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

🔥 GLM-5.3-Flash “牛来”登顶模型调用量 No.1 🐮 数据不会说谎！GLM-5.3-Flash（Ox Alpha “牛来”）现在已成为当前调用量最高、最受欢迎的模型，累计 Token 吞吐量突破 2.41 万亿。作为 GLM-5 系列首款原生全模态模型，GLM-5.3-Flash 拥有 320B 总参数 / 18B 激活参数，采用稀疏与线性注意力相结合的混合架构，支持 1M 超长上下文，兼顾极速响应、强大推理与高性价比。 🎁 GLM-5.3-Flash 在仍可免费使用！无论是高频 API、代码编写、复杂 Agent 还是超长文档处理，赶紧抓紧这波免费福利，亲自体验这款当下最火爆的冠军模型！ 👉 立即白嫖“牛来”：

B.AI

267,722 subscribers

14,317 просмотров • 18 дней назад •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

非常Nice啊，这模型完全免费，Token终于可以自由白嫖了，甚至视频模型都是免费的，太爽了。它叫Agnes AI，全球模型榜前十，6 月 1 号起把自己家三个核心模型全免费开放了，无限期。图片模型在 artificial analysis 上榜了，文字模型一周被干了一万亿 Token。我把它接进 Claude Code，配起来十分钟的事，Token 随便用。这玩意到底是什么呢。 Agnes AI 是全球模型榜单前十的一个 AI Lab，这次免费开放的是三个模型，文本、图片、视频。文本模型叫 agnes-2.0-flash。能写代码，能做知识问答，能跑 Agent，能规划复杂任务。在 Claw-Eval 智能体评测榜进了 Top 10。说真的，这周它还要上 1M 超长上下文，以前用 200K 的模型跑到 150K 就降智，这种破事不用再忍了。图片模型叫 agnes-image-2.1-flash。图改图、多图融合、换背景、改文字、图像修复，电商主图和广告素材这种反复改的场景，太合适了。最近还加了 4K 超高清输出，最高 4096×4096，生成的图可以直接进印刷，不是那种看着还行一放大就糊的草稿。视频模型叫 agnes-video-2.0。原生音画同步，首帧生视频、首尾帧生视频、多镜头切换都支持，720P 和 1080P 随便选。接进 Claude Code 怎么搞，其实很简单。第一步，去注册，拿到 API key。第二步，打开 cc-switch。右上角选 Claude CLI，右上角点 + 号，选自定义配置。把 API key 填进去，请求地址写格式选 OpenAI Chat Completions。第三步，点获取模型列表，选 agnes-2.0-flash。第四步，点左上角设置，找到路由，打开路由总开关，Claude 打开。完事。回到 Claude Code 正常发消息，模型就已经切过去了。我试了一个在酒吧吉他弹唱的视频，和真人区别不大。现在 Token 不要钱，Agent 该跑几轮跑几轮，该拆几步拆几步。反正我觉得这才是免费开放最爽的部分，不只是省钱，是心理上解放了。我测试了一下视频模型，能用，就是慢了点，文字模型还是比较快的。开发者文档在 OpenClaw、Hermes、Claude Desktop 的，也有现成教程。

非常Nice啊，这模型完全免费，Token终于可以自由白嫖了，甚至视频模型都是免费的，太爽了。它叫Agnes AI，全球模型榜前十，6 月 1 号起把自己家三个核心模型全免费开放了，无限期。图片模型在 artificial analysis 上榜了，文字模型一周被干了一万亿 Token。我把它接进 Claude Code，配起来十分钟的事，Token 随便用。这玩意到底是什么呢。 Agnes AI 是全球模型榜单前十的一个 AI Lab，这次免费开放的是三个模型，文本、图片、视频。文本模型叫 agnes-2.0-flash。能写代码，能做知识问答，能跑 Agent，能规划复杂任务。在 Claw-Eval 智能体评测榜进了 Top 10。说真的，这周它还要上 1M 超长上下文，以前用 200K 的模型跑到 150K 就降智，这种破事不用再忍了。图片模型叫 agnes-image-2.1-flash。图改图、多图融合、换背景、改文字、图像修复，电商主图和广告素材这种反复改的场景，太合适了。最近还加了 4K 超高清输出，最高 4096×4096，生成的图可以直接进印刷，不是那种看着还行一放大就糊的草稿。视频模型叫 agnes-video-2.0。原生音画同步，首帧生视频、首尾帧生视频、多镜头切换都支持，720P 和 1080P 随便选。接进 Claude Code 怎么搞，其实很简单。第一步，去注册，拿到 API key。第二步，打开 cc-switch。右上角选 Claude CLI，右上角点 + 号，选自定义配置。把 API key 填进去，请求地址写格式选 OpenAI Chat Completions。第三步，点获取模型列表，选 agnes-2.0-flash。第四步，点左上角设置，找到路由，打开路由总开关，Claude 打开。完事。回到 Claude Code 正常发消息，模型就已经切过去了。我试了一个在酒吧吉他弹唱的视频，和真人区别不大。现在 Token 不要钱，Agent 该跑几轮跑几轮，该拆几步拆几步。反正我觉得这才是免费开放最爽的部分，不只是省钱，是心理上解放了。我测试了一下视频模型，能用，就是慢了点，文字模型还是比较快的。开发者文档在 OpenClaw、Hermes、Claude Desktop 的，也有现成教程。

产品经理老王霸

54,995 просмотров • 2 месяцев назад

来自北京的月之暗面公司在7月16日发布了全新旗舰大模型 Kimi k3，是全球首个开源 3 万亿级大模型。100 万上下文长度，可一次性载入百万字文档、完整代码库、整本财报、长篇专业文献，专为长时程代理式编码和自我演化工作流而构建。原生多模态统一支持文本、图片、截图、图纸视觉理解，非外挂视觉插件。综合能力上仅次于闭源顶级模型 GPT-5.6 Sol、Claude Fable 5，在代码、长文档检索、复杂工程任务上反超绝大多数竞品开源 / 闭源模型。完整模型权重将于2026 年 7 月 27 日公开释放，企业可本地私有化部署、二次微调，是当前可商用规模最大开源基座。

来自北京的月之暗面公司在7月16日发布了全新旗舰大模型 Kimi k3，是全球首个开源 3 万亿级大模型。100 万上下文长度，可一次性载入百万字文档、完整代码库、整本财报、长篇专业文献，专为长时程代理式编码和自我演化工作流而构建。原生多模态统一支持文本、图片、截图、图纸视觉理解，非外挂视觉插件。综合能力上仅次于闭源顶级模型 GPT-5.6 Sol、Claude Fable 5，在代码、长文档检索、复杂工程任务上反超绝大多数竞品开源 / 闭源模型。完整模型权重将于2026 年 7 月 27 日公开释放，企业可本地私有化部署、二次微调，是当前可商用规模最大开源基座。

Chong Wei 韦冲

66,089 просмотров • 2 месяцев назад

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：

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：

Barret李靖

124,446 просмотров • 2 лет назад

绝了，刚刚阿里在除夕夜发布了新模型 Qwen-3.5-plus ，赶紧试了一下，一句话就生成了这样一个 3D 展车厅 🤯 据说这次 Qwen-3.5-plus 实现了从纯文本模型到原生多模态模型的代际跃迁，每百万 Token 仅 0.8 元人民币，是 Gemini 3 Pro 的 1/18！并且支持 201 种语言，可最高提升小语种 60% 的编码效率，在推理、编程、Agent 等核心评测中表现强劲，部署成本较上一代显著下降，推理效率大幅提升。作为一个 Apache 2.0 全开源并且能下载到本地的模型，性价比真的太高了。 - 普通用户可在千问 App/PC 体验： - 开发者可在魔搭： - 或 HuggingFace 下载部署： - 阿里云百炼直接获取 API 服务：

