最好用的AI工具
搜尋：開發
79 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
CleanYourTV – 開源的電視廣告去除工具，垃圾軟件全清空
CleanYourTV是什麼 CleanYourTV 是開源的電視優化工具，通過 Wi-Fi 用 ADB 連接安卓電視，藉助 Claude Code 等 AI Agent 自動識別並停用廣告、數據上報和預裝臃腫軟件，同時安裝仿 Apple TV 風格的簡潔桌面。全程無需 Root、不卸載應用，操作前自動備份，可一鍵恢復。CleanYourTV 支持 92 款型號、16 種語言，桌面僅 370 KB，無需 Root 和卸載應用，操作前會備份系統設置，可隨時一鍵恢復，目前已支持二十多個電視型號。 CleanYourTV的主要功能 無線清理電視：通過 Wi-Fi + ADB 連接電視，無需 root 即可遠程操作。 停用廣告與追蹤：用 pm disable-user 命令停用廠商預裝的廣告應用、遙測和內容推薦服務。 更換極簡桌面：安裝約 300KB 的原生 Launcher，（風格類似 Apple TV），替換滿是贊助內容的原生桌面。。 AI 助手驅動：只需把 PROMPT.md 粘貼給 Claude Code、Codex 或 Gemini CLI，約 15 分鐘自動完成全流程。 豐富預置清單：內置約 80 份分型號軟件包清單，覆蓋 TCL、小米、Sony、Hisense、Philips 等 28 個品牌。 一鍵備份恢復：動手前自動備份軟件包狀態，恢復腳本可完整還原原廠界面和設置。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用CleanYourTV 克隆項目：從 GitHub 拉取 gathin/clean-your-tv 倉庫到本地電腦。 連接同一 Wi-Fi：確保電腦和電視接入同一網絡，在電視的”設置→關於→版本號”連按 7 次開啓開發者模式。 開啓 ADB 調試：在電視的”開發者選項”中打開”網絡 ADB 調試”，記下電視的 IP 地址。 配置連接：編輯項目中的 config.yaml 或在 AI 助手指令中填入電視 IP、品牌型號等信息。 啓動 AI 助手：把項目裏的 PROMPT.md 內容粘貼給 Claude Code、Codex 或 Gemini CLI 並讓它開始執行。 自動備份：腳本會先創建軟件包狀態備份（存爲 JSON 文件），確保後續可完整還原。 停用廣告組件：助手按清單用 adb shell pm disable-user 停用預裝廣告、遙測和推薦服務。 安裝極簡桌面：按需安裝約 300KB 的 CleanYourTV Launcher，替換原生廣告桌面。 驗證效果：重啓電視，確認廣告消失、新桌面正常、常用 App 不受影響。 CleanYourTV的核心優勢 零硬件成本：只需電視和電腦連同一 Wi-Fi，通過 ADB 無線操作，無需 U 盤、刷機盒或外接設備。 無需 root、風險可控：採用 pm disable-user 停用而非卸載系統應用，隨時可一鍵恢復，安全性遠高於刷機。 AI 零門檻操作：用戶無需懂命令行，把 PROMPT.md 粘貼給 Claude Code 等助手可自動完成。 覆蓋品牌廣：內置約 80 份分型號清單，覆蓋 TCL、小米、Sony、Hisense 等 28 個 Android TV 品牌，開箱即用。 極致輕量桌面：替換的原生 Launcher 僅約 300KB，無廣告、無預裝，低內存老電視也能流暢運行。 CleanYourTV的項目地址 項目官網：https://cleanyour.tv/ GitHub倉庫：https://github.com/Gathin23/cleanyourtv CleanYourTV的應用場景 給父母/長輩的電視”去廣告化”：電視開機先播贊助廣告才能進 Netflix，清理後老人操作更清爽。 老電視/低配盒子煥新提速：1GB 內存的老設備停用後台遙測和預裝服務後運行明顯流暢。 極簡主義客廳娛樂中心：用 Apple TV 風格的極簡桌面替換繁雜的推薦信息流， dock 只保留 Netflix、YouTube 等常用應用，迴歸”打開即看”的電視本質。 隱私敏感用戶的家庭網絡淨化：停用廠商遙測和數據收集服務，配合 Private DNS 攔截追蹤域名，減少家庭觀看數據被上傳。 修復電視越用越卡的問題：停用偷跑後台的系統組件，讓卡頓的電視恢復流暢。
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
Void – 開源的全棧開發部署工具，創作部署一體化
Void是什麼 Void 是尤雨溪團...
