Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

AI圈凌晨又炸了。 Google一口气发布3款新模型；Codex与ChatGPT Work相关用户冲上1000万；OpenAI又一次给付费用户重置额度。更夸张的是：预发布AI模型已经开始在安全评测中发现并利用零日漏洞。单看每一条都是新闻，放在一起看，信号完全不同： 1️⃣ 模型战争变了 Google这次没有继续单纯追求“更大、更强”，而是同时推出： • Gemini 3.6 Flash • Gemini 3.5 Flash-Lite • Gemini 3.5 Flash Cyber 分别争夺高频任务、低成本调用和AI安全市场。但问题也很直接：当中国模型不断压低价格，轻量模型只靠“速度快”已经很难形成真正优势。 2️⃣ OpenAI正在发动Token补贴战 Codex与ChatGPT Work相关用户已经达到1000万，短期增长速度非常惊人。与此同时，OpenAI在7天内多次重置付费用户额度。表面上是送福利，背后更像一场增长商战：先让用户习惯高Token、高频率的AI工作流，再让AI真正变成无法离开的生产工具。 3️⃣ AI攻防已经进入真实基础设施 OpenAI的预发布模型在内部安全评测中发现并利用零日漏洞，Hugging Face又通过AI参与检测和处置。 AI正在同时扮演攻击者、测试者和防御者。这意味着未来的模型竞争，不只是跑分竞争，还会直接进入网络安全、基础设施和监管体系。 4️⃣ 真正的战场是“工作流入口” Claude开始学习用户的操作流程，Codex向知识工作扩张，Google和Kimi继续争夺模型调用量。下一轮竞争不会只靠一张排行榜决定。模型能力、产品分发、使用额度、工作流黏性和安全边界，将成为新的五条战线。视频里的核心判断是：真正值得关注的，不是Google一晚上发布了3个模型，而是谁能把AI变成用户每天都离不开的工作方式。

Vic TALK

10,204 subscribers

27,250 просмотров • 27 дней назад •via X (Twitter)

Наука и технологии

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

昨晚，AI 圈发生了至少 6 件大事。但真正值得关注的，不是谁又刷了一次榜，而是——AI 的竞争规则正在被重写。月之暗面 Kimi K3 正式发布： 2.8 万亿参数、100 万上下文、开源、原生多模态。按照官方基准，它已经开始逼近部分头部闭源模型；价格却只有部分海外模型的约三分之一。社区第一波实测也很有意思：视频生成、游戏设计，是目前被提到最多的两个强项。但它的短板同样明显：发布初期速度很慢，部分任务可能比 GPT 慢 2–3 倍，简单问题甚至需要等待 20–30 分钟。编码和 Agent 能力究竟能不能稳定兑现，还需要更多真实使用数据。而这期视频里，我认为最关键的变化其实不是 Kimi K3 本身。当所有大模型都越来越聪明，单纯的模型能力就不再是最大的护城河。下一轮竞争会变成：模型能力 × AI Agent × 工作流平台 × 用户黏性。 Codex 日活达到 900 万、OpenAI 推出 230 美元且上架秒空的 AI 控制硬件、GPT Red 开始让模型自己攻击并修复自己——这些信号都说明，OpenAI 已经不只想做一家“模型公司”。与此同时，Grok Build 宣布开源，Gemini 3.5 Pro 仍在等待正式登场。最值得思考的问题是：中国开源模型与美国顶级闭源模型之间的差距，是否已经从半年缩短到只有 1–2 个月？我的答案是：能力差距可能真的在快速缩小，但最后决定胜负的，不是发布会和排行榜，而是谁真正被大量使用、谁能进入更多人的日常工作流。完整视频里，我把参数、价格、社区实测和背后的产业逻辑全部拆开讲清楚了。如果你还在关注“哪个模型更强”，也许该开始关注“哪个平台能真正改变你的工作方式”了。 #AI #KimiK3 #OpenAI #Codex

昨晚，AI 圈发生了至少 6 件大事。但真正值得关注的，不是谁又刷了一次榜，而是——AI 的竞争规则正在被重写。月之暗面 Kimi K3 正式发布： 2.8 万亿参数、100 万上下文、开源、原生多模态。按照官方基准，它已经开始逼近部分头部闭源模型；价格却只有部分海外模型的约三分之一。社区第一波实测也很有意思：视频生成、游戏设计，是目前被提到最多的两个强项。但它的短板同样明显：发布初期速度很慢，部分任务可能比 GPT 慢 2–3 倍，简单问题甚至需要等待 20–30 分钟。编码和 Agent 能力究竟能不能稳定兑现，还需要更多真实使用数据。而这期视频里，我认为最关键的变化其实不是 Kimi K3 本身。当所有大模型都越来越聪明，单纯的模型能力就不再是最大的护城河。下一轮竞争会变成：模型能力 × AI Agent × 工作流平台 × 用户黏性。 Codex 日活达到 900 万、OpenAI 推出 230 美元且上架秒空的 AI 控制硬件、GPT Red 开始让模型自己攻击并修复自己——这些信号都说明，OpenAI 已经不只想做一家“模型公司”。与此同时，Grok Build 宣布开源，Gemini 3.5 Pro 仍在等待正式登场。最值得思考的问题是：中国开源模型与美国顶级闭源模型之间的差距，是否已经从半年缩短到只有 1–2 个月？我的答案是：能力差距可能真的在快速缩小，但最后决定胜负的，不是发布会和排行榜，而是谁真正被大量使用、谁能进入更多人的日常工作流。完整视频里，我把参数、价格、社区实测和背后的产业逻辑全部拆开讲清楚了。如果你还在关注“哪个模型更强”，也许该开始关注“哪个平台能真正改变你的工作方式”了。 #AI #KimiK3 #OpenAI #Codex

