正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

兄弟们，肝出来了！并且全部免费开源了！我把PP-OCRv6直接做成了本地工作台，在Mac上用CoreML加速，一键就能切换Tiny、Small、Medium三个模型大小！ Tiny只有1.5MB适合极致轻量，Medium 34.5MB主打精度，中间Small做平衡。支持图片上传、批量处理、结果导出CSV/Markdown/Excel，历史记录自动保存。整个东西完全本地跑，隐私安全，不用上传任何数据。最爽的是在苹果硅上自动开启CoreML加速，Intel Mac和Linux也能CPU跑。还专门做了浏览器版Tiny模型，零依赖直接在网页里就能用OCR。附带评测脚本，能跟OmniDocBench和macOS自带Apple Vision对比，实际测试在弯曲表面、点阵字体、低对比度这些难搞场景表现都不错。以前做本地OCR最烦的就是模型下载、环境配置、精度和速度权衡，现在我把这些全封装好了。开发者、研究者、需要离线处理文档的人直接clone就能用。这其实是我自己日常做OCR时踩了很多坑后，顺手做的东西。希望能帮到同样有这个需求的朋友。

Berryxia.AI

46,517 subscribers

37,590 次观看 • 2 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

这速度真特么离谱啊！卧槽！最新开源的Unlimited-OCR能一次性处理几百页文档，而且速度还很稳。而这个模型来自百度刚刚在hugging face 发布，其核心创新是R-SWA（Reference Sliding Window Attention）。它让模型在解码时KV Cache保持恒定，不会随着文档页数增加而爆炸式增长。结果就是：一张图或者一本多页PDF，直接扔进去就能一次性解析完，速度和稳定性都比传统逐页处理的方式好很多。在OmniDocBench上拿到了93分，比DeepSeek-OCR高出6个百分点。这已经不是简单的准确率提升，而是把长文档OCR的工作流从“分块+外部调度器拼接”变成了真正的端到端一镜到底。以前做多页文档最头疼的就是上下文断裂和格式不一致，现在模型能一次性看到整篇文档的结构、布局和逻辑关系，输出质量自然上了一个台阶。这其实是把OCR从“认字工具”往“长文档理解引擎”又往前推了一大步。技术路线很清晰，也很实用。果然百度现在OCR独树一帜，遥遥领先了。模型地址见评论区～ 👇

这速度真特么离谱啊！卧槽！最新开源的Unlimited-OCR能一次性处理几百页文档，而且速度还很稳。而这个模型来自百度刚刚在hugging face 发布，其核心创新是R-SWA（Reference Sliding Window Attention）。它让模型在解码时KV Cache保持恒定，不会随着文档页数增加而爆炸式增长。结果就是：一张图或者一本多页PDF，直接扔进去就能一次性解析完，速度和稳定性都比传统逐页处理的方式好很多。在OmniDocBench上拿到了93分，比DeepSeek-OCR高出6个百分点。这已经不是简单的准确率提升，而是把长文档OCR的工作流从“分块+外部调度器拼接”变成了真正的端到端一镜到底。以前做多页文档最头疼的就是上下文断裂和格式不一致，现在模型能一次性看到整篇文档的结构、布局和逻辑关系，输出质量自然上了一个台阶。这其实是把OCR从“认字工具”往“长文档理解引擎”又往前推了一大步。技术路线很清晰，也很实用。果然百度现在OCR独树一帜，遥遥领先了。模型地址见评论区～ 👇

Berryxia.AI

150,748 次观看 • 2 个月前

Google刚发布了 Gemma 4，260 亿参数，开源免费，能在本地设备上离线运行。讲真，这才是 2026 年最合理的 AI 技术栈: 本地模型兜底，顶级模型按需调用。但我认为参数和免费都不是重点，真正值得注意的是它原生支持函数调用，意味着这个模型能自主使用工具，浏览网页，执行代码，调用 API，直接充当一个完整的本地智能体，全程不联网，全程不花钱。 260 亿参数，实测性能对标 6850 亿参数级别的行业顶级模型，跑在普通笔记本上就行。部署只要三行命令： - 安装 Ollama： - curl -fsSL | sh - 拉取模型： ollama pull gemma4 两分钟，顶级本地 AI 就绑在你自己的硬件上了。我计划的用法是这样的，欢迎交流：日常的研究分析、代码审查、文稿起草、数据处理，全扔给本地 Gemma 4，用 MCP 服务器接上工具调用能力，网页浏览、数据库对接、API 接入都能覆盖，只有遇到真正需要顶级推理的硬核任务时，才请 Claude Code 出场。以前每个月在 AI 服务上花几百美元，现在 90% 的日常场景本地免费搞定，只为那 10% 的高难度任务付费。