百雀智能獲客教程 – 覆蓋從定製標準到銷售接手
做外貿獲客，耗時最長的往往不是找聯繫方式，而是要逐個確認：對方是否採購你的產品、採購量夠不夠、是不是目標買家、願不願意繼續談。 百雀智能把這些前期工作交給了AI外貿員：先按企業要求圈定客羣，再製作營銷內容、投放廣告和郵件，把感興趣的買家引導到WhatsApp，由AI接待、挖掘需求並完成驗證。符合約定標準後，詢盤才交給企業的銷售經理。 企業拿到的不是一份等着自己逐個開發的名單，而是已經有過溝通、帶着採購需求和驗證信息的詢盤。 那麼，企業具體要做什麼？AI會完成哪些工作？收到詢盤後又該怎麼看？下面按照百雀官網展示的工作流程，以官網中的地板、牆板業務場景爲例，一步步說明。文中的場景用於解釋產品流程，不作爲實際成交案例。 01. 先明確：要交付什麼樣的詢盤 訪問百雀智能中文官網：https://www.larkagent.cn/zh.html 面向出口企業尋找海外採購商的頁面是以“讓AI外貿員來幫你找客戶，按精準詢盤付費”爲核心介紹；頁面中的“我是採購商”入口服務於尋找供應商的買家。 需要開通服務時，通過頁面的“聯繫我們”或“查詢報價”入口，與銷售經理溝通。官網列出的購買方式包括：由銷售經理根據行業、產品和目標市場測算詢盤價格及數量。 開始前，建議準備好產品手冊、企業業務介紹，以及目標市場和客戶類型。資料不是讓你重新做一遍搜客，而是幫AI外貿員明確產品知識和判斷標準。 第一步的重點：先確定什麼樣的買家纔算符合要求，而不是先買一批聯繫方式再慢慢篩。 官網的詢盤計費口徑是：通過約定標準驗證的詢盤才計費，不符合標準不計費。具體價格、數量、服務配置及異議處理方式，在開通前確認，以合同爲準。 02. 定製客戶標準：誰值得聯繫、聊到哪一步交付 這是企業需要重點參與的一步。百雀的客戶標準遠不止國家、行業，還可以細化到產品範圍、業務關聯、採購門檻、貿易條款、買家角色和價格接受度。 下面沿用官網的建材場景，看看這些條件如何落到業務上。 先說明產品和業務範圍 比如你提供地板和牆板，想開發對PVC地板、層壓地板或相關品類有需求的買家。除了產品名稱，還要說明兩點：是否必須確認到具體型號，以及採購商現有業務需要滿足什麼條件。 官網示例中：採購商當前可以不銷售完全相同的產品，但必須與建材、家居行業相關，具備延展產品線的可能，與只按產品關鍵詞篩公司完全不同。 再確定市場、客戶類型和採購門檻 把重點國家或地區、需要排除的市場、希望合作的買家類型說清楚。官網支持按國家、地區定向，也可逐個國家排除；買家類型可約定爲終端採購商、經銷商、貿易商、批發商或中間商等。 採購門檻也要明確：是某個型號的最低起訂量（MOQ），還是單次混批採購金額（MOA）？兩者不能混用。官網說明，未達到約定門檻的買家不交付、不計費。 官網建材示例選擇的是南美、東南亞、中東、中亞市場，並要求買傢俱備進口經驗和當地清關能力。注意：這是該示例自己的業務條件，不必照搬。 最後確認需求要聊到多細 這直接影響業務員接手時掌握的信息量。根據官網的定製說明，企業可以提出： 具體產品：是否需要明確到SKU；未選定型號的採購商是否交付。 價格接受度：是否要求AI先溝通單價範圍；如果需要，什麼回應纔算通過。 關鍵聯繫人：是否必須聯繫到採購經理、採購負責人等角色。 真實性依據：是否需要覈實官網、社交媒體或公司實景等信息。 貿易與履約條件：例如可接受的貿易條款，以及買家是否具備當地清關能力。 以價格爲例：官網建材場景的條件是”報出價格範圍後未明確拒絕”，另一份定製說明是”明確接受價格才交付”，兩者嚴格程度不同。企業應結合自身業務選擇合適的條件，與百雀確認後執行，別把某個演示條件當成通用標準。 這一步完成後，形成的就是一套具體要求，分別用於客羣匹配、對話驗證和詢盤交付。 03. AI圈定客羣，製作創意並觸達 標準確認後，進入百雀AI外貿員的執行環節。官網將這部分拆爲三個連續動作。 第一，按標準圈定目標客羣。 