前端哥Liam
@jinglian
11年前端开发者 & AI 重度用户｜
AI工具 + X运营，我踩过的坑都帮你避开｜
vx：qian_duan_ge
主页：
1.3K 正在關注 8K 粉絲
曾经，无数玩家为了仅仅 2 个小时的体验，心甘情愿花几千块买下一整台游戏主机。
没有战斗，没有暴力，却靠纯粹的意境让人泪流满面。
没错，这就是那款大名鼎鼎的「风之旅人」。当年我也是被这神级口碑疯狂种草，甚至专门去淘了台二手 PS4。
而今天，我竟然用 AI 亲自把它复刻了出来 👇
全靠今天发现的这个惊艳工具：
@gearzero_alaya
这是一个完全【零代码】的 AI 游戏创作平台，彻底改变了开发逻辑。
你只需要用大白话把你“想玩的游戏”描述出来，Gear 就能直接帮你生成！
真正让我觉得好用的是它的迭代机制：
1️⃣ 随时打断：制作期间，你可以源源不断地补充新想法。
2️⃣ 节点确认：所有生成的内容都会被保留，等你确认满意后，再进入下一轮开发。
3️⃣ 极简分享：做完后一键生成链接，发给朋友在浏览器里打开就能直接玩。
我立刻用 Gear 尝试复刻了那份最初的感动。
别说，当进入游戏的那一瞬间，那些关于「风之旅人」的尘封记忆直接被打开了。
曾经需要庞大团队才能构建的意境，现在只需要纯粹的想法。
【Vibe Gaming】 真的正在一步步变成现实 🔥
强烈建议大家去体验一下，亲手把你脑海里的那个完美游戏做出来：
💡 每天都有免费建造额度，发布游戏还能持续获赠更多额度！
👉
顯示更多
有工作干，就别干自媒体
一把辛酸泪，都变成游戏了👇
绝对真实
✨零代码把脑洞做成游戏｜自媒体人的扎心现实被我做成游戏
做自媒体越久越感慨❗
接商单有时候不靠内容质量，纯纯拼手速😭
群内空降商单｜800r/人，限30位
等你填完表格信息，提交瞬间：名额已满💢
这种抢单的窒息体验，我直接做成游戏
《你这么快，你媳妇儿知道吗？》
🔹工具：Gear Zero
完全零代码！不需要编程、不用下载软件，只用自然语言描述想法，AI自动完成策划、编码、美术、关卡，产出可直接运行的浏览器游戏。
🎮试玩我的成品游戏：
💡平台亮点
✅零门槛，普通人靠说话就能做游戏
✅浏览器直接游玩，无需下载安装
✅支持多人共创房间，朋友一起边聊边做游戏
✅作品一键生成链接，随时分享传播
✅手机、平板、电脑全都可以访问使用
🚀想实现自己的游戏构想？
打开官网注册，开启你的游戏创作：
不管是脑洞小故事、解压小游戏，都可以在这里落地！
顯示更多
能专门为了《风之旅人》去淘一台二手 PS4，
这事本身就很有情怀。
我一直觉得这游戏特别干净，没有战斗、没有台词，就靠一片沙漠、几座遗迹、远处那座山，把人慢慢走安静了。题材看着简单，走完却很容易心里空一下。
画面也真的好看，沙丘那条弧线、围巾被风掀起来的瞬间，看一眼就会不自觉放慢呼吸。
前端哥这次做的游戏把滑沙那一下复出来了，我看着都有点恍惚，当年那点感动又冒出来了。
没玩过的真别再拖了，原版也好，这个也好，找个晚上坐下来走一遍就完了。
顯示更多
当年花几千块买PS4只为2小时体验的神作，今天我用大白话把它复刻了！
零代码AI平台 @gearzero_alaya 彻底颠覆了开发！
✅ 随时打断加新想法
✅ 节点确认防翻车
✅ 网页一键分享直接玩
曾经需要庞大团队，现在只需纯粹脑洞。
Vibe Gaming 时代已来！👉 每天有免费额度，你想用它做个什么游戏？
顯示更多
这复刻也太有灵魂了，沙漠、光影和那个红袍小人一出来，记忆瞬间被拉回去了。
零代码就能做出这种意境，门槛确实被打掉了。。。
喜欢的朋友快去试试吧
顯示更多
曾经，无数玩家为了仅仅 2 个小时的体验，心甘情愿花几千块买下一整台游戏主机。
没有战斗，没有暴力，却靠纯粹的意境让人泪流满面。
