粉丝1.2万获赞7.5万


它就是把你能想象到的所有的 pdf 的 操作都集合到了一起。嗯,那今天咱们这个话题呢,就是来聊一聊那些被大家说成是智商税的软件。嗯,对,特别是我们经常会用到的这个 pdf 编辑工具。 啊。对,说到这个就不得不提到最近特别火的一个来自西班牙的一个小伙子,他呢就自己做了一个免费的 pdf 神器。啊对,我们就来聊一聊这个东西到底是怎么回事?是啊,这个事情最近在网上炒的还挺热的,咱们今天就好好的说一说。咱们第一个大块呢,就是关于这个 i love pdf 它的诞生以及它的优势。 首先第一个我们先来聊一下,就是这个东西它到底是一个什么样的背景下被做出来的 i love pdf 呢?它其实是在二零一零年的时候,有一个西班牙的开发者。嗯,因为他自己有一次需要合并两个 pdf, 但是他找不到好用的免费的工具, 所以他就干脆自己做了一个。哦,对,然后他一开始只是为了解决自己的问题嘛,但是没想到后来呃用的人越来越多,所以他就干脆就一直维护这个项目,并且不断的加入新的功能。哦,原来是这样, 就说他完全是为了解决实际的烦恼而出现的。对,没错没错,而且他就是因为自己用过,知道痛点在哪里,所以他做出来东西也特别的接地气。嗯,然后他的这个团队也一直都很小,但是很专注。对, 现在已经有超过五十个国家的人在使用了,每月的访问量都已经过亿了。就是说它具体有哪些功能啊?然后它是怎么做到这些功能的,就让大家用起来特别方便的呢?它就是把你能想象到的所有的 pdf 的 操作都集合到了一起,嗯,比如说合并、拆分,压缩,转格式, 甚至是加一些水印啊,密码啊,修复啊,然后二零二六年还要加上 ai 的 辅助,就是基本你能想到的所有的场景它都可以覆盖,那它是不是还可以在不同的设备上面使用?对,这个就是它的厉害的地方,你不需要安装任何的软件, 你只要有浏览器就可以用。然后同时它也有桌面版和手机 app, 还可以集成到云盘里面。它的这个操作就是非常的简单,三步就可以搞定,而且它还支持多种语言, 就是你不管是在哪里都可以很轻松的使用。它就是说在这个数据安全和隐私越来越被重视的今天,这个 i love pdf 到底在哪些方面是做的特别好的呢?嗯,首先就是它通过了这个 iso 二七千零一的这个认证, 然后所有的文件在服务器上面最多只会保留两个小时,你也可以自己随时手动的把它删掉,它们也承诺不会去检查或者说复制或者说分析你上传的任何的内容。再加上它的这个 基础的功能都是可以免费使用的,高级的功能是需要订阅的,但是它的这个价格也非常的亲民, 所以说它是一个非常安全又非常实用的一个选择。我们来进入第二个部分啊,我们来聊一聊这个 marco, 它为什么会拒绝资本的诱惑?对,我们先来问第一个问题, 为什么 marco 会拒绝大公司的高价收购?这个其实很有意思,就是 marco 他 其实啊,有很多次都被大公司以非常高的价钱,甚至是十亿级别的美金的价钱来收购他的这个公司。嗯,但是他都拒绝了。 原因其实很简单,他就是想要保持自己的技术团队的独立性,他不想让自己的产品变成一个被拆分的商业零件。对,没错,因为他觉得一旦你接受了大公司的钱, 你就会被他们的节奏所绑架,你要去满足他们的各种各样的财务的和商业的指标。嗯,那你就没有办法再专注于你自己最初的那个技术的追求了。所以他就是 即使面对压力,面对亏损,他也始终选择守护自己的这个技术的初心。就你觉得这种 marco 坚持的这种技术信仰在他的公司里面都有哪些具体的体现?最明显的就是他和他的团队会亲自使用自己的产品, 而且他经常会自己熬夜去测试新的功能,然后有什么问题就立刻去改。就他对这个细节的要求是极致的,这种方式感觉非常的接地气啊,对,他甚至连测试都不外报出去,他所有的核心的代码他都要一行一行的过,然后跟他的同伴们去讨论,每一个技术决策他都要反复推敲, 他就想保证说这个东西他的创新是来源于对每一个细节的不断的打磨,而不是说靠什么市场炒作。你觉得就是这种 mark 坚持的这种深度写作的模式, 给 i love pdf 带来了哪些实际的价值?他就是直接就是把用户的反馈变成了新的功能,嗯,然后他的这个团队和他的合作伙伴之间是一种非常高度信任的关系, 大家的沟通是非常高效的,大家都可以专注在打磨这个产品的细节上面,而不是说大家在传递需求的过程当中浪费很多时间。那这个就是一个非常紧密的协助方式,让这个软件可以不断的去进化,也让他们可以 在这个不断变化的市场当中始终抓住用户真正需要什么,那他们就可以不断的去推出一些真正解决用户痛点的好的功能。咱们来进入到第三部分啊,今天的这个主题是还有哪些值得推荐的免费的 pdf 工具 来,咱们来第一个问题啊,除了我们刚才说的那个市面上还有哪些主流的免费的 pdf 工具?它们分别有什么亮点?比如说有一个 clever pdf, 嗯,它是一个在线的工具,然后它是我们国内的团队做的,它的好处是它有四十四个功能, 它是不需要你注册的,它是永久免费的,它的转换的质量也很高,它支持二十多种语言,就你不管是中文还是英文,还是其他的一些语言,它都是可以很完美的支持的。 ok, 对, 它特别适合那种 不想注册啊,不想有什么限制的这种用户啊,这个不用注册,这点确实很吸引人。然后还有一个就是 pdf, 它是一个德国的团队做的, ok, 它的功能也非常的全面,它也是真正的完全免费,它甚至没有那种 每日的使用次数的限制,对它的所有的操作都是通过 h t t p s 加密的,它也会自动地帮你清理掉你上传的这些文件。 ok, 它也有离线的版本, 它也支持很多平台。 ok, 所以 它是适合那种对隐私比较在意的用户。那其他的还有一些,比如说像 small pdf, 嗯哼,还有像 convertio, 还有像 呃 hipdf 这种,他们都是呃功能也比较丰富,界面也很友好的。 ok, 那 他们可能有的是在转换的格式上面比较强,有的是在呃这个操作的速度上面比较强。 ok, 那 他们可能呃免费的套餐会有一些使用次数或者文件大小的限制。 ok, 那 还有一些,比如说是针对 移动用户的啊,比如说有一个微信小程序叫青蓝 pdf 转换,嗯哼,它也是完全免费的,你用起来也非常的顺手。 ok, 所以, 呃,这些工具你要去选的话,就真的是看你自己的实际需求是什么。对,那这么多免费的 pdf 工具,到底怎么去挑一个适合自己的呢?