这克劳德要直接充万亿,然后要狂融五百亿美金投钱,估值可能直接按九千来,那就必定是万亿 i p o 了。有人说前几天不都一点二了吗?那个是链上交易的价格,相当于小散之间的交易,那个东西不代表机构看法。 二月份估值三千八,这中间这几个月啊,现在相当于又翻了快三倍,再要么还不 crazy 吗?最关键的是他们收入太野了,去年年底是九十亿的年化,现在奔快五百了,现在四百五,比九十也是五倍了。说白了也是全美所有在掏钱的企业,几乎 只要在弊端在企业效率上花钱的,就绕不过给这劳德付点钱。超一千家公司是年付百万美元以上两个月翻倍。然后呢?前十大公司就是美国的 top ten, 有 八家深度融入使用他们的 a p i。 你 就想想吧,今年 hyperscaler 整个 kpx 目标七千亿。 然后克劳德昨天刚刚拿到斯克租给他的巨兽衣,那很显然就要拼了,上市之前这一波,把估值给他拼到天花板去卖佛尔,然后老达子拨通内存,这几个兄弟链上的哥们才是真正的盆满钵满,疯狂吃的鸡头白脸呐。
粉丝118.5万获赞2149.6万

deepstack v 四发布以后,先不要自嗨,它跟国外克劳德 g p 五点五的差距已经不止三到六个月这么短了,甚至会被拉到一年以上。但是它的价格低啊,它是克劳德价格的二十分之一,这个模型能力上的差距可以通过 tucker 的 密度来弥补。 那对于算力这一端分环节来看,光模块 pcb, 还有国产算力啊,也就是加速卡吧,那深腾的核心 pcb 供应商,最近两周都是市场的焦点,毫无疑问,大资金是非常敏感的。 那光模块啊,因为我觉得像中集徐传上周突破了一万亿啊,在这个推理的大周期,我反而觉得一万亿是一个新的起点,因为在模型训练的前三年,主要的买家是因为的啊。那么现在像谷歌,微软,甲骨文 啊,亚马逊的加速卡,其实都在用到光模块,现在不只是单一个数据中心,要串联起来更多的光模块这么简单。现在是整个行业都在体量 啊,对于国内算力卡,像韩五 g 啊,这个海关,我觉得他们的估值太高了,即使未来 一年啊,国产算力再其量,那也追不上现在的固执。反而是这次 deepsea 微四的这波情绪。是啊,先是我的一个啊,空盘点吧, 从整个行业来出发,因为因为,呃,我前两天没发视频啊。 gt 五点五出了一个图像模型,我原来就是干图像模型落地的事的啊, 完全可以通过这个图像模型来做到啊,一些场景的商业化啊,像我这个应该应该应该,我觉得我最近也在尝试。 呃,整个行业的注意力应该往中差游来转移了,像中邮枢纽中心,呃,不管是国内还是场外,资金的焦点已经很明显的注意到这个环节了,从整个大的行业周期来看,现在 呃就有点类似于移动互联网时代。小米一刚刚出来,米聊呃,米聊刚刚出来,微信刚刚出来的,这个节点像豆包 codex 高了的属于 微信这样的超级,如果现在反而模型能力并不是那么的重要,现在拼的是工程化工作流的稳定性,工作流的实用性, 像未来各行各业的缝隙是缝隙,还会还会还会出来。这个下游应用端吧,你说他博弈也博弈,说他吵也吵啊,跟前几年的那种吵来对比的话,他会走的更扎实一点。

在我了解了这个通会是怎么被消耗的这件事之后啊,我最大的直觉是,我觉得未来的程序员很可能会两极分化, 分为有钱的程序员和没钱的程序员,分为富程序员、穷程序员。你想啊,有钱的程序员,他能够使用最先进的工具,使用最先进的模型,然后去创造出更好的产品, 然后去赚更多的钱。而没钱的程序员,他分为两类人,一类呢是打工人,他使用的是公司提供的免费 ai 工具,一般都不咋地。第二类是创业者,他需要是自负盈亏,如果他的商业模式跑起来了,他就是一个有钱的程序员, 如果他的商业模式没跑起来,那么他需要承担 ai 编程的高额费用,很有可能会入不敷出。 因为 ai 编程和我们平时使用拆一批聊天不太一样啊。一百万头肯,如果你聊天的话,你可以聊个几百次,能用很长时间,但是你 ai 编程,你让 ai 去分析一个功能模块,就有可能会消耗几千到几万头肯, 如果你让 ai 去分析一个完整的项目,全量代码几十万,上百万投坑代码还没开始写,几十块钱就没了,玩不起。我希望我这个直觉是错的,你觉得呢?说说你的看法。

