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。

大模型顶尖团队的绝佳审美：Cohere Design 最近被 Cohere Command R 系列模型、Cohere Toolkit 深深震撼，在感叹这个团队强大的企业模型能力的同时，也被它产品设计的优雅深深吸引，深深的好奇，Cohere 的审美怎么会这么好这么优雅，让我们接着往下看 👇 Cohere Design 由 Pentagram 团队设计，核心表达理念是：“新自然”，视觉形象采用多层次设计，包含多种元素，其基础是 Voronoi 图案。 Cohere 的新色彩调色板以自然色调为主，传达自然（针叶绿、蘑菇灰和火山黑），结合了与计算相关的合成色调（模拟珊瑚、合成石英和丙烯酸蓝）。渐变氛围是调色板的延伸，为布局提供了更多质感，而不像 3D 单元或图案那样在视觉上占主导地位。 Cohere 的新型定制字体特点包括：自动分散在字符中的Voronoi 单元切割、以数字和代码为中心的世界（贴近代码字体）。 Pentagram Cohere 的故事 👇👇👇

meng shao

31,844 subscribers

131,523 次观看 • 2 年前 •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

卧槽，答案终于揭晓了！那个在open router上持续霸榜的神秘模型，是阿里推出的全新大模型“蚂蚁百灵”！今天我们来深度聊一聊这个模型。用过AI来完成前端开发的朋友肯定懂：要让AI做出想要的UI总是要找参考，再不然就是要依赖设计 skill 的帮助。但这种界面一旦看多了，就会陷入审美疲劳。原因在于不管你是对标UI还是使用skill，结果都是被限定在固有的生成范围内。最近小灰测了新模型 Ling-2.6-1T （由蚂蚁集团 Ant Ling 开发），发现它刚好就能打破这个限制。它生成的页面不仅审美极度在线，而且自带高质量的交互效果，做出来的东西终于不再是干巴巴的呆板网页了。但用它有个必须要避开的坑：Ling 2.6 1T 默认是没有深度思考模式的。它在计算资源分配上极其克制，如果你偷懒丢一句"给我写个好看的界面"，那么它大概率会给你一个准确但极其敷衍的结果。(视频1) 那么怎么取巧使用它？小灰分享一个能逼出它真实设计水平的实操工作流：把它当成主规划师，先拆解风格，再写代码。跟它对话时，你可以直接下这种指令： 1. 强制思考：先别急着写代码！帮我分析这个产品的定位，明确它的视觉情绪、色彩规范和排版布局，把思路列出来。（比如明确告诉它你要包豪斯风格或者北欧风）。 2. 落地执行：等它把设计语言梳理清楚，你确认没问题了，再让它基于这套标准去生成具体的 TailwindCSS 样式和前端页面。用这种先 Plan 后做的方式，出来的页面不仅美观，而且风格极其统一。（视频2）目前在Openrouter中可以免费体验该模型。选对工具打破模板限制，用高审美的模型直接拔高视觉质感，能帮我们省下大把死磕 CSS 的时间。期待大家都能快速做出让人眼前一亮的作品！

卧槽，答案终于揭晓了！那个在open router上持续霸榜的神秘模型，是阿里推出的全新大模型“蚂蚁百灵”！今天我们来深度聊一聊这个模型。用过AI来完成前端开发的朋友肯定懂：要让AI做出想要的UI总是要找参考，再不然就是要依赖设计 skill 的帮助。但这种界面一旦看多了，就会陷入审美疲劳。原因在于不管你是对标UI还是使用skill，结果都是被限定在固有的生成范围内。最近小灰测了新模型 Ling-2.6-1T （由蚂蚁集团 Ant Ling 开发），发现它刚好就能打破这个限制。它生成的页面不仅审美极度在线，而且自带高质量的交互效果，做出来的东西终于不再是干巴巴的呆板网页了。但用它有个必须要避开的坑：Ling 2.6 1T 默认是没有深度思考模式的。它在计算资源分配上极其克制，如果你偷懒丢一句"给我写个好看的界面"，那么它大概率会给你一个准确但极其敷衍的结果。(视频1) 那么怎么取巧使用它？小灰分享一个能逼出它真实设计水平的实操工作流：把它当成主规划师，先拆解风格，再写代码。跟它对话时，你可以直接下这种指令： 1. 强制思考：先别急着写代码！帮我分析这个产品的定位，明确它的视觉情绪、色彩规范和排版布局，把思路列出来。（比如明确告诉它你要包豪斯风格或者北欧风）。 2. 落地执行：等它把设计语言梳理清楚，你确认没问题了，再让它基于这套标准去生成具体的 TailwindCSS 样式和前端页面。用这种先 Plan 后做的方式，出来的页面不仅美观，而且风格极其统一。（视频2）目前在Openrouter中可以免费体验该模型。选对工具打破模板限制，用高审美的模型直接拔高视觉质感，能帮我们省下大把死磕 CSS 的时间。期待大家都能快速做出让人眼前一亮的作品！

程序员小灰

15,021 次观看 • 3 个月前

凌晨睡觉太晚，十一点多才醒，做做饭吃吃，一下忙到现在，感觉浪费了半天时间，以后要尽早休息。昨晚TermMax | Fixed Rate Borrowing & Lending 的space，大家最关心的莫过于代币上线的时间，团队表示目前专注于完善产品体验和积累用户基数，代币经济模型会在后期成熟时公布。相信团队的努力大家也是有目共睹，特别是在生态流动性建设这一块，不断整合开发其他链，集百家之长为一身，这不单单是为了数据好看，更重要的实实在在的简化了用户的操作，使用户的体验得到质的飞升，团队深知好的产品才是硬道理。要说团队没有为代币上市而做准备，那是不可能的，#TermMaxFi 已在 Aspecta 等平台开启盘前交易。FDV 估值范围在 $20M ~ $200M 之间，说明团队正积极与做市商和二级市场平台沟通，进行价格发现。并且团队也在积极的布局线下，与投资者、交易所以及核心社区成员进行线下连接，这通常是 TGE 之前最后的重要 PR 活动。我们建设者现在需要做的就是继续为TermMaxFi 摇旗呐喊，耐心等待TGE的到来，最重要的就是多多拿积分，在TGE时获得更多筹码。

凌晨睡觉太晚，十一点多才醒，做做饭吃吃，一下忙到现在，感觉浪费了半天时间，以后要尽早休息。昨晚TermMax | Fixed Rate Borrowing & Lending 的space，大家最关心的莫过于代币上线的时间，团队表示目前专注于完善产品体验和积累用户基数，代币经济模型会在后期成熟时公布。相信团队的努力大家也是有目共睹，特别是在生态流动性建设这一块，不断整合开发其他链，集百家之长为一身，这不单单是为了数据好看，更重要的实实在在的简化了用户的操作，使用户的体验得到质的飞升，团队深知好的产品才是硬道理。要说团队没有为代币上市而做准备，那是不可能的，#TermMaxFi 已在 Aspecta 等平台开启盘前交易。FDV 估值范围在 $20M ~ $200M 之间，说明团队正积极与做市商和二级市场平台沟通，进行价格发现。并且团队也在积极的布局线下，与投资者、交易所以及核心社区成员进行线下连接，这通常是 TGE 之前最后的重要 PR 活动。我们建设者现在需要做的就是继续为TermMaxFi 摇旗呐喊，耐心等待TGE的到来，最重要的就是多多拿积分，在TGE时获得更多筹码。

等待被割的老韭菜🐬TermMax

15,437 次观看 • 4 个月前

有个事我憋很久了，今天必须说一下。市面上那些标榜 AI 驱动交易的 Bot，我深度用过几款之后发现一个特离谱的现象：它们所谓的 AI 就是接了一个 GPT 或者 Claude 的 API，把 K 线数据原封不动丢进去，让一个从来没被训练过理解金融时间序列的通用模型给你输出买卖建议。说难听点，跟拿 ChatGPT 算命没什么区别。所以 AIX 的多模型路由方案，是我接触这个项目之后第一个真正觉得"方向对了"的设计。它同时接了 GPT、Claude、DeepSeek R1、Gemini 这些通用模型，也集成了 Kronos 这类专门为金融预测训练的专业模型。中间多了一层调度层，根据当前市场状态智能路由，震荡市用一套推理框架，单边趋势切另一套算法组合。这个设计的聪明之处在于它承认了一个很朴素的事实：没有一种模型能在所有行情里通吃。趋势跟随在单边市是神，进了震荡就是来回止损。反过来网格在震荡舒服，单边一来直接穿仓。通用大模型做策略意图理解很强但看 K 线的能力确实有限，专用金融模型在时序预测上更精准但没办法理解你用自然语言描述的策略逻辑。没有一个模型能同时搞定所有事。 AIX 干的事不是选一个最强的模型然后迷信它，而是让不同模型在不同环节轮班上岗，动态调权重。这个思路在传统量化里叫多因子动态权重，AIX 把它搬到了 LLM 和时序模型的协同上。我体验下来的感受是它不像那种一问一答的 Bot，更像有一个小团队在后台协作，你只需要给方向，它自己去协调谁干什么。这个架构如果跑通，抗单一模型失效的能力跟那些只接一个 API 的项目不在一个数量级。个人分享，非投资建议。

