

更多动态
:一个模型实现文本/图像/视频/音频 30B MoE(激活仅 3B)混合架构。不需要拼 STT + 视觉模型 + LLM,所有模态在同一序列里联合推理,不是事后拼接。 - 文档:原生支持 100+ 页,动态分辨率最高 1840×1840 - 视频 + 音频:Conv3D + EVS 压缩,音画联合推理,支持 20 分钟音频 - GUI Agent:截图理解 + 自动操作,OSWorld 47.4(Qwen3-Omni 29.0) - 吞吐:多文档 7.4x、视频 9.2x 于同类开源 omni 过去做多模态要跑 STT + 视觉 + LLM 三个循环,现在一步搞定。客服 agent 可以同时"看"屏幕 + "听"录音 + 查百页合同,一个推理循环输出,上下文不断。金融 agent 同步读财报、听业绩会、看图表,统一出结果。 开源(NVIDIA License),BF16/FP8/NVFP4 权重已上 HF。OpenAI 兼容 API,消费级显卡Ollama / vLLM 可以本地部署。


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。

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。
