ziziran

关注 AI 工具、Agent 和生成式创作。
聊聊新东西能做什么、怎么用，偶尔聊点别的。

[ziziran @ziziran2]

先用简单的人形和地形示意规定怎么走，再让 AI 补出完整画面。Tingting Liao 这段演示里，角色在不同场景中连续前进，右下角同时显示给模型的粗略场景。

项目叫 Streaming Code World Model：输入开场图、对开场的文字描述和逐步更新的场景示意，输出一段段视频。生成下一段时，只看当前及之前的条件和画面，不需要预先提供未来整段动作。

这给交互原型提供了一种思路：玩家下一步还没做，画面也可以按已有信息继续生成。但当前速度仍有距离：作者报告在单张 H200、1344×768 下，生成 17 帧、约 0.71 秒画面要 5.1 秒，还没达到实时。

代码和两份 LoRA 权重已公开，还需 CWM 和 MiniMax-H3 底模；官方写明 80GB 显存卡尚不支持。量化评测只有 4 段 CARLA 片段、每段 17 秒、一个随机种子，长时间复杂场景是否稳定仍需另测。

以上是作者演示与文档整理，未实跑。部署前还要核对依赖和底模许可。

项目：https://t.co/9pQAesQ2qV

[Tingting Liao @tingtingliao000]

Streaming Code World Model 🌊

We made Code World Model causal: video is generated chunk by chunk from a live proxy. A 4-step distilled model renders each chunk in ~5 s on one H200.

Code + checkpoints are open 👇
💻 https://t.co/JAh8DrSt62
🤗 https://t.co/W5D3McLqqO

[ziziran @ziziran2]

https://t.co/GREHKT8hFI

[ziziran @ziziran2]

@_akhaliq For the speed question below: the paper reports a 3.59× batched speedup on MiniT2I-L (512², H100, batch 20) at 25% tokens. GenEval: 0.874 vs 0.882 for the full-budget baseline. Tables 5 and 7 are worth reading together.
https://t.co/CMOldfYCVw

[ziziran @ziziran2]

每月 $30 同时用 Grok、Cursor 和 X，这个新套餐最值得算清的，是你在 Cursor 里用谁家的模型。

The X Subscription 把三套订阅整合到一起。对照旧方案，主要有这几处变化：

1）价格重新分档
新个人档：Free $0、Plus $8、Premium $30、Super $100、Ultra $200/月。
旧方案里，SuperGrok $30；Cursor Pro / Pro+ / Ultra 是 $20 / $60 / $200；X Basic / Premium / Premium+ 是 $3 / $8 / $40。

官方宣传的“$90 → $30”，来自 SuperGrok $30 + Cursor Pro $20 + X Premium+ $40 的标价加总。但旧 X Premium+ 本来就含 SuperGrok 入口，不能直接理解成每个人都省 $60，旧权益也有变化。

2）最重要的变化在模型额度
旧 Cursor Pro 及以上，包含独立的第三方模型月度额度池。
新方案内含的是 Grok 模型额度，Grok 和 Cursor 共用、每周刷新。聊天、写代码、图视频等会消耗同一池子，用完可充值或等刷新。

Claude、GPT 等仍能在新 Premium 及以上的 Cursor 里用，但从第一次使用起就按 API 标价另扣充值余额，套餐不含这部分额度。

3）$30 档包含什么
Premium 含 Grok Bot、Cursor 云端 Agent / 自动化 / 代码审查，以及 X 大多数页面的无广告体验。Premium / Super / Ultra 的额度分别是 Plus 的 4 / 15 / 50 倍；这指用量，不是模型能力倍数。官网没有给出统一的绝对请求数。

怎么选：主要用 Grok，又需要 Cursor 和 X 权益的人，可以重点比较新套餐；主要靠 Claude / GPT 写代码的人，要把额外模型账单一起算。只需要 X、AI 用得少，也可以先看 $8 的 Plus。

老用户目前可保留原计划、价格和权益。切换正在逐步开放；主动合并后不可撤销，先核对旧套餐和续费渠道。尤其 App Store 买的 Cursor，官方明确要求自行取消，避免继续扣费。

以上为官网美元月付标价、未含税费；旧 X 按美区网页价。年付和 App 内购价格另算。按官方资料整理，未实测迁移。

新价：https://t.co/HonWmz0Vid
旧 Cursor：https://t.co/usKWpeUNAp
旧 X：https://t.co/dRlRUlAX7o
迁移：https://t.co/zjKBoRaHrd

[SpaceX Super Intelligence @SpaceXSI]

We've unified plans across Grok, Cursor, and X Premium.

