AI产品狙击手

美团的 LongCat 2.5 正式版终于上线了，赶紧跑下 Benchmark 看下有没有进步！还是在 pi agent 上接入，思考模式也参考官方文档拉到最大。 第一题，强约束指令遵循句子生成测试。先检查下结尾是不是都是从 1 到 10 结尾的，这个条件满足。看下句子是否通顺，第 7 明显不通顺；第 2 句语义有问题，忠贞不二一般是说爱情的，很少见到用来形容友谊的。 第二题，鹈鹕土星环骑自行车 SVG 测试。大家看效果，卧槽！第一反应我是有看 86 版西游记的感觉，以前特技没有那么好，所以孙悟空腾云驾雾的时候就类似这种突然缩小再放大一个筋斗云上天。这个实现肯定不行嘛，转弯也是一团糟，到了下方甚至上下颠倒了。鹈鹕的嘴也有点问题。 第三题，复合弓射箭 SVG 测试。好几个问题：首先，弓箭都没有射到靶心，走到一半就掉了，这是第一次看到实现成这样的；第二，复合弓上下滑轮明显是同方向转动的；第三，弓箭的箭羽是反的；第四，弓箭没有搭在箭台，明显往上飘移；第五，小人的手画的感觉长在身体同一边了，两个肩膀处稍微分开点都不至于这么突兀了。 第四题，实现个精美浏览器操作系统。这里有个问题，我...

OpenCode 背后的团队开源了一个语音输入工具 Hex：按住快捷键说话，松手，文字就直接出现在你正在用的任何软件里。Mac、Windows、Linux 三端都支持，稳定版刚发没几天，GitHub 上已经 3,000 多颗星，光今天一天就涨了 1,000 多。 用法基本没有学习成本。在 Mac 上按住 Option 键说一句，松手，刚才那段话就原封不动粘进微信对话框，或者粘进正在写的代码注释里，不需要切窗口、也不需要复制粘贴。 识别全程在本地跑。语音模型只在第一次启动时下载，之后你说的话一个字节都不出电脑，平替的就是那个收费的 Wispr Flow。写代码的时候直接念 prompt，也比一个字一个字敲快多了。 这项目还有个挺好玩的地方：代码提交不收 PR，bug 全是自家 agent 在修；代码是 MIT 协议，随便商用。每天回消息回到手酸、写文档写到手抽筋的兄弟，建议去官网下一个装上，明天开会试着用它记笔记，用过你就回不去了。 访问入口

新鲜出炉的蚂蚁百灵 Ling 3.1 Flash 1019 测评报告来了。这个模型前两天已经在 HuggingFace 上开源，但本地没有条件部署这么大的模型，官方也一直没有正式宣布切换到这一版；今天是听粉丝说 CommandCode 上线了，才赶紧在 Pi Agent 上接入，同时把思考深度拉到最高，万事俱备开测。 第一题是强约束指令遵循的句子生成，要求每句话都以 1 到 10 的数字结尾，再看句子是否通顺。结果真正勉强通顺的只有第 1 句和第 7 句，而且都算不上非常通顺；其余句子基本是靠去掉最后的单位，才勉强满足「以数字结尾」这个约束。 第二题是鹈鹕在土星环上骑自行车的 SVG，效果感觉不太行。首先转弯明显不行，跑到下方就开始倒着骑；其次土星环跑道也不对；第三，自行车没有挡住鹈鹕，另一只脚明显和这只脚在同一边；第四，脚和脚踏融在了一起。 第三题复合弓射箭 SVG 同样问题不少：上下两个滑轮转动方向相同；拉弓的时候弓是平的，一放手箭却突然往上飞，不符合物理规律；箭羽怎么看都是反的；小人的头和身体离得也太远——明知道是 SVG，断开一点点还能接受，但这个距离实在夸张，又不...