兄弟们,一天两个亿,这个水平怎么样?最近小米那个 over 百亿补贴,我领了八亿的 token, 然后不到五天全部都用完了。我用的模型是 miami v 二点五 pro, 基本上一条 prom 就 要耗费几十上百万的 token。 我 跟你讲,这个 token 消耗的速度就跟高三漏了底的油箱一样,那个油表的指征就是以肉眼可见的速度疯狂的往下掉, 然后下一站还有更好更贵的模型在等着宰你。最近呢,也有些信息就是豆包看收费了,其他平台也在收紧他们的政策。这让我突然反应过来,我焦虑的其实不是这些免费的额度正在不断被消耗,而是这个 ai 的 廉价的学习窗口马上就要关闭了。 你想现在消耗头可让大模型跟你合作去做各种产品,它其实就是你交的学费。而我们现在面临的现实是,现在可能只要一分钱一节的课,未来可能要变到一块钱一节课,甚至十块钱一节课。 所以你懂我在说什么呢?你现在花的模型的 token 可能就是未来 token 价格的最低点。你现在每一次试错都是在抢一个越来越贵的入场券,所以你尽可能多的去消耗你的 token 吧,未来可能没有那么便宜的吧。

前段时间,昌平在网上刷到一个很离谱的 ai 写作办法,说古人才是提示词的祖师爷,用文言文比用白话文更省头肯。比如把基于以下上下文回答不要添加额外信息,改成据此文而对,勿得旁射,然后让 ai 也用文言文回答,这样字数越少, ai 消耗的算力也越少,也就越省头。肯。 好家伙,按这个说法,以后和 ai 对 话之前,是不是还得查一遍古汉语常用的字典?所以字少就一定省 token 吗?这个 token 到底是怎么算的?大家好,我是差评君,今天我们就来聊聊 token 这玩意到底是怎么回事?这时候差点要说了, token 我 知道啊, 不就是词源吗?前段时间才定的中文名。不过词源这两个字听上去也挺抽象的,要知道它有啥用,我们得看大模型是怎么接受和处理信息的。很多人都以为 ai 在 回答问题之前显示的思考中是真的在思考, 但严格来说, ai 其实算半个文盲,既听不懂人话,也不会看图。模型的本质是一个巨大的数学函数,输入是数字,输出的也是数字,而我们平时输入的都是文本、图像、音频、视频这类数据。 为了让模型理解我们的意思,就需要先翻译一下,而模型一次能处理的信息量是有限的,所以翻译的时候还不能一股脑全塞进去,得先把内容切成一小段一小段,再把每一段转化成数字 id 喂给模型,这样模型学习和匹配的效率就很高,既能节省算力,也能更快理解我们的意思。 这些被切出来的碎片就叫头啃,不同模态的数据切法也不太一样,比如视觉模型会把声波切成时间片,再分别编码成头啃。 而我们模型的切法更直观一些,就是按照某种规则,把一整段话切成更小的 token, 再把每个 token 映射成一个数字 id。 这个规则的核心是一个叫做词表的东西, 里面收入了模型认识的所有 token。 这玩意是模型通过算法从海量语料里训练出来的,跟我们熟悉的分词逻辑完全是两套东西。一个 token 可能是一个完整的单词,也可能是半个词,可能是一个汉字,也可能是好几个汉字的常见组合。 例如在 g、 b、 d 三里,一个 token 约等于四个字母或者四分之三个英文单词。肖申科旧书里的这句台词是十九个 token, open ai 章程是四百七十六个 token, 而美国独立宣言是一千六百九十五个 token。 不 同语言在被同一个模型切成 token 时,切分的效率也不一样。比如西班牙语 call me stars, 一 共有十个字母,在 g、 b、 d 三里要被切成五个 token。 你不是欺负老实人吗?这句话,同样是十个字母,在 g、 p、 d 三里却要被切分成二十个头啃。