GitHub 上那些 modeling_xxx.py 这一份足够你不再被术语吓住

542,518 次观看 • 4 个月前

判断一家传播公司靠不靠谱，看复购比看浏览量准 12 个复盘案例里有 3 个是品牌方回头下的单： · 某 API 中转站 4 轮 · 某自迭代 Agent 3 轮 · 某模型服务平台 2 轮一次爆量可能是运气，第四次下单不是 GoSail Labs 案例集： 1️⃣ 传播圈很少有人提的一件事：好内容会自己长。某 AI 模型服务平台的案例，首轮内容发出去之后没再管，5 个月后回头看，浏览量涨了 141%。 15 帖现值累计 56w+。投放停了，内容还在working。这才是内容资产和买量的区别。 2️⃣ 把 GoSail Lab 的推特案例摊开讲： · 12 个复盘案例，累计 1037w+ 浏览 · 单条最高 41.8w · 最大一次 55 位中英文创作者双线并行，中文圈和海外同步打透每个案例都拆到项目背景、执行结构、内容样本、数据结果四层 3️⃣ 某世界模型的案例：50 位创作者，两天集中发布，累计浏览 125w+，覆盖粉丝约 81 万做集中爆发的前提不是人多，是提前把内容方向分好——谁讲技术、谁讲场景、谁讲对比。不然 50 个人发出来是 50 条重复的。感谢大家信任 GoSail Labs，精选案例总浏览破1000w！

判断一家传播公司靠不靠谱，看复购比看浏览量准 12 个复盘案例里有 3 个是品牌方回头下的单： · 某 API 中转站 4 轮 · 某自迭代 Agent 3 轮 · 某模型服务平台 2 轮一次爆量可能是运气，第四次下单不是 GoSail Labs 案例集： 1️⃣ 传播圈很少有人提的一件事：好内容会自己长。某 AI 模型服务平台的案例，首轮内容发出去之后没再管，5 个月后回头看，浏览量涨了 141%。 15 帖现值累计 56w+。投放停了，内容还在working。这才是内容资产和买量的区别。 2️⃣ 把 GoSail Lab 的推特案例摊开讲： · 12 个复盘案例，累计 1037w+ 浏览 · 单条最高 41.8w · 最大一次 55 位中英文创作者双线并行，中文圈和海外同步打透每个案例都拆到项目背景、执行结构、内容样本、数据结果四层 3️⃣ 某世界模型的案例：50 位创作者，两天集中发布，累计浏览 125w+，覆盖粉丝约 81 万做集中爆发的前提不是人多，是提前把内容方向分好——谁讲技术、谁讲场景、谁讲对比。不然 50 个人发出来是 50 条重复的。感谢大家信任 GoSail Labs，精选案例总浏览破1000w！

17,224 次观看 • 5 天前

无敌了,终于能实时看见Claude Code在干嘛了 zoetrope,刚开源几天的可视化神器,把一次会话画成一张流动的图主agent派生了哪些子agent、每个跑了什么工具、耗时多少、成没成,全在终端里实时长出来。跑完的会话还能按原始时间戳回放纯读本地的会话记录,只读不写,什么都不上传你的机器终端和浏览器都能看,浏览器版拖一个transcript进去就出图,Rust写的,MIT开源

无敌了,终于能实时看见Claude Code在干嘛了 zoetrope,刚开源几天的可视化神器,把一次会话画成一张流动的图主agent派生了哪些子agent、每个跑了什么工具、耗时多少、成没成,全在终端里实时长出来。跑完的会话还能按原始时间戳回放纯读本地的会话记录,只读不写,什么都不上传你的机器终端和浏览器都能看,浏览器版拖一个transcript进去就出图,Rust写的,MIT开源