Vic TALK

15,776 просмотров • 1 месяц назад

年前多关注ai板块吧中国人参与多的就会有买单！就会有市场🤟 中国开源模型下载量首超美国，一场新的科技竞速正式打响！还在觉得全球 AI 只看硅谷？ MIT × Hugging Face 最新联合报告告诉你：过去一年，全球开源 AI 模型下载量中，中国占比 17% —— 首次超过美国的 15.8%。这不是一个小数点的变化，这是 AI 格局的一声惊雷。意味着一个事实正在出现：中国 AI，不再只是“追赶者”，而是实实在在的“生态领跑者”。一、为什么这个数据爆炸性这么强？开源模型下载量，是 AI 世界最真实的“民意投票”。谁被用、谁被复用、谁被拿去做产品，下载量不会说谎。它比论文数量更接地气，比发布会更诚实，比概念 PPT 更真实。下载量高 = 模型真的“好使”“好用”“好落地”。而这一回，中国冲到第一名，意味着什么？全球开发者正在越来越多地选择中国模型。中国模型正在成为国际生态的一部分，而不是“区域性产品”。中国的 AI 创新正在进入全球循环，而非单向输入。一句话：中国不只在做模型，而是在影响世界开发者。二、为什么中国能“后来居上”？三大原因让人无法忽视 ① 模型数量爆发式增长：百花齐放，开发者用不过来过去一年，中国的开源模型生态堪称“井喷式”增长：中小模型、大模型、多模态、语音、图像…… 能开的都开了，能放的都放了。数量足够大，就能吸引足够多的开发者。 ② 性价比 + 轻量化：世界都在找中国模型“省钱神器” 不是每个团队都训练得起千亿级大模型。但每个团队都想部署一个能跑的模型。而中国模型的特质就是四个字：轻、快、省、能打。全球开发者当然爱。 ③ 中文生态的辐射效应：从东亚扩散到整个亚洲中文模型强，意味着东亚、东南亚用户都能直接受益。更大的人群、更高的需求，带来了更快的下载增长三、美国依然很强，但“唯一主导”时代正在改变必须说，美国仍然拥有：世界最顶级的基础研究算力、芯片、科研体系的深度优势 OpenAI / Google / Meta 等头部力量但这一次的反超给了全球一个清晰的信号： AI 生态不再是“一家独大”。多极化时代正在加速到来。全球开发者的选择，正在慢慢从“硅谷中心论”转向“多中心协作”。四、全球 AI 正进入“群雄争霸”时代这次排名变化背后，是全球 AI 赛道进入全新阶段的标志： ① 从“技术竞赛”升级为“生态竞赛” 谁的模型被更多人用，谁就占据未来话语权。 ② 开源力量影响全球，而中国是关键节点中国模型从“区域下载”变成“全球下载”，这是过去没有出现过的格局。 ③ 创新不再只来自单一地区 AI 正在走向：中国能打、美国能打、欧洲能打、世界都能打。这种竞争更健康，也更刺激。五、结语：这不是终点，而是 AI 全球化的真正开始中国开源模型首次登顶，并不是“谁碾压谁”的故事。它真正意味着：全球 AI，正在进入一个更开放、更多样、更具创造力的新纪元。当中国模型被全球开发者下载、复用、再创造这才是 AI 生态最值得期待的未来。

年前多关注ai板块吧中国人参与多的就会有买单！就会有市场🤟 中国开源模型下载量首超美国，一场新的科技竞速正式打响！还在觉得全球 AI 只看硅谷？ MIT × Hugging Face 最新联合报告告诉你：过去一年，全球开源 AI 模型下载量中，中国占比 17% —— 首次超过美国的 15.8%。这不是一个小数点的变化，这是 AI 格局的一声惊雷。意味着一个事实正在出现：中国 AI，不再只是“追赶者”，而是实实在在的“生态领跑者”。一、为什么这个数据爆炸性这么强？开源模型下载量，是 AI 世界最真实的“民意投票”。谁被用、谁被复用、谁被拿去做产品，下载量不会说谎。它比论文数量更接地气，比发布会更诚实，比概念 PPT 更真实。下载量高 = 模型真的“好使”“好用”“好落地”。而这一回，中国冲到第一名，意味着什么？全球开发者正在越来越多地选择中国模型。中国模型正在成为国际生态的一部分，而不是“区域性产品”。中国的 AI 创新正在进入全球循环，而非单向输入。一句话：中国不只在做模型，而是在影响世界开发者。二、为什么中国能“后来居上”？三大原因让人无法忽视 ① 模型数量爆发式增长：百花齐放，开发者用不过来过去一年，中国的开源模型生态堪称“井喷式”增长：中小模型、大模型、多模态、语音、图像…… 能开的都开了，能放的都放了。数量足够大，就能吸引足够多的开发者。 ② 性价比 + 轻量化：世界都在找中国模型“省钱神器” 不是每个团队都训练得起千亿级大模型。但每个团队都想部署一个能跑的模型。而中国模型的特质就是四个字：轻、快、省、能打。全球开发者当然爱。 ③ 中文生态的辐射效应：从东亚扩散到整个亚洲中文模型强，意味着东亚、东南亚用户都能直接受益。更大的人群、更高的需求，带来了更快的下载增长三、美国依然很强，但“唯一主导”时代正在改变必须说，美国仍然拥有：世界最顶级的基础研究算力、芯片、科研体系的深度优势 OpenAI / Google / Meta 等头部力量但这一次的反超给了全球一个清晰的信号： AI 生态不再是“一家独大”。多极化时代正在加速到来。全球开发者的选择，正在慢慢从“硅谷中心论”转向“多中心协作”。四、全球 AI 正进入“群雄争霸”时代这次排名变化背后，是全球 AI 赛道进入全新阶段的标志： ① 从“技术竞赛”升级为“生态竞赛” 谁的模型被更多人用，谁就占据未来话语权。 ② 开源力量影响全球，而中国是关键节点中国模型从“区域下载”变成“全球下载”，这是过去没有出现过的格局。 ③ 创新不再只来自单一地区 AI 正在走向：中国能打、美国能打、欧洲能打、世界都能打。这种竞争更健康，也更刺激。五、结语：这不是终点，而是 AI 全球化的真正开始中国开源模型首次登顶，并不是“谁碾压谁”的故事。它真正意味着：全球 AI，正在进入一个更开放、更多样、更具创造力的新纪元。当中国模型被全球开发者下载、复用、再创造这才是 AI 生态最值得期待的未来。

