最好用的AI工具
搜尋：代碼
75 個結果
DeepSeek V4.1 Flash 1017 實測 – 幾句話生成完整項目
最近 DeepSeek 更了新模型，DeepSeek-V4.1-Flash-1017，一更新就登上了兩大排行榜榜首。 名字拉跨模型榜首： 開源模型榜首： 這次DeepSeek-V4.1-Flash-1017 官方打的是許願式編程的旗號，那是不是真的能幾句話出項目呢？實測一波不就知道了。 01. 模型實測 官方說 DeepSeek V4.1 Flash 1017 通過基於自反饋的強化學習（RL）訓練技術，提升了在遊戲開發、3D 建模等方面從零開始構建完整項目的能力，能夠支持實現更多許願式編程任務及項目開發請求。 說人話就是有了少量提示詞出完整項目對的能力，我們今天就用幾句話的提示詞來試試。 case 1 超光速穿梭網頁 提示詞：製作一個名爲 HYPERSPEED 的全屏交互網頁，使用 Three.js 實時繪製穿梭於霓虹高速公路的第一人稱場景。黑色背景，青色與洋紅色燈帶沿道路兩側延伸，車輛燈軌不斷經過鏡頭。按住鼠標或手機屏幕時，行進速度逐漸提高，燈軌拉長，鏡頭視野擴大；鬆開後平滑恢復。提供三種可切換配色，以及速度和光軌密度控制。頁面只保留簡潔標題、操作提示和底部控制欄。動畫由代碼實時生成，不使用背景視頻。 長按加速時，燈軌、視野、速度讀數和操作提示都會跟着變化，三種配色及參數調節也能正常使用，畫面的空間感已經出來了。 case 2 產品爆炸拆解 提示詞： 製作一個機械鍵盤的交互式產品展示網頁，使用 Three.js，通過基礎幾何體生成鍵盤模型。 初始顯示完整鍵盤，採用深灰色外殼、米白色鍵帽和橙色 Esc 鍵。滾動頁面時固定展示區域，讓鍵帽、軸體、定位板、電路板、消音棉和底殼依次分離，形成清晰的立體爆炸圖。 各層分離時出現名稱與引導線。繼續滾動，所有部件重新組裝；反向滾動時動畫能夠連續倒放。提供鼠標拖動觀察角度的功能，整體採用簡潔的工業產品展示風格。 滾動拆解完成得比較完整。六層結構依次展開，名稱和引導線跟着部件移動，繼續滾動還能重新組裝。鍵帽字符、定位板開孔和電路板走線也有體現。 case 3 3D 懸浮銀行卡輪播 提示詞： 製作一個全屏 3D 銀行卡展示網頁，純黑背景，五張不同材質的虛構銀行卡圍繞一個不可見的橫向圓柱排列。 中央卡片正對觀衆，其餘卡片沿圓柱向後旋轉，呈現透視和遮擋關係。支持拖動切換，鬆手後帶慣性並自動吸附到最近一張。鼠標移動時，中央卡片輕微傾斜；點擊可翻到背面，再次點擊恢復。 卡片有可見厚度、金屬芯片、虛構卡號和背面磁條。用 CSS 漸變生成鐳射、磨砂和金屬質感，不使用視頻或卡片截圖。 銀行卡輪播的細節完成得比較好。五張卡片各有不同紋理，翻面後也有完整的磁條和簽名欄。拖動時能感受到慣性與自動吸附，快速甩動和停頓後鬆手會得到不同結果。 case 4 鼠標探照燈 提示詞： 製作一個名爲「地層之下」的全屏交互網頁。 默認畫面是一片安靜的山地景觀。鼠標移動時，一個邊緣柔和的圓形探照燈跟隨光標，光圈內顯示對應位置的地下剖面，包括岩層、晶體和化石，光圈外仍然顯示地表。 地表與地下畫面使用 SVG 或 Canvas 繪製，空間位置保持對應。光圈帶少量跟隨延遲，滾輪可調整大小。前景加入簡潔標題、說明和探索按鈕，手機端支持手指拖動探照燈。 探索過程做得比較完整。移動光圈能揭開山體內部的岩層，靠近化石和晶洞時會出現對應標註，按鈕還能自動帶着瀏覽三處標本，山巒、薄霧和儀器刻度形成了統一的視覺風格。 case 5 海報風動態首頁 提示詞： 製作一個名爲 BEYOND 的創意工作室首頁，採用橙色背景、超大白色標題，以及淺綠和淺藍的錯位文字疊層，呈現復古立體海報效果。 首屏中央繪製一個原創 SVG 抽象角色，讓角色遮住部分標題，形成前後層次。頁面兩側排列大號關鍵詞，滾動時從兩側逐漸向中央移動，同時提高透明度。 下一屏是一條白底橙字的無縫滾動文字帶。 桌面端構圖大膽，手機端重新安排文字與角色的位置，保持標題清楚可讀。 海報風格比較鮮明。橙色背景、錯位大字和獨眼角色形成了統一構圖，滾動時兩側關鍵詞向內移動，接着進入白底橙字的跑馬燈區域，視覺演示已經比較完整。 case 6 液態漸變首頁 提示詞： 製作一個名爲 FLUID 的全屏交互首頁。 背景由五個緩慢運動的彩色色團組成，採用深藍、青色、珊瑚橙和少量紫紅。色團接近時像黏稠液體一樣融合，分離時自然拉伸。增加一個跟隨鼠標的色團，讓用戶能用光標影響畫面。 使用 SVG 濾鏡、CSS 或 Canvas 實現實時效果。提供暫停、運動速度和配色切換功能。前景放置清晰的大標題、簡短介紹及兩個按鈕，背景運動時仍保持文字可讀。 液態背景和控制面板都做出來了。鼠標能作爲額外的色團參與畫面，暫停、調速、換色和擾動按鈕也都有實際反饋。說明彈窗還能保留原先的播放狀態，細節比較完整。 實測總結：
Claude Opus 5.5 視頻教程 – 附萬能提示詞模板與 GitHub 項目
最近，X 上出現了很多百萬播放的 Claude Opus 5.5 視頻作品。 kirill 的動效作品集，有 190 萬播放。 Donald 重製的《Claude Pop》MV，有 390 萬播放。 對做內容的人來說，這真的是史詩級別的技能提升，各種視頻都能不用視頻模型就能出了：可以給文章做一段動畫解釋，爲軟件錄一支宣傳片，或者把準備好的配音稿做成視頻。 過去需要逐個調整的字幕、圖形和轉場，現在都可以把要求交給 Claude Oups 5.5。 還沒試過的可以用我的萬能提示詞試試，我還給大家找了幾個 GitHub 上的的提示詞項目供大家參考。 01. Claude Opus 5.5 怎麼做視頻 Claude Opus 5.5 做視頻，不是代表這個模型已經變成了視頻模型。Claude Opus 5.5 還是隻能看文字和圖片，並輸出文字。 視頻畫面都是由代碼實現的，Claude Opus 5.5 寫好代碼，代碼在瀏覽器裏做出畫面，連續畫面達到 24 張每秒後，就會讓眼睛看到連續的畫面，最後再交給別的程序把畫面拍成視頻即可。 所以大家只需要輸入提示詞，其他的都交給 Claude Opus 5.5 即可。 我們來試着做一支普通人能看懂的諾獎科普動畫 2026 年諾貝爾物理學獎，授予弗朗西斯·哈爾岑，表彰他對冰立方中微子天文台的決定性貢獻，以及發現具有天體物理起源的高能中微子。 普通人一般都不懂這個方面，我們看看 Claude Oups 5.5 是如何做出普通人都能看懂的視頻的。 提示詞： 請製作一支中文科普動畫，介紹 2026 年諾貝爾物理學獎。 你同時擔任科普編導和動畫開發者。 【觀衆與目標】 觀衆沒有大學物理基礎。看完應該能解釋： 中微子爲什麼難以探測；冰立方怎樣探測中微子； 這項研究爲什麼能幫助我們瞭解宇宙。 建議標題：《2026 諾貝爾物理學獎：南極的冰，怎麼幫我們觀察宇宙？》 時長約 150 秒，中文旁白約 450～550 字，留出觀看動畫的時間。 橫屏 16:9，1920×1080，30 fps，中文旁白與中文字幕。 用 HTML、CSS 和 JavaScript 製作二維示意動畫，使用 HyperFrames 渲染。 【事實與資料】 2026 年諾貝爾物理學獎授予弗朗西斯·哈爾岑（Francis Halzen）， 表彰他對冰立方中微子天文台的決定性貢獻， 以及發現具有天體物理起源的高能中微子。 製作前閱讀並覈實以下資料： https://www.kva.se/en/news/the-nobel-prize-in-physics-2026/ 獲獎者、年份、獲獎原因以官方資料爲準。 具體數字和歷史日期逐項覈實，無法覈實的內容省略。 體現哈爾岑的構想與領導作用，也說明國際團隊的共同貢獻。 【分鏡安排】 第一幕，約 0～12 秒：從南極地表向下移動， 顯示冰層中成串的傳感器。 開場旁白：「南極的冰層下面，藏着一台用來觀察宇宙的儀器。」 第二幕，約 12～25 秒：顯示哈爾岑姓名、2026 年諾貝爾物理學獎， 以及冰立方的簡化示意圖，用兩句口語說明獲獎原因。 第三幕，約 25～50 秒：用小圓點和軌跡表示中微子穿過物體。 解釋中微子是極小、不帶電的粒子，很少與物質發生相互作用， 因此難以留下可探測的信號。 畫面註明：粒子大小和運動速度爲示意。 第四幕，約 50～75 秒：用剖面圖展示透明的深層冰和光傳感器。 解釋探測需要很大的體積，透明的冰能讓微弱的光傳播到傳感器。 把傳感器畫在多根垂直線纜上，體現三維分佈，註明數量經過簡化。 第五幕，約 75～110 秒：放慢探測過程，按順序展示： 中微子進入冰層 → 極少數中微子與原子核發生相互作用 → 產生帶電粒子 → 帶電粒子運動時產生微弱的切倫科夫光 → 附近的光傳感器記錄這些光。 每一步配一句短旁白，前一步解釋完再出現下一步。 第六幕，約 110～135 秒：讓不同位置的傳感器依次亮起， 顯示記錄到的光信號，再用簡化箭頭展示分析後的來向。 解釋科學家根據光到達的位置、時間和強弱，估算中微子的來向與能量。 提一句分析需要排除來自地球大氣等背景的干擾。 把畫面拉回宇宙，說明高能中微子幫助研究遙遠宇宙中的高能過程。 第七幕，約 135～150 秒：重放完整過程： 宇宙中的高能過程 → 中微子 → 冰層中的相互作用 → 光傳感器記錄 → 科學分析。 用一句自然的旁白收尾，片尾顯示簡短資料來源。 【畫面與講解】 米白背景、深灰文字，冰層用淺藍色。 中微子用橙色，帶電粒子用綠色，光用藍色，保留簡短圖例。 用移動、穿過、局部放大和依次亮起展示過程。 每個鏡頭只引入一個新概念，複雜步驟放慢。 旁白使用短而完整的句子，術語第一次出現時立即解釋，儘量不用公式。 屏幕文字只保留關鍵詞和必要標籤
MiniMax M3.1 Flash – MiniMax 推出的新一代 Flash 模型
MiniMax M3.1 Flash是什麼 MiniMax M3.1 Flash 是 MiniMax 推出的新一代 Flash 模型，是匿名”Space Bunny“模型，處理超200T Token。MiniMax M3.1 Flash在 Agentic 任務、編程、Computer Use 及網絡安全方面達頂尖水平，DeepSWE 73.7%、OSWorld V2 61.7、CyberGym 82%。MiniMax M3.1 Flash已上線 MiniMax API、MPlan 和 MiniMax Code，權重稍後開源。 MiniMax M3.1 Flash的主要功能 複雜任務與自動化：在 AutomationBench-AA 位居最前列，可跨 SaaS 系統完成銷售、營銷、運營、客服、財務、HR 等企業真實業務流；BankerToolBench 得 76.2 分，擅長多步驟規劃與工具鏈式調用。 編程與軟件工程：DeepSWE v1.1 達 73.7%，能獨立完成代碼理解、功能開發、問題修復與測試驗證的長鏈路開發任務。 Computer Use：OSWorld V2 得 61.7 分、ALE 得 29.6 分，均列國產第一，可從理解任務走向真實電腦操作與交付。 網絡安全：CyberGym 達 82%，覆蓋代碼審計、漏洞修補、滲透測試、惡意代碼分析與逆向工程。 高速推理：日常使用輸出速度達 200+ TPS（P50 穩定 170+ TPS），較前代提升近 3 倍。 MiniMax M3.1 Flash的技術原理 稀疏注意力架構：M3.1 Flash 採用更激進的稀疏注意力設計，通過減少注意力計算中的冗餘交互，在保證模型對長上下文理解能力的同時顯著降低計算開銷，這是其實現 200+ TPS 高速輸出和推理速度近 3 倍提升的核心機制，也使單位 Token 的推理成本大幅下降。 