Loading video...

Video Failed to Load

Go Home

实测阶跃星辰 Step 3.7 Flash 大模型 在 Claude Code 工作流里的表现不俗 最近看到阶跃星辰5月29日开源的 Step 3.7 Flash，最大的标签就是快——最高约 400 Token/s。底层是稀疏 MoE 架构，196B 总参、激活仅 11B，还内置 1.8B ViT 原生支持视觉理解，能直接读懂 UI 截图、图表和文档，再转化成可执行任务。 在同级别开源模型普遍还不支持多模态的当下，这一点本身就很稀缺。但更让我感兴趣的是官方的定位——为生产级 AI Agent 打造的高效 Flash 模型。这句话含金量很高，所以我直接上手测了三个场景： 1、给四张网易云音乐客户端截图，让它根据图片生成一个还原度尽量高的网站——主要验证多模态图片理解能力（如视频所示）。 2、给一个 URL，让它抓取页面内容后生成对应网站——测试结合工具链的端到端能力。 3、给一张动效 GIF，让它复刻成网页版动画效果——看它对动态视觉信息的拆解能力。 最后这是StepFun 两个平台地址，评论区还有两个demo，有兴趣的也可以继续看看 阶跃星辰海外平台： 阶跃星辰国内平台：

aehyok's profile picture

AI少年

9,647 subscribers

33,550 views • 3 months ago •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

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：
4:53

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 views • 3 months ago

发现一个很离谱的模型，400 TPS 的输出速度，比 DeepSeek-V4 Flash 快 2 倍多 还有超强的多模态理解 + 搜索检索 + 推理综合，这居然是一个 Flash 模型能同时做到的 我让它帮我写了一个竞品分析 Agent： 输入一张产品官网截图，自动完成"读图提取 → 搜索市场数据 → 输出竞争分析"的全流程。 然后用 Cursor 的定价页试了一下，不到一分钟跑完，花了一毛多： 它先读懂了整个页面（四档定价 × 各档功能差异 × 推荐标签与社会证明），提取出完整的结构化数据。 然后自己决定搜什么，自动生成搜索 query 去查竞品定价、用户评价、市场对比。 最后综合视觉提取 + 搜索结果，给了我完整的竞争分析：定价对比、竞品定位差异、真实壁垒在哪里、切入建议。 这个模型就是 StepFun 的 step-3.7-flash，多模态 + 搜索 + 推理一体化内嵌在模型里，如果你在构建 AI Agent、编码工作流或多模态系统，Step 3.7 Flash 很推荐大家尝试一下： Step海外平台： Step国内平台：
3:32

发现一个很离谱的模型，400 TPS 的输出速度，比 DeepSeek-V4 Flash 快 2 倍多 还有超强的多模态理解 + 搜索检索 + 推理综合，这居然是一个 Flash 模型能同时做到的 我让它帮我写了一个竞品分析 Agent： 输入一张产品官网截图，自动完成"读图提取 → 搜索市场数据 → 输出竞争分析"的全流程。 然后用 Cursor 的定价页试了一下，不到一分钟跑完，花了一毛多： 它先读懂了整个页面（四档定价 × 各档功能差异 × 推荐标签与社会证明），提取出完整的结构化数据。 然后自己决定搜什么，自动生成搜索 query 去查竞品定价、用户评价、市场对比。 最后综合视觉提取 + 搜索结果，给了我完整的竞争分析：定价对比、竞品定位差异、真实壁垒在哪里、切入建议。 这个模型就是 StepFun 的 step-3.7-flash，多模态 + 搜索 + 推理一体化内嵌在模型里，如果你在构建 AI Agent、编码工作流或多模态系统，Step 3.7 Flash 很推荐大家尝试一下： Step海外平台： Step国内平台：

余温

41,274 views • 3 months ago

Flux3真的很强！ 终于看到有模型可以有机会挑战Seedance2.0了 FLUX 3 = 更强的多模态生成模型，核心是把图像、视频、音频放进同一个世界模型里 主打图像、视频、音频和动作预测的统一架构。 它的早期能力重点放在视频生成上，支持最长 20 秒、带原生音频的生成，并且还在推进图像生成与编辑能力 开源模型，假以时日优化优化，可以无限接近和挑战Seedance2.0这种商业模型了
0:20

