Video yükleniyor...

Video Yüklenemedi

Bu video yüklenirken bir sorun oluştu. Bu geçici bir ağ sorunundan kaynaklanıyor olabilir veya video kullanılamıyor olabilir.

Ana Sayfaya Dön

又一个Phone Use开源项目：android-action-kernel，让AI直接动手操作原生Android应用，单次调用成本降低95%、延迟<1秒它主路径不用视觉模型，而是利用Android系统原生的Accessibility API，拿到界面XML树，包括按钮文字、坐标、是否可点状态等，直接获取屏幕语义信息给LLM决策省掉截图-OCR-视觉模型的高成本，每次操作$0.01，便宜了95%；延迟从3-5秒缩短到<1秒，快了5倍；准确性提升至99%+ 项目来自 #phoneuse #AndroidUse #手机AI

AIGCLINK

35,051 subscribers

149,924 görüntüleme • 10 ay önce •via X (Twitter)

Oyun Eğitim Bilim & Teknoloji

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

最适合做AI视频的API平台终于被我找到了！! 成本比预期低很多！爽用Seedance 2.0的感觉也太夯了！！赶紧用Codex把很早就想做的“个人视觉创意工作台”安排上了！我相信很多人都想找一个好用又便宜的生成式模型API平台，说实话，真的很不好找！！大大小小的AI平台用了不少，要么贵的要死，要么可用模型少的可怜，要么就是个黑盒子，花钱用的啥模型都不知道！今天看到Pika Pika上线了Pika API Club，我就知道这事稳了！！果不其然，Pika还是太懂AI视频创作者了！基本上能用到的模型都包圆了，定价也特别香，应该都是从厂商拿的“集采价”，而且还让利给了用户！ Pika API定价比Runway、Fal等等都要便宜不少， Seedance 2.0的价格相对Runway，最高能便宜87%，相当于打1.3折！！关键是，每月才10美金，可以用70多个生成式模型，不光是视频，主流模型都有，1个API能接住所有的模型需求！！所以搞了一个创意工作台，把原创的一些提示词做成预设，一键套用成片，效率直接拉满！！

最适合做AI视频的API平台终于被我找到了！! 成本比预期低很多！爽用Seedance 2.0的感觉也太夯了！！赶紧用Codex把很早就想做的“个人视觉创意工作台”安排上了！我相信很多人都想找一个好用又便宜的生成式模型API平台，说实话，真的很不好找！！大大小小的AI平台用了不少，要么贵的要死，要么可用模型少的可怜，要么就是个黑盒子，花钱用的啥模型都不知道！今天看到Pika Pika上线了Pika API Club，我就知道这事稳了！！果不其然，Pika还是太懂AI视频创作者了！基本上能用到的模型都包圆了，定价也特别香，应该都是从厂商拿的“集采价”，而且还让利给了用户！ Pika API定价比Runway、Fal等等都要便宜不少， Seedance 2.0的价格相对Runway，最高能便宜87%，相当于打1.3折！！关键是，每月才10美金，可以用70多个生成式模型，不光是视频，主流模型都有，1个API能接住所有的模型需求！！所以搞了一个创意工作台，把原创的一些提示词做成预设，一键套用成片，效率直接拉满！！

沐阳

26,359 görüntüleme • 2 ay önce

卧槽！这个项目可以啊！又一个完整的AI视频创作平台开源了，前后端都是MIT协议。 Magiviz把“写剧本 → 定角色 → 画分镜 → 生成视频 → 成片”做成了全流程AI工作流，最长支持生成60秒视频，内置12种主流视频模型。作者说好开源就开源，代码已经全部放出来。现在做AI视频工具的人越来越多，但能把从剧本到成片的完整链路开源出来的还不多。对想自建或二次开发视频生成系统的人来说，这是一个可以直接上手的基础。创作精良的1080可以看看那个五折的平台搞一下！多个选择！开源视频工作流正在从单点模型，走向完整可复用的创作平台。你会考虑基于它二次开发自己的视频工具吗？项目地址见原贴👇