其实就特别简单,就是你看你自己的需求是什么?嗯,对吧,你是需要一个 功能非常全面的啊,那你就可以选啊, i love pdf, 或者是 pdf 二,或者是 pdf two four two four 的 本地版 啊。如果你是需要一个极致简单的啊,那可能 pdf pad 啊,或者是 p p two pdf 啊,或者是这个青蓝 pdf 转换,嗯哼,这几个会比较适合你哦, 原来就是按照自己的实际场景去挑,会比较靠谱。对,就呃有的人他可能就偶尔转一转啊,那他用那个网页版的就够了。嗯,那有的人他可能要经常的去 批量的处理啊,那你可能就要下一个桌面的客户端,那你还要考虑你这个文件的安全性,嗯,你这个文件是不是很大,嗯,对吧?然后你是不是需要 支持中文啊?等等等等,你就去,对,就这些选项去筛一遍,就很容易找到最适合你的那个。你觉得这些免费的 pdf 工具最近这几年都有哪些新的变化?然后包括使用的时候有哪些要注意的地方?嗯, 其实现在这些免费的 pdf 工具已经不仅仅是可以转换格式了,嗯,它可能还可以合并,还可以拆分,还可以压缩,还可以,呃,加水印,还可以做一些很简单的编辑, ok, 对, 然后有的还有 ocr, 可以 识别图片里的文字, ok, 反正就是 主流的这些平台啊,他们都是不断的在加新的功能,也不断的在提升自己的安全性,功能是真的丰富。那使用的时候有什么坑要避开吗?嗯,比如说有的免费的方案,他会限制你的文件大小,嗯,或者说他会限制你每天转换的次数, 然后还有的就是可能你用他的这个在线的服务,你的这个隐私就没有那么保障了, ok, 所以 就是, 呃,如果是处理比较大的文件,或者说处理比较敏感的内容,还是建议大家用那种本地的可以自己掌控的软件, ok, 那 还有就是大家也别忘了就是多对比一下他们的这个转换的效果和对不同格式的支持,嗯,这样的话你才能够选到最适合你自己的那个工具。是,今天我们聊了这个 i love pdf 它的这个成长的故事,然后也聊了聊现在市面上这些各种各样的免费的 pdf 工具,嗯,其实 确实这些东西让我们看到了技术正在一步一步的打破壁垒啊,真正的让每一个人都能够享受到科技带来的便利。好了,那么这期节目咱们就到这里了,感谢大家的收听,咱们下期再见。拜拜。

一期视频拆解个产业,本期我们来讲 c p o 供风装光学。这几天腾讯 x 太被电脑斩,老黄和各大科技巨头又在疯狂画大饼了。那你发现没有,现在的 ai 芯片比拼,比的不仅仅是谁算的更快,既然都在比谁更省电, but they also have to be extremely energy efficient you have strict power and latency constraint i cannot emphasize enough the importance of power。 这背后让全球科技巨头挤破头的省钱新技术,就是我们本期要讲的 c p o 供风装光学。嘿,大号,我是加号,咱们先看一看什么是 c p o 啊? 就这个传统的光电处理工艺模式,它叫做可拔插式传输,它的逻辑是核心的芯片和光模块是彻底分开的,光模块像个 u 盘一样插在机器外壳之上, gpu 产生电信号之后,通过同导线传输到光模块。 而现在的新模式叫 cpu 共封装。光学就是共封装嘛,就是放在一起。所以它的逻辑就是把之前放在外面独立的光模块拆散,直接放在 gpu 上,不再通过通道线运输,这样能够极大的提高传输速度。我知道你停在这可能比较茫然,这什么跟什么呀?你说的什么玩意,我听不懂。所以我们直接进入一个清零假设, 我们假设有这样一个果园,他是卖草莓的,以前的时候要经过十几公里的运输才能送到冷链物流中心,但是农场主经过一番技术革命,把草莓的产量嘣的一下子提上去了。哦,这产量提上去了,自然而然运输的数量就多了,但是 路途长,运输时间久,运输数量还多,这导致草莓在路上疯狂腐烂,给农场主造成了很大的损失, 不玩了,走了。所以啊,农场主想了个绝招,他直接把原来的冷链物流中心拆了,在果园采摘线的末端建了一个新的物流中心。现在草莓刚采摘下来,立刻就能送到物流中心发往全国,这个过程极大减少了草莓的消耗和损失。 这个故事就是 ai 正在发生的革命。果园是 gpu 芯片,草莓是电信号,物流中心是传统的可拔插光模块,而土路是铜导线。 电信号产生之后,需要经过主板上十几厘米的铜导线才能到达光模块。在以前数据量小的时候,这十几厘米的铜导线不算什么。 那在今天 ai 大 模型八百 g 一 点六 t 的 恐怖功效下,那这个果园产生的草莓就是天文数字了。在传统模式下,数据在里面走,不仅走不快,信号会衰减,而且为了把数据硬推过去,只需要消耗很恐怖的电量。 c p u 则是通过把光气件和芯片封装在一起,通过缩短光电互联长度,大幅度降低在高速传输下的功耗和信号的损耗。 那 c p u 到底能省多少电呢?根据美国能源部报告显示,相比传统可把叉的光膜快, c p u 的 功耗能够降低百分之二十五到百分之五十。我们再来说这个行业的市场规模,在今天它的全球市场规模大概在一点六亿美元,还比较小。 但根据毛豆领克的这次的预测,到二零三一年,这个数字将增长到七点六亿美元,年复合率超过百分之三十五。更激进的机构预测,到二零三三年市场规模将达到十四亿美元以上。这是 cpu 本身的数字,但 cpu 背后带动的整个光互联产业链体量要大十倍不止。 nice, 这个游戏里面有我们中国玩家什么位置呢?这就是我讲本期视频,内容,仅用做泛财经知识科普,不用做投资建议。投资有风险,入市需谨慎。 不知道你有没有听说过易中天,不是讲三国的那位啊,是 a 股里面的光魔快三巨头新易胜、终极虚创和天赋通信。终极虚创的二零二六年一季报单季利润已经达到了五十七亿,这个数据比二零二四年终极虚创全年的净利润还要多。 新易胜更猛,二零二四年净利润同比增长百分之三百一十二八百 g, 产品全球实战率爬升到百分之二十五以上。 上面这两家的核心客户是英伟达、谷歌和麦塔。中国制造已经深深的潜入了全球 ai 三 d 的 血管里。但是根据摩根大通的判断, cpu 的 规模化应用最早也要等到二零二七年之后了。 现在的中国厂商还正在爬一点六 t 可拔叉光模块这座山, cpu 则是下一座,谁能先爬上去,谁就是下一个十年的赢家。以上就是本期视频的全部内容,我是嘉浩,我们下期见!