55,548 次观看 • 22 天前

AI 视频创作者的“出片自由”又进一步 Wan 3.0 正式上线 TopviewAI ！这次最狠的是把单次 30 秒视频的生成成本直接打下来了： 💥 成本只要 1/3：同样生成 30 秒视频，Seedance 2.5 要 $3.60，而 Wan 3.0 只要 $1.20 💥 6 倍无限时长：Ultra 年费用户享 365 天无限生成（对比 SD 2.5 仅 60 天）对于需要批量测品、高频起号或者跑营销素材的团队来说，成本直接砍掉三分之二，可以放心大胆地狂抽镜头和做 A/B 测试了。做 AI 视频和出海内容的朋友可以去冲了👇

AI 视频创作者的“出片自由”又进一步 Wan 3.0 正式上线 TopviewAI ！这次最狠的是把单次 30 秒视频的生成成本直接打下来了： 💥 成本只要 1/3：同样生成 30 秒视频，Seedance 2.5 要 $3.60，而 Wan 3.0 只要 $1.20 💥 6 倍无限时长：Ultra 年费用户享 365 天无限生成（对比 SD 2.5 仅 60 天）对于需要批量测品、高频起号或者跑营销素材的团队来说，成本直接砍掉三分之二，可以放心大胆地狂抽镜头和做 A/B 测试了。做 AI 视频和出海内容的朋友可以去冲了👇

52,908 次观看 • 22 天前

过年那段时间和 Neo Reid（AgentReach 作者 Neo）聊天，他给我演示了他怎么用龙虾 OpenClaw 最骚的是他演示的姿势：人在咖啡厅，掏出手机，远程操控他家里那台 PC 跑 OpenClaw 整个过程我看呆了不是因为 OpenClaw 多强（它确实强），是因为他手机端的操控丝滑到我以为是在本地操作：4K 画面、144 帧、几乎零延迟，还能直接调出远程终端看 agent 跑到哪一步我问他用的什么远控。他说：UU远程没想到之前折腾的各种方案（免费的不丝滑、付费的限速）全部都是在凑合，回家立刻装了，用到了现在说说我搬过去之后的真实工作流： 🔥 核心是手机端远控电脑 + UU远程的终端功能我家里那台 24h 在线的老macbook pro上挂着 Claude Code + OpenClaw + agent loop 出门时打开 UU远程 App → 手机里直接进远程命令行入口（不用配 SSH、不用挂穿透） → tmux attach → agent 跑到哪一步、reward 曲线、GPU 利用率，全在手机上看用下来体感最特别的一点：流量真的省。我经常在地铁上挂 1G 流量包用一上午，等于把"看 agent 跑到哪了"这件事的成本压到接近 0 真要动手改代码的时候，iPad + 蓝牙键盘 / 手机 + UU远程的 4K 桌面远控顶上去，延迟低到我经常忘了不是本地多屏协作把家里两块屏分别拖到 iPad 上更舒服一开始我以为这种体验肯定要开会员。装完用了两天后翻了一下设置，发现没找到付费入口，不绑会员、不限画质、不限速、没广告弹窗。后来才知道是网易出品的，安全那边也过了 ISO 27001 + 27701 双认证。我自己用得最顺手的两个小功能： - 一键远程开机：家里 PC 平时不用开着，出门前忘了启动也没事，要用的时候手机点一下唤醒； - 被控端一键防窥黑屏：咖啡厅里远控的时候，家里那块屏自动黑掉静音，路过的人看不到内容。最近产品两周年周年庆的时候，预告了一个功能，叫共享文件夹，应该是能在控制端显示被控端的本地磁盘，对Vibe Coding的效率肯定会有明显提升。如果你也在搭家里那套 always-on AI 工作机，这是 Neo 给我打开新世界的工具，原原本本传给你

