Loading video...

Video Failed to Load

Go Home

给大家带来 Gemini-3.0-Pro-Preview 测试速报！ 本次是使用 Cursor 泄露的 Gemini-3.0 进行测试的，所以仅当一个预览，等一会谷歌发布了后我会给大家带来正式测试。 直接说这个one-shot 测试结论：牛 好的地方：粒子效果非常牛逼，这个大象牙膏喷发的效果比之前的Kimi-K2-0905 还真实。而且三角烧瓶建模达到了GPT-5 的水平，这两项（粒子效果+物理建模）都是SOTA了。另外它甚至还给我增加了视锥剔除，超过画面的粒子不会渲染，保证了画面的流畅性， 这项加分。 不好的地方：成也剔除败也剔除，它将优化做到了极致，烧瓶内部的液体也用了背面剔除，结果导致在烧瓶外面看不到烧瓶内的液体，仅能通过瓶口看到。在我手动修复代码后，液体就正确显示了，不过液面并不贴合烧瓶内壁，这点还是 claude-sonnet-4.5 效果好 总结：牛，老铁牛，赶紧出啊，我等着测完了睡觉呢...我知道你大概是SOTA没跑了....

karminski3's profile picture

karminski-牙医

38,341 subscribers

27,897 views • 9 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

Kimi-K2-Thinking 实测! 差距继续缩小! 给大家带来 kimi k2 thinking 的测试结果: 大象牙膏测试没问题, 感觉物理效果又进步了! 这个粘稠的质感已经越来越象大象牙膏了, 不过烧瓶内液面还是差点意思. 鞭炮连锁爆炸也没问题, 老强项了, 可以看跟过去的 kimi k2 0905 的对比, 鞭炮皮优化了. 这次的新测试效果也很好, 对比之下跟 Claude-Sonnet-4.5 生成的结果几乎看不出来差别. python 杯子倒水测试同样跟 0905 版本对比也好了很多, 另外, 本次还追加了前端页面测试, 写一个瀑布流页面, 也没问题, 缩放效果良好. 最后, 我还给大家整了个活, 2个小时内极限 Vibe 编程, 用 claude code + kimi k2 thinking 写了个 claude code 的克隆 Rock Code, 实现了写代码, 编辑文件, 本地运行脚本. 全程很顺畅. 总结, 国产大模型虽然还没有超过 claude, 但是已经距离 claude 越来越近了! Anthropic 就问你怕不怕? #kimi #月之暗面 #kimik2thinking #VibeCoding
2:16

Kimi-K2-Thinking 实测! 差距继续缩小! 给大家带来 kimi k2 thinking 的测试结果: 大象牙膏测试没问题, 感觉物理效果又进步了! 这个粘稠的质感已经越来越象大象牙膏了, 不过烧瓶内液面还是差点意思. 鞭炮连锁爆炸也没问题, 老强项了, 可以看跟过去的 kimi k2 0905 的对比, 鞭炮皮优化了. 这次的新测试效果也很好, 对比之下跟 Claude-Sonnet-4.5 生成的结果几乎看不出来差别. python 杯子倒水测试同样跟 0905 版本对比也好了很多, 另外, 本次还追加了前端页面测试, 写一个瀑布流页面, 也没问题, 缩放效果良好. 最后, 我还给大家整了个活, 2个小时内极限 Vibe 编程, 用 claude code + kimi k2 thinking 写了个 claude code 的克隆 Rock Code, 实现了写代码, 编辑文件, 本地运行脚本. 全程很顺畅. 总结, 国产大模型虽然还没有超过 claude, 但是已经距离 claude 越来越近了! Anthropic 就问你怕不怕? #kimi #月之暗面 #kimik2thinking #VibeCoding

karminski-牙医

40,904 views • 9 months ago

kimi-k3 测试速报! 前端这效果太猛了! Kimi-K3 刚刚发布! 赶紧给大家带来测试速报! 效果巨好! 无论是建模精确度还是粒子效果, 甚至复杂的shader内联代码都能one-pass, 相当猛! 稍后给大家带来详细测试! 记得点关注不迷路! 测试prompt在这里, 开源的: #kimik3
1:03

kimi-k3 测试速报! 前端这效果太猛了! Kimi-K3 刚刚发布! 赶紧给大家带来测试速报! 效果巨好! 无论是建模精确度还是粒子效果, 甚至复杂的shader内联代码都能one-pass, 相当猛! 稍后给大家带来详细测试! 记得点关注不迷路! 测试prompt在这里, 开源的: #kimik3

