Loading video...

Video Failed to Load

Go Home

Codex 官方「画布」的最优解来了。 刚发现 Codex 桌面端这个「画布」式视觉工作区,确实很好用。点击图片上的「画布」,就能进入独立界面,可以一次多选多张图片放进聊天框,统一下发修改指令;也可以直接选中图片里的具体位置,写下评论,让 Codex 针对这一处继续修改。 以前需要反复描述「左上角那个按钮」「第三张图的人物」「右边那块区域」,现在直接在画面上选出来、标出来、说清楚,图片、位置、上下文和修改要求都连在了一起,沟通成本低了很多。 前一阵很流行的侧边栏画布,本质上都在解决同一个问题:怎样让人和 AI 围绕视觉内容更准确地沟通。现在 OpenAI 直接把选图、标注、评论、修改和继续对话做进 Codex,一条链路完整跑通,确实有点官方下场终结比赛的感觉。 这种工作流,OpenAI 现在是越玩越溜了。

10,548 views • 3 months ago •via X (Twitter)

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

OpenAI 推出 Images 2.6:能导出 SVG 矢量图,还能做 GIF 动图,出图快一半 OpenAI 11 月 4 日发布图像模型 Images 2.6,ChatGPT 和 Codex 所有档位的用户今天起都能用,电脑、手机和网页版都有。 这次一个重要变化是能把生成的图导出成 SVG 矢量图,可以直接拿去做网站、App 和印刷品。另外还能生成 GIF 动图,出图速度比上一版快 50%,改图时能更准确地只改指定的地方。 开发者可以通过 API 调用这个模型。API 是开发者把模型接进自己产品的接口,按用量付费。OpenAI 说,现在全球用户每周在 ChatGPT、Codex 和 API 上生成 40 亿张图,平均每天超过 5 亿张。 【导出 SVG:图能直接拿去用了】 AI 生成的图通常是“位图”,比如常见的 PNG、JPG。位图由一个个小色点拼成,放大后会变糊,边缘出现锯齿。想把 AI 画的图标、Logo 用到正式场合,通常要设计师照着重新画成矢量图。 SVG 是“矢量图”,记录的不是色点,而是线条和形状本身,比如“从这里到那里画一条曲线,填上蓝色”。所以它放大多少倍都清晰,小到 App 图标、大到户外海报都能用同一个文件;在设计软件里还能单独改某根线条的颜色和粗细,不用整张重画。网站上的图标、Logo,大多就是 SVG。 OpenAI 在公告里说,导出 SVG 让设计“可以直接用在网站、App 和印刷品上”。这一项写在给开发者的新功能里,公告没说 ChatGPT 里能不能直接导出 SVG。 【GIF 动图】 GIF 是一种会循环播放的短动图,社交媒体上的表情包大多是这种格式。用户可以用一句话描述,或上传一张照片、一张手绘草图,让模型做成动图。 OpenAI 举的例子有:让品牌吉祥物动起来,把商品图做成循环小动画,拍视频前先用动图试一试角色动作。 合作方 OpenArt 公开的示例提示词是这样做的:先让模型在一张图里按 3 列 2 行画出 6 帧连续画面,再按顺序播放成动图。 这种把多帧画面拼在一张图里的做法叫“精灵图”,游戏动画常用。据 Decrypt 转述 The Verge 的报道,ChatGPT 的 GIF 功能是分批开放的,做好后可以调播放速度、逐帧查看和修改。 【两个 API 版本】 API 里有两个版本可选: 1. Flare 偏速度。画质设为低时,最快约 6 秒出一张图。海报、商品图这类需要排版的图,效果也有改进。 2. Sunburst 偏画质。画质设为中或高时细节更多,连续改好几轮,人物和商品的样子也更不容易走样。 这些速度和画质的说法都来自 OpenAI,目前还没有第三方测试结果。 【给开发者的其他新功能】 除了导出 SVG,还有两项: 1. 图片标注:ChatGPT 里已有的功能加进了 API。在图上圈出要改的位置,模型只改那一块。 2. 复杂度参数:控制模型动笔前花多少功夫安排画面。画质参数管细节清不清楚,复杂度管画面里能安排多少东西。OpenAI 建议简单修改用低复杂度,元素多、要求多的画面用中或高。 设计工具 Figma Weave、图片编辑应用 Picsart 等已经提前接入。 【价格】 ChatGPT 和 Codex 的所有订阅档位都能用 Images 2.6,公告没提要额外付费。 OpenAI 定价页显示,2.6 的 Flare 和 Sunburst 两款同价:生成图片每 100 万 token 30 美元,输入参考图每 100 万 token 8 美元,输入文字每 100 万 token 5 美元。这和上一代 2.5 的价格一样。 Flare 速度更快,但按 token 算的单价和 Sunburst 相同。定价页的批量处理价目表(不急着要结果的任务,价格减半)里暂时没有 2.6。 谷歌 10 月推出的同类模型 Nano Banana 2.1,生成图片也是每 100 万 token 30 美元,按谷歌定价页的换算,一张 1K 分辨率的图约 0.034 美元。 原文链接: 来源链接: OpenAI API 定价页 谷歌 Gemini API 定价页 Decrypt 报道

