Jerry 从屏幕跳出来的3D视频提示词，又优化了一版 下午大概试了二十个视频，这个版本的效果自然很多，喜欢的直接拿去试试。 特别提示：我用了Gemini网页版的create video效果十几个里面能有一个凑活的，后来我切到了 模型选择Omni Flash，做了两版，都还不错，就是下面的提示词和效果。 的操作不算复杂，实在不会的可以留言 后边可以考虑单独出一个教程... Cinematic close-up shot: A 2D cartoon Jerry the Mouse emerges from a computer screen, first reaching out to shake the viewer's hand. He then naturally jumps to the screen edge and leaps onto the palm of a real human hand, seamlessly transforming into a highly detailed, cute 3D立体 (volumetric) Jerry. The 3D Jerry has large, expressive eyes and vivid, lifelike animations, standing naturally on the palm. The scene features realistic human skin texture, accurate screen reflections, and integrated lighting that matches the environment. Visible desktop icons on the screen, film-grade lighting, seamless transition from 2D to 3D, playful and surprising atmosphere, hyper-realistic, high detail, perfect compositing.show more

这位推友分享了使用 Cursor 的时候添加的一个实用的 Cursor Rule，Agent 生成代码的时候让 Claude 添加一个类似 R1... 的 thinking 过程（当然原理不一样），包裹在一个 thinking 的 tag 当中，从三种解决方案里面选最合适的一种，确实是一个特别棒的技巧，我亲自测试了一下，效果很不错，非常实用，可以看我的测试视频，推荐给大家。 文字版提示词提供给大家：show more

Claude Fable 5 经过1个月紧急下架后再回归，我这两天也重新去测试了一下。 正好一直刷到赛博斗蛐蛐的视频，正好拿来测试一下，看看能不能做个同款出来。 给大伙看看fable 5 的效果：视频1 再来对比一下GPT-5.5的效果，老实说有点拉了，为什么把restart按钮直接盖住了屏幕啊？不是很理解：视频2... 最后再来看看国产Deepseek V4 Pro的效果，物理效果感觉还是不行，有点迟钝的感觉：视频3 Fable 5的整体效果是最接近我刷到的小视频的效果的。 虽然效果很强，但是现在fable 5最大的问题在于，官方在6月22日以后，订阅套餐不能用Fable，只能走API。 但是价格实在是遭不住：每 M 输出 50 美元的定价让社区吐槽声不断！我推荐用Zenmux，这个省一些。目前有个加赠20%的活动，每人最高可享 300刀 ！ 官网在这里： RPM、不限流。可调用全平台 200+ 模型（含 Claude Fable 5），非常适合做这种评测、并排对比和长期开发。show more

