AI Pulse

AI Pulse

说人话的 AI 情报站
每天 08:00 · 12:30 · 18:30 · 23:50 更新每天四次更新
2026 年 4 月 9 日 · 18:30 更新
✦
试试:

今日焦点

在手机上三步跑起谷歌最新AI,不用联网也不用等

有人刚拆开新手机,还没装完微信,就顺手在备忘录里问它:‘下周北京下雨吗?’——答案不是来自云端服务器,而是手机自己算出来的。

这背后是谷歌刚发布的轻量级AI模型Gemma 4,配合开源工具OpenClaw和Ollama,三步就能在设备本地启动:装一个叫Ollama的运行环境,下载Gemma 4模型,再用OpenClaw把它接进图形界面。这意味着什么?你不再需要把问题发到远方的数据中心,也不用担心对话被记录或延迟卡顿。

硬件门槛低到出人意料:入门级安卓手机(E2B级别)就能跑通基础任务;主流笔记本(E4B)可支撑多轮复杂推理。这意味着什么?

深度阅读

查看全部深度文章 →
AI Agent 订阅 · 每天四次推送

🔥 信号雷达20 条本班新增 2 条

𝕏 实时信号 + arXiv 前沿论文,经 AI 聚类解读 · 一眼扫完全貌

18:30 最后一轮更新
今日要点 · 12 条
新开源 · @wholemars▲ 5.9K

火星车凌晨三点自己发推:更新要来了

它没等地球指令,首次自主宣告软件状态并恢复失联后的通信。

新研究 · @fchollet▲ 4.6万

基础大模型连临时想个解法都做不到

一项新研究发现,未经微调的大模型在需要现场推理的数学题上全军覆没。

一项研究测试了十几款未经额外训练的基础大语言模型在数学问题上的表现。题目不考计算速度,也不考记忆套路,专挑需要临时拆解、重组逻辑关系的题。结果全军覆没。

失败原因不是算得不够快,而是这些模型压根没有构建新推理链的能力。它们无法在未见过的结构中生成有效的中间步骤——这正是早期一批研究者对“推理”的操作性定义。

而在2024年,主流测试用的是微调后模型、带思维链提示、甚至人工筛选过的样本。那种方法被比作“用职业选手的录像判断业余球员的潜力”。

2024年时,公开说“基础大模型没有流体智力”几乎等于学术自杀。这个对“推理”的操作性定义本身,直到2025年才成为数学泛化评测的默认协议。这条路的终点未必是“造出会推理的AI”,而可能是“我们终于承认:推理这件事,原来有不可绕过的门槛”。

在 X 看原帖 ↗
4.6万67400274
开源 · @altryne▲ 3.9万

有人在 M2 MacBook Air 上跑了一整晚的 AI 神话角色

靠几行 JSON 规则,不用大模型记上下文也能持续扮演

OpenClaw 是一个开源前端工具。它不训练模型,也不托管服务。如果你本地部署了 Claude,OpenClaw 能通过兼容 Anthropic API 的接口和它对话。

有人用 M2 MacBook Air 跑了它一整晚。

OpenClaw 内置一个人格模板叫 Mythos。它预设了神话叙事风格、多轮记忆锚点和隐喻式响应逻辑。这些行为不是靠大模型自己记上下文,而是靠一套轻量级状态机——用几行 JSON 规则标记当前对话所处的状态。

你可以直接改配置文件来调整 AI 的行为,不用等官方更新,也无需微调模型。开源给了你控制权,也顺手把维护的工作交到了你手上。

在 X 看原帖 ↗
3.9万224310
工程 · @NousResearch▲ 1.0万

它17秒把Figma转成带类型定义的React代码,还能靠社区技能包越用越强

不是概念演示,GitHub已合并相关PR,但细节仍待公布。

@NousResearch 宣布 Hermes 即将成为严肃的创作工具。相关功能已有 GitHub 仓库中合并的 PR 作为证据,不是概念演示。

Hermes 现在能直接读取 Figma 文件结构,并生成带 TypeScript 类型定义、CSS 模块化和 Storybook 示例的 React 代码。模型完成初稿的时间据称为 17 秒。

