最好用的AI工具

AI建站搭建服務

搜尋：智能體

122 個結果

分類排序

WorkForge – 騰訊聯合復旦推出的智能體訓練環境構建框架

WorkForge是什麼 WorkForge是...

書生-A1.5 – 上海 AI Lab 開源的通專融合科學智能體

書生-A1.5是什麼書生-A1.5（...

Claude Duet – Anthropic 推出的個人 AI 智能體

Claude Duet是什麼 Claude Du...

Agensh – 微軟研究院推出的多智能體協作框架

Agensh是什麼 Agensh是微軟研...

海外爆火的 Personal Agent 爲何在中國走不通？

最近，Personal Agent 在大洋彼岸掀起一股熱浪。 8月11日，馬斯克的 xAI 發佈 Grok Bot，上線一個月後，周用戶達到 41.8 萬。 9月8日，Meta 推出 Muse，兩週就直接登頂美區 iOS 免費榜，次周留存率更是打破了今年所有工具類產品的增長紀錄。 9月28日，Manus 團隊發佈 Cue；9月29日，OpenAI 緊隨其後發佈 dots，在發佈會上提出顛覆性的 always-on agents 概念。 AI 幫我們訂餐、安排行程、管理郵件、找維修服務，這些能力看起來確實很驚豔。但國內卻是另一番景象。前陣子，字節的豆包手機助手，也搞一套可以幫用戶自動去淘寶下單、去美團點外賣的全套 AI 智能體玩法。他們出了個規則，公示 30 天，讓各家 App 公司，自己聲明允許或拒絕能被豆包 AI 代替用戶自動操作。結果 30 天公示期滿，包括微信、支付寶、淘寶、美團、拼多多、滴滴、小紅書等超過 150 款國內主流 App，均拒絕字節豆包通過 AI 智能體代理用戶。一邊是海外各大巨頭密集交卷、熱度破錶；一邊是國內 150 多款國民級應用聯手築起高牆。爲什麼海外熱捧的 Personal Agent，到了中國卻處處碰壁？ 01. Personal Agent 是什麼第一次聽到 Personal Agent 的朋友可能還不是很瞭解，我們先看一個日常生活場景：假設我們下週要去上海出差，我們打開 AI 聊天工具，比如 ChatGPT，輸入：幫我做一份三天的出差安排。 AI 很快能給我們一份方案：建議坐哪班飛機、住在哪個區域、每天怎麼安排。但關掉對話框，我們還要自己打開訂票軟件覈實價格，查看酒店是否有房，檢查時間是否與會議衝突，再一項項完成預訂。 AI 可以幫我們想好方案，事情還得我們自己辦。 Personal Agent，也就是個人智能助理，可以在獲得我們的授權後，直接使用工具和服務，替我們把事情推進下去。