Загрузка видео...

Не удалось загрузить видео

На главную

以前一直觉得 AI Coding 拼的是模型聪不聪明，现在反而越来越觉得，真正影响开发体验的是一个成本可控、速度快、指令遵循稳定的执行节点。 所以体验 Ling-3.0-flash 时，我特意按照官方推荐的 AI Pair Programming（AI 结对编程） 来试了一次。 我选的是一个相对经典的案例网页端 Pixel Art（像素画）编辑器。 整个过程，我没有让它直接生成完整项目，而是先自己把边界定义好： ·TypeScript + Vite ·单页应用 ·支持镜像绘制 ·Undo / Redo ·PNG 导入导出 ·Tile Preview（平铺预览） 剩下的交给 Ling-3.0-flash。 第一步：先搭框架，而不是直接写功能 它没有像很多模型一样把所有代码塞进一个文件，而是很自然地拆成了 Canvas、History、Mirror、Toolbar 等模块。 这一点让我挺意外，因为后面不断增加功能时，每次修改几乎都能定位到对应模块，而不是整份代码重写。 这也是 Pair Programming 和 One-shot 最大的区别，人负责决定怎么做，AI负责把它实现出来。 第二步：一边开发，一边改需求 框架出来之后，我开始不断改需求。 第一次，我让它增加镜像绘制，没多久功能就完成了。 随后我又继续提出新的要求镜像模式支持四向对称、左右堆成、上下对称，它没有推翻之前的逻辑，而是在已有代码基础上继续扩展。 接着我又增加了 Undo / Redo、随机画图，然后再加入...

JimmyShequ's profile picture

JIM'S FRIENDS🔶 买美股上币安

20,193 subscribers

137,237 просмотров • 18 дней назад •via X (Twitter)

Наука и технологии
LIVE

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

蚂蚁百灵刚刚发布了 Ling-3.0-flash： 一个AI 执行层的关键拼图 刚刚看到 Ling-3.0-flash 正式发布，我觉得这款模型值得认真关注。原因很简单：在 AI 工程越来越深入到实际业务的今天，大家早就不满足于模型“会不会想”了，更关键的是它“能不能持续做”。 尤其是在 Agent 工作流中，需要高频调用工具、迭代代码、处理长程任务时，一个响应快、执行稳的执行引擎成了刚需。Ling-3.0-flash 的出现，正好瞄准了这个缺口。 1. Agent 的执行层 从我的角度看，它最聪明的一点是没有去硬拼超大模型的深度推理能力，而是把自己定位成一个高速执行引擎——负责把已经规划好的任务快速落地。 这在实际应用中特别实用，比如当大模型把方案设计好之后，剩下的代码生成、工具调用、批量处理就需要一个既快又稳的模型来接手。 2. 为什么它能兼顾速度和成本 技术细节上，它采用 124B 参数的 MoE 架构，但实际激活参数约 5.1B，在推理速度和运行成本之间找平衡。 它还支持混合推理模式：简单任务可以关闭 Reasoning，降低延迟，适合大批量处理；复杂任务则可以开启思考模式，保持逻辑连贯。 原生支持 256K 上下文，对需要持续读取历史指令和项目状态的 Agent 工作流也很重要。 3.如何使用 我觉得 Ling-3.0-flash 最适合做 Agent 工作流里的执行节点。反复调用 API 或 MCP 工具时，它能根据结构化错误信息自我诊断和修复，不容易在循环调试中卡死，因此适合放进 Loop 或 Graph 架构。 4.结对编程和批量任务 结对编程是一个典型场景：人负责架构规划、边界定义和测试，Ling-3.0-flash 负责快速生成代码、调用工具、读取报错，并根据反馈持续修改。 批量处理长文档、日志、简历和结构化数据时，它看重的也是速度、格式稳定性和成本控制。直播数字人或高频办公协作，则需要它的低延迟响应来减少体验断层。 5.边界 当然，它不是万能模型。复杂系统不能只靠一句指令搞定；缺乏架构和测试环境时，结果可能跑偏；需要深度冷门知识的研究任务，还是更适合交给更大规模的推理模型。 更合理的用法是：大模型负责搜索、规划和架构设计，把方案写成规范文档；Ling-3.0-flash 负责高频工具调用、代码执行和批量处理。 总结：Ling-3.0-flash 不是来替代所有模型的，而是把 Agent 工作流里“执行层”这件事做得更快、更稳。大模型负责想清楚，它负责做出来。
0:41

蚂蚁百灵刚刚发布了 Ling-3.0-flash： 一个AI 执行层的关键拼图 刚刚看到 Ling-3.0-flash 正式发布，我觉得这款模型值得认真关注。原因很简单：在 AI 工程越来越深入到实际业务的今天，大家早就不满足于模型“会不会想”了，更关键的是它“能不能持续做”。 尤其是在 Agent 工作流中，需要高频调用工具、迭代代码、处理长程任务时，一个响应快、执行稳的执行引擎成了刚需。Ling-3.0-flash 的出现，正好瞄准了这个缺口。 1. Agent 的执行层 从我的角度看，它最聪明的一点是没有去硬拼超大模型的深度推理能力，而是把自己定位成一个高速执行引擎——负责把已经规划好的任务快速落地。 这在实际应用中特别实用，比如当大模型把方案设计好之后，剩下的代码生成、工具调用、批量处理就需要一个既快又稳的模型来接手。 2. 为什么它能兼顾速度和成本 技术细节上，它采用 124B 参数的 MoE 架构，但实际激活参数约 5.1B，在推理速度和运行成本之间找平衡。 它还支持混合推理模式：简单任务可以关闭 Reasoning，降低延迟，适合大批量处理；复杂任务则可以开启思考模式，保持逻辑连贯。 原生支持 256K 上下文，对需要持续读取历史指令和项目状态的 Agent 工作流也很重要。 3.如何使用 我觉得 Ling-3.0-flash 最适合做 Agent 工作流里的执行节点。反复调用 API 或 MCP 工具时，它能根据结构化错误信息自我诊断和修复，不容易在循环调试中卡死，因此适合放进 Loop 或 Graph 架构。 4.结对编程和批量任务 结对编程是一个典型场景：人负责架构规划、边界定义和测试，Ling-3.0-flash 负责快速生成代码、调用工具、读取报错，并根据反馈持续修改。 批量处理长文档、日志、简历和结构化数据时，它看重的也是速度、格式稳定性和成本控制。直播数字人或高频办公协作，则需要它的低延迟响应来减少体验断层。 5.边界 当然，它不是万能模型。复杂系统不能只靠一句指令搞定；缺乏架构和测试环境时，结果可能跑偏；需要深度冷门知识的研究任务，还是更适合交给更大规模的推理模型。 更合理的用法是：大模型负责搜索、规划和架构设计，把方案写成规范文档；Ling-3.0-flash 负责高频工具调用、代码执行和批量处理。 总结：Ling-3.0-flash 不是来替代所有模型的，而是把 Agent 工作流里“执行层”这件事做得更快、更稳。大模型负责想清楚，它负责做出来。

奶牛叔

65,993 просмотров • 17 дней назад

🎬 90% 的人没用明白 Codex。 因为一开始就把它当成了 ChatGPT。 但 Codex 最厉害的地方，从来不是聊天，而是动手。它会读项目、改文件、做表格、操作浏览器，直接在你的电脑里完成任务。 💡 真正决定体验的也不是 Prompt，而是四件事：Project、Permissions、Context 和 AGENTS.md。少一个都能用，多一个才开始好用。 我后来甚至不把它当 AI，而是当新人来带：先教它，再纠正它，最后把经验沉淀成 Skill。 当你开始这样用 Codex，它就不再是助手，而是一套持续进化的工作系统。
17:56

🎬 90% 的人没用明白 Codex。 因为一开始就把它当成了 ChatGPT。 但 Codex 最厉害的地方，从来不是聊天，而是动手。它会读项目、改文件、做表格、操作浏览器，直接在你的电脑里完成任务。 💡 真正决定体验的也不是 Prompt，而是四件事：Project、Permissions、Context 和 AGENTS.md。少一个都能用，多一个才开始好用。 我后来甚至不把它当 AI，而是当新人来带：先教它，再纠正它，最后把经验沉淀成 Skill。 当你开始这样用 Codex，它就不再是助手，而是一套持续进化的工作系统。