karminski-牙医

22,573 views • 1 month ago

KAT-Coder-Pro-V1 实测! 早放3个月就好了? 给大家带来 kat coder pro v1 的测试结果: 首先, 所有的 three js 测试, 全都有包引用错误, 你所看到的所有演示都是我修了一次才能运行的画面. 大象牙膏测试中，三角烧瓶, 液面, 粒子建模的效果比较简陋, 泡沫没有实现逐渐变形并消失的效果, 光照效果也一般, 总体来说实现效果很简陋. 过山车测试, 同样是实现效果很简陋, 另外支撑柱的算法没有设计对, 还是穿模了. 鞭炮连锁爆炸测试, 亮点的地方是还是可以实现连锁爆炸的, 不过性能有很严重的问题, 特别卡 python 杯子倒水测试反而实现的很不错, prompt 中要求的效果基本都实现了. 总结: 前端性能目前看来一般, 大概是7月份那一波大模型的腰部水平, python 性能反而可圈可点. 建议继续打磨, 很高兴看到国产编码大模型又添一员. 早点放出来就好了呀! 这个性能在7月份是可以一战的！ 另外, 官网演示还用了我7月份写的炸烟囱的 prompt, 但是这个 prompt 已经被我淘汰了, 因为现在头部大模型都能很轻松完成这个测试了. 建议换一些更复杂的体现模型性能. #katcoder #KCORES大模型竞技场
2:35

KAT-Coder-Pro-V1 实测! 早放3个月就好了? 给大家带来 kat coder pro v1 的测试结果: 首先, 所有的 three js 测试, 全都有包引用错误, 你所看到的所有演示都是我修了一次才能运行的画面. 大象牙膏测试中，三角烧瓶, 液面, 粒子建模的效果比较简陋, 泡沫没有实现逐渐变形并消失的效果, 光照效果也一般, 总体来说实现效果很简陋. 过山车测试, 同样是实现效果很简陋, 另外支撑柱的算法没有设计对, 还是穿模了. 鞭炮连锁爆炸测试, 亮点的地方是还是可以实现连锁爆炸的, 不过性能有很严重的问题, 特别卡 python 杯子倒水测试反而实现的很不错, prompt 中要求的效果基本都实现了. 总结: 前端性能目前看来一般, 大概是7月份那一波大模型的腰部水平, python 性能反而可圈可点. 建议继续打磨, 很高兴看到国产编码大模型又添一员. 早点放出来就好了呀! 这个性能在7月份是可以一战的！ 另外, 官网演示还用了我7月份写的炸烟囱的 prompt, 但是这个 prompt 已经被我淘汰了, 因为现在头部大模型都能很轻松完成这个测试了. 建议换一些更复杂的体现模型性能. #katcoder #KCORES大模型竞技场

karminski-牙医

25,271 views • 9 months ago

给大家带来 DeepSeek-V4-Pro & Flash 的测试速报, 由于case 还在跑, 所以说一下大家最熟悉的大象牙膏测试. 这个测试要求大模型建模一个锥形瓶, 然后发生化学反应, 造成泡沫喷发而出的效果. 主要考验大模型的建模, 粒子, 物理模拟, 光照等广义上的前端能力. DeepSeek-V4 从这个 Case 来看比之前的 V3 整个系列都好了很多, 效果很不错, 不过大家注意一下细节, 这个锥形瓶的表面看上去不是很透明, 我仔细分析了6次生成的代码 (测试是 pass@6, 每个大模型都有6次生成机会, 取最好的一次). 结果发现它指令遵循有点问题, 提示词要求玻璃的材质是roughness: 0.95, metalness: 0.35, 结果它没有一次写对. 而且很值执拗的写成了roughness: 0.12, metalness: 0.05 (50%概率). 目前还不确定是不是普遍问题, 等我全部测完给大家带来全面的编程能力评测视频~ 敬请期待. #deepseek #deepseekv4 #deepseekv4pro #deepseekv4flash
1:06

给大家带来 DeepSeek-V4-Pro & Flash 的测试速报, 由于case 还在跑, 所以说一下大家最熟悉的大象牙膏测试. 这个测试要求大模型建模一个锥形瓶, 然后发生化学反应, 造成泡沫喷发而出的效果. 主要考验大模型的建模, 粒子, 物理模拟, 光照等广义上的前端能力. DeepSeek-V4 从这个 Case 来看比之前的 V3 整个系列都好了很多, 效果很不错, 不过大家注意一下细节, 这个锥形瓶的表面看上去不是很透明, 我仔细分析了6次生成的代码 (测试是 pass@6, 每个大模型都有6次生成机会, 取最好的一次). 结果发现它指令遵循有点问题, 提示词要求玻璃的材质是roughness: 0.95, metalness: 0.35, 结果它没有一次写对. 而且很值执拗的写成了roughness: 0.12, metalness: 0.05 (50%概率). 目前还不确定是不是普遍问题, 等我全部测完给大家带来全面的编程能力评测视频~ 敬请期待. #deepseek #deepseekv4 #deepseekv4pro #deepseekv4flash

