MiniMax H3 官方 API 有个很好用的功能：Context-IR 我用同一个提示词、同一张首帧，分别生成了两段 10 秒 768P 视频。第一段直接生成，第二段经过 Context-IR 它能够把提示词 “甜笑后强忍悲伤” 拆成 吸气、笑容僵住、嘴角颤动、吞咽、肩膀下沉，再补上推镜和声音设计 IR 的本质是通过深度解析跨越文本、图像、音频和视频生成更丰富语义细节上下文 对比下来，IR 版强忍悲伤的过程更细，情绪转折也更连续，能够让生成的视频细节更加丰富、真实 @MiniMax_AI @Hailuo_AI

最近看了一下 Ling-3.0-flash 刚看到 Flash 这个名字时，我以为它只是一个速度更快、价格更便宜的小模型。仔细研究后才发现，它的定位其实挺明确的： 不是和超大模型硬拼推理，而是专门负责干活 现在很多 Agent 工作流有一个很浪费的地方：从分析需求、设计方案，到调用工具、修改代码、整理数据，全程都用同一个大模型 但实际用下来，大模型真正有价值的部分，往往是前面的搜索、规划和决策。后面大量重复执行的工作，并不一定需要最贵的模型 Ling-3.0-flash 想做的，就是后面这一段 比如先让 Ring-2.6-1T 研究资料、拆解任务、确定架构，把约束和方案写进 Spec；再让 Ling 按照文档去改代码、调用 API、处理报错和批量跑任务 简单理解就是： Ring 负责想清楚，Ling 负责往下干 它有 124B 总参数，但每次只激活约 5.1B，原生支持 256K 上下文。比起参数本身，我更在意的还是它对 Agent 场景做的优化： 工具调用更稳定，参数不容易乱填；长任务中遇到错误后，能够根据日志继续检查和修改，也不容易一直卡在同一个错误里循环 这一点其实比「能不能一句话写出一个网站」重要得多 我现在越来越不喜欢那种零代码、One-shot 生成完整项目的演示。看起来很震撼，但真正放进工程里，目录、接口、状态和依赖很快就会乱掉 Ling 更适合结对编程 人先确定架构、边界和验收标准，模型负责快速修改，然后不断执行： 写代码 → 跑测试 → 读取报错 → 继续修复 尤其是在 TypeScript 这类强类型项目中，编译器本身就是一个很好的反馈机制。相比让模型自由发挥，有明确报错和测试结果时，它反而能干得更稳 除了写代码，它也很适合一些看起来不复杂、但数量特别大的任务： 批量整理表格和日志、从长文档里抽取信息、转换 JSON、筛选简历、清理隐私数据，或者在 Agent Graph 里负责分类和任务分发 这些工作不需要模型每次都深度思考，真正重要的是速度快、成本低、格式别乱 Ling 支持思考和非思考切换。复杂任务可以开启思考，批量处理时也可以关闭，把它当成一个高吞吐的执行节点 当然，它也不是万能的 它的世界知识和复杂宏观推理不如 1T 级别的大模型，也不适合一句话从零设计一个大型系统。原生也不支持图片、音频这类多模态输入，需要搭配其他模型使用。 最容易踩坑的方式，就是只告诉它： 「没跑通。」 这种模糊反馈对执行模型没什么帮助，它只能继续猜 更有效的方式是直接给清楚： 现在出现了什么结果、预期应该是什么、具体报错是什么、允许修改哪些文件，以及最后用什么测试判断完成。 做批量任务时也一样，最好提前准备 JSON Schema、Pydantic 或其他格式校验。没有验证环节，再稳定的模型跑久了也可能出现输出漂移 所以我觉得，Ling-3.0-flash 的价值不在于又做了一个「什么都会」的模型，而是把 Agent 工作流里的分工进一步讲清楚了： 复杂问题交给大模型规划，重复执行交给更快、成本更低的模型处理 没必要让最聪明的人一直复制表格、改格式、重跑测试 Agent 真正走进生产环境以后，这种能稳定干活的执行模型，可能比单纯追求更大参数更实用

最近币安交易所、许多博主都在介绍 bStocks 包括我现在使用的头衔 - 买美股上币安 所以我使用 AI 以及相关 Skill 简单做了一期视频，聊聊股票上链以后，到底改变了什么 bStocks 它不只是把股价 “做成一个 Token” ，背后还涉及经济权益映射、分红拆股、全天交易、自托管钱包、DeFi 组合性，以及发行人、流动性、智能合约和地区规则等风险 如果你也在关注 RWA 和链上股票，可以花几分钟看看 内容仅为个人学习笔记，不构成投资建议

之前看到了 @YuLin807 大佬在用 Multica，我也去研究了一下发现这才是我想要的 不用来回切换 Agent，抱着平板说说话各种 AI 就能全部干了 各种人格，自动化，看板全有了