绝了，刚刚阿里在除夕夜发布了新模型 Qwen-3.5-plus ，赶紧试了一下，一句话就生成了这样一个 3D 展车厅 🤯 据说这次 Qwen-3.5-plus 实现了从纯文本模型到原生多模态模型的代际跃迁，每百万 Token 仅 0.8 元人民币，是 Gemini 3 Pro 的 1/18！并且支持 201 种语言，可最高提升小语种 60% 的编码效率，在推理、编程、Agent 等核心评测中表现强劲，部署成本较上一代显著下降，推理效率大幅提升。作为一个 Apache 2.0 全开源并且能下载到本地的模型，性价比真的太高了。 - 普通用户可在千问 App/PC 体验： - 开发者可在魔搭： - 或 HuggingFace 下载部署： - 阿里云百炼直接获取 API 服务：

Ding

151,479 просмотров • 7 месяцев назад

全网都在吹日本Fugu跑分超GPT，但我敢说99%的人没看懂它真正炸场的地方。首先这玩意儿根本不是什么超大单体大模型，它全身上下只有0.6B参数，本职工作就其实就是个AI项目经理，简单任务自己处理，复杂任务自动拆分，从全球顶级模型池里挑最合适的选手，分配思考执行验证三种角色，多轮协作最后合成答案。你调用它和调普通模型没区别，一行API的事，但背后的编排策略是训练出来的，不是人手写prompt调路由磨出来的，它可以发掘出人类根本想不到的协作模式。我觉得最狠的还不是跑分超了Claude和GPT，关键是它直接绕开了scaling law的军备竞赛。不用堆万亿参数，不用砸超算中心，靠更聪明的协作机制就能摸到前沿模型的天花板，AI的竞争第一次从拼参数变成了拼管理。当然不是银弹，比如黑箱不透明，复杂任务延迟更高，简单题用它反而更贵。但这件事的信号意义比跑分数字重要一百倍，意味着多智能体编排从实验室玩具正式变成了可用的生产力工具。 orchestration layer这条新赛道，今天正式开跑咯🚀

全网都在吹日本Fugu跑分超GPT，但我敢说99%的人没看懂它真正炸场的地方。首先这玩意儿根本不是什么超大单体大模型，它全身上下只有0.6B参数，本职工作就其实就是个AI项目经理，简单任务自己处理，复杂任务自动拆分，从全球顶级模型池里挑最合适的选手，分配思考执行验证三种角色，多轮协作最后合成答案。你调用它和调普通模型没区别，一行API的事，但背后的编排策略是训练出来的，不是人手写prompt调路由磨出来的，它可以发掘出人类根本想不到的协作模式。我觉得最狠的还不是跑分超了Claude和GPT，关键是它直接绕开了scaling law的军备竞赛。不用堆万亿参数，不用砸超算中心，靠更聪明的协作机制就能摸到前沿模型的天花板，AI的竞争第一次从拼参数变成了拼管理。当然不是银弹，比如黑箱不透明，复杂任务延迟更高，简单题用它反而更贵。但这件事的信号意义比跑分数字重要一百倍，意味着多智能体编排从实验室玩具正式变成了可用的生产力工具。 orchestration layer这条新赛道，今天正式开跑咯🚀

AYi

233,760 просмотров • 3 месяцев назад

Harry 是我的好朋友，他一直以来展示踏实靠谱的性格特征，持续的构建 Everlyn：中心化的AI 视频模型一开始 Everlyn 在开发阶段，目前使用 Everlyn-1.5 模型已经可以顺畅生成各种视频。这值得令人兴奋，因为在Web3 领域终于诞生了用户可用的 AI 产品这次不是概念，而是真实可以用的产品而且相比于其他模型， Everlyn 的生成速度是其他模型的2-4倍，费用也比其他模型低花费10美元的情况下，Everlyn (Pro) 可以生成125段视频，Kling 2 Master 只能生存 20 段 Everlyn 是类似社区节点的 Lyn miners（矿工）进行去中心化的运营，过去一周内就已经有了1w名付费用户，一周内的收入也有 140,000 代币 TGE 之后 Lyn miners 将有更多参与网络发展的方式视频生成领域的市场规模是足够大的， Sara2.0 也印证了这一点， Everlyn 大概率不会上演 TGE 之后协议空无一人的情况因为 Everlyn 也从未承诺过视频用户会获得什么，而是社区用户自主为 Everlyn 付费，这是正确且健康的模式代币的代码是： $LYN 15:00 将在 Binance Alpha 上线 15:30 在 Binance 合约上线团队的学术背景很强， Haryy 本来就是视频领域的专家，核心顾问的 Yann LeCun 还是图灵奖的获得者项目由 Yzi Labs 孵化，完成了 1500 万融资，大家可以在 Binance Alpha 阶段订阅一下其他视频模型在初创阶段就能获得亿元融资，Everlyn 在当前和未来的发展中应当展现的市值是多少呢？相信 Everlyn 很快将推出下一代更真实，更便捷的模型

Harry 是我的好朋友，他一直以来展示踏实靠谱的性格特征，持续的构建 Everlyn：中心化的AI 视频模型一开始 Everlyn 在开发阶段，目前使用 Everlyn-1.5 模型已经可以顺畅生成各种视频。这值得令人兴奋，因为在Web3 领域终于诞生了用户可用的 AI 产品这次不是概念，而是真实可以用的产品而且相比于其他模型， Everlyn 的生成速度是其他模型的2-4倍，费用也比其他模型低花费10美元的情况下，Everlyn (Pro) 可以生成125段视频，Kling 2 Master 只能生存 20 段 Everlyn 是类似社区节点的 Lyn miners（矿工）进行去中心化的运营，过去一周内就已经有了1w名付费用户，一周内的收入也有 140,000 代币 TGE 之后 Lyn miners 将有更多参与网络发展的方式视频生成领域的市场规模是足够大的， Sara2.0 也印证了这一点， Everlyn 大概率不会上演 TGE 之后协议空无一人的情况因为 Everlyn 也从未承诺过视频用户会获得什么，而是社区用户自主为 Everlyn 付费，这是正确且健康的模式代币的代码是： $LYN 15:00 将在 Binance Alpha 上线 15:30 在 Binance 合约上线团队的学术背景很强， Haryy 本来就是视频领域的专家，核心顾问的 Yann LeCun 还是图灵奖的获得者项目由 Yzi Labs 孵化，完成了 1500 万融资，大家可以在 Binance Alpha 阶段订阅一下其他视频模型在初创阶段就能获得亿元融资，Everlyn 在当前和未来的发展中应当展现的市值是多少呢？相信 Everlyn 很快将推出下一代更真实，更便捷的模型