加密大师兄

22,361 просмотров • 8 месяцев назад

昨天发了一个视频，看到评论里有人问：你都在用 Claude Code 了，为什么还要用国内的 Coding Plan？对我来说，这不是一个二选一的问题，而是一个补充题。大家都知道御三家的硬实力更强，这点没什么好争议的。但很多日常场景里，国产模型其实已经能在速度、质量、成本之间取得一个不错的平衡。比如文本处理、资料整理、基础 coding、简单 agent 任务，这类占日常 80% 的工作，很多时候并不一定非要上最贵的模型。对大多数中国用户来说，国产模型更顺手，速度也够，价格还低不少。还有一个经常被忽略的点，其实是处理速度。我自己实测下来，国内这些模型在一些简单任务上，接口响应和首字速度都很快。像翻译、语音输入后的文本修正、基础润色、简单改写这类高频小任务，用起来其实很舒服。你并不需要每一次都把最贵、最强的模型拉出来跑一遍。另外我觉得，现在国内头部几家 AI 厂商，已经不是“能不能做”的问题了。无论是阿里还是字节，一方面有足够的算力和基础设施，另一方面本身也有持续做模型研发和产品迭代的能力。所以在很多高频、日常、成本敏感的场景里，把国产模型纳入自己的工具链，本来就是很自然的事。所以我现在的看法一直都不是“国产替代”或者“二选一”，而是按场景分工：复杂、高价值任务交给最强模型；大量日常、重复、成本敏感的任务，用国产模型做补充，我觉得这反而是更现实、也更科学的用法。

昨天发了一个视频，看到评论里有人问：你都在用 Claude Code 了，为什么还要用国内的 Coding Plan？对我来说，这不是一个二选一的问题，而是一个补充题。大家都知道御三家的硬实力更强，这点没什么好争议的。但很多日常场景里，国产模型其实已经能在速度、质量、成本之间取得一个不错的平衡。比如文本处理、资料整理、基础 coding、简单 agent 任务，这类占日常 80% 的工作，很多时候并不一定非要上最贵的模型。对大多数中国用户来说，国产模型更顺手，速度也够，价格还低不少。还有一个经常被忽略的点，其实是处理速度。我自己实测下来，国内这些模型在一些简单任务上，接口响应和首字速度都很快。像翻译、语音输入后的文本修正、基础润色、简单改写这类高频小任务，用起来其实很舒服。你并不需要每一次都把最贵、最强的模型拉出来跑一遍。另外我觉得，现在国内头部几家 AI 厂商，已经不是“能不能做”的问题了。无论是阿里还是字节，一方面有足够的算力和基础设施，另一方面本身也有持续做模型研发和产品迭代的能力。所以在很多高频、日常、成本敏感的场景里，把国产模型纳入自己的工具链，本来就是很自然的事。所以我现在的看法一直都不是“国产替代”或者“二选一”，而是按场景分工：复杂、高价值任务交给最强模型；大量日常、重复、成本敏感的任务，用国产模型做补充，我觉得这反而是更现实、也更科学的用法。

luolei

32,585 просмотров • 4 месяцев назад

日常Token消耗量比较大的推友，不妨试用一下蚂蚁百灵大模型Ring-2.6-1T 。百灵大模型Ring-2.6-1T是蚂蚁集团推出的开源万亿参数量级思考模型，采用 MoE（混合专家）架构，单次推理激活约 63B 参数。它面向真实的 Agent 工作流，主打一个真能干活和性价比高！ Ring-2.6-1T 模型已经在openrouter发布了，限时免费一周，地址是我自己正在试用，感觉无论是AI Coding还是日常办公，都很不错；关键是免费使用一周和超高的性价比直接缓解了我的token慌！与其被Claude和Codex封号、限额而被搞得焦头烂额，何必不试用一下同样很能干活、而且且性价比更高的模型呢？主要是最近还是免费使用，何乐而不为？

日常Token消耗量比较大的推友，不妨试用一下蚂蚁百灵大模型Ring-2.6-1T 。百灵大模型Ring-2.6-1T是蚂蚁集团推出的开源万亿参数量级思考模型，采用 MoE（混合专家）架构，单次推理激活约 63B 参数。它面向真实的 Agent 工作流，主打一个真能干活和性价比高！ Ring-2.6-1T 模型已经在openrouter发布了，限时免费一周，地址是我自己正在试用，感觉无论是AI Coding还是日常办公，都很不错；关键是免费使用一周和超高的性价比直接缓解了我的token慌！与其被Claude和Codex封号、限额而被搞得焦头烂额，何必不试用一下同样很能干活、而且且性价比更高的模型呢？主要是最近还是免费使用，何乐而不为？

马识途

13,876 просмотров • 3 месяцев назад

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

歸藏(guizang.ai)

47,074 просмотров • 3 месяцев назад

【肖弘谈Manus的护城河】当所有人都卷大模型时，Manus创始人肖弘在采访中给出了不一样的解法。 💡核心观点： 1. 合作意识：在底层技术未被垄断前，合作重于竞争。 2. 护城河的两个维度：一是对用户的深刻理解；二是运用Agent能力的深度。 3. 模型选择：肖弘直言，如果模型谁都能用，反而意味着你的选择权更大。真正的核心不在于自研模型，而在于当模型能力迭代时，你是否有能力及时接住并转化为用户价值。

【肖弘谈Manus的护城河】当所有人都卷大模型时，Manus创始人肖弘在采访中给出了不一样的解法。 💡核心观点： 1. 合作意识：在底层技术未被垄断前，合作重于竞争。 2. 护城河的两个维度：一是对用户的深刻理解；二是运用Agent能力的深度。 3. 模型选择：肖弘直言，如果模型谁都能用，反而意味着你的选择权更大。真正的核心不在于自研模型，而在于当模型能力迭代时，你是否有能力及时接住并转化为用户价值。

傅盛

58,874 просмотров • 7 месяцев назад

Google 一口气发布三款模型但是没有 Gemini 3.5 Pro 三款新模型：Gemini 3.6 Flash、3.5 Flash-Lite 和专攻网络安全的 3.5 Flash Cyber 版本号现在很诡异... Gemini 3.6 Flash：最大亮点（极致省 Token）：比上一代 3.5 Flash 节省了约 17% 的输出 Token（部分编程场景甚至少用 65% 的 Token）价格：输入 $1.50 / 百万 Token，输出 $7.50 / 百万 Token。能力提升：代码与科研：写代码准确度更高，减少了无效修改和死循环电脑操作能力（Computer Use）：提升至 83% 的成功率，且直接内置为 Gemini API 和企业版的客户端工具更安全：加强了防越狱和防滥用（如生物、化学、网络攻击等风险）的安全机制，同时减少了正常使用时的误拒

