Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

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：

AI少年

8,098 subscribers

33,021 просмотров • 1 месяц назад •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

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

12,104 просмотров • 1 месяц назад

把网站录下来给AI看, AI能照着做出来吗? 刚刚看到了个炫酷的灯具网站, 它有个功能是点击按钮直接能看到灯点亮的效果, 甚至网站的配色也会暗淡下来, 特别有氛围. 我突然想到, 这样的网站, 如果要让AI来做, 该怎么办? 把源代码拷给它? 用一个巨复杂的 prompt 来完成? 有没有可能, 我录个视频, 展示一下这个"关灯"的效果, 然后让AI来按照视频来写网站? 于是, 这个重任就交给了今天测试的模型, 百度刚出的文心-5.0-preview, 全模态大模型, 这个模型同时支持文本, 图片, 音频, 视频作为输入, 然后可以生成文本和图片, 所以我们这个测试可以最大化的利用它的能力. 我先录制了网站的效果, 然后写了prompt作为补充, 告诉它这个效果是怎样的, 以及准备的图片材料在哪里. 值得一提的是, 网站所展示的图片也是我用文心-5.0-preview生成的. 大家可以看视频中我生成的效果. 直接说测试结论: 目前每个模态都是可用的, 而且模态之间关联性非常好, 我测试了视频+文本, 图片+文本, 图片+语音, 都可以完成任务. 当然测试也发现了一些问题, 比如 token 输出速度不是特别快, 以及偶尔会有超时问题(已反馈给百度的同学). 我的使用建议是, 多利用它的多模态能力, 来完成之前不敢想象的任务, 它真的提升了使用场景的天花板. #文心大模型 #文心5 #百度 #文心一言 #ai教程

把网站录下来给AI看, AI能照着做出来吗? 刚刚看到了个炫酷的灯具网站, 它有个功能是点击按钮直接能看到灯点亮的效果, 甚至网站的配色也会暗淡下来, 特别有氛围. 我突然想到, 这样的网站, 如果要让AI来做, 该怎么办? 把源代码拷给它? 用一个巨复杂的 prompt 来完成? 有没有可能, 我录个视频, 展示一下这个"关灯"的效果, 然后让AI来按照视频来写网站? 于是, 这个重任就交给了今天测试的模型, 百度刚出的文心-5.0-preview, 全模态大模型, 这个模型同时支持文本, 图片, 音频, 视频作为输入, 然后可以生成文本和图片, 所以我们这个测试可以最大化的利用它的能力. 我先录制了网站的效果, 然后写了prompt作为补充, 告诉它这个效果是怎样的, 以及准备的图片材料在哪里. 值得一提的是, 网站所展示的图片也是我用文心-5.0-preview生成的. 大家可以看视频中我生成的效果. 直接说测试结论: 目前每个模态都是可用的, 而且模态之间关联性非常好, 我测试了视频+文本, 图片+文本, 图片+语音, 都可以完成任务. 当然测试也发现了一些问题, 比如 token 输出速度不是特别快, 以及偶尔会有超时问题(已反馈给百度的同学). 我的使用建议是, 多利用它的多模态能力, 来完成之前不敢想象的任务, 它真的提升了使用场景的天花板. #文心大模型 #文心5 #百度 #文心一言 #ai教程

karminski-牙医

29,929 просмотров • 8 месяцев назад

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：

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

40,515 просмотров • 1 месяц назад

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

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

44,252 просмотров • 1 год назад

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：

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

42,390 просмотров • 1 месяц назад

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：

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)

48,079 просмотров • 2 лет назад

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。

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

35,755 просмотров • 1 год назад

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.

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 просмотров • 6 месяцев назад

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

21,303 просмотров • 1 месяц назад

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

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

14,775 просмотров • 7 месяцев назад

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

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

40,013 просмотров • 2 месяцев назад

如果你在做游戏, 那一定要看看这个大模型! 给大家带来腾讯刚刚发布的可以生成人物动作的大模型hunyuan-motion-1.0 实测这个模型最大的特性是可以通过文字描述生成动作, 并且它是端到端的模型, 生成的动作可以直接用于Blender、Unity、UE等主流3D工具我简单测试了几个极限场景, 这个模型对于日常场景的动作还原很不错, 甚至一些复杂一点的, 比如黑客帝国中的子弹时间的下腰动作还原得也不错. 那么极限在哪里呢? 简单来讲, 职业运动员的动作不太行, 比如跳台滑雪, 跳水, 小轮车这类. 总结, 这个模型用于快速生成游戏场景中NPC的日常生活动作是完全够用的, 不过主要角色的动作设计还是需要大量修改才能使用.