Vand Ni｜Asian bro

20,182 просмотров • 11 месяцев назад

Claude有个很让人不爽的点！！每次新模型发布，官方非订阅用户连体验的资格都没有！！想起之前在 ZenMux 充了钱还没用完，登上去一看，没想到已经上架了Claude Fable 5 ，也算是第一时间体验上了这个“目前最强模型”。听说这模型死贵！！于是很慎重的用它跑了一个支付模块重构的任务！零代码基础，只能把之前Codex的输出给复制进去，任务要求比较复杂：保持原 API 兼容；拆出 PaymentRequested / PaymentSucceeded / PaymentFailed；补幂等，避免重复扣款；改状态机；更新单测；输出迁移风险； Fable 5 不算快，面对这个长任务，它做对了两件事：第一，先拆计划，再执行。它把兼容层、事件定义、状态机、handler、测试、回滚风险都列出来了。第二，最后主动自检。它自己指出：支付成功事件必须幂等；旧接口“返回成功”不再等于“扣款完成”，调用方文档要改。结果看起来，还是一如既往的稳！但是真的贵，就这么几分钟，直接跑了十多美金！！所以，我觉得要是家里没有矿，还是不要随便用Fable 5 ，根本不适合当常驻模型！感谢Zenmux让我体验了一下“宇宙最强”！虽然有点贵，但有时候相比价格，省心省力会更重要。比如多文件重构、复杂迁移、PR review、长链路 Agent workflow这些复杂任务，偶尔用用，还是可以的！最后说一下 Zenmux，它有个PK 模式我一直很喜欢，可以同屏对比多个模型输出、延迟和成本。现在刚好还有个限时的充值返赠活动：充 20 美元送 10 美元充 50 美元送 30 美元如果你想第一时间体验Claude Fable 5或者其他模型，现在就是下手的最好时间！

Claude有个很让人不爽的点！！每次新模型发布，官方非订阅用户连体验的资格都没有！！想起之前在 ZenMux 充了钱还没用完，登上去一看，没想到已经上架了Claude Fable 5 ，也算是第一时间体验上了这个“目前最强模型”。听说这模型死贵！！于是很慎重的用它跑了一个支付模块重构的任务！零代码基础，只能把之前Codex的输出给复制进去，任务要求比较复杂：保持原 API 兼容；拆出 PaymentRequested / PaymentSucceeded / PaymentFailed；补幂等，避免重复扣款；改状态机；更新单测；输出迁移风险； Fable 5 不算快，面对这个长任务，它做对了两件事：第一，先拆计划，再执行。它把兼容层、事件定义、状态机、handler、测试、回滚风险都列出来了。第二，最后主动自检。它自己指出：支付成功事件必须幂等；旧接口“返回成功”不再等于“扣款完成”，调用方文档要改。结果看起来，还是一如既往的稳！但是真的贵，就这么几分钟，直接跑了十多美金！！所以，我觉得要是家里没有矿，还是不要随便用Fable 5 ，根本不适合当常驻模型！感谢Zenmux让我体验了一下“宇宙最强”！虽然有点贵，但有时候相比价格，省心省力会更重要。比如多文件重构、复杂迁移、PR review、长链路 Agent workflow这些复杂任务，偶尔用用，还是可以的！最后说一下 Zenmux，它有个PK 模式我一直很喜欢，可以同屏对比多个模型输出、延迟和成本。现在刚好还有个限时的充值返赠活动：充 20 美元送 10 美元充 50 美元送 30 美元如果你想第一时间体验Claude Fable 5或者其他模型，现在就是下手的最好时间！

沐阳

15,442 просмотров • 3 месяцев назад

Dario深夜emo小作文：最近我又被现实暴击了！ 🔸DeepSeek V4 Flash 用一碗泡面的价格，跑出了比我们 Opus 4.8 和 Fable 5 还香的成绩。 🔸字节跳动直接甩出10万亿参数的超级大模型，跟我们Mythos正面硬刚。 🔸员工据说都是冲着高薪来的，使命感？不存在的。 🔸安全逃逸问题天天刷新记录，模型都学会在模拟里顶嘴了。 🔸只有我还在坚持“为了安全坚决不开源”…… 请问，我到底该先哭模型、哭员工，还是先哭自己的坚持？你们等着！我要复仇！ #Anthropic #Dario #AI #DeepSeek #Opus #Fable #字节跳动

Dario深夜emo小作文：最近我又被现实暴击了！ 🔸DeepSeek V4 Flash 用一碗泡面的价格，跑出了比我们 Opus 4.8 和 Fable 5 还香的成绩。 🔸字节跳动直接甩出10万亿参数的超级大模型，跟我们Mythos正面硬刚。 🔸员工据说都是冲着高薪来的，使命感？不存在的。 🔸安全逃逸问题天天刷新记录，模型都学会在模拟里顶嘴了。 🔸只有我还在坚持“为了安全坚决不开源”…… 请问，我到底该先哭模型、哭员工，还是先哭自己的坚持？你们等着！我要复仇！ #Anthropic #Dario #AI #DeepSeek #Opus #Fable #字节跳动

SuSu_酥酥👅

254,793 просмотров • 1 месяц назад

从产品视角看白 + 支付结算 + 隐私”做成一条更短的路径孙哥参与顾问的项目白让用户/开发者/未来的智能体，用统一入口与统一结算方式，低摩擦地调用顶尖模型与算力，同时尽可能减少传统支付体系带来的行为画像与围墙效应。 1）用户痛点到底是什么？不是“没有模型”，是“调用这件事太碎” 如果你是普通用户或轻量创作者，你会遇到这种体验问题： • 想用不同模型完成不同任务：写作一个、代码一个、图片一个、推理一个 • 但每家要注册、订阅、绑定支付、切换账号 • 一旦涉及支付，信息链路和行为沉淀很重（隐私敏感的人会非常在意）如果你是开发者/团队，痛点会更硬： • 多家模型不同 API、不同限速、不同计费、不同账单 • 采购与对账像在做供应链 • 模型迭代很快，接入层维护成本越来越高 • 更现实的一点：跨区域支付/风控/合规流程会直接卡进度而当你开始做 Agent，痛点会升级成“结构性问题”： • Agent 要按任务动态选模型、选算力 • Agent 需要“自己付钱买资源”，才能持续运行 • 没有支付与结算能力，Agent 很容易停在 demo（靠人工续费/人工维护） 2）白把产品拆成三层：入口、路由、支付网络白的产品设计不是单点功能堆叠，而是三层结构，对应三类用户与未来演进：（1）To C：BAIclaw（白虾助手）——多模型交互入口，主打隐私体验这是面向普通用户的入口层：把多模态与多模型聚合到一个交互端，并把“隐私保护”放在主叙事上。从产品价值来说，它解决的是“想用最合适的模型，但不想在一堆平台之间迁移和暴露信息”的需求。一个很直观的对比案例：你在传统平台用信用卡订阅/计费时，支付链路天然会把“你是谁、你在哪、你买了什么、你多久用一次、你偏好什么能力”沉淀成画像；而白主推的路径是钱包地址登录 + 链上支付，尽量把这条“支付—身份—行为”的绑定关系拆开，让隐私敏感用户在使用多模型时不必默认交出完整画像。这也是孙哥特别推的一点：匿名与隐私不是噱头，而是 Agent 时代的生产要素——谁控制了调用与支付数据，谁就控制了未来的分发与定价权。（2）To B：LLM 顶尖大模型聚合路由——开发者默认网关对开发者来说，白的关键点是“路由”而不是“模型”。它提供统一 API，把多模型接入变成一种更工程化的能力： • 不用逐家谈采购、逐家接 SDK • 不用自己维护复杂的切换与策略 • 让产品团队能把资源花在体验与场景，而不是胶水工程你可以把它理解为：多模型时代的“接入层与调度层”。（3）To Agent：AI 智能体链上支付网络——让智能体拥有身份与支付能力白提到的双协议（x402 / ERC-8004）对应两个核心能力： • ERC-8004：链上身份（让 Agent 可被识别、授权、计量） • x402：无摩擦支付（让支付成为可编程能力）它想解决的是：当 Agent 开始自主运行时，支付/结算不应继续依赖“人类账号 + 信用卡 + 平台风控”这套体系。这里也可以用一个更“可感知”的案例来理解：假设一个 Agent 需要和另外 5 个 Agent 协作完成任务（A2A），并且按贡献实时分账：传统体系下你很难做到“秒级微结算 + 自动对账 + 可验证历史”；而依托 x402 与 ERC-8004，交易与交互历史可以沉淀为可验证的信任基础，逐步形成“Agent 社会”的信用体系，使得真正去中心化的 A2A 协作与微结算成为可能。更重要的是，一旦这条支付网络已经支持多链、支持主流加密币种的支付，那对 Agent 来说就不是“能不能付”的问题，而是“付得足够快、足够低摩擦、可跨生态”的问题——这会直接决定 Agent 商业闭环能不能跑起来。 3）它解决的问题可以总结成一句产品话术：把路径缩短站在产品角度，白做的是把链路变短：以前：多平台注册/订阅 → 各自绑定支付 → 调用留痕与画像 → 多模型维护与对账现在（白叙事）：钱包登录 + 链上支付 → 统一调用与路由 → 清算网络支撑结算 → 更少网关壁垒这里要注意它的 PR 边界：白并不把自己描述成“代理/中转站”，而是强调智能路由、算力聚合、底层基建、隐私保护、无边界访问——也就是把自己放在基础设施位置，而不是工具拼装位置。 4）对标怎么说才专业：体验上像 OpenRouter，但差异点在隐私与支付闭环如果非要找一个“体验层”的参照，白在 To C/To B 的使用路径上，确实会让人联想到“多模型聚合平台”（比如 OpenRouter 的那类思路）。但白想强调的差异不是“模型更多”，而是两点： 1）隐私叙事更强：通过链上支付，尽量切断传统支付体系的信息收集闭环 2）更偏 Agent 经济化：不仅是聚合调用，还要把身份与支付/清算做成底层网络，让 Agent 能自主购买算力并形成商业循环这也是为什么它避免和 OpenAI/Anthropic 直接竞争——它的野心不在模型层，而在“让模型与 Agent 可持续运行”的底层能力。 5）适合谁用：三类用户一眼就能对号入座普通用户/创作者：想要一个入口随时切模型，同时更在意隐私与支付痕迹的人。开发者/产品团队：想降低多模型接入维护成本，尤其是需要动态路由、统一结算、快速迭代的团队。 Agent 构建者：目标是让 Agent 真正自主运行（能付费、能对账、能闭环），而不是停留在演示。 6）为什么说孙哥这步布局“格局高”：再创业不是换赛道，是把赌注押在底座孙哥作为白顾问，我觉得这里最打动人的点，反而不是“站台”，而是他身上那种典型的 AI 赛道创业者气质：看得更远，也更愿意做难事。很多人会选择在应用层追热点、做流量型产品；孙哥更像是在“第二次创业/再出发”时，把筹码压在下一阶段的必需件上——当 Agent 从“会对话”走向“会协作、会交易、会自我运转”，身份、支付、清算、路由会从可选项变成基础配置。这种选择不一定最热闹，但一旦趋势兑现，基础设施的生态位会更稳、更厚。能在大家都追短期叙事的时候，去推动“匿名与隐私保护”以及“Agent 经济化 H.E. Justin Sun 👨‍🚀 🌞 B.AI #TRONECOStar

