Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

最近发现一个实用的开源项目：OpenCodex。它可以让 Codex 不再局限于 GPT 模型，还能接入 Kimi、Grok、GLM 等其他大模型。配置一次后，原来的 Codex 应用和工作流基本不用变，需要时直接切换模型即可。开源地址

雪踏乌云

45,273 subscribers

335,598 Aufrufe • vor 1 Monat •via X (Twitter)

Wissenschaft & Technologie Bildung

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

提到多模型统一 API，很多人第一反应还是 OpenRouter。它确实教育了这个市场，也让开发者习惯了用一个入口调用不同模型。但是独立开发最怕的，是某个模型偶尔抽风，收到告警后，改代码、切服务商、紧急上线。 ApiFlux 沿着这条路，做了一个更贴近独立开发者的版本：某个模型服务异常时，会自动切换到备用服务。只需要切换一下 API 密钥和接口地址，现有代码基本不用动。现在支持Claude、GPT、Gemini 等 100+ 模型，并且价格统一为官方价 85 折。一个人做产品，手里始终留着一条能随时切换的路，心里才踏实。产品地址👉：

提到多模型统一 API，很多人第一反应还是 OpenRouter。它确实教育了这个市场，也让开发者习惯了用一个入口调用不同模型。但是独立开发最怕的，是某个模型偶尔抽风，收到告警后，改代码、切服务商、紧急上线。 ApiFlux 沿着这条路，做了一个更贴近独立开发者的版本：某个模型服务异常时，会自动切换到备用服务。只需要切换一下 API 密钥和接口地址，现有代码基本不用动。现在支持Claude、GPT、Gemini 等 100+ 模型，并且价格统一为官方价 85 折。一个人做产品，手里始终留着一条能随时切换的路，心里才踏实。产品地址👉：

Yanhua

10,555 Aufrufe • vor 29 Tagen

不用 GPT 账号！国产模型接入 Codex 保姆级教程很多人想用 Codex，却卡在 GPT 账号、支付和额度上，白白错过这么强的 AI 智能体。这期我们实操把国产模型接入 Codex，实现Codex 使用自由！时间戳： 00:00 开场 00:28 下载和安装Codex 00:44 安装ccswitch 01:40 接入国产模型 02:47 获取kimi api key 03:09 设置路由 03:59 codex+kimi实战案例

不用 GPT 账号！国产模型接入 Codex 保姆级教程很多人想用 Codex，却卡在 GPT 账号、支付和额度上，白白错过这么强的 AI 智能体。这期我们实操把国产模型接入 Codex，实现Codex 使用自由！时间戳： 00:00 开场 00:28 下载和安装Codex 00:44 安装ccswitch 01:40 接入国产模型 02:47 获取kimi api key 03:09 设置路由 03:59 codex+kimi实战案例

木子不写代码

29,638 Aufrufe • vor 1 Monat

Claude Code 的开源平替来了！OpenClaude 真香警告 ⚠️ 之前一直觉得官方 Claude Code 只能连自家模型太受限，这个开源版直接打通任督二脉： ✅ 支持 DeepSeek、GPT-4、GLM 等任意模型 ✅ 用法跟原版一模一样，无缝切换 ✅ 开源免费，数据隐私自己掌握最绝的是那个“Agent Routing”功能，可以配置让便宜的模型干杂活，贵的模型干正事，省钱又高效！💰 视频里手把手教怎么安装、配置多模型，想折腾的兄弟赶紧马住 👇

Claude Code 的开源平替来了！OpenClaude 真香警告 ⚠️ 之前一直觉得官方 Claude Code 只能连自家模型太受限，这个开源版直接打通任督二脉： ✅ 支持 DeepSeek、GPT-4、GLM 等任意模型 ✅ 用法跟原版一模一样，无缝切换 ✅ 开源免费，数据隐私自己掌握最绝的是那个“Agent Routing”功能，可以配置让便宜的模型干杂活，贵的模型干正事，省钱又高效！💰 视频里手把手教怎么安装、配置多模型，想折腾的兄弟赶紧马住 👇

Vincent | 信号＞噪音

17,728 Aufrufe • vor 3 Monaten

黄仁勋提到：优秀的AI开源模型对整个行业都是好事，无论它来自哪里... 在和 axios 的最新访谈中，Jensen已经聊到了中国的开源模型和美国闭源模型的看法，今天又特意注册X发文说明为什么开源模型很重要..... 他说：“这些中国模型非常优秀，优秀的开源模型就应该被使用” “我认为优秀的AI开源模型对整个行业都是好事，显然，只要有优秀的AI，即使是开源的，无论它来自哪里，都会带来更多的使用” “优秀的模型带来大量使用，大量使用带来巨大增长。而这只是个开始” “DeepSeek当时就是这样，Kimi也会是这样” “还有一个误解是，开源模型会对闭源模型构成对抗，这也是错的”