过年那段时间和 Neo Reid（AgentReach 作者 Neo）聊天，他给我演示了他怎么用龙虾 OpenClaw 最骚的是他演示的姿势：人在咖啡厅，掏出手机，远程操控他家里那台 PC 跑 OpenClaw 整个过程我看呆了不是因为 OpenClaw 多强（它确实强），是因为他手机端的操控丝滑到我以为是在本地操作：4K 画面、144 帧、几乎零延迟，还能直接调出远程终端看 agent 跑到哪一步我问他用的什么远控。他说：UU远程没想到之前折腾的各种方案（免费的不丝滑、付费的限速）全部都是在凑合，回家立刻装了，用到了现在说说我搬过去之后的真实工作流： 🔥 核心是手机端远控电脑 + UU远程的终端功能我家里那台 24h 在线的老macbook pro上挂着 Claude Code + OpenClaw + agent loop 出门时打开 UU远程 App → 手机里直接进远程命令行入口（不用配 SSH、不用挂穿透） → tmux attach → agent 跑到哪一步、reward 曲线、GPU 利用率，全在手机上看用下来体感最特别的一点：流量真的省。我经常在地铁上挂 1G 流量包用一上午，等于把"看 agent 跑到哪了"这件事的成本压到接近 0 真要动手改代码的时候，iPad + 蓝牙键盘 / 手机 + UU远程的 4K 桌面远控顶上去，延迟低到我经常忘了不是本地多屏协作把家里两块屏分别拖到 iPad 上更舒服一开始我以为这种体验肯定要开会员。装完用了两天后翻了一下设置，发现没找到付费入口，不绑会员、不限画质、不限速、没广告弹窗。后来才知道是网易出品的，安全那边也过了 ISO 27001 + 27701 双认证。我自己用得最顺手的两个小功能： - 一键远程开机：家里 PC 平时不用开着，出门前忘了启动也没事，要用的时候手机点一下唤醒； - 被控端一键防窥黑屏：咖啡厅里远控的时候，家里那块屏自动黑掉静音，路过的人看不到内容。最近产品两周年周年庆的时候，预告了一个功能，叫共享文件夹，应该是能在控制端显示被控端的本地磁盘，对Vibe Coding的效率肯定会有明显提升。如果你也在搭家里那套 always-on AI 工作机，这是 Neo 给我打开新世界的工具，原原本本传给你

204,804 次观看 • 3 个月前

3 块钱做出 3,000 块的 AE 动效视频？ TopviewAI 刚上线的 Topview Motion Studio 确实有点狠： · 成本对比：$3 的生成成本 vs 传统外包动效师 $3,000 的 AE 项目 · 操作难度：告别复杂的关键帧与时间轴，纯靠 Seedance 2.5 的 AI 驱动 · 交付速度：上传 Logo/UI/文字需求，几分钟直接拿 15-30 秒成片不管是做 App 宣传片、SaaS 动效海报还是社媒广告，出片效率拉满了视频效果直接看下方对比👇 🔗

42,468 次观看 • 20 天前

最近爆火的OpenRouter 上冒出一个匿名模型 Ox Alpha（GLM），其实管道不会撒谎，会撒谎的是人 Crawl4AI的作者unclecode这句话,道破了怎么验一个API背后到底是哪家的模型厂商在别名后面偷偷换模型,不会告诉你。他两天前就发现DeepSeek的deepseek-chat这个老名字下,悄悄换成了另一个模型他的思路是不听模型自己说,只看基础设施的指纹,九个探针: 01｜喂英文全字母句、中文段落、代码、emoji,只数prompt_tokens。分词器是每家自己训的,中文分词差异最大,藏不住 02｜temperature设成2.0,看报错原文逐字。那句话是这家工程师亲手写的 03｜GLM的1301错误码、finish_reason的词表、上下文天花板是1048576还是262144,每一项都能定位到具体厂商和变体前几天OpenRouter上那个匿名模型Ox Alpha,全网都在猜。modelprint一测,分词器四项归一化计数全中,直接指向GLM家,其它厂商最好也只中一半纯前端无后端,API key只留在你自己的浏览器标签页,不经过任何服务器

