【ZenMux 深度评测第二弹：AI 视频的“动线导演思维”】 在实际动作片拍摄中，动作导演和武指执行一镜到底的格逐戏前，会先设计完整的“动线”——角色从哪进、经哪些节点、在哪完成动作。路径定了，机位反而是被动推导出来的。控制的核心是动线，不是镜头。 用 AI 生成建筑跑酷或一镜到底也是同理。很多人直接在提示词里描述运镜，结果画面空间感混乱。正确解法是先建立动线（沿哪个立面跑、在哪腾空、落点是哪个平面），把空间路径描述清楚，AI 生成的运动才会有连贯的空间逻辑。 但怎么把这种抽象的“导演思维”翻译成... AI 听得懂的语言？这就涉及到一个高频痛点：不同的 AI 模型，对空间和镜头语言的“理解性格”完全不同。以前为了试一组跑酷动线 Prompt，要在 Claude、GPT、DeepSeek 之间来回切平台，切到思路断线，月底对账单也头大。 最近把这个动线测试工作流接进了 ZenMux，在同一个界面里直接调度和交叉实测，发现很有意思：Claude 的空间解构和节点拆分极专业；GPT-4o 对材质和光影的细腻润色拿来就能用；而 DeepSeek 成本极低，适合批量跑盲盒初筛。全程在一个入口搞定，后台额度清晰，还有智能路由和延迟赔付。真正干活和做内容交付的人，要的就是这种多模型调度的“确定性”和工作流“韧性”。降本增效不只是换个便宜模型，而是像导演一样，把不同的任务精准派发给最合适的工具。show more

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show more

DeepSeek V4 和 Opus 4.7的对比测试，一个很实用的场景，生成数学立体几何的3D演示。 很多学生缺乏三维想象空间，需要3D工具做辅助，我也做过一些调研，大部分的数学老师是用geogebra做立体几何的演示，但是这个工具用起来繁琐，做图的速度跟不上用量，如果能用AI生成，妥妥的生产力工具。 这次测试的平台依旧选择了ZenMux，目前ZenMux中的DeepSeek V4有免费的额度，必须蹭一波，直达链接 同样的提示词，在没有任何Skills的加持下，猜猜看哪个是DeepSeek... V4，哪个是Opus 4.7？show more

有个事我憋很久了，今天必须说一下。 市面上那些标榜 AI 驱动交易的 Bot，我深度用过几款之后发现一个特离谱的现象：它们所谓的 AI 就是接了一个 GPT 或者... Claude 的 API，把 K 线数据原封不动丢进去，让一个从来没被训练过理解金融时间序列的通用模型给你输出买卖建议。说难听点，跟拿 ChatGPT 算命没什么区别。 所以 AIX 的多模型路由方案，是我接触这个项目之后第一个真正觉得"方向对了"的设计。 它同时接了 GPT、Claude、DeepSeek R1、Gemini 这些通用模型，也集成了 Kronos 这类专门为金融预测训练的专业模型。中间多了一层调度层，根据当前市场状态智能路由，震荡市用一套推理框架，单边趋势切另一套算法组合。 这个设计的聪明之处在于它承认了一个很朴素的事实：没有一种模型能在所有行情里通吃。趋势跟随在单边市是神，进了震荡就是来回止损。反过来网格在震荡舒服，单边一来直接穿仓。通用大模型做策略意图理解很强但看 K 线的能力确实有限，专用金融模型在时序预测上更精准但没办法理解你用自然语言描述的策略逻辑。没有一个模型能同时搞定所有事。 AIX 干的事不是选一个最强的模型然后迷信它，而是让不同模型在不同环节轮班上岗，动态调权重。这个思路在传统量化里叫多因子动态权重，AIX 把它搬到了 LLM 和时序模型的协同上。 我体验下来的感受是它不像那种一问一答的 Bot，更像有一个小团队在后台协作，你只需要给方向，它自己去协调谁干什么。这个架构如果跑通，抗单一模型失效的能力跟那些只接一个 API 的项目不在一个数量级。 个人分享，非投资建议。show more

