Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

Hermes Agent这样设置那么恭喜你为了省钱又进一步😂 deepseek为主大模型，kimi2.6为视觉模型，并且无需来回切换，只要丢图片进去就会自动使用kimi2.6去识别。（理论是你可以设置更多的大模型去完成不同的工作，并且全程自动无需切换大模型）写很多以X文章的形式去编辑这类干货教程已经很多了，我想试试普通的发帖方式编辑会不会被更多的人去看到。那么话不多说下面直接是干货！ - 主模型：deepseek-v4-pro 视觉模型：kimi-k2.6 运作逻辑：deepseek 负责所有的工具调用、代码、排查、对话，一旦你丢过来图片或者视频帧，系统自动切到 kimi 去识图，识完把结果扔回给 deepseek 继续处理。整个过程不需要手动切换模型，你体感上就是同一个助手在干活，但实际上后面是两个大脑在协作。 - 为什么这样搭 deepseek-v4-pro 的工具调用和长上下文处理能力确实强，跑代码任务、排查问题、多步骤复杂操作的稳定性比 kimi 好一截。但它有一个硬伤暂时不支持多模态，直接给它丢图片会报 unknown variant image_url 的错。而 kimi-k2.6 的多模态能力不用说，中文 OCR 也准，但纯文本推理和工具调用不如 deepseek 稳。所以最优解就是各取所长，deepseek 当大脑，kimi 当眼睛。（其实说白了就是为了省Token！！！） - 配置步骤第一步，确保 API Key 就位。在 `~/.hermes/.env` 里确认两行： ``` DEEPSEEK_API_KEY=你的deepseek密钥 KIMI_API_KEY=你的kimi密钥 ``` 第二步，切主模型，终端敲：... ``` hermes config set model.default deepseek-v4-pro hermes config set model.provider deepseek ``` 第三步，设视觉模型： ``` hermes config set kimi-k2.6 hermes config set kimi-coding hermes config set ``` 第四步，如果你的 kimi key 是老 key（sk- 开头不是 sk-kimi- 开头），需要在 `.env` 最后加一行： ``` KIMI_BASE_URL= ``` 新 key 走 key 走默认写的是错的，不改会 401。第五步，`/reset` 重开会话，生效。 - 踩过的坑一个是上面说的 api 地址问题，和差一个字母，排查了好一阵。另一个更隐蔽：Hermes 内置的 vision 工具往 kimi API 发请求时，content 数组里 image_url 排在了 text 前面，kimi 的接口不认这个顺序，偶尔 400。目前的变通方案是发图时绕过内置工具，直接 Python 调 moonshot API，text 放 image_url 前面就没事。不影响使用，但不算完美，等后续优化。 - 配完之后你正常跟他聊天就行，deepseek 处理一切。发图过来的时候，你不需要说"用 kimi 看"，系统自动检测到图片就走 kimi 视觉，识读完无缝回到 deepseek 继续对话。你体感上就是同一个助手能看能想能干，但后台其实是两个模型在做各自最擅长的事。这个方案的最大好处是不用你在聊天里手动切模型，流程全自动。而且以后如果想换视觉模型，改 ` 一行就行，不影响主模型。 - 兄弟们有哪个不懂的直接甩在评论区，狙击手会挨个解答！show more

DeFi狙击手 | Ai🕊️｜Gate美股0费率

52,093 subscribers

25,821 Aufrufe • vor 2 Monaten •via X (Twitter)

Bildung Wissenschaft & Technologie

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

DeepSeek V4 Flash 正式版上线了，官方说比deepseek v4 pro预览版的agent能力还要强。文档更新为 DeepSeek V4 Flash 0731，我第一时间把 Hermes 主模型和所有 Persona / Prompt 环境切了过去。视觉模型我还保留了 Kimi K2.6,因为 DeepSeek 不支持多模态,让 Kimi 当“眼睛”,DeepSeek 负责推理,组合起来跑 Agent 和自动化很顺,还顺便省不少 Token 成本。全程不到一分钟,如果你现在就是调用的deepseek的API，直接告诉你的大模型更换最新的 DeepSeek V4 Flash 0731即可。如果你现在还在用旧模型,这波真的建议升级。你现在主力用哪个模型?评论区见。 #DeepSeek #Hermes #AIAgent #OpenCode #LLM

DeepSeek V4 Flash 正式版上线了，官方说比deepseek v4 pro预览版的agent能力还要强。文档更新为 DeepSeek V4 Flash 0731，我第一时间把 Hermes 主模型和所有 Persona / Prompt 环境切了过去。视觉模型我还保留了 Kimi K2.6,因为 DeepSeek 不支持多模态,让 Kimi 当“眼睛”,DeepSeek 负责推理,组合起来跑 Agent 和自动化很顺,还顺便省不少 Token 成本。全程不到一分钟,如果你现在就是调用的deepseek的API，直接告诉你的大模型更换最新的 DeepSeek V4 Flash 0731即可。如果你现在还在用旧模型,这波真的建议升级。你现在主力用哪个模型?评论区见。 #DeepSeek #Hermes #AIAgent #OpenCode #LLM

