© Saher Alghorra for The New York Times
© Illustration by The New York Times; source photograph by David Gray/Getty Images
© Jonathan Ernst/Reuters
© David Szakaly
这两天的 AI 圈，更新速度快得让人喘不过气，哪是要让人放假的样子。
昨天 DeepSeek 更新了 V3.2-Exp 模型，Anthropic 凌晨就紧跟着发布了性能更强的 Claude 4.5。
正当大家都在爆料牌桌上的其他巨头何时出手时，行业领头羊 OpenAI 的「王炸」似乎已经提前被剧透了，那就是 Sora 2。
▲ 视频链接：https://x.com/OpenAI/status/1972416122613014556
最近，OpenAI 不仅在 X 平台连发多条神秘视频，引爆社区对 Sora 2 的猜想。
一则来自《连线》杂志的重磅爆料更是指出：OpenAI 的下一步棋，并非简单升级一个模型，而是要亲自下场，推出一个独立的 AI 视频社交 App，一个酷似抖音，但内容 100% 由 AI 生成的全新平台。
奥特曼曾经发 X 说，未来几周，OpenAI 将推出一些新的计算密集型产品，且最初只会向 Pro 用户开放。而需要大量算力的，不正是视频生成吗？目前 Sora 也仅面向 Plus 和 Pro 用户，传闻已久的 Sora 2 真的要发布了。
▲ https://x.com/sama/status/1969835407421374910
AI 视频也要迎来它的「吉卜力」时刻了。
从目前曝光的信息来看，OpenAI 正在测试一款名为 Sora 2 的短视频应用，乍看之下，它就是一个 AI 版抖音。但最颠覆的一点是，在这个平台上，我们看不到任何真实拍摄的内容。
▲ TikTok 应用截图
它的界面和交互，与我们熟悉的短视频 App 几乎一模一样。采用竖屏信息流，和滑动切换的导航方式的视频源，并由推荐算法为我们提供「为你推荐」的内容。
在视频的右侧下方，同样提供了点赞、评论等互动选项，甚至还有一个独特的「Remix」（再创作）功能。
▲ OpenAI 去年 12 月正式推出了 Sora，很快被整合到 ChatGPT 应用中，图为 Sora 网页版截图。OpenAI 指出它存在一些局限性，例如似乎并不完全理解物理学，在制作逼真的动作场景时尤其困难，尤其是在较长的片段中。目前，1080p 超高清分辨率仅支持生成 10s。地址：sora.chatgpt.com
根据文件显示，用户只能使用 OpenAI 的下一代视频模型 Sora 2，生成最长 10 秒的视频片段。并且，App 不提供任何从手机相册或其他应用上传照片或视频的选项。这意味着，这个平台将成为全球首个内容 100% 由 AI 生成的短视频社区。
如果说纯 AI 生成内容还只是概念上的不同，OpenAI 还要为这个短视频 APP 引入社交的功能。
Sora 2 应用具有身份验证的功能，即允许用户确认自己的「肖像」（likeness）。一旦验证通过，就可以在生成的视频中，使用自己的形象。
更有趣的是，社交的边界被进一步打破。你的朋友也可以在他们的视频里标记你，使用你的「数字分身」。
▲ AI 图片视频生成平台即梦，也提供了数字人生成。
举个例子，我们可以直接使用别人的数字分身，生成一个视频，内容是「你和朋友在从没去过的主题公园，一起坐过山车」。
为了保护用户隐私，数字分生这项功能，也设置了提醒机制。每当你的形象被他人使用时，无论对方是公开发布，还是仅仅保存在草稿中且从未发布，你都会收到通知。
这款应用上周已经在 OpenAI 内部发布，并收到了员工压倒性的积极反馈。据连线杂志的消息，员工们使用得非常频繁，以至于一些管理者开玩笑说，这可能会影响生产力。可能真的跟刷抖音一样会上瘾？
答案或许和 ChatGPT 的成功路径如出一辙。
OpenAI 似乎在押注，Sora 2 这个 AI 版抖音，能让我们与 AI 视频的互动方式发生根本性改变，就像 ChatGPT 让大众第一次真正体验到 AI 文本的潜力一样。
▲ 社交榜和娱乐榜第一名分别是 Meta 的 Thread 和 TikTok
当然，也不是只有 OpenAI 想到了 AI 视频社交这条路，就在上周，Meta 在它们的 AI 应用中，推出了名为「Vibes」的新功能。这是一个 AI 生成短视频的新平台，集创作、分享与社交功能于一体。
用户可通过浏览、创作、或二次创作（Remix）来生成自己的 AI 视频，并将视频快速分享到 Vibes、Instagram、Facebook 等 Meta 社交平台。
▲ Vibes 视频生成界面截图
Google 也早已宣布，计划将自己最新的视频生成模型 Veo 3 整合到 YouTube 中。一个是坐拥最大的社交网络平台，一个是最大的视频分享平台，OpenAI 的 AI 视频社交之路看起来，也并非一片坦途。
从一个聊天机器人，到一个可能的内容社交平台，OpenAI 的野心，在于建造下一代的互联网入口，而这个入口，完全由 AI 驱动。
这种野心并非空谈，就在今天，OpenAI 推出了其商业化布局中最重要的一步棋，在 ChatGPT 内直接购物。
用户现在可以在与 ChatGPT 的对话中，直接购买来自 Etsy 甚至 Shopify 商家的商品。当我们跟 ChatGPT 聊天，问到「适合送给陶瓷爱好者的礼物」时，ChatGPT 不再只是给一个链接，而是直接展示商品并提供一个「购买」按钮，不需要离开聊天窗口，几下点击就能完成支付。
▲ 这项名为「即时结账」（Instant Checkout）的功能，背后是 OpenAI 与 Stripe 联合开发并开源的「代理商业协议」（Agentic Commerce Protocol）。通过这个协议，OpenAI 正在为 AI 时代的电商制定新的规则。
电商、视频、社交、生产力，当这些过去分散在不同 App 中的功能，开始被一个统一的 AI 入口所整合时，OpenAI 的 Open 原来是「我全都要」。
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
刚宣布完 1000 亿美元交易，山姆·奥特曼（Sam Altman）又憋了个大招——ChatGPT 不再是被动回答问题的工具人，而是要主动给你「投喂」内容了。
就在刚刚，OpenAI 正式为 Pro 用户（又是氪金玩家专享）推出 ChatGPT Pulse 预览版，后续会逐步扩展到 Plus 用户，最终目标是所有人使用。
它会在你睡觉的时候偷偷帮你做研究，第二天一早就以主题卡片的形式展示在 Pulse 中，给你推送个性化内容。
简单说就是：AI 版私人助理 + 个性化资讯流，而且 OpenAI 还声称不会让你无脑刷屏。
奥特曼本人则在社交媒体上发文表示：「这是我最喜欢的功能！」
（好好好，又一个最喜欢的功能。）
要知道，传统的 ChatGPT 就是个「问答机器」——你问一句它答一句，全程需要你来主导。
但 Pulse 完全颠覆了这个模式。
具体来说，每天晚上，它会根据你的聊天记录、反馈和连接的应用（Gmail、Google 日历等），自动帮你做研究。第二天一早，你就能收到一份为你量身定制的个性化更新。
比如说，你昨天和 ChatGPT 聊了「想去波拉波拉岛旅游」，它可能会给你推送当地的天气、旅游攻略或者机票折扣信息。
你提到「我家娃 6 个月大了」，它就会主动推送婴儿成长里程碑、育儿小贴士什么的。
甚至，如果你连接了日历，它还能帮你起草会议议程、提醒你买生日礼物，或者推荐出差地的餐厅。
最让人眼前一亮的是，Pulse 的设计理念完全不同于现在那些「停不下来」的 App。
ChatGPT 技术负责人 Samir Ahmed 明确表示：「这个体验是有结束的，它的设计初衷是为你服务，而不是让你停不下来地刷屏。」
每天推送的内容都是精挑细选的，看完就完了，不会让你陷入无休止的信息漩涡。而且，每条更新只在当天有效，除非你主动保存为对话或提出追问。
这简直是对现在「算法投喂」模式的一次降维打击——有用的信息主动来找你，而不是让你在海量信息里瞎找。
OpenAI 在 ChatGPT Lab 中和大学生合作测试，发现了一个有趣现象：
很多学生刚开始觉得 Pulse 一般般，但当他们开始主动告诉 ChatGPT 想看什么内容后，立马感受到了它的威力。
来看几个官方分享的真实案例：
学霸 Isaac 在和 ChatGPT 聊到旅行规划后，第二天收到了火车票预订时间的精准建议，还包含了他原本不知道的通勤信息。
潜水爱好者 Hexi 分享了自己在潜水课上的困难，ChatGPT 不仅给出了针对性建议，还把潜水和风险管理做了类比——完全 get 到了她的兴趣点。
这种「举一反三」的能力，确实有点私人助理那味儿了。
不过，这种个性化体验背后的代价可不小。要让 Pulse 真正「懂你」，你得向 OpenAI 交出大量个人数据，具体来说：
如果你在 ChatGPT 中开启了「引用历史记录」，它会查看你过去的对话来决定研究方向。
如果你已连接日历和邮件，系统会提示你确认是否允许 ChatGPT 访问这些应用，以帮助你规划日程。Kaplan 表示，用户必须点击「接受」才会生效。
虽然 OpenAI 强调「Pulse 训练数据的处理方式和普通对话完全相同。」但隐私换便利，这笔账到底划不划算？以及会不会造成「信息茧房」，对此，OpenAI 只是表示设置了「多重安全过滤」，但具体细节一概不透露。
对于很多用户来说，在人手一个「贾维斯」之前，这种「黑盒式」的隐私保护承诺实在难以令人放心。
从技术角度看，Pulse 其实是 OpenAI 向 AI 智能体（Agent）方向迈出的第一步。OpenAI 应用部门 CEO Fidji Simo 在博客中表示：
「下一个前沿就是代理——能代表你采取行动、像团队成员一样与你协作的 AI 助手。」
附上博客地址：https://fidjisimo.substack.com/p/a-new-paradigm-of-proactive-steerable
这意味着未来的 ChatGPT 不会只停留在研究和信息整理上，而是能为你自动制定计划、按照目标采取行动，并在关键时刻主动提醒。
随着这种人机交互方式的转变，传统的搜索引擎和资讯 App 或许要被狠狠上压力了。毕竟谁能拒绝一个既聪明又主动的私人助理呢？
附上 OpenAI 原博客地址：
https://openai.com/index/introducing-chatgpt-pulse/
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
iOS 26 上线后，用户立马分成了两派。
有人认为新系统视觉有新意，也有人吐槽不好看、bug 多、电池续航直线下降。在争议声中，苹果也推送了 iOS 26.1 开发者测试版，优化了液态效果和 UI 细节。但该说不说，比起这些「面子工程」，苹果在系统深处埋下的彩蛋，其实更值得关注。
据 9to5Mac 报道，iOS 26.1、iPadOS 26.1 和 macOS Tahoe 26.1 开发者测试版隐藏的代码显示，苹果正在为 App Intents 引入 MCP 支持打基础。这也意味着未来，我们能让 ChatGPT、Claude 或其他任何兼容 MCP 的 AI 模型直接与 Mac、iPhone 和 iPad 应用交互。
在讨论苹果这个大动作之前，我们需要给不了解的朋友科普一下 MCP。MCP，全称 Model Context Protocol（模型上下文协议），由 Anthropic 于去年 11 月提出，它要解决的是一个叫「N x M」的集成难题。
什么意思呢？ 就是说，如果有 N 个 AI 模型，和 M 个外部工具或数据源，如果按传统做法，我们得开发 N x M 个定制 API 接口，非常麻烦此时 MCP 邪魅一笑：别折腾了，我来当万能翻译官。
MCP 通过提供一个通用、开放的协议，把模型与外部数据源和工具的连接方式标准化，取代了过去零散、私有化的集成做法，意在实现双向、安全的交互。通俗点说，它想成为 AI 领域里的「HTTP（网页的基础协议）」或「SMTP（邮件协议）」，它仅存在于软件，但在 AI 时代的意义不亚于一个标准化的硬件「USB-C 接口」。
效果怎么样？立竿见影。自打问世以来，MCP 已被 Notion、Google、Figma、OpenAI 等公司和平台也都陆续接入，成为 AI 应用接入的行业「通用插口」。
很多人容易误解 MCP + App Intents 只服务于 AI，其实并不是。
MCP 的本质是协议，它解决的是如何让模型或外部服务和系统安全对话的问题。虽然今天最热门的用例是 AI 模型调用应用，但 MCP 也可能用于非 AI 场景。以微信支付为例，就能看到 MCP 不局限于 AI 的可能性。
腾讯元器平台近日宣布已经接入微信支付 MCP，支持开发者在智能体（agent）中直接发起订单、查询订单、处理赞赏等功能。
同样，App Intents 也并不是专为 AI 而生的「新物种」。
它在 2022 年就出现了，当时的目标就是把应用的功能抽象成语义化的动作，让系统能直接调用。比如 Spotlight 搜索、快捷指令、小组件，其实都在用 App Intents，并不依赖 AI。
MCP 的接入，只是让「外部 AI」也能走上这条现成的通道。
根据对 iOS 26.1 等测试版软件代码的分析，苹果并非让每个应用单独去支持 MCP。恰恰相反，它正在构建一个直接集成在 App Intents 框架中，系统级的 MCP 支持。换言之，苹果不希望开发者自己「魔改」，而是要用官方操作系统的规范来开发接口适配，就可以使用了——这与苹果过去对应用遵守规范的要求一以贯之。
这意味着，在 iPhone 上，Siri/Apple Intelligence（由苹果的基础模型驱动）理解你的请求并可触发 App Intents 执行本地动作；当系统判断需要更广泛知识时，会征得你同意后把必要内容交给 ChatGPT 获取答案。
所以未来的场景可能是这样的：你对着 ChatGPT 说「帮我在微信里转 100 块给张三」，ChatGPT 会调用 MCP，把这个指令打包成标准化的请求；iPhone 系统通过 App Intents 识别出这是微信支付的动作，直接调用微信的接口完成操作。你不需要自己切换 App、点按钮，一切都由模型+系统协作完成。
换句话说，MCP 让模型有了「手」，App Intents 则是苹果为这双「手」划定的轨道。
这样做有什么好处呢？
头一个好处是搭便车。苹果可以直接享用整个行业围绕 MCP 建设的庞大工具生态，不用自己从头到尾开发每一个功能集成。
另一方面，当所有外部 AI 的请求都必须经过苹果自家的、经过严格审查的 App Intents 框架，这样苹果既能强制执行自己的隐私安全标准，又能保证用户体验的一致性。
还记得在之前的文章中，我们提到过 AI Key。这是一款定位于「AI 助手」的外接硬件，厂商宣传它可随插随拔，通过 iPhone 的 USB 接口连接后，能够帮助你动动嘴操作手机上的应用和功能，从消息、地图到拍照、社交软件，几乎覆盖常见任务。
虽然目的相似，都有机会让 AI 代替用户，直接操控手机的应用，但和 AI key 这种体验受限的硬件「外挂」相比，系统层面的调度机制才是真正可规模化，更务实、更长远的价值。
不过，苹果在 iOS 26.1 测试版里只是「埋下了」系统级 MCP 支持的代码，目前仍处于早期工程阶段，并未对外发布可调用接口，未来能否实现、何时实现，还要看后续测试版和官方文档的公开进度。
延伸到整体变化，苹果近年的开放姿态愈发明显。
哪怕是 Apple Intelligence，本质上也体现了这种转向。起了个大早，赶了个晚集，追赶 OpenAI 等厂商并非一朝一夕，苹果已不再执念于「全栈自研」，而是主动拥抱外部模型，为系统预留出灵活的接入入口。
这种转变在苹果内部也引发了不小的冲击。据彭博社报道，苹果 AI 团队内部曾就「自研 vs 合作」发生过激烈争论，但最终还是保留了更务实的平台化路线。这也与整个行业的走向不谋而合。
短期内，AI 可能出现巨头垄断红利，但长期必然走向分层竞争。
没有任何单一模型能在所有任务上都做到最好，开源的存在更让市场有了平替选项。于是，对平台型公司而言，最优解自然是通过集成不同供应商的模型来实现风险分散、成本优化和择优使用。
微软就是典型的案例。
过去它与 OpenAI 深度捆绑，但最近，微软把 Anthropic 的 Claude 模型也集成进 Microsoft 365 Copilot。表面看，这是因为双方裂痕加深，但更深层的原因在于微软内部测试发现，Claude 在某些场景下的表现确实优于 ChatGPT。
类似的逻辑，如今也映射到苹果身上。
继和 OpenAI 合作之后，今年也不断有风声传出，苹果已经把 Google Gemini 和 Anthropic Claude 同时列入下一代 Siri 与系统级 AI 的候选名单。
回望苹果的长期叙事，这条线索就更清晰了。
苹果在 2008 年推出 App Store 时也面临过类似的质疑——为什么要让第三方开发者「寄生」在 iOS 上？结果证明，平台模式释放出的创新活力远超苹果单打独斗。
再后来，无论是 CarPlay、HealthKit，还是今天的 MCP + App Intents，这也是苹果最为熟悉的平台治理逻辑：它来制定标准和规则，第三方在规则之内自由创新。
建立在 App Intents 之上的代理层平台，同样是这一逻辑的最新延续。
通过 MCP 协议，苹果能够把外部 AI 模型都转化成了供应商。而当这些供应商想触达苹果庞大且高价值的用户群体时，就必须遵守苹果的接口和安全标准。换句话说，苹果再次把自己放在了分发渠道和规则制定者的位置上——这也是苹果最擅长、也最舒服的角色。
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
欢迎收看最新一期的 Hunt Good 周报！
在本期内容你会看到：
7 条新鲜资讯
4 个有用工具
1 个有趣案例
3 个鲜明观点
OpenAI 模型路由机制引发用户争议
近日，知名 X 博主 Tibor Blaho 发现OpenAI 正在未经用户同意的情况下，自动将 ChatGPT 用户的请求分流至两款未公开的「秘密模型」。
据 Blaho 透露，这两款模型分别为「gpt-5-chat-safety」和「gpt-5-a-t-mini」。前者是专门处理敏感内容的新型模型，后者则是一款敏感度极高的「违规」检测推理模型，仅需输入「违规」一词即可触发响应。
当系统判定用户的对话内容涉及敏感话题、情绪表达或潜在违规信息时，无论用户选择的是 GPT-4 还是 GPT-5 版本，系统都会自动将请求路由到这些后端模型进行处理。甚至即使是「我今天过得很糟糕」或「我也爱你」这样带有轻微情感色彩的普通表达，都可能触发路由机制。
值得一提的是，这一做法不仅影响免费用户，就连每月支付 20 美元的 Plus 用户和 200 美元的 Pro 会员也无法幸免，不少网友更是吐槽 ChatGPT 降智明显。
对此，OpenAI 副总裁兼 ChatGPT 应用主管 Nick Turley 承认 OpenAI 正在测试新的安全路由系统。他解释称，当对话涉及敏感和情感话题时，系统会切换至专门设计用于严谨处理此类情景的推理模型或 GPT-5。
此外，Turley 强调这种从默认模型切换到敏感模型的做法目前只是临时性的，并表示在用户明确询问后，ChatGPT 仍会告知当前使用的具体模型。
https://x.com/btibor91/status/1971959782379495785
马斯克 xAI 起诉 OpenAI 涉嫌窃取商业机密9 月 25 日，埃隆·马斯克旗下的人工智能公司 xAI 在加州北区联邦法院对 OpenAI 提起诉讼，指控该公司通过挖角关键员工的方式窃取商业机密。
