正在加载视频...

视频加载失败

强烈推荐 The SwiftUI Lab 的动画教程,含金量很高,读完之后对 transition 和 custom animation 的理解都更深了一层。更可贵的是,其中的代码样例都是精心设计过的,具有一定的复杂度,还很有创意,经常让我眼前一亮或者笑出声来,很佩服作者的呈现方式。 视频里是 matchedGeometryEffect 系列的 demo app,实际演示了一个精巧丝滑的 view transition 是如何由各个部分组合而成的,这个质量真的感人

37,851 次观看 • 2 年前 •via X (Twitter)

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

大半夜体验完 Manus AI, 达到了今天的使用限制,说一下自己的感受🧵 整体来讲,真的很强大, 主要体现在 Manus 能够: 🔧展示完整的推理逻辑,有个 Manus 电脑的东西为你呈现所有过程和进展; 🏗️调用各种API 协同完成任务; 📃最终非常实际的交付给你一个可用的文件。 🌟「真正能干活」的AI Agent,这个定位真的太准确了。 以下是一些实例: 1️⃣基础任务完成度高 比如最近日本可以看樱花了,整理一个具体的旅行清单包括日程、推荐景点、住宿、交通等等; 家里领导喜欢看红楼梦,梳理一下红楼梦的人物关系。 以下是分别让他做的一个 pdf 文档和可以互动的网页,完成度是真的很高,不过人物关系上有一点小错误,无伤大雅。 其他比如让他阅读视频给到总结,甚至让他剪辑播客都是可以的(只是效果不太好)。 但是我尝试让他给我画一些图🗺️,这方面还有所欠缺,给到的理由是第三方 API 接口出错。同时网上说她可以做ppt,确实是可以的,但是能做ppt的工具都存在一个共同问题,逻辑还行,但就是丑。所以“美术”相关工作我理解还是做不了的。 另外,他是一个完成特定任务的助手,不要把它当作聊天机器人,不然他每次跟你聊天都要思考十几分钟,真的很难受。 2️⃣测一测他懂不懂Web3 给了两个任务: a) 我们今天发了一个depin的研报,花了一个多月,自认为还行,让他给这个研报评分,并且给到其他更好的文章推荐。 我们的depin报告如下 他给到的内容如图3,更详细的评价文档我传了一个Google 链接,放在最后了,各位可以自行查看(包括前面的红楼梦人物关系图)。 整体来看,他快速学习和阅读了大量 web3 depin 的报告,并且从多个维度给出了我们报告的评价,以及推荐的其他报告和对应的评价。 b) 假设我是一个 交易所cmo,如何做华语市场的传播策略,包括华语媒体和华语kol的整理和评级。很遗憾,我已经等了一个多小时他还没思考完,如果明天有结果,我也会传到Google link里。(Manus 可以离线、多任务思考,所以可以同时开启多个任务,或者关机后之前的任务仍然会运行) 不过我看到了他的实时分析过程,在阅读各个媒体、kol 的官网文章,历史推文等等,形成自己的分析。见图4 所以我理解在他的大脑里是有 web3 内容,并可以实时学习的。 3️⃣除了懂,他能否与 Web3 交互 以上的推理其实都和 Web3 没有实际关系,我更关心他能否拿到链上数据,甚至能够交互。比如是否知道 $SOL $ETH 能在哪些地方质押,收益如何等等,还有一些深入的分析问题。 很遗憾,今天的使用次数达到限制了。明天再说吧👋 -------------------------------------------- 等待 Manus 思考结果的时候,我也看了一些其他的博主评价和官方的介绍,我觉得有一点说的很好: “没有开源,就没有 Manus AI” 从一个体验过多个AI产品的小白角度,我其实觉得 Manus 会这么火爆的原因主要在于:调用了多种 API 接口,配合自己的推理算法最终呈现了一个很好的产品。 这让我想到 ai16zdao 每周都有新的人贡献 plugin(比如 微信,deepseek),让这个网络不断壮大; Virtuals Protocol 通过打通 agent 得底层框架,形成 agent 经济体;还有 Hey Anon 不只是有链上数据,还能直接帮你交互等等。 某一天,web2 和 web3 的 AI 产品肯定会更加紧密的相互协作,并出来几个不错的case。 最近有一些 betting 的产品已经初现端倪。 Manus 也会开源自己的能力,为了更大的 AGI 世界。 如果真到了那一天,我就真的要失业了🥲 ( Google drive 素材链接:

Zolo 🌊

40,420 次观看 • 1 年前

很多人都想有个自己的小生意,但大多数人终其一生也没有培养过自己的商业思维,其实最有效的学习方式就是观察别人的生意是如何运转的,而短视频平台可以说是最好的展台之一(并非一定要去做短视频,而是有很多原理是通用可迁移的)。 人们对短视频的主流态度无非两种,要么是刷起来停不下,要么是鄙夷而刻意远离,但这都是站在消费者的视角,而站在供给者视角看到的东西则完全不同。线下生意信息不透明、学习成本高,而线上生意则相对透明,足不出户即可学习。 生意本质是流量的变现,或者说有个满足别人需求的产品并卖出去,可以从产品和流量两个角度进行考察。卖什么产品,或者说以何种方式满足用户的什么需求,决定了这是不是一个优秀的生意。我们关注的是个体的小生意,因此那种需要大量人力和资本投入的不在考虑范围之内。在这个前提下,什么算是好生意呢?首先是非标品,卖大米橘子砖头碗盘,各家的产品差不多,很少有人会在意是什么牌子,这就意味着会陷入价格竞争压缩利润空间,需要优化供应链以降低成本,这些个人去做是没有优势也没有溢价可图的。然后是高毛利,最好的例子就是各种虚拟产品,课程、付费社群、线上工具站,这些产品在非标的同时,边际成本趋于 0,可以充分利用互联网的流量优势,我们看到,很多暴利的线上生意都是围绕这些产品的。交付周期和客服成本也应当考虑,个人小生意,不能有很长的售前咨询,最好是不需要人工介入可以客户自行完成,也不要有很高的客服售后成本,当然,除非卖的产品客单价很高,或者交付的过程本身便是对自身有益的(比如一些垂类的社群)。还有最重要的一点,产品要解决用户痛点问题,否则吸引的都是羊毛党,付费转化率会很低,若是产品持续为用户创造价值(节省时间也为创造价值),如 Perplexity,作为消费者我是愿意持续复购的。 卖什么产品是十分多样化的,上述评判标准可供参考,我们重点来说下流量,尤其是短视频平台(主要指抖音)的流量,观察同一平台竞争的内容,我们更容易总结出一些通用的规律。为什么说短视频呢?首先,短视频的用户使用时长已经超过微信为代表的即时通讯,成为用户线上的主要聚集地,其成功背后必然迎合了人性,这是值得其他内容营销借鉴的;其次,相较长视频,短视频平台内容更轻,天然适合商业化,在短视频中间或者下滑的间隙插入一些广告,用户并不会很在意,因为每条内容太短了,本来也没有很高的预期,不喜欢滑走就好,而像 b 站这种偏重的视频,用户对每条内容投入的时间成本高,不当的广告会让用户有种被欺骗的感觉,因此短视频更方便研究流量背后的商业化承接。需要声明的是,我个人并非短视频创作者,因此并不能保证以下说的是面面俱到的,但也有一定的参考价值:首先是因为我之前做过短视频推荐算法的工作,了解分发逻辑(非抖音但可类比);其次,出于研究生意的目的,我这周花了 3 个晚上学了一个抖音头部博主的短视频付费课程,了解基本的创作逻辑;最后,我在 Twitter 上也算个小 V ,而短视频和 Twitter 其实是很相似的,都是推荐算法主导的短内容平台,可以作为参考。 理性人的交易必然是互惠的,这是一切讨论的基石,短视频涉及平台、创作者和消费者的三方博弈。我们先看平台和创作者,创作者要获取流量变现很好理解,平台为什么要把流量分发给创作者,它的诉求是什么呢?互联网争夺的是用户的注意力,是停留,一切的变现都是建立在这之上的,因此平台需要的是把流量分发给能够留住用户的内容,具体指标即停留时长和完播率。当然,脱离视频长度谈完播率是没有意义的,互动、内容的新鲜度、内容多样性、平台调性、新创作者扶持、运营策略等都是需要考虑的,但不妨碍停留时长和完播是最核心指标。因此,真正的爆款短视频,并非最专业的或最有价值的,而是最能拖时间的。再看短视频消费者,为什么愿意花时间去看呢?因为 TA 也感觉自己占便宜了,这里重要的是信息密度,这并非常规意义的干货多,而是通过一些技巧,让人感性而非理性上产生获得感。 短视频创作者起号的重点是创作爆款,这是和平台的推荐算法密切相关的。推荐算法的一个特征是内容分发具有很强的头部效应,少量爆款内容占据平台绝大多数流量,这是符合平台利益最大化的。那什么样的内容能成为爆款呢?推荐算法主要考虑两个方面:一是内容本身的质量,这个是通过播放时长、完播、互动等指标体现的,新内容一般会给冷启流量用于采集这些数据,好的内容会得到更大曝光;另一方面是个性化,每个用户都会有其用户画像,既包含了其年龄、性别、城市、手机型号、关注的账号等基础信息,也包含了其历史观看互动数据,这些可以刻画出该用户喜欢什么内容,而短视频本身也会被打上一些标签,如美食、新闻、宠物等,再结合该内容的分发数据及创作者等信息来保证内容和被分发的用户匹配,一条短视频要成为爆款,需要其匹配更多用户,即该视频为很多人感兴趣的话题。 