它的能力扩展靠社区提交的“生产级技能包”。每个技能包都附带真实项目验证过的输入输出样本,和错误回滚逻辑。Hermes 能做什么,要看有多少人愿意把自己的工作流拆成可复用的模块。

但 Hermes 是否支持除 React 外的其他框架、Figma 文件读取的具体范围、17 秒生成时间的测试条件、技能包的审核机制、是否开源及正式版发布时间,目前都不清楚。也没有公开信息显示已有企业将其用于生产环境。

在 X 看原帖 ↗
1.0万621930
商业 · @binarybits▲ 1.2万

不卖芯片不建机房,它靠AI软件赚到英伟达三分之一的收入

Anthropic年收入达300亿美元,新推理技术让客户算力产出提升40%。

Anthropic公布了300亿美元年经常性收入(ARR),约为英伟达2023财年数据中心业务收入的30%。两家公司的模式截然不同:Anthropic不卖芯片、不建数据中心,也不收云租用费。

它靠纯软件服务拿到了接近顶级芯片厂商三分之一的经常性收入。企业愿意为高质量AI服务付费,即使不掌控底层硬件。

Anthropic刚发布了名为Glasswing的推理优化技术。这项技术能让同款模型在相同硬件上多处理40%的请求。客户支付同样的服务费,实际获得的算力产出变多了。这对企业用户意味着更高的性价比,也可能倒逼竞争对手提升效率。

部分企业或许开始将法律尽调、保险核保等流程交由闭源AI模型处理。如果属实,运营风险正从内部系统转向外部模型。但目前尚不清楚这种转移是否普遍,或是否已被充分评估。

Anthropic没有说明这300亿美元ARR是基于已签署合同还是包含承诺性收入。哪些企业在关键业务中部署了它的闭源模型,也未公开披露。

在 X 看原帖 ↗
1.2万122105
工程 · @skirano▲ 3.4万

GPT-5.4干同样的活,账单只有Opus 4.6的三分之一

两者输出相近,但成本差三倍——尽管都没官宣

上周,有人在会议间隙同时调用 Opus 4.6 和 GPT-5.4 处理合同条款比对任务。两个模型输出的结果相近,但账单差了近三倍。

测试者看到的报价显示,GPT-5.4 每千 token 的费用接近 Sonnet 水平,而 Opus 4.6 的单价更高。实际支出中,GPT-5.4 的花费约为 Opus 4.6 的三分之一。

不过,这两个模型的实际规模和产品状态都未被官方公开确认。用户无法基于公开信息判断它们的真实能力边界或稳定性,技术选型只能依赖非正式测试。

这次对比仅限于合同条款比对任务。尚不清楚成本差异是否来自单价本身,还是也受 token 使用效率影响,也没有证据表明这一结果适用于其他任务。

在 X 看原帖 ↗
3.4万846825
工程 · @skirano▲ 1.4万

AI 现在能从截图里精准抠出按钮,连像素误差都控制住了

Meta 新模型 Muse Spark 联合训练视觉与语言,生成可直接合入项目的 UI 代码。

Meta 新发布了 Muse Spark。它能把 UI 截图里的单个元素提取为带透明背景的 PNG,再生成结构清晰、带语义标签的 HTML 和适配尺寸的 CSS。

Muse Spark 没用传统 OCR 或计算机视觉流水线,而是把视觉理解与语言建模放在统一架构里联合训练。过去也有模型尝试“看图写代码”,但边缘识别常错位,按钮宽高经常差 20 像素。

相比之下,如果 Muse Spark 的定位误差真能控制在几个像素内,生成的代码可能直接合入主干。这可能会改变开发者对 AI 生成代码的审查方式——但前提是精度足够可靠。

在 X 看原帖 ↗
1.4万17292134
开源 · @minchoi▲ 3.8万

谷歌新AI能完全离线运行,但有个前提

Gemma 4本地推理需搭配两个开源工具,三行命令搞定

有消息提到谷歌推出了名为 Gemma 4 的轻量级 AI 模型。据描述,它的答案由设备本地计算得出,不依赖云端服务器。

运行 Gemma 4 需要配合两个开源工具:Ollama 作为运行环境,OpenClaw 提供图形界面接入。部署流程包括安装 Ollama、下载 Gemma 4 模型、再用 OpenClaw 接入界面,相关操作涉及几行命令行指令。