MiMo推出1000 Token/s超高速模型｜体验测评 MiMo 推出了 MiMo V2.5 Pro UltraSpeed 超高速的模型版本，能够实现每秒输出超过... 1,000 Token 的速度。 同时，这应该也是全球第一个达到这个速度的万亿（1T）参数模型。 藏师傅提前试了一下，做了三个测试，确实爽。 第一个跑了一个比较复杂的 3D 采矿小游戏测试。在没有素材的情况下，我让它全部用 Three.js 前端代码来生成素材。整体要求比较完整，虽然第一次实践时出了一些小问题，但在跟他沟通修改建议后，非常完美地实现了任务。 这次测试的各项指标如下：思考的 TPS：804 Token/s，峰值速度：810 Token/s，首次响应时间：4.71 秒。 第二个测试给了一个官网，其头部包含一个相对复杂的 3D 动画。 这次的输出速度快了非常多：峰值达到了 1426 Token/s，首次响应只用了 0.83 秒，在 32 秒内输出了 25624 个 Token，总计生成了 1000 行代码。 第三个测试给了一个更复杂的官网。我要求这个官网的 Header 头部包含以下 3D 效果：地球边缘、轨道上的飞船、星际尘埃、航线图、舷窗的 HUD 样式。 这个效果非常好，整体的视觉样式、状态、SVG 动画和驾驶卡片都非常精细，还有滚动的视差效果 这个输出的 TPS 达到了 1136 tokens/s，首次响应是 4.5 秒 官方测试平台下面有个数据展示，会显示相关信息 在流式输出的情况下，当你看着它只用 20 秒就产生一个非常复杂的 3D 游戏时，那种场景还是比较震撼的 之前的这些（比如说 Groq 之类的）超高速推理方案，在模型能力或者是整体水平上都会有所下降，但是 MiMo 这个在测试的时候，我没有看到这种迹象 最近很多公司都开始推出这种超高速的 API 服务，比如之前 OpenAI 和 Anthropic 都有 Fast 模式 在 Agent 场景下，模型输出效率的提升会直接带动每一步 Agent 操作的效率： 如果一个任务预估一分钟完成，你就会盯着它直到结束，然后立刻投入测试。如果需要五分钟才完成，你可能就会去干别的事，然后再回来看，难免会浪费一些时间 这种效率提升在 Sub-Agent 和并发场景下更加明显。因为它可以更快地产出大量结果，想象一下，如果同时启动一两百个 Sub-Agent，在模型能力没有衰减的前提下，速度提高 10 倍，体验是非常爽的 毕竟这本质上是面向那种对效率有极高要求的 To B 客户所推出的 希望后面大家卷起来，优化一下成本，让普通用户也能放开用这种 UltraSpeed 模型show more

我去！image2和seedance2.0简直绝配 还记得在视频号上「流量上百万」靠流量日入过千的机器人变形视频吗 现在又有羊毛可以薅了 而且光变现就有两种方式，第一种直接发布这种视频，我能赚流量的钱 第二种，那通过这个视频会有很多的商家来找我给他们做，一单200，这个是我验证过的 而且获客也很简单，发两条在自己的视频号上就可以了，土老板很喜欢这个，做出来的视频样式就在下面 而且这个平台是「字节官方开白名单的平台」我一定要推荐一下！ 就是之前我推GPT会员购买的GamsGo做出来的rita 真的一定要去试一下，链接我放下面了，而且这是我实际接到的第一个需求，后面还有一个需求，我下一条就马上写出来给你。真的AI赚钱很轻松... 而且 Rita 不只是视频生成这一个功能，它一站式集成了 Seedance 2.0、Kling、Runway 这些视频模型，还有 Midjourney、Flux 、image2这些生图模型，Claude、GPT、Gemini 这些对话模型 一个平台搞定全部，不用在五六个工具之间反复横跳，效率真的不是提升一点 还有一点很实在：新人注册直接送 100 积分，Seedance 2.0 可以先体验再决定要不要付费 Mega 套餐 $11.99 一个月，1200 积分，算下来比官方便宜不少，试错成本低很多。 想试试的直接点这个链接，有什么问题直接评论区反馈给我！：show more

Claude Opus 4.8 出来之后，我第一时间拿它做了个小测试。 给我们ZenStellar 的 AI 陪伴手链做产品展示页，我一直想做一个能让用户近距离观察手链细节的网站：鼠标移动可以放大看水晶纹理、芯片主珠的细节，像在珠宝展厅里看产品一样。 原本以为这种页面至少要折腾半天，结果把手链细节图丢给... Claude Opus 4.8，再给它一段提示词，大概 5 分钟左右，一个可用的 Demo 就出来了。 比较惊喜的是，它不只是生成静态网页，而是真的把产品展示逻辑想明白了：悬浮、缩放、视差、灯光效果这些细节都直接帮我做了出来。 不过最近直接使用 Claude 其实有点麻烦，我身边不少朋友都遇到过账号限制或者地区问题。我这次是在 ZenMux 里面直接调用 Claude Opus 4.8，用起来就顺手很多，也不用来回切账号或者切平台。 对于做独立站、产品展示页或者 Kickstarter 页面的人来说，Claude Opus 4.8 现在已经不是写代码工具了，更像是一个懂设计的前端合伙人。 说实话，如果放在两年前，我肯定不会相信一个产品展示页能在几分钟内完成第一版。 大家可以从这里进去试试：show more