DeFi狙击手 | Ai🕊️｜Gate美股0费率

23,899 Aufrufe • vor 20 Tagen

Grok折腾了我两个多小时，差点把 Hermes Agent 搞废。我的hermes一直用的是Kimi k2.6大模型，准备把deepseek V4 pro也部署进去，做到一键切换！最开始按 Grok 的指示一步步操作，越搞越不对劲。改完配置不认，切模型报错，翻来覆去改 yaml 改到怀疑人生。（下面视频为证我差点逼疯） / 最后放弃了，直接打开 DeepSeek 网页版问了一嘴。就两行命令： “hermes mode1” # 用官方向导正式注册 deepseek 为 provider “hermes update”# 修复对接 V4 模型的已知 bug 注册完瞬间跑通。现在 Kimi K2.6 和 V4 Pro 随时切，丝滑。 / 讽刺的是：我用 DeepSeek 的模型去问怎么接 DeepSeek 的模型，它自己给了正解。而Grok带我绕了俩钟头死胡同。总结两件事：别手写 yaml，一条 hermes model 搞定工具类问题，有时候直接问相关方自己的模型反而最快你们有没有被某个 AI 带进死胡同的经历？ #Hermes #DeepSeek

Grok折腾了我两个多小时，差点把 Hermes Agent 搞废。我的hermes一直用的是Kimi k2.6大模型，准备把deepseek V4 pro也部署进去，做到一键切换！最开始按 Grok 的指示一步步操作，越搞越不对劲。改完配置不认，切模型报错，翻来覆去改 yaml 改到怀疑人生。（下面视频为证我差点逼疯） / 最后放弃了，直接打开 DeepSeek 网页版问了一嘴。就两行命令： “hermes mode1” # 用官方向导正式注册 deepseek 为 provider “hermes update”# 修复对接 V4 模型的已知 bug 注册完瞬间跑通。现在 Kimi K2.6 和 V4 Pro 随时切，丝滑。 / 讽刺的是：我用 DeepSeek 的模型去问怎么接 DeepSeek 的模型，它自己给了正解。而Grok带我绕了俩钟头死胡同。总结两件事：别手写 yaml，一条 hermes model 搞定工具类问题，有时候直接问相关方自己的模型反而最快你们有没有被某个 AI 带进死胡同的经历？ #Hermes #DeepSeek

DeFi狙击手 | Ai🕊️｜Gate美股0费率

10,081 Aufrufe • vor 3 Monaten

Kimi新出的K2.5模型（应该）是目前最强国产模型，极其全能。伴随新模型一起发布的，还有Agent集群功能。在K2.5的驱动下，Agent集群能根据你的需求即时生成多个Agent，并且并行运作。注意，是即时生成，不是那种预先设定好的。如果你是Kimi会员的话，请马上就去试试！

Kimi新出的K2.5模型（应该）是目前最强国产模型，极其全能。伴随新模型一起发布的，还有Agent集群功能。在K2.5的驱动下，Agent集群能根据你的需求即时生成多个Agent，并且并行运作。注意，是即时生成，不是那种预先设定好的。如果你是Kimi会员的话，请马上就去试试！

huangyihe

15,631 Aufrufe • vor 6 Monaten

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 Aufrufe • vor 3 Monaten

兄弟们全网最简最全DeepSeek V4 Flash接入Codex教程来了。看完还不会的，直接来找我。其实就三步，比你想的简单多了：第一步，打开Codex，点开API设置。第二步，找到DeepSeek的API文档，复制你的密钥。第三步，在Codex配置页粘贴密钥，选V4 Flash模型。完事了。真的就这么简单。我见过有人写几千字教程，配几十张截图。没必要。核心就是：拿到密钥，填进去，选模型。现在你就能在Codex里直接调用V4 Flash了。速度比官方网页版快，还能结合Codex的其他功能。有人问：这有什么实际用途？比如你可以：用V4 Flash处理复杂逻辑和长文本。用Codex的界面做持久化聊天和项目管理。把两者结合，搞自动化工作流。具体能玩出什么花样，看你想象力。但第一步永远是：先把密钥填进去。就这么简单。

兄弟们全网最简最全DeepSeek V4 Flash接入Codex教程来了。看完还不会的，直接来找我。其实就三步，比你想的简单多了：第一步，打开Codex，点开API设置。第二步，找到DeepSeek的API文档，复制你的密钥。第三步，在Codex配置页粘贴密钥，选V4 Flash模型。完事了。真的就这么简单。我见过有人写几千字教程，配几十张截图。没必要。核心就是：拿到密钥，填进去，选模型。现在你就能在Codex里直接调用V4 Flash了。速度比官方网页版快，还能结合Codex的其他功能。有人问：这有什么实际用途？比如你可以：用V4 Flash处理复杂逻辑和长文本。用Codex的界面做持久化聊天和项目管理。把两者结合，搞自动化工作流。具体能玩出什么花样，看你想象力。但第一步永远是：先把密钥填进去。就这么简单。