Flux3真的很强！ 终于看到有模型可以有机会挑战Seedance2.0了 FLUX 3 = 更强的多模态生成模型，核心是把图像、视频、音频放进同一个世界模型里 主打图像、视频、音频和动作预测的统一架构。 它的早期能力重点放在视频生成上，支持最长 20 秒、带原生音频的生成，并且还在推进图像生成与编辑能力 开源模型，假以时日优化优化，可以无限接近和挑战Seedance2.0这种商业模型了

huangserva

28,605 views • 1 month ago

牛P了 Vidu 的 Reference-to-Video 功能 支持一次性上传最多 7 张参考图片 并结合一段文字提示，生成具有高度一致性、风格统一、视觉保真度高的视频内容 参考图可以是人物、场景、道具等任意内容 下面是我的测试介绍... 利用 Vidu Q1 模型的多模态对齐机制 能实现结构保持、纹理迁移、风格还原同步完成 模型还会根据参考图和 Prompt 自动进行智能镜头推演，构建“视觉叙事”结构，如推镜头、平移、场景切换等 这是目前行业内首个支持多图引用、并具有角色/场景一致性的开放式视频生成工具。 下面是教程
1:24

牛P了 Vidu 的 Reference-to-Video 功能 支持一次性上传最多 7 张参考图片 并结合一段文字提示，生成具有高度一致性、风格统一、视觉保真度高的视频内容 参考图可以是人物、场景、道具等任意内容 下面是我的测试介绍... 利用 Vidu Q1 模型的多模态对齐机制 能实现结构保持、纹理迁移、风格还原同步完成 模型还会根据参考图和 Prompt 自动进行智能镜头推演，构建“视觉叙事”结构，如推镜头、平移、场景切换等 这是目前行业内首个支持多图引用、并具有角色/场景一致性的开放式视频生成工具。 下面是教程

小互

44,341 views • 1 year ago

前端设计这一块谷歌是真没问题！我用Gemini 3.5 Flash做了个3D飞机模型展览，太帅了呀！ ​ 制作方法：​ 1.GPT2-image生生成正视图、背视图、左视图和右视图 2.3D模型生成​，注意需要用纹理 3.UI预览图生成​，调用Codex内置GPT2-image即可 4.用Gemini 3.5 Flash生成网站​ ​ 生成网站这一步在Google AI Studio上传不了3D模型的glb文件，所以就必须要调API在本地做个网站了。 我是在Zenmux调用的，大家应该对Zenmux也不陌生，就是那个一有新模型就免费给大家玩的网站。​ ​ 它提供一个KEY调用所有顶级大模型的功能，不仅可以用Gemini 3.5 Flash绘制前端，如果有小BUG，还可以再切换到GPT5.5或Oplu4.7进行修复，使用非常丝滑！​ ​ 想先免费试一试下 Gemini 3.5 Flash的能力？ 壕气冲天的Zenmux现在直接免费送一周TOKEN（有限额）！ 传送门直达：
0:41

前端设计这一块谷歌是真没问题！我用Gemini 3.5 Flash做了个3D飞机模型展览，太帅了呀！ ​ 制作方法：​ 1.GPT2-image生生成正视图、背视图、左视图和右视图 2.3D模型生成​，注意需要用纹理 3.UI预览图生成​，调用Codex内置GPT2-image即可 4.用Gemini 3.5 Flash生成网站​ ​ 生成网站这一步在Google AI Studio上传不了3D模型的glb文件，所以就必须要调API在本地做个网站了。 我是在Zenmux调用的，大家应该对Zenmux也不陌生，就是那个一有新模型就免费给大家玩的网站。​ ​ 它提供一个KEY调用所有顶级大模型的功能，不仅可以用Gemini 3.5 Flash绘制前端，如果有小BUG，还可以再切换到GPT5.5或Oplu4.7进行修复，使用非常丝滑！​ ​ 想先免费试一试下 Gemini 3.5 Flash的能力？ 壕气冲天的Zenmux现在直接免费送一周TOKEN（有限额）！ 传送门直达：

逸尘

43,295 views • 3 months ago

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。
0:52

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

给大家分享一个用Codex优化前端UI的方法，贼好用！ 也是GPT-5.6真滴吊。 我优化我们前两天开源的workbuddy蓝皮书官网UI就是这么干的。也是近期我在AI上的一个ah moment。 我的经验是开发一个网站，可以先只管功能，还有页面布局。这些搞定之后，再来优化前端UI。 否则你可能一开始就会在UI上卡很久。 如果没有灵感，可以去各大前端模板网站上去找，找你喜欢的网页。 前端模板网站： 以上是我收集的几个前端模版站点，效果挺🐂🍺的。应该还有更多模板站，欢迎各位大佬评论区分享一下 找到你喜欢的模板，可以截图丢给codex，用GPT-5.6 Sol 极高，告诉它 参考截图的风格，设计网站的UI。 设计完，让它把效果图画出来，然后，你挑一个满意的图。就可以切换成GPT-5.6 Sol 中，开干啦～ 最后，欢迎大家参与workbuddy蓝皮书的共创！ 蓝皮书开源地址： 官网：
1:14