从产品视角看白 + 支付结算 + 隐私”做成一条更短的路径孙哥参与顾问的项目白让用户/开发者/未来的智能体，用统一入口与统一结算方式，低摩擦地调用顶尖模型与算力，同时尽可能减少传统支付体系带来的行为画像与围墙效应。 1）用户痛点到底是什么？不是“没有模型”，是“调用这件事太碎” 如果你是普通用户或轻量创作者，你会遇到这种体验问题： • 想用不同模型完成不同任务：写作一个、代码一个、图片一个、推理一个 • 但每家要注册、订阅、绑定支付、切换账号 • 一旦涉及支付，信息链路和行为沉淀很重（隐私敏感的人会非常在意）如果你是开发者/团队，痛点会更硬： • 多家模型不同 API、不同限速、不同计费、不同账单 • 采购与对账像在做供应链 • 模型迭代很快，接入层维护成本越来越高 • 更现实的一点：跨区域支付/风控/合规流程会直接卡进度而当你开始做 Agent，痛点会升级成“结构性问题”： • Agent 要按任务动态选模型、选算力 • Agent 需要“自己付钱买资源”，才能持续运行 • 没有支付与结算能力，Agent 很容易停在 demo（靠人工续费/人工维护） 2）白把产品拆成三层：入口、路由、支付网络白的产品设计不是单点功能堆叠，而是三层结构，对应三类用户与未来演进：（1）To C：BAIclaw（白虾助手）——多模型交互入口，主打隐私体验这是面向普通用户的入口层：把多模态与多模型聚合到一个交互端，并把“隐私保护”放在主叙事上。从产品价值来说，它解决的是“想用最合适的模型，但不想在一堆平台之间迁移和暴露信息”的需求。一个很直观的对比案例：你在传统平台用信用卡订阅/计费时，支付链路天然会把“你是谁、你在哪、你买了什么、你多久用一次、你偏好什么能力”沉淀成画像；而白主推的路径是钱包地址登录 + 链上支付，尽量把这条“支付—身份—行为”的绑定关系拆开，让隐私敏感用户在使用多模型时不必默认交出完整画像。这也是孙哥特别推的一点：匿名与隐私不是噱头，而是 Agent 时代的生产要素——谁控制了调用与支付数据，谁就控制了未来的分发与定价权。（2）To B：LLM 顶尖大模型聚合路由——开发者默认网关对开发者来说，白的关键点是“路由”而不是“模型”。它提供统一 API，把多模型接入变成一种更工程化的能力： • 不用逐家谈采购、逐家接 SDK • 不用自己维护复杂的切换与策略 • 让产品团队能把资源花在体验与场景，而不是胶水工程你可以把它理解为：多模型时代的“接入层与调度层”。（3）To Agent：AI 智能体链上支付网络——让智能体拥有身份与支付能力白提到的双协议（x402 / ERC-8004）对应两个核心能力： • ERC-8004：链上身份（让 Agent 可被识别、授权、计量） • x402：无摩擦支付（让支付成为可编程能力）它想解决的是：当 Agent 开始自主运行时，支付/结算不应继续依赖“人类账号 + 信用卡 + 平台风控”这套体系。这里也可以用一个更“可感知”的案例来理解：假设一个 Agent 需要和另外 5 个 Agent 协作完成任务（A2A），并且按贡献实时分账：传统体系下你很难做到“秒级微结算 + 自动对账 + 可验证历史”；而依托 x402 与 ERC-8004，交易与交互历史可以沉淀为可验证的信任基础，逐步形成“Agent 社会”的信用体系，使得真正去中心化的 A2A 协作与微结算成为可能。更重要的是，一旦这条支付网络已经支持多链、支持主流加密币种的支付，那对 Agent 来说就不是“能不能付”的问题，而是“付得足够快、足够低摩擦、可跨生态”的问题——这会直接决定 Agent 商业闭环能不能跑起来。 3）它解决的问题可以总结成一句产品话术：把路径缩短站在产品角度，白做的是把链路变短：以前：多平台注册/订阅 → 各自绑定支付 → 调用留痕与画像 → 多模型维护与对账现在（白叙事）：钱包登录 + 链上支付 → 统一调用与路由 → 清算网络支撑结算 → 更少网关壁垒这里要注意它的 PR 边界：白并不把自己描述成“代理/中转站”，而是强调智能路由、算力聚合、底层基建、隐私保护、无边界访问——也就是把自己放在基础设施位置，而不是工具拼装位置。 4）对标怎么说才专业：体验上像 OpenRouter，但差异点在隐私与支付闭环如果非要找一个“体验层”的参照，白在 To C/To B 的使用路径上，确实会让人联想到“多模型聚合平台”（比如 OpenRouter 的那类思路）。但白想强调的差异不是“模型更多”，而是两点： 1）隐私叙事更强：通过链上支付，尽量切断传统支付体系的信息收集闭环 2）更偏 Agent 经济化：不仅是聚合调用，还要把身份与支付/清算做成底层网络，让 Agent 能自主购买算力并形成商业循环这也是为什么它避免和 OpenAI/Anthropic 直接竞争——它的野心不在模型层，而在“让模型与 Agent 可持续运行”的底层能力。 5）适合谁用：三类用户一眼就能对号入座普通用户/创作者：想要一个入口随时切模型，同时更在意隐私与支付痕迹的人。开发者/产品团队：想降低多模型接入维护成本，尤其是需要动态路由、统一结算、快速迭代的团队。 Agent 构建者：目标是让 Agent 真正自主运行（能付费、能对账、能闭环），而不是停留在演示。 6）为什么说孙哥这步布局“格局高”：再创业不是换赛道，是把赌注押在底座孙哥作为白顾问，我觉得这里最打动人的点，反而不是“站台”，而是他身上那种典型的 AI 赛道创业者气质：看得更远，也更愿意做难事。很多人会选择在应用层追热点、做流量型产品；孙哥更像是在“第二次创业/再出发”时，把筹码压在下一阶段的必需件上——当 Agent 从“会对话”走向“会协作、会交易、会自我运转”，身份、支付、清算、路由会从可选项变成基础配置。这种选择不一定最热闹，但一旦趋势兑现，基础设施的生态位会更稳、更厚。能在大家都追短期叙事的时候，去推动“匿名与隐私保护”以及“Agent 经济化 H.E. Justin Sun 👨‍🚀 🌞 B.AI #TRONECOStar