Martin

27,271 просмотров • 1 месяц назад

🚨Stitch 这次升级不得了，我觉得重点不是多了几个功能，而是 Google 正在重写 AI 设计工具的定义。 1/ Google 昨晚更新了 Stitch，官方给它的新定位很直接： AI-native software design canvas。 2/ 翻译成人话就是： 它不想只做一个 “你写一句 prompt，我给你几张 UI 图” 的工具了。 3/ 这次更新，核心就 5 个方向： 无限画布 更聪明的设计代理 语音交互 即时原型 设计系统 + DESIGN.md 4/ 最值得看的第一点，是 AI 原生画布。 现在的 Stitch 不只是吃 prompt。 还可以把 图片、文本、代码 一起作为上下文。 这说明它开始更像“设计工作台”，而不是一次性生成器。 5/ 第二点，是 agent 变强了。 Google 这次明确说，新 design agent 能理解整个项目演进过程，而且还有 Agent manager，支持你并行探索多个设计方向。 6/ 第三点，是 语音进入设计主流程。 你可以直接对着画布说话 让 Stitch 一边听一边改 还能给你实时设计反馈 7/ 第四点，是 即时原型。 现在 Stitch 可以把静态设计快速变成交互原型，点一下 Play 就能看 flow，甚至还能自动补出逻辑上的下一屏。 8/ 第五点，是很多人会低估的 DESIGN.md。 Google 把设计规则做成了一个 agent-friendly markdown，支持导入、导出、复用，还支持从 URL 提取设计系统。 9/ 所以这次 Stitch 真正从“帮你出图”，走向“参与整个设计流程”。 10/ 一句话总结： 2025 年的 Stitch，更像 UI 生成器。 2026 年这次升级之后，它开始更像 AI 设计工作台。
1:29

🚨Stitch 这次升级不得了，我觉得重点不是多了几个功能，而是 Google 正在重写 AI 设计工具的定义。 1/ Google 昨晚更新了 Stitch，官方给它的新定位很直接： AI-native software design canvas。 2/ 翻译成人话就是： 它不想只做一个 “你写一句 prompt，我给你几张 UI 图” 的工具了。 3/ 这次更新，核心就 5 个方向： 无限画布 更聪明的设计代理 语音交互 即时原型 设计系统 + DESIGN.md 4/ 最值得看的第一点，是 AI 原生画布。 现在的 Stitch 不只是吃 prompt。 还可以把 图片、文本、代码 一起作为上下文。 这说明它开始更像“设计工作台”，而不是一次性生成器。 5/ 第二点，是 agent 变强了。 Google 这次明确说，新 design agent 能理解整个项目演进过程，而且还有 Agent manager，支持你并行探索多个设计方向。 6/ 第三点，是 语音进入设计主流程。 你可以直接对着画布说话 让 Stitch 一边听一边改 还能给你实时设计反馈 7/ 第四点，是 即时原型。 现在 Stitch 可以把静态设计快速变成交互原型，点一下 Play 就能看 flow，甚至还能自动补出逻辑上的下一屏。 8/ 第五点，是很多人会低估的 DESIGN.md。 Google 把设计规则做成了一个 agent-friendly markdown，支持导入、导出、复用，还支持从 URL 提取设计系统。 9/ 所以这次 Stitch 真正从“帮你出图”，走向“参与整个设计流程”。 10/ 一句话总结： 2025 年的 Stitch，更像 UI 生成器。 2026 年这次升级之后，它开始更像 AI 设计工作台。

比特币橙子Trader

16,604 просмотров • 4 месяцев назад

我第一次用 Ling 3.0 flash，做的只是一个很基础的任务，整理50条用户评论。 评论来自不同用户，内容很杂。有 bug 报告，有功能请求，也有对整体体验的评价。 过去处理这类材料，我得一条条读，再手动归类重复问题，统计出现频率，最后才能开始写汇总报告。这个过程不难，却很耗时间，也很容易漏掉信息。 ## 把重复劳动交给模型 这次我把全部反馈一次性发给 Ling 3.0 flash，同时给了它一套更清楚的处理流程。 它需要完成的事情包括。 - 对评论按主题分类。 - 提取每条反馈里的核心信息。 - 合并重复或高度相似的建议。 - 去掉无关和冗余内容。 - 输出一份可直接查看的汇总报告。 几分钟后，结果就出来了，结构很清楚，查看起来也很省力。 像记录问题，增加深色模式，一次性导出多条消息这类反复出现的建议，都被归到了一起。不同类别的反馈也完成了统计，哪些问题出现得更多，一眼就能看出来。 ## 模型负责产出，人负责判断 这件事帮我省下来的，不只是阅读五十条评论的时间。 我不需要反复检查有没有遗漏，也不用重新核算相似评论，更少了很多手动整理时容易发生的小错误。 模型没有替我决定产品该怎么做，它只是把杂乱的信息整理成了我能判断的材料。 产品要不要做深色模式，导出功能该排在什么优先级，bug 修复要投入多少资源，这些决定依然要由人来做。 我觉得这才是更接近真实工作场景的 AI 用法。人掌握目标，规则和最终决策，模型承担整理，归纳，格式化和生成这些执行工作。 ## 很多办公任务，不需要顶级推理 不少办公场景并不缺复杂思考，真正缺的是稳定完成重复任务的能力。 日常工作里，经常会遇到这些事情。 - 阅读一批文档。 - 汇总不同来源的材料。 - 统一格式。 - 按既定规则分类。 - 生成可以直接交付的内容。 这类流程每天可能发生很多次。它们不一定需要一个负责规划全局，决定方向的模型，却很需要一个响应快，输出稳，能按要求执行的工具。 Ling 3.0 flash 给我的感觉，更像项目流程里可靠的执行环节，而不是替代负责人做判断的控制中心。 只要我把目标和流程交代清楚，它就能更快完成后续步骤。我也能把时间留给更需要批判性思考，沟通协调和决策判断的事情。 并不是每个问题都要动用最强的推理能力。把高频，重复，规则明确的流程交给更快更稳定的模型处理，往往才是效率真正提升的地方。 体验地址： 👇以下视频 是我亲自体验录制的过程
1:12

我第一次用 Ling 3.0 flash，做的只是一个很基础的任务，整理50条用户评论。 评论来自不同用户，内容很杂。有 bug 报告，有功能请求，也有对整体体验的评价。 过去处理这类材料，我得一条条读，再手动归类重复问题，统计出现频率，最后才能开始写汇总报告。这个过程不难，却很耗时间，也很容易漏掉信息。 ## 把重复劳动交给模型 这次我把全部反馈一次性发给 Ling 3.0 flash，同时给了它一套更清楚的处理流程。 它需要完成的事情包括。 - 对评论按主题分类。 - 提取每条反馈里的核心信息。 - 合并重复或高度相似的建议。 - 去掉无关和冗余内容。 - 输出一份可直接查看的汇总报告。 几分钟后，结果就出来了，结构很清楚，查看起来也很省力。 像记录问题，增加深色模式，一次性导出多条消息这类反复出现的建议，都被归到了一起。不同类别的反馈也完成了统计，哪些问题出现得更多，一眼就能看出来。 ## 模型负责产出，人负责判断 这件事帮我省下来的，不只是阅读五十条评论的时间。 我不需要反复检查有没有遗漏，也不用重新核算相似评论，更少了很多手动整理时容易发生的小错误。 模型没有替我决定产品该怎么做，它只是把杂乱的信息整理成了我能判断的材料。 产品要不要做深色模式，导出功能该排在什么优先级，bug 修复要投入多少资源，这些决定依然要由人来做。 我觉得这才是更接近真实工作场景的 AI 用法。人掌握目标，规则和最终决策，模型承担整理，归纳，格式化和生成这些执行工作。 ## 很多办公任务，不需要顶级推理 不少办公场景并不缺复杂思考，真正缺的是稳定完成重复任务的能力。 日常工作里，经常会遇到这些事情。 - 阅读一批文档。 - 汇总不同来源的材料。 - 统一格式。 - 按既定规则分类。 - 生成可以直接交付的内容。 这类流程每天可能发生很多次。它们不一定需要一个负责规划全局，决定方向的模型，却很需要一个响应快，输出稳，能按要求执行的工具。 Ling 3.0 flash 给我的感觉，更像项目流程里可靠的执行环节，而不是替代负责人做判断的控制中心。 只要我把目标和流程交代清楚，它就能更快完成后续步骤。我也能把时间留给更需要批判性思考，沟通协调和决策判断的事情。 并不是每个问题都要动用最强的推理能力。把高频，重复，规则明确的流程交给更快更稳定的模型处理，往往才是效率真正提升的地方。 体验地址： 👇以下视频 是我亲自体验录制的过程