卧槽！这个项目可以啊！又一个完整的AI视频创作平台开源了，前后端都是MIT协议。 Magiviz把“写剧本 → 定角色 → 画分镜 → 生成视频 → 成片”做成了全流程AI工作流，最长支持生成60秒视频，内置12种主流视频模型。作者说好开源就开源，代码已经全部放出来。现在做AI视频工具的人越来越多，但能把从剧本到成片的完整链路开源出来的还不多。对想自建或二次开发视频生成系统的人来说，这是一个可以直接上手的基础。创作精良的1080可以看看那个五折的平台搞一下！多个选择！开源视频工作流正在从单点模型，走向完整可复用的创作平台。你会考虑基于它二次开发自己的视频工具吗？项目地址见原贴👇

Berryxia.AI

22,893 görüntüleme • 2 ay önce

【一款极简的文生图、文生视频程序】老婆最近在搞文学创作，想要AI生图、生视频。我们试了下目前国内模型在武侠形象生成上优于海外，但她觉得目前千问万相调用API太复杂，想让我给她搞个小白可操作的，那么它来了：让你能够用最简单的方式调用阿里云百炼的通义万相图片和视频生成 API，专注于提供极简的 API 和最佳的开发体验。支持页面操作和Notebook自定义调试开源地址：欢迎试用操作演示视频如下：

【一款极简的文生图、文生视频程序】老婆最近在搞文学创作，想要AI生图、生视频。我们试了下目前国内模型在武侠形象生成上优于海外，但她觉得目前千问万相调用API太复杂，想让我给她搞个小白可操作的，那么它来了：让你能够用最简单的方式调用阿里云百炼的通义万相图片和视频生成 API，专注于提供极简的 API 和最佳的开发体验。支持页面操作和Notebook自定义调试开源地址：欢迎试用操作演示视频如下：

岚叔

18,067 görüntüleme • 11 ay önce

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 görüntüleme • 5 ay önce

无敌了，我用 30 分钟，做了个给小孩订正作业的小工具。现在这种视觉模型，已经开始够快、够便宜，可以直接拿来干活了。我把孩子做完的作业丢给蚂蚁百灵刚开源的 Ling-3.0-flash-VL。我没让它直接处理图片，我让它先让它看整张作业，把错题、题目区域、手写答案的位置直接输出成坐标。后面的程序拿着这些坐标去裁图、去手写，再整理成可以重新订正的题。这就比单纯 OCR 有意思多了。 🔥当然，现在还远没到“干死作业 App”。它坐标可能有偏差。但以前这种东西，你得自己接 OCR、版面分析、错题识别，甚至训练专用模型。现在一个通用视觉模型，30 分钟就能先把整条链路跑通。这里也有个很容易误解的地方：视觉模型，不等于出图模型。 Ling 这种 VLM 的视觉，是它能看图片、截图、文档、视频。它本身不是 Image 2.5 那种负责生成像素的模型。它擅长看懂以后，把结果变成文字、坐标、代码或者动作，然后继续干活。 Ling-3.0-flash-VL 总参数 124B，但 MoE 每 token 只激活约 5.5B。这对 Visual Agent 很重要，极为广阔的知识，以及极低的激活，能做到又快又好。 🔥再往前一步，这种模型甚至很适合当教师模型。先让 Ling-3.0-flash-VL 批量看作业，生成错题框、手写区域、版面结构这些坐标和标注，再用这些数据训练一个更小、更快的专用模型。先让大模型直接干活，再让大模型教小模型干活。这个 Demo已经完全跑通了，30 分钟能做到这一步，已经无敌了。 OpenRouter现在可以免费使用Ling-3.0-flash-VL：

无敌了，我用 30 分钟，做了个给小孩订正作业的小工具。现在这种视觉模型，已经开始够快、够便宜，可以直接拿来干活了。我把孩子做完的作业丢给蚂蚁百灵刚开源的 Ling-3.0-flash-VL。我没让它直接处理图片，我让它先让它看整张作业，把错题、题目区域、手写答案的位置直接输出成坐标。后面的程序拿着这些坐标去裁图、去手写，再整理成可以重新订正的题。这就比单纯 OCR 有意思多了。 🔥当然，现在还远没到“干死作业 App”。它坐标可能有偏差。但以前这种东西，你得自己接 OCR、版面分析、错题识别，甚至训练专用模型。现在一个通用视觉模型，30 分钟就能先把整条链路跑通。这里也有个很容易误解的地方：视觉模型，不等于出图模型。 Ling 这种 VLM 的视觉，是它能看图片、截图、文档、视频。它本身不是 Image 2.5 那种负责生成像素的模型。它擅长看懂以后，把结果变成文字、坐标、代码或者动作，然后继续干活。 Ling-3.0-flash-VL 总参数 124B，但 MoE 每 token 只激活约 5.5B。这对 Visual Agent 很重要，极为广阔的知识，以及极低的激活，能做到又快又好。 🔥再往前一步，这种模型甚至很适合当教师模型。先让 Ling-3.0-flash-VL 批量看作业，生成错题框、手写区域、版面结构这些坐标和标注，再用这些数据训练一个更小、更快的专用模型。先让大模型直接干活，再让大模型教小模型干活。这个 Demo已经完全跑通了，30 分钟能做到这一步，已经无敌了。 OpenRouter现在可以免费使用Ling-3.0-flash-VL：

