AI产品狙击手

这期还是穷测，测的是海外现在最火的开源视频模型 LTX-2.5。它号称对标 MiniMax H3，所以我们就拿同一套六维鹈鹕骑车测试来考它——只用一条 5 秒提示词，却把六个互相独立的难点压进同一个镜头，靠提示词的密度而不是样本量来拉开模型之间的差距。 测试用例的设定是：黄金时刻的弧形滨海步道，一只成年鹈鹕骑着复古自行车沿弧线前行，左翅膀扶车把、右翅膀举手机对着镜面护墙自拍，喙叼着倾斜的玻璃瓶往车篮的玻璃碗里滴水，护墙上固定着中文横幅和显示 3 点 45 分的复古挂钟。 逐条看下来： 主体完整性与跨帧一致性：画面里出现了多个挂钟；横幅没有见到，文字是刷在墙上的；鹈鹕本该叼着的玻璃瓶没有；自行车不该少的反射镜也没看到。 肢体与机械推理：鹈鹕加上嘴的形状，怎么看都更像只鸭子；手机位置错了，应该由右翅膀拿着；左翅膀本应扶着车把，实际一开始是右翅膀扶着，然后收回去，之后就再没有任何翅膀扶着车把了。 多层镜面空间推理：镜面护墙要求反射完整主体，这里只看到鹈鹕上半部分，自行车基本看不到。又因为拍摄角度，而且鹈鹕并没有拿着手机自拍，手机取景器根本看不到。 中文文本与时钟渲染：横幅没有，...

千问办公里有一个叫「Icon 生成器」的图标生成 Skill，它干的事一句话就能说明白：把「帮我做个 App 图标」这句话，直接变成两张能上架的成品，20 多种风格随便挑。 用法也很简单。在对话框里说清楚你的 App 叫什么、干嘛用的，再从极简、黏土、3D、毛玻璃、霓虹这些风格里点一个，它就按 1:1 出图，一次给你两版不同构图。 你可能会问，那我直接用即梦画不行吗？通用文生图给你的是一张好看的图，不是一枚能用的图标——背景给你添渐变、主体歪成 3D 视角、还非要配俩字，而这些恰恰是上架时最要命的三件事。这个 Skill 最狠的一点，是把图标规范直接焊进了提示词：纯白背景、正面视角、无文字、居中留安全区，所以即使缩小到 favicon 尺寸也认得出来，不用你反复抽卡去对抗它的自由发挥。 我自己最喜欢的是 Surprise Me 模式——不知道要什么风格，就让它按产品类型推，两个方向各出一张：工具类给你极简，儿童教育给你黏土。 做独立开发、做个人品牌、手头图标一直拿不出手的朋友，现在就去拿你最难看的那枚图标试一张，你就知道它和你在即梦里抽 20 次卡的效果差在哪了。 访问入...

有人把 67.5 万张命盘、204 亿字的解读数据全部开源了。这套 ziwei-doushu 在 GitHub 上这两天正在冲趋势榜，一天涨了快 500 颗星——仓库 5 个多月前才建，现在已经有 7000 多颗星，代码走 MIT 协议。 它做的是一套紫微斗数排盘引擎：填上出生年月日时、性别和出生地，十二宫、四化、大限、流年、格局就全给你排出来。排盘最怕的是时辰和出生地不准，这个项目在口径上做了不少功夫——按出生地计算真太阳时，1986 到 1991 年的夏令时自动扣除，闰月的四种口径可以随便切，晚子时换日是一个开关，连亮度的流派差异也做成了可选项，而不是写死某一派。 开源的解读数据按年份拆成 77 个文件，解压后 56.6GB，压缩完 161MB，用哪个年份就下哪个，不必全量拉下来。仓库里还收了倪海厦的 1848 条原话，每条都标着第几集、第几分、第几秒，可以直接回放对照；另有 3 本古籍原文一并收录。 跑起来很简单：git clone 之后 npm install、npm run dev，排盘全部在浏览器里完成，不需要任何 API Key。想直接用的，线上站点 meti...