最近被 gpt 5.3 codex 不说人话搞的有点暴躁, 阅读体验贼差, 特别是读 plan 的... ..... 事无巨细 + 黑话频出 我试过通过在 agents md 里写各种提示词来改善沟通, 但 codex 5.3 就是死活不听话 接着我又想到一个很严肃的问题 「我真的有必要去“阅读”事无巨细 + 黑话频出的plan 嘛? 输入 codex 和输出 codex 这个流程是不是都可以简单的优化一下? 我是不是可以找个小助手帮我解决? 我只看重点?」 所以, 我火速试了一下在 openclaw 里面去调用 codex 来规划, 这里我用的是 MiniMax (official) 的 M2.5, 你可以选择你熟悉的模型, 把一些输入偏好和阅读偏好放入龙虾中, 比如我更希望用表格呈现. 用 openclaw tui 快速跑通流程, 如视频, 左侧是优化版本的 openclaw给我的报告, 右边是 codex 默认的报告. 下一步就可以接入飞书或者discord了.show more

我的天，Higgsfield已经进化到这种程度了吗？ 一年前我 YouTube 做到 15 万订阅，还多亏了 Higgsfield 的帮助。那时候它还只能凑合生成视频，现在竟然已经开始进入游戏开发领域了。。。 ​... ​ 在Claude里面调用Fable 5写代码，再接入Higgsfield MCP生成角色、场景和道具，就能直出任何类型的多人2D/3D游戏！​ ​ 这件事放在以前真的很难想象。​ ​ 过去对我们普通人来说，涉及到复杂代码和角色道具图，开发游戏基本是可望而不可即的事情。 ​ ​ 但是Higgsfield Games 真的在把“做游戏”的门槛压到前所未有的低：一个完整的游戏可以用一句提示词就生成了。​ ​ 比如下面这个哥特悬疑画风的游戏，就是由Fable 5 + Higgsfield 用简单提示词生成出来的。。。​ ​ 所以，任何人，只要有一个好的游戏想法，都可以借助 Fable 5+ Higgsfield 先把它做成一个能玩的版本，然后快速发布出来验证市场。show more

今天用 MiniMax H3 做了一些视频，简单说说感受。做视频的时候，做毁了好几个。不明白为什么，后来才意识到可能是提示词写的太复杂了。我做视频时候总是把提示词写的非常细，这样大大减少了我的抽卡次数，但是这种做法适用于即梦，却未必适用于MiniMax H3。 MiniMax H3画面质感和光影是非常出色的，它的运镜转场方面表现很好，但有时会过度。再说一下提示词，每个模型都有自己的特点，MiniMax H3是需要给它释放一点空间的。我写了太多的提示词，后来做出来的都怪怪的🙃。以下是我经过体验总结的优缺点👇，大家可供参考。 优点：... 画面质感确实不错，尤其是光影、氛围和镜头运动，比较容易做出电影感。推拉、跟拍、环绕这类运镜，只要提示词和参考素材合适，效果通常不会太差。 它对图片、视频和音频的综合参考也比较实用。人物形象、场景风格和动作节奏可以一起控制，做广告短片、概念片或者氛围向内容会比较顺手。 生成效率也高。几秒到十几秒的镜头，挑一挑基本就能进剪辑，不一定需要大幅返工。 缺点 复杂动作还是容易出问题。人物一多，或者涉及跑动、打斗、交互，肢体、物体关系和前后细节就可能不稳定。 连续叙事也不是它的强项。单个镜头可以很好看，但多个镜头放在一起，人物状态、空间位置和情节衔接不一定能保持一致。 提示词写得太复杂，效果反而容易跑偏。很多时候不是描述得越细越好，而是要先抓住主体、动作和镜头，再一点点补限制。 整体来看，H3 很适合做高质量短镜头，画面和运镜是它比较明显的优势。但想做完整短片，还是需要分镜、反复生成和后期剪辑，不能完全指望一次成片。show more