拳头👊🕊️

14,330 просмотров • 16 дней назад

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：
0:43

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：

Joruno

15,983 просмотров • 2 месяцев назад

最近看到一个很值得研究的开源项目：learn-claude-code。 它不是在教你怎么堆 prompt、连工作流、搭节点图， 而是在教你一件更底层的事： 怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。 这个项目最有意思的观点是： 真正的 Agent 是模型本身，外面的代码只是 harness。 所以它讨论的重点，不是“怎么把流程编排得更复杂”， 而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。 说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。 我觉得这个视角很重要。 因为很多人现在做 Agent， 还停留在“拼工作流”和“堆胶水代码”的阶段。 但真正决定 Agent 能不能跑起来的， 往往是你给它什么环境，而不是你给它多少层 prompt。 这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。 如果你在关注 AI Agent、Claude Code，或者 agent engineering， 这个项目很值得看看。👇
0:38

最近看到一个很值得研究的开源项目：learn-claude-code。 它不是在教你怎么堆 prompt、连工作流、搭节点图， 而是在教你一件更底层的事： 怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。 这个项目最有意思的观点是： 真正的 Agent 是模型本身，外面的代码只是 harness。 所以它讨论的重点，不是“怎么把流程编排得更复杂”， 而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。 说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。 我觉得这个视角很重要。 因为很多人现在做 Agent， 还停留在“拼工作流”和“堆胶水代码”的阶段。 但真正决定 Agent 能不能跑起来的， 往往是你给它什么环境，而不是你给它多少层 prompt。 这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。 如果你在关注 AI Agent、Claude Code，或者 agent engineering， 这个项目很值得看看。👇

axiaisacat

44,334 просмотров • 4 месяцев назад

Ring-2.6-1T 开源了。 我最近试下来，这个模型各方面的能力都很不错，但最喜欢的一点，是它在前端 Web 页面上的审美和交互能力真的很强。 我随手让它做了一个宠物零食独立站前端，提示词其实没写多细，也没给什么复杂设计规范。结果出来之后有点惊喜：页面不是那种常见的 AI 模板感，而是真的像一个可以上线预览的品牌站。 它会自己理解“宠物零食”应该是什么气质：干净、温暖、有食欲，但又不是一味可爱。产品展示、视觉层级、按钮状态、动效节奏、页面留白，都处理得很完整。尤其是交互，不是静态摆拍，而是有浏览、有筛选、有点击反馈，像一个真正给用户逛的站。 这也是我觉得 Ring-2.6-1T 很不一样的地方。 很多模型能写页面，但写出来像“代码完成了”。Ring-2.6-1T 更像是知道一个网页应该如何被观看、被点击、被感知。它懂风格，懂交互，也懂怎么把第一版里不顺的地方继续修到更自然。 所以如果你要做高质感展示页、品牌概念站、数据可视化页面，或者 creative coding 演示，我觉得它很值得试。 不是因为它能写 HTML。 而是它真的能把一个很粗的想法，推成一个有审美、有质感、有交互的前端作品，还很快。 我把 Ring-2.6-1T制作过程放评论区了，全程没加速。
0:41

Ring-2.6-1T 开源了。 我最近试下来，这个模型各方面的能力都很不错，但最喜欢的一点，是它在前端 Web 页面上的审美和交互能力真的很强。 我随手让它做了一个宠物零食独立站前端，提示词其实没写多细，也没给什么复杂设计规范。结果出来之后有点惊喜：页面不是那种常见的 AI 模板感，而是真的像一个可以上线预览的品牌站。 它会自己理解“宠物零食”应该是什么气质：干净、温暖、有食欲，但又不是一味可爱。产品展示、视觉层级、按钮状态、动效节奏、页面留白，都处理得很完整。尤其是交互，不是静态摆拍，而是有浏览、有筛选、有点击反馈，像一个真正给用户逛的站。 这也是我觉得 Ring-2.6-1T 很不一样的地方。 很多模型能写页面，但写出来像“代码完成了”。Ring-2.6-1T 更像是知道一个网页应该如何被观看、被点击、被感知。它懂风格，懂交互，也懂怎么把第一版里不顺的地方继续修到更自然。 所以如果你要做高质感展示页、品牌概念站、数据可视化页面，或者 creative coding 演示，我觉得它很值得试。 不是因为它能写 HTML。 而是它真的能把一个很粗的想法，推成一个有审美、有质感、有交互的前端作品，还很快。 我把 Ring-2.6-1T制作过程放评论区了，全程没加速。

阿川 | AI thinking

15,263 просмотров • 2 месяцев назад

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👇
0:42

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 просмотров • 3 месяцев назад

这两年我一直有个默认假设：模型参数越大，能力越强，什么任务都该交给最大的那个模型去做。但最近我在搭一个需要长流程、反复调用工具的 Agent 任务时，专门试了试把"规划"和"执行"拆开、交给不同模型来做的思路，用的执行端模型是Ant Ling刚发布的 Ling-3.0-flash。这次体验让我对"大模型不是越大越好"这句话有了更具体的理解。 我遇到的问题 起因是我想搭一个 Blender MCP 的工作流：让 AI 帮我自动完成一个简单场景的粗模搭建和运镜——比如摆几把椅子、设置一个摄像机轨迹，作为后续正式渲染前的预演草稿。 一开始我图省事，直接让一个参数量很大的全能模型来处理整个流程：既要它想清楚场景该怎么布局、镜头该怎么运动，又要它高频地调用 Blender 的 MCP 接口去逐步执行动作。 结果是，虽然效果还行，但每一步操作等待的时间都不短，跑完一整套流程花的时间和成本都超出了我的预期——毕竟这类任务里，真正需要"深度思考"的部分只占很小一块，绝大多数时间都花在了"调用接口、摆放物体"这类重复动作上。 换成"规划-执行分离"之后 我把流程拆成了两段：先用一个知识面更广的大模型，把场景的整体构图、镜头运动路径想清楚，写成一份结构化的操作说明；然后把这份说明交给 Ling-3.0-flash，让它作为执行引擎，逐条读取说明并调用 Blender MCP 接口去落地。 这一次的差别很明显。Ling-3.0-flash 的总参数量是 124B，但实际推理时只激活 5.1B 参数，加上首字延迟能做到 500 毫秒以内，我能感觉到每一步操作的响应几乎是"秒回"的——不再是那种等大模型"想"完再动手的节奏，而是我一条指令下去，场景里的物体几乎立刻就摆好了。整套流程跑下来，成本也比全用大模型的方案低了不少。 我的体会 这次尝试让我确认了一件事：如果任务里"想清楚该怎么做"和"把已经想清楚的事情执行出来"这两部分能拆开，那把执行这一段交给 Ling-3.0-flash 这类专门优化过工具调用稳定性和响应速度的模型，确实比一个模型包办到底更划算。 但我也发现，这套分工不是无脑套用的——如果场景本身很复杂，需要边搭建边做美学判断（比如构图是否好看、光影是否协调），单靠 Ling-3.0-flash 自己去决定，效果就会打折扣，这部分还是得靠前期规划阶段先想清楚。 人负责把边界和验收标准定好，大模型负责规划，Ling-3.0-flash 负责又快又稳地把方案落地——这套组合让我第一次比较直观地感受到"规划-执行分离"这套架构的实际好处。 目前Ling-3.0-flash 现已在 OpenRouter 上线——并可免费使用至 2026 年 8 月 3 日。 链接： 也可以直接网页对话体验： 大家不妨去体验体验一下，感受下魅力
0:27