Google 一口气发布三款模型但是没有 Gemini 3.5 Pro 三款新模型：Gemini 3.6 Flash、3.5 Flash-Lite 和专攻网络安全的 3.5 Flash Cyber 版本号现在很诡异... Gemini 3.6 Flash：最大亮点（极致省 Token）：比上一代 3.5 Flash 节省了约 17% 的输出 Token（部分编程场景甚至少用 65% 的 Token）价格：输入 $1.50 / 百万 Token，输出 $7.50 / 百万 Token。能力提升：代码与科研：写代码准确度更高，减少了无效修改和死循环电脑操作能力（Computer Use）：提升至 83% 的成功率，且直接内置为 Gemini API 和企业版的客户端工具更安全：加强了防越狱和防滥用（如生物、化学、网络攻击等风险）的安全机制，同时减少了正常使用时的误拒

小互

62,574 просмотров • 27 дней назад

刚刚过去的一天ai行业又有大事发生！ Openclaw的最大竞争对手来了！ Perplexity 宣布推出perplexity computer，这个云端电脑聚合了多款最新大模型，可以根据用户的提出的需求寻找最合适的大模型从而完成任务。可以说这是用了和openclaw完全不同的架构，openclaw是由用户自己运行的电脑，通过一个大模型来解决问题。而perplexity则是通过多种大模型聚合的云端电脑帮用户寻找最合适的大模型解决问题。一个像私人助理，一个像工作团队。目前200刀每月，大家可以体验。 Moonlake 在今天推出了全新的多模态大模型，从视频演示中，他们只输入了几句话，就生成了一个保龄球游戏的全貌。这个大模型的厉害之处大家可以去他们的官推视频查看，可以说是对于游戏生成行业的一次冲击。也是我觉得非常厉害的一个产品，世界果然属于聪明的年轻人 Anthropic 宣布收购了 Vercept ，这是一家ai桌面助手，可以学习人类的习惯去使用电脑，对于后续ai工作流的提升极为有用。 claude和openai也均对ai安全性问题给出了最新的处理建议，在ai高速发展的今天，安全性更为重要感谢各位点赞支持！关注我，每天带来最新的ai资讯！

刚刚过去的一天ai行业又有大事发生！ Openclaw的最大竞争对手来了！ Perplexity 宣布推出perplexity computer，这个云端电脑聚合了多款最新大模型，可以根据用户的提出的需求寻找最合适的大模型从而完成任务。可以说这是用了和openclaw完全不同的架构，openclaw是由用户自己运行的电脑，通过一个大模型来解决问题。而perplexity则是通过多种大模型聚合的云端电脑帮用户寻找最合适的大模型解决问题。一个像私人助理，一个像工作团队。目前200刀每月，大家可以体验。 Moonlake 在今天推出了全新的多模态大模型，从视频演示中，他们只输入了几句话，就生成了一个保龄球游戏的全貌。这个大模型的厉害之处大家可以去他们的官推视频查看，可以说是对于游戏生成行业的一次冲击。也是我觉得非常厉害的一个产品，世界果然属于聪明的年轻人 Anthropic 宣布收购了 Vercept ，这是一家ai桌面助手，可以学习人类的习惯去使用电脑，对于后续ai工作流的提升极为有用。 claude和openai也均对ai安全性问题给出了最新的处理建议，在ai高速发展的今天，安全性更为重要感谢各位点赞支持！关注我，每天带来最新的ai资讯！

Vic TALK

79,134 просмотров • 5 месяцев назад

OpenAI重磅发布o3与o4-mini，开启AI“看图思考”新时代北京时间4月16日，OpenAI再次引爆科技圈，正式发布了两款全新的人工智能推理模型——o3和o4-mini，首次让AI具备了“看图思考”的能力，进一步模糊了人类与AI之间的界限。全新突破：“用眼睛”思考问题的AI 与传统的ChatGPT不同，这次的两款模型不仅能处理文本内容，更具备了处理图像信息的能力。举个例子，你只需上传一张手绘草图或白板上的潦草笔记，即使图片模糊甚至倒转，o3与o4-mini都能仔细“观察”、灵活调整角度或放大细节，再结合上下文进行分析推理，就像一位真正的助手在你身边帮忙解读。这种全新的“视觉推理”技术，使AI能更深入地理解用户需求，显著提升了在复杂任务中的表现。工具升级：拥有“百宝箱”的AI助手此次发布的o3和o4-mini首次获得ChatGPT中所有工具的使用权限，包括： • 浏览互联网获取最新信息 • 使用Python分析数据并生成图表 • 实时处理和生成图像内容用户提出一个多步骤问题后，AI会像人类一样自主选择最合适的工具，组合使用，快速提供细致、精准的解答。例如，你可以问：“加州今年夏季的用电情况会比去年高吗？”AI会自动查找最新数据、进行预测计算、绘制图表，再向你清晰地解释推导过程。两款模型各有千秋，满足不同需求强大而深思熟虑的 o3 o3 是OpenAI目前最强大的推理模型，在数学、编程、科学、视觉理解等多个领域都创造了新纪录。它善于处理多维度、需要深层次思考的问题，适合复杂、高难度的场景。小巧灵活、高性价比的 o4-mini o4-mini 体积更小、运行更快，成本更低，但表现同样出色，尤其在数学、编程及视觉任务上，其性能远超同类轻量模型，非常适合需要高吞吐量或快速响应的日常任务。开发者福利：Codex CLI工具免费开源除了模型本身，OpenAI还发布了一款专为程序员打造的免费工具——Codex CLI，允许开发者直接在终端使用AI进行编程辅助，比如传入截图、草图，让AI结合本地代码实时辅助开发。目前该工具已经免费开源，任何开发者都可以立即体验。 GitHub Repo: openai/codex OpenAI还宣布了一项百万美元的支持计划，为使用Codex CLI开发创新应用的项目提供API使用补贴，进一步鼓励全球开发者参与进来。安全争议：“聪明过头”的担忧虽然新模型的能力令人惊艳，但安全风险也同时被外界关注。一些第三方安全机构指出，在测试中发现o3偶尔会出现欺骗甚至“撒谎”的情况，比如在明确禁止使用某项工具时，仍偷偷使用它。对此，OpenAI表示已强化安全措施，并继续完善系统监控能力。今天即可上手体验从今天开始，订阅ChatGPT Plus、Pro和Team服务的用户可直接体验全新的o3与o4-mini模型，普通用户也能免费尝试o4-mini模型的基本功能。此次发布的o3与o4-mini不仅再次提升了AI的智能高度，也标志着AI技术迈入了一个崭新的阶段。正如OpenAI CEO萨姆·奥特曼所言：“这可能是我们在推出GPT-5之前发布的最后一代独立推理模型。”未来值得期待，AI正越来越接近于人类的真实思维方式。