AI結合社交媒體公開主頁、企業網站、海關數據、B2B名錄等信息，匹配企業設定的條件，並進行去重與真實性校驗，篩出值得觸達的買家。 第二，針對不同客羣製作內容。 同樣是地板產品，面向不同採購商時，社媒廣告素材和郵件表達內容可以不同。百雀根據客羣畫像批量製作廣告素材與郵件創意，無需企業重新寫開發信。 第三，通過廣告和郵件開展觸達。 官網展示廣告投放與郵件觸達同步執行，將感興趣的採購商引導至WhatsApp，進入主動諮詢和對話環節。 因此，使用百雀並不等於企業先自建投放團隊、買數據、羣發郵件，再讓AI簡單回一句話。按官網展示的分工：投放與前期接待由百雀承擔，企業的重心在前面定標準、備資料，以及後面承接意向客戶。 產品材料還列有AI數據員、設計員、外貿員、運營員、背調員、建站員、成單助
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
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。
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
GLM-Legal – 智譜推出的法律專用大模型
GLM-Legal是什麼 GLM-Legal是智譜推出的法律專用大模型，基於輕量級基座GLM-5.3-Flash，經法律領域中間訓練與強化學習後訓練打造。GLM-Legal覆蓋閱讀材料—提取事實—分析法律關係—制定建議—生成專業文件的完整工作流，支持合同審查、證據分析、法律研究、合規規劃等任務。官方評測中，Harvey LAB全項通過率達19.2%，LegalBench、PLawBench持平前沿閉源模型。 GLM-Legal的主要功能 合同審查：分析合同條款風險，站在客戶立場提出具體可執行的修改建議。 證據分析：批量閱讀案件材料，找出證據間的矛盾與關鍵事實，引用來源編號並區分事實與推論。 法律研究：結合案件事實與法律規則形成有依據的分析結論，輸出可供律師審查的專業意見。 合規工作：針對跨境業務梳理各法域合規義務，輸出分優先級的落地清單並附具體法條引用。 專業文件生成：按法律工作規範組織分析、意見或修改方案，交付可直接使用的工作成果。 AutoClaw 集成：接入桌面 Agent 平台後，可在 Word 中修訂模式和批註直接呈現合同修改內容。 GLM-Legal的技術原理 輕量基座 + 領域縮放：模型構建於 GLM-5.3-Flash 之上，通過擴展高質量法律語料的中間訓練建立法律概念、法規規則和解釋框架的系統性知識底座，用小參數規模換取接近前沿模型的領域能力。 模型與 Harness 協同進化：後訓練階段在數萬個真實法律任務環境中做強化學習；Harness 作爲運行時編排框架管理任務上下文、工具調用與執行反饋，模型訓練暴露的邊界問題反哺 Harness 架構改進，架構改進又使模型適應真實執行約束，二者雙向迭代。 生產反饋閉環：由執業律師按”問題覆蓋、論證有據、格式合規、零返工”等標準評審實際輸出，將主觀質量轉化爲具體工程損失信號，回灌到任務環境、評測標準與 Harness 設計中，形成”實踐需求—訓練—驗證”的持續優化循環。 如何使用GLM-Legal 申請訪問：前往 https://z.ai/consultation/legal 提交 Beta 申請。 等待審覈：等待智譜審覈通過並獲得 API 訪問權限。 選擇使用方式：開發者調用 API 集成到自己的法律工作流，普通用戶可下載 AutoClaw 桌面端。 佈置任務：向模型提供任務簡報和相關源文件，明確交付格式要求。 獲取成果：模型自動完成閱讀、分析、推理並輸出專業文件（。 人工複覈：由執業律師審查輸出質量，確認無誤後交付客戶或用於談判。 GLM-Legal的核心優勢 端到端任務執行：覆蓋閱讀材料→提取事實→分析法律關係→制定建議→生成文件的完整工作流。 評測成績過硬：Harvey LAB 全項通過率達 19.2%（較基座提升 12.5 個百分點），LegalBench、PLawBench 持平前沿閉源模型，且由 Vals 獨立評估。 