Agentic 長鏈路任務執行：模型針對多步驟規劃與工具調用進行了強化訓練，使其在跨 SaaS 工作流、金融合規、軟件開發等場景中，能夠把複雜任務拆解爲連續可執行的步驟，並在執行過程中保持跨文檔、跨文件的信息一致性，在 AutomationBench、DeepSWE 等考驗真實任務閉環能力的基準上達到頂尖水平。 真實環境交互能力（Computer Use）：模型通過與真實操作系統、跨應用環境的交互訓練，獲得感知屏幕、操作軟件、調用工具並驗證結果的閉環能力，使其在 OSWorld V2 和 ALE 這類衡量”實際操作與交付。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用MiniMax M3.1 Flash API 調用：訪問 MiniMax 開放平台（https://www.minimax.cn/）註冊登錄，獲取 API Key 後按文檔將模型指向 M3.1 Flash 可調用。 訂閱 MPlan：前往 https://www.minimax.cn/m-plan 選擇套餐訂閱，適合以固定預算大量使用模型的用戶。 安裝 MiniMax Code：訪問 MiniMax Code 下載桌面端，安裝後可在編程場景中直接使用 M3.1 Flash。 MiniMax M3.1 Flash的核心優勢 Agentic 能力頂尖：在 AutomationBench-AA、BankerToolBench（76.2 分）等複雜 Agent 任務評測中位居最前列，能獨立完成跨 SaaS 的真實企業業務流。 編程能力對標旗艦：DeepSWE v1.1 達 73.7%，具備長鏈路代碼理解、開發、修復與測試驗證能力，成本遠低於同級模型。 Computer Use 國產第一：OSWorld V2（61.7）與 ALE（29.6）雙榜國產第一。 網絡安全領先：CyberGym 達 82%，低成本覆蓋代碼審計、滲透測試、逆向工程等專業安全場景。 速度快 3 倍：激進稀疏注意力架構帶來 200+ TPS 輸出速度，P50 穩定 170+ TPS，交互體驗大幅升級。 MiniMax M3.1 Flash的項目地址 項目官網：https://www.minimax.cn/blog/minimax-m31f MiniMax M3.1 Flash的同類競品對比 維度 MiniMax M3.1 Flash DeepSeek V4.1 Flash 架構 稀疏注意力（參數未公佈） 552B MoE，輸入激活 8B / 輸出 16B，Encoder-Decoder 輸入價格 1 元/百萬（固定） 閒時 1 元 / 高峯 2 元 輸出價格 4 元/百萬（固定） 閒時 4 元 / 高峯 8 元 緩存命中 0.1 元/百萬 0.02
Doory – 開源的在線設計編輯器，Canva 開源平替
Doory是什麼 Doory 是開源的在線設計工具，開源的 Canva 替代品，運行在瀏覽器裏的全功能在線設計編輯器，可製作海報、社媒圖、簡歷、PPT、名片等。Doory支持導出 PNG/JPG/SVG/PDF/MP4/GIF，具備實時協同編輯、動畫特效、一鍵摳圖和私有化部署能力，完全免費無廣告，適合小團隊自建使用。 Doory的主要功能 模板設計：內置10個高頻率場景起步模板（海報、簡歷、邀請函等），也支持從空白畫布開始創作。 像素級畫布編輯：基於 Fabric.js 的畫板支持多頁面、多尺寸設計，配備對齊參考線、自動吸附和標尺。 圖層管理：每個元素都是圖層，可重命名、鎖定、隱藏、分組、拖拽排序，右鍵即可調整層級。 文字工具：支持標題、彎曲文字、文字效果、字體搭配，內置開放許可字體庫，也可上傳自有字體。 素材庫：自帶約25000個開放許可圖標、Emoji和插畫，支持上傳圖片、應用蒙版和濾鏡。 一鍵摳圖：背景移除模型直接在瀏覽器本地運行，無需上傳服務器。 動畫製作：提供27種入場/退場動畫、12種強調效果和16種頁面過渡，配時間軸編輯。 多格式導出：支持 PNG（透明）、JPG、SVG、PDF，動畫可導出 MP4/WebM/GIF。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用Doory 在線體驗： 打開官網：訪問 Doory 官網 https://doory.art/ 進入模板畫廊。 選擇模板：瀏覽或搜索模板，點擊”Use this template”進入編輯器；也可從空白頁開始。 編輯設計：點擊畫布上任意元素即可修改，左側欄可添加文字、形狀、貼紙、圖片、動畫、音頻等，上方工具欄調整字體、顏色、大小等屬性。 保存作品：遊客模式自動將設計保存在瀏覽器本地，點”Sign up”註冊後可將作品一鍵遷移到雲端。 分享協作：點擊右上角 Share 生成鏈接，可設密碼和”僅查看/可評論/可編輯”權限，多人實時協同編輯。 導出成品：點擊下載按鈕，選擇 PNG/JPG/SVG/PDF或 MP4/WebM/GIF導出。 Docker 私有化部署： 獲取代碼：git clone 倉庫到服務器，複製 .env.example 爲 .env。 配置環境變量：在 .env 中設置 DJANGO_SECRET_KEY（用 openssl rand -base64 48 生成）和 POSTGRES_PASSWORD。 啓動服務：運行 docker compose up -d --build，等待容器構建完成。 創建管理員：執行 docker compose exec api python manage.py createsuperuser 設置後台賬號。 填充內容：依次運行 seed_templates、seed_elements、sync_fonts、sync_element_packs、sync_audio 等命令導入模板、圖標、字體和音頻。 訪問使用：瀏覽器打開 http://localhost:8080可開始設計，管理員可登錄後台上傳自定義模板和素材。 Doory的核心優勢 數據自主可控：支持 Docker 一鍵私有化部署，所有設計文件和上傳素材都存儲在自己的服務器上，可對接 S3，徹底避免數據託管在第三方平台的風險。 功能完整度高：圖層、蒙版、濾鏡、彎曲文字、動畫時間軸、音頻、演示模式、版本歷史一應俱全。 實時協同編輯：基於 Yjs 的多人協作，實時光標、評論、權限分級，達到商業產品水準。 本地AI摳圖：背景移除模型直接在瀏覽器本地運行，圖片無需上傳服務器，速度快且保護隱私。 Doory的項目地址 項目官網：https://doory.art/ GitHub倉庫：https://github.com/shaongitbd/doory Doory的同類競品對比 對比維度 Doory Canva 開源 ✅ 開源（Attribution Assurance License） ❌ 閉源商業軟件 私有化部署 ✅ Docker 一鍵部署到自己的服務器 ❌ 僅限官方雲服務 數據控制 文件存儲在自己掌控的基礎設施上 數據託管在 Canva 服務器 免登錄使用 ✅ 遊客直接設計，作品存本地 ❌ 必須註冊賬號 實時協同編輯 ✅ 實時光標、評論、版本歷史 ✅ 支持團隊協作 動畫/視頻導出 ✅ MP4、WebM、GIF ✅ 支持 背景移除 ✅ 模型在瀏覽器本地運行 ✅ 雲端處理（免費版有限額） 模板庫 僅 10 個起步模板（可自行擴充） 百萬級模板庫，生態成熟 素材規模 約 25000 個圖標/Emoji 海量照片、視頻、字體
DMAD – 字節聯合德州農工開源的擴散模型少步蒸餾技術
DMAD是什麼 DMAD（Distribution Matching as Adversarial Distillation）是字節跳動與德州農工大學聯合開源的少步蒸餾框架，用於加速擴散模型生成。DMAD訓練二分類判別器直接學習目標分佈與學生分佈的差異，省去輔助擴散模型，將50步教師模型蒸餾爲4步學生模型。已支持ImageNet、SDXL、Wan2.1及MiniMax-H3-33B，8GB顯存可生成約5秒1344×768有聲視頻。 DMAD的主要功能 少步圖像生成：將 ImageNet-64 的 EDM 模型蒸餾至 1 步採樣，FID 低至 1.04，SDXL 僅需 4 步可文生圖。 少步文生視頻：把 Wan2.1-T2V-14B 蒸餾爲 4 步學生模型，VBench 達 85.15。 聯合音視頻生成：將 MiniMax-H3-33B 的 50 步教師模型蒸餾爲 4 步，輸出 1344×768 視頻與 32kHz 原生立體聲音頻。 消費級硬件支持：提供 8GB 顯存 ComfyUI 工作流與低顯存命令行推理，8GB 顯卡可生成約 5 秒、12GB 約 15 秒有聲視頻。 訓練與推理全開源：發佈蒸餾方法、訓練代碼、推理腳本及多模型 LoRA 權重，覆蓋命令行與 ComfyUI 兩種使用方式。 DMAD的技術原理 分佈匹配即對抗蒸餾：DMAD 爲訓練二分類判別器區分目標樣本與學生樣本，最優判別器的 logit 等於兩分佈的對數密度比，對其輸入求梯度即得 score 差，直接給出學生的修正方向，省掉輔助 score 擬合模型。 共享骨幹、雙頭判別器：判別器採用單一共享特徵骨幹、兩個判別頭，教師頭區分教師樣本與學生樣本，真實數據頭區分真實樣本與學生樣本，均用二元交叉熵訓練；學生用兩個 logit 的加權線性損失更新，更新時凍結判別器參數但保留梯度回傳。 噪聲區間動態加權：教師樣本與真實數據的分佈差異隨噪聲水平變化，DMAD 用真實數據頭在兩類樣本上的平均 logit 差作爲經驗信號，以 0.99 衰減的指數移動平均追蹤各噪聲區間，差距小的區間獲得更高教師權重，歸一化後參與學生損失。 離線教師樣本加速訓練：教師只提供預生成並緩存的樣本，訓練時無需在線調用教師。4 卡 H200、MiniMax-H3 rank-128 LoRA 配置下，每次學生更新及關聯判別器更新耗時從 818.1 秒降至 233.3 秒，實現約 3.51 倍訓練加速。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用DMAD 克隆倉庫：git clone https://github.com/Yzmblog/DMAD.git 並進入項目目錄。 創建環境：用 conda 創建 Python 3.12 環境並激活。 安裝依賴：按官方固定版本安裝 PyTorch 2.11.0（cu126）、torchvision、torchaudio，再執行 pip install -r requirements.txt 和 pip install -U modelscope-hub。 準備硬件：確保有支持 CUDA 的 NVIDIA 顯卡，並預留約 64GB 系統內存與 170GB 磁盤空間。 下載基礎模型：通過 modelscope download MiniMax/MiniMax-H3 下載 MiniMax-H3 基礎模型。 下載蒸餾權重：從魔搭下載 DMAD 的 4 步 LoRA。 命令行推理：運行 inference.py，指定模型路徑、LoRA、提示詞文件、--steps 4、--height 768 --width 1344，按顯存選擇 --low-vram 8或 --low-vram 12。 查看輸出：輸出目錄包含 0000.mp4、提示詞 txt 和 settings.json，跑通後可替換爲自己的提示詞文件。 DMAD的核心優勢 推理大幅提速：將 50 步教師模型蒸餾爲 4 步學生模型，去噪迭代減少 92% 以上，同時保持接近教師的生成質量。 訓練效率更高：判別器直接學習分佈差異，省去輔助擴散模型，4 卡 H200 上訓練更新加速約 3.51 倍。 生成質量領先：ImageNet-64 一步生成 FID 達 1.04，優於 DMD2、SiDA 等方法；人類評估中對 DMD2 總體偏好率 79.1%、對 rCM 達 84.6%。 覆蓋多模態全場景：同一框架統一支持圖像、文生視頻和聯合音視頻生成。 DMAD的項目地址 項目官網：https://yzmblog.github.io/projects/DMAD/ GitHub倉庫：https://github.com/Yzmblog/DMAD Huggin