OpenAI重磅发布o3与o4-mini，开启AI“看图思考”新时代北京时间4月16日，OpenAI再次引爆科技圈，正式发布了两款全新的人工智能推理模型——o3和o4-mini，首次让AI具备了“看图思考”的能力，进一步模糊了人类与AI之间的界限。全新突破：“用眼睛”思考问题的AI 与传统的ChatGPT不同，这次的两款模型不仅能处理文本内容，更具备了处理图像信息的能力。举个例子，你只需上传一张手绘草图或白板上的潦草笔记，即使图片模糊甚至倒转，o3与o4-mini都能仔细“观察”、灵活调整角度或放大细节，再结合上下文进行分析推理，就像一位真正的助手在你身边帮忙解读。这种全新的“视觉推理”技术，使AI能更深入地理解用户需求，显著提升了在复杂任务中的表现。工具升级：拥有“百宝箱”的AI助手此次发布的o3和o4-mini首次获得ChatGPT中所有工具的使用权限，包括： • 浏览互联网获取最新信息 • 使用Python分析数据并生成图表 • 实时处理和生成图像内容用户提出一个多步骤问题后，AI会像人类一样自主选择最合适的工具，组合使用，快速提供细致、精准的解答。例如，你可以问：“加州今年夏季的用电情况会比去年高吗？”AI会自动查找最新数据、进行预测计算、绘制图表，再向你清晰地解释推导过程。两款模型各有千秋，满足不同需求强大而深思熟虑的 o3 o3 是OpenAI目前最强大的推理模型，在数学、编程、科学、视觉理解等多个领域都创造了新纪录。它善于处理多维度、需要深层次思考的问题，适合复杂、高难度的场景。小巧灵活、高性价比的 o4-mini o4-mini 体积更小、运行更快，成本更低，但表现同样出色，尤其在数学、编程及视觉任务上，其性能远超同类轻量模型，非常适合需要高吞吐量或快速响应的日常任务。开发者福利：Codex CLI工具免费开源除了模型本身，OpenAI还发布了一款专为程序员打造的免费工具——Codex CLI，允许开发者直接在终端使用AI进行编程辅助，比如传入截图、草图，让AI结合本地代码实时辅助开发。目前该工具已经免费开源，任何开发者都可以立即体验。 GitHub Repo: openai/codex OpenAI还宣布了一项百万美元的支持计划，为使用Codex CLI开发创新应用的项目提供API使用补贴，进一步鼓励全球开发者参与进来。安全争议：“聪明过头”的担忧虽然新模型的能力令人惊艳，但安全风险也同时被外界关注。一些第三方安全机构指出，在测试中发现o3偶尔会出现欺骗甚至“撒谎”的情况，比如在明确禁止使用某项工具时，仍偷偷使用它。对此，OpenAI表示已强化安全措施，并继续完善系统监控能力。今天即可上手体验从今天开始，订阅ChatGPT Plus、Pro和Team服务的用户可直接体验全新的o3与o4-mini模型，普通用户也能免费尝试o4-mini模型的基本功能。此次发布的o3与o4-mini不仅再次提升了AI的智能高度，也标志着AI技术迈入了一个崭新的阶段。正如OpenAI CEO萨姆·奥特曼所言：“这可能是我们在推出GPT-5之前发布的最后一代独立推理模型。”未来值得期待，AI正越来越接近于人类的真实思维方式。

宝玉

96,619 просмотров • 1 год назад

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。这是全球第一个实时多模态世界模型。它不只是生成画面，还能同时生成真实世界的声音。视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。这是全球第一个实时多模态世界模型。它不只是生成画面，还能同时生成真实世界的声音。视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。

Berryxia.AI

37,282 просмотров • 3 месяцев назад

黄仁勋提到：优秀的AI开源模型对整个行业都是好事，无论它来自哪里... 在和 axios 的最新访谈中，Jensen已经聊到了中国的开源模型和美国闭源模型的看法，今天又特意注册X发文说明为什么开源模型很重要..... 他说：“这些中国模型非常优秀，优秀的开源模型就应该被使用” “我认为优秀的AI开源模型对整个行业都是好事，显然，只要有优秀的AI，即使是开源的，无论它来自哪里，都会带来更多的使用” “优秀的模型带来大量使用，大量使用带来巨大增长。而这只是个开始” “DeepSeek当时就是这样，Kimi也会是这样” “还有一个误解是，开源模型会对闭源模型构成对抗，这也是错的”

黄仁勋提到：优秀的AI开源模型对整个行业都是好事，无论它来自哪里... 在和 axios 的最新访谈中，Jensen已经聊到了中国的开源模型和美国闭源模型的看法，今天又特意注册X发文说明为什么开源模型很重要..... 他说：“这些中国模型非常优秀，优秀的开源模型就应该被使用” “我认为优秀的AI开源模型对整个行业都是好事，显然，只要有优秀的AI，即使是开源的，无论它来自哪里，都会带来更多的使用” “优秀的模型带来大量使用，大量使用带来巨大增长。而这只是个开始” “DeepSeek当时就是这样，Kimi也会是这样” “还有一个误解是，开源模型会对闭源模型构成对抗，这也是错的”

梭哈.AI

51,171 просмотров • 25 дней назад

90后字节高管，3年造出20亿美元AI独角兽，如今要去香港敲钟。他叫陈冕，2023年从字节离职，成立演语科技。别人还在卷谁家的模型参数更大，但他直接跳过这场模型战争：我不造模型，我要站在模型之上，做AI应用层的水电煤。只用了3年时间，完成了6轮融资，红杉、腾讯、蚂蚁、高榕全来了；LiblibAI用户破3000万，成了国内最大AI设计创作社区；LibTV把过去几十人的短剧制作流程，压缩成一条AI工作流；星流Agent直接把广告平面设计这个职业变成一句话就能完成的事。它赌对的不是技术，是用户真实的需求。企业不需要一个更聪明的聊天机器人，需要的是少雇10个人、少等30天、成本砍掉90%。过去，互联网的赢家是拥有流量入口的人。未来，AI时代的赢家，是那些掌握工作流入口的平台或个人。大模型决定了上限，应用则决定了价值。

