我已经找到了彻底去掉 AI 味儿的最好的方法
那就是
不要用 AI 写
其他所有步骤都可以用 AI
但是不要用 AI 写
即便如此还偶尔会本喷 AI 味儿
我真的服了，难道看太多也会被影响？
@aigc1024

《被低估的养老赛道》这里面有视频号养老赛道的手把手教学，100%原创的，操作很简单，新好一月赚几万块当副业不难！尤其适合宝妈人群！
https://pan.quark.cn/s/e9269620b024

@meiriyishu

最近测试了一下鸣神的 Seedance 2.5 和冕神的 LibTV。
在我上周末对 Seedance 2.5 模型的体验中，感受如猪八戒吃人参果一般，充了400块钱，总共生成了不到 10 个视频，其中满意的就一个，我感觉这个模型用起来有一些不顺手，而钱就这么原地消失了。
那一刻我逐渐意识到，Seedance 2.5 Pro 是面向更专业的影视制作流的，它不再是随便输入几句文字就可以了，还需要有应用层的紧密配合，才能发挥出其所有功力。
为什么这么说呢，因为Seedance 2.5 这次升级，除了专业的指令要求，还带来了三个新问：
1. 模型很贵，比 Seedance 2.0 涨价 50%，我们不得不考虑每一秒的性价比
2. 模型长度上升到30秒之后，虽然叙事能力大幅增强，但是修改一次的成本也直接翻倍了
3. 模型支持最多 50 个素材参考，但这些素材要经过整理才能扔给模型，而且每次都整理几十个素材再拿去抽卡实际是个非常枯燥的过程
今天 Seedance 2.5 的 API 终于开放了，第三方应用全面接入，LibTV 等产品结合模型的功能做了深度的结合，让用户能更轻松地把这个模型用好。
用完之后，感慨专业的视频创作除了模型好之外，交互界面也要顺手才行。
这是很有意思的一件事情，因为对于创作这件事来说，虽然 Agent 也能帮上不少忙，但好像越来越离不开人了，只要创作出来的内容还是给人看，创作的结果就需要人来把关。
模型越强，创作的过程要控制的细节就越多，纯靠文字做视频是不太行的，优秀的产品、设计和工程都是模型能力的放大镜。
全文在这里，感兴趣的朋友可以前往阅读：
https://mp.weixin.qq.com/s/pgz9-EkYRiBhKER7k_i5Zw
@aigc1024

<br /><img src="https://cdnv2.ruguoapp.com/Fn9q-vCV63zibHXO6g-K1WQDSf7jv3.jpg" />
@aigc1024

国行版的 Apple AI 马上要上线了
库克在 2026 财年第三季度电会议中确认
已经批了第一批苹果AI功能是：相册消除🤡
但Siri AI还得再等等
然后就是外区的iCloud+也要加入AI额度了

AI探索 | Hermes/OpenClaw｜优质资源｜优质信息

一个让 AI 主动“进步”的提示词，建议存下。
以后做重要任务，最后加一句：
“正式输出前，先根据我的目标制定 5 条质量标准并设置权重。
先生成初稿，再以严格审核者的角度逐项检查，找出影响最大的问并修改。
重复这个过程，直到结果已经没有明显改进空间。
最终只给我：
1. 优化后的成品
2. 最终自评
3. 仍然存在的最大局限
不要直接把第一版答案交给我。”
关键不是让 AI “多想一遍”，而是让它：
先定标准，再自检，再针对最差的地方重写。
@aigc1024

实说，Higgsfield是我用过的比较丝滑的平台，资源库丰富、模型多、工作台丝滑，最主要是Seedance 2.0生视频很快啊，真的比某梦快了不止一点半点！
趁着新注册用户免费试用一天，无限次访问所有顶级模型，Seedance 2.0使劲用！我只有羡慕的份儿了

