Emma Sterling Ai

🚀 AI Explorer | Tech Creator
🤖 Sharing the best AI tools
🎯 Helping AI brands grow
📥 DM For Collabs
✉️ [email protected]

[Emma Sterling Ai @Emma_Sterling12]

@nicebabycat Turning a design diagram directly into complete HTML + CSS is a pretty compelling multimodal use case. The real test is how accurately it preserves the layout and details when rendered. 👀🔥

[韦小宝 @nicebabycat]

蚂蚁百灵昨天发了个多模态模型 Ling-3.0-flash-VL，我测试了一下它的"看图写代码"能力。

丢了一张网页设计图进去，让它直接输出完整 HTML + CSS。

从上传到渲染出页面，全程录屏👇

[Emma Sterling Ai @Emma_Sterling12]

@duange6099 The **observe → act → verify → revise** loop is what makes this genuinely interesting. Screenshot-to-code is useful, but self-checking and refining the result is the bigger leap. 🔥

[程序员端哥 @duange6099]

我拿 OpenAI Codex 桌面端截了一张图，丢给蚂蚁百灵刚开源的 Ling-3.0-flash-VL。
没拆布局，没写组件清单。 提示词就这一段：
「这是 Codex 桌面端截图。请高度还原成可运行的单文件 HTML。对齐窗口结构、侧边栏、主对话区、输入框、配色、字号、间距和圆角。能看清的文字按原样还原。先渲染一版，再和原图逐项对比，哪里不像改哪里。」
会看图写代码的模型不少。 会盯着 Codex 这种桌面客户端界面，对着自己的渲染结果改到像的，不多。

Ling-3.0-flash-VL 是百灵系列第一个原生多模态模型，在 Ling-3.0-flash 上加了视觉理解和视觉 Agent。
总参数 124B，激活大约 5.5B，支持图、文、视频，上下文 256K。
它不是看完图一次性交卷，而是走「观察 → 行动 → 验证 → 修正」：

截图还原界面，对照渲染结果自己改
当 GUI Agent，点、输、滚、切应用

看视频提问、检索片段
读文档、看医疗报告、做 STEM 视觉推理
前端这块，Image-to-WebDev Arena 成绩高于 GPT-5.4。 纯文本版 AA Index 是 38，加上视觉后到了 42。
你也试一下，3 步就够：
打开 Ling Studio，选 Ling-3.0-flash-VL（免费） https://t.co/69QVsASWPB
丢一张 Codex / VS Code / 你常用软件的桌面截图
把下面提示词贴进去，看它怎么还原、怎么改
还原提示词（可直接复制）： 这是一张 Codex 桌面端界面截图。请把它高度还原成可直接运行的单文件 HTML。
按桌面应用还原，不要做成网页落地页，也不要做成 ChatGPT 网页版或 VS Code
对齐标题栏、侧边栏会话列表、主对话区、工具调用/代码块、底部输入框
配色、字号、间距、圆角、分割线、栏宽尽量贴近原图
原图能看清的文字按原样还原；看不清的用同等长度占位
先出第一版并渲染，再和原图对比对齐、颜色、组件位置
列出差异后改第二版，直到气质接近 Codex 桌面端
权重已开源，BF16 / FP8 都能下：

Hugging Face：https://t.co/rd3t4ip83C ModelScope：https://t.co/fmEy6juEFu
官方介绍：https://t.co/4i6vS7sXZT
@AntLingAGI 别只看评测表，丢一张你桌面上的截图，比什么都准。

[Emma Sterling Ai @Emma_Sterling12]

@MainCaseZ Impressive 😍

[Main CaseZ·美學 @MainCaseZ]

https://t.co/2w9qR3jy16

[Emma Sterling Ai @Emma_Sterling12]

@Adam38363368936 This is where multimodal AI gets really practical. Going from a screenshot to a functional webpage with interactions is a huge step forward. 🔥

[Adam也叫吉米 @Adam38363368936]

一张截图，已经开始能直接变成网页、小程序和作品集了！
我拿 Ling-3.0-flash-VL 连测了 3 个真实场景：

① Apple 商店官网
不给源码，不给链接，只给截图。
一句 Prompt：
根据这张参考图，使用 HTML/CSS 尽可能高保真的复刻这个网页首屏

② 蜜雪冰城小程序首页
Banner、IP、会员卡、功能入口、活动卡片、底部导航都在，它把主要结构和视觉层级搭出来了。

③ AI 创意作品集
我拿婚纱摄影作品集做参考，让它直接改造成：
AI 海报 / AI 插画 / AI 漫剧 / AI 广告视觉

让我意外的是，点击作品集图片后，出现了由模型自动生成的对应作品集介绍，没想到居然会有动态交互效果！

这套工作流最实用的地方就是：
找参考 → 生成第一版 → 看效果 → 截图反馈 → 局部修复
个人主页、作品集、小店官网、活动页、SaaS Landing Page，都能这么起步。
真正有用的多模态，是看懂之后还能继续生成、修改、执行，把活儿真正干下去。