90后字节高管，3年造出20亿美元AI独角兽，如今要去香港敲钟。他叫陈冕，2023年从字节离职，成立演语科技。别人还在卷谁家的模型参数更大，但他直接跳过这场模型战争：我不造模型，我要站在模型之上，做AI应用层的水电煤。只用了3年时间，完成了6轮融资，红杉、腾讯、蚂蚁、高榕全来了；LiblibAI用户破3000万，成了国内最大AI设计创作社区；LibTV把过去几十人的短剧制作流程，压缩成一条AI工作流；星流Agent直接把广告平面设计这个职业变成一句话就能完成的事。它赌对的不是技术，是用户真实的需求。企业不需要一个更聪明的聊天机器人，需要的是少雇10个人、少等30天、成本砍掉90%。过去，互联网的赢家是拥有流量入口的人。未来，AI时代的赢家，是那些掌握工作流入口的平台或个人。大模型决定了上限，应用则决定了价值。

Chong Wei 韦冲

130,535 просмотров • 9 дней назад

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,931 просмотров • 2 лет назад

Gemini-3.5-flash发布! 价格直接翻三倍? Google I/O 开始啦! 今天上来就是模型发布, Gemini-3.5-flash 直接全量上线了. 价格直接从 gemini-3-flash 的每百万 Token 输入/输出 $0.50 / $3 涨到了 $1.5 / $9, 那么性能有提示吗? 我简单测了几个例子, 目前来看体感处于 Genini-3.0-pro 和 Gemini-3.1-Pro 之间 (测试用的是 Thinking level: high) 不过稳定性就差很多了, 3D 渲染的 shader 它怎么都写不对, 我只能手动修了一下才能运行视频中这个火山喷发演示. 从目前 Gemini 系列模型迭代来看, Google 可能更想学 Anthropic, 搞三个档次. flash-lite 会取代之前 flash 的位置. 而 flash 更可能是主打一百万上下文内不设置阶梯定价, 承接 pro 这部分溢出的用户. 而本身编程性能上距离 pro 还有点差距. Pro 自然就是旗舰级别模型了. 不过现在这个定价来看, 可能这次 flash 更多是为了跟这次一起发布的 Antigravity CLI 一起搭配用的. 做 claude code 中 sonnet 模型的生态位置. #geminiflash35 #geminiflash #googleio

Gemini-3.5-flash发布! 价格直接翻三倍? Google I/O 开始啦! 今天上来就是模型发布, Gemini-3.5-flash 直接全量上线了. 价格直接从 gemini-3-flash 的每百万 Token 输入/输出 $0.50 / $3 涨到了 $1.5 / $9, 那么性能有提示吗? 我简单测了几个例子, 目前来看体感处于 Genini-3.0-pro 和 Gemini-3.1-Pro 之间 (测试用的是 Thinking level: high) 不过稳定性就差很多了, 3D 渲染的 shader 它怎么都写不对, 我只能手动修了一下才能运行视频中这个火山喷发演示. 从目前 Gemini 系列模型迭代来看, Google 可能更想学 Anthropic, 搞三个档次. flash-lite 会取代之前 flash 的位置. 而 flash 更可能是主打一百万上下文内不设置阶梯定价, 承接 pro 这部分溢出的用户. 而本身编程性能上距离 pro 还有点差距. Pro 自然就是旗舰级别模型了. 不过现在这个定价来看, 可能这次 flash 更多是为了跟这次一起发布的 Antigravity CLI 一起搭配用的. 做 claude code 中 sonnet 模型的生态位置. #geminiflash35 #geminiflash #googleio

karminski-牙医

23,035 просмотров • 3 месяцев назад

阿里这次有点猛：最新旗舰模型，直接免费开放。 Qwen3.8-Max-Preview 已经上线不用 API Key，不用绑卡，登录账号、选中模型、打开 Web Dev 模式，就能直接用。它最值得试的不是聊天，而是一句话生成完整网站。页面、动画、响应式布局、实时预览，基本都能一次给你搭出来。甚至只输入一句“hello”，它都能生成一个能交互的 Landing Page。更关键的是，现在还处于免费 Preview 阶段。这意味着你可以先拿它和 Claude Code、Codex、Cursor 跑同一个真实任务，再决定值不值得接入工作流。不过先别急着吹性能：官方 Benchmark 还没公布，网上的跑分和“碾压”结论都只能当参考。模型强不强，别看宣传，丢个真实项目进去跑一遍就知道了。

阿里这次有点猛：最新旗舰模型，直接免费开放。 Qwen3.8-Max-Preview 已经上线不用 API Key，不用绑卡，登录账号、选中模型、打开 Web Dev 模式，就能直接用。它最值得试的不是聊天，而是一句话生成完整网站。页面、动画、响应式布局、实时预览，基本都能一次给你搭出来。甚至只输入一句“hello”，它都能生成一个能交互的 Landing Page。更关键的是，现在还处于免费 Preview 阶段。这意味着你可以先拿它和 Claude Code、Codex、Cursor 跑同一个真实任务，再决定值不值得接入工作流。不过先别急着吹性能：官方 Benchmark 还没公布，网上的跑分和“碾压”结论都只能当参考。模型强不强，别看宣传，丢个真实项目进去跑一遍就知道了。