Matrix-Game 4.0 – 崑崙萬維開源顯卡運行的視頻大模型遊戲
Matrix-Game 4.0是什麼 Matrix-Game 4.0是崑崙萬維推出的全球首款運行在單張消費級顯卡上的視頻大模型遊戲，採用”Harness”新範式，遊戲引擎作爲裁判維護世界狀態與規則，Coding Agent 用自然語言改寫玩法，視頻模型作爲畫師實時渲染精細畫面。Matrix-Game 4.0單張 RTX 5090 可實現 480p、60 FPS、延遲低於150毫秒的遊戲體驗，讓小團隊能搭世界成爲現實。 Matrix-Game 4.0的主要功能 單卡實時運行：單張 RTX 5090 即可實現 480p、60 FPS、延遲低於 150 毫秒的可玩遊戲體驗。 自然語言改玩法：通過 Coding Agent 用一句指令調整地形、NPC 行爲或設計全新玩法規則。 世界狀態顯式管理：遊戲引擎以代碼維護血量、揹包、碰撞、勝負等狀態，物體離開視野仍持續演化。 低模轉精細畫面：視頻模型把引擎輸出的幾何結構畫面實時重渲染爲帶光影材質的 3A 級畫面。 長時間一致遊玩：支持 54-99 秒不間斷遊玩，場景、角色身份與交互結果保持穩定不漂移。 Matrix-Game 4.0的技術原理 Harness 架構：系統給視頻模型套上由 Coding Agent 和遊戲引擎組成的Harness，引擎負責規則之內的狀態演化並輸出結構畫面，Coding Agent 把用戶意圖轉成新規則與細化提示詞，視頻模型只專注渲染，三者分工解耦。 結構-精細畫面對齊數據：基於 UE5 構建跨域數據集，用輕量化幾何抽象採集管線將複雜場景抽象爲保留空間拓撲的低模結構表徵，與高模畫面逐幀像素級對齊，同步捕獲實例 ID 與因果事件元數據。 動態 Caption：系統將物體 ID 與語義描述關聯，運行時從引擎讀取當前可見對象及實時狀態填入提示詞模板，與結構畫面配合，共同提供畫什麼、畫在哪的條件約束。 可控 V2V 生成：基於 Wan2.2 5B 改造，結構畫面與待生成視頻以 148 通道拼接輸入 30 層因果 DiT，自注意力讀取空間記憶與歷史 KV 緩存，交叉注意力讀取文本條件，用自迴歸方式逐塊生成。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用Matrix-Game 4.0 消費級單卡實時：單張 RTX 5090 跑出 480p、60 FPS、112ms 延遲，首次讓視頻模型遊戲走出實驗室的多卡集羣。 世界狀態顯式可管：遊戲引擎以代碼維護世界規則，狀態可讀取、可修改、可驗證，根治了上一代世界只存在模型記憶裏的漂移問題。 一句話改玩法：Coding Agent 將自然語言指令直接轉爲遊戲規則與代碼，創意迭代不再受 3D 資產生產線拖累。 長時間穩定一致：空間記憶 + 參考幀 + 動態 Caption 機制，保障長時段遊玩中場景結構和物體身份不崩壞。 性能斷層領先：延遲約爲 Code World Model 的 1/90、StreamRender-H3 的 1/5，且對端是唯一消費級方案。 Matrix-Game 4.0的核心優勢 消費級單卡實時：單張 RTX 5090 跑出 480p、60 FPS、112ms 延遲，首次讓視頻模型遊戲走出實驗室的多卡集羣。 世界狀態顯式可管：遊戲引擎用代碼維護世界規則，狀態可讀取、可修改、可驗證。 一句話改玩法：Coding Agent 將自然語言指令直接轉爲遊戲規則與代碼，創意迭代不再受 3D 資產生產線拖累。 長時間穩定一致：空間記憶 + 參考幀 + 動態 Caption 機制，保障長時段遊玩中場景結構和物體身份不崩壞。 性能斷層領先：延遲約爲 Code World Model 的 1/90、StreamRender-H3 的 1/5，且對端是唯一消費級方案。 Matrix-Game 4.0的項目地址 項目官網：https://matrix-game-v4-0.github.io/page/ GitHub倉庫：https://github.com/SkyworkAI/Matrix-Game.git HuggingFace模型庫：https://huggingface.co/Skywork/Matrix-Game-4.0 Matrix-Game 4.0的同類競品對比 對比維度 Matrix-Game 4.0 StreamRender-H3 端到端延遲 112ms（實時可玩） 約 545ms 硬件要求 單張 RTX 5090（消費級，32GB） 8× GB200（數據中心級） 分辨率/幀率 480p @ 60 FPS 未達消費級實時標準 世界狀態管理 引擎顯式維護，可讀取/修改/驗證 主要依賴模型內部表示 玩法定製
HelixWorld – Noiz AI 聯合港科大開源的實時交互世界模型
HelixWorld是什麼 HelixWorld 是 Noiz AI 與港科大聯合開源的實時交互式音視頻世界模型。給模型一張起始圖片和文字描述，可通過 WASD 和方向鍵在 AI 生成的世界中行走、轉頭，畫面與立體空間音效同步實時生成，且聲像隨視角自然變化。HelixWorld 基於 LTX-2.3 構建，採用”雙向教師 + 因果蒸餾”訓練，單張 H800 顯卡可實現 768×512 分辨率、24 FPS 的實時生成。配套發佈 HelixBench 基準，專門評估空間聲學一致性。 HelixWorld的主要功能 實時可交互世界生成：輸入起始圖片和文字描述，可在 AI 生成的世界中自由探索。 鍵盤/動作操控：WASD 控制移動、方向鍵調整視角，畫面隨操作即時響應。 原生音視頻聯合生成：視頻與立體聲音頻同步生成，非後期配音。 空間聲學一致性：聲像隨鏡頭轉動自然變化，如左側聲源轉身後面向時聲音方向隨之改變。 三軌解耦提示詞：分別用視頻、音頻、音視頻聯合描述控制生成內容。 實時流暢體驗：單張 H800 顯卡上達到 768×512 分辨率、24 FPS 實時生成。 HelixWorld的技術原理 雙向教師模型預訓練：先訓練一個雙向音視頻擴散模型作爲教師：連續 6-DoF 相機軌跡通過 PRoPE 注入視覺注意力，81 類離散動作經 AdaLN-Zero 調製擴散時間步，跨模態注意力把相機運動傳遞到音頻分支，使聲音自然產生立體聲像變化。 因果蒸餾實現實時化：將教師模型蒸餾爲少步因果學生模型：視頻潛變量與音頻 token 分塊處理，塊內雙向注意力、塊間通過 KV cache 因果連接，配合 ODE 初始化使學生能以 4 步完成去噪，滿足實時推理需求。 在線軌跡蒸餾抑制漂移：針對自迴歸長程生成的誤差累積問題，訓練時用教師 Probability Flow ODE 的終點爲目標監督學生速度場，與分佈匹配損失（DMD）隨機交替使用，兼顧生成多樣性與長程穩定性。 長程流式微調：通過滑窗 KV cache 逐段展開長序列訓練，保留 sink 幀錨點、歷史梯度截斷，配合約一分鐘的長序列微調，進一步減少長時間生成中的畫面漂移與聲音退化。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用HelixWorld 方式一：在線體驗 打開官網 https://helixworld.org，選擇示例圖片或上傳自己的圖片。 填寫場景的文字描述。 進入世界後用 WASD 移動、方向鍵轉動視角，實時探索生成內容。 運行過程中還可隨時修改提示詞，調整後續生成的場景。 方式二：本地部署 環境準備：Linux 系統、Python 3.11、CUDA 12.x、NVIDIA 顯卡（建議 80GB 顯存）、ffmpeg 和 ffprobe。 下載項目並安裝依賴：git clone https://github.com/NoizAI/HelixWorld.git，創建 conda 環境後 pip install -r requirements.txt。 運行 python download_models.py 下載模型權重。 準備一張起始圖片，通過 ./run.sh 指定圖片、畫面/聲音/聯合提示詞、動作序列等參數，生成 MP4 輸出到 outputs 目錄。 HelixWorld的核心優勢 首個開源實時交互式音視頻世界模型：畫面與空間立體聲在用戶操控下聯合實時生成，代碼和權重完全開放。 真正的”轉頭即變聲”：聲像嚴格跟隨視角轉動，空間一致性得分數倍於同類。 單卡即可實時：單張 H800 實現 24 FPS、RTF 0.77 實時生成，速度是同類的 2.5 倍以上。 長程生成不漂移：在線軌跡蒸餾 + 長程微調，30 秒以上連續生成畫面聲音依然穩定，且多樣性不降反升。 音頻質量全面領先：HelixBench 核心指標全面最優，用戶盲測帶音頻場景下以 67.9% 偏好率碾壓對手。 HelixWorld的項目地址 項目官網：https://helixworld.org/ GitHub倉庫：https://github.com/NoizAI/HelixWorld arXiv技術論文：https://arxiv.org/pdf/2609.38123 HelixWorld的應用場景 沉浸式遊戲原型：無需建模和引擎，輸入圖片即可生成可行走探索的開放世界，大幅縮短遊戲 Demo 開發週期。 VR/AR 虛擬空間：第一人稱視角 + 空間音頻的組合天然適配頭顯設備，可快速生成虛擬展廳、數字孿生環境。 影視與廣告預演：導演上傳概念圖即可”走進”場景試聽音畫效果，在實拍前低成本驗證鏡頭語言和氛圍設計。 AI 視頻通話/虛擬主播背景：根據語音
Scion – Anthropic 推出的源代碼版本控制系統，替代 Git