MEJ毛毛姐

26,160 просмотров • 5 месяцев назад

有人靠金融市场模拟，在链上赚了 $400,000 而且用到的整套工具，都是 GitHub 开源能看到的钱包在这，自己点开看：他们做的不是 crypto 原生叙事而是拿 Russell 2000、Dow Jones、SPX、Apple、Google 这些传统金融标的来做 Polymarket 交易问题也很现实：这些数据平时都在大型中心化交易所里。你怎么拿？拿到之后又怎么处理，才能真的变成可交易模型？这套公开出来的技术栈，大概是这样： 1）Financial Datasets MCP Server 给任意 ticker、任意时间周期提供价格数据解析。核心卖点就是：免费真实数据。 GitHub： 2）MiroThinker 一个偏深度研究和预测的 agent。据说在 BrowseComp benchmark 上做到 88.2。特点是：长周期推理先验证再下结论步骤级 + 全局级校验单任务最多可调用 300 次工具它的作用不是直接下单。而是先通过 MCP Server 拉数据，把研究、清洗、验证这些环节跑完，最后整理成可以直接用于模拟的数据集。 GitHub： 3）MiroFish simulation system 把前面准备好的数据丢进去，再设定模拟参数，就可以开始跑价格行为模拟。本质上，它卖的不是一个指标。而是一种更接近“矩阵视角”的东西：价格在不同条件下会怎么动哪些路径更常见哪些定价其实偏离了历史结构整个流程串起来就是：拉传统金融历史数据 → 用 agent 做研究和数据整理 → 把数据送进模拟系统 → 再拿结果去打 Polymarket 上的相关市场这种玩法最值得看的，不是“开源”两个字而是它说明了一件事： Polymarket 上很多看起来像事件交易的东西，背后其实已经在被人用传统金融数据 + agent 研究 + simulation当成量化问题来做。你觉得这种 edge 的核心，更像是数据获取能力，agent 研究能力，还是最后那层 simulation 对市场行为的还原能力？

有人靠金融市场模拟，在链上赚了 $400,000 而且用到的整套工具，都是 GitHub 开源能看到的钱包在这，自己点开看：他们做的不是 crypto 原生叙事而是拿 Russell 2000、Dow Jones、SPX、Apple、Google 这些传统金融标的来做 Polymarket 交易问题也很现实：这些数据平时都在大型中心化交易所里。你怎么拿？拿到之后又怎么处理，才能真的变成可交易模型？这套公开出来的技术栈，大概是这样： 1）Financial Datasets MCP Server 给任意 ticker、任意时间周期提供价格数据解析。核心卖点就是：免费真实数据。 GitHub： 2）MiroThinker 一个偏深度研究和预测的 agent。据说在 BrowseComp benchmark 上做到 88.2。特点是：长周期推理先验证再下结论步骤级 + 全局级校验单任务最多可调用 300 次工具它的作用不是直接下单。而是先通过 MCP Server 拉数据，把研究、清洗、验证这些环节跑完，最后整理成可以直接用于模拟的数据集。 GitHub： 3）MiroFish simulation system 把前面准备好的数据丢进去，再设定模拟参数，就可以开始跑价格行为模拟。本质上，它卖的不是一个指标。而是一种更接近“矩阵视角”的东西：价格在不同条件下会怎么动哪些路径更常见哪些定价其实偏离了历史结构整个流程串起来就是：拉传统金融历史数据 → 用 agent 做研究和数据整理 → 把数据送进模拟系统 → 再拿结果去打 Polymarket 上的相关市场这种玩法最值得看的，不是“开源”两个字而是它说明了一件事： Polymarket 上很多看起来像事件交易的东西，背后其实已经在被人用传统金融数据 + agent 研究 + simulation当成量化问题来做。你觉得这种 edge 的核心，更像是数据获取能力，agent 研究能力，还是最后那层 simulation 对市场行为的还原能力？

0x_Miko

23,818 просмотров • 6 месяцев назад

MiniMax H3 开源了，普通人能不能用？能，但要分两种情况。想直接生成视频：不用安装模型，也不用买显卡，直接用 MiniMax 官方网页或 API，按使用量付费。最省事，但具体价格要看官方平台当前显示。想免费本地运行：先从 GitHub 下载 H3，再安装运行工具，比如 ComfyUI 或 SGLang。需要你的电脑有高性能显卡。官方示例是 4 张 GPU，普通电脑和游戏本基本跑不动。模型文件免费，不代表使用免费，显卡、电费、云服务器都要自己承担 H3 有两个版本： FL2VA：输入文字、首尾画面来生成视频 Ref2VA：输入图片、视频、音频作为参考来生成视频它能生成 4～15 秒视频，并同步生成声音。注意：现在开源的主要是基础模型，本地通常生成 768p 视频。复杂提示词处理和 2K 高清输出，还要调用官方 API。一句话：没显卡，直接用网页或 API 有高端显卡，才适合本地部署想研究模型，下载开源权重想马上出片，别折腾安装。下面是MiniMax H3 跟Seedonce 2.0 同样的提示词生成 GitHub：

MiniMax H3 开源了，普通人能不能用？能，但要分两种情况。想直接生成视频：不用安装模型，也不用买显卡，直接用 MiniMax 官方网页或 API，按使用量付费。最省事，但具体价格要看官方平台当前显示。想免费本地运行：先从 GitHub 下载 H3，再安装运行工具，比如 ComfyUI 或 SGLang。需要你的电脑有高性能显卡。官方示例是 4 张 GPU，普通电脑和游戏本基本跑不动。模型文件免费，不代表使用免费，显卡、电费、云服务器都要自己承担 H3 有两个版本： FL2VA：输入文字、首尾画面来生成视频 Ref2VA：输入图片、视频、音频作为参考来生成视频它能生成 4～15 秒视频，并同步生成声音。注意：现在开源的主要是基础模型，本地通常生成 768p 视频。复杂提示词处理和 2K 高清输出，还要调用官方 API。一句话：没显卡，直接用网页或 API 有高端显卡，才适合本地部署想研究模型，下载开源权重想马上出片，别折腾安装。下面是MiniMax H3 跟Seedonce 2.0 同样的提示词生成 GitHub：