给大家分享一个用Codex优化前端UI的方法，贼好用！ 也是GPT-5.6真滴吊。 我优化我们前两天开源的workbuddy蓝皮书官网UI就是这么干的。也是近期我在AI上的一个ah moment。 我的经验是开发一个网站，可以先只管功能，还有页面布局。这些搞定之后，再来优化前端UI。 否则你可能一开始就会在UI上卡很久。 如果没有灵感，可以去各大前端模板网站上去找，找你喜欢的网页。 前端模板网站： 以上是我收集的几个前端模版站点，效果挺🐂🍺的。应该还有更多模板站，欢迎各位大佬评论区分享一下 找到你喜欢的模板，可以截图丢给codex，用GPT-5.6 Sol 极高，告诉它 参考截图的风格，设计网站的UI。 设计完，让它把效果图画出来，然后，你挑一个满意的图。就可以切换成GPT-5.6 Sol 中，开干啦～ 最后，欢迎大家参与workbuddy蓝皮书的共创！ 蓝皮书开源地址： 官网：

袋鼠帝

62,027 views • 1 month ago

最近发现之前推荐过的 Midreal AI 互动小说游戏更新了网页版本，不需要在 Discord 里面使用了。 我尝试了一下将每句话都生成图片做视频小说，效果很不错。 这次升级非常强大，Midreal已经不只是小说生成工具，正在朝着互动式内容消费平台进化。 网页版本的Midreal每一句话都可以生成对应的图片，现在还是免费的，做互动小说生成视频搞流量也不错，还没有原创性问题。 每句都能生成图片之后，比之前到分支的时候才生成会强非常多，图片从原来的DALL-E3 变成了他们自己训练的 SD 模型，图像质量和提示词遵循都比之前强很多。 除了支持生成图片之外，现在网页版的Midreal分享功能也非常好用，分享出去就是一个带插图的完整小说页面，阅读体验很不错，还有评论和转发能力。 他们自己训练的图像模型现在也有一个专门的页面可以使用，只用来生成图片也是可以的。 感觉模型能力也有了比较大的提升，之前中文的小说都会有逻辑问题，这次尝试之后好了很多。 这里尝试网页版Midreal：
4:20

最近发现之前推荐过的 Midreal AI 互动小说游戏更新了网页版本，不需要在 Discord 里面使用了。 我尝试了一下将每句话都生成图片做视频小说，效果很不错。 这次升级非常强大，Midreal已经不只是小说生成工具，正在朝着互动式内容消费平台进化。 网页版本的Midreal每一句话都可以生成对应的图片，现在还是免费的，做互动小说生成视频搞流量也不错，还没有原创性问题。 每句都能生成图片之后，比之前到分支的时候才生成会强非常多，图片从原来的DALL-E3 变成了他们自己训练的 SD 模型，图像质量和提示词遵循都比之前强很多。 除了支持生成图片之外，现在网页版的Midreal分享功能也非常好用，分享出去就是一个带插图的完整小说页面，阅读体验很不错，还有评论和转发能力。 他们自己训练的图像模型现在也有一个专门的页面可以使用，只用来生成图片也是可以的。 感觉模型能力也有了比较大的提升，之前中文的小说都会有逻辑问题，这次尝试之后好了很多。 这里尝试网页版Midreal：

歸藏(guizang.ai)

48,993 views • 2 years ago

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

53,749 views • 1 month ago

阶跃星辰开源了一个130B 语音-文本的多模态模型 ：Step-Audio 这是一个集成语音识别、语义理解、对话生成、语音克隆、音频编辑和语音合成等功能的全能语音模型。 该模型通过多模态训练，使得语音理解与生成可以无缝对接。 主要能力： 语音克隆 支持多种语言对话（中文英日） 情绪控制与语调控制 支持方言 可控制语速及韵律风格 支持RAP和哼唱等 集成了工具调用和角色扮演能力，能够高效管理复杂的任务和对话。 Step-Audio 在多个基准测试中表现出色，尤其是在开放域问答、复杂指令任务和语音合成（TTS）方面取得了显著的进展。
1:35

