即刻App年轻人的同好社区
下载
置顶🏆来了朋友们！！！ComfyUI 全球领导力峰会第二站·东京站！！！
🚤11月CLSCN东京站开启报名！AI开源社区首次出海！
🤣CLS深圳获得海外强烈反响，我们趁热将中国AI活动带到东京，会见到亚洲领域内知名开源开发者、头部AI企业、艺术家和学术团队等，相信开源的力量！
🚗11月16日-17日在东京（*最终日期可能有前后1周调整）
😎预期规模：50-100人，依然免票审核制
🤝海外筹备不易，提前收集大家的参与意愿，以便有更多时间调整场地，日程会在近期公布～
✅详情请见：waytoagi.feishu.cn
🚤11月CLSCN东京站开启报名！AI开源社区首次出海！
🤣CLS深圳获得海外强烈反响，我们趁热将中国AI活动带到东京，会见到亚洲领域内知名开源开发者、头部AI企业、艺术家和学术团队等，相信开源的力量！
🚗11月16日-17日在东京（*最终日期可能有前后1周调整）
😎预期规模：50-100人，依然免票审核制
🤝海外筹备不易，提前收集大家的参与意愿，以便有更多时间调整场地，日程会在近期公布～
✅详情请见：waytoagi.feishu.cn
10 15
开个 QwQ-32B 开源推理模型的测试合集帖子，小而强！
1️⃣首先写了 gradio 并在 Colab 上测试了一下 QwQ-32B-AWQ 量化版本，可太行了！！！（附 Colab，ComfyUI 插件在路上
使用显存: 18.12 GB
生成速度： 平均 7.45 tokens/秒
GPU：A100 上测试
VRAM：40GB
提示词：使用 p5js 创建令人惊叹的动画，要求为我提供可以运行的html完整代码
生成时间: 415.27 秒
效果：如视频
Colab（需 Pro）：colab.research.google.com
1️⃣首先写了 gradio 并在 Colab 上测试了一下 QwQ-32B-AWQ 量化版本，可太行了！！！（附 Colab，ComfyUI 插件在路上
使用显存: 18.12 GB
生成速度： 平均 7.45 tokens/秒
GPU：A100 上测试
VRAM：40GB
提示词：使用 p5js 创建令人惊叹的动画，要求为我提供可以运行的html完整代码
生成时间: 415.27 秒
效果：如视频
Colab（需 Pro）：colab.research.google.com
00:32
2 22
【模型即产品】非常有意思的文章！结合我自己的观点和大家开放讨论，先放观点：
1️⃣【远未来】模型将带来新体系而非现有体系延伸：技术爆炸，而非应用爆炸/应用伪爆炸（近未来），新体系应用终将爆炸（远未来）
2️⃣【近未来】专而精的综合 > 通用性扩展：强化学习的价值被低估
3️⃣【模型与应用】模型好比小孩，技术发展好比教育，应用好比工作，别伤仲永
具体阐述：
1️⃣（远未来）生成式模型将会带来全新体系而非对现有体系的提升/延伸
结合文章“模型即产品”观点，首先，我认为生成式模型甚至不仅仅是产品（现有体系的延伸），而将会是更大的全新的综合（颠覆的新系统）
这就好比钢玻璃混凝土带来的不是更坚固的大屋顶，而是全新的建筑体系和语言，由此彻底改变人类对空间的塑造和使用（如近千米的摩天楼、近万人的综合体）
生成式模型这样的技术革新终将会带来全新体系，这是远未来，当然需要发展和时间，但对远未来的判断会影响近未来的选择，因此，拉回近未来，我同意文章所提到的是“技术的爆炸，而非应用的爆炸”，我认为基于还未成熟的技术基础做出的应用只是一时的
“
DeepSeek 创始人梁文峰则更加直接地指出了这一点：
当前的AI发展，是一场技术创新的爆炸，而非应用创新的爆炸……如果上下游生态体系还不完整，直接去押注应用并没有意义
”
一句话总结：技术爆炸还没到更大的点，应用急不得
2️⃣（近未来）专而精的综合 > 通用性扩展
1）文章提到非常重要的一点：强化学习的价值被严重低估
DeepSeek R1 浪潮以及最新的各类模型如昨晚的 QwQ32B 都在证明 RL 的重要性、可拓展性和巨大潜力，特别是垂直领域的强化学习可以让模型以小搏大
