Loading video...

Video Failed to Load

There was a problem loading this video. This could be due to a temporary network issue or the video might be unavailable.

使用GPT6 Astra 制作的一个可爱的解压小应用：Softie 页面是WebGPU 加 Three.js 做的，按下去会凹一块，拖着能拉开，松手会砸回桌面，再慢慢晃回来。眼睛和嘴是长在表面上的，挤的时候脸也会跟着变形。颜色、软硬、阻尼都能调，空格或者点「戳一下」会弹一下还有Astra 确实消耗很快，额度消耗完使用了Gemini 3.8 flash补充了界面优化以及音效的合成玩法。自己总结了一下使用Astra实战方式，Astra很适合打地基，可以将复杂的基础设施交给他进行构建，然后一些界面的优化等不需要强推理可以交给其他模型代劳提示词很简单没那么复杂和体验地址一块放到评论区了 #WebGPU #ThreeJS #GPT6Astra #CreativeCoding

码农暖爸

3,344 subscribers

23,346 views • 12 days ago •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

19 Comments

码农暖爸11 days ago

看来兄弟们很喜欢，我把仓库地址发出来，看看猛男们的魔改水平，可以增加手势抓取😏

码农暖爸12 days ago

提示词：新建一个目录，做一页能在浏览器里玩的史莱姆。用 Three.js 和 WebGPU，不要用 WebGL 凑合。中间一团圆滚滚的史莱姆，粉色或青绿都可以，半透明，里面隐约有气泡。能用鼠标按下去、拖着走，松手会晃着复原，有一点重力，可以轻轻砸在看不见的桌面上。不要做成硬球，要有软肉的感觉。可爱点放在脸上：两只黑豆眼和一小张嘴，跟着表面一起挤，不要眼睛和身体分开。右边做几个简单控制：颜色、软硬、阻尼。按钮「戳一下」会让它弹一下。页面干净，浅灰底，标题用大字。要能 60 帧。先出一张目标效果图，再按这张图搭，截图像了再往下加细节。体验地址：

风雪漫千山11 days ago

眼睛嘴巴也跟着变形，这个想捏

码农暖爸11 days ago

哈哈👍

WEEX AI Labs11 days ago

可爱捏

码农暖爸11 days ago

这名字也不错啊

50饭佣OKX安安12 days ago

这小东西看着就解压手感一定很治愈

duoyun jubu11 days ago

It’s great fun and really helps relieve stress

码农暖爸11 days ago

Thank you! Hope it brings you some relaxation.

Wei佳12 days ago

来个开源地址哈哈，猛男粉系列

码农暖爸12 days ago

如果大家喜欢的话，马上发地址😃

jiangkoumo12 days ago

“Astra 打地基 + 轻量模型刷细节”这个分层切得很准。WebGPU 的顶点变形和物理阻尼计算很吃强空间推理，以前用旧模型写 Shader 经常在矩阵变换和缓冲对齐上死循环报错，改都改不动。后面换 Gemini 3.8 flash 接管 CSS 和音效也是最优解，把昂贵的高智商模型从繁琐的 UI 细节里解放出来，省下的配额刚好留给核心数学逻辑。

小野12 days ago

哇，好可爱

码农暖爸12 days ago

哈哈，我也觉得很可爱😆

Betaer -Let's Connect11 days ago

按下去会凹、脸跟着变形，听着就想戳两下。就是这种小玩具越调越停不下来，别上头玩太久。

千年大粽子11 days ago

不错👍

Aave 🫛8 days ago

可以换成个人照片吗？

meckneldev11 days ago

Wow that's great. Can you create a website or an app to make learning Chinese more easier

Mengxue11 days ago

哇大好人

Related Videos

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 views • 1 month ago

GPT-6 Astra 实战测评来了，大家忙着用GPT-6 Astra 玩3D，感觉很惊艳。那么其他场景表现如何呢？我第一遍用了codex 测试了下 GPT-6 Astra 感觉不应该是这个样子，然后我就用ZenMux 的GPT-6 Astra 再次测试了下（视频里的V2版本），发现基本一致。这样基本确定了GPT-6 前端相关实际提升感觉并不太大，可能仅仅比GPT-5.6 sol 好一丢丢不过也侧面验证了人家ZenMux 的GPT-6 还是保真的，他家的充值又在搞活动，9.11是最后一天，大家额度不够，有需要的可以去看看。而且他家模型比较全，用的不爽的模型还可以换别的：fable-5.1，deepseek-v4.1-flash 都有