Grok Imagine Image 2.0，xAI 最新的图片生成模型，测评报告来了。这两天我们刚更新了生图 Benchmark，迫不及待把各大厂家的最新模型都拉过来测一遍 —— 六道题分别是中文长文本排版、文生图综合能力、同一角色多视角一致性、物理常识、饼图生成，以及参考图编辑。视频最后还会告诉大家这次测评一共花了多少钱。 第一题，中文长文本排版支持测试：水彩风珠海 5 天行程插画。 我看了下所有中文字，除了「鹈鹕」两个字写错，其他没有看到什么问题。 第二题，文生图综合能力测试：书房里丰满优雅的美甲美女。 整体画风不错，三个杯子、时钟时间都没有问题。问题在指甲油：提示词要求一只手食指指甲油是红色，这里没有看到；另一只手中指应该是白底红点波点，它却做成了无名指，而且两只手都做了。另外这个女孩本身也没有提示词要求的那么丰满。 第三题，同一角色多视角一致性测试：女孩四宫格的不同角度。 四个角度里的人物、手部动作、发夹位置和颜色、logo 都没有问题；唯一的问题是左下角那张图里蓝莓在女孩右手边，而其他几张都在左手边。 第四题，物理常识题：女孩对着落地镜自拍。 几个问题 —— 首...

Grok Imagine Video 1.5，xAI 最新的视频生成模型，这次我们拿它跑了本站视频 Benchmark 的那条「六维鹈鹕骑车」测试：只用一条 5 秒提示词，黄金时刻的弧形滨海步道，一只鹈鹕骑着复古自行车，内侧是一整面无缺口、无横杆、不间断落地的高反射镜面护墙，墙顶窄条上并排固定着「2026 珠海淇澳红树林自行车赛」横幅和指向 3:00 的复古挂钟，镜头从海上侧前方 45° 高位俯视起步、匀速平滑降到近水平位再向后平移跟拍。六个维度，全都压在这同一个镜头里考。 第一个维度，主体完整性与跨帧一致性。 镜面一开始是弧形的，之后才变成一整片完整的墙，再往后左边那部分又拉开了，形态反复横跳，跨帧一致性很有问题；另外自行车缺少后视镜。 第二个维度，肢体与机械推理。 提示词要求左翅膀搭在车把上、另一只收拢，画面里鹈鹕双翼却是全部张开的，姿态不符合要求；自行车中间那条斜杠还穿过了上面的横杆，机械结构不合理。 第三个维度，镜面反射与空间推理，问题最多。 一开始镜面里的自行车是缩成一团的，鹈鹕和自行车的朝向跟实景也是反的；镜中和实景里鹈鹕脚的动作对应关系同样是反的；自行车链条和...

腾讯混元这个新开源的世界模型 Hy-Nomas，能把一句话变成一个能进去逛的 3D 世界。键盘上的 WASD 就能进行各种控制：只要打开官网的 demo，输入一句「企鹅骑飞毯飞行」或者「雪豹布达拉宫前漫步」之类的，它就生成一段能实时交互的视频。 你往前走，画面就往前长，中途还能打字改剧情——比如让天上突然下雪，让路边冒出一个机器人，画面都不会崩。最难得的是它记性好：你前面在路上放了一只猫，走出半条街再回头，它还蹲在原地。这就是世界模型和普通文生视频最大的区别。 硬件门槛也不高，单张 4090 就能跑，ComfyUI 和 SGLang 都已经接上了，国外已经有人把它搬上谷歌 TPU，跑出了实时 720p。代码采用 Apache 2.0 协议，允许商用，还开放了 LoRA 微调，拿自己的视频素材就能训一个专属世界。 做 AI 视频或者游戏原型的兄弟，建议先去官网 demo 白嫖一把，用键盘在自己生成的世界里逛上两分钟，你就明白世界模型和普通文生视频差在哪了。 访问入口

Riverflow V2.7 Pro 图片生成模型测评报告来了。这是个英国团队的小众模型，我之前没有听说过，本来看到 OpenRouter 刚上线，跑了个用例随便测了下，发现竟然把鹈鹕的「鹈」字给做出来了，所以干脆做了一轮完整测评，最后给大家看下花了多少钱。 第一题：中文长文本排版支持测试。 水彩风珠海 5 天行程插画。整个画风我觉得挺可爱的，我看了下所有中文字，除了鹈鹕的「鹕」字错了，其他没有看到什么问题。一个外国模型能做到这种程度，确实让我大吃一惊，因为很多国内顶尖的模型都做不到。 第二题：文生图综合能力测试。 书房丰满优雅美甲美女。整体画风也不错，三个杯子没有问题。但指甲油这里有点问题：提示词要求一只手食指指甲油红色，它做成了无名指；另外一只手中指的白底红点波点，它也让无名指做了。还有就是时钟三点钟基本是对的，只是时针感觉稍微过了三点钟一点点。 第三题：同一角色多视角一致性测试。 四个角度的人物、手部动作、发夹位置和颜色、logo 都没有问题。唯一的问题是左下角那张里蓝莓的位置在女孩右手边，而其他几张是在左手边的。 第四题：物理常识题。 女孩落地镜自拍，几个问题：首先...

