更多动态
这次更新把「人声」变成了独立资产，不用再担心换个曲风歌手就直接“变声”。 1️⃣ 人声彻底解耦：简单说就是把嗓音指纹单独提取出来。比如想把爵士女声转去做摇滚，声音总会变味，更新后把 R&B 男声扔进重金属提示词里，音色和咬字不会崩，听感完全是同一个人。 2️⃣ 跨风格一致性：在我看了几组 Demo，大概 80% 的情况下都能保持听感统一，这对想做概念专辑的创作者来说，意味着制作流程被极大简化了。 目前看 v5 模型表现最稳，本来我想用一个声音制作不同曲风的实测视频，但是会员太贵了。 #AI音乐 #Suno #独立开发 #内容创作 #虚拟偶像
终于蹲到一个不「脑雾」的本地多模态模型，跑长任务稳得可怕 实测把 30B 参数塞进显卡，专门解决 AI 跑复杂流程容易「走丢」的老大难问题。 1️⃣ 专治「长任务健忘症」：它用了 RLVR 技术（简单说就是给 AI 装了个「纠错雷达」）。以前我用脚本抓取网页数据再清洗，往往要人工盯梢，这次试了 20+ 步骤的 UI 自动化，逻辑链居然一直在线。 2️⃣ 民用显卡友好：官方给了 FP8 量化版，如果你跟我一样手持 RTX 3090/4090，显存压力比预期小。虽然知识广度不如 70B 模型，但在「执行指令」的稳定性上，我觉得比其他开源模型要扎实。 3️⃣ 隐私与离线：完全断网运行。我个人不太敏感隐私，对于部分在乎隐私的行业十分友好。 大家现在跑本地 Agent 还在用哪套模型？评论区分享下 👇 #AI工作流 #本地部署 #数字游民 #效率工具 #开源模型
1.6T 总参、激活约 48B，原生多模态，主推长程智能体，全程国产算力训练。 图像量化成多级离散 token，Visual Coding 与 3D 受益。 大规模长程 RL，把失败轨迹转成可验证训练任务。 W4A4 推理，prefill 吞吐提升 43%。 官方自测介于 Claude-Opus-4.8 与 Opus-5 之间。
它不堆参数，堆"层数"。32 层解码器，中间 4–27 层同权重跑两遍 → 前向 56 层计算，只存 9B。 自测 BIRD-Dev 71.38、AutomationBench 13.72，超 Qwen3.5-27B；Terminal Bench依旧落后。