“
目前所有AI投资都存在同质化现象，投资机构普遍认为：真正的价值只存在于与模型无关的应用层；所有形式的训练，包括强化学习，都没有投资价值
但现实情况是，强化学习（RL）的进步已经彻底改变了这种情况。现在的市场情况更像是风险投资出现了集体错误定价，忽视了强化学习最新的技术突破带来的巨大价值
OpenAI最近也开始表达对这一现象的不满，希望硅谷创业公司多关注 垂直领域强化学习
”
2）文章提到“通用模型扩展遇到了瓶颈、特定任务的强化训练效果远超预期”
这里结合昨晚最新开源的 QwQ-32B推理模型的创新 2 阶段 RL 来说：第一阶段选择放弃传统奖励模型，而专注于数学和编程任务，使用准确性验证器和代码执行服务器作为奖励信号，有效提升模型专项能力。然后在第二阶段加入通用能力训练，利用通用奖励模型和规则验证器优化，实现了少量训练步骤即提升指令遵循、人类偏好对齐及agent性能，并且不损坏数学和编程能力。通过专而精的综合是QwQ能够以 32B 媲美 671B R1的关键
“
GPT-4.5模型能力呈现线性增长，但算力成本却指数级飙升，OpenAI无法以合理的价格广泛部署最新的大模型
特定任务的强化训练效果远超预期。结合强化学习与推理能力训练，模型开始真正地“学习任务”，出现了一种新东西：既非传统机器学习，也不是基础模型，而是一种神秘的第三种类型。小模型突然展现出极强的数学能力；代码模型不仅会写代码，甚至能自己管理整个代码库；Claude甚至能在信息极少的情况下玩宝可梦游戏，并且做得很好
”
3️⃣别着急让小天才超前工作！我自己一直以来这么看待生成式模型和应用的关系：
当下他是一个刚刚学会说话的2岁半小孩，他的潜力非常大，将来会考上最好的大学，做出最棒的研究/艺术，但那是18岁之后的事，他现在也才2岁半，在2岁半的时候强行安排很多20岁才能做到的事会揠苗助长，不仅没效果还会“伤仲永”，另外生成式模型从2岁半到20岁成长的会很快，一步一步来，别急
而当下，RL 的扩展似乎是他这个年龄接受的最合适的教育
原文章和宝玉老师的翻译⬇️
1️⃣【远未来】模型将带来新体系而非现有体系延伸：技术爆炸，而非应用爆炸/应用伪爆炸（近未来），新体系应用终将爆炸（远未来）
2️⃣【近未来】专而精的综合 > 通用性扩展：强化学习的价值被低估
3️⃣【模型与应用】模型好比小孩，技术发展好比教育，应用好比工作，别伤仲永
具体阐述：
1️⃣（远未来）生成式模型将会带来全新体系而非对现有体系的提升/延伸
结合文章“模型即产品”观点，首先，我认为生成式模型甚至不仅仅是产品（现有体系的延伸），而将会是更大的全新的综合（颠覆的新系统）
这就好比钢玻璃混凝土带来的不是更坚固的大屋顶，而是全新的建筑体系和语言，由此彻底改变人类对空间的塑造和使用（如近千米的摩天楼、近万人的综合体）
生成式模型这样的技术革新终将会带来全新体系，这是远未来，当然需要发展和时间，但对远未来的判断会影响近未来的选择，因此，拉回近未来，我同意文章所提到的是“技术的爆炸，而非应用的爆炸”，我认为基于还未成熟的技术基础做出的应用只是一时的
“
DeepSeek 创始人梁文峰则更加直接地指出了这一点：
当前的AI发展，是一场技术创新的爆炸，而非应用创新的爆炸……如果上下游生态体系还不完整，直接去押注应用并没有意义
”
一句话总结：技术爆炸还没到更大的点，应用急不得
2️⃣（近未来）专而精的综合 > 通用性扩展
1）文章提到非常重要的一点：强化学习的价值被严重低估
DeepSeek R1 浪潮以及最新的各类模型如昨晚的 QwQ32B 都在证明 RL 的重要性、可拓展性和巨大潜力，特别是垂直领域的强化学习可以让模型以小搏大
“
目前所有AI投资都存在同质化现象，投资机构普遍认为：真正的价值只存在于与模型无关的应用层；所有形式的训练，包括强化学习，都没有投资价值
但现实情况是，强化学习（RL）的进步已经彻底改变了这种情况。现在的市场情况更像是风险投资出现了集体错误定价，忽视了强化学习最新的技术突破带来的巨大价值