如果你在做游戏, 那一定要看看这个大模型! 给大家带来腾讯刚刚发布的可以生成人物动作的大模型hunyuan-motion-1.0 实测这个模型最大的特性是可以通过文字描述生成动作, 并且它是端到端的模型, 生成的动作可以直接用于Blender、Unity、UE等主流3D工具我简单测试了几个极限场景, 这个模型对于日常场景的动作还原很不错, 甚至一些复杂一点的, 比如黑客帝国中的子弹时间的下腰动作还原得也不错. 那么极限在哪里呢? 简单来讲, 职业运动员的动作不太行, 比如跳台滑雪, 跳水, 小轮车这类. 总结, 这个模型用于快速生成游戏场景中NPC的日常生活动作是完全够用的, 不过主要角色的动作设计还是需要大量修改才能使用.

karminski-牙医

35,854 просмотров • 6 месяцев назад

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚有人说它的伟大程度,不亚于 MCP 和 Skill。第一眼我是不信的,直到拆开看它内部怎么跑：这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。这条视频,值得反复看几遍👇

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚有人说它的伟大程度,不亚于 MCP 和 Skill。第一眼我是不信的,直到拆开看它内部怎么跑：这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。这条视频,值得反复看几遍👇

huangserva

142,591 просмотров • 1 месяц назад

最近发现一套不错的办公 skills - SenseNova Skills，已经 4.1k 个 stars 了。这是基于底座 SenseNova 智能体模型开发的一系列 skills，针对办公需求，专注帮 AI Agent 做 PPT 生成、信息图、可视化、Excel 分析等真实办公场景。我测试了两种常见需求，第一是自动生成高质量 PPT，sn-ppt-entry / sn-ppt-standard，我把英伟达最新一季的财报数据丢给它，让它去生成，几分钟就能出一份结构清晰、设计专业的 PPTX，连图表都自动做好。第二是生成信息图，sn-infographic，高质量信息图 / 技术分解图 / 产品可视化把最近很流行的事件：Nvidia 与 SK Hynix 达成多年合作的的新闻丢给它，直接生成出了类似下面这种很形象富有科技感的新闻信息图，感觉很不错。除了这两个需求，它还可以完成其他常见的办公需求： * Excel 数据分析：自动处理大文件、多 Sheet 分析、出图表 * 深度研究：完整研究报告生成我已经把它集成到自己的 Agent 工作流里了，OpenClaw Hermes 都可以，我是用的 Codex，有类似任务现在直接丢给 Agent 全自动搞定，需要的朋友们可以收藏备用下。

最近发现一套不错的办公 skills - SenseNova Skills，已经 4.1k 个 stars 了。这是基于底座 SenseNova 智能体模型开发的一系列 skills，针对办公需求，专注帮 AI Agent 做 PPT 生成、信息图、可视化、Excel 分析等真实办公场景。我测试了两种常见需求，第一是自动生成高质量 PPT，sn-ppt-entry / sn-ppt-standard，我把英伟达最新一季的财报数据丢给它，让它去生成，几分钟就能出一份结构清晰、设计专业的 PPTX，连图表都自动做好。第二是生成信息图，sn-infographic，高质量信息图 / 技术分解图 / 产品可视化把最近很流行的事件：Nvidia 与 SK Hynix 达成多年合作的的新闻丢给它，直接生成出了类似下面这种很形象富有科技感的新闻信息图，感觉很不错。除了这两个需求，它还可以完成其他常见的办公需求： * Excel 数据分析：自动处理大文件、多 Sheet 分析、出图表 * 深度研究：完整研究报告生成我已经把它集成到自己的 Agent 工作流里了，OpenClaw Hermes 都可以，我是用的 Codex，有类似任务现在直接丢给 Agent 全自动搞定，需要的朋友们可以收藏备用下。

Viking

26,839 просмотров • 1 месяц назад

今天看到一个不错的 AI 产品 Napkin，能帮你生成各种不同样式风格的漂亮图表，交互很丝滑，图表也很漂亮。大概看了下实现原理，应该是后台用了一个小模型（GPT-4 mini 或者 Gemini Flash这种），把选中的文本变成mermaid这样的图表格式，并且每个节点选了一个配套的图标（可能用了RAG），然后前端渲染成 SVG 格式，编辑器是基于 TipTap。它有很多图表的模板，会一次性生成多套图表，你可以选择一套喜欢的应用。每一套风格都很讨喜，团队的设计能力很强。目前还是免费的

今天看到一个不错的 AI 产品 Napkin，能帮你生成各种不同样式风格的漂亮图表，交互很丝滑，图表也很漂亮。大概看了下实现原理，应该是后台用了一个小模型（GPT-4 mini 或者 Gemini Flash这种），把选中的文本变成mermaid这样的图表格式，并且每个节点选了一个配套的图标（可能用了RAG），然后前端渲染成 SVG 格式，编辑器是基于 TipTap。它有很多图表的模板，会一次性生成多套图表，你可以选择一套喜欢的应用。每一套风格都很讨喜，团队的设计能力很强。目前还是免费的

宝玉

67,320 просмотров • 1 год назад

最近这个 Srcbook 很火，非常有趣的一个开源项目，用Typescript 编写的一个本地的笔记工具，但是内置了一个 Node.js 环境，所以完全是可交互式的。在里面可以运行任何的JS 代码，还能 npm 安装依赖，还有 AI 的加持，可以直接让 AI 写代码，最后还能导出标准的 Markdown，非常有趣的想法，要是能再用 Electron 包一层，做成一个本地的应用就很方便了。我截了一段官网视频大家可以感受一下，可以在官网看看介绍全部的介绍视频。