就那一题,我们平时说的一个模型能处理多少上下文,指的就是它一次最多能处理多少头啃。 比如一个模型的上下文长度是一百二十八 k, 就 表示它在单轮处理中,输入和输出加在一起,最多就只能容纳约十三万个头啃。一旦超出这个上限,前面的内容就可能会被截断,或者干脆放不进去。 等到这大伙应该都知道为啥文言文不一定省头坑了,他虽然字数少,信息密度也高,但这仅限于咱们人类语言的犯错。然 而模型才不管你这那的,他只会对着词表来切头坑。像文言文这种生僻字很多的选手,因为词表里不一定会收入,反而一个字可能被拆成更多头坑。那是不是说只要一个词被收入进词表模型就一定认识呢?哎,那还真不是。 比如前段时间就有人发现,无论有什么办法,都没有办法让 mini max 的 大模型打出马佳琪这三个字。你问他马佳琪是谁,他会回答马琪琪是谁? 你让他复读马佳琪这三个字,他会直接开始胡言乱语,仿佛这是什么不能触碰的禁忌词汇一样。一直到 mini max 二点七版本里才解决了这个问题,这是他的罪魁祸首依然是 token。 在 mini max 的 眼里,佳琪这两个字被单独打包成了一个 模型,虽然知道这个 token 存在,但不知道它应该在什么语境下出现,跟哪些词搭配,表达什么意思。对于这种训练不充分的 token, 模型,对它的理解基本是一片混沌。一旦在对话里触发它,模型就会出现各种奇怪的行为,比如复述不出来,答非所问,或者突然输出很诡异的内容, 这就是所谓的故障头肯。 mini max 没法说出马家奇也是个原因。类似这样的故障头肯,在每家模型上都不同程度的存在。比如 g p t。 早年有过一个很出名的故障头肯,叫 lonely gold maggie cup, 翻译过来就是黄金鲤鱼王。这个词原本来自 reddit 上一个用户的 id, 在 训练词表的时候被收了进去,在后续的训练语调里几乎没再出现过。结果你让 g p t 解释这个词是什么意思,他轻则答非所问,重则当场发癫,跟 mini max 不 认识马家奇如出一辙。 不管是文言文的生僻字可能被拆得更碎,还是马嘉祺变成故障 token, 背后都跟 token 的 生成机制有关。那这玩意到底是怎么来的呢?哎,就得靠一个叫做 tokenizer, 也就是分词记的工具来完成了。它 是在模型正式训练之前造好的。 tokenizer 可以 看作人类和大模型之间的翻译官,负责编码和解码两个环节。 其中编码表示在接受到输入内容后,根据词表把文字分成 token, 并把这些 token 转换成对应的数字 id 的 过程。而解码正好反过来指的是模型输入一串文字 id 后,根据词表把它还原成 token, 再把这些 token 拼接成我们看得懂的文字过程。 tokyo 用什么方法切切的好不好?关键就在于这个词表是怎么造出来的。目前比较主流的方法包括 bpe、 word、 peace 和 unicorn 等等。 bpe 的 思路有点类似压缩文件的算法,核心是反复合并最高频的相邻片段。假设这里有个模型,我们用来训练的语调是这几句话, b p e。 要根据这些语料生成一个词表。一开始 b p e 会把所有的语料都扫描一遍,然后将所有的单字都放进词表里,它们都是 token。 这里的每一个 token 都会分配到一个数字,也就是 token id。 估计大家已经发现了,这个 token id 实际没啥意义,只是一个编号而已, 但它和 token 是 一对应的,而这个词表实际上就是记录 token 和 token id 的 一个表格。 b p e。 的 逻辑是统计那些相邻的字,挨在一起的字数越多,然后把它们合并成一个新的 token。 比如在这些语料里,质和能这对组合出现了四次,词表里就会增加智能这个新 token, 然后 b p e。 会再统计一轮,他们发现人和工挨在一起的次数有三次,所以词表会再增加人工。这个新 token 第三轮合并的是哪一对呢?