这两年我一直有个默认假设：模型参数越大，能力越强，什么任务都该交给最大的那个模型去做。但最近我在搭一个需要长流程、反复调用工具的 Agent 任务时，专门试了试把"规划"和"执行"拆开、交给不同模型来做的思路，用的执行端模型是Ant Ling刚发布的 Ling-3.0-flash。这次体验让我对"大模型不是越大越好"这句话有了更具体的理解。 我遇到的问题 起因是我想搭一个 Blender MCP 的工作流：让 AI 帮我自动完成一个简单场景的粗模搭建和运镜——比如摆几把椅子、设置一个摄像机轨迹，作为后续正式渲染前的预演草稿。 一开始我图省事，直接让一个参数量很大的全能模型来处理整个流程：既要它想清楚场景该怎么布局、镜头该怎么运动，又要它高频地调用 Blender 的 MCP 接口去逐步执行动作。 结果是，虽然效果还行，但每一步操作等待的时间都不短，跑完一整套流程花的时间和成本都超出了我的预期——毕竟这类任务里，真正需要"深度思考"的部分只占很小一块，绝大多数时间都花在了"调用接口、摆放物体"这类重复动作上。 换成"规划-执行分离"之后 我把流程拆成了两段：先用一个知识面更广的大模型，把场景的整体构图、镜头运动路径想清楚，写成一份结构化的操作说明；然后把这份说明交给 Ling-3.0-flash，让它作为执行引擎，逐条读取说明并调用 Blender MCP 接口去落地。 这一次的差别很明显。Ling-3.0-flash 的总参数量是 124B，但实际推理时只激活 5.1B 参数，加上首字延迟能做到 500 毫秒以内，我能感觉到每一步操作的响应几乎是"秒回"的——不再是那种等大模型"想"完再动手的节奏，而是我一条指令下去，场景里的物体几乎立刻就摆好了。整套流程跑下来，成本也比全用大模型的方案低了不少。 我的体会 这次尝试让我确认了一件事：如果任务里"想清楚该怎么做"和"把已经想清楚的事情执行出来"这两部分能拆开，那把执行这一段交给 Ling-3.0-flash 这类专门优化过工具调用稳定性和响应速度的模型，确实比一个模型包办到底更划算。 但我也发现，这套分工不是无脑套用的——如果场景本身很复杂，需要边搭建边做美学判断（比如构图是否好看、光影是否协调），单靠 Ling-3.0-flash 自己去决定，效果就会打折扣，这部分还是得靠前期规划阶段先想清楚。 人负责把边界和验收标准定好，大模型负责规划，Ling-3.0-flash 负责又快又稳地把方案落地——这套组合让我第一次比较直观地感受到"规划-执行分离"这套架构的实际好处。 目前Ling-3.0-flash 现已在 OpenRouter 上线——并可免费使用至 2026 年 8 月 3 日。 链接： 也可以直接网页对话体验： 大家不妨去体验体验一下，感受下魅力

韭菜饼子

83,215 просмотров • 16 дней назад

星爷讽刺了世间一切，唯独没有讽刺爱情，: 原来是如此的隐喻，到现在才明白，感谢星爷，只是我们弄脏了爱情。 —— 我之前一直对 zkML 有点矛盾。 逻辑上它很美：模型是对的，而且你还能证明它是对的。 但每次真去看实现，基本都会卡在同一个地方——跑不起来。 不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。 模型稍微大点，电路直接失控，内存、时间全都爆表， 最后只能留在论文和 demo 里自嗨。 所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”， 而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。 模型切开、并行跑、只验证关键路径， 听起来很朴素，但恰恰是工程师会选的路。 不是最优雅，但能活。 JSTprove 则更现实。 你不需要懂零知识、也不用研究电路怎么写， 把 ONNX 模型丢进去，能转、能跑、能验， 这点其实比很多“性能提升 10%”更重要。 这两块拼在一起之后，zkML 才第一次让我觉得： 它不是在证明“我可以”， 而是在回答“你要不要真用”。 对我来说，zkML 的拐点从来不是密码学突破， 而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。 懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。 逻辑上它很美：模型是对的，而且你还能证明它是对的。 但每次真去看实现，基本都会卡在同一个地方——跑不起来。 不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。 模型稍微大点，电路直接失控，内存、时间全都爆表， 最后只能留在论文和 demo 里自嗨。 所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”， 而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。 模型切开、并行跑、只验证关键路径， 听起来很朴素，但恰恰是工程师会选的路。 不是最优雅，但能活。 JSTprove 则更现实。 你不需要懂零知识、也不用研究电路怎么写， 把 ONNX 模型丢进去，能转、能跑、能验， 这点其实比很多“性能提升 10%”更重要。 这两块拼在一起之后，zkML 才第一次让我觉得： 它不是在证明“我可以”， 而是在回答“你要不要真用”。 对我来说，zkML 的拐点从来不是密码学突破， 而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。 逻辑上它很美：模型是对的，而且你还能证明它是对的。 但每次真去看实现，基本都会卡在同一个地方——跑不起来。 不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。 模型稍微大点，电路直接失控，内存、时间全都爆表， 最后只能留在论文和 demo 里自嗨。 所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”， 而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。 模型切开、并行跑、只验证关键路径， 听起来很朴素，但恰恰是工程师会选的路。 不是最优雅，但能活。 JSTprove 则更现实。 你不需要懂零知识、也不用研究电路怎么写， 把 ONNX 模型丢进去，能转、能跑、能验， 这点其实比很多“性能提升 10%”更重要。 这两块拼在一起之后，zkML 才第一次让我觉得： 它不是在证明“我可以”， 而是在回答“你要不要真用”。 对我来说，zkML 的拐点从来不是密码学突破， 而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。#KaitoYap Kaito AI 🌊 #Yap Inference Labs
0:56

星爷讽刺了世间一切，唯独没有讽刺爱情，: 原来是如此的隐喻，到现在才明白，感谢星爷，只是我们弄脏了爱情。 —— 我之前一直对 zkML 有点矛盾。 逻辑上它很美：模型是对的，而且你还能证明它是对的。 但每次真去看实现，基本都会卡在同一个地方——跑不起来。 不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。 模型稍微大点，电路直接失控，内存、时间全都爆表， 最后只能留在论文和 demo 里自嗨。 所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”， 而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。 模型切开、并行跑、只验证关键路径， 听起来很朴素，但恰恰是工程师会选的路。 不是最优雅，但能活。 JSTprove 则更现实。 你不需要懂零知识、也不用研究电路怎么写， 把 ONNX 模型丢进去，能转、能跑、能验， 这点其实比很多“性能提升 10%”更重要。 这两块拼在一起之后，zkML 才第一次让我觉得： 它不是在证明“我可以”， 而是在回答“你要不要真用”。 对我来说，zkML 的拐点从来不是密码学突破， 而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。 懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。 逻辑上它很美：模型是对的，而且你还能证明它是对的。 但每次真去看实现，基本都会卡在同一个地方——跑不起来。 不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。 模型稍微大点，电路直接失控，内存、时间全都爆表， 最后只能留在论文和 demo 里自嗨。 所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”， 而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。 模型切开、并行跑、只验证关键路径， 听起来很朴素，但恰恰是工程师会选的路。 不是最优雅，但能活。 JSTprove 则更现实。 你不需要懂零知识、也不用研究电路怎么写， 把 ONNX 模型丢进去，能转、能跑、能验， 这点其实比很多“性能提升 10%”更重要。 这两块拼在一起之后，zkML 才第一次让我觉得： 它不是在证明“我可以”， 而是在回答“你要不要真用”。 对我来说，zkML 的拐点从来不是密码学突破， 而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。 逻辑上它很美：模型是对的，而且你还能证明它是对的。 但每次真去看实现，基本都会卡在同一个地方——跑不起来。 不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。 模型稍微大点，电路直接失控，内存、时间全都爆表， 最后只能留在论文和 demo 里自嗨。 所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”， 而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。 模型切开、并行跑、只验证关键路径， 听起来很朴素，但恰恰是工程师会选的路。 不是最优雅，但能活。 JSTprove 则更现实。 你不需要懂零知识、也不用研究电路怎么写， 把 ONNX 模型丢进去，能转、能跑、能验， 这点其实比很多“性能提升 10%”更重要。 这两块拼在一起之后，zkML 才第一次让我觉得： 它不是在证明“我可以”， 而是在回答“你要不要真用”。 对我来说，zkML 的拐点从来不是密码学突破， 而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。#KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 |上Gate玩事件合约

36,252 просмотров • 7 месяцев назад

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。 我写 loops 然后让 loops 去完成工作 我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方 他们还在把它当聊天工具用： 输入一个需求 等一次回答 然后手动继续改 但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案 而是把任务拆进一个可以反复执行、检查、修正的循环里 模型不只是回答你 它会在 workflow 里持续推进任务 这类内容，可能比很多 $500 的 vibe-coding 课程更有价值 因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？
29:51

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。 我写 loops 然后让 loops 去完成工作 我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方 他们还在把它当聊天工具用： 输入一个需求 等一次回答 然后手动继续改 但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案 而是把任务拆进一个可以反复执行、检查、修正的循环里 模型不只是回答你 它会在 workflow 里持续推进任务 这类内容，可能比很多 $500 的 vibe-coding 课程更有价值 因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？