宝玉

66,161 views • 12 days ago

我给自己的开源手绘视频 Skill,做了一支 Vox 风格的剪纸拼贴宣传片。👇 这次用的是 Pexo Pexo,一款对话式 AI 视频创作工具,面向有内容表达、产品推广需求的创作者、独立开发者和产品团队。 你可以直接告诉它想做什么,提供项目资料和参考风格。它会帮你整理故事线、做分镜,再完成画面、配音和成片制作。后续哪里需要调整,也可以留在同一个项目里接着聊、接着改。 实际用下来,上手确实比较简单。我不需要自己研究该选哪个模型、怎么搭工作流,更多是在看分镜、判断效果,把想法和修改要求说清楚。 我这次的需求很具体:给自己的 story-to-handdrawn-video 做一支宣传片,把这个手绘视频 Skill 的用途和效果讲清楚。视觉上,想要 Vox 那种纸张纹理、拼贴画面和动态排版。 实际做下来,大概是这样的过程: 先把 GitHub 项目地址和创作需求发过去,让它整理故事线;再补充这个 Skill 实际做出来的视频、参考风格图,一起看分镜。 看到有几张分镜和实际效果对不上,我就直接提: “第四、第五张分镜和真实画面有点差距。” 它重新对照我前面上传的效果视频,调整了分镜里对制作流程、黑白画稿和上色效果的呈现。改完还有不对的地方,我就继续指出来,再看下一版。 到了成片阶段,我又觉得声音和画面节奏还差点意思: “配音感觉差一点,动效感偏弱。” 后面它又换了配音,把两段偏弱的动效重新做了一遍,再给我看新的成片。前面发过的项目资料、效果视频和确认过的风格,都能接着用,不需要每次修改都从头解释。 如果想改的是画面里的某个具体位置,还可以用 Mark to Fix:圈出要改的地方,在右侧批注框里写清楚修改要求,再提交。 这次最有感触的,是第一条提示词之后的创作过程。 很多具体想法,都是看到分镜和画面之后才冒出来的。哪一段没讲清楚,哪张图偏离了实际效果,哪里还需要加强动效,都需要边看边判断。这些意见可以直接跟 Pexo 说,把具体的制作和调整交给它。 我负责判断内容、风格和节奏。几轮沟通下来,作品也逐渐贴近了我想表达的东西。 如果你也有自己的开源项目、独立产品或 SaaS,想给它做一支宣传片,可以看看下面这条 90 秒实操复盘。我把成片效果和中间来回修改的过程都放进去了。 体验:

