✨大家好~ 我是Simon阿蒙，我现在的身份有：不知道啥时候能毕业的PhD / 佛系自媒体人 / 菜鸟独立开发者 / 断更艺术创作者 / 半个数字游民 / 初创公司打杂人员🐶
👉个人独立站：shengyu.me

✨想成为理解AI，但AI无法取代之人

📑我分享过的有用资源📑：

- 🌟科普教程：
- 我上 AI 顶会啦！CVPR AI Art Gallery 作品极简创作教程 （2024.06）: mp.weixin.qq.com
- OpenAI Sora视频生成模型技术报告中英全文+总结+影响分析 (2024.02): mp.weixin.qq.com
- 送立体动态新年红包+最好用的SD客户端+开源视频生成模型 (2024.02): mp.weixin.qq.com
- AI时代抗焦虑指北 —— 被AI包围之后，人类“完蛋”了吗？（2023.12）：mp.weixin.qq.com
- AI生成3D问题的简化和解决，以及随之而来的新问题（2023.11）：mp.weixin.qq.com
- 如何制造大语言模型的意识幻觉？斯坦福AI小镇论文精读 （2023.09）：mp.weixin.qq.com
- ChatGPT基本原理（告诉你为啥它啥都懂）（2023.04）：mp.weixin.qq.com
- 从用手建模到用嘴建模：一文说透最新用文字生成三维模型的人工智能算法原理 （2022.10）：mp.weixin.qq.com
- 5分钟上手人工智能设计：借AI之力用文字生成图片（无软硬件+前置知识要求，2021.08）：mp.weixin.qq.com

- 🌟工具合集：
- 关于声音生成的一切（2024.01）：mp.weixin.qq.com
- 关于4D 生成的一切（2024.01）：mp.weixin.qq.com
- 关于 chatGPT 的一切（实用工具篇，2023.05）：mp.weixin.qq.com
- 关于 ControlNet 的一切（2023.04）：mp.weixin.qq.com
- 关于3D 内容人工智能 (AI) 生成的一切（2023.01）：mp.weixin.qq.com
- 关于人工智能内容生成（AIGC）的一切（2022.10）：mp.weixin.qq.com

😶‍🌫️
💽AIGC代表作💽：

- 🌟代码开发：
- 我攒了一扇 AI 平行时空传送门——3D gaussian 复杂大场景迁移（2024.04 已暂停）：mp.weixin.qq.com
- 我，编程菜鸟，攒了一个用文字生成三维模型的AI工具（Dreamfields-3D，已开源，2022.09）：mp.weixin.qq.com

- 🌟艺术商业案例：
- 我如何用AI为小米国际限量版手机做宣传片（2023.03）：mp.weixin.qq.com
- AI创作的正确打开方式：雪佛兰×全屏本是×Simon的白日梦 | AIGC商业落地案例复盘 （2023.02）：mp.weixin.qq.com
- 国家地理中文网：“守护海洋原住民”系列数字藏品创作（2022.05）：mp.weixin.qq.com

- 🌟 AI视频作品：
- ✨微观宇宙：一木一浮生,一空一有无, 一念一无限 （2024.08）： b23.tv
- 云端画意 —“古董”AI模型生成复古国风山水动画（2023.07）：www.bilibili.com
- 硅基生物图鉴-硅藻云戏者（2023.06）：www.bilibili.com
- 量子场-无AI生成艺术（2023.04）：www.bilibili.com
- 微观世界极限深潜（2022.10）：www.bilibili.com
- 幻时之砂（2021.12）：www.bilibili.com
- 超级文明已经组队迁往二次元元宇宙了，而你还没有拿到船票？（2021.12）：www.bilibili.com

🎖️AIGC经历🎖️：
- 做过课程或讲座的地方：英国伦敦大学学院 / 奥地利因斯布鲁克大学 / 中央美院 / 小米 / 深圳市插画协会 / 集智俱乐部 / 国际人机交互大会 / 艾厂 / 中国科普作家协会
- 合作过的厂商：小米 / 雪佛兰 / 现代 / 周大福 Tmark / 国家地理中文网
- 参展过的地方：上海设计周 / 上海喜马拉雅美术馆 / 威尼斯元宇宙艺术年展 / 北京Tong画廊 / 郑州海汇美术馆 / 北京-城市建筑双年展 / 伦敦 Zero to One Space / 奥地利-蒂罗尔建筑中心