0x_Miko

188,053 просмотров • 2 месяцев назад

最近国产模型真是扬眉吐气啊，前有盛大世界模型，后有kimi k3 发布， 听说还有一个商汤的生图模型也非常能打，还没试试。 不过这篇还是给大家测试了下 K3的实力。 最近小红书刷到一位很牛的 vibe coding 创作者——流白 Livo。正好赶上 K3 发布，我就把他的一条作品视频直接丢给 K3： “照着这个效果复刻一下，最后再帮我录制成视频。” 没有从零写需求，也没有一点点拆设计。 前后只优化了 3 轮，最终效果已经非常接近原作。 最让我震撼的不是它能写代码，而是它居然能直接从视频里理解设计、还原动效，再把成品做出来。 以前的 vibe coding，是你指挥 AI 干活。 现在的感觉是： 你只需要告诉它“我想要这个”，剩下的，它真的能自己完成。 K3 这波，确实有点东西。
0:26

最近国产模型真是扬眉吐气啊，前有盛大世界模型，后有kimi k3 发布， 听说还有一个商汤的生图模型也非常能打，还没试试。 不过这篇还是给大家测试了下 K3的实力。 最近小红书刷到一位很牛的 vibe coding 创作者——流白 Livo。正好赶上 K3 发布，我就把他的一条作品视频直接丢给 K3： “照着这个效果复刻一下，最后再帮我录制成视频。” 没有从零写需求，也没有一点点拆设计。 前后只优化了 3 轮，最终效果已经非常接近原作。 最让我震撼的不是它能写代码，而是它居然能直接从视频里理解设计、还原动效，再把成品做出来。 以前的 vibe coding，是你指挥 AI 干活。 现在的感觉是： 你只需要告诉它“我想要这个”，剩下的，它真的能自己完成。 K3 这波，确实有点东西。

知识猫AI实验室

53,416 просмотров • 24 дней назад

埃隆·马斯克断言： 编码将在今年彻底死亡。不是“进化”。是死亡。 到今年12月，AI 将不再需要任何编程语言。它直接吐出机器码——那种二进制优化程度，远超人类逻辑所能触及的极限，没有翻译层，没有编译步骤，只有纯粹的、赤裸的执行。 马斯克原话：“你甚至都不用再费心去写代码。”代码从来就不是目的。它只是摩擦，是我们被迫支付的“人类税”——因为机器不懂人话。现在，AI 已经学会了流利的人类语言，这笔税，彻底取消了。再把这一切接入 Neuralink：没有语法，没有键盘，没有屏幕。 马斯克：“从想象直接到软件。”一个念头，就能变成可执行代码。你脑海中浮现一个结果，系统瞬间为你架构、优化、编译成现实。我们不是在“自动化编程”。我们是在把编程这个概念从宇宙中抹除。整个职业瞬间坍塌成一个念头。几十年的训练、无数行代码、无数个通宵——瞬间变得毫无意义。从“idea”到“成品”的距离，归零。你不再“构建”。你只需“想象”，它就具现。这不是渐进式进步。这是彻底的相变。人类一万年来“创造”的方式，在这一刻过时了。欢迎来到新世界。在这里，限制你的不再是技能、资源、时间…… 而是你能不能足够清晰地“看见”你想要的东西——然后让机器把它生出来。 我认为事情实际上可能会在今年年底之前就发生转变，到时候你甚至都不用再费心去写代码了。AI 会直接生成二进制代码，而且它生成的二进制会比任何现有编译器优化得更高效。所以你只需要说：“针对这个特定结果，生成最优化的二进制代码。”——这样就直接绕过了传统编码流程。 没错，这其实只是一个中间步骤，但我估计到今年年底，这个步骤很可能就彻底不需要了。
0:29

埃隆·马斯克断言： 编码将在今年彻底死亡。不是“进化”。是死亡。 到今年12月，AI 将不再需要任何编程语言。它直接吐出机器码——那种二进制优化程度，远超人类逻辑所能触及的极限，没有翻译层，没有编译步骤，只有纯粹的、赤裸的执行。 马斯克原话：“你甚至都不用再费心去写代码。”代码从来就不是目的。它只是摩擦，是我们被迫支付的“人类税”——因为机器不懂人话。现在，AI 已经学会了流利的人类语言，这笔税，彻底取消了。再把这一切接入 Neuralink：没有语法，没有键盘，没有屏幕。 马斯克：“从想象直接到软件。”一个念头，就能变成可执行代码。你脑海中浮现一个结果，系统瞬间为你架构、优化、编译成现实。我们不是在“自动化编程”。我们是在把编程这个概念从宇宙中抹除。整个职业瞬间坍塌成一个念头。几十年的训练、无数行代码、无数个通宵——瞬间变得毫无意义。从“idea”到“成品”的距离，归零。你不再“构建”。你只需“想象”，它就具现。这不是渐进式进步。这是彻底的相变。人类一万年来“创造”的方式，在这一刻过时了。欢迎来到新世界。在这里，限制你的不再是技能、资源、时间…… 而是你能不能足够清晰地“看见”你想要的东西——然后让机器把它生出来。 我认为事情实际上可能会在今年年底之前就发生转变，到时候你甚至都不用再费心去写代码了。AI 会直接生成二进制代码，而且它生成的二进制会比任何现有编译器优化得更高效。所以你只需要说：“针对这个特定结果，生成最优化的二进制代码。”——这样就直接绕过了传统编码流程。 没错，这其实只是一个中间步骤，但我估计到今年年底，这个步骤很可能就彻底不需要了。

🌹MIDNIGHT🌹ROSE🌹

99,266 просмотров • 6 месяцев назад

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”！
0:34

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 просмотров • 4 месяцев назад

看完 Charlie Guo 用 GPT-5.6 + Codex 做卡牌游戏，我对前几天那篇文章里的判断更确定了！ 他没有先写一份很长的 PRD，也没有把任务拆成几十个 tickets。 只是给了 Codex 一个相对开放的目标，GPT-5.6 就开始自己设计玩法、编写代码、生成美术，并交付了一个可以运行的版本。 之后再追加关卡、机制、配乐和美术要求，它也能继续沿着原来的项目往下推进，甚至会自己判断什么时候需要调用 sub-agents，把不同任务并行完成。 这段演示真正值得看的是，它展示了一种新的协作方式： 你不再需要提前规定模型每一步该怎么思考、怎么拆任务、怎么执行。 你需要把真正重要的事情说清楚，然后让模型在工具和项目环境中持续推进。 这也正是我在这篇文章里想讲清楚的问题： 《GPT-5.6 Prompt 到底该怎么写？OpenAI 官方指南，一篇讲透！》 很多人升级模型之后，仍然沿用过去那套很长、很重、充满过程控制的 Prompt。 模型变了，Prompt 的重心也应该跟着改变。 Charlie 的演示给出了一个很直观的答案，而文章里我把背后的官方建议、改写方法和可直接复用的 Prompt 框架完整整理了出来。 正在使用 GPT-5.6、Codex，或者准备搭建 Agent Workflow 的人，可以把视频和文章放在一起看。
1:58

看完 Charlie Guo 用 GPT-5.6 + Codex 做卡牌游戏，我对前几天那篇文章里的判断更确定了！ 他没有先写一份很长的 PRD，也没有把任务拆成几十个 tickets。 只是给了 Codex 一个相对开放的目标，GPT-5.6 就开始自己设计玩法、编写代码、生成美术，并交付了一个可以运行的版本。 之后再追加关卡、机制、配乐和美术要求，它也能继续沿着原来的项目往下推进，甚至会自己判断什么时候需要调用 sub-agents，把不同任务并行完成。 这段演示真正值得看的是，它展示了一种新的协作方式： 你不再需要提前规定模型每一步该怎么思考、怎么拆任务、怎么执行。 你需要把真正重要的事情说清楚，然后让模型在工具和项目环境中持续推进。 这也正是我在这篇文章里想讲清楚的问题： 《GPT-5.6 Prompt 到底该怎么写？OpenAI 官方指南，一篇讲透！》 很多人升级模型之后，仍然沿用过去那套很长、很重、充满过程控制的 Prompt。 模型变了，Prompt 的重心也应该跟着改变。 Charlie 的演示给出了一个很直观的答案，而文章里我把背后的官方建议、改写方法和可直接复用的 Prompt 框架完整整理了出来。 正在使用 GPT-5.6、Codex，或者准备搭建 Agent Workflow 的人，可以把视频和文章放在一起看。