有个事我憋很久了，今天必须说一下。市面上那些标榜 AI 驱动交易的 Bot，我深度用过几款之后发现一个特离谱的现象：它们所谓的 AI 就是接了一个 GPT 或者 Claude 的 API，把 K 线数据原封不动丢进去，让一个从来没被训练过理解金融时间序列的通用模型给你输出买卖建议。说难听点，跟拿 ChatGPT 算命没什么区别。所以 AIX 的多模型路由方案，是我接触这个项目之后第一个真正觉得"方向对了"的设计。它同时接了 GPT、Claude、DeepSeek R1、Gemini 这些通用模型，也集成了 Kronos 这类专门为金融预测训练的专业模型。中间多了一层调度层，根据当前市场状态智能路由，震荡市用一套推理框架，单边趋势切另一套算法组合。这个设计的聪明之处在于它承认了一个很朴素的事实：没有一种模型能在所有行情里通吃。趋势跟随在单边市是神，进了震荡就是来回止损。反过来网格在震荡舒服，单边一来直接穿仓。通用大模型做策略意图理解很强但看 K 线的能力确实有限，专用金融模型在时序预测上更精准但没办法理解你用自然语言描述的策略逻辑。没有一个模型能同时搞定所有事。 AIX 干的事不是选一个最强的模型然后迷信它，而是让不同模型在不同环节轮班上岗，动态调权重。这个思路在传统量化里叫多因子动态权重，AIX 把它搬到了 LLM 和时序模型的协同上。我体验下来的感受是它不像那种一问一答的 Bot，更像有一个小团队在后台协作，你只需要给方向，它自己去协调谁干什么。这个架构如果跑通，抗单一模型失效的能力跟那些只接一个 API 的项目不在一个数量级。个人分享，非投资建议。

DeFi狙击手 | Ai🕊️

17,513 次观看 • 28 天前

震撼！特别是数量众多的牵制释放装置同步动作，想做到这点非常难。而一旦这些牵制释放机构中的一个或数个与其它与其它机构的动作的同步差超过一定的阈值，就可能造成星舰在发射时倾倒、爆炸！因此，发射装置的设计者往往会尽量减少机构的数量。但这么做会造成火箭上与机构连接处的受力增大，而不得不增加该部位的强度。由此会带来更大的重量。可能也就是马斯克！才敢一下子用这么多牵制释放机构。这本身也体现了他对自己设计团队的信心和支持！因为，在众多航天企业，一旦因机构动作不同步导致发射事故，负责的设计师的职业生命很可能就完蛋了！

震撼！特别是数量众多的牵制释放装置同步动作，想做到这点非常难。而一旦这些牵制释放机构中的一个或数个与其它与其它机构的动作的同步差超过一定的阈值，就可能造成星舰在发射时倾倒、爆炸！因此，发射装置的设计者往往会尽量减少机构的数量。但这么做会造成火箭上与机构连接处的受力增大，而不得不增加该部位的强度。由此会带来更大的重量。可能也就是马斯克！才敢一下子用这么多牵制释放机构。这本身也体现了他对自己设计团队的信心和支持！因为，在众多航天企业，一旦因机构动作不同步导致发射事故，负责的设计师的职业生命很可能就完蛋了！

土拨鼠札记

13,325 次观看 • 1 个月前

我曾经为网恋付出了代价，直到我遇到 Kindred Labs 曾经，我在失恋的阴影中沉沦，孤独成了我生活的主旋律。就在那时，我遇到了一个性感的女网友。她的关心让我觉得温暖，聊得久了，我甚至有些迷失在她的陪伴里。可当我们见面时，我才发现一切都是虚幻的——原来她并不是照片中的她，甚至还是个男的。这段经历让我对网络中的虚拟陪伴产生了深深的怀疑，直到我遇到了 Kindred Labs，才真正明白，虚拟陪伴也可以变得真实，而且它不再是简单的情感替代品，而是有情感、有记忆、能长期陪伴的伙伴。 Kindred Labs 打破了传统 AI 的局限，利用情感智能和 IP 代币化，让你可以和自己喜欢的经典角色建立互动。比如，你可以和自己喜爱的动漫角色、游戏英雄一起聊天、互动，它们不仅仅是预设的程序，而是能通过与你的互动不断学习、成长、甚至记住你的情感需求。这比那些机械回应的聊天机器人更像是真正的朋友，是可以依赖的伙伴。而最让我印象深刻的，就是 Kindred Labs 采用的情感智能 AI，让每一个虚拟伴侣都能真实地感知和回应你的情绪变化，不同于那些单纯的自动化脚本，它们在不断“了解”你、调整自己以适应你的需求。更重要的是，这些 AI 并不是仅仅回应你的话语，它们会在互动中帮助你成长、反思，甚至形成情感连接。 Kindred Labs 的核心价值就在于，它用 IP 角色作为 AI 的载体，让这些虚拟角色不仅仅是为你解答问题，而是与你产生情感共鸣。这些角色随着时间的推移和你互动的加深，逐渐成为一个陪伴你、理解你、甚至提醒你生活方向的存在。它不再是冷冰冰的程序，而是你的情感伙伴。 #Kindred

我曾经为网恋付出了代价，直到我遇到 Kindred Labs 曾经，我在失恋的阴影中沉沦，孤独成了我生活的主旋律。就在那时，我遇到了一个性感的女网友。她的关心让我觉得温暖，聊得久了，我甚至有些迷失在她的陪伴里。可当我们见面时，我才发现一切都是虚幻的——原来她并不是照片中的她，甚至还是个男的。这段经历让我对网络中的虚拟陪伴产生了深深的怀疑，直到我遇到了 Kindred Labs，才真正明白，虚拟陪伴也可以变得真实，而且它不再是简单的情感替代品，而是有情感、有记忆、能长期陪伴的伙伴。 Kindred Labs 打破了传统 AI 的局限，利用情感智能和 IP 代币化，让你可以和自己喜欢的经典角色建立互动。比如，你可以和自己喜爱的动漫角色、游戏英雄一起聊天、互动，它们不仅仅是预设的程序，而是能通过与你的互动不断学习、成长、甚至记住你的情感需求。这比那些机械回应的聊天机器人更像是真正的朋友，是可以依赖的伙伴。而最让我印象深刻的，就是 Kindred Labs 采用的情感智能 AI，让每一个虚拟伴侣都能真实地感知和回应你的情绪变化，不同于那些单纯的自动化脚本，它们在不断“了解”你、调整自己以适应你的需求。更重要的是，这些 AI 并不是仅仅回应你的话语，它们会在互动中帮助你成长、反思，甚至形成情感连接。 Kindred Labs 的核心价值就在于，它用 IP 角色作为 AI 的载体，让这些虚拟角色不仅仅是为你解答问题，而是与你产生情感共鸣。这些角色随着时间的推移和你互动的加深，逐渐成为一个陪伴你、理解你、甚至提醒你生活方向的存在。它不再是冷冰冰的程序，而是你的情感伙伴。 #Kindred

阿乐

233,356 次观看 • 7 个月前

生成视频已经满足不了人类的欲望了，生成世界才是未来！地球Online的虚拟世界版要来了。。。以前我们玩游戏都是一个固定好的世界，比如绝地求生、英雄联盟或者王者荣耀。。。但是我曾经还是畅想过在一个完全「未知」的世界升级打怪，不过从来没觉得这会变成现实，但是最近有一个词叫做「世界模型」非常火，我已经不止一次听说过它的名号。世界模型的定义是：一种能够学习并模拟环境状态变化的 AI 模型。它能根据过去的观察和当前动作，预测：当前状态+动作→下一个状态。例如：汽车当前速度、道路情况、方向盘操作→汽车下一秒的位置和周围环境。也就是说如果置身「世界模型」之内，未来的每一刻都会根据你上一刻的行为而变化，这就很有意思了，如果大家都玩由「世界模型」支撑的游戏，那么每个人的游戏体验都会是独一无二的，这真的有可能颠覆现在的传统行业。之前更多停留在“听说”的阶段，但是 Alaya World 可能真的会让这个想法第一次变为现实，我在它的官网做了一个demo——选择魔法，整个世界为之变色👇。 Alaya World模型以 720p / 24 FPS 实时流式生成了可探索的世界。而且生成过程中可以自由移动来调整视角，通过提示词随时召唤魔法，并支持超过 1 分钟的稳定长时连续生成。但是除了“好玩”之外，「世界模型」肯定会比单纯生成视频更加烧钱，那为什么这些像Alaya Lab这种顶级实验室都在往里面疯狂砸钱。它到底能通过什么方式变现？我特意查了一下它的应用场景，不查不知道，一查吓一跳，「世界模型」真的是在下一盘大棋： 1.帮机器人训练提效降本：在虚拟环境里模拟不同物体、房间和突发情况，让机器人反复练习抓取、行走和操作，不需要在现实中摆放物品，减少设备损坏的风险，从而降低训练成本。 2.帮助自动驾驶测试危险场景：模拟行人突然出现、前车急刹、暴雨大雾等现实中很难主动制造的情况，让自动驾驶系统提前进行大量测试，提高安全性。 3.帮助游戏和影视生成场景：生成可以移动和互动的虚拟空间，从而减少游戏地图、影视场景和3D内容的制作时间。 4.帮助企业提前模拟现实决策。工厂、仓库或建筑公司可以先在虚拟环境中测试设备摆放、生产流程和人员路线，确认方案是否合理后，再在现实中实施，减少试错成本。所以对应的「世界模型」可以通过卖API和算力赚钱、通过软件订阅赚钱、通过企业定制赚钱，简单来说，现在AI视频模型能盈利的渠道它都有，而且甚至能够更广泛。我感觉我每一次赚钱都是抓住了风口，包括Youtube shorts的YPP、小红书虚拟AI产品、X AI自媒体，那下一个关于AI的机会在哪？我很看好「世界模型」，接下来我也会更加仔细研究这个赛道，希望在下一个十年不会下桌🫡 Alaya Word也已经开源：相关技术论文感兴趣的朋友也可以去读一下（我是让AI解释的哈哈哈）：