没错，这就是那款大名鼎鼎的「风之旅人」。当年我也是被这神级口碑疯狂种草，甚至专门去淘了台二手 PS4。
而今天，我竟然用 AI 亲自把它复刻了出来 👇
全靠今天发现的这个惊艳工具：
@gearzero_alaya
这是一个完全【零代码】的 AI 游戏创作平台，彻底改变了开发逻辑。
你只需要用大白话把你“想玩的游戏”描述出来，Gear 就能直接帮你生成！
真正让我觉得好用的是它的迭代机制：
1️⃣ 随时打断：制作期间，你可以源源不断地补充新想法。
2️⃣ 节点确认：所有生成的内容都会被保留，等你确认满意后，再进入下一轮开发。
3️⃣ 极简分享：做完后一键生成链接，发给朋友在浏览器里打开就能直接玩。
我立刻用 Gear 尝试复刻了那份最初的感动。
别说，当进入游戏的那一瞬间，那些关于「风之旅人」的尘封记忆直接被打开了。
曾经需要庞大团队才能构建的意境，现在只需要纯粹的想法。
【Vibe Gaming】 真的正在一步步变成现实 🔥
强烈建议大家去体验一下，亲手把你脑海里的那个完美游戏做出来：
💡 每天都有免费建造额度，发布游戏还能持续获赠更多额度！
👉
顯示更多
这个帖子非常神奇，29k views, 300+likes, 50+ comments 中竟然没有那些垃圾搞黄色的评论，只有个别几个蓝 V AI 评论。
评论区有不少有价值的建议，感兴趣的朋友可以翻翻看看。
顯示更多
🔥 卧槽，我真的被 DHH 的 Omarchy 种草了！
为了让我的老爷机（2022 款 M1 Mac Studio）也能用上，我直接把这个任务交给了 @Apodex_AI
结果发现：在 M1 Mac 上体验 Omarchy 的最佳方式，根本不需要重装系统！
👉 直接使用【Try Omarchy】应用。
━━━━━
体验很丝滑
@martiano 刚刚发布了 Try Omarchy：
下载一个 .dmg 安装包，像启动普通 Mac 软件一样打开，它就直接在 macOS 的窗口里流畅运行了。
你完全不需要给 MacBook 重新分区、格式化硬盘，更不用折腾双系统，点开就能直接体验完整的 Omarchy。
开源地址：
━━━━━
💡 顺便安利一下最近主力在用的 @Apodex_AI：
Apodex 1.1 堪称新一代面向复杂科研任务的主模型 + 在线工作台神器。
任务拆解并行、中途改需求不重跑、交付前独立核验
🚀 网页端现已正式上线：
✅ 注册即送免费额度（credits）
顯示更多
Qwen3.8-Flash-Next 开源了，Qwen4 的架构预览被扔出来了。
现在很多模型，底座没怎么变，做一层后训练之后，Agent 能力能突然往上窜一大截。
那问题来了：
后训练到底训练进去了什么？
是知识更多了？推理更强了？还是模型“干活的方式”变了？
我正好部署了两个特别适合做 A/B Test 的模型：
🔥Apodex-1.1-mini-GPTQ-Int4
vs
它自己的底座 Qwen3.5-35B-A3B-GPTQ-Int4
但做完后训练以后，Apodex 自己公布的 benchmark 已经吹得挺狠了：
在 FrontierFinance 上，Apodex-1.1-mini + Agent Team 拿到 50.2。
同一个 benchmark 里，Claude Fable 5 的参考成绩是 49.2。
一个 35B 的开源模型，后训练一下，号称专业 Agent 能力已经能摸到甚至超过 Fable。
这个我偏不信。
我正好有机器。我有两张 4090。
一张跑 Apodex，一张跑原版 Qwen。
同架构、同 INT4、同 128K 上下文、同一套 Agent Harness，两边同时接完全一样的任务。
所以这个实验非常干净：
底座基本没变，主要看的就是后训练到底给 Agent 加了什么能力。