CodeAlpha

61,950 просмотров • 28 дней назад

如果你会清理C盘垃圾，你将是公司的“电脑专家”！ 如果你会做一个简单好用、并且没有广告的垃圾清理小工具，那你将是所有女同事心中的“IT之神”！！ WIN系统电脑的清理工具其实很多，我用最多的是一些大神从大厂软件里剥离出来的“绿色单文件版”，只保留垃圾清理这一个功能！足够轻量简单！ 为了在女同事面前露一手，突发奇想干脆自己做了一个和我同名的C 盘清理桌面小工具。 界面尽量简单，没有广告，也不去塞一堆看不懂的“高级功能”。 但Codex额度没了！！ 于是我打开了OpenCode ，在OpenRouter上翻了好一阵牌子，最后选了蚂蚁 Ant Ling 新发的Ling-3.0-flash！！ 蚂蚁最近动作太频繁了，正好也试一试这个新模型！！ 我把需求拆成了几步，UI、清理引擎、扫描测试分阶段执行，让它持续读取项目、修改代码、运行程序，再根据实际结果继续调整。 结果还真是出乎意料，整体给我的感觉很快，而且很有章法！ 不是“一句话就生成完整软件”，每一步都是动态的， 我负责确定功能、边界和安全规则，它负责高频写代码、执行修改和处理反馈。 还别说，这种flash模型真的很适合干这种需求明确，工程不算复杂的任务！ 就是不知道后面官方会怎么定价，按照蚂蚁的习惯，应该很快会开源的！！
0:55

如果你会清理C盘垃圾，你将是公司的“电脑专家”！ 如果你会做一个简单好用、并且没有广告的垃圾清理小工具，那你将是所有女同事心中的“IT之神”！！ WIN系统电脑的清理工具其实很多，我用最多的是一些大神从大厂软件里剥离出来的“绿色单文件版”，只保留垃圾清理这一个功能！足够轻量简单！ 为了在女同事面前露一手，突发奇想干脆自己做了一个和我同名的C 盘清理桌面小工具。 界面尽量简单，没有广告，也不去塞一堆看不懂的“高级功能”。 但Codex额度没了！！ 于是我打开了OpenCode ，在OpenRouter上翻了好一阵牌子，最后选了蚂蚁 Ant Ling 新发的Ling-3.0-flash！！ 蚂蚁最近动作太频繁了，正好也试一试这个新模型！！ 我把需求拆成了几步，UI、清理引擎、扫描测试分阶段执行，让它持续读取项目、修改代码、运行程序，再根据实际结果继续调整。 结果还真是出乎意料，整体给我的感觉很快，而且很有章法！ 不是“一句话就生成完整软件”，每一步都是动态的， 我负责确定功能、边界和安全规则，它负责高频写代码、执行修改和处理反馈。 还别说，这种flash模型真的很适合干这种需求明确，工程不算复杂的任务！ 就是不知道后面官方会怎么定价，按照蚂蚁的习惯，应该很快会开源的！！

沐阳

16,565 просмотров • 16 дней назад

来自 Claude Code 团队成员 Thariq 分享的用好 Fable 5模型的秘诀。 以下内容整理自 Thariq 的视频： 过去，我们需要时刻检查 Claude 是否在正确地做事。比如，把任务拆分成小块交给它、反复检查它的输出，并在它过早停下时发现问题。但有了 Claude Fable 5，我反而发现自己越来越多地是在检查 Claude 是否在做正确的工作。 Fable 可以一次运行几个小时，它会测试自己的工作，老实说，我经常发现它写出的代码比我的还要好。我的工作变得越来越侧重于指引方向和前期设置，而不是监督。因此，以下是我在使用 Fable 时，工作方式发生的三个改变。 首先，我把 Claude 当作一个思维伙伴。我给它提供所需的上下文。其次，我给 Claude 设定目标并提供验证这些目标的方法。最后，我试着变得更有野心，让 Claude 去做我以前从未尝试过的事情。 第一点，你要越来越多地把 Claude 视为一个思维伙伴。 我在使用 Fable 时发现的一个失败模式是，我可能实际上并不知道自己想要什么，或者我可能不知道什么是可行的。但是，在我的思考过程中尽早让 Claude 参与进来，我就可以在实施之前发现这些问题。 举个例子，我会先从一个小的需求规范（spec）开始，在编写最终的规范文件之前，我会要求 Claude 就实施方案对我进行“面试提问”。这有助于我建立信心，确信自己知道想要什么。或者，我也可能抛出一个想法，让它想出几个可以发展的方向，并制作一些 HTML 页面原型供我审查。 当我准备好进行实施时，我会尽量给它提供上下文，而不仅仅是约束条件，这样 Claude 就能真正帮助我达成目标。 例如，我不会说“保持简单，不要过度设计”，而是会说：“嘿，这个功能是个实验。我们很有可能在一个月后删掉它。所以不要构建任何丢弃起来会很心疼的东西。”给它这样的上下文，能让它发现你可能都没想到的事情。 一旦你知道自己想要什么了，特别是面对一个雄心勃勃的难题时，考虑给 Claude 设定目标以及验证目标的方法。 为此，我们推出了两个很好用的新功能，我也鼓励大家试一试：/goal（目标指令）和 workflows（工作流）。目标功能帮助 Claude 持续工作直至完成，而工作流则帮助 Claude 验证其工作。 因此，在我写完规范文档后，我可能会告诉 Claude：“设定一个目标，以完整实现该规范。然后使用工作流来验证计划的每个部分，并准备一份报告，说明已实现了哪些内容以及是否有任何差异。”这让 Claude 能够尽可能以富有创意和周到的方式发挥其能力，同时又能确保它正在构建你想要的东西。 最后，试着更有野心一些。 Fable 真的是一个令人难以置信的模型，它促使我在工作中打破常规去思考。例如，我正在用 Fable 剪辑这个视频。如果有什么事情是你以为大语言模型做不到的，给它个机会试试。我们由衷地认为，Fable 提高了“一切皆有可能”的上限。
3:00

来自 Claude Code 团队成员 Thariq 分享的用好 Fable 5模型的秘诀。 以下内容整理自 Thariq 的视频： 过去，我们需要时刻检查 Claude 是否在正确地做事。比如，把任务拆分成小块交给它、反复检查它的输出，并在它过早停下时发现问题。但有了 Claude Fable 5，我反而发现自己越来越多地是在检查 Claude 是否在做正确的工作。 Fable 可以一次运行几个小时，它会测试自己的工作，老实说，我经常发现它写出的代码比我的还要好。我的工作变得越来越侧重于指引方向和前期设置，而不是监督。因此，以下是我在使用 Fable 时，工作方式发生的三个改变。 首先，我把 Claude 当作一个思维伙伴。我给它提供所需的上下文。其次，我给 Claude 设定目标并提供验证这些目标的方法。最后，我试着变得更有野心，让 Claude 去做我以前从未尝试过的事情。 第一点，你要越来越多地把 Claude 视为一个思维伙伴。 我在使用 Fable 时发现的一个失败模式是，我可能实际上并不知道自己想要什么，或者我可能不知道什么是可行的。但是，在我的思考过程中尽早让 Claude 参与进来，我就可以在实施之前发现这些问题。 举个例子，我会先从一个小的需求规范（spec）开始，在编写最终的规范文件之前，我会要求 Claude 就实施方案对我进行“面试提问”。这有助于我建立信心，确信自己知道想要什么。或者，我也可能抛出一个想法，让它想出几个可以发展的方向，并制作一些 HTML 页面原型供我审查。 当我准备好进行实施时，我会尽量给它提供上下文，而不仅仅是约束条件，这样 Claude 就能真正帮助我达成目标。 例如，我不会说“保持简单，不要过度设计”，而是会说：“嘿，这个功能是个实验。我们很有可能在一个月后删掉它。所以不要构建任何丢弃起来会很心疼的东西。”给它这样的上下文，能让它发现你可能都没想到的事情。 一旦你知道自己想要什么了，特别是面对一个雄心勃勃的难题时，考虑给 Claude 设定目标以及验证目标的方法。 为此，我们推出了两个很好用的新功能，我也鼓励大家试一试：/goal（目标指令）和 workflows（工作流）。目标功能帮助 Claude 持续工作直至完成，而工作流则帮助 Claude 验证其工作。 因此，在我写完规范文档后，我可能会告诉 Claude：“设定一个目标，以完整实现该规范。然后使用工作流来验证计划的每个部分，并准备一份报告，说明已实现了哪些内容以及是否有任何差异。”这让 Claude 能够尽可能以富有创意和周到的方式发挥其能力，同时又能确保它正在构建你想要的东西。 最后，试着更有野心一些。 Fable 真的是一个令人难以置信的模型，它促使我在工作中打破常规去思考。例如，我正在用 Fable 剪辑这个视频。如果有什么事情是你以为大语言模型做不到的，给它个机会试试。我们由衷地认为，Fable 提高了“一切皆有可能”的上限。