生成视频已经满足不了人类的欲望了，生成世界才是未来！地球Online的虚拟世界版要来了。。。以前我们玩游戏都是一个固定好的世界，比如绝地求生、英雄联盟或者王者荣耀。。。但是我曾经还是畅想过在一个完全「未知」的世界升级打怪，不过从来没觉得这会变成现实，但是最近有一个词叫做「世界模型」非常火，我已经不止一次听说过它的名号。世界模型的定义是：一种能够学习并模拟环境状态变化的 AI 模型。它能根据过去的观察和当前动作，预测：当前状态+动作→下一个状态。例如：汽车当前速度、道路情况、方向盘操作→汽车下一秒的位置和周围环境。也就是说如果置身「世界模型」之内，未来的每一刻都会根据你上一刻的行为而变化，这就很有意思了，如果大家都玩由「世界模型」支撑的游戏，那么每个人的游戏体验都会是独一无二的，这真的有可能颠覆现在的传统行业。之前更多停留在“听说”的阶段，但是 Alaya World 可能真的会让这个想法第一次变为现实，我在它的官网做了一个demo——选择魔法，整个世界为之变色👇。 Alaya World模型以 720p / 24 FPS 实时流式生成了可探索的世界。而且生成过程中可以自由移动来调整视角，通过提示词随时召唤魔法，并支持超过 1 分钟的稳定长时连续生成。但是除了“好玩”之外，「世界模型」肯定会比单纯生成视频更加烧钱，那为什么这些像Alaya Lab这种顶级实验室都在往里面疯狂砸钱。它到底能通过什么方式变现？我特意查了一下它的应用场景，不查不知道，一查吓一跳，「世界模型」真的是在下一盘大棋： 1.帮机器人训练提效降本：在虚拟环境里模拟不同物体、房间和突发情况，让机器人反复练习抓取、行走和操作，不需要在现实中摆放物品，减少设备损坏的风险，从而降低训练成本。 2.帮助自动驾驶测试危险场景：模拟行人突然出现、前车急刹、暴雨大雾等现实中很难主动制造的情况，让自动驾驶系统提前进行大量测试，提高安全性。 3.帮助游戏和影视生成场景：生成可以移动和互动的虚拟空间，从而减少游戏地图、影视场景和3D内容的制作时间。 4.帮助企业提前模拟现实决策。工厂、仓库或建筑公司可以先在虚拟环境中测试设备摆放、生产流程和人员路线，确认方案是否合理后，再在现实中实施，减少试错成本。所以对应的「世界模型」可以通过卖API和算力赚钱、通过软件订阅赚钱、通过企业定制赚钱，简单来说，现在AI视频模型能盈利的渠道它都有，而且甚至能够更广泛。我感觉我每一次赚钱都是抓住了风口，包括Youtube shorts的YPP、小红书虚拟AI产品、X AI自媒体，那下一个关于AI的机会在哪？我很看好「世界模型」，接下来我也会更加仔细研究这个赛道，希望在下一个十年不会下桌🫡 Alaya Word也已经开源：相关技术论文感兴趣的朋友也可以去读一下（我是让AI解释的哈哈哈）：

逸尘

20,391 次观看 • 1 个月前

Google推出了一种在 StableDiffusion 图像生成中保证内容特征一致性的方式。这个其实是现在图像生成中一个非常重要的问题，故事可视化、游戏开发资产设计、广告等都需要在生成的时候具备角色或者内容的一致性。从演示来看效果非常好人物角色和其他内容的特征都保持的非常好，他们有一个示例是一个男人的一生十几张不同年龄段的图片都很像能看出来是一个人。而且这个项目还可以跟 SD 已有的控制方式结合，比如局部重绘和 Controlnet 等。下面是具体的介绍：实现方法：身份聚类：这一步骤涉及首先生成一系列图像，然后将这些图像嵌入到一个语义空间中。接着，使用聚类算法将这些图像分组，每个组代表一种可能的角色身份。这个过程旨在识别出一组视觉上一致的图像，从而确定角色的主要视觉特征。身份提取：在确定了一组具有高内聚性的图像之后，接下来的步骤是通过在这些图像上训练模型来提炼出一个更一致的角色身份。这意味着模型将学习到特定角色的关键视觉特征，以便在未来的生成中更准确地重现这些特征。收敛性：方法的最后一个步骤是迭代过程，该过程在达到一定的收敛标准时停止。在每次迭代中，模型基于最新的训练数据生成新的图像，并重新进行聚类和身份提取。这个过程重复进行，直到模型能够可靠地生成具有一致视觉身份的角色为止。效果验证：定性和定量比较：在这一部分，作者将他们的方法与其他个性化文本到图像生成技术进行比较。这包括通过视觉和数值指标来评估生成图像的一致性和质量。用户研究：作者还进行了一项用户研究，以评估他们的方法在实际使用中的效果。这包括让用户评价生成图像的一致性和吸引力。消融研究：这部分是对方法中不同组件的效果进行评估。通过修改或移除方法的某些部分，作者能够理解每个组成部分对最终结果的贡献。论文链接：

Google推出了一种在 StableDiffusion 图像生成中保证内容特征一致性的方式。这个其实是现在图像生成中一个非常重要的问题，故事可视化、游戏开发资产设计、广告等都需要在生成的时候具备角色或者内容的一致性。从演示来看效果非常好人物角色和其他内容的特征都保持的非常好，他们有一个示例是一个男人的一生十几张不同年龄段的图片都很像能看出来是一个人。而且这个项目还可以跟 SD 已有的控制方式结合，比如局部重绘和 Controlnet 等。下面是具体的介绍：实现方法：身份聚类：这一步骤涉及首先生成一系列图像，然后将这些图像嵌入到一个语义空间中。接着，使用聚类算法将这些图像分组，每个组代表一种可能的角色身份。这个过程旨在识别出一组视觉上一致的图像，从而确定角色的主要视觉特征。身份提取：在确定了一组具有高内聚性的图像之后，接下来的步骤是通过在这些图像上训练模型来提炼出一个更一致的角色身份。这意味着模型将学习到特定角色的关键视觉特征，以便在未来的生成中更准确地重现这些特征。收敛性：方法的最后一个步骤是迭代过程，该过程在达到一定的收敛标准时停止。在每次迭代中，模型基于最新的训练数据生成新的图像，并重新进行聚类和身份提取。这个过程重复进行，直到模型能够可靠地生成具有一致视觉身份的角色为止。效果验证：定性和定量比较：在这一部分，作者将他们的方法与其他个性化文本到图像生成技术进行比较。这包括通过视觉和数值指标来评估生成图像的一致性和质量。用户研究：作者还进行了一项用户研究，以评估他们的方法在实际使用中的效果。这包括让用户评价生成图像的一致性和吸引力。消融研究：这部分是对方法中不同组件的效果进行评估。通过修改或移除方法的某些部分，作者能够理解每个组成部分对最终结果的贡献。论文链接：

歸藏(guizang.ai)

125,824 次观看 • 2 年前

全网都在吹日本Fugu跑分超GPT，但我敢说99%的人没看懂它真正炸场的地方。首先这玩意儿根本不是什么超大单体大模型，它全身上下只有0.6B参数，本职工作就其实就是个AI项目经理，简单任务自己处理，复杂任务自动拆分，从全球顶级模型池里挑最合适的选手，分配思考执行验证三种角色，多轮协作最后合成答案。你调用它和调普通模型没区别，一行API的事，但背后的编排策略是训练出来的，不是人手写prompt调路由磨出来的，它可以发掘出人类根本想不到的协作模式。我觉得最狠的还不是跑分超了Claude和GPT，关键是它直接绕开了scaling law的军备竞赛。不用堆万亿参数，不用砸超算中心，靠更聪明的协作机制就能摸到前沿模型的天花板，AI的竞争第一次从拼参数变成了拼管理。当然不是银弹，比如黑箱不透明，复杂任务延迟更高，简单题用它反而更贵。但这件事的信号意义比跑分数字重要一百倍，意味着多智能体编排从实验室玩具正式变成了可用的生产力工具。 orchestration layer这条新赛道，今天正式开跑咯🚀

全网都在吹日本Fugu跑分超GPT，但我敢说99%的人没看懂它真正炸场的地方。首先这玩意儿根本不是什么超大单体大模型，它全身上下只有0.6B参数，本职工作就其实就是个AI项目经理，简单任务自己处理，复杂任务自动拆分，从全球顶级模型池里挑最合适的选手，分配思考执行验证三种角色，多轮协作最后合成答案。你调用它和调普通模型没区别，一行API的事，但背后的编排策略是训练出来的，不是人手写prompt调路由磨出来的，它可以发掘出人类根本想不到的协作模式。我觉得最狠的还不是跑分超了Claude和GPT，关键是它直接绕开了scaling law的军备竞赛。不用堆万亿参数，不用砸超算中心，靠更聪明的协作机制就能摸到前沿模型的天花板，AI的竞争第一次从拼参数变成了拼管理。当然不是银弹，比如黑箱不透明，复杂任务延迟更高，简单题用它反而更贵。但这件事的信号意义比跑分数字重要一百倍，意味着多智能体编排从实验室玩具正式变成了可用的生产力工具。 orchestration layer这条新赛道，今天正式开跑咯🚀

