即刻App年轻人的同好社区
下载
置顶很多朋友最近老问我一些我之前写过的东西在哪里，所以整理了一下写个置顶贴，内容会定期更新：
1️⃣ 我运营的 AIGC 周刊每周一更新，主要内容是上周 AI 领域的重点动态解析以及相关的产品和文章：
op7418.zhubai.love
2⃣️ 我的Midjourney作品汇总和对应的提示词：
walling.app
3⃣️ 我开发的一些产品
帮你将 Midjourney 的图片和提示词快速收集到你的 Notion 数据库中：
mp.weixin.qq.com
帮你自动分段翻译 Midjoureny 官网的提示词：
mp.weixin.qq.com
利用 ChatGPT 自动监控对应领域的信息并处理和发送到Discord 频道：
op7418.zhubai.loveposts/2251721691841511424
4⃣️ 我写的一些教程
AI 歌手系列课程教你使用和训练自己的 AI 歌手模型：
mp.weixin.qq.com
mp.weixin.qq.com
Stable Diffusion 保姆级入门教程包括 Web UI 的部署和 LoRA 模型的使用：
op7418.zhubai.loveposts/2238998671356555264
op7418.zhubai.loveposts/2239983151969951744
Stable Diffusion 模型大神工作流解析：
mp.weixin.qq.com
web.okjike.com
教你十几分钟不用代码创建自己的AI应用
mp.weixin.qq.com
1️⃣ 我运营的 AIGC 周刊每周一更新，主要内容是上周 AI 领域的重点动态解析以及相关的产品和文章：
op7418.zhubai.love
2⃣️ 我的Midjourney作品汇总和对应的提示词：
walling.app
3⃣️ 我开发的一些产品
帮你将 Midjourney 的图片和提示词快速收集到你的 Notion 数据库中：
mp.weixin.qq.com
帮你自动分段翻译 Midjoureny 官网的提示词：
mp.weixin.qq.com
利用 ChatGPT 自动监控对应领域的信息并处理和发送到Discord 频道：
op7418.zhubai.loveposts/2251721691841511424
4⃣️ 我写的一些教程
AI 歌手系列课程教你使用和训练自己的 AI 歌手模型：
mp.weixin.qq.com
mp.weixin.qq.com
Stable Diffusion 保姆级入门教程包括 Web UI 的部署和 LoRA 模型的使用：
op7418.zhubai.loveposts/2238998671356555264
op7418.zhubai.loveposts/2239983151969951744
Stable Diffusion 模型大神工作流解析：
mp.weixin.qq.com
web.okjike.com
教你十几分钟不用代码创建自己的AI应用
mp.weixin.qq.com
356 22165
发现 Minimax 更新了 Speech-02 音频模型
试了一下现在咋这么强！
训的我自己的语音模型我已经分不出来了
你现在拿一段我的音频问我是不是我说的，我都迷糊
👇下面是详细的测试内容：mp.weixin.qq.com
Speech-02 在Artificial Analysis 的 ELO 评价榜单上吊打 Open AI 和 ElevenLabs 一众海外音频模型。
基本上霸榜了。Hugging Face上，不出意外，也是第一名的成绩。
Speech-02 依旧延续了 01 的传统优势，有丰富的预设音色选择，同时每个音色还有丰富的情感选项，基本上这些已有的音色+情感+其他选项调节能够搞出大部分需要的人设和音色。
我这里整了个小活，找了一个小说中的对话，做了一个类似游戏的小场景，可以看到还是调整出来的还是非常符合人设的，比如 17 岁来应聘男公关的声音和 KTV 故作深沉准备压价的面试官。