阶跃星辰开源了一个130B 语音-文本的多模态模型 ：Step-Audio 这是一个集成语音识别、语义理解、对话生成、语音克隆、音频编辑和语音合成等功能的全能语音模型。 该模型通过多模态训练，使得语音理解与生成可以无缝对接。 主要能力： 语音克隆 支持多种语言对话（中文英日） 情绪控制与语调控制 支持方言 可控制语速及韵律风格 支持RAP和哼唱等 集成了工具调用和角色扮演能力，能够高效管理复杂的任务和对话。 Step-Audio 在多个基准测试中表现出色，尤其是在开放域问答、复杂指令任务和语音合成（TTS）方面取得了显著的进展。

小互

35,901 views • 1 year ago

我拿 OpenAI Codex 桌面端截了一张图，丢给蚂蚁百灵刚开源的 Ling-3.0-flash-VL。 没拆布局，没写组件清单。 提示词就这一段： 「这是 Codex 桌面端截图。请高度还原成可运行的单文件 HTML。对齐窗口结构、侧边栏、主对话区、输入框、配色、字号、间距和圆角。能看清的文字按原样还原。先渲染一版，再和原图逐项对比，哪里不像改哪里。」 会看图写代码的模型不少。 会盯着 Codex 这种桌面客户端界面，对着自己的渲染结果改到像的，不多。 Ling-3.0-flash-VL 是百灵系列第一个原生多模态模型，在 Ling-3.0-flash 上加了视觉理解和视觉 Agent。 总参数 124B，激活大约 5.5B，支持图、文、视频，上下文 256K。 它不是看完图一次性交卷，而是走「观察 → 行动 → 验证 → 修正」： 截图还原界面，对照渲染结果自己改 当 GUI Agent，点、输、滚、切应用 看视频提问、检索片段 读文档、看医疗报告、做 STEM 视觉推理 前端这块，Image-to-WebDev Arena 成绩高于 GPT-5.4。 纯文本版 AA Index 是 38，加上视觉后到了 42。 你也试一下，3 步就够： 打开 Ling Studio，选 Ling-3.0-flash-VL（免费） 丢一张 Codex / VS Code / 你常用软件的桌面截图 把下面提示词贴进去，看它怎么还原、怎么改 还原提示词（可直接复制）： 这是一张 Codex 桌面端界面截图。请把它高度还原成可直接运行的单文件 HTML。 按桌面应用还原，不要做成网页落地页，也不要做成 ChatGPT 网页版或 VS Code 对齐标题栏、侧边栏会话列表、主对话区、工具调用/代码块、底部输入框 配色、字号、间距、圆角、分割线、栏宽尽量贴近原图 原图能看清的文字按原样还原；看不清的用同等长度占位 先出第一版并渲染，再和原图对比对齐、颜色、组件位置 列出差异后改第二版，直到气质接近 Codex 桌面端 权重已开源，BF16 / FP8 都能下： Hugging Face： ModelScope： 官方介绍： Ant Ling 别只看评测表，丢一张你桌面上的截图，比什么都准。
1:11

我拿 OpenAI Codex 桌面端截了一张图，丢给蚂蚁百灵刚开源的 Ling-3.0-flash-VL。 没拆布局，没写组件清单。 提示词就这一段： 「这是 Codex 桌面端截图。请高度还原成可运行的单文件 HTML。对齐窗口结构、侧边栏、主对话区、输入框、配色、字号、间距和圆角。能看清的文字按原样还原。先渲染一版，再和原图逐项对比，哪里不像改哪里。」 会看图写代码的模型不少。 会盯着 Codex 这种桌面客户端界面，对着自己的渲染结果改到像的，不多。 Ling-3.0-flash-VL 是百灵系列第一个原生多模态模型，在 Ling-3.0-flash 上加了视觉理解和视觉 Agent。 总参数 124B，激活大约 5.5B，支持图、文、视频，上下文 256K。 它不是看完图一次性交卷，而是走「观察 → 行动 → 验证 → 修正」： 截图还原界面，对照渲染结果自己改 当 GUI Agent，点、输、滚、切应用 看视频提问、检索片段 读文档、看医疗报告、做 STEM 视觉推理 前端这块，Image-to-WebDev Arena 成绩高于 GPT-5.4。 纯文本版 AA Index 是 38，加上视觉后到了 42。 你也试一下，3 步就够： 打开 Ling Studio，选 Ling-3.0-flash-VL（免费） 丢一张 Codex / VS Code / 你常用软件的桌面截图 把下面提示词贴进去，看它怎么还原、怎么改 还原提示词（可直接复制）： 这是一张 Codex 桌面端界面截图。请把它高度还原成可直接运行的单文件 HTML。 按桌面应用还原，不要做成网页落地页，也不要做成 ChatGPT 网页版或 VS Code 对齐标题栏、侧边栏会话列表、主对话区、工具调用/代码块、底部输入框 配色、字号、间距、圆角、分割线、栏宽尽量贴近原图 原图能看清的文字按原样还原；看不清的用同等长度占位 先出第一版并渲染，再和原图对比对齐、颜色、组件位置 列出差异后改第二版，直到气质接近 Codex 桌面端 权重已开源，BF16 / FP8 都能下： Hugging Face： ModelScope： 官方介绍： Ant Ling 别只看评测表，丢一张你桌面上的截图，比什么都准。