AI探索 | Hermes/OpenClaw｜优质资源｜优质信息

一直以来，我有一个判断！
至少现阶段，100%纯AI做视频，就连口播都用数字人，真的很难把视频做得真实、可信和耐看！！
很容易，就做成录屏讲PPT的即视感！
就算用了好看的动效，充其量也就是在讲有动画的PPT。
对于我这种不愿意出镜的人来说，数字人肯定是要用的，那么画面、B-Roll就更不能再用大量的AI素材！
所以现在做视频，我更倾向于混合生产：
真实素材提供可信度，
实拍素材提供生活感，
AI 画面补足难以拍摄的场景，
最后再统一剪辑做出成片。
过去，做类似小Lin说那样的视频，需要去实拍或者找大量无版权风险的素材，而现在，找素材整理素材这个活完全可以交给Codex。
所以我简单测试了一个新的视频工作流，把文案和主交给Codex，它会完成口播稿、视频脚本、接入VoiceBox用我的声音生成口播，再用数字人生成完整的口播视频，然后在网上搜集相关的真实素材和无版权素材整理成可直接用的素材包，没有合适素材的就用AI生成补全。
最后，不管是AI自动剪辑，还是人工剪辑，反而成了最简单最简单的事情，我只需要把关成片质量。
这样做出来的视频，或许会比较靠近我的要求！

AI探索 | Hermes/OpenClaw｜优质资源｜优质信息

今天听了 Jeff Dean 和 Dawn Song 的炉边谈。Jeff 刚结束在 Google 27 年的职业生涯，创办了 Discovery Loop；Dawn 则刚从 Berkeley 和创业，进入 Meta Superintelligence Labs。一个正在离开超级大 AI 平台，一个正在加入超级大 AI 平台，构成了整场最有意思的对照。
几个印象很深的点：
【怎么判断一个技术是不是"真正重要的"？】
Jeff 的很多工作有一个共同特点：真正大规模流行的时候，往往距离他最初开始做已经过去了很多年。分布式系统、MoE、TensorFlow、Gemini 背后的 idea，全都如此。
他的做法是在脑子里持续维护一张非常宽的"技术地图"。与其只深入看极少量论文，不如尽量扩大对整个 research community 的覆盖——哪怕只是快速扫过 100 篇 abstract。目的不是记住每一篇，而是在脑子里形成足够多的"点"：A 方向似乎开始可行，B 技术出现了早期结果，C 问有人在尝试，D 硬件能力正在出现，E 算法效率开始跨过临界点。当这些点足够密，你才能看见：哪些原本分散的 idea，其实已经可以被连接起来。
【5+2 问选择框架】
他最喜欢的问形态：一个长期问需要解决 7 个核心子问，其中大约 5 个隐约看到路径但尚不成熟，另外 2 个真正不知道怎么办。7 个全不会做，可能要等 20 年；7 个全会做，只是一个两年的工程项目。5+2 的状态最值得投入大约五年，不是显然不可能，也不是显然会发生，真正需要创造新技术，一旦成功又能彻底改变做事方式。
这大概是我听过的对 research risk 最清晰的一个量化直觉。
【Cloud Computing 改变了创业的边界条件】
有人问：AI 看起来天然属于大公司的游戏，巨量数据、大规模算力、极高资本开支。为什么现实中这么多 frontier innovation 反而从 startup 出现？
Jeff 认为是云计算的成熟。过去 startup 想要超大规模 compute，得自建数据中心、自建分布式基础设施、自己拥有大量硬件，只有大公司有条件。今天云平台替你完成了这些 heavy lifting，小团队只要有好 idea 和一笔资本，就可以直接获取 massive compute。"小团队做大事"的边界被大幅推开了。
【相比大厂，AI创业公司的优势是什么

？/为什么离开Google？】
Jeff 说，离开不是因为觉得 Google 做不好 AI。吸引他的是另一种工作方式：一个非常小、非常 focused 的 team，所有人每天只围绕同一个 mission 工作。Discovery Loop 可能只有 10 个人，在 Palo Alto 找一间办公室，然后每个人的全部精力都投入同一件事。大公司不可避免有更多 coordination、更多 parallel priority、更多 slight distraction；而 startup 可以让公司使命等于每一个人的唯一工作。
到谈结束时，Jeff 说自己在这家新公司已经"工作了大约十二个半小时"。因为午夜刚从 Google 正式离职，中间大概有一秒钟处于"失业状态"，然后就正式成了创业者。
@aigc1024

给同时跑多个 AI 编码 agent 的开发者用的本地面板。直接从 Claude Code/Codex 会记录、PR 描述和 git 仓库拉数据，不用额外打标签。能看到哪些会还在跑（NOW）、哪些在等你回（NEEDS YOU）、每个项目断在哪一步（resume packet），以及今天各家 token 花了多少。
https://github.com/mohan-n-swamy/coding-control-tower

AI探索 | Hermes/OpenClaw｜优质资源｜优质信息