之后是 Speech-02 最基本的准确率问题
大家听过 AI 语音的都知道，生僻字读音和多音字读音是非常难得事情，有的时候 AI 读错了真的很出戏。
我这次直接给了一个终极难题，搞了一段连贯的，但是包含非常多生僻字和多音字的内容，真的里面很多字我都得查拼音。
没想到 Speech-02 这次居然一个字都没错，太强了，你可以跟着下面的音频听一下。
这代模型语言多样性也变强了
支持30多个语种；单语种的情绪、音色多样性表现在 01 版本的时候已经很强了，这里整个高难度的多语言混合文案。
里面主体是中文，包含了英语、西班牙语、日语、法语、俄语、德语，文案让 o3 生成的，非常离谱。
没想到 Speech-02 居然生成的还不错，虽然偶尔一两个读音不够特别标准，但已经强的没边了，让人在没准备的情况下读估计能搞定的没几个。
Speech-02 的老牌强势能力 声音参考
我这里上传了我自己的一段语音做了个自己的声音模型，然后找了一段自己之前的其他录音，转成文字之后让 Speech-02 生成了一下，做了个对比。
我找我周围的同事听了一遍，他们没有一个可以听出这是生成的声音，他甚至学到了我的说话停顿节奏和口癖，还有语气词，非常邪门。
下面是两段话的对比，你随便拿出生成的来问我，我要是不记得的话，自己都够呛能分清是不是我说的。
前面看技术报告的时候发现，现在 Speech-02 声音和语言是解耦的，也就是说可以用经过声音参考后的模型去生成别的语种的音频。
这里我随便找了一段英文推特文案让自己的模型读了一下，哈哈，真的有我自己读英语的那个味道，停顿节奏、语气也都能对上，这下是不是录视频的时候可以用字幕转英文视频内容了。
上面就是这次测试的全部内容了，期待那个通过提示词自定义音色的功能早日全量上线，感觉应用场景非常广泛。
音频内容生成一直是AI领域中较被低估的一环，但实际上它的重要性不可忽视。在日常生活中，我们有相当多的时间只能通过听觉来获取信息；而在视频创作中，高质量的音频同样是决定内容质量的关键因素。
MiniMax敏锐地抓住了这一市场需求，通过持续迭代已经在技术表现上超越了ElevenLabs和OpenAI等国际平台。
试了一下现在咋这么强！
训的我自己的语音模型我已经分不出来了
你现在拿一段我的音频问我是不是我说的，我都迷糊
👇下面是详细的测试内容：mp.weixin.qq.com
Speech-02 在Artificial Analysis 的 ELO 评价榜单上吊打 Open AI 和 ElevenLabs 一众海外音频模型。
基本上霸榜了。Hugging Face上，不出意外，也是第一名的成绩。
Speech-02 依旧延续了 01 的传统优势，有丰富的预设音色选择，同时每个音色还有丰富的情感选项，基本上这些已有的音色+情感+其他选项调节能够搞出大部分需要的人设和音色。
我这里整了个小活，找了一个小说中的对话，做了一个类似游戏的小场景，可以看到还是调整出来的还是非常符合人设的，比如 17 岁来应聘男公关的声音和 KTV 故作深沉准备压价的面试官。
之后是 Speech-02 最基本的准确率问题
大家听过 AI 语音的都知道，生僻字读音和多音字读音是非常难得事情，有的时候 AI 读错了真的很出戏。
我这次直接给了一个终极难题，搞了一段连贯的，但是包含非常多生僻字和多音字的内容，真的里面很多字我都得查拼音。
没想到 Speech-02 这次居然一个字都没错，太强了，你可以跟着下面的音频听一下。
这代模型语言多样性也变强了
支持30多个语种；单语种的情绪、音色多样性表现在 01 版本的时候已经很强了，这里整个高难度的多语言混合文案。
里面主体是中文，包含了英语、西班牙语、日语、法语、俄语、德语，文案让 o3 生成的，非常离谱。
没想到 Speech-02 居然生成的还不错，虽然偶尔一两个读音不够特别标准，但已经强的没边了，让人在没准备的情况下读估计能搞定的没几个。
Speech-02 的老牌强势能力 声音参考
我这里上传了我自己的一段语音做了个自己的声音模型，然后找了一段自己之前的其他录音，转成文字之后让 Speech-02 生成了一下，做了个对比。