GPT-6 Astra 实战测评来了，大家忙着用GPT-6 Astra 玩3D，感觉很惊艳。那么其他场景表现如何呢？我第一遍用了codex 测试了下 GPT-6 Astra 感觉不应该是这个样子，然后我就用ZenMux 的GPT-6 Astra 再次测试了下（视频里的V2版本），发现基本一致。这样基本确定了GPT-6 前端相关实际提升感觉并不太大，可能仅仅比GPT-5.6 sol 好一丢丢不过也侧面验证了人家ZenMux 的GPT-6 还是保真的，他家的充值又在搞活动，9.11是最后一天，大家额度不够，有需要的可以去看看。而且他家模型比较全，用的不爽的模型还可以换别的：fable-5.1，deepseek-v4.1-flash 都有

岚叔

14,459 views • 7 days ago

🔥Nano Banana Pro太好玩了，周末抽空整理了下目前一些比较好玩的case和对应提示词。案例库地址放评论区了。我会持续补充一些看到的好玩的case，可以狠狠先收藏起来。其实能发挥想象的空间还特别多，我开了编辑权限，大家可以直接复制提示词和补充自己的案例，引用来源那里标注一下，然后需要引用的案例库里的也需要标下来源，给原作者一些曝光。

🔥Nano Banana Pro太好玩了，周末抽空整理了下目前一些比较好玩的case和对应提示词。案例库地址放评论区了。我会持续补充一些看到的好玩的case，可以狠狠先收藏起来。其实能发挥想象的空间还特别多，我开了编辑权限，大家可以直接复制提示词和补充自己的案例，引用来源那里标注一下，然后需要引用的案例库里的也需要标下来源，给原作者一些曝光。

苍何

130,206 views • 10 months ago

今天 X 上的人都在用 Astra 做 3D 建模，我也算是跟风用 Blender 做了一个就在家门口的武汉市标志性建筑 —— 梦时代商场。做这个商场 3D 建模的展示网站，总共用时 2 小时 33 分 56 秒，消耗了大概 20x Pro 周用量的 25%。按照现在的 1040 左右的市场代充值行情价，折算的成本大概是 65 块钱。给做建筑设计的朋友看了看，虽然一眼能看出问题很多，但真要换成人做，成本是远远不止这一点的。然后让 Astra 继续尝试，自己去网页上操作和录屏，并使用剪映专用版做介绍视频，用时 1 小时 15 分钟做出了下面这个，大概消耗了 10% 的周用量，折合成本 25 块钱。这块我自己算是有点发言权，整体来说做的无功无过，如果成本能降到 10 块钱之内，那我应该会重度依赖 Astra 来做。关于这个成本的问题，我也和 Astra 讨论了一下，它的反馈是由于剪映的操控没有 Skill，也没有 MCP 可用，导致它在探索的时候浪费了不少的时间和 Token。所以我也让 Astra 自己去总结了一版使用经验形成 Skill，后面准备持续优化迭代，争取把用剪映自动化做视频这个流程更顺畅的跑通。当然，还是期望剪映早日推出官方的 Skill 和 MCP，也希望 ChatCut 这样 AI Native 的产品持续进化，这个市场的空间和可做的事情实在是太大太多了。另外一个最深刻的感受是，虽然现在提示词工程没那么重要了，但能够用专业术语把需求描述清楚的重要性越来越高了，现在已经到了使用者的能力上限严重制约 AI 的能力上限的阶段了。不过中登们也别盲目乐观，毕竟我个人的感受是 90% 的中登说实话也没啥拿得出手的专业能力，还不如有学习能力的小朋友呢········