[Emma Sterling Ai @Emma_Sterling12]

@RealYDT Really impressive how much faster this makes the product iteration cycle.

[阿良｜AI 工作流 @RealYDT]

https://t.co/z3o41Zv1iv

[Emma Sterling Ai @Emma_Sterling12]

@sodawhite_dev Impressive 😍

[苏打白.Dev @sodawhite_dev]

https://t.co/AGBLzH9xBF

[Emma Sterling Ai @Emma_Sterling12]

@Soranlan @AntLingAGI Visual instructions + rendered screenshots + automated checks is a powerful combination. Much better than relying on text descriptions alone.

[Soran @Soranlan]

伙伴们在尝试让 AI 改网页的时候，有没有在这一步卡住：

“把按钮挪到标题下面，去把这块删掉，还要旁边那张卡突出一点。”

看着页面觉得很清楚，但是写成文字，却得去解释到底是去搞哪个按钮、哪张卡。能不能直接在截图上圈出来，让 AI 照着改？

我用 @AntLingAGI Ling-3.0-flash-VL 做了个小测试。准备了一张活动报名页，同时把源码和标注截图一起交给它：

红圈里的横幅删掉，按钮移到蓝箭头指向的位置，黄框里的票种设为唯一推荐项。

同一个任务测了三次，三次首版都把按钮放错了。

接着，我把前两次实际渲染出来的页面截图回传给它，让它继续修改。两次都在一轮反馈后通过了全部 17 项验收。第三次停在首版，保留为失败；这组最终完成了 2/3。

这里模型负责看图、修改代码，本地工具负责运行页面、截图和验收。

如果你也在用 AI 改落地页、活动页，这次测试有个值得试的方法：

先在截图上标明要改哪里；首版不对，就把实际页面再截给它看，指出没完成的地方。修改前也写清哪些内容要保留，避免挪好了按钮，却改掉价格或弄坏交互。

这也是我为什么设了 17 项检查：除了位置和推荐卡，还要核对原有文字，点开、关闭报名弹窗，展开 FAQ，再看手机端有没有遮挡、溢出和控制台报错。页面看着改好了，还得点一遍才知道能不能用。

不过，换个目标，它仍然会出错。我把黄框改到“观察席”，它却继续推荐“共创席”。这个变体只测了一次，失败了。

所以，在这组样本里，我看到了模型收到页面截图后修正代码的效果；但换一个位置、换一张卡，仍然需要重新检查。还不能把整页修改放心交给它后就不管了。

57 秒视频里放了标注输入、反馈后的变化、成功和失败结果，标注为已生成结果回放。

你可以照这个过程试自己的页面，也能看到哪些地方需要留给人验收。

- 蚂蚁数科国际站 ：https://t.co/JLklJFaklR

- 蚂蚁数科 maas 国内站：https://t.co/klZmPyF7FK

- Ling studio：https://t.co/mfMLw2yzd8

这几个都可以，目前可用的体验地址

[Emma Sterling Ai @Emma_Sterling12]

@yyyole Read → understand → find highlights → generate timestamps → edit. This workflow has serious potential for the future of automated video production.

[沐阳 @yyyole]

绝了！这应该是最适合接入视频剪辑工作流的AI！！
因为它真正能看懂视频，并且够快够便宜！

对于做视频，不管是专业还是非专业选手，最耗费时间的其实就是找素材，和选素材！
好几个小时的素材，可能真正能用上的就几分钟！
而为了找到合适的，往往需要把每一条都从头看完，
根据脚本反复拖动时间轴、记录和剪切可用的素材。
这非常费时间，一点也不AI。

我也试过用很多AI来解决这个需求，包括一些所谓的视频素材AI管理工具，
能读视频的多模态模型其实很多，靠截图的方式能够理解视频的内容，
但也仅限于知道视频的内容，因为这些模型不太能理解视频里各个镜头和画面的时间关系。