Google刚发布了 Gemma 4，260 亿参数，开源免费，能在本地设备上离线运行。讲真，这才是 2026 年最合理的 AI 技术栈: 本地模型兜底，顶级模型按需调用。但我认为参数和免费都不是重点，真正值得注意的是它原生支持函数调用，意味着这个模型能自主使用工具，浏览网页，执行代码，调用 API，直接充当一个完整的本地智能体，全程不联网，全程不花钱。 260 亿参数，实测性能对标 6850 亿参数级别的行业顶级模型，跑在普通笔记本上就行。部署只要三行命令： - 安装 Ollama： - curl -fsSL | sh - 拉取模型： ollama pull gemma4 两分钟，顶级本地 AI 就绑在你自己的硬件上了。我计划的用法是这样的，欢迎交流：日常的研究分析、代码审查、文稿起草、数据处理，全扔给本地 Gemma 4，用 MCP 服务器接上工具调用能力，网页浏览、数据库对接、API 接入都能覆盖，只有遇到真正需要顶级推理的硬核任务时，才请 Claude Code 出场。以前每个月在 AI 服务上花几百美元，现在 90% 的日常场景本地免费搞定，只为那 10% 的高难度任务付费。

AYi

202,627 次观看 • 5 个月前

一个开源超实用的终端小工具：llmfit，狂揽了 14000+ GitHub Star！只需运行一条命令，就能帮我们找到哪些大模型适合在自己的电脑上本地部署跑起来。并且还会对每个模型的质量、速度、适配性和上下文维度上进行评分，帮助我们从中筛选。 GitHub：想在自己电脑上本地部署大模型的朋友，可通过这工具先知道能跑什么大模型再选择部署。

一个开源超实用的终端小工具：llmfit，狂揽了 14000+ GitHub Star！只需运行一条命令，就能帮我们找到哪些大模型适合在自己的电脑上本地部署跑起来。并且还会对每个模型的质量、速度、适配性和上下文维度上进行评分，帮助我们从中筛选。 GitHub：想在自己电脑上本地部署大模型的朋友，可通过这工具先知道能跑什么大模型再选择部署。

高军

35,323 次观看 • 5 个月前

这个视频是我用 ChatCut 剪出来的，没有加口播，主要是把自己原来用 Remotion 做视频的工作流迁了进去。用下来最大的感受是，ChatCut 的完成度确实比我预期高。最终效果比我自己用 Remotion 做得更好，整个制作过程也更丝滑。我猜他们应该针对视频制作场景专门优化了 Agent，或者选了更合适的模型，所以无论是设计风格还是审美，默认产出都比较在线。它还把图片生成、音频生成、字幕、气口剪辑这些工具全都集成进去了。以前在本地要自己拼起来的一套工作流，现在基本都封装好了，做视频会省事很多。当然也有两个取舍：它是云端产品，不能完全在本地运行，在意隐私的人可能会有顾虑。使用需要消耗积分，不过我还没有认真测过积分消耗，也不确定和本地跑 Remotion 相比，最终成本差多少。总体来说，ChatCut 和本地 Remotion 都能做到差不多的结果，核心区别不是能不能做，而是要花多少时间折腾。如果你喜欢自己掌控每个环节，Remotion 依然很合适。如果你更想图省事，ChatCut 已经把大量工具和工作流封装好了，整体体验确实会舒服很多。

这个视频是我用 ChatCut 剪出来的，没有加口播，主要是把自己原来用 Remotion 做视频的工作流迁了进去。用下来最大的感受是，ChatCut 的完成度确实比我预期高。最终效果比我自己用 Remotion 做得更好，整个制作过程也更丝滑。我猜他们应该针对视频制作场景专门优化了 Agent，或者选了更合适的模型，所以无论是设计风格还是审美，默认产出都比较在线。它还把图片生成、音频生成、字幕、气口剪辑这些工具全都集成进去了。以前在本地要自己拼起来的一套工作流，现在基本都封装好了，做视频会省事很多。当然也有两个取舍：它是云端产品，不能完全在本地运行，在意隐私的人可能会有顾虑。使用需要消耗积分，不过我还没有认真测过积分消耗，也不确定和本地跑 Remotion 相比，最终成本差多少。总体来说，ChatCut 和本地 Remotion 都能做到差不多的结果，核心区别不是能不能做，而是要花多少时间折腾。如果你喜欢自己掌控每个环节，Remotion 依然很合适。如果你更想图省事，ChatCut 已经把大量工具和工作流封装好了，整体体验确实会舒服很多。

泊舟

23,783 次观看 • 1 个月前

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 次观看 • 29 天前

昨天发了一个视频，看到评论里有人问：你都在用 Claude Code 了，为什么还要用国内的 Coding Plan？对我来说，这不是一个二选一的问题，而是一个补充题。大家都知道御三家的硬实力更强，这点没什么好争议的。但很多日常场景里，国产模型其实已经能在速度、质量、成本之间取得一个不错的平衡。比如文本处理、资料整理、基础 coding、简单 agent 任务，这类占日常 80% 的工作，很多时候并不一定非要上最贵的模型。对大多数中国用户来说，国产模型更顺手，速度也够，价格还低不少。还有一个经常被忽略的点，其实是处理速度。我自己实测下来，国内这些模型在一些简单任务上，接口响应和首字速度都很快。像翻译、语音输入后的文本修正、基础润色、简单改写这类高频小任务，用起来其实很舒服。你并不需要每一次都把最贵、最强的模型拉出来跑一遍。另外我觉得，现在国内头部几家 AI 厂商，已经不是“能不能做”的问题了。无论是阿里还是字节，一方面有足够的算力和基础设施，另一方面本身也有持续做模型研发和产品迭代的能力。所以在很多高频、日常、成本敏感的场景里，把国产模型纳入自己的工具链，本来就是很自然的事。所以我现在的看法一直都不是“国产替代”或者“二选一”，而是按场景分工：复杂、高价值任务交给最强模型；大量日常、重复、成本敏感的任务，用国产模型做补充，我觉得这反而是更现实、也更科学的用法。