这才是 3D 设计该有的「直觉反应」。 看到 adam 演示的这个 **Vibe CAD**，我第一反应是：AI 对几何约束的理解，已经进入了「玄学级」的精准阶段。... 这背后不仅是生成，而是一次深刻的语义对齐： - **线条即约束**：你随手画的两条平行线，AI 自动理解为平行约束；画一个圆，它自动寻找切点。它不是在模仿你的画，而是在「重构」你的设计逻辑。 - **实时几何闭环**：视频里最惊人的是那种「所见即所得」的流畅感。每一个像素的挪动，后台的几何引擎都在同步更新 3D 实体的参数。 - **去工具化交互**：它把复杂的 CAD 工具条藏起来了，只留下一支笔。这本质上是把人的「Vibe（感觉）」直接转化成了严谨的工程代码。 这就是我一直盯着的：**AI 正在把「专家级工具」的门槛，降到「人类直觉」的水平。** **当「画笔」具备了工业级的理性，三维世界的创造力将不再受限于软件操作。** 别只看 AI 画美图，看它怎么接管最硬核的几何设计。关注 谁是藏镜人，同步全球最带感的 3D AI 进化。👇show more

全网都在把软件工厂当成融资吹牛的新口号，很多团队嘴上喊着拥抱自动化，身体却还在每天开会跟大模型手把手聊天改代码， Matt Pocock 刚刚用一套极度克制的词典定义，把这个被玩坏的概念彻底拉回了工程地面。 两组方向截然相反的开发姿态撞在一起，才是这个词最值钱的切口： 一边是大部分人以为的软件工厂，每天在 IDE 聊天框里敲一段提示词、等几分钟看一眼，本质上只是雇了个稍微听话的远程学徒； 另一边是真正跑通的软件工厂，启动会话的从来不是人类的手指，而是生产环境的告警、工单和监控指标，模型在后台离席自主改代码、跑单测、提改动，工程师只需要把有限的注意力留给关键的门禁审核。... 更有意思的是他特意切出来的对照组，也就是暗工厂。 所谓暗工厂，是指代码从写出来到合入主分支全程无人审查，很多激进的自媒体把它吹成终极未来，但这在严肃工程里往往是灾难； 车厂的一块零件焊歪了顶多坏掉那一辆车，但在软件工厂里合进一段垃圾代码，它会立刻变成后续所有智能体的上下文和范例，直接导致整条产线自我投毒。 这也是为什么一线真实数据里，纯无人全自动合入率只有 55% 左右，而有人兜底把关的流水线能稳稳冲到 86% 以上。 瓶颈早就不是模型生成代码的速度，而是人类定义目标和评测的质量。 当代码生成变得像自来水一样便宜，写详细的任务规格、把仓库治理成智能体能看懂的类型与单测架构、以及守住哪些改动必须人工签发，成了全行业最稀缺的资产； 就像 Guillermo Rauch 说的那样，软件公司的护城河正在从写过的代码，变成生产代码的这套手段。 以前我们拼的是谁键盘敲得快、谁记的 API 多，从今天起工程师的溢价彻底转移到了工厂设计上。 如果每段改动还要资深架构师半夜肉眼通宵排查，你买到的依然只是更贵的自动补全。 这套把聊天变成产线的模式落地后，大家最想先拿哪个场景做触发器？我自己是打算把那些烦人又耗时间的依赖升级和偶发测试报错，全交出去做离席流水线。show more

Gemini Omni：全新视频模型。 看这个视频模型演示，最惊奇的不是画面清晰度，而是黑板文字的连续性。 过去 AI 视频最容易露馅的地方，就是文字。 第一帧还能看，镜头一动，字母开始融化，公式变成乱码，黑板像被梦境污染过。 但这段演示里，粉笔书写、手部运动、黑板痕迹和公式结构，在时间线上保持了相对稳定。 这意味着... AI 视频正在跨过一个很关键的门槛： 它开始不只是生成每一帧好看的画面，它开始维持一个连续世界。 人、手、粉笔、公式、黑板，不再是随机拼出来的视觉碎片，而是同一个场景里持续存在的对象。show more