Scion是什麼 Scion是Anthropic自研的版本控制系統，用於替代Git管理其巨型單體倉庫。原因是Claude生成代碼量4個月暴漲12倍，日均合併從2500次到3萬次，Git基礎設施基本無法應對。Scion針對智能體永遠在線重新設計，客戶端按需向服務器取數，提交、合併全在服務端完成，支持全水平擴展與稀疏檢出。遷移後資源佔用降爲Git方案的1/200，檢出提速兩個數量級。 Scion的主要功能 變更集（changeset）替代 commit：用預寫式日誌條目記錄相對父級的文件變更列表，服務器端創建、即時全局可用，無需打包、加鎖或移動引用。 派生數據機制：基於變更集遞歸構建 blame、路徑歷史、提交圖跳錶等索引，可熱插拔新數據類型，支持即時或延遲計算，客戶端無感知。 全 API 化的源碼控制服務：diff、merge base、blame 等查詢全部通過 RPC 暴露，CI 和工具無需維護本地倉庫副本。 分層緩存檢出架構：scion-daemon（節點級）→ scion-cache（區域級）→ scion-server（權威層）逐級緩存，各層命中率超 99%，檢出從幾分鐘縮到幾秒。 稀疏/虛擬化檢出：客戶端只拉取請求目錄的文件，按需實例化，文件內容只在實際讀取時付費。 細粒度權限控制：支持倉庫級和目錄級訪問控制，配合 Antique 評審工具實現語義化的審批約束。 提交低成本、增量、無鎖：創建提交的成本與變更大小而非倉庫大小成正比，引用更新僅爲單條 Spanner 記錄的原子操作。 如何使用Scion Scion 是 Anthropic 內部系統，未公開發布，外部用戶無法下載或部署。 Scion的核心優勢 資源佔用極低：CPU 和內存佔用僅爲原 Git 鏡像基礎設施的 1/200。 檢出速度提升兩個數量級：CI 和研究任務檢出代碼從幾分鐘縮短到幾秒。 顯著節省算力：僅 CI 一項就釋放出 25% 的 CPU 容量。 緩存效率極高：每層緩存命中率超 99%，且無需長期狀態，擴容簡單。 提交吞吐極高：無 packfile、無鎖、無跨服務協同，可高吞吐接收變更集，支撐日均 3 萬次合併。 免本地倉庫：所有源碼控制查詢通過 API 提供，CI 和工具不再需要維護本地副本。 全水平擴展：無倉庫完整實例、無全局狀態瓶頸，每個組件可獨立擴容。 維護成本近零：無 packfile 概念，客戶端和緩存都不需要做倉庫維護。 細粒度安全：支持目錄級權限控制和語義化審批約束，敏感代碼可在大倉庫內得到保護。 Scion的項目地址 項目官網：https://www.anthropic.com/engineering/redesigning-source-control Scion的同類競品對比 對比維度 Scion（Anthropic） Git 設計前提 客戶端永遠在線，幾乎全是 AI 智能體和自動化任務 客戶端面向人類開發者，可離線工作 倉庫副本 客戶端無完整副本，本地僅有界緩存，按需取數 每個克隆都是完整的自包含倉庫 提交方式 服務端創建提交、合併、變基，無需 push，無鎖 本地提交後推送，推送涉及加鎖與協商 工作單元 變更集（changeset），存相對父級的文件變更列表 commit，存指向完整代碼樹的指針 查詢能力 blame、diff、祖先關係等全部經 API 暴露，免本地倉庫 查詢依賴本地倉庫計算或廠商專有 API 擴展方式 全水平擴展，無完整倉庫實例，組件獨立擴容 垂直擴展爲主，巨型倉庫需數百鏡像橫向硬扛 稀疏檢出 協議核心能力：稀疏 + 虛擬化檢出，按實際讀取付費 支持稀疏檢出，但需與淺克隆等能力複雜組合 緩存架構 三層分層緩存（daemon→cache→server），命中率超 99% 無服務端緩存概念，客戶端自行持有對象 倉庫維護 無 packfile 概念，客戶端與緩存均無需維護倉庫 需定期 gc、打包等倉庫維護操作 權限模型 倉庫級 + 目錄級訪問控制，語義化審批約束 無內置目錄級權限，依賴託管平台實現 離線能力 不支持，客戶端必須在線 完整支持，離線可提交、查歷史、切分支 Scion的應用場景 AI 智能體高頻提交代碼：智能體完成編碼任務後直接通過 API 在服務端創建變更集，無需維護本地倉庫，支撐日均數萬次合併。 CI 大規模免檢出運行：CI 作業直接調用 RPC 獲取 diff、blame、merge base，甚至免檢出執行寫入，每天數千萬次檢出不再成爲瓶頸。 大型單體倉庫的多團隊協作：數萬工程師共享同一倉庫時，稀疏檢出讓每個人只拉取自己負責的目錄，目錄級權限保護
Surface Laptop Ultra – 微軟聯合英偉達推出的最強 AI PC
Surface Laptop Ultra是什麼 Surface Laptop Ultra是微軟推出最強Surface PC，搭載英偉達RTX Spark N1X超級芯片，最高20核CPU+6144核GPU+128GB統一內存，本地AI算力達1PFLOPS，可運行超1200億參數大模型。Surface Laptop Ultra採用15英寸PixelSense Ultra觸控屏、磁吸式USB-C充電，續航一整天，專爲AI開發、創意工作與智能體場景打造。 Surface Laptop Ultra的主要功能 本地跑大模型：1PFLOPS算力+128GB統一內存，本地運行超1200億參數模型。 AI編程：本地跑MAI-Code-1.1-Flash，Copilot智能編排本地與雲端任務。 智能體運行：配合MXC沙箱安全運行OpenClaw、Codex等智能體。 視頻創作：支持電影級視頻編輯，AI視頻生成比M5 Pro快6.2倍。 遊戲：光線追蹤+DLSS，《戰爭機器》穩定60幀。 屏幕：15英寸觸控屏，HDR亮度比MacBook Pro M5高25%。 磁吸充電：全球首款內置磁吸式USB-C接口。 擴展性：3個USB-C+HDMI等接口，可驅動3台4K顯示器，存儲可拆卸升級。 續航散熱：散熱提升2.5倍，續航滿足一整天。 Surface Laptop Ultra的規格參數 芯片：英偉達RTX Spark N1X超級芯片，Grace CPU + Blackwell RTX GPU，互聯速度600GB/s CPU：最高20核，入門版爲18核 GPU：最高6144核，入門版爲5120核 AI算力：1 PFLOPS FP4，可本地運行超1200億參數模型 內存：24GB家庭版或32GB~128GB專業版LPDDR5x統一內存 存儲：512GB~1TB固態硬盤，支持用戶自行拆卸、升級和更換 屏幕：15英寸PixelSense Ultra觸控屏，HDR峯值亮度比MacBook Pro M5高25% 機身：厚度不足18mm，重量不足4.5磅 散熱：全新散熱架構，散熱能力爲現有Surface筆記本的2.5倍 電池：續航滿足一整天使用 接口：3個USB-C，含全球首款內置磁吸式充電接口Magnetic Connect），、HDMI、USB-A、SD卡讀卡器、3.5mm耳機插孔，可驅動最多3台4K顯示器 操控：觸控板面積增大30%，配備先進觸覺反饋技術 系統：Windows 11家庭版/專業版 遊戲技術：英偉達光線追蹤、DLSS、Reflex Surface Laptop Ultra的價格配置 入門版2599美元，約17425元，18核CPU+5120核GPU+24GB+512GB 頂配5899.99美元，約39557元，20核CPU+6144核GPU+128GB+1TB Surface Laptop Ultra的購買地址 官方購買地址：https://www.microsoft.com/en-us/store/configure/surface-laptop-ultra/8wg5vqp0x4b8 Surface Laptop Ultra的應用場景 本地AI開發：依託1PFLOPS算力和128GB統一內存，開發者可在本地運行1200億參數大模型及MAI-Code-1.1-Flash，無需聯網即可完成代碼生成與調試。 企業智能體辦公：通過MXC安全沙箱隔離運行OpenClaw、Codex等智能體，自動完成文件整理、郵件歸檔等流程性工作。 影視內容創作：藉助AI圖像生成4.3倍、視頻生成6.2倍於M5 Pro的速度，創作者可本地完成電影級剪輯與AI素材生成。 隱私敏感計算：醫療、法律、金融行業的機密數據全程在本地處理，無需上傳雲端即可滿足合規要求。
LFM2.5-24B-A2B – Liquid AI 開源的端側推理模型
LFM2.5-24B-A2B是什麼 LFM2.5-24B-A2B 是 Liquid AI 推出的開源權重推理模型，屬 LFM2.5 系列旗艦。總參數 24B、每 token 僅激活 2.45B，40 層 MoE 架構，支持 131K 上下文與 16 種語言。LFM2.5-24B-A2B回答前必先生成思維鏈，專爲端側 Agent 優化，LiveClaw 得分 48.09 反超參數量大 50% 的 Qwen3.6-35B-A3B，在 M5 Max 上解碼達 184 tok/s，比同類 MoE 最快 1.7 倍。適合本地私有化部署的推理與工具調用場景，知識密集任務建議搭配檢索使用。 LFM2.5-24B-A2B的主要功能 端側 Agent 推理：專爲在個人設備上本地運行的快速、私密智能體而設計。 純推理模式：回答前自動生成顯式思維鏈，用低激活成本換取答案質量。 函數調用：原生支持四步工具調用流程，可直接接入 OpenClaw、Hermes Agent、Pi、OpenCode 等框架。 多格式部署：提供原生、FP8、GGUF、ONNX、MLX-4bit 等版本，覆蓋 GPU、CPU、Apple Silicon 及邊緣設備。 長上下文處理：支持 131,072 tokens 上下文，可處理長文檔與多輪智能體軌跡。 多語言能力：覆蓋英、中、日、韓、阿拉伯等 16 種語言，128K 詞表優化非拉丁語系分詞。 快速推理：Apple M5 Max 上 184 tok/s，比同類 MoE 最高快 1.7 倍，單卡 B300 超 21K tok/s。 LFM2.5-24B-A2B的技術原理 MoE 稀疏激活架構：模型共 24B 參數，但每個 MoE 塊包含 64 個專家，推理時僅通過 top-4 路由激活其中 4 個，使每 token 實際計算量僅 2.45B 參數。這是”大容量、低算耗”的核心，模型存儲全部知識，但每次前向只動用一小部分，從而實現遠小於同總參數量模型的推理成本。 混合層設計：卷積 + GQA 40 層網絡由 30 個”雙門控短卷積塊”與 10 層 GQA混合構成。短卷積負責高效提取局部序列特徵，注意力層負責長程依賴建模，兩者交替使模型在保持線性層高效計算的同時仍具備長上下文能力，這也是 LFM 架構在邊緣設備上速度快、內存省的結構基礎。 詞表原地擴展與長上下文訓練：在保留上一代 LFM2-24B-A2B 主體架構的前提下，通過原地 tokenizer 擴展將詞表從 65K 翻倍至 128K，顯著改善中文、日文等非拉丁語言的 token 效率；上下文窗口從 32K 擴展至 131K，配合 300B tokens 的長上下文專項中期訓練，使模型獲得穩定的長序列處理能力。 三階段訓練流程：預訓練消耗約 33T tokens；中期訓練先在 32K 上下文用 2T tokens 高質量數據強化推理、數學、代碼與指令遵循能力，在 131K 上下文用 300B tokens 專攻長文本，且兩個階段均注入工具調用與多輪交互數據；後訓練採用 SFT→教師專業化→非 Agent 與 Agent 兩輪多域同策略蒸餾→在 OpenClaw、Hermes 等真實智能體框架內做強化學習的五階段流水線，使模型真正學會在真實工具環境中”思考-調用-驗證”。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用LFM2.5-24B-A2B 獲取模型：從 Hugging Face 下載 LiquidAI/LFM2.5-24B-A2B，按硬件選擇原生 BF16、FP8、GGUF、ONNX 或 MLX-4bit 版本。 安裝環境：確保 Python 環境裝有 transformers>=5.0.0，或部署 vLLM、SGLang、llama.cpp、LM Studio 等推理框架。 加載模型：用 AutoModelForCausalLM.from_pretrained() 以 bfloat16 精度加載模型。 構造提示：用 tokenizer.apply_chat_template() 自動套用 ChatML 格式模板格式化對話。 參數設置：生成時採用官方推薦參數 temperature=0.1、top_k=50、repetition_penalty=1.05，思維鏈任務可將 max_new_tokens 設爲 4096 以上。 配置工具調用：將工具列表以 JSON 形式寫入 system prompt，模型會用 <|tool_call_start|> 標記輸出函數調用，執行後以 tool 角色返回結果。 接入 Agent 框架：通過 OpenAI 兼容接口在本地啓動服務，再接入 OpenClaw、H
MiniCPM-V 4.7 – 面壁智能等開源的端側多模態大模型