火山哥🕊️

40,145 Aufrufe • vor 17 Tagen

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 Aufrufe • vor 3 Monaten

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 Aufrufe • vor 27 Tagen

Hermes Agent 刚发布 Mixture of Agents 2.0，把多个前沿模型混合成一个虚拟模型使用原理很直接：GPT-5.5、DeepSeek V4、Sonnet 4.6 作为参考模型同时处理同一个问题，Opus 4.8 作为聚合器综合最终答案跑分结果比单独用 Opus 4.8 高 8%，比 GPT-5.5 高 11% 最关键的是在 Hermes 里就像普通模型一样调用，/model 命令切换就行，不需要自己搭框架单个模型都有盲区，混着用反而能互补，开源社区找到了一条弯道超车路线你觉得 MoA 这种「模型组合拳」会成为主流用法吗？

Hermes Agent 刚发布 Mixture of Agents 2.0，把多个前沿模型混合成一个虚拟模型使用原理很直接：GPT-5.5、DeepSeek V4、Sonnet 4.6 作为参考模型同时处理同一个问题，Opus 4.8 作为聚合器综合最终答案跑分结果比单独用 Opus 4.8 高 8%，比 GPT-5.5 高 11% 最关键的是在 Hermes 里就像普通模型一样调用，/model 命令切换就行，不需要自己搭框架单个模型都有盲区，混着用反而能互补，开源社区找到了一条弯道超车路线你觉得 MoA 这种「模型组合拳」会成为主流用法吗？

Jason Zhu

16,504 Aufrufe • vor 1 Monat

对不起，我不是在用 AI，我是在开公司！看到 Kimi 2.5 的集群模式，我直接看呆了…… 以前是“一个模型干所有活”，现在是“模型现场帮我招员工” 只要跟它说你的需求，它会自动分身：有的负责调研，有的负责写代码，有的负责整合最高100个 Agent 并发处理！这种串行+平行的调度能力，以前想都不敢想 “一人公司”的时代真的来了吗唯一的缺点？贵现在的我只想大喊：友商们快跟进！早日实现“数字员工自由”！

对不起，我不是在用 AI，我是在开公司！看到 Kimi 2.5 的集群模式，我直接看呆了…… 以前是“一个模型干所有活”，现在是“模型现场帮我招员工” 只要跟它说你的需求，它会自动分身：有的负责调研，有的负责写代码，有的负责整合最高100个 Agent 并发处理！这种串行+平行的调度能力，以前想都不敢想 “一人公司”的时代真的来了吗唯一的缺点？贵现在的我只想大喊：友商们快跟进！早日实现“数字员工自由”！

XDmnnn不淡

50,270 Aufrufe • vor 4 Monaten

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

AYi

63,210 Aufrufe • vor 3 Monaten

Deepseek V4 Flash 真的惊艳到我了，我就用一句话就生成了一个AI控制台。我使用open code+Deepseek V4 Flash测试了一下模型的能力，总共不到五十秒，就给我生成了对应能力了。主要是该有的模块都有，而且很多细节上面做了特定的优化。模块划分： 1、仪表盘：做中央把控看模型消耗。 2、任务：看任务指派和模型上下文处理。 3、对话：直接在网页上可以和AI直接对话。现在最重要的是open code还能免费使用，可以马上上手体验一下，国产模型是越来越强了，以后真的可以不使用国外模型了。

Deepseek V4 Flash 真的惊艳到我了，我就用一句话就生成了一个AI控制台。我使用open code+Deepseek V4 Flash测试了一下模型的能力，总共不到五十秒，就给我生成了对应能力了。主要是该有的模块都有，而且很多细节上面做了特定的优化。模块划分： 1、仪表盘：做中央把控看模型消耗。 2、任务：看任务指派和模型上下文处理。 3、对话：直接在网页上可以和AI直接对话。现在最重要的是open code还能免费使用，可以马上上手体验一下，国产模型是越来越强了，以后真的可以不使用国外模型了。

小墨同学

27,520 Aufrufe • vor 18 Tagen

开源分解图层大模型这么快就来了? 给大家带来阿里刚刚发布的 Qwen-Image-Layered 模型实测, 这是一个可以把图片分成不同图层的大模型, 模型是基于 Qwen-Image 微调的. 本次我的测试覆盖这个模型的擅长场景(海报), 指令遵循测试(指定抽取目标), 边缘处理(头发), 极限测试(全是贴纸, 一个贴纸一个图层的话可以抽取50多个图层). 直接说结论, 首先还是模型太大了, 因为这个模型基于 Qwen-Image 所以是个20B的模型, 我是用HuggingFace Zero GPU 测试, 每次运行大概2分钟左右, 模型的确可以做到分离图层, 而且边缘处理很不错, 不过稳定性有待优化, 在我测试中4个图层可以输出, 但是8个或者10个图层就炸了, 怀疑可能是超过了Zero GPU超时或者bug (GPU是H200, 不太可能爆显存), 输出尺寸只有 544*736, 官方也推荐640分辨力, 这点也需要提升, 以及模型还是太大了, 20B, 希望能优化下尺寸.