宝玉

143,276 просмотров • 1 месяц назад

【Vibe Coding 实战心法】为什么你的 AI 搞不定 Polymarket 套利？揭秘跨模型“组合拳”开发流！ 告别死磕，掌握这套 AI 协作流，让 0 基础编程效率翻倍 最近很多同学私信我，问得最多的一个问题就是：“我也想搞 Polymarket 的自动套利，思路都有了，但让 AI 写代码时总是报错，改来改去还是跑不通，是不是我不适合干这个？” 说实话，不是你不适合，而是你“打开方式”不对。 今天我就把压箱底的经验拿出来，简单给大家避个坑。这不仅适用于 Polymarket，也适用于任何你觉得“AI 搞不定”的复杂项目。 一、 认清现实：AI 模型也是“偏科生” 首先，大家要有一个认知：目前的 AI 模型水平参差不齐，且各有所长。 有的擅长逻辑推理（像数学教授）； 有的擅长快速生成模板（像熟练工）； 有的擅长创意交互（像设计师）。 当你盯着一个 AI（比如只用 ChatGPT 或只用 Cursor 默认模型）死磕一个报错，就像是逼着体育老师教高数。如果一个问题你让 AI 尝试了 3 次以上还无法解决，立刻停手！不要死磕！ 解决方案是：换人（换模型），或者换脑子（找外援）。 二、 核心策略：跨平台“组合拳” (The Cross-Platform Flow) 既然单一模型搞不定，我们就要学会像“包工头”一样指挥不同的 AI 协同工作。 我目前的Vibe Coding 黄金工作流是这样的，每一个环节都有明确的目的： 🟢 Google AI Studio 产品雏形 (Frontend/Visuals) 用法： 我通常先用 AI Studio 来开发前端界面。它的上下文窗口大，且视觉理解能力强，能迅速把我要的 UI/UX 甚至简单的交互逻辑给“画”出来。 🔵 Cursor (Auto Mode) 基础逻辑 (Logic/Functionality) 用法： 拿着前端的架子，转战 Cursor。利用 Cursor 的 Auto 模型开发后端的基本逻辑和功能模块。这是“盖楼”的阶段，让代码先跑起来。 🟣 Claude Code 深度优化 (Optimization/Fixing) 用法： 遇到顽固 Bug 或者逻辑不够优雅时，我会把代码喂给 Claude Code。它的逻辑推理能力目前是顶尖的，非常适合做“外科手术”式的修复和性能优化。 🟠 OpenAI Codex 最终审核 (Auditing) 用法： 最后，我会用 Codex 类的能力进行代码审查（Code Review），查漏补缺，确保安全性。 总结： AI Studio 画皮，Cursor 铸骨，Claude 注入灵魂，Codex 最后的体检。一定要交叉使用，跨平台学习，这是解决复杂问题的关键。 三、 遇到死局怎么办？让 AI 去“抄作业” 在做 Polymarket 这种特定项目时，你经常会遇到像 redeem（赎回）或 clob（中央限价订单簿）对接这种深水区。 很多时候 AI 搞不定，是因为它没见过最新的文档或特殊的 SDK 写法。这时候你哪怕把 Prompt 写出花来也没用。 我的“必杀技”： 如果 AI 持续报错，我给它的指令不再是“修复这个 Bug”，而是： “去 GitHub 上搜索关于 Polymarket redeem function 的最新 Python 实现方案，阅读并分析别人的代码，学习它是如何处理签名的，然后回来修改我的代码。” 让 AI 学会自我迭代： Search（搜索）： 找现成的轮子。 Learn（学习）： 理解别人的逻辑。 Iterate（迭代）： 应用到你的项目中。 你不让它学习，它就是迟迟搞不定；一旦它学会了参考，效率是指数级提升的。 四、 结语：Vibe Coding 的终局 我看待 AI 编程的视角很简单：我不生产代码，我只是需求的搬运工。 现在的困难只是暂时的。我相信在不久的将来，我们现在的这一套“组合拳”流程也会被自动化取代。 未来的终局是： 你只需要提出一个需求（“帮我盯着 Polymarket 上的美国大选赔率做套利”），AI 会自动去寻找文档、自动写代码、自动测试、自动部署。 但在那一天到来之前，掌握这套“跨模型协作 + 引导式学习”的方法，就是你在 AI 时代最大的竞争壁垒。 PS ： 还要学会PUA，不停的让AI换角色PUA，比如PM、CTO 、CEO 、顶级量化交易员等等。 最后如果还不解决问题，告诉你一个终极大招，骂，使劲骂！
6:08

【Vibe Coding 实战心法】为什么你的 AI 搞不定 Polymarket 套利？揭秘跨模型“组合拳”开发流！ 告别死磕，掌握这套 AI 协作流，让 0 基础编程效率翻倍 最近很多同学私信我，问得最多的一个问题就是：“我也想搞 Polymarket 的自动套利，思路都有了，但让 AI 写代码时总是报错，改来改去还是跑不通，是不是我不适合干这个？” 说实话，不是你不适合，而是你“打开方式”不对。 今天我就把压箱底的经验拿出来，简单给大家避个坑。这不仅适用于 Polymarket，也适用于任何你觉得“AI 搞不定”的复杂项目。 一、 认清现实：AI 模型也是“偏科生” 首先，大家要有一个认知：目前的 AI 模型水平参差不齐，且各有所长。 有的擅长逻辑推理（像数学教授）； 有的擅长快速生成模板（像熟练工）； 有的擅长创意交互（像设计师）。 当你盯着一个 AI（比如只用 ChatGPT 或只用 Cursor 默认模型）死磕一个报错，就像是逼着体育老师教高数。如果一个问题你让 AI 尝试了 3 次以上还无法解决，立刻停手！不要死磕！ 解决方案是：换人（换模型），或者换脑子（找外援）。 二、 核心策略：跨平台“组合拳” (The Cross-Platform Flow) 既然单一模型搞不定，我们就要学会像“包工头”一样指挥不同的 AI 协同工作。 我目前的Vibe Coding 黄金工作流是这样的，每一个环节都有明确的目的： 🟢 Google AI Studio 产品雏形 (Frontend/Visuals) 用法： 我通常先用 AI Studio 来开发前端界面。它的上下文窗口大，且视觉理解能力强，能迅速把我要的 UI/UX 甚至简单的交互逻辑给“画”出来。 🔵 Cursor (Auto Mode) 基础逻辑 (Logic/Functionality) 用法： 拿着前端的架子，转战 Cursor。利用 Cursor 的 Auto 模型开发后端的基本逻辑和功能模块。这是“盖楼”的阶段，让代码先跑起来。 🟣 Claude Code 深度优化 (Optimization/Fixing) 用法： 遇到顽固 Bug 或者逻辑不够优雅时，我会把代码喂给 Claude Code。它的逻辑推理能力目前是顶尖的，非常适合做“外科手术”式的修复和性能优化。 🟠 OpenAI Codex 最终审核 (Auditing) 用法： 最后，我会用 Codex 类的能力进行代码审查（Code Review），查漏补缺，确保安全性。 总结： AI Studio 画皮，Cursor 铸骨，Claude 注入灵魂，Codex 最后的体检。一定要交叉使用，跨平台学习，这是解决复杂问题的关键。 三、 遇到死局怎么办？让 AI 去“抄作业” 在做 Polymarket 这种特定项目时，你经常会遇到像 redeem（赎回）或 clob（中央限价订单簿）对接这种深水区。 很多时候 AI 搞不定，是因为它没见过最新的文档或特殊的 SDK 写法。这时候你哪怕把 Prompt 写出花来也没用。 我的“必杀技”： 如果 AI 持续报错，我给它的指令不再是“修复这个 Bug”，而是： “去 GitHub 上搜索关于 Polymarket redeem function 的最新 Python 实现方案，阅读并分析别人的代码，学习它是如何处理签名的，然后回来修改我的代码。” 让 AI 学会自我迭代： Search（搜索）： 找现成的轮子。 Learn（学习）： 理解别人的逻辑。 Iterate（迭代）： 应用到你的项目中。 你不让它学习，它就是迟迟搞不定；一旦它学会了参考，效率是指数级提升的。 四、 结语：Vibe Coding 的终局 我看待 AI 编程的视角很简单：我不生产代码，我只是需求的搬运工。 现在的困难只是暂时的。我相信在不久的将来，我们现在的这一套“组合拳”流程也会被自动化取代。 未来的终局是： 你只需要提出一个需求（“帮我盯着 Polymarket 上的美国大选赔率做套利”），AI 会自动去寻找文档、自动写代码、自动测试、自动部署。 但在那一天到来之前，掌握这套“跨模型协作 + 引导式学习”的方法，就是你在 AI 时代最大的竞争壁垒。 PS ： 还要学会PUA，不停的让AI换角色PUA，比如PM、CTO 、CEO 、顶级量化交易员等等。 最后如果还不解决问题，告诉你一个终极大招，骂，使劲骂！