karminski-牙医

47,337 views • 3 months ago

GPT-5.2 实测! 美是真的美, 卡是真的卡 给大家带来 GPT 5.2 thinking 和 pro 的测试结果: 说实话, 这两个模型差距并不大, 但是价格却差了11倍. 大象牙膏测试, 这个感觉退步了, 甚至不如 GPT 5, 而且粒子效果还不如国产开放权重模型. 鞭炮连锁爆炸测试, 建模和光照, 粒子效果都非常好, 但追求画质的结果就是牺牲性能, 两个模型在测试中都非常的卡, 甚至 GPT 5.2 pro 尝试使用52个纹理, 而 WebGL 2.0 规范只支持16个. 所以不但会卡而且还报错. 陀飞轮机芯测试, 这个应该是目前的 SOTA, 齿轮效果, 光照, 建模准确性都不错. python 杯子倒水测试毫无进步, 跟 GPT5 没区别 总结, 新的模型还是更注重在美学上发力, web界面的风格很统一, 光影效果也是SOTA, 但是具体编程上没有看到特别大的进步, 尤其是 python. 另外, 这两个模型大概率都有 three.js 的包导入错误, 所以大型工程场景表现需要谨慎. 以及本次测试 gpt 5.2 thinking 每个测试运行6次取最好结果, 花了我3.88刀(就写了18个网页和6个python脚本), 而 gpt 5.2 pro 由于太贵了, 每个测试我只运行了一次, 就这样还花费了我7.12 刀(3个网页1个python脚本...). 所以推荐大家如果需要极致美学的场景, 可以考虑使用 gpt 5.2 thinking, 其他编程场景如果没有订阅, 还是谨慎, 毕竟太贵了. #GPT52 #GPT #OpenAI
2:53

GPT-5.2 实测! 美是真的美, 卡是真的卡 给大家带来 GPT 5.2 thinking 和 pro 的测试结果: 说实话, 这两个模型差距并不大, 但是价格却差了11倍. 大象牙膏测试, 这个感觉退步了, 甚至不如 GPT 5, 而且粒子效果还不如国产开放权重模型. 鞭炮连锁爆炸测试, 建模和光照, 粒子效果都非常好, 但追求画质的结果就是牺牲性能, 两个模型在测试中都非常的卡, 甚至 GPT 5.2 pro 尝试使用52个纹理, 而 WebGL 2.0 规范只支持16个. 所以不但会卡而且还报错. 陀飞轮机芯测试, 这个应该是目前的 SOTA, 齿轮效果, 光照, 建模准确性都不错. python 杯子倒水测试毫无进步, 跟 GPT5 没区别 总结, 新的模型还是更注重在美学上发力, web界面的风格很统一, 光影效果也是SOTA, 但是具体编程上没有看到特别大的进步, 尤其是 python. 另外, 这两个模型大概率都有 three.js 的包导入错误, 所以大型工程场景表现需要谨慎. 以及本次测试 gpt 5.2 thinking 每个测试运行6次取最好结果, 花了我3.88刀(就写了18个网页和6个python脚本), 而 gpt 5.2 pro 由于太贵了, 每个测试我只运行了一次, 就这样还花费了我7.12 刀(3个网页1个python脚本...). 所以推荐大家如果需要极致美学的场景, 可以考虑使用 gpt 5.2 thinking, 其他编程场景如果没有订阅, 还是谨慎, 毕竟太贵了. #GPT52 #GPT #OpenAI

karminski-牙医

31,454 views • 8 months ago

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程
8:01

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程

karminski-牙医

19,683 views • 4 months ago

刚发布的 DeepSeek-V3.1-Base 写代码实测来啦! 直接说结论, 比 GPT-5 好! 我的体感是马上就能追平 Claude-Sonnet-4. 这次三组测试中, DeepSeek 除了大象牙膏的那个 OrbitControls 前面没有加 THREE 的包名称以外, 其余测试均能一次性通过, 相比较 GPT-5 在上期测试中出现了各种错误. DeepSeek-V3.1-Base 可以用流畅来形容. 不过测试出来 DeepSeek-V3.1-Base 最大的问题是美学还是差点意思, 生成的三角烧瓶只能用抽象来形容, 并且6次生成中没有一次能看的. 网页制作的样式和审美也略单一. 以上就是本期评测, 关注我带你看全网嗯快嗯专业的大模型评测. #DeepSeek #DeepSeekV31
1:45

刚发布的 DeepSeek-V3.1-Base 写代码实测来啦! 直接说结论, 比 GPT-5 好! 我的体感是马上就能追平 Claude-Sonnet-4. 这次三组测试中, DeepSeek 除了大象牙膏的那个 OrbitControls 前面没有加 THREE 的包名称以外, 其余测试均能一次性通过, 相比较 GPT-5 在上期测试中出现了各种错误. DeepSeek-V3.1-Base 可以用流畅来形容. 不过测试出来 DeepSeek-V3.1-Base 最大的问题是美学还是差点意思, 生成的三角烧瓶只能用抽象来形容, 并且6次生成中没有一次能看的. 网页制作的样式和审美也略单一. 以上就是本期评测, 关注我带你看全网嗯快嗯专业的大模型评测. #DeepSeek #DeepSeekV31

karminski-牙医

86,008 views • 1 year ago

龙虾专用大模型? GLM-5-Turbo 实测! 给大家带来刚发布的 GLM-5-Turbo 大模型实测, 官方说这是一个加强了 tool call/Agent 能力的大模型, 于是我使用它搭建了一个可以帮我比对大菠萝里面物品的SKILL, 可以帮我辅助判断我是应该把垃圾直接甩商店还是应该留着传三代哈哈哈. 另外本次也是老生常谈的测试了这个模型的基础能力, 包括前后端编程, 以及 Agent 能力, 测试结论是, 前端没有太大的提升, 不过后端提升明显, vector-db-bench 直接跃升到了国产模型SOTA, 另外 Agent 测试中, 虽然没有超过 GLM-5, 但是它的 token 效率特别高, 几乎是 GLM-5 的三倍, 所以只要约束好上下文轮次和长度, 就能在龙虾里面达到非常理想的效果. (P.S. 本次测试使用的是内测版本 pony-alpha-2) #GLM5Turbo #智谱 #GLM5 #AutoClaw #OpenClaw #龙虾
5:09