本地运行是否真能避免敏感数据上传,以及在无网络环境下是否可靠,仍有待验证。

消息中还提到 E2B 和 E4B 两个术语。如果 E2B 指某种入门级安卓配置,它或许能处理基础任务;E4B 若对应主流笔记本,可能支持多轮复杂推理。但这两个术语的具体含义目前尚不清楚。

在 X 看原帖 ↗
3.8万35259365
影视技术 · @minchoi▲ 226.3万

Netflix 开源了个 AI 工具,能一键抹掉视频里的东西还不露破绽

它用物理规律让背景动得更真实,还能在你家电脑上跑

Netflix 发布了名为 VOID 的 AI 工具,能一键移除视频中的物体,同时自动重建被遮挡的背景纹理,并让周围元素按真实动态重新运动。

VOID 在训练时引入了物理约束,比如让布料飘动符合空气动力学,生成结果因此更少出现常见的“AI 假感”。

这个项目完全开源,代码和训练数据都已公开。它不提供 API,也不收订阅费,只放出模型权重和推理脚本。你不需要把视频传到第三方服务器,也用不着付授权费。

VOID 不依赖云端渲染。本地用一块中端显卡(如 RTX 4070)就能实时处理 1080p 视频。独立创作者现在可以用消费级硬件完成过去需要专业后期才能做的清理工作。

在 X 看原帖 ↗
226.3万1842.3K2.0K
工具 · @joshwoodward▲ 6.8万

你的聊天窗口突然有了第二个大脑

Gemini 把文档研究能力悄悄塞进对话里,不用跳转就能引用百份文件。

Gemini App 的对话界面嵌入了 NotebookLM 的部分功能。溯源引用、跨文档概念串联、自动生成摘要图谱——这些原本在独立工具中提供的能力,现在出现在聊天窗口里。

过去,这类研究功能需要切换到专门界面。现在,它们被整合进同一个对话流,没有新增按钮,只减少了跳转。

用户一次最多能上传 100 个文件,类型包括 PDF、网页、文档等。系统自动提取语义关系并建立索引,能引用之前上传的内容,比如上周的行业白皮书、三个月前标注的段落,或曾删除又恢复的批注。技术说明列出的具体动作为:上传、索引、关联。

@joshwoodward 在社交平台称它像“第二个大脑”。

目前尚不清楚这些数据会保留多久,是否加密存储,以及功能是否需要额外付费。

在 X 看原帖 ↗
6.8万77605202
工具链 · @NotebookLM▲ 8.7万

你的私人笔记现在自动出现在 Gemini 里,连分享都不用点

Gemini Pro 用户今天起可直接在对话中引用 NotebookLM 笔记,无需导出或手动上传。

去年,NotebookLM 的笔记已经能传到 Gemini App,但得先从 NotebookLM 导出文件,再手动上传。整个过程要切换两次应用,上下文也就断了两次。

现在,这些私人笔记——哪怕从来没点过“分享”——已经原生出现在 Gemini App 左侧栏。Gemini Pro 用户今天起就能直接用,符合条件的人默认开启,不需要邀请码,也不是灰度测试。

他们可以在对话里直接引用自己的笔记。

官方还没说清楚这个功能是否支持 NotebookLM 里的所有文件类型,也没说明非 Pro 用户以后能不能用。如果源笔记被删了,Gemini 里的引用会怎样,同样没有答案。

在 X 看原帖 ↗
8.7万1871.5K545
开源 · @RoundtableSpace▲ 2.5万

Claude的平替,现在能塞进你家旧Mac里

设计师用2019款MacBook Pro跑通了带语音和任务代理的Claude替代品,不联网、不付费、模型文件自己存。它现在处理会议纪要的速度,接近助理边听边记边整理——接下来本地AI工具链会怎么长出新枝?