Introducing The X Subscription.

[ziziran @ziziran2]

Shahir 的演示里，60 分 30 秒的英文录音，15.7 秒就出了文字初稿。用的底座是原本做跨模态检索的 EmbeddingGemma 2。

按作者说明，他保留原模型，只训练了一个小“读词器”：逐段看音频，把它映射到文本空间，再从约 22.9 万个英语词里找匹配，最后补上标点。可以理解成给音频配了一本会查的词典。

想拿它处理自己的录音，先看两个条件：
• 目前应用需要 Apple Silicon Mac、macOS 14+；首次使用要下载约 715 MB 模型
• 训练语料和词表都是英语。中文、中英混说、人名和术语，值得先拿一小段核对；做字幕还要另查时间戳支持

速度也留个边界：作者性能表在 M3 Air 8 GB 上另报 12.6 秒，视频这次是 15.7 秒，公开说明没有解释计时差异。评论里报告的 LibriSpeech 干净测试集词错误率约 5%，也不能直接代表会议录音效果。

把它作为英文录音的快速初稿工具来评估，更容易看清要省的时间和后续校对成本。以上按作者演示、说明和评论整理，未实测。

应用：https://t.co/GBbXx8QB9d

[Shahir @TslShahir]

I turned @googlegemma EmbeddingGemma 2, an embedding model, into a speech-to-text model, and it turned out to be one of the fastest STT models you can run on device.

On a base M3 MacBook Air it transcribes an hour of audio in about 13 seconds: 288× real time.

The idea came in March with Gemini Embedding 2. It puts text, images, audio and video into one shared space, so a spoken word lands right next to the written word. If that's true, you should be able to read a transcript straight out of the embedding model. I couldnt tried it then, but last week EmbeddingGemma 2 came out as an open model, so I tried it.

[ziziran @ziziran2]

想让 AI 在真 iPhone 上点按、滑动、输入，可以看看 ESP32 iPhone Agent。它给手机接上一只由 AI 控制的“鼠标和键盘”，不用越狱，也不用签名安装控制 App。

按项目文档，整套系统分三部分：
• 看：iPhone 用 AirPlay 把屏幕投到电脑，模型读取截图
• 想：模型先拆任务，再看每一步的新画面决定下一步
• 动：ESP32-S3 插在手机上，接收电脑指令；配合辅助触控，把鼠标点击、拖动变成屏幕操作

所以，约 7 美元是作者标注的开发板价格。还需要一台同网络的 Mac 或 Linux 电脑，以及能看图的模型服务；AI 并不跑在这块小板上。

准备复现的话，先完成刷板、开启辅助触控、投屏和指针校准，再从“打开设置”这种小任务开始。项目文档目前列明：横屏尚不支持，键盘输入仅支持 ASCII，锁屏会中断投屏。想输中文或无人值守，先把这些限制算进去。

这个方案值得借鉴的地方，是每步操作后重新看屏幕、检查是否真的点中了，再继续往下走。以上按作者文档整理，未做真机实测。

https://t.co/7DBm9EFuNi

[魏咕咕响 @weiwei2018831]

ESP32 iPhone Agent 是一个让 AI 视觉模型通过一块约 7 美元（约 50 元人民币）的 ESP32-S3 开发板“亲眼看到、亲手操作”真实 iPhone 的开源项目；

全程无需 Apple 开发者账号、无需 Xcode、无需越狱，也不用往手机里安装任何 App。

https://t.co/WUj52tXgOk

[ziziran @ziziran2]