知识猫AI实验室

106,412 views • 1 month ago

兄弟们,最近试了 Pexo 这款 AI 视频创作工具,可以通过对话,把产品介绍一步步做成视频。 我拿自己那个收录了 2 万多条提示词的网站,做了一条产品宣传片。 下面分享一下,我是怎么把网址和需求交给它,再边看边改,做到现在这版的。 做这种产品视频,最头疼的是素材准备好以后,还得想怎么组织画面、做转场、配音乐,再一点点调整节奏。 这次我把网址和想做产品宣传片的需求交给 Pexo Pexo ,让它先出方案。看完方案,再确认视觉风格、音频方向和创意脚本。 第一版出来以后,我又接着提了几轮修改,调整画面展示、转场和文字。 整个过程都在同一个对话里推进,看一版效果,再告诉它哪里需要改,最后才有了现在这版,我挺满意的。 它不是那种一句话直接生成的魔法,现在这种边看边聊、边聊边改的方式,确实比我在剪辑软件里调轻松不少。 当然,也内置了很多模版,如果跟需求匹配的话,使用模版一键成片那就很方便了。 另外一个很棒的事:这次用到了 Motion 动效,我觉得挺适合做产品宣传。图片可以放大,让人看清产品细节,讲到哪个卖点,对应的文字就跟着出现。手头的图片和产品介绍,就这样变成了一条视频,让观众跟着看懂产品能做什么。 现在的AI做视频,有点东西了。 评论区有福利哦!

松果先森

130,412 views • 1 month ago

我把 AI 解说视频,彻底做成了一条“无人流水线” 丢进去文案和声音,后面的配音、分镜、画面、字幕、合成基本全自动 开源 4 天,350+ Stars,1000+ 人收藏。今天一次性把 cs-board 的全部功能讲透 并且新增加了自媒体封面修改功能,内置十种风格(还可以diy)还有市面上所有封面的尺寸(图二)👇 cs-board已经从一个 AI 白板视频工具,越改越像一个真正的 AI 内容生产工作台 以前用 AI 做一条内容,流程基本是这样的: 写文案 → 找模型改稿 → 克隆声音 → 拆分镜 → 生图 → 调风格 → 做动画 → 加字幕 → 做封面 → 导出 问题不是 AI 不够强 而是: 每一步都很强,但每一步都是孤岛 你要不断复制粘贴、切工具、重新上传素材、重新解释人物是谁、重新告诉模型你要什么风格 最后不是 AI 在替你工作,而是你成了 AI 工具之间的“人肉 API” 所以 cs-board 现在做的事情,本质上不是继续堆 AI 功能 而是把这些步骤做成一个有状态的内容生产工作台 1️⃣ 为什么我没有直接做“一键生成视频” 因为真正影响内容质量的,从来不是“一键” 而是中间状态能不能被控制和复用 比如现在 cs-board 生成一条视频,中间会留下: 配音 → 分镜 → 图片 → 分段视频 → 最终成片 这些都不是一次性的临时结果,而是检查点 假设你已经生成完所有图片,只是觉得字幕位置不对 正常 AI 工作流可能又得重新跑一遍 cs-board 不需要 直接从后面的渲染阶段继续 前面花过的钱和时间不重新花 我越来越觉得,AI 工具真正应该优化的,不是“第一次能不能生成”,而是: 第 17 次修改的时候,你还需不需要从头来一遍 2️⃣ 动态信息图为什么不是“让 AI 生成一张 PPT” 这个功能我改得比较久 因为我发现很多所谓 AI 视频,本质都有一个问题: 画面和人声是脱节的 旁白还没讲到第三点,画面已经把五点全部展示出来了 观众其实根本不会跟着你的表达走 所以 cs-board 的动态信息图不是: 文案 → HTML → 视频 而是先把真实旁白做成一个语义时间轴 一句话什么时候开始说、哪个关键词什么时候出现、哪个知识卡片什么时候展开,都跟实际音频绑定 所以画面不是按照“程序跑到第几秒”出现 而是: 你讲到哪,它才出现到哪 这其实是我现在做 cs-board 比较核心的一个思路: AI 负责理解内容,程序负责保证确定性 能交给代码控制的东西,我越来越不想交给模型猜 3️⃣ 为什么人物和画风要单独抽出来 以前最大的问题之一就是一致性。 第一张图是这个人。 第二张开始脸就变了。 第三张甚至连画风都换了。 所以现在自定义模式里,我把两件东西单独抽出来: 人物参考 + 风格参考。 可以放固定 IP,也可以放自己的品牌视觉。 人物最多可以提供多张参考图,风格也作为独立条件贯穿整个任务。 这意味着 cs-board 不只是帮你“生成一条视频”。 更重要的是: 它开始能够持续生产属于同一个 IP 的内容 对于真正做账号的人,这个区别非常大 4️⃣ 最近我又把封面也塞进去了 因为做完视频以后,我发现自己还得打开另一个工具做封面。 那干脆继续 Coding 现在封面制作直接放进工作台 粘贴文章 / 帖子内容以后: 自动理解内容 → 提炼标题 → 选择构图 → 生成人物与视觉 → 输出封面。 我没有只给一个“生成封面”按钮 而是先做了 10 种专业封面构图 因为封面的核心根本不只是图片好不好看 而是: 标题放哪、人物放哪、视觉重心在哪、第一眼先看到什么 构图是确定性的,审美才交给模型 这和前面动态信息图其实是同一套逻辑 5️⃣ 现在这个工作台正在慢慢变成什么 目前已经逐渐放进来了: 白板视频 / 自定义人物与画风 / 动态信息图 / 文案改写 / 对口型视频 / AI 封面制作 视觉模板现在也已经扩到了 12 套 音色克隆可以接本地 IndexTTS 任务、素材、配置、历史和成片默认都放本地 甚至同一个局域网里的电脑,可以共享制作队列 这也是我现在给 cs-board 定的方向: 不做一个 AI 视频生成器。 做一个可以不断往里面塞能力的 AI 内容生产工作台。 目前项目继续开源: 现在功能还远远没做完,下一步正在接入数字人工具 如图P3 但我觉得这条路,比继续做一堆“一键生成 XX”的小工具有意思多