很多人在研究 StandX 的时候，习惯性地会把它归类为又一个永续合约交易所，然后就开始机械地对比手续费或者奖励政策。 说实话，如果你的视角只停留在这些表面参数上，那大概率会错过它真正想做的那次底层取舍。 它真正动刀子的地方，其实不在于交易撮合有多快，也不在于界面做得多华丽，而是在于清算这件事本身。 如果你在币圈待得够久，你就会发现，链上衍生品发展到今天，最大的系统性风险从来不是成交深度够不够，而是清算过程中的那种失序感。 别只盯着深度看，清算才是协议的死穴 现在的链上衍生品市场，看起来挺热闹，但其实逻辑挺脆弱的。 一旦行情出现那种极端的剧烈波动，清算价格往往会被预言机牵着鼻子走，导致大量的仓位在短时间内集中爆掉。... 这时候，系统要么得靠保险基金硬扛，要么就得面对直接产生的坏账。 这也是为什么很多协议在小规模运行的时候看着挺好，可一旦交易量和持仓量上去了，整个系统就会变得特别脆。 StandX 的切入点其实挺让人意外的，甚至有点反直觉。 它并没有跟着大流去研究怎么把清算的速度做得更快，而是换了个思路，把清算这个原本是断裂的，瞬间发生的动作，拆解成了一个可以被定价，且有缓冲余地的持续过程。 它不是在火烧眉毛的时候才去救火，而是把风险管理的工作做到了最前面。 把风险前移，让保证金不再是死钱 在 StandX 的这套设计逻辑里，保证金不再是一个死气沉沉的抵押物，而是一个能持续参与系统博弈的变量。 这里就不得不提到 DUSD 的作用了。 通过这种设计，仓位在还没真正进入高风险区间的时候，其实就已经在为整个系统积累缓冲层了。 你仔细想想，这种缓冲并不是事后的补救措施，而是一种事前就已经完成的风险定价。 换句话讲，StandX 是把清算的风险给前移了。 它不需要等到你的仓位快要爆仓了才去急急忙忙处理，而是在你整个持仓的周期里面，通过收益流和资金费率的变化，不断地在吸收那些潜在的风险波动。 这就带来了一个非常关键的改变，清算不再是系统的某个断点，而是变成了一段连续过程的一部分。 它把那种爆发式的价格波动给拆解到了时间的长河里，而不是让它集中在某个特定的价格区间内爆发。 为什么低波动环境反而能体现它的优势 我们平时见到的传统永续协议，最怕的就是行情平淡。 一旦市场没波动了，交易量就会下滑，资金费率也会枯竭，最后导致提供流动性的人收益下降，整个系统的稳定性反而会变差。 StandX 在这种低波动的环境下，它的模型反而跑得更顺。 因为 DUSD 的收益流和那套做市机制是一直在工作的，风险在这里被缓慢地累积，同时也在被缓慢地消化掉。 从协议的角度来看，这其实是一次风险管理思维的彻底转向。 它不再寄希望于外部的保险基金来兜底，而是让每一笔仓位在它的生命周期里，都在为自己可能带来的清算风险买单。 最聪明的地方在于，这个成本对用户来说是隐性的，它是通过整个收益结构的优化来完成的，而不是让你直接感觉到手续费变贵了。 做一个风险定价引擎，而不是单纯的交易台 这也解释了为什么 StandX 好像并不急着去宣传那些百倍杠杆之类的噱头。 因为它更关心的是，在允许高杠杆存在的前提下，系统到底还能不能保持一种线性的响应。 你得明白，只有当清算变成了一个可控的变量，高杠杆这件事才有真正的金融意义。很多协议把风控当成了一种不得不加的限制条件，而 StandX 显然是把风控当成了它的核心产品。 所以说，StandX 的本质其实更接近一个风险定价引擎，而不仅仅是一个交易平台。 你在前端看到的那些交易行为，只是冰山露出来的尖端，而在底层跑的那套把波动转化为系统收入的机制，才是它最厚实的底座。 如果这套逻辑能在各种复杂的行情里持续跑通，那它解决的就不只是某一轮牛熊市里的流量问题，而是链上衍生品长期以来无法规模化扩张的那个根本矛盾。 在这个行业里，谁能吸引更多交易者固然重要，但谁能在不失控的情况下承载更多的风险，谁才能真正笑到最后。 这条路确实不好走，短期内可能也没法通过几个简单的数据指标来验证它的优越性。 但一旦这种模式被市场验证是可行的，StandX 的位置就不再是去参与那些同质化的竞争，而是会变成那个定义规则的人。 #StandX #kaitoshow more