同樣的情況，Personal Agent 會先檢查我的日程，再查機票、比較酒店，把符合要求的組合提交給我們確認。我們選定後，Personal Agent 繼續完成預訂流程，將行程加入日曆。我們只用交代目標和要求，Personal Agent 承擔後續搜索、比較、填寫和跟進的工作。簡單來說就是，ChatBot 給我們答案，Personal Agent 可以替我們辦事。 Personal Agent 商業模式的本質，是買斷我們原本花在瑣事上的時間和精力。在海外這個商業邏輯順理成章。爲什麼到了中國市場卻走不通了？ 02. 爲什麼在中國走不通先問大家一個現實的問題：如果每個月花錢請一個 AI 助理，你願意付多少錢？對於一個靠項目收費的獨立顧問，AI 每週幫他省出幾個小時，他可能就能多接一個客戶。但對於一個拿固定工資的上班族，同樣省出幾個小時，收入未必增加，工作也未必減少。兩個人都覺得產品好用，最後卻可能只有一個人願意付錢。 Personal Agent 的生意，首先要找到那些既需要它，又能從中持續獲益的人。海外的熱度，說明這類人羣基數已經足夠大。但這不代表，把產品搬到中國，面對十幾億人口，就能自然獲得一個更大的付費市場。我們拆開人口結構、勞動力、產業與全球角色的四重現實，就會發現中國市場的死結所在。人頭很多，但願意買單的有效人羣太少年輕人能很快的學會使用，但對價格敏感。現有的免費 AI 已經能滿足寫簡歷、規劃行程等日常需求，很難讓他們再額外爲 Personal Agent 付錢。中年人要照顧一家老小，瑣事繁多。但接送小孩、照顧老人這類事情，AI 只能做弱提醒，根本無法交付閉環。銀髮族對私人助理有實際需求，但不懂操作，加上實際設置和付費的可能是子女或者服務機構，使用者與付費者產生代際割裂。 Personal Agent 更適合的，可能是那些收入較高、事務繁忙，又能自主安排工作的專業人士。但這類人羣的規模相對較小，支撐不起大衆消費級產品。省下來的時間無法折現，還可能進一步內卷對大多數打工人來說，用 Personal Agent 省下十個小時，並不意味着工資裏多出十個小時的錢，也不能提前十個小時下班。反而可能會接到下一個任務… Personal Agent 創造了價值，但最應該付費的是公司。更殘酷的現實是，在中國，Personal Agent 的競爭對手不只有其他 AI，還有極度發達的外賣、跑腿、客服，以及只用幾次點擊就能完成任務的成熟 App。人工服務越廉價便捷，個人助理的價值折損就越嚴重。無法直接帶來增量收入的省心，在消費賬單裏毫無競爭力。用戶想一句話辦完，平台只想守住流量和廣告 Peersonal Agent 替用戶比價代購