开源分解图层大模型这么快就来了? 给大家带来阿里刚刚发布的 Qwen-Image-Layered 模型实测, 这是一个可以把图片分成不同图层的大模型, 模型是基于 Qwen-Image 微调的. 本次我的测试覆盖这个模型的擅长场景(海报), 指令遵循测试(指定抽取目标), 边缘处理(头发), 极限测试(全是贴纸, 一个贴纸一个图层的话可以抽取50多个图层). 直接说结论, 首先还是模型太大了, 因为这个模型基于 Qwen-Image 所以是个20B的模型, 我是用HuggingFace Zero GPU 测试, 每次运行大概2分钟左右, 模型的确可以做到分离图层, 而且边缘处理很不错, 不过稳定性有待优化, 在我测试中4个图层可以输出, 但是8个或者10个图层就炸了, 怀疑可能是超过了Zero GPU超时或者bug (GPU是H200, 不太可能爆显存), 输出尺寸只有 544*736, 官方也推荐640分辨力, 这点也需要提升, 以及模型还是太大了, 20B, 希望能优化下尺寸.

karminski-牙医

14,175 Aufrufe • vor 8 Monaten

预测真实世界下一秒北京智源研究院推出全新的多模态世界模型：Emu3.5 很多传统图像生成模型的主要问题是：它们“不懂世界”运行的规律，无法理解真实世界的物理规则和因果关系。 Emu3.5在传统图像生成的基础上，进一步让AI具备：理解真实世界的空间关系推理物体随时间变化的规律预测“世界下一秒”会是什么样不同于以往为图像、文字、视频分开设计模型，Emu3.5 将它们全部“统一”在一个系统中：首先把多模态信息包括图文视频都统一成了token；模型通过“预测下一个 token”来学习不同模态间的关系；任务统一为 NSP：预测下一个世界状态（包括视觉和语言）。 Emu3.5 不再只关注“文本之间的逻辑”，而是让模型学习“世界是如何变化的”。意思就是它不再区分：这是一张图这是一句话这是视频的一帧在它眼里，它们都是同一套“世界积木”。然后模型只做一件事：预测下一块积木是什么如果下一块积木是一行字 → 它补全文字如果是下一帧画面 → 它补全动作如果是下一步结果 → 它推演世界变化所以：预测下一 Token = 预测“世界下一秒”会是什么样

预测真实世界下一秒北京智源研究院推出全新的多模态世界模型：Emu3.5 很多传统图像生成模型的主要问题是：它们“不懂世界”运行的规律，无法理解真实世界的物理规则和因果关系。 Emu3.5在传统图像生成的基础上，进一步让AI具备：理解真实世界的空间关系推理物体随时间变化的规律预测“世界下一秒”会是什么样不同于以往为图像、文字、视频分开设计模型，Emu3.5 将它们全部“统一”在一个系统中：首先把多模态信息包括图文视频都统一成了token；模型通过“预测下一个 token”来学习不同模态间的关系；任务统一为 NSP：预测下一个世界状态（包括视觉和语言）。 Emu3.5 不再只关注“文本之间的逻辑”，而是让模型学习“世界是如何变化的”。意思就是它不再区分：这是一张图这是一句话这是视频的一帧在它眼里，它们都是同一套“世界积木”。然后模型只做一件事：预测下一块积木是什么如果下一块积木是一行字 → 它补全文字如果是下一帧画面 → 它补全动作如果是下一步结果 → 它推演世界变化所以：预测下一 Token = 预测“世界下一秒”会是什么样

小互

14,792 Aufrufe • vor 8 Monaten

Codex 本身不绑定 OpenAI——真正卡住你的，是默认的 API 密钥。大多数开发者以为 Codex 必须搭配 OpenAI 账号，其实它的核心是一个 agent loop：接收自然语言指令 → 调用模型生成代码 → 返回结果。只要替换模型接入点，这个 loop 就能跑在任何国产模型上。绕过限制不是 hack，而是理解 agent 架构的杠杆。视频里演示了如何用 DeepSeek 的 API Key 替代 OpenAI，让 Codex 在 90 秒内完成首次对话。

Codex 本身不绑定 OpenAI——真正卡住你的，是默认的 API 密钥。大多数开发者以为 Codex 必须搭配 OpenAI 账号，其实它的核心是一个 agent loop：接收自然语言指令 → 调用模型生成代码 → 返回结果。只要替换模型接入点，这个 loop 就能跑在任何国产模型上。绕过限制不是 hack，而是理解 agent 架构的杠杆。视频里演示了如何用 DeepSeek 的 API Key 替代 OpenAI，让 Codex 在 90 秒内完成首次对话。

Martin

51,819 Aufrufe • vor 1 Monat

利用Hermes去使用ComfyUI实现免费生成图片和视频。上次我介绍了ComfyUI可在本地部署并且自有本地大模型，不用调用其他付费大模型。并且30/40/50显卡都可以去用，当然配置越高生成的质量就越好。大家按需去用即可。 ComfyUI我认为对于新手来说应该是不怎么难，但是还是有很多兄弟们给狙击手私信问各种操作类型的问题。那么这次我专门做了次实验就是利用Hermes去调用本地的ComfyUI去实现生图以及做视频，目前来看是可行的，至于整体的质量还要去慢慢的调试。我其实是建议大家还是把ComfyUI去系统性的学一下的，网上有各种免费的教程的。我认为既然享受这些免费开源的好软件了，就稍微用用心。哈哈，毕竟它是不要钱的。下面的视频看一下我第一次调用ComfyUI，生成的第一张图片的结果吧。你们看看怎么样？对了我引用的推文里面有ComfyUI的安装包，免费自取！