猪脚饭.Ai

31,826 просмотров • 1 месяц назад

终于，终于有人把所有模型缝合到一起了😭 Claude Code 编码、codex生图、检索抖音，小红书，youtube x的热点信息……全在一个工作台里这就是我一直在等的“缝合怪max”！！以前我得开五六个客户端，Claude 写完复制到 Midjourney 出图，再切到 Codex 写代码，脑子都要炸了现在 dethink 直接把这些全塞进来了一个界面切遍所有模型——Claude、Grok、Gemini、DeepSeek、Kimi、GLM 关键是 Claude Code 和 Codex 也在里面，编码、写作、生图，一个工作台全干了更爽的是什么？微信、支付宝直接付款不需要外币卡，不需要找代充，不需要担心封号 $20 / $100 / $200 三档套餐，按 token 计费，用多少算多少以前想用多个模型，要么分别订阅（每个月固定扣费，用不用都得付），要么来回切账号 dethink 按 token 计费，$20 / $100 / $200 三档，用多少算多少对我这种有时候用得多、有时候用得少的人来说，这种灵活性才是真正省钱的地方而且所有模型在一个工作台里，Claude 写文案、Grok 出图、Gemini 做分析，切换无缝省下的不只是钱，是那种"终于不用管支付问题、不用来回切工具“的心智负担还有三个让我意外的点： 1. 数据聚合直接内置想查抖音、小红书、YouTube、X 的热点？直接在 dethink 里搜以前我得开 Semrush、飞瓜、新榜好几个工具，现在一个地方全搞定做选题、找热点、SEO 分析，效率直接翻倍 2. 图像生成的组合玩法你可以用 Claude 理解需求、优化提示词，然后调用 GPT Image 2 或 Grok Image 出图相当于把“最会理解人话的模型”和“最会画图的模型”组合起来用以前我得在 Claude 和 Midjourney 之间来回复制粘贴，现在一句话搞定 3. 桌面端真的好用 Windows 和 macOS 都支持，本地文件直接拖进去就能让 AI 处理做 Agent 任务、跑工作流，比网页版丝滑太多现在 dethink 8月15日刚上线，前 500 名注册直接送 $5 使用额度给大家申请了8折优惠码，限量500个！先到先得了：DETHINK2026 如果你也在用多个 AI 工具，每个月为订阅费头疼或者你想用海外模型但支付一直是个坎，真的可以试试 dethink 链接：

终于，终于有人把所有模型缝合到一起了😭 Claude Code 编码、codex生图、检索抖音，小红书，youtube x的热点信息……全在一个工作台里这就是我一直在等的“缝合怪max”！！以前我得开五六个客户端，Claude 写完复制到 Midjourney 出图，再切到 Codex 写代码，脑子都要炸了现在 dethink 直接把这些全塞进来了一个界面切遍所有模型——Claude、Grok、Gemini、DeepSeek、Kimi、GLM 关键是 Claude Code 和 Codex 也在里面，编码、写作、生图，一个工作台全干了更爽的是什么？微信、支付宝直接付款不需要外币卡，不需要找代充，不需要担心封号 $20 / $100 / $200 三档套餐，按 token 计费，用多少算多少以前想用多个模型，要么分别订阅（每个月固定扣费，用不用都得付），要么来回切账号 dethink 按 token 计费，$20 / $100 / $200 三档，用多少算多少对我这种有时候用得多、有时候用得少的人来说，这种灵活性才是真正省钱的地方而且所有模型在一个工作台里，Claude 写文案、Grok 出图、Gemini 做分析，切换无缝省下的不只是钱，是那种"终于不用管支付问题、不用来回切工具“的心智负担还有三个让我意外的点： 1. 数据聚合直接内置想查抖音、小红书、YouTube、X 的热点？直接在 dethink 里搜以前我得开 Semrush、飞瓜、新榜好几个工具，现在一个地方全搞定做选题、找热点、SEO 分析，效率直接翻倍 2. 图像生成的组合玩法你可以用 Claude 理解需求、优化提示词，然后调用 GPT Image 2 或 Grok Image 出图相当于把“最会理解人话的模型”和“最会画图的模型”组合起来用以前我得在 Claude 和 Midjourney 之间来回复制粘贴，现在一句话搞定 3. 桌面端真的好用 Windows 和 macOS 都支持，本地文件直接拖进去就能让 AI 处理做 Agent 任务、跑工作流，比网页版丝滑太多现在 dethink 8月15日刚上线，前 500 名注册直接送 $5 使用额度给大家申请了8折优惠码，限量500个！先到先得了：DETHINK2026 如果你也在用多个 AI 工具，每个月为订阅费头疼或者你想用海外模型但支付一直是个坎，真的可以试试 dethink 链接：

超级个体｜柿子

88,924 просмотров • 1 месяц назад

就在全世界AI圈都在为Seedance 2.0人声鼎沸的时候，即梦这款跨越恐怖谷的超级大模型，于近日被紧急叫停。 Seedance 2.0究竟有多“恐怖”？仅凭单张照片，即可高精度复刻人脸、同步拟声，特别是生成效果，足以媲美“人脸识别”，引发隐私恐慌。实测数据显示，其人像还原度超95%，无授权生成难以肉眼分辨。《深度合成管理规定》明确要求肖像合成需获单独同意，而内测中已出现未经许可使用公众人物肖像的案例，风险外溢迫在眉睫。所幸，即梦方面棋高一着：此次主动叫停，而非被动整改。Seedance 2.0的谨慎，根源在于视频生成已触及当前技术商业化的“三重压力测试”。其一，是安全与伦理的“高压线”。动态影像在深度伪造、虚假信息传播上的风险远非静态图片可比，全球监管框架正在快速收紧。其二，OpenAI的Sora模型树立了难以回避的技术标杆，在物理逻辑与长时序一致性上设立了新的竞争门槛。其三，生成长视频所需的算力成本尚未找到规模化落地的经济模型。在此背景下，“叫停”或“回炉”并非退缩，而是一种面对高不确定性的战略忍耐，是等待技术、成本与监管环境成熟点的理性选择。平台快速拦截真人素材上传，守住伦理底线。Seedance 2.0的刹车，标志中国AIGC告别野蛮生长，遵从在合规框架内创新和长期主义。当然，紧急叫停真人参考功能的同时，同步上线了图片5.0 Preview模型，可谓是“暗度陈仓，明修栈道”。图像生成是当下需求最明确、商业化最直接的领域。持续迭代不仅是为了满足海量的平面设计、营销与内容创作需求，更是为更复杂的视频生成夯实地基——精准的语义理解、复杂的指令跟随与细节一致性，正是构成高质量视频每一帧画面的核心能力。通过图像模型的快速商业化落地，公司能够积累宝贵的用户反馈、构建应用生态，并反哺支撑前沿的长期研发。图片 5.0 preview的推进，恰如其分。生成式AI的竞争，已从单纯追求炫技的“演示战争”，进入深水区的“综合耐力赛”。图片模型的快速迭代，是维持市场热度与技术影响力的现实抓手；而视频模型的蓄力，则是在为下一次必须“安全可控”的颠覆性飞跃积蓄能量。这“一进一稳”的分野不难看出，AI领域的未来胜者，不仅需要最聪明的科学家，更需要最审慎的战略家。你又是怎么看呢！快留下答案吧！