📻我的社媒📻：
- 公众号 / 视频号 / B站 / 小红书 / 微博：Simon的白日梦
- 我的 AI 自动化创作替身 - CyberGenix：weibo.com
- 知识星球（核心社群）：AI白日梦想家 （向我提问，72小时无条件退款，领券：t.zsxq.com）

🥰写在最后🥰：
感谢你读到这里，其实我是一个佛系+拖延的人，能做那么多事情或许真的是因为一直以来大家给我的正反馈，所以我后续会一直在这里更新有用的资源（你可以收藏或者转发这个帖子）。如果你有问题或者希望找我合作，可以私信我也可以发到 📧simondaydream@163.com。如果我48小时后还没有回复，可以再提醒我一次。最后，希望世界和平，愿你身心自在🤗。

阿里开源了一个实时、可交互、无限时长的虚拟人主播生成器，实时生成影像+声音！🫨 虽然现在还要5*H800才能实现20帧，但是感觉未来的虚拟人应该不需要3D模型做后端支撑了🥹
{Live Avatar / Live Avatar：实时流式无限长交互式虚拟人视频生成框架}

🧐Live Avatar是由Giant AI Lab开发的140亿参数扩散模型驱动的实时视频生成框架，支持20 FPS流式生成与10,000+秒无限长视频创作，通过Block-wise Autoregressive处理实现实时对话交互与多模态生成能力。

➡️链接：
liveavatar.github.io

✨重点
●🔄【核心技术】
🎚️Distribution Matching Distillation：将14B多步扩散模型压缩为4步流式模型
🏗️Timestep-forcing Pipeline Parallelism (TPP)：跨设备解耦降噪阶段，实现线性速度提升
🌀Rolling RoPE：动态更新位置编码稳定长序列身份
🛡️Adaptive Attention Sink (AAS)：以生成帧替代初始参考消除分布漂移
🧪History Corrupt：注入噪声模拟推理误差，提取历史运动与稳定细节
●🎥【性能指标】
🔢5 H800 GPU集群实现20 FPS 4步采样
🔄Block-wise Autoregressive处理支持10,000+秒无漂移生成
📊84× FPS提升（对比基线），无需量化压缩
●🤖【应用场景】
🗣️实时对话：麦克风/摄像头输入驱动虚拟人实时响应
🤝Qwen3-Omni集成：支持自主代理间流式对话
🎨多模态生成：肖像/卡通/长视频等多样化内容创作
●🔍【技术突破】
解决长序列生成三大痛点：推理漂移、分布漂移、误差累积
动态RoPE与自适应注意力机制实现身份稳定
历史信息注入模拟真实推理误差提升鲁棒性
（注：所有展示内容均为AIGC生成，包含生成视频、对比分析及技术原理详解）

微软开源了一个只有0.5B的实时文字到语音生成模型，试了下生成质量很不错，发声很自然，唯一遗憾是还不支持中文~
{VibeVoice-Realtime-0.5B / VibeVoice实时0.5B文本转语音模型}

🧐VibeVoice-Realtime-0.5B是微软开发的轻量级实时文本转语音模型，以0.5B参数实现约300ms首响延迟，支持流式输入与长文本生成，在LibriSpeech和SEED数据集上展现出低WER（2.00%/2.05%）和高说话人相似度（0.695/0.633）。