利用Hermes去使用ComfyUI实现免费生成图片和视频。上次我介绍了ComfyUI可在本地部署并且自有本地大模型，不用调用其他付费大模型。并且30/40/50显卡都可以去用，当然配置越高生成的质量就越好。大家按需去用即可。 ComfyUI我认为对于新手来说应该是不怎么难，但是还是有很多兄弟们给狙击手私信问各种操作类型的问题。那么这次我专门做了次实验就是利用Hermes去调用本地的ComfyUI去实现生图以及做视频，目前来看是可行的，至于整体的质量还要去慢慢的调试。我其实是建议大家还是把ComfyUI去系统性的学一下的，网上有各种免费的教程的。我认为既然享受这些免费开源的好软件了，就稍微用用心。哈哈，毕竟它是不要钱的。下面的视频看一下我第一次调用ComfyUI，生成的第一张图片的结果吧。你们看看怎么样？对了我引用的推文里面有ComfyUI的安装包，免费自取！

DeFi狙击手 | Ai🕊️

35,180 Aufrufe • vor 2 Monaten

这是我来到 X 以后，学会的几个新的操作。很多X新手应该都不知道，我也一直踩坑： 1、第一个操作，就是在通知里看到某一条消息之后，打开之后看不到原帖是哪个。这个时候你把页面向上滑动一下，你才能看到他回复的是哪个帖子。 2、第二个操作，怎么发长线程的推文？点击发帖，发帖之后，把第一个帖子编辑好之后，就可以点击右下角的一个添加加号，然后就可以添加新的内容，也就是发一个长线程的推文。 3、第三个操作，转发视频。其实有时候你转发其他人的推文的时候，可以不用直接转发推文，而是直接把视频引用过来，看起来像是自己发的视频一样。怎么操作呢？就是你进入到这个视频的页面，然后长按视频，然后点发布视频。然后就会带入一个链接，然后你在链接的前面输入你的文字，你发布出去之后就会只引用对方的视频，有时候看起来跟你自己发的是一样的。你学会了吗？没学会的可以👀看视频

这是我来到 X 以后，学会的几个新的操作。很多X新手应该都不知道，我也一直踩坑： 1、第一个操作，就是在通知里看到某一条消息之后，打开之后看不到原帖是哪个。这个时候你把页面向上滑动一下，你才能看到他回复的是哪个帖子。 2、第二个操作，怎么发长线程的推文？点击发帖，发帖之后，把第一个帖子编辑好之后，就可以点击右下角的一个添加加号，然后就可以添加新的内容，也就是发一个长线程的推文。 3、第三个操作，转发视频。其实有时候你转发其他人的推文的时候，可以不用直接转发推文，而是直接把视频引用过来，看起来像是自己发的视频一样。怎么操作呢？就是你进入到这个视频的页面，然后长按视频，然后点发布视频。然后就会带入一个链接，然后你在链接的前面输入你的文字，你发布出去之后就会只引用对方的视频，有时候看起来跟你自己发的是一样的。你学会了吗？没学会的可以👀看视频