最近这个 Srcbook 很火，非常有趣的一个开源项目，用Typescript 编写的一个本地的笔记工具，但是内置了一个 Node.js 环境，所以完全是可交互式的。在里面可以运行任何的JS 代码，还能 npm 安装依赖，还有 AI 的加持，可以直接让 AI 写代码，最后还能导出标准的 Markdown，非常有趣的想法，要是能再用 Electron 包一层，做成一个本地的应用就很方便了。我截了一段官网视频大家可以感受一下，可以在官网看看介绍全部的介绍视频。

Viking

26,608 просмотров • 1 год назад

中国版 Claude Cowork 来了... 体验了一周我感觉今年AI办公自动化将大爆发... 前两天不是测试了 Claude 的 Cowork 功能嘛测试完就被封号了😂 然后昨天阶跃星辰的人看到我写的 Cowork 测试内容了，说他们也有个和 Cowork 类似的产品，让我也体验下我一看这玩意竟然去年9月份就发布了... 测试了下的感受是：基本上Claude Code 能干的它也都能干： -能读取和直接操作电脑上的文件（区别于纯聊天AI） -能联网、能自动执行复杂任务（如抓取小红书内容） - 能联网、能自动执行复杂任务（如抓取小红书内容）进行重复劳动） - 妙计系统，支持任务模板复用（类似Claude 的技能功能，兼容Claude 的技能） - 多任务并行执行，效率更高（能同时运行多个任务互不干扰）

中国版 Claude Cowork 来了... 体验了一周我感觉今年AI办公自动化将大爆发... 前两天不是测试了 Claude 的 Cowork 功能嘛测试完就被封号了😂 然后昨天阶跃星辰的人看到我写的 Cowork 测试内容了，说他们也有个和 Cowork 类似的产品，让我也体验下我一看这玩意竟然去年9月份就发布了... 测试了下的感受是：基本上Claude Code 能干的它也都能干： -能读取和直接操作电脑上的文件（区别于纯聊天AI） -能联网、能自动执行复杂任务（如抓取小红书内容） - 能联网、能自动执行复杂任务（如抓取小红书内容）进行重复劳动） - 妙计系统，支持任务模板复用（类似Claude 的技能功能，兼容Claude 的技能） - 多任务并行执行，效率更高（能同时运行多个任务互不干扰）

小互

85,825 просмотров • 5 месяцев назад

Agent 能力有多强? 来看豆包Seed2.0实测! 这次给大家用字节跳动新推出的豆包 Seed-2.0-Pro 大模型做了一个能连接 RPGMaker 的 AI Agent 框架, 只需要把小说粘贴进去, 就能变成可玩的RPG游戏啦! 另外本次还对豆包 Seed-2.0-Pro 模型的 Agent 能力和多模态进行了详细评测: Agent 能力比 1.8 版本有了更进一步的提升, 最大的感受是策略更强了, 同时提升了 Tool Call 效率, 在测试中对比 1.8 版本提升了接近40%的分数. 多模态能力在UI还原上非常给力, UI的细节元素均可以正确还原, 复杂的网站直接录屏然后丢给 Seed-2.0-Pro 就可以搞定了, 不过交互和动效上有待加强, 我也给大家想了个办法, 直接在上下文中描补充述一下想要的交互效果就可以了. 总结是: Seed-2.0 是一个拥有强大 Agent 能力的模型, 特别适合处理各种复杂任务,借助它的多模态能力, 与框架和系统融合作为内嵌AI使用是我认为的最佳适用场景. 而如果需要用它来写代码, 可以尝试使用 code 版本, 会有一定的提升. #豆包大模型 #Seed20Pro #豆包Seed #AIAgent #AI教程

Agent 能力有多强? 来看豆包Seed2.0实测! 这次给大家用字节跳动新推出的豆包 Seed-2.0-Pro 大模型做了一个能连接 RPGMaker 的 AI Agent 框架, 只需要把小说粘贴进去, 就能变成可玩的RPG游戏啦! 另外本次还对豆包 Seed-2.0-Pro 模型的 Agent 能力和多模态进行了详细评测: Agent 能力比 1.8 版本有了更进一步的提升, 最大的感受是策略更强了, 同时提升了 Tool Call 效率, 在测试中对比 1.8 版本提升了接近40%的分数. 多模态能力在UI还原上非常给力, UI的细节元素均可以正确还原, 复杂的网站直接录屏然后丢给 Seed-2.0-Pro 就可以搞定了, 不过交互和动效上有待加强, 我也给大家想了个办法, 直接在上下文中描补充述一下想要的交互效果就可以了. 总结是: Seed-2.0 是一个拥有强大 Agent 能力的模型, 特别适合处理各种复杂任务,借助它的多模态能力, 与框架和系统融合作为内嵌AI使用是我认为的最佳适用场景. 而如果需要用它来写代码, 可以尝试使用 code 版本, 会有一定的提升. #豆包大模型 #Seed20Pro #豆包Seed #AIAgent #AI教程

karminski-牙医

20,605 просмотров • 4 месяцев назад