程序员端哥

12,293 views • 1 day ago

开源分解图层大模型这么快就来了? 给大家带来阿里刚刚发布的 Qwen-Image-Layered 模型实测, 这是一个可以把图片分成不同图层的大模型, 模型是基于 Qwen-Image 微调的. 本次我的测试覆盖这个模型的擅长场景(海报), 指令遵循测试(指定抽取目标), 边缘处理(头发), 极限测试(全是贴纸, 一个贴纸一个图层的话可以抽取50多个图层). 直接说结论, 首先还是模型太大了, 因为这个模型基于 Qwen-Image 所以是个20B的模型, 我是用HuggingFace Zero GPU 测试, 每次运行大概2分钟左右, 模型的确可以做到分离图层, 而且边缘处理很不错, 不过稳定性有待优化, 在我测试中4个图层可以输出, 但是8个或者10个图层就炸了, 怀疑可能是超过了Zero GPU超时或者bug (GPU是H200, 不太可能爆显存), 输出尺寸只有 544*736, 官方也推荐640分辨力, 这点也需要提升, 以及模型还是太大了, 20B, 希望能优化下尺寸.
1:26

开源分解图层大模型这么快就来了? 给大家带来阿里刚刚发布的 Qwen-Image-Layered 模型实测, 这是一个可以把图片分成不同图层的大模型, 模型是基于 Qwen-Image 微调的. 本次我的测试覆盖这个模型的擅长场景(海报), 指令遵循测试(指定抽取目标), 边缘处理(头发), 极限测试(全是贴纸, 一个贴纸一个图层的话可以抽取50多个图层). 直接说结论, 首先还是模型太大了, 因为这个模型基于 Qwen-Image 所以是个20B的模型, 我是用HuggingFace Zero GPU 测试, 每次运行大概2分钟左右, 模型的确可以做到分离图层, 而且边缘处理很不错, 不过稳定性有待优化, 在我测试中4个图层可以输出, 但是8个或者10个图层就炸了, 怀疑可能是超过了Zero GPU超时或者bug (GPU是H200, 不太可能爆显存), 输出尺寸只有 544*736, 官方也推荐640分辨力, 这点也需要提升, 以及模型还是太大了, 20B, 希望能优化下尺寸.

karminski-牙医

14,175 views • 8 months ago

Phone Harness 最近火了以后，大家开始意识到 Agent 终于可以真的操作手机了。 Phone Harness 的路线过于极客。 它需要 Mac 和本地 iPhone，通过 iPhone Mirroring 把手机画面交给 Claude Code 或 Codex，再通过截图和 OCR 理解屏幕内容，最后模拟点击、滑动和输入去操作这台 iPhone。 但同样是 Phone Agent，我觉得 Airtap 把场景往外扩了一层。 它不只是给 Agent 一个遥控手机的能力，而是真的给 Agent 配了一台完整的云端 Android。 我想看看这台 Android 到底能走多远，就给 Airtap Ai 的公开测试号 +1 (650) 444-9517 发了条 iMessage，让它直接打开 Termux 跑 Python。 这件事有意思的地方在于，Airtap 后面跑的本来就是完整 Android。 所以不只是能打开 TikTok、Amazon、Google 这些 App。 还可以直接装 Termux，Termux 本身就是 Android 上的终端和 Linux 环境。 打开以后运行 pkg install python 就能把 Python 环境装进去。 到这里，这台远程手机就多了一层完全不同的能力。 它不只可以点 App。 还可以直接成为一个远程代码执行环境。 这次我让它用 Python 获取 Hacker News 当前 Top 100 热门帖子，从里面筛出 AI、LLM、Agent、AI Coding 相关内容，再根据 score 和评论数排序，最后生成一份 HTML 报告。 整个过程都发生在远程 Android 里。 Airtap 打开 Termux，跑 Python，获取数据，处理结果，再生成 ai_hn_report.html。 报告完成以后，它还能把 HTML 打开，截图，再直接通过 iMessage 把图片发回来。 这也是我觉得 Airtap 和 Phone Harness 虽然都在做 Phone Agent，但使用边界很不一样的地方。 Phone Harness 更像是让 Claude Code 或 Codex 获得操作本地 iPhone 的能力。 Airtap 更像是直接给 Agent 一台可以自己干活的 Android。 App 是它的 GUI，Termux 是它的命令行，iMessage 是我给这台手机派任务的入口。 它可以去 App 里点，也可以进终端跑 Python。 可以抓数据，可以处理文件，可以生成 HTML，最后还能把图片和结果直接发回消息里。 所以比起 AI 终于会点手机了，我现在更感兴趣的是另一件事。 当 Agent 自己拥有一台完整的手机以后，还有多少原本需要电脑和手机来回切换的工作，可以直接丢给它
0:52