➡️模型链接：
huggingface.co
➡️试玩demo：huggingface.co

✨重点
●🔊【实时性能参数】
0.5B参数规模实现约300ms首响延迟，支持流式文本输入与连续语音生成
单说话人设计，支持多说话人模型扩展（需额外配置）
●🧠【技术架构创新】
采用Qwen2.5-0.5B LLM作为核心推理引擎
声学编码器基于σ-VAE变体，7阶段Transformer实现24kHz→3200x下采样
扩散头模块（4层，~40M参数）结合DDPM算法预测声学VAE特征
●📊【零样本性能指标】
LibriSpeech测试集：WER=2.00%，说话人相似度=0.695
SEED测试集：WER=2.05%，说话人相似度=0.633
长文本生成能力通过8192 tokens上下文长度训练验证
●🔄【两阶段训练策略】
第一阶段：预训练σ-VAE声学编码器（3200x压缩比）
第二阶段：冻结编码器，仅微调LLM+扩散头参数
●🔒【负责任使用限制】
仅支持英语，禁止语音模仿、虚假信息生成、非语音音频（音乐/环境音）生成
需在应用中明确标注AI生成内容，禁止规避技术安全措施
●🛠️【部署适配特性】
兼容LibriSpeech、SEED等标准数据集训练验证
提供GitHub代码库（microsoft/VibeVoice-Code）与Hugging Face Spaces推理环境
支持LibriSpeech Test-Clean等基准测试与自定义数据集微调

生成分图层可修改的海报？开源版loveArt？
{Poster Copilot: 基于大模型的图形设计自动化框架}

🧐该框架通过Perturbed Supervised Fine-Tuning（PSFT）、Reinforcement Learning for Visual-Reality Alignment（RL-VRA）和Reinforcement Learning from Aesthetic Feedback（RLAF）三个阶段训练策略，结合生成模型实现专业级海报布局生成与可控编辑，解决现有大模型方法在几何准确性和迭代编辑上的不足。

➡️链接：
postercopilot.github.io

✨重点
●🔍[项目定位] 专注图形设计自动化，解决LMM模型在布局推理和专业级编辑中的痛点，通过三阶段训练提升几何理解与美学推理能力
●🧩[技术框架]
🔄Perturbed Supervised Fine-Tuning（PSFT）：通过坐标回归的分布学习实现空间关系推理
🎯Reinforcement Learning for Visual-Reality Alignment（RL-VRA）：引入几何奖励信号修正空间误差
🎨Reinforcement Learning from Aesthetic Feedback（RLAF）：通过美学奖励模型生成高吸引力布局
●📊[数据集规模] 160K张海报，含2.6M层（1.2M文本+1.4M图像元素），覆盖40+领域（商业/娱乐/公告等）
●🎬[核心应用场景]
✨海报布局生成：自动整合用户资产生成专业排版
🧩资产不足合成：智能补充缺失图层并保持风格一致
🔄多轮精确编辑：支持分层修改（如调整相机材质/角色姿势）
🎭主题切换：无缝切换设计风格同时保持布局完整性
📏海报重构图：通过调整画布尺寸实现智能重新排版
●🚀[技术突破] 实现LMM模型从"生成"到"可控编辑"的跨越，支持多模态输入与全局视觉一致性维护

分享一个claude skills合集~
🧐VoltAgent/awesome-claude-skills是一个精心整理的Claude技能集合——包含YAML元数据、说明和脚本的自包含文件夹，用于教授Anthropic Claude执行特定任务（例如，API测试、文档创建）。技能按需加载，可支持数百个技能而不影响性能，由VoltAgent社区维护，并提供官方定制指南。

➡️链接：github.com

✨重点
●🧠Claude技能定义：包含YAML元数据（名称/描述）、说明和用于特定AI任务（例如，API测试、数据分析）的可执行脚本的自包含文件夹。
●📂基本技能结构：例如“api-tester”，包括定义目的（“测试REST API并验证响应”）的YAML、分步说明和响应验证规则（检查必填字段、数据类型、嵌套对象）。
●⚡️按需加载：技能仅在触发时加载，即使仓库中有数百个技能也不会导致性能下降。
●🚀多任务能力：多个技能可一起运行以实现复杂的工作流程（例如，文档创建 + 代码测试 + 数据分析）。
●👥社区驱动：由VoltAgent开源AI代理框架社区维护，外部开发者也有贡献。
●📚官方资源：提供Anthropic官方技能仓库的链接和详细的自定义技能开发创建指南。
●🔄响应验证：像“api-tester”这样的技能的核心功能，确保API响应符合预期结构（例如，状态码、字段存在性）。
●🏗️定制模板：用户可以使用提供的YAML模板（例如，名称、描述、分步说明）创建新技能。