昨天发了一个视频，看到评论里有人问：你都在用 Claude Code 了，为什么还要用国内的 Coding Plan？对我来说，这不是一个二选一的问题，而是一个补充题。大家都知道御三家的硬实力更强，这点没什么好争议的。但很多日常场景里，国产模型其实已经能在速度、质量、成本之间取得一个不错的平衡。比如文本处理、资料整理、基础 coding、简单 agent 任务，这类占日常 80% 的工作，很多时候并不一定非要上最贵的模型。对大多数中国用户来说，国产模型更顺手，速度也够，价格还低不少。还有一个经常被忽略的点，其实是处理速度。我自己实测下来，国内这些模型在一些简单任务上，接口响应和首字速度都很快。像翻译、语音输入后的文本修正、基础润色、简单改写这类高频小任务，用起来其实很舒服。你并不需要每一次都把最贵、最强的模型拉出来跑一遍。另外我觉得，现在国内头部几家 AI 厂商，已经不是“能不能做”的问题了。无论是阿里还是字节，一方面有足够的算力和基础设施，另一方面本身也有持续做模型研发和产品迭代的能力。所以在很多高频、日常、成本敏感的场景里，把国产模型纳入自己的工具链，本来就是很自然的事。所以我现在的看法一直都不是“国产替代”或者“二选一”，而是按场景分工：复杂、高价值任务交给最强模型；大量日常、重复、成本敏感的任务，用国产模型做补充，我觉得这反而是更现实、也更科学的用法。

luolei

32,585 次观看 • 4 个月前

更新 Intel B580 显卡最新驱动之后，我其他啥都没改，Win11 下本地跑 AI 正常了， 7b 能到 50+tokens/s, 14b 模型则能到 30t/s。看到「本地跑模型无用」的论调，实际上我自己就已经在本地使用了，对于强隐私性需求(比如邮件摘要)，应该不会有人想交给第三方，如果能用不高的成本，self-host 一个「智商还行」且安全的的本地大模型，不需要很聪明，恰好能满足我这种用户需求。

更新 Intel B580 显卡最新驱动之后，我其他啥都没改，Win11 下本地跑 AI 正常了， 7b 能到 50+tokens/s, 14b 模型则能到 30t/s。看到「本地跑模型无用」的论调，实际上我自己就已经在本地使用了，对于强隐私性需求(比如邮件摘要)，应该不会有人想交给第三方，如果能用不高的成本，self-host 一个「智商还行」且安全的的本地大模型，不需要很聪明，恰好能满足我这种用户需求。

luolei

35,340 次观看 • 1 年前

这个项目，真的让我重新燃起了做账号矩阵的冲动。一个 14.5k stars 的开源项目，直接把 Google NotebookLM 变成内容生产流水线。 NotebookLM 很多人应该都用过。上传 PDF、网页、YouTube，它就能帮你整理资料、生成播客、做学习指南。但官方网页版有个很难受的问题：太慢了。传个 PDF，等解析；点生成音频，再等；下载，再等。一套流程跑完，时间全浪费在等待上。更关键的是：它根本不适合批量搞内容。你想一次处理几十个链接？想自动生成一批播客？想接到自己的工作流里？网页版基本没法玩。直到我发现了 notebooklm-py。这是一个非官方 Python API，等于把 NotebookLM 的能力全拆出来了。很多功能甚至比网页版还狠： - 一行命令生成播客 - 支持不同风格、时长、语言 - 批量导入 YouTube / PDF / URL - 幻灯片直接导出 PPTX - 思维导图导出 JSON - 数据导出 CSV - 测验题结构化导出 - 还能用自然语言改单页 PPT 最强的是：它还能接进 Claude Code，当 Agent 技能用。看到这里我脑子里第一反应就是：这不就是账号矩阵生产线吗？热点抓取 → AI研究 → 播客生成 → 图文整理 → PPT生成 → 自动分发整个链路都能串起来。以前做矩阵，拼的是人多。现在越来越像拼工作流了。很多以前需要团队才能做的事情，现在一个人也能跑起来。

这个项目，真的让我重新燃起了做账号矩阵的冲动。一个 14.5k stars 的开源项目，直接把 Google NotebookLM 变成内容生产流水线。 NotebookLM 很多人应该都用过。上传 PDF、网页、YouTube，它就能帮你整理资料、生成播客、做学习指南。但官方网页版有个很难受的问题：太慢了。传个 PDF，等解析；点生成音频，再等；下载，再等。一套流程跑完，时间全浪费在等待上。更关键的是：它根本不适合批量搞内容。你想一次处理几十个链接？想自动生成一批播客？想接到自己的工作流里？网页版基本没法玩。直到我发现了 notebooklm-py。这是一个非官方 Python API，等于把 NotebookLM 的能力全拆出来了。很多功能甚至比网页版还狠： - 一行命令生成播客 - 支持不同风格、时长、语言 - 批量导入 YouTube / PDF / URL - 幻灯片直接导出 PPTX - 思维导图导出 JSON - 数据导出 CSV - 测验题结构化导出 - 还能用自然语言改单页 PPT 最强的是：它还能接进 Claude Code，当 Agent 技能用。看到这里我脑子里第一反应就是：这不就是账号矩阵生产线吗？热点抓取 → AI研究 → 播客生成 → 图文整理 → PPT生成 → 自动分发整个链路都能串起来。以前做矩阵，拼的是人多。现在越来越像拼工作流了。很多以前需要团队才能做的事情，现在一个人也能跑起来。