MiniCPM-V 4.7是什麼 MiniCPM-V 4.7 是面壁智能聯合 OpenBMB 開源的端側多模態大模型，含 35B-A3B（MoE）與 1B 兩個版本。旗艦版爲全球首個可在手機端無損流暢運行的開源 MoE 多模態模型，藉助前瞻專家調度技術，約 3GB 內存可在 iPhone 上達 13+ tokens/s，34 項基準全面領先同檔模型；1B 版面向入門級設備。 MiniCPM-V 4.7的主要功能 通用視覺理解：看圖識物、多圖對比、視覺問答，MMBench 91.72 分領先同檔模型。 文檔與 OCR 解析：識別圖片/PDF 中的文字、表格與圖表，OCRBench 91.2 分。 數學與 STEM 推理：解答數學題、科學問題，MMMU 80.22、MathVista 88 分。 長視頻理解：理解長時序視頻內容並回答相關問題，LongVideoBench 68.9 分。 端側流暢運行：35B 模型在 iPhone 上僅佔約 3GB 內存、13+ tokens/s 實時生成。 低成本定製微調：開源自回放微調，學新任務不忘舊能力。 MiniCPM-V 4.7的技術原理 前瞻專家調度（LES）：MoE 模型 65.6 GiB 的權重無法全量入內存，大部分專家存於 SSD、用時讀取，但逐層路由依賴上一層結果，導致每層都要停等讀盤。LES 用相鄰層輸入高度相似的特點，用當前層路由特徵提前預測下一層所需專家並後台預取，同時讓已加載且被真實路由選中的專家優先計算，實現邊算邊讀，實測提速 5 倍且輸出零損失。 權重存取優化：通過逐層混合精度量化減少權重的存儲體積與傳輸量；同時重組專家權重在文件中的佈局，將原本分散三處的參數改爲按編號連續存放，使 SSD 一次順序讀取即可取出完整專家，大幅降低加載開銷。 視覺 token 壓縮：基於 LLaVA-UHD v4 在視覺編碼器內部提前壓縮 token，從源頭減少後續計算；支持 4 倍/16 倍兩檔壓縮率切換，16 倍模式下關鍵指標幾乎無損，兼顧畫質細節與實時交互。 DSpark 投機解碼：由輕量草稿模塊一次生成多個候選 token，主模型並行驗證後批量產出，多個 token 分攤 MoE 的專家讀取與調度等固定成本，實測生成速度平均提升 1.17 倍且質量不受影響。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用MiniCPM-V 4.7 獲取模型：從 GitHub、Hugging Face下載模型權重與代碼。 本地快速體驗：訪問 Hugging Face Spaces 上的官方 Web Demo（MiniCPM-V-4.7-Demo）可免安裝在線試玩。 安裝 App：前往 GitHub 的 MiniCPM-V-Apps 倉庫下載 iOS/Android 客戶端，在手機或平板上直接安裝使用。 選擇推理框架部署：根據硬件平台選用 llama.cpp、Ollama、MLX 或 vLLM/SGLang 之一加載模型，完成本地推理服務部署。 啓用 LES 加速（可選）：端側運行 35B-A3B 時，按開源文檔開啓前瞻專家調度，實現 3GB 內存流暢運行。 選擇視覺壓縮模式：根據需求切換 4 倍壓縮或 16 倍壓縮模式。 MiniCPM-V 4.7的項目地址 GitHub倉庫：https://github.com/OpenBMB/MiniCPM-V HuggingFace模型庫：https://huggingface.co/collections/openbmb/minicpm-v-47 MiniCPM-V 4.7的核心優勢 端側 MoE 全球首創：全球首個可在端側無損、流暢運行的開源 MoE 多模態大模型。 極致內存效率：65.6 GiB 權重的 35B 模型僅需約 3GB 內存即可運行，爲 16GB 設備內存的 1/4。 推理速度領先：iPhone 17 Pro Max 實測 13+ tokens/s，iPad Pro M4 達 17+ tokens/s，LES 技術提速 5 倍。 性能全面碾壓同檔：34 項權威基準全面領先 Qwen3.6-35B-A3B，甚至超越體量更大的 Qwen 27B、Gemma-4 31B。 性能與效率帕累托最優：更短推理時間取得更高綜合得分，刷新端側多模態”性能—效率”前沿。 雙版本普惠覆蓋：35B 旗艦拉能力上限，1B 小鋼炮讓入門級設備也能跑高質量多模態。 MiniCPM-V 4.7的同類競品對比 對比維度 MiniCPM-V 4.7 35B-A3B Qwen3.6-35B-A3B 推理速度 iPhone 17 Pro Max 13+ tokens/s，LES 提速 5 倍 較慢（同檔中處於
OpenDots – CopilotKit 推出的 AI 同事，OpenAI Dots 開源版
OpenDots是什麼 OpenDots 是 CopilotKit 推出的開源 AI 同事工作區模板，支持自行託管。支持用戶創建具有獨立角色、工具權限和專屬電腦的 AI 員工，通過 AG-UI 接入各類模型與 MCP 服務。OpenDots支持文檔沉澱、實時操作監控、人工審批、語音通話和 Slack 協作，可用於構建長期在線、能執行任務的個人 Agent 工作環境。 OpenDots的主要功能 Spaces 工作區：提供可搜索、支持嵌套和版本檢查的文檔頁面，用於沉澱 AI 與用戶的協作成果。 專職 Dots：每個 AI 員工可配置獨立姓名、角色、指令、工具權限和記憶權限。 Dot 專屬電腦：基於 OpenBot 容器提供獨立瀏覽器、文件系統和終端，支持實時查看及人工接管。 保存前人工審批：重要內容的創建、修改及非只讀工具執行，都可通過 Approve & Save 卡片由用戶確認。 MCP 工具連接：可接入郵件、日曆、GitHub 或自建服務，按 Dot 控制每個工具的啓用狀態。 多入口協作：支持文字聊天、WebRTC 語音通話和 Slack 線程，並能在通話期間委派後台任務。 持久對話線程：通過 CopilotKit Intelligence 保存對話、工具調用和頁面上下文，支持跨會話繼續協作。 定時後台任務：可讓 Dot 按計劃在原對話中執行重複工作，提供暫停、中斷和重試機制。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用OpenDots 準備環境：安裝 Node.js 24 和 npm，並確保本機可訪問 GitHub 與 CopilotKit 服務。 克隆項目：執行 git clone https://github.com/CopilotKit/OpenDots.git 下載模板。 進入目錄：執行 cd OpenDots 切換到項目文件夾。 安裝依賴：執行 npm ci 按鎖文件安裝全部依賴。 創建配置：執行 cp .env.example .env 生成本地環境變量文件。 啓動應用：執行 npm run dev 啓動 OpenDots 開發服務。 打開界面：訪問 http://127.0.0.1:5173，即可創建 Spaces、編輯頁面和配置 Dots。 登錄 Intelligence：執行 npx copilotkit@latest login 登錄 CopilotKit 賬戶。 選擇項目：執行 npx copilotkit@latest project select 選擇或創建 Intelligence 項目，將密鑰寫入 .env。 配置模型：在 .env 中設置 OPENAI_API_KEY 和 OPENAI_MODEL 等模型參數。 重啓服務：保存配置後重新運行 npm run dev，使模型與 Intelligence 設置生效。 創建 AI 員工：在界面中爲 Dot 設置名稱、角色、指令及瀏覽器、文件、終端等權限。 連接外部工具：按需配置 MCP 服務、瀏覽器電腦、語音通話或 Slack，爲敏感操作開啓人工審批。 OpenDots的核心優勢 真正的 AI 同事形態：每個 Dot 擁有獨立角色、工具權限、記憶和專屬電腦。 具備真實執行環境：通過 OpenBot 容器提供獨立瀏覽器、文件系統和終端，讓 Agent 能完成瀏覽、寫文件和運行命令等任務。 權限控制精細：瀏覽器、文件、終端、研究和記憶等能力可按 Dot 單獨授權，降低 AI 越權操作風險。 人工審批機制完善：關鍵保存和非只讀工具執行都可暫停等待用戶確認，兼顧自動化與可控性。 操作過程透明可見：Agent 的瀏覽器畫面、文件變化和終端輸出能實時呈現在對話中，並支持隨時人工接管。 OpenDots的項目地址 項目官網：https://www.copilotkit.ai/opendots GitHub倉庫：https://github.com/CopilotKit/OpenDots OpenDots的同類競品對比 對比項 OpenDots OpenAI Dots 產品定位 面向開發者和團隊的開源 AI 同事工作區模板，可自行部署與深度改造。 ChatGPT 內置的常駐 AI 代理，由 OpenAI 提供託管服務。 開放程度 MIT 協議開源，可查看和修改完整代碼。 閉源商業產品，主要開放使用規則和接口。 部署方式 可運行在本機、Docker 或自有服務器，但對話依賴 CopilotKit Intelligence。 直接運行在 OpenAI 雲端，用戶無需管理基礎設施。 模型選擇 可接入任意 Op
REA – 開源的逆向分析工具，無需源碼、對話式分析軟件
REA是什麼 REA（Reverse Engineer Anything）是開源的逆向分析工具，通過 MCP 協議把 Claude Code、Codex、Cursor 等 AI 編程 Agent 與 Ghidra、Hopper、IDA 等逆向工具連接起來。REA讓 Agent 無需源碼可分析軟件，從原生二進制、Electron/JS 應用、APK、.NET 程序集到網站，追蹤功能實現邏輯並生成帶證據鏈的分析結果，重建相似功能。 REA的主要功能 原生二進制分析：解析 Mach-O、ELF、PE 等可執行文件，返回僞代碼、彙編、字符串、符號和調用關係。 JavaScript/Electron 應用分析：靜態梳理模塊、入口、IPC 通道和 source map，無需運行應用。 網站觀察：通過本地 Chrome DevTools 端點被動觀察瀏覽器行爲、頁面腳本和網絡請求。 .NET 程序集檢查：無需執行程序即可查看元數據、CIL 指令和原生代碼邊界。 Android 應用逆向：藉助 JADX 反編譯 APK，查看清單聲明、類和方法。 固件與包文件分析：用 Binwalk 提取固件區域，或直接生成 ZIP/APK/ASAR 等歸檔的文件清單。 版本差異對比：比較應用兩個版本的二進制差異，生成變更報告。 網絡抓包分析：解析 HAR 文件或 mitmproxy 捕獲，關聯請求與源碼位置。 代碼重建輔助：Agent 基於分析結果追蹤功能實現線索，爲項目編寫相似功能並驗證。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用REA 環境準備：安裝 Node.js（≥22.19 版本）和 npm，確保已安裝 Claude Code、Codex、Cursor 等任一支持的 AI 編程 Agent。 一鍵安裝：在終端運行 npx rea-agents@latest setup，選擇要接入的 Agent 並審覈配置變更。 審批配置：確認 setup 提出的 MCP server 註冊和 workflow 指令修改（會自動備份原配置），然後重啓你的 Agent。 準備逆向引擎（可選）：深度分析原生二進制需已有 Hopper、Ghidra 或 IDA 安裝，純 JS/Electron 分析不需要。 