是的，图片和视频永远比大语言模型更直观，能让普通用户感受到AI的进步。 文本这方面，目前的进步普通人已经根本感知不到了。哪怕是最顶尖的那三个模型，你把它跟普通模型混在一起，普通用户也完全没有感知的。

快手在视频上的布局越来越全面了啊，这几天开源了 Kwai Keye-VL-1.5-8B 模型 除了支持图像识别以外，视频理解能力也很强，加上 8B 的大小非常适合本地部署用来做视频标注和内容识别。 我试了一下，给了一个是描述视频画面内容以及查找分镜时间和每个分镜的内容描述都做的不错。 模型主要优势有： 短视频理解：在Video-MME的短视频子集测试中，Keye-VL-1.5-8B获得81.2的高分，超过了GPT-4o及同类模型。 视频定位能力：能够在一个26秒的短视频中，将目标物（如包）出现的时间段精确定位到0.1秒级别 视觉推理能力：能够理解视频中相对复杂的行为动机比如论文案例里面可以从两只狗的行为推测动机。 模型核心创新主要有下面几个方面： 针对视频内容动态且信息密集的特点，Keye-VL-1.5 提出了一种新颖的“Slow-Fast”视频编码策略，以有效平衡空间分辨率和时间覆盖率。 慢速通路以高分辨率处理视觉变化显著的关键帧，而快速通路则以较低分辨率但更高的时间覆盖率处理相对静态的帧。 另外模型采用了精心设计的四阶段渐进式预训练流程，系统性地将模型的上下文长度从8K扩展到128K，可以理解更加复杂的视觉信息。 在后训练阶段为解决冷启动问题，模型设计了一个五步自动化流水线来生成高质量的长链思考数据，包括数据收集、问题重写、多路径推理生成、双层质量评估和人工指导改进。 引入了“渐进式提示采样”机制来处理困难样本，即当模型多次回答错误时，在提示中给予不同层级的提示，以提高训练效率和模型推理能力

试了一下阶跃的智能视频通话的多模态能力，真的超强。 响应很迅速（为了观看效果有剪辑），识别效果相当准确，常见的画面内容都能识别还能进行一定的推理。 看了一下这个视频理解又快又准确的原因，可能涉及他们刚发布的 Step-3 背后多项多模态积累，这个视频通话属于多模合一能力。 今晚阶跃发布的Step3核心创新点在于，通过模型-系统协同设计，实现了极高的解码效率和成本效益。 在Hopper GPU上，Step-3的解码吞吐量高达4039 tokens/s/GPU，远超DeepSeek-V3的。 同时他们将注意力和FFN分别部署在不同GPU组，采用高效的流水线和通信机制，实现低延迟高吞吐。

画了一些近未来高科技武器草图展示 这个风格代码在搭配合适的草图提示词之后效果更好，提示词放下面了

哈哈，移动互联网时代由于基建和研发已经完成，所以大量提拔了只会“管理”的领导。 在涉及 AI 新的基建需要构建的时候，这些人成为就成为了最大的问题。 国内做的好的都是边缘部门，没啥人管，领导也懂玩出来的，然后有点起色被上头看见再插手，模型质量就会继续恶化。 海外产品也一样，所以谷歌这么大的厂能扭转这个问题，真是个奇迹

在这场AI视频模型的军备竞赛中，什么才是真正重要的？ 当所有人都在追逐1080P、4K分辨率，追求物理准确性和提示词理解精度时，Midjourney选择了一条看似"落后"的道路。 但是真正的创新可能来自于重新定义问题本身。当别人在问"如何生成更真实的视频"时，他们在问"如何让人类的想象力具象化并可交互"。 "精骛八极，心游万仞"——这不仅是对Midjourney愿景的诠释，也应该是我们每一个AI探索者的追求。 在技术的汪洋中，我们需要的不只是更快的船，更需要知道自己要航向何方。 也许多年后回望，我们可能会发现，2025年Midjourney发布的这个"只有480P"的视频模型，其实是通向未来元宇宙的第一扇门。