实践哥 Li

92,960 görüntüleme • 1 ay önce

NVIDIA 刚开源的这个 LocateAnything 模型，真的有点强。🤯 以前那种视觉定位模型，生成坐标是一个数字一个数字往外蹦（像挤牙膏一样），又慢又不稳定。这个新模型用了“并行边界框解码”，直接一步预测完整坐标，速度快多了，框得也准。不管是找视频里的物体，还是识别UI界面、OCR文字，它都能搞定。最关键是模型很小，只有 3B 参数（约7.8GB），消费级显卡也能本地跑！🏠💻 做计算机视觉或者多模态的朋友，这个必须得试试。项目已开源，手慢无！👇

NVIDIA 刚开源的这个 LocateAnything 模型，真的有点强。🤯 以前那种视觉定位模型，生成坐标是一个数字一个数字往外蹦（像挤牙膏一样），又慢又不稳定。这个新模型用了“并行边界框解码”，直接一步预测完整坐标，速度快多了，框得也准。不管是找视频里的物体，还是识别UI界面、OCR文字，它都能搞定。最关键是模型很小，只有 3B 参数（约7.8GB），消费级显卡也能本地跑！🏠💻 做计算机视觉或者多模态的朋友，这个必须得试试。项目已开源，手慢无！👇

Vincent

37,744 görüntüleme • 4 ay önce

阿里又开源了一个很绝的项目——PageAgent AI 可以直接操作网页。它最打动我的一点是：把最烦人的数据录入干掉了。很多公司每天都在做这种重复工作：复制数据 → 打开系统 → 填表 → 提交以后可能只需要一句话： “帮我填写客户信息。” AI 就会自动识别网页结构，把整个流程全部做完。几个非常实用的场景： 1. 自动填写网页 CRM 表单、注册表单、订单系统直接让 AI 帮你把网页表单填好。 2. AI 网站助手（Web Copilot）用户可以直接说： - 帮我找订单 - 生成报表 - 搜索商品 AI 自动在后台页面完成操作。 3. 企业系统自动化 ERP、CMS、内部管理系统 AI 可以直接操作后台 UI，把复杂流程自动化。 4. 无障碍辅助语音 → 操作网页用户说话就能完成网页操作。和很多 Agent 不一样的是，它不靠截图识别界面，而是直接读取 HTML DOM，所以： - 更快 - 更稳定 - 成本更低而且整个系统直接运行在浏览器里，不需要： - Puppeteer - Playwright - Python 自动化相当于给网站装了一个 AI 操作员。未来很多网站可能会变成这样：用户不点按钮，而是直接和 AI 说话。

阿里又开源了一个很绝的项目——PageAgent AI 可以直接操作网页。它最打动我的一点是：把最烦人的数据录入干掉了。很多公司每天都在做这种重复工作：复制数据 → 打开系统 → 填表 → 提交以后可能只需要一句话： “帮我填写客户信息。” AI 就会自动识别网页结构，把整个流程全部做完。几个非常实用的场景： 1. 自动填写网页 CRM 表单、注册表单、订单系统直接让 AI 帮你把网页表单填好。 2. AI 网站助手（Web Copilot）用户可以直接说： - 帮我找订单 - 生成报表 - 搜索商品 AI 自动在后台页面完成操作。 3. 企业系统自动化 ERP、CMS、内部管理系统 AI 可以直接操作后台 UI，把复杂流程自动化。 4. 无障碍辅助语音 → 操作网页用户说话就能完成网页操作。和很多 Agent 不一样的是，它不靠截图识别界面，而是直接读取 HTML DOM，所以： - 更快 - 更稳定 - 成本更低而且整个系统直接运行在浏览器里，不需要： - Puppeteer - Playwright - Python 自动化相当于给网站装了一个 AI 操作员。未来很多网站可能会变成这样：用户不点按钮，而是直接和 AI 说话。

