註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 Conva単独
Conva単独 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 Conva単独 的搜尋結果
让 AI 做网页设计,出来的十有八九都一个样:居中大标题、三张一模一样的卡片、紫蓝渐变、emoji、"赋能你的工作流"——这叫 AI 味,SDesign 专门治这个。 一句话:64 套不同调性的网页设计提示词,复制粘给任意 AI,出来的页面有设计师品位,不飘、不烂、不撞款,零安装。 为什么 AI 做的设计总是一个味: AI 默认往"安全、中庸、讨好所有人"的方向靠,没有人给它具体的审美约束,所有人的输出自然就趋同了。SDesign 做的事情就是把这个约束提前写好塞进去: (1)6 大美学家族,64 套真不一样的设计——极简留白(Airbnb / Stripe / Notion)、科技暗黑(Linear / Supabase / Warp)、暖色人文(Claude / Cursor / Arc)、电影暗调(Raycast / SpaceX / Runway)、数据密集(Binance / GitHub)、大胆彩色(Duolingo / Canva / Hugging Face)——每一套都是真不一样的调性,不是同一套模板改了个颜色 (2)内置去 AI 味硬规则——不只是说"做得好看一点",是机械可执行的具体规则:禁止出现居中大标题布局、禁止三卡等分、禁止紫蓝渐变、禁止多余 emoji……Claude 级和更弱的模型实测都能遵守 (3)复制即用,零安装——找到你想要的美学,打开 prompt.md,复制整段,粘给 Claude / ChatGPT / Codex,后面接一句"给我做个 XXX 页面"就行 (4)也能装进 Claude Code 当 SKILL——把这个仓库丢进项目,Claude Code 读 SKILL.md 会自动按你的需求挑美学、套规则,不用每次手动选 (5)手绘插画配图也有——单独一个 illustration/ 模块,给正文文章配一张手绘草图风格的插画,因为精致 AI 配图本身也是 AI 味重灾区 在线直接看 64 套效果: 用 AI 做落地页、产品页、个人网站的兄弟,这套提示词库可以省掉很多来回改稿的时间。 好东西转给需要的兄弟。🚀 #AI设计# #Claude代码# #老杨啊分享#
顯示更多
投机解码的 drafter 从来都是一个 token 一个 token 地猜。做出 DFlash 的推理公司 Inco AI 说这没必要:正确的 token 本来就在候选列表里,整块并行预测之后挑出一条连贯路径,输出不变,每次验证多赚一个完整的 token。 《DFlash 2:保持并行起草》 推理是 agent 时代的瓶颈。agent 会读、会规划、会调用工具,常常一跑就是几小时甚至几天。它们消耗 token 的速度,是聊天场景从未达到过的。而每一个 token 都要在模型上跑一次完整的前向传播。在 Inco AI,我们在构建一套面向未来 token 经济学的推理栈。这篇文章是一次预览。 我们的团队 1 月发布了 DFlash(论文: SGLang、vLLM、TensorRT-LLM 和 llama.cpp 里。NVIDIA 在 Blackwell GPU 上用它测到了最高 15 倍的吞吐;Google 报告在 TPU 上每秒 token 数提升 3 倍;CoreWeave 生产环境的 Kimi K2.7 Code 端点(Artificial Analysis 上该模型最快的端点)默认就跑 DFlash。生态已经在它之上构建:NVIDIA、Red Hat、Modal 都发布了 DFlash drafter;Meta(Muse Glimmer)、Poolside(Laguna)、小米(MiMo-V2.5-Pro)、NVIDIA(Nemotron 3.5 Lightning)随自家模型发布官方 drafter。在 Hugging Face 上,DFlash 模型被下载了超过 350 万次(截至 2026 年 8 月)。 投机解码是现代推理栈的核心组件之一。一个小 drafter 模型猜出一整块 token,目标模型在一次前向传播里验证整块。猜得好,一次前向变成多个 token;猜得差,丢掉重来。但多年来,起草本身一直是自回归的:一次一个 token。DFlash 让它也变成了一次通过:整块、每个位置,并行预测。 (演示视频:DFlash 2 在 Apple M5 Max 上用 oMLX 为 Qwen3.8-27B 起草,与自回归解码并排对比。 DFlash 2 把并行起草又往前推了一步:每次验证通过多产出 20% 以上的输出,增加的周期延迟只有约 1%,而输出可证明不变。跨基准测试的增益在 16–25%。配合今天发布的 Qwen3.8-27B drafter,SGLang 在 batch size 1 下达到自回归解码 2.7–3.4 倍的吞吐。