參數小、成本低：用輕量級 GLM-5.3-Flash 爲基座達到前沿水平，推理效率高，部署和使用成本更低。 交付即用的成果：輸出嚴格遵循任務簡報的專業文件，下游團隊無需返工即可直接使用。 證據級嚴謹性：分析中引用來源文件編號，區分事實與推論，論證和引用均可追溯覈驗。 GLM-Legal的項目地址 項目官網：https://z.ai/blog/glm-legal GLM-Legal的同類競品對比 對比維度 GLM-Legal Harvey 模型路線 自研輕量基座 GLM-5.3-Flash + 法律領域訓練，主打推理成本 基於 GPT 等第三方前沿大模型構建法律 Agent 套件 評測表現 Harvey LAB 全項通過率 19.2%（較基座 +12.5pp），LegalBench/PLawBench 持平前沿閉源模型 Harvey LAB 的出題方，自家產品在該基準的具體分數未公開 核心能力 合同審查、證據分析、法律研究、合規規劃、專業文件生成 端到端法律工作流（研究、起草、審查），覆蓋大型律所場景 交付形態 API + AutoClaw 桌面 Agent，可在 Word 中輸出修訂模式 獨立 SaaS 平台，深度集成 Microsoft Word / 律所繫統 語言與市場 中英雙語均衡，PLawBench 驗證中國法律實務能力 以英美法系英語市場爲主 GLM-Legal的應用場景 合同審查與談判支持：審查軟件服務等各類合同，站在客戶立場識別風險條款，輸出具體修改建議並直接在 Word 中以修訂模式呈現，供談判使用。 訴訟證據分析與案件準備：批量閱讀數十份案件文檔，構建證據矛盾地圖（如外部進度報告 vs 內部真實記錄的矛盾），引用來源
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，
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
Poppy – Sierra 聯合 Meta 等推出的開放協議草案
Poppy是什麼 Poppy（Personal Agent Protocol）是 Sierra 與 Meta 聯合多家公司推出的開放協議草案，能解決個人 AI Agent訪問企業服務的身份與授權問題。協議讓企業通過 /.well-known/poppy.json 聲明 Agent 接入方式，Agent 可識別身份代表用戶經 OAuth 授權執行任務，權限分五檔可調，且一次登錄可跨網站、API 和企業自身Agent複用會話。目前已有 Stripe、Shopify、Walmart、Visa、OpenAI 等 35+ 企業參與。 Poppy的主要功能 身份識別：企業可明確識別訪問者是”某用戶的 AI Agent”。 標準發現機制：企業通過在網站發佈 /.well-known/poppy.json 文件，聲明Agent接入方式、登錄入口和可用能力。 分級授權：權限從完全禁止到完全接管共分五級，企業決定開放檔位，用戶決定授權範圍。 OAuth 安全登錄：用戶在企業的頁面親自登錄，代理僅獲得用戶批准的、最小範圍的會話令牌。 單會話跨渠道：同一個令牌可在企業網站、API 和企業自有代理之間複用，交互過程連續不中斷。 多通道執行：支持Agent直接操作網頁、調用 OpenAPI/MCP 接口，或與企業自建的 AI Agent協作完成任務。 全程可審計可撤銷：企業能看到Agent的完整操作路徑，用戶可隨時收回授權。 基於現有標準：構建於 OAuth、JWT、HTTPS、OpenAPI、MCP 之上，企業可用現有工具快速實現，且支持行業自定義擴展。 如何使用Poppy 終端用戶： 向 AI Agent下達任務，無需安裝任何東西； 任務需要賬戶時，在企業頁面親自登錄； 勾選批准Agent的權限範圍； 隨時在賬戶設置裏查看已連接代理並一鍵斷開。 