AI产品狙击手

这不就是可私有部署的 Workbuddy 开源版本吗？这个叫 Octop 的开源项目，能把一台闲置服务器变成小团队共用的私人 AI 助手团队，在 GitHub 上已经拿下 6000 多颗星了。 装起来也简单，只要一行命令，然后 octop init 初始化、octop run 跑起来，就能在网页上跟 AI 专家聊天。写周报、整理会议纪要、管日程这些事，直接甩给它就行。团队里每人各有各的账号和专属智能体，互不打扰。 它还内置了专家库和专家市场，调好的专家能直接分享给同事用，不用每个人从零折腾一遍。每个智能体的性格和说话风格也能自己调，想要个毒舌的还是严谨的，全看口味。接入的聊天软件也多，飞书、钉钉、企业微信都行，平时在哪个软件里办公就能在哪实操。 它还支持用大白话设定定时任务，到点自动干活；遇到复杂任务，还能派出一个调度员，带着多个专家分工干活。模型方面，OpenAI 兼容接口、通义千问、Ollama 本地模型都能接。 所有对话和数据都留在自己服务器上，代码采用 MIT 协议、允许商用。想给小公司小团队搞个私有 AI 助手的朋友可以试试——先装到一台闲置机器上跑一周，看看它能...

小扎的 Muse 相信大家都知道，但能用上的没有几个——Meta 到现在都没全面开放，普通人想排队都找不着入口。不过用不上也别急着删，开源这边已经有人把同类的东西做出来了，叫 OpenMuse。 思路跟 Muse 是一个方向：说一句话想要什么结果，它就自己开浏览器查资料、在 Linux 容器里跑命令处理文件，干完把成果交回来。目前在 GitHub 上攒了 3400 多颗星，克隆下来装好依赖、配上自己的 key 就能跑。支持的模型不是只有 Kimi、智谱随便挑——比如让它盯着某个网页有没有更新，把邮箱里的报名表 PDF 填好再起草回复，或者把一整年的消费表格导进去生成分类账单，都可以直接丢给它。 比较戳我的是它的活是持久化的。任务跑一半断了能靠数据库恢复，还能暂停、取消、重试。有怀疑就点 Take Control，钻进它那个浏览器会话里亲手检查。它还能接 Gmail 和日历，每次读写都要你审一遍才执行。整个项目可以本地自托管，也支持一键部署到 Render。 目前还是 Alpha 阶段。想做个人 AI 助理产品，或者想给自己的应用加一层代理执行能力的兄弟，建议先克隆跑起来，挑...

注意 Qwen 4 后面要括弧加个”疑似”——真实代号是 Qwen latest series Invite 2,609。测评环境是在 Deepseek Harness 上进行的，具体思考深度未知，稍后获悉会在评论区补充。 第一题：强约束指令遵循句子生成测试。 第 5 和第 8 句结尾不是从 1 到 10 结尾的。其他句子中第 3 句不通顺，第 6 句也不太通顺（如果改成”掷出的点数正好是 6”会更通顺）。 第二题：鹈鹕土星环骑自行车 SVG 测试。 整体感觉不错。右边转弯时仔细看会发现鹈鹕的屁股先转，然后才 180 度转正，稍微有点瑕疵。 第三题：复合弓射箭 SVG 测试。 整体效果不错，复合弓结构和弓箭抛物线都没有问题。唯一的问题是人物右手拿弓、左手拉弓，但弓箭却在右手外侧，特别是拉到身体部位时左手被挡住，弓箭感觉是被无形的手在拽着，不合常理。 第四题：实现个精美浏览器操作系统。 UI 看上去还是不错的。右上角弹窗功能没有问题。日历高亮日期部分不应做成椭圆形，而应做成圆形或带圆角的方形。Dock 栏应用没有问题。 第五题：3D 太空射击游戏。 初始速度太猛，开车水平不行...