开发者Hailey

85,884 görüntüleme • 7 ay önce

经过老王多日的研究，调研发现生成动画科普视频的 2 个方法，还算是靠谱 1、多图层动效法。一次性把图片生成，包括主体图片，标签，数字，重点，文字等等。使用 HyperFrames 让各个图层动起来。优点：纯免费，画面能动。缺点：时间成本极高，每个图层都是一张图，ai 生图需要很久很久。 2、图生视频法。让视频模型负责生视频，画面会变得更加细腻，美观。每秒至少 30 帧，理论上就是 1 秒播放 30 张图片，效率比生图模型高很多。但我一直想规避这个方法，因为不太可控。优点：画面非常棒，生成速度快缺点：成本昂贵，1 分钟视频即使用最便宜的模型也要10 元+了，批量产出成本都收不回。而且，也需要抽卡的，幻觉很强最后，我选择了 2 者结合的路线，图层+图生视频的方法。效果还是比较满意的。但仍然无法做到稳定。

经过老王多日的研究，调研发现生成动画科普视频的 2 个方法，还算是靠谱 1、多图层动效法。一次性把图片生成，包括主体图片，标签，数字，重点，文字等等。使用 HyperFrames 让各个图层动起来。优点：纯免费，画面能动。缺点：时间成本极高，每个图层都是一张图，ai 生图需要很久很久。 2、图生视频法。让视频模型负责生视频，画面会变得更加细腻，美观。每秒至少 30 帧，理论上就是 1 秒播放 30 张图片，效率比生图模型高很多。但我一直想规避这个方法，因为不太可控。优点：画面非常棒，生成速度快缺点：成本昂贵，1 分钟视频即使用最便宜的模型也要10 元+了，批量产出成本都收不回。而且，也需要抽卡的，幻觉很强最后，我选择了 2 者结合的路线，图层+图生视频的方法。效果还是比较满意的。但仍然无法做到稳定。

产品经理老王霸

50,172 görüntüleme • 2 ay önce

学习研究了下 amontlabs/lcu 这个项目，它把 Codex 的 Computer Use（让 AI 看屏幕、点鼠标、敲键盘来操作电脑的能力）单独拆了出来，让 Claude Code、Codex CLI、Pi 等其他 AI Agent 工具也能调用。我本来还以为它是模仿 Codex 实现了一套，原来是直接用的 Codex 的 Computer Use，在本机找到已安装的 ChatGPT 桌面版，启动其中 OpenAI 自带的 Computer Use 运行时，再通过 MCP 接到你用的 Agent 工具里。仓库文档写明，指令、执行和权限策略都以 OpenAI 原版运行时为准。因此电脑上必须装有官方 ChatGPT 桌面版，但不需要登录 ChatGPT 或 Codex 账号。它给模型的工具很少。常见的电脑操控方案会把截图、点击、输入、滚动各做成一个工具，LCU 只给两个：js 和 js_reset。 js 用来执行一段 JavaScript 代码，运行环境里预置了一个名为 cua 的对象。模型通过写代码来操作电脑：先调用 cua.getState() 拿到当前桌面状态和使用说明，再用 getApp 选定某个窗口，然后调用 click、typeText、pressKey、getScreenshot 等方法。点击、输入、读取结果可以写在同一段代码里，一次调用完成。这个 JavaScript 环境会保留状态，上一次调用里定义的变量，下一次还能接着用；环境出问题时调用 js_reset 清空重来。除了截图，模型还能读取窗口的无障碍信息（操作系统提供给读屏软件的界面元素列表），按元素点击，不必完全依赖屏幕坐标。 js 加 cua 对象这套接口是 OpenAI 原版的设计，LCU 原样转发。仓库记录显示，在 macOS 上对比测试时，模型收到的初始化说明和首次调用返回的使用指南，与官方 Codex 收到的内容逐字节一致。目前正式适配的 Agent 工具是 Pi、Codex CLI 和 Claude Code，Oh My Pi 和 Hermes 为实验性支持。系统支持 Apple Silicon 芯片的 macOS（需授予辅助功能和屏幕录制权限），以及使用 X11 桌面的 Linux（ARM64 和 x86-64）。Windows 11 尚在候选阶段，Intel Mac 和 Wayland 桌面不支持。控制 Chrome 浏览器需要额外开启，走的是 OpenAI 官方 Chrome 扩展，每个网站仍需单独批准。安装需要 Python 3.12 以上，README 给出的做法是把一段提示词贴给自己的 Agent，让它按安装文档完成配置，也可以从 GitHub 手动下载安装包。项目地址：