结果越来越有意思。
甚至测出来一层能力，已经开始往 Fable 那个方向靠了。
🔥我给这两个模型和 Fable 出了一道预测题。
2026 年 8 月 26 日，NVIDIA 当天盘后要发 FY2027 Q2 财报。
我提前几个小时，让它们预测：
总营收
GAAP 毛利率
Data Center 营收
下一季度指引
要求自己上网调研，最后给判断。
本来我只是想看看：同一个底座，做过后训练以后，Research + Agent 能力到底能提升多少。
🔥结果这道题出了个非常离谱的乌龙。
底座其实非常努力。它搜了 40 次。
而且最离谱的是：它中间已经把正确答案全部查出来了。
然后到了最终答案——它自己把这些正确数据全扔了。
我一开始都看懵了。
后来翻完整 Agent 日志，才发现真正有意思的事情：
当外部证据和模型脑子里的旧认知发生冲突时，它到底信谁。
🔥这时候你就能明显感觉到，后训练之后的模型，跟底座已经不是一个“工作状态”了。
它看起来会更聪明、更机灵。
它更像一个被教过怎么干活的人。知道什么时候该搜。知道哪些证据更重要。
以后每个企业，都会有一个自己的模型。
不一定是从零预训练。
但至少会有自己的后训练、自己的 Agent 行为、自己的工作习惯。
🔥小模型不一定非得和 Frontier Model 拼所有能力。
把一个方向训透，再配上一套好的 Harness 和 Tool Use，它真的可以变得非常机灵、非常能干。
最后夸一下 Apodex。
这次不只是模型后训练做得好，他们那套 Harness + Tool Use 也确实很能打。
一个 35B 模型被他们训完，再塞进这套 Harness 里，真的已经开始有点专业工种的味道了。
顯示更多
🔥 她是《红楼梦》前80回出场67回的【老祖宗】，却绝不是一个简单的慈祥背景板。
通过 Apodex 深度数据分析她的所有出场与核心事件，我们能看到一个立体、真实、甚至带点权力底色的贾母：
🔹【慈爱与偏向】
她把林黛玉纳入最私密的情感圈，为贾宝玉在传统的功名规训之外，强行撑起了一片自由空间。
🔹【审美与权力】
她不仅懂享乐，更懂高级审美。刘姥姥游大观园其实是她一手导演的贵族生活秀；元宵夜宴上，她对才子佳人俗套剧情的不屑证明了一点：趣味本身就是一种顶级权力。
🔹【世故与圆融】
王熙凤泼醋的危机，被她轻描淡写压成了【小孩子年轻】；刘姥姥虽是取乐对象，却能拿到实打实的厚赏。
核心逻辑很简单：场面绝对不能破，体面必须留住。
👉 她的悲剧：
能保得了一时，却终究救不了全局。
抄检大观园必须等她安寝后才敢动手；晴雯惨死她无力阻止；中秋夜宴越是热闹，反而越显得晚景冷清。
她是旧秩序里最有温度、最有品味的维持者，却终究挡不住大厦将倾。可爱，可敬，亦可叹。
💡 感受：
用 Apodex 深入研究和解读经典名著，这种基于数据分析的视角往往能挖出意料之外的深刻洞见。
🚀 Apodex 1.1 Web 端现已正式上线！
🎁 注册即送 credits，强烈建议立刻上传一本经典名著自己跑跑看：
核心模型 API 免费体验两周（apodex-1.1 / apodex-1.1-mini）：
获取您的 API 密钥
👉
顯示更多
传统的 Deep Research 已经卷到头了。
能写出一份漂亮的总结报告 ≠ 能把真实的复杂任务干完。
我拿几十万字的《红楼梦》原著，给 Apodex 1.1 在线工作台，出了个极其变态的任务。
统计 20 个核心人物的
→ 出场次数
→ 出场回数
→ 每个人第一次出场时的原句
最后还要整理成一张可以直接下载的完整表格。
整个完成任务的过程，像是直接「雇佣一个 AI 数据团队」。
上传文件后，它自己开始拆任务。
一个 Agent 负责解析原著，另一个独立分析，多个任务并行推进；