就在全世界AI圈都在为Seedance 2.0人声鼎沸的时候，即梦这款跨越恐怖谷的超级大模型，于近日被紧急叫停。 Seedance 2.0究竟有多“恐怖”？仅凭单张照片，即可高精度复刻人脸、同步拟声，特别是生成效果，足以媲美“人脸识别”，引发隐私恐慌。实测数据显示，其人像还原度超95%，无授权生成难以肉眼分辨。《深度合成管理规定》明确要求肖像合成需获单独同意，而内测中已出现未经许可使用公众人物肖像的案例，风险外溢迫在眉睫。所幸，即梦方面棋高一着：此次主动叫停，而非被动整改。Seedance 2.0的谨慎，根源在于视频生成已触及当前技术商业化的“三重压力测试”。其一，是安全与伦理的“高压线”。动态影像在深度伪造、虚假信息传播上的风险远非静态图片可比，全球监管框架正在快速收紧。其二，OpenAI的Sora模型树立了难以回避的技术标杆，在物理逻辑与长时序一致性上设立了新的竞争门槛。其三，生成长视频所需的算力成本尚未找到规模化落地的经济模型。在此背景下，“叫停”或“回炉”并非退缩，而是一种面对高不确定性的战略忍耐，是等待技术、成本与监管环境成熟点的理性选择。平台快速拦截真人素材上传，守住伦理底线。Seedance 2.0的刹车，标志中国AIGC告别野蛮生长，遵从在合规框架内创新和长期主义。当然，紧急叫停真人参考功能的同时，同步上线了图片5.0 Preview模型，可谓是“暗度陈仓，明修栈道”。图像生成是当下需求最明确、商业化最直接的领域。持续迭代不仅是为了满足海量的平面设计、营销与内容创作需求，更是为更复杂的视频生成夯实地基——精准的语义理解、复杂的指令跟随与细节一致性，正是构成高质量视频每一帧画面的核心能力。通过图像模型的快速商业化落地，公司能够积累宝贵的用户反馈、构建应用生态，并反哺支撑前沿的长期研发。图片 5.0 preview的推进，恰如其分。生成式AI的竞争，已从单纯追求炫技的“演示战争”，进入深水区的“综合耐力赛”。图片模型的快速迭代，是维持市场热度与技术影响力的现实抓手；而视频模型的蓄力，则是在为下一次必须“安全可控”的颠覆性飞跃积蓄能量。这“一进一稳”的分野不难看出，AI领域的未来胜者，不仅需要最聪明的科学家，更需要最审慎的战略家。你又是怎么看呢！快留下答案吧！

EAMON(漢涷漁)🐳🐟🐟

104,236 просмотров • 7 месяцев назад

1/2) 宇树刚上市，市值达 3000 多亿，王兴兴为啥没有一张照片是笑的？是表情管理太强，还是宇树的业绩藏着水分？为了扒出真相，我派出了 AI 分析师去“查账” 👇 我用的核查组合是：PI Agent ➕ Ling-3.0-flash-Fin 「蚂蚁百灵」刚发布的这个金融开放模型，简直是为扒财报量身定制的： 👉 PI Agent：负责当“手脚”，调用搜索、网页和 Python，跑长链路核验和计算。 👉 Ling-3.0-flash-Fin：它负责充当金融研究的“大脑”，是一款专为增强现实世界金融工作流程而打造的模型。模型总参数量达 1240 亿，采用 MoE 架构，每次推理激活 51 亿参数，并支持 256K 上下文窗口。核查结果如何呢？👇 我给它布置了硬核任务：「调研宇树科技 2023—2025 年人形机器人商业化进展」实测下来，它的材料纪律性极其专业： ✅ 一级来源：只认官方澄清、申报稿和注册稿。 ✅ 二级来源：新闻资讯只当线索，绝不盲目采信。绝不是市面上那种随便扒两篇新闻，凑个「5500台」就敢出报告的水平。更可怕的是它的交叉验证和逻辑推理能力。它把产量、出货量、销量、订单量全部拆开，还把总收入除以销量，把均价（59.34、26.04、16.64）精准验算了一遍。面对【6500台下线 vs 5716台产量】这种口径对不上的数据，它选择保留疑点“不硬圆谎”。这才是真分析师该有的素养。下方的图片，是 6 页 PDF 报告的第一页。完整实测过程见下方视频。

1/2) 宇树刚上市，市值达 3000 多亿，王兴兴为啥没有一张照片是笑的？是表情管理太强，还是宇树的业绩藏着水分？为了扒出真相，我派出了 AI 分析师去“查账” 👇 我用的核查组合是：PI Agent ➕ Ling-3.0-flash-Fin 「蚂蚁百灵」刚发布的这个金融开放模型，简直是为扒财报量身定制的： 👉 PI Agent：负责当“手脚”，调用搜索、网页和 Python，跑长链路核验和计算。 👉 Ling-3.0-flash-Fin：它负责充当金融研究的“大脑”，是一款专为增强现实世界金融工作流程而打造的模型。模型总参数量达 1240 亿，采用 MoE 架构，每次推理激活 51 亿参数，并支持 256K 上下文窗口。核查结果如何呢？👇 我给它布置了硬核任务：「调研宇树科技 2023—2025 年人形机器人商业化进展」实测下来，它的材料纪律性极其专业： ✅ 一级来源：只认官方澄清、申报稿和注册稿。 ✅ 二级来源：新闻资讯只当线索，绝不盲目采信。绝不是市面上那种随便扒两篇新闻，凑个「5500台」就敢出报告的水平。更可怕的是它的交叉验证和逻辑推理能力。它把产量、出货量、销量、订单量全部拆开，还把总收入除以销量，把均价（59.34、26.04、16.64）精准验算了一遍。面对【6500台下线 vs 5716台产量】这种口径对不上的数据，它选择保留疑点“不硬圆谎”。这才是真分析师该有的素养。下方的图片，是 6 页 PDF 报告的第一页。完整实测过程见下方视频。

前端哥Liam

345,379 просмотров • 16 дней назад

感觉现在开源的速度已经疯了。。。 Kimi.ai 家的K3开源才两天，已经被Unsloth AI 干到能在Mac Studio上跑了🤯！！！ 2.8万亿参数的模型，原始大小1.56T，他们用动态1-bit量化，直接压到594G，缩了62%，还保留了78.9%的精度， 128G内存的Mac Studio就能跑，虽然速度不快，但它真的能跑。谁能想到半个月前，这个级别的模型还只有大厂有算力碰，现在我们在家，在自己的消费级电脑上，就能跑全球最顶尖的开源大模型了，damn！权重放出来48小时，量化、适配、教程全给你整完了， Unsloth这速度，真的离谱。不得不说这就是开源最恐怖的地方啊，模型放出来第一天，全世界最聪明的工程师都在帮你压体积、提速度、做适配，闭源模型，永远享受不到这个待遇。

感觉现在开源的速度已经疯了。。。 Kimi.ai 家的K3开源才两天，已经被Unsloth AI 干到能在Mac Studio上跑了🤯！！！ 2.8万亿参数的模型，原始大小1.56T，他们用动态1-bit量化，直接压到594G，缩了62%，还保留了78.9%的精度， 128G内存的Mac Studio就能跑，虽然速度不快，但它真的能跑。谁能想到半个月前，这个级别的模型还只有大厂有算力碰，现在我们在家，在自己的消费级电脑上，就能跑全球最顶尖的开源大模型了，damn！权重放出来48小时，量化、适配、教程全给你整完了， Unsloth这速度，真的离谱。不得不说这就是开源最恐怖的地方啊，模型放出来第一天，全世界最聪明的工程师都在帮你压体积、提速度、做适配，闭源模型，永远享受不到这个待遇。