学习研究了下 amontlabs/lcu 这个项目，它把 Codex 的 Computer Use（让 AI 看屏幕、点鼠标、敲键盘来操作电脑的能力）单独拆了出来，让 Claude Code、Codex CLI、Pi 等其他 AI Agent 工具也能调用。我本来还以为它是模仿 Codex 实现了一套，原来是直接用的 Codex 的 Computer Use，在本机找到已安装的 ChatGPT 桌面版，启动其中 OpenAI 自带的 Computer Use 运行时，再通过 MCP 接到你用的 Agent 工具里。仓库文档写明，指令、执行和权限策略都以 OpenAI 原版运行时为准。因此电脑上必须装有官方 ChatGPT 桌面版，但不需要登录 ChatGPT 或 Codex 账号。它给模型的工具很少。常见的电脑操控方案会把截图、点击、输入、滚动各做成一个工具，LCU 只给两个：js 和 js_reset。 js 用来执行一段 JavaScript 代码，运行环境里预置了一个名为 cua 的对象。模型通过写代码来操作电脑：先调用 cua.getState() 拿到当前桌面状态和使用说明，再用 getApp 选定某个窗口，然后调用 click、typeText、pressKey、getScreenshot 等方法。点击、输入、读取结果可以写在同一段代码里，一次调用完成。这个 JavaScript 环境会保留状态，上一次调用里定义的变量，下一次还能接着用；环境出问题时调用 js_reset 清空重来。除了截图，模型还能读取窗口的无障碍信息（操作系统提供给读屏软件的界面元素列表），按元素点击，不必完全依赖屏幕坐标。 js 加 cua 对象这套接口是 OpenAI 原版的设计，LCU 原样转发。仓库记录显示，在 macOS 上对比测试时，模型收到的初始化说明和首次调用返回的使用指南，与官方 Codex 收到的内容逐字节一致。目前正式适配的 Agent 工具是 Pi、Codex CLI 和 Claude Code，Oh My Pi 和 Hermes 为实验性支持。系统支持 Apple Silicon 芯片的 macOS（需授予辅助功能和屏幕录制权限），以及使用 X11 桌面的 Linux（ARM64 和 x86-64）。Windows 11 尚在候选阶段，Intel Mac 和 Wayland 桌面不支持。控制 Chrome 浏览器需要额外开启，走的是 OpenAI 官方 Chrome 扩展，每个网站仍需单独批准。安装需要 Python 3.12 以上，README 给出的做法是把一段提示词贴给自己的 Agent，让它按安装文档完成配置，也可以从 GitHub 手动下载安装包。项目地址：

宝玉

72,007 görüntüleme • 17 gün önce

国产最新的多模态模型来了！！前两周我刚体验过国产的阶跃星辰大模型，没想到这么快他们的新模型 Step 3.7 Flash 就出了。现在大模型一发布必卷 benchmark 分数，但真正做 Agent 的人都清楚：跑分高 ≠ 能把活干完。所以这次阶跃星辰的新模型 Step 3.7 Flash 它再不追求单点最聪明、也不只是单次最快，而是主打“生产任务端到端执行效率”。一个真实的 Agent 任务从来不是一次问答，而是规划 → 搜索 → 工具调用 → 代码生成 → 多模态理解 → 反复校验的完整闭环，Step 3.7 Flash 这次升级的重点是整条链路的效率，而不是某个孤立指标。提几个我觉得挺务实的点： 1. 原生多模态模型：它可以直接处理 UI 截图、图表、仪表盘、文档，原生读懂并转成结构化输出和可执行步骤，不需要像一些模型那样外挂视觉理解 MCP，而且现在多模态是顶级模型的标配。 2. 推理加入搜索和视觉检索：网页搜索、图像搜索、视觉验证、多源信息比对，让 Agent 在开放任务里边查边验证边行动，而不是事后再接个外部工具。 3. 198B MoE、约 11B 激活参数，最高 400 TPS：稀疏激活 + 这个速度，意味着高频交互、多步工作流、反复工具调用的场景下，单位任务的成本和延迟都压得很低——快和省是一起来的。 4. 开源、可部署：生产环境要的不只是 API，还有透明度、可控性和部署灵活性。如果你在做 AI Agent、coding 工作流、搜索类应用或多模态系统，值得用 StepFun 试试这款新模型的能力。想看更进阶的平台能力，可以了解 Step Plan。海外平台：国内平台：