开发者Hailey

21,316 次观看 • 3 个月前

我把百灵大模型装进 Mac，接进了自己的自动化打狗meme系统如何让大模型全程不消耗云端 Token 额度，写作、编辑、报表和代码都在自己的电脑上完成？我把百灵大模型装进 Mac 后，给它出了一个和我工作直接相关的任务： “如果我有一些加密货币和美股策略，你能不能帮我做自动化监控和辅助决策？” 不到 5 分钟，它从空白开始拆出了数据源、信号生成、风险控制、执行监控和 Python 代码骨架。整个过程由 Ling-3.0-tiny-int4 在我的 M4 Mac mini 本地完成，没有调用云端模型。我没有停留在聊天演示：现在已经把它接入自己的自动化打狗系统，开始测试百灵 AI 的入场复核和影子决策能力。

我把百灵大模型装进 Mac，接进了自己的自动化打狗meme系统如何让大模型全程不消耗云端 Token 额度，写作、编辑、报表和代码都在自己的电脑上完成？我把百灵大模型装进 Mac 后，给它出了一个和我工作直接相关的任务： “如果我有一些加密货币和美股策略，你能不能帮我做自动化监控和辅助决策？” 不到 5 分钟，它从空白开始拆出了数据源、信号生成、风险控制、执行监控和 Python 代码骨架。整个过程由 Ling-3.0-tiny-int4 在我的 M4 Mac mini 本地完成，没有调用云端模型。我没有停留在聊天演示：现在已经把它接入自己的自动化打狗系统，开始测试百灵 AI 的入场复核和影子决策能力。

DeFi狙击手 | Ai🕊️

14,015 次观看 • 8 天前

著名机构SemiAnalysis的研究员给了一个很有趣的观点--关于中国的开源模型 Jordan Nanos Jordan Nanos 是 SemiAnalysi 的AI 研究员，他说：开源模型现在看起来追上了前沿闭源模型，其实完全是“人为”追平的直接原因就在美国政府身上——他们对Anthropic施加了限制，导致我们根本拿不到这些实验室真正最强的模型最明显的例子就是Mythos和Fable：我根本用不了Mythos，只能偶尔“好好求一下”才能用上Fable 至于OpenAI的5.6 Sol，我们的判断是它甚至都不是OpenAI训练过的最大模型，规模都没到4.5那个级别，他们肯定在某个地方还藏着更大的模型

著名机构SemiAnalysis的研究员给了一个很有趣的观点--关于中国的开源模型 Jordan Nanos Jordan Nanos 是 SemiAnalysi 的AI 研究员，他说：开源模型现在看起来追上了前沿闭源模型，其实完全是“人为”追平的直接原因就在美国政府身上——他们对Anthropic施加了限制，导致我们根本拿不到这些实验室真正最强的模型最明显的例子就是Mythos和Fable：我根本用不了Mythos，只能偶尔“好好求一下”才能用上Fable 至于OpenAI的5.6 Sol，我们的判断是它甚至都不是OpenAI训练过的最大模型，规模都没到4.5那个级别，他们肯定在某个地方还藏着更大的模型

梭哈.AI

90,037 次观看 • 1 个月前

英伟达把 130 多个 AI 模型和 200 多个 Agent 技能打包到了一个平台上，免费用 2 分钟就能开始包含的东西： 130+ 免费模型，可以直接下载 200+ Agent 技能，包括 Codex 和 Claude Code 的技能全部通过一个 API 调用获取方式： → 注册 → 右上角点个人资料 → 打开 API Keys，生成一个密钥 → 终端里跑一行命令：npx skills add NVIDIA/skills → 200个技能全部装好说实话现在免费的 AI 资源多到用不完。前沿模型、编码代理、开发工具，很多最好的东西根本不需要花钱一边是豆包开始收费 ¥500/月，一边是英伟达把几百个模型和技能免费放出来如果你一直在等"完美时机"开始学 AI 或者用 AI 做东西，现在真的没有借口了

英伟达把 130 多个 AI 模型和 200 多个 Agent 技能打包到了一个平台上，免费用 2 分钟就能开始包含的东西： 130+ 免费模型，可以直接下载 200+ Agent 技能，包括 Codex 和 Claude Code 的技能全部通过一个 API 调用获取方式： → 注册 → 右上角点个人资料 → 打开 API Keys，生成一个密钥 → 终端里跑一行命令：npx skills add NVIDIA/skills → 200个技能全部装好说实话现在免费的 AI 资源多到用不完。前沿模型、编码代理、开发工具，很多最好的东西根本不需要花钱一边是豆包开始收费 ¥500/月，一边是英伟达把几百个模型和技能免费放出来如果你一直在等"完美时机"开始学 AI 或者用 AI 做东西，现在真的没有借口了