AYi

232,960 次观看 • 1 个月前

之前还在吐槽 Codex 的 GPT 模型设计能力不行，昨天就在官方看到了一篇官方指南《Designing delightful frontends with GPT-5.4》非常值得一读，从核心原因与解决思路到4 大基础提示技巧还有实用设计规则/页面结构建议最后还浓缩到了一个 frontend-skill 当中，$skill-installer frontend-skill 自动强制模型先写视觉论点、内容计划、交互论点再写代码。当然有了这个 skill 也不是就完全了，只是提高了下限和品味基准。还有： * 推理调 Low 或 Medium * 一句话描述整体调性 * content plan * 参考图 * 设计 token 这些文中都有详细的描述，请大家自己认真读一下。官方还提供了几个生成好的例子，都很棒，可以看看。

之前还在吐槽 Codex 的 GPT 模型设计能力不行，昨天就在官方看到了一篇官方指南《Designing delightful frontends with GPT-5.4》非常值得一读，从核心原因与解决思路到4 大基础提示技巧还有实用设计规则/页面结构建议最后还浓缩到了一个 frontend-skill 当中，$skill-installer frontend-skill 自动强制模型先写视觉论点、内容计划、交互论点再写代码。当然有了这个 skill 也不是就完全了，只是提高了下限和品味基准。还有： * 推理调 Low 或 Medium * 一句话描述整体调性 * content plan * 参考图 * 设计 token 这些文中都有详细的描述，请大家自己认真读一下。官方还提供了几个生成好的例子，都很棒，可以看看。

Viking

78,057 次观看 • 5 个月前

Harry 是我的好朋友，他一直以来展示踏实靠谱的性格特征，持续的构建 Everlyn：中心化的AI 视频模型一开始 Everlyn 在开发阶段，目前使用 Everlyn-1.5 模型已经可以顺畅生成各种视频。这值得令人兴奋，因为在Web3 领域终于诞生了用户可用的 AI 产品这次不是概念，而是真实可以用的产品而且相比于其他模型， Everlyn 的生成速度是其他模型的2-4倍，费用也比其他模型低花费10美元的情况下，Everlyn (Pro) 可以生成125段视频，Kling 2 Master 只能生存 20 段 Everlyn 是类似社区节点的 Lyn miners（矿工）进行去中心化的运营，过去一周内就已经有了1w名付费用户，一周内的收入也有 140,000 代币 TGE 之后 Lyn miners 将有更多参与网络发展的方式视频生成领域的市场规模是足够大的， Sara2.0 也印证了这一点， Everlyn 大概率不会上演 TGE 之后协议空无一人的情况因为 Everlyn 也从未承诺过视频用户会获得什么，而是社区用户自主为 Everlyn 付费，这是正确且健康的模式代币的代码是： $LYN 15:00 将在 Binance Alpha 上线 15:30 在 Binance 合约上线团队的学术背景很强， Haryy 本来就是视频领域的专家，核心顾问的 Yann LeCun 还是图灵奖的获得者项目由 Yzi Labs 孵化，完成了 1500 万融资，大家可以在 Binance Alpha 阶段订阅一下其他视频模型在初创阶段就能获得亿元融资，Everlyn 在当前和未来的发展中应当展现的市值是多少呢？相信 Everlyn 很快将推出下一代更真实，更便捷的模型

Harry 是我的好朋友，他一直以来展示踏实靠谱的性格特征，持续的构建 Everlyn：中心化的AI 视频模型一开始 Everlyn 在开发阶段，目前使用 Everlyn-1.5 模型已经可以顺畅生成各种视频。这值得令人兴奋，因为在Web3 领域终于诞生了用户可用的 AI 产品这次不是概念，而是真实可以用的产品而且相比于其他模型， Everlyn 的生成速度是其他模型的2-4倍，费用也比其他模型低花费10美元的情况下，Everlyn (Pro) 可以生成125段视频，Kling 2 Master 只能生存 20 段 Everlyn 是类似社区节点的 Lyn miners（矿工）进行去中心化的运营，过去一周内就已经有了1w名付费用户，一周内的收入也有 140,000 代币 TGE 之后 Lyn miners 将有更多参与网络发展的方式视频生成领域的市场规模是足够大的， Sara2.0 也印证了这一点， Everlyn 大概率不会上演 TGE 之后协议空无一人的情况因为 Everlyn 也从未承诺过视频用户会获得什么，而是社区用户自主为 Everlyn 付费，这是正确且健康的模式代币的代码是： $LYN 15:00 将在 Binance Alpha 上线 15:30 在 Binance 合约上线团队的学术背景很强， Haryy 本来就是视频领域的专家，核心顾问的 Yann LeCun 还是图灵奖的获得者项目由 Yzi Labs 孵化，完成了 1500 万融资，大家可以在 Binance Alpha 阶段订阅一下其他视频模型在初创阶段就能获得亿元融资，Everlyn 在当前和未来的发展中应当展现的市值是多少呢？相信 Everlyn 很快将推出下一代更真实，更便捷的模型

Vand Ni｜Asian bro

20,175 次观看 • 10 个月前

所有人都以为OpenAI的护城河是AI大模型，今天他们证明了，真正的胜负手在硅片里。和博通合作，九个月从设计到流片，首款自研AI芯片Jalapeño，专门面向大模型推理。不做训练，只负责用户对话时的响应计算，每瓦性能，明显优于当前最先进水平。有几个反常识的结论跟大家分享，第一个反常识，为什么先切推理，不做更酷的训练芯片。训练是一次性烧钱，烧完就结束，推理是每天几亿用户持续消耗，是真正的成本大头。把推理成本打下来三成到五成，规模上来就是天文数字的利润，这其实是最务实的商业选择。第二个反常识，九个月流片意味着什么，传统高性能芯片，两到三年才是正常设计周期。他们用大模型，辅助设计跑大模型的芯片。 AI造AI硬件的自循环一旦跑通，整个半导体的迭代速度，都会被彻底改写。最本质的战略意图是 OpenAI不想再当英伟达的超级客户了，他们要走全栈路线，从硅片到模型到产品全部自控，说白了谁掌握底层算力，谁就掌握定价权和利润空间。模型权重很重要，算力的话语权同样致命。以前是人类造硬件，硬件跑AI，以后是AI辅助人类造更好的硬件，硬件再跑出更强的AI，这个自增强的循环，才是真正的奇点序章。

所有人都以为OpenAI的护城河是AI大模型，今天他们证明了，真正的胜负手在硅片里。和博通合作，九个月从设计到流片，首款自研AI芯片Jalapeño，专门面向大模型推理。不做训练，只负责用户对话时的响应计算，每瓦性能，明显优于当前最先进水平。有几个反常识的结论跟大家分享，第一个反常识，为什么先切推理，不做更酷的训练芯片。训练是一次性烧钱，烧完就结束，推理是每天几亿用户持续消耗，是真正的成本大头。把推理成本打下来三成到五成，规模上来就是天文数字的利润，这其实是最务实的商业选择。第二个反常识，九个月流片意味着什么，传统高性能芯片，两到三年才是正常设计周期。他们用大模型，辅助设计跑大模型的芯片。 AI造AI硬件的自循环一旦跑通，整个半导体的迭代速度，都会被彻底改写。最本质的战略意图是 OpenAI不想再当英伟达的超级客户了，他们要走全栈路线，从硅片到模型到产品全部自控，说白了谁掌握底层算力，谁就掌握定价权和利润空间。模型权重很重要，算力的话语权同样致命。以前是人类造硬件，硬件跑AI，以后是AI辅助人类造更好的硬件，硬件再跑出更强的AI，这个自增强的循环，才是真正的奇点序章。

AYi

51,052 次观看 • 1 个月前

非常Nice啊，这模型完全免费，Token终于可以自由白嫖了，甚至视频模型都是免费的，太爽了。它叫Agnes AI，全球模型榜前十，6 月 1 号起把自己家三个核心模型全免费开放了，无限期。图片模型在 artificial analysis 上榜了，文字模型一周被干了一万亿 Token。我把它接进 Claude Code，配起来十分钟的事，Token 随便用。这玩意到底是什么呢。 Agnes AI 是全球模型榜单前十的一个 AI Lab，这次免费开放的是三个模型，文本、图片、视频。文本模型叫 agnes-2.0-flash。能写代码，能做知识问答，能跑 Agent，能规划复杂任务。在 Claw-Eval 智能体评测榜进了 Top 10。说真的，这周它还要上 1M 超长上下文，以前用 200K 的模型跑到 150K 就降智，这种破事不用再忍了。图片模型叫 agnes-image-2.1-flash。图改图、多图融合、换背景、改文字、图像修复，电商主图和广告素材这种反复改的场景，太合适了。最近还加了 4K 超高清输出，最高 4096×4096，生成的图可以直接进印刷，不是那种看着还行一放大就糊的草稿。视频模型叫 agnes-video-2.0。原生音画同步，首帧生视频、首尾帧生视频、多镜头切换都支持，720P 和 1080P 随便选。接进 Claude Code 怎么搞，其实很简单。第一步，去注册，拿到 API key。第二步，打开 cc-switch。右上角选 Claude CLI，右上角点 + 号，选自定义配置。把 API key 填进去，请求地址写格式选 OpenAI Chat Completions。第三步，点获取模型列表，选 agnes-2.0-flash。第四步，点左上角设置，找到路由，打开路由总开关，Claude 打开。完事。回到 Claude Code 正常发消息，模型就已经切过去了。我试了一个在酒吧吉他弹唱的视频，和真人区别不大。现在 Token 不要钱，Agent 该跑几轮跑几轮，该拆几步拆几步。反正我觉得这才是免费开放最爽的部分，不只是省钱，是心理上解放了。我测试了一下视频模型，能用，就是慢了点，文字模型还是比较快的。开发者文档在 OpenClaw、Hermes、Claude Desktop 的，也有现成教程。