国产最新的多模态模型来了！！前两周我刚体验过国产的阶跃星辰大模型，没想到这么快他们的新模型 Step 3.7 Flash 就出了。现在大模型一发布必卷 benchmark 分数，但真正做 Agent 的人都清楚：跑分高 ≠ 能把活干完。所以这次阶跃星辰的新模型 Step 3.7 Flash 它再不追求单点最聪明、也不只是单次最快，而是主打“生产任务端到端执行效率”。一个真实的 Agent 任务从来不是一次问答，而是规划 → 搜索 → 工具调用 → 代码生成 → 多模态理解 → 反复校验的完整闭环，Step 3.7 Flash 这次升级的重点是整条链路的效率，而不是某个孤立指标。提几个我觉得挺务实的点： 1. 原生多模态模型：它可以直接处理 UI 截图、图表、仪表盘、文档，原生读懂并转成结构化输出和可执行步骤，不需要像一些模型那样外挂视觉理解 MCP，而且现在多模态是顶级模型的标配。 2. 推理加入搜索和视觉检索：网页搜索、图像搜索、视觉验证、多源信息比对，让 Agent 在开放任务里边查边验证边行动，而不是事后再接个外部工具。 3. 198B MoE、约 11B 激活参数，最高 400 TPS：稀疏激活 + 这个速度，意味着高频交互、多步工作流、反复工具调用的场景下，单位任务的成本和延迟都压得很低——快和省是一起来的。 4. 开源、可部署：生产环境要的不只是 API，还有透明度、可控性和部署灵活性。如果你在做 AI Agent、coding 工作流、搜索类应用或多模态系统，值得用 StepFun 试试这款新模型的能力。想看更进阶的平台能力，可以了解 Step Plan。海外平台：国内平台：

耳朵

12,345 görüntüleme • 4 ay önce

免费模型 + 开源工作流，免费做 AI 视频我用开源项目 LocalMiniDrama 做了一个测试输入一句话：「一个中国美女在海边玩耍」再接入免费的 Agnes 模型，从故事、分镜到视频生成，完整流程都跑通了自动生成角色、场景、分镜，并最终生成了一条 15 秒视频。从故事到画面，整个流程都可以在本地完成最后生成了一条视频开源地址：

免费模型 + 开源工作流，免费做 AI 视频我用开源项目 LocalMiniDrama 做了一个测试输入一句话：「一个中国美女在海边玩耍」再接入免费的 Agnes 模型，从故事、分镜到视频生成，完整流程都跑通了自动生成角色、场景、分镜，并最终生成了一条 15 秒视频。从故事到画面，整个流程都可以在本地完成最后生成了一条视频开源地址：

撸毛吃猪脚饭| 美股合约首选Gate

14,432 görüntüleme • 2 ay önce

哇！第一次在造物雷达感到 Aha Moment！上午审核造物矩阵今日更新，看到这个项目眼前一亮：这不就是我一直心心念想做的物理外挂 Agent 吗！！现在有人直接做出了开源了👉 PhysiClaw 🤖 它不接 API，也不用 ADB，而是用摄像头“看”屏幕、用触控笔操作手机，像真人一样完成点外卖、购物、叫车。更值得关注的是它“把屏幕当 API”的思路：感知、决策、执行、反馈，组成完整的 Agent 循环。想研究物理世界 AI Agent 或手机自动化原型，这个项目很值得拆 ⭐ 220｜Python｜MIT GitHub： via 造物雷达：