GPT 6.1 Sol 测评报告来了。这期本来打算在 B 站做直播，但第一次直播不太熟悉，效果也不太好，测评过程没有录制完整，所以这次视频的做法和以往不同——测试过程大家看不到了，只演示最后的结果。测试用例一共 6 题，都放在视频里，大家需要的话可以自己对照着看。最后也会给大家看一下这次测试一共花了多少钱。 第一题是强约束指令遵循句子生成测试，要求每句话的结尾分别从 1 到 10 收尾。我把所有句子都看完了，都是顺畅的，这一题做得很好。 第二题是鹈鹕土星环骑自行车的 SVG 测试。整体看效果还是非常不错的，只有在向左转弯的时候，头部 360 度旋转有点恐怖。 第三题是复合弓射箭 SVG 测试。复合弓做得不错，箭的抛物线也没有问题。唯一的毛病是：一开始明明是右手握弓，然后左手穿插过来、右边拉弓，一下子左手就穿过了脖子，看上去像左右手互换了一样，很诡异。 第四题是实现一个精美的浏览器操作系统。整个 UI 看上去不错，唯一的问题是中文提示词它却默认给英文效果。看下右上角的弹窗，其他没有问题；唯一就是日历的高亮部分不应该用椭圆形，用圆形或者带弧度的方形就好。再看 Dock 栏应用，...

前两天我们做了 Claude Opus 5.5 的测评，当时主要测的是推理和编程能力，结论是确实能打。不过我在海外逛了一圈之后发现，大家用它用得最多的其实是拿它来生成视频——你现在看到的这些视频，都是它做出来的。不得不说，这玩意做视频的能力确实太强大了。 这里要说清楚一点：Opus 5.5 并不是直接生成视频画面，而是把动画写成代码——HTML、Canvas、SVG、Three.js 这些——再渲染成画面。所以仓库里的分类也集中在动态图形、解析说明、3D 场景和游戏互动这几个方向。 当然，就像我以前说过的，每一个牛逼的东西出来，GitHub 上总会冒出一个 awesome 开头的项目，这次也不例外。这个叫 Awesome Opus 5.5 Videos 的项目，目前已经收集了 389 条用 Opus 生成视频的提示词，README 里精选了 100 条，每条对应一个不同的提示词，并且每个条目都附上了创作者的原帖链接。 更棒的是，它已经帮我们做好了分类：动态图形设计（Motion graphics）58 条、解析说明（Explainers）16 条、3D 场景（3D scen...

最新 Claude Sonnet 5.5 测评报告来了。统一在 PI 平台上测试，模型通过 OpenRouter 接入，思考模式开到最大。说实在的，测的时候确实开心，一看账单就心凉了——文末给大家看具体花了多少钱。 第一题：强约束指令遵循句子生成测试。 要求生成十个句子，每个句子分别以数字 1 到 10 结尾。检查结果发现，每个句子确实都以目标数字结尾了，但质量参差不齐：第二句和第七句明显是为了硬凑”倒数第二个字不能是’地’”而牺牲了通顺度，其他句子虽然偶有非常用表达，但整体尚可接受。这题 Claude 做到了指令的字面遵循，只是语言自然度有所欠缺。 第二题：鹈鹕土星环骑自行车 SVG 测试。 生成的 SVG 效果整体不错，两只骑车鹈鹕都出现了，土星环也完整。唯一明显问题是转弯处理：用了淡入淡出来掩盖转弯方向突变，而非真实的弧线转向。考虑到 SVG 动画的复杂度，这个表现已经算是相当可以接受。 第三题：复合弓射箭 SVG 测试。 问题比较明显：弓上完全看不到副弦，看起来就像一把普通弓箭；人物姿势也存在”长了两只右手”的视觉歧义——握着弓的手背是朝前的，挡住了弓弦，但拉弓的手...

手头没有强劲显卡、又想本地部署几十上百 B 参数大模型的兄弟，这个开源项目值得看一下——不过有言在先，速度肯定是慢的。它就是 AirLLM，号称 4G 显存就能跑 70B 大模型，目前在 GitHub 上已经攒了 38K 多颗星。前两天分享的 FreeToken 用 4G 显存跑 35B 已经够厉害，AirLLM 更夸张。 用法简单到离谱：pip 装上 airllm，一行代码把 HuggingFace 的模型名传进去，就能在自己的游戏本上跑推理。原理说穿了不复杂——大语言模型由多个 Transformer 构成，每个 Transformer 又分多层，AirLLM 让显存里一次只放一层参数，其他参数躺在硬盘上，用的时候再搬进来。所以显存占用取决于「单层有多大」，而不是模型总大小。 关键在于：不用量化、不用裁剪，精度一点不打折。往上加码也不虚——405B 的 Llama 3.1 用 8G 显存就能跑，671B 的 DeepSeek V3 只要 12G，连 2.8 万亿参数的 Kimi K3 都号称 4G 以内能跑，Mac 上苹果芯片照样能玩。更狠的是，它现在还能在 6G 显存...