此前，xAI 已在 8 月份对前员工李学晨提起诉讼。李学晨突然出售其持有的公司股份后离职，随后加入竞争对手 OpenAI，不过目前尚不清楚他是否真正开始在 OpenAI 工作。
在最新的起诉书中，xAI 指控 OpenAI「诱导」包括李学晨、早期工程师吉米·弗雷图尔以及一名高级财务主管在内的前员工窃取商业机密。
起诉书中一项重要指控是 OpenAI 试图获取 xAI 的「秘密武器」，即「xAI 能够以前所未有的速度部署具有大规模计算资源的数据中心来训练和运行人工智能」的能力。
据起诉书称，那名未具名的「高级财务主管」掌握快速建设和扩展数据中心的流程知识，并将其带到了 OpenAI。当这名主管在离职时通过邮件被质疑涉嫌违反保密协议时，他回复道「去你的」。xAI 在起诉书中附上了该邮件的截图，将其作为证据。
xAI 指控 OpenAI 作为「仅仅因为是『先行者』就快速在生成式人工智能公司中崛起为主导者」，正在进行一场「协调的、不公平和非法的活动」，有针对性地招募 xAI 的关键员工，然后「诱导」他们将商业机密带到 OpenAI。
对此，OpenAI 发言人在邮件中回应称：「这起新诉讼是马斯克先生持续骚扰行为的最新篇章。我们对任何违反保密协议的行为零容忍，也对其他实验室的商业机密毫无兴趣。」
https://sherwood.news/tech/musks-xai-sues-openai-alleging-theft-of-trade-secrets/
据 Sources 报道，OpenAI 新任应用程序 CEO 菲吉·西莫（Fidji Simo）希望组建一个新团队负责为 ChatGPT 引入广告业务。新团队负责人将全面负责 OpenAI 的所有盈利业务，涵盖广告和订阅服务等各个方面。
知情人士透露，西莫最近一直在与潜在候选人进行会面，其中包括她此前在 Facebook 的一些同事。目前相关谈判仍在进行中，预计新聘用的广告业务负责人将直接向西莫汇报工作。
作为补充，西莫于上个月辞去 Instacart CEO 职务后正式加入 OpenAI。
在 OpenAI 的组织架构中，西莫负责管理公司的大部分业务板块，但研究、基础设施、消费者硬件和安全团队除外，这些核心部门仍直接向 CEO Sam Altman 汇报。
https://sources.news/p/openai-ads-leader-sam-altman-memo-stargate?hide_intro_popup=true
Meta 押注「Android 式」机器人平台Meta CTO 安德鲁·博斯沃斯在最近一次访谈中透露，在 CEO 马克·扎克伯格的直接指示下，他于今年早些时候组建了专门的机器人研究团队，目前正在开发内部代号为「Metabot」的人形机器人项目。
与市场上其他竞争对手不同，Meta 并不打算成为硬件制造商，而是计划采用类似 Google 向手机制造商授权 Android系统的商业模式。他设想 Meta 将开发完整的软件蓝图，然后向任何符合技术规格要求的公司开放授权，让更多制造商能够基于 Meta 的软件平台生产人形机器人。
在技术方面，博斯沃斯强调软件开发是当前最大的瓶颈，而非硬件本身。
他在访谈中拿起桌上的水杯解释道：「这些机器人可以站立、奔跑，甚至做后空翻，因为地面是一个超级稳定的平台。但如果让机器人尝试拿起这个水杯，它很可能会立即捏碎杯子或洒光里面的水。」这个简单的例子说明了灵巧操作仍然是机器人技术面临的最大难题之一。
为了攻克这一难题，Meta 的超级智能 AI 实验室正在与机器人团队密切合作，共同构建一个能够完成复杂手部动作仿真的「世界模型」。博斯沃斯指出，目前还不存在能让人形机器人像人类一样精确完成诸如从牛仔裤口袋中小心取出钥匙等精细动作的传感器循环系统，因此团队必须从零开始构建相应的数据集。
https://www.theverge.com/column/786759/humanoid-robots-meta
微软宣布 Copilot 助手 引入 Claude 模型，减少对 OpenAI 依赖9 月 24 日，微软公司宣布将 Anthropic 的 Claude 模型引入 Microsoft 365 Copilot 助手。
在这项新的合作中，使用 Copilot 中 Researcher 代理功能（收集和分析信息并生成报告）的用户现在可以选择由 Claude 模型或 OpenAI 模型来响应他们的提示请求。
不过，管理员需要事先批准使用这些模型，相关使用将遵循 Anthropic 公司的条款和条件。
值得一提的是，作为 OpenAI 的主要投资者和关键云服务合作伙伴，在过去很长一段时间，微软主要依赖 OpenAI 模型为必应搜索、Windows 操作系统和其他产品提供 AI 功能。
但随着与 OpenAI 的裂痕加深，微软除了整合更多公司的大型语言模型外，微软还开始测试其自主开发的 MAI-1-preview 模型。
与此同时，OpenAI 也脱离对微软 Azure 的依赖，加速扩张合作版图，先后与甲骨文、博通和英伟达达成数百亿至千亿美元级别的巨额协议，以支撑其大规模数据中心建设。
https://www.cnbc.com/2025/09/24/microsoft-adds-anthropic-model-to-microsoft-365-copilot.html
苹果内部版 ChatGPT 曝光，为新 Siri 准备据彭博社昨日报道，苹果正在开发一款类似 ChatGPT 的手机应用，以帮助测试和准备明年即将推出的新版 Siri。
报道称，苹果 AI 部门正在使用该应用快速评估 Siri 的新功能，包括测试搜索个人数据、执行 App 内操作（如编辑照片）。
该软件内部代号为「Veritas（拉丁语意为「真理」），目前仅供内部使用。虽然该软件没有计划面向消费者，但该 App 的功能基本上是将正在开发中的新技术从新 Siri 中提取出来，从而帮助苹果员工高效完成测试。
报道指出，即使没有公开发布，但这款内部工具也标志着苹果为 Siri 全面升级所做的准备进入了一个新阶段。新 Siri 已经经历了多轮推迟，目前计划在明年 3 月推出。
据悉，Veritas 跑的底层为苹果为驱动新 Siri 而重构的新系统，代号为「Linwood」。同时，Veritas 还依赖大语言模型（LLM），并且结合了苹果自身基础模型团队的工作成果。
另外，据 9to5Mac 日前报道，iOS 26.1、iPadOS 26.1 和 macOS Tahoe 26.1 开发者测试版隐藏的代码显示，苹果正在为 App Intents 引入 MCP 支持打基础。
相关阅读：iOS 26.1 隐藏彩蛋曝光，苹果给 ChatGPT 们造了个新「C 口」
Meta 推出 AI 视频流「Vibes」，扎克伯格亲自宣传遭网友吐槽Meta 近日宣布推出名为「Vibes」的全新 AI 视频流。
扎克伯格在 Instagram 帖子中介绍说，Vibes 将成为「艺术家和创作者制作的富有表现力的 AI 生成视频流」。该功能将在美国和其他 40 多个国家推出。
在功能设计方面，Meta 表示用户不仅可以观看 AI 生成的内容，还能创建自己的视频或对现有视频进行「混音」处理，包括添加新的视觉效果和音乐。
为了展示这一新功能，扎克伯格分享了一段 AI 制作的视频片段，标题为「爸爸试图计算 30 美元午餐的小费」，视频中一位酷似扎克伯格的父亲角色说道：「天哪… 我觉得可能至少要 6000 亿美元。」
然而，扎克伯格的宣传视频却引来了网友的嘲讽，有不少网友在其视频下方将这些由 AI 生成的视频称之为「AI 垃圾（AI slop）」。
值得注意的是，虽然 Meta 拥有自己的 AI 模型 Llama，但在 Vibes 项目中，该公司选择使用来自 AI 实验室 Midjourney 和 Black Forest 的视频生成模型。
https://www.theguardian.com/technology/2025/sep/26/cute-fluffy-characters-and-egyptian-selfies-meta-launches-ai-feed-vibes
OpenAI 前 CTO 创业第二个成果公布9 月 27 日，由多位 OpenAI 前高管创立的 Thinking Machines Lab（TML），正式发布了其第二篇研究论文《Modular Manifolds》，旨在从根源上让大模型训练过程变得稳定、高效。
简单来说，这项研究的核心思想是给神经网络的权重参数戴上一个几何「紧箍咒」。
传统方法往往是在模型建好后，再套用一个优化器来「管教」它。而「模块化流形」框架则更进一步，它将神经网络的每一层都视为一个有独立规则的「几何空间」（即流形），先在内部约束好参数，然后再将这些空间「拼接」起来，用一个全局的「限速器」统一协调整个网络的更新步伐。
这种「模型与优化器一体化设计」的思路，避免了网络内部参数数值的失控。根据论文中进行的小规模实验，该方法在稳定性和准确率上已展现出潜力。
该成果作者为 TML 的机器学习研究员 Jeremy Bernstein，并在 MIT 从事博士后研究工作。
本月，TML 在成立半年后，发布了其首篇重磅研究论文《Defeating Nondeterminism in LLM Inference》（克服 LLM 推理中的不确定性）。
值得一提的是，此前 TML 在「0 产品 0 用户」的情况下，估值曾狂飙至 120 亿美元（折合人民币 850 亿元）。
https://thinkingmachines.ai/blog/modular-manifolds/
DeepSeek 模型再更新，真终「极」版9 月 22 日，DeepSeek 宣布，deepseek-chat 和 deepseek-reasoner 已全面升级为 DeepSeek-V3.1-Terminus。
其中，deepseek-chat 对应非思考模式，deepseek-reasoner 对应思考模式。据介绍，本次更新在延续模型既有能力的同时，针对用户反馈进行了优化。
新模型现已开源：
Hugging Face：https://huggingface.co/deepseek-ai/DeepSeek-V3.1-Terminus ModelScope：https://modelscope.cn/models/deepseek-ai/DeepSeek-V3.1-Terminus
ChatGPT 推出主动资讯助理「Pulse」9 月 26 日，OpenAI 宣布推出全新功能「ChatGPT Pulse」，目前已率先向移动端 Pro 用户开放预览。
官方介绍称，「ChatGPT Pulse」能够基于用户的聊天记录、反馈以及已连接的应用（如 Gmail、Google 日历），在每天早晨自动生成一组个性化的研究更新。这些内容以卡片形式呈现，用户可以快速浏览或展开查看详情。
与传统 AI 的「提问—回答」模式不同，「ChatGPT Pulse」强调主动性。系统会在夜间进行异步研究，结合用户的兴趣和历史反馈，次日推送更具针对性的建议，例如「健康晚餐食谱」「三项全能训练计划」或「会议议程草案」。
值得注意的是，「ChatGPT Pulse」的更新仅在当天有效，若用户未保存或展开查看，信息不会长期保留。官方强调，该功能的目标是「帮助用户快速获取关键信息，而不是让人无休止地刷屏」。
目前，「ChatGPT Pulse」仍处于预览阶段，未来将逐步扩展至更多用户，并计划支持更多第三方应用接入。
相关阅读：刚刚，ChatGPT 又更新了，奥特曼：这是我最喜欢的功能
Google DeepMind 发布新 AI 模型，机器人可搜索网络协助完成复杂任务9 月 26 日，Google DeepMind 宣布推出升级版 AI 模型，能够帮助机器人能够完成更复杂的任务。
据悉，得益于由新发布的 Gemini Robotics 1.5 以及具身推理模型 Gemini Robotics-ER 1.5，Deepmind 新推出的 AI 模型能够协同工作，让机器人在物理世界中采取行动之前能够「提前思考多个步骤」。
报道称，机器人将能够完成更复杂的多步骤操作，比如按深浅颜色分类洗衣物、根据伦敦当前天气情况打包行李箱，以及帮助人们根据特定地区要求进行垃圾、堆肥和可回收物品的分类。
DeepMind 机器人部门负责人卡罗琳娜·帕拉达表示：「此前的模型能够很好地完成单一指令任务，而且具有很强的通用性。通过这次更新，我们从执行单一指令转向对物理任务的真正理解和问题解决。」
为了实现这一目标，机器人可以使用 Gemini Robotics-ER 1.5 模型来理解周围环境，并利用 Google 搜索等数字工具获取更多信息，随后将这些发现转化为自然语言指令，传递给 Gemini Robotics 1.5，让机器人能够利用该模型的视觉和语言理解能力逐步执行任务。
此外，DeepMind 还宣布 Gemini Robotics 1.5 能够帮助机器人相互「学习」，即使它们具有不同的配置。目前，DeepMind 正在通过 Google AI Studio 中的 Gemini API 向开发人员推出 Gemini Robotics-ER 1.5，而 Gemini Robotics 1.5 目前仅向部分合作伙伴开放使用。
https://www.theverge.com/news/785193/google-deepmind-gemini-ai-robotics-web-search
打造个性化「安卓人」，Google 推出 Androidify 应用Google 于日前正式上线全新应用 Androidify，用户可通过上传自拍或输入提示词，借助 AI 技术生成专属的 Android 机器人形象。
该应用现已在网页端及 Google Play 商店同步开放下载。
据介绍，Androidify 集成了 Gemini 与 Firebase AI Logic SDK，支持图像验证、自动生成描述以及个性化机器人生成等功能。
应用会先利用 Gemini 2.5 Flash 对用户上传的照片进行检测，确保画面清晰且符合安全标准，随后生成详细描述，并调用 Imagen 3 模型生成最终的机器人形象。
值得一提的是，最新版本还新增了「背景氛围生成」与「贴纸模式」。
前者可通过 Gemini 模型为机器人添加场景背景，后者则利用 ML Kit 分割技术去除背景，生成可在聊天应用中使用的 PNG 贴纸。
Google 表示，Androidify 的目标是让用户在轻松娱乐的同时，体验到 AI 与 Android 技术结合所带来的创造力与个性化。
https://androidify.com/
OpenAI 首席科学家：氛围编码之后或许就是「氛围研究」在 a16z 最新举行的一场访谈中，OpenAI 首席科学家 Jakub Pachocki 和首席研究官 Mark Chen 深度披露了一些在 AI 发展路径上的重要思考和未来规划。
针对当前评估指标趋于饱和的问题，Jakub Pachocki 坦承，过去几年一直使用的评估体系确实已经非常接近饱和。因此，未来 OpenAI 将重点关注模型是否能够发现新事物，并在具有经济相关性的领域取得实际进展。
Jakub 透露了 OpenAI 的一个宏大目标：培养自动化研究员，让其能够自动发现新想法。
他提到了一个有趣的衡量标准，即观察模型实际进行推理和取得进展的时间跨度。目前模型的推理水平大约能够维持 1 到 5 小时，接下来 OpenAI 将专注于延长这个时间跨度，无论是在长期规划能力还是保持记忆方面。
在 AI 编程方面，Mark Chen 将编程模型的进步与围棋选手李世石面对 AlphaGo 的经历相比，认为从解决八年级数学问题到一年后在编码竞赛中达到专业水平，这种进展是「疯狂的」。
他观察到，这种进步已经改变了编码的默认方式。现在的年轻人认为默认的编码方式是「氛围编码」，而从头开始编写所有代码反而成为奇怪的概念。他预测，氛围编码之后或许就是「氛围研究」。
在人才招聘方面，Jakub Pachocki 认为坚持不懈是关键特质。研究的本质是探索未知，很多尝试都会失败，因此必须做好失败和从失败中学习的准备。Mark Chen 补充说，研究没有捷径，需要经验来学会如何选择合适的问题。
https://www.youtube.com/watch?v=KSgPNVmZ8jQ
图灵奖得主：大语言模型是死胡同2024 年图灵奖得主、被誉为「强化学习之父」理查德·萨顿在最新访谈中表示，大语言模型无法实现真正的智能，并将被新的架构所取代。
萨顿的核心观点是，大语言模型本质上只是在模仿人类的行为，而非真正理解世界。
在萨顿看来，真正的智能应该来自与环境的直接交互和经验学习，就像动物在自然界中的学习方式一样。他强调，动物从不接受「监督学习」，它们通过尝试行动、观察结果来学习，这是自然界中普遍存在的学习机制。
当主持人帕特尔提到大语言模型似乎已经构建了世界模型时，萨顿反驳道：「模仿说话的人并不等于构建世界模型。真正的世界模型应该能让你预测会发生什么，而不是预测人会说什么。」
萨顿认为大语言模型面临的最大问题是缺乏明确的目标。他引用约翰·麦卡锡的定义说：「智能是实现目标的计算能力。」没有目标，就无法定义什么是正确的行为，也就无法实现真正的学习。
他进一步解释：「在强化学习中，存在正确的行为，因为正确的行为就是能获得奖励的行为。我们对什么是正确行为有明确定义，所以可以检验和学习。」而大语言模型缺乏这样的评判标准，无法在实际交互中获得反馈并改进。
访谈中，萨顿还指出了当前深度学习方法在泛化能力上的根本缺陷。他认为，虽然大语言模型在某些任务上表现出色，但这种成功往往是因为只有一种解决方案，而非真正的泛化能力。
「梯度下降会让系统找到解决已见问题的方案，但如果有多种解决方式，其中一些泛化能力强，一些泛化能力弱，算法本身并不会促使系统选择泛化能力强的方案。」萨顿表示，这也就解释了为什么深度学习系统容易出现灾难性遗忘等问题。
https://www.dwarkesh.com/p/richard-sutton
︎ 量子计算之父：破解量子引力理论或成 AGI 评判新标准9 月 25 日，在德国柏林阿克塞尔·施普林格公司总部举办的一场对话活动中，OpenAI CEO Sam Altman 与英国著名物理学家、「量子计算之父」大卫·多伊奇就 AGI 评判标准展开深入讨论，并达成共识。
在多伊奇看来，大型语言模型能够持续对话，主要依赖其接受的海量知识训练，而真正的智能应该体现在创造知识的能力上——即发现问题、发明解决方案、进行测试并不断改进的能力。
为了论证这一观点，多伊奇以爱因斯坦的相对论为例：「有人质疑爱因斯坦是否真正创造了相对论，还是仅仅将现有思想机械组合。我们确信他创造了相对论，因为我们了解他的研究历程、要解决的问题及其动机。」
不过，他也坦率承认，他此前认为计算机无法在不具备 AGI 的情况下进行开放式对话，但 ChatGPT 的表现颠覆了他的认知。他表示：「ChatGPT 虽非 AGI，但确实具备对话能力。」
针对多伊奇的上述观点，奥特曼提出了一个假设性问题：如果 GPT-8 能够解决量子引力问题并详述其研究故事，包括问题选择和研究动机，「这是否足以让你信服？」
多伊奇明确回应：「我认为会的。」奥特曼闻言露出微笑，表示：「我同意将此作为测试标准。」
https://www.businessinsider.com/sam-altman-predicts-ai-agi-surpass-human-intelligence-2030-2025-9
作者：@azed_ai
提示词：A low-poly 3D render of a [subject], built from clean triangular facets with flat [color1] and [color2] surfaces. The environment is a stylized digital desert with minimal geometry and ambient occlusion.