OpenAI最近也开始表达对这一现象的不满，希望硅谷创业公司多关注 垂直领域强化学习
”
2）文章提到“通用模型扩展遇到了瓶颈、特定任务的强化训练效果远超预期”
这里结合昨晚最新开源的 QwQ-32B推理模型的创新 2 阶段 RL 来说：第一阶段选择放弃传统奖励模型，而专注于数学和编程任务，使用准确性验证器和代码执行服务器作为奖励信号，有效提升模型专项能力。然后在第二阶段加入通用能力训练，利用通用奖励模型和规则验证器优化，实现了少量训练步骤即提升指令遵循、人类偏好对齐及agent性能，并且不损坏数学和编程能力。通过专而精的综合是QwQ能够以 32B 媲美 671B R1的关键
“
GPT-4.5模型能力呈现线性增长，但算力成本却指数级飙升，OpenAI无法以合理的价格广泛部署最新的大模型
特定任务的强化训练效果远超预期。结合强化学习与推理能力训练，模型开始真正地“学习任务”，出现了一种新东西：既非传统机器学习，也不是基础模型，而是一种神秘的第三种类型。小模型突然展现出极强的数学能力；代码模型不仅会写代码，甚至能自己管理整个代码库；Claude甚至能在信息极少的情况下玩宝可梦游戏，并且做得很好
”
3️⃣别着急让小天才超前工作！我自己一直以来这么看待生成式模型和应用的关系：
当下他是一个刚刚学会说话的2岁半小孩，他的潜力非常大，将来会考上最好的大学，做出最棒的研究/艺术，但那是18岁之后的事，他现在也才2岁半，在2岁半的时候强行安排很多20岁才能做到的事会揠苗助长，不仅没效果还会“伤仲永”，另外生成式模型从2岁半到20岁成长的会很快，一步一步来，别急
而当下，RL 的扩展似乎是他这个年龄接受的最合适的教育
原文章和宝玉老师的翻译⬇️
https://x.com/dotey/status/1896782845248504175?s=46
0 01
又一开源推理模型！Qwen 发布 QwQ-32B，媲美 DeepSeek-R1，划重点【5】：
1）【模型/许可】：Qwen 刚刚发布了基于 Qwen2.5-Plus 的 32B 中型推理模型，Apache 2.0 开源许可
2）【RL 潜力无限】：研究发现强化学习训练可以持续提升模型性能（特别是在数学和编码领域），并且持续扩展强化学习可以让中等规模的模型获得与巨型MoE模型相竞争的性能
3）【集成 agent 能力】：将与 agent 相关的能力集成到推理模型中，模型能在利用工具的同时进行批判性思考，并能根据环境反馈调整推理过程
4）【媲美 R1】在多项指标上得分接近甚至超越DeepSeek-R1
5）【2 阶段创新 RL 训练】：
第一阶段：从冷启动开始，专注于数学和编程任务，使用准确性验证器和代码执行服务器作为奖励信号，避免传统奖励模型的复杂性
第二阶段：特化训练后加入通用能力训练，采用通用奖励模型和规则验证器优化，只需少量训练步骤即提升指令遵循、人类偏好对齐及智能体性能，且不损数学和编程能力
官网体验：chat.qwen.ai
官文： qwenlm.github.io
模型： huggingface.co、modelscope.cn
Demo： huggingface.co
1）【模型/许可】：Qwen 刚刚发布了基于 Qwen2.5-Plus 的 32B 中型推理模型，Apache 2.0 开源许可
2）【RL 潜力无限】：研究发现强化学习训练可以持续提升模型性能（特别是在数学和编码领域），并且持续扩展强化学习可以让中等规模的模型获得与巨型MoE模型相竞争的性能
3）【集成 agent 能力】：将与 agent 相关的能力集成到推理模型中，模型能在利用工具的同时进行批判性思考，并能根据环境反馈调整推理过程
4）【媲美 R1】在多项指标上得分接近甚至超越DeepSeek-R1
5）【2 阶段创新 RL 训练】：
第一阶段：从冷启动开始，专注于数学和编程任务，使用准确性验证器和代码执行服务器作为奖励信号，避免传统奖励模型的复杂性
第二阶段：特化训练后加入通用能力训练，采用通用奖励模型和规则验证器优化，只需少量训练步骤即提升指令遵循、人类偏好对齐及智能体性能，且不损数学和编程能力