如果让我选一个插件,能够最快让人生变得有存在感,变得更靠前,变得更有力量, cla 七六一定在名单里。今天这期视频,我带你彻底搞懂 cla 七六。先说结论, cla 七六本质上不是一个温柔型压缩器, 它属于攻击性非常强的压缩器,特点就两个字,快!非常快!来看界面,先说音不,很多新手以为这是输入增益,其实在 cla 七六里面, input 同时决定压缩量,你把 input 往上推,信号进入压缩器的电瓶变大,压缩器就会工作得更猛烈。第二个是 output, 这个比较简单,压缩以后补回音量,方便做 a b 对 比。 记住一点,判断压缩有没有变好,一定要把前后音量匹配,否则你会误以为更大声等于更好听。第三个是 ratio, 也就是压缩比例。人生最常用的是四比一和八比一足够,如果想让声音更有冲击力,八比一会更明显。 至于二十比一,很多时候已经接近限制器效果了,新手限用。接下来重点来了, attack 和 release。 很多人调反了,在 c l a 七六里面,旋钮越往右速度越快, attack 决定顺带保留多少。如果 attack 太快,辅音会被压掉, 声音会失去冲击力。 release 决定压缩器恢复速度,通常原声建议比较快,这样压缩器能够迅速回弹, 声音会更有能量感。再看 annelog, annelog 本质上是在模拟硬件底噪百分之九十九的情况, off 就 行。 blu 一 和 blackkey 到底有什么区别?这是 cla 七六最容易被忽略的功能,也是最值得讲的功能。 blue 蓝调版本,模拟著名 blu stripe 一 一七六,声音更凶更亮,失帧更多,个性更强。 lucky 黑条版本模拟 blackface, 一 一七六,声音更平滑更稳更自然。如果你做说唱混音,我甚至建议先是不欲,很多时候一开就有感觉哦。 buttoning 就是 传说中的一一七六炸机模式,把所有 re, xio 同时按下,产生非常特殊的压缩曲线,声音会变得激进 失真,有冲击力,有颗粒感。接下来讲实战假设是一条说唱主唱我的骑手设置,通常是,哈吃垮住。嗯,阿特三到五, reels 六到七, 然后推动音符让增益衰减达到三到七分贝左右。先听再决定要不要继续压。那么怎么判断压缩是否合适?非常简单,关闭插件听一次,打开插件再听一次。如果你感觉歌词更清晰了,原声更靠前了,但听不出明显被压扁, 基本就对了。如果你也在自学混音,我把这几年积累的人生混音经验整理成了一份 ym studio 人生混音笔记,里面包含各种理论和实战技巧,想领取的朋友评论笔记。

大家好,近期光通信板块关注度较高,特别是英伟达上修 n p o 需求指引以及 c p o 量产节奏的变化,引发了市场的广泛讨论。今天我们基于最新的产业调研,既要梳理出大家最关心的几个核心问题,以问答的形式为大家做一次客观的拆解。第一个问题,既然 c p o 是 终极方向, 为什么英伟达近期给出了高达两千五百万只的 n p o 需求指引?这是否意味着 cpu 进程受挫?实际上, n p o 可以 视为 cpu 的 过渡性产品,两者面向的应用场景不同, cpu 更适用于一百一十五点二 t 等更高速率的终极场景,而 n p o 主要满足当前三点二 t 和六点四 t 速率的量产需求。 英伟达此时释放两千五百万只的指引,更多是一个方向性的预期,而非确认订单。背景之一是竞争对手谷歌的 ocs 方案势头较猛,英伟达需要向供应链释放明确信号,让厂商为二零二七年的采购计划提前做准备。在 cpo 领域,英伟达主导产业链。 而在 n p o 方面,英伟达采取向市场直接采购的模式,光模块厂商成为主要推动者。第二个问题, n p o 的 放量是否会挤占一点六 t 光模块的市场份额?确实会有一定程度的挤占。 比如原来预测二零二七年一点六 t 光模块需求可能达到五六千万只,考虑 n p o 因素后,预期可能下修至三四千万只。 不过,相较于二零二六年约两千五百万只的需求,整体市场仍然是增长的。在整体需求快速增长的背景下, n p o 的 替代效应短期内不会特别显性。 第三个问题,在 n p o 供应链中,天府通信的份额和盈利能力如何?天府目前并不直接向英伟达供货,而是通过 mannux 的 代工体系参与,预计 mannux 能拿到英伟达 n p o 总需求的百分之三十左右,而天府作为其代工厂, 有望从中再获取约三分之二的订单。时间节奏上,二零二六年及二零二七年上半年,天府主要以供应光引擎、非 u e l s 模组等上游元气件为主。到二零二七年下半年,随着自身一点六 t 光模块量产成熟,才可能直接供应完整的 n p o 模块。 盈利方面, n p o 代工的毛利率可以参考其成熟的光引擎代工业务,大约在百分之四十五到百分之四十八之间。不过,随着未来供应链进一步开放,竞争家具可能会导致毛利率逐渐下降。第四个问题, c p u 目前的量产进度和出货预期如何?为何进度有所推迟?根据最新跟踪, c p u 原计划二零二六年三季度商用,现已推迟至四季度放量。二零二六年全总出货量预期从最初的两万套大幅缩减至约五千到六千套。 其中,天福预计能获得约三千套的需求量,主要供应 fa u 光引擎组建和 e l s 模组。推迟的核心瓶颈在于封装量率,具体 台积电目前的 c p u 封装量率仅为百分之七十左右,在此良率下,昂贵的光电芯片损耗成本过高,直接滞约了量产日程。第五个问题,在当前的 c p u 供应链中,天福的具体价值量和竞争地位怎样? 以一百一十五点二 t c p u 为例,天福供应的单个光引擎组建价值约两千元,单个 fa u 价值约五百元。天福主要负责整个光引擎中最核心的光路藕合部分。由于目前 c p u 供应链尚未完全开放,且第一代产品兼容性问题突出, 供应链倾向于成套供应,也就是 fa u 和光引擎组价由同一家配套提供。天福凭借较早进入和较领先的量率,预计能占据主要份额。 但在 e l s 模组领域,由于该产品主要依赖外购,天服并无明显优势,目前份额较高仅是因为早期参与者较少。第六个问题,展望二零二七年, gpu 市场将迎来哪些格局变化?什么是 dfau 可插拔方案?二零二七年 cpu 预计放量二十多万套,届时供应链将发生显著变化。 英伟达计划推行名为 dfau 的 第二代产品,关键变化在于 dfau 采用可插拔设计,硅光芯片与 fau 直接插拔对接,省去了传统最昂贵的光路藕核工序。 预计二零二七年出货的 dfau 中,约百分之七十将是可插拔方案年终后全部切换。这意味着产业链将实现标准化,供应链全面开放,竞争加聚。对于天福而言,在第二代产品中将不再参与核心的光路藕核环节, 业务范围可能仅限于供应 fa u d f u 和 e l s 模组。第七个问题,面对 d f u 带来的公益环节减少,天福如何应对核心壁垒虚弱的风险?为了保持竞争力,天福必须向上游拓展,公司正在投建半导体封测厂,计划涉足两块业务, 一是精元切割与分割,二是 p i c 和 e s e 的 封装。这实际上是从相对容易的测试环节切入,逐步向高端半导体封装拓展的战略。如果依然停留在原有业务,随着供应链开放和工艺标准化,其早期差异化竞争的优势将被减弱。公司目前的产能扩张目标 是争取在二零二七年占据市场一半的 c p u 量。第八个问题,对于大家而言,有没有一个指标可以前瞻性的追踪 n p o 和 c p u 的 整体景气度?答案是有的,那就是 lument 供应的三百瓦以上高功率 c w。 光源, 因为 c p u 普遍采用这种高功率光源,且目前全球只有卢曼塔能够稳定供应三百瓦以上的产品,国内厂商水平还在一百瓦左右。因此,它对英伟达的出货量数据 是反映整体市场规模最准确、最集中的前置指标。总结来说, n p u 是 近期的量, c p u 是 远期的局, 短期关注待工份额的落地和量率爬坡。长期则必须重视 d f u。 可插拔技术对产业壁垒的重塑,以及核心厂商向半导体封测延伸的能力。以上就是本次调研的核心解读,我们下期再见。

在 build 二零二六开发者大会上,微软宣布推出 colutools for windows, 这是一套由微软官方维护的 unix 风格命令行工具集,能够直接原声运行在 windows 系统上,无需依赖 wsl、 windows subsystem for linux 或其他兼容层。 对于经常在 windows、 linux 和云环境之间切换的开发者来说,这意味着熟悉的 linux 命令将能够更自然地融入 windows 开发环境,从而减少跨平台工作时的适应成本。 corrotos for windows 并不会让 windows 变成 linux, 也不会取代 wsl 的 作用,但它却是为 windows 开发者提供了一种更清凉、更直接的 linux 命令行体验。通过将常用的 unix 工具原声带到 windows, 微软进一步缩小了不同开发平台之间的差异。对于经常在 windows、 linux 容器和云环境之间工作的开发者来说, 这项新工具有望让日常命令行工作变得更加顺畅和统一。 记得点赞关注哦!