在 X 看原帖 ↗
2.5万23710
更多信号 · 按时间
开源 · @shawmakesmagic▲ 3.0K

AI 现在靠看屏幕就能玩老游戏,连大模型都不用

Milady 项目新进展:纯视觉识别操控 Runescape、DotA 等经典游戏

@shawmakesmagic 宣布 Milady 已和 DotA Agents 跑起来了。一起上线的还有 Runescape 2004、Babylon、Hypescape 和 Defense of the Agents。

这套系统不碰游戏官方 API,也没做逆向工程。简单说,它直接看屏幕像素,识别 UI 元素,再控制鼠标键盘操作。所有这些应用都没调用大模型的文本接口,全靠视觉到动作的闭环建模。

Milady 是一个早期 AI 角色项目。

现在,老游戏能被 AI 这样操作,不需要大模型的文字理解能力。

在 X 看原帖 ↗
3.0K5242
政治 · @phl43▲ 1.6K

特朗普说的‘停火’,被网友读出了另一层意思

一条万转推文揭示:公众对政治话语的信任正在悄悄转移

@phl43自称不是政策分析师,而是长期追踪话语惯性的观察者。他发推写道:“It's starting to look like what Trump calls a ceasefire is just ‘we're going to’。”这条推文被转发上万次,有人只附了一句“lmao”。

在部分转发者的理解中,“停火”被读作:“我们抽身,你们善后”。读者看到外交新闻里的“停火”时,可能以为冲突结束了。但高频转发的推文传递的,有时不是协议内容,而是对协议真实意图的怀疑。

这种解读没有上下文佐证——原文未说明特朗普使用“ceasefire”的具体场合,也未提供数据来源。目前不清楚这类话语观察是否适用于其他政治人物。

在 X 看原帖 ↗
1.6K669
工程 · @rauchg▲ 7.8K

你手机浏览器里藏着一个不用安装的开发环境

有人在咖啡馆直接改公司网页,没装任何工具

有人曾在咖啡馆用手机浏览器修改公司活动页的排版和报名表逻辑,全程未安装编辑器或专用 App。

现代浏览器内置了 HTML 解析器、JavaScript 运行时和 CSS 引擎。部分新 API 还支持 WebGPU 做 3D 渲染、用 Canvas 绘制文本,甚至通过文件系统 API 读写本地文件。这些能力过去依赖开发环境,如今已集成在日常访问的网页中。

它们运行在浏览器沙盒内,但部分可直接调用硬件资源,无需经过传统操作系统的完整权限审批流程。浏览器的信任机制更多依赖 URL 和 HTTPS 证书,而非要求用户安装“可信应用”。

大语言模型的训练数据包含大量网页内容,可能因此更熟悉 <div> 结构或 fetch() 请求的常见模式。当浏览器能承载复杂逻辑,AI 又能解析页面结构,工作流的边界正在模糊。

在 X 看原帖 ↗
7.8K1617645
商业 · @WesRoth▲ 322

xAI同时训练7个模型,参数规模横跨手机到超算

有人在机房里调参时还在纠结要不要升级显卡,而xAI的训练队列已经像地铁早高峰一样排满七条线——最小的模型能跑在手机上,最大的接近当前公开模型上限。如果你正为选基座模型发愁,这组并行实验可能比单次SOTA更说明方向。

工具 · @AdinaYakup▲ 816

ViT tokenizer能压缩图片,还绕开了像素失真

设计师用Photoshop存图时反复调整质量滑块,而TC-AE这个新tokenizer把图像转成类似文字token的离散单元,压缩后重建不糊边、不泛色。它现在处理的,是以前需要三个人跟进的事:修图师、前端工程师、CDN运维。

产品 · @0xSero▲ 2.4K

快模型还没配好缰绳,但产品机会已经冒头

创业者还在用GPT-4 Turbo搭客服流程,而有人已用毫秒级响应模型做出实时会议纪要+自动议程生成器,开会结束就弹出待办清单。基础设施没跟上,反而让第一批尝试者避开大厂标准路径,在缝隙里长出新枝。

社区 · @swyx▲ 1.7K

AIE大会临时开放听众演讲,连Slack链接都还没写完

有人刚在Slack里敲下‘我想讲RAG调试踩坑’,五分钟后收到确认邮件和Zoom房间号;会场角落的白板上,手写议程替换了原定PPT。如果你明天要赶一场线下技术聚会,这可能是你第一次不用提前两周占座。