看了一下机器之心的高考数学 AI 模型测试。 国内模型在过去一年的推理能力进步很真的挺大的，基本全部都能考上 130 多分。 豆包、DeepSeek的选择题和解答题得分都非常高，基本上超过了大多数人的水平。而且豆包在 APP 端和 API 端的分数都很高。 Gemini 确实强，在所有客观题的测试中排第一。 从 o3 的基准测试来看即使没有像国产模型的高考数学数据，也不应该这么低，API 都这么低的分真有你的 Open AI。 所有模型在几何题上都有问题。说明现在所谓的多模态还远不够，模型没有真正理解空间关系。

前几天发了 FLUX Kontext 的很多案例 虽然大概教了一下怎么用，但还是有很多人不会 这次刚好发现 Liblib 上线了 Kontext，不需要本地跑 Comfyui ，可以在线处理 索性手把手一步一步教大家用 顺便分享一下常见用法的 Comfyui 工作流

最近看我玩 FLUX Kontext 是不是馋了 Kontext 直接替代了很多原来需要 PS （美图秀秀、醒图）才能做的需求 写了篇东西详细总结了一下 FLUX Kontext 所有用法 还有如何去哪用这个模型，都在下面👇

老是问我有没有国内能用的 Vibe Coding 产品，这次真有了！ 美团除了一个叫 Nocode 的产品 不止能写展示类的网页，相当复杂的多页面完整产品他也能一次性搞定 比如这个逻辑非常复杂仓库商品管理工具，居然一次就搞定了 👇下面是详细测试和介绍

写了一篇详细的教程 教大家如何生成这种一图流模型或者产品介绍宣传图 顺便教一下怎么用 Figma 修改从网页生成的图片

最近真是捅了 MCP 窝了 上周火山开了一次开发者见面会，发布了挺多东西的 - 豆包深度思考模型和全新的视觉理解模型 - 方舟 × RTC 硬件自动唤醒与大模型语音能力一次打包 - DeepSearch：深度搜索复合应用服务集成多个 MCP 主要这次测试了一下他们的 DeepSearch 服务，还有如何使用和技术细节👇

去海湖庄园转了一圈，川子挺客气

还是发一下提示词吧，各位用的时候提一嘴藏师傅就行 跟 Gemini 2.5 Pro 更搭

羡慕 o3？豆包也可以进行图片推理了！ o3 可以完成的一些日常任务，Doubao-1.5-thinking-pro在给了一些提示后都能完成而且完成的不错 而且这模型总大小 200B 激活参数 20B 的 MoE 模型，从规模上差 o3 很远 👇下面是详细的测试：

上传多张照片做成邮票，很好玩的想法 我发散了下，把我老家老房子的照片发给4o 让他根据照片内容做了一个左边是插画，右上角是单色邮票的明信片

豆包终于也推出了他们的深度思考能力 特点是可以边想边搜，很多问题受限于模型上下文和搜索内容其实很难一次搜索就能搞定。 经常搜完接着推理的时候发现已经读取的搜索结果没有相关的内容 他这个边想边搜就可以很大程度解决这个问题 1️⃣比如我下面这个索尼、富士、佳能相机对比的问题 他先是自己推理了需要搜索的内容进行了一轮搜索，整理完第一轮搜索的结果后发现缺失了某个相机的信息，于是针对缺失的信息进行了新的的搜索，找到了更多的信息给出了详细的表格对比 2️⃣另一个案例是我想找一下最近很火的 GPT-4o 的图像生成架构解释 他规划完搜索内容后，搜完整理完发现，第一次的搜索结果在技术细节上的描述不够细，于是开始寻找图像模型各个技术细节的解释，对技术细节有了一些补充，对架构细节、关键技术突破和训练过程都给了详细的介绍

复杂工程化最终会被模型碾碎 当我们站在技术演进的长河中回望，总能发现一个不变的规律：所有领域的终极发展方向都是"由繁入简"。 从命令行到图形界面，从手工编码到可视化开发，再到如今的自然语言驱动——技术的真正成熟不是通过增加复杂性，而是通过消解复杂性来实现的。 那些我曾引以为傲的复杂工作流程——精心调教的提示词、层层叠加的插件、环环相扣的模型链——如今都被一个简单对话界面所取代。 从产品思维角度看，这代表了人机交互的本质转变：从"人适应工具"到"工具理解人"。 对创意行业的专业人士而言，这是一个既充满机遇又充满挑战的时刻。 复杂工程化注定会被模型碾碎，但被摧毁的只是表层的技术壁垒，而非创造的本质。当我们不再需要为工具所困，真正的创新才刚刚开始。