就在昨天,官方发布了一段关于蝴蝶零二十二的最新预告短片,奇怪,怎么没有蝴蝶零二十一点五啊,哎,确实啊,根据正常的更新时间票,二十一点五现在都应该发布了,但是官方目前呢,只在昨天公布了一段二十二的预短视频, 将会直接跳过二十一点五版本,最新的二十二版本呢,也会在本月的二十二号上线了,那么这次蝴蝶零二十二更新了哪些新功能呢?哎,啊,不最关心了,应该就是三 d g s 了,没错,现在蝴蝶零二十二更新之后呢,将会可以直接在场景里把你这个项目啊,哎,转成三 d g s 格式了,并且呢,还能对三 d g s 直接添加动画,还能重新给他 打关渲染了,牛不牛啊?所以本期视频我们主要就来聊聊蝴蝶零二十二和三 d g s 的 新功能。 三 d g s 格式大家应该都知道啊,这几年很火的三维场景重建技术,通过拍大量的照片或视频来生成,由高斯点组成的三维场景非常的写实,基本上呢,也都是拍照拍视频扫描而来。但是呢,哎,三 d g s 目前也是有局限的啊,比如 你扫一个场景出来的效果呢,确实很真实,但他也只有真实的世界能扫啊,你要扫元神的开放世界,那就想屁, 而且就算你扫真实的世界进去吧,真实呢,其实又不等于好用啊。正要进项目的时候,问题马上就来了,比如扫出来的东西,光照是原来环境里的,可是这个镜头要换光,那怎么办?再比如,想让他不只是静静摆在那里,而是让他的某一部分能动起来, 这怎么办?哎,那你接下来就可以看看胡丁零二十二的更新功能了。先说第一个三 d g s 训练,现在的三 d g s 流程是什么呢?哎,拿手机拍一圈,或者拿无人机拍一圈,再把照片丢进训练的软件,最后生成出来一个三 d g s 场景。整个流程的起点 其实是真实世界的数据,但蝴蝶泥要是这次思路不一样了,它可以在蝴蝶泥里直接训练三 d g s。 什么意思呢?比如说我现在已经在蝴蝶泥里做好了一个场景,可能是一个建筑啊,或者一片森林,甚至是一个完整的影视项目。那么接下来呢?软件的渲染器会像摄影师一样,从不 角度去多方位的渲染,拍摄这个场景,不是拍一张,而是拍很多张。接下来再由软件的 top 负责,把这些任务全部组织起来,比如批量渲染,要多少张图,从哪个角度渲染?渲染任务怎么分配,结果怎么输出?当这些所有的数据准备好之后呢,再交给机器学习模型,进行 一个训练,等他训练完成啊,哎,你就得到一个三 d g s 版本的场景啦。如果把整个过程画成一条流水线,那就是狐狸里场景多视角渲染啊,调度训练流程,机器学习流程,最后生成三 d g s。 以前如果想要生成一段三 d g s 场景啊,是不是得先扫描,再修修改改,在很多软件之间来回折腾?现在狐狸里牛啦, 可以直接在软件里把你的大世界直接做成三 d g s。 当然,目前公开的信息还不算特别多,我们还不知道具体的训练速度、训练质量,以及最终生成了三 d g s。 能打, 打到什么程度。但至少从预告来看,虎迪尼应该已经不止满足于只支持三 d g s。 导入这一个功能啦。并且除了三 d g s。 的 训练和导入以外呢,这次更新还有一个很厉害的功能,哎,没错,虎迪尼二十二现在可以对你扫 描的三 d g s。 重新打光渲染啦!在官方演示中呢,可以使用虎迪尼的渲染引擎对三 d g s。 进行重新打光和渲染。很多三 d g s。 演示漂亮是漂亮啊,大家经常带着原石采集时的关照展示没问题, 到项目制作里,灯光是要调光,合成时要统一画面,导演要改氛围,这个时候就很麻烦。所以其实这个功能还挺好用的,能把你扫描好的三 d g s a 从照片感升级到项目资产感。再说第三个就是压轴功能啊!没错,虎 t 零二十二可以直接对三 d g s。 添加动画和绑定啊,这正好就打到了三 d g s。 另一个痛点,不好控制啊! 传统模型为什么好做动画?因为有结构对吧?有面、骨骼、门皮和材质,有明确的控制对象。但三 d g s。 本质上它就不是传统的三 d 模型,它更像是一堆带着颜色、透明度、方向和空间大小的高斯点,可以很真实,但你要想让它局部动起来,那就没那么简单了。而蝴蝶零要是这次更新之后呢,可以让三 d g s。 和蝴蝶零现有的控制体系产生联系, 比如说给它加一些程序化的分段控制啊,程序化的运动,让腿动,让身体的某一段弯一下 a 都可以啊,直接给这一堆高斯点啊上板。 其实以上这三个功能呢,还是挺值得关注的,三 d g s 现在已经和胡迪明现有的控制体系产生联系了,只要三 d g s 能被这么精确的控制,那它就离生产项目又更近了一步。所以呢,这也是 up 觉得这次胡迪明二十二预告片里最值得我们关注的几个点。三 d g s 下一段他要拼的呢?其实不是更像,他已经很像啊,下一个阶段,他其实要比拼 不是谁更真实,而是谁能更快更方便地进入现有的影视游戏。 c g 制作流程里,灯光能不能再改,动画能不能再加,后期需不需要额外折腾这些问题啊, 解决了之后呢,往往比画面本身真不真实更重要啊。当然了,胡迪尼奥斯这次还有很多其他的内容更新,比如像布娃娃系统啊,材质功能模拟破碎 u s d 等等等等。以上这些所有的功能呢,还有我们本 在视频中聊了三 d g s, 它们的最终上线效果到底怎么样如何,还要等六月二十二号官方的更多公开内容啦。好了, c 一 是赶快报海一大师,早知道关注了解这一期 g 海又发生了什么事情。

就在刚刚,黄仁勋和马斯克又把存储重新提了一遍啊,今天我们就来讲存储,六月八日呢,黄仁勋在韩国谈判,他说这个存储芯片的供应紧张可能会持续数年,也就是说可能会到二零三零年。那六月九日呢?马斯克也提到,真正的瓶颈在芯片制造能力, 某厂商的才能还远远不够啊。所以这时候你还会觉得存储已经到头了吗?这个时候我们在看孙宇辰的那句话就很准啊,短期缺芯片,长期缺能源,永远缺存储。存储为什么会被重新喊出来?因为市场之前交易的是涨价, 现在呢,就开始交易的成长,再往后呢,就要交易扩展。那我们先说涨价逻辑,过去存储更像是周期性产品, dmned 标准化程度高,价格上上下下,行业跟着库存周期走。但 ai 起来了之后, hbm 需求爆了, 高端产能被 hbm 吃掉,普通的 dmned 也被挤压,价格一路往上。那在这一阶段,市场看就是涨价能不能持续。 那我们再到成长逻辑呢? ai 训练需要 hbm 把数据高速的位给 gpu 推理,智能体要 dram 承接上下文缓存和临时调度,多模态和企业。 ai 要 ned, 也就是 ssd 这一类存储,去放图片、放视频、放文档库、日制和向量数据库。那 ai 不 只是消耗算力,它还在不断地制造和调用数据 存储从周期性的产品开始,被市场重新理解成为 ai 的 基础设施。如果需求锁到几年之后,合约锁价,客户提前定产能,盈利就不再只是短期涨价,而是变成可以预测的长期订单。不过当市场开始把存储当成成长资产来定价, 那么另一个问题也就会马上出现,产能什么时候跟得上?虽然我们现在这个 ai 产业上的各个企业都已经很克制了, 但是价格高,需求强,厂商一定会破产。不管是海外的企业还是我们国内的企业啊,都一定会破产。