不用一个一个找了，这个网址上就有700+ nano banana pro玩法~🥹

{文章或者工具的英文标题+中文标题}Nano Banana Pro Prompts - Nano Banana Pro 提示词

🧐{一句话总结}YouMind网站的“Nano Banana Pro 提示词”页面提供了精选的AI图像生成提示词集合、分类、示例、相关博客文章及快捷指令，帮助用户生成多样风格的图像。

➡️链接：
youmind.com

✨重点
●📝[Nano Banana Pro提示词集合] 提供一系列高质量AI图像生成提示词，可直接在YouMind中使用
●🎯[提示词分类] 分为自动、随机、生成、最新等类别，便于按需查找
●🖼️[提示词示例] 包含宽引言卡、德国水彩地图、伦敦户外餐厅人像等多种场景示例
●📖[实践博客] 提供10个真实案例的Nano Banana Pro动手体验文章
●💡[AI快捷指令] 支持Words Card（儿童识字卡片）、苹果风格PPT等一键生成功能
●🎨[风格多样性] 涵盖江户时代浮世绘、索尼商场快照、橄榄油社交媒体信息流等多元风格
●🔍[搜索功能] 可通过分类快速筛选不同类型的提示词资源
●🔗[扩展资源] 提供相关博客文章和案例，帮助用户深入了解应用场景

分享一个无门槛免费获得gemini pro+1年全家桶的办法，亲测可用！（不需要edu邮箱，不需要p图，不需要国外号码，唯一要求是有一张能刷外币的卡，国内发行的visa/master卡都行）。

步骤1-登录这个页面 （one.google.com），点击“验证资格条件”：

步骤2-点击后跳转到“验证学生身份页面”，复制这个页面的网址。

步骤3-把刚才复制的验证页面网址，粘贴到这个网址（batch.1key.me）里面，然后点击“start Verification”，如果提示“success”，则验证成功；如果失败，多重来几次。

步骤4：回到最开始的验证资格页面，这时会提醒你绑卡（如果没绑卡），或者直接提醒你开通试用（1年后才会扣费，记得取消就可以白嫖1年）。享受你的gemini pro吧！

话说上个月Meta发的SAM 3D都没有人讨论？—— 识别/分割/3D重建图片场景中的所有物体。感觉可以有一些有意思的应用。🧐
{Meta's SAM 3D - AI-Powered 3D Reconstruction Tool}

🧐{一句话总结}Meta推出SAM 3D，通过Transformer和DiTs架构实现2D图像到3D物体/人体的精准重建，支持遮挡处理与场景级多对象定位，应用于电商AR预览、物理治疗与机器人感知等领域，配套高质量3D网格数据集推动行业基准提升。

➡️链接：
ai.meta.com

✨重点
●🔍[双模型架构] SAM 3D Body（人体形状/姿态重建）+ SAM 3D Objects（物体几何/纹理重建），单图输入支持多对象联合定位
●🎯[场景适配] 解决2D图像到3D空间的转化痛点，适用于Facebook Marketplace AR家居预览、物理治疗患者3D模型分析、机器人环境感知
●🏗️[技术突破] SAM 3D Body用Transformer编码器-解码器直接输出3D参数，SAM 3D Objects分两阶段DiTs架构优化细节
●📊[行业基准] 首创SAM 3D Artist Object Dataset，提供多样化3D网格，挑战现有3D重建基准的真实场景复杂度
●🔄[应用生态] 与Segment Anything系列联动，未来将支持文本-视觉提示的3D物体检测与跟踪，扩展AI视觉能力边界
●🤖[落地价值] 降低3D建模门槛，通过实时生成3D模型加速电商决策、医疗诊断与机器人交互系统开发
●🔬[性能表现] 在多场景基准测试中实现SOTA精度，尤其在复杂姿态估计与纹理还原上超越传统方法
●🎨[创作工具] 支持用户自定义3D物体参数，允许艺术家通过文本提示生成个性化3D内容，推动创意产业数字化转型