链接：https://x.com/azed_ai/status/1971892865581350967
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
还以为 ChatGPT 会一直稳坐第一？这周却来了个反转。
Google Gemini 凭借最近爆火的 Nano Banana 图像编辑，一举登顶 App Store 免费榜，把 ChatGPT 挤到第二。
▲ Gemini 位于 App Store 免费榜所有类别第一，图片来源：https://apps.apple.com/us/charts/iphone/top-free-apps/36；15/09/2025
这意味着，Google 终于迎来了属于自己的「爆款 AI 时刻」。
而且，Gemini 只是冰山一角。Google 手里还有一整套 AI 工具，从写作、画图，到学习笔记、视频生成，应有尽有。今天就带你开箱 Google 的「AI 全家桶」。
省流版：
近期爆火的 nano banana，最主要的官方渠道除了网页版，就是 Gemini App。
▲ Gemini 首页，有常驻提醒推广 nano banana 图像编辑模型
但如果你只拿 Gemini 来 P 图，那就太浪费了。它和 ChatGPT 一样，补齐了跨对话的「记忆」功能，并能与 Google 生态无缝衔接。
▲ Gemini 的「记忆」功能
对我而言，这个关键更新，加上教育邮箱赠送的 Pro 会员，足以让我将大部分日常对话转移过来。
Google 最近更新了 Gemini 免费和付费用户具体的使用限制。免费用户使用 Gemini 2.5 Pro 和 Deep Research 的次数有限，但是 nano banana 的单价非常便宜，所以免费用户也有慷慨的 100 张生成机会。
Gemini 2.5 Pro 最大的优点是，每个回答都会有像 DeepSeek 一样清晰的推理过程，但是速度要快上不少。这在 ChatGPT 更新到 GPT-5 之后，采用全新的路由控制，自动选择模型，优势更为明显。
因为 ChatGPT 有时候判断不了，我到底希望他使用什么模型来回复；而我的表达，也不是每一次都能清晰地，让模型知道我的意图。
不过，更会聊天的代价是更不会干活，和 LMArena 显示的排行榜一样，文本能力第一，但是网页的开发能力不及 GPT 和 Claude。好在这些天，Google 也是狂给 Gemini 打补丁，在软件交互上，用户体验越来越好。
▲Gemini 和 ChatGPT 完成同一个开发任务，你喜欢哪个
例如，在网页开发方面，Gemini Canvas 现已支持直接点选应用中的某个元素，用自然语言即可进行修改。
Canvas 画布和 ChatGPT 的画布预览是一样的功能，都是非常直观地，把我们的创意，变成应用程序、游戏、信息图表等内容。
▲ Gemini 画布新增功能，选择并询问。现在只需点击元素并描述所需更改，即可直观地编辑您的网页应用的任何部分。图片来源：https://x.com/GeminiApp/status/1965475292526551105
其次，Gemini 终于支持上传音频文件。这意味着，会议录音、采访视频等包含丰富上下文的材料，可以直接交给 Gemini 处理，省去了手动整理和编写复杂提示词的麻烦。
▲ ChatGPT 一直回复无法使用工具
最新消息，根据 flowith 创始人 Derek Nee 和 Gemini 3 工程师团队的交流，他发 X 透露，Gemini 3.0 Flash 的能力将会超过 2.5 Pro。
和 ChatGPT 使用的条件类似，Gemini 对谷歌账号的归属地可能有额外的限制。
体验地址：gemini.google.com
收藏了一堆英文长文、书摘，结果总是「下次再看」？NotebookLM 就是专门拯救这些吃灰资料的。
你只要把几篇文章、报告甚至书摘丢进去，它就能：
举个例子，我之前用它来整理过论文，NotebookLM 最多支持上传 300 个文件，支持的文件类型也很丰富，PDF、txt、Markdown、和音视频文件，它都能识别。
▲ 我将 297 篇同一研究领域的论文上传，NotebookLM 能完全基于这些文件，生成多种形式的内容总结。
▲ 文字报告、播客预览、视频介绍、思维导图、闪卡和小测验六种形式
播客和文字报告，是 NotebookLM 里面最早提供的选项，现在它们也得到了优化。
文字报告可以选择，直接生成为博客、说明文档、指南等类型，甚至 NotebookLM 会根据知识库里面的资料，提供动态建议；例如，上传论文可能会建议创建白皮书，而新闻类文章可能会生成解释性内容；自定义的提示现在也被允许。
▲ NotebookLM 生成的博客文章
而音频播客现在更是支持 80 多种语言，播客类型也从概述到深入，进一步扩展到辩论和批判性思考等多种类型。
新增的视频、Quiz 测验和 Flashcard 闪卡，是我非常喜欢的功能，无论是帮助我消化这些知识，还是做进一步的内容传播，NotebookLM 都非常有用。
但论文的研究终究是比较小众的场景，我们只是借着论文来介绍 NotebookLM 的功能。对于学生和研究者来说，这绝对是 Google AI 里最值得安利的工具之一。
在更普遍的应用场景中，它能胜任任何类型的知识库构建。像是 NotebookLM 官方给出的使用案例，上传了多家公司一季度的财报，我们可以透过思维导图，一次性清晰的了解财报的具体内容。
还有 NotebookLM 与 OpenStax（免费教科书提供平台） 合作，将它们受欢迎的内容，转化成交互式笔记本，包括生物学、化学、心理学、以及管理学等主题笔记本。
在这个心理学知识库中，每一章节都配有小测验和记忆卡片，帮助我们巩固所学知识点。
小测验和闪卡的主题、难度都是可自定义的。而且，无论是闪卡还是测验，只需点击解释，就能深入探索当前的话题；NotebookLM 会生成详细的概述，帮助我们理解闪卡定义，或解释为什么答错某道题，并附有引用指向原始资料。
体验地址：notebooklm.google
AI 视频热度虽高，但能用它做什么？始终是许多人心中的疑问。我们介绍过多个 AI 视频生成模型，不少读者也曾留言：这种 AI 视频，究竟是给谁看的？
▲ 在 Gemini 里面，直接使用 Veo 3 视频生成，Veo 3 目前仅支持首帧，首尾帧需要 Veo 2。
Google 的更新或许给出了部分答案：支持竖屏（9:16）和 1080p 高清。这无疑是为抖音、YouTube Shorts、Reels 等短视频社交媒体平台量身定做。
▲ Veo 3 近期更新，Veo 3 Fast 从 0.4 美元每秒降价到 0.15 美元每秒，以及支持 9:16、1080p 等。图片来源：https://x.com/GoogleAIStudio/status/1965436154762920074
如今 AI 视频已成为一种新的内容消费品，与其被动观看，不如亲自上手一试。
▲ 提示词：Ultra-realistic cinematic video of Shanghai, famous landmark Tower. Shot in vertical 9:16 format, travel vlog style, smooth camera motion, dynamic lighting, vivid colors, highly detailed, immersive atmosphere, no text, no watermark.
除了 Sora、可灵、海螺这些比较热门的视频生成模型，Google 的 Veo 3 一直在大模型竞技场，文生视频类别下，名列前茅。
前些时间爆火的第一视角穿越、ASMR 切水果，金属、兔子蹦床的夜视监控等视频，都是使用 Veo 3 生成的。
▲ 提示词：50mm camera, close-up angle of a lemon made out of yellow-tinted glass being sliced horizontally on a wooden cutting board. The inside of the fruit is glass as well with a little bit of melting glitter. The entire scene is soft lit from the above.
不过，提示词的优劣，是决定视频质量的关键瓶颈。例如上面这个视频，我们就是直接借鉴了 Google 的官方案例。
他们解释，好的提示词，包括三个部分，首先是「50mm 相机、特写镜头」指定了相机；接着中间一大段用来提示对象和具体的视频内容；最后一句话是进一步明确灯光和纹理。
Flow 对网络要求比较严格，一般在 Gemini 网页或者 App 内使用同样足够。
体验地址：flow.google
搜索是最大的流量入口，因此 AI 浏览器成了大模型厂商的必争之地，尽管这条路并不好走。
Arc 项目宣布停止后，重启的 Dia 浏览器也在前几天，被 Atlassian 以 6.1 亿美元收购。路不好走的原因倒不是因为没有利益，而是太多巨头想要吞下这块香饽饽了。
微软在上个月宣布自己的 Edge 升级为 AI 浏览器，Copilot 无缝接入到浏览器的每个角落，预订餐厅和机票、跨越标签页的整理总结等等。OpenAI 在之前推出 ChatGPT agent 时，也被爆料要做自己的 AI 浏览器。
Google 当然也不会停下脚步，和我们平时用 Google 搜索时看到的 AI Overview 不一样，AI Mode 更像是一份深度研究报告，它会利用 Gemini 2.5 的高级推理和多模态能力，来处理我们的查询输入。
例如当我问他 iPhone Air 的 esim 卡到底是怎么回事时，它会自动根据网页内容进行整理，给出更准确的答案。
▲ 点击上方 All，则可以切换回普通的 Google 搜索
不过 AI Mode 有一个缺点，是目前它还不支持中文。但前几天，Google 已经宣布支持日语、韩语、以及葡萄牙语等五种语言。他们提到构建一个全球化的 AI 搜索不仅仅是翻译，所支持的语言，应该具有本地相关性和实用性。
体验地址：google.com/ai
Claude Code 断供完全没关系，Gemini CLI 是真的好用。
之前我们说用这种终端工具来修改文件名，其实是最「弱」的用法了。我最近 X 视频、YouTube 等视频下载；视频转 GIF 以及各种格式转换；图片压缩、视频压缩，全部交给 Gemini CLI。
Gemini CLI 的安装流程相当清晰，即便遇到环境配置问题，如今的 AI 也能提供可靠的解决方案。
前期的麻烦点主要集中在安装 Node.js 上，对 Windows 用户来说，终端使用没有 macOS 和 Linux 友好，所以是需要一点耐心的。
Node.js 安装完成之后，按照 GitHub 上指引，运行 npm/npx 命令就可以安装 Gemini CLI 了。
在终端里面输入 gemini，会提示我们进行验证，一般登录 Google 验证就可以，不需要去额外创建 Gemini API 之类的操作。免费用户每分钟有 60 次请求，每天 1000 次请求，应付日常的简单工作流是足够的。
终端里面有一些非常基础的命令，因为我们打开终端的时候，默认的文件夹是可能是整个电脑的文件，如果直接输入 gemini，它检索文件会比较麻烦。
正确的操作是，一些基础命令输入 ls：会列出当前目录下的所有文件和文件夹；cd xxx：进入某个文件夹；mkdir xxx：创建一个文件夹。
▲ 例如第一步我们打开终端，输入 ls，可以看到当前目录下所有的文件和文件夹；接着我们选择一个文件用来处理，此次需要 Gemini 的项目文件夹。输入 cd Downloads，可以看到 % 前面有当前目录 Downloads 的名字。接下来，我们创建一个文件夹，mkdir testing，然后再进入这个目录，cd testing。当然也可以直接选择一个文件夹，鼠标右键，在终端中打开。输入 gemini，它就正式接管了我们的终端，我们接下来就能用自然语言，处理许多复杂的任务了。
▲ 拿下载一个 X 的视频举例，首先它会搜索，找到一个 yt-dlp 的工具，可以用来下载视频；接着，它会自动检查我的电脑，是否有安装这个工具。检测到有安装之后，视频就开始下载了。
这是调用了 yt-dlp 工具，而在终端环境里面，还有非常多高效的工具，例如 FFmpeg，它是一款处理多媒体内容的强大工具。
▲ 输入指令后，Gemini CLI 会直接说它需要 yt-dlp 和 ffmpeg 这两个工具；然后会自动调整分辨率和帧率，以符合我提出的最终文件大小，最后它会删除过程中的临时文件。
我们继续用 X 视频举例子，这次直接要求他把这个链接的视频下载为一个 GIF 文件，并且确保 GIF 文件的大小在 5-10 MB 之间。
除了从网络上下载文件，Gemini-CLI 也可以直接处理本地文件，例如我有一张图片的大小，不符合平台上传规范，我告诉它文件名，然后要求它压缩，过程中完全不需要去找任何的在线工具。
▲ 可以用模糊语言指定图片位置，顺利定位到图片，它会使用 ffmpeg 工具来进行压缩。不过最后它把我的原文件删掉了，当我告诉他要求找回时，它会修改自己的 gemini.md 配置文件——这相当于它的「记忆」，它会记住这次教训，确保未来不再犯同样错误。
命令行工具的种类丰富，几乎大部分的文件都能处理，甚至有时候遇到一些压缩包不能解压，直接让 Gemini CLI 来处理，而不需要额外去下载对应的解压工具。
再结合 MCP（大模型上下文协议，连接不同数据的万能接口），Gemini CLI 能做的远远不止是编程开发。
体验地址：https://github.com/google-gemini/gemini-cli
Google Labs 汇集了许多尚未正式发布的 AI 黑科技产品，像 AI Mode、NotebookLM 目前都还是实验室产品，不过他们名声比较大。我们也选择了几个有意思的小项目，虽然背后的模型都是同一个 Gemin 2.5 Pro/Flash，但是可以看看模型之上，不同的软件形态。
首先就是 Whisk，这个主打不需要提示词，上传照片尽情玩耍的图片生成工具，现在还新增了 animate 动画的功能，直接将生成的图片转成一段视频。
还有学习一门语言的 Little Language Lessons，它特别的地方，是让我们快速在 Gemini 构建的一系列小实验里面，学习一门新的语言，直接在现实场景中应用，还能学习各种俚语表达。
我拿粤语试了一下，至少不是多邻国里面，来来回回的肠粉和豉汁排骨了。
Google 实验室还有非常多的项目，体验地址：labs.google
讲了通用大模型 Gemini 2.5 Pro、图像编辑 nano banana、视频生成 Veo 3，怎么可以没有 Imagen 4。
Imagen 4 官方渠道目前是只能透过 Gemini API 和 AI Studio 两种方式体验，即便 Google Labs 里面有专门生图的工具，ImageFX，但是使用的模型依旧是 Imagen 3。
AI Studio 能做的，就是体验到 Google 最新最全的各种模型。而且，在 AI Studio 里面的对话，提供了「分支」功能，我们可以保留现有对话的前提下，开启另一个新的话题。
前段时间，马斯克还在 X 上和奥特曼互撕，直接开骂，Apple 和奥特曼有私下交易，不然他的 Grok 怎么登顶不了排行榜第一，凭什么一直都是 ChatGPT。
这一番开箱下来，似乎能看到一点 Gemini「凭什么」的端倪。Google AI 几乎是用一套完整的工作流，无缝融入我们的学习、工作和创作之中。从整理资料到激发创意，再到解放双手，这套全家桶的核心，是希望实实在在地提升每个人的生产力。
你最常用或最想尝试的是哪一个？有什么问题可以在下面留言。
视频请点击链接，前往微信播放预览 https://mp.weixin.qq.com/s/gdSkrm95Mq1RORe-sIoK4A
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
公司 NAS 之前一直开着 WebDAV 的，后来某一天不知道为什么不行了，然后我折腾了好久。最后发现是 SSL 证书问题…
我一直使用家里 NAS 自动申请 let’s encrypt 证书，然后同步到家里路由，公司路由和 NAS。使用的是 syno-acme 脚本更新。证书同步到公司 NAS 则是用修改版的脚本更新证书。
之前一直都没有问题的，出问题之后我在群里问，群友叫我先 ps -ef | grep webdav 查询一下进程，发现完全没有允许，很是无语。然后我搜了一下 webdav 目录，找到日志问题 /var/log/webdav/webdav-error.log 发现一直提示证书错误，key 和证书不匹配…
看到这日志…我瞬间无语了，我更新脚本其他套件都没问题 ssl 正常的。但是到了 WebDAV 就出现证书错误，然后我重新跑一次证书脚本，还是一样，最后我是手动上传证书，这样才正常启动 WebDAV。
丢了一批人物标签给 AI 写人物小传，让它模仿某位小说家的笔法，来给演员交代角色。
你觉得这像谁的手笔？
————
南方的空气里常常有潮湿的味道，像是雨下过以后残留的影子，久久不散。城市白天拥挤喧嚣，夜晚却显得空旷，好像光亮突然被抽走，留下无数未完的句子。在这样的环境里，一个男人行走。他的脚步从不急躁，像对时间有着自己的节奏感，和别人不太一样。
年少的时候，他把自己交给了工业设计。形状、光影、比例，这些东西比人群更让他安心。六年在公司，十年在创业，那些日子像一张张被翻阅过的旧画册，色彩褪去了，但线条还在。产品的生与死，像车站里人群的来去。大多数人只看见成功或失败，他却更在意其中被忽略的细节。
别人眼中的他冷静得过分，总是习惯提前几步想好方向，就像棋局上的布局。但在那层冷静的外壳下，常常闪现一些不合逻辑的柔软时刻。比如一段旋律，随便一盏灯的影子，甚至一个不经意的眼神，足以让他停下手里的笔。理性和浪漫在心里不停打架，谁也没有赢过谁。
他知道自己带着黑暗生活。抑郁的日子像一条看不见的走廊，没有尽头。他学会了靠药物维持稳定，像有人随身带着一块怀表，偶尔瞥一眼，提醒自己仍然存在。那段经历让他对痛苦格外敏感，也让他在与人相处时多了一层隐秘的温柔。他不会轻易表现出来，但在内心深处，对别人的脆弱始终心知肚明。
夜晚经常独自坐在桌前，电脑屏幕的光照在脸上，桌上散落着草图和未完成的文字。那些想法有时像城市里的霓虹一样闪烁不定，无法全部抓住。他清楚其中大部分不会被记住，就像梦醒时遗落的片段。但仍旧一遍一遍画下去，像一种执念，也像是一种呼吸。
在喧闹的城市里，他习惯保持慢半拍的步伐。人群汹涌，他的节奏却像潜水时的心跳，缓慢、克制，不慌不忙。他看似与周围保持着距离，其实心里始终怀有一种模糊的渴望——不是要成为谁，也不是要得到什么，而是想在梦与现实之间找到某种入口。梦与梦之间，总有裂缝。裂缝里偶尔透进光。
对很多人来说，他是个不好接近的人。但真正靠近以后会发现，那些冷漠与安静只是表层，像水面下覆盖着的冰。深处的水仍然温热，流动着。理性、浪漫、痛苦和温柔同时存在，没有谁能完全把它们分开。
这样的人物，像一个在现实里造梦的旅人。他的路从不喧哗，却留下清晰的痕迹。
（*正文及标题均由 AI 完成）
今天，硅谷顶级风投 a16z 发布了新一期的 AI 应用百大榜单。半年过去，又有哪些新的 AI 产品涌现，ChatGPT 的老大地位是否开始动摇，APPSO 马上带你解读这份榜单。