Phone Harness 最近火了以后，大家开始意识到 Agent 终于可以真的操作手机了。 Phone Harness 的路线过于极客。 它需要 Mac 和本地 iPhone，通过 iPhone Mirroring 把手机画面交给 Claude Code 或 Codex，再通过截图和 OCR 理解屏幕内容，最后模拟点击、滑动和输入去操作这台 iPhone。 但同样是 Phone Agent，我觉得 Airtap 把场景往外扩了一层。 它不只是给 Agent 一个遥控手机的能力，而是真的给 Agent 配了一台完整的云端 Android。 我想看看这台 Android 到底能走多远，就给 Airtap Ai 的公开测试号 +1 (650) 444-9517 发了条 iMessage，让它直接打开 Termux 跑 Python。 这件事有意思的地方在于，Airtap 后面跑的本来就是完整 Android。 所以不只是能打开 TikTok、Amazon、Google 这些 App。 还可以直接装 Termux，Termux 本身就是 Android 上的终端和 Linux 环境。 打开以后运行 pkg install python 就能把 Python 环境装进去。 到这里，这台远程手机就多了一层完全不同的能力。 它不只可以点 App。 还可以直接成为一个远程代码执行环境。 这次我让它用 Python 获取 Hacker News 当前 Top 100 热门帖子，从里面筛出 AI、LLM、Agent、AI Coding 相关内容，再根据 score 和评论数排序，最后生成一份 HTML 报告。 整个过程都发生在远程 Android 里。 Airtap 打开 Termux，跑 Python，获取数据，处理结果，再生成 ai_hn_report.html。 报告完成以后，它还能把 HTML 打开，截图，再直接通过 iMessage 把图片发回来。 这也是我觉得 Airtap 和 Phone Harness 虽然都在做 Phone Agent，但使用边界很不一样的地方。 Phone Harness 更像是让 Claude Code 或 Codex 获得操作本地 iPhone 的能力。 Airtap 更像是直接给 Agent 一台可以自己干活的 Android。 App 是它的 GUI，Termux 是它的命令行，iMessage 是我给这台手机派任务的入口。 它可以去 App 里点，也可以进终端跑 Python。 可以抓数据，可以处理文件，可以生成 HTML，最后还能把图片和结果直接发回消息里。 所以比起 AI 终于会点手机了，我现在更感兴趣的是另一件事。 当 Agent 自己拥有一台完整的手机以后，还有多少原本需要电脑和手机来回切换的工作，可以直接丢给它

白骏知识分享

59,190 views • 29 days ago

Pixel2Motion，一个能把静态 logo 直接变成矢量动画的开源工具 丢一张 PNG 或 JPG 进去，它先用 AI 把像素图转成矢量路径，然后自动生成动画效果，输出无损的 SVG 有几个细节挺讲究的： -转矢量的时候会跟原图做叠拼误差校验，反复迭代直到还原度够高 -动画生成遵循迪士尼动画12法则，所以动起来的节奏感不像是随便加的 -输出格式支持 SVG、HTML代码、GIF、视频 它本身是一个开源的 Codex 和 Claude 技能，也兼容其他多模态 Agent 以前给 logo 加动画要在 After Effects 里一帧帧调，现在一个命令就出来了 GitHub 地址放在评论区了 做设计或者前端的可以看看，尤其是经常被甲方要求"logo能不能动一下"的
0:29