最近爆火的OpenRouter 上冒出一个匿名模型 Ox Alpha（GLM），其实管道不会撒谎，会撒谎的是人 Crawl4AI的作者unclecode这句话,道破了怎么验一个API背后到底是哪家的模型厂商在别名后面偷偷换模型,不会告诉你。他两天前就发现DeepSeek的deepseek-chat这个老名字下,悄悄换成了另一个模型他的思路是不听模型自己说,只看基础设施的指纹,九个探针: 01｜喂英文全字母句、中文段落、代码、emoji,只数prompt_tokens。分词器是每家自己训的,中文分词差异最大,藏不住 02｜temperature设成2.0,看报错原文逐字。那句话是这家工程师亲手写的 03｜GLM的1301错误码、finish_reason的词表、上下文天花板是1048576还是262144,每一项都能定位到具体厂商和变体前几天OpenRouter上那个匿名模型Ox Alpha,全网都在猜。modelprint一测,分词器四项归一化计数全中,直接指向GLM家,其它厂商最好也只中一半纯前端无后端,API key只留在你自己的浏览器标签页,不经过任何服务器

45,255 次观看 • 23 天前

DeepSeek 像一把抵在硅谷模型公司背后的枪 🔫 硅谷101 今天上线了一期炸裂对谈：OpenAI 前研究员 Jenny Xiao × 芯片架构师肖志斌，两个硅谷内部人聊 DeepSeek v4 带来的生存危机刚好也看到国内比较喜欢的AI博主大聪明“赛博禅心”，在解读这个视频，直播中的两个嘉宾很有料： - 肖志斌：ZFLOW AI 创始人兼 CEO，前华美半导体协会主席，资深芯片架构师 - Jenny Xiao：前 OpenAI 研究员，Leonis Capital 合伙人，专注 AI 投资 I've heard a similar point on an A16z podcast before, and it seems like reality has proven it right again. Marc Andreessen 🇺🇸 Justine Moore Olivia Moore 最狠的三句话： 1️⃣ "If you're a foundation model company and you get surpassed by open source, the value of your business is essentially zero." 这不是技术竞争，这是生死线（kill line） 2️⃣ "硅谷公司钱太多，反而没动力优化效率。中国模型厂商被资源倒逼，更早进入 token efficiency 创新"，资源约束 = 创新加速器 3️⃣ "没有效率，AGI 就只能是个 demo。有了效率，AGI 才能成为真正的产品" ，DeepSeek v4：计算成本 1/3，内存占用 1/10 核心观点 - Anthropic 估值超过 OpenAI 的真相：专注 > 什么都做 - GPT-5.5 比 GPT-5 贵 2 倍，DeepSeek v4 便宜 10 倍，谁在裸泳？ - 英伟达短期安全，长期推理市场会被 TPU / 升腾 / 寒武纪瓜分 - Claude Code 为什么是 Anthropic 的定义时刻完整对谈👇

DeepSeek 像一把抵在硅谷模型公司背后的枪 🔫 硅谷101 今天上线了一期炸裂对谈：OpenAI 前研究员 Jenny Xiao × 芯片架构师肖志斌，两个硅谷内部人聊 DeepSeek v4 带来的生存危机刚好也看到国内比较喜欢的AI博主大聪明“赛博禅心”，在解读这个视频，直播中的两个嘉宾很有料： - 肖志斌：ZFLOW AI 创始人兼 CEO，前华美半导体协会主席，资深芯片架构师 - Jenny Xiao：前 OpenAI 研究员，Leonis Capital 合伙人，专注 AI 投资 I've heard a similar point on an A16z podcast before, and it seems like reality has proven it right again. Marc Andreessen 🇺🇸 Justine Moore Olivia Moore 最狠的三句话： 1️⃣ "If you're a foundation model company and you get surpassed by open source, the value of your business is essentially zero." 这不是技术竞争，这是生死线（kill line） 2️⃣ "硅谷公司钱太多，反而没动力优化效率。中国模型厂商被资源倒逼，更早进入 token efficiency 创新"，资源约束 = 创新加速器 3️⃣ "没有效率，AGI 就只能是个 demo。有了效率，AGI 才能成为真正的产品" ，DeepSeek v4：计算成本 1/3，内存占用 1/10 核心观点 - Anthropic 估值超过 OpenAI 的真相：专注 > 什么都做 - GPT-5.5 比 GPT-5 贵 2 倍，DeepSeek v4 便宜 10 倍，谁在裸泳？ - 英伟达短期安全，长期推理市场会被 TPU / 升腾 / 寒武纪瓜分 - Claude Code 为什么是 Anthropic 的定义时刻完整对谈👇