推荐一个用Nano Banana 做的“美国登月造假”虚构报道的案例，太有意思太有代入感了，我愿意称之为艺术！🥹

{Nano Banana Review：摄影棚里的宇航员——美国登月造假调查 / 卫夕：AI生成的登月造假特稿实为Nano Banana Pro能力测评}

🧐这篇文章以虚构的阿波罗登月造假调查为叙事框架，通过"内华达戈壁布景师埃利亚斯·索恩"等亲历者的细节披露，实则是谷歌Gemini 3 Pro生成的Nano Banana Pro AI测评，揭示了视觉技术重构历史记忆的颠覆性影响，同时探讨了AI对新闻写作与摄影行业的冲击。

➡️链接：
mp.weixin.qq.com

✨重点
●📸 登月造假的技术还原：通过24个高强度氙气灯组成的"Helios"矩阵模拟月球光源，菲涅尔透镜修正阴影畸变，玄武岩与水泥粉末混合的月壤材料，以及7秒延迟的通讯信号处理，构建出完整的"摄影棚登月"假象。
●👨🔧 关键人物与破绽：
埃利亚斯·索恩：以"关闭星星"的灯光设计解释照片无星现象，暴露摄影棚技术局限；
道具失误：阿波罗11号照片中出现的可口可乐罐，导致剧组停工排查，成为"最接近真相的穿帮"。
●🔍 档案解密与技术漏洞：
"Crimson Horizon"档案曝光背景山脉纹理重复，证实为"如画背景"拼接；
谷歌图像算法检测到月壤样本实为地球玄武岩熔炼产物，荷兰国家博物馆所藏月岩被证实为石化木头。
●🤖 AI生成的视觉陷阱：所有照片由Nano Banana Pro生成，带有"柯达胶卷褪色感"和"冷战压抑氛围"，完美复刻《华尔街日报》特稿风格，却隐藏着"背景山脉重复"等AI生成痕迹。
●💡 行业反思：
摄影写实功能消亡：AI可通过提示词生成"呼吸感"和"情绪张力"，传统摄影的神圣性被解构；
模型权重公式：输出效果=模型²×（任务+提示词），强调工具先进性对创作的决定性作用；
人类独特价值：即便AI能重构历史，人类的"审美品味与情感体验"仍是不可替代的创作核心。
●🕰️ 历史记忆重构：物理层面的登月造假照片与体验层面的真实感形成矛盾，揭示"眼见为实"的时代已终结，历史记忆可能被AI以"逼真假象"重新定义。
●🔄 创作流程曝光：作者通过Gemini 3 Pro生成文章，仅修改100字后记，展示AI可快速复刻深度特稿风格，引发"技术伦理边界"的讨论。

那啥，反正现在投论文也是被AI先审了，那何不自己找AI先审一下？斯坦福出了个免费AI审稿人自动给意见~大家可以试一下~
{Stanford Agentic Reviewer / 斯坦福AI论文评审服务}

🧐这是一个提供免费AI论文评审反馈的在线服务，支持选择目标会议/期刊（如ICLR、NeurIPS等），通过上传PDF（最大10MB，仅分析前15页）获取AI生成的详细评审建议，需提供邮箱接收通知，MIT开源协议，AI反馈仅供参考需人工验证。

➡️链接：
paperreview.ai

✨重点
●📄 核心功能：AI驱动的论文评审反馈，支持多领域（AI、CV、NLP、数据库等）学术论文
●🎯 目标会议选择：可选ICLR、NeurIPS、ICML、CVPR等30+顶级学术会议/期刊
●🔄 流程简单：上传PDF→填写邮箱→接收AI评审→查看反馈
●⚠️ 文件限制：仅支持10MB以内PDF，仅分析前15页内容
●✉️ 通知机制：评审完成后通过邮件推送结果，无需登录系统
●📚 多语言支持：支持英文/中文论文上传及反馈生成
●⚠️ AI局限性：生成的评审可能存在错误，需研究者结合自身判断
●💡 使用建议：建议先检查论文格式（如LaTeX排版）再上传，避免格式错误影响分析