個人代理開發者： 發佈客戶端元數據文檔（client_id、公鑰、回調地址）作爲Agent的身份憑證； 讀取企業的 poppy.json 發現文件，瞭解其登錄方式和可用接口； 向企業 token 端點發送簽名斷言 + DPoP 證明，啓動匿名會話獲得 Session Token； 需要賬戶時按企業支持的方式發起 direct/device/mediated 三種登錄之一； 用戶批准後獲得長期 Account Token，加密保存，之後可靜默換取已登錄會話； 用 Session Token 調用企業 API（DPoP）、瀏覽網頁（瀏覽器斷言換 Cookie）或與企業代理對話； 處理 429 限流、冪等重試、sign_in_required 等錯誤並按規範續期或重新登錄。 企業接入： 在 /.well-known/poppy.json 發佈發現文件，聲明登錄方式、權限範圍和提供的接口； 按 RFC 8414 配置 OAuth 服務器並聲明 poppy_domains； 對每個請求校驗代理簽名、DPoP 證明和 scope 權限； 在網頁、API、企業代理和人工客服所有渠道執行同一套權限檢查； 提供合規的授權頁（展示代理身份和權限說明）和賬戶設置裏的斷開入口。 Poppy的核心優勢 終結”全有或全無”困境：在”Agent冒充用戶”和”企業封禁代理”兩個極端之間，提供身份識別 + 分級授權的中間方案。 企業可識別、可管控代理：每個請求都綁定已驗證的 client_id、用戶 ID 和 scope，企業終於知道”誰在替誰辦事、能做什麼”。 用戶不交密碼、權限最小化：用戶在企業自家頁面登錄授權，代理只拿到限定範圍的令牌，且隨時可撤銷。 一次實現，處處通用：協議目標是覆蓋企業與個人Agent間的一切交互，雙方各實現一次可對接所有支持方。 徹底複用現有標準：基於 OAuth 2.0、JWT、DPoP、OpenAPI、MCP 構建，企業現有授權服務器基本可直接改造接入。 Poppy的項目地址 項目官網：https://personalagentprotocol.org/ Poppy的六大原則 基於現有標準：OAuth、JWT、HTTPS、OpenAPI、MCP 能用則用，只在無標準覆蓋處才定義新東西； 控件而非策略：協議只提供選項，企業決定匿名/登錄要求、放行哪些代理、開放哪些渠道，用戶決定代理能看還是能改； 安全與隱私：代理始終表明身份，但用戶登錄前企業只能看到一個不含個人信息的穩定 ID——同一用戶在不同企業的 ID 互不相同，可識別回頭客但不跨站追蹤；授權可撤銷； 漸進式採用：企業可只從網頁、API 或自建代理之一開始，逐步擴展，無需重構現有系統； 可擴展：發現、身份、API、對話是四大構建塊
EveryInfra – AI 應用基礎設施平台，一站式底層能力支持
EveryInfra是什麼 EveryInfra（萬有引擎）是面向 AI 應用的基礎設施平台，提供平台數據採集、AI 聯網搜索和驗證碼識別三大能力。EveryData 產品線覆蓋約 90 個平台、409 項數據接口，可獲取內容、評論和商品數據並返回結構化 JSON，EverySearch 提供 17 種聯網搜索工具，EverySolve 按成功次數識別驗證碼。EveryInfra支持 API 和 MCP 兩種接入方式，可作爲 SerpApi、Tavily 等訂閱制服務的低成本替代方案，幫助開發者和 AI Agent 快速獲得數據與自動化能力。 EveryInfra的主要功能 平台數據採集（EveryData）：一把 Key 調用約 90 個平台、409 項數據接口，獲取內容、評論、商品等數據並返回結構化 JSON。 AI 聯網搜索（EverySearch）：提供 17 種搜索工具，支持網頁閱讀、整站爬取和交叉驗證，可爲 Agent 提供聯網檢索能力。 驗證碼識別（EverySolve）：自動識別各類網站驗證碼，僅在成功獲取有效憑證時計費，失敗不扣費。 