每个位置独立预测,留下两处空间:选对 token,以及在块的末尾守住准确率。DFlash 2 把这两处都拿了回来,同时没有放弃一次性通过的设计。 现在就能跑 DFlash 2 已经跑在主流推理引擎里。 SGLang: pip install -U "sglang[all] @ git+" python -m sglang.launch_server \ --model-path Qwen/Qwen3.8-27B \ --speculative-algorithm DFLASH \ --speculative-draft-model-path incoai/Qwen3.8-27B-DFlash2 \ --speculative-num-draft-tokens 8 vLLM: pip install -U "vllm @ git+" vllm serve Qwen/Qwen3.8-27B \ --speculative-config '{ "method": "dflash", "model": "incoai/Qwen3.8-27B-DFlash2", "num_speculative_tokens": 7 }' llama.cpp: git clone cd llama.cpp git fetch origin pull/27342/head:pr-27342 git switch pr-27342 NVIDIA CUDA cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_CUDA=ON cmake --build build -j Apple Silicon cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_METAL=ON cmake --build build -j ./build/bin/llama-server \ -hf ggml-org/Qwen3.8-27B-GGUF:Q4_K_M \ -hfd incoai/Qwen3.8-27B-DFlash2-GGUF:Q4_K_M \ --spec-type draft-dflash \ --spec-draft-n-max 7 oMLX:下载安装支持 DFlash 2 的预构建版( 在 oMLX 里跑 Qwen3.8-27B 加 DFlash 2: 1. 打开 oMLX 的 Model Downloader,下载 mlx-community/Qwen3.8-27B-4bit 和 incoai/Qwen3.8-27B-DFlash2。 2. 打开 Model Manager,编辑 mlx-community/Qwen3.8-27B-4bit,配置 DFlash: • DFlash:enabled • Draft model:incoai/Qwen3.8-27B-DFlash2 • Draft quantization:enabled • Runtime block size:5 • Verify mode:dflash 3. 保存设置,加载目标模型。 对的 token 早就在候选里 DFlash 每个位置独立、并行地预测。每个选择单独看都合理,但没有什么让它们彼此咬合,一个不连贯的块会在验证时被截断。近期的方法如 Domino 和 DSpark,用顺序的 Markov head 重写每个位置的完整词表分布来买连贯性。但真的需要这种昂贵的自回归纠错吗? 不需要。证据就在 DFlash 自己的候选列表里。拿第一个位置来说:DFlash 的第一选择 85.4% 的情况下是对的,但正确的 token 99.5% 的情况下都在前 16 个候选里。即使第一选择错了,对的 token 通常也在列表上。 表 1:Recall@1(第一选择正确的概率)与 Recall@16(正确 token 出现在前 16 候选里的概率),按起草位置统计,条件是前面每个位置都正确。GSM8K 上的五层 Qwen3-4B DFlash。接受长度包含验证器产出的下一个 token。 • 位置 0:Recall@1 85.4%,Recall@16 99.5% • 位置 1:80.3%,97.3% • 位置 2:79.4%,94.8% • 位置 3:78.3%,92.6% • 位置 4:77.5%,90.8% • 位置 5:75.9%,89.4% • 位置 6:72.9%,87.8% • 接受长度:4.27(只看第一选择);6.79(从前 16 里选) 一个总能从前 16 个候选里挑对的那个 oracle,会把接受长度从 4.27 抬到 6.79。这个差距是纯粹的选择空间。我们只需要在候选里选出一条正确的路径。 图 1:一个周期里的选择器。只用 DFlash,每个位置保留自己的第一选择;这里两个相邻位置选了同一个词,结巴在验证时死掉。