混元 HY-Video-1.5，也就是开源的 HunyuanVideo 1.5，视频生成模型的六维鹈鹕骑车实测报告来了。我们之前测评过 Seedance 2.5、MiniMax H3 等模型，这次因为粉丝说 V1.0 版本的测试用例太难，所以把 Benchmark 调低了一档难度：去掉迄今没有任何模型做对过的「鹈鹕」二字文字生成，去掉鹈鹕叼着滴水的玻璃瓶，去掉筷子折射，换成小黄鸭漂浮在玻璃碗中；时钟难度也调低，改成时间 3 点整；运镜同样调整，增加了俯拍到水平跟拍的过渡。 先看整体效果，一眼看上去就比之前测评过的模型差好多，画面也比较模糊。虽然这是 720P，但也不至于如此——之所以选 720P，是因为 TokenHub 上最高就只能选这个档位。 第一个维度，主体完整性与跨帧一致性：护墙被做成了带横杆的低矮栏杆，而不是提示词要求的、高度达到鹈鹕加自行车总高 3 倍的整面落地镜面护墙；车把上的后视镜也缺了；鹈鹕的脚和自行车脚踏连在了一起。 第二个维度，肢体与机械推理：提示词说左翅膀要搭在车把上、另一只收拢，但画面里鹈鹕翅膀的姿态不符合要求；也正因为没有扶着车把，骑行重心当然也...

手机上直接跑 DeepSeek Harness，兄弟们，这个叫 DSH Go 的开源项目已经把它塞进 Android 手机，GitHub 上揽了 500 多颗星。第三方作者做的非官方客户端，跑的却是正主引擎。 装好 APK 打开二选一，要么在 App 里装内置的 Linux 环境，免 Root 也不用另下 Termux，AI agent 就在手机上跑起来；要么走 SSH 连电脑或服务器上的 DSH，配好自己的模型和密钥就能开干。 比如通勤路上让 AI 接着改昨天没改完的 bug，出差时遥控电脑上的 DSH 整理文件跑脚本。回复中途还能插话，干完的活自动折叠成一行。 最有意思的是手机操控，开权限后 AI 能看屏幕帮你点帮你填，碰到付款、密码、验证码它一律停手交还给人。 代码开源，主仓 AGPL-3.0，SDK 和示例是 MIT。玩 AI 编码 agent 的兄弟不妨先下个 APK，把电脑上天天用的那条 SSH 连进来，手机跑个任务感受下。 访问入口

Qwen Image 3.0 测评报告来了。同时这次 benchmark 做了调整，升级到 V1.4 —— 最近收到大量反馈说 1.3 版本的测试用例太难了，所以这次难度整体往下调了一点，等模型能力今后都上来了，再重启 1.3 版本。 第一题：中文长文本排版支持测试。 水彩风珠海 5 天行程插画。看下来所有中文字都没有什么问题，连最难的「鹈鹕」两个字都做对了。 第二题：文生图综合能力测试。 书房丰满优雅美甲美女。整体画风还可以，挂钟时间这次是对的，三个杯子也没有问题。但指甲油这里有点问题：提示词要求一只手食指指甲油是红色，它做成了无名指；另外一只手中指的白底红点波点，它两只手都做了。然后就是感觉没有那么丰满，其他没有看到什么问题。 第三题：同一角色多视角一致性测试。 四个角度的人物、手部动作、发夹的位置和颜色、logo、草莓方向等都没有问题，这一题全对。 第四题：物理常识题。 女孩落地镜自拍 —— 镜子里的手机是反的，其他没有问题。 第五题：饼图图表生成测试。 两个问题：D 品牌和其他品牌合到一起去了；A 品牌和其他品牌的颜色没有区分开。 第六题：参考图和图片编辑。 男生位...