更多动态
，帮我解决了长视频变现的痛点。 1️⃣ 智能切片：以前我剪播客切片要搞一天，现在扔进直播回放，AI 自动抓取高光时刻。最惊喜的是 Auto-Reframing，横屏转 9:16 时人物自动居中，不用我一帧帧调位置。 2️⃣ 文本化剪辑：逻辑像改 Notion 文档，删文字=删画面。对于我们非剪辑专业出身的人来说，这种“粗剪”效率提升肉眼可见。 虽然涉及部分领域术语时字幕还得人工过一遍，但整体比我之前用其他剪辑软件生成的速度体感要快一些 。 #AI工作流 #视频剪辑 #数字游民 #CyberCut #效率工具
Liquid AI 刚出的 LFM2-2.6B-Exp，是我这周在旧款 Mac 上跑得最顺的“口袋大脑”，断网也能飞起。 1️⃣ 路子很野的“纯强化学习” 这模型完全跳过了 SFT（监督微调），直接用 Pure RL 训练。我实测下来，它的逻辑“直觉”出奇的好。特别是在处理 JSON 数据提取这种脏活儿时，指令跟随能力比我之前常用的 8B 模型还要稳，很少幻觉。 2️⃣ 老电脑的救星 它用了混合架构（卷积+注意力），简单理解就是“吃得少跑得快”。在高铁上信号极差，我用它配合 Obsidian 做本地 RAG 查文档，响应速度比 Qwen3 快了大概一倍，关键是风扇没狂转，续航没崩。 虽然它在 IFBench 上评分挺高，但毕竟只有 2.6B 参数。写写代码片段、改改邮件很爽，但如果你指望它写长篇深度研报，逻辑深度还是不如云端大模型，别神话它。 你现在本地部署主要用 Ollama 还是 LM Studio？👇 #AI工作流 #本地部署 #效率工具 #LiquidAI #独立开发
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。