应粉丝要求，这期测 IndexTTS 2.5 的语音生成能力。它是开源模型，所以直接在 Hugging Face 上跑，没有经过任何闭源平台。 第一题：克隆音色与参考音频一致性。 先放我的原音频，再听克隆后读同一段文字（OpenAI 发布 O3、O4 mini 那段）。整体还是能听出跟原音的区别，而且这次连内容都出错——「O3」的 3 没读出来，「O4 mini」读成了「o 和 o minni」，「go through」读成了「过思路」。 第二题：复杂符号、歧义数字与技术格式。 这题的问题更密集，翘舌音也明显比原音重，测评者自己的原话是「我翘舌音没有那么重的」。逐条对下来：①2026 年被读成「2,026 年」，不如直接读「二零二六年」地道；②3:45 没读对；③座机 138001 没读对；④邮箱 kevin_zhu@techgogogo.co ...

昨天刚测完豆包 TTS 2.0，今天轮到 MiniMax Speech 2.8 HD。同样是 6 个 case——克隆一致性、符号与数字、多音字古音、跨语言、音效标记、粤语方言，一路测下来看它能不能把豆包比下去。 第一题：克隆音色与参考音频一致性。 先放我的原音频，再让模型用克隆出来的音色读同一段文字（OpenAI 发布 O3、O4 mini 那段）。听感上差异还是听得出来，不像豆包那样几乎分不出真假，这一项 MiniMax 落了下风。 第二题：复杂符号、歧义数字与技术格式。 日期、座机、邮箱、版本号、λ=0.47、￥3.45、90 token/s、-5.5℃、CPU ≤ 98%、湿度阈值 30%~40%，全都得读准。结果问题不少：邮箱里的 techgogogo 读成了「太狗狗狗」，少了一个 go；GB 被念成「吉字节」（不能说错，但业内一般直接念 GB）；λ 的英文读音太中式；token/s 念成「token 除以 s」而不是「token 每秒」；macOS 的读法也怪。 第三题：多音字、生僻古音与轻声儿化。 尉迟、龟兹、无射、阏氏、大月氏、...

新鲜出炉的 Kimi K3.1 Pro 测评报告来了。这次直接通过官方 API 接入 pi agent，思考深度拉到 Max，一共跑了六道题。先说结论：大部分题目的完成度相当高，只有最后一题翻车了。至于钱包 —— 这次测评总共花了 23 元左右。 第一题：强约束指令遵循。 要求句子生成的结尾依次是 1 到 10，检查是否通顺 —— 全部都是通顺的。 第二题：鹈鹕骑自行车绕土星环的 SVG。 效果可以，转弯没有问题，鹈鹕和自行车的结构也没看出什么大毛病。两个小瑕疵：一是自行车没有挡住另一只脚，感觉两只脚都在同一边踩；二是土星下方穿帮了，土星环应该在土星图层上方。 第三题：复合弓射箭 SVG。 整体真的是个很棒的实现。两个小问题：箭羽反了；平射出去的箭突然往上蹿。 第四题：实现一个精美的浏览器操作系统。 UI 看上去不错，这些 widgets、桌面背景和布局都比较喜欢。右上角弹窗功能没有问题，只是日历的日期高亮不该用椭圆，这是个不好的设计；Dock 栏应用的功能也都没有问题。压轴的太空射击游戏画面不错，3D 感也出来了，上下左右按键都能控制，挑不出什么毛病。 第五题：实现一个 ...

大语言模型、生图模型、视频生成模型的测评 benchmarks 我们都做过了，还差语音生成模型和语音解析模型，这块基本补全。这次先把语音生成的部分补上——同样是 6 个 cases，从不同维度来测评每个语音生成模型的能力。第一个上刀的是豆包最新的豆包 TTS 2.0。完整题面和后续模型的横向对比，可以看语音合成模型测评专页。 第一题：克隆音色与参考音频一致性。 先放我的原音频，再放克隆后读同一段文字的效果——说实话，基本听不出和原音频有什么差别，挺棒的。唯一的瑕疵在英文术语上：「O4 Mini」被念成了「O4 命令」。 第二题：复杂符号、歧义数字与技术格式识别。 整体不错，但有两个小问题：一是「订阅费 3.45」前面的「元」符号没有生成；二是「速度 90 tokens」念成了 token 每秒之外的意思，单位不对。 第三题：多音字、生僻古音与轻声儿化。 这道题翻车比较明显，一共有 6 个地方读错了，大家可以对着题面认真对一对。 第四题：跨语言切换与外来人名。 英文人名读错了，中英日切换和英文长句的其他部分都还好。 第五题：音效标记控制。 这个模型的控制词格式是这样的，但非常...