我找我周围的同事听了一遍，他们没有一个可以听出这是生成的声音，他甚至学到了我的说话停顿节奏和口癖，还有语气词，非常邪门。
下面是两段话的对比，你随便拿出生成的来问我，我要是不记得的话，自己都够呛能分清是不是我说的。
前面看技术报告的时候发现，现在 Speech-02 声音和语言是解耦的，也就是说可以用经过声音参考后的模型去生成别的语种的音频。
这里我随便找了一段英文推特文案让自己的模型读了一下，哈哈，真的有我自己读英语的那个味道，停顿节奏、语气也都能对上，这下是不是录视频的时候可以用字幕转英文视频内容了。
上面就是这次测试的全部内容了，期待那个通过提示词自定义音色的功能早日全量上线，感觉应用场景非常广泛。
音频内容生成一直是AI领域中较被低估的一环，但实际上它的重要性不可忽视。在日常生活中，我们有相当多的时间只能通过听觉来获取信息；而在视频创作中，高质量的音频同样是决定内容质量的关键因素。
MiniMax敏锐地抓住了这一市场需求，通过持续迭代已经在技术表现上超越了ElevenLabs和OpenAI等国际平台。
03:05
30 517
买了 Mengto 的这个产品 Aura，尝试了一下他这个可视化提示词的逻辑，怎么说呢谨慎购买
我只能说想法很好，实现出来，就不那么美好了
跟我想的是一样的，AI 并不能理解这些提示词
只有 Tailwind class 的相关属性可以正常映射
在 Gemini 效果更差，Cluade 勉强能完成，可以跟藏师傅的提示词效果对比一下
另外整个软件各种 bug：
- 最严重的是买了 Pro 会员无法使用应该能用的 Gemini 模型（他应该用的免费的多账号轮训然后付费卖给你）
- 是输入框非英文内容输入会跳字丢字
- 网页预览窗口固定，无法调整大小和位置
- 左侧聊天记录列表随机出现重复的同名记录
我只能说想法很好，实现出来，就不那么美好了
跟我想的是一样的，AI 并不能理解这些提示词
只有 Tailwind class 的相关属性可以正常映射
在 Gemini 效果更差，Cluade 勉强能完成，可以跟藏师傅的提示词效果对比一下
另外整个软件各种 bug：
- 最严重的是买了 Pro 会员无法使用应该能用的 Gemini 模型（他应该用的免费的多账号轮训然后付费卖给你）
- 是输入框非英文内容输入会跳字丢字
- 网页预览窗口固定，无法调整大小和位置
- 左侧聊天记录列表随机出现重复的同名记录
11 21
浏览器公司 CEO 终于开始宣传 Dia 浏览器了，介绍了一些他们在构建 Dia 浏览器时的思考
非常有价值，建议看看，我总结了一下：
背景与初衷：
这次分享的目的希望以“公开构建”的方式，让感兴趣的人了解产品的成长过程。
团队花了很长时间打磨 Dia 的愿景，如今各个拼图逐渐拼合，准备重新开始对外分享。
测试反馈与自我反思：
聊天其实是很好的界面：他原本认为“聊天”只是个噱头，但实际测试发现，聊天式交互非常适合 AI 浏览器。
传统的电脑使用模型并不理想：他们原先设想的电脑使用方式并没有预期中好，说明需要新的交互范式。
“记忆”功能非常难做对：如何让 AI 记住用户的上下文和历史，是个极具挑战的问题。
“上下文”是核心突破：
Josh 强调，经过测试后，团队发现他们做对了一件大事——上下文（Context）。
他引用了 OpenAI 的 Michelle Pokrass 的话：“AI 最大的瓶颈不是模型能力，而是如何获取足够相关的上下文。”
Josh 认为，AI 的真正价值在于理解和利用用户的上下文，但目前在应用中获取上下文非常繁琐。
浏览器即上下文：
他进一步解释说，现代浏览器其实就是用户的上下文：
标签页反映了我们的工作、学习、项目、问题和正在写的文档。
Dia 的创新点在于自动获取这些上下文，无需用户手动复制粘贴或设置，AI 就能“知道”你在做什么。
深度集成与技术突破：
Josh 还透露，Dia 内置了一些“秘密集成”，可以深度嵌入到网页应用中（这只有在浏览器层才能做到，因为没有公开 API）。