右侧 Task Board 会实时告诉你现在做到哪一步。
更有意思的是，任务跑到一半，我突然改需求：
“只分析前 80 回，后面的不要了。”
以前遇到这种情况，AI 很可能重新来一遍。
Apodex 直接保留已经完成的成果，只重规划受影响的部分。
更关键的是，它不是做完就交卷。
交付前，又调起独立核验 Agent，把人物统计、出场回数和 900+ 条出场原句重新检查一遍。
最后交付给我的是：
可下载的结构化表格 + 完整分析结果 + 口径说明。
这可能才是下一代 Deep Research 真正值得关注的变化：
从“帮你生成一份报告”，变成“接管一项复杂任务，并把它做完”。
目前，Apodex 1.1 Web 端已经正式上线。
🎁 注册即送 credits，强烈建议立刻上传个复杂文件自己跑跑看：
🌐
没想到，更炸裂的是，Apodex 居然开源了
开源模型： Apodex 1.1 mini，35B，开放模型权重，支持本地部署。
开源框架： FrontierAgent，Agent 执行 Harness，支持 ReAct 单 Agent + Multi-Agent Team。
本地运行： 支持 macOS / Linux，无需强制依赖 Docker。
组合能力： Apodex 1.1 mini + FrontierAgent，可在本地运行完整 Agent 执行流程。
💻 如果你是开发者，这里有开源 Agent 框架，欢迎顺手点个 ⭐：
👉
🤗 想本地自己跑模型的看这里👇
#Apodex# #DeepResearch#
顯示更多
关注数字人文digital humanity
以及 AI4Science的朋友
都应该看看这家Deep Research 工作台apodex
或者用传统IP制作教程，二次创作
快速拆解几十万字的上下文，核对信息，数据统计
让你的研究更快推进更高效地完成
顯示更多
最近很多人问 Pi 该装哪个全家桶。我的建议是先别装全家桶。
Pi 的核心卖点就是极简。如果你真装了 40 个扩展，它变成臃肿不说，出问题也很难排查。
我的推荐是 3 件套：
1. pi-web-access 搜索、抓网页、拉 GitHub、读 PDF、看 YouTube。我觉得这算是刚需。
2. tintinweb/pi-subagents 给 Pi 补上 Claude Code 那种子代理：并行、widget、中途接管。Pi 原生并没有这个功能，我们用这个补上这个缺口
3. pi-mcp-adapter 简单来说就是可以把你已经有的 MCP 工具直接接进来。
如果后面真觉得自己真的需要的话，再去安装 ruizrica/agent-pi 全家桶
顯示更多
🔥 她是《红楼梦》前80回出场67回的【老祖宗】，却绝不是一个简单的慈祥背景板。
通过 Apodex 深度数据分析她的所有出场与核心事件，我们能看到一个立体、真实、甚至带点权力底色的贾母：
🔹【慈爱与偏向】
她把林黛玉纳入最私密的情感圈，为贾宝玉在传统的功名规训之外，强行撑起了一片自由空间。
🔹【审美与权力】
她不仅懂享乐，更懂高级审美。刘姥姥游大观园其实是她一手导演的贵族生活秀；元宵夜宴上，她对才子佳人俗套剧情的不屑证明了一点：趣味本身就是一种顶级权力。
🔹【世故与圆融】
王熙凤泼醋的危机，被她轻描淡写压成了【小孩子年轻】；刘姥姥虽是取乐对象，却能拿到实打实的厚赏。
核心逻辑很简单：场面绝对不能破，体面必须留住。
👉 她的悲剧：
能保得了一时，却终究救不了全局。
抄检大观园必须等她安寝后才敢动手；晴雯惨死她无力阻止；中秋夜宴越是热闹，反而越显得晚景冷清。
她是旧秩序里最有温度、最有品味的维持者，却终究挡不住大厦将倾。可爱，可敬，亦可叹。
💡 感受：
