作者: hiyoho

  • 简约孔版印刷云朵微缩模型风格

    简约孔版印刷云朵微缩模型风格

    简约孔版印刷云朵微缩模型风格



    🤖 ChatGPT

    🇺🇸 English Prompt

    2x2 grid, 16:9, do this for  4 famous days that made humans proud    MEDIUM: Hybrid of risograph-style editorial drawing and soft miniature 3D diorama.   MATERIAL: Grainy wax-pencil or crayon-like linework layered over soft matte sculptural forms, foam-like terrain, plush cloud masses, and smooth pastel objects.   SURFACE: Printed-paper grain, speckled ink texture, soft matte 3D surfaces, subtle tactile bloom, no realism.   GEOMETRY: Simplified rounded silhouettes, pill-like forms, gentle contours, small clustered details, and miniature landscape logic.   COLOR: Restrained pastel palette with cobalt or ultramarine linework paired with pale mint, aqua, cream, blush, lavender, and soft peach accents.   LIGHTING: Bright diffuse daylight or studio-soft illumination with minimal contrast and calm gentle shadows.   COMPOSITION: Clean open breathing room, clear main silhouette, soft environmental staging, and selective miniature details.   MOOD: Quiet, airy, intimate, whimsical, modern, editorial, and serene.          - Preserve the subject’s identity, but reinterpret it as a simplified pastel diorama with hand-drawn risograph line accents.   - Convert large forms into soft sculptural masses, rounded terrain-like shapes, and miniature set-piece volumes.   - Overlay edges, contours, and internal detail with grainy printed linework, sketchy outlines, and risograph-like texture.   - Reinterpret repeated small details as tiny clustered elements, miniature trees, props, vessels, ornaments, or small environmental fragments.   - Convert realistic texture into a combination of matte pastel volume and printed-paper grain.   - Simplify complex surfaces into clean 3D shapes, then describe them with sparse expressive drawing marks.   - Convert atmosphere, smoke, foliage, fur, clouds, or dense texture into puffy clustered forms, soft foam-like masses, or tiny rounded relief elements.   - Keep the composition minimal and spacious, allowing the main subject to float in calm negative space.          - Favor rounded hills, cylinders, capsules, soft cones, bulbous clusters, and gently curved silhouettes.   - Keep forms simplified and toy-like, but more poetic than cute.   - Use small repetitive motifs to suggest ecosystems, interiors, or micro-world structure.   - Let linework remain loose, grainy, and selective rather than fully descriptive.          - Use one dominant graphic line color for outlines and accents.   - Keep surfaces matte and softly lit.   - Allow visible print-grain or pencil-rub texture.   - Avoid photoreal detail and avoid harsh shadows.   - Make the image feel like a crossover between editorial print art and a handcrafted miniature world.          - Dreamy risograph-meets-diorama look.   - Soft pastel sculptural space with graphic printed linework.   - Minimal, elegant, whimsical, and highly design-forward.          - Avoid realism, glossy plastic, hard metallic texture, or gritty contrast.   - Avoid visual clutter or over-dense detail.   - Avoid saturated neon.    }

    🇨🇳 中文提示词

    2x2网格,16:9,为4个人类引以为豪的著名日子制作这个  媒介:孔版印刷风格的社论插画与柔软微缩3D透视模型的混合。 材料:颗粒状蜡笔或类蜡笔的线条,叠加在柔软的哑光雕塑形式、泡沫状地形、蓬松的云块和光滑的柔和色彩物体上。 表面:印制纸张颗粒、斑点墨水纹理、柔软的哑光3D表面、微妙的触感晕染,无现实感。 几何:简化的圆润轮廓、药丸状形式、平缓的轮廓、微小的集群细节和微缩景观逻辑。 颜色:克制的柔和色调,带有钴蓝或群青线条,搭配淡薄荷色、水蓝色、奶油色、腮红色、薰衣草色和柔和的桃色点缀。 光照:明亮的弥散日光或工作室柔和照明,对比度极低,阴影平静温和。 构图:干净开阔的呼吸空间,清晰的主体轮廓,柔软的环境布置和选择性的微缩细节。 氛围:安静、轻快、亲密、异想天开、现代、社论风格且宁静。   - 保留主体的身份,但将其重新解释为带有手绘孔版印刷线条点缀的简化柔和色调透视模型。 - 将大型形式转换为柔软的雕塑块、圆润的类地形形状和微缩场景体积。 - 在边缘、轮廓和内部细节上叠加颗粒状的印制线条、素描轮廓和类孔版印刷纹理。 - 将重复的小细节重新解释为微小的集群元素、微缩树木、道具、容器、装饰品或小的环境碎片。 - 将真实纹理转换为哑光柔和体积与印制纸颗粒的结合。 - 将复杂的表面简化为干净的3D形状,然后用稀疏且富有表现力的绘图痕迹来描述它们。 - 将大气、烟雾、树叶、皮毛、云朵或密集的纹理转换为蓬松的集群形式、柔软的泡沫状块或微小的圆润浮雕元素。 - 保持构图极简且宽敞,让主体漂浮在平静的负空间中。   - 偏好圆润的丘陵、圆柱体、胶囊体、柔软的圆锥体、球状集群和平缓弯曲的轮廓。 - 保持形式简化且像玩具一样,但比可爱更具诗意。 - 使用微小的重复图案来暗示生态系统、室内装饰或微观世界结构。 - 让线条保持松散、颗粒状且有选择性,而不是完全描述性的。   - 使用一种主导的图形线条颜色用于轮廓和点缀。 - 保持表面哑光且光线柔和。 - 允许可见的印刷颗粒或铅笔擦痕纹理。 - 避免照片级真实的细节,避免生硬的阴影。 - 让图像感觉像是社论印刷艺术与手工微缩世界的跨界结合。   - 梦幻的孔版印刷遇上透视模型的外观。 - 带有图形印制线条的柔软柔和色彩雕塑空间。 - 极简、优雅、异想天开且高度设计感。   - 避免现实主义、光泽塑料、坚硬的金属纹理或砂砾感的对比。 - 避免视觉杂乱或过度密集的细节。 - 避免饱和霓虹色。 
  • 低机位S型曲线猫爪手势视觉构图

    低机位S型曲线猫爪手势视觉构图

    低机位S型曲线猫爪手势视觉构图



    🤖 ChatGPT

    🇺🇸 English Prompt

    Between a slightly low angle and eye level, preserving the perspective stretch brought by the foreground soles and long legs; the body is in an S-shaped dynamic curve, the upper body leans forward and twists, hips pushed out to the right side of the frame, one leg stretching forward and downward significantly, the other leg bent and tucked back, both hands making cat paw gestures, one hand close to the corner of the mouth and side of the face, the other hand extending toward the bottom left of the frame