陈硕KAI

32,326 views • 2 months ago

Phone Harness 最近挺火,它让我第一次很直观地看到,Claude Code 和 Codex 这种 Agent,已经可以通过 iPhone Mirroring 去操作真实 iPhone 里的 App。 但真放到自己的工作流里,我反而更喜欢 Airtap 这种思路。 不是把自己正在用的手机交给 Agent,而是直接发条 iMessage,让另一台云手机替我把活干了。比如做内容时经常会碰到一个很碎的小问题。文章已经写完了,临发布突然发现还缺一张配图。以前我得自己打开 Canva,找版式,改尺寸,换标题,调整字体和布局,最后再导出。每一步都不难,但就是需要人工来做耗时间。这次临发布缺图,我索性把设计要求直接发到了 Airtap Ai 的iMessage号码 +1 (650) 444-9517,让它去 Canva 里把图做出来。 我跟 AI 说的要求也很具体: 打开 Canva,帮我做一张横版配图,主题是 Claude Code vs Cursor vs Windsurf。做成简洁科技风,三栏布局,每个产品放 3 个特点,标题突出,文字不要太多。 接下来它自己在远程手机里打开 Canva,把版式、文字和布局一步步做出来。我觉得这里真正有意思的不是 AI 又会画图了。 而是原来只能停在建议层面的东西,现在可以继续往设计 App 里走。我只需要把主题、内容结构和想要的视觉方向说清楚,剩下那些选版式、排文字、调布局的机械操作,可以直接交给 Airtap。 以后做 AI 产品对比图、模型更新速览、工具推荐卡片、教程封面,其实都是类似的逻辑。内容每次都不一样,但没必要每次都从打开 Canva 开始重新点一遍。而且第一次做完不满意,也不用自己进去改。继续在 iMessage 里告诉它哪里要调整,它就回到 Canva 里接着改。 Phone Harness 更像是让 Agent 获得操作你 iPhone 的能力。 Airtap 对我更实用的一点是:我只负责把设计需求说清楚,真正进 Canva 执行的部分交给另一台云手机。