用 Apodex 深入研究和解读经典名著，这种基于数据分析的视角往往能挖出意料之外的深刻洞见。
🚀 Apodex 1.1 Web 端现已正式上线！
🎁 注册即送 credits，强烈建议立刻上传一本经典名著自己跑跑看：
核心模型 API 免费体验两周（apodex-1.1 / apodex-1.1-mini）：
获取您的 API 密钥
👉
顯示更多
传统的 Deep Research 已经卷到头了。
能写出一份漂亮的总结报告 ≠ 能把真实的复杂任务干完。
我拿几十万字的《红楼梦》原著，给 Apodex 1.1 在线工作台，出了个极其变态的任务。
统计 20 个核心人物的
→ 出场次数
→ 出场回数
→ 每个人第一次出场时的原句
最后还要整理成一张可以直接下载的完整表格。
整个完成任务的过程，像是直接「雇佣一个 AI 数据团队」。
上传文件后，它自己开始拆任务。
一个 Agent 负责解析原著，另一个独立分析，多个任务并行推进；
右侧 Task Board 会实时告诉你现在做到哪一步。
更有意思的是，任务跑到一半，我突然改需求：
“只分析前 80 回，后面的不要了。”
以前遇到这种情况，AI 很可能重新来一遍。
Apodex 直接保留已经完成的成果，只重规划受影响的部分。
更关键的是，它不是做完就交卷。
交付前，又调起独立核验 Agent，把人物统计、出场回数和 900+ 条出场原句重新检查一遍。
最后交付给我的是：
可下载的结构化表格 + 完整分析结果 + 口径说明。
这可能才是下一代 Deep Research 真正值得关注的变化：
从“帮你生成一份报告”，变成“接管一项复杂任务，并把它做完”。
目前，Apodex 1.1 Web 端已经正式上线。
🎁 注册即送 credits，强烈建议立刻上传个复杂文件自己跑跑看：
🌐
没想到，更炸裂的是，Apodex 居然开源了
开源模型： Apodex 1.1 mini，35B，开放模型权重，支持本地部署。
开源框架： FrontierAgent，Agent 执行 Harness，支持 ReAct 单 Agent + Multi-Agent Team。
本地运行： 支持 macOS / Linux，无需强制依赖 Docker。
组合能力： Apodex 1.1 mini + FrontierAgent，可在本地运行完整 Agent 执行流程。
💻 如果你是开发者，这里有开源 Agent 框架，欢迎顺手点个 ⭐：
👉
🤗 想本地自己跑模型的看这里👇
#Apodex# #DeepResearch#
顯示更多
Qwen3.8-Flash-Next 开源了，Qwen4 的架构预览被扔出来了。
现在很多模型，底座没怎么变，做一层后训练之后，Agent 能力能突然往上窜一大截。
那问题来了：
后训练到底训练进去了什么？
是知识更多了？推理更强了？还是模型“干活的方式”变了？
我正好部署了两个特别适合做 A/B Test 的模型：
🔥Apodex-1.1-mini-GPTQ-Int4
vs
它自己的底座 Qwen3.5-35B-A3B-GPTQ-Int4
但做完后训练以后，Apodex 自己公布的 benchmark 已经吹得挺狠了：
在 FrontierFinance 上，Apodex-1.1-mini + Agent Team 拿到 50.2。
同一个 benchmark 里，Claude Fable 5 的参考成绩是 49.2。
一个 35B 的开源模型，后训练一下，号称专业 Agent 能力已经能摸到甚至超过 Fable。
这个我偏不信。
我正好有机器。我有两张 4090。
一张跑 Apodex，一张跑原版 Qwen。
同架构、同 INT4、同 128K 上下文、同一套 Agent Harness，两边同时接完全一样的任务。