Hy Memory 2.0 – 騰訊混元開源的智能體記憶框架

Hy Memory 2.0是什麼 Hy Memo...

Grok Voice 3.0 – SpaceXSI 推出的端到端語音轉語音模型

Grok Voice 3.0是什麼 Grok Voice 3.0 是 SpaceXSI 推出的端到端語音轉語音模型，在獨立測試機構 Artificial Analysis 的語音綜合榜單以 86.9 分居首，響應延遲低於 1 秒，單次任務運行成本約 0.025 美元，低於同級別競品。目前每天支撐特斯拉車內數百萬次對話，星鏈客服中心依託模型日處理 2 萬通多語言來電，約七成無需人工介入可解決。 Grok Voice 3.0的主要功能端到端語音對話：支持語音輸入直接生成語音輸出，無需文字中轉，實現自然流暢的實時人機對話。全雙工交互：可智能處理停頓、對話輪替和插話，用戶隨時打斷，模型響應自然不僵硬。複雜任務執行：依託 Connectors 和 Grok Bot，可完成查日程、回郵件、下單咖啡、預訂晚餐等免動手操作。企業客服能力：單個智能體即可完成客戶身份覈驗、硬件故障排查、發放退款和補發設備全流程服務。多語言支持：星鏈客服中心每天以多種語言承接約 2 萬通客戶來電。 Grok Voice 3.0的技術原理端到端語音轉語音架構：傳統語音助手採用”語音識別→文本理解→文本生成→語音合成”的多模塊級聯方案，信息逐級損耗且延遲疊加。Grok Voice 3.0 採用語音到語音的直接建模，音頻信號進入模型後不經文本中間表示，直接輸出語音回覆，減少級聯誤差，是其首響延遲壓至 1 秒以內的結構基礎。全雙工對話建模：模型能同時處理收聽與生成：通過流式編碼器持續捕捉用戶音頻流，結合對停頓、語氣詞和插話行爲的判別，動態決定何時續說、何時讓步，在 Full Duplex Bench 上取得 97% 的成績，是其車載免喚醒、可打斷交互體驗的核心支撐。語音推理與智能體能力融合：模型將聽覺理解與大語言模型的推理規劃能力耦合，用戶語音被解析爲任務意圖後，由內置的智能體框架調用日程、郵件、下單等外部工具 Connectors 或 Grok Bot 完成任務，把執行結果用自然語音回饋用戶，形成”聽懂—規劃—執行—回覆”的閉環，是其客服場景能獨立完成退款、補發等操作的原因。如何使用Grok Voice 3.0 普通用戶：在 Grok 應用、Grok Bot 或特斯拉車內直接開啓語音模式可對話，grok-voice-latest 用戶已自動升級無需操作。開發者：註冊 API Console 獲取密鑰後，按官方文檔調用 Voice Agent API 接入應用。 Grok Voice 3.0的核心優勢綜合智能第一：以 86.9 分登頂 Artificial Analysis 語音轉語音綜合榜，在語音推理、任務完成率和人類偏好上全面領先競品。延遲行業領先：響應延遲低於 1 秒，比同級別 GPT-Live-1 低 40%，實現智能與速度的最優平衡。運行成本更低：單次任務成本約 0.025 美元，低於 GPT-Live-1 和 GPT-Realtime-2.1，且 API 定價與上代持平不漲。全雙工交互自然：Full Duplex Bench 拿下 97%，對停頓、輪替和插話的處理接近真人對話體驗。企業場景驗證充分：EVA-Bench 以 74% 精度居首，星鏈實測日接 2 萬通電話、70% 無需人工、四分之一銷售通話直接成交。 Grok Voice 3.0的項目地址項目官網：https://x.ai/news/grok-voice-3 Grok Voice 3.0的同類競品對比對比維度 Grok Voice 3.0 Gemini 3.8 Live AA 語音綜合指數 86.9（第 1 名） 82.6 語音推理（Big Bench Audio） 98.5% 97.7% 人類偏好（Arena Elo） 1070 990 任務完成率 94.8% 89.1% 全雙工（Full Duplex Bench） 97.0% 91.9% τ-Voice 客服場景 71.6% 68.6% 單次任務成本 $0.025 更高（未列具體值） EVA-Bench 企業客服精度 74%（最高）未領先 Grok Voice 3.0的應用場景智能車載語音助手（特斯拉）：駕駛員全程免動手，通過 Connectors 查詢日程、回覆郵件，或用 Grok Bot 完成下單咖啡、預訂晚餐等複雜任務，目前每天處理數百萬次車內對話。企業客服中心（星鏈）：星鏈客服依託 Grok Voice 每天多語言接聽約 2 萬通來電，約 70% 無需人工介入即可解決，單個智能體可獨立完成身份覈驗、故障排查、退款和設備補發。電話銷售轉化：約四分之一的銷售通話在客戶掛斷前即促成下