劳伦斯

120,499 views • 3 months ago

伙伴们,国庆假期玩的开森了嘛 就在刚刚,我刷到一个 6B 的国产开源模型,感觉它给图片精修提供了一个完全不同的思路。 它所在的 Ming-Image-0.1-Design 系列,一出来就在 AA 的 UI/UX Design 开源评测里冲到了第一梯队。 但真正让我感兴趣的,不是它直接生成图片。而是:它能拆图。 从之前的香蕉,到现在的 GPT Image 2.0、2.5,我自己用下来最头疼的一件事一直都是:局部编辑。 比如一张封面图,我明明只想改一个标题、一个人物或者一个按钮,结果模型经常把周围的东西也一起改了。 有时候来回对话好几个回合,都不一定能改到我想要的位置。 🔥 但 Ming-Image-0.1-Design-Layer 换了一个思路。 它可以把一张已经做好的设计稿,直接拆成多个独立的 RGBA 图层(带透明背景的独立图层图片): 背景是背景, 文字是文字, 人物是人物, Logo、装饰、组件也可以分别拆出来。 然后事情就开始有意思了。 以前是:整张图丢给 GPT Image → 告诉它“只改这里” → 祈祷它别动其他地方。 现在可以变成:先拆图层 → 找到目标图层 → 单独拿出来找GPT Image 精修 → 再合回去。 真正意义上的定点爆破。 如果这一层里面东西还是太多? 那就继续拆。 二次拆分,再爆破一次。 所以我这两天发现,它和 GPT Image 2.5 搭配起来特别好使: Ming 负责拆分, GPT Image 负责定点修改。 以前很难控制的局部编辑,一下就变成了一个非常清晰的工作流。 不过如果不想折腾本地部署也没关系,OpenRouter 已经可以直接调它的 API,本地写个小工具接进去就能用了,如果自己有机器我下面也会说。 下面先看视频。 我自己已经搞了一个小工具,把: 图片分层 → 单层提取 → 局部编辑 → 重新组合 如果不满意还能继续向下二次拆分图层 这套流程串起来了。 这次主要给大家看看,我是怎么拿它来做图片精修的👇 想要本地部署或者API调用的继续往下看

AI少年

128,968 views • 1 month ago

我拿 OpenAI Codex 桌面端截了一张图,丢给蚂蚁百灵刚开源的 Ling-3.0-flash-VL。 没拆布局,没写组件清单。 提示词就这一段: 「这是 Codex 桌面端截图。请高度还原成可运行的单文件 HTML。对齐窗口结构、侧边栏、主对话区、输入框、配色、字号、间距和圆角。能看清的文字按原样还原。先渲染一版,再和原图逐项对比,哪里不像改哪里。」 会看图写代码的模型不少。 会盯着 Codex 这种桌面客户端界面,对着自己的渲染结果改到像的,不多。 Ling-3.0-flash-VL 是百灵系列第一个原生多模态模型,在 Ling-3.0-flash 上加了视觉理解和视觉 Agent。 总参数 124B,激活大约 5.5B,支持图、文、视频,上下文 256K。 它不是看完图一次性交卷,而是走「观察 → 行动 → 验证 → 修正」: 截图还原界面,对照渲染结果自己改 当 GUI Agent,点、输、滚、切应用 看视频提问、检索片段 读文档、看医疗报告、做 STEM 视觉推理 前端这块,Image-to-WebDev Arena 成绩高于 GPT-5.4。 纯文本版 AA Index 是 38,加上视觉后到了 42。 你也试一下,3 步就够: 打开 Ling Studio,选 Ling-3.0-flash-VL(免费) 丢一张 Codex / VS Code / 你常用软件的桌面截图 把下面提示词贴进去,看它怎么还原、怎么改 还原提示词(可直接复制): 这是一张 Codex 桌面端界面截图。请把它高度还原成可直接运行的单文件 HTML。 按桌面应用还原,不要做成网页落地页,也不要做成 ChatGPT 网页版或 VS Code 对齐标题栏、侧边栏会话列表、主对话区、工具调用/代码块、底部输入框 配色、字号、间距、圆角、分割线、栏宽尽量贴近原图 原图能看清的文字按原样还原;看不清的用同等长度占位 先出第一版并渲染,再和原图对比对齐、颜色、组件位置 列出差异后改第二版,直到气质接近 Codex 桌面端 权重已开源,BF16 / FP8 都能下: Hugging Face: ModelScope: 官方介绍: Ant Ling 别只看评测表,丢一张你桌面上的截图,比什么都准。