哇！第一次在造物雷达感到 Aha Moment！上午审核造物矩阵今日更新，看到这个项目眼前一亮：这不就是我一直心心念想做的物理外挂 Agent 吗！！现在有人直接做出了开源了👉 PhysiClaw 🤖 它不接 API，也不用 ADB，而是用摄像头“看”屏幕、用触控笔操作手机，像真人一样完成点外卖、购物、叫车。更值得关注的是它“把屏幕当 API”的思路：感知、决策、执行、反馈，组成完整的 Agent 循环。想研究物理世界 AI Agent 或手机自动化原型，这个项目很值得拆 ⭐ 220｜Python｜MIT GitHub： via 造物雷达：

Cell 细胞

52,891 görüntüleme • 2 ay önce

阿里刚刚放出了其首个千问具身智能体通用模型：Qwen-Robot ，也开始搞具身智能了！ Qwen-Robot由三个模型组成机器人的手+脚+大脑，三个模型可以独立用，也可以组合用比如，用它可以组成一个既能动手端盘子，又能走路送餐，还能预判端着热汤拐弯儿会不会洒的服务机器人 Qwen-RobotManip：其采用80维统一动作表征，把不同机器人的动作翻译成同一种通用语言，并基于摄像头画面的相对位置操作，不再依赖繁琐的绝对坐标计算，解决了换个机械臂、换个场景数据不通用的情况 Qwen-RobotNav：核心思路是把视觉分配策略本身参数化，而非固定，具体解法是把记多少、怎么记变成可调参数，根据任务类型自动配置，不同任务按需配置，比如目标追踪只关注最近几帧省算力，指令跟随保留长程上下文不迷路因为记忆策略参数化了，一套权重即统一五类导航任务在双层智能体系统（上层规划器+Qwen-RobotNav）中，EXPRESS-Bench提升15.4%，导航步数减少了77% 通用接口设计，其他上层AI可以直接调用它的导航能力，无需再为每个任务单独训练一个导航模型，原生支持多种智能体框架 Qwen-RobotWorld：相当于机器人的想象力基于对物理规律的理解，可推理和模拟下一时间点的合理动作和状态；能生成视频数据用于训练，缓解训练数据不足问题；可以在执行前推演未来动作轨迹，使操作更精准 Qwen-Robot相当于是一套模块化的具身智能系统，把导航、操作、世界预测三个专业的能力解耦又协同，让通用模型像调用软件工具一样，调用物理世界的行动能力 #QwenRobot #robot #具身智能

阿里刚刚放出了其首个千问具身智能体通用模型：Qwen-Robot ，也开始搞具身智能了！ Qwen-Robot由三个模型组成机器人的手+脚+大脑，三个模型可以独立用，也可以组合用比如，用它可以组成一个既能动手端盘子，又能走路送餐，还能预判端着热汤拐弯儿会不会洒的服务机器人 Qwen-RobotManip：其采用80维统一动作表征，把不同机器人的动作翻译成同一种通用语言，并基于摄像头画面的相对位置操作，不再依赖繁琐的绝对坐标计算，解决了换个机械臂、换个场景数据不通用的情况 Qwen-RobotNav：核心思路是把视觉分配策略本身参数化，而非固定，具体解法是把记多少、怎么记变成可调参数，根据任务类型自动配置，不同任务按需配置，比如目标追踪只关注最近几帧省算力，指令跟随保留长程上下文不迷路因为记忆策略参数化了，一套权重即统一五类导航任务在双层智能体系统（上层规划器+Qwen-RobotNav）中，EXPRESS-Bench提升15.4%，导航步数减少了77% 通用接口设计，其他上层AI可以直接调用它的导航能力，无需再为每个任务单独训练一个导航模型，原生支持多种智能体框架 Qwen-RobotWorld：相当于机器人的想象力基于对物理规律的理解，可推理和模拟下一时间点的合理动作和状态；能生成视频数据用于训练，缓解训练数据不足问题；可以在执行前推演未来动作轨迹，使操作更精准 Qwen-Robot相当于是一套模块化的具身智能系统，把导航、操作、世界预测三个专业的能力解耦又协同，让通用模型像调用软件工具一样，调用物理世界的行动能力 #QwenRobot #robot #具身智能