Vincent

24,889 次观看 • 2 个月前

推荐个好东西：火山引擎的 PromptPilot。之前看 Google 的提示词白皮书，有个点让我印象很深：他们直接用 Google Doc 管理 prompt，写任务、版本、评估效果。那时候我就在想，有没有人真把这事儿做成一套完整系统？现在看到火山这套，有点意思了。它不只是“帮你写好提示词”，而是把这事儿当作工程问题来解的。最打动我的，是它在 prompt 优化这件事上做得极其系统，甚至有点狠。 ✅ 从任务出发构造 prompt（带结构、带变量、不是拍脑袋） ✅ 每一版 prompt 都挂着独立评测集 + 自动评分机制 ✅ 没有理想答案也能比对打分（GSB 模式） ✅ 每轮迭代都能 trace 效果，版本可控、可回溯我们之前做客服对话调 prompt，最常见的就是“改了一句，但说不上来到底有没有变好”。很多时候上线的版本其实就是“看着还行就先上”。现在它是：“打一套样本集，系统直接帮你跑出哪一版效果稳定”。我一直坚持：模型越强，对 prompt 的要求只会更高。尤其是在多轮任务、复杂场景里，prompt 不只是“写得好”，而是“是否可控、可管理、可进化”。 PromptPilot 解决的，是这个底层问题。它不仅能让 prompt 生出来，更重要是——能持续改下去。版本有 trace，样本能评分，逻辑能反推，工具还能外接，整个就是“prompt 的 AutoML + GitOps” 一体化工具链。顺带说一句：这是 2025 火山引擎 FORCE 大会上刚发布的产品，免费版和 Plus 版都开放，9 月前能直接上手全功能体验。现在市面上很多 prompt 工具做的是“编辑器 + 改写器”，但你会发现，真正上线之后需要的是一整套治理机制。 PromptPilot 是我目前看到国内第一个跑通这个闭环的，不是 fancy 的界面，而是认真在解决 prompt 系统演化能力这个问题。如果你也在做 AI 应用落地，推荐你认真研究一下。要说缺点：自定义模型没找到海外模型，差评！

推荐个好东西：火山引擎的 PromptPilot。之前看 Google 的提示词白皮书，有个点让我印象很深：他们直接用 Google Doc 管理 prompt，写任务、版本、评估效果。那时候我就在想，有没有人真把这事儿做成一套完整系统？现在看到火山这套，有点意思了。它不只是“帮你写好提示词”，而是把这事儿当作工程问题来解的。最打动我的，是它在 prompt 优化这件事上做得极其系统，甚至有点狠。 ✅ 从任务出发构造 prompt（带结构、带变量、不是拍脑袋） ✅ 每一版 prompt 都挂着独立评测集 + 自动评分机制 ✅ 没有理想答案也能比对打分（GSB 模式） ✅ 每轮迭代都能 trace 效果，版本可控、可回溯我们之前做客服对话调 prompt，最常见的就是“改了一句，但说不上来到底有没有变好”。很多时候上线的版本其实就是“看着还行就先上”。现在它是：“打一套样本集，系统直接帮你跑出哪一版效果稳定”。我一直坚持：模型越强，对 prompt 的要求只会更高。尤其是在多轮任务、复杂场景里，prompt 不只是“写得好”，而是“是否可控、可管理、可进化”。 PromptPilot 解决的，是这个底层问题。它不仅能让 prompt 生出来，更重要是——能持续改下去。版本有 trace，样本能评分，逻辑能反推，工具还能外接，整个就是“prompt 的 AutoML + GitOps” 一体化工具链。顺带说一句：这是 2025 火山引擎 FORCE 大会上刚发布的产品，免费版和 Plus 版都开放，9 月前能直接上手全功能体验。现在市面上很多 prompt 工具做的是“编辑器 + 改写器”，但你会发现，真正上线之后需要的是一整套治理机制。 PromptPilot 是我目前看到国内第一个跑通这个闭环的，不是 fancy 的界面，而是认真在解决 prompt 系统演化能力这个问题。如果你也在做 AI 应用落地，推荐你认真研究一下。要说缺点：自定义模型没找到海外模型，差评！

凡人小北

95,078 次观看 • 1 年前

本地跑大模型，除了Ollama还有别的选择吗？最近冒出来的Shimmy，就是盯着Ollama的短板做的。单文件5MB，启动100毫秒不到，内存50MB出头，全用Rust写的，资源控制得相当克制。接口是完整的OpenAI格式，现有工具换个baseURL就能接上，几乎不用改代码。开箱即用这一点做得挺到位，不用写配置文件，端口自动分配，Hugging Face、Ollama、本地目录的模型都能自动扫出来。目前GitHub上已经5.6k星了。我试了一下，从下载到跑通不到两分钟。如果你被Ollama的体积和启动速度困扰过，这个值得花几分钟试试。 🔗 ：

本地跑大模型，除了Ollama还有别的选择吗？最近冒出来的Shimmy，就是盯着Ollama的短板做的。单文件5MB，启动100毫秒不到，内存50MB出头，全用Rust写的，资源控制得相当克制。接口是完整的OpenAI格式，现有工具换个baseURL就能接上，几乎不用改代码。开箱即用这一点做得挺到位，不用写配置文件，端口自动分配，Hugging Face、Ollama、本地目录的模型都能自动扫出来。目前GitHub上已经5.6k星了。我试了一下，从下载到跑通不到两分钟。如果你被Ollama的体积和启动速度困扰过，这个值得花几分钟试试。 🔗 ：