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

ip-as-logo-skill – 開源的 Agent Skill，能生成 IP 吉祥物頭像

ip-as-logo-skill是什麼 ip-as-logo-skill 是開源的 Agent Skill，用於生成極簡可愛的 IP 吉祥物頭像。ip-as-logo-skill 用 4–7 個圓潤幾何形狀構成清晰輪廓，配合”兩主色+一背景”的三色約束，讓角色縮小到 32×32 仍能辨認。流程是先出 3 個設計方向，確認後生成 6 張候選圖。ip-as-logo-skill 需搭配 Codex、豆包等兼容 Agent 及 GPT Image 2 等頂級圖像模型使用，MIT 協議可商用。 ip-as-logo-skill的主要功能極簡輪廓生成：用 4–7 個大幾何形狀構建圓潤角色輪廓，確保縮小到 32×32 像素仍可辨認。三色約束：默認用兩個角色主色加一個純色背景，減少視覺干擾。方向提案：給出 3 個設計方向，未定角色時優先推薦常見動物並關聯產品屬性。批量出圖：確認方向後生成 6 張獨立方圖，左右下角構圖各佔一半。原樣交付：所有結果一次性返回，不篩選、不自動重試，由用戶挑選後再修改。構圖控制：角色從左下或右下角探出，佔據畫面 85–95%，保持視覺主導。模型適配：自動檢查是否接入 GPT Image 2 等頂級圖像模型，不足時提示用戶開啓或提供 API Key。提示詞淨化：生成提示中刻意隱藏 logo、icon 等用途詞彙，避免模型輸出僵硬圖標風。微信關注回覆“開源”，加入AI開源項目交流羣如何使用ip-as-logo-skill 安裝 Skill：運行 npx skills@latest add s1dashu/ip-as-logo-skill。選擇智能體：按安裝提示選擇 Codex、豆包、Coze、Manus 等兼容的 Agent。確認圖像模型：確保 Agent 已接入 GPT Image 2、Nano Banana Pro 等頂級圖像模型，按提示開啓或填寫 API Key。描述需求：告知角色用途、受衆、性格和最關鍵的辨識特徵。挑選方向：查看 AI 給出的 3 個設計方向，確認全部保留或只選其一。審閱修改：從結果中挑選滿意的圖，或明確提出修改要求讓 AI 再出一批。裁切測試：用於頭像場景時，把成品放進圓形裁切框檢查耳朵、表情等關鍵特徵是否被遮擋。 ip-as-logo-skill的核心優勢小尺寸高辨識：用 4–7 個圓潤大形狀構建輪廓，角色縮小到 32×32 頭像場景依然清晰可認。設計約束明確：嚴格的”三色+單特徵”規則，避免 AI 越畫越花，方案之間更容易比較。流程先方向後出圖：給 3 個設計方向再批量生成，減少盲目抽卡式試錯。結果零損耗交付：所有候選圖原樣保留、不自動篩選或重試，用戶掌握完全選擇權。提示詞工程成熟：隱藏 logo/icon 等用途詞彙、直接命名背景色，引導模型輸出更自然的角色圖。生態兼容廣泛：支持 Codex、豆包、Coze、Manus、Gemini 等多種 Agent，不綁定單一產品。 ip-as-logo-skill的項目地址 GitHub倉庫：https://github.com/s1dashu/ip-as-logo-skill ip-as-logo-skill的同類競品對比對比維度 ip-as-logo-skill SanbaoAI/logo-generator-skill 產品定位極簡、可愛、小尺寸可辨識的 IP 角色頭像完整品牌視覺識別系統（VI），含 Logo、品牌規範板技能結構單一 Skill（一份 SKILL.md）三個模塊化 Skill：base-logo、mascot-logo、colorway 輸出形態 6 張獨立方圖，角色從角落探出品牌系統規範板（含主 Logo、favicon、印章、黑白應用等編號模塊）設計目標 32×32 像素下仍可辨認，優先”像角色” 可註冊、可縮放的扁平商標剪影，優先”像商標” 複雜度策略 4–7 個大形狀 + 嚴格三色約束，偏圓潤可愛從動物/角色中提取單一識別特徵（爪子、鹿角等）做扁平化色彩規則默認固定三語義色，壓低背景飽和度支持多色系，另有專門的 colorway 配色 Skill 做場景化換色圖像模型要求強制頂級圖像模型（GPT Image 2 等），絕不回退 SVG 無圖像工具時直接輸出提示詞，可粘貼到 Midjourney、Flux、Ideogram 使用使用場景頭像、吉祥物快速探索，輕量需求創業公司/品牌的完整視覺體系，重度需求成熟度 5.9k stars，社區熱度高相對小衆，但流程更完整 ip-as-logo

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，

Dots – OpenAI推出的常駐型個人智能體

Dots是什麼 Dots是OpenAI推出...