这意味着 Dia 能够获取到人类用户和其他应用无法直接看到的信息，从而为 AI 提供更完整的上下文。例如，YouTube 集成可以让 AI 直接理解视频内容，而不仅仅是截图或表面信息。
来源：x.com/joshm/status/1922639507033149597
非常有价值，建议看看，我总结了一下：
背景与初衷：
这次分享的目的希望以“公开构建”的方式，让感兴趣的人了解产品的成长过程。
团队花了很长时间打磨 Dia 的愿景，如今各个拼图逐渐拼合，准备重新开始对外分享。
测试反馈与自我反思：
聊天其实是很好的界面：他原本认为“聊天”只是个噱头，但实际测试发现，聊天式交互非常适合 AI 浏览器。
传统的电脑使用模型并不理想：他们原先设想的电脑使用方式并没有预期中好，说明需要新的交互范式。
“记忆”功能非常难做对：如何让 AI 记住用户的上下文和历史，是个极具挑战的问题。
“上下文”是核心突破：
Josh 强调，经过测试后，团队发现他们做对了一件大事——上下文（Context）。
他引用了 OpenAI 的 Michelle Pokrass 的话：“AI 最大的瓶颈不是模型能力，而是如何获取足够相关的上下文。”
Josh 认为，AI 的真正价值在于理解和利用用户的上下文，但目前在应用中获取上下文非常繁琐。
浏览器即上下文：
他进一步解释说，现代浏览器其实就是用户的上下文：
标签页反映了我们的工作、学习、项目、问题和正在写的文档。
Dia 的创新点在于自动获取这些上下文，无需用户手动复制粘贴或设置，AI 就能“知道”你在做什么。
深度集成与技术突破：
Josh 还透露，Dia 内置了一些“秘密集成”，可以深度嵌入到网页应用中（这只有在浏览器层才能做到，因为没有公开 API）。
这意味着 Dia 能够获取到人类用户和其他应用无法直接看到的信息，从而为 AI 提供更完整的上下文。例如，YouTube 集成可以让 AI 直接理解视频内容，而不仅仅是截图或表面信息。
来源：x.com/joshm/status/1922639507033149597
20 26
Anthropic 的新模型也要来了，6 月又要开始狂欢了
在未来几周推出新版Claude Sonnet和Claude Opus模型。
模型具备在思考与调用外部工具/应用程序/数据库之间自由切换的能力，通过动态交互寻找问题答案。
在代码生成场景中，模型会自动测试所编写代码。若发现错误，能暂停执行流程进行错误诊断并实时修正
在未来几周推出新版Claude Sonnet和Claude Opus模型。
模型具备在思考与调用外部工具/应用程序/数据库之间自由切换的能力，通过动态交互寻找问题答案。
在代码生成场景中，模型会自动测试所编写代码。若发现错误，能暂停执行流程进行错误诊断并实时修正
19 18
谷歌发布重磅研究 AlphaEvolve，结合 Gemini 和评估器自动发现和优化算法
谷歌用它提升了自己数据中心的运行效率，同时这个算法还在参与芯片设计、加速 Gemini 的训练
又左脚踩右脚了，Gemini 自己优化自己
AlphaEvolve的核心原理：
它首先利用谷歌自家的Gemini系列大语言模型（如Gemini Flash和Gemini Pro）生成大量不同的算法实现（即代码）。
这些代码会被自动评估器验证、运行和打分，确保其正确性和效率。
评估器会根据表现优异的代码，决定哪些方案被保留、变异或组合，进入下一轮“进化”。
这一过程不断迭代，最终产生高质量、创新性的算法。
主要应用与成果：
数据中心调度优化：AlphaEvolve为谷歌的数据中心调度系统（Borg）发现了一种高效的启发式算法，已实际部署一年多，平均提升了0.7%的全球算力利用率。
芯片设计协助： 在硬件设计领域，AlphaEvolve提出了Verilog代码的优化建议，帮助谷歌TPU（AI专用芯片）中的关键电路去除冗余，提升了芯片效率，并通过严格验证确保功能正确。
AI训练与推理加速： AlphaEvolve优化了AI模型训练中的矩阵乘法核心操作，使Gemini模型的训练时间缩短了1%。在GPU底层指令优化方面，AlphaEvolve为Transformer模型的FlashAttention内核带来了高达32.5%的加速。