非常Nice啊，这模型完全免费，Token终于可以自由白嫖了，甚至视频模型都是免费的，太爽了。它叫Agnes AI，全球模型榜前十，6 月 1 号起把自己家三个核心模型全免费开放了，无限期。图片模型在 artificial analysis 上榜了，文字模型一周被干了一万亿 Token。我把它接进 Claude Code，配起来十分钟的事，Token 随便用。这玩意到底是什么呢。 Agnes AI 是全球模型榜单前十的一个 AI Lab，这次免费开放的是三个模型，文本、图片、视频。文本模型叫 agnes-2.0-flash。能写代码，能做知识问答，能跑 Agent，能规划复杂任务。在 Claw-Eval 智能体评测榜进了 Top 10。说真的，这周它还要上 1M 超长上下文，以前用 200K 的模型跑到 150K 就降智，这种破事不用再忍了。图片模型叫 agnes-image-2.1-flash。图改图、多图融合、换背景、改文字、图像修复，电商主图和广告素材这种反复改的场景，太合适了。最近还加了 4K 超高清输出，最高 4096×4096，生成的图可以直接进印刷，不是那种看着还行一放大就糊的草稿。视频模型叫 agnes-video-2.0。原生音画同步，首帧生视频、首尾帧生视频、多镜头切换都支持，720P 和 1080P 随便选。接进 Claude Code 怎么搞，其实很简单。第一步，去注册，拿到 API key。第二步，打开 cc-switch。右上角选 Claude CLI，右上角点 + 号，选自定义配置。把 API key 填进去，请求地址写格式选 OpenAI Chat Completions。第三步，点获取模型列表，选 agnes-2.0-flash。第四步，点左上角设置，找到路由，打开路由总开关，Claude 打开。完事。回到 Claude Code 正常发消息，模型就已经切过去了。我试了一个在酒吧吉他弹唱的视频，和真人区别不大。现在 Token 不要钱，Agent 该跑几轮跑几轮，该拆几步拆几步。反正我觉得这才是免费开放最爽的部分，不只是省钱，是心理上解放了。我测试了一下视频模型，能用，就是慢了点，文字模型还是比较快的。开发者文档在 OpenClaw、Hermes、Claude Desktop 的，也有现成教程。

产品经理老王霸

51,324 次观看 • 1 个月前

我开源了我沉淀一年的skill，涵盖写作、深度调研、产品界面优化、代码和文档对齐、角色与文章配图、chatcut自动化剪辑、代码的交付收尾.... 契机: 1.小黄skil篇陈硕有个设计师小伙伴做了个skill，这个skil是和这个skil是和Ian (伊恩)老师在github上斩获10000stars的小黑skill的共创，出了一个新的形象:小黄做完才发现，画出一个可爱的角色并不难，难的是:让它在不同文章、动作、场景，甚至2D/3D的变化里，始终还是同一个角色小黄有固定的角色 DNA：暖黄色种子形身体、爱心天线、椭圆眼睛、腮红和细手脚它还能读一篇文章，找到真正值得解释的“认知锚点”，再把一个判断、关系或转折画成配图以下是具体效果和内容呈现👇

我开源了我沉淀一年的skill，涵盖写作、深度调研、产品界面优化、代码和文档对齐、角色与文章配图、chatcut自动化剪辑、代码的交付收尾.... 契机: 1.小黄skil篇陈硕有个设计师小伙伴做了个skill，这个skil是和这个skil是和Ian (伊恩)老师在github上斩获10000stars的小黑skill的共创，出了一个新的形象:小黄做完才发现，画出一个可爱的角色并不难，难的是:让它在不同文章、动作、场景，甚至2D/3D的变化里，始终还是同一个角色小黄有固定的角色 DNA：暖黄色种子形身体、爱心天线、椭圆眼睛、腮红和细手脚它还能读一篇文章，找到真正值得解释的“认知锚点”，再把一个判断、关系或转折画成配图以下是具体效果和内容呈现👇

陈硕KAI

13,668 次观看 • 8 天前

DEXX被盗，certik的审计有没有责任？外行如何查看审计报告？ ➤首先来说，Certik多少是有些问题的。第一，打开项目页，首先是评分！一个审计机构，你评分是什么鬼？我们看审计报告，需要知道的是风险有多大，而不是项目或代码有多好！第二，上来还有项目亮点。而且你看DEXX这亮点都是啥？推特关注者数量、社群、还有市场稳定性。这和你审计业务有啥关系，就这能叫亮点？第三，可是涉及到审计的关键问题时，点击”查看漏洞信息“，然后接下来，不但没有显示漏洞信息，整个代码审计这块就没了……不信的话大家可以自己去试一下，我也录了个视频。第四，其实页面上有pdf审计报告文件可以查看，但是位置不太明显。另一方面，审计报告里的风险事件情况不写在页面上，反而在页面上写一些与安全无关的亮点和评分…… ➤其次，外行看审计报告，应该至少看一下风险摘要。一般审计报告会把风险划分为致命的、主要的、中度、轻度、信息化几个级别。我们可以看一下每个级别有多少风险问题，有多少已经解决、有多少还没有解决。像DEXX这个审计报告上写了，有1主要问题——中心化。 4个中度问题——易受攻击代码。这个已经比较直白了。已解决2个，未解决2个。 4个轻度问题——设计问题，已解决1个，未解决3个。已解决就是已经解决了问题，已知悉，就是没解决的意思哈哈。这么说吧，审计报告没问题，不一定真的没问题。但审计风险摘要里都有问题的，那确实是真的有问题的。 ➤对比其他DEX的审计报告 ❚ DYDX 既然说到DEX，我们可以看一下著名的DEX #dydx 的审计情况。 DYDX也没有花钱请certik进行审计，而是由不同的代码审计人员组成审计组进行非正式审计共6次。最近一次审计报告显示：共有：中度风险1项，未解决。低风险6项，2个已解决，4个暂未解决。信息性风险7项目，7个暂未解决。 ❚ DeGate 再来看一个基于以太坊二层的DEX #DeGate ，2023年8月上线至今天，一共由3家审计机构进行代码，包括 Trail of Bits 、Least Authority 和 #Secbit 共进行5次代码审计。看一下最近一次的审计报告，审计机构是Secbit。审计报告的地址是。中度风险4个，全部已经解决。低风险8个，其中5个已经解决，3个暂时未解决。信息性风险4个，1个已解决，3个暂时未解决。还有4个讨论级别的风险，2个已解决，2个暂时未解决。这类风险应该是需要讨论的，不确定是否存在问题。没有发现更高级别的风险了，剩下的最高风险是低风险。 DYDX 和 DeGate审计的共同点是：第一，都没有花钱给Certik去"镀金"，而是由多个审计主体进行了多次审计，这样可以相对更充分的发现代码中的安全问题。第二，审计报告发布在Github平台，而不是审计机构或项目方的官网，这样可以看见审计报告文件的提交修改删除等行为，更公开更透明。第三，这两个DEX的审计报告中都没有未解决的中度风险。根据审计情况都把风险控制在低风险级别下。 DYDX V4和DeGate分别已经安全运行了14个月和16个月。可见，无论是大型DEX还是中小型DEX，都可以对比出DEXX的不安全。 ➤写在最后作为代码小白的我们，听说项目方有代码审计，我们要打开审计报告看了一下。而不是听项目方说有多少个安全性通过。以DEXX为例，虽然Certik把它的代码排名在10%以内，但是它的评分只有59.31分。这说明DEXX实际的安全性可能更差。只要我们打开这份审计报告，什么也看不懂，起码能看见59.31这个评分。再仔细往下看就会发现"易受攻击代码"的字样。当时看过这两个细节，估计我们也不会去使用这个DEXX了。打开审计报告以后，即使英文不好，也可以查找Medium这个词，找到风险事件摘要，看一下已发现的各级别的风险问题有多少个，多少已解决、多少未解决。虽然代码审计安全的项目不一定安全，虽然我们可能看不懂具体的代码风险，但是发现风险级别较高的因素尚未解决，很可能说明项目代码可能处于比较潦草的阶段，还有待的完善安全性，我们在使用时要慎之又慎。而参与审计的主体多、审计次数多，项目的安全性可能会相对更好一些。当然，也仅仅是相对安全。毕竟很多风险事件不一定是代码层面上的。提升安全性，我们的资产可以分散存储，大额长期投资使用冷钱包。在应用的用户端，手机电脑的环境保持安全性也非常重要，参与交易和持币的浏览器、设备等与日常使用等进行隔离。在操作资产时，包括交易、游戏等等行为，要慢，要慢，要慢，仔细核对信息……欢迎补充