哎, 不是我要,也不是验牌,是人工智能。因为这两个新 token 的 组合也出现了三次,这样一轮一轮合并下去,直到词表大小达到设定的上限, b p e。 就 会停止合并。 最终的词表里,高频组合会作为整体存在,低频组合还是拆开了。这时如果模型收到新的输入,查到词表之后会发现,人工智能是一个头肯,没核友分别是一个头肯,人工也是一个头肯,只用四个头肯就能搞定了。像 gbt 和拉玛系列模型用的是 bpe 和它的变种。 what piece 和 bpe 比较像,也是不断合并相邻片段。但是合并标准更挑剔,如果合并前的片段本来就比较万金油,比如我要你说之类的,即使它们在语料中经常挨在一起,也未必会合并。 所以 wordpress 在 某些情况下会更偏向于专属关系强,更像专业术语的组合,然后把它打包成一个新 token。 所有的系列模型用的就是这种方法,任意官人和上面两种方法都不太一样,它是淘汰制。 具体流程是这样的,先一口气准备一大堆,后选片段,然后逐轮计算每一个 token 的 贡献度。如果整体的编码效率下降的不多,那就把这些可有可无的 token 删除掉,最后留下一份精简的词表。这种方法对于多语言和复杂文本更友好,也更容易切出类似 iphone 十七这样的 token。 不过在实际应用中,很少有模型会直接通过由你官人来分词,基本上都是通过 sentence piece 工具链来间接使用。所以同样一句话,发给不同的大模型,切下来的 token 也可能完全不一样, 就连同家厂商,不同版本的大模型也会有区别。理解了 tokenize 的 工作原理之后,很多 ai 的 经典翻车现象就能解释了。比如早些时候你问 ai dictionary 里有几个 r, 它可能会一本正经地告诉你有两个。这是因为模型看到的并不是一个个字母,而是 tokenize 切出来的若干个 token。 至于怎么拼,对不起,没学过。 知道经典的那个 ai 分 不清九点一和九点九谁大,也是差不多原因。当时的模型眼里,就是几个毫不相关的 token 凑在一起,他在回答你之前根本没做数值的比较。而且这里还有个热知识,以前用英文确实更省 token。 早期的 tokenizer 基本都是用英文语料训练出来的,词表里输入了海量的英文高频词汇。但中文就比较惨了, 很多汉字要么被单独切,要么被拆成好几个字节,同一个意思,在英文那边是一个头衔,他能直接调用域系链阶段学到的语义,用中文就变成好几个模型,还得自己拼回去才能理解, 不仅更费 token, 连效率和准确率都会大打折扣。当然,这个问题现在好了很多,因为各家模型都在优化自己的词表和分词算法,并为了大量中文引料切分,效率比以前高了一大截。所以你看从英文审不审 token, 到 ai 分 不清哪个数字大,再到模型看某个词直接发癫,这些看似毫不相关的问题,根源都是 token。 说到底, token 是 人类语言和 ai 之间的翻译层,它决定了模型怎么看这个世界。你说的每一句话,在 ai 眼里都是一串被切碎又重新编码的数字。 这时候你会发现,很多看似玄学的提示词技巧,本质上都是在让你的意思能够用更高效的方式被模型识别。而那些所谓的 ai 犯蠢,大部分时候也不是模型真的笨,而是从它一开始看到的世界就跟我们不一样。

卖投肯做一篇分发,到底能不能赚钱?已经消耗过千亿,投肯封了几十万个账号,实打实的在这个行业的经验告诉你答案,肯定能赚钱啊,甚至一天可以赚几万,一个月可以赚几十万,但是他适合一个普通人吗? 事实上,绝大部分人根本不可能靠卖投肯赚到钱。多人被网上的暴富神话洗脑了。记住一句话,再好的生意,他本质还是一个生意,不是捡钱。 现在投垦市场,整个行业极其内卷,想要做好这门生意,还是需要具备一条件,以下五个核心条件,只要你符合其中的一点,这碗饭你就可以吃。大家可以对照看一下,自己到底能符合几点。 