用自然語言提問：向 Agent 描述目標，例如”分析 Notes 應用的搜索功能如何工作，展示證據，併爲我的項目實現類似功能”。 Agent 自動調查：Agent 通過 MCP 調用 REA 在本地分析目標，獲取帶證據鏈的僞代碼、調用鏈等結果。 REA的核心優勢 零逆向經驗門檻：無需學習反彙編和逆向技術，用自然語言向 AI Agent 提問可分析軟件。 打通主流 Agent 生態：同時支持 Claude Code、Codex、Cursor、Gemini CLI、Windsurf 等幾乎所有主流 AI 編程助手。 複用成熟逆向工具：底層調度 Ghidra、Hopper、IDA 等專業工具，站在幾十年逆向工程積累之上。 覆蓋目標極廣：從原生二進制、Electron/JS 應用、APK、.NET 到網站、固件、WASM，幾乎無死角。 證據鏈驅動：每個結論附帶僞代碼、彙編、調用關係等證據，結果可驗證。 本地分析保障隱私：全部分析在本地運行，目標軟件不會被上傳到雲端。 端到端自動化：從分析、追蹤調用鏈到生成可運行的相似實現，一條 Agent 工作流串到底。 REA的項目地址 項目官網：https://rea.tools/ GitHub倉庫：https://github.com/morluto/rea REA可以分析什麼 目標類型 REA 返回內容 要求和指南 原生二進制 僞代碼、彙編、字符串、符號、調用和引用 Hopper、Ghidra 或 IDA；原生分析指南 離線 ELF 佈局 節區、段、原始符號/重定位和靜態緩解候選 Linux x64 上自備 pwntools；二進制診斷指南 Go 二進制 內嵌編譯器版本、模塊、替換和構建設置 內置靜態 ELF/PE/thin Mach-O 檢查；無需安裝 Go WASM 文件 校驗、節區、精確的導入/導出 WAT 形式和解碼後的 WAT 自備 WABT 1.0.42；`inspect_wasm_artifact` EVM 字節碼 調度選擇器、字節偏移、推斷的參數和可變性 Linux x64 本地原始/十六進制載體；離線 EVM 指南 Linux 崩潰記錄 原始備註、每個記錄線程的寄存器/信號和可選映射候選 Linux x64 自備 pwntools；可選 GDB/pwndbg；崩潰記錄指南 JavaScript / Electr
WorkBuddy 零基礎開發微信小程序教程 – 附實戰案例
如今，讓 AI 隨手敲幾段小程序前端代碼，早已不是什麼稀罕事。 只要你給一段 Prompt，市面上大部分主流大模型都能洋洋灑灑輸出幾百行代碼。 但對絕大多數沒有工程背景的普通玩家來說，真正的門檻往往發生在代碼生成之後： 沒有現成的後端服務支撐數據存儲，還得裝微信開發者工具，手動去公衆平台配置 AppID、手動打包、上傳代碼……很多絕妙的靈感，往往就卡死在這一長串繁瑣枯燥的工程配置鏈路裏。 把代碼寫出來只是前 10%，剩下 90% 的工程交付，纔是阻礙大家把想法落地的攔路虎。 最近，WorkBuddy 升級，針對微信小程序開發帶來了一次非常關鍵的迭代：雲服務自動接入、掃碼綁定自有小程序賬號、代碼直接上線。 這是我用 WorkBuddy 製作的貓咪健康管理小程序實測效果。 話不多說，下面用我的實操過程帶大家一起做一個屬於自己的小程序。 01. WorkBuddy 一句話直出微信小程序 家裏養貓的朋友都知道，貓咪的體重浮動是判斷健康最敏感的指標，再加上定期驅蟲和疫苗，瑣碎但極其重要。 所以我做了一個「多貓咪健康管理小程序」。在小程序裏建立多隻貓咪的檔案，記錄體重、驅蟲和疫苗的記錄，以及提醒。 我們打開 WorkBuddy， 切換到代碼開發模式，選擇小程序功能按鈕，或者直接在提示詞裏說明要開發一個微信小程序，然後輸入提示詞就行。 提示詞：幫我開發一個多貓咪健康管理小程序。支持添加不同貓咪檔案（名字、頭像、品種、生日）；核心功能是記錄貓咪每次稱重的數值，並用平滑折線圖展示體重增長趨勢；支持記錄下次驅蟲、疫苗時間，並自動計算剩餘倒計時；所有檔案和記錄需保存在雲端數據庫。 WorkBuddy 會主動跟我們確認是否需要開啓雲服務。 在我們確認之後，WorkBuddy 會開通雲服務來保存貓咪檔案和記錄。並在雲服務中開通貓咪健康應用，建立數據庫表結構。 代碼構建完成後，WorkBuddy 在右側欄直接提供了 H5 近似效果預覽，界面的佈局、色彩排版和交互響應一目瞭然。 我們點擊右上角的分享按鈕，就可以直接上線微信小程序。 以往在這個環節，我們需要打開微信公衆平台去申請測試號或正式 AppID，再把 AppID 填入本地開發工具反覆覈驗。 在 WorkBuddy 裏，我們點擊分享後，哪怕我們沒有現成的小程序賬號，可以直接掃碼創建小程序。 我們選擇試用版小程序先體驗看看，點擊發布。 我們就可以掃碼體驗試用版小程序啦。 小程序啓動後直接支持微信一鍵授權登錄以及手機號驗證碼登錄。 過去要搞定這兩個登錄體系，我們要自己去調用微信開放能力、搭建後端接口、配置短信服務和簽名密鑰。 現在，這些接入工作 WorkBuddy 可以統一處理，我們可以直接使用現成的登錄能力。 我們可以添加貓咪信息。 我們可以記錄小貓咪的體重變化。設定疫苗記錄、驅蟲週期。 添加的貓咪信息，WorkBuddy 已經幫我們同步在雲服務器中。 小程序的訪問數據也會在雲服務器中查看： 所有的代碼文件都已經保存在本地文件夾中，支持二次編輯。 小程序中不完善的地方，我們直接在 WorkBuddy 對話框中用自然語言描述需求，就能持續迭代。 我還給小程序加了一個 AI 功能，養寵過程中，新手總會遇到各種突發問題，WorkBuddy 可以免密鑰調用大模型，實現智能問答、內容生成等 AI 能力。 我在界面底部增加了一個 AI 養貓助手功能，直接輸入我們的問題，或者輸入圖片，大模型會識別我們的問題，幫我們解答。 功能優化完成後，只需再次點擊右上角的分享與更新，新的代碼便會直接同步。 無門檻創建的試用版擁有 14 天的有效期，適合分享給朋友們體驗，小範圍收集反饋，等到功能足夠完善後，再一鍵發佈爲正式版。 02. 一些分享 AI 編程正在經歷一場從生成片段代碼到交付完整應用的質變。 大家享受那種一邊喝咖啡一邊用自然語言 Vibe Coding 的快感。但在國內環境下，很多 Web 端的作品存在訪問壁壘，難以真正融入大衆日常的社交與工作。而微信小程序，恰恰是國內觸達成本最低、即開即用屬性最強的載體。 WorkBuddy 沒有把精力耗費在多寫幾行酷炫的前端代碼上，而是真正下沉到了微信生態最底層。它把數據庫搭建、鑑權登錄、文件存儲、AI 推理通道以及多版本發佈等沉重的工程接了過去，讓開發者和內容創作者更專注於產品。 從一個腦海中的健康管理念頭，到手機屏幕上跳動着的折線圖、帶雲端同步和 AI 問答的真實小程序，開發週期大大縮減與枯燥的。 屬於超級個體的輕應用爆發期，或許就從這種徹底抹平交付門檻的工具開始。 原文鏈接：WorkBuddy 新升級，一句話上線小程序
Muse Wonder – Meta 超級智能實驗室推出的前沿模型系列
Muse Wonder是什麼 Muse Wonder 是 Meta 超級智能實驗室推出的前沿模型，建立在 Muse Spark 基礎上，具備跨對話長期記憶和自主堅持長任務的能力，遇阻會主動換方案、重要操作前先與用戶確認，覆蓋保險理賠、法律金融等專家場景及編程任務。模型分兩個版本，標準版通過 Meta API 和 Muse Code 開放，完整版僅面向 Muse Code 訂閱用戶。官方評測顯示其長期記憶和長週期編程表現已超過 Claude Opus 5.5。 Muse Wonder的主要功能 Active Memory 長期記憶：跨對話記住用戶重要信息，做事時主動調用相關部分。 Active Focus 長任務堅持：盯住目標持續執行，路不通就換辦法，重要操作前先與用戶確認。 生活代理任務：訂餐廳、查空位、排婚禮座位表、覈對保險理賠等真實場景執行。 編程能力：長週期編程任務表現領先，可構建應用和遊戲。 多模態輸入：處理圖片、文檔等素材，如拍賬單加保險卡覈對理賠。 Muse Wonder的技術原理 更大基座模型：在吉瓦級數據中心訓練的更大基座，讓後訓練收益更易遷移到陌生任務。 後訓練對準真實任務：針對訂餐廳等真實任務中的卡殼專門訓練，鼓勵試錯而非停滯。 分思考檔位推理：提供多檔思考程度，隨思考時間加長持續提升表現。 安全對齊框架：按 Meta Superintelligence Scaling Framework 訓練，拒絕泄露隱私和有害請求。 如何使用Muse Wonder 訪問開發者平台：打開 https://dev.meta.ai/ 註冊 Meta 開發者賬號。 獲取 API Key：在控制檯創建密鑰，用於調用 Meta Model API。 選擇模型：API 中選 muse-wonder-1.0 模型（muse-wonder-full-1.0 僅 Muse Code 訂閱可用）。 調用 API：將 base URL 指向 https://api.meta.ai/v1，兼容 OpenAI/Anthropic SDK 直接接入現有項目。 按量計費：按每百萬 token 輸入 $4、輸出 $20 計費，緩存讀取僅 $0.2。 使用 Muse Code：安裝 Muse Code 編程 Agent，登錄後可直接調用 Wonder 模型輔助開發。 Muse Wonder的核心優勢 長期記憶領先：MemoryBench 得分 85.6，超越 Claude Opus 5.5 的 81.5。 長任務堅持力強：Active Focus 使其在 DeepSWE、SWE-Marathon 等長週期編程任務上排名第一。 泛化能力出色：更大基座讓後訓練收益遷移到未見過的陌生任務，避免刷榜式優化。 真實場景導向：針對訂餐廳、理賠覈對等生活任務訓練，而非只做基準測試。 速度快：主打快速響應，兼顧效率與智能深度。 價格有競爭力：API 定價與 Claude Opus 5.5 持平，遠低於更高端模型。 生態整合：深度綁定 Meta 全家桶，代理體驗閉環。 Muse Wonder的項目地址 項目地址：https://about.fb.com/news/2026/10/introducing-muse-wonder-models/ Muse Wonder的同類競品對比 對比維度 Muse Wonder Claude Opus 5.5 定位 生活+編程雙場景的 Agent 模型 通用旗艦大模型 長期記憶 MemoryBench 85.6（領先） MemoryBench 81.5 長週期編程 DeepSWE、SWE-Marathon 第一 表現優秀但被 Muse 超越 核心特色 Active Memory + Active Focus 雙機制 均衡全面，Agent 能力成熟 生態 Meta 全家桶（Instagram、Muse App） 獨立中立，第三方集成更廣 智能指數 52（Full 版 56，第2） 58（第1，仍領先） Muse Wonder的應用場景 編程開發：開發者通過 Muse Code 調用模型完成從代碼編寫到調試部署的長週期開發任務，遇錯時自主換方案持續推進。 生活服務：用戶以自然語言下達訂餐廳、查空位、排婚禮座位表等多步驟指令，模型跨對話記住偏好並執行到底。 保險理賠：用戶拍攝急診賬單並上傳保險卡正反面，模型自動覈對理賠金額與保險條款，發現異常前與用戶確認。 電商購物：模型從用戶 Instagram 相冊提取照片，按需求設計
QwenGyre – 阿里千問推出的在線強化學習框架