今天 X 上的人都在用 Astra 做 3D 建模，我也算是跟风用 Blender 做了一个就在家门口的武汉市标志性建筑 —— 梦时代商场。做这个商场 3D 建模的展示网站，总共用时 2 小时 33 分 56 秒，消耗了大概 20x Pro 周用量的 25%。按照现在的 1040 左右的市场代充值行情价，折算的成本大概是 65 块钱。给做建筑设计的朋友看了看，虽然一眼能看出问题很多，但真要换成人做，成本是远远不止这一点的。然后让 Astra 继续尝试，自己去网页上操作和录屏，并使用剪映专用版做介绍视频，用时 1 小时 15 分钟做出了下面这个，大概消耗了 10% 的周用量，折合成本 25 块钱。这块我自己算是有点发言权，整体来说做的无功无过，如果成本能降到 10 块钱之内，那我应该会重度依赖 Astra 来做。关于这个成本的问题，我也和 Astra 讨论了一下，它的反馈是由于剪映的操控没有 Skill，也没有 MCP 可用，导致它在探索的时候浪费了不少的时间和 Token。所以我也让 Astra 自己去总结了一版使用经验形成 Skill，后面准备持续优化迭代，争取把用剪映自动化做视频这个流程更顺畅的跑通。当然，还是期望剪映早日推出官方的 Skill 和 MCP，也希望 ChatCut 这样 AI Native 的产品持续进化，这个市场的空间和可做的事情实在是太大太多了。另外一个最深刻的感受是，虽然现在提示词工程没那么重要了，但能够用专业术语把需求描述清楚的重要性越来越高了，现在已经到了使用者的能力上限严重制约 AI 的能力上限的阶段了。不过中登们也别盲目乐观，毕竟我个人的感受是 90% 的中登说实话也没啥拿得出手的专业能力，还不如有学习能力的小朋友呢········

李不凯正在研究

20,115 views • 13 days ago

国产的Workbuddy，我很推荐大家去使用，一开始我也觉得国产的都比较垃圾，是抄袭。但是使用下来发现真的不是，加入了很多自己的特点，如果你的工作都是腾讯系的话，可以直接无缝的接入，不需要额外的配置，只需要登录账号即可使用。优点： 1、腾讯系软件无缝接入，只需要登录账号授权即可。 2、远程操作只需要通过小程序连接即可。 3、内置了非常多的行业智能体，研究还是了解，相关行业都会非常有帮助。 4、基本上国内有名的大模型都可以免费体验使用，而且有免费的额度。整体下来就一个字全，真的什么功能都有一点，而且还可以配置第三方模型使用，很多时候没有其他第三方ai使用的时候可以用workbuddy作为中转让他去帮你安装其他的AI。

国产的Workbuddy，我很推荐大家去使用，一开始我也觉得国产的都比较垃圾，是抄袭。但是使用下来发现真的不是，加入了很多自己的特点，如果你的工作都是腾讯系的话，可以直接无缝的接入，不需要额外的配置，只需要登录账号即可使用。优点： 1、腾讯系软件无缝接入，只需要登录账号授权即可。 2、远程操作只需要通过小程序连接即可。 3、内置了非常多的行业智能体，研究还是了解，相关行业都会非常有帮助。 4、基本上国内有名的大模型都可以免费体验使用，而且有免费的额度。整体下来就一个字全，真的什么功能都有一点，而且还可以配置第三方模型使用，很多时候没有其他第三方ai使用的时候可以用workbuddy作为中转让他去帮你安装其他的AI。

小墨同学

21,960 views • 3 months ago

Codex很少人会去了解的设置，Skill和插件。但是基本上我们每天都在使用。简单介绍了Skill和插件的作用，讲解了然后使用和安装新的插件，根据自己的需求创造一个属于自己的Skill。其实玩AI有时候就是这么简单，只需要动手指就能构建一些属于你自己的东西

Codex很少人会去了解的设置，Skill和插件。但是基本上我们每天都在使用。简单介绍了Skill和插件的作用，讲解了然后使用和安装新的插件，根据自己的需求创造一个属于自己的Skill。其实玩AI有时候就是这么简单，只需要动手指就能构建一些属于你自己的东西