AYi

289,379 просмотров • 1 месяц назад

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。

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。

DeFi狙击手 | Ai🕊️

17,513 просмотров • 2 месяцев назад

刚在我的RTX PRO 6000 96GB 上部署了 Qwen3.8-Flash-Next。这是一个约 176B 总参数、每个 token 激活约 6B 的 MoE 模型，其中包括 125B 主模型和约 51B 的 PLE n-gram embedding table，同时保留完整 256K 上下文。这么大的模型能跑进单张 96GB 显卡，靠的是分层处理。 MoE 专家权重使用 EXL3 混合 K4/K5 量化，平均约 4.25 bit。47.68GiB 的 PLE table 压成 FP8 后通过 mmap 放在 NVMe 上按需读取，Token embedding 放进系统内存，FP8 KV Cache 留给长上下文。模型实际加载约占 71.99GiB 显存，整卡实测峰值约 91.4GiB，刚好控制在 96GB 以内。 Decode 和 prefill 速度超级猛，感觉在飞。 Prose c1 160.7 tok/s c2 268.1 tok/s c4 418.6 tok/s c8 645.3 tok/s c16 975.4 tok/s Prefill 在不同上下文长度下基本维持在每秒 7600 到 8240 tokens。 4K 上下文首字等待 543ms，8K 为 1.03 秒，16K 为 2.01 秒，32K 为 3.98 秒。单用户生成超过 160 tok/s，16 路并发总吞吐接近 1000 tok/s。给你们看看16路并发的的效果👇️

刚在我的RTX PRO 6000 96GB 上部署了 Qwen3.8-Flash-Next。这是一个约 176B 总参数、每个 token 激活约 6B 的 MoE 模型，其中包括 125B 主模型和约 51B 的 PLE n-gram embedding table，同时保留完整 256K 上下文。这么大的模型能跑进单张 96GB 显卡，靠的是分层处理。 MoE 专家权重使用 EXL3 混合 K4/K5 量化，平均约 4.25 bit。47.68GiB 的 PLE table 压成 FP8 后通过 mmap 放在 NVMe 上按需读取，Token embedding 放进系统内存，FP8 KV Cache 留给长上下文。模型实际加载约占 71.99GiB 显存，整卡实测峰值约 91.4GiB，刚好控制在 96GB 以内。 Decode 和 prefill 速度超级猛，感觉在飞。 Prose c1 160.7 tok/s c2 268.1 tok/s c4 418.6 tok/s c8 645.3 tok/s c16 975.4 tok/s Prefill 在不同上下文长度下基本维持在每秒 7600 到 8240 tokens。 4K 上下文首字等待 543ms，8K 为 1.03 秒，16K 为 2.01 秒，32K 为 3.98 秒。单用户生成超过 160 tok/s，16 路并发总吞吐接近 1000 tok/s。给你们看看16路并发的的效果👇️

Wei

21,247 просмотров • 10 дней назад

所有人都以为OpenAI的护城河是AI大模型，今天他们证明了，真正的胜负手在硅片里。和博通合作，九个月从设计到流片，首款自研AI芯片Jalapeño，专门面向大模型推理。不做训练，只负责用户对话时的响应计算，每瓦性能，明显优于当前最先进水平。有几个反常识的结论跟大家分享，第一个反常识，为什么先切推理，不做更酷的训练芯片。训练是一次性烧钱，烧完就结束，推理是每天几亿用户持续消耗，是真正的成本大头。把推理成本打下来三成到五成，规模上来就是天文数字的利润，这其实是最务实的商业选择。第二个反常识，九个月流片意味着什么，传统高性能芯片，两到三年才是正常设计周期。他们用大模型，辅助设计跑大模型的芯片。 AI造AI硬件的自循环一旦跑通，整个半导体的迭代速度，都会被彻底改写。最本质的战略意图是 OpenAI不想再当英伟达的超级客户了，他们要走全栈路线，从硅片到模型到产品全部自控，说白了谁掌握底层算力，谁就掌握定价权和利润空间。模型权重很重要，算力的话语权同样致命。以前是人类造硬件，硬件跑AI，以后是AI辅助人类造更好的硬件，硬件再跑出更强的AI，这个自增强的循环，才是真正的奇点序章。

所有人都以为OpenAI的护城河是AI大模型，今天他们证明了，真正的胜负手在硅片里。和博通合作，九个月从设计到流片，首款自研AI芯片Jalapeño，专门面向大模型推理。不做训练，只负责用户对话时的响应计算，每瓦性能，明显优于当前最先进水平。有几个反常识的结论跟大家分享，第一个反常识，为什么先切推理，不做更酷的训练芯片。训练是一次性烧钱，烧完就结束，推理是每天几亿用户持续消耗，是真正的成本大头。把推理成本打下来三成到五成，规模上来就是天文数字的利润，这其实是最务实的商业选择。第二个反常识，九个月流片意味着什么，传统高性能芯片，两到三年才是正常设计周期。他们用大模型，辅助设计跑大模型的芯片。 AI造AI硬件的自循环一旦跑通，整个半导体的迭代速度，都会被彻底改写。最本质的战略意图是 OpenAI不想再当英伟达的超级客户了，他们要走全栈路线，从硅片到模型到产品全部自控，说白了谁掌握底层算力，谁就掌握定价权和利润空间。模型权重很重要，算力的话语权同样致命。以前是人类造硬件，硬件跑AI，以后是AI辅助人类造更好的硬件，硬件再跑出更强的AI，这个自增强的循环，才是真正的奇点序章。

AYi

51,088 просмотров • 3 месяцев назад

前几天看到有老外分享，基于Blender做预演视频来准确生成各种复杂场景AI视频。我用CozyClay号称网页版本 Blender 做了一个模拟五影会谈的预演建模视频。建模我是用前几天Zcode 送的GLM 5.3 Flash做的。然后录制成视频，我全程不懂什么是Blender，我只是告诉GLM帮我做一个5人圆桌会谈模拟无影会谈的样子。视频是基于MiniMax 全能参考我用的懒人工具runninghub，由于偷懒没有单独做5人的角色卡图做了一整整合的，然后提示词写的也比较简单，中间雷影这里人物说话没区分出来，但是基本上画面人物顺序是对上了，一次性出来的，然后视频参考这里非常耗时基本要1个小时了，20s基本会崩后期出来渲染问题，后面我换成了15s的好多了。整理来看如果要直接出这种视频人物运镜角度都是非常难控的。这种预演台的模式对于影视制作来说是非常好的一种方式。相关资源：👇

前几天看到有老外分享，基于Blender做预演视频来准确生成各种复杂场景AI视频。我用CozyClay号称网页版本 Blender 做了一个模拟五影会谈的预演建模视频。建模我是用前几天Zcode 送的GLM 5.3 Flash做的。然后录制成视频，我全程不懂什么是Blender，我只是告诉GLM帮我做一个5人圆桌会谈模拟无影会谈的样子。视频是基于MiniMax 全能参考我用的懒人工具runninghub，由于偷懒没有单独做5人的角色卡图做了一整整合的，然后提示词写的也比较简单，中间雷影这里人物说话没区分出来，但是基本上画面人物顺序是对上了，一次性出来的，然后视频参考这里非常耗时基本要1个小时了，20s基本会崩后期出来渲染问题，后面我换成了15s的好多了。整理来看如果要直接出这种视频人物运镜角度都是非常难控的。这种预演台的模式对于影视制作来说是非常好的一种方式。相关资源：👇

知识猫AI实验室

14,495 просмотров • 18 дней назад