龙虾专用大模型? GLM-5-Turbo 实测! 给大家带来刚发布的 GLM-5-Turbo 大模型实测, 官方说这是一个加强了 tool call/Agent 能力的大模型, 于是我使用它搭建了一个可以帮我比对大菠萝里面物品的SKILL, 可以帮我辅助判断我是应该把垃圾直接甩商店还是应该留着传三代哈哈哈. 另外本次也是老生常谈的测试了这个模型的基础能力, 包括前后端编程, 以及 Agent 能力, 测试结论是, 前端没有太大的提升, 不过后端提升明显, vector-db-bench 直接跃升到了国产模型SOTA, 另外 Agent 测试中, 虽然没有超过 GLM-5, 但是它的 token 效率特别高, 几乎是 GLM-5 的三倍, 所以只要约束好上下文轮次和长度, 就能在龙虾里面达到非常理想的效果. (P.S. 本次测试使用的是内测版本 pony-alpha-2) #GLM5Turbo #智谱 #GLM5 #AutoClaw #OpenClaw #龙虾

karminski-牙医

41,275 views • 5 months ago

Kimi-K3 全方位实测! 我竟然打游戏输给了她?! 给大家带来Kimi-K3全方位编程能力实测! 包含前端, 后端, Agent能力. 并且包含现有SOTA级别模型横评! 这次 Kimi-K3 交了一个让我都意想不到的成绩, 甚至让我怀疑Scaling Law还远未结束! 下一个是不是要出10T参数量的模型! 本次测试直接把我几个测试集都要打到头了, 前端测试是淘汰的最快的, 我还以为这几个能撑下半年, 结果现在就撑了2个月. 后端的向量数据库测试大概还有几个算法变种可以优化, 然后就到头了, 除非未来的模型能自己发明新算法(那这妥妥AGI了). 测试唯一还需要提升的是Agent能力, 当然不是说Agent能力不行, 而是距离榜首还有一些提升空间. 总之, 现在唯一需要考虑的是, 完了, 又一个 CodingPlan 套餐要断货抢不到了.... #kimik3 #月之暗面 #AIAgent #多模态大模型 #VibeCoding #VibeGaming
14:09

Kimi-K3 全方位实测! 我竟然打游戏输给了她?! 给大家带来Kimi-K3全方位编程能力实测! 包含前端, 后端, Agent能力. 并且包含现有SOTA级别模型横评! 这次 Kimi-K3 交了一个让我都意想不到的成绩, 甚至让我怀疑Scaling Law还远未结束! 下一个是不是要出10T参数量的模型! 本次测试直接把我几个测试集都要打到头了, 前端测试是淘汰的最快的, 我还以为这几个能撑下半年, 结果现在就撑了2个月. 后端的向量数据库测试大概还有几个算法变种可以优化, 然后就到头了, 除非未来的模型能自己发明新算法(那这妥妥AGI了). 测试唯一还需要提升的是Agent能力, 当然不是说Agent能力不行, 而是距离榜首还有一些提升空间. 总之, 现在唯一需要考虑的是, 完了, 又一个 CodingPlan 套餐要断货抢不到了.... #kimik3 #月之暗面 #AIAgent #多模态大模型 #VibeCoding #VibeGaming

karminski-牙医

12,705 views • 1 month ago

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
1:18

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 views • 9 months ago

DeepSeek V3.2 正式版实测! 提升真的有限? 给大家带来 DeepSeek V3.2 正式版的测试结果: 所有测试项目来看, 与之前的 DeepSeek-V3.2-Exp 相比是有进步的, 之前无法实现的测试这次都可以实现了. 不过相较于 SOTA 水平的模型相比, 差距仍然存在, 甚至与国产SOTA模型相比都有一定的差距. 有同学可能会说, 这次支持了 thinking with tools, 但这个也不是新鲜事了, DeepSeek 反而处于追赶的状态了. 另外, 测试过程中发现 DeepSeek V3.2 正式版还有错别字的问题, 把 axle 拼写成了 axxle. 导致变量出错 (与正确变量名称就差一行, 匪夷所思...). 总之, 目前的版本还是不适合用来写代码, 建议大家谨慎. DeepSeek 加油啊! 看着编程性能上不来我是真着急, 赶紧春节前放出 DeepSeek-V4 吧. #deepseek #KCORES大模型竞技场
2:49