鱼总聊AI

13,474 Aufrufe • vor 7 Monaten

OpenAI 的大神 Andrej Karpathy 前几天在他的 YouTube 频道讲了一堂课，系统的介绍了大语言模型，内容深入浅出，非常赞，抽空将它翻译成了双语，由于内容较长，我将分批上传，以下是第一部分精校后的双语视频，字幕文稿如下： Intro: Large Language Model (LLM) talk 大家好。最近，我进行了一场关于大语言模型的 30 分钟入门讲座。遗憾的是，这次讲座没有被录制下来，但许多人在讲座后找到我，他们告诉我非常喜欢那次讲座。因此，我决定重新录制并上传到 YouTube，那么，让我们开始吧，为大家带来“忙碌人士的大语言模型入门”系列，主讲人 Scott。好的，那我们开始吧。 LLM Inference 首先，什么是大语言模型 (Large Language Model) 呢？其实，一个大语言模型就是由两个文件组成的。在这个假设的目录中会有两个文件。以 Llama 2 70B 模型为例，这是一个由 Meta AI 发布的大语言模型。这是 Llama 系列语言模型的第二代，也是该系列中参数最多的模型，达到了 700 亿。LAMA2 系列包括了多个不同规模的模型，70 亿，130 亿，340 亿，700 亿是最大的一个。现在很多人喜欢这个模型，因为它可能是目前公开权重最强大的模型。Meta 发布了这款模型的权重、架构和相关论文，所以任何人都可以很轻松地使用这个模型。这与其他一些你可能熟悉的语言模型不同，例如，如果你正在使用 ChatGPT 或类似的东西，其架构并未公开，是 OpenAI 的产权，你只能通过网页界面使用，但你实际上没有访问那个模型的权限。在这种情况下，Llama 2 70B 模型实际上就是你电脑上的两个文件：一个是存储参数的文件，另一个是运行这些参数的代码。这些参数是神经网络（即语言模型）的权重或参数。我们稍后会详细解释。因为这是一个拥有 700 亿参数的模型，每个参数占用两个字节，因此参数文件的大小为 140 GB，之所以是两个字节，是因为这是 float 16 类型的数据。除了这些参数，还有一大堆神经网络的参数。你还需要一些能运行神经网络的代码，这些代码被包含在我们所说的运行文件中。这个运行文件可以是 C 语言或 Python，或任何其他编程语言编写的。它可以用任何语言编写，但 C 语言是一种非常简单的语言，只是举个例子。只需大约 500 行 C 语言代码，无需任何其他依赖，就能构建起神经网络架构，并且主要依靠一些参数来运行模型。所以只需要这两个文件。你只需带上这两个文件和你的 MacBook，就拥有了一个完整的工具包。你不需要连接互联网或其他任何设备。你可以拿着这两个文件，编译你的 C 语言代码。你将得到一个可针对参数运行并与语言模型交互的二进制文件。比如，你可以让它写一首关于 Scale AI 公司的诗，语言模型就会开始生成文本。在这种情况下，它会按照指示为你创作一首关于 Scale AI 的诗。之所以选用 Scale AI 作为例子，你会在整个演讲中看到，是因为我最初在 Scale AI 举办的活动上介绍过这个话题，所以演讲中会多次提到它，以便内容更具体。这就是我们如何运行模型的方式。只需要两个文件和一台 MacBook。我在这里稍微有点作弊，因为这并不是在运行一个有 700 亿参数的模型，而是在运行一个有 70 亿参数的模型。一个有 700 亿参数的模型运行速度大约会慢 10 倍。但我想给你们展示一下文本生成的过程，让你们了解它是什么样子。所以运行模型并不需要很多东西。这是一个非常小的程序包，但是当我们需要获取那些参数时，计算的复杂性就真正显现出来了。那么，这些参数从何而来，我们如何获得它们？因为无论 run.c 文件中的内容是什么，神经网络的架构和前向传播都是算法上明确且公开的。

OpenAI 的大神 Andrej Karpathy 前几天在他的 YouTube 频道讲了一堂课，系统的介绍了大语言模型，内容深入浅出，非常赞，抽空将它翻译成了双语，由于内容较长，我将分批上传，以下是第一部分精校后的双语视频，字幕文稿如下： Intro: Large Language Model (LLM) talk 大家好。最近，我进行了一场关于大语言模型的 30 分钟入门讲座。遗憾的是，这次讲座没有被录制下来，但许多人在讲座后找到我，他们告诉我非常喜欢那次讲座。因此，我决定重新录制并上传到 YouTube，那么，让我们开始吧，为大家带来“忙碌人士的大语言模型入门”系列，主讲人 Scott。好的，那我们开始吧。 LLM Inference 首先，什么是大语言模型 (Large Language Model) 呢？其实，一个大语言模型就是由两个文件组成的。在这个假设的目录中会有两个文件。以 Llama 2 70B 模型为例，这是一个由 Meta AI 发布的大语言模型。这是 Llama 系列语言模型的第二代，也是该系列中参数最多的模型，达到了 700 亿。LAMA2 系列包括了多个不同规模的模型，70 亿，130 亿，340 亿，700 亿是最大的一个。现在很多人喜欢这个模型，因为它可能是目前公开权重最强大的模型。Meta 发布了这款模型的权重、架构和相关论文，所以任何人都可以很轻松地使用这个模型。这与其他一些你可能熟悉的语言模型不同，例如，如果你正在使用 ChatGPT 或类似的东西，其架构并未公开，是 OpenAI 的产权，你只能通过网页界面使用，但你实际上没有访问那个模型的权限。在这种情况下，Llama 2 70B 模型实际上就是你电脑上的两个文件：一个是存储参数的文件，另一个是运行这些参数的代码。这些参数是神经网络（即语言模型）的权重或参数。我们稍后会详细解释。因为这是一个拥有 700 亿参数的模型，每个参数占用两个字节，因此参数文件的大小为 140 GB，之所以是两个字节，是因为这是 float 16 类型的数据。除了这些参数，还有一大堆神经网络的参数。你还需要一些能运行神经网络的代码，这些代码被包含在我们所说的运行文件中。这个运行文件可以是 C 语言或 Python，或任何其他编程语言编写的。它可以用任何语言编写，但 C 语言是一种非常简单的语言，只是举个例子。只需大约 500 行 C 语言代码，无需任何其他依赖，就能构建起神经网络架构，并且主要依靠一些参数来运行模型。所以只需要这两个文件。你只需带上这两个文件和你的 MacBook，就拥有了一个完整的工具包。你不需要连接互联网或其他任何设备。你可以拿着这两个文件，编译你的 C 语言代码。你将得到一个可针对参数运行并与语言模型交互的二进制文件。比如，你可以让它写一首关于 Scale AI 公司的诗，语言模型就会开始生成文本。在这种情况下，它会按照指示为你创作一首关于 Scale AI 的诗。之所以选用 Scale AI 作为例子，你会在整个演讲中看到，是因为我最初在 Scale AI 举办的活动上介绍过这个话题，所以演讲中会多次提到它，以便内容更具体。这就是我们如何运行模型的方式。只需要两个文件和一台 MacBook。我在这里稍微有点作弊，因为这并不是在运行一个有 700 亿参数的模型，而是在运行一个有 70 亿参数的模型。一个有 700 亿参数的模型运行速度大约会慢 10 倍。但我想给你们展示一下文本生成的过程，让你们了解它是什么样子。所以运行模型并不需要很多东西。这是一个非常小的程序包，但是当我们需要获取那些参数时，计算的复杂性就真正显现出来了。那么，这些参数从何而来，我们如何获得它们？因为无论 run.c 文件中的内容是什么，神经网络的架构和前向传播都是算法上明确且公开的。