一篇很有所以的文章，关于我们为什么记不住小时候的事情，以及为什么2岁是神经元数量的顶峰——人类童年失忆（记不起2-4岁前的事）主要源于大脑发育优化：婴儿期海马体逐步成熟但功能有限，2岁后突触修剪导致早期记忆被“清理”，同时程序性记忆替代情景记忆，最终形成高效神经网络以支持后续认知发展。（所以大模型的参数了也不总是越多越好？🧐）

童年失忆症：大脑如何“删除”早期记忆？

▶️原文：mp.weixin.qq.com

🧠 一句话总结：

精彩摘要：

而人类童年记忆的消失，同样源于大脑的优化。

两岁之前，学习记忆信息来者不拒，会形成十分纷乱的神经网络。

两三岁的孩子基本停不下来，这里戳一戳，那里爬一爬。杂乱的神经网络，不仅不能形成稳定的人格，信息之间也会互相争夺感官资源，造成注意力的不集中。

一个人一生最复杂的神经网络出现在2岁左右。

2 岁的幼儿拥有成年人 2 倍的突触连接，每个神经元平均有 7000 个突触连接到其他神经元。

据估计，一个 3 岁儿童的大脑大约有 10^15 突触（1千万亿个）。而一个成年人的估计各不相同，从 10^14~5 x 10^14 突触（100 ~ 500 万亿）不等。

如果以突触连接复杂度论英雄，2岁幼儿无异是英雄中的王者。

但事实是，这样杂乱的神经网络是非常低效的

是时候建立比较稳定的人格了。

来自基因里的庞大力量，驱动着大脑前所未有的变化——一场盛况空前的突触修剪开始了。

对于长期不用的记忆，大脑判定相关信息没用了，就会逐渐削弱神经连接，甚至最终删除掉。

虽然你觉得幼儿园初恋的面孔是你珍贵的记忆，但基因里的祖传密码却告诉大脑，这些垃圾记忆如果不删，这脑子以后就不好使了。

最终，你的大脑留下主要的神经网络，开始删除绝大多数的杂乱链接。

这个过程很像磁盘整理+垃圾清理+智能迭代升级。

➡️ 核心机制：
海马体发育关键期：
9-12个月后，海马体后部开始编码视觉、空间等早期记忆，但此时记忆依赖“情境绑定”，缺乏语义标签（如时间、地点），难以被成年后检索。
2025年研究证实：婴儿对熟悉事物的偏好与海马体后部血氧活动增强相关，暗示早期记忆已形成但未稳定。
突触修剪的“记忆优化”：
2岁时突触连接达峰值（约10¹⁵个），远超成人（10¹⁴-5×10¹⁴个），大脑通过修剪低效连接（如杂乱的早期情景记忆），保留高效神经环路。
修剪过程伴随“记忆重编码”：程序性记忆（如走路、说话）被保留，而陈述性记忆（如具体事件）因缺乏强化逐渐模糊。
自我意识与记忆的“解绑”：
18-24个月婴儿开始形成自我意识（如通过镜子测试），但此时语义记忆未成熟，无法为早期记忆添加“身份标签”，导致成年后无法识别。
记忆类型的“优先级”：
婴儿期侧重程序性记忆（本能行为），而非陈述性记忆（事件细节），大脑优先保留后者以支持语言和概念学习，牺牲早期情景记忆。
研究证据与争议：
2025年最新研究显示：婴儿海马体后部可快速编码视觉经验，但需重复刺激才能转化为长期记忆。
部分学者认为“记忆未编码”是主因，而另一部分指出“编码后遗忘”更关键，目前尚无定论。
反常识视角：
“记忆未消失，只是被‘加密’”：早期记忆可能以潜意识形式存在（如对母亲气味的偏好），但无法通过语言或意识检索。
“童年失忆是大脑的‘节能策略’”：通过删除冗余早期记忆，大脑将资源集中于构建高效认知网络，为青春期学习奠基。
（注：本文核心数据来自海马体发育研究、突触修剪模型及2025年婴儿记忆实验，具体细节见原文参考文献）