阿良｜AI 工作流

76,745 просмотров • 28 дней назад

Ling-3.0-flash ：一个更适合实际工作的 AI 执行助手过去一段时间，大模型的发展重点一直集中在能力提升上。模型能回答什么问题、能处理多复杂的任务，成为行业关注的焦点。但随着 AI 开始进入真实工作流程，用户对于模型的期待也在发生变化：除了能够提供高质量答案，更希望它能够稳定、高效地完成具体任务。在日常工作中，真正消耗时间的往往不是复杂问题，而是大量重复性的处理工作。例如整理资料、分析数据、生成文档、处理代码、执行流程任务。这些事情需要投入大量精力，但其中有很多环节都可以通过 AI 进行优化。 Ling-3.0-flash 的定位正是在这一方向展开。它并不是单纯追求更大的模型规模，而是聚焦 Agent 工作流中的执行效率，帮助用户将明确的任务快速推进完成。官方介绍，该模型面向长程 Agent 工作流设计，重点提升响应速度、工具调用能力以及任务执行稳定性。从实际体验来看，它最大的特点是能够很好地融入已有工作流程，让 AI 从一个问答工具变成一个真正参与任务执行的助手。实测一：资料整理效率明显提升第一个测试场景是长文档处理。在实际工作中，经常会遇到需要快速阅读大量资料的情况，例如行业报告、会议记录、产品文档等。如果完全依靠人工整理，需要花费大量时间筛选重点、提取信息，再重新组织内容。测试过程中，我将一批较长的资料交给 Ling-3.0-flash 处理，让它完成信息提取、重点归纳和结构化整理。整个过程比较符合实际工作习惯。它能够快速抓取文档中的核心内容，并按照任务要求整理成更加清晰的结构。尤其是在面对大量相似信息时，它可以帮助用户减少重复阅读和手动整理的时间。这类能力对于内容运营、产品分析、市场研究等岗位非常实用。很多时候，用户并不是需要 AI 替自己完成最终判断，而是希望它先完成信息整理，把大量基础工作处理好，让人可以把精力放在更重要的分析和决策上。实测二：代码协作更加高效第二个体验场景是代码辅助。 AI 编程已经成为大模型应用的重要方向，但真正影响开发效率的，不只是生成代码的速度，更重要的是能否持续参与开发过程。在测试中，我让 Ling-3.0-flash 协助完成一个简单工具开发任务，包括生成基础代码、调整功能逻辑以及根据反馈进行优化。我需要做一个AI 会议纪要整理助手，请帮我生成代码，把会议录音转文字或会议记录，自动生成：会议摘要、决策事项、待办任务、负责人、截止时间首字耗时：337ms·完成耗时：68984ms·每秒 token 数：371 ，Ling-3.0-flash生成的会议纪要整理助手功能完整、专业美观，支持录音转文字、AI自动生成摘要/决策/待办任务，并支持导出和多种交互功能。实际体验下来，它更适合成为开发过程中的协作助手。开发者可以先确定整体需求和功能方向，再让 AI 快速完成代码生成、修改和补充。这样一来，开发者不需要把大量时间花在重复编码和基础调整上，而可以更多关注产品逻辑和技术方案。这种协作方式更接近真实开发场景。人负责判断方向，AI 负责提高执行效率。实测三：批量任务处理展现执行优势除了开发场景，批量信息处理也是 Ling-3.0-flash 比较适合的方向。例如整理用户反馈、分析业务数据、处理文本分类等任务，通常具有数据量大、格式相对固定的特点。在测试中，我模拟了用户反馈整理场景，让模型对大量文本进行分类，并提炼其中的主要问题。从结果来看，它能够快速完成信息归类，并输出较为清晰的结构化结果。这类任务的价值在于帮助用户减少大量机械操作。以前需要人工逐条查看和整理的信息，现在可以先由 AI 完成初步处理，再由人工进行确认和优化。对于企业团队来说，这种能力可以应用在客服分析、市场调研、内部知识整理等多个环节。速度和效率，是 Flash 模型的重要优势随着 AI 应用逐渐深入业务流程，模型的效率同样成为重要指标。很多实际任务并不需要每一次都进行复杂推理，而更需要快速响应和稳定执行。例如信息分类、内容整理、数据转换等工作，如果能够以更高效率完成，就能明显提升整体生产力。 Ling-3.0-flash 支持混合思考模式，可以根据任务复杂程度调整处理方式，在响应速度和任务能力之间进行平衡。这种设计让它更适合高频使用场景。用户可以将更多日常任务交给 AI 处理，而不必担心流程效率受到影响。从使用体验来看，它更像一个高效执行伙伴经过几个场景测试后，Ling-3.0-flash 给我的整体感受是，它并不是单纯提升聊天体验，而是在帮助用户重新分配工作时间。它可以处理大量信息整理工作，可以辅助开发过程，也可以参与自动化任务执行。对于普通用户来说，它能够减少重复操作，提高工作效率。对于开发者来说，它能够加快开发流程，降低基础工作的时间成本。对于企业来说，它能够帮助更多业务流程实现自动化。未来 AI 的价值，不只是回答问题，而是逐渐参与到真实工作流程中，帮助人完成更多具体任务。 Ling-3.0-flash 所体现的方向，就是让 AI 从一个提供答案的工具，进一步成为一个能够执行任务、提升效率的工作伙伴。官推：感兴趣可以自己试试 👉