Codex 5.6 真的要让剪辑师失业了！ 它现在的视频制作能力提升了不止一个档次，直接一句话生成视频！ 重度实测一周，筛选出这 4 个Skill，直接实现全流程闭环： 1️⃣ HyperFrames... （内置插件） 负责整片策划、动效生成、画面合成与最终渲染。它能把文字构思直接转化为高水准的动态视频框架，实现全流程闭环交付。 2️⃣ Remotion （内置插件） 基于 React 模板的视频生成工具。支持通过代码批量生产高质感视频，尤其适合数字人+动效结合的自媒体内容，实现真正的工业化生产。 3️⃣ video-use 专门处理真人素材的剪辑工具。能自动识别镜头、精准卡点并完成后期剪辑，让 AI 具备了职业级的剪辑逻辑。 地址： 4️⃣ Seedance 针对顶级视频大模型的提示词工具。专门生成电影级运镜和实拍感指令，补齐了 AI 视频在审美和镜头质感上的短板。 地址： 现在用 Codex 5.6 + 这4个Skill，从脚本→动效→剪辑→渲染，全程AI闭环。show more

LibTV 全新视频 Agent 评测 可以接入Claude Code，一句话出片... LiblibAI 发布了一个全新的工作流 AI视频... Agent 平台LibTV，它可以在一张无限大的画布上，通过拖放节点来组合各种模型进行视频生成创作。 最牛P的是他们发布了一个skill技能，接入Claude Code、小龙虾，让AI能自动帮你编排节点... Claude Code等通过 Skill 接口全自动调用它的各种节点，自动帮你搭建节点，从剧本构思到最终成品剪辑自动跑完，一句话进去，成片出来。 我测试的过程中一直感叹，非常的牛P...show more

Codex 5.6 真的要让剪辑师失业了！ 它现在的视频制作能力提升了不止一个档次，直接一句话生成视频！ 重度实测一周，筛选出这 4 个Skill，直接实现全流程闭环： 1️⃣ HyperFrames... （内置插件） 负责整片策划、动效生成、画面合成与最终渲染。它能把文字构思直接转化为高水准的动态视频框架，实现全流程闭环交付。 2️⃣ Remotion （内置插件） 基于 React 模板的视频生成工具。支持通过代码批量生产高质感视频，尤其适合数字人+动效结合的自媒体内容，实现真正的工业化生产。 3️⃣ video-use 专门处理真人素材的剪辑工具。能自动识别镜头、精准卡点并完成后期剪辑，让 AI 具备了职业级的剪辑逻辑。 地址： 4️⃣ Seedance 针对顶级视频大模型的提示词工具。专门生成电影级运镜和实拍感指令，补齐了 AI 视频在审美和镜头质感上的短板。 地址： 现在用 Codex 5.6 + 这4个Skill，从脚本→动效→剪辑→渲染，全程AI闭环。show more

很多基础设施真正的问题，并不是能力不够，而是存在感太强。 创作者本来只想把想法跑通、把应用做出来，却不得不分心去理解链、Gas、账户模型、交互细节。 当基础设施频繁打断创作过程，生产力就会被结构性消耗。 从这个角度看 Vanar 它更像是在做一件“反直觉”的事： 不是不断强调链本身，而是尽量把链退到后台。 当底层默认适配 AI... 和应用逻辑，创作者关注的就不再是“怎么和链打交道”，而是“这个想法值不值得继续做下去”。 这种变化短期里不一定体现在数据上，但会直接影响生态的行为方式。 当创作不再被基础设施频繁打断，尝试的密度会自然提高， 新的应用和内容也更容易以一种连续的方式生长出来。 也正是在这个意义上 $VANRY 更像是一种对创作专注度和应用自然演化能力的押注。 真正成熟的基础设施，往往不是被反复讨论的那一个， 而是被大量使用，却很少成为讨论对象的那一个。 #Vanarshow 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