Pixel2Motion，一个能把静态 logo 直接变成矢量动画的开源工具 丢一张 PNG 或 JPG 进去，它先用 AI 把像素图转成矢量路径，然后自动生成动画效果，输出无损的 SVG 有几个细节挺讲究的： -转矢量的时候会跟原图做叠拼误差校验，反复迭代直到还原度够高 -动画生成遵循迪士尼动画12法则，所以动起来的节奏感不像是随便加的 -输出格式支持 SVG、HTML代码、GIF、视频 它本身是一个开源的 Codex 和 Claude 技能，也兼容其他多模态 Agent 以前给 logo 加动画要在 After Effects 里一帧帧调，现在一个命令就出来了 GitHub 地址放在评论区了 做设计或者前端的可以看看，尤其是经常被甲方要求"logo能不能动一下"的

Vincent

22,553 views • 2 months ago

给大家带来 Qwen3.7-Max 实测! 这次使用了全新的前端测试集, 直接说结论, Qwen3.7-Max 应该是之前测试过的版本中进步特别大的一个, 甚至这次前端测试能完成之前3.6版本不能完成的测试项目. 而且后端能力测试直接刷了个榜一! 它是参与测试的34个模型中唯一一个实现了 IVF-PQ + ADC 索引方案的模型! 直接把后端测试从之前 GPT-5.5-Pro(xhigh) 的4000分拉到了现在的6947分! 不过需要注意的是, 它的测试表现分布并不是很稳定, 所以建议使用中要多review代码, 来达成更高的输出质量. 另外, 本次 Agent 能力也有提升, 达到了第一梯队的水平. 最后, 我还用 Qwen3.7-Max 实现了一个基于AI的磁盘恢复系统, 用来测试模型的实际工程能力. 编写过程很顺畅, 没有遇到阻碍, 大家可以直接看视频里的效果. #qwen #阿里千问 #qwen37max #AIAgent
7:35

给大家带来 Qwen3.7-Max 实测! 这次使用了全新的前端测试集, 直接说结论, Qwen3.7-Max 应该是之前测试过的版本中进步特别大的一个, 甚至这次前端测试能完成之前3.6版本不能完成的测试项目. 而且后端能力测试直接刷了个榜一! 它是参与测试的34个模型中唯一一个实现了 IVF-PQ + ADC 索引方案的模型! 直接把后端测试从之前 GPT-5.5-Pro(xhigh) 的4000分拉到了现在的6947分! 不过需要注意的是, 它的测试表现分布并不是很稳定, 所以建议使用中要多review代码, 来达成更高的输出质量. 另外, 本次 Agent 能力也有提升, 达到了第一梯队的水平. 最后, 我还用 Qwen3.7-Max 实现了一个基于AI的磁盘恢复系统, 用来测试模型的实际工程能力. 编写过程很顺畅, 没有遇到阻碍, 大家可以直接看视频里的效果. #qwen #阿里千问 #qwen37max #AIAgent

karminski-牙医

10,513 views • 3 months ago

Kimi-K2.6 前端/后端/Agent编程能力实测! 甚至还帮我做了个游戏! 给大家带来刚刚正式发布的 kimi-k2.6 的正式版本的实测! 本次为了考验它的长程Agentic Coding能力, 我用 kimi-k2.6-code-preview 写了个 harness 游戏自动生成框架, 它可以根据给到的人设/场景/数值设计等规则, 自动生成关卡, 背景图片, 甚至配音! 其中框架驱动和草稿模型使用 kimi-k2.6, 文生图和生成语音由 kimi-k2.6 生成 prompt 后调用其它大模型生成. 最好玩的是, 我做了个"无头"版本的游戏cli接口, kimi-k2.6 能像玩互联网早期Mud游戏一样, 使用纯文本玩这个游戏, 每当它生成关卡之后, 他就可以直接进入游戏游玩一下, 来验证关卡设计得是否正确. 而内部设计又分为了对话生成skill, 脚本生成skill, 关卡生成skill, 游戏测试大师skill, 游戏资深玩家skill(由于检讨游戏性) 等等, 从而实现了让大模型自己写游戏自己玩! 每个关卡大概需要一个小时生成和验证, 如果并行验证应该还能更快一些(做多线程BFS/DFS). 另外本次依旧使用大家都熟悉的测试项目进行了前端/后端/Agent能力测试, 从测试来看, 复杂项目前端能力(建模, 空间理解, 物理模拟等)略有下降, 但后端和 Agent 能力有明显提升. 不过如果你是纯做网站的话, 可以用 kimi 网站上的的 k2.6 Agent 模式, 由于 Agent 能力足够强所以可以在这个模式下多步来提升生成的网站质量和交互体验. #kimi #kimik26 #moonshot #月之暗面 #kimicli
9:03

