更多动态
DeepResearch。 主打“端到端 Deep Research”，把类似 Gemini 的复杂搜索+报告生成能力，塞进了一个高性价比的单体模型里。 1️⃣ 逻辑像个“多疑”的实习生：普通 RAG 是“搜完即答”，它是“规划-搜索-反思-修正”。我试着让它写一份 Web3 竞品分析，它会自动交叉验证数据源，而不是瞎编。 2️⃣ 成本友好：32B 的参数量，对中小团队很香。官方提到单次任务成本不到 5 毛，我实测下来，确实比自己搭 Agent 调用其他 Deep Research API 便宜太多。 3️⃣ 使用场景：对写长报告、行业综述很稳，但如果你只是想查个实时汇率或天气，用它就有点“大炮打蚊子”，反应也没那么快。 做深度调研，大家最常用是 Perplexity 还是还在手动 Google？ #AI工作流 #开源模型 #深度调研 #StepFun #独立开发
这两天跑通了字节开源的 StoryMem，感觉它是目前长视频叙事的最佳解： 1️⃣ 它不做「一镜到底」的伪长视频，而是模拟导演思维：生成新镜头时，自动去「记忆库」检索之前的关键帧。 2️⃣ 实测下来，它解决了最头疼的 Cross-shot Consistency 问题。比起我之前用 Wan2.2 盲抽，它能记住主角穿什么衣服、长什么样，不用手动炼 LoRA 也能稳住。 ⚠️ 目前还是纯代码库（Python），没界面，依赖本地算力，小白慎入。 但如果你想做短剧，这东西能省下大量修图时间。 #StoryMem #AI视频 #开源项目 #独立开发 #效率工具
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。