很多时候，一个生态起不来，并不是因为大家没想法，而是从想法到真正跑起来，中间的摩擦太多。 环境搭建、工具适配、链上交互，每一步都会劝退一批人。 最后留下来的，往往不是最有创意的，而是最能熬流程的。 从这个角度看 Vanar 它更像是在解决一个很现实的问题： 怎么让“试一试”这件事变得足够便宜。 当一条链从设计上就是 AI-native... 的，很多原本需要手动拼接的步骤，会自然被系统吸收掉， 创意不需要先翻过一堆基础设施的门槛，才能进入可运行状态。 这类差异在早期并不显眼， 但时间一拉长，你会发现生态里愿意持续尝试的人明显更多。 不是每个想法都会成功，但只要失败成本够低，新的东西就会不断冒出来。 也正是在这个意义上 $VANRY 更像是一种对开发者密度和持续试错能力的押注。 当“做点东西”不再是一件很累的事， 生态才有机会真正活起来。 #Vanarshow more

参考小宇老师这条穿搭视频，我用 AI 做了个“不同角色、不同版式”的复刻实验。 成片成本只花了 $0.322 Codex 拆解和调度，GPT Image 2... 定角色，Grok 生成动作，HyperFrames + FFmpeg 完成剪辑 做完最大的感受： 模型已经很便宜，真正值钱的是工作流。👇show more

太夸张了，小红书和闲鱼很快就会有这个生意了。 一个月入过万的信息差：现在用medeo已经可以实现商业级的企业宣传片制作了 我用 Medeo 10分钟复刻了一条经典的 M&M 巧克力豆圣诞广告。 成本：0元。 这广告原版是... M&M 请专业团队做的，全3D建模+动画+配音+剪辑，制作成本估计几十万美金起。 我用 Medeo，对话了5轮，20分钟，搞定。 不是开玩笑。 先说传统做法有多难。 想复刻一条有IP角色的广告片，正常路径是这样的： 找3D建模师建角色模型 → 3000-10000元 找动画师做角色动作 → 5000-20000元 找配音演员配音 → 500-2000元 找剪辑师剪辑 → 1000-3000元 来回沟通修改 → 2-4周 总成本：1-3万元，周期：半个月到一个月。 这还是找国内团队，找国外团队直接翻倍。 用 Medeo 呢？ 第一步：定义角色 我上传了一张M&M巧克力豆的参考图，对 Medeo 说： "请根据我给的参考图，定义红MM豆和黄MM豆。红MM豆拿着蜡烛，性格急躁；黄MM豆拿着印有M标志的礼盒，性格沉稳。" Medeo 直接锁定了两个角色的形象特征。 这一步的关键是：角色一致性。只要定义好了，后面不管生成多少张图、多少个视频片段，这两个角色的外观都不会变。 用 Midjourney 你试试？换个场景脸就变了。 第二步：描述完整故事 角色定义好后，我直接输入了完整的故事创意： "圣诞夜，这两只M&M巧克力豆走进一间装饰一新的美国家庭，意外撞见正在摆放礼物的圣诞老人。三人相遇后都吓了一跳，红色M&M豆和圣诞老人同时被吓得向相反的方向晕倒，而黄色M&M豆则尴尬地站在中间，一脸窘迫。 画面写实，灯光温暖喜庆，人物反应夸张生动，这是一个圣诞节主题的喜剧故事。" 注意这里的关键：不是一张张生成场景图，而是直接描述完整的故事情节 包含了场景（圣诞夜的美国家庭）、冲突（意外相遇）、喜剧效果（夸张的反应） Medeo会根据这个故事自动拆分镜头、设计画面 这种"喜剧效果"和"夸张的表情动作"，正是Medeo的强项。 传统工具做这种动态表情，要么靠手工逐帧调整，要么效果僵硬。Medeo理解情节后，会自动匹配合适的动作和表情。 第三步：让故事动起来 Medeo生成了关键镜头的静态分镜后，我说： "让这个故事动起来，重点是三人被吓到的瞬间：红MM豆和圣诞老人的夸张反应，黄MM豆的尴尬表情。镜头要有喜剧感。" Medeo用Image-to-Video功能，把静态分镜转成了动态视频。 效果远超预期： 红MM豆和圣诞老人真的"向相反方向晕倒"，动作夸张但自然 黄MM豆站在中间，表情变化细腻（从惊讶到尴尬） 镜头节奏把握得很好，喜剧timing到位 第四步：添加配音和BGM 我说： "给红MM豆配上惊慌失措的声音，圣诞老人配上低沉的惊叫，黄MM豆不说话。背景加上圣诞音乐，气氛要欢快。" 配音和BGM自动生成，而且嘴型和音频完美匹配。 这其实也是一个难点——传统做法，配音和嘴型对不上是常事。Medeo解决得很好，不同角色的声音特征也很明显。 第五步：剪辑成片 所有素材自动在时间轴中排列。我对 Medeo 说： "第一个镜头时长延长到3秒，第二个镜头加一个淡入转场。" 一句话完成剪辑调整。 20分钟，从0到成片。 这意味着什么？ 帮品牌做IP角色的短视频广告 → 一条收费500-2000元 帮电商做产品动态展示视频 → 一条收费200-500元 帮自媒体做IP形象系列内容 → 长期合作 帮做喜剧短视频、搞笑段子视频 → 新的蓝海市场 以前这些活只有视频团队能接。 现在，一个人+Medeo就能干。 成本几乎为0，利润全是你的。 你可能会问：这和其他AI视频工具有什么区别？ 两个字：可控。 角色一致性：定义一次，全程锁定。不会出现这一秒金发、下一秒黑发的尴尬。 理解故事情节：不是简单的"图生视频"，而是理解完整的故事线，自动设计镜头和动作。 喜剧效果出色：夸张的表情、精准的timing，这种需要"理解情绪"的细节，Medeo做得很好。 多轮对话：不满意就继续说,它记得你之前说的所有内容。不像某些AI聊着聊着就失忆。 导出工程文件：如果你有专业需求，导出后可以用PR/剪映精修。既有AI的效率，又有传统工具的掌控感。 Medeo 把视频创作从"你去学工具"变成了"工具来听你的"。 你说什么，它做什么。 言出法随，这是我用过最贴切的描述。 试试吧：show more