@CaptainLufei999 @wolfyxbt 飞哥你的人选天选论讲的真好，但我还没看完。

[ziziran @ziziran2]

给同事评审架构，可以留一份能点的 HTML；做汇报 PPT，则先选清晰的静态图，需要讲运行过程时再加动画。

鱼皮用 SeeCode 演示了外卖下单流程：从 App 到 API 网关、订单服务，再到支付和消息队列。鼠标停在订单服务上，会突出它的连接；点击后能看到节点详情。

交付时可以这样选：
• HTML：让同事自己点节点、追上下游，适合一起检查架构
• SVG／PNG：放进幻灯片，先保证文字、箭头看得清
• GIF／MP4：播放固定的动画过程，观看者不能再点节点或改选路径

项目的导出说明还提醒：小字低于 9 px 会报警，建议用静态图或拆图。视频分辨率再高，也不能保证密密麻麻的字在投屏时好读。

离线演示前也值得打开检查一次：HTML 默认从 Google Fonts 加载字体，离线会回退系统字体，排版效果需要另看。

以上按作者演示和官方文档整理，未实测。
项目：https://t.co/YeOBzntTy7

[程序员鱼皮 @yupi996]

我超威，又发现一个 AI 画图神器！🤩

画个架构图，拖框连线折腾半天，最后还只是一张死图？

把这个开源 Skill《SeeCode》装进 Claude Code 或 Codex，只要说一句话，AI 就能画出会自己动的图，从架构图、时序图到数据图表，一共有 45 种。

这个视频里是我用 SeeCode 渲染的外卖下单架构图。鼠标停在「订单服务」上，就只高亮它的上下游，点一下还会弹出详情。

而且图里的中文也排得整整齐齐，整张图还能直接导出成 GIF 和 MP4！

要写技术方案、做汇报 PPT 的朋友，可以收藏一下~

[ziziran @ziziran2]

@vineetwts The per-network data budget is a nice touch for phone tethering. You can give Plexo a few GB rather than your whole monthly allowance 😅 The README says it counts downloads only, so leave room for uploads and other apps.
https://t.co/e5QuGY6xI1

[ziziran @ziziran2]

@kiwiflysky 半透明窗口这个细节很妙，拖过去时还能看见下面的二维码，不用猜该往哪儿挪。鼠标接了个举手机的兼职😂

[ziziran @ziziran2]

@HongtaoFang 是的，那自己的标注数据直接测最直接，这个就当个预研参考。

[ziziran @ziziran2]

给客服工单分流、给 Agent 选工具，Jev 类模型该选谁？

先给结论：低输入单价可看 Mercury / Perplexity，Azure 集成可看微软，音视频判断可看 Clef-omni；需要本地部署，则看开放权重。Jev 和 OpenAI Decisions 都值得作为对照，公开测试还不足以选出一位“全能冠军”。

这类产品的共同用法是：给它内容、判断规则和候选答案，直接取得标签、是/否概率或评分，交给程序走下一步。下面比较 8 组有代表性的方案，资料截至 2026/10/12；是官方资料＋第三方测试整理，本次未自行调用模型 API。

① Jev 1.13：文本决策基线
TypeSafe 官方价 $0.042/百万输入 token，输出免费。当前只接收文本/JSON，同一份内容可以同时回答多个问题。官方明确英语表现最好，中文业务要单独验证。
https://t.co/7CsunNrchd

② Microsoft-Decision-1：Azure 用户的直接候选
同为 $0.042/百万输入 token、输出免费；基于 Qwen3.5-9B 后训练，处理文本/JSON，在 Foundry 和 OpenRouter 提供服务，未见官方公开权重。已有 Azure 部署和身份管理需求时，集成方式本身就值得比较。
https://t.co/ahwIchsnAH

③ OpenAI Decisions：原生图片＋文本
使用 Decisions 接口里的 gpt-6-luna，基础价 $0.10/百万输入 token，输出及缓存读写不另收费；区域处理、长上下文可能有加价。可以直接判断商品图有无损伤等。不要拿同名 Luna 的 Chat Completions 成绩代替这个接口。
https://t.co/sj84gbbguC