225,277 次观看 • 4 个月前

今天8月3号，阿里正式发了Qwen3.8 2.4万亿参数，1M上下文，编程和办公能力这一版提升很猛，整体挤进全球第一梯队预览版跑了两周，今天正式毕业我第一时间拿它做了个硬核实测，先把结论和过程摊开我出了一道挺狠的题：单文件HTML手搓一个「星系碰撞」N-body模拟 6000+粒子、双旋涡、真引力物理、潮汐尾，还要带拖拽缩放播放和中文数据面板同一道题，我让四个模型各写一份，2×2同屏跑这题狠在它是复合任务，物理加渲染加UI加交互，还得长时间运行才露馅截图好看，不等于模拟真的对

今天8月3号，阿里正式发了Qwen3.8 2.4万亿参数，1M上下文，编程和办公能力这一版提升很猛，整体挤进全球第一梯队预览版跑了两周，今天正式毕业我第一时间拿它做了个硬核实测，先把结论和过程摊开我出了一道挺狠的题：单文件HTML手搓一个「星系碰撞」N-body模拟 6000+粒子、双旋涡、真引力物理、潮汐尾，还要带拖拽缩放播放和中文数据面板同一道题，我让四个模型各写一份，2×2同屏跑这题狠在它是复合任务，物理加渲染加UI加交互，还得长时间运行才露馅截图好看，不等于模拟真的对

73,755 次观看 • 1 个月前

昨天我们 launch 了 Ship2Market，聊聊为什么做这件事去年我上线过一个小产品，一个菜谱网站逻辑很简单，你输入手上的食材，比如土豆、午餐肉，再选下厨具，它就给你出菜谱我还挺上头，加了中式的、西式的，做了不少原创优化，全栈一个人吭哧吭哧干了一个月结果上线之后，没人来那一个月我真正学到的东西，和写代码无关：产品做得再用心，没人知道，就等于白做营销这一关，比我想象中难太多，也重要太多 Ship2Market 这名字，是从 Marc Lou Marc Lou 那儿得来的灵感他有套口号叫 Build，Ship，Earn Build 是你把产品做出来，Ship 是你把它发出去，Earn 是产品真踩中了市场，用户自然愿意掏钱我发现，大多数独立开发者卡住的，恰恰是后面两步所以 Ship2Market 想接手的就是这两件事：帮你把产品推向市场，让它去接受真实用户的检验只要东西够好，流量和收入会自己找上门还有个关于 logo 的小插曲第一版是个小机器人头像，但总觉得少了点「ship」的劲儿后来我们加了宇航员面罩，配了个小火箭，一下就对了我合伙人盯着看了会儿说，你这好像在故意突出那个「2」我们一想，还真是帮独立开发者做市场验证这事，说实话并不赚钱，是有点「二」但我们就想干这件二事我们想帮的，就是那些有好产品、有想法，却没有营销预算、也不太会 go to market 的人让他们的东西，尽快被市场看见、被验证你负责产品，我们负责出海 🔗

65,174 次观看 • 1 个月前

你不用手写AGENTS.md了,你用梯度下降训练它这个脑洞我服了。backpass把你的AGENTS.md当成神经网络的权重每跑一次agent会话就是一次前向传播,留在硬盘上的transcript就是损失信号。可这个信号以前没人读,全靠你哪天想起某次失败,手动去改文件 backpass把这个闭环接上了:自动找到你仓库里真跑过的agent会话,读懂里面发生了什么,反向提出有证据支撑的改动,等于给你的记忆文件做一次梯度下降每条改动都附带真实会话里的原话,一条新规则至少要两次独立会话佐证,一次最多改五条。全程只有你点了apply它才会写纯本地,直接读七种agent的会话记录,什么都不上传,MIT开源