▲ 网页端和移动端产品前 50 名
我们简单总结了此次榜单的几点趋势。
ChatGPT 依旧稳坐第一，但这个宝座越来越不安全了。Google 的 Gemini 用户数已经追到它的一半，它俩现在是两大顶级的新一代人工智能平台。
马斯克的 Grok 靠着一款二次元虚拟伴侣 Ani，硬是从 0 干到 2000 万月活。
DeepSeek 在年初爆火后月活跃用户大幅下降，移动端下降了 22%，网页端更是达到了 40%。
国产应用表现继续亮眼，移动端 Top 50 的应用中，估计有 22 款是由中国团队开发的。Kimi、豆包、夸克直接闯进了全球前 20。
本次新增的 11 个网页 AI 产品，包含 Qwen、Manus、Lovable 等今年上半年的热门工具
纵观这份报告，可以看到 AI 消费应用的生态已经进入细分和稳定阶段，创新开始变得越来越困难。
在「通用助手」这条赛道上，ChatGPT 依旧是无可争议的老大。无论是在网页端还是移动端，它都稳稳占据第一的位置。
但新对手已经在逼近。Google 的 Gemini 是最典型的追赶者，在网页端访问量约为 ChatGPT 的 12%，看起来差距还不小；可在移动端，Gemini 的月活用户已经达到 ChatGPT 的一半，而且 9 成用户都来自 Android 阵营。
▲ 谷歌多款产品 Gemini、NotebookLM、Google AI Studio、Google Labs 进入百大应用榜
马斯克看起来真的很惨，这边是同一家公司的 Gemini 和 Android 深度绑定，那边又要控诉 Apple 和 OpenAI 有金钱交易。
所以，马斯克的 Grok 不得不走一条「另辟蹊径」的路线。Grok 去年底还没有移动端 App，现在已经冲到 2000 万月活，排在移动榜单第 23。
他的秘诀很简单，就是抓住一些猎奇的内容。在 7 月先发布了 Grok 4 模型后，紧接着在应用内推出「AI 虚拟伴侣」，彻底点燃话题。尤其是二次元角色 Ani（甚至包含 NSFW 选项），让 Grok 赢得了广泛的关注。
▲ Grok App 日活变化，在推出 Grok 伙伴之后迅速上升
Meta AI 只看到他挖人的新闻了，产品好像真的有些尴尬。它在 5 月上线，排在网页榜单第 46，移动端甚至没进前 50。更糟的是，Meta 还因为「聊天内容被推上公开动态」的隐私事故，用户信任直接受挫，远不如 Grok 来势汹汹。
▲ DeepSeek 年初猛增之后，网页月访问量一直在下降。
▲ 移动端月访问量下降情况
在 ChatGPT 和 Gemini 之后， Deepseek 、Grok、Perplexity 和 Claude 占据了网络流量的后几位。
Perplexity 目前还是保持着强劲的增长势头，而 Claude 和 DeepSeek 在移动端也开始趋于平缓，DeepSeek 在 Web 端的流量更是从高峰下跌超过 40%。
不过 DeepSeek 目前仍是国产最强大模型，相信将来 DeepSeek 发布 R2 推理模型和 V4 的到来，DeepSeek 能再掀起一次流量狂飙。
除了 DeepSeek 在通用大语言模型助手上的排名，中国公司的更多产品在这次榜单里亮相。
在前 20 名里，阿里的「夸克」、字节的「豆包」、月之暗面的「Kimi」同时上榜。其中，Kimi 作为新兴创业团队的产品，能和 ChatGPT、Gemini 这些巨头同台竞争，已经说明了国内用户对中文大模型的强烈需求。
移动端更明显，50 个上榜应用里，有 22 个来自中国公司，其中美图就包揽了 5 个修图/视频类产品，字节系也贡献了豆包、Cici（国际版豆包）、Gauth（教育）、Hypic（国际版醒图）等。
更有意思的是，国产的视频生成模型一度领先全球。比如 Kling、海螺等产品，往往比海外模型更快落地、更贴近流行趋势。直到 Google 推出 Veo 3，才算打破了这一领先。
除了助手类应用，还有一种不可忽视的趋势就是，Vibe Coding（氛围式编程）。
这类产品的逻辑很简单：不需要写复杂代码，点点鼠标就能生成网站甚至应用。Lovable、Replit 今年双双进入榜单，说明这种「低门槛编程」越来越受欢迎。
▲ Lovable 和 replit 月访问数据趋势，.app 结尾的网页是该产品的成果预览网页
更关键的是，它们的用户不仅没流失，反而在持续增加消费。数据显示，美国用户在这类平台的付费留存超过 100%——也就是说，用户不仅没走，还越来越舍得花钱。
对普通用户来说，我们每个人都能几分钟搭出一个网站，无论是从工具到个人作品集，还是一个小型商业应用，现在都已经开始成为现实。
从 a16z 开始发榜单到现在已经更新了 5 次，其中有 14 个应用是雷打不动的「钉子户」，始终霸占着前 50 的位置。
它们分别是：ChatGPT、Character.AI、Civitai、Leonardo AI、ElevenLabs、Gamma、Hugging Face、Veed、Midjourney、Perplexity、Photoroom、Poe、QuillBot 和 Cutout Pro。
你看，它们覆盖的场景无非就那几个：对话、陪伴、修图、创作。全都是高频刚需。
最特别的要数 Midjourney，一个没拿过一分钱融资的「异类」，全靠口碑和社区文化，硬是走到了今天，成为 AI 绘画的代名词。（不过最近有传闻说 Meta 想和它合作，看来好东西还是藏不住的。）
这说明，想做成一个 AI 爆款，不一定非得是无所不能的「全能王」，只要能在一个细分领域，成为用户离不开的那个「唯一」，同样能活得很好。
而且，这 14 家公司里，只有 5 家有自己的底层大模型，剩下的全都是靠调用 API 或者开源模型做的应用。
这或许在告诉我们一个新规律：在 AI 时代，顶尖的产品体验，和顶尖的底层技术，一样重要。
所以，你觉得下一个爆红的 AI 应用，会是一个更聪明的万能助手，还是一个更懂你的赛博伴侣呢？你最常用的 AI 产品又有哪些，评论区聊聊！
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
To make its graphical interface work, the Mac needed a high-performance graphics system, for which the late Bill Atkinson (1951-2025) and Andy Hertzfeld designed and implemented QuickDraw. When it came to driving printers, though, Steve Jobs licensed the new page description language PostScript from Adobe, where it had just been developed by John Warnock (1940-2023), Charles Geschke (1939-2021) and others. PostScript is a stack-based interpreted language that could take many seconds or even minutes to image a page for printing, so wasn’t practical for doing much else at that time.
In the early 1990s, as desktop publishing became dominant among Mac users and we were all sending one another faxes, several companies recognised the need for a universal document format that could display laid-out text and graphics. Among them was Adobe, where Warnock formulated the aims of what he then referred to as Interchange PostScript or IPS, and so led the development of Portable Document Format. It’s telling that the final sentence of his proposal reads: “In any event corporations should be interested in site-licensing arrangements.”
When the first version of PDF was released in 1993, with its Carousel reader app, it faced competition from other similar ideas, and Adobe found itself competing against products including Farallon’s Replica, and Tumbleweed’s Envoy that gained the support of WordPerfect, then a popular cross-platform word processor. PDF didn’t become dominant until Adobe distributed its reader app free, rather than charging $50 for it as it had initially.
For many years, the only way to create really good PDFs was using Adobe’s Acrobat Distiller app, costing $695 for a single-user licence. That ingested PostScript files, created on the Mac by printing to a file, and transformed them into PDFs that could in turn only be read using Adobe’s software. Although PostScript was by then a prerequisite for all publishing work on Macs, it wasn’t until 1996, when PDF reached version 1.2 in Acrobat 3.0, that it captured the prepress market, which it consolidated in 1998 with the PDF/X-1 standard.
This is Acrobat Distiller 4.0 running on Mac OS 9.1 in early 2001, showing a few of its bewildering array of options for turning PostScript files into PDF.
At the same time, John Warnock’s aspirations for success in enterprise markets were being realised, and PDF steadily became the standard for fixed-format electronic documents, with the support of the US Internal Revenue Service and Adobe’s free cross-platform Acrobat Reader.
When Steve Jobs established NeXT in 1985 he must have become the only person to have licensed PostScript from Adobe twice, as NeXTSTEP adopted Display PostScript as the centrepiece of its graphics, developed collaboratively between NeXT and Adobe. At the time many thought this to be a mistake, as PostScript isn’t as efficient a graphics language as QuickDraw, despite Adobe’s efforts to accelerate it.
When NeXT and Mac merged to form the beginnings of Mac OS X in 1997, Display PostScript was replaced with PDF as the central graphics standard for both display and printing, in what was dubbed Quartz 2D. This was first demonstrated at WWDC in 1999 and lives on today in macOS. At the time, Apple’s in-house PDF engine in Quartz was one of few, alongside Adobe’s.
Prior to Mac OS X, Adobe Acrobat, both in its free viewer form and a paid-for Pro version, had been the de facto standard for reading, printing and working with PDF documents on the Mac. The Preview app had originated in NeXTSTEP in 1989 as its image and PDF viewer, and was brought across to early versions of Mac OS X, where it has remained ever since.
This PDF shows Apple’s original iPod promotional literature from late 2001.
Adobe continued providing its free Acrobat Reader for Mac OS X, here seen in 10.0 Cheetah.
The full paid-for version of Adobe Acrobat provided an extensive suite of editing tools, here in Mac OS X 10.1 Puma in early 2002.
By Mac OS X 10.3 Panther in 2003, Apple was claiming that Preview was “the fastest PDF viewer on the planet”, capable of navigating and searching text within PDF documents “at lightning speed”. This worked with the Mac’s new built-in support for faxing, which rendered received faxes in PDF to make them easier and clearer to access.
This is an early Keynote Quick Reference guide from 2003, viewed in Preview.
At that time, Preview was also able to convert Encapsulated PostScript (EPS) files and raw PostScript to PDF, so they could be saved in the more accessible format, and printed easily.
This page from the 9/11 Commission Report of 22 July 2004 is being viewed in Preview.
Acrobat Distiller remained an important component in Adobe’s paid-for product, even though Mac OS X was capable of generating its own PDFs. It’s seen here in Mac OS X 10.4 Tiger in 2005.
This is Acrobat Pro in 10.4 Tiger in early 2006, showing its long list of supported export formats.
Since those heady days, Preview has been relatively neglected. Revision of both the Quartz PDF engine and its API brought a spate of bugs that only abated with macOS Sierra. Preview has adopted an uncommon model for PDF annotations that often doesn’t work well with other PDF products, but it has remained very popular for completing electronic forms. Then, in macOS Ventura, Apple removed all support for converting EPS and PostScript to PDF, most probably as a result of security concerns, and their progressive disuse.
Although rumours of the death of Preview continue to prove unfounded, it’s unlikely to feature again as one of the strengths of macOS.
John Warnock (1991) The Camelot Project, on the Internet Archive’s Wayback machine.
Laurens Leurs’ The history of PDF.