DFlash 2 保留每个位置的 top 候选,选择器在候选之间走出一条连贯路径;这里整块都活了下来。 一个轻量的路径选择器 连贯性大体是局部的:一个候选合不合适,主要取决于它前面的那个 token,所以给相邻对打分应该就够了。DFlash 2 保留每个位置前 16 个候选,给每一对相邻候选打分。对前一个 token a 和当前候选 b: S_t(a,b) = U_t(b) + ⟨A(a)⊙H(h_t), B(b)⟩ 分数分两部分。第一部分 U_t(b) 是 DFlash 自己的 logit:drafter 本身有多喜欢 b。第二部分问 b 接在 a 后面有多顺:A 和 B 给每个 token 一个紧凑的 256 维嵌入,两个嵌入在一个上下文门控 H(h_t) 下匹配,门控决定匹配的哪些部分算数。本质上,这是对相邻候选做的低秩双线性注意力。 打分全程并行。每个位置的每一对相邻候选一次性全部算完,不需要额外的 backbone 或 LM head 前向。唯一串行的部分,是最后在预计算好的分数上走一遍:从最后一个已验证 token 出发,贪心地跟着每一步最好的后继走,采样从同样的分数里抽取,拒绝采样恢复出精确的目标分布。 表 2:只加路径选择(不加卷积)的接受长度,GSM8K 上的五层 Qwen3-4B。开销相对纯 DFlash:drafter 增加的参数、起草-验证周期增加的延迟。 • DFlash:T=0 下 4.27,T=1 下 3.78 • + DSpark 纠错:+77.8M 参数,+9.6% 延迟;4.49,4.08 • + 路径选择(我们的):+2.0M 参数,+0.6% 延迟;4.61,4.25 选择器在 T=0 下给 DFlash 加 0.34 个 token,T=1 下加 0.47。两个设置下都超过 DSpark 的纠错,参数少约 40 倍,延迟开销低 16 倍。选择比预测便宜。而且还有空间:oracle 能到 6.79。成对打分是我们能想到的最简单的选择器,我们相信这里还有很多可探索的。 后缀衰减是个局部问题 我们还注意到上面两行 recall 都在块尾下滑。连 oracle 都在衰减:即使选择完美,准确率仍然从第一个位置的 99.5% 掉到最后一个位置的 87.8%。没有选择器能修这个,因为候选自己就不够了。我们把这个叫后缀衰减,它是 backbone 的问题。 一个嫌疑是容量:五层 backbone 可能太小,撑不住横跨整块的依赖。如果真是这样,深度应该在靠后的位置帮上最多的忙。事实也如此:3 层、5 层、15 层的 DFlash 模型在第一个位置上几乎一样,越往块尾分得越开。但深度不加区分:多十层 attention block 到处加容量,连那些没什么可赚的靠前位置也加,把 DFlash 吸引人的那部分效率磨掉了。 图 2:GSM8K 上 Qwen3-4B 的 Recall@1(T=0),条件是前面每个位置都正确。所有 drafter 在相同设置下训练;卷积模型评估时不带选择器。它的卷积增加 3% 参数和 0.7% 周期延迟;15 层模型多出的十层增加 15.2%。 我们要一个有针对性的修法,而 DFlash 的 attention 指出了修哪里。它有两份工作:读块之前的上下文,以及建模块内部的依赖。但它在第二份上花的越来越少:块内注意力占比从第 1 层的 30% 掉到第 5 层的 8%,剩下的还集中在越来越少的一小撮 head 里。所以我们把两份工作拆开:一个专用模块承担块内工作,attention 继续读上下文。 图 3:五层 Qwen3-4B DFlash 的块内注意力按 head 分布。越亮的格子代表在起草块上花注意力越多的 head;靠后的层里,块内质量收缩、集中到少数几个 head。 一个轻量的局部卷积 块内工作本来就是短程的:一个块只有 4 到 16 个 token,最紧的依赖坐在相邻位置之间。自然的算子是短卷积:两个抽头,一个在当前位置,一个够到前一个位置,权重随内容自适应。跟随 Canon Layers、Dynamic Short Convolutions 和 Convolution for Large Language Models 的做法,我们在每个 attention 和 feed-forward 子层前后插入这个双抽头动态深度卷积: Conv_k(x)_t = k_{t,0}⊙x_t + k_{t,1}⊙x_{t-1} 每个系数由一个可学习的基核加上从当前隐藏状态算出的一个小修正组成;每 16 个通道共享一个修正。第一个位置读最后一个已验证 token 的表示,之后的每个位置读它前一个的。信息穿过整块,同时所有位置仍然并行计算。 图 4:双抽头动态卷积。每个 drafter 层的每个 attention 和 MLP 子层前后各有一个。内部:每个位置把自己的表示和前一个的混合;第一个位置读最后一个已验证 token。 卷积是块局部的、无状态的,所以能无缝插进 DFlash,不用动 attention、LM head 或验证。 