DeepSeek V3.2 正式版实测! 提升真的有限? 给大家带来 DeepSeek V3.2 正式版的测试结果: 所有测试项目来看, 与之前的 DeepSeek-V3.2-Exp 相比是有进步的, 之前无法实现的测试这次都可以实现了. 不过相较于 SOTA 水平的模型相比, 差距仍然存在, 甚至与国产SOTA模型相比都有一定的差距. 有同学可能会说, 这次支持了 thinking with tools, 但这个也不是新鲜事了, DeepSeek 反而处于追赶的状态了. 另外, 测试过程中发现 DeepSeek V3.2 正式版还有错别字的问题, 把 axle 拼写成了 axxle. 导致变量出错 (与正确变量名称就差一行, 匪夷所思...). 总之, 目前的版本还是不适合用来写代码, 建议大家谨慎. DeepSeek 加油啊! 看着编程性能上不来我是真着急, 赶紧春节前放出 DeepSeek-V4 吧. #deepseek #KCORES大模型竞技场

karminski-牙医

43,899 views • 8 months ago

Qwen3-Max-Thinking 实测! 呃...... 给大家带来 Qwen3-Max-Thinking-Preview 的测试结果: 大象牙膏测试这个大家看上去黑乎乎的, 实际上是光照有问题, 我给大家拉近了看效果. 建模和粒子效果也一般. prompt 完成度很差. 过山车测试可以, 衔接处虽然不够平滑但没有裂缝, 以及支撑柱会有穿模. 鞭炮连锁爆炸这个就不太行了, 不能完成连锁爆炸演示, 物理效果也不太对. 而且成功率很低, 6 次抽卡只有一次没有代码错误. python 杯子倒水是可以的, 在这些头部模型中是及格分数. 另外, 生成过程中的 web 界面太花哨了, prompt 没有要求这么复杂但是设计得很夸张. 那么写前端页面会好吗? 答案是否定的, 我让它写一个瀑布流图片网站, 这个很考验前端布局能力, 大家可以看效果. 它写得布局有问题, 所有卡片都叠在一起了. 而相对的 glm-4.6 写得非常好, 在不同缩放比例下 CSS 布局很完美. 总结, 考虑到还是 preview 版本, 还是抓紧后训练提升下, 短期不建议使用这个模型做编程类型的任务. #Qwen3 #KCORES大模型竞技场
2:27

Qwen3-Max-Thinking 实测! 呃...... 给大家带来 Qwen3-Max-Thinking-Preview 的测试结果: 大象牙膏测试这个大家看上去黑乎乎的, 实际上是光照有问题, 我给大家拉近了看效果. 建模和粒子效果也一般. prompt 完成度很差. 过山车测试可以, 衔接处虽然不够平滑但没有裂缝, 以及支撑柱会有穿模. 鞭炮连锁爆炸这个就不太行了, 不能完成连锁爆炸演示, 物理效果也不太对. 而且成功率很低, 6 次抽卡只有一次没有代码错误. python 杯子倒水是可以的, 在这些头部模型中是及格分数. 另外, 生成过程中的 web 界面太花哨了, prompt 没有要求这么复杂但是设计得很夸张. 那么写前端页面会好吗? 答案是否定的, 我让它写一个瀑布流图片网站, 这个很考验前端布局能力, 大家可以看效果. 它写得布局有问题, 所有卡片都叠在一起了. 而相对的 glm-4.6 写得非常好, 在不同缩放比例下 CSS 布局很完美. 总结, 考虑到还是 preview 版本, 还是抓紧后训练提升下, 短期不建议使用这个模型做编程类型的任务. #Qwen3 #KCORES大模型竞技场

karminski-牙医

11,750 views • 9 months ago

来辣，晚上拿到的月之暗面 Kimi Chat 200 万上下文的资格，做了几个测试看了看效果。 先说结论200万上下文确实没问题，找内容也很精准，这下真的国内独一份了，长上下文太方便了。 我顺便录了一个视频，具体效果也可以看视频里的内容，下面是具体的测试过程： 首先我尝试了一下日常经常做的任务就是长文本翻译，不管是GPT-4还是Claude我们都没办法直接发给他一个超长文章让他一次性全翻译完，都需要点击多次继续，而且还可能出现幻觉。 我拿今天英伟达发布会的公告加上宝玉的二次翻译提示词让kimi翻译，它一步就完成了全部内容的翻译，不过二次的有些小问题最后一段丢了，第一次翻译的非常完整。 然后是一个人工的大海捞针测试，我给了他一本比较出名的收费小说《道诡异仙》这本小说全文是220万字超了一些我删到了150万字，然后问他里面不同位置的内容。 我首先问了四个主要情节和人物的内容，比如主角的师傅叫什么，某个生物的信息之类的答得都非常准确，最后是一个开放题问他小说中的所有势力，他给出了五六个没有全部给出，不过已经很不错了。 现在可以去Kimichat首页申请200万字上下文的测试资格，感兴趣可以试试。
3:25

