FLUX 2都开源了，结果首日下载才五十来个，直接被 Nano Banana Pro 按在地上摩擦。
这图也是 Nano Banana Pro 生成的
FLUX 2都开源了，结果首日下载才五十来个
更多动态
2025年再靠“拍脑袋”做短视频，你的试错成本将远超潜在收益
Palo 将 MrBeast 团队的「暴力留存算法」封装成 AI，直接让普通创作者拥有顶级工作室的数据大脑。 其核心逻辑不同于简单的套壳工具，更像是一个懂你的「数字制作人」： 🔹 逆向工程你的风格：通过 RAG 技术分析你过去 30 条视频，提取 Hook 结构、BGM 偏好和叙事节奏，生成符合你 Persona 的脚本，拒绝 AI 塑料感。 🔹 数据驱动选题：它不猜你喜欢什么，而是基于跨平台（TikTok/YouTube/IG）实时数据，预测未来 3-7 天的流量洼地。 🔹 技术流视角：底层采用“LLM Cocktail”架构，混合调用 GPT-4o、Claude 3.5 和自研情感模型，多模态分析准确率达 91%，这也是目前高阶 AI 应用的 MVP 配置趋势。 目前 $250/月 的门槛虽高，但相比组建专业数据团队，这或许是 ROI 最高的投入。 官网： palo.ai #AI工作流 #短视频运营 #数据驱动 #Palo #创作者经济
字节 TRAE SOLO 模式中国版今起 免费 开放
，主打无 Token 限制的“端到端交付”，实测比 Cursor 更懂中文开发语境 以前用 AI 是“你画龙它点睛”，SOLO 模式相当于你给需求文档（甚至手绘草图），它自动拆解任务、写代码、改 Bug 直至部署。 核心逻辑与避坑指南： 🔹 双轨制智能体：小白或做 MVP 用 Builder，一句话生成完整前端应用；老手修 Bug 或重构用 Coder，支持多任务并发调度，效率提升明显。 🔹 解决了“失控感”：Agent 最怕瞎改代码，TRAE 的 DiffView 能实时追踪每一行变更，必须人工确认才执行，这点对生产环境至关重要。 🔹 基建红利：底层集成豆包、Kimi、Qwen 等国产模型，物理延迟极低。 💡 建议： 趁目前无计费逻辑，建议直接利用其 Context Engineering 特性，投喂超长技术文档或遗留代码进行重构；相比 Cursor 的 $20/月，TRAE 在上下文压缩上的优化能有效减少“模型幻觉”，算力羊毛不薅白不薅。 官网：https://www.trae.cn #AI编程 #TRAE #独立开发 #降本增效 #字节跳动
claude申诉失败了。
订阅费也没法儿退，我甚至怀疑申诉邮件就是钓鱼的，有追踪IP地址。 dhh是美国开发者，前段时间来深圳交流，演示了自己怎么用claude code。 目前最稳妥的方式就是参考dhh方法，把Claude code放在海外机器上，用tailscale远程连接使用。 那就得租一台有家宽的海外机器，在那台机器上注册和登录claude。
分享下现在的纯手机端工作流。
九月底前我都是坐在电脑前开着terminal指挥着pi，跑多subagent，最后再自己看diff，提pr，经常一坐就是一天。 九月底，我工作流改成在手机端用hermes指挥pi，完全解决了久坐电脑前的痛苦，用到现在还挺舒服。 Hermes用旗舰模型（gpt-6-astra/opus-5.5），pi尽量不装插件，用中端模型（ds-v4.1-flash/sonnet/terra），二者间用a2a通讯。 hermes负责分析issues，拆分成多个小任务，然后给每个小任务创建worktree，并在里面派遣pi去完成小任务。 每个pi完成任务都会通知hermes，由它判断提pr还是返工给pi。基本逛一天景点，或一觉醒来十几个pr搞好了，舒服得很。 就是过程太黑盒了，心路历程有点像早期的vibe coding，那会diff至少自己会看一下，现在diff也黑盒，完全交给旗舰模型，属于盒中盒了。 如果没数据焦虑，其实可以直接用grok-bot或者chatgpt-dot，开箱即用，里面内置了grok-cli和codex，原生agents通讯。弊端就是数据不在本地，有监管，万一被封号一切归零。