这次看到 @AntLingAGI 新出的多模态模型 Ling-3.0-flash-VL，
MoE架构，总参数124B、有效激活5.5B参数，支持256K长上下文和VideoRoPE时空编码。
激活参数更小，说明成本更低！
这个VideoRoPE时空编码，据说是靶向解决我上面说的那个问题！

第一时间测试了一下！！
我丢给它一个演讲的视频，让它告诉我讲了什么，有什么重点，
另外我告诉它，我想基于这个演讲视频剪辑一个高光短视频，需要它帮我找到一些高光时刻，然后告诉我准确的时间码，并且为这个高光短视频写一个文案。
这已经不是单纯的“视频总结”之类的简单任务，
它需要按照时间线给出：
高光时间段＋核心观点＋入选理由＋建议标题＋开头钩子＋发布文案。

这应该才是多模态模型能够发挥价值的地方！！
普通模型可以告诉你“一小时的视频讲了什么”，但内容创作真正需要的是：这一小时里，到底哪些能够用，要怎么用？
让我比较惊喜的是，它不光给了我高光视频剪辑要用的分镜、脚本、文案，甚至还给了我转场、和BGM的建议！
完全就是一份可以照做的剪辑执行单！！
这说明和它对原视频的理解已经远超我的预估！！

我在想，也许可以把这套能力接入剪辑工具，整个工作流就还可以继续延伸：
读取视频 → 理解内容 → 定位高光 → 输出时间码 → 调用工具裁剪 → 生成标题和发布文案。
完全实现视频剪辑自动化！！
当然，理想是丰满的，AI挑出的素材不一定全都符合审美和叙事偏好，
时间码和上下文完整性也需要人工复核。
要想创作出好的视频作品，必然还是需要人的参与！

不过，用AI搞定素材的初筛，也是目前的超级刚需啊！！

[Emma Sterling Ai @Emma_Sterling12]

@vintcessun 214 API calls across OCR, counting, charts, receipts, and video understanding—that’s a solid real-world stress test for a multimodal model. 🔥

[恒星sun @vintcessun]

实测 Ling-3.0-flash-VL 的图片与视频理解能力：小票核账、短视频细节识别表现亮眼，同时测试小字 OCR、计数、图表读数等边界，共完成 214 次 API 调用。 https://t.co/wvkyHXHspz

[Emma Sterling Ai @Emma_Sterling12]

@wquguru Not every experiment needs to beat the benchmark to be valuable. The workflow itself here is the real takeaway.

[WquGuru @wquguru]

大开眼界，跑完交易回测算法，我见识到了 Jev 交易决策的效率和质量，况且只是简单地跑了几个算法，77 天收益率高达 +6.71%。

跑完之后剩一个问题：这一堆 JSON 怎么给人看？

我把可视化设计稿丢给蚂蚁百灵刚开源的 Ling-3.0-flash-VL，让它照着写前端，最后输出视频。

我没给它设计稿标注，也没给它组件库。它自己看图，直接构建出动态仪表盘页面：净值曲线、三个策略的持仓条、当日决策流、右上角的加速倍数。然后它用 playwright 逐帧截图，390 帧压成 13 秒，浓缩了 95 天的新闻与行情。

说到具体的方法论：我把 NewsHub 攒了三个月的投资日报，一天一份丢给 OpenRouter 上的 Jev 1.13。我给它当天的日报和当前持仓，它能迅速输出每个标的买、卖还是不动，附带三个选项的概率和置信度。后面的程序拿着这些概率去调仓、按 Binance 真实小时级别 K 线成交、算净值、对账。

77 天，3 个策略（动量、逆向、宏观），5 个标的（BTC / ETH / SPY / QQQ / XAU），1155 个决策。全程只花了 $0.09（Ling-3.0-flash-VL目前在OpenRouter免费😺），跑完 87 秒，单次调用 1.1 秒，零次失败。

当然，现在还远没到干死基金经理的程度。动量策略 +6.71%，但同期等权买入持有是 +13.2%，它没跑赢。而另外两个策略表现比较拉胯，一个 −1.0%，一个 −10.3%。

🔥 Jev 和多模态 Ling-3.0-flash-VL，一个负责判断，一个负责看懂和展示。
Ling-3.0-flash-VL 总参数 124B，但 MoE 每 token 只激活约 5.5B。

这对 Visual Agent 很重要，极为广阔的知识，以及极低的激活，能做到又快又好。

OpenRouter现在可以免费使用Ling-3.0-flash-VL：
https://t.co/tAh4rXlKzb