小墨同学

11,667 views • 3 months ago

这两天时间线全是 GPT-6 Astra。 OpenAI 自己也说了，先给 Pro / Enterprise，Plus 还要再等几天。API 倒是写了 live，但很多小伙伴实际还是进不去、排不上、或者根本没那个套餐。刷了半天，基本就是：模型很强，轮不到你。我后来翻到 ZenMux。不是去找什么旁路，就是一个统一网关，一个 key 切模型。打开一看，Astra 已经挂在上面了。今晚拿它跑了个我自己卡住的活：一份写得很乱的 brief，要变成能直接交差的文档，中间还得自己去网页里核几处信息。以前这种活，模型走着走着就丢上下文，或者写得很长、token 烧一截。 Astra 更像是给这种跨步骤的活准备的——代码、浏览器、研究、文档拧在一块。这次输出也短一些，单任务体感成本比我常用的那几个低。过程放视频里了。不是评测报告，就是我自己用上了。对了，ZenMux 这几天有个限时充值，7 天，每个账号一次：充 $50 到账 $70 充 $100 到账 $150 反正要试 Astra 的话，这几天进去更合适 🔗：

这两天时间线全是 GPT-6 Astra。 OpenAI 自己也说了，先给 Pro / Enterprise，Plus 还要再等几天。API 倒是写了 live，但很多小伙伴实际还是进不去、排不上、或者根本没那个套餐。刷了半天，基本就是：模型很强，轮不到你。我后来翻到 ZenMux。不是去找什么旁路，就是一个统一网关，一个 key 切模型。打开一看，Astra 已经挂在上面了。今晚拿它跑了个我自己卡住的活：一份写得很乱的 brief，要变成能直接交差的文档，中间还得自己去网页里核几处信息。以前这种活，模型走着走着就丢上下文，或者写得很长、token 烧一截。 Astra 更像是给这种跨步骤的活准备的——代码、浏览器、研究、文档拧在一块。这次输出也短一些，单任务体感成本比我常用的那几个低。过程放视频里了。不是评测报告，就是我自己用上了。对了，ZenMux 这几天有个限时充值，7 天，每个账号一次：充 $50 到账 $70 充 $100 到账 $150 反正要试 Astra 的话，这几天进去更合适 🔗：

程序员端哥

15,996 views • 12 days ago

无意间用一些奇技淫巧实现了一个自己想了很久的功能。用ChatGPT实现了Midjourney提示词收集后在Notion的自动处理。可以输出提示词翻译以及按照画面质量、绘画风格、构图和画面效果四个类别对提示词进行分类整理。重点是成本很低，甚至连ChatGPT的API都不需要。感兴趣的话我这几天肝一下教程。

无意间用一些奇技淫巧实现了一个自己想了很久的功能。用ChatGPT实现了Midjourney提示词收集后在Notion的自动处理。可以输出提示词翻译以及按照画面质量、绘画风格、构图和画面效果四个类别对提示词进行分类整理。重点是成本很低，甚至连ChatGPT的API都不需要。感兴趣的话我这几天肝一下教程。

歸藏(guizang.ai)

130,555 views • 3 years ago

Google 原计划惊在 I/O 大会上爆全场的演示 - Project Astra，来自 Gemini 团队的最新武器，一个通用的 AI 智能体！原生多模态、能感知视频和语音、可以超低延时沟通，结果昨天被 OpenAI 的 GPT-4o 用一个不到 20 分钟的低成本发布会给截胡了，Sam 每次都要骑到 Google 头上玩。。😅 不过这两天从 OpenAI 到 Google 的新品发布，基本上确定了下一代 AI 智能体的交互，那就是无需界面，全程语音，能实时感知世界；而且智能体是主动的，可自我学习的与个性化的。现在，手机有了新的演化方向，更多的 AI 硬件将会大爆发，我们很快能像用魔法水晶球一样，召唤 AI 了。。

Google 原计划惊在 I/O 大会上爆全场的演示 - Project Astra，来自 Gemini 团队的最新武器，一个通用的 AI 智能体！原生多模态、能感知视频和语音、可以超低延时沟通，结果昨天被 OpenAI 的 GPT-4o 用一个不到 20 分钟的低成本发布会给截胡了，Sam 每次都要骑到 Google 头上玩。。😅 不过这两天从 OpenAI 到 Google 的新品发布，基本上确定了下一代 AI 智能体的交互，那就是无需界面，全程语音，能实时感知世界；而且智能体是主动的，可自我学习的与个性化的。现在，手机有了新的演化方向，更多的 AI 硬件将会大爆发，我们很快能像用魔法水晶球一样，召唤 AI 了。。

indigo

128,146 views • 2 years ago

测试了一下李飞飞教授的世界模型我上传了一张实拍的Danakil的原图可以看到已经很震撼了有实景70%的感受虽然精度还不是很高但能做到这样肯定解决了极多的困难拉长一些时间会慢慢带来优化世界模型会带来巨大的变化这是AI通往现实世界的RL之路肯定也会帮助到AI视频模型待精度提高后就可以蒸馏很多数据了