用过 Claude Code 的人大概都有这种体验：聊得再久，换个项目它就把你忘干净了。它自带的 auto memory 只是往本地一个 memory.md 里写笔记，上限 200 行，超了直接砍，而且每次开工都要把整个文件原样塞进上下文，谈不上任何检索。开源项目 Hindsight 要解决的就是这些问题，目前已经拿到 39,000 多颗星。 Hindsight 存记忆不是记流水账。它会先把对话里的人物、事件、谁和谁有什么关系都挑出来分门别类存好。等你提问的时候，它从四个方向同时翻账本——意思相近的、带关键词的、人物关系对得上的、时间上对得上的，各查各的再汇总，只把跟当前问题有关的那部分记忆递给 AI，而不是像原方案那样整个文件硬塞。 它对「前后说法变了」的处理也很讲究。比如你上个月说项目用 A 方案，这个月改成 B，它会把新旧说法都留着并标清楚谁先谁后，而不是用新的把旧的直接抹掉。此外还有一步 reflect，让 AI 自己回头归纳，把零散事实沉淀成可以持续更新的心智模型。 安装上也不复杂。官方出了 Claude Code 的 MCP 插件，一条命令装上之后，多个智能体就...

MiniMax M3.1 Flash Preview 的测评报告来了。这个模型的 API 还没有完全放开，只能在他们自家的 MiniMax Code 客户端里用，所以这次只能把客户端下载下来测。之前 PI 上接 M3 测评时表现太差，本来希望这次在专属客户端上能表现好一点，否则真就谁都别赖了。思考模式直接开到最高，用平台送的 800 积分跑我们这套祖传测试用例。 第一题是强约束指令遵循的句子生成测试，情况不太妙：第三到第十句全都没有按 1 到 10 结尾，也就是说只有前面两句对了。第二题是鹈鹕土星环骑自行车的 SVG 测试，先看积分，两道题跑完只剩 430，差不多用掉了一半。效果上，两个鹈鹕骑车同时出现了——这是第一次有模型犯这种指令遵循的错误；转弯也明显不行，根本没有转弯，鹈鹕骑到下方还是倒着走的。 第三题是复合弓射箭 SVG，跑完剩 310 积分。问题不少：上下滑轮是同方向转动的；拉弓时明显能看到箭不在弦上；右手握弓、弓弦却跑到了手背这一边，那左手还怎么拉弓；左手拉弓时，箭又明显在右手外侧，这个拉弓姿势该有多别扭。 第四题是实现一个精美的浏览器内操作系统，差一点点就做完...

这一集测的是 OpenRouter 上刚上线的路由模型 Jev Router。TypeSafe 的 Jev 决策模型之前很火，拿来做大语言模型路由再合适不过，Jev Router 估计就是这么应运而生的——它会根据问题的难易程度，用不同的思考深度把请求路由到对应的模型。 不过开测前先看了眼余额：上次 23 号充的钱，测完 GPT6 和 Claude Opus 5.5 就只剩 2 美刀，不太够。所以这次也顺便指望它能多路由到免费模型。 第一题，强约束指令遵循句子生成。 完成得很快，而且没花钱，应该就是路由到了免费模型——OpenRouter 上之前测评过的 Space Bunny，不过那个模型上次表现就不太行。回看结果确实不行：第三、四、五、六、八、十句都不是从 1 到 10 结尾的，其他句子读起来还算通顺。 第二题，鹈鹕土星环骑自行车 SVG。 这次花了 0.02 刀，路由到的是便宜的 DeepSeek V4.1 Flash。从这个回答速度看，Jev Router 应该没给它太高的思考深度。效果上整体结构还可以，就是转弯没处理好，到了上方变成倒着骑行。 第三题，复合弓射箭 ...