一旦进入扩展阶段呢?单纯的涨价逻辑就会变成,一旦进入扩展阶段呢?单纯的涨价逻辑就会趋弱。 市场会开始问,新产能什么时候出来,会不会缓解紧缺呢?价格还能不能维持在高位呢?所以后面看存储不能只看涨价了,要看三件事,第一,它的需求有没有继续超越预期, ai 推理、智能体多模态有没有继续把内存和存储吃掉? 第二,长期的就是长期协议啊,这个 hbm dm 的 大客户是不是继续提前锁量锁价给预付款?第三,我们扩展的钱会流向哪里?如果是原厂扩展,受益的就不只是存储芯片本身,还有设备啊,材料啊,分册啊,测试啊,先进分装这些上游环节。 那接下来我们把存储拆开来讲,我们现在终于开始讲什么时候存了啊?放到 ai 产业链里面,我们至少要拆开成三类来看, 第一个是 hbm, 呃,第二个是 dram, 第三个是 nand。 先说 hbm, hbm 呢叫做高宽带内存,它不只是普通硬盘,也不是普通的内存啊,它最常出现在高端的 ai 加速卡里, 通常和 gpu 放的特别的近。比如说英伟达的高端 ai 芯片旁边就要配备 hbm, 它们的作用只有一个呢,就是高速位给数据, 它像一个仓库一样,也可以理解成一个高速路啊。也就是说,它离 gpu 越近呢,它肯定就是传输的速度越快嘛。所以它就在 gpu 的 旁边。 那大模型训练和推理的时候, gpu 每秒要处理海量参数, gpu 算的很快,但它不能凭空算啊,数据要先放到它手里啊。所以 hbm 就是 贴在 gpu 身边的高速供料系统。 gpu 是 发动机, hbm 就是 高压油泵,你的发动机再强,油泵跟不上,它,性能就跑不满。所以有时候 gpu 呢,它会等待你的数据传过来。所以 hbm 在 ai 产业链里的位置非常靠近核心算力, 它卡的就是高端 gpu、 ai 服务器、数据中心、训练和推理集群。这又是为什么 hbm 最容易被英伟达、 amd、 云厂商这些提前所产的啊。 那我们再说 dram, dram 就是 我们常说的内存,它最常出现在电脑、手机服务器里面,我们电脑打开软件呀,用一些程序呀,靠的就是 dram, 包括你玩游戏 啊,在 ai 的 服务器里面呢, a dram 更像是工作台, cpu 调度任务系统、运行程序、缓存、中间结果处理上下文都需要用到 dram。 它不像 hbm 那 样直接贴着 gpu, 但它负责整个服务器系统的运行空间。尤其到了智能体时代, dram 越来越重要, 因为智能体不是说你问他一句答一句,他要读文件,查资料,调用工具、写代码,记住上下文,还要连续完成工作。你的任务列越长,临时的数据越多,上下文越长,内存压力越大。所以 dram 在 ai 产业店里的位置,是 ai 服务器和数据中心的基础运算层, 它卡的是服务器、扩容推理系统、智能体应用和企业 ai 落地。最后我们说 nand, nand 就 比较常见了,它就是闪存啊,就出现在我们这个 ssd 固态硬盘里面,手机存储里面,就你存视频啊,存图片那些东西,企业级的硬盘里, u 盘它负责呢,就是长期保存数据,就是你的这个,或者说是数据中心的这个训练的数据日制,还有它的那个数据库,很多都离不开这个 nand, 那 放到 ai 产业里面,它就像一个仓库一样, 你比如说你训练的数据,你要先放在这里面吧,图片、视频、语音,你都要放进去。然后企业的文档,像我们的历史数据,比如说你之前问了那些啊,你问了这些智能企业大模型啊,你问了他什么问题啊?他全都给你存进去,这样你的大模型才会越来越了解你嘛。 所以说你的这个 ai 越多模态,你这个 n 的 压力就越大。因为视频啊,图片啊、语音数据啊,它比文字要大的很多, 所以我们 ai 从文本走向视频、语音、机器人自动驾驶,背后的数据体量会不断的膨胀。所以 nada 在 ai 产业链里的位置是数据中心和企业存储的底层容量层,它卡的就是海量数据保存企业数据库、多模态数据、云存储和边缘设备。 我们就简单总结一下, hbm 负责高速位给 gpu 啊这些数据,所以位置最靠近核心算力。 dram 负责系统运行和任务调度,是 ai 服务器的工作台。 n 的 呢,它负责长期保存海量数据,是 ai 的 ai 工厂的仓库, 那 hbm 呢?它卡的就是说这核心算力能不能跑满啊? dram 呢,卡的就是系统能不能调得动。 n 的 呢?卡的就是数据能不能装得下, 所以呢,存储不是简单的,是简单的硬盘涨价,它是一整套的 ai 数据流系统。那之后呢,我们也会单独出视频去讲解啊,什么是 hbm 啊, drm 的 那样的,我们去仔细的去说明, 所以说大家可以先点个关注啊,那么 ai 产业链越往后走,就越不是单纯比谁的 gpu 多,而是比谁的数据装得下,掉得快,喂得上 普通人呢?我们就后面盯存储的时候不要上来就记一堆公司啊,要先盯这几个信号 啊。黄人修马斯克云,厂商还在不在不断地强调存储屏建,就像最近的这个新闻一样,那我们存储公司的财报指引有没有继续上?修? hbm 的 产能是不是继续被提前锁定了? dm 的 nand 的 现价和合约价有没有明显松动?就你可以去淘宝啊,或者哪里,你看一下这个,我们那些装机佬的啊,那些存储涨价了呢?还是降价了呢? 这都是一些简单的信号啊。但是我们国内某些企业的 ipo, 某两个企业 ipo, 它的扩展节奏有没有推进?设备材料分装,订单有没有开始兑现?所以说这条线真正重要的地方,不是说今天涨不涨价, 而是我们 ai 工厂扩展到一定阶段,市场会重新寻找新的收费站,那我们 gpu 已经是名牌了,呃,能源呢,又在变成长期的一个一条主线啊,因为现在真的很缺电。 但是每一次 ai 运转都绕不开的环节,那就是存储。 ai 的 机会不会永远停在最热闹的地方,当所有人都盯着发动机,真正的认知差会转向油泵、传送带、仓库和收费站, 短期缺芯片,长期缺能源,永远缺存储。这句话不是段子,他讲的是 ai 产业链下一轮重新定价的方向。


大家好,我是老韩,今天分享一个产品原型设计的小方法。呃,不论你是在一人公司,还是说在互联网大厂做产品工作,呃,我觉得都是可以用的到。 呃,不知道你们团队现在做原型是用什么工具?呃,比如说使用 figma 磨刀这种工具,还是说已经是非输文档里贴图,还是说是用这个 ai 生成 html 文件 来去做产品原型?今天我们内部产品评选的时候,发现有很多产品的小伙伴还没有掌握 a y 出原型的精髓。嗯,这里边我总结三个小技巧分享给大家。第一个技巧就是别只出一个 html 文件。 现在我看很多时候,呃,小伙伴们出的这个产品原型还都是单一的一个 html 文件, 呃,这种情况下其实非常不好。呃,第一是说维护性很差。呃,比如说一个产品原型包含多个页面,或者说是很复杂的交互功能的时候,整体会变得臃肿,比如说这个 atm 文件可能几千行,呃,这样的话其实是很难维护的。 呃,不论是后边做修改啊,还是说交给 ai 做这个后续的分析处理啊,都是很难处理的。 然后呢?