只加 16.5M 参数(3%),带卷积的五层 DFlash 就逼近了 15 层 DFlash,大幅减轻后缀衰减。卷积给起草-验证周期延迟加 0.7%;多十层 Transformer 层加 15.2%。第 4、5 层的平均块内注意力从 9.4% 降到 0.5%,与卷积吸收局部工作、attention 回到读上下文一致。一个只够到前一个位置的核,买回了十层额外层的大部分收益:后缀衰减大体是个局部问题。 合在一起 到目前为止,选择器和卷积是分开测的;下面的完整对比把它们放在一起。DFlash 和 DSpark drafter 是我们在对齐的设置下自己训练的,MTP 随模型发布。 表 3:Qwen3.5-4B 每请求平均接受长度。采样:thinking 开启,温度 1.0,top-p 0.95,top-k 20,presence penalty 1.5,无损拒绝采样。 • GSM8K:MTP 4.78,DFlash 4.99,DSpark 5.69,DFlash 2 6.20 • MATH-500:5.04,5.42,6.20,6.76 • HumanEval:4.84,5.43,5.80,6.28 • MBPP:4.16,4.49,4.96,5.41 • MT-Bench:3.90,4.26,4.77,5.20 • 平均:4.54,4.92,5.49,5.97 DFlash 2 在每项基准上都领先。平均下来,它比 DFlash 多 1.05 个 token(21%),比 DSpark 多 0.48。升级仍然便宜:选择器和卷积加起来,只给五层 DFlash 的起草-验证周期延迟加了 1.3%。 在 MATH-500 上,增益逐位置可见:DFlash 2 到最后一个位置都稳在 86% 附近,而每个基线在块尾都比它低 6 到 9 个点。 图 5:MATH-500 上 Qwen3.5-4B 的条件接受率,采样同上。 两个 drafter,今天发布 我们今天发布两个 DFlash 2 drafter:一个给 Qwen3.8-27B( Meta 的 Muse Glimmer( Qwen3.8-27B,我们对比模型原生的 MTP 路径和一个社区 DSpark drafter。 表 4:Qwen3.8-27B 每请求平均接受长度,模型默认采样、块大小 8,对比原生 MTP 路径和社区 DSpark drafter。 • GSM8K:MTP 5.02,DSpark 4.36,DFlash 2 5.46 • MATH-500:4.72,3.92,5.28 • HumanEval:3.91,3.30,4.39 • MBPP:3.99,3.51,4.79 • MT-Bench:3.74,3.01,4.10 • 平均:4.28,3.62,4.80 对 Meta 的 Muse Glimmer,我们对比随模型发布的官方 DFlash drafter 和一个社区 DSpark drafter。 表 5:Muse Glimmer 每请求平均接受长度,模型默认采样、块大小 16。DFlash 是 Meta 随模型发布的官方 drafter;DSpark 是社区 drafter。 • GSM8K:DFlash 5.43,DSpark 5.45,DFlash 2 6.57 • MATH-500:5.39,5.01,6.56 • HumanEval:4.11,4.33,5.66 • MBPP:3.74,4.02,5.30 • MT-Bench:3.52,3.59,4.42 • 平均:4.44,4.48,5.70 差距很大:在两个模型上,DFlash 2 平均比 DSpark 多出超过一个完整的 token。它也超过每个模型的官方 drafter:Qwen3.8-27B 的 MTP、Muse Glimmer 的 DFlash。换算成吞吐,Qwen3.8-27B 上达到自回归解码的 2.7–3.4 倍,Muse Glimmer 上 3.1–4.6 倍。模型卡( 底线 agent 一个下午写出来的东西,聊天机器人要写一个月,而每一个 token 底下都坐着解码。DFlash 2 以接近自回归解码 3 倍的速度解码,每个 token 约三分之一的算力,输出相同。 七个月里,DFlash 从我们的论文变成了行业标准,超过 350 万次下载。在同一个设计内部,DFlash 2 每次通过多解码一个完整的 token,免费。那还只是服务栈的一个组件。推理离它的地板还很远。 在 Inco AI,我们在构建一套端到端的服务栈,把这个地板继续往下压。DFlash 2 是第一块。两个 drafter 今天发布在 Hugging Face。 如果你在规模化地服务 agent,想在你的栈里评估 DFlash 2,或者想为你跑的模型(包括你自己的微调)要一个 drafter,写信给我们:contact@inco.ai。 我们也在招人。如果你想一起构建这套栈,联系我们。 把候选连起来。起草,继续并行。 脚注:Modal 的 Speculation Is All You Need 指出,投机解码是对低延迟服务最重要的优化。我们是他们工作的超级粉丝,感谢他们自 DFlash 发布以来的支持和讨论。 本文引用格式:@misc{inco2026dflash2, title={DFlash 2: Keep Drafting Parallel}, year={2026}, month={August}, url={ 原文: #DFlash# #投机解码# #LLM推理#