官网体验：chat.qwen.ai
官文： qwenlm.github.io
模型： huggingface.co、modelscope.cn
Demo： huggingface.co
4 01
卧槽？全新架构！！！何恺明团队新作：分形生成模型 FractalGen！生成过程也非常好玩（附 Colab）
将模块化推向极致：把复杂模型抽象为“原子生成模块”，通过递归调用构建自相似架构，灵感源自数学中的分形
1）模块化：原子模块独立又可组合（像乐高）。实验以自回归模型为例，验证了其灵活性与潜力
2）分形特性：递归嵌套让模型在不同尺度上保持自相似，既简化设计，又能处理复杂任务，如逐像素图像生成
3）性能优异：在似然估计和生成质量上表现出色，生成图像细节丰富，概率分布精准
论文：arxiv.org
代码：github.com
Colab（免费层可跑）：colab.research.google.com
将模块化推向极致：把复杂模型抽象为“原子生成模块”，通过递归调用构建自相似架构，灵感源自数学中的分形
1）模块化：原子模块独立又可组合（像乐高）。实验以自回归模型为例，验证了其灵活性与潜力
2）分形特性：递归嵌套让模型在不同尺度上保持自相似，既简化设计，又能处理复杂任务，如逐像素图像生成
3）性能优异：在似然估计和生成质量上表现出色，生成图像细节丰富，概率分布精准
论文：arxiv.org
代码：github.com
Colab（免费层可跑）：colab.research.google.com
00:07
8 10
猫猫拳击赛开始！！！Wan2.1 1.3B 的文生视频已经可以在 ComfyUI 中使用了！动作幅度真不错，连贯性也挺好！
A100 上测试：
5s（81帧）视频
50步
832*480
用时 3min2s
guidance_scale 建议 4.0
项目地址（已含工作流）：github.com
A100 上测试：
5s（81帧）视频
50步
832*480
用时 3min2s
guidance_scale 建议 4.0
项目地址（已含工作流）：github.com
00:15
1 10
Wan2.1 初见面！！在 Google Colab（A100 40GB VRAM）里测试了下最新开源的 Wan2.1 视频模型（附 Colab 链接）：
1）文生视频 1.3B：
分辨率：832*480
用时：6分11s
参数：50步
显存：生成需 9.9GB 左右，解码需 16.8GB 左右
效果：动作幅度大且较为连贯，光影清晰对比度高，无抖动，但动态细节仍有较明显错误，整体效果还不错（如下视频所示）！
2）文生视频14B：1280*720 和 832*480，40GB VRAM 都不够用，测不了
Colab（需 Pro）：colab.research.google.com
1）文生视频 1.3B：
分辨率：832*480
用时：6分11s
参数：50步
显存：生成需 9.9GB 左右，解码需 16.8GB 左右
效果：动作幅度大且较为连贯，光影清晰对比度高，无抖动，但动态细节仍有较明显错误，整体效果还不错（如下视频所示）！
2）文生视频14B：1280*720 和 832*480，40GB VRAM 都不够用，测不了
Colab（需 Pro）：colab.research.google.com
00:05
0 00
【Zho】冲！！！DeepSeek｜All-In-One｜ComfyUI
为迎接 @deepseek_ai 即将开启的 #OpenSourceWeek 开源周，特意开了个新项目，届时将使用 R1 模型把 DeepSeek 每天开源以及之前的所有项目迁移到 ComfyUI 中！
欢迎大家参与共建！开源冲鸭！！！
项目地址：github.com
项目节点计划：
1️⃣OpenSourceWeek 新开源项目：及时迁移
2️⃣DeepSeek R1/R1 Zero（推理模型）：API 接入（API All-in-One），会将全球提供 API 的都接入