这次直接在谷歌 AI Studio 上测，设置好对应参数然后生成，再逐个维度看结果。 维度一 主体完整性与跨帧一致性：少了鹈鹕嘴上叼着的那只倾斜玻璃瓶；筷子本该只有一根，它这里是两根。 维度二 肢体与机械推理：提示词写明左翅膀要扶着车把，视频里没有。 维度三 多层镜面空间推理：问题最集中的一维。从手机取景器的内容看，用的不是后置摄像头对着玻璃墙自拍；实景中倒后镜在左边，镜子里却在右边，还和实景中的铃铛跑到了同一侧；镜子里单车链和车链盖子跟实景也是反的；最明显的是实景车子确实在往前走，镜子里却是原地踏步。 维度四 中文文本与时钟渲染：时钟的指针位置不是 3 点 45 分，横幅里面的「鹈鹕」两个字也写错了。 维度五 液体与折射物理：提示词要求自行车前面玻璃碗的水满到快溢出来，这里明显不是。 维度六 运镜、构图与光影：光影等没有问题，但骑行方向有问题。提示词要求成年鹈鹕骑复古自行车沿平缓弧线向前骑行，它却是向着镜子骑行的——这很明显是为了满足在这个机位能看全提示词所需要的物件而调整的，正确的拍摄角度应该是把摄像机放在右边来拍，这样既能看到鹈鹕正常往前骑行，又能看到完整的镜面反射。...

在这个各种 AI 编程工具和模型层出不穷的时代，今天给大家推荐一款必须尽快用起来的开源本地 AI 网关——Magpie。它的核心理念非常直接：在你本机启动一个高性能网关，把你手头上所有的 API Key、登录中的平台订阅账号以及各大模型厂商赠送的免费额度全部接入并集中托管，让手头的各种 AI 编程 Agent 能够毫无阻碍地共享调用这些模型。 有了 Magpie，多 Agent 协同切换模型变得极其丝滑。比如你在 Claude Code 里想随时调用 Kimi 就调 Kimi，在 Codex 里想切 DeepSeek 就切 DeepSeek，只需在配置里点两下就能即刻生效。项目在 GitHub 开源仅一个月左右，就已经迅速斩获了 18,000+ 颗 Star，受到了全球开发者的高度关注。 对于喜欢高效利用各种模型资源和薅羊毛的开发者来说，Magpie 的体验尤为惊艳。你在 OpenCode 里已经配置好的 API Key，Magpie 能直接提取并无缝导入到 Claude Code 中，转头就能在另一边直接使用对应模型。如果你在同一个厂商手里储备了多个账号，当其中一个账号的...

上一集预告了 OpenGCUA 的实操教程，这一期直接上手。OpenGCUA 是阿里通义开源的通用计算机操作智能体框架，可以用相对最小的 token 消耗去控制手机和电脑（上一集回顾）。 安装很简单。打开 GitHub 上对应的开源项目，把仓库地址复制下来，然后打开你用得顺手的 harness——我平时在 AI 办公上用千问办公——把链接直接丢给它，让它帮忙安装，不用多久就会装完。 装好之后要配置大语言模型。打开安装目录，我这里配的是 DeepSeek，于是用 vim 之类的编辑器打开 packages/harness/configs 下的 local.json 文件，照着我这份配置文件填好自己想用的大模型就行。不知道怎么配的直接问你正在用的 harness，让它帮你配。 配置完执行命令启动 Web UI 服务，它默认在 8800 端口打开，用浏览器访问这个端口就可以开始玩了。界面左边能看到它可以控制手机和电脑等设备，右边直接输入提示词让它干活。 第一个演示是文件分类。我准备了一个塞满杂乱内容的文件夹，如果按传统 computer use 的做法，它得一...