开源 · @altryne▲ 916

伦敦直播连线OpenAI前Hugging Face工程师,聊的是开源替代路径

远程参会者泡着咖啡看屏幕,台上人正演示如何用3台消费级显卡复现某闭源模型的推理链路。他没提API价格,只放了一张对比图:延迟差80ms,准确率差0.3%,README里写着‘替换model_name即可运行’。

📰 行业动态
开源 · @RoundtableSpace▲ 2.5万

Claude的平替,现在能塞进你家旧Mac里

设计师用2019款MacBook Pro跑通了带语音和任务代理的Claude替代品,不联网、不付费、模型文件自己存。它现在处理会议纪要的速度,接近助理边听边记边整理——接下来本地AI工具链会怎么长出新枝?

在 X 看原帖 ↗
2.5万23710
商业 · @WesRoth▲ 322

xAI同时训练7个模型,参数规模横跨手机到超算

有人在机房里调参时还在纠结要不要升级显卡,而xAI的训练队列已经像地铁早高峰一样排满七条线——最小的模型能跑在手机上,最大的接近当前公开模型上限。如果你正为选基座模型发愁,这组并行实验可能比单次SOTA更说明方向。

工具 · @AdinaYakup▲ 816

ViT tokenizer能压缩图片,还绕开了像素失真

设计师用Photoshop存图时反复调整质量滑块,而TC-AE这个新tokenizer把图像转成类似文字token的离散单元,压缩后重建不糊边、不泛色。它现在处理的,是以前需要三个人跟进的事:修图师、前端工程师、CDN运维。

产品 · @0xSero▲ 2.4K

快模型还没配好缰绳,但产品机会已经冒头

创业者还在用GPT-4 Turbo搭客服流程,而有人已用毫秒级响应模型做出实时会议纪要+自动议程生成器,开会结束就弹出待办清单。基础设施没跟上,反而让第一批尝试者避开大厂标准路径,在缝隙里长出新枝。

社区 · @swyx▲ 1.7K

AIE大会临时开放听众演讲,连Slack链接都还没写完

有人刚在Slack里敲下‘我想讲RAG调试踩坑’,五分钟后收到确认邮件和Zoom房间号;会场角落的白板上,手写议程替换了原定PPT。如果你明天要赶一场线下技术聚会,这可能是你第一次不用提前两周占座。

开源 · @altryne▲ 916

伦敦直播连线OpenAI前Hugging Face工程师,聊的是开源替代路径

远程参会者泡着咖啡看屏幕,台上人正演示如何用3台消费级显卡复现某闭源模型的推理链路。他没提API价格,只放了一张对比图:延迟差80ms,准确率差0.3%,README里写着‘替换model_name即可运行’。

📌 其他
新研究 · @fchollet▲ 4.6万

基础大模型连临时想个解法都做不到

一项新研究发现,未经微调的大模型在需要现场推理的数学题上全军覆没。

一项研究测试了十几款未经额外训练的基础大语言模型在数学问题上的表现。题目不考计算速度,也不考记忆套路,专挑需要临时拆解、重组逻辑关系的题。结果全军覆没。

失败原因不是算得不够快,而是这些模型压根没有构建新推理链的能力。它们无法在未见过的结构中生成有效的中间步骤——这正是早期一批研究者对“推理”的操作性定义。

而在2024年,主流测试用的是微调后模型、带思维链提示、甚至人工筛选过的样本。那种方法被比作“用职业选手的录像判断业余球员的潜力”。

2024年时,公开说“基础大模型没有流体智力”几乎等于学术自杀。这个对“推理”的操作性定义本身,直到2025年才成为数学泛化评测的默认协议。这条路的终点未必是“造出会推理的AI”,而可能是“我们终于承认:推理这件事,原来有不可绕过的门槛”。