测试了一下李飞飞教授的世界模型我上传了一张实拍的Danakil的原图可以看到已经很震撼了有实景70%的感受虽然精度还不是很高但能做到这样肯定解决了极多的困难拉长一些时间会慢慢带来优化世界模型会带来巨大的变化这是AI通往现实世界的RL之路肯定也会帮助到AI视频模型待精度提高后就可以蒸馏很多数据了

Yangyi

42,946 views • 10 months ago

最近国内几个模型大厂好像摊上事了？也不知道真事假事，还是那个姓A的在碰瓷挑事！吃瓜的时候，突然刷到一个新模型！乍一看Atria ASI，差点看成了是Astra，真的很像，模型代号叫 Atria Dawn Preview！据说背后约三分之二的研发成员还是高校在校学生！！我是真想知道这群学生能把模型做成什么样？所以，找了很久才找到了API，接入下来测试了一下，我用它一句话做个 3D 家装工作台，最后出来的效果居然还可以！！能画户型、拖家具、改尺寸、保存项目、导出截图、还能自由拖放布置家具，其实这个任务倒是不难，主要我一句话说的很笼统，需要它能够理解我的意图，并且准确规划，将这个工作台做的尽可能完善。但其实，写代码还并不是这个模型的主要能力。它的定位，是面向科研和专业工作的智能体模型，擅长把一个复杂任务继续往前推进，最终变成可运行、可检查、可使用的成果。比如从一个问题、一份数据、一段代码或者一篇论文出发，它可以继续完成资料检索、代码实现、实验执行和反馈修正，最后交付研究报告、软件系统、文档表格、演示文稿、三维设计等等。可以用来做科研、写报告、写代码、画CAD！！不知道这个API能用多久，后面我可以再测试一下不同的场景。有兴趣可以持续关注一下！

最近国内几个模型大厂好像摊上事了？也不知道真事假事，还是那个姓A的在碰瓷挑事！吃瓜的时候，突然刷到一个新模型！乍一看Atria ASI，差点看成了是Astra，真的很像，模型代号叫 Atria Dawn Preview！据说背后约三分之二的研发成员还是高校在校学生！！我是真想知道这群学生能把模型做成什么样？所以，找了很久才找到了API，接入下来测试了一下，我用它一句话做个 3D 家装工作台，最后出来的效果居然还可以！！能画户型、拖家具、改尺寸、保存项目、导出截图、还能自由拖放布置家具，其实这个任务倒是不难，主要我一句话说的很笼统，需要它能够理解我的意图，并且准确规划，将这个工作台做的尽可能完善。但其实，写代码还并不是这个模型的主要能力。它的定位，是面向科研和专业工作的智能体模型，擅长把一个复杂任务继续往前推进，最终变成可运行、可检查、可使用的成果。比如从一个问题、一份数据、一段代码或者一篇论文出发，它可以继续完成资料检索、代码实现、实验执行和反馈修正，最后交付研究报告、软件系统、文档表格、演示文稿、三维设计等等。可以用来做科研、写报告、写代码、画CAD！！不知道这个API能用多久，后面我可以再测试一下不同的场景。有兴趣可以持续关注一下！

沐阳

28,159 views • 4 days ago

很多人吐槽自媒体们（包括我）只展示Gemini 3.0的前端能力，非常片面。确实是这样，在社交平台，视觉化的、尤其是能动起来的东西才能吸引注意力。但对于一个非程序员用户来说，前端能力很重要。我们日常的交互原型是用Gemini或者Cursor做的，临时给博物馆做个静态网站用的是Trae，我闺女科学课上的一些复杂概念我也会写个动态的演示页面，辅助讲解。下面是给我闺女做的演示案例，之前要用5～8轮才可以完成，用新模型一次就搞定了。