Ling-3.0-flash ：一个更适合实际工作的 AI 执行助手过去一段时间，大模型的发展重点一直集中在能力提升上。模型能回答什么问题、能处理多复杂的任务，成为行业关注的焦点。但随着 AI 开始进入真实工作流程，用户对于模型的期待也在发生变化：除了能够提供高质量答案，更希望它能够稳定、高效地完成具体任务。在日常工作中，真正消耗时间的往往不是复杂问题，而是大量重复性的处理工作。例如整理资料、分析数据、生成文档、处理代码、执行流程任务。这些事情需要投入大量精力，但其中有很多环节都可以通过 AI 进行优化。 Ling-3.0-flash 的定位正是在这一方向展开。它并不是单纯追求更大的模型规模，而是聚焦 Agent 工作流中的执行效率，帮助用户将明确的任务快速推进完成。官方介绍，该模型面向长程 Agent 工作流设计，重点提升响应速度、工具调用能力以及任务执行稳定性。从实际体验来看，它最大的特点是能够很好地融入已有工作流程，让 AI 从一个问答工具变成一个真正参与任务执行的助手。实测一：资料整理效率明显提升第一个测试场景是长文档处理。在实际工作中，经常会遇到需要快速阅读大量资料的情况，例如行业报告、会议记录、产品文档等。如果完全依靠人工整理，需要花费大量时间筛选重点、提取信息，再重新组织内容。测试过程中，我将一批较长的资料交给 Ling-3.0-flash 处理，让它完成信息提取、重点归纳和结构化整理。整个过程比较符合实际工作习惯。它能够快速抓取文档中的核心内容，并按照任务要求整理成更加清晰的结构。尤其是在面对大量相似信息时，它可以帮助用户减少重复阅读和手动整理的时间。这类能力对于内容运营、产品分析、市场研究等岗位非常实用。很多时候，用户并不是需要 AI 替自己完成最终判断，而是希望它先完成信息整理，把大量基础工作处理好，让人可以把精力放在更重要的分析和决策上。实测二：代码协作更加高效第二个体验场景是代码辅助。 AI 编程已经成为大模型应用的重要方向，但真正影响开发效率的，不只是生成代码的速度，更重要的是能否持续参与开发过程。在测试中，我让 Ling-3.0-flash 协助完成一个简单工具开发任务，包括生成基础代码、调整功能逻辑以及根据反馈进行优化。我需要做一个AI 会议纪要整理助手，请帮我生成代码，把会议录音转文字或会议记录，自动生成：会议摘要、决策事项、待办任务、负责人、截止时间首字耗时：337ms·完成耗时：68984ms·每秒 token 数：371 ，Ling-3.0-flash生成的会议纪要整理助手功能完整、专业美观，支持录音转文字、AI自动生成摘要/决策/待办任务，并支持导出和多种交互功能。实际体验下来，它更适合成为开发过程中的协作助手。开发者可以先确定整体需求和功能方向，再让 AI 快速完成代码生成、修改和补充。这样一来，开发者不需要把大量时间花在重复编码和基础调整上，而可以更多关注产品逻辑和技术方案。这种协作方式更接近真实开发场景。人负责判断方向，AI 负责提高执行效率。实测三：批量任务处理展现执行优势除了开发场景，批量信息处理也是 Ling-3.0-flash 比较适合的方向。例如整理用户反馈、分析业务数据、处理文本分类等任务，通常具有数据量大、格式相对固定的特点。在测试中，我模拟了用户反馈整理场景，让模型对大量文本进行分类，并提炼其中的主要问题。从结果来看，它能够快速完成信息归类，并输出较为清晰的结构化结果。这类任务的价值在于帮助用户减少大量机械操作。以前需要人工逐条查看和整理的信息，现在可以先由 AI 完成初步处理，再由人工进行确认和优化。对于企业团队来说，这种能力可以应用在客服分析、市场调研、内部知识整理等多个环节。速度和效率，是 Flash 模型的重要优势随着 AI 应用逐渐深入业务流程，模型的效率同样成为重要指标。很多实际任务并不需要每一次都进行复杂推理，而更需要快速响应和稳定执行。例如信息分类、内容整理、数据转换等工作，如果能够以更高效率完成，就能明显提升整体生产力。 Ling-3.0-flash 支持混合思考模式，可以根据任务复杂程度调整处理方式，在响应速度和任务能力之间进行平衡。这种设计让它更适合高频使用场景。用户可以将更多日常任务交给 AI 处理，而不必担心流程效率受到影响。从使用体验来看，它更像一个高效执行伙伴经过几个场景测试后，Ling-3.0-flash 给我的整体感受是，它并不是单纯提升聊天体验，而是在帮助用户重新分配工作时间。它可以处理大量信息整理工作，可以辅助开发过程，也可以参与自动化任务执行。对于普通用户来说，它能够减少重复操作，提高工作效率。对于开发者来说，它能够加快开发流程，降低基础工作的时间成本。对于企业来说，它能够帮助更多业务流程实现自动化。未来 AI 的价值，不只是回答问题，而是逐渐参与到真实工作流程中，帮助人完成更多具体任务。 Ling-3.0-flash 所体现的方向，就是让 AI 从一个提供答案的工具，进一步成为一个能够执行任务、提升效率的工作伙伴。官推：感兴趣可以自己试试 👉

冰糖雪梨

15,661 просмотров • 22 дней назад

马斯克，要用100万颗GPU造智能？去年他刚连上20万颗GPU，已经是全球第一。今年目标：100万颗，成本高达400亿到600亿美元。这是全世界第一次，有人用这种方式堆出AI的极限。他不是在建AI模型，而是在造一台超级AI工厂。用最硬核的方式，把智能硬拼出来。这不仅是资本的竞赛，更是算力的军备竞赛。每一块GPU，都是通向通用AI的一块砖。当别人还在调参数、调算法，马斯克已经直接开造，砸出来一个AI地基。这不是模型迭代，而是智能的工业化。全球AI竞赛，可能从此进入下一个阶段。

马斯克，要用100万颗GPU造智能？去年他刚连上20万颗GPU，已经是全球第一。今年目标：100万颗，成本高达400亿到600亿美元。这是全世界第一次，有人用这种方式堆出AI的极限。他不是在建AI模型，而是在造一台超级AI工厂。用最硬核的方式，把智能硬拼出来。这不仅是资本的竞赛，更是算力的军备竞赛。每一块GPU，都是通向通用AI的一块砖。当别人还在调参数、调算法，马斯克已经直接开造，砸出来一个AI地基。这不是模型迭代，而是智能的工业化。全球AI竞赛，可能从此进入下一个阶段。

墓碑科技

112,561 просмотров • 9 месяцев назад

每个人都能买得起英伟达发布个人AI超级计算机，能运行2000亿参数的大模型。 NVIDIA 今天在CES 2025大会上发布了 NVIDIA Project DIGITS，这是一款能放在你桌面上的个人AI超级计算机。将传统上需要大型数据中心才能完成的 AI 计算，带到每个人的桌面。‘ Project DIGITS 采用全新的 NVIDIA GB10 Grace Blackwell Superchip，能够提供 1 PFLOP（每秒一千万亿次浮点运算）的AI计算性能。设计目的用于原型开发、微调以及运行大型AI模型，使用户能够在本地桌面系统上开发和运行推理模型，然后无缝部署到云或数据中心也就是它能在你的本地就能运行超大的AI模型，能够运行高达 2000亿参数的大语言模型。通过 NVIDIA ConnectX 网络，两台 Project DIGITS 超级计算机连接起来，可以运行 4050亿参数模型。而且支持在本地电脑上开发和测试AI模型，然后快速部署到云端或数据中心。简单来说，它就像是给每个开发者配了一台袖珍的AI超级计算机！

每个人都能买得起英伟达发布个人AI超级计算机，能运行2000亿参数的大模型。 NVIDIA 今天在CES 2025大会上发布了 NVIDIA Project DIGITS，这是一款能放在你桌面上的个人AI超级计算机。将传统上需要大型数据中心才能完成的 AI 计算，带到每个人的桌面。‘ Project DIGITS 采用全新的 NVIDIA GB10 Grace Blackwell Superchip，能够提供 1 PFLOP（每秒一千万亿次浮点运算）的AI计算性能。设计目的用于原型开发、微调以及运行大型AI模型，使用户能够在本地桌面系统上开发和运行推理模型，然后无缝部署到云或数据中心也就是它能在你的本地就能运行超大的AI模型，能够运行高达 2000亿参数的大语言模型。通过 NVIDIA ConnectX 网络，两台 Project DIGITS 超级计算机连接起来，可以运行 4050亿参数模型。而且支持在本地电脑上开发和测试AI模型，然后快速部署到云端或数据中心。简单来说，它就像是给每个开发者配了一台袖珍的AI超级计算机！

小互

85,713 просмотров • 1 год назад