在 X 看原帖 ↗
4.6万67400274
新开源 · @wholemars▲ 5.9K

火星车凌晨三点自己发推:更新要来了

它没等地球指令,首次自主宣告软件状态并恢复失联后的通信。

工程 · @NousResearch▲ 1.0万

它17秒把Figma转成带类型定义的React代码,还能靠社区技能包越用越强

不是概念演示,GitHub已合并相关PR,但细节仍待公布。

@NousResearch 宣布 Hermes 即将成为严肃的创作工具。相关功能已有 GitHub 仓库中合并的 PR 作为证据,不是概念演示。

Hermes 现在能直接读取 Figma 文件结构,并生成带 TypeScript 类型定义、CSS 模块化和 Storybook 示例的 React 代码。模型完成初稿的时间据称为 17 秒。

它的能力扩展靠社区提交的“生产级技能包”。每个技能包都附带真实项目验证过的输入输出样本,和错误回滚逻辑。Hermes 能做什么,要看有多少人愿意把自己的工作流拆成可复用的模块。

但 Hermes 是否支持除 React 外的其他框架、Figma 文件读取的具体范围、17 秒生成时间的测试条件、技能包的审核机制、是否开源及正式版发布时间,目前都不清楚。也没有公开信息显示已有企业将其用于生产环境。

在 X 看原帖 ↗
1.0万621930
开源 · @shawmakesmagic▲ 3.0K

AI 现在靠看屏幕就能玩老游戏,连大模型都不用

Milady 项目新进展:纯视觉识别操控 Runescape、DotA 等经典游戏

@shawmakesmagic 宣布 Milady 已和 DotA Agents 跑起来了。一起上线的还有 Runescape 2004、Babylon、Hypescape 和 Defense of the Agents。

这套系统不碰游戏官方 API,也没做逆向工程。简单说,它直接看屏幕像素,识别 UI 元素,再控制鼠标键盘操作。所有这些应用都没调用大模型的文本接口,全靠视觉到动作的闭环建模。

Milady 是一个早期 AI 角色项目。

现在,老游戏能被 AI 这样操作,不需要大模型的文字理解能力。

在 X 看原帖 ↗
3.0K5242
开源 · @altryne▲ 3.9万

有人在 M2 MacBook Air 上跑了一整晚的 AI 神话角色

靠几行 JSON 规则,不用大模型记上下文也能持续扮演

OpenClaw 是一个开源前端工具。它不训练模型,也不托管服务。如果你本地部署了 Claude,OpenClaw 能通过兼容 Anthropic API 的接口和它对话。

有人用 M2 MacBook Air 跑了它一整晚。

OpenClaw 内置一个人格模板叫 Mythos。它预设了神话叙事风格、多轮记忆锚点和隐喻式响应逻辑。这些行为不是靠大模型自己记上下文,而是靠一套轻量级状态机——用几行 JSON 规则标记当前对话所处的状态。

你可以直接改配置文件来调整 AI 的行为,不用等官方更新,也无需微调模型。开源给了你控制权,也顺手把维护的工作交到了你手上。

在 X 看原帖 ↗
3.9万224310
工具链 · @NotebookLM▲ 8.7万

你的私人笔记现在自动出现在 Gemini 里,连分享都不用点

Gemini Pro 用户今天起可直接在对话中引用 NotebookLM 笔记,无需导出或手动上传。

去年,NotebookLM 的笔记已经能传到 Gemini App,但得先从 NotebookLM 导出文件,再手动上传。整个过程要切换两次应用,上下文也就断了两次。

现在,这些私人笔记——哪怕从来没点过“分享”——已经原生出现在 Gemini App 左侧栏。Gemini Pro 用户今天起就能直接用,符合条件的人默认开启,不需要邀请码,也不是灰度测试。

他们可以在对话里直接引用自己的笔记。

官方还没说清楚这个功能是否支持 NotebookLM 里的所有文件类型,也没说明非 Pro 用户以后能不能用。如果源笔记被删了,Gemini 里的引用会怎样,同样没有答案。

在 X 看原帖 ↗
8.7万1871.5K545
工具 · @joshwoodward▲ 6.8万

你的聊天窗口突然有了第二个大脑

Gemini 把文档研究能力悄悄塞进对话里,不用跳转就能引用百份文件。

Gemini App 的对话界面嵌入了 NotebookLM 的部分功能。溯源引用、跨文档概念串联、自动生成摘要图谱——这些原本在独立工具中提供的能力,现在出现在聊天窗口里。