想象一下，你正在和手机里的 AI 助手聊天，但它不再是那个永远彬彬有礼、甚至有些刻板的「标准音」，而是带着一丝慵懒、一点讽刺，仿佛刚经历了一个漫长周末，还没从「周一综合症」里缓过神来。这就是 OpenAI 昨天推出的「Monday」音色想要达到的效果。
网上已经有很多「Monday」对话效果的展示，「Monday」的音色当然是其语音模型的结果，而「Monday」这种特殊的回复方式是靠提示词来控制的。打个比方：「Monday」就像是一个极其聪明但缺乏具体「生活经验」的演员，而提示词就是导演给演员的剧本和角色设定。提示词写得越好，演员（AI）的表演就越「入戏」，越符合你的预期。
如果你对「Monday」提示词好奇的话，正好我今天学习研究了一下它的提示词，正好可以一起分享学习一下它的提示词内容，完整的提示词我放在了附录，这里大致解析一下其提示词内容。
大语言模型远不止是信息检索工具，它们是强大的「模仿者」和「扮演者」。通过精心设计的提示词，我们可以赋予它们各种各样的「人格」和能力。那么怎么通过提示词来设定好角色呢？
如果按照前面打的比方，把 AI 当成一个演员，那要写好提示词就是把自己变成一个好的导演，不仅要告诉演员台词，还要解释角色的内心世界、动机、情绪状态，甚至给出具体的动作和表情指导。好的导演能激发出演员最好的表演，就像好的提示词能引导 AI 生成精彩的回应。
或者作家在创作小说前，往往会为主要人物写详细的小传，包括他的成长背景、性格、习惯、口头禅、人生目标等。这帮助作家在后续写作中保持人物的一致性和立体感。
如果你觉得这都过于专业，还可以想象一下很多大公司制作的详细的品牌手册，规定了广告语、客服回答、社交媒体发帖的语气和风格（比如是专业严谨、活泼有趣还是温暖亲切）。
这些和给 AI 设定「人设」异曲同工。
从技术角度上来说，可以参考「Monday」的提示词，注意几个方面：
当 AI 开始拥有「周一综合症」般的慵懒和讽刺，它不仅仅是一个技术演示，更像是一面镜子，映照出我们人类自己复杂多变的情感和个性。我们精心编写的每一个提示词，或许都在不经意间，为冰冷的机器注入了一丝我们渴望理解或被理解的人性侧影。
「我们塑造了工具，然后工具反过来塑造我们。现在，我们开始学习如何给 AI『写剧本』，也许在这个过程中，我们也在重新学习如何与『人』，以及与自己对话。」
最近有很多朋友在讨论：「Deep Research 的用量是怎么算的？」 又因为目前 Plus 每个月只能用 10 次，大家都非常担心浪费。其实一句话就能总结——只要开始出现 「Starting Research」 的进度条，就算使用了一次。在进度条出现之前，怎么问都不算。下面就为大家分享一些 Deep Research 的使用流程、注意事项和提示词模板，帮助大家更好地运用这一强大的研究功能。
一句话总结：从开始出现 Deep Research 进度条就算一次，之前都不算。
提出主题
你先要告诉 ChatGPT 需要研究什么主题。
ChatGPT 询问澄清问题
ChatGPT 通常会向你询问一些澄清问题，确保理解你的研究需求。
回答澄清，触发研究
当你回答了上述澄清问题后，ChatGPT 会再回复一条消息，并提示「将开始报告「，随后出现 」Starting Research「 的进度条。
注意：从这一步开始就会扣除一次 Deep Research 用量。
报告生成
研究进度条走完后，ChatGPT 会给你发送完整的报告，这标志着一次 Deep Research 流程的完成。
进度条出现后，你可以随时离开
进度条开始后，无论你是关闭窗口、刷新网页、切换到其他会话还是新开会话，都不会影响已经开始的 Deep Research 流程，它会在后台继续执行并最终生成报告。
Deep Research 可以后续追问
当报告生成结束后，如果你要继续追加信息重新生成报告，有两种选择：1). 直接提问，会使用你开始会话时选择的模型继续对话，报告内容可以作为上下文；比如说你从 GPT-4o 开始的，那么你在报告生成后，如果继续提问，实际上是 GPT-4o 基于你报告和提问内容回复，但是可能会受限于上下文长度无法完整理解报告内容；2). 重新生成新报告：Deep Research 是一次性生成的，但是你可以继续在当前会话选中「Deep research」按钮，这样可以把当前会话内容作为输入，或者把内容复制出去新开会话选中「Deep research」按钮重新开始一次新的生成。内容复制出去处理一下再生成会更好的对输入进行控制，但是麻烦一些。
你无法追加新的信息让它继续深度研究。如果你在当前会话里继续追问，后续的回答将由其他模型（如 GPT-4o）接管。
如果你对报告不满意，需要重新修改提示词再新开一次会话进行 Deep Research。
灵活切换模型
你可以先选任何模型（如 o1 pro/o1 等），再让它进行 Deep Research。若后续还打算继续追问报告内容，建议在 Deep Research 开始前就选一个更强的模型（比如 o1 pro / o1）来进行分析。
选择信息源和报告语言
建议在提示词中加一句「请选择权威信息源」（并不一定要非英文来源不可，重点是权威信息源，这样可以过滤掉一些不好的信息源，当然你也可以加上「优先英文信息源」）。
如果希望报告是中文，直接在提示词末尾加一句「请形成中文报告「即可。
如果不小心生成了英文报告，又看着费劲，可以在当前会话，让它翻译，也可以复制完整内容，
新建会话，选择 o1 pro 或 o1 模型（最佳翻译效果），翻译提示词参考：
「请将下面的内容用中文重写，尊重原意，保持格式不变无删减：」
引入外部资料的方法
如果报告需要访问收费网页上的内容，你可以手动复制成 Markdown，然后在提示词中用 XML 标签包起来。
如果有图片内容，直接上传即可。
如果要分析视频内容，需要先把视频转成文字，同样用 <transcript> 标签包住，再放进提示词里。
我一般会用 AIStudio 的 Gemini 转成文本。
你可以一次粘贴几千行代码也没问题（用 XML 包起来），但要注意输入框粘贴有上限。如果太多，可以把代码放在公开的 GitHub 仓库，让 Deep Research 去分析链接即可。
写报告或写代码都行
Deep Research 不仅能写报告，还能写代码。只要你提示它「生成的结果是代码」，它就会尝试从网上搜索相关代码库并提供解决方案。
文献质量与报告质量
如果想让它「阅读」一本书并进行提炼，需要注意输入长度有限，无法直接输入一本完整的书。大部分流行书籍已经在模型中有训练数据，所以它会参考网上已有的书评。资料越多、质量越高，报告越漂亮；如果资料很少，它也无米下炊，生成的报告质量可能有限。
一个常见的提示词模板大致可分为背景信息、任务要求、和输出格式三个部分。
在这里填写所有对它生成报告有帮助，但模型本身访问不到的信息，比如：
付费文章
视频文字稿
图片或 PDF（可作为附件）
其他任何对于生成有帮助的内容
当背景信息较多时，务必用 XML 标签包裹，避免 AI 混淆指令。例如：
主题：你希望分析、研究或讨论的具体范围
信息源：希望它检索的文献库、学术论文、政府网站、GitHub 等
研究要点：需要关注的核心点，是深度解析还是简要摘要
语言或风格：是中文、英文或其他语言？
语言：中文报告、英文报告或双语
数据格式：是否需要用表格呈现数据（它暂时画不了图表）
段落和标题：是否需要分级标题、索引等
提示词模板并不是必须的，可以随性一点，你可以把写提示词使用 Deep Research 当成去交代一个实习生帮你写分析报告，你怎么交代实习生就怎么写提示词。
Deep Research 的使用次数：只要出现「Starting Research」进度条，就会扣除一次用量。
保持灵活：不满意就重新开始，新开会话前最好做好提示词规划。
结合大模型优势：如果要深入分析或后续追问，选用更强的模型如 o1 pro / o1 更合适。
慎重选择资料：外部资料要提前整理好，使用 XML 标签嵌入提示。
尊重版权、合理引用：在使用外部资料时，务必保留引用信息，切勿违规。
希望这篇文章能让你更好地理解和使用 Deep Research。在实际使用中，不妨多加尝试和探索，慢慢就能摸索出最适合自己的使用方式。祝大家玩得开心，也能高效地完成研究和写作任务！如有更多问题，欢迎在评论区留言交流。
总结：
如果你想让 Deep Research 提供权威信息源，在提示词中加一句「请选择权威信息源」。
如果要生成中文报告，只要在提示词里加「请形成中文报告」即可。
不小心生成英文报告且看着费劲，使用下面的提示词翻译：
「请将下面的内容用中文重写，尊重原意，保持格式不变无删减：」
欢迎大家在留言区分享你们的使用心得与经验，一起探讨 Deep Research 的更多玩法！
（Abstract）大学教书匠比较穷，所以给一些福利？（Abstract）如有雷同，纯属巧合
ChatGPT这两天又发布了一个新功能：「Task 〔计划提醒、定时任务生成〕」。
功能的原理很简单，它就只是在原本的对话当中加上一个「计划提醒、定时任务生成」的机制〔支持自动循环〕。于是当我们设置的每天、每周重复时间到的时候，这个 AI 的对话就会根据我们设置好的方式，自动生成一段我们需要的信息内容，如果是在 ChatGPT 的手机 APP 上还会弹出通知，如果是在电脑网页端的界面上对话也会因为更新而排列在前面。
通过 ChatGPT 根据计划自动生成的新内容，我们就可以自动获得需要关注的提醒，或是自动获取需要的信息。它可以应用在什么样的场景上面呢？可以参考下面 5 种使用场景：
下面，我就用这几个真实的场景，详细操作给大家看，看看如何结合目前 ChatGPT 的功能，加上最新的任务提醒，来完成上述各种自动提醒的工作、学习流程需求。
目前这个「任务提醒」功能还在 Beta 测试版，并且只对付费版的 ChatGPT 用户开放，不过未来这个功能也会开放给所有用户使用〔包含免费的账户〕。
让我们先从这个基本应用，看看 ChatGPT 的「Task 」功能如何操作。
首先，我们要把 AI 模型切换到「含计划任务的 GPT-4o」。
接着，我们在指令的开头加入「要重复的时间，与指定生成的任务」，就能启动「Task 」。例如我想要一个固定时间自动查找网页文章综合报道的摘要信息，我就这样下指令即可：
设置的「Task」时间到的时候，ChatGPT 就会自动根据我的指令上网查找，摘要出我需要的一篇综合新闻报道。
我们可以点进某一个「Task」的设置界面，这里可以修改自动任务名称、提示词，以及修改自动循环的时间。
我们也可以在「 https://chatgpt.com/tasks 」页面查看自己已经设置的所有自动任务。
每个任务建议使用专门的会话，可以使用「Task」设计早上、中午、晚上三个时间，分别生成国际、国内、休闲娱乐的摘要报道，快速掌握一天需要的信息。
掌握基本功能后，例如我有一个专门了解各种生活健康知识的 ChatGPT 会话，我现在可以在这个对话中设计一个「习惯养成提醒」，请他每天固定时间告诉我一个关于降低体脂、提升骨骼肌的具体建议，并用鼓励的话引导我今天马上可以行动。
通过习惯养成提醒每天的自动建议，就像是一个简单的「健康 App」一样，一方面每天学习习惯养成的知识，一方面每天进行行动提升。
如果我的需求需要改变，也可以随时回到设置中修改指令、生成时间，让养成习惯的过程，有一个自动提醒每天鼓励我去执行。
如果我正在学习某个领域、主题的新知识，那么除了建立一个对话与 ChatGPT 一起学习，我还可以设置一个专属自己的知识媒体总结，要求每天在固定时间生成一篇信息资料，提供给我新知识的信息。
指令：
然后 AI 第一篇给我的文章是番茄时钟工作法的介绍，写得还不错，我们可以利用 ChatGPT 上的「Read aloud」功能，让 AI 把这篇文章朗读出来。
这样是不是像一个自动帮助我们学习的 AI Podcast 呢？
如果利用这个功能来协助项目的推进呢？
例如我想持续写作的习惯，于是我请他每天固定时间，用我指定的逻辑，提供给我一篇可以延伸思考的文章题目，并且提供大纲建议。
于是在 AI 每天持续提供一些草稿建议下，帮助我在项目运行过程有持续的新刺激，更有动力保持项目的推进。
我最近常常利用 ChatGPT 来帮助我读一些原文书，有时候请 AI 翻译，有时候请 AI 整理笔记。
于是我想到，如果我在这个已经累积了数万字原文书阅读对话的对话中，请他每天固定时间，从前面资料中挑出一个重点帮助我复习呢？
指令：
效果还不错，他真的可以每天从前面对话的大量资料中，挑出一个具体重点，帮我做出特定的复习。
如果我们持续学习某种语言、知识主题，就可以善用这个 ChatGPT「Task」功能，自己设计每天的自动复习内容了！
以上就是我目前测试出来的几种应用方式，提供给想试试看 ChatGPT「Task」功能的朋友参考，也欢迎跟我分享你的应用方式。
你是否因为不会写程序，总觉得无法打造自己的自动化工作流程？每次设置 AI 工具都需要大量手动操作，效率难以提升？试试看一个实验性的新工具：「tldraw computer」，通过直觉的流程图设计，就能将繁琐 AI 指令与工作流程视觉化，打造高效率的 AI 自动化系统！
一开始使用 AI 〔指得是 ChatGPT、 Google Gemini 这类工具〕，我们可能会问：「生成一个某某主题的报告。」但当继续深入使用，真的把 AI 当作工作辅助工具，就会发现这样简单的提问是不行的，我们需要把任务「切割成」不同步骤，一个阶段一个阶段让 AI 处理，然后通过反问讨论，整合出最终更好的内容。
这时候，我们要请 AI 生成报告草稿，可能会先请 AI 设置 TA、痛点，再请 AI 做资料研究、摘要，然后请 AI 根据资料思考出更好的报告论述逻辑，然后才请 AI 根据这样的逻辑与资料，最后总结出一个更深入的报告大纲。
那么，如果上述的操作流程，可以用「视觉化」的流程图规划出来，然后 AI 就会自动跑完所有流程，生出我们需要的成果呢？这就是今天分享的这个最新 AI 工具：「tldraw computer」所具备的独特功能。
「 tldraw 」是很知名且好用的在线流程图工具，不过她们最新推出的「 tldraw computer 」AI 功能，不是要帮我们画流程图，而是让我们用简单好上手的流程图，规划出自己想要的 AI 自动化工作流程，打造一个可以根据更复杂逻辑生成报告、文章、设计图、声音文件的 AI 自动化助手。
「tldraw computer」内核特色：
「tldraw computer」用途：
我们先来看看「tldraw computer」这个工具可以完成什么样的应用案例，分享一个简单版实例：我自己常常会需要把拍照扫描的纸张图片，转换成一个有效的文字内容，就利用这个工具来建立一个快速扫描与修正文字的 AI 工具。
我可以在「tldraw computer」流程图上设置一个上传图片的卡片框，然后拉一条连接线。接着在一个 AI 的指令框框里，输入我希望用什么样的逻辑来识别图片并修饰文字。然后接下来我再拉一条连接线，设置一个输出的文字框，让 AI 可以把完成的结果输出到这里。
而在使用的时候，我就只要在「第一步：上传图片的卡片框」把图片上传，按下右上方的播放启动按钮。这时候，这个工具就会自动跑流程图上的步骤，把扫描出来的文字转换成我需要的内容。
「tldraw computer」目前使用的 AI 模型是 Gemini，看起来无论是中文的文字还是手写字，都能够非常有效的识别完成。
接下来我们来看一个比较进阶复杂的应用案例。我想让 AI 帮我写一篇文章的草稿，但是就像前面提到的，直接让它撰写通常不会有很好的结果。
所以我利用「tldraw computer」工具画出一个文章产出的工作流程图。在流程图的一开始，我利用两张绿色的卡片，让我可以自己简单的设置这篇文章要解决什么 TA 问题，以及这篇文章想要采用什么方法论来解决问题。
接着，我开始用「tldraw computer」流程图展开我希望 AI 一步一步处理的自动化步骤。
首先，我利用红色的卡片设计 AI 处理的指令，请 AI 根据我的 TA 问题，写出一段有效的痛点描述。接着再请 AI 利用我想要介绍的方法论，写出一段这个方法论的重点思维基本背景的介绍文字。
但是，这样还不够。我继续往下画流程图。我让 AI 根据他自己输出的 TA 痛点以及方法论的重点，重新思考，拟出文章最好的架构。这个架构需要具体，有操作步骤，而且每个方法、每个步骤都要尽量有深入的诠释。
然后接下来，我让 AI 一步一步的把这篇文章往下扩展，有了文章的架构之后，我再请 AI 从这个架构出发，让这篇文章有一个完整的故事开场，有方法论重点，也有具体操作步骤，把前面的内容做一个有效的并且延伸插件的整合。
最后，我再画出下一步的 AI 流程图。我请 AI 用惯用的语言，用口语更亲切的方式来润饰改写它产出的文稿，输出一个解决痛点、介绍方法的一篇中文文章草稿。
甚至我可以再继续往下拉出下一步的流程图，放上一张声音的输出卡片，让 AI 把这篇文章的草稿转换成一个精简扼要的介绍音频文件。
有兴趣的朋友，可以看看我完成的这个 AI 自动化的工作流程图，看看上面的内容：https://computer.tldraw.com/t/szQY1iuGZCHAEmwzFASShH〔网址可以查看生成结果，如果要试用这个 AI 自动化流程工具，需要注册一免费账号。〕
当我有了这样的一个自动化的工作流程图，以后我只要每次回头修改一开始的两张绿色卡片，后面 AI 就会像刚才一样，自动跑完我已经设计好的工作流程，一步一步的去设计结构，推演文章进行润饰，甚至最后产出声音文件。我可以立刻获得最后输出的文章草稿以及声音文件的结果。
看完两个具体案例，最后我来分享「tldraw computer」如何操作？
先注册一个免费账号，建立一个 AI 自动化工作流程〔图〕的项目。
A computer by tldraw.