Kimi-K2.6 前端/后端/Agent编程能力实测! 甚至还帮我做了个游戏! 给大家带来刚刚正式发布的 kimi-k2.6 的正式版本的实测! 本次为了考验它的长程Agentic Coding能力, 我用 kimi-k2.6-code-preview 写了个 harness 游戏自动生成框架, 它可以根据给到的人设/场景/数值设计等规则, 自动生成关卡, 背景图片, 甚至配音! 其中框架驱动和草稿模型使用 kimi-k2.6, 文生图和生成语音由 kimi-k2.6 生成 prompt 后调用其它大模型生成. 最好玩的是, 我做了个"无头"版本的游戏cli接口, kimi-k2.6 能像玩互联网早期Mud游戏一样, 使用纯文本玩这个游戏, 每当它生成关卡之后, 他就可以直接进入游戏游玩一下, 来验证关卡设计得是否正确. 而内部设计又分为了对话生成skill, 脚本生成skill, 关卡生成skill, 游戏测试大师skill, 游戏资深玩家skill(由于检讨游戏性) 等等, 从而实现了让大模型自己写游戏自己玩! 每个关卡大概需要一个小时生成和验证, 如果并行验证应该还能更快一些(做多线程BFS/DFS). 另外本次依旧使用大家都熟悉的测试项目进行了前端/后端/Agent能力测试, 从测试来看, 复杂项目前端能力(建模, 空间理解, 物理模拟等)略有下降, 但后端和 Agent 能力有明显提升. 不过如果你是纯做网站的话, 可以用 kimi 网站上的的 k2.6 Agent 模式, 由于 Agent 能力足够强所以可以在这个模式下多步来提升生成的网站质量和交互体验. #kimi #kimik26 #moonshot #月之暗面 #kimicli

karminski-牙医

40,177 views • 4 months ago

预测真实世界下一秒 北京智源研究院推出全新的多模态世界模型：Emu3.5 很多传统图像生成模型的主要问题是： 它们“不懂世界”运行的规律，无法理解真实世界的物理规则和因果关系。 Emu3.5在传统图像生成的基础上，进一步让AI具备： 理解真实世界的空间关系 推理物体随时间变化的规律 预测“世界下一秒”会是什么样 不同于以往为图像、文字、视频分开设计模型，Emu3.5 将它们全部“统一”在一个系统中： 首先把多模态信息包括图文视频都统一成了token； 模型通过“预测下一个 token”来学习不同模态间的关系； 任务统一为 NSP：预测下一个世界状态（包括视觉和语言）。 Emu3.5 不再只关注“文本之间的逻辑”， 而是让模型学习“世界是如何变化的”。 意思就是它不再区分： 这是一张图 这是一句话 这是视频的一帧 在它眼里，它们都是同一套“世界积木”。 然后模型只做一件事： 预测下一块积木是什么 如果下一块积木是一行字 → 它补全文字 如果是下一帧画面 → 它补全动作 如果是下一步结果 → 它推演世界变化 所以： 预测下一 Token = 预测“世界下一秒”会是什么样
2:10

预测真实世界下一秒 北京智源研究院推出全新的多模态世界模型：Emu3.5 很多传统图像生成模型的主要问题是： 它们“不懂世界”运行的规律，无法理解真实世界的物理规则和因果关系。 Emu3.5在传统图像生成的基础上，进一步让AI具备： 理解真实世界的空间关系 推理物体随时间变化的规律 预测“世界下一秒”会是什么样 不同于以往为图像、文字、视频分开设计模型，Emu3.5 将它们全部“统一”在一个系统中： 首先把多模态信息包括图文视频都统一成了token； 模型通过“预测下一个 token”来学习不同模态间的关系； 任务统一为 NSP：预测下一个世界状态（包括视觉和语言）。 Emu3.5 不再只关注“文本之间的逻辑”， 而是让模型学习“世界是如何变化的”。 意思就是它不再区分： 这是一张图 这是一句话 这是视频的一帧 在它眼里，它们都是同一套“世界积木”。 然后模型只做一件事： 预测下一块积木是什么 如果下一块积木是一行字 → 它补全文字 如果是下一帧画面 → 它补全动作 如果是下一步结果 → 它推演世界变化 所以： 预测下一 Token = 预测“世界下一秒”会是什么样

小互

14,792 views • 9 months ago