QwenGyre是什麼 QwenGyre 是阿里千問推出的超長程智能體在線強化學習框架，面向單次約 70 萬 token、持續數小時的任務。QwenGyre用彈性調度在任務不中斷時把空閒 GPU 在採樣與訓練間切換，用軌跡處理保留真實上下文、評估部分成果、去重共享前綴以控制成本。在 Qwen3.8-2.4T 上 48 步把 NL2RepoBench 通過率從 52.48% 提至 58.54%，較 Async 端到端加速 1.78×。 QwenGyre的主要功能 超長程智能體在線強化學習：在單次執行長達數小時、累計約百萬 token 的任務上直接做 RL 訓練。 彈性 GPU 調度：任務不中斷的情況下，動態把空閒 GPU 在採樣與訓練間切換。 請求重路由與 KV cache 遷移：切換 GPU 角色時智能體繼續運行，工作區和工具狀態保留，通過 RDMA 遷移 KV cache 減少重複計算。 流式訓練與新節點中途加入：核心 cell 保存權威參數，衛星 cell 可隨時拉取快照加入正在進行的批次，按進度領取微批次。 軌跡樹與真實上下文保留：用 Token-in Token-out 記錄每次調用的精確輸入輸出，按共享前綴組織成軌跡樹，輸出始終對應生成時的上下文。 部分評分（Partial Scoring）：超時未完成的任務若產出可檢驗成果，仍按任務規則評分並用於訓練。 軌跡預算與損失均衡：每個執行最多保留 Jmax 條軌跡，共享前綴只計一次損失，避免分支多的任務權重過大。 QwenGyre的技術原理 彈性調度（Elastic Scheduler）：將 GPU 劃分爲若干同構計算單元，每個 cell 能用 SGLang 提供採樣服務，也能用 Megatron 承載完整訓練副本。調度器跟蹤”水位”，未完成任務量，只要剩餘採樣容量足以支撐在跑任務且訓練數據供應充足，就按序把 cell 逐個切入訓練；切換時由代理把模型請求重定向到新推理引擎並重試未完成請求，後端進程和通信組無需重建。核心 cell 持有權威權重與優化器狀態，衛星 cell 通過 RDMA 拉取參數快照後加入當前批次的梯度累計，最後由核心統一彙總更新，實現訓練隨數據就緒逐步擴容、採樣與訓練高度重疊。 軌跡處理（Trajectory Processor）：QwenGyre 通過代理記錄每次模型調用的精確輸入/輸出 token ID 和行爲策略對數概率，把共享前綴複用、分叉處建分支，組織成軌跡樹，保證每條輸出始終對應其生成時的原始上下文。訓練准入階段按角色優先級爲每個執行選取不超過 Jmax 條軌跡，僅策略模型生成的 token 參與損失、共享目標只計一次；損失先在執行內對選中 token 取平均、再對執行取平均，使執行權重與其分支數量解耦。配合 Partial Scoring 對超時任務的已完成部分評估打分，最大化利用超長程執行中稀疏而昂貴的有效信號。 如何使用QwenGyre 目前 QwenGyre 用論文形式發佈，阿里尚未公開代碼與安裝包。 QwenGyre的核心優勢 首次實現旗艦模型超長程在線 RL：在 Qwen3.8-2.4T 上完成單次約 70 萬 token 任務的在線強化學習，48 步將 NL2RepoBench 通過率從 52.48% 提升至 58.54%。 訓練效率大幅提升：相同 GPU 預算下端到端加速最高達 1.78×（對 Async）、1.85×（對 Colocate），48 步訓練耗時從 134.55 小時縮短至 75.42 小時。 任務零中斷的彈性調度：GPU 在採樣與訓練間動態切換時，智能體執行、工作區和工具狀態完全保留，切換耗時僅數秒，相對數小時的執行可忽略。 GPU 利用率最大化：細粒度 cell 級資源分配消除了 Colocate 模式的長尾等待空轉和 Async 模式的固定分區僵化，訓練可被採樣完全隱藏。 真實上下文保真訓練：TITO 機制保證每條輸出都對應其生成時的原始上下文，避免歷史壓縮、子智能體上下文拼接導致的”虛假上下文”訓練信號。 QwenGyre的項目地址 arXiv技術論文：https://arxiv.org/pdf/2609.33848 QwenGyre的應用場景 自然語言生成完整代碼倉庫：根據自然語言規格從零構建多包軟件倉庫，單次執行約 70 萬 token、長達數小時。 已有倉庫的長程軟件工程：在現有代碼庫中完成功能開發、缺陷修復與跨文件改造等複雜任務。 多輪終端自動化操作：智能體在命令行環境中連續執行數百輪工具調用，完成系統配置與運維任務。 大規模代碼庫重構遷移：跨倉庫技術棧升級、整體重構等需要數小時連續規劃執行的工程任務。 多智能體協作任務：主智能體委派子智能體的層級執行場景，
WorkBuddy 讓 AI 直接修改 Word/Excel/PPT 文檔保姆級教程
WorkBuddy 團隊是真的很聽勸，之前無數人誇爆的“人機雙寫”因爲入口藏太深，很多人都找不到，這次終於不藏着了，直接做到右鍵菜單裏。 電腦裏的文檔，都能用 WorkBuddy 打開來做 AI 編輯了。 經常改文檔的打工人真的懂這種痛：好不容易寫完方案，改稿比重寫還累。哪怕用 AI，以前也要在文檔和聊天框之間反覆橫跳、瘋狂複製粘貼。 現在我們選中本地文檔，右鍵選擇用 WorkBuddy 打開，就能直接在原文檔裏喚醒 AI 修改。 話不多說，咱們上手感受一下。 01. WorkBuddy 一鍵開啓 AI 改稿 使用前，我們先找到電腦裏要改的文件，右鍵點擊，選擇打開方式裏的 WorkBuddy，文件就會在獨立窗口裏打開。 如果想以後雙擊文件就用 WorkBuddy 打開，可以按 WorkBuddy 的提示設置默認打開方式，點擊確認後纔會生效。 文案編輯 打開文件後，我們可以像在 Office 裏一樣，直接編輯內容。 可以點右上角的 AI 對話，展開右側 AI 對話欄，還可以直接調用 AI 修改。 比如讓 WorkBuddy 檢查錯別字。 平時讓 AI 改內容，要上傳文件，再複製需要修改的部分，跟 AI 說明改哪部分，怎麼改。 現在，我們可以直接在文檔中圈選需要修改的文案，點擊 AI 編輯。 用自然語言表達修改訴求，WorkBuddy 就能直接在右側對話欄處理修改。 改完的內容直接原地替換回文檔原位置，並且貼心地標上了高亮。 我們不需要切換窗口、切換軟件，整個編輯過程就很簡單。 人機協作 我們打開文件時，WorkBuddy 可以完全讀懂我們的文章，我們修改一點，WorkBuddy 也能實時感知到。 比如我們在活動信息表裏，把計劃人數從 60 人手動改成 80 人，再讓 AI 更新背景段落試試： 可以看到 WorkBuddy 會定位到我們修改的地方，並且更新數據。 Excel、PPT 也都支持人機雙寫，我們可以隨時讓 AI 接受編輯表格。 表格處理 文字可以模棱兩可，但數據差一個括號、錯一個引用，結果就是災難。 我們也可以用 WorkBuddy 處理表格。 比如這份信息雜亂的報名表，各種渠道都擠在了一起，還有重複登記和遺漏信息的無效報名。 我們可以讓 WorkBuddy 用公式幫我們篩選處理一下。 WorkBuddy 會採用公式幫我們處理表格信息。 以往要折騰半天的透視表，現在直接一句話就可以讓 WorkBuddy 搞定： 我們讓 AI 整理筆記、輸出提綱，應該會收到 .md 文件，也就是 Markdown。 我們還得下載個 Obsidian 或者 VSCode 才能打開，對大部分普通用戶來說非常不方便。 WorkBuddy 支持本地 Markdown 的可視化編輯。用 WorkBuddy 打開後，可以看到排版後的文案，修改也不用懂 md 語法。 這份籌備紀要記錄了海報、報名頁和會議鏈接等安排，我們讓 AI 整理一個待辦清單： 可以看到，清單幫我們把待辦事項都排好了序，還幫我們標出了待確認項目，不會自己瞎編。 此外，AI 生成的前端頁面，大部分會保存成單個 .html 文件。用瀏覽器可以預覽頁面，後面要改文案、調整排版，就要 VS Code 這類代碼編輯器打開源碼。對不熟悉 HTML 和 CSS 的人來說，找到該改的位置都難。 WorkBuddy 打開本地 HTML 時，會先展示頁面預覽。需要修改時，點擊右上角進入編輯狀態，可以手動編輯，也可以通過右側 AI 對話提出修改要求，點擊需要改動的地方就能改。 我們打開的這份活動頁的介紹偏長，讓 WorkBuddy 精簡一下： WorkBuddy 直接幫我們精簡好了文案內容，還把按鈕位置也調整到了適當的位置。 以後再寫東西時，還可以把素材和正文放在同一份本地工作文件裏，自己補信息、調整觀點，再讓 WorkBuddy 接着整理需要重寫的段落，省掉來回複製整篇內容的步驟。 還有幾個方面可以跟大家分享一下： Office文件編輯後需要手動保存，可以直接覆蓋本地原文件，md 文件改完會自動保存，HTML文件退出編輯後也會自動保存。 查看和手動編輯本地文件都是不消耗積分。在右側對話欄裏讓 Buddy 總結、改寫或生成內容時，纔會根據實際任務消耗積分。 文件安全方面也不用擔心：獨立文件瀏覽器只讀取你主動打開或添加的文件，不會遍歷或掃描電腦磁盤。 02. 一些分享 背景要重寫、一張表要整理，都可以交給 WorkBuddy。修改直接落在文件裏，自己可以接着調整，AI 也能根據新內容繼續處理，改稿過程連貫了不少。 對於經常處理文件的人，WorkBuddy 的價值就在這些日常修改裏。電腦上已有的方案、報名表和彙報材料，都可以打開後接着處理。文件仍然由自己掌握，AI 參與其中
Beam – Reflection AI 開源的首款大語言模型
Beam是什麼 Beam 是 Reflection AI 推出的首款開源大語言模型，採用 501B 參數的稀疏 MoE 架構，每 token 僅激活 23B，支持 100 萬 token 上下文，預訓練消耗 23.8T token。Beam 的訓練過程堪稱重工業級別的算力展示，預訓練用 6,144 張 GB300 不到四周跑完，用 10,500 張 GB300 進行爲期四周、超 1 億次 rollout 的大規模強化學習。 Beam的主要功能 編程開發：在軟件工程任務上達到 GLM-5.2 同級水平，是面向企業編碼負載的主力模型。 Agent 執行：具備工具調用、終端操作、網頁搜索等能力，可自主完成多步任務，甚至學會調用其他大模型和 OCR API。 長文本處理：支持 100 萬 token 上下文，能從超長代碼庫和文檔中定位並關聯關鍵信息。 可調推理強度：用戶通過 reasoning effort 參數在短回覆與長推理之間靈活切換，匹配不同任務和算力預算。 Beam的技術原理 稀疏 MoE 架構：模型總參數 501B，但每次只激活 23B，通過細粒度路由專家配合輔助損失無關的負載均衡實現近均勻的專家利用率，最忙專家負載僅 1.04×，是 Beam 推理高效的硬件級基礎。 兩階段大規模訓練：預訓練在 6,144 張 GB300 上用不到四周消化 23.8T token，配合拓撲感知調度器和靜默數據損壞檢測，goodput 達 92.3%；之後用 10.5K 張 GB300 做四周強化學習，產生超 1 億次 rollout，期間平均維持 11 萬併發 rollout 和 17 萬併發沙盒。 全異步 RL 系統：採用異步 policy gradients，支持 rollout 與訓練並行，通過給每個 token 標記生成它的模型版本處理策略陳舊問題，即使樣本落後當前策略一天（107 個版本）數值依然穩定；新權重經 RoCE 分層分發到推理集羣僅需中位數 12 秒。 長度可控的推理學習：在 RL 中加入長度懲罰項，讓模型先學會用更少 token 解題、再在 agentic 能力增強後自然擴展推理長度，形成能力-token 消耗的最優權衡，由用戶按需調節。