很多人吐槽自媒体们（包括我）只展示Gemini 3.0的前端能力，非常片面。确实是这样，在社交平台，视觉化的、尤其是能动起来的东西才能吸引注意力。但对于一个非程序员用户来说，前端能力很重要。我们日常的交互原型是用Gemini或者Cursor做的，临时给博物馆做个静态网站用的是Trae，我闺女科学课上的一些复杂概念我也会写个动态的演示页面，辅助讲解。下面是给我闺女做的演示案例，之前要用5～8轮才可以完成，用新模型一次就搞定了。

陈言Linkc-Chen

50,186 views • 10 months ago

最近深度使用了一下 Kimi 3，所以对这个模型的真实编程能力有一定的发言权，正好有做一个录屏软件的需求，之前也说过市面上现在有很多，但是我想按照我的需求深度自定义一个，用来测试一下 Kimi3 的实力，因为这个 case 还是比较复杂的，React UI界面，Rust 核心以及Swift bridge，录制可靠性以及复杂的编辑和交互等等。在使用过程中还是挺惊艳的的，从出 plans，到执行，再到自动化验收，启动数个 sub agents，完成平行任务，几个大任务多 agent 并行连续执行了 5 - 6 个小时，1M 的上下文非常够用，300多个自动化测试，整个过程我就是在交互指导和验收过程中进行过几次微调。最终按照 plan 实现了几个关键功能的 demo，录入屏幕，摄像头和音频，可以自动记录点击和输入事件，可以实现自动 zoom，可以实现导出不同的尺寸，不同画框的尺寸拖拽，可以支持多种背景，纯色渐变和系统壁纸，虽然现在 UI 还没有打磨，但是基本功能都实现了。如果对比一下的话，整体感觉差不多是 Opus 4.8 和 5.5 持平，部分场景有些 5.6 Sol 的感觉，我之后应该会长期使用一下持续关注效果。

最近深度使用了一下 Kimi 3，所以对这个模型的真实编程能力有一定的发言权，正好有做一个录屏软件的需求，之前也说过市面上现在有很多，但是我想按照我的需求深度自定义一个，用来测试一下 Kimi3 的实力，因为这个 case 还是比较复杂的，React UI界面，Rust 核心以及Swift bridge，录制可靠性以及复杂的编辑和交互等等。在使用过程中还是挺惊艳的的，从出 plans，到执行，再到自动化验收，启动数个 sub agents，完成平行任务，几个大任务多 agent 并行连续执行了 5 - 6 个小时，1M 的上下文非常够用，300多个自动化测试，整个过程我就是在交互指导和验收过程中进行过几次微调。最终按照 plan 实现了几个关键功能的 demo，录入屏幕，摄像头和音频，可以自动记录点击和输入事件，可以实现自动 zoom，可以实现导出不同的尺寸，不同画框的尺寸拖拽，可以支持多种背景，纯色渐变和系统壁纸，虽然现在 UI 还没有打磨，但是基本功能都实现了。如果对比一下的话，整体感觉差不多是 Opus 4.8 和 5.5 持平，部分场景有些 5.6 Sol 的感觉，我之后应该会长期使用一下持续关注效果。

Viking

29,355 views • 2 months ago

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

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

歸藏(guizang.ai)

61,931 views • 2 years ago

Fable 5 不愧是地表最强模型。今天一直在拿它使劲儿优化我的产品，看着一个个 bug 被它摁下去，是真爽。另外，前端是真的强，基本没对手。我随手一个 prompt，让它用一个 HTML 文件做了个 3D 智能手表落地页，它整了个叫 ASTRA Vela One 的：极光渐变的动态背景、一只能 360° 拖着转的 3D 手表，表盘是实时的，真在走时、还带心率；点下面的色块，表体表带的材质实时跟着换。一条 prompt 直出，我一版没改。更绝的是，我随手附了几条验收标准让它自己对着查，它不光逐条核了一遍，还自己发现 hero 那只手表滚下去就看不见了，专门在配色区又加了一只手表，保证你切配色的时候也能看到变化。对了，Claude 被封号、或者压根用不了 Claude 的朋友别着急，我发现 ZenMux 也火速上了 Fable 5，限时免费，想先试试的可以去玩玩。真要像我这样天天用，免费额度肯定不够。他们正好有个 Auto Top-up 自动充值的限时活动，每笔加赠 20%（到 7/15），打算长期用的可以趁这波囤点额度。请用我的邀请链接，咱俩都有 5美金额度可领

