
OpenAI 还没动静,DeepSeek 先把“推理成本”打到了地板价

更多动态
字节刚发布的「豆包手机助手」不仅是聊天机器人
,而是直接嵌入底层 OS 的数字员工,真正实现了从“教你怎么做”到“替你做完”。 它的核心逻辑是用 VLM(视觉语言模型)识别屏幕 UI,配合模拟点击实现: 1️⃣ 全网比价闭环:对它说“买最便宜的某物”,它自动遍历淘宝/京东/PDD,领券比价并填好订单,你只需最后按指纹支付。 2️⃣ 工作流自动化:这是杀手锏。一键识别微信群杂乱文件 ➝ 按类型归档打包 ➝ 发送至企业微信。以前手动要半小时,现在仅需几秒。 3️⃣ 屏幕感知(Screen Awareness):按侧边键,它能读取当前聊天记录帮你拟定高情商回复,或者语音指挥相册修图,不用再记复杂的二级菜单。 ⚠️ 目前首发于努比亚 M153(工程机),本质是利用 Android 无障碍权限(Accessibility),在隐私敏感度极高的当下,建议先观望其权限管理机制再主力使用。 #AIAgent #豆包手机助手 #自动化 #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”
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

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。