呃,标准的做法是说可以把这个 html 文件按照研发现在写代码的架构对它进行拆分,把一些比如说是 css 样式啊, js 文件呀,都拆成单独的结构去放出来,然后 index 里边就只放一些主要的内容, 这样的话整体结构的维护性会很好。呃,当然可能有人会问说,那我不知道怎么去来去优化这个结构怎么办? 呃,现在大模型其实都具备很强的这个抠点能力,其实这块呢,只需要你在这个出完产品原型以后,反问他一句, 能不能把我这个呃文件呢?就是拆成一个项目的结构,那他其实会给到你出一个方案,可能这个方案呢就是一次性不是很好,但是至少他能把拆开, 拆开以后你可以再多反问他几次,说你觉得这个是否还可以,还有可优化的空间,或者说还有哪些通用的样式或组建能够被拆分出来,那这样的话通过几轮交流,他都可以把这个事情拆分出来。最后呢你可以让他再去总结提炼一下,形成一个固化的范式, 那么有了这个基础的结构以后,后续类似的事情你都可以采用同样的方法让他去生成这种架构的文件。你拆开以后 这个还会有一个隐形的好处,就是说整个这样的话,这个这个代码其实是一个呃,相对偏这个真实的一个前端原型的一个结构 啊。如果说你需要跟研发去做交接配合的话,那你拿到研发的项目是可以从他们的接口和设计当中去读到对应的这个接口字段的, 那这样可以把你整个原型项目当中用到的一些假的字段名称改成真的字段名称,这样的话其实就可以用于后边的整个这个开发阶段,这个就会非常好啊。 第二个就是说呢,现在我看好多人这个做这个产品原型的时候,是在这个一个对话框里边,通过这个上下文对话去跟 ai 反复的去聊,或者说一次性甩给 ai 好 几个项目文件夹,让 ai 去做这个总结分析, 呃,然后去生成对应,参考生成对应的内容。呃,其实这种方式我认为是非常不好的,因为他那个第一是说一次性预加载处理的内容过多,然后一多一多了以后, ai 为了提升这个给你产出的效率, 他其实不会读权威,他会只读一个开头,然后就开始按照逻辑推理给你的去产出,那这样的话其实就会那个 产出一些不符合预期的一些东西。同时呢在对话框里边来回跟 ai 去进行交流的话,它会有一些这个呃中间的一些命物, 呃,这样的话它就会在后续生成环节直接作为上下文去引用,就会导致有一些错误反复出现。 这块有一个比较好的办法,就是说呃在跟 ai 的 过程中不要一次性让它生成成品,一定要就是按照这个产品设计的几个环节去生成对应的这个比如说是需求概要设计、详细设计和整体方案, 然后再对每个细项方案跟它去确认,把每个过程呢都先固化成一个 md 文件,然后再让 ai 基于这些 md 文件来去生成整个项目。 那这样的话就是说最大的好处就是后续的这个精度会非常高。呃,如果说某些地方不符合要求进行修改的话,可以明确的是只改一部分,其他不会去这个受到影响。 且你在切换 ai 的 上下就是切换绘画以后,整个这个项目还可以就是完全呃严丝合缝的去继承下来,后边的 ai 可以 去继续去开始工作。呃,包括说你在切换模型的时候,这种模式下也不会造成上下文的丢失,这是一个非常好的技巧。 第三个技巧就是说那个很多时候可能你做完原型了以后,就是,呃,如果说不具备对应的一些基础知识,或者说是那个没有研发的指导的话,可能你不太知道该怎么去这个进一步优化,这个时候呢,别着急,直接去把这个原型去作为中板定稿, 你可以多反问 ai 几轮。就是,呃,之前有一个技能不是叫 pua 吗?其实性质是类似的,就是你可以去多问反问 ai 几次说比如说这个项目还有哪些优化的空间,现在这个方案有什么问题? 呃,现在有哪些东西可以提取出来做公共组建?你觉得还有哪些异常流程没有考虑到?呃,或者说我们还有哪些共识遗漏? 那通过这种方法可以调动大模型进入深度思考,那他可以通过这几轮的绘画去给到你一些这个优化的点,那这时候的话是可以去帮你提升整个项目的呈现效果的。 而且说,呃,你可以要求他去反思到这些问题以后,再让他去给你产出这些优化的一些。呃,方案,他其实还是可以再给到你一些对于这些问题的这个优化方案你来做选择就好了,这样的话整体这个整个圆形的质量也会变得更好。 呃。然后还有一点就是关于原型的这个写作问题,目前呢就是有很多时候我们会有两种状态,一种是甩一个 atml 的 一个文件插到文档里头,然后去那个打开本地访问。呃。 另一种方式呢,是说那个在本地上用这个本地运行的 demo 再去做演示,这种在这个比如说携同的时候其实很麻烦,比如说是本地文件 a t m r 的 话,那个版本控制是一个问题。呃,多人的时候大家拿到的信息是不一样的。 呃,本地本地运行的这种原型 demo 的 话呢,除了这个会议上演示以外,其实这个没有办法去相互传递, 且传递的时候顶多就传递一个某一个版本的一个 html 文件,或者说是一个项目的压缩包,呃,这个多人协同的时候就是很容易漏消息, 呃,包括版本不一致也是个大问题。那么其实有一个好办法,就是说如果那你是在大公司,那可能是说你们,你们都会有自己公司内部的一个 git 空间, 那这样的话就可以找你们的研发,给对应的产品同学去雇一个这个呃 get 的 一个子空间环境,然后呢把整个的项目上传到这个内部 get 空间,呃, ai 也是可以去帮帮助去 呃完成整个部署的,就是不需要任何的这个呃编程技巧,这编程基础知识都可以去实现这个空间的部署,然后就可以去 实现一个内部可访问的一个云化的一个 demo。 而且还有一个好处是说一旦整个项目的代码上了 git 啊,那这些不只是这个 demo 的 一个,呃演示的一个原型,包括整个的项目文件都是可以给到这个研发测试的,那这样在后边的协同上都会很好。如果是意人公司或者说是你们公司允许用这个公开的 github 创上传到 github 上也是可以的, 都是一种比较好的方式,其实就是说在这个原型的沟通上,在这个时代其实已经有了这个更好的方式。呃,我认为这是一个比较好的办法。 最后呢还有一个额外的思路,就是分享给大家。呃,目前其实我在内部推广尝试做一件事情,就是,呃把产品的整个写作流程调一下, 原来基本上我们是先出需求文档再做原型,现在呢,我认为完全可以做到是说,呃先跟 ai 去对齐这个需求的要点,然后直接就开始出原型, 然后通过整个跟 ai 的 交流,包括思考补全了原型以后,可以结构化的从原型去提取这个需求文档。 然后提取的需求文档呢,可以先生成成 m d 文件,然后按照概要设计详细设计的两级结构,然后再反向按照那个各位的内部模板的要求去生成对应的这个产品需求文档。 这样的文档会比原来自己写的文档有一个好处,是说第一个是效率高,第二个是说的他的结构更完整,逻辑更严谨,尤其他会还会有系统加固图,然后包括一些那个字段的对齐异常状态都会 比人工手搓,就是当时是指那个大批量去产生一些相对普通的这个文档的时候,质量是会高很多的。 同时呢就是还会有一个好处,就是说因为是有都有对应原型,包括所有的修改都是可以映射出来的,那么就直接原型里边改了什么,后续都可以把它那个同步 update 到需求文档里头, 这样的话就解决了这个文档一致性的问题。好,今天就分享这么多吧,感谢大家的时间,再见!