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

Livo – 快看漫畫推出的 AI 數字生命互動應用

Livo是什麼 Livo 是快看漫畫推出的 AI 數字生命互動產品。產品是持續運轉的虛擬世界，角色有獨立的作息、日程、情緒和人格，用戶關閉 App 後他們仍在生活；用戶的每句話、每個選擇都會通過「命運因果鏈」留下痕跡，影響角色關係和故事走向。產品內置多個獨立世界觀故事，通過「照見我」把互動軌跡匯成星圖，讓用戶看見自己被世界如何理解。 Livo的主要功能活着的世界：世界持續自主運轉，角色有自己的日程，用戶關閉 App 後故事仍在推進。活着的角色：角色擁有獨立作息與人格，情緒會起伏，相處久了性格會真實變化且不可逆。人格演化：角色不是固定標籤，會因用戶的言行而成長、改變，形成獨一無二的相處軌跡。命運因果鏈：用戶的每個選擇都被記錄，影響後續事件與故事走向，同一角色對不同人呈現不同故事。看得到的情緒：對話中角色的情緒以流動的粒子與色彩實時呈現，不用猜他在想什麼。多個世界：內置多個獨立世界觀作品，各有自己的設定、角色與敘事線，可隨意切換進入。照見我：所有互動匯成一張星圖，記錄用戶瞭解了多少、改變了什麼，照見自己在世界中的樣子。如何使用Livo 下載安裝：在 App Store 商店搜索 Livo，下載安裝。激活進入：輸入邀請碼激活內測權限，註冊登錄後進入產品。選擇世界：在「蒂利亞之冬」「DOLO最後的夏天」等多個世界中挑一個感興趣的故事進入。觀看開場：通過精緻的開場視頻瞭解世界觀背景，隨後被「放置」到具體場景中。主動開口：沒有任務列表，需要主動找角色搭話，甚至和路過的 NPC 閒聊來開啓故事。觀察角色：對話時留意角色的狀態欄，能看到他此刻的情緒和說話動機。自由回應：既可選系統給的建議回覆，也可自由發揮，不同說法會觸發不同反饋。推進或閒逛：選擇主線劇情「註定命運」，或在場景中閒逛觸發支線「潛在命運」。離開與回訪：關閉 App 世界仍在運轉，回來後可在世界地圖看到角色這段時間的動態。照見自己：在「照見我」頁面查看世界如何理解和記錄你留下的痕跡。 Livo的核心優勢世界持續運轉：用戶不在場時角色仍按自己的日程生活，世界狀態隨時間自主演化。敘事因果真實：用戶行爲會進入因果鏈條，通過多 Agent 之間的信息流動產生連鎖反應。角色人格獨立：每個角色擁有六層人格檔案，會因相處而發生不可逆的性格變化。關係有主動權：角色是否深入交流取決於關係、狀態和正在發生的事，對話是世界產生關係後的產物。用戶被世界看見：「照見我」把互動沉澱爲世界眼中的”你”，讓用戶體驗被理解和重新認識自己。 Livo的同類競品對比對比維度 Livo（快看漫畫）星野（MiniMax）產品定位會自己活着的 AI 世界，微型世界模擬器沉浸式 AI 角色扮演與虛擬社交社區內容來源 PGC 爲主，官方世界觀作品，創作者注入靈魂 UGC 爲主，用戶自創數百萬智能體，社區共創角色與您的關係角色有自己的主線，用戶是進入世界的參與者角色圍繞用戶互動，用戶是話題引導者時間機制用戶離線世界照轉，角色繼續過日子對話輪次驅動，關掉 App 角色基本凍結因果與記憶命運因果鏈，多角色間連鎖反應，記憶不可逆動態記憶+事件簿摘要，但可回溯、可重說，控制權在用戶交互模態以文字敘事爲主，情緒可視化呈現文字+語音+圖像多模態，可實時語音通話容錯性劇情單向發展，不可撤回、不可回溯可重說、可回溯，自由度和容錯性高 Livo的應用場景沉浸式戀愛體驗：進入言情向世界，與不圍繞自己轉、有自己生活的角色發展真實感關係。劇情探索娛樂：像在敘事類遊戲裏一樣逛地圖、閒聊 NPC、觸發支線，追一個”永不完結”的故事。情緒陪伴與樹洞：低落時回到熟悉的世界，角色記得你的過往並給出有因果的回應，而非模板安慰。輕量社交觀察：圍觀多個角色之間的關係網絡自行演化，體驗”看戲”式的羣像樂趣。自我記錄與反思：通過「照見我」星圖回看自己在這個世界留下的軌跡，看見自己被如何理解與改變。