建立 AI 流程的基本逻辑是：输入、〔AI〕处理、〔AI〕输出。
掌握上面这个逻辑，你就能快速设计出一个有效的 AI 自动化工作流程。
首先，我们要设置「输入」内容的填写框，这是 AI 工作流程的起点，就像是要告诉 AI 目标、结果、资料的意思。
在「tldraw computer」中，利用 Text 或 Image 等卡片，可以设置输入文字、上传图片的填写框，作为启动流程的起点。
接着，我们要告诉「tldraw computer」如果去处理输入的内容，这时候从输入内容的卡片，画出连接线，连接到「Instruction」这个卡片上，然后在「Instruction」中说明希望 AI 如何处理内容的指令。
「tldraw computer」会根据我们简单的指令，自己做优化，让 AI 处理内容的结果更好。
然后，我们继续从「Instruction」卡片画出连接线，这时候可以连到 Text、Image、Speech、Website 等卡片，代表要让 AI 处理后，输出什么格式的内容。
重复上面：输入、处理、输出，三阶段流程，我们就可以串联出一个更复杂的 AI 自动化工作流程。
通过流程图的规划方式，我可以继续推进下一步的 AI 处理流程，甚至利用连接线把不同段落的内容连接到需要的步骤上，建立我自己需要的工作步骤。
最后，「tldraw computer」也提供了一些辅助功能，让设计这样的流程图更简单。
例如有一个启动按钮，让我们到时候只要按下启动，后面的 AI 流程就会自动跑完。
或是像流程图一样可以设置大小颜色，这样帮助我们分辨流程图中不同的卡片类型。
「 tldraw computer 」还有不少高级功能，有兴趣的朋友可以进一步玩玩看。
整体来说，「tldraw computer」是一个强大且易上手的自动化工具，让我们能够轻松打造自己的 AI 流程，推荐大家试试看。
BlinkShot 是一个以 AI 人工智能技术即时生成图片的免费服务，这是开源项目，背后使用 AI 加速云服务「Together AI」和图片生成模型 FLUX，这项服务特性是能在非常短的时间内依照输入的提示词生成各种图片，以毫秒为单位，生成的图片也丝毫不逊色，有兴趣的朋友可以玩玩看。
目前 BlinkShot 支持英文提示词，也可以直接叫 AI 服务帮你生成〔例如用 ChatGPT 或其他同类型服务〕，另一个方法是使用图片转文字 AI 工具，例如：Image to Prompt等工具，将喜欢的图片快速转换为英文提示词，最后稍作修改再生成想要的图片。
BlinkShot 目前没有使用的生成数量限制，还有个「Together API Key」栏位可自定义自己的 API 密钥，生成的图片素材皆可免费下载使用，AI 图片基本上也不会受到版权限制，使用于个人或商业用途都没问题。
Generate images with AI in a milliseconds
进入 BlinkShot 后直接输入提示词就会立即生成图片，整体速度非常快，过程中如果继续输入其他形容或是提示词，图片会即时更新，相较于其他同类型的 AI 图片生成器来说确实非常强大！
下方会显示生成的图片历史记录。
通过 BlinkShot 生成的图片看起来很逼真，也能依照用户需求调整成各种风格、样式，越仔细的提示词就能生成更细致准确的结果。
生成过的图片历史记录会显示于下方，可以随时切换回去查看。
在图片点击右键即可下载保存。
在图片上点击鼠标右键、选择「另存图片」后将图片保存下来即可使用。
BlinkShot 未来也会加入下载按钮，让用户更方便获取图片。
就在刚刚，OpenAI Sora 正式登场。
本次发布会延续了「短剧」的快节奏风格，全程 20 分钟左右，由 CEO Sam Altman、Sora 负责人 Bill Peebles 等人主持。
OpenAI 在 X 平台表示，自 2 月份以来，他们一直在构建 Sora Turbo，后者是一个速度明显更快的模型版本，今天也将其作为独立产品向 Plus 和 Pro 用户开放。
有趣的是，由于 Sora 热度太高，大批用户涌入体验网站，导致该网站一度崩溃，停止注册登录。不给力的服务也让 Altman 连连在 X 平台安抚用户：
「由于需求超出预期，我们将不得不间歇性地关闭新用户注册，并且生成内容的速度会在一段时间内减慢。我们正在全力以赴！」
附上体验地址：Sora.com
类似于 Midjourney 的网页界面，Sora 同样拥有自己单独的用户界面，用户用户不仅能够整理和浏览生成的视频，还能查看其他用户的提示和精选内容。
在 「Library」功能中，用户可以保存自己喜欢或有用的提示词，以便未来使用。并且保存的提示词可以按需查看或修改，对于需要重复创作相似内容的用户，无疑能大大提高效率。
在工作流方面，Sora 的编辑功能是区别于其它竞品的重要亮点。
比如说，在 Remix 功能中，用户可以利用纯自然语言提示词对视频进行编辑，并通过简单的「strength（强度）」选项和滑块来控制生成的变化程度。
Re-cut 功能则能智能识别最佳画面，并支持向任意方向延伸场景。
Sora 的 Storyboard（故事板）功能则类似于视频编辑器，可以将多个提示词串联在一起，生成一个更长的视频，轻松处理复杂的多步骤场景。
搭配 Loop 和 Blend 功能，用户还能创作出无缝循环的视频，并完美融合不同片段，而 Style presets 功能则可以预设和调整生成的风格。
在技术规格上，Sora 支持 5-20 秒的视频生成，并兼容 1:1、9:16 等主流宽高比。相比早期版本，现在的生成速度有了显著提升。
另外，还有几点细节需要注意。
OpenAI 采用了灵活的积分制定价策略，积分数量因分辨率和持续时间而异，如果你早已是 ChatGPT Plus 和 Pro 会员，那就无需额外费用就能使用。
比如生成一个 480p、5s 的视频就需要 25 个积分，如果生成 480p、20s 的视频则需要 150 个积分。
此外，如果你用 Re-cut、Remix、Blend 或者 Loop 这些功能，生成的作品超过了 5 秒钟，那也得额外扣你的积分，多用多花钱，别超时，超时也花钱。
对于订阅用户而言，20 美元的 ChatGPT Plus 计划提供 50 个优先视频额度（1000 积分），支持最高 720p 分辨率和 5 秒时长。
而 200 美元的 ChatGPT Pro 计划则提供最多 500 个优先视频（10000 个积分），支持 1080p 分辨率、20 秒时长、5 个并发生成和无水印输出。
OpenAI 还在为不同类型的用户开发不同的定价模式，将于明年初推出。
对了，Sora 暂不支持 ChatGPT Team、Enterprise 和 Edu 版本，同时也不向 18 岁以下用户开放。现阶段，用户可以在所有 ChatGPT 可用的地方访问 Sora，但英国、瑞士和欧盟等地区除外。
知名博主 Marques Brownlee 提前一周用上了 Sora，并在 YouTube 上分享了他的使用体验。
他指出这款产品仍存在一些局限性。
在物理模拟方面，模型对物体运动的理解还不够深入，常常出现动作不自然、物体突然消失等问题。特别是在处理带有腿部运动的对象时，经常出现前后腿位置混乱的情况，导致动作看起来不自然。
又或者，某些视频生成结果看起来像是慢动作，而视频的其他部分则以正常速度播放，肉眼很容易察觉这种「别扭」。简言之，Sora 还是没能解决老毛病，缺乏对物理世界规律的理解。
另外，Sora 没能解决文字生成的问题，导致经常出现文字混乱的现象，而剪辑风格、文字滚动条的运动、新闻主播风格的生成则格外逼真。
不过，Sora 也有不少擅长的场景。
比如说，Sora 在风景镜头处理方面表现出色，能生成媲美专业素材的无人机航拍镜头，在卡通和定格动画风格上的表现也差强人意。
性能方面，一个 5 秒的 360p 视频通常能在 20 秒内完成生成。
不过，当涉及 1080p 或复杂提示词时，生成时间可能会延长到几分钟，但随着如今大批用户的涌入，生成速度明显慢了大半拍。
不少网友也在第一时间上手体验了 Sora。比如网友 @bennash 想生成一个视频，渲染了 22 分钟都没能成功，甚至该网站一度停止注册登录。
博主 @nickfloats 给出的评价是，Sora 在将图像转换成视频时，虽然某些特定的视觉特效没有被保留，但整体的转换效果是「清晰和令人满意的」。
Sora system card 也列出了一些值得关注的细节。
OpenAI 官方认为，Sora 为能够理解和模拟现实世界的模型提供了基础，将是实现通用人工智能（AGI）的一项重要里程碑。
官方博客中提到，Sora 是一种扩散模型，它通过从一段看起来像静态噪声的基础视频开始，逐步去除噪声并转变为最终的视频。通过同时处理多个帧，模型成功解决了一个难题：即使目标暂时脱离视野，也能确保其在视频中始终保持一致。
与 GPT 模型类似，Sora 采用了 Transformer 架构。
Sora 使用 DALL·E 3 中的标注技术，该技术为视觉训练数据生成高度描述性的标签。因此，模型能够更准确地根据用户的文本指令生成视频内容。
除了能够仅通过文本指令生成视频外，Sora 还能够从现有的静态图像生成视频，准确地将图像内容进行动画化，并注重细节。该模型还可以从现有的视频中扩展或填补缺失的帧。
为了确保安全地部署 Sora，OpenAI 基于 DALL·E 在 ChatGPT 和 API 部署中的安全经验，以及 OpenAI 其他产品（如 ChatGPT）的安全防护措施进行了强化。
所有 Sora 生成的视频都带有 C2PA 元数据，这些元数据能够标识视频的来源是 Sora，从而提高透明度，并可用于验证其来源。
与此前凭借真实人像出圈的 Flux 不同，Sora 们对上传包含人物的内容设定了特别严格的审核标准，目前仅作为试点功能提供给少量早期测试者，并屏蔽含有裸露的内容。
大半年前，初试啼声的 Sora 赢得互联网一片喝彩。
然而，如果说一年前尚未还能对着一群演示 demo 空喊「现实不存在了」，那么在国内外各类视频模型的轮番洗礼之下，我们早已养刁的胃口很难再被同样的产品打动。
这种态度的转变源于一个简单的事实。
当 AI 要从「勉强可用」进化到「可堪大用」，用户的期待也随之升维，从「能否做到」跃迁至「做得多好」。
好在 Sora 并未在掌声中原地踏步，通过与艺术家的深度合作，他们在工作流程领域做出了显著的改进。Re-cut、Remix、Storyboard 等功能都相当实用。
甲乙方的存在决定了工作流中的沟通永远是刚需，AI 能做的是让这种沟通更有效率，Sora 的价值不在于它能做什么，而在于让创作者得以抽身于技术细节，真正回归创意的本质。
与此同时，上周引发热议的 200 美元 ChatGPT Pro 订阅计划，如今也有了更合理的价格锚点，该计划同样支持无限制访问 Sora，这种产品协同效应预计也将激发出远超预期的应用场景和商业价值。
放眼当下，用户的真金白银从不作假。
可灵 AI 交出千万级月流水的亮眼成绩单，这片蓝海的潜力已呼之欲出，对于仍在「烧钱」阶段的 OpenAI 来说，Sora 预计会成为继 ChatGPT 之后的另一个下金蛋的母鸡。
当 Sora 从「能用」「好用」，再到「妙用」，或许未来某一天，我们会发现，真正不存在的，不是现实，而是人类创造力的尽头。
按：本文原作者为 Chris Wellons，最初于 2024 年 11 月 10 日发表在其个人网站 null program 上，并声明归属公有领域。我们据此制作译文，以便中文读者阅读。
本文在 Hacker News 发表后的相关讨论也非常值得一读，有兴趣的朋友可前往查阅。
过去一个月以来，我一直在研究日新月异的大语言模型（Large Language Models，下称 LLM），尝试一窥其中奥妙。如今，一台树莓派就能运行比初版 ChatGPT（2022 年 11 月版本）还聪明的 LLM，换成一台普通的台式电脑或者笔记本电脑的话，运行更聪明的 AI 也不在话下。除了方便以外，本地化运行的 LLM 隐私有保障、数据不联网、不需要注册、也没有诸多限制。大模型正以前所未有的速度发展，现有的知识可能用不了几个月就过时了。我写这篇文章是为了记录我在上手 LLM 时积累的的实用经验和心得，希望这些必备知识能够帮你少走弯路。不过归根结底我也只是一个 LLM 菜鸟，文章中未必有什么独到之处，而且有些地方我可能也没弄明白。一想到一年之后这篇文章大概率就会成为历史的注脚，激动之余我自然也会有些惶恐。
就让我这个刚入门的菜鸟带你们入个门吧：LLM 是一种基于神经网络的技术；2022 年，人们在训练 LLM 进行「聊天」式对话方面取得了突破性进展，使得用户能够与这些人工智能自然地互动。这些模型不仅可以轻松通过图灵测试，与真人对话几乎无异，还展现出令人惊叹的创造力。如果这是你第一次接触这种大模型，感受到的不安可能一连几天都挥之不去。回想一下上次你买电脑的时候，你大概没想过人可以和机器有来有回地对话吧。
这让我回想起上世纪 90 年代桌面电脑快速革新的时候，新买的电脑刚刚送到家里就感觉已经过时了。而到如今，LLM 的发展速度更是快得出奇，几乎每周都有新变化，所以对于那些一年前发布的信息我基本上看都不看。想要掌握最新的资讯的话，可以关注 Reddit 的 LocalLLaMa 板块，但是这里的帖子个个吹得天花乱坠，所以记得别轻信其中的一面之词。
正是因为曾经经历过服务关闭、变更、或者因为其他原因导致我的服务器实例被停用的情况，我才对厂商绑定格外警惕。换新的服务提供商对我来说并非无法接受，但得让我能继续用下去才行。正因如此，过去几年内我对 LLM 并未抱有太大兴趣，因为那些所谓「封闭」的模型只能作为第三方提供的一项服务而存在，几乎涉及了所有上述的锁定问题，其中就包括模型的静默劣化（silent degradation）。直到某天，我了解到可以将接近顶尖的模型运行在自己的设备上，从而彻底摆脱这些束缚，这才让我改变了对 LLM 的看法。
这篇文章讲的是 LLM 的运行，并不涉及针对模型的微调和训练。而且这篇文章也只涉及文本，并不涉及图像、声音，或者其他任何「多模态」能力，因为就我来说还用不太到这些。
具体而言，想要在你自己的设备上运行 LLM，你需要的是分别是软件和模型。
llama.cpp 令人惊叹，也是我的唯一选择。原因在于，在基本的 CPU 推理这方面，也就是使用 CPU 而不是 GPU 来产生 token 时，llama.cpp 仅需一个 C++ 工具链，不像其他大多数方案那般都需要繁琐的 Python 配置，这点让它在众多可选项中脱颖而出。在 Windows 系统上，只需要一个 5MB 大小的 llama-server.exe 文件，不需要其他运行时依赖（runtime dependency）。更重要的是，由于 EXE 和 GGUF（模型）这两个关键文件都采用内存映射方式加载，所以很有可能即便过了几十年，你也可以在未来某个版本的 Windows 上以同样的方式运行同样的 LLM，且同样不需要额外配置。
我就直说了，我喜欢它是因为官方提供的 Windows 版本编译程序用的是 w64devkit。这些人真的是有点品味的！话虽如此，如果能用 GPU 做推理的话，就别用 CPU 做推理。虽然在台式或笔记本电脑上对 10B1 左右参数的模型的效果还不错，但是速度还是会更慢。我的主要用例并不是使用 w64devkit 构建的，因为我用的是 CUDA 来推理，而这需要用到 MSVC2 工具链。为了好玩，我曾把 llama.cpp 移植到了 Windows XP 上，并且成功在一台 2008 年的笔记本电脑上运行了一个 360M 参数的模型。能够在那台老旧的笔记本上运行这项技术的感觉真的太神奇了，毕竟在那会儿，这项技术的价值恐怕得值个几十亿美元吧。
GPU 推理的瓶颈在于显示内存（VRAM，下称显存）。因为这些模型真的相当大，而为了能够使用更大的模型，处理更长的上下文窗口（context window），对内存的要求也就更高。模型越大就越智能，上下文窗口也就越长，一次性可以处理的信息也就更多。VRAM 不足 8GB 的时候，使用 GPU 推理就不划算了。如果遇到「GPU Poor」的情况，就请用 CPU 来推理，这样的好处一是更简单，二是更容易上手。
llama.cpp 中提供了很多工具，但是本文只重点讲其中的 llama-server。它本质上就是一个 HTTP 服务器（默认端口为 8080），并提供了一个聊天 UI，以及供程序（包括其他用户界面）使用的 API。一个典型的调用命令如下：
上下文大小（context size）是将输入和输出计算在内，一个 LLM 一次可以处理的最大 token 数量。上下文 token 的数量通常在 8K 到 128K 之间，具体取决于模型的 tokenizer3。普通英语文本使用 wc -w 来统计的话，每个词大约 1.6 个 token。如果模型支持较大的上下文，内存可能会先一步告急。此时应该把上下文大小调低一些，比如 --ctx-size $((1<<13))（即 8K 个 token）。
我还没完全理解 flash attention 是做什么的，也不知道为什么 --flash-attn 或者 -fa 不是默认开启的（也许是因为精度较低？），但你无论如何都应该加上它，因为启用它可以减少内存需求，即便会降低精度也值了。
如果服务器成功地启动了，可以尝试访问（http://localhost:8080/）来先试一试。虽然你还是得先有个模型才可以。
Hugging Face（下称 HF）被誉为「LLM 界的 GitHub」，这是因为它提供了卓越的模型托管服务：无论是数 GB 的「小」模型，还是动辄数百 GB 的「大」模型，HF 都免费托管，获得此殊荣可谓实至名归。此外，大多数模型无需注册即可下载（个别例外），也就是说，你随时都可以下载我接下来提到的模型，自己试试。如此慷慨的服务让我十分震撼，以至于连我这种平日精打细算的人也在几天后开通了 Pro 账号。
如果你现在去 HF 逛一逛的话，你可能想问：「这里什么都有，那我到底要选哪个呢？」我一个月也和你有同样的疑问。对于 llama.cpp 来说，搜索 GGUF 即可。虽说 GGUF 并不是模型在创建或存储时的原生格式4，但你只需要找名字里面带有「GGUF」的仓库（repository）的话就好。这些仓库通常都是由更新频繁、助人为乐的第三方「量化器」（quantizer）提供的。
（官方文档里也没有明确解释「GGUF」究竟是什么意思，习惯了就好了。这就是走在技术最前沿的感觉：无论是什么，要么需要费很大劲才能找到，要么干脆就没有。你可能会想把 LLM 运行起来之后问问它，但我很快就会告诉你这样也行不通。至少据我所知，「GGUF」目前没有官方定义（更新：「U」代表「统一」（Unified）），但其他三个字母的含义仍未确定5。）
虽然以 Meta 最强模型命名的 llama.cpp 确实表现不俗，但并非我的最爱。最新版本是 Llama 3.2，但现在6能用在 llama.cpp 上的模型只有只有约 10 亿参数的 1B 和约 30 亿参数的 3B 版本。这两个模型有点太小了，实用性较为有限，而且只要你不是在树莓派上运行，即便用的是 CPU 推理，也可以有更好的选择，比如说 Llama 3.1 8B（如果你有至少 24GB 显存的话你没准还能试试 Llama 3.1 70B）。