过去,这类研究功能需要切换到专门界面。现在,它们被整合进同一个对话流,没有新增按钮,只减少了跳转。

用户一次最多能上传 100 个文件,类型包括 PDF、网页、文档等。系统自动提取语义关系并建立索引,能引用之前上传的内容,比如上周的行业白皮书、三个月前标注的段落,或曾删除又恢复的批注。技术说明列出的具体动作为:上传、索引、关联。

@joshwoodward 在社交平台称它像“第二个大脑”。

目前尚不清楚这些数据会保留多久,是否加密存储,以及功能是否需要额外付费。

在 X 看原帖 ↗
6.8万77605202
影视技术 · @minchoi▲ 226.3万

Netflix 开源了个 AI 工具,能一键抹掉视频里的东西还不露破绽

它用物理规律让背景动得更真实,还能在你家电脑上跑

Netflix 发布了名为 VOID 的 AI 工具,能一键移除视频中的物体,同时自动重建被遮挡的背景纹理,并让周围元素按真实动态重新运动。

VOID 在训练时引入了物理约束,比如让布料飘动符合空气动力学,生成结果因此更少出现常见的“AI 假感”。

这个项目完全开源,代码和训练数据都已公开。它不提供 API,也不收订阅费,只放出模型权重和推理脚本。你不需要把视频传到第三方服务器,也用不着付授权费。

VOID 不依赖云端渲染。本地用一块中端显卡(如 RTX 4070)就能实时处理 1080p 视频。独立创作者现在可以用消费级硬件完成过去需要专业后期才能做的清理工作。

在 X 看原帖 ↗
226.3万1842.3K2.0K
工程 · @rauchg▲ 7.8K

你手机浏览器里藏着一个不用安装的开发环境

有人在咖啡馆直接改公司网页,没装任何工具

有人曾在咖啡馆用手机浏览器修改公司活动页的排版和报名表逻辑,全程未安装编辑器或专用 App。

现代浏览器内置了 HTML 解析器、JavaScript 运行时和 CSS 引擎。部分新 API 还支持 WebGPU 做 3D 渲染、用 Canvas 绘制文本,甚至通过文件系统 API 读写本地文件。这些能力过去依赖开发环境,如今已集成在日常访问的网页中。

它们运行在浏览器沙盒内,但部分可直接调用硬件资源,无需经过传统操作系统的完整权限审批流程。浏览器的信任机制更多依赖 URL 和 HTTPS 证书,而非要求用户安装“可信应用”。

大语言模型的训练数据包含大量网页内容,可能因此更熟悉 <div> 结构或 fetch() 请求的常见模式。当浏览器能承载复杂逻辑,AI 又能解析页面结构,工作流的边界正在模糊。

在 X 看原帖 ↗
7.8K1617645
开源 · @minchoi▲ 3.8万

谷歌新AI能完全离线运行,但有个前提

Gemma 4本地推理需搭配两个开源工具,三行命令搞定

有消息提到谷歌推出了名为 Gemma 4 的轻量级 AI 模型。据描述,它的答案由设备本地计算得出,不依赖云端服务器。

运行 Gemma 4 需要配合两个开源工具:Ollama 作为运行环境,OpenClaw 提供图形界面接入。部署流程包括安装 Ollama、下载 Gemma 4 模型、再用 OpenClaw 接入界面,相关操作涉及几行命令行指令。

本地运行是否真能避免敏感数据上传,以及在无网络环境下是否可靠,仍有待验证。

消息中还提到 E2B 和 E4B 两个术语。如果 E2B 指某种入门级安卓配置,它或许能处理基础任务;E4B 若对应主流笔记本,可能支持多轮复杂推理。但这两个术语的具体含义目前尚不清楚。

在 X 看原帖 ↗
3.8万35259365
工程 · @skirano▲ 1.4万

AI 现在能从截图里精准抠出按钮,连像素误差都控制住了

Meta 新模型 Muse Spark 联合训练视觉与语言,生成可直接合入项目的 UI 代码。

Meta 新发布了 Muse Spark。它能把 UI 截图里的单个元素提取为带透明背景的 PNG,再生成结构清晰、带语义标签的 HTML 和适配尺寸的 CSS。