GLM-5.3-FlashX – 智譜推出的高速推理模型

GLM-5.3-FlashX是什麼 GLM-5.3-FlashX 是智譜推出的高速推理模型，輸出速度最高 200 tokens/s，較 GLM-5.3-Flash 提速 5 倍、提價 2.5 倍，API 已開放。模型基於 10 萬張國產芯片算力，推理基礎設施由 GLM-5.3 驅動的 Agent 在兩週內自動構建完成，端到端吞吐達初始基線 3 倍。模型主打同尺寸最強智能、極高性價比，形成智能、價格、速度的全面競爭力，適用於對延遲敏感的實時交互與 Agent 高頻調用場景。 GLM-5.3-FlashX的主要功能高速文本生成：輸出速度最高 200 tokens/s，較 GLM-5.3-Flash 提速 5 倍。對話補全 API：通過 bigmodel.cn 開放標準 API，Model Key 爲 GLM-5.3-FlashX。在線體驗：官網體驗中心提供可視化試用入口，無需部署即可測試。實時 Agent 交互：低延遲特性適配高頻調用、流式輸出的智能體應用場景。高性價比推理：在保持同尺寸最強智能的同時，以 2.5 倍價格提供 5 倍速度。 GLM-5.3-FlashX的技術原理國產芯片推理算力底座：模型運行在 10 萬張國產芯片組成的推理集羣上，通過 Infra 側的持續投入與推理優化，保障大規模併發下的高速穩定輸出。 Agent 驅動的 Infra 構建：整套推理系統由 GLM-5.3 驅動的 Agent 自動構建，人類負責定目標、設邊界和審覈關鍵修改，Agent 自主完成測試、日誌分析、Trace 排查與代碼優化，形成「稠密反饋」閉環，不到兩週即實現端到端吞吐 3 倍提升。精度修復保障長上下文穩定：針對 KDA 的 CP 路徑，修復了 FP32 輸入默認走 TF32 計算導致的誤差累積問題，通過顯式設置 input_precision="tf32x3" 提升長上下文精度，修復已回饋至 Flash Linear Attention 上游。 KV Transfer 併發優化：定位到 DeepEP v1.2.1 的 C++ 調用未釋放 GIL、阻塞 Python 側 Mooncake Transfer 線程的問題，修復後 Prefill 加傳輸與單獨 Prefill 的性能差距從 20% 以上降至 1% 以內。 KDA Decode 算子去冗餘：將沿 V 維度分塊導致的四遍重複 FP32 歸一化與門控計算合併到同一線程塊，批量預計算並共享中間結果，算子性能提升至優化前的 1.71 倍。如何使用GLM-5.3-FlashX 註冊賬號：API調用網址 https://docs.bigmodel.cn/api-reference/，註冊並登錄賬號。獲取 API Key：在控制檯創建並複製你的 API 密鑰。確認模型名稱：調用時使用 Model Key GLM-5.3-FlashX。 API 調用：參考官方文檔（對話補全接口），將請求中的 model 字段設爲 GLM-5.3-FlashX 併發送請求。在線體驗（可選）：訪問體驗中心 https://www.bigmodel.cn/trialcenter/modeltrial/visual?modelCode=glm-5.3-flashx，免部署直接試用。接入應用：將 API 集成到你的應用或 Agent 工作流中，利用其 200 tokens/s 的高速輸出處理實時交互場景。 GLM-5.3-FlashX的核心優勢極致速度：輸出速度最高 200 tokens/s，較 GLM-5.3-Flash 提速 5 倍。智能不妥協：長期保持同尺寸最強智能水平，提速不以犧牲模型能力爲代價。高性價比：以 2.5 倍價格換取 5 倍速度，單位智能成本反而更低。國產算力底座：基於 10 萬張國產芯片推理集羣，供應鏈自主可控。 Agent 構建的 Infra：推理系統由 GLM-5.3 驅動的 Agent 不到兩週自動建成，端到端吞吐達基線 3 倍，迭代效率遠超傳統人工優化。工程深度優化：通過修復 TF32 精度偏差、GIL 阻塞、重複計算等問題，實現算子級性能躍升（KDA Decode 算子提升 1.71 倍）。 GLM-5.3-FlashX的同類競品對比維度 GLM-5.3-FlashX DeepSeek-V4-Flash 輸出速度 200 tokens/s（顯式標稱，主打賣點）官方未標稱具體數值，實測爲高吞吐檔價格 Flash 的 2.5 倍（絕對價未公佈，按 GLM-5 系定價推算居中檔） $0.14 / $0.28 每百萬 tokens（約 ¥1 / ¥2），爲 Flash 檔價格屠