搜 Llama 3.1 8B 时你会发现两个版本，其中一个标注了「instruct」，而另一个没有。instruct 表示该模型经过训练，能够依据指令完成任务，也就是用来聊天的，一般来说你要的就是这个。而没有标注的版本是「基础」（base）模型，只能续写文本（从技术上讲，instruct 模型同样也只是文本补全而已，但这个我们稍后会详细讨论）。如果基础模型也能标上「base」就好了，但是因为某些路径依赖问题，通常都不会这样去标注。
在 instruct 模型的「文件」一列中你是找不到 GGUF 文件的，如果你想要下载这些模型，你需要注册一个账号然后同意社区许可。这时我们回到搜索栏，在后面加上 GGUF，找相对应的 GGUF 模型就可以了：例如 bartowski/Meta-Llama-3.1-8B-Instruct-GGUF。bartowski 更新频繁，而且名声在外，这不但是 llama.cpp 专用的格式，而且无需注册即可下载。
你现在可以在「文件」页面里看到许多 GGUF 格式的文件了，这些是同一模型的不同量化版本。原始模型使用的是 bfloat16 张量，但如果只是为了把模型跑起来，我们可以舍弃大部分精度，同时将损失控制在最小。模型确实会变笨一点，懂得少一点；但是这样做可以大幅减少其所需资源。推荐的最多的是用 Q4_K_M 这种 4 位量化的版本，从我个人体验来看，这确实是个不错的选择。一般来说，一个大模型的 4 位量化比一个小模型的 8 位量化效果更好。一旦你把基本概念搞清楚了，就可以尝试不同的量化方式，看看哪种最适合你！
不同的模型在训练时有不同的权衡，所以没有哪个模型是最优的，在 GPU 性能不足时更是如此。我的电脑装了一块 8GB 显存的 RTX 3050 Ti，所以这方面的限制也影响了我对模型的选择。对于大约 10B 参数的模型，运行起来相对轻松；而若是想测试有着 30B 参数的模型的能力的话则稍显力不从心；运行 70B 参数的模型时我就会用第三方托管的方式了。以下我列出的「t/s」数据都是在这个系统上运行 4 位量化模型得到的。
表中省略了模型名字中的 instruct 字样，除非另有说明，否则这些列出的都是 instruct 模型。部分模型，至少在 LLM 能开源的范围内，是真正的开源项目，我已在后面标明了它们的许可证。其余的模型则对使用和分发都有限制。
这是 Mistral AI 和英伟达合作的模型（代号 Nemo），是我用过的最为均衡的 10B 模型，同时也是我的首选。其推理速度从 30 t/s 起步，令人十分舒适。它的强项在于写作和校对，并且在代码审查方面几乎能与 70B 的模型相媲美。虽然该模型训练的上下文长度为 128K，但是根据我的实际使用经验，其有效的上下文长度更接近 16K。
模型名称中「2407」表示它的发布日期是 2024 年 7 月，我个人很支持将日期写入版本号的这种命名方式，这样一来，你就知道这个模型的知识更新日期和技术水平，找起来也方便。如果不是这样做，版本管理就是一团糟。AI 公司搞不懂版本管理，就像开源项目不会起名字一样。
这是由阿里云推出的 Qwen 模型，其在不同规模的表现都超出了我的预期。14B 模型的推理速度从 11 t/s 起步，能力与 Mistral Nemo 相当。如果我的硬件跑得动 72B 模型的话，我可能就会选这个了，但目前我都是通过 Hugging Face 的推理 API 来试用这个模型。Qwen 同样提供了一个 32B 的版本，但是因为我的硬件跑不动，所以我也没花太多时间研究它。
谷歌推出的模型很受欢迎，大概是因为它有趣的特性吧。对我来说，2B 模型很适合快速翻译。和谷歌翻译相比，尽管 LLM 更耗费资源，并且如果遇到了它觉得冒犯的文本就罢工，像是科幻电影一样——但是在 LLM 面前，谷歌翻译就像是老古董了，更不必提 LLM 还可以离线运行。在我的翻译脚本中，我给它一段带有 HTML 标记的文本，并且要求 Gemma 保留标记，它执行得简直完美！9B 模型效果更好但会慢一些，我会选择用它来翻译自己的消息。
微软的特色是使用合成数据训练。而结果是，该模型在测试中表现不错，但在实际应用中效果不如预期。对我来说，它的强项是文档评估。因为它是一个 4B 模型，我曾加载过最多 40K token 的文档，并成功地获取到了准确的摘要和数据列表。
Hugging Face 可不仅仅是托管模型这么简单，就同等体量的模型而言，他们自家的 360M 模型同样异常出色。我那台赛扬处理器、1GB 内存、32 位系统的 2008 年的笔记本电脑也能用，在一些旧款树莓派上也可以跑起来。这个模型有创意、速度快、能沟通、会写诗，适合在资源有限的环境中使用，算是一个有趣的玩具。
这是另外一个 Mistral AI 模型，但其表现稍逊一筹。48B 听起来相当大，但这是一个 Mixture of Experts（MoE）模型，进行推理时只会用到 13B 的参数。这使得它非常适合在至少有 32G 内存的配置上进行 CPU 推理。该模型更像一个数据库，保留了更多的训练输入数据，但它在应用中可能不如预期，其中缘由我们很快就会说明。
又是两个我没法在自己的电脑上运行的模型，所以我会通过远程托管的方式来使用这两个。后者名字里的 Nemotron 代表这个模型经过英伟达的微调。如果我能跑得动 70B 模型的话，可能 Nemotron 就是我的首选了。我还是要花更多时间把它和 Qwen2.5-72B 做对比评估。
这些模型大多数都有特殊编辑过（abliterated）的「去审查」版本，消除操作可以减少模型的拒绝行为，但是也会以模型的性能下降作为代价。拒绝行为是很讨厌的，比如说 Gemma 就不愿意翻译它不喜欢的文字。可能是因为我比较无聊吧，我遇到的拒绝的次数不多，所以我还没必要做出这样的取舍。另外，似乎上下文的长度增长之后，拒绝行为就会变少，感觉有点「既然开始了，那就做到底」的意思。
接下来的一组是专为编程而训练过的「写码用」模型。具体来讲，他们进行了中间填充（fill-in-the-middle，FIM）训练，使得模型可以在现有程序内部插入代码——我稍后会解释这是什么意思。但是依我看来，这些模型不论是在代码审查还是其他指令导向的任务上都没有更出色，实际情况正好相反：FIM 训练是在基础模型上进行的，指令训练是在此基础上进行的，因此指令训练反而与 FIM 不兼容！换句话说，基础模型的 FIM 输出要明显更好，尽管你无法与这些模型进行对话。
我会在后文进行更详细的评估，但在此我想先提一点：即便是目前最顶尖的 LLM 生成的代码，其质量也相当一般。以下排名是基于与其他模型的对比，并不是它们在整体能力上的排名。
这是 DeepSeek 自己命名并推出的模型。推理时它只使用 2B 参数，所以它既和 Gemma 2 的 2B 版本一样快，又像 Mistral Nemo 一样智能，堪称一个完美的平衡。尤其是在代码生成方面，它的表现超越了 30B 的模型，如果我想要鼓捣 FIM 的话，这就是我的首选了。
Qwen Coder 的排名紧随其后。论输出结果的话和 DeepSeek 不分伯仲，但是因为并不是 MoE 模型，所以速度会稍慢些。如果你的内存是瓶颈，那么它就是比 DeepSeek 更好的选择。在写这篇文章的时候，阿里云发布了新的 Qwen2.5-Coder-7B，但是令人迷惑的是，其版本号并没有更新。社区里已经在用 Qwen2.5.1 来称呼这个版本了。刚才我还在说 AI 公司搞不懂版本管理来着……（更新：在发布一天后，14B 和 32B 的 Coder 模型也发布了，我两个都试了，但是都不如 DeepSeek-Coder-V2-Lite，所以我的排名没有变。）
IBM 推出的系列模型名为 Granite。总体来说，Granite 无法令人满意，唯独在 FIM 中表现异常优秀。以我的体验来说，它和 Qwen2.5 7B 并列第二。
我同样也测试了 CodeLlama、CodeGemma、Codestral、StarCoder 这四个模型。这些模型在 FIM 任务上的表现非常差，几乎毫无价值，我想不到任何使用这些模型的理由。指令训练所导致的负面效果在 CodeLlama 上最为明显。
我在前文提过，llama.cpp 是自带 UI 的，其他 LLM 中的 UI 我也用过，我感觉都大差不差。但是我本来就不喜欢 UI，尤其是在生产力环境下，所以我为我自己量身定制了 Illume。这是一个命令行程序，它能将标准输出转换成 API 查询，并在查询过后将响应转换回标准输出。把它集成到任何一个支持拓展的文本编辑器中应该都不成问题，但是我只需要它支持 Vim 就够了。因为 Vimscript 太烂了，估计在我接触过的最烂的编程语言里能排上第二，所以我的目标是尽量少写代码。
创建 Illume 的初衷是为了解决我自己的痛点，为了让我更好地探索 LLM 的世界。我总是会把东西搞崩，然后再去添加新功能来补救，所以稳定性方面我没法保证（大概你还是不要尝试使用它比较好）。
以 ! 开头的行是 Illume 解释后的指令，这样写是因为正常文本中很少有这种写法。在一个缓冲区（buffer）中，!user 和 !assistant 交替进行对话。
这些仍然在文本缓冲区之内，所以在继续对话之前，我可以编辑 assistant 的回复，也可以修改我的原始请求。如果我想要它来创作小说的话，我可以要求它补全（completion）一段文本（而这并不需要指令训练就可以完成）：
我可以打断它的回复，进行修改或添加一段自己写的内容，然后让它继续生成；这方面我还得多练练。LLM 也会识别出你添加的注释语法，这样你就可以用注释来引导 LLM 写你想要的内容。
虽然 Illume 主要是为 llama.cpp 设计的，但我也会使用不同 LLM 软件实现的 API 进行查询，且由于各个 API 之间存在不兼容性（例如一个 API 所需的参数被另一个 API 禁止），所以 Illume 的指令需要足够灵活和强大，因此指令可以设置任意的 HTTP 和 JSON 参数。Illume 并不会试图将 API 抽象化，而是会直接呈现出其较低层级的设置，所以要对远程 API 有所了解才能有效地使用它。比如说，与 llama.cpp 进行通信的「配置文件」（Profile）是长这样的：
其中 cache_prompt 是一个 llama.cpp 所特有的 JSON 参数（ !: ）。大多数情况下启用提示缓存（prompt cache）会更好，但可能是因为某些原因，它默认是没有启用的。其他 API 会拒绝带有此参数的请求，所以我需要将其删除或禁用。Hugging Face 的「配置文件」是这个样子的：
为了兼容 HF，Illume 允许将 JSON 参数插入到 URL 中。因为 HF API 会过于频繁地进行缓存，所以我提供了一个 HTTP 参数（ !> ）来将其关闭。
llama.cpp 独有一个用于 FIM 的 /infill 端点（endpoint）。该端点需要一个拥有更多元数据并进行过特定训练的模型，但是这种情况比较少见。因此，尽管 Illume 支持使用 /infill ，我还是添加了 FIM 配置，这样在读过该模型的文档，把 Illume 为该模型的行为配置好之后，我可以在任何为 FIM 训练的模型上通过正常补全 API 实现 FIM 补全，甚至是在非 llama.cpp 的 API 上也是如此。
该是讨论 FIM 的时候了。为了彻底弄懂什么是 FIM，我就必须追溯到知识的源头，也就是最原始的讨论 FIM 的论文：Efficient Training of Language Models to Fill in the Middle。这篇论文帮助我理解了这些模型是如何针对 FIM 训练的，至少足够让我也将这种训练方法应用到实际中。即便如此，在模型的文档中关于 FIM 的说明通常也很少，因为它们更希望你去直接运行他们的代码。
从根本上讲，LLM 只能预测下一个 token。所以 FIM 的方法是在大型训练语料库（corpus）中选取一些会在输入中出现的特殊 token，用它们来区隔前缀（prefix）、后缀（suffix），和中段（middle）部分（三者合称 PSM，有时也称「后缀-前缀-中段」，即 SPM）。在之后的推理中，我们可以用这些 token 来提供前缀和后缀，并让模型「推测」出中段内容。听起来很离谱，但这真的很有效！
比如在填补 dist = sqrt(x*x + y*y) 中括号里的内容时：
为了让 LLM 填补括号中的内容，我们在 <MID> 停下，并且让 LLM 从这里开始预测。注意到 <SUF> 起到的效果就好比一个光标。顺带一提，指令训练的方法差不多也是这样，但是在指令训练中，使用特殊标记分隔的是「指令（instructions）」和「对话（conversation）」，而并非前缀和后缀。
有些 LLM 开发者严格按照论文所写，直接使用 <PRE> 等作为 FIM 标记，并不在乎这些标记和模型的其他标记看起来完全是两个样子。更用心的训练者则会使用类似 <|fim_prefix|> 的标记。Illume 支持 FIM 模板，我也为常见的模型编写了相应的模板，例如针对 Qwen (PSM) 的模板如下：
Mistral AI 的习惯则是使用方括号、SPM 格式，并且省略「中段」token：
有了这些模板，我就可以在不被 llama.cpp 的 /infill API 支持的模型中进行 FIM 训练了。
我在使用 FIM 时遇到的第一大问题是无法生成正确的内容，而第二大问题就是 LLM 不知道什么时候该停下。比如在我要求模型填充以下函数时（如给 r 赋值）：
（补充一点：静态类型（static types）提示（包括这里的）可以帮助 LLM 更好地生成代码，起到防护栏的作用。）得到这样的结果并不奇怪：
原本的 return r 变成了 norm4 函数的返回值。得到这样的结果固然没问题，但显然这不是我想要的内容。所以当结果开始跑偏的时候，最好做好狂按停止按钮的准备。我推荐的三个 coder 模型较少出现这种情况，而更保险的做法是将其与一个能够理解代码语义的非 LLM 系统结合，这样在 LLM 开始生成超出范围的代码时可以自动停止。这种做法可以让更多 coder 模型变得更实用，但这就不是我折腾的范围了。
对于 FIM 的摸索和实践让我意识到 FIM 仍处在其早期阶段，也几乎没有人用 FIM 来生成代码。或许大家还是在用普通的补全方法？
LLM 好玩归好玩，但是它们能为提高生产力提供什么帮助呢？过去的一个月以来我一直在思考这个问题，但始终没有找到一个令我满意的答案。我们不如先划清一些界限，明确一下有哪些事情是 LLM 无能为力的。
首先，如果结果的准确性无法被轻易验证，那么使用 LLM 就毫无意义。LLM 会产生幻觉（hallucination），这也让它们变得并非绝对可靠。很多时候，如果你能够验证 LLM 的输出是否正确的话，你其实也就没必要用它了。这也就解释了为什么 Mixtral 如此庞大的「数据库」反而没什么用。同时这也说明，把 LLM 输出的结果投放到搜索结果里有多么的危险且不负责任，说难听点就是不道德。
然而即便是那些对 LLM 了如指掌的爱好者们也还是会踩这个坑，并且去传播这些虚构的内容。这使得针对 LLM 的讨论更为不可信，看 LLM 给我提供的信息的时候我得多留几个心眼。举例说：还记得我说过 GGUF 没有一个官方定义吗？你去搜一下就能搜得到一个明显是幻觉的结果，结果它还进了 IBM 的官方文档。我在这儿就不再提了，免得问题变得更严重。
其次，LLM 都是金鱼脑，「过目就忘」。也就是说，较短的上下文长度限制了它们的发挥。虽然有些模型使用了更大的上下文长度来训练，但是其有效上下文长度通常小的多。实际上，一个 LLM 一次只能在它的「大脑」中记住相当于一本书里几章的内容，如果是代码的话则是 2000 到 3000 行（因为代码的 token 密集度更高），一次性能够处理的也就这么多了，这和人类相比简直微不足道。当然也可以通过微调或者使用检索增强生成这类的工具来尝试改善，但是只能说……收效甚微。
第三，LLM 写代码的能力很差。往好了说，它们的写码能力也只不过是一个读过大量文档的本科生的水平。这话听起来还行，但实际上，很多毕业生在进入职场时几乎对软件工程一无所知，第一天上班才是他们的真正学习的开始。从这个角度看，现在的 LLM 甚至还没开始「学习」这一步呢。
但是说实话，LLM 写代码能有如今的水准已经很不错了！即便是把带有我强烈个人风格的代码丢给它，LLM 也能顺利理解并使用其中的自定义接口（但是需要说明的是：我自己的的代码和写作也是大部分 LLM 的训练数据中的一部分）。因此，只要是不超出有效上下文长度的限制，上下文长度越大越好。问题在于训练 LLM 写代码似乎并不比我自己写更省时间。
其实，单纯去写新的代码都算简单的了。困难的地方在于维护代码，以及在考虑到维护代码的同时再去写新的代码。即便 LLM 确实能写出可以运行的代码，也考虑不到维护问题，或者说，它根本没办法去思考这些问题。生成代码的可靠性与代码长度通常成反比平方关系，一次生成十几行代码就已经很不靠谱了。无论我怎么试，LLM 输出的能让我觉得还凑合的代码根本就超不过三行。
代码质量在很大程度上受到编程语言的影响。LLM 在 Python 上表现好过 C 语言；C 语言的表现又好过汇编语言。我觉得这多半取决于语言难度和输入质量：给大模型做训练的 C 语言素材多半都很烂，毕竟烂资源网上一抓一大把；而大模型对汇编语言的唯一了解就是糟糕的新手教程。当要求大模型使用 SDL2 时，它也不出所料地犯了常见的错误，毕竟它就是这样训练出来的嘛。
那训练大模型去写标准化代码（boilerplate）7呢？大概 LLM 在这方面会犯更少的错误，可能还有一定的价值，但处理标准化代码最快的方式其实就是——避免编写它。去简化问题，不去依赖标准化代码就是了。
不必只轻信我一家之言，看看大模型在赚钱方面怎么样就明白了：如果 AI 公司真的能够实现他们所宣传的生产力提升，他们就不会出售 AI 技术，反而会独自利用其技术去吞并整个软件行业。你也可以看看位于 AI 科技最前沿的公司的软件产品，和其他公司的产品一样，是同样的老旧、同样的臃肿、同样的垃圾。（而浏览这些糟糕的网站也是研究 LLM 的环节之一，一想到这里我就感觉很不爽。）
在生成代码时，「幻觉」造成的影响会小一些。因为你在提出需求时就知道自己想要什么，因此可以检查生成结果，同时还有编辑器来帮你检查你漏掉的问题（比如调用了虚构的方法）。然而，有限的上下文和不佳的代码生成仍然是障碍，我至今尚未能有效地解决这些问题。
那么，我可以用 LLM 做什么呢？我们列个表吧，毕竟 LLM 最喜欢列表了：
尽管有用的应用场景不多，但是这已经是近些年来我对新技术最兴奋的一次啦！
AI 视频，还能往哪个方向卷？Luma AI 的答案有些与众不同。对手还在练一招一式，它却像风清扬传授独孤九剑，讲究灵活变通，如行云流水，任意所之。
Luma AI 或许不如可灵、Runway 知名，但论实力也在第一梯队，它的视频模型叫作 Dream Machine，今年 6 月发布，最近进行了重磅升级，是推出产品以来声势最大的一次。
其中包括两项更新，一是发布自己的图像模型 Luma Photon，将文字、图像、视频一锅端；二是打造了生成 AI 视频的全新工作流，我们可以像和 ChatGPT 聊天一样，让 AI 生成视频，不用对提示词字斟句酌。
对于生成视频这件事，Dream Machine 首创了一种很新的方式。
Unlock your creativity with Luma AI Video Generator. Turn text into stunning videos with our cutting-edge text-to-video AI.