黄仁勋提到：优秀的AI开源模型对整个行业都是好事，无论它来自哪里... 在和 axios 的最新访谈中，Jensen已经聊到了中国的开源模型和美国闭源模型的看法，今天又特意注册X发文说明为什么开源模型很重要..... 他说：“这些中国模型非常优秀，优秀的开源模型就应该被使用” “我认为优秀的AI开源模型对整个行业都是好事，显然，只要有优秀的AI，即使是开源的，无论它来自哪里，都会带来更多的使用” “优秀的模型带来大量使用，大量使用带来巨大增长。而这只是个开始” “DeepSeek当时就是这样，Kimi也会是这样” “还有一个误解是，开源模型会对闭源模型构成对抗，这也是错的”

梭哈.AI

51,188 Aufrufe • vor 1 Monat

阿里这次有点猛：最新旗舰模型，直接免费开放。 Qwen3.8-Max-Preview 已经上线不用 API Key，不用绑卡，登录账号、选中模型、打开 Web Dev 模式，就能直接用。它最值得试的不是聊天，而是一句话生成完整网站。页面、动画、响应式布局、实时预览，基本都能一次给你搭出来。甚至只输入一句“hello”，它都能生成一个能交互的 Landing Page。更关键的是，现在还处于免费 Preview 阶段。这意味着你可以先拿它和 Claude Code、Codex、Cursor 跑同一个真实任务，再决定值不值得接入工作流。不过先别急着吹性能：官方 Benchmark 还没公布，网上的跑分和“碾压”结论都只能当参考。模型强不强，别看宣传，丢个真实项目进去跑一遍就知道了。

阿里这次有点猛：最新旗舰模型，直接免费开放。 Qwen3.8-Max-Preview 已经上线不用 API Key，不用绑卡，登录账号、选中模型、打开 Web Dev 模式，就能直接用。它最值得试的不是聊天，而是一句话生成完整网站。页面、动画、响应式布局、实时预览，基本都能一次给你搭出来。甚至只输入一句“hello”，它都能生成一个能交互的 Landing Page。更关键的是，现在还处于免费 Preview 阶段。这意味着你可以先拿它和 Claude Code、Codex、Cursor 跑同一个真实任务，再决定值不值得接入工作流。不过先别急着吹性能：官方 Benchmark 还没公布，网上的跑分和“碾压”结论都只能当参考。模型强不强，别看宣传，丢个真实项目进去跑一遍就知道了。

阿良｜AI 工作流

76,745 Aufrufe • vor 1 Monat

100块的AI，如何帮我接单月赚12万？这次做这个项目给我的感受是国产模型真的能用了！其实我一直都是用最好的模型，Claude 4.5 + Claude Code也一直是我的AI编程主力，但真的被封麻了。每天重新搞Claude的时间都有一两个小时，这次用GLM4.6来平替效果还真可以。虽然它下午高峰期时不时会卡，而且偶尔指令遵循确实比GPT-5差不少，可90%的开发任务都还不错，返工率也可以接受。我现在的最好的实践就是，保留20美金的Cursor用顶级模型，再来个GLM4.6干活，很香！

100块的AI，如何帮我接单月赚12万？这次做这个项目给我的感受是国产模型真的能用了！其实我一直都是用最好的模型，Claude 4.5 + Claude Code也一直是我的AI编程主力，但真的被封麻了。每天重新搞Claude的时间都有一两个小时，这次用GLM4.6来平替效果还真可以。虽然它下午高峰期时不时会卡，而且偶尔指令遵循确实比GPT-5差不少，可90%的开发任务都还不错，返工率也可以接受。我现在的最好的实践就是，保留20美金的Cursor用顶级模型，再来个GLM4.6干活，很香！

Yihui

74,963 Aufrufe • vor 9 Monaten

著名机构SemiAnalysis的研究员给了一个很有趣的观点--关于中国的开源模型 Jordan Nanos Jordan Nanos 是 SemiAnalysi 的AI 研究员，他说：开源模型现在看起来追上了前沿闭源模型，其实完全是“人为”追平的直接原因就在美国政府身上——他们对Anthropic施加了限制，导致我们根本拿不到这些实验室真正最强的模型最明显的例子就是Mythos和Fable：我根本用不了Mythos，只能偶尔“好好求一下”才能用上Fable 至于OpenAI的5.6 Sol，我们的判断是它甚至都不是OpenAI训练过的最大模型，规模都没到4.5那个级别，他们肯定在某个地方还藏着更大的模型