3️⃣使用 GRPO 训练你自己的推理模型（来自 @UnslothAI your own R1 reasoning model with Unsloth (GRPO)）
4️⃣DeepSeek R1 Distill（蒸馏模型），本地运行
5️⃣DeepSeek R1 GGUF（量化版本），本地运行
6️⃣优化并整合现有 JanusPro（多模态统一模型），并增加 Janus 系列
7️⃣DeepSeek V3、DeepSeek VL2
……
另外，如项目图所示的我自己全新 UI 风格将在全新项目 BetterComfy 中发布：github.com
为迎接 @deepseek_ai 即将开启的 #OpenSourceWeek 开源周，特意开了个新项目，届时将使用 R1 模型把 DeepSeek 每天开源以及之前的所有项目迁移到 ComfyUI 中！
欢迎大家参与共建！开源冲鸭！！！
项目地址：github.com
项目节点计划：
1️⃣OpenSourceWeek 新开源项目：及时迁移
2️⃣DeepSeek R1/R1 Zero（推理模型）：API 接入（API All-in-One），会将全球提供 API 的都接入
3️⃣使用 GRPO 训练你自己的推理模型（来自 @UnslothAI your own R1 reasoning model with Unsloth (GRPO)）
4️⃣DeepSeek R1 Distill（蒸馏模型），本地运行
5️⃣DeepSeek R1 GGUF（量化版本），本地运行
6️⃣优化并整合现有 JanusPro（多模态统一模型），并增加 Janus 系列
7️⃣DeepSeek V3、DeepSeek VL2
……
另外，如项目图所示的我自己全新 UI 风格将在全新项目 BetterComfy 中发布：github.com
16 12
卧槽！原来 DeepSeek 才是真正的 Open AI！！！给 AI 世界上强度了！
DeepSeek 宣布下周开启“开源周”#OpenSourceWeek：每天开源一项，共 5 天，均为 “实战” 过的项目！
开源冲啊！！！如果没有 DeepSeek 的冲击，开源的共识恐怕已经在剧烈下滑了
DeepSeek 宣布下周开启“开源周”#OpenSourceWeek：每天开源一项，共 5 天，均为 “实战” 过的项目！
开源冲啊！！！如果没有 DeepSeek 的冲击，开源的共识恐怕已经在剧烈下滑了
22 10
Grok 3 已免费！！！新上的 DeepSearch 和 Think，交互好舒服（避免等待焦虑）！逻辑真清晰！还能一键发 Twitter
在 Grok 的手机端 App 上测试了一下：
1）交互：在顶部的折叠蓝框中滚动显示思考过程，可打开完整显示，这让人在等待过程非常舒服 而不是陷入等待焦虑
2）DeepSearch 逻辑清晰/Think 思维可视化清楚：理解用户请求➡️搜索相关信息并分析➡️分析具体内容➡️构建逻辑框架➡️整理框架内容➡️优化逻辑框架➡️总结答案
3）回答结构完整：三段式，每段都有“令人惊讶的细节”
第一大段：为简述回应问题
第二大段：展开具体内容，并详细分类展示所用信息（如代码和表格）
第三大段：总结关键点和提供关键引用
4）底部直接有x的分享按钮，一键发推！
这是一键分享的回答：grok.com
在 Grok 的手机端 App 上测试了一下：
1）交互：在顶部的折叠蓝框中滚动显示思考过程，可打开完整显示，这让人在等待过程非常舒服 而不是陷入等待焦虑
2）DeepSearch 逻辑清晰/Think 思维可视化清楚：理解用户请求➡️搜索相关信息并分析➡️分析具体内容➡️构建逻辑框架➡️整理框架内容➡️优化逻辑框架➡️总结答案
3）回答结构完整：三段式，每段都有“令人惊讶的细节”
第一大段：为简述回应问题
第二大段：展开具体内容，并详细分类展示所用信息（如代码和表格）
第三大段：总结关键点和提供关键引用
4）底部直接有x的分享按钮，一键发推！
这是一键分享的回答：grok.com
01:36
5 00