第一点,有足够强的一手渠道,打一个信息差和时间差,这是最粗暴的赚钱方式。比如当下爆火的 cds 二点零, 如果你能在他刚刚出来的时候,全网都在找借口的时候,甚至首月供不应求的时候,快速拿到极低折扣的内部价格或者代理渠道啊。在别人还在找门路的时候,你手里有货,拿到渠道就等于拿到了印钞机。第二点,自带天然的产业资源, 这属于圈层的降维变现。如果你本身所处的行业就有海量的 ai 需求,那你根本就不需要去卷价格,也不需要再去找客户 啊。比如你本身在这个电商圈已经摸爬滚打了很多年,身边全是做跨境出海搞短视频带货啊的老板,他们一天跑几千个商品切片,跑几万条产品图或者产品视频, 那么他们的 a p i 消耗量就是一个天文数字,或者眼下爆火的 ai 漫剧啊,有大量的生图或者生视频的这样的一些需求,你当朋友抱怨没有稳定接口的时候,你顺手丢一个过去,就帮他们解决了痛点,自己也赚到了极其稳定的利润。 第三点,如果你本身就在做流量啊,拥有极强的获客能力或者投流的能力,你本身就是懂流量生意的高手,懂买量,懂做爆款,懂私域运营。那么在大家提供 token 的 服务和价格都大差不差的情况下,你的获客成本只有别人的啊,一半或者 百分之二十,甚至百分之十,你能用最高效最低成本的方式触达到海量有需求的客户,靠规模效应直接碾压同行。第四点,你具备 开发 agent 将 token 巨像化的到一个服务里面的这样一个能力啊,把标准化的 token 服务做成非标的溢价啊,把低毛利的生意做成高毛利的 一个生意,同样是卖生图模型,同样是卖生视频模型,别人是按次卖接口啊,两毛一次,五毛一次,一块钱一次。而你是根据特定固定的场景,比如苍蝇老板生成菜品图,电商老板做主图啊,电商老板做详情图,封装成一个傻瓜式的工作流啊,别人卖五毛,你可以卖两块, 你可以让老板们一次就能成功,或者两次就成功,让老板们跳过了反复学习,反复测试的这样一个过程啊,一个美工一个月的佣人成本啊,七八千,八九千,但是你通过一个工作流啊,能让老板原本 五个美工才能干完的事情,一个美工就可以操作你的工作流去实现的啊,一个月能帮老板省几万块钱的这样一个一个成本,那么你就拥有了核心竞争力。第五点 也是拥有顶尖的底层技术能力,这个路线比较高危,也比较硬核,这个属于很敏感的一种方式,属于纯纯的技术套利,主要是针对像 cloud gpt 这种风控,比起 很严格,然后又是全球主流的应用量很大的这样一些模型。如果你懂底层的协议意向,能搞定复杂的风控绕过,以及拥有维护高病发耗磁的技术实力, 相当于你就能用极低成本的方式把散户的号源整合成企业级的接口,这其中的利润空间极大,同时也是门槛最高,风险最大的一种方式。

ai 编程党真的天塌了,这个开源黑科技直接帮你省下百分之九十的 token 消耗!记住这个项目名字,它在 github 已经拿下四四点八 k 的 star。 该工具可无缝集成在终端与各类 ai 编程助手之间所有命令输出。在进入大模型上下文会自动过滤垃圾信息, 系统压缩,一点没用的内容都不传给 l l m。 普通开发命令直接省百分之六十到百分之九十的 to 肯一整场开发绘画下来,整体上下文消耗直接砍掉百分之八十,不仅能帮你省下大笔 a p i 费用,还能大幅延长对话上下文长度,再也不用聊到一半被迫重启绘画,从头再讲一遍需求了。

兄弟们,我又来了,我是没有想到呀,昨天我发了一个抖音,没想到评论区惊现了一位大佬在推广他的编程智能体,我就下载了, 于是我今天就试了一下,就是他 deepsea renaissance, 他 是 deepsea 原生的代码智能体,这个作者游戏出身,代码功底应该非常的扎实, 整个架构也非常非常的厉害。他有一个非常省钱的技术,就是可以让大量 token 乖乖的命中缓存。而这边呢,就是这两天比较火的 deepsea, 它虽然支持中文,但是呢不是原生中文,有的时候呢会不太方便。