Muse Spark 没用传统 OCR 或计算机视觉流水线,而是把视觉理解与语言建模放在统一架构里联合训练。过去也有模型尝试“看图写代码”,但边缘识别常错位,按钮宽高经常差 20 像素。

相比之下,如果 Muse Spark 的定位误差真能控制在几个像素内,生成的代码可能直接合入主干。这可能会改变开发者对 AI 生成代码的审查方式——但前提是精度足够可靠。

在 X 看原帖 ↗
1.4万17292134
工程 · @skirano▲ 3.4万

GPT-5.4干同样的活,账单只有Opus 4.6的三分之一

两者输出相近,但成本差三倍——尽管都没官宣

上周,有人在会议间隙同时调用 Opus 4.6 和 GPT-5.4 处理合同条款比对任务。两个模型输出的结果相近,但账单差了近三倍。

测试者看到的报价显示,GPT-5.4 每千 token 的费用接近 Sonnet 水平,而 Opus 4.6 的单价更高。实际支出中,GPT-5.4 的花费约为 Opus 4.6 的三分之一。

不过,这两个模型的实际规模和产品状态都未被官方公开确认。用户无法基于公开信息判断它们的真实能力边界或稳定性,技术选型只能依赖非正式测试。

这次对比仅限于合同条款比对任务。尚不清楚成本差异是否来自单价本身,还是也受 token 使用效率影响,也没有证据表明这一结果适用于其他任务。

在 X 看原帖 ↗
3.4万846825
商业 · @binarybits▲ 1.2万

不卖芯片不建机房,它靠AI软件赚到英伟达三分之一的收入

Anthropic年收入达300亿美元,新推理技术让客户算力产出提升40%。

Anthropic公布了300亿美元年经常性收入(ARR),约为英伟达2023财年数据中心业务收入的30%。两家公司的模式截然不同:Anthropic不卖芯片、不建数据中心,也不收云租用费。

它靠纯软件服务拿到了接近顶级芯片厂商三分之一的经常性收入。企业愿意为高质量AI服务付费,即使不掌控底层硬件。

Anthropic刚发布了名为Glasswing的推理优化技术。这项技术能让同款模型在相同硬件上多处理40%的请求。客户支付同样的服务费,实际获得的算力产出变多了。这对企业用户意味着更高的性价比,也可能倒逼竞争对手提升效率。

部分企业或许开始将法律尽调、保险核保等流程交由闭源AI模型处理。如果属实,运营风险正从内部系统转向外部模型。但目前尚不清楚这种转移是否普遍,或是否已被充分评估。

Anthropic没有说明这300亿美元ARR是基于已签署合同还是包含承诺性收入。哪些企业在关键业务中部署了它的闭源模型,也未公开披露。

在 X 看原帖 ↗
1.2万122105
政治 · @phl43▲ 1.6K

特朗普说的‘停火’,被网友读出了另一层意思

一条万转推文揭示:公众对政治话语的信任正在悄悄转移

@phl43自称不是政策分析师,而是长期追踪话语惯性的观察者。他发推写道:“It's starting to look like what Trump calls a ceasefire is just ‘we're going to’。”这条推文被转发上万次,有人只附了一句“lmao”。

在部分转发者的理解中,“停火”被读作:“我们抽身,你们善后”。读者看到外交新闻里的“停火”时,可能以为冲突结束了。但高频转发的推文传递的,有时不是协议内容,而是对协议真实意图的怀疑。

这种解读没有上下文佐证——原文未说明特朗普使用“ceasefire”的具体场合,也未提供数据来源。目前不清楚这类话语观察是否适用于其他政治人物。

在 X 看原帖 ↗
1.6K669

这一天的 20 条信号到这里

回到今日焦点回到顶部 ↑

📬 订阅

https://ai-pulse-lab.com/feed.xml
让 AI Agent 每日推送 →
把任何一条丢给知识库,它基于全站内容给你带引用的回答。
✦ 去问知识库

订阅 AI Pulse

每天 08:00 · 12:30 · 18:30 · 23:50 更新