分享一个三分钟复制Seedance2.0爆款的极简办法 上一条猫粮广告视频反响还不错😄 但说实话，如果天天从零憋分镜和提示词，真的太反人类了。 经常灵感枯竭，终于让我找到极简的爆款复制法，做高质量视频，效率高了几倍！ 这次我没自己写词，直接在 Nemo 里用两分钟白嫖了一条顶级质感的视频，极其省事： 1️⃣ 找现成爆款：首页自带... Seedance 2.0 的官方爆款库，也就是灵感中心，我一眼相中了这只“子弹时间”白猫。 2️⃣ 一键套用：根本不用去反推它的镜头语言，鼠标放上去直接点【试试这个提示词】。 3️⃣ 直接出片：原版的高级提示词和音效卡点，瞬间原封不动平移到你的时间轴。跑完直接点【无水印导出】。 下面这条极具张力的小猫飞扑视频，就是这么两分钟搞出来的。这毛发的物理真实感，直接发给猫粮商家当信息流广告，是不是完全够用了？😂 别死磕提示词了，去灵感中心找爆款，找对现成模板直接套，是最高效的玩法。 这个是Nemo的使用地址，看看有没有你感兴趣的爆款视频show more

看到好多人在现有影视作品里截几张图或者截段视频， 然后给Seedance2.0做参考， 生成出来的效果不错就大夸特夸， 但越想越不对， 这模型不就是拿海量的这些作品训练的吗？？ 另外，还是不建议这么玩， 直接用原角色人物，真的极容易有版权风险！ 之前生图，不少人大量用了真实的品牌和产品， 部分账号，就突然无了，... 也许大概和这方面有点关系！ 不管生图，还是生视频， 建议不要拿真实品牌、真实人物去做。 这次我试着不要任何参考图， 只给文字脚本，一次性做出个广告短片。 效果已经相当不错了， 节奏、音效还有特色的“电视广告腔”！show more

这个工作流可以稳定输出时尚质感短片 受到 willie 和 underwood 的启发，突然有了灵感，也想试试看。整个流程比想象中更可控，而且每一步都有明确的作用。 这个视频的生成教程： 1. 生成一张基础人物图... 2. 将图像导入 Nano Banana Pro，使用提示词：在一个 3×3 的网格中展示这个角色，从不同的角度呈现，单色的渐变背景，姿势随机。 如果需要特定姿势，直接在提示词中指定即可。 3. 生成后截图喜欢的关键帧，然后使用提示词：放大到 4K。得到高清图片 4. 使用 Kling 2.5 Turbo 将首尾帧变成视频，提示词：摄影机在摇臂上缓慢平稳地下降 5. 使用 willie 开发的速度曲线工具使用预设调整每个片段的播放节奏，最后拼接成完整视频。 对比在传统剪辑软件慢慢调试实在方便太多。 自从有了 AI 之后，每个人都可以高效地开发出解决痛点的小工具，让我们可以把更多精力投入到创意本身，而不是被技术细节困住，这个转变真的很棒。show more

