字节跳动 11 月发布的 Vidi2，彻底解决了长视频从“模糊理解”到“精准定位”的难题，让 AI 剪辑真正进入工业化可用阶段。
🔹 视频版 Ctrl+F
核心突破是 STG（时空定位）。传统模型像 RAG 一样只能模糊检索“大概讲了什么”，Vidi2 能实现端到端输出：不仅知道“有猫”，还能精确给出“第 14 分 20 秒、屏幕左下方”的 Bounding Box 坐标。
🔹 实战优于对话
在 VUE-STG 基准测试中，其定位精度（vIoU）比 GPT-5 和 Gemini 3 Pro 高出一倍。这说明它不适合“陪聊”，但极适合“干活”——比如自动识别主角，将 1 小时横屏素材无损裁切为适应手机端的竖屏短片（Smart Reframing）。
🔹 从理解到创作
基于 Gemma-3 架构，支持超长上下文（>1小时）。丢给它一堆杂乱的 Raw Footage，它能结合音频（如警笛声）与视觉信号，自动梳理故事线并生成剪辑脚本，而非简单的切片。
🔗 项目主页： https://bytedance.github.io/vidi-website
#AI工作流 #视频自动化 #Vidi2 #多模态 #生产力工具
字节跳动 11 月发布的 Vidi2，彻底解决了长视频从“模糊理解”
更多动态
OpenAI 还没动静，DeepSeek 先把“推理成本”打到了地板价
，DeepSeek V3.2 来了 开源模型首次实现「思考+工具」并行，用 1/30 的成本跑出 GPT-5 级的落地效果。 1️⃣ 底层进化：DeepSeek V3.2 引入了 Sparse Attention (DSA)，简单说就是让模型学会了“跳读”——只处理关键信息而非全盘扫描。这让推理速度直接翻了 2-3 倍，内存占用反而降了 40%。 2️⃣ 逻辑闭环：最大的升级是 Thinking in Tool-Use。以前的模型要么“纯思考”，要么“傻执行”，V3.2 能在思考链中穿插工具调用，自己写代码验证猜想。对于需要多步推理的 Agent 开发，这是质变。 3️⃣ 成本红利：输入成本仅 $0.028/M，相比 Claude Sonnet 4.5 便宜了一个数量级。对于高频调用的生产环境，这直接决定了商业模式成不成立。 4️⃣ 限时测试：Speciale 版（数理能力超越 GPT-5 的推理怪兽）API 仅开放至 12 月 15 日。建议开发者抓紧这周，把手头最难的 Edge Case 跑一遍，存下数据就是赚到。 🔗 模型权重： huggingface.co/deepseek-ai 🔗 官方公告： deepseek.com #DeepSeek #AI工作流 #开源模型 #降本增效 #Agent开发
Kimi 最近搞了个挺上头的黑五活动：跟它的 “砍价守门员 AI”
聊天砍价，夸也行、卖惨也行，反正把它说服了就能把会员砍到 0.99 元首月（国际版是 $0.99）
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。