所以这个实验非常干净：
底座基本没变，主要看的就是后训练到底给 Agent 加了什么能力。
结果越来越有意思。
甚至测出来一层能力，已经开始往 Fable 那个方向靠了。
🔥我给这两个模型和 Fable 出了一道预测题。
2026 年 8 月 26 日，NVIDIA 当天盘后要发 FY2027 Q2 财报。
我提前几个小时，让它们预测：
总营收
GAAP 毛利率
Data Center 营收
下一季度指引
要求自己上网调研，最后给判断。
本来我只是想看看：同一个底座，做过后训练以后，Research + Agent 能力到底能提升多少。
🔥结果这道题出了个非常离谱的乌龙。
底座其实非常努力。它搜了 40 次。
而且最离谱的是：它中间已经把正确答案全部查出来了。
然后到了最终答案——它自己把这些正确数据全扔了。
我一开始都看懵了。
后来翻完整 Agent 日志，才发现真正有意思的事情：
当外部证据和模型脑子里的旧认知发生冲突时，它到底信谁。
🔥这时候你就能明显感觉到，后训练之后的模型，跟底座已经不是一个“工作状态”了。
它看起来会更聪明、更机灵。
它更像一个被教过怎么干活的人。知道什么时候该搜。知道哪些证据更重要。
以后每个企业，都会有一个自己的模型。
不一定是从零预训练。
但至少会有自己的后训练、自己的 Agent 行为、自己的工作习惯。
🔥小模型不一定非得和 Frontier Model 拼所有能力。
把一个方向训透，再配上一套好的 Harness 和 Tool Use，它真的可以变得非常机灵、非常能干。
最后夸一下 Apodex。
这次不只是模型后训练做得好，他们那套 Harness + Tool Use 也确实很能打。
一个 35B 模型被他们训完，再塞进这套 Harness 里，真的已经开始有点专业工种的味道了。
顯示更多
AI短剧已经变成红海？
真相是，粗制滥造的无脑搬运工正在被清洗，这才是「超级个体」真正翻盘的开始。🔥
在风口面前，绝大多数人缺的从来不是 10万块本金，而是一个能帮你用数据“泼冷水”、客观拆解预算的「超级外脑」。🧠
最近测了这个帮你做决策的深度研究工具—— Apodex，确实有被惊喜到。👇
━━━━━
📌 为什么说红利才刚刚开始？
1️⃣ 门槛变高 = 效率革命
“大力出奇迹”的时代结束了。
接下来的红利，只属于真正懂 AI 工作流、能极度压缩试错成本的人。
2️⃣ 地狱级文本实测
之前我直接拿《红楼梦》这种地狱难度的文本去测 Apodex 的深度研究能力。
结果非常给力，拆解深度和逻辑梳理完全超出预期。
3️⃣ 帮超级个体“冷静决策”
在盲目交学费之前，先让 AI 帮你把行业调研、预算拆解和可行性分析算清楚。
━━━━━
🎁 免费体验福利：
目前注册就送初始积分！
如果你正在做项目调研、准备入局新赛道，需要深度研究工具的，强烈建议亲自去测一下👇
🔗 体验链接：
顯示更多
X果AI短剧这么火，普通人下场能赚多少？
最近不少人跟我聊红果AI短剧。字节旗下免费短剧平台，月活 3.56 亿，短剧 App 排第一
整个行业用户 8.51 亿，月人均看 26.9 小时。7 月第二周热播榜前十有七部是 AI 漫剧。
听着像风口。
但我每次听到风口就想问一个扫兴的问题：揣 10 万块，能走到哪？
这次我没去问“圈内人”。出了道题丢给 @Apodex_AI Deep Discover，让它去查：
「10 万元、3 个人、90 天不领工资、没场地、有平台资源、不碰灰色渠道。能走多远？」👇
拆了 N 个方向同时跑
顯示更多
Agent 工具很多，但这个是你自己的
Pi 不是聊天框，也不是 Cursor 那种以编辑器为中心的 AI IDE。