Amto

10,620 次观看 • 1 个月前

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

indigo

183,917 次观看 • 2 年前

给广大女性朋友们提个醒，现在的新能源很多都带哨兵模式，大家一定要注意自己的行为，避免成为资源（下面就是示例）。感觉前两年大家还讨论 AI模型厉不厉害，准确率多少、测试分数多少。但现在大部分都已经超越了，如果 AI 以后真的要参与市场，那只看这些测试数据其实不够。看到 Inference Labs 的数据，他们做的 TruthTensor 已经跑出了 110 多万个 AI agents。这些 AI 不只是做测试，而是在一个有奖励、有反馈的环境里运行。信息一直在变化，AI 的行为会受到奖励影响，做出决定之后马上就会有结果反馈。这样做的目的其实很直接，就是看看 AI 在真实经济环境里会怎么表现。因为如果以后 AI 真的参与交易、市场分析或者做一些决策，那就不能只看模型测试成绩，还要看它在真实环境里的表现。所以像 TruthTensor 这种系统，本质上就是把 AI 放到真实环境里跑一跑，看它在压力下会怎么做。这样才能更真实地评估 AI 的能力。 #InferenceLabs Inference Labs

给广大女性朋友们提个醒，现在的新能源很多都带哨兵模式，大家一定要注意自己的行为，避免成为资源（下面就是示例）。感觉前两年大家还讨论 AI模型厉不厉害，准确率多少、测试分数多少。但现在大部分都已经超越了，如果 AI 以后真的要参与市场，那只看这些测试数据其实不够。看到 Inference Labs 的数据，他们做的 TruthTensor 已经跑出了 110 多万个 AI agents。这些 AI 不只是做测试，而是在一个有奖励、有反馈的环境里运行。信息一直在变化，AI 的行为会受到奖励影响，做出决定之后马上就会有结果反馈。这样做的目的其实很直接，就是看看 AI 在真实经济环境里会怎么表现。因为如果以后 AI 真的参与交易、市场分析或者做一些决策，那就不能只看模型测试成绩，还要看它在真实环境里的表现。所以像 TruthTensor 这种系统，本质上就是把 AI 放到真实环境里跑一跑，看它在压力下会怎么做。这样才能更真实地评估 AI 的能力。 #InferenceLabs Inference Labs

Michael 宝塔镇河妖🧙🏿‍♀️

12,672 次观看 • 5 个月前

兄弟们，DeepSeek V4 Pro在ZenMux上免费放开了，登录就能跑，实测能替掉你80%的Claude活。视频是我早上实测的和Claude opus 4.7同时跑一个昨SaaS产品网站的任务，效果真的炸裂！说个前情，老朋友都知道我今年Claude被封过一次号，那之后我就想通一件事——API这种东西绑死在单一厂商手里是给自己埋雷，付费用户说封就封，申诉通道石沉大海，深夜破防一次就够了。从那之后我转战聚合平台，试了一圈最后留在ZenMux，半年用下来没再折腾过。所以这次V4 Pro在ZenMux上免费开放，对我来说不是又一个新模型上线，是我一直在用的平台又多了一张能打的牌，顺手就想推给兄弟们。先说V4 Pro到底值不值得冲，这几天X上吹V4 Pro的推刷屏了，参数跑分价格屠杀，都是同一个模板。但对我这种每个月真金白银付API账单的人来说，跑分都是虚的，能不能替掉我手头项目里的Claude调用才是真问题。免费窗口就是用来验证这件事的，我这昨天就干了一件事——用ZenMux的PK模式把V4 Pro、GPT-5.4、Claude Opus 4.6摆在同一屏，拿自己项目里最头疼的prompt开跑，三栏并排输出，谁快谁慢谁token烧得少一眼看完。四个场景跑完结论很清晰——日常80%的活V4 Pro能接，便宜到让我下不去手再用Opus，剩下20%极限稳定性的关键链路我还是留给Claude兜底。这就是模型分层，上周讲Ling的时候也提过这个逻辑，2026年不存在一个模型打天下，只存在你工具箱里的模型组合。顺便说说ZenMux这平台为啥值得留下来。 PK模式是第一个杀手锏，三家模型同屏对比这种功能市面上很少有平台做，每次选模型省我一整个下午，比自己写脚本调三家API再人肉对比快十倍。真正让我踏实的是保险赔付机制，模型输出异常或者延时拉胯，平台自动检测并补偿。被Claude封过号之后再看到这个设计，感觉完全不一样，出问题有人兜底，不用再深夜破防。再加上日志、成本、用量、性能四个维度的可观测性做得细，每一笔钱烧在哪、每一次请求卡在哪点开就能看，调prompt和选型的时候非常好使。回到这次的白嫖窗口， DeepSeek V4 Pro和Flash都有免费版，每天有用量限制但够你跑测试。这几天想验证要不要换模型的兄弟，别再刷跑分推了，自己扔几个真实prompt进去跑一遍，十分钟你就知道该不该换，比谁的测评都诚实🌚 免费入口老规矩评论区自取⬇️ #DeepSeekV4 #ZenMux #AI #大模型 #Agent