程序员端哥

24,005 views • 2 months ago

黑场亮相、冷光勾边,这种科技发布会风格的产品大片,我居然也能自己做出来了! 你们是不是和我一样,有做产品视频的巨大需求,但是自己不会拍、不会剪,也没有办法花几万元找团队? 没想到,以前大几万做的产品视频,现在居然被我花几十元做出来了! 这次我用 Pexo Pexo 这个对话式视频 Agent,完整做了一条机器鸭宣传片。它是一款 AI 视频创作工具,想做什么、画面怎么改,直接跟它说就行。不用自己选模型,也不用再去折腾剪辑软件。 上传产品资料、动作视频和广告参考后,它会理解素材、规划分镜、生成参考图和视频。 让我很意外的是这个 Mark to Fix 功能,播放器上有一个「Mark what to fix」按钮。在成片画面上直接圈选或涂画要改的地方,再写一句要怎么改,Pexo 会结合圈的位置、当前画面和前面的对话来理解修改意图,只调整对应的那段内容,其余镜头照旧。 最让我想不到的是,它不会因为一处修改就把前面的成果全部推倒重来。已经确认的产品形象、光影和满意镜头,它会通过项目记忆继续保留。我只要在对话里说明保留什么、修改哪里,它就会沿着上一版继续制作,并把新镜头接成连续预览。 视频左边是真实制作过程,右边是对应的成片效果。从资料整理、开场显露、动作拆解,到夹取、轮滑和局部返工,每一步都能对上最终画面。 看完这条视频,你就知道怎样通过对话,一步一步做出完整的产品宣传片👇🏻

huangserva

54,827 views • 1 month ago

我们改自己的设计稿时,最烦的往往不是画不出来,是画完不能改。 字要换,人要挪,背景要换,进设计软件之前还得拆层。设计师拿到一张成图,光拆层经常就要 5 分钟以上。做小应用也一样:以前要等整个应用生成完,才看得到页面长什么样。 两边是同一个问题。AI 不该停在「能生成一张图」,还得让人提前看见、接着改、最后交得出去。 今天百灵开源了 Ming-Image-0.1-Design。两个模型,都是 6B。一个负责画,一个负责拆。 Design 负责画。你用大白话说要什么,它直接出 UI、信息图、海报和整页设计。标题、按钮、卡片、配色、布局一次画完,不用背景、插画、装饰各出一张再硬拼。人物、商品、图标也可以直接出透明底。 Layer 负责拆。它不是普通抠图。一张设计图会被拆成 2 到 9 层可以单独改的透明图层:文字、主体、背景、装饰分开。被挡住的地方会补上,叠回去要尽量还是原来那张图。 这两个已经接到真实流程里了。 灵光闪应用里,设计预览被提前到一开始。先看到布局和风格,再写代码,最后的页面尽量跟预览一致。这块还在内测,很快会开放。 画眉是蚂蚁内部的设计工具。第一次拿到可编辑图层,从 5 分钟以上降到大约 40 秒。如果只是改几个字,以前用 GPT-image2,成本大概是现在的 7 倍。改完可以继续动图层,也能导出 PSD。 另外开源了两个 Skill,把图继续交到网页和 PPT 里。 Design Skill:说一句话,大约 15 秒先看到整页方案。方向对了,再拆素材、写代码。也可以丢进一张设计稿,生成能跑的前端页面,再用截图跟原图对一下。以前往往要等 5 分钟,才第一次看到页面。 PPT Skill:一张设计图转成 PPT 里能改的文字、色块和图。图标和插画从原图里提出来用,不用重新画。文案、字体、配色、布局都能继续改。 现在可以试: OpenRouter 两个模型有两周免费 API Hugging Face 魔搭 Design Skill PPT Skill

程序员端哥

13,338 views • 1 month ago