月入万刀的YouTube大佬把偷偷在用的AI剪辑工具告诉了我，我彻底跪了！​ ​ 除夕的时候，一个有几位月入万刀的YouTube大佬组成的小群在发红包。我不仅在里面蹭到了新年红包，还取了点真经“最近哪些AI赛道好做，有啥新鲜好用的工具分享不”😆。 其中有一位大佬分享了NemoVideo这款工具，我说这么巧，最近刷到好多人用这个。​ ​ 他说他两个业务要用到，第一个就是YouTube AI视频，他现在不差好的脚本，主要是追求效率，刚好这款工具把他最耗时间的剪辑（他一般一分钟的视频得剪一个小时左右，现在就十分钟）也给打通了。“只要ROI打正，随便弄”。​ ​ 第二个业务是YouTube带货，这个是新型的玩法，他之前没有过做这类视频的经验，但是用了Nemo，做一个电商带货类视频太简单了，“感觉我自己搞两个小时也搞不出来这种质量的，现在花几块钱就解决了”，他给我发了一个苦笑的表情🤣。​... ​ 我跟他说我不信能有这么厉害——之前我剪个三分钟视频要花几个小时，现在一段提示词就搞定了？😇所以，我亲自去体验了一下这个产品。 我先是做了一个在YouTube上面爆过几千万流量的偶像舞台视频，效果给我惊到了🥹，虽然seedance2.0本身就很强，但是这个剪辑Agent还给我生成了完美适配的字幕和额外的音效，我中间有两次不满意直接在右侧对话框用大白话对话就修改了（这比我之前满世界找素材下载再剪辑方便不要太多）。 我说好吧，YouTube算是过关了，那带货视频怎么说，所以我就做了个chanel的香水视频测试。先是随便找了个图片，然后输入“做一个高级感的营销视频，讲解一下这款Chanel香水，真人出镜（欧洲美女），顶级奢侈品广告，要有人声”。然后就给我弄了一个这个出来，震惊了我好久——我这种小白也能做？！​ ​ 而且Nemo还有一个灵感中心，直接在这里面找到长期投放广告的爆款视频是咋做的，一键应用风格，省略掉了找竞品拆竞品写脚本的步骤，对小白真的很友好。 此一役后，我感觉我做AI视频的唯一短板剪辑也被补上了，不得不感慨现在的AI工具真的发展得越来越快了，别人在偷偷用Nemo十倍提效的时候自己却在用老土办法手搓，巨大的信息差，巨大的效率差，巨大的利润差啊！!show more

授人与鱼不如授人以渔，大家天天看着这些大佬们发精彩视频发得热闹，也公布提示词给大家看，但是他们从来不给你讲这个提示词是怎么写出来的，今天开始我抛砖引玉慢慢给大家讲我自己在制作Seedance 2.0 视频的时候提示词的写作方法，手把手以案例来分析如何来控制角色的行为和画面调度。因为时间缘故一篇估计讲不完，分几篇来发吧。希望大家关注点赞，如果好 你就捧个人场，如果写得不好也欢迎指正，交流产生进步。我能保证的就是我给大家提供的全士超级干货，绝不兑水。我们先以最简单的案例开始。每天一个逐步深入到高级，我边在前面花钱踩坑做实验，边发布实验结果。这个视频不好意思的又用到了正副教主，请正教主和副教主为了世界视频制作事业发扬光大原谅我。提示词如下先看：👇👇👇 {这是一段街头场景吴宇森式枪斗打戏的画面，请基于场景图片3，生成一段流畅的白色西服男子"图片1"的真实效果下和花衬衫男子"图片2真实效果"下在狭隘空间里的枪战画面，需要运用到分镜和不同视角切换，让整个画面更有节奏感和电影感。 } 是的这个场景的提示词非常简单，图片素材我会在下面公布。这个视频的关键点在于。。。为什么你不能上传真实角色我能，

Pika新推出的Agent，简直炸裂！ 丢一个想法，它就开始干活。 不需要费尽心思的调提示词！ 尤其是生成视频，体感特别丝滑， 只需要跟它对话，告诉它方向， 全程不需要考虑该用什么skill，该用哪个模型，该用什么工作流。 不用管音乐，不用管分镜，连剪辑都不用管。 它会自动调用short ads... skill，几分钟就可以给你30秒的视频！！ 而且，视频是有导演思维和剪辑思维的！ 这个真的有点东西， 官方内置了很多旗舰模型和Skill， Agent在后台按最优路径调用，组织整个工作流， 这是和其他Agent最不一样的地方！ 一个念头，一个视频，我已经停不下来了！Pikashow more