来辣，晚上拿到的月之暗面 Kimi Chat 200 万上下文的资格，做了几个测试看了看效果。 先说结论200万上下文确实没问题，找内容也很精准，这下真的国内独一份了，长上下文太方便了。 我顺便录了一个视频，具体效果也可以看视频里的内容，下面是具体的测试过程： 首先我尝试了一下日常经常做的任务就是长文本翻译，不管是GPT-4还是Claude我们都没办法直接发给他一个超长文章让他一次性全翻译完，都需要点击多次继续，而且还可能出现幻觉。 我拿今天英伟达发布会的公告加上宝玉的二次翻译提示词让kimi翻译，它一步就完成了全部内容的翻译，不过二次的有些小问题最后一段丢了，第一次翻译的非常完整。 然后是一个人工的大海捞针测试，我给了他一本比较出名的收费小说《道诡异仙》这本小说全文是220万字超了一些我删到了150万字，然后问他里面不同位置的内容。 我首先问了四个主要情节和人物的内容，比如主角的师傅叫什么，某个生物的信息之类的答得都非常准确，最后是一个开放题问他小说中的所有势力，他给出了五六个没有全部给出，不过已经很不错了。 现在可以去Kimichat首页申请200万字上下文的测试资格，感兴趣可以试试。

歸藏(guizang.ai)

83,102 views • 2 years ago

不写prompt改看视频了! Kimi-K2.5 实测! 月之暗面发布了新模型 Kimi-K2.5, 最大的更新是它终于成为统一模型了, 不仅支持文本和图片, 还支持视频输入! 给大家带来 Kimi-K2.5-Thinking 实测结果: 我找了一个有小行星带背景+鼠标交互+滚动切换的炫酷动画效果网页, 然后对着他录屏, 把录屏视频丢给 Kimi-K2.5-Thinking 做, 这个还原度我给80分, 除了柔性材料弯曲效果没实现, 其他都挺不错. 编程能力测试细节: 大象牙膏测试夯爆了, 这个效果短期内感觉很难有敌手了; Python杯子倒水测试直追 Claude-Sonnet, 在没有斜边辅助的情况下实现了侧面滴水不漏 (虽然性能有提升空间, 粒子碰撞是O(n²)的, 400个粒子每帧要算8万次, 我让它用空间网格划分优化了一下就流畅了). Agent能力我用硅基骑手测试跑了40分钟, 烧了1000万token, 最高分543.94, 妥妥第一梯队. 长上下文召回也稳定在85%以上, 不过审查有点严, 小说内容容易误判敏感 (已反馈官方在修). 总结: 编程算法和性能都有提升, Python能力直接第一梯队, Agent和长上下文都在线. 最重要的是视频模态, 我已经想了一个新玩法了——做个摄像头MCP让它帮我盯着屏幕干活哈哈! #KimiK25 #Kimi #月之暗面 #KCORES大模型竞技场 #AIAgent #全模态模型 #AI开始使唤AI干活了
5:58

不写prompt改看视频了! Kimi-K2.5 实测! 月之暗面发布了新模型 Kimi-K2.5, 最大的更新是它终于成为统一模型了, 不仅支持文本和图片, 还支持视频输入! 给大家带来 Kimi-K2.5-Thinking 实测结果: 我找了一个有小行星带背景+鼠标交互+滚动切换的炫酷动画效果网页, 然后对着他录屏, 把录屏视频丢给 Kimi-K2.5-Thinking 做, 这个还原度我给80分, 除了柔性材料弯曲效果没实现, 其他都挺不错. 编程能力测试细节: 大象牙膏测试夯爆了, 这个效果短期内感觉很难有敌手了; Python杯子倒水测试直追 Claude-Sonnet, 在没有斜边辅助的情况下实现了侧面滴水不漏 (虽然性能有提升空间, 粒子碰撞是O(n²)的, 400个粒子每帧要算8万次, 我让它用空间网格划分优化了一下就流畅了). Agent能力我用硅基骑手测试跑了40分钟, 烧了1000万token, 最高分543.94, 妥妥第一梯队. 长上下文召回也稳定在85%以上, 不过审查有点严, 小说内容容易误判敏感 (已反馈官方在修). 总结: 编程算法和性能都有提升, Python能力直接第一梯队, Agent和长上下文都在线. 最重要的是视频模态, 我已经想了一个新玩法了——做个摄像头MCP让它帮我盯着屏幕干活哈哈! #KimiK25 #Kimi #月之暗面 #KCORES大模型竞技场 #AIAgent #全模态模型 #AI开始使唤AI干活了

karminski-牙医

23,597 views • 6 months ago

提升明显! Qwen3-Max 正式版 vs Preview版 实测! 距离 Qwen3-Max-ThinkingPreview 版发布已经过去3个月了, 正式版终于来了! 这次提升有多大? 给大家直接上测试结果! 编程能力测试: 鞭炮连锁爆炸测试史诗级提升, 之前Preview版完全无法连锁, 现在不仅能连锁, 效果还相当不错; 大象牙膏测试锥形瓶建模改善明显, 甚至有液体下降动画了, 不过粒子动画还是有些问题; 陀飞轮机芯从无法完成到顺利建模; Python杯子倒水的粒子弹性和碰撞检测都修好了. 这次追加了美学测试: 用文字描述让它还原p5.js现代艺术作品, 效果还可以, 但空间理解能力还是拖后腿, 小窗口的横线错位了. Agent能力测试: 60K上下文以内表现优秀, 预估能刷到500分SOTA水平, 但超过60K后性能急剧下降, 会出现任务循环或遗忘工具的问题. 召回能力接近70%, 但出现了奇怪现象——上下文越短召回反而越差, 目前还不清楚是什么问题, 我已经反馈给官方了. 总结: 正式版比Preview版提升肉眼可见, 编程和美学都有进步, 但空间理解、Agent能力和长上下文召回还需打磨. 另外, 本次测试的是正常的thinking版本, 而那个分数超高的TTS模式目前还没上线呢! 期待一波！ #Qwen3Max #Qwen3MaxThinking #KCORES大模型竞技场 #AI编程 #大模型测评 #阿里千问
4:56