兄弟们，DeepSeek V4 Pro在ZenMux上免费放开了，登录就能跑，实测能替掉你80%的Claude活。视频是我早上实测的和Claude opus 4.7同时跑一个昨SaaS产品网站的任务，效果真的炸裂！说个前情，老朋友都知道我今年Claude被封过一次号，那之后我就想通一件事——API这种东西绑死在单一厂商手里是给自己埋雷，付费用户说封就封，申诉通道石沉大海，深夜破防一次就够了。从那之后我转战聚合平台，试了一圈最后留在ZenMux，半年用下来没再折腾过。所以这次V4 Pro在ZenMux上免费开放，对我来说不是又一个新模型上线，是我一直在用的平台又多了一张能打的牌，顺手就想推给兄弟们。先说V4 Pro到底值不值得冲，这几天X上吹V4 Pro的推刷屏了，参数跑分价格屠杀，都是同一个模板。但对我这种每个月真金白银付API账单的人来说，跑分都是虚的，能不能替掉我手头项目里的Claude调用才是真问题。免费窗口就是用来验证这件事的，我这昨天就干了一件事——用ZenMux的PK模式把V4 Pro、GPT-5.4、Claude Opus 4.6摆在同一屏，拿自己项目里最头疼的prompt开跑，三栏并排输出，谁快谁慢谁token烧得少一眼看完。四个场景跑完结论很清晰——日常80%的活V4 Pro能接，便宜到让我下不去手再用Opus，剩下20%极限稳定性的关键链路我还是留给Claude兜底。这就是模型分层，上周讲Ling的时候也提过这个逻辑，2026年不存在一个模型打天下，只存在你工具箱里的模型组合。顺便说说ZenMux这平台为啥值得留下来。 PK模式是第一个杀手锏，三家模型同屏对比这种功能市面上很少有平台做，每次选模型省我一整个下午，比自己写脚本调三家API再人肉对比快十倍。真正让我踏实的是保险赔付机制，模型输出异常或者延时拉胯，平台自动检测并补偿。被Claude封过号之后再看到这个设计，感觉完全不一样，出问题有人兜底，不用再深夜破防。再加上日志、成本、用量、性能四个维度的可观测性做得细，每一笔钱烧在哪、每一次请求卡在哪点开就能看，调prompt和选型的时候非常好使。回到这次的白嫖窗口， DeepSeek V4 Pro和Flash都有免费版，每天有用量限制但够你跑测试。这几天想验证要不要换模型的兄弟，别再刷跑分推了，自己扔几个真实prompt进去跑一遍，十分钟你就知道该不该换，比谁的测评都诚实🌚 免费入口老规矩评论区自取⬇️ #DeepSeekV4 #ZenMux #AI #大模型 #Agent

AYi

132,811 次观看 • 4 个月前

做AI短视频，我踩过 5 个坑今天全说出来，希望你能少走一些弯路。 ──────────────── 第一坑：一上来就猛学刚开始做的时候，我每天研究工具、研究技术、研究别人怎么做。研究得很起劲，但回头一看，一个视频都没做完。正确的顺序是先做出来，再边做边学。做完第一个你懂了流程，做完几个你有了感觉，就这样进步总结一句：先完成，再完美 ──────────────── 第二坑：总想省钱省积分生图要钱，生视频要钱，心疼是真的刚开始做的时候，我也试过那些便宜的方案，效果看起来差不多。实际用下来，各种问题，花了大量时间去调，最后还是放弃了。成本要跟结果比，不是跟价格比。做一个视频的成本本来就不高，省那点钱，丢的是时间和机会。总结一句：用最好的工具，做最好的作品 ──────────────── 第三坑：死抠画面刚开始做的时候，总想把画面做得很精美。结果发现根本做不到，提示词再好也有上限。后来才发现，很多播放量很高的视频，画面并不精致，但内容抓人、节奏好，照样爆。总结一句：别死抠视觉，够用就行。 ──────────────── 第四坑：忘了内容本身这是最大的坑刚开始做的时候，我花了大量时间研究工具、研究技术，结果忘了自己是做内容的我们做的是视频，第一件事是内容好不好，不是特效漂不漂亮。把注意力放回内容上之后，效果立刻就不一样了。总结一句：我们是做内容的，不是研究AI的 ──────────────── 第五坑：做得太少做一个感觉效果不好，就开始大改、大优化。其实很可能是这个方向用户不感兴趣，换一个方向就好了。只要数量足够多，总会有跑通的总结一句：干就完了，量大出奇迹 ════════════════ 我现在用什么工具工具不用多，我现在核心就靠Creao 🔹 视频生成— 支持 Google Veo 和 Seedance，提示词直接出视频 🔹 图片生成— 最高 4K，随时在对话里生成 🔹 配音 — 20 多种声音，直接出音频文件 🔹 Agent 自动化 — 流程搭好之后可以定时跑，不用每次手动可以试试：最后一句：别光收藏，动手才能进步