另外我使用下来,这个 token 消耗还是比较大的,我甚至都不敢用 pro 模型, 但是他从设置到配置全部都是中文的。他有一个我非常喜欢的地方,就是这里有一个 web 界面,我打开给大家看一下, 在这里大家看到了吗?这里我的对话是同步的,这里 这里是一个突兀的镜像,这边这里也可以实时的去调整一些强度啊,模式啊之类的, 然后这里有很多的,你可以去设置,这里可以获取余额啊,比如说像这里,我今天小跑了一下,那缓存的命中率是百分之九十五, 非常的强大。还有工具啊,基本上呃该有的都有了,非常好用, 虽然没那么火,但是我觉得这个项目的潜力也是非常巨大的。另外给大家看一下这两个呃, get up 的 地址,这个是兔翼的, 这个是 reasonx 的, 我个人觉得这个名字取得非常的不好,如果叫做 deep sea, cold 之类的名字,可能会比现在要火的多啊。哦,这是吐译作者,这是经常出现在新闻上 这个 reason 的 作者主页,他,他是游戏出身的,这是他做的一个框架,应该是一个关于游戏的,这是一个游戏框架, 这个作者大部分项目都是 ps 研,推荐给大家,大家可以试一试,支持国产作者。

我说一个暴论,就是以后每一家除了要交网费、水电费以外,还要交一笔 token 的 订阅费,这是百分之一百会发生的事。你现在听到 token 可能第一反应是啊,这不是程序员才会关心的事情吗?像写代码、跑模型这些任务才需要去消耗 token。 错了, 这是第一阶段。就像互联网刚开始的时候,宽带也不是每家每户的刚需啊,最早都是公司在用,网吧在用是一小组人用。后来呢?谁家不装个宽带呀,谁的手机不用流量呀?所以说对于 ai 来说也一样,第一批为了 token 买单的人是程序员啊,设计师啊, 然后自媒体工作者啊,比如说我,但是下一批就是普通的家庭了。为什么呢?因为 ai 不 会永远地停留在你的电脑里啊,它会走到真实的世界。你今天看到 ai 就是 啊,我给你写一个文案,给你写个代码,还给你写个 ppt, 但是下一步它会接管你的家务, 像洗衣服呀,整理玩具啊,照顾老人呀,收拾厨房啊,做饭呀,这些看起来是体力活,但是真正难的不是动手,真正难的是判断。就比如说地上这个东西 是孩子的玩具还是垃圾,菜板上这个东西是葱还是蒜,照顾老人的时候这个动作是正常起身还是说他已经跌倒了?这些的判断是传统程序写不死的呀,必须得靠模型去理解现场, 那么理解一次就需要消耗你一次 token。 所以 说,未来的家庭机器人绝对不是你买了插上电那么简单,插电只能让他动起来, 但是 token 才是让他看懂这个世界,做出判断执行行动的燃料啊!这就是我为什么说 token 会变成未来 一个家庭的基础开支。以前的家庭三大件是电视、冰箱、洗衣机,后来变成了手机、宽带电脑,但是再往后可能就是机器人显卡加 token 了,甚至结婚的嫁妆都有可能变,之前是五金一钻一果, 现在还要加上一个显卡。因为一个家庭有没有算力,可能直接影响到他的生活质量。就是你家机器人一天能干多少活,将来将取决于你有多少 token。

今天我给大家讲讲谁才是真正的烧头肯在赚钱。别看全网都在吹这个 open call, 真正用量大的背后闷声发大财的其实就是那么几类人,别刷那些一键支付的视频啊,洗洗睡吧。大部分人的话,烧头肯其实是在给自己烧纸,说的比较难听啊,招的是创业梦, 真正月入百万的大佬,他跟你玩的根本不是一个东西啊。今天我用 ai 做个图给大家拆解一下。 第一类就是灰厂老司机吧,就是搞灰厂和内容工厂的,这种人最简单粗暴,他用 ai 批量生产这种深夜情感故事,或者大哥点点关注发财关注我。只要转换率够,那种投肯费用对他来说算个屁。记住 r y 就是 投资回报率只要大于一的话,那个投肯就是硬纸的 钱,他们买投肯基本上跟买打印机纸一样,不心疼。第二类就是我称之为大模型偷师学 一派,表面上他们说在自研国产之光,背地里天天钓什么 jamie 呀, brook 啊,接口去为那个模型用顶级的老师训个廉价的徒弟,然后去割垂直行业啊,其实也不叫割韭菜吧,它这叫智商降维套利费点钱,但真能忽悠 啊。