Distil-Whisper：让语音识别的速度提高 5.8 倍，参数减少 51%，准确度保持在 99%。 Whisper 在语音识别方面表现卓著，但是它有一个明显的缺点：训练出来的小模型支持的语言比较少，而大模型推理速度又很慢。如果你有海量的数据需要处理，或者对实时性要求略高，那使用 Whisper 可能会让你比较头疼。... 你可以使用工程手段来加速推理，例如将语音分片后并发处理然后合并结果，但这里涉及到本地计算资源瓶颈的问题，以及合并分片时容错处理的问题，工程复杂度比较高。 《Distil-Whisper: Robust Knowledge Distillation via Large-Scale Pseudo Labelling 》， Whisper 的 Large-v2 model 生成了一系列的 soft targets（也就是概率分布），然后复制 Whisper 网络的第一层和最后一层解码器，最后生成了一个更小、更快效果更好的蒸馏模型 Distil-Whisper。论文数据写的是：速度提高了 5.8 倍，参数减少了 51%，准确度保持在 99%。 这个模型的效果之所以不错，主要还是得益于训练数据的完备，它结合了九个公开可用的语音识别数据集，合并后包含 21170 小时的语音数据，涵盖超过 18260 名说话者和 10 个不同的领域；自从 Whisper 大力出奇迹（它从互联网爬取了 68w 小时的数据，未公开）以后，相信后续语音领域的论文都会配置更庞大的数据集。 Distil-Whisper 目前开源在 Hugging Face 上，模型地址： Demo： Demo 会把模型下载到本地，然后通过 WebGPU 直接在网页上跑起来，测试了下效果，还是挺不错的。 目前仅支持英文，如果想让它支持中文，需要使用同样海量的中文语料数据，重新做一次知识蒸馏，但我觉得即便是这样做，效果也不一定好，因为 Whisper 本身对中文、韩语等支持就不太优秀，这个信息可以从 Whisper 的论文中找到数据支撑。 下面这个视频是 Whisper 和 Distil-Whisper 的对比效果：show more

用 Codex 加 ChatCut，我终于能用自然语言丝滑剪辑我的视频了！ 最近一直在研究这个 ChatCut 的 CodeX 插件... 他们在自然语言视频作这个层面，绝对是第一梯队 最牛逼的几个点在于： 1. 全自然语言操控 可以用自然语言操作整个剪辑过程 你不需要去手动操作复杂的剪辑轨道，只需要把你的需求用大白话讲给它，它就会自动去调用工具进行剪辑 2. 剪辑与生成无缝集成 它把视频剪辑和生成功能全部集成到了同一个工具里 如果你在剪辑过程中需要某些素材，它会自动帮你去找，或者直接生成对应的素材 整个体验非常顺畅，效果挺屌的 3. 优秀的可视化交互 这是目前我见过交互体验最好的自然语言剪辑工具 安装好之后，左边是你跟 Codex 对话的区域，右边就是它的整个工作区 你可以实时、可视化地看到 Codex 是如何操作你的视频素材进行剪辑的 更爽的是，你还可以直接在右边的工作区里，对刚刚剪辑的视频进行精细化的微调和修改 这种交互方式真的已经非常接近我理想中自然语言剪辑了 不过他们目前也确实存在一些问题， 比如整体的处理速度还是比较慢，以及 Token 的消耗比较大 这也是现阶段的一个局限性，但我觉得未来一定会越来越好 如果对自然语言视频制作感兴趣的兄弟们，一定要去试一下这个插件！ 官网链接如下：show more