数学与算法前沿突破： AlphaEvolve不仅能优化已知算法，还能提出全新解法。例如，它发现了一种4x4复数矩阵乘法的新算法，打破了自1969年以来的最佳记录。此外，在50多个数学难题中，AlphaEvolve在20%的案例中改进了已知最优解，包括著名的“亲吻数问题”（kissing number problem），在11维空间中找到了新的下界。
详细信息：deepmind.google
谷歌用它提升了自己数据中心的运行效率，同时这个算法还在参与芯片设计、加速 Gemini 的训练
又左脚踩右脚了，Gemini 自己优化自己
AlphaEvolve的核心原理：
它首先利用谷歌自家的Gemini系列大语言模型（如Gemini Flash和Gemini Pro）生成大量不同的算法实现（即代码）。
这些代码会被自动评估器验证、运行和打分，确保其正确性和效率。
评估器会根据表现优异的代码，决定哪些方案被保留、变异或组合，进入下一轮“进化”。
这一过程不断迭代，最终产生高质量、创新性的算法。
主要应用与成果：
数据中心调度优化：AlphaEvolve为谷歌的数据中心调度系统（Borg）发现了一种高效的启发式算法，已实际部署一年多，平均提升了0.7%的全球算力利用率。
芯片设计协助： 在硬件设计领域，AlphaEvolve提出了Verilog代码的优化建议，帮助谷歌TPU（AI专用芯片）中的关键电路去除冗余，提升了芯片效率，并通过严格验证确保功能正确。
AI训练与推理加速： AlphaEvolve优化了AI模型训练中的矩阵乘法核心操作，使Gemini模型的训练时间缩短了1%。在GPU底层指令优化方面，AlphaEvolve为Transformer模型的FlashAttention内核带来了高达32.5%的加速。
数学与算法前沿突破： AlphaEvolve不仅能优化已知算法，还能提出全新解法。例如，它发现了一种4x4复数矩阵乘法的新算法，打破了自1969年以来的最佳记录。此外，在50多个数学难题中，AlphaEvolve在20%的案例中改进了已知最优解，包括著名的“亲吻数问题”（kissing number problem），在11维空间中找到了新的下界。
详细信息：deepmind.google
10 12
AI 会议记录软件 Granola 2.0 推出一堆更新
包括：团队协作功能、智能文件夹、AI 聊天分析、模型选择、企业级浏览、Slack 集成等
另外还宣布了 4300 万美元的 B 轮融资，海外的这类产品是真的吃香
另外到现在这玩意还是只支持英文会议内容的转录
包括：团队协作功能、智能文件夹、AI 聊天分析、模型选择、企业级浏览、Slack 集成等
另外还宣布了 4300 万美元的 B 轮融资，海外的这类产品是真的吃香
另外到现在这玩意还是只支持英文会议内容的转录
00:29
13 24
吴恩达跟 Anthropic 官方合作的关于 MCP 的新课
- 了解 MCP 的内部工作原理
- 如何构建自己的服务器
- 如何在本地或远程将其连接到由 Claude 提供支持的应用程序。
课程地址：www.deeplearning.ai
- 了解 MCP 的内部工作原理
- 如何构建自己的服务器
- 如何在本地或远程将其连接到由 Claude 提供支持的应用程序。
课程地址：www.deeplearning.ai
40 024
阿里开源Wan2.1-VACE，一体化视频创作和编辑模型
几乎能完成所有视频素材的编辑工作
包括参考视频生成 (R2V)、视频到视频编辑 (V2V) 和蒙版视频到视频编辑 (MV2V)
而且是用一整个模型完成的多种任务
模型下载：huggingface.co
几乎能完成所有视频素材的编辑工作
包括参考视频生成 (R2V)、视频到视频编辑 (V2V) 和蒙版视频到视频编辑 (MV2V)
而且是用一整个模型完成的多种任务
模型下载：huggingface.co
01:06
29 216