顯示更多
0
46
33
2
轉發到社區
AI家谱生成:家族故事+族谱图,一单199-599元 客户提供家族信息,AI生成家谱图、家族故事、祖先画像 工具:DeepSeek+Canva+Midjourney。 中老年用户对家族传承有强烈需求
顯示更多
0
3
105
18
轉發到社區
用AI做情侣纪念册:爱情故事+插画,一单199-499元 客户提供恋爱经历,AI生成插画和文字,做成纪念册。工具:Midjourney+Canva。 情人节、纪念日需求爆发
0
22
201
16
轉發到社區
如何每天赚 $500,只需要你有这三样: 1. 一台电脑 2. Wi-Fi 3. 时间 下面是 10 个超级实用的 Claude 提示词,直接复制就能用,帮你把任意技能快速转化为被动收入产品(数字产品、课程、模板等)。 Prompt 1:从一个技能中挖掘可盈利的被动收入点 「扮演一名数字产品策略师。我的技能是 [skill],我的经验水平是 [beginner/intermediate/expert],目标受众是 [audience]。给我 15 个可以基于这个技能打造的被动收入产品点子。每个点子需要包含:产品是什么、谁会买、解决什么问题、制作难度、上线速度、最适合的销售平台。并按『最容易赚钱 → 长期潜力最高』排序。」 Prompt 2:把一个技能转化为适合新手的数字产品 「帮我把 [skill] 转化为简单易做的数字产品,目标用户是 [audience]。给我 10 个不需要复杂技术的产品方案,优先使用 Google Docs、Canva、Notion 或表格等工具完成。每个方案包含:产品名称、形式、价格区间、制作步骤,以及为什么有人会买。」 Prompt 3:设计从低价到高价的产品阶梯 「扮演产品体系专家。我的技能是 [skill],受众是 [audience]。帮我设计一个 4 层产品阶梯:低价、中价、高价数字产品和持续订阅。每一层都要自然承接下一层。每层需要说明:卖什么、价格区间、交付形式、用户类型,以及如何引导到下一个产品。」 Prompt 4:7 天内可以上线的最快产品 「我想用 [skill] 在 7 天内做一个被动收入产品。我每天能投入 [X] 小时,目标用户是 [audience]。给我 7 个可以快速完成的产品方案。每个方案包含:每日制作计划、所需工具、预计售价、难度评估,并标出最适合快速出单的最佳方案。」 Prompt 5:把技能匹配到真实需求 「我具备 [skill],目标用户是 [audience]。列出这个人群正在主动解决的 15 个真实问题,并基于这些问题转化为被动收入产品点子。每个点子需包含:问题、产品方案、承诺的改变结果,以及用户购买动机。」 Prompt 6:验证哪些产品真的能卖钱 「扮演市场验证研究员。我想基于 [skill] 向 [audience] 售卖被动收入产品。给我 10 个产品点子,并从需求、紧迫性、制作难度、差异化、购买可能性这 5 个维度打分(1–10 分)。最后指出最有可能最快变现的 3 个产品,并解释原因。」 Prompt 7:从已有经验中挖掘产品 「我不想从 0 开始。帮我把已有的 [skill] 经验转化为产品。分析我经常做的事情、经常解释的问题、常用捷径、常见错误,以及已有的方法论。然后转化为 10 个被动收入产品,并附上产品形式、标题思路和目标用户。」 Prompt 8:生成完整产品大纲 「我想为 [audience] 做一个关于 [topic] 的 [product type]。帮我生成完整大纲,包括:产品标题、核心承诺、模块结构、每一部分内容、附加赠品、快速见效设计,以及最终交付形式。要求简单实用、值得付费,避免学术化。」 Prompt 9:给产品定一个合理价格 「我有一个产品点子:[product idea],目标用户是 [audience]。对比低价、中价、高价三种定价策略。分别说明每个价格应该包含什么、吸引哪类用户、转化逻辑,以及优缺点。最后给出一个适合前期快速出单的推荐价格。」 Prompt 10:选择最适合的销售平台 「我想卖一个与 [skill] 相关的被动收入产品。请对比 Gumroad、Etsy、Payhip、Shopify、Notion 市场或自建网站等平台。结合我的产品类型 [product type]、用户 [audience] 和目标 [goal],推荐最适合的平台,并说明原因,包括手续费、搭建难度、流量潜力和新手友好度。」
顯示更多
0
7
154
40
轉發到社區