DEXX被盗，certik的审计有没有责任？外行如何查看审计报告？ ➤首先来说，Certik多少是有些问题的。第一，打开项目页，首先是评分！一个审计机构，你评分是什么鬼？我们看审计报告，需要知道的是风险有多大，而不是项目或代码有多好！第二，上来还有项目亮点。而且你看DEXX这亮点都是啥？推特关注者数量、社群、还有市场稳定性。这和你审计业务有啥关系，就这能叫亮点？第三，可是涉及到审计的关键问题时，点击”查看漏洞信息“，然后接下来，不但没有显示漏洞信息，整个代码审计这块就没了……不信的话大家可以自己去试一下，我也录了个视频。第四，其实页面上有pdf审计报告文件可以查看，但是位置不太明显。另一方面，审计报告里的风险事件情况不写在页面上，反而在页面上写一些与安全无关的亮点和评分…… ➤其次，外行看审计报告，应该至少看一下风险摘要。一般审计报告会把风险划分为致命的、主要的、中度、轻度、信息化几个级别。我们可以看一下每个级别有多少风险问题，有多少已经解决、有多少还没有解决。像DEXX这个审计报告上写了，有1主要问题——中心化。 4个中度问题——易受攻击代码。这个已经比较直白了。已解决2个，未解决2个。 4个轻度问题——设计问题，已解决1个，未解决3个。已解决就是已经解决了问题，已知悉，就是没解决的意思哈哈。这么说吧，审计报告没问题，不一定真的没问题。但审计风险摘要里都有问题的，那确实是真的有问题的。 ➤对比其他DEX的审计报告 ❚ DYDX 既然说到DEX，我们可以看一下著名的DEX #dydx 的审计情况。 DYDX也没有花钱请certik进行审计，而是由不同的代码审计人员组成审计组进行非正式审计共6次。最近一次审计报告显示：共有：中度风险1项，未解决。低风险6项，2个已解决，4个暂未解决。信息性风险7项目，7个暂未解决。 ❚ DeGate 再来看一个基于以太坊二层的DEX #DeGate ，2023年8月上线至今天，一共由3家审计机构进行代码，包括 Trail of Bits 、Least Authority 和 #Secbit 共进行5次代码审计。看一下最近一次的审计报告，审计机构是Secbit。审计报告的地址是。中度风险4个，全部已经解决。低风险8个，其中5个已经解决，3个暂时未解决。信息性风险4个，1个已解决，3个暂时未解决。还有4个讨论级别的风险，2个已解决，2个暂时未解决。这类风险应该是需要讨论的，不确定是否存在问题。没有发现更高级别的风险了，剩下的最高风险是低风险。 DYDX 和 DeGate审计的共同点是：第一，都没有花钱给Certik去"镀金"，而是由多个审计主体进行了多次审计，这样可以相对更充分的发现代码中的安全问题。第二，审计报告发布在Github平台，而不是审计机构或项目方的官网，这样可以看见审计报告文件的提交修改删除等行为，更公开更透明。第三，这两个DEX的审计报告中都没有未解决的中度风险。根据审计情况都把风险控制在低风险级别下。 DYDX V4和DeGate分别已经安全运行了14个月和16个月。可见，无论是大型DEX还是中小型DEX，都可以对比出DEXX的不安全。 ➤写在最后作为代码小白的我们，听说项目方有代码审计，我们要打开审计报告看了一下。而不是听项目方说有多少个安全性通过。以DEXX为例，虽然Certik把它的代码排名在10%以内，但是它的评分只有59.31分。这说明DEXX实际的安全性可能更差。只要我们打开这份审计报告，什么也看不懂，起码能看见59.31这个评分。再仔细往下看就会发现"易受攻击代码"的字样。当时看过这两个细节，估计我们也不会去使用这个DEXX了。打开审计报告以后，即使英文不好，也可以查找Medium这个词，找到风险事件摘要，看一下已发现的各级别的风险问题有多少个，多少已解决、多少未解决。虽然代码审计安全的项目不一定安全，虽然我们可能看不懂具体的代码风险，但是发现风险级别较高的因素尚未解决，很可能说明项目代码可能处于比较潦草的阶段，还有待的完善安全性，我们在使用时要慎之又慎。而参与审计的主体多、审计次数多，项目的安全性可能会相对更好一些。当然，也仅仅是相对安全。毕竟很多风险事件不一定是代码层面上的。提升安全性，我们的资产可以分散存储，大额长期投资使用冷钱包。在应用的用户端，手机电脑的环境保持安全性也非常重要，参与交易和持币的浏览器、设备等与日常使用等进行隔离。在操作资产时，包括交易、游戏等等行为，要慢，要慢，要慢，仔细核对信息……欢迎补充

TVBee🦅

53,242 次观看 • 1 年前

中国最近掀起了一波‘技术超越’的叙事狂潮：“全球领先宇”树机器人，蔚来电动车，第六代战机到最新的Deepseek媲美美国的AI模型，一切看起来都在宣告中国已经掌握了科技竞争的制高点。但真相呢？这些‘突破’的底层逻辑，其实是对美国开源技术和模式的高效嫁接与加工。如何理解？这不仅是一场技术战争，而是一场文明赌局，谁能笑到最后？ AI模型的算法框架、训练数据来自于合成，电动车的核心技术、甚至机器人背后的生产生态——几乎每一项‘创新’都离不开美国无偿贡献的技术基础。中国的强项在应用层面的二次创新，而非从零开始的技术革命。这就是为什么中国的技术看似崛起迅猛，但在本质上依然依附于全球技术体系的底层逻辑。但我们必须看到，这场技术竞争背后隐藏着更深刻的真相：技术的冲突只是文明冲突的冰山一角。美国为何将中国视为最大的威胁？不仅因为制造能力或技术模仿力，更因为两者的文明逻辑完全对立。现代文明为何只能在西方诞生？新教伦理、基督教文化塑造了自由、理性和创新的基石，而中国模式则依靠集体主义和实用主义的动员力快速崛起。这种模式能在效率上赢得一时，却无法回答一个关键问题：没有信仰和自由为根基的文明，如何承载人类的未来？这不仅是一场技术战争，而是一场文明的赌局。一边是长期“平权觉醒”，忽视精英和进步，去工业化的自我阉割；一边是试图复辟帝国梦想，忽视人的价值，没有终端消费支持。谁会笑到最后？

中国最近掀起了一波‘技术超越’的叙事狂潮：“全球领先宇”树机器人，蔚来电动车，第六代战机到最新的Deepseek媲美美国的AI模型，一切看起来都在宣告中国已经掌握了科技竞争的制高点。但真相呢？这些‘突破’的底层逻辑，其实是对美国开源技术和模式的高效嫁接与加工。如何理解？这不仅是一场技术战争，而是一场文明赌局，谁能笑到最后？ AI模型的算法框架、训练数据来自于合成，电动车的核心技术、甚至机器人背后的生产生态——几乎每一项‘创新’都离不开美国无偿贡献的技术基础。中国的强项在应用层面的二次创新，而非从零开始的技术革命。这就是为什么中国的技术看似崛起迅猛，但在本质上依然依附于全球技术体系的底层逻辑。但我们必须看到，这场技术竞争背后隐藏着更深刻的真相：技术的冲突只是文明冲突的冰山一角。美国为何将中国视为最大的威胁？不仅因为制造能力或技术模仿力，更因为两者的文明逻辑完全对立。现代文明为何只能在西方诞生？新教伦理、基督教文化塑造了自由、理性和创新的基石，而中国模式则依靠集体主义和实用主义的动员力快速崛起。这种模式能在效率上赢得一时，却无法回答一个关键问题：没有信仰和自由为根基的文明，如何承载人类的未来？这不仅是一场技术战争，而是一场文明的赌局。一边是长期“平权觉醒”，忽视精英和进步，去工业化的自我阉割；一边是试图复辟帝国梦想，忽视人的价值，没有终端消费支持。谁会笑到最后？

Tigris 会讲课教授是好老师

28,614 次观看 • 1 年前

很多基础设施真正的问题，并不是能力不够，而是存在感太强。创作者本来只想把想法跑通、把应用做出来，却不得不分心去理解链、Gas、账户模型、交互细节。当基础设施频繁打断创作过程，生产力就会被结构性消耗。从这个角度看 Vanar 它更像是在做一件“反直觉”的事：不是不断强调链本身，而是尽量把链退到后台。当底层默认适配 AI 和应用逻辑，创作者关注的就不再是“怎么和链打交道”，而是“这个想法值不值得继续做下去”。这种变化短期里不一定体现在数据上，但会直接影响生态的行为方式。当创作不再被基础设施频繁打断，尝试的密度会自然提高，新的应用和内容也更容易以一种连续的方式生长出来。也正是在这个意义上 $VANRY 更像是一种对创作专注度和应用自然演化能力的押注。真正成熟的基础设施，往往不是被反复讨论的那一个，而是被大量使用，却很少成为讨论对象的那一个。 #Vanar