提升明显! Qwen3-Max 正式版 vs Preview版 实测! 距离 Qwen3-Max-ThinkingPreview 版发布已经过去3个月了, 正式版终于来了! 这次提升有多大? 给大家直接上测试结果! 编程能力测试: 鞭炮连锁爆炸测试史诗级提升, 之前Preview版完全无法连锁, 现在不仅能连锁, 效果还相当不错; 大象牙膏测试锥形瓶建模改善明显, 甚至有液体下降动画了, 不过粒子动画还是有些问题; 陀飞轮机芯从无法完成到顺利建模; Python杯子倒水的粒子弹性和碰撞检测都修好了. 这次追加了美学测试: 用文字描述让它还原p5.js现代艺术作品, 效果还可以, 但空间理解能力还是拖后腿, 小窗口的横线错位了. Agent能力测试: 60K上下文以内表现优秀, 预估能刷到500分SOTA水平, 但超过60K后性能急剧下降, 会出现任务循环或遗忘工具的问题. 召回能力接近70%, 但出现了奇怪现象——上下文越短召回反而越差, 目前还不清楚是什么问题, 我已经反馈给官方了. 总结: 正式版比Preview版提升肉眼可见, 编程和美学都有进步, 但空间理解、Agent能力和长上下文召回还需打磨. 另外, 本次测试的是正常的thinking版本, 而那个分数超高的TTS模式目前还没上线呢! 期待一波！ #Qwen3Max #Qwen3MaxThinking #KCORES大模型竞技场 #AI编程 #大模型测评 #阿里千问

karminski-牙医

15,566 views • 6 months ago

就这??? 马斯克你认真的吗? 来看 Grok4 实测! 我原本打算用新试题, 突然转念一想, 万一Grok4 延续了 Grok3 的辉煌传统怎么办? 于是直接用了经典到都出包浆的我的那个20小球在七边形里面弹跳的实体快速来了一遍. 结果, 3次生成代码中, 2次 Grok4生成的代码甚至有语法错误. 唯一一次成功的是这个样子. 为了给不了解这个测试的朋友做对比, 我放了 DeepSeek-R1 作为参考, 注意哦，这个甚至不是 DeepSeek-R1-0528, 而是今年年初的那个老版本 R1.... 从目测来看, 大概是今年第一季度所有大模型中, 写代码能力的中间水平, 接近GPT-4o 或 kimi-1.5-long-thinking 之间. 根本不是第一梯队的水平, 更别提跟现在的 Claude-4 或者 Gemini-2.5-pro 比了..... 建议 AIME25 那个数学能力也谨慎看待, 说不定又是一个过拟合的结果. 更多测试我随后放出, 希望 Grok4 能打我的脸. 但这编程水平....呵呵. #Grok4
0:53

就这??? 马斯克你认真的吗? 来看 Grok4 实测! 我原本打算用新试题, 突然转念一想, 万一Grok4 延续了 Grok3 的辉煌传统怎么办? 于是直接用了经典到都出包浆的我的那个20小球在七边形里面弹跳的实体快速来了一遍. 结果, 3次生成代码中, 2次 Grok4生成的代码甚至有语法错误. 唯一一次成功的是这个样子. 为了给不了解这个测试的朋友做对比, 我放了 DeepSeek-R1 作为参考, 注意哦，这个甚至不是 DeepSeek-R1-0528, 而是今年年初的那个老版本 R1.... 从目测来看, 大概是今年第一季度所有大模型中, 写代码能力的中间水平, 接近GPT-4o 或 kimi-1.5-long-thinking 之间. 根本不是第一梯队的水平, 更别提跟现在的 Claude-4 或者 Gemini-2.5-pro 比了..... 建议 AIME25 那个数学能力也谨慎看待, 说不定又是一个过拟合的结果. 更多测试我随后放出, 希望 Grok4 能打我的脸. 但这编程水平....呵呵. #Grok4

