AI探索指南

关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件

AI探索指南

  1. AI探索指南

    AI开始有自己的“企业信用卡”了

    AI开始有自己的“企业信用卡”了。
    这不是科幻电影。
    这是Coinbase CEO亲口说的。
    他们正在给公司里的AI智能体，大规模配备稳定币钱包。
    为什么？
    因为传统银行不给“非人类”发信用卡。
    但这些AI需要花钱办事。
    自己启动亚马逊云服务。
    自己付钱解锁研究论文。
    自己买域名，启动营销计划。
    它们被当成“数字员工”。
    24小时工作，不需要休息，也没有怨言。
    在Coinbase，已经有60%的客服问由AI回答。
    代码也越来越多是AI写的。
    一个没有身份的数字员工，开始掌握预算。
    它会为谁的利益服务？
    它犯了错，谁来负责？
    当一个“员工”可以被无限复制，还不需要付薪水和福利，人类员工的价值又该如何衡量？
    这扇门一旦打开，就再也关不上了。

    AI探索指南 | Hermes爱马仕 & OpenClaw小龙虾🦞

  2. AI探索指南

    卧槽，还有一个好玩儿的，如果让ChatGPT把「少妇白洁」的游戏截图继续生成360柱状全景图，并把文字选项去掉，然后我们就可以得到一个可以环绕视角的伪VR交互作品了……

    卧槽，还有一个好玩儿的，如果让ChatGPT把「少妇白洁」的游戏截图继续生成360柱状全景图，并把文字选项去掉，然后我们就可以得到一个可以环绕视角的伪VR交互作品了……

  5. AI探索指南

    这部AI科幻短片更新第二集，丝毫不输《霍去病》！

    这部AI科幻短片更新第二集，丝毫不输《霍去病》！
    AI视频进入工业化阶段！！
    看来，不能再局限于用AI做广告片、宣传片、MV这些小打小闹的变现了。
    要想赚大钱！
    必须抓紧建立工业化的AI视频生产系统！！

    AI探索指南 | Hermes爱马仕 & OpenClaw小龙虾🦞
    Media is too big
    VIEW IN TELEGRAM

  6. AI探索指南

    阶级的固化导致寒门贵子在以极快的速度从我们眼前消失

    阶级的固化导致寒门贵子在以极快的速度从我们眼前消失。可以预期的未来，简单脑力劳动被AI替代，大学生的出路又在哪里？
    主角从小县城中考成功到重点高中，但是鸡头变凤尾，继续前行需要很强的勇气，他做到了，最后450分逆袭631考上211大学，终成一名教师。似乎在他看来他算是寒门出贵子了。
    但是教师这个职业正遭受到AI最强烈的冲击，他这个贵子又能否避免？
    真正的寒门出贵子，可能并不是视频中说靠自己读书读出来了，找到什么学习方法了，考上什么大学了。而是构建了管道、渠道、资源网，人脉网、让自己不再用去做单纯的脑力劳动，避免被AI替代。🤔🤔
    这么一想，孙割又给我们上了一课了。😂

    AI探索指南 | Hermes爱马仕 & OpenClaw小龙虾🦞
    Media is too big
    VIEW IN TELEGRAM

  13. AI探索指南

    来，漂亮小姐姐邀请你喝一杯

    来，漂亮小姐姐邀请你喝一杯
    Seedance 2.0 Prompt：
    15秒提示词：
    真人写实风格，竖屏，第一人称对坐视角。温馨的日式居酒屋包间，暖黄色纸灯笼散发柔和光线，木质桌面上摆着清酒和小菜。一位甜美的年轻亚洲女性跪坐在对面，黑色直发及腰，穿着改良版白色和服上衣配黑色短裙，露出精致的锁骨。动作描述：她正低头倒酒，睫毛在灯光下投下阴影。倒完后抬头看向镜头，脸颊微红，带着微醺的笑容轻声说：来，陪我喝一杯嘛。她举起酒杯，另一只手撑着桌面，身体微微前倾。镜头视角下移，她跪坐的姿态优雅，光滑的小腿折叠在身下，黑色丝袜若隐若现。氛围暧昧温馨，光影细腻，高清画质。

    AI探索指南 | Hermes爱马仕 & OpenClaw小龙虾🦞

  15. AI探索指南

    前几天 OpenRouter 有个 Elephant 免费匿名模型冲到了趋势榜第一，周榜第8名

    前几天 OpenRouter 有个 Elephant 免费匿名模型冲到了趋势榜第一，周榜第8名。
    今天蚂蚁的百灵大模型团队认领了Elephant，官方名字叫Ling-2.6-flash。

    Ling-2.6-flash，是一款总参数量 104B、激活参数 7.4B 的 Instruct 模型。这个模型主打"Token 效率（Token Efficiency）"，在"智能表现"与"输出成本"之间取得了更优平衡。
    100B 左右的模型，同在榜单的还有英伟达的Nemotron 3 Super（120B）。我拿Elephant和英伟达的Nemotron 3 Super做了一轮对比测试。跑下来发现，这个模型确实像一个专注干活、不爱说话的工程师。

    具体来说，这个模型有三个特点：
    1. 省钱。 同一个 React 搜索组件，Elephant 用 511 token，Nemotron 用 685。Python 多 bug 修复，469 vs 492。结构化数据提取，221 vs 298。每个任务都省 20% 到 25%。同样的活，会用更少的字干完。
    2. 干净。 我让两个模型都严格返回 JSON，Nemotron 在 200 token 限制内，reasoning 直接把配额吃光了，输出是 None。给到 500 token 才勉强返回。而 Elephant 只用了 19 个 token 就吐出了合法 JSON。
    3. 服从。 React 组件直接给代码，debug 直接说问题给方案，不像 Nemotron 会加 docstring、type hints、注释解释。对 Agent 来说不需要模型"教你"，需要它执行。

    测下来，这个模型的短板也有，毕竟是个参数不大的模型。让它写一个圣杯布局，1500 token 写不完，还在铺垫 CSS reset 和响应式。让它简洁，不太听，似乎是模型专注高效干活，对这类长度控制指令的遵循不太够。
    总之，从测试数据看，它像是一个专门为 Agent 工作流优化的模型。省 token、输出可预测、服从性强，这三个东西恰好是 Agent 场景的刚需。
    看了下指标，模型在 BFCL-V4、TAU2-bench、SWE-bench Verified、Claw-Eval、PinchBench 等Agent 相关基准上达到同尺寸 SOTA 水平。

    最近 Agent 爆发之后，模型的算力越来越紧张，各种抢购都抢不到，已经影响了 Agent 的普及。Agent 的普及，除了算力提升之外，也需要模型的 Token 效率提升。
    目前这个模型的能力还有不小的提升空间。但看到有人在高效输出方面探索，还是值得鼓励一下的。