著名机构SemiAnalysis的研究员给了一个很有趣的观点--关于中国的开源模型 Jordan Nanos Jordan Nanos 是 SemiAnalysi 的AI 研究员，他说：开源模型现在看起来追上了前沿闭源模型，其实完全是“人为”追平的直接原因就在美国政府身上——他们对Anthropic施加了限制，导致我们根本拿不到这些实验室真正最强的模型最明显的例子就是Mythos和Fable：我根本用不了Mythos，只能偶尔“好好求一下”才能用上Fable 至于OpenAI的5.6 Sol，我们的判断是它甚至都不是OpenAI训练过的最大模型，规模都没到4.5那个级别，他们肯定在某个地方还藏着更大的模型

梭哈.AI

90,037 Aufrufe • vor 1 Monat

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,931 Aufrufe • vor 2 Jahren

Anthropic CEO Dario谈开源模型： - 大模型开放权重不同于软件开源，不存在开发者社区的反向贡献。 - 开源只是吸引注意力的幌子，用户只关心这个模型是否好用。Deepseek开源与否都无所谓，作为一个超大模型，推理起来很困难。 - 开源并不等于免费，推理服务器运行，是有成本的。

Anthropic CEO Dario谈开源模型： - 大模型开放权重不同于软件开源，不存在开发者社区的反向贡献。 - 开源只是吸引注意力的幌子，用户只关心这个模型是否好用。Deepseek开源与否都无所谓，作为一个超大模型，推理起来很困难。 - 开源并不等于免费，推理服务器运行，是有成本的。

高级分析师

1,483,571 Aufrufe • vor 11 Monaten

哇，cc switch又整了个大更新！codex现在直接靠cc switch调用第三方模型了，而且第三方模型还能用chatgpt的插件😂 这是昨天作者Jason Young刚放出来的新功能。我用Windows 10系统给大家整了个教程，教你怎么在codex里跑小米的大模型mimo-v2.5-pro。一步步来，照着做就行： 1. 先下载cc switch（ 2. 确保cc switch完全没启动（没在后台跑） 3. 打开codex，登录账号，随便聊一次天，然后右下角退出彻底关掉codex 4. 打开cc switch，导入小米模型的基本信息，cc switch切换到小米模型 5. 进cc switch设置 → 路由选项卡，打开“在主页面显示本地路由开关”，再打开“路由总开关”，然后在“路由启动”里把codex勾上打开。最后在cc switch里直接切换成小米模型 6. 重启codex（还是右下角退出先） 7. 如果模型没切换成功，就把cc switch里的路由总开关先关掉，切换回openai官方模型，然后在cc switch里切成第三方模型，再把路由总开关打开搞定！试完记得来评论区说说好用不～我以后还会出一个codex用第三方模型调用chatgpt插件的详细教程，感兴趣的点个关注就行！

哇，cc switch又整了个大更新！codex现在直接靠cc switch调用第三方模型了，而且第三方模型还能用chatgpt的插件😂 这是昨天作者Jason Young刚放出来的新功能。我用Windows 10系统给大家整了个教程，教你怎么在codex里跑小米的大模型mimo-v2.5-pro。一步步来，照着做就行： 1. 先下载cc switch（ 2. 确保cc switch完全没启动（没在后台跑） 3. 打开codex，登录账号，随便聊一次天，然后右下角退出彻底关掉codex 4. 打开cc switch，导入小米模型的基本信息，cc switch切换到小米模型 5. 进cc switch设置 → 路由选项卡，打开“在主页面显示本地路由开关”，再打开“路由总开关”，然后在“路由启动”里把codex勾上打开。最后在cc switch里直接切换成小米模型 6. 重启codex（还是右下角退出先） 7. 如果模型没切换成功，就把cc switch里的路由总开关先关掉，切换回openai官方模型，然后在cc switch里切成第三方模型，再把路由总开关打开搞定！试完记得来评论区说说好用不～我以后还会出一个codex用第三方模型调用chatgpt插件的详细教程，感兴趣的点个关注就行！

蓝天 | bluesky

18,643 Aufrufe • vor 2 Monaten

MAI-UI：阿里通义开源的手机GUI智能体可以实现豆包手机助手的效果，自动化操作手机。特色是采用了本地模型+云端模型协作的方式，兼顾性能和准确度，在多项手机操作评分中排名第一。目前2B模型和8B模型已开源。 Github：