比特币橙子Trader

13,225 просмотров • 7 месяцев назад

说个暴论，这才是2026年到目前为止，AI行业最有价值的一次更新，没有之一🚀🚀🚀 Claude一口气接入了8个创意行业的顶级工具，Blender，Adobe，Autodesk，Ableton，Splice，Canva，SketchUp，Resolume。 它不再是让你在聊天框里生成东西，再导出到软件里修改， 而是直接钻进你每天打开8小时的软件内部，帮你调试场景，批量修改物体，写自定义脚本，处理所有你不想做的重复性劳动。 以前的AI是让你换个地方工作， 现在的AI是跑到你的工位上帮你干活。 这标志着AI正式进入工具原生时代，它的下一个战场再也不是谁的模型更大， 而是谁能无缝嵌入普通人的真实工作流。 我认为对所有创作者来说，学会用好这些连接器，比追任何新出的大模型都重要。
0:55

说个暴论，这才是2026年到目前为止，AI行业最有价值的一次更新，没有之一🚀🚀🚀 Claude一口气接入了8个创意行业的顶级工具，Blender，Adobe，Autodesk，Ableton，Splice，Canva，SketchUp，Resolume。 它不再是让你在聊天框里生成东西，再导出到软件里修改， 而是直接钻进你每天打开8小时的软件内部，帮你调试场景，批量修改物体，写自定义脚本，处理所有你不想做的重复性劳动。 以前的AI是让你换个地方工作， 现在的AI是跑到你的工位上帮你干活。 这标志着AI正式进入工具原生时代，它的下一个战场再也不是谁的模型更大， 而是谁能无缝嵌入普通人的真实工作流。 我认为对所有创作者来说，学会用好这些连接器，比追任何新出的大模型都重要。

AYi

103,047 просмотров • 3 месяцев назад

AI 视频生成，到各种 AI Agent，我一直在思考一个问题：AI 最终会如何改变人类创造和体验数字世界的方式？ 最开始，AI 帮助我们生成文字和图片；后来，它开始生成越来越逼真的视频。但无论画面质量提升到什么程度，这些内容依然存在一个限制——我们仍然只是观看者。我们可以欣赏 AI 创造出来的场景，却无法真正进入其中，也无法与这个世界产生互动。 最近体验 Alaya World Alaya Lab 后，我第一次感觉，AI 视频生成正在探索一个新的方向：它不只是生成一段视频，而是在尝试生成一个可以被探索的世界。 Alaya World 是 Alaya Lab 推出的交互式视频世界模型。用户可以通过文字、图片或者视频作为初始条件，让模型生成一个动态世界。不同于传统视频生成模型“输入 Prompt，输出一段固定视频”的方式，Alaya World 更像是在探索过程中持续构建环境，用户可以在生成的世界中移动视角，并通过交互指令触发新的事件。 这也是我认为世界模型和普通视频生成模型最大的区别。 过去的视频生成模型解决的是“如何生成一段更加真实的视频”，而世界模型尝试解决的问题是“如何让一个世界持续存在”。如果你进入一个虚拟城市，向前探索，然后回头，你期待看到的是同一个城市，而不是一个重新随机生成的场景。 这背后涉及世界模型最核心的挑战：长时间生成的一致性。模型不仅需要知道下一帧画面应该是什么，还需要理解空间关系、历史状态以及用户行为对世界造成的影响。 Alaya World 在技术层面通过空间记忆机制、历史信息保留以及抗漂移训练等方式，提高长时间生成过程中的稳定性。目前模型支持 720p / 24 FPS 实时流式生成，并展示了超过一分钟的连续探索能力。 让我觉得这个方向有意思的地方，是它可能会重新定义未来数字内容的生产方式。 以游戏行业为例，过去一个虚拟世界需要大量人工制作：美术设计地图、程序编写规则、策划设计剧情。开发者需要提前创造一个固定世界，而玩家进入后按照既定规则体验。 但如果世界模型进一步发展，未来的游戏可能不再只是“开发者搭建世界，玩家进入世界”，而是“开发者定义规则，AI 实时生成世界”。玩家体验的不再是一个完全预设好的内容，而是一个随着交互不断变化的环境。 当然，Alaya World 目前仍然处于早期阶段。实时生成所需的算力成本、复杂环境理解能力，以及更长期、更稳定的世界一致性，都还有很多问题需要解决。但它让我看到一个值得关注的趋势：AI 的竞争可能不会只停留在生成更漂亮的图片和视频，而是进一步走向创造更真实、更连续、更可交互的世界。 过去，人类通过电影记录想象，通过游戏创造虚拟空间。而未来，也许我们只需要描述一个想法，AI 就可以帮助我们生成一个能够进入其中、探索其中的世界。 从生成内容，到生成世界，这可能是 AI 下一阶段最值得期待的变化之一。
0:26

AI 视频生成，到各种 AI Agent，我一直在思考一个问题：AI 最终会如何改变人类创造和体验数字世界的方式？ 最开始，AI 帮助我们生成文字和图片；后来，它开始生成越来越逼真的视频。但无论画面质量提升到什么程度，这些内容依然存在一个限制——我们仍然只是观看者。我们可以欣赏 AI 创造出来的场景，却无法真正进入其中，也无法与这个世界产生互动。 最近体验 Alaya World Alaya Lab 后，我第一次感觉，AI 视频生成正在探索一个新的方向：它不只是生成一段视频，而是在尝试生成一个可以被探索的世界。 Alaya World 是 Alaya Lab 推出的交互式视频世界模型。用户可以通过文字、图片或者视频作为初始条件，让模型生成一个动态世界。不同于传统视频生成模型“输入 Prompt，输出一段固定视频”的方式，Alaya World 更像是在探索过程中持续构建环境，用户可以在生成的世界中移动视角，并通过交互指令触发新的事件。 这也是我认为世界模型和普通视频生成模型最大的区别。 过去的视频生成模型解决的是“如何生成一段更加真实的视频”，而世界模型尝试解决的问题是“如何让一个世界持续存在”。如果你进入一个虚拟城市，向前探索，然后回头，你期待看到的是同一个城市，而不是一个重新随机生成的场景。 这背后涉及世界模型最核心的挑战：长时间生成的一致性。模型不仅需要知道下一帧画面应该是什么，还需要理解空间关系、历史状态以及用户行为对世界造成的影响。 Alaya World 在技术层面通过空间记忆机制、历史信息保留以及抗漂移训练等方式，提高长时间生成过程中的稳定性。目前模型支持 720p / 24 FPS 实时流式生成，并展示了超过一分钟的连续探索能力。 让我觉得这个方向有意思的地方，是它可能会重新定义未来数字内容的生产方式。 以游戏行业为例，过去一个虚拟世界需要大量人工制作：美术设计地图、程序编写规则、策划设计剧情。开发者需要提前创造一个固定世界，而玩家进入后按照既定规则体验。 但如果世界模型进一步发展，未来的游戏可能不再只是“开发者搭建世界，玩家进入世界”，而是“开发者定义规则，AI 实时生成世界”。玩家体验的不再是一个完全预设好的内容，而是一个随着交互不断变化的环境。 当然，Alaya World 目前仍然处于早期阶段。实时生成所需的算力成本、复杂环境理解能力，以及更长期、更稳定的世界一致性，都还有很多问题需要解决。但它让我看到一个值得关注的趋势：AI 的竞争可能不会只停留在生成更漂亮的图片和视频，而是进一步走向创造更真实、更连续、更可交互的世界。 过去，人类通过电影记录想象，通过游戏创造虚拟空间。而未来，也许我们只需要描述一个想法，AI 就可以帮助我们生成一个能够进入其中、探索其中的世界。 从生成内容，到生成世界，这可能是 AI 下一阶段最值得期待的变化之一。

Ashlyn He

12,005 просмотров • 24 дней назад