Fable 5 不愧是地表最强模型。今天一直在拿它使劲儿优化我的产品，看着一个个 bug 被它摁下去，是真爽。另外，前端是真的强，基本没对手。我随手一个 prompt，让它用一个 HTML 文件做了个 3D 智能手表落地页，它整了个叫 ASTRA Vela One 的：极光渐变的动态背景、一只能 360° 拖着转的 3D 手表，表盘是实时的，真在走时、还带心率；点下面的色块，表体表带的材质实时跟着换。一条 prompt 直出，我一版没改。更绝的是，我随手附了几条验收标准让它自己对着查，它不光逐条核了一遍，还自己发现 hero 那只手表滚下去就看不见了，专门在配色区又加了一只手表，保证你切配色的时候也能看到变化。对了，Claude 被封号、或者压根用不了 Claude 的朋友别着急，我发现 ZenMux 也火速上了 Fable 5，限时免费，想先试试的可以去玩玩。真要像我这样天天用，免费额度肯定不够。他们正好有个 Auto Top-up 自动充值的限时活动，每笔加赠 20%（到 7/15），打算长期用的可以趁这波囤点额度。请用我的邀请链接，咱俩都有 5美金额度可领

Kevin Ma

31,568 views • 2 months ago

这个监控是老外用的最多的，会快一些前几天狙进去ansem平台的老外基本用的都这个但是因为没有中文版很多人用起来会吃力一点儿弄了个中文插件，界面翻译，推文翻译都有有需要的可以去自己下载用下有用的话记得给我点个star

这个监控是老外用的最多的，会快一些前几天狙进去ansem平台的老外基本用的都这个但是因为没有中文版很多人用起来会吃力一点儿弄了个中文插件，界面翻译，推文翻译都有有需要的可以去自己下载用下有用的话记得给我点个star

赚钱带带那个姓高的

16,353 views • 29 days ago

用了两天的Fable-5，得到了一个与大部分人截然相反的结论，实测体验如下：速度：非常慢，尤其是开始分析和规划的时候能感受到像乌龟慢爬价格：我是Max5订阅用户，虽然输入输出定价为Opus的两倍，但是实际消耗量并没有像流水一样，消耗速度确实变快了，但命中缓存后消耗没有特别高，没有人传人的消耗那么离谱的快所以铺天盖地说消耗非常快的只有三种可能：第一种是Pro订阅账号容量本来就小，第二种是没自己账号纯造谣，第三种是本来对Opus的消耗没有感知，看到别人说fable消耗快自己也一用发现消耗快于是觉得是真的消耗快了。本身Opus的消耗就非常快嘛，现在只不过是变为了原来的大概1.5x 对于我来说，我通常只用Opus，所以这个1.x倍Opus的消耗量能够接受。实际使用中建议把缓存重建修改为1小时。能力：能力强体现在思维边界更广，架构能力更强。对于前端能力测试确实是有很大提高，尤其是创意能力。真正落地到工程项目中，我的体感是能够真正发现GPT-5.5的问题了，不会再像之前基本一直认为GPT的分析是对的。实际能力类似于Claude Opus4.6++与GPT-5.5++的结合版，目前没有到非常惊艳的程度结合价格和6月22之后就没了，我也没有升级Max20的打算，Max5+GPT-5.5乃至即将出现的5.6我觉得完全够用。也建议大家理性消费。如果想走按量体验可以看下评论区。最后给大家看一下昨晚用Fable简单构建的前端的效果，关于为什么我吐槽过还要做前端，是因为我也需要在抖音小红书炸裂搞流量，人作为视觉动物，前端是最开始抓住注意力的开头的。视频如下，网站部署在verel地址放在评论区了，大家可以自行查看