做AI短视频，我踩过 5 个坑今天全说出来，希望你能少走一些弯路。 ──────────────── 第一坑：一上来就猛学刚开始做的时候，我每天研究工具、研究技术、研究别人怎么做。研究得很起劲，但回头一看，一个视频都没做完。正确的顺序是先做出来，再边做边学。做完第一个你懂了流程，做完几个你有了感觉，就这样进步总结一句：先完成，再完美 ──────────────── 第二坑：总想省钱省积分生图要钱，生视频要钱，心疼是真的刚开始做的时候，我也试过那些便宜的方案，效果看起来差不多。实际用下来，各种问题，花了大量时间去调，最后还是放弃了。成本要跟结果比，不是跟价格比。做一个视频的成本本来就不高，省那点钱，丢的是时间和机会。总结一句：用最好的工具，做最好的作品 ──────────────── 第三坑：死抠画面刚开始做的时候，总想把画面做得很精美。结果发现根本做不到，提示词再好也有上限。后来才发现，很多播放量很高的视频，画面并不精致，但内容抓人、节奏好，照样爆。总结一句：别死抠视觉，够用就行。 ──────────────── 第四坑：忘了内容本身这是最大的坑刚开始做的时候，我花了大量时间研究工具、研究技术，结果忘了自己是做内容的我们做的是视频，第一件事是内容好不好，不是特效漂不漂亮。把注意力放回内容上之后，效果立刻就不一样了。总结一句：我们是做内容的，不是研究AI的 ──────────────── 第五坑：做得太少做一个感觉效果不好，就开始大改、大优化。其实很可能是这个方向用户不感兴趣，换一个方向就好了。只要数量足够多，总会有跑通的总结一句：干就完了，量大出奇迹 ════════════════ 我现在用什么工具工具不用多，我现在核心就靠Creao 🔹 视频生成— 支持 Google Veo 和 Seedance，提示词直接出视频 🔹 图片生成— 最高 4K，随时在对话里生成 🔹 配音 — 20 多种声音，直接出音频文件 🔹 Agent 自动化 — 流程搭好之后可以定时跑，不用每次手动可以试试：最后一句：别光收藏，动手才能进步

Powerpei🦅🏆买美股上币安

22,183 次观看 • 1 个月前

最近发现了一个好东西，做产品和运营的朋友一定要看看~ 是 atypica.AI 做的商业研究智能体，现在把他们的市场调研能力打包成了 Marketing Skills，可以直接在 OpenClaw/Claude 里调用。说几个戳我的点： 1. 不仅能做常规的市场调研，连产品研发的前测都能做，这很全面了~ 2. 相比一般的 AI 调研工具，它会自己去刷社媒，模拟你的目标消费者，还能做深度访谈挖用户痛点。 3. 最后出来的报告，不仅有客观数据，还有用户洞察、产品需求分析，甚至还有 GTM plan。链接放评论区了，有市场调研、产品创新、用户洞察需求的朋友们都可以试试~

最近发现了一个好东西，做产品和运营的朋友一定要看看~ 是 atypica.AI 做的商业研究智能体，现在把他们的市场调研能力打包成了 Marketing Skills，可以直接在 OpenClaw/Claude 里调用。说几个戳我的点： 1. 不仅能做常规的市场调研，连产品研发的前测都能做，这很全面了~ 2. 相比一般的 AI 调研工具，它会自己去刷社媒，模拟你的目标消费者，还能做深度访谈挖用户痛点。 3. 最后出来的报告，不仅有客观数据，还有用户洞察、产品需求分析，甚至还有 GTM plan。链接放评论区了，有市场调研、产品创新、用户洞察需求的朋友们都可以试试~

木马人

16,126 次观看 • 5 个月前

推荐一下张咋啦的 PPT Skill：frontend-slides。对于我这种不爱做 PPT，但又有演示需求的人来说，实在是太友好了。这个 Skill 的思路是把 PPT 变成网页。并且动画效果比 PowerPoint 好、生成的是单个 HTML 文件、浏览器直接打开。 AI 会生成多个不同风格的预览，每个风格都是定制的，字体、配色、动画都不一样。同时还能直接在浏览器里编辑文字，改完自动保存。如果你有现成的 .pptx 文件，也能直接转成网页版。经常做 PPT 的话，可以试试，链接放评论区。

推荐一下张咋啦的 PPT Skill：frontend-slides。对于我这种不爱做 PPT，但又有演示需求的人来说，实在是太友好了。这个 Skill 的思路是把 PPT 变成网页。并且动画效果比 PowerPoint 好、生成的是单个 HTML 文件、浏览器直接打开。 AI 会生成多个不同风格的预览，每个风格都是定制的，字体、配色、动画都不一样。同时还能直接在浏览器里编辑文字，改完自动保存。如果你有现成的 .pptx 文件，也能直接转成网页版。经常做 PPT 的话，可以试试，链接放评论区。

余温

116,708 次观看 • 5 个月前

最终的实验产物，应该算是成功了。亮点在于里面的角色动态并不是 AI 生成的，而是抽取的图片帧进行对口型播放。也就是说，在本地，用一个 python 脚本就能驱动，不需要消耗任何 AI 额度，也能达到不错的效果。人物的问题解决了，接下来就是研究怎么让 AI 自己做视频。等完全研究明白了，会开源的。

最终的实验产物，应该算是成功了。亮点在于里面的角色动态并不是 AI 生成的，而是抽取的图片帧进行对口型播放。也就是说，在本地，用一个 python 脚本就能驱动，不需要消耗任何 AI 额度，也能达到不错的效果。人物的问题解决了，接下来就是研究怎么让 AI 自己做视频。等完全研究明白了，会开源的。

柴郡🔔｜Crypto+AI Plus

41,522 次观看 • 1 个月前