就今天给大家讲讲这个拉玛 c p p 它的内存啊,是如何优化的?呃,我定挑简单的和精炼的方式去讲。首先第一 我们现在主要用的都是 m o e 模型,对吧?尤其现在新出的这个千问三点六啊。千问三点六出来之后呢,有一个有量化叫 apex a p e x, 大家去搜一搜,就是这个量化,说是比拉玛的,比那个 onslos 的 更好, 说是 q 四的量化,能达到 q 六或者超越 q 八的水准啊,非常适合用来在本地跑。 那么喇叭 cpb 当中呢?它是用显存加内存啊,这是显存,这是内存,它俩合起来去运行这个模型哈。这个那么你首先如果你想保证速度的话,你就至少两者的容量,你要超越模型的大小,加上下文的大小,这个能理解,对吧? 但是怎么去把它用起来?最初的时候啊?这个如果你没有做特别调整的话,首先就显存这个所有的模型全部装在显存这里边,对吧?就显存八 g, 明显你装不下二十多 g, 那 怎么办? 就是喇叭 c p p 有 一个参数叫 n c m o e, 你 们去他的文档搜一下,叫 n c m o e 这个参数,这个参数特别有意思,就是他把模型中的 m o e 的 那部分拆出来放到内存当中去跑啊,这个参数是设置这个的,就你可以设置, 比如说你是四十四十层的模型啊,其中第一个参数叫 ngl, 这 ngl 是 有多少层的模型放在显存当中?嗯,比方说我们以这个千米三点六为例,它有四十层,那么你设个场设四十的话,它会把模型所有的四十层全部放到显存当中, 这时候你会问我二十多个 g, 我 四十多层,四十多层都塞进来,显存放不下,对吧?好,没有关系。还有这时候就是那个 ncmo e 那 个参数出场的时候了, 你把这个 n、 c、 m、 o e, 你 设成四十,你也设成四十,这意味着什么呢?意味着他把这四十层中的每层的 m、 o e 的 数据都拉到内存当中,由 cpu 去运行, 这个概念你懂了吗?就是如果你设三十五层的话,他就会把三十五层的层中的 m、 o e 的 数据拉到内存当中,剩下的五层依然保留在 g p u 的 现存当中啊,显卡的现存当中, 懂吗?所以非常简单粗暴方法就是你这个是四十啊, n g r 是 四十,你的 n、 c、 m、 o e 你 也是四十,那么你就可以跑起来了,其实速度也不慢,你像我的幺零七零钛,加个啊 d r 五的这个多少兆内存啊?内存 能跑到二十多 tps 啊?如果想看显卡再好的或十六 g 的, 可能像四五十甚至六十这样的,这是个非常非常棒的方法,甚至你可能能跑起大的,两百多币,一百多币的都可能跑起来,懂了吗?

anthropic, 全世界最懂大模型的公司之一,给 cloud code 做代码解锁。他们一开始也老老实实上了 r a g 建项链库,代码切块算相似度,取最像的几段,然后这套东西被他们整个删了, 换成让模型自己多伦 grip 自己读,文件效果用他们的原话说,碾压一切,差距还很大。一家最该用 reg 的 公司,自己带头不用了。这事很快被传成 reg 已死,还有人专门写了篇复告,但大多数人都把这件事理解反了, 死的不是 r a g, 死的是你脑子里那个 r a g。 一个向量库文档切成几百字,一段算个相似度, 取最象的三五段塞回去。这种裸项链库加无脑切块确实在退潮,它脆它过时,碰上要精确匹配就抓瞎。 但剪索这件事本身一天都没死过。 rug 这个词这两年悄悄换了,意思老意思很窄,项链库加 topk, 新意思很宽,边生成边剪索, grab 关键词知识图谱全算进来, 所以 rock 死了。翻译成人话时那个上来就无脑建项链库的时代结束了。你可能会想那简单,现在窗口都几百万头啃了, 全塞进去不就完了。不行,因为长上下文会腐烂。有篇论文叫 no limit, 上下文未到三十二 k, 十三个主流模型,十一个性能直接腰斩, g p c o 从百分之九十九掉到百分之七十。 还有一组实验名字就叫 context rot, 上下文腐烂,输入越长,模型越傻。本来很简单的任务也照样讲,所以窗口够大就全塞是个幻觉,解锁一天都死不了,根本理由就在这。 我想用一句话讲清选型,你从来不是在选用不用 r a g, 你 是在一条简缩谱上按自己的语料给自己定位。 语料小而稳全,塞进窗口加缓存,有界多变还结构化,用 grip 和关键词,大而杂才上项链 rock, 而且必须混合键锁要多跳的全局推理交给场上下文,实在拿不准,先走最便宜的, 不够再升级。这条谱系怎么用?看 astropik 亲自走的三个场景。场景一,你的代码库有界结构化, 还天天在改项链锁瘾最怕的就是天天在改,你改一行,锁瘾就过时一节,结果跟着飘, grab 不 见,锁瘾永远是最新的,命中还精确,所以 cloud code 直接用 grab。 场景二,能塞进窗口的小雨料, 一份手册,一份 faq, 几百页内部文档别上 r a g, 两百 k 头肯五百页以内整篇塞进去,配上缓存,又准又省心。场景三,真到了该上 r g 的 时候,几百万份文档连 r m 窗口都塞不下, 或者查询量大到烧钱,一次调用就能顶到二十美元。又或者用户搜 rate limiting, 你 代码里却叫 throttle midway grip 跨不过这道竖与横钩。 但就算到这一步,也别裸用向量,给每个切块先补一段上下文,再引 baiting, 配上关键词,解锁失败率直接降了一半。你发现没有,三个场景按 thropeak 出现了三次, 扔掉它,划出不用它的那条线,又示范了,真要用该怎么用?所以选型根本不是 red 好 不好的问题,是你愿不愿意先看清楚你的语料是大还是小,是稳还是天天改。 用户搜的是确切的词还是模糊的意思?这几个问题打完该用哪种解锁自己就跳出来了。 真正的解锁能力不在于你堆了多先进的项链库,而在于你能不能认清手上这份语料到底该不该被解锁。