④ Mercury Decide：低价文本 API
Inception 当前促销价 $0.02/百万输入 token，常规价 $0.04，输出免费；输入是文本/JSON，返回固定类型的判断。价格有吸引力，但“促销单价低”还不能直接推出完成同一业务最便宜。
https://t.co/BbkNKFYtXs

⑤ Perplexity Decider v1.1 27B：低价图文＋开放权重
OpenRouter 当前 $0.02/百万输入 token、输出免费，支持文本/图片。发布了 Apache-2.0 权重及代码，可按其授权流程自部署；但托管与本地实现的上下文上限不同，不能直接照搬。这里比较的是 v1.1。
https://t.co/KWRl0hLYOe
https://t.co/8T4Qhokkxq

⑥ Cloudflare Clef：从图文扩展到音视频
Clef-omni 在 Workers AI 已上线，支持文本、图片、音频和视频，$0.15/百万输入 token、64K 上下文，输出免费，开放权重。较便宜的 Clef-flash 已降至 $0.038，但托管窗口也从 64K 缩到 24K；自部署权重的窗口是另一口径。
https://t.co/2Wjb13FZhv

⑦ 本地候选：H2O-Lightning-4B 与 Quyet-1.0-Large
H2O 新版 4B 支持图文；Quyet 基于 Gemma 4 31B，主要做文本。算力较紧可先评估 H2O，更大显存可把 Quyet 纳入对照。另有更小的 Strands Decider Qwen 2B；它保留视觉能力，但未做专门图片训练。开放权重也要计算显存、部署、许可和运维成本。
https://t.co/wi1XRC7qLk
https://t.co/HObDOJdHme
https://t.co/eF8fbx4VEv

⑧ Djev：另列为推理层／服务
它基于 DiffusionGemma 提供类型化答案，不宜直接当作一款独立训练的新模型。邀请制预览，当前公开配置显示免费；文档列出启用计费后的 $0.035/百万输入 token。文档明确概率是实验性、未校准；多题或多个评分等级还可能重复计入上下文读取量。
https://t.co/8WtBKxCu75
https://t.co/HKitp3FGoW

真正的效果差在哪？看三组有条件可比的测试：

• Jev AI 在 10/11 经同一 OpenRouter 路径，各跑一轮：300 个 HaluEval 判决，微软 92.7%、Jev 91.0%；440 个 BFCL 工具路由，微软 95.0%、Jev 93.6%。差距很小、任务很窄，而且测试方销售 Jev 托管服务。它支持“微软值得测”，不足以推出所有业务都更强。
https://t.co/KFIOxmx2A7

• CalibratedAgents 10/10 用同 296 条 LLM-AggreFact 样本，检查回答是否有来源支持：Jev、微软、OpenAI Decisions 的 AUROC 分别是 0.860、0.852、0.842。这个指标衡量区分正误的排序能力，不是正确率。95% 区间相互重叠，不能凭小差距宣布胜出，也不等于证明三者等效。测试方同时开发 Ground 验证产品。
https://t.co/36RsA6iRng

• JevBench v1.6.1 的同 750 道选择题：Quyet 87.07%、Jev 1.13 81.73%、H2O v1.1 74.40%。这是该子集正确率；测于 10/4–5，错误/拒答计错；部署硬件不同，不能顺手排速度榜。H2O 当前已更新到 v1.2.3，这组旧成绩也不能替新版下结论。
https://t.co/I8PjM8naT2

还要避开两个常见误读：

排行榜综合分混合了任务能力、概率校准、速度和成本，不是准确率。最新 JevBench 的部分 API 又用了不同题池、缩小样本和校正，不能把数字直接当严格同题对决。
https://t.co/8xv9EHtSJX

速度也要看部署：微软自报 Foundry 85ms，第三方同路 OpenRouter 测到 688ms；H2O 的本机实测延迟又曾被榜单用“×2＋150ms”换算。网络、硬件和换算口径都不同，公开资料不够做公平的全市场最快排名。