宝玉

1,123,334 Aufrufe • vor 2 Jahren

这个太牛X了！！天天人工智能，大模型，Transformer挂在嘴边，但是大模型到底是怎么运行的在我们的认知里就是一个黑盒。这个太牛X了！ The LLM Visualization 将大语言模型的内部运作，变成了一个你可以亲手“玩”的交互式可视化界面。清晰地看到每一个词的“注意力”是如何分配给其他词的，直观地理解模型是如何“思考”和“关联”上下文的。非常详细，不是大概模拟，是精确模拟，细节拉满，可自由放大缩小，360度变换视角，每一步都有解释，复杂步数还有运行步骤。 AI爱好者一定要亲自体验一下，太震撼了！！

这个太牛X了！！天天人工智能，大模型，Transformer挂在嘴边，但是大模型到底是怎么运行的在我们的认知里就是一个黑盒。这个太牛X了！ The LLM Visualization 将大语言模型的内部运作，变成了一个你可以亲手“玩”的交互式可视化界面。清晰地看到每一个词的“注意力”是如何分配给其他词的，直观地理解模型是如何“思考”和“关联”上下文的。非常详细，不是大概模拟，是精确模拟，细节拉满，可自由放大缩小，360度变换视角，每一步都有解释，复杂步数还有运行步骤。 AI爱好者一定要亲自体验一下，太震撼了！！

沉浸式翻译

209,915 Aufrufe • vor 10 Monaten

Cursor 推出炼蛊模式！一口气能开8个代理！给大家带来 Cursor 2.0 更新内容！这个分量的确够得上一个大版本更新。首先，推出了炼蛊模式，你最多可以开8个 Agent 并行运行同一个任务，然后矬子里面拔大个，选你觉得AI生成的最好的结果。其次，cursor 早就传出内部在炼大模型，终于推出了！目前宣传点是生成速度，这个我一会儿会单独放出这个模型的评测视频！然后！可以在Cursor里面直接打开浏览器了！这叫一个真套娃了，本身就是 Electron，又套个 chromium。跑题了，这个最大的作用其实是为大模型进行视觉设计或debug铺平道路。是个非常不错的功能。就是不知道大家内存抗不扛得住。还有！现在支持语音输入了，终于可以真的当老板了用嘴命令它干活了。剩下就是一些小改进了，包括可以在一个chat里面看多个文件的修改啦，其实跟github的合并pr的模式差不多。命令可以运行在安全沙箱，再也不用担心输入了个波浪线，大模型灭门事件了。团队配置集中管理啦，可以在后代运行多个 plan mode，玩田忌赛马等等等等。总之，请确保你的订阅套餐够烧

Cursor 推出炼蛊模式！一口气能开8个代理！给大家带来 Cursor 2.0 更新内容！这个分量的确够得上一个大版本更新。首先，推出了炼蛊模式，你最多可以开8个 Agent 并行运行同一个任务，然后矬子里面拔大个，选你觉得AI生成的最好的结果。其次，cursor 早就传出内部在炼大模型，终于推出了！目前宣传点是生成速度，这个我一会儿会单独放出这个模型的评测视频！然后！可以在Cursor里面直接打开浏览器了！这叫一个真套娃了，本身就是 Electron，又套个 chromium。跑题了，这个最大的作用其实是为大模型进行视觉设计或debug铺平道路。是个非常不错的功能。就是不知道大家内存抗不扛得住。还有！现在支持语音输入了，终于可以真的当老板了用嘴命令它干活了。剩下就是一些小改进了，包括可以在一个chat里面看多个文件的修改啦，其实跟github的合并pr的模式差不多。命令可以运行在安全沙箱，再也不用担心输入了个波浪线，大模型灭门事件了。团队配置集中管理啦，可以在后代运行多个 plan mode，玩田忌赛马等等等等。总之，请确保你的订阅套餐够烧