很多基础设施真正的问题，并不是能力不够，而是存在感太强。创作者本来只想把想法跑通、把应用做出来，却不得不分心去理解链、Gas、账户模型、交互细节。当基础设施频繁打断创作过程，生产力就会被结构性消耗。从这个角度看 Vanar 它更像是在做一件“反直觉”的事：不是不断强调链本身，而是尽量把链退到后台。当底层默认适配 AI 和应用逻辑，创作者关注的就不再是“怎么和链打交道”，而是“这个想法值不值得继续做下去”。这种变化短期里不一定体现在数据上，但会直接影响生态的行为方式。当创作不再被基础设施频繁打断，尝试的密度会自然提高，新的应用和内容也更容易以一种连续的方式生长出来。也正是在这个意义上 $VANRY 更像是一种对创作专注度和应用自然演化能力的押注。真正成熟的基础设施，往往不是被反复讨论的那一个，而是被大量使用，却很少成为讨论对象的那一个。 #Vanar

DD

47,932 次观看 • 6 个月前

英格兰最受欢迎的男婴名字是什么？穆罕默德。这已经是连续第七年了。同时，伦敦常住人口中，超过40%出生在英国以外。一个国家的首都，近一半的人是“外来者”。数字不会说谎。它们只呈现结果。有人说这是多元文化的胜利。也有人看到的是本土文化的悄然退场。当一个城市、一个国家的文化根基、人口结构，在几十年内发生如此剧烈的变化，这真的是自然演进吗？还是特定政策下的“顶层设计”？全球主义精英们总是在描绘一个无国界的世界村。但他们自己住在哪里？他们的孩子上什么学校？他们真的和他们所倡导的“多元”生活在一起吗？当一个国家的身份变得模糊，谁会为此负责？是那些投票的普通人，还是那些在达沃斯开会的人？历史课本上写着帝国的兴衰。但从未有过一个帝国，是自己主动选择消亡的。这个问题，留给英国人自己回答。

英格兰最受欢迎的男婴名字是什么？穆罕默德。这已经是连续第七年了。同时，伦敦常住人口中，超过40%出生在英国以外。一个国家的首都，近一半的人是“外来者”。数字不会说谎。它们只呈现结果。有人说这是多元文化的胜利。也有人看到的是本土文化的悄然退场。当一个城市、一个国家的文化根基、人口结构，在几十年内发生如此剧烈的变化，这真的是自然演进吗？还是特定政策下的“顶层设计”？全球主义精英们总是在描绘一个无国界的世界村。但他们自己住在哪里？他们的孩子上什么学校？他们真的和他们所倡导的“多元”生活在一起吗？当一个国家的身份变得模糊，谁会为此负责？是那些投票的普通人，还是那些在达沃斯开会的人？历史课本上写着帝国的兴衰。但从未有过一个帝国，是自己主动选择消亡的。这个问题，留给英国人自己回答。

墓碑科技

10,322 次观看 • 6 个月前

还得是小孩哥！！最近看 #OpenGradient，发现它的火爆可不是因为那些技术展示，更多的是背后那些关注它的人。你看，开发者、基础设施专家、研究人员、早期的贡献者都在聊同一个话题：把验证直接嵌入到基础层。大家不是在吹什么炫酷的界面或演示，而是一直在讨论：如何让执行留下痕迹；模型能被检查，不是盲目信任；智能体在开放环境中行为可预测。这些话题说明，OpenGradient (∇, ∇) 真正触碰到了一个大家每天都在面对的问题。而且，Model Hub 最近已经有了 1000 多个可验证的模型，说明大家已经愿意以一种可以审计的方式去发布智能体。这种改变可不只是为了营销噱头，而是从根本上改变了大家的思维方式。 #OpenGradient 现在看起来像是悄悄地成为了“去中心化 AI”这个领域的基准，而不是追求炒作的热点。这个项目在悄悄地解决那些没人看到的问题，才是最稳固的基础。更厉害的是，它刚完成了 850 万美元的融资！投资者包括 a16z 和 Coinbase Ventures，这个背后的资金支持说明，去中心化的人工智能已经吸引了大佬们的关注。如果你还没注意到 #OpenGradient，这可能是个好机会。它不是在炒作 hype，而是在做事，给那些真正关心去中心化 AI 的人提供实际的东西。 #KaitoAI #Kaito #Yap Kaito AI 🌊 OpenGradient (∇, ∇) #OpenGradient

还得是小孩哥！！最近看 #OpenGradient，发现它的火爆可不是因为那些技术展示，更多的是背后那些关注它的人。你看，开发者、基础设施专家、研究人员、早期的贡献者都在聊同一个话题：把验证直接嵌入到基础层。大家不是在吹什么炫酷的界面或演示，而是一直在讨论：如何让执行留下痕迹；模型能被检查，不是盲目信任；智能体在开放环境中行为可预测。这些话题说明，OpenGradient (∇, ∇) 真正触碰到了一个大家每天都在面对的问题。而且，Model Hub 最近已经有了 1000 多个可验证的模型，说明大家已经愿意以一种可以审计的方式去发布智能体。这种改变可不只是为了营销噱头，而是从根本上改变了大家的思维方式。 #OpenGradient 现在看起来像是悄悄地成为了“去中心化 AI”这个领域的基准，而不是追求炒作的热点。这个项目在悄悄地解决那些没人看到的问题，才是最稳固的基础。更厉害的是，它刚完成了 850 万美元的融资！投资者包括 a16z 和 Coinbase Ventures，这个背后的资金支持说明，去中心化的人工智能已经吸引了大佬们的关注。如果你还没注意到 #OpenGradient，这可能是个好机会。它不是在炒作 hype，而是在做事，给那些真正关心去中心化 AI 的人提供实际的东西。 #KaitoAI #Kaito #Yap Kaito AI 🌊 OpenGradient (∇, ∇) #OpenGradient

币自由 🐬

122,681 次观看 • 7 个月前

Kimi要去香港上市了，一次发布同时完成了三件事：产品更新、市场重定价、IPO 预路演，喵的真是一场伟大的操盘！！！ K3发布前脚刚砸跌纳斯达克1%，然后转头Kimi就启动港股IPO筹备，一场发布干了几个亿路演的活，真特么牛逼，背后有高人哈哈，来一起回顾这场牛逼的操盘吧： 7 月 17 日凌晨，月之暗面发了 Kimi K3，2.8 万亿参数，Arena 前端代码排名第一，即将开源。然后 24 小时内发生了两件事，第一件，华尔街半导体股开盘重挫，纳斯达克跌了 1%，标普 500 跌了 1%，CNN 和彭博社的报道标题里，中国 AI 模型冲击美股是关键词。第二件，《投资界》报道说 Kimi 已通知投资者调整公司架构，筹备赴港 IPO，最快 6 个月内完成港股上市。别人的股价在跌，自己的股价准备开始。这两件事放在一起，是不是比 2.8 万亿参数精彩多了，一个中国开源模型的 Arena 排名，能直接变成纳斯达克 1% 的跌幅，不是因为 K3 全面超越了谁，它在综合智能指数上排第四，Fable 5 在 35 项评估里赢了 22 项，并不是新王者。那华尔街在怕什么呢？我觉得怕的不是这个模型本身，他们怕的其实是前沿能力 + 开放权重 + 中国公司这个组合，对闭源 AI 万亿美元资本支出的那个底层假设，突然给了一个反面例证。那个假设很简单：最先进的 AI 能力是稀缺的，稀缺就应该贵，贵就需要巨额资本支出，巨额资本支出会带来长期的定价权。 K3 在这个假设上钻了一个空子， Arena 前端人类盲测第一，输入 $3，输出 $15，Fable 5 的输出是 $50，权重 7 月 27 日开放，之后任何人可以自己部署、微调、塞进私有工作流。如果，注意是如果啊兄弟们，$15 的输出价格就能拿到人类盲测投票第一的前端 coding 能力，而且权重马上开源，那花几千亿美元训练闭源模型、然后收 $50 输出费用的商业模式，是在修一条收费高速公路，还是在一座即将免费的桥旁边建收费站。华尔街的反应不是说这个模型太强了，是担心这个定价让整个投资回报率的算术变得不好看了。这是第一层，第二层更有意思， Kimi 通知投资者调整架构，启动赴港 IPO，从短期不着急上市到筹备港股上市，不到一年。这个时间窗口的选择显然不是偶然， Arena 前端第一 + 华尔街震动 + CNN/彭博头版，这套组合给了 Moonshot 一个全球定价时刻，在它走向公开市场之前，让全世界的投资者都知道了它的名字，而且不是在中国 AI 追赶者的叙事里，是在能让纳斯达克跌 1% 的叙事里。 IPO 需要的是一个让承销商可以讲的故事，K3 在 24 小时内把这个故事递到了全球财经媒体的头版上。别人花几个亿做路演，Moonshot 用一次模型发布就做到了。以前 AI 模型发布的受众是开发者和从业者，现在它的受众包括华尔街交易员、半导体分析师和港股承销商。 AI 模型发布正在从技术事件变成宏观事件。这个转变一旦成立，以后每一家前沿 AI 公司的新模型发布，都不会只是开发者社区的节日，它会像上市公司的财报，不只是我们做到了什么，更是这个做到的事，让谁的假设失效了。 K3 不是第一个触发这个转变的模型，但它是第一个让发布即冲击这个范式变得如此清晰可见的。一个中国公司，把开源模型的 Arena 排名推到前端第一，然后让大洋彼岸的半导体股跌了 1%，再趁势启动自己的 IPO 筹备，感觉有点像在上演一场关于定价权的公开争夺🤔。。。。而争夺定价权最好的方式通常不是发论文，最好的方式就是让你的产品发布，直接变成别人股价的变量。