设计师的护城河好像被填平了。 g p t image 二模型除了能够生图,它现在还能够生成 p s d 的 分层文件。下面是操作流程的演示,首先这里需要打开思考功能, 然后生成一张羽毛球的电商主页海报,等它生成好了以后呢?我们输入这些词,我放在评论区,需要的直接复制使用。然后稍微等一下,生成好了以后, 我们点下载分层 p s d, 然后在 p s 里打开,可以发现画面里的每个元素都有生成图层,而且可以移动位置,如果你需要做一些微调跟调整,就非常的方便。

大家好,我是 finn, 相信大家最近呢,很多人看了黄教主最近的分享呢,因为他的黄仁勋在最近的演讲中正式宣告全球 ai 产业全面跨越了以文字对话为主的生成式 ai 的 阶段,迎来了由智能型 ai 与物理 ai 主导的工业范式革命。那红教主明确指出,下一波的 ai 浪潮呢,是理解物理定律的空间智能。那这将彻底的重塑全球价值五十万亿美元的传统制造业和实体的基础设施。 在这场革命中呢,算力的载体呢,正从传统的数据存储中心演变成高密度的 ai 工厂。由于呢,单台的 ai 服务器的机柜的功耗呢,已经跃升一百千瓦以上的极限水平呢,全球算力的版图正在经历一场基于能耗、空间和地缘政治的剧烈重组。 有趣的是呢,这一场由硅谷巨头引领的底层技术革命,与马来西亚政府推行的昌明经济以及二零三零年新工业大蓝图,在时间节点和战略方向上都展现出来高度的不谋而合。 马来西亚政府并被被动的跟风规则,而是凭借着自身独特的地缘和资源禀赋,在宏观的政策上已经为达这一蓝图达成了一场深度的利益共鸣。 那大马托斯茂公布呢,是以及注字部呢,通过了联合设计的设计中心,特工队正在执行一套清晰切制度化的精细的筛选机制。这套机制呢,看似在守护国家的基础资源,实质呢,是以英伟达倡导的 ai 未来形成了完美的闭环。 那黄仁勋在演讲中强调的未来的核心资产呢,是 ai 工厂,因为 tokins 已经跨越了获利门槛,能够创造远超硬件成本的生产力价值。 这恰恰呢,就是呼应了大马政府对传统算计的项目的态度转变。首先,安华在国会的答辩中释放了清晰的政策铁律,马来西亚正在冻结不涉及和人工智能和高科技的云服务的传统数据中心的新项目的审批。 为了防止开发商的囤积土地啊,炒作基础资源,并形成了很多的闲置资产,大马政府正在利用行政审批和能耗配合的双重手段,将资源呢向 ai 数据中心倾斜。那大马政府呢,确实意识到,不但 ai 的 算力标签没有先进技术的外溢的 纯纯属纯灾备的数据中心呢,对本地的经济又是一个高耗能低产出的黑洞。大马 首次发展区啊,麦达出台的可持续数据中心的发展指南,对于新设的超大规模 ai 数据中心大码要求呢,设计能源的利用率啊,必须放到一点四或更低,还有就是水的利用率控制到二点二平方米的兆瓦时,或者是更低的水平。并明确啊,新项目避开,必须避开高开水压区域。 那同时呢,大马拒绝做算力的值居民地啊,通过金色的枷锁,强制启动在本地化的供应链呢,迈达明确的要求,获得税务激励的数据中心必须在二十四到三十六月内强制执行本地供应商的发展计划。 在大马本土呢,采购啊,配电基础设施以及呢高规格的建筑工程服务。那当鼓励现在中国的企业可以过来参与到本本地化以后,能参与到这个项目以来, 同时呢,要求呢,新超过五千六七以上的这个科技类的岗位,技术类的岗位,必须是本地员工,占比超过百分之五十。但这绝非呢是排外,而是大马的政府看透了 ai 时代必须留住红利的本质。通过这种的政 策引导,外资的算力资本呢,直接可以转化成大马本土工程师的技能红利和传统工业的数字化的转型能力。 那在英伟达的拓客的经济学里呢,绿电和可持续的能源是 ai 工厂持续运营的终极燃料。而大马呢,几乎在同一期呢,推出了啊, chris 二零二六的企业绿电的计划那,并开发了第三方的电网准入,这堪称呢,是一场 教科书式的双向奔赴。那大马呢,国家电网 tnb 呢,将高额的电网扩容的成本呢,也将划给为开发者全额承担,那彻底切断了外资转家能耗成本的路径,那就是谁引起谁买单,那 cosplay 那? 但同时呢,大马政府呢,也流出了一扇阳光普照之窗,那凡是能 能够自行对接呢,大型太阳能 s, s, 或者是屋顶光伏,或者是引入了储能,并或者是呢,签署了长期绿电购买协议的数据中心项目,那其生产许可证的审批呢,就要可以走绿色通道。那大马利用呢,数据中心的这个博得好,能顺理成章的推动了本土的本国的能源结构的 跨越式转型。当我们在宏观上重新去审视整个东南亚乃至全球的 ai 垂直版图时呢,一个清晰的产业真相呢,正在浮出水面的未来的赢家,绝对不是悬浮在云端的代码的空谈者,而是那些 ai 将 ai 算力和物理实体及厂房绿地啊, 厂房土地、绿地以及那地缘法规深度交融的进行者。在这场被黄仁新定义成重塑全球五十万、 五十万亿美金的传统制造业和实体基础设施的物理 ai 浪潮中,那马来西亚与新加坡构成了跨境的双子星,正向全球输出一种全新的发展方式。那新加坡凭借着极高的国际信用和资本控制 与数字的合规体系,来继续坐稳啊战略的大脑。而马来西亚呢,正在凭借柔佛和雪莱鹅无可匹敌的重型 ai 算力体作,成为了这场革命中的不可或缺的心脏。那大马政府这套与时代浪潮呢,不可谋合的 审机制,已经对全球的资本释放了最明确的信号。那马里向不再甘做纸质纸出让土地和电力的算力之灵地,而是呢,要借助历史级的巨浪,将自己锻炼成全东盟最硬核、最绿色、最符合工业四点零规范的数字主权经济体。看懂了这场 能源合规和算力的深度对齐,才能在物理 ai 的 时代滚滚红绿中握住那张最稳固的入场券。好,以上文北期内容出海马来选百味三白出版,我们下期见!