MAI-UI：阿里通义开源的手机GUI智能体可以实现豆包手机助手的效果，自动化操作手机。特色是采用了本地模型+云端模型协作的方式，兼顾性能和准确度，在多项手机操作评分中排名第一。目前2B模型和8B模型已开源。 Github：

Gorden Sun

64,434 Aufrufe • vor 8 Monaten

Codex 5.6 让 3D 建模师压力山大了！最近挖到一个宝藏开源项目 img2threejs，直接把 AI Coding 和 3D 创作连接起来。接入 Codex 5.6 后，一张参考图，就能跑通： 2D 图像 → 结构分析 → Three.js 程序化模型 → 浏览器实时交互 1️⃣ 意图识别：一张图，Codex 5.6 就能精准捕捉 3D 对象的形态与细节意图 2️⃣ 代码化身：它将意图转化为可编辑、可动画的 Three.js 代码，告别传统建模的繁琐 3️⃣ 动画就绪：生成的模型自带运行时层级，直接用于游戏、XR，真正实现从图像到可动资产的闭环地址：

Codex 5.6 让 3D 建模师压力山大了！最近挖到一个宝藏开源项目 img2threejs，直接把 AI Coding 和 3D 创作连接起来。接入 Codex 5.6 后，一张参考图，就能跑通： 2D 图像 → 结构分析 → Three.js 程序化模型 → 浏览器实时交互 1️⃣ 意图识别：一张图，Codex 5.6 就能精准捕捉 3D 对象的形态与细节意图 2️⃣ 代码化身：它将意图转化为可编辑、可动画的 Three.js 代码，告别传统建模的繁琐 3️⃣ 动画就绪：生成的模型自带运行时层级，直接用于游戏、XR，真正实现从图像到可动资产的闭环地址：

爱丽丝呀！

268,874 Aufrufe • vor 1 Monat

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

indigo

183,917 Aufrufe • vor 2 Jahren

兄弟们！答应你们晚上开源，它来了 image to 3D模型目前只对接了线上：你们也可以改其他家，或者本地模型记得点赞关注，用的好GitHub也给一颗小星星👇

兄弟们！答应你们晚上开源，它来了 image to 3D模型目前只对接了线上：你们也可以改其他家，或者本地模型记得点赞关注，用的好GitHub也给一颗小星星👇

huangserva

921,761 Aufrufe • vor 3 Monaten

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 Aufrufe • vor 6 Tagen

【Manus季逸超：六个月后，基本每一家头部的应用公司都有做模型的能力】最近看了Manus联合创始人季逸超的访谈，很多人诟病 Manus 早期没有自己的模型、只是个套壳，但看完视频就会发现，Manus的逻辑是有道理的。一般的思维模式是先练模型（鸡），再顺便出个产品（蛋），这叫“沿途下蛋”。但这种方式是以模型为中心的，它的风险在于，蛋的形状取决于鸡能生出什么。模型能做到哪，产品才能做到哪，产品只能迁就技术。 Manus的路子是以产品为中心“借鸡生蛋”：早期直接用现成的模型。别管鸡是谁的，先让产品跑起来，看用户愿不愿意买单，找到PMF。等产品逻辑通了、用户量大了，发现现有的模型太贵、太慢、或者不够适配，再反过来去倒逼技术，优化出一种特定的模型。以Cursor为例，它一开始就是个代码编辑器，接入的是别人的接口。但等到它成为程序员的刚需后，为了追求极致的速度和更准的代码逻辑，它才跳出来做了自研模型。说到底是应用先于模型，需求定义底座。

【Manus季逸超：六个月后，基本每一家头部的应用公司都有做模型的能力】最近看了Manus联合创始人季逸超的访谈，很多人诟病 Manus 早期没有自己的模型、只是个套壳，但看完视频就会发现，Manus的逻辑是有道理的。一般的思维模式是先练模型（鸡），再顺便出个产品（蛋），这叫“沿途下蛋”。但这种方式是以模型为中心的，它的风险在于，蛋的形状取决于鸡能生出什么。模型能做到哪，产品才能做到哪，产品只能迁就技术。 Manus的路子是以产品为中心“借鸡生蛋”：早期直接用现成的模型。别管鸡是谁的，先让产品跑起来，看用户愿不愿意买单，找到PMF。等产品逻辑通了、用户量大了，发现现有的模型太贵、太慢、或者不够适配，再反过来去倒逼技术，优化出一种特定的模型。以Cursor为例，它一开始就是个代码编辑器，接入的是别人的接口。但等到它成为程序员的刚需后，为了追求极致的速度和更准的代码逻辑，它才跳出来做了自研模型。说到底是应用先于模型，需求定义底座。

傅盛

89,395 Aufrufe • vor 7 Monaten