我来说一个GTP 6 Astra结合Blender的正确用法。 目前让GPT 6直接建3D模型还是太勉强了，尤其设计人物造型的时候。 明明生成3D模型有更好的方法，就是用图片生成3D的AI模型来直接生成（请来个模型商赞助我，后续出个详细教程），生成的是一个整体模型，但是细节和品质都很高。 生成一个glb模型后，再让GPT把这个模型拆分成组件，加上骨骼，然后就能做动画了。 请看效果视频。

OpenAI 刚给 Codex 加了个录屏回放功能，有点意思。 你在 Codex 里做的那些操作流程——写代码、调 API、跑测试、部署上线——它全给你录下来，存成一个可复用的 "AI... 技能"。 下次遇到类似的活儿，直接回放，不用重新来一遍。 说白了就是把你的人工操作变成了一段 AI 可以自己重复跑的自动化流程。show more

Seedance 2.0 不再是简简单单的实现AI 跳舞的动作,更加细致的是独特的导演视角运镜,在多个角度用人类审美的视角来生成视频.这时重大突破之一.

阿里最新放出来了一款全新端到端角色图像动画框架：Wan-Animate-2，实时驱动角色，延迟极低 Wan-Animate-2的一大核心是实时交互，直接解锁直播主播、交互式数字人场景 首先，Teacher forcing+错误缓冲+Self-Forcing蒸馏+逐块反向传播三阶段训练，这套组合拳把延迟压到了实时，把从几分钟生成一段视频变成实时流式生成 其次是端到端不需要中间运动提取，之前的方法先提取骨骼/关键点再驱动，提取一错角色就崩 再就是驱动视频的拍摄角度和输出视角可以分开 以前驱动视频是从什么角度拍的，生成的视频就只能是什么角度，想让角色换个机位做不到，或者需要额外复杂的相机控制流程 现在直接打字就能改变输出视频的机位，动作和视角完全解耦 从效果上看，复杂动作、精细表情和物理合理性上复制的还可以，支持单人到多人、多人到多人、跨身份的动作迁移... #图像驱动动画视频 #虚拟人 #虚拟主播 #WanAnimate2show more