当然互联网上我也不能瞎说太多,懂的都懂,谁叫我们遥遥领先呢,对吧。第三种 p o d 呃,现在比较火的就是 printon demand, 这种还是挺多的,在美国 特别就是呃客户下个单,或者是自己通过 ai 来定义一些产品,包括这种 t 恤啊,然后客户下单以后我才去印,这样的话会结,减少很少成本。以前请个设计师可能一天磨磨蹭蹭出三张图,现在调个 api, ai 一 天吐个几千张印在 t 恤马上拿走。在这种他们眼里, ai 不是 什么人工智能, ai 是 一个不交社保不吃午饭还不会呃改稿子跟你辞职的这种劳力。这种人其实是现在的一种新的商业模式,而且很快还有一个就是商业演技派了。我觉得最搞笑的是 帮搞 ai 传销骗投资人的这路数。想起我之前的去一个叫做未来云,我也被坑了,当然我是给他们面子,就是大家也经常看到就是几千个手机啊,几千个 mac mini 啊,翻那刷单演戏。现在一人公司基本上也就就是 大部分情况下是这样的,整一堆 a 证的脚本,托管烧的飞起,其实是演给 vc 和这种个人投资人看。呃,这托管烧的不是算力啊,实算的是演技,是 ppt 的 灵魂。然 然后就是这种燃料区嘛,所谓燃料区就是就是我们普通的韭菜了,普通人就包括我自己在内,业务闭环还没没影呢。当,当然,我自己公司是有业务闭环的,然后,然后天天被博主忽忽悠配置什么 open cloud 啊,然后把自己绕晕在环境配置里面。 呃,烧头啃其实没没多大用,因为你在创业,其实你是在给 ai 行业捐款。当然那你自己某种意义上讲,你自己像我做个 ppt, 做个这种视频,其实基本上你用免费的工具去做做都可以, 所以呢,基本上可以这样说,我不骗穷人吧。然后下一期我可以给大家讲讲这种算成本如何,就是什么情况下你自己去租机器,什么情况买机器 什么时候直接叫别人 a p i? 这样的话你对自己的商业逻辑也有一个很清晰的认识。那种一天开发一百二十个软件的,然后投的公司,你觉得你信吗?你觉得开发一个软件丢出去直接就能挣钱吗?我从来不这么认为。

最近干货让 deepstack 为 callex 打工, tockin 节约百分之五十。嗯,我手搓了一个工具,让 gpt 五点五能指导 deepstack 工作,把我的 tockin 消耗降低了百分之五十,把性价比拉满。 deepstack 桌面版就是今天最好的 ai 生产的工具,但它缺点有两个,一是订阅太贵,二是 gpt 五点五的额度太废。而 deepstack 又是一线模型中价格最便宜的,让 gpt 当大毛, deepstack 干活才是最完美的组合。 但 deepsea 是 需要接入可捞的扣子让他干活,然后把它包装成 mcp 给 callix 调用。我写好的 mcp 已经开源可用啊,大家可以直接跟 callix 说让他装上啊。这个 mcp 的 核心价值呢,有以下几点。 这个 m c p 本身我就是用 codex 桌面版开发的啊,开发过程很简单,可以说有手就行。如果你希望做一个这样的 m c p 的 话,可以把下面这些话发给 codex 桌面版 啊。注意,这样做出来的只是一个基础版啊,甚至不一定省 tokyo, 你 要一边用一边跟 codex 对 话来解决各种问题啊,最终肯定是能迭代出一个跟我一样甚至更好的版本,大家都可以试一下。