选题方向是和卖什么产品相关的,并非要一味追求大众化,我们主要聊下爆款短视频的通用原则,或者可大致等同于怎么拖时间。本帖附带的抖音视频,有着 145w 点赞,87w 转发,可以先看一下,这里面用到的技巧在很多爆款短视频中一再出现,我们以此来为例来分析。爆款短视频其实是高信息密度视频,一个常用的技巧是切片,将一个短视频切分为很多个超短视频,该视频中每个镜头一闪而过,且有着视觉和声觉的双重刺激,用户完播整段视频有困难,但一个个完播超短视频就简单得多,连环刺激锁住用户,没反应过来,就播完了,拖时间的目的就达到了。我们知道,信息的目的是消除不确定,因此一个东西越新奇罕见,其包含的信息量也就越大,而跨界组合制造冲突可以让人产生耳目一新的感觉:动物见过,服装见过,但拟人化的动物穿上中国传统服饰就没见过;鼻屎见过,醋见过,但鼻屎蘸醋吃就没见过。跨界组合同时也可以命中更多人群而迎合推荐算法,这一个视频,AI 的人感兴趣,动物爱好者感兴趣,服装爱好者也感兴趣,从而有更大分发量。理性思考本身是很累人的,也不是刷短视频的人想要的,因此短视频追求的是对直觉而非理性的刺激,而这种高密的的视听信息即是很好的选择。 除了上述提到的,还有一些其他的常见技巧。信息并置也是一种常见增加信息密度的手段,一张照片和我没关系,但两张同造型的照片, 30 年前和当下的对比就让人产生了联想和共鸣;狂加细节也可增加信息密度,日常的事情,用不同的镜头可以体现各种细节。一些知识类或者产品售卖的视频,可以以痛点+方案的形式去做,前面不断提出各种问题强化痛点,激发读者的好奇,最后再给出方案,让一句话就可以说完的废话(甚至是广告)拖到完播成为爆款:某平台为什么价格这么低?会不会是以次充好?商家能赚到钱么?…… 因为有官方百亿补贴。 与短视频伴随的往往是直播,而这也是商业化的很重要一步,从直播更能直观看出生意是如何完成的。直播间是围绕着痛点+方案展开的,一般流程为建立信任(为什么要相信你?),塑造价值(产品对我有什么好处?),消除疑虑(我有不放心的地方怎么办?),以及最终的限时抢购(今天错过,下播就没有了)。这一套营销流程其实在其他地方都是可以复用的。 上面说的内容已经可以帮助在刷短视频的时候对其拆解了。如果作为一个内容创作者(并非单指短视频),一个小生意人,还有什么其他方面值得借鉴呢? 1. 首先是扬长避短,发挥自己的比较优势。短视频的爆款并非只有一条路,有文案出众的口播,有剪辑高手,有创意视频,有切片的默剧。文案不好去补文案?那也补不过别人经年累月积累的,不如找到自己的优势并单点突破。 2. 然后,营销的重点是为客户创造价值并解决他的问题,而非单方面说自己有什么东西,你单讲历史可能没几个人愿意听,但从历史王朝兴衰看企业管理受众就广了很多,我这篇帖子也是,如果单说短视频制作技巧可能没几个人感兴趣,但说从短视频看可迁移的商业思维就让你看到了这里。 3. 还要懂得与人合作,取长补短,有战略思维。如果没有持续原创的能力,不妨固定一个框架,然后在此之上创作内容。我家是卖羊头的,可以用羊头去换内容,做一个美食挑战,半小时内吃完免单,这样就有着源源不断的人来送免费素材,观众看到他们吃的这么香,也自然有下单欲望;我在其他领域有了名声,想要进军短视频,不要傻傻的每天自己创作,做一档访谈节目,用自己的名声换别人的内容和流量;我家是卖雨伞的,用切片+默剧去体现雨伞的各种特性:防水、空间大、快速折叠,然后每一把新型号的伞重复拍一遍即可。其实做网站也类似的,有些 AI 总结视频、文章的网站,用户使用的同时产出海量内容,这些内容可以作为单页吸引 SEO 流量。 4. 要懂平台规则,知识跨平台跨领域迁移。短视频有推荐算法,Twitter,小红书也有推荐算法,内容媒介不同但很多规则是通用的,互动都是很重要的,小红书要先点击进去,因此封面图很重要,Twitter 的长内容要展开详情,因此首句很重要。短视频平台用户天然耐心低,且更偏娱乐化,但其中也不乏优秀的知识区口播博主,这些人能够在黑丝大长腿的包围中脱颖而出都是怪物,其文案必定是极其优秀的,自然也是可供学习借鉴的。

Andrew Bamboo

66,226 次观看 • 2 年前

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:

歸藏(guizang.ai)

125,824 次观看 • 2 年前