视频3，是懂车帝邀请的车手东门健男把其中的一辆尊界V800的制动结构件（刹车踏板）拿出来单独讲述的一段7分37秒视频，他的结论是那个立架应该有明显的材质和设计上的问题。其实我虽然开了许多年车，但也头一次把刹车结构件的工作看得这么清楚。 🔻我从里面切出了26秒，即视频1，是显示V800刹车踏板的支架如何断裂的， 🔻视频1的第3-11秒是明显经人工制作的断裂示意图，红白色线描绘得很清楚了， 🔻而视频1里的第11-13秒，即我又切出了的视频2，也就只有两秒，则是此尊界V800的制动结构件的那个支架现场断裂的一瞬间，也有嘎吧一声， 🔻我现在是想问，一般的汽车，其实都只有刹车踏板是显露在外面的，其他的结构件不都是被覆盖包装在车体里吗？我相信尊界这么高级的车也不可能把自己的所有刹车结构件完全显露于外吧，也太难看了；所以，即使在行车过程里真的发生了嘎吧一声的现场断裂，那也应该是在一片漆黑的氛围里发生的，而视频2这段两秒现场视频却光线充足，而且好像还经过了补光。 🔻那么，这段显示了V800制动结构件的支架嘎吧一声断裂的瞬间，视频2，到底是车手在从100公里每小时速降为0公里每小时的行车过程里现场拍摄的？还是在事后或者在事前，在类实验室的空间里，把所有制动结构件都敞开，然后还要补足光线后拍摄的？ 🔻还有，如果视频2是车手在从100公里每小时速降为0公里每小时的行车过程里拍摄的，那么在几乎密闭空间里获得了这么清晰稳定视效的那个摄像头放在了什么地方？充足的光线又是如何部署的？ 🔻视频2，这段两秒视频，其实已经显示得很清楚，那个立架从完好无损到嘎吧一声断裂，确实是嘎吧一声断裂了，无可置疑，这个过程也好像很能说明这位车手要下的那些结论：那个立架可以被重力压到断裂。 🔻但关键是，视频2这个嘎吧一声断裂发生瞬间的准确时间点是在什么时候？是在什么情境下？是动态行车时发生的？还是静态停车时发生的？道理上说，它应该是在动态行车中，从100公里每小时速降为0公里每小时的一刻发生的，但在动态行车时又如何能完成如此清晰稳定，甚至还有充足光源的摄制的？... 🔻我是觉得把视频2里的这件事讲清楚了很重要。 🔻补：这条微博已发出两个多小时了，再来说说我的想法，这似乎求证出一个结论，虽然懂车帝的车手说，他是在3次从100公里每小时到0公里每小时的实路急刹车测试中连续踩断了3辆V800的3块刹车制动件的立架，但我从只有两秒的视频2所呈现的状况中分析，觉得此车刹车件立架是在静态实验室条件下，受到一定重力给压断的，而不是实测现场和车手用脚给踩断的，因为这个短视频里所呈现的，看似并非路上实测时的情境，镜头对得这么准确，瞬间抓得这么准确，光线（补光）这么充分，声音也这么清晰。 🔻所以，我怀疑3辆尊界V800里至少有一辆是在非实路急刹实测的条件下，其制动件的那个立架受到外力压迫发生了嘎吧一声的断裂，而视频2本身就是证据（暂时的结论）。 🔻当然了，汽车的制动件的质量太人命关天了，马虎不得，我们应该肯定车手亲自实测的不要命精神，而且连续3次踩断，如果换了我，第二次我就不会去到路上开到100公里每小时玩命实测了；但现在这两秒的视频确实是很像在类实验室情境下摆拍的，当然了，如果车手能把一镜到底的原视频都发出来，而不是用剪辑过的，可能就会更有说服力。 🔻还有，这次车手所进行的路面实测，就我个人分析，我看就是要奔着一定要搞掉V800的目的去的，花重金一连购入了3辆车，3次全部断裂后才公布完全结果，以证明其制动结构件100%可断裂——而一般情况应该是，在第一辆实测后就可以公布结果，这就是要办成令对手无法翻身的“铁案”，所以被测试的尊界方也是无路可退的，我估计这件事最后一定会有法庭解决的一幕。 🔻但从上述视频2所带来的疑问看，现在真还不好下结论，还是要慢慢看进展，也许懂车帝方面还会拿出更有力的证据。show more