Canva也重组裁员了 创立13年以来第一次 波及1271人,占全公司22% 身边已经有朋友中招... 曾经大家眼里神仙一样的澳洲本土明星公司,也没躲过这波AI带来的行业震荡。 原本预期30%的增长,下调到20%,生成式AI竞争太过激烈,创作工具赛道直接换了规则。 一部分人是调岗、要求搬迁到悉尼总部,其余的才是离职,离职补偿给得还算大方。 有时候真的感慨,世上没有永远的避风港。
顯示更多
Canva 网站 About 页面底部有一段英文,我分别让 Fable 5 、Opus 5 和 Sonnet 5 翻译了一下,大家可以对比看看效果。 英文原文: At Canva, we acknowledge the Traditional Custodians of country throughout Australia and their connections to land, sea and community. We pay our respect to their elders past and present and extend that respect to all Aboriginal and Torres Strait Islander peoples today. Sonnet 5 翻译花了 0.0435 美元,结果如下: Canva想表明,澳大利亚各地这片土地自古以来就由原住民守护,我们认可这一点,也认可他们和土地、海洋、社区之间代代相传的联系。不管是过去还是现在的部落长老,我们都心怀敬意,这份敬意同样送给今天所有的原住民和托雷斯海峡岛民。 Opus 5 翻译花了 0.0551 美元,结果如下: 在 Canva,我们向澳大利亚各地土地的传统守护者致意,也尊重他们与土地、海洋和社区之间的深厚联结。我们向他们过去和现在的长辈表达敬意,今天也把这份敬意献给所有原住民和托雷斯海峡岛民。 Fable 5 翻译花了 0.121 美元,结果如下: 在 Canva,我们向全澳大利亚这片土地的原住民传统守护者致意,感念他们与土地、海洋和社群之间的深厚联结。我们向他们已故和在世的长者致敬,也把这份敬意同样致予今天所有的原住民和托雷斯海峡岛民。 我自己感觉,的确是越贵的模型效果越好。 这个价格我需要说明一下的是,这不是简单的翻译,而是有提示词指示需要按照一定的格式翻译并且生成 JSON 格式的数据,所以如果大家只是去翻译,是不需要这么多钱的。
顯示更多
0
49
14
0
轉發到社區
教程长文要发小红书/抖音图文,最烦在 Canva 里一页页手拆,代码和公式还经常断行。 CardDown 把 Markdown 直接渲成分页 PNG 卡:默认 1080×1440,智能分页覆盖标题/代码/表格/KaTeX,内置 claude-like、github 等主题,也能接 Typora 主题包;官方示例一条命令出 1 张封面 + 6 张内容卡。 装 CLI 后补 Playwright Chromium,对本机 md 跑一遍即可。 教程号、复盘卡、课程笔记要批量出图文轮播的人,我建议先收藏。 GitHub:
顯示更多
以前是程序员替 AI 收拾残局,现在 AI 开始给程序员写「无 bug 保证书」了:Anthropic 让 Claude 写形式化证明,官方称覆盖 123 个开源库 另外两个惊喜:Canva 自研图像模型冲到设计榜第 2,Carbon-X 一个 14B 模型就能读 DNA 00:00 开场 00:09 Anthropic 形式化验证 01:56 Canva Craft 02:38 Gemini API CLI 04:36 Devin 漏洞修复插件 05:23 METR 红队测试 OpenAI 智能体监控 06:16 Ideogram Vector 1.0 07:07 蚂蚁 Ling-3.1-flash 07:39 SageAI Sage-A1.5 08:27 NVIDIA Nemotron Retriever 10:39 LlamaIndex OCRia-1 12:39 微软研究院 Flint Interactive 13:56 Underdog Bark 3.0 15:15 Hugging Face Carbon-X 16:31 HexaShell(arXiv 2610.23479) 18:40 LEV 循环决策模型(arXiv 2610.20951) 20:50 片尾
顯示更多
帮外贸工厂做多语种展会物料包 做法:广交会、中东和东南亚展会前,工厂最缺一套像样的外文物料。你用 AI 把中文产品资料重写成地道英文和小语种,套 Canva 模板做画册、易拉宝、展位背板、名片和产品卡,再配一个扫码就能看的电子样本册页面。 成本:Canva 会员一年几百块,一套做两三天。收费:基础版 2000-4000 元,含小语种和电子样本册 6000 元以上,一个展会季能接七八家。 提醒:产品参数和认证编号必须原样照抄,AI 改写时最容易把型号数字改错,在展会现场出错是致命的。
顯示更多