它更接近 Claude Code / Codex CLI 这类终端 Coding Agent，但走的是相反路线：主流工具倾向“功能越来越多、开箱即用”
Pi 把核心做得很小，把工作流交给你自己组合，你的地盘你做主。
PI 零基础实操，认准中推 PI代言人 @xiaomovps 小墨同学的这篇就够了，没时间看先收藏再说。
顯示更多
我刚干了个挺有意思的实验：
用 Fable 5 和一个本地开源模型，提前预测 NVIDIA 财报。
同一道题，同一时间点，都自己上网 Research，最后给数字。
结果两边直接押反了。
一个明显押 超预期。
一个整体押 低于共识。
而且不是随便拍脑袋，两边都给了完整的数据和理由。
几个小时后财报开奖。😂
等结果出来，再看谁被狠狠干脸。
顯示更多
卧槽，性能对齐 Claude Opus 4.8，但成本只要它的 1/40？！
GLM-5 家族重磅炸弹：首个原生多模态模型来了！不仅打入前沿模型第一梯队，更是直接把推理成本打成了“白菜价”。
👇 核心亮点速览，AI 开发者与 Agent 玩家必看：
━━━━━
1️⃣ 【MoE 架构】 总参数高达 320B，但单次推理仅激活 18B！ 不仅算力消耗锐减，响应速度与计算效率更是大幅飙升。
2️⃣ 【硬核跑分：跻身第一梯队】 AA Intelligence Index 斩获 57 分！ 整体能力一举超越 GLM-5.2，与顶级玩家 Claude Opus 4.8 完全持平。
3️⃣ 【极低定价：降维打击】 日常价仅为 GLM-5.3 的十分之一！ 限时特惠更是低至二十分之一！ 官方测算：成本仅约为 Opus 4.8 的 1/40。绝对的 API 消耗福音。
4️⃣ 【原生多模态：全面感知】 作为 GLM-5 家族首个原生多模态模型，它不再局限于文本。 支持同时处理「文本 + 图像 + GUI + 视觉环境」，真正的能听会看。
5️⃣ 【Coding Agent 的梦中情模】 极其适合打造全自动编程智能体！ 完美闭环：「写代码 👉 看运行效果 👉 自我检查 👉 修复修改」。 前端开发、游戏开发、3D 建模、Browser Use 与 Computer Use 场景简直是量身定制。
6️⃣ 【长文本无压力：成本断崖式下跌】 混合架构「线性注意力 + 稀疏注意力」立大功！ 对比 GLM-5.3，注意力计算量暴降约 3 倍，KV Cache 直降约 4.4 倍。
顯示更多
Introducing GLM-5.3-Flash
- Leading capabilities at a highly competitive price
- Natively multimodal with a 1M-token context window
- A 320B-A18B model released under the MIT License
- Previously previewed as Ox Alpha, running entirely on Chinese AI chips
Blog:
Available now across all official platforms:
Weights:
API:
Coding Plan:
ZCode:
Chat:
AutoClaw:
顯示更多
传统的 Deep Research 已经卷到头了。
能写出一份漂亮的总结报告 ≠ 能把真实的复杂任务干完。
我拿几十万字的《红楼梦》原著，给 Apodex 1.1 在线工作台，出了个极其变态的任务。
统计 20 个核心人物的
→ 出场次数
→ 出场回数
→ 每个人第一次出场时的原句
最后还要整理成一张可以直接下载的完整表格。
整个完成任务的过程，像是直接「雇佣一个 AI 数据团队」。
上传文件后，它自己开始拆任务。