实用选法：按输入模态和部署要求筛到 2–3 家，再用自己的中文、长文、边界样本同时测正确率、错得很自信的比例、拒答/失败率、端到端 P50/P95 和每千次任务实付费用。多题重复读取、媒体转 token、重试和托管费用都要算进去。换模型后重定阈值；同文本复测结果，也不能替同图一致性作保证。

[ziziran @ziziran2]

眼镜里的 AI 收到天气问题，先显示“我查一下”，随后补上天气结果。

生ビール把本地 GLM-5.3-Flash 接到 Even G2 眼镜和 R1 戒指。按作者说明，Qwen-Audio-Agent 管语音对话，DSH 跑后台任务，Irodori-TTS 把文字读出来；硬件用了两台 Spark。

其中一个值得借鉴的小零件，是专门选日语接话类型的 asist-aizuchi-ja。公开标签包括应答、思考、核查和不接话；具体措辞与播放时机取决于接入实现，发声则由语音合成负责。这样可以把接住对话、生成答案和执行任务分别处理。

自己做类似助手时，可以分别记三段时间：说完话到第一次回应、到第一句有用答案、到任务真正完成。再试试中途插话，看旧播报能否及时停下。只测第一声，会把“我在听”和“我办好了”混在一起。

作者称接近实时，但没有给出这套组合的完整延迟测试；中文接话效果和整条链路是否离线也还需另核。以上是作者演示与公开资料整理，未实测。

接话模型：https://t.co/BgTimGZo06
语音与任务分工：https://t.co/BcH6P3aJ0h

[生ビール @wmoto_ai]

地元のGLM-5.3-FlashとEven G2+R1でほぼリアルタイムに喋れるようにしたった！🍻

・音声エージェントまわり: Qwen-Audio-Agent
・バックグランドタスク: DSH
・TTS：Irodori-TTS
・音声の即相槌: https://t.co/nnpABC8hKR

[ziziran @ziziran2]

@geekbb README 里还有个适合写教程的细节：链接能直接定位节点或路线。讲认证就打开认证节点，讲请求流向就打开对应路线，同一张图不用让读者每次从头找。
https://t.co/yFq1wrcMzx

[ziziran @ziziran2]

同一张图反复交给 AI 判断，能不能每次得到相同结果？查完 OpenAI Decisions 和 Jev 的资料，最需要分清的是：返回相同标签、返回相同概率、判断正确，这是三件事。

1）Jev 目前不能原生看图
官方当前 Jev 1.13（jev-1.13.0）只接收文本。图片要先转成文字或结构字段，再交给它判断。这样测的是“识图/OCR＋Jev”整条流程，不能直接算成 Jev 的同图复测。
https://t.co/7CsunNrchd

2）Jev 的同文本请求，已有变化的公开实测
Anthus 的 Hard-Decisions 在 10 月 1 日按相同协议完整重跑文本推理题，响应版本均为 jev-1.13.0。开放世界与封闭世界各 1,800 题，分别有 50 题、38 题最终标签改变，一致率为 97.2%、97.9%。这是该数据集上的两轮结果，不能当通用故障率。
https://t.co/1WkYgcHWes

9 月 21 日另一组更小的测试，把 24 个文本任务各跑 10 次：Jev 1.13 的标签全都一致，但其中 4 组概率发生变化。“都选 A”不等于“每次都是 0.83”。
https://t.co/Qh3G9lG2hk

3）Decisions 有文本一致性证据，同图结论仍需另测
开发者 platypus 公布了三组、每组 1,000 次文本请求，报告组内标签和概率一致。调整选项顺序后概率会变，但请求已经变了，不能算相同请求波动。
https://t.co/PeJtIPYcJG

Decisions 支持图片，不过在这次检索中，没找到同时固定图片字节和完整请求、公开重复结果的图片测试；官方接口文档也没给出“同请求必得同结果”的保证。文本实验不能替图片场景作保。这些测试的任务和条件不同，也不足以给两家排稳定性名次。
https://t.co/wT1c5gygc2