多種接入方式：支持 REST API、遠程 MCP、SDK 和控制檯，可直接接入 Claude、ChatGPT、Cursor 等 AI 工具。 如何使用EveryInfra 註冊賬號：訪問EveryInfra官網 https://everyinfra.com/ 免費註冊。 領取試用額度：添加官方微信領取額度碼，在控制檯兌換試用金。 創建 API Key：進入控制檯 /app#keys 頁面創建密鑰，並保存到環境變量 EVERYINFRA_API_KEY 中。 查詢能力目錄：無需 Key 可調用目錄接口，查詢各平台支持的數據能力、參數和單價。 發起首次調用：先用小 limit 試跑一個目標，確認返回結構符合預期後再擴大規模。 處理翻頁與異步：通過 next_page_token 翻頁，大批量任務使用 mode: "async" 異步提交併輪詢任務狀態。 覈對賬單：響應中的計費回執爲準，失敗或空結果最終會退回預留金額。 EveryInfra的核心優勢 失敗零成本：空結果和失敗請求最終不扣費，預留金額自動退回餘額，試錯風險低。 一體化能力：數據採集、聯網搜索、驗證碼識別三大能力合一，一把 Key 通用約 90 個平台、409 項接口。 原生適配 AI Agent：提供遠程 MCP 和現成的集成 Prompt，可直接接入 Claude、ChatGPT、Cursor 等 AI 工具，無需複雜配置。 計費顆粒度細：翻頁不重複扣整次費用，大批量任務支持異步模式，成本精確可控。 EveryInfra的同類競品對比 對比維度 EveryInfra Tavily 產品定位 AI 基礎設施平台，集搜索、數據採集、驗證碼識別於一體 專爲 AI Agent 和大模型設計的搜索 API 搜索工具 17 個工具，含網頁閱讀、整站爬取、交叉驗證 以基礎搜索和內容抽取爲主 數據覆蓋 約 90 個平台、409 項數據接口，含社交、電商、住宿等 僅網頁搜索，無垂直平台數據 擴展能力 另有 EveryData 數據採集、EverySolve 驗證碼識別 無 失敗計費 失敗、空結果最終不扣費，預留金額退回 按調用次數計費，失敗一般消耗額度 接入方式 REST API + 遠程 MCP + 現成 AI 集成 Prompt REST API + Python SDK + MCP 試用門檻 免信用卡，微信領碼約可試 720 次調用 註冊送少量免費額度 適用場景 AI 應用需要”搜索 + 多平台數據 + 反爬”一體化方案 大模型僅需輕量聯網搜索功能 EveryInfra的應用場景 AI Agent 聯網增強：爲 Agent 提供聯網搜索、網頁閱讀和整站爬取能力，讓它能自主查資料、交叉驗證信息並生成帶來源的答案。 競品與市場調研：批量抓取 Amazon、Airbnb、App Store、豆瓣等平台的商品、房源、應用數據，監控價格、評分和評論變化，輔助商業決策。 社交媒體輿情分析：採集 Instagram、TikTok、YouTube、小紅書等平台的內容和評論數據，進行品牌聲量監測、熱點追蹤和用戶情感分析。 AI 訓練數據構建：低成本批量獲取多平台結構化 JSON 數據，用於清洗後訓練垂直領域模型或構建 RAG 知識庫。
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
PikaPio – AI + AR 創意內容社區與零代碼創作平台