一个 Agent 负责解析原著，另一个独立分析，多个任务并行推进；
右侧 Task Board 会实时告诉你现在做到哪一步。
更有意思的是，任务跑到一半，我突然改需求：
“只分析前 80 回，后面的不要了。”
以前遇到这种情况，AI 很可能重新来一遍。
Apodex 直接保留已经完成的成果，只重规划受影响的部分。
更关键的是，它不是做完就交卷。
交付前，又调起独立核验 Agent，把人物统计、出场回数和 900+ 条出场原句重新检查一遍。
最后交付给我的是：
可下载的结构化表格 + 完整分析结果 + 口径说明。
这可能才是下一代 Deep Research 真正值得关注的变化：
从“帮你生成一份报告”，变成“接管一项复杂任务，并把它做完”。
目前，Apodex 1.1 Web 端已经正式上线。
🎁 注册即送 credits，强烈建议立刻上传个复杂文件自己跑跑看：
🌐
没想到，更炸裂的是，Apodex 居然开源了
开源模型： Apodex 1.1 mini，35B，开放模型权重，支持本地部署。
开源框架： FrontierAgent，Agent 执行 Harness，支持 ReAct 单 Agent + Multi-Agent Team。
本地运行： 支持 macOS / Linux，无需强制依赖 Docker。
组合能力： Apodex 1.1 mini + FrontierAgent，可在本地运行完整 Agent 执行流程。
💻 如果你是开发者，这里有开源 Agent 框架，欢迎顺手点个 ⭐：
👉
🤗 想本地自己跑模型的看这里👇
#Apodex# #DeepResearch#
顯示更多
还在把 md 当记忆补丁、把窗口加大当「有记忆」的，这篇值得认真拜读一下。
窗口再大也只是缓存。Harness 调的再顺，也只是外壳在进化，模型没进化。RAG 再全，也只是把查询相关的信息塞回到 prompt。官方这篇写得很硬核：这些做法给了 AI 更多的信息，但却不能让 agent 变的更强。
从初级助理变成熟手搭档的，是需要带着判断和反馈的工作经验——而这种东西网上是没有的。
两派人现在走的不是一条路。一边继续往外加检索、加会话摘要、加更长的上下文；而另一边则是把真实工作流里的判断、改稿、交付结果，经过筛选写回权重，再用质量门和回滚把进化锁住。前者每次接活都有点重来的味道，后者每干完一次，下一次再干就又有了很大的进步。
Alloomi 把应用层和模型层焊在一起，四层是一个飞轮，不是四个功能。OpenContext 开源的是第一层：时间上下文、记忆检索、上下文校正、多平台接入、主动调度。产品侧是 OKR 驱动的自进化数字员工，已经在法律、保险、投顾这些高专业度场景里共创。
下一阶段比的不是模型有多聪明，是它在真实世界里每干完一件活，学走了什么。
现在智能只是起跑线，而经验和判断力才是分叉口。你站哪边？👇
顯示更多
🔥你能想象吗？现在手机上就能跑 Qwen3.8 的蒸馏模型，而且最小仅 1.3GB！
果然不能只在 Hugging Face 首页瞎逛
今天用 @Apodex_AI 的 Deep Research 做深度检索时，意外挖到了一个最近刚火起来的小模型：Qwen3.8-2B-Distill-GGUF
它的思路很有意思：作者将 Qwen3.8（2.4T） 的推理能力，通过全参数蒸馏塞进了 Qwen3.5-2B 架构
蒸馏后的数据提升相当明显：
📈 MMLU 0.283 → 0.548
📊 GSM8K（数学）0.330 → 0.640
GGUF 版量化后最小只有 1.31GB (Q4)，手机和普通笔记本 CPU 就能流畅运行，且自带 思考链块。
部署也比较友好：
支持 llama.cpp / Ollama / vLLM 一键部署，具体如何操作，见视频👇🏻
顯示更多