如果业务要求同一张图总是走同一条分支，先固定图片字节、预处理、问题和选项顺序，记录模型及规则版本；分别统计标签翻转、概率变化、跨业务阈值次数。需要复用已确认结果时，按完整输入和版本做缓存，更新规则或模型后重新验证。

以上是官方文档与第三方实测整理，本次未自行调用 API。

[ziziran @ziziran2]

@ChuanxiaZ Could users lock a measured door-opening range so repairs have to preserve it? The paper's reviewer catches shortened travel; a code check could make that a hard constraint when building a digital twin of a real cabinet.

[ziziran @ziziran2]

一块 ESP32-C3 小板可以当广告域名“门卫”：手机查网址时，先让它查一遍黑名单。

Linus 分享的 esp32-c3-adblock 是独立开源项目，思路和 Pi-hole 类似。设备把 DNS 查询交给它，命中黑名单就返回 0.0.0.0，没命中才转给上游。名单被压成短哈希放进闪存，不用把完整域名全塞进内存。

视频里的 USB 插头主要负责供电。刷固件、连上 Wi-Fi 后，还得把设备的 DNS 指向小板的 IP；插上路由器，不会自动让全家生效。

想上手，可以先只用一台测试设备，记下原 DNS 方便恢复，对照后台拦截记录检查常用网站。它按域名过滤，不能像浏览器插件那样清掉页面元素，也不能可靠地区分 YouTube 同一域名下的视频和广告。另用外部 DNS 的应用也可能绕过它。

按项目文档整理，未做硬件实测。刷机前要设置管理和更新密码；后台仍是 HTTP，别暴露到公网。

项目：https://t.co/QCW7suzYx0

[Linus ✦ Ekenstam @LinusEkenstam]

This $2 chip can enforce one rule on every device in your house.

Most companies can't say that about their AI.

An open-source project runs a Pi-hole-style
DNS ad-blocker on a ~$2 ESP32-C3 board.

Per its README: 140,000+ blocked domains as short hashes in about 0.7 MB of flash,

All while only using roughly 50 KB of RAM

[ziziran @ziziran2]

@yuliangxiu Could the paper's coverage metric flag poorly covered frames on the animation timeline? That could give an animator a concrete recapture list: a deeper crouch here, a sharper turn there.
https://t.co/WNLt04zsrn

[ziziran @ziziran2]

@karpathy A useful companion to “one prompt” demos: the starting repo, agent trace, acceptance tests, and human review time. That would help people reproduce the result and see which parts depend on the model, the environment, or the person doing the checking.

[ziziran @ziziran2]

让 AI 写科普动画，怎样在渲染整段视频前发现标题出框、文字叠在一起？

ManimGX 可以先出一张分镜检查图。它把 Manim 风格的 Python 场景变成数学和 3D 动画，作者 Sina Atalay 这张图演示的是其中的 2D 布局检查：长标题被裁切、公式被线条穿过、小字难读，都标出了位置和代码行。

场景文件写好后，运行 manimgx inspect https://t.co/NeoFRhOOT3，会生成 PNG 分镜和时间线，不编码整段视频。可以先让 AI 按标记修改，再检查一次，最后导出 MP4。

有个容易漏掉的边界：默认只检查每段动画或等待结束时的画面。要看转场中间，可加 -t 1.5,8,end 指定时间；它不会替你逐帧检查。自动布局检查仅限 2D，3D 只生成分镜和时间线；数学内容是否正确仍需另核。

以上按作者演示和官方文档整理，未实测。原生版需 Python 3.13+；浏览器版目前还不支持中日韩文字。

用法：https://t.co/VaCgCbKDal

[Sina Atalay @sinaatalay]

Made for agents:

- manimgx inspect (CLI command): storyboard PNGs your agent checks before rendering the video
- 2D layout checks: content cut off, text overlapping or too small, by variable and line
- Fully statically typed: TypedDict keyword arguments, typed .animate chains