PikaPio是什麼 PikaPio 是 XOSMO 推出的 AI+AR 創意內容社區與零代碼創作平台。平台讓普通用戶無需編程可創作 AR 內容，覆蓋趣味周邊、地標體驗、創意濾鏡等場景。平台集發現靈感，掃碼體驗，零代碼編輯，社區發佈於一體，支持小程序與網頁端，打造從靈感到作品的完整 AR 創作閉環，降低 AR 製作門檻，讓每個人都能將創意躍入現實。 PikaPio的主要功能 AR 社區發現：瀏覽創作者與官方發佈的 AR 作品，獲取靈感、模板和創作方向。 掃碼即時體驗：掃描特定圖案或場景，在手機上直接體驗 AR 內容。 零代碼 AR 編輯器：無需編程，通過可視化工具快速搭建 AR 場景。 AI 輔助創作：藉助 AI 能力降低創作門檻，加速從靈感到作品的過程。 多端同步支持：支持小程序端與網頁端無縫銜接，隨時隨地創作和體驗。 社區發佈分享：將作品發佈至平台社區，與同頻創作者互動交流。 個人作品沉澱：積累和管理專屬 AR 作品集，打造個人創作檔案。 如何使用PikaPio 訪問平台：訪問 PikaPio 官網 https://www.intoxosmo.com/products/pikapio，或微信小程序，註冊/登錄賬號進入主界面。 瀏覽發現：在「AR社區」瀏覽趣味周邊、地標體驗等分類作品，尋找創作靈感。 掃碼體驗：找到感興趣的 AR 內容，用手機掃描對應圖案或場景即可實時體驗。 開始創作：點擊「開始創作」，進入零代碼 AR 編輯器，選擇模板或從空白搭建。 編輯場景 ：拖拽添加 3D 模型、圖片、文字等素材，調整位置、大小和交互邏輯。 AI 輔助生成：用 AI 功能快速生成素材或優化創意，降低製作門檻。 預覽調試 ：在編輯器內實時預覽 AR 效果，確保場景在手機端的展示符合預期。 發佈作品：完成編輯後將作品發佈至社區，添加標籤和描述，與其他創作者分享交流。 管理作品集：在「我的」頁面查看和管理已發佈的 AR 作品，持續積累個人創作檔案。 PikaPio的核心優勢 零代碼創作：無需編程基礎，通過可視化編輯器即可搭建 AR 場景，大幅降低技術門檻。 AI 賦能創意：結合 AI 能力輔助素材生成與創意優化，讓靈感快速轉化爲可體驗的 AR 內容。 全流程閉環：集發現靈感、掃碼體驗、零代碼編輯、社區發佈於一體，一站式完成 AR 創作。 多端無縫銜接：支持小程序與網頁端，隨時隨地瀏覽、創作和分享 AR 作品。 豐富模板生態：提供趣味周邊、地標體驗、創意濾鏡等多類 AR 模板，一鍵套用即可出片。 活躍創作者社區：匯聚同頻創作者，作品可互動點贊收藏，形成 AR 內容共創生態。 作品集沉澱：個人 AR 作品可系統化管理，積累可展示、可寫入簡歷的創作檔案。 PikaPio的同類競品對比 對比維度 PikaPio 視+AR（EasyAR） 產品定位 AI+AR 創意內容社區與零代碼創作平台 增強現實基礎設施與空間計算技術平台 目標用戶 普通創作者、學生、興趣愛好者（C 端社區驅動） 開發者、企業客戶、文旅/商業項目方（B 端技術驅動） 技術路線 零代碼編輯器 + AI 輔助，強調”無門檻”創作 SDK 引擎 + 空間計算（EasyAR Sense/Mega），強調底層追蹤與定位能力 創作方式 模板一鍵套用、可視化拖拽、社區直接發佈 Unity 插件開發、微信小程序接入、原生 SDK 集成，需一定技術基礎 核心能力 AI 輔助創意生成、零代碼 AR 場景搭建、創作者社區互動 圖像/3D 物體/SLAM 追蹤、VPS 視覺定位、大空間 Mega 空間計算 平台支持 小程序端 + 網頁端 iOS / Android / Unity / 微信小程序 / Web / XR 頭顯全平台 社區屬性 強社區導向，強調”同頻創作者”互動與作品沉澱 偏技術工具與行業解決方案，社區互動屬性較弱 代表場景 趣味周邊展示、創意社交濾鏡、地標打卡、互動藝術裝置 AR 導航導覽、文旅遺址復原、大空間 MR 體驗、工業培訓、醫療實景導航 PikaPio的應用場景 趣味周邊展示：爲 IP 玩偶、文創產品打造 AR 展示效果，用戶掃描即可看到虛擬形象躍出實物。 地標打卡體驗：在城市地標、景區建築上疊加 AR 特效，打造沉浸式文旅打卡內容。 創意社交濾鏡：製作照片/視頻 AR 濾鏡，用於社交分享、節日祝福、紀念時刻。 互動藝術裝置：搭建可交互的 AR 藝術裝置，用於展覽、快閃活動、公共空間藝術。 品牌營銷互動：爲品牌活動製作 AR 海報、產品包裝互動，提升用戶參與度和轉化率。 教育科普演示：將抽象知識