karminski-牙医

21,725 Aufrufe • vor 9 Monaten

最近当大家都在刷屏Fable 5和GPT-5.6 的时候，殊不知腾讯已经悄无声息的把大模型能力给追上来了。你们知道腾讯低调到什么程度吗？前几天发布的Hy3 ，21B的激活参数已经可以打平旗舰水准，并且直接塞进微信10 亿+用户手里，这才是国产大模型真正的王炸啊兄弟们！说实话周一刷到 Hy3 发布消息那会儿，我第一反应跟很多人一样：又一个卷参数的国产模型？趁着周末有空，我仔细翻了一圈资料，发现完全不是这么回事。原来Tencent Hy这个模型从一开始就不是朝着聊天模型去的，人家的定位就是奔着干活去的 Agent 向 LLM。另外最反直觉的是它的推理效率，295B 总参数，实际激活只有 21B 的 MoE 架构，就能打平参数是它 2 到 5 倍的旗舰模型，这事儿我琢磨了一下，其实有点像团队管理，并不是说人越多产出越高，关键得看真正干活的那几个人靠不靠谱。为什么这个效率重要呢？你想想微信每天服务 10 亿人， token 成本多一厘都是天文数字， 21B 激活还能打出旗舰水准，我觉得这才是它能被规模化铺开的根本原因，跟刷榜没半毛钱关系。说到刷榜，我仔细研究之后这个版本还真不是，从 preview 到正式版，Hy3 是Hunyuan团队拿了50 多个真实业务的反馈不断迭代出来的，内部 WorkBuddy 任务成功率从 72% 干到 90%，耗时降了 34%，幻觉和常识错误全往下掉。我原来以为 Agent 的核心是想得多深，后来发现真正决定能不能上生产的，是稳不稳，比如工具编排会不会中途崩，出错了能不能自己爬回来，换个框架差不差太多等等，就是这些不起眼的东西，才是能跑完一整套 workflow 不掉链子的关键。当然实际测试下来Hy3 也有短板，比如纯视觉它还不够强，不过腾讯也有单独的多模态大模型线，它能打的主要还是 coding、办公、复杂任务规划这几块。最后说个我的一个判断：就是接下来大模型拼的可能不是谁参数更大了，核心看谁能把干活的能力以最低摩擦送到更多人手里，比如Hy3 我理解它可能不是一个更会聊天的模型，更像是一个更会干活的 Agent 底座。话说回来，腾讯这步棋确实走得挺狠，我觉得国产大模型的拐点真的要到了，下方视频是我用Hy3跑的几个测试案例，分别让它做了一个介绍自己的HTML网页，一个我的认知系统agent网页，和做了一个10页的PPT，都很惊艳，大家可以感受下，会干活、会自检、还会主动说自己哪没做到位，我觉得这才是 Agent 时代，真正能用的模型该有的样子hh～ #Hy3 #Hunyuan #TencentAI

最近当大家都在刷屏Fable 5和GPT-5.6 的时候，殊不知腾讯已经悄无声息的把大模型能力给追上来了。你们知道腾讯低调到什么程度吗？前几天发布的Hy3 ，21B的激活参数已经可以打平旗舰水准，并且直接塞进微信10 亿+用户手里，这才是国产大模型真正的王炸啊兄弟们！说实话周一刷到 Hy3 发布消息那会儿，我第一反应跟很多人一样：又一个卷参数的国产模型？趁着周末有空，我仔细翻了一圈资料，发现完全不是这么回事。原来Tencent Hy这个模型从一开始就不是朝着聊天模型去的，人家的定位就是奔着干活去的 Agent 向 LLM。另外最反直觉的是它的推理效率，295B 总参数，实际激活只有 21B 的 MoE 架构，就能打平参数是它 2 到 5 倍的旗舰模型，这事儿我琢磨了一下，其实有点像团队管理，并不是说人越多产出越高，关键得看真正干活的那几个人靠不靠谱。为什么这个效率重要呢？你想想微信每天服务 10 亿人， token 成本多一厘都是天文数字， 21B 激活还能打出旗舰水准，我觉得这才是它能被规模化铺开的根本原因，跟刷榜没半毛钱关系。说到刷榜，我仔细研究之后这个版本还真不是，从 preview 到正式版，Hy3 是Hunyuan团队拿了50 多个真实业务的反馈不断迭代出来的，内部 WorkBuddy 任务成功率从 72% 干到 90%，耗时降了 34%，幻觉和常识错误全往下掉。我原来以为 Agent 的核心是想得多深，后来发现真正决定能不能上生产的，是稳不稳，比如工具编排会不会中途崩，出错了能不能自己爬回来，换个框架差不差太多等等，就是这些不起眼的东西，才是能跑完一整套 workflow 不掉链子的关键。当然实际测试下来Hy3 也有短板，比如纯视觉它还不够强，不过腾讯也有单独的多模态大模型线，它能打的主要还是 coding、办公、复杂任务规划这几块。最后说个我的一个判断：就是接下来大模型拼的可能不是谁参数更大了，核心看谁能把干活的能力以最低摩擦送到更多人手里，比如Hy3 我理解它可能不是一个更会聊天的模型，更像是一个更会干活的 Agent 底座。话说回来，腾讯这步棋确实走得挺狠，我觉得国产大模型的拐点真的要到了，下方视频是我用Hy3跑的几个测试案例，分别让它做了一个介绍自己的HTML网页，一个我的认知系统agent网页，和做了一个10页的PPT，都很惊艳，大家可以感受下，会干活、会自检、还会主动说自己哪没做到位，我觉得这才是 Agent 时代，真正能用的模型该有的样子hh～ #Hy3 #Hunyuan #TencentAI

AYi

194,015 Aufrufe • vor 1 Monat