karminski-牙医

612,825 views • 1 year ago

Qwen3-Next-80B-A3B 实测! 能跟头部模型对打吗? 直接说结论, 能完成我这个大象牙膏测试的一部分, 已经很厉害了, Python 杯子倒水那个测试表现也可圈可点. 来看测试中暴露出来的问题: 首先这个模型生成的样式特别多变, 可以看测试中生成的前端页面的样式和布局, 几乎每次都不一样. 所以实际使用中, 可能会存在稳定性的问题, 建议 prompt 中多做约束, 避免模型过度发挥. 不过这并不全是坏处, 如果拿这个大模型写文, 反而可能会超常发挥, 每次写出来的东西都不一样, 不会呆板. 另外目前发现最大的问题是, 给到模型一大堆数据, 让模型整理一个网页, 结果模型偷懒了, 直接把代码和数据省略掉了, 这个应该还是 GPT-4 时代的问题 (24年上半年) 出现了. 这里猜测可能是高稀疏性专家混合模型或者多词元预测造成的问题, 这两个都会在生成中选择最经济的生成模式, 因此可能会倾向于生成"此处代码省略"这样的代码来替代原本要生成一大堆代码的场景. 召回倒是没太大问题, 鞭炮连锁爆炸那个测试, 虽然模型没有成功写出来, 但是最长的一次还是生成了1100行代码, 我仔细看了下, 基本都考虑到了我 prompt 中要求的逻辑, 只不过实现的代码有 bug 跑不起来而已. 综合来讲, 我觉得这应该是 100B 以内的模型无敌手了, 考虑到定位可能是个新的技术试验模型, 所以期待千问推出更大规模 (例如400B-A15B) 的模型, 带来更好的性能. 测试 prompt: #Qwen3Next #大模型竞技场 #Qwen3
2:19

Qwen3-Next-80B-A3B 实测! 能跟头部模型对打吗? 直接说结论, 能完成我这个大象牙膏测试的一部分, 已经很厉害了, Python 杯子倒水那个测试表现也可圈可点. 来看测试中暴露出来的问题: 首先这个模型生成的样式特别多变, 可以看测试中生成的前端页面的样式和布局, 几乎每次都不一样. 所以实际使用中, 可能会存在稳定性的问题, 建议 prompt 中多做约束, 避免模型过度发挥. 不过这并不全是坏处, 如果拿这个大模型写文, 反而可能会超常发挥, 每次写出来的东西都不一样, 不会呆板. 另外目前发现最大的问题是, 给到模型一大堆数据, 让模型整理一个网页, 结果模型偷懒了, 直接把代码和数据省略掉了, 这个应该还是 GPT-4 时代的问题 (24年上半年) 出现了. 这里猜测可能是高稀疏性专家混合模型或者多词元预测造成的问题, 这两个都会在生成中选择最经济的生成模式, 因此可能会倾向于生成"此处代码省略"这样的代码来替代原本要生成一大堆代码的场景. 召回倒是没太大问题, 鞭炮连锁爆炸那个测试, 虽然模型没有成功写出来, 但是最长的一次还是生成了1100行代码, 我仔细看了下, 基本都考虑到了我 prompt 中要求的逻辑, 只不过实现的代码有 bug 跑不起来而已. 综合来讲, 我觉得这应该是 100B 以内的模型无敌手了, 考虑到定位可能是个新的技术试验模型, 所以期待千问推出更大规模 (例如400B-A15B) 的模型, 带来更好的性能. 测试 prompt: #Qwen3Next #大模型竞技场 #Qwen3

karminski-牙医

30,709 views • 11 months ago

前几天跟珠海一个教培机构的老板聊天，了解到她接待到店家长的时候，都会先让小孩做一个词汇量测试，然后根据测试结果来推荐适合的课程。 以往呢都是用简单的A4纸打印，还得家长帮忙填写。那天聊过天之后，我就说我来帮她做一个在线单词量测试的网页工具，前几天也是用codex抽空做了一个demo，但是看上去有点普通。 刚好看到 Claude opus 4.8上线了，并且可以在ZenMux 平台上尝鲜体验，一句简单的提示词就重构好了，大家一起来看看效果吧。 最后在给大家推荐一下ZenMux 这个平台，如果你想第一时间尝鲜试用最近发布的大模型，认准ZenMux 就对了。 凭心而论，ZenMux 平台的价格不是最便宜的，但确实是我用过的最稳定和最省心的的API聚合平台，一个API接口可以调用市面上的几百个大模型。 如果你也跟我一样饱受Claude 封号的折磨，有想要稳定的服务，那就用ZenMux 吧，如果你想省钱可以先去看看中转站，不过我相信你最后还会回来的。
0:37

前几天跟珠海一个教培机构的老板聊天，了解到她接待到店家长的时候，都会先让小孩做一个词汇量测试，然后根据测试结果来推荐适合的课程。 以往呢都是用简单的A4纸打印，还得家长帮忙填写。那天聊过天之后，我就说我来帮她做一个在线单词量测试的网页工具，前几天也是用codex抽空做了一个demo，但是看上去有点普通。 刚好看到 Claude opus 4.8上线了，并且可以在ZenMux 平台上尝鲜体验，一句简单的提示词就重构好了，大家一起来看看效果吧。 最后在给大家推荐一下ZenMux 这个平台，如果你想第一时间尝鲜试用最近发布的大模型，认准ZenMux 就对了。 凭心而论，ZenMux 平台的价格不是最便宜的，但确实是我用过的最稳定和最省心的的API聚合平台，一个API接口可以调用市面上的几百个大模型。 如果你也跟我一样饱受Claude 封号的折磨，有想要稳定的服务，那就用ZenMux 吧，如果你想省钱可以先去看看中转站，不过我相信你最后还会回来的。

得否

17,034 views • 2 months ago