AIGCLINK

11,106 görüntüleme • 4 ay önce

GitHub 上有个开源小工具：daily-arXiv-ai-enhanced，帮你把“追论文”这件事变成每天自动完成的日常。它会每日抓取 arXiv 最新论文，并用 DeepSeek 等大模型生成中文摘要，让你用更少时间，快速跟上 AI 领域最新研究进展。 GitHub：官网：主要亮点： - 每日自动更新：覆盖计算机视觉 / 图形学 / 自然语言处理三大方向 - 中文摘要自动生成：用 LLM 提炼要点，显著降低阅读成本 - 高度可定制：可自选论文类别、摘要语言与使用的 AI 模型 - 零服务器部署：基于 GitHub Actions 全自动运行，省心省力 - 历史按日期归档：随时回查过去的论文更新 - 个性化配置：支持邮箱与用户信息等定制选项上手也很简单：Fork 项目，填好 API Key 即可跑起来。适合想每天稳定“刷到”最新论文的人。

GitHub 上有个开源小工具：daily-arXiv-ai-enhanced，帮你把“追论文”这件事变成每天自动完成的日常。它会每日抓取 arXiv 最新论文，并用 DeepSeek 等大模型生成中文摘要，让你用更少时间，快速跟上 AI 领域最新研究进展。 GitHub：官网：主要亮点： - 每日自动更新：覆盖计算机视觉 / 图形学 / 自然语言处理三大方向 - 中文摘要自动生成：用 LLM 提炼要点，显著降低阅读成本 - 高度可定制：可自选论文类别、摘要语言与使用的 AI 模型 - 零服务器部署：基于 GitHub Actions 全自动运行，省心省力 - 历史按日期归档：随时回查过去的论文更新 - 个性化配置：支持邮箱与用户信息等定制选项上手也很简单：Fork 项目，填好 API Key 即可跑起来。适合想每天稳定“刷到”最新论文的人。

Joruno

17,340 görüntüleme • 5 ay önce

震惊了，抖音上祁博士一天卖 50w 的数字人 agent，我2 分钟就开发完成了。用的就是Pixelle-Video这个项目，已经22k stars。包括数字人口播、动作迁移、图生视频全支持。支持ComfyUI，输入主题，从写脚本到加 BGM 到出片，一条龙自动跑视频。老王部署到本地，做了个简短的视频，属于插图式的视频，如果你需要更复杂的视频，需要自己配置云端模型比如 seedance2，kling 等等。 Pixelle-Video 最厉害的地方，是它把视频生产完全做成了可配置，支持本地部署模型和云端大模型。文案、画面、配音、剪辑，它拆成四个可替换的模块，每块后面都能换模型，可以自由切换模型，使用非常方便 >文案层：LLM 读主题，吐出带时间戳的结构化脚本，每>句对应一段画面。 >画面层：脚本每句转生图提示词，扔给 ComfyUI 或直连 DashScope 出图，图生视频和数字人口播也走这一层。 >语音层：脚本原文走 TTS 合成，多语言加音色克隆，不用自己录音。 >合成层：画面对齐语音时间轴，叠上 BGM，输出 MP4。仓库： P.S. 想到了就能出片，懂一点 AI 编程，这个项目就能自己做成适合各行业的数字人 agent。

震惊了，抖音上祁博士一天卖 50w 的数字人 agent，我2 分钟就开发完成了。用的就是Pixelle-Video这个项目，已经22k stars。包括数字人口播、动作迁移、图生视频全支持。支持ComfyUI，输入主题，从写脚本到加 BGM 到出片，一条龙自动跑视频。老王部署到本地，做了个简短的视频，属于插图式的视频，如果你需要更复杂的视频，需要自己配置云端模型比如 seedance2，kling 等等。 Pixelle-Video 最厉害的地方，是它把视频生产完全做成了可配置，支持本地部署模型和云端大模型。文案、画面、配音、剪辑，它拆成四个可替换的模块，每块后面都能换模型，可以自由切换模型，使用非常方便 >文案层：LLM 读主题，吐出带时间戳的结构化脚本，每>句对应一段画面。 >画面层：脚本每句转生图提示词，扔给 ComfyUI 或直连 DashScope 出图，图生视频和数字人口播也走这一层。 >语音层：脚本原文走 TTS 合成，多语言加音色克隆，不用自己录音。 >合成层：画面对齐语音时间轴，叠上 BGM，输出 MP4。仓库： P.S. 想到了就能出片，懂一点 AI 编程，这个项目就能自己做成适合各行业的数字人 agent。

产品经理老王霸

201,897 görüntüleme • 4 ay önce