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用Beam 當前階段權重未放出，僅向部分用戶提供預覽版，訪問 https://platform.reflection.ai/ 可申請早期體驗。 Beam的核心優勢 推理效率極高：用 3–4 倍低於 GLM-5.2 的推理算力達到同級推理水平，比 Qwen 3.8-Max 等 2T+ 模型節省更多，智能密度突出。 激活參數極小：501B 總參中每 token 僅激活 23B，稀疏 MoE 設計大幅壓低部署和推理成本。 RL 規模業界罕見：10.5K 張 GB300 連續四周、超 1 億次 rollout，是開放實驗室中迄今最大規模的 RL 訓練之一。 訓練穩定性強：預訓練全程僅 9 次半自動回滾、goodput 達 92.3%，訓練曲線無失穩，工程成熟度極高。 推理長度可控：用戶可通過 reasoning effort 參數自由調節推理深度，在性能與成本間按需權衡。 Beam的項目地址 項目官網：https://reflection.ai/blog/introducing-beam Beam的同類競品對比 維度 Beam（Reflection AI） GLM-5.2（Z.ai / 智譜） 總參數 / 激活參數 501B / 23B 744B / 40B 激活佔比 約 4.6%（更稀疏） 約 5.4% 上下文窗口 1M tokens 1M tokens 預訓練數據量 23.8T tokens 28.5T tokens 架構特點 細粒度 MoE + 輔助損失無關負載均衡，52 層殘差流全程穩定 MoE + MLA + 稀疏注意力（DSA/IndexShare），78 層（前 3 層稠密） 後訓練 10.5K 張 GB300 跑 4 周 RL，超 1 億次 rollout，異步 policy gradients slime 異步 RL 基礎設施，長程 agentic 訓練 能力定位 對標 GLM-5.2，官方承認落後 Kimi K3，優勢在推理效率 開源模型推理/編程最強檔，GPQA Diamond 89%，SWE-bench Pro 62.1% 推理效率 達到同級推理水平僅用 GLM-5.2 約 1/3–1/4 算力 基準參照物，40B 激活已屬高效 許可協議 Apache 2.0 MIT 開源權重（已可下載） 當前可用性 wait
M3.1-Flash-Preview – MiniMax 推出的最新文本編程模型
M3.1-Flash-Preview是什麼 M3.1-Flash-Preview 是 MiniMax 推出的最新文本模型，首發上線 MiniMax Code。M3.1-Flash-Preview 面向日常開發場景，支持原生多模態輸入和百萬級上下文，可從 Bug 修復到完整功能開發形成定位→實現→測試→交付閉環。M3.1-Flash-Preview提供 low 至 max 五檔推理強度控制。目前僅限 MiniMax Code 和 Token Plan 使用。 M3.1-Flash-Preview的主要功能 日常開發交付：從 Bug 修復到完整功能開發均可穩定交付，可靠覆蓋日常編碼需求。 需求深度理解：能深入理解開發需求，細緻處理各種邊界情況。 迴歸測試補齊：自動生成並補齊迴歸測試用例，保障代碼質量。 改動影響驗證：可驗證代碼改動對現有功能的影響，降低迴歸風險。 原生多模態輸入：支持文本、圖像、視頻等多種輸入形式，理解更直觀。 百萬級上下文窗口：可處理超大代碼庫和長文檔，適合大型項目分析。 五檔推理強度控制：提供 low 至 max 五檔 Effort 調節，平衡速度與深度。 開發閉環支持：形成問題定位→代碼實現→測試驗證→成果交付的完整開發流程。 M3.1-Flash-Preview的技術原理 MoE + 稀疏注意力底座：繼承 M3 的 428B 總參、每 token 僅激活約 23B 的稀疏混合專家架構，核心是自研 MSA，通過 KV 分塊和動態選擇相關塊替代全量注意力，將百萬級上下文的計算量壓縮至前代的約 1/20，實現長文本下的高速推理。 全稀疏化改造：M3 前三層的全注意力錨點層被替換爲 MSA 稀疏層，每個 token 只關注上下文的選定子集，消除模型中最後的全注意力計算瓶頸，進一步降低長序列處理成本。 激進量化壓縮：採用 Q8KV4 混合精度 KV Cache和 W4A4 NVFP4 專家量化，KV 緩存內存約爲 M3 的一半，顯著降低顯存佔用。 投機解碼加速：用 DSpark 投機解碼頭取代 M3 的 EAGLE 多頭預測頭，由高效小模型先”猜測”token、大模型並行驗證，大幅提升生成吞吐。 如何使用M3.1-Flash-Preview 下載安裝 MiniMax Code：訪問 MiniMax Code 官網下載對應系統版本並完成安裝。 註冊/登錄賬號：打開客戶端，用 MiniMax 賬號登錄。 選擇模型開始對話：在模型選擇器中切換至 M3.1-Flash-Preview，按需調整推理強度（low 至 max 五檔）。 輸入開發任務：用自然語言描述需求，M3.1-Flash-Preview 會完成定位、實現、測試驗證並交付代碼。 M3.1-Flash-Preview的核心優勢 開發全流程閉環：從問題定位、代碼實現到測試驗證、成果交付一站式完成，覆蓋日常開發全場景。 邊界情況處理細緻：能深入理解需求並妥善處理各種邊界條件，交付質量穩定可靠。 極速響應：約 280ms 首字延遲、126 tokens/秒 生成速度，輕量任務體驗接近瞬時。 超長上下文：支持百萬級上下文窗口，可一次性處理大型代碼庫和長文檔。 原生多模態：支持文本、圖像、視頻輸入，需求理解更直觀準確。 推理強度可調：low 至 max 五檔 Effort 控制，可按任務複雜度平衡速度與深度。 成本極低：MoE + MSA 稀疏架構配合激進量化，token 消耗和算力成本大幅低於同檔模型。 M3.1-Flash-Preview的同類競品對比 維度 M3.1-Flash-Preview（MiniMax） Kimi K2.7 Code（月之暗面） 架構 MoE（繼承 M3 底座，官方未公佈規格） 1T 總參 / 32B 激活 MoE，MLA 注意力 上下文窗口 100 萬 token 256K token 推理強度 low / medium / high / xhigh / max 五檔 鎖定思維模式，不可關閉 首字延遲 約 280ms（Low 檔 210ms） 未公開，以長思考爲主 輸出速度 約 126 tokens/秒 有高速版（kimi-for-coding-highspeed），輸出提升 5-6 倍 多模態 文本 / 圖像 / 視頻輸入 文本 / 圖像 / 視頻輸入（MoonViT） M3.1-Flash-Preview的應用場景 日常 Bug 修復：針對報錯日誌和代碼片段快速定位問題根因，Medium 檔可在 320ms 首字延遲內完成邊界條件檢查並給出修復方案，適合高頻迭代的敏捷開發。 完整功能開發：從需求描述到可運行代碼的全流程交
WebCraftBench – 騰訊聯合清華推出的AI網頁生成評測基準
WebCraftBench是什麼 WebCraftBench 是騰訊混元聯合清華、北大推出的 AI 網頁生成評測基準。WebCraftBench先給生成應用自動插樁，讓智能體通過 Playwright 實際操作網頁探索功能，用代碼覆蓋率引導查漏；再將交互記錄抽象成狀態圖，從美觀度、易用性、需求符合度三個維度分別打分。基準含 369 條真實需求、5,088 條人工覈驗的驗收標準，覆蓋 17 個前沿模型的 6,273 個應用，與人類偏好一致率達 85.3%。 WebCraftBench的主要功能 真實需求評測集：包含 369 條來自真實使用流量的用戶需求，配 5,088 條經人工覈驗的驗收標準，覆蓋功能、內容、視覺三類要求。 交互式自動探索：智能體通過 Playwright MCP 像測試人員一樣點擊、輸入、切換頁面，主動發現功能並測試邊界情況。 代碼覆蓋率引導：基於 Istanbul 自動插樁，實時監測覆蓋率，發現探索不足時由輔助模型提示未觸達的代碼方向。 狀態抽象與整理：將冗長的操作記錄去重、規範化，合併爲狀態轉移圖，提煉關鍵運行證據供評分使用。 三維獨立評分：分別評估美觀度、易用性、需求符合度，合成標準化綜合分。 人類偏好驗證：在獨立驗證集上與經複覈的人工投票對比，成對判斷一致率達 85.3%，驗證評測可靠性。 WebCraftBench的技術原理 自動插樁收集運行證據：系統在應用代碼中注入計數器，支持靜態 HTML、Vite、Next、CRA、Astro 等框架。應用啓動後，每次交互都會回傳代碼覆蓋率及增量，讓”哪些代碼被執行過”變得可觀測。 覆蓋率引導的智能體探索：探索智能體不看不源碼、不看驗收清單，按 GUI 測試流程操作網頁。當連續三次交互沒有帶來新增覆蓋時，系統請另一個模型分析尚未執行的代碼，將建議轉成自然語言交給探索智能體繼續嘗試。 狀態抽象壓縮交互軌跡 對頁面結構做規範化處理，相同頁面合併爲同一狀態，操作連接爲狀態轉移圖。避免重複截圖擠佔評分模型的上下文，讓故障路徑一目瞭然。 探索與評分分離的多維打分：探索階段收集證據時不看驗收清單，評分階段才逐條對照標準檢索證據。美觀度和易用性採用”找優點—挑缺陷—裁判定分”的三輪評議（；需求符合度每條判斷必須引用運行證據，按滿足比例計分。三個維度各佔綜合分三分之一。 如何使用WebCraftBench 準備生成應用：讓被評測的模型根據需求生成網頁應用，部署爲可運行狀態。 自動插樁：運行 WebCraftBench 的插樁工具，在應用代碼中注入覆蓋率計數器，使每次交互都能回傳代碼執行信息。 交互探索：啓動探索智能體，通過 Playwright MCP 操作網頁，執行點擊、輸入、切換頁面等動作，主動發現功能並測試邊界情況。 覆蓋率引導查漏：當連續三次交互無新增覆蓋時，系統由輔助模型分析未執行代碼，生成自然語言建議交給探索智能體繼續探索（最多 100 步）。 整理運行證據：系統自動對頁面結構做狀態抽象，將操作記錄去重合併爲狀態轉移圖，保留截圖與交互軌跡。 三維評分：評分智能體分別評估美觀度、易用性，逐條對照驗收標準檢查需求符合度，每條判斷須引用運行證據。 輸出結果：獲得三個維度的標準化分數及綜合總分，可與模型池排名對比，分差越大結果越可信。 WebCraftBench的核心優勢 實測導向：讓智能體真實操作網頁打分，而非只看代碼或截圖，能發現”入口按鈕壞了、首頁打不開”這類靜態評測漏掉的問題。 覆蓋率引導探索：用代碼覆蓋率做”查漏線索”，測試智能體找不到功能時由後台模型提示方向，減少把探索失敗誤判爲產品缺陷。 探索與評分分離：驗收清單隻在評分階段使用，既保留需求約束，又不限制清單之外的交互被觀察，擴大評測覆蓋範圍。 多維獨立評分：美觀度、易用性、需求符合度分開打分，避免”顏值高但一用就崩”的模型被單一總分掩蓋短板。 人類偏好高度一致：在 197 組經複覈的人工對比中判斷一致率達 85.3%，分差大時（≥0.75）一致率升至 98%，結果可信度高。 評測穩定性強：更換評分裁判模型後排名相關係數仍達 0.980，前四名順序不變，結論不依賴單一裁判。 WebCraftBench的項目地址 arXiv技術論文：https://arxiv.org/pdf/2609.15387 WebCraftBench的同類競品對比 對比維度 WebCraftBench WebArena 評測對象 AI 生成的網頁應用質量 智能體在現成真實網站上的任務完成能力 核心問題 “AI 寫的網頁好不好？” “智能體會不會用網頁？” 被測主體 生成模型（Claude、GPT、Qwen 等） 智能體（Agent）本身 評