用了两天的Fable-5，得到了一个与大部分人截然相反的结论，实测体验如下：速度：非常慢，尤其是开始分析和规划的时候能感受到像乌龟慢爬价格：我是Max5订阅用户，虽然输入输出定价为Opus的两倍，但是实际消耗量并没有像流水一样，消耗速度确实变快了，但命中缓存后消耗没有特别高，没有人传人的消耗那么离谱的快所以铺天盖地说消耗非常快的只有三种可能：第一种是Pro订阅账号容量本来就小，第二种是没自己账号纯造谣，第三种是本来对Opus的消耗没有感知，看到别人说fable消耗快自己也一用发现消耗快于是觉得是真的消耗快了。本身Opus的消耗就非常快嘛，现在只不过是变为了原来的大概1.5x 对于我来说，我通常只用Opus，所以这个1.x倍Opus的消耗量能够接受。实际使用中建议把缓存重建修改为1小时。能力：能力强体现在思维边界更广，架构能力更强。对于前端能力测试确实是有很大提高，尤其是创意能力。真正落地到工程项目中，我的体感是能够真正发现GPT-5.5的问题了，不会再像之前基本一直认为GPT的分析是对的。实际能力类似于Claude Opus4.6++与GPT-5.5++的结合版，目前没有到非常惊艳的程度结合价格和6月22之后就没了，我也没有升级Max20的打算，Max5+GPT-5.5乃至即将出现的5.6我觉得完全够用。也建议大家理性消费。如果想走按量体验可以看下评论区。最后给大家看一下昨晚用Fable简单构建的前端的效果，关于为什么我吐槽过还要做前端，是因为我也需要在抖音小红书炸裂搞流量，人作为视觉动物，前端是最开始抓住注意力的开头的。视频如下，网站部署在verel地址放在评论区了，大家可以自行查看

雪踏乌云

24,345 views • 3 months ago

Mininglamp-AI Mininglamp（2718.HK）开源了两个很有意思的项目： Cider 和 Mano-P 一个解决“Mac 本地跑 AI 怎么更快” 一个解决“AI 怎么真正操作电脑” 可以让你的 Mac 不只是运行 AI，而是成为本地 AI 工作站很多人用 Mac 跑本地模型，会遇到一个问题：芯片很强，但模型跑起来没有想象中那么快 Cider 做的事情，就是把 M5 芯片里的 INT8 TensorOps 更充分用起来，让 LLM / VLM 推理更快、更省内存 Mano-P 则是一个 GUI-VLA Agent，面向端侧设备，可以在 Mac mini / MacBook 上本地推理它不是只能操作浏览器，还能操作桌面软件、网页界面、专业工具和复杂图形化工作流支持复杂 GUI 自动化、跨系统数据整合、长任务规划执行、智能报告生成、自主应用构建技术路径是纯视觉 GUI 操作，截图和任务数据可以不出设备 Cider 解决的是： Mac 本地模型怎么跑得更快、更省内存 Mano-P 解决的是： AI 怎么像人一样看屏幕、操作电脑、完成任务一个是端侧推理加速框架一个是端侧 GUI Agent 模型合起来，就是一套私有 AI 的本地基础设施下面是 Mano-P系统在麻将游戏中的应用：通过纯视觉理解游戏界面，自主完成识牌、分析和决策。

Mininglamp-AI Mininglamp（2718.HK）开源了两个很有意思的项目： Cider 和 Mano-P 一个解决“Mac 本地跑 AI 怎么更快” 一个解决“AI 怎么真正操作电脑” 可以让你的 Mac 不只是运行 AI，而是成为本地 AI 工作站很多人用 Mac 跑本地模型，会遇到一个问题：芯片很强，但模型跑起来没有想象中那么快 Cider 做的事情，就是把 M5 芯片里的 INT8 TensorOps 更充分用起来，让 LLM / VLM 推理更快、更省内存 Mano-P 则是一个 GUI-VLA Agent，面向端侧设备，可以在 Mac mini / MacBook 上本地推理它不是只能操作浏览器，还能操作桌面软件、网页界面、专业工具和复杂图形化工作流支持复杂 GUI 自动化、跨系统数据整合、长任务规划执行、智能报告生成、自主应用构建技术路径是纯视觉 GUI 操作，截图和任务数据可以不出设备 Cider 解决的是： Mac 本地模型怎么跑得更快、更省内存 Mano-P 解决的是： AI 怎么像人一样看屏幕、操作电脑、完成任务一个是端侧推理加速框架一个是端侧 GUI Agent 模型合起来，就是一套私有 AI 的本地基础设施下面是 Mano-P系统在麻将游戏中的应用：通过纯视觉理解游戏界面，自主完成识牌、分析和决策。

小互

12,114 views • 4 months ago