Kimi要去香港上市了，一次发布同时完成了三件事：产品更新、市场重定价、IPO 预路演，喵的真是一场伟大的操盘！！！ K3发布前脚刚砸跌纳斯达克1%，然后转头Kimi就启动港股IPO筹备，一场发布干了几个亿路演的活，真特么牛逼，背后有高人哈哈，来一起回顾这场牛逼的操盘吧： 7 月 17 日凌晨，月之暗面发了 Kimi K3，2.8 万亿参数，Arena 前端代码排名第一，即将开源。然后 24 小时内发生了两件事，第一件，华尔街半导体股开盘重挫，纳斯达克跌了 1%，标普 500 跌了 1%，CNN 和彭博社的报道标题里，中国 AI 模型冲击美股是关键词。第二件，《投资界》报道说 Kimi 已通知投资者调整公司架构，筹备赴港 IPO，最快 6 个月内完成港股上市。别人的股价在跌，自己的股价准备开始。这两件事放在一起，是不是比 2.8 万亿参数精彩多了，一个中国开源模型的 Arena 排名，能直接变成纳斯达克 1% 的跌幅，不是因为 K3 全面超越了谁，它在综合智能指数上排第四，Fable 5 在 35 项评估里赢了 22 项，并不是新王者。那华尔街在怕什么呢？我觉得怕的不是这个模型本身，他们怕的其实是前沿能力 + 开放权重 + 中国公司这个组合，对闭源 AI 万亿美元资本支出的那个底层假设，突然给了一个反面例证。那个假设很简单：最先进的 AI 能力是稀缺的，稀缺就应该贵，贵就需要巨额资本支出，巨额资本支出会带来长期的定价权。 K3 在这个假设上钻了一个空子， Arena 前端人类盲测第一，输入 $3，输出 $15，Fable 5 的输出是 $50，权重 7 月 27 日开放，之后任何人可以自己部署、微调、塞进私有工作流。如果，注意是如果啊兄弟们，$15 的输出价格就能拿到人类盲测投票第一的前端 coding 能力，而且权重马上开源，那花几千亿美元训练闭源模型、然后收 $50 输出费用的商业模式，是在修一条收费高速公路，还是在一座即将免费的桥旁边建收费站。华尔街的反应不是说这个模型太强了，是担心这个定价让整个投资回报率的算术变得不好看了。这是第一层，第二层更有意思， Kimi 通知投资者调整架构，启动赴港 IPO，从短期不着急上市到筹备港股上市，不到一年。这个时间窗口的选择显然不是偶然， Arena 前端第一 + 华尔街震动 + CNN/彭博头版，这套组合给了 Moonshot 一个全球定价时刻，在它走向公开市场之前，让全世界的投资者都知道了它的名字，而且不是在中国 AI 追赶者的叙事里，是在能让纳斯达克跌 1% 的叙事里。 IPO 需要的是一个让承销商可以讲的故事，K3 在 24 小时内把这个故事递到了全球财经媒体的头版上。别人花几个亿做路演，Moonshot 用一次模型发布就做到了。以前 AI 模型发布的受众是开发者和从业者，现在它的受众包括华尔街交易员、半导体分析师和港股承销商。 AI 模型发布正在从技术事件变成宏观事件。这个转变一旦成立，以后每一家前沿 AI 公司的新模型发布，都不会只是开发者社区的节日，它会像上市公司的财报，不只是我们做到了什么，更是这个做到的事，让谁的假设失效了。 K3 不是第一个触发这个转变的模型，但它是第一个让发布即冲击这个范式变得如此清晰可见的。一个中国公司，把开源模型的 Arena 排名推到前端第一，然后让大洋彼岸的半导体股跌了 1%，再趁势启动自己的 IPO 筹备，感觉有点像在上演一场关于定价权的公开争夺🤔。。。。而争夺定价权最好的方式通常不是发论文，最好的方式就是让你的产品发布，直接变成别人股价的变量。

AYi

88,609 次观看 • 1 个月前

说个暴论，今天之后前沿大模型的战争已经彻底换赛道了，顶级工程能力的边际成本，今天被彻底打穿了！🤯 Grok 4.5 今天正式发布，直接掀翻了前沿大模型的定价桌子。对标 Claude Opus 级别的编码与智能体能力，输入定价仅为后者五分之二，输出定价仅为其四分之一，叠加 4.2 倍的单任务 token 效率提升，再加上更快的推理速度，没有死磕通用榜单第一，直接在开发者最买单的真实生产场景里，扔下了一枚性价比核弹。这不只是单模型的胜利，更是垂直整合闭环的胜利，背后站着的也不再是孤军奋战的Elon Musk 的XAI实验室，还有SpaceXAI 的模型能力，加 Cursor 的开发者工具生态，加 SpaceX 特斯拉海量内部工程场景的三位一体飞轮，开发者工具提供真实交互数据反哺训练，场景验证真实需求分布，模型持续迭代优化，这种闭环比单纯堆参数刷通用榜单难复制得多，也更贴近真实生产力落地。但绝大多数人没看懂，token 效率才是智能体时代的真正杀手锏。大多数人只会盯着基准分数的高低较劲，却忽略了效率叠加低价的复合效应，单次问答看起来差距甚微，但在多步工具调用自我修正的完整智能体工作流里，token 消耗直接等于延迟与真金白银的成本，跑完整端到端工程项目， Grok 4.5 的实际花费可能只有 Opus 方案的十分之一，速度优势更是碾压级，这对生产部署的意义，远大于跑分多几个百分点。顶级工程能力的边际成本，今天被彻底打穿了， 2 美元输入 6 美元输出的定价，第一次把顶级编码与智能体能力，从企业级奢侈品降到了个人开发者和小团队可以放开用的价位，这会直接加速智能体 AI 从演示 demo 走向大规模生产落地，也必然倒逼头部厂商在短期内跟进调价，前沿大模型的价格战，今天才算真正拉开序幕。更恐怖的是迭代加速度，SpaceX 今年计划每月发布一款从头训练的新模型，内部海量工程数据的持续喂养，会让它的进化速度甩开传统实验室的节奏。我觉得这件事最本质的意义，是 AI 行业的竞争逻辑正在悄然转向，它不再是堆出一个全能的通用神坛模型，而是在最高价值的垂直赛道里，做到够用的智能，加极致的效率，加亲民的价格，大多数开发者日常 80% 的需求，从来不是解出世界最难的题，而是可靠地写代码调 bug 搭系统，Grok 4.5 精准命中了这个痛点。当顶级工程能力的边际成本被彻底打穿，下一波 AI 生产力的爆发，会不会比所有人预想的都要早呢？

说个暴论，今天之后前沿大模型的战争已经彻底换赛道了，顶级工程能力的边际成本，今天被彻底打穿了！🤯 Grok 4.5 今天正式发布，直接掀翻了前沿大模型的定价桌子。对标 Claude Opus 级别的编码与智能体能力，输入定价仅为后者五分之二，输出定价仅为其四分之一，叠加 4.2 倍的单任务 token 效率提升，再加上更快的推理速度，没有死磕通用榜单第一，直接在开发者最买单的真实生产场景里，扔下了一枚性价比核弹。这不只是单模型的胜利，更是垂直整合闭环的胜利，背后站着的也不再是孤军奋战的Elon Musk 的XAI实验室，还有SpaceXAI 的模型能力，加 Cursor 的开发者工具生态，加 SpaceX 特斯拉海量内部工程场景的三位一体飞轮，开发者工具提供真实交互数据反哺训练，场景验证真实需求分布，模型持续迭代优化，这种闭环比单纯堆参数刷通用榜单难复制得多，也更贴近真实生产力落地。但绝大多数人没看懂，token 效率才是智能体时代的真正杀手锏。大多数人只会盯着基准分数的高低较劲，却忽略了效率叠加低价的复合效应，单次问答看起来差距甚微，但在多步工具调用自我修正的完整智能体工作流里，token 消耗直接等于延迟与真金白银的成本，跑完整端到端工程项目， Grok 4.5 的实际花费可能只有 Opus 方案的十分之一，速度优势更是碾压级，这对生产部署的意义，远大于跑分多几个百分点。顶级工程能力的边际成本，今天被彻底打穿了， 2 美元输入 6 美元输出的定价，第一次把顶级编码与智能体能力，从企业级奢侈品降到了个人开发者和小团队可以放开用的价位，这会直接加速智能体 AI 从演示 demo 走向大规模生产落地，也必然倒逼头部厂商在短期内跟进调价，前沿大模型的价格战，今天才算真正拉开序幕。更恐怖的是迭代加速度，SpaceX 今年计划每月发布一款从头训练的新模型，内部海量工程数据的持续喂养，会让它的进化速度甩开传统实验室的节奏。我觉得这件事最本质的意义，是 AI 行业的竞争逻辑正在悄然转向，它不再是堆出一个全能的通用神坛模型，而是在最高价值的垂直赛道里，做到够用的智能，加极致的效率，加亲民的价格，大多数开发者日常 80% 的需求，从来不是解出世界最难的题，而是可靠地写代码调 bug 搭系统，Grok 4.5 精准命中了这个痛点。当顶级工程能力的边际成本被彻底打穿，下一波 AI 生产力的爆发，会不会比所有人预想的都要早呢？

AYi

45,534 次观看 • 1 个月前