你不用手写AGENTS.md了,你用梯度下降训练它这个脑洞我服了。backpass把你的AGENTS.md当成神经网络的权重每跑一次agent会话就是一次前向传播,留在硬盘上的transcript就是损失信号。可这个信号以前没人读,全靠你哪天想起某次失败,手动去改文件 backpass把这个闭环接上了:自动找到你仓库里真跑过的agent会话,读懂里面发生了什么,反向提出有证据支撑的改动,等于给你的记忆文件做一次梯度下降每条改动都附带真实会话里的原话,一条新规则至少要两次独立会话佐证,一次最多改五条。全程只有你点了apply它才会写纯本地,直接读七种agent的会话记录,什么都不上传,MIT开源

32,221 次观看 • 21 天前

昨晚刷到的抖音视频和我之前的经历很相似，其实当时考研只是为了想去电网上班，因为之前在供电所帮忙，感觉他们很惬意，早9晚5，中间还能休息好几个小时读研完后去互联网公司，其实也没有改变想法，直到我出来后探索了很久才懂得视频里说的两句话： 1️⃣ 看到有风险的东西你不敢碰，但是你没有看到风险背后的利益； 2️⃣ 看到有利益的东西你就想碰，但你没有看到利益背后的风险。最近有国企的研究生同学问我一些事情，说想辞职，工资太低了我问他想好没出来后要做啥，他说我看你做的不错，能不能和你学，我一下子不知道怎么回复当习惯了确定性的时候，不确定性是你所恐惧的

昨晚刷到的抖音视频和我之前的经历很相似，其实当时考研只是为了想去电网上班，因为之前在供电所帮忙，感觉他们很惬意，早9晚5，中间还能休息好几个小时读研完后去互联网公司，其实也没有改变想法，直到我出来后探索了很久才懂得视频里说的两句话： 1️⃣ 看到有风险的东西你不敢碰，但是你没有看到风险背后的利益； 2️⃣ 看到有利益的东西你就想碰，但你没有看到利益背后的风险。最近有国企的研究生同学问我一些事情，说想辞职，工资太低了我问他想好没出来后要做啥，他说我看你做的不错，能不能和你学，我一下子不知道怎么回复当习惯了确定性的时候，不确定性是你所恐惧的

205,505 次观看 • 5 个月前

用自然语言做游戏到底能做到多细？我直接跟 Gear Zero 的 AI 智能体“吵”了 8 轮，把一个叫《扫地僧》的小游戏给硬生生磨出来了：从最开始扫院子落叶的简单原型，到后来我提要求：“扫帚要有弧形风痕手感”、“加一本往事收集册”、“院子里要加个会走动扫地的小师弟”、“墙角的叶子扫不到给我加微吸附”…… 每一次修改它都真的理解并重构关卡代码，最后做出来的版本连收集印章和合页剧情都有了。做好之后丢个链接给朋友，手机/电脑浏览器/微信内点开就能玩，我的游戏链接：想把脑子里的游戏脑洞变现的，强烈建议去体验下： 🔗 #GearZero #AIGame #无代码开发 #独立游戏

用自然语言做游戏到底能做到多细？我直接跟 Gear Zero 的 AI 智能体“吵”了 8 轮，把一个叫《扫地僧》的小游戏给硬生生磨出来了：从最开始扫院子落叶的简单原型，到后来我提要求：“扫帚要有弧形风痕手感”、“加一本往事收集册”、“院子里要加个会走动扫地的小师弟”、“墙角的叶子扫不到给我加微吸附”…… 每一次修改它都真的理解并重构关卡代码，最后做出来的版本连收集印章和合页剧情都有了。做好之后丢个链接给朋友，手机/电脑浏览器/微信内点开就能玩，我的游戏链接：想把脑子里的游戏脑洞变现的，强烈建议去体验下： 🔗 #GearZero #AIGame #无代码开发 #独立游戏

27,124 次观看 • 19 天前