打开 Dream Machine，我们先看到的是「Board」，可以将它理解为无限的创意画布，在这里，我们使用自然语言，自由地生成图像或者视频。
开始一块 Board，我的提示词写得非常简单：「创建一个日式悬疑少年漫画的角色。」
AI 扩写了我的提示词，一次生成了 4 张图片，但是不行，年代不对。
没关系，再在对话框输入一句，「放在现代背景」。
AI 表示懂了，又生成了 4 张图片，右上这张孤身走暗巷，已经接近我想要的感觉了，但仍然不够，我想要他抬起头，露出五官。
不难，继续微调，忘掉复杂的提示词，和 AI 打直球就可以。
右下这张不错，虽然形象幼态了点。接下来，我想让 AI 生成一个视频，主角在同一条巷子里从白天走到黑夜。
Dream Machine 生成视频的首尾帧功能，就是为这种需求准备的——我们挑好头尾的两张图片，让 AI 补足中间的过程。
那么，我们只需基于满意的图片，让 AI 生成几张白天场景的，沟通方式还是一样的简单粗暴。最终选定的两张图片，细节略有落差，但同框也不违和。
万事俱备，只等生成视频，AI 过渡得还算自然。
看到这里，你应该明白 Dream Machine 和其他视频工具的区别了。
其他视频工具，通常是给你一个填入提示词的文本框，然后让你设置运镜、时长等参数。设置一次，生成一次。
但 Dream Machine 的界面，看起来非常像和聊天机器人交互，底部是输入框，文生图、图生图、图生视频、文生视频，都可以在这里进行。
专业创作者可以继续写传统的提示词，但我们也拥有了「讲人话」的权利，压力给到 AI，Dream Machine 能够理解上下文，帮我们完善提示词，我们可以从一个非常粗糙的想法开始，和它边聊边改边优化。
又因为 Dream Machine 是无限画布形式的，我们可能在一个环节反复生成，素材都会保留下来，不会互相覆盖。
我们的思维，不会局限在一段提示词、一个视频，而是像水一样流淌，更多的想法，可能就在这个过程里产生了。
Dream Machine 的全新工作流就像大树的主干，其中一些好玩且实用的功能则像枝桠，相得益彰，才能枝繁叶茂。
起到关键作用的，就是 Dream Machine 最新发布的图像模型 Luma Photon。
图片怎么生成得更符合我们的审美？Dream Machine 支持风格参考和角色参考功能。
先说风格参考，我们可以导入自己的图片，AI 会将风格融入到创作中。官方给出了一个例子：按蒙德里安风格，生成小鸟版的《戴珍珠耳环的少女》。
按这个思路实操一下，基于男性侦探的形象，参考梵高《星月夜》的风格，生成女性侦探。
二次元遇上后印象派，化学反应很奇妙。
角色参考功能，则可以通过一张图片，就实现角色的一致性，让这个角色出现在更多的图片和视频里。
马斯克是行走的素材库，这样的例子太没挑战性了，我决定让甄嬛瞬移到哈利波特的世界，看场景变了之后，她还能不能气场两米八。
结果有些不好评价，看得出来是甄嬛的面容，但娘娘的长相入乡随俗，五官尤其眼睛，变得更像欧美人了。
其实，不另外找图片参考，Dream Machine 也可以让图片、视频不泯然于众人，这时候就要用到「头脑风暴」功能，它会根据你生成的图片，推荐一些艺术家的风格。
就像甄嬛进霍格沃茨这张，我们可以用吉卜力工作室风格二创。
不仅如此，提示词里的一些关键词，被框选了起来，能用下拉的选项替换，Dream Machine 称之为「概念药丸」，我们不用自己手写提示词，一键更换艺术风格，或者画面元素。
把「吉卜力」换成「新海诚」，把「独角兽」换成「龙」，不过点击几下的功夫。
Luma Photon 模型，基于 Luma 的通用 Transformer 架构构建。通过开发自己的图像模型，Luma AI 可以减少对 Midjourney 等外部图像模型的依赖，同时也能解决文生视频不稳定的问题。
当然，视频是老本行，镜头运动这种可控性功能，Dream Machine 也少不了。
紫禁城的甄嬛，和霍格沃茨的甄嬛，能不能实现丝滑的转场呢？用推拉镜头，画面有动感，人物没有严重的变形，可以打个 80 分。
巧的是，前两天 Runway 也官宣了自己的图像生成模型 Frame，和 Luma 更新是同一个晚上，看演示就知道非常注重审美，目前正逐步向 Gen-3 Alpha 开放资格。
▲ Runway Frame
图片的生成质量、美学高度，以及视觉风格的一致性和可控性，越来越被视觉模型重视了。
这对创作者来说是好事，当我们用 AI 进行平面设计、角色设定时，其实就是在生成一个独特的世界，讲一个独特的故事。
Runway 的 CEO Cristóbal Valenzuela 认为，Runway 不是一家 AI 公司，而是一家媒体和娱乐公司，AI 公司的时代已经结束了。
他不是在唱衰 AI，恰恰相反，他认为 AI 是一种基础设施，真正的革命不在于技术本身，而在于它所实现的东西：新的表达形式、讲述故事的新方式、连接人类体验的新方法。这和 Luma 的进化方向不谋而合。
这次更新之后，Luma AI 首席执行官兼联合创始人 Amit Jain，给 Dream Machine 下了一个很有趣的定义——视觉思维合作伙伴。
概念有些抽象，他的意思其实就是，让生成图片、视频这样的视觉创作，像聊天一样简单、直观。
交互的方式，影响着我们思考的方式。画布式的工作流，能将脑洞可视化，记录所有的创作过程和结果，呈现生成视频的完整思路。
无限画布通常在图像模型较为常见，比如 Recraft 和 Ideogram 的 Canvas。Dream Machine 的画布更加规整，相同提示词生成的素材和变体横向排列，不同的则竖向排列。
边聊边生成边优化的过程，会让人觉得，一个独立的小世界仿佛在画布里诞生。
先让 Dream Machine 用超写实电影 CG 风格，创造一个工业废土背景游戏的主角。
然后用环绕镜头，让主角动起来，并塑造环境的空间感。
接着，我们可以再和 AI 聊，让 AI 继续生成废土世界观里室内室外的各种场景，让 AI 建议我们怎么塑造得更有末日气息。
某种程度上，这个画布，就是我们个人故事的设定集。
当然，Luma AI 的 bug 也很多，包括但不限于，用一张图片实现角色一致性，效果并不理想；积分如流水，图片和视频还是要反复抽卡；图片模型可以生成准确的英文，但中文不行……
但意思传达到位了——少谈参数，以交互为出发点，构建一个 AI 创作工具。
更好的视频模型，不只是有更快的生成速度、更可控的镜头运动、更独特的美学，它应该也提供更好的讲故事的方式，让文字、图像、视频都作为表达想法的工具。
Dream Machine，造梦机器。
只管去创作吧，如同 Luma AI 的这句话：「不需要写复杂的提示词，问就好了。」未来 AI 留给我们的问题，不再关于技术，而是关于我们用它构建什么。
使用得当，chatgpt 可以成为一个强大的工具，帮助学生培养严谨思维和清晰写作的技能，帮助他们思考想法、掌握复杂概念并获得草稿反馈。如果使用得当，ChatGPT 可以成为一个强大的工具，帮助学生培养严谨思维和清晰写作的技能，帮助他们思考想法、掌握复杂概念并获得草稿反馈。
还有一些使用 ChatGPT 的方法会对学习产生反作用，例如生成一篇论文而不是自己撰写，这剥夺了学生练习、提高技能和处理材料的机会。
对于致力于成为更好的作家和思想家的学生，以下是一些使用 ChatGPT 更深入地参与学习过程的详细方法。
学生可以利用 ChatGPT 来节省时间，将那些繁琐的任务（如格式化参考文献）交给它处理。学生只需提供相关的引用信息，ChatGPT 会将其格式化为正确的 MLA、APA 或其他引用风格格式。使用 ChatGPT 时，学生仍然需要检查引用的准确性，确保引用格式正确，特别是在某些格式要求比较严格的情况下。
当学生需要了解一个新话题时，可以让 ChatGPT 提供简洁明了的概述，帮助学生迅速掌握相关的核心概念和背景知识。例如，如果你是一名经济学学生，正在尝试理解凯恩斯与古典经济学的区别，ChatGPT 可以简要总结这些学派的基本思想。
ChatGPT 还可以帮助学生找到适合研究的来源，提供关键词和相关文献的推荐。这对于刚开始研究一个话题的学生来说尤其有用。尽管如此，学生仍然需要亲自查阅原始文献，因为 ChatGPT 可能无法提供完全准确的学术来源。
ChatGPT 能够帮助学生在理解复杂概念时，提出一系列具体的问题来填补知识空白。如果学生不确定某个观点或理论的含义，或者在阅读中遇到不理解的段落，ChatGPT 可以帮助澄清这些问题。例如，如果你正在研究量子力学，并不理解薛定谔的猫实验的真正含义，ChatGPT 会根据你的问题进一步解释。
写作初稿后，ChatGPT 可以帮助学生审查文章结构，提出如何改进文章组织方式的建议。如果你已经写好了论文大纲，ChatGPT 可以帮助你检查文章各部分是否衔接得当，或者哪些地方需要进一步加强论证。
倒写大纲是一种检验论文结构的技巧，它能帮助学生快速看出每段的重点以及它们之间的关系是否合理。倒写大纲有助于确保文章的逻辑清晰，避免论点或论证出现不连贯的地方。
通过与 ChatGPT 进行对话，学生能够像苏格拉底式提问一样发展他们的思维。通过一系列相互质疑的问题，学生可以理清自己的思路，找出论证中可能存在的弱点。这种互动能帮助学生理清论证结构，增强思考的深度。
学生可以要求 ChatGPT 挑战他们论文中的论点或假设。通过这一过程，学生能发现自己在写作中可能忽略的论证漏洞。学生可以让 ChatGPT 扮演不同的观点角色，提出反对意见，帮助他们加强论证的说服力。
学生还可以利用 ChatGPT 来模拟历史上伟大思想家的观点，从不同的视角来看待自己的论文论点。比如，学生可以让 ChatGPT 扮演笛卡尔或休谟，帮助他们探讨关于自由意志或其他哲学问题的深层次讨论。
ChatGPT 不仅可以帮助学生在写作中纠正错误，还可以提供有针对性的反馈，帮助学生逐步提高写作质量。通过让 ChatGPT 审阅并提出改进建议，学生可以不断优化自己的写作技巧，提升论文的整体质量。
除了文本形式的反馈，ChatGPT 还支持语音模式，能够在学生阅读时提供即时的解释和反馈。如果学生在阅读学术文章时遇到理解上的困难，可以通过语音模式提问，ChatGPT 会为他们解释复杂的段落和概念。
12. 不仅仅是完成任务——磨练自己的技能
写作不仅是为了交作业，它是提升批判性思维和写作技巧的一个过程。通过和 ChatGPT 互动，学生可以识别自己思维的盲点，并学会如何改进自己的论证。ChatGPT 可以帮助学生发现他们在写作中的常见问题，并提供策略，帮助他们在写作过程中持续进步。
最后，学生使用 ChatGPT 时要确保学术诚信。如果 ChatGPT 对你的论文或写作过程有所帮助，一定要在参考文献中注明。你可以将和 ChatGPT 的对话内容整理成引用格式，确保你的论文透明、公正，并能真实反映使用了该工具的过程。
随着 openai 的新实时搜索功能， ChatGPT 正在将自己定位为传统搜索引擎如 google 的竞争对手。ChatGPT 以其对话式的响应而闻名，能够提供实时的上下文信息而不带广告。
我抓住机会看看 ChatGPT Search 与 Google 长期以来的搜索专业性相比如何。我进行了几次比较，涵盖了速度、准确性、视觉效果和整体用户体验等类别。以下是它们的表现。
问题: “东京的主要旅游景点有哪些？”
Google 的搜索引擎非常快速，结果在毫秒内就能交付。搜索引擎拥有多年的优化经验，并且有专门为高速索引和检索而构建的基础设施，可以立即获得来自多个来源的广泛相关结果。
ChatGPT 的搜索同样快速，并为每个地点生成了更清晰、更用户友好的图像和信息。显然，AI 通过从相关来源提取信息来生成响应，然后以对话的方式分享这些信息。结果感觉更加友好，几乎就像 AI 很高兴我去旅行一样。
使用体验: ChatGPT Search
在以对话且简洁的方式提供有价值的快速响应方面领先。
问题: “解释气候变化和全球变暖之间的区别。”
Google 的响应来自 Gemini，概述了气候变化和全球变暖，并将其包裹在一个简短的段落中。从那里，我可以向下滚动并搜索一些来自 NASA、USGS.gov 甚至 Quora 的链接。显然，算法优先考虑流行和权威的来源，但它也是以广告驱动的，这意味着顶部结果有时包括我看到的来自联合利华的赞助内容。此外，对于复杂的主题，我发现自己需要浏览多个链接才能拼凑出完整的答案。
ChatGPT 提供了直接的答案，从网络中提取经过验证的信息，然后添加了一个可点击的「来源」图标。这个功能减少了我在 Google 搜索中从多个网站收集信息的时间。在这个搜索和其他搜索中，ChatGPT 的总结对于一般查询甚至更详细的主题都是准确的，其设计允许更干净、更加集中的体验。（不过，请记住，广告可能会在未来出现。）
使用体验: ChatGPT Search
在便捷和准确的直接答案方面赢得了这一轮。
问题: 苹果目前的股价是多少？最近有什么新闻更新？
Google 实际上没有给我一个立即的答案。相反，我得到了一个指向 Yahoo Finance 的链接，我可以点击并希望自己找到答案。
ChatGPT 在毫秒内，答案就在我眼前。我还得到了关于苹果的新闻和更新，当然，还有来源。ChatGPT Search 真是令人耳目一新。我得到了问题的答案，而不需要四处寻找细节。通过将答案直接呈现在我面前，我节省了时间，而不需要再点击几次。显然，对于实时的股票 或天气更新，ChatGPT 提供了可比的准确性，甚至在深度上超过了 Google 庞大的视觉数据库。
使用体验: ChatGPT Search
继续以其策划的实时直接答案给我留下深刻印象，显示出未来更新的潜力。
问题: 给我展示社交媒体对心理健康影响的最新研究。
Google 提供了如此多不同的答案，我甚至不知道该从哪里开始。从 Gemini 的响应到侧边栏，再到下面的链接结果，整个体验极其杂乱——这是我在使用 ChatGPT Search 时从未注意到的。此外，Google 的广告模式意味着用户数据通常被用来提供个性化广告。虽然 Google 有广泛的隐私政策和设置，但其广告驱动的方法可能导致不总是优先考虑用户隐私的定向内容。
ChatGPT 再次，ChatGPT 搜索提供了一个更清晰的界面，没有推广内容。对于这种个人化的搜索，额外的隐私关注方式让我非常感激。作为一个希望在搜索过程中不被广告定向的用户，这种方式对我来说更具吸引力——或者在之后。
使用体验: ChatGPT Search
在考虑隐私和负责任的内容使用方面领先。对于敏感搜索，不被广告定向是一个巨大的优势。
问题: 什么是我客厅里最好的电视？
Google 我说的就是我说的，Google。在纠正我输入「What's」而不是「What is」后，Google 给我回应了一些链接，所有这些链接都是赞助的，我需要点击才能找到电视。在得到这个回应后，我感觉我需要再次问它以帮助缩小范围。然而，在赞助链接下，还有来自内容发布者的链接。
ChatGPT 为我缩小了范围，包含了图像，并给出了我想要的答案。AI 确实感觉像是一个朋友，提供有价值的信息。每个电视图像旁边都有一段介绍，提供关于每个电视的信息。与 Google 相比，这种设计感觉更加干净和简洁。此外，对话格式直观，我可以滚动浏览推荐，而不需要像在 Google 搜索中那样需要浏览多个链接。
使用体验: ChatGPT Search
提供了一个令人耳目一新的体验，直接回答和具体示例。
问题: 谁在民调中领先？
Google 的结果包括有关选举的新闻故事。我希望通过这个问题获得关于今天总统选举民调中谁领先的直接结果。我不得不挖掘新闻故事才能找到答案。
ChatGPT 给了我我想要的结果，直接提供了事实。选举新闻无处不在，所以我不需要阅读更多的新闻故事。ChatGPT 给了我一个直接的答案。
使用体验: ChatGPT Search
提供了没有繁琐的实时答案。
问题: 洋基队在世界大赛中是如何崩溃的？
Google 的第一个结果是从《纽约时报》关于该主题的故事中提取的引用。这是一个快速的响应和直接的答案。然而，它让我感觉我没有得到完整的故事。
ChatGPT 提供了更全面的回应，从更多来源提取信息，但仍然感觉干净简洁。我得到了洋基队彻底失败的完整画面。
使用体验: ChatGPT Search
再次提供了我所寻找的实时答案，并增加了确认我获得所有信息的全面性。
ChatGPT 和 Google 在不同领域都表现出色，但它们满足的需求略有不同。如果你在寻找全面的搜索结果，拥有大量来源和视觉效果，Google 仍然是强者。
然而，如果你的优先事项是清晰、无广告、对话式的响应以及内置的实时更新，ChatGPT 提供了一种流畅、用户友好的体验，可能很快就会成为日常查询的主流。
ChatGPT Search 提供的无杂乱答案以及支持它们的来源是全面且可靠的。我对 ChatGPT 的答案更有信心，因为它们简洁且没有广告商的支持。结果感觉就像是专为我准备的。在杂乱的网络中，ChatGPT 就像一个乐于助人的朋友，我喜欢这种感觉。
Login