Anthropic 发布了 Skill Creator 的重大更新 核心变化：内置测试用例生成 写完一个 Claude 技能，怎么知道它到底能不能被正确触发？以前靠手动试，现在... Skill Creator 内置了测试功能，帮你自动跑评估。 你现在可以给技能定义一组测试提示词，描述"什么样的回答算合格"，然后让系统自动跑测试、出报告。 不需要写代码，不需要搭测试框架。 具体新增了四个能力： 自动化评估（Evals）： 定义测试提示词和预期结果，系统自动运行并追踪通过率、耗时、token 用量。当模型更新或基础设施变化时，你能立刻发现技能是否"退步"了。 多 Agent 并行测试： 测试用例不是排队跑的，而是在独立的 Agent 中并行执行，每条测试互不干扰，各自有独立的 token 和耗时统计。 A/B 对比： 系统用"比较器 Agent"对两个版本的技能做盲测对比，去掉主观偏见。你改了技能描述，想知道新版比旧版好还是差，直接跑一轮对比就有答案。 触发率优化： 这可能是最实用的功能。系统会分析你的技能描述和测试提示词，建议怎么改描述才能减少误触发和漏触发。官方测试中，6 个公开的文档类技能有 5 个的触发准确率得到了提升。show more

最近试了下 MakePlay(Makeplay.ai | Free AI Game Maker)，用一句话搓了个小游戏出来，叫《星须冲刺》。 就是一只背喷气背包的像素小猫，在星云里飞，自动往前冲，你控制上下方向，捡发光的星鱼，躲小行星和UFO。还能翻一下重力，挺有意思的。 操作很简单，提示词也没写多复杂，AI基本一次就出了个能玩的版本。中间虽然卡了一下服务重启，但进度没丢，继续说两句就接着做完了。... 全程没写代码，也没找素材，确实省事。玩法和手感都能用自然语言继续改，适合随便试试想法。 要是你也想整一个，直接去平台丢一句话就行，几分钟就能看到结果。 游戏链接：show more

之前用 Seedance 2 做了个做酸菜鱼的视频， 生成到第10秒的时候，美女的手直接伸进滚烫的锅里搅拌。AI完全不知道那样会烫。 当时觉得好笑，后来越想越觉得，这不只是 bug这么简单，现在的 AI 根本还没到理解物理世界怎么运转这一层。... 这半年做了太多AI视频了，每次满心欢喜等它生成，结果经常是人物动作接不上、物体空间瞬移、手还没碰到东西物体就动了，各种幻觉 bug，真的挺折磨。 最近看到黄碧薇教授 Biwei Huang 的 Aether AI 官宣融资，认真看了一下方向，感觉它解释了很多视觉 AI 里反复出现的问题。 Aether AI 做的是因果世界模型。这个词听起来很学术，但放到视频生成里其实很好理解。 今天的视频模型，Sora、即梦、Veo，已经能生成非常真实的画面。杯子掉落、水洒出来、机械臂抓取，看起来越来越像真的。但它们很多时候是在根据海量视频经验预测下一帧，类似画面后面通常会发生什么，就生成什么。 所以桌子高了 2cm，机械臂就可能失效。明明伸过去的角度看起来对，杯子却自己飞起来了。画质够了，数据也不少，但模型没有真正理解这个动作为什么会带来这个结果。 Aether AI想做的，就是让 AI 学到变量之间的底层规律，比如桌子高度变了会带来什么影响，物体受力之后会怎么运动，一个动作会导致什么后果。 这类东西学进去，模型才能在没见过的场景里稳定推演、举一反三。对视频生成、机器人、自动驾驶、3D 世界模拟都会很关键。 视觉 AI 下一阶段的方向，可能就是从生成看起来合理的画面，走向理解画面为什么会这样变化。 黄教授 Biwei Huang 做因果AI 超过 12 年，这次 Aether AI 融资，我觉得是一个值得关注的信号：因果世界模型正在从学术前沿走向产业。 想了解的可以戳一下官网看看：show more