hi, 我 用 clock code 做了一个 token 消耗的预估模型,就是帮呃 by coding 的 小白预估一个项目大概要花多少 token, 呃,或者换句话说花多少钱? 嗯,我直接展示给你们看吧。 ok, 这个就是我上传到 github 上的 skill, 先翻译成中文,呃,翻译不了,没关系。呃,这个这个工具呢,就是说早期 呃,我们做 bitcoin 的 时候,他能够帮我们预估你这个项目大概要花多少投款,换句话说就是花多少钱。 嗯,但是这个东西不可能预测的特别的准确,所以他会给你乐观,悲观,还有正常三种情况的估计,他会根据一些具体的维度来帮你判断。一个就是你跟他沟通的时候,呃,他判断你做 bitcoin 的 专业程度, 呃,越是专业,呃,你会花的 topic 越少,那越是巧白,你会花的 topic 越多。呃,还有他会看你的一些使用习惯,比如说你有定期更新你的 colaco, md 这一类的,那你的你会花的 topic 肯定会更少。然后比如说你有装像这种 everything colaco 这一类的 啊辅助工具这种增强包,那你会花的就会进一步减少。然后它会根据你所调用的模型来判断你要画的图层,比如说你调用的是最顶级的 v 四 pro 这种或者 gpt, 或者说抓的 opus, 虽然现在已经出到四点七了,它这个倒是没有更新。 呃,越调用顶级的模型,你会花的 top 越少,因为你返工会越少。如果你用的一些呃早期的模型,你返工返工可能会多一些,但相对的你每百万 top 的 费用也会减少。还有就是你跟他形容这个项目的时候的详细程度, 你你如果用了一个 thinking partner, 呃,如果有用别的 ai 帮你构思这个项目具体要怎么做,给它非常详细分步骤的。呃,这种情况它会默认你要发的头壳会比别的情况少很多,如果说你只是跟他说啊。

昨天在使用 cloud code, 发现它竟然限制了我的对话的次数,并且还有时间的一个提示,在什么时间之后才能继续使用。以及之前在创建新对话的时候,也做了这个新对话框的一个限制, 也就是你不能无限的发起新的绘画。那大家平时比如说使用国内的豆包或者 deepsafe, 应该从来不会出现这样的问题。因为现在国内大部分的像这样的豆包 deepsafe 的 软件,它还没有正式去进行收费。因为我们正常使用像这样的一个 ai 软件,一问一答,大概每次它都会消耗几千到几万的一个 token, 一个月下来 大概需要两百万到三百万的 token 数量,如果换成人民币可能就有几块钱的价格。顾客可以简单理解为和 ai 对 话的计费单位。比如你说了一段话,我今天吃了一碗面,味道很好,一共十二个字和两个标点,那它大概就是十四个 token。 另外我也发现了,如果你一次性给 ai 太多的文字, 那他在回答你的问题的时候,他可能只会读取你的一部分信息。比如说你一次性给他七十万的文字,让他进行处理,那他能力可能只能读三十五万,那他给你的答案可能需要你自己去斟酌一下。刚才说的是我们平时跟 ai 的 一些日常的对话,可能不会说消耗太多的 token, 但是如果大家最近在用,比如说智能体, 那他跟平时的对话的区别就是他可以有自己的规划,执行,再反思再执行,说白了就是可以消耗上百万的 token, 所以 我也有去对比不同模型之间的价格、 稳定性以及他处理的一些领域。正常我们考察一个模型,基本上就是他的稳定性,模型能力以及价格。那你想要稳定性好,模型强,价格必然会贵,但你想要便宜的话,就会牺牲他的能力跟稳定性。目前看下来,科二虽然说模型能力很强,但是他目前也会面临封号的风险。另外如果买中转站的话,中转站也会有跑路的风险, 以及中转站会有模型准确性的一个问题。除了 cloud code, 国外还有一个是呃 x, 那 它的好处就是相比于 cloud code, 它里面会开放更多的第三方的模型啊。缺点就是它的处理速度肯定相对于 cloud code 会慢一些。如果要追求性价比,国产的像 kimi, 如果说正常的使用它跟 cloud code 差别并不会说特别大。另外就是像 glm 的 价格 相比 kimi 会更,但是可能处理速度没有 kimi 那 么快,优点就是它什么工具都能够往里接。那针对现在主流的 ai 模型,我也做了一个表格,以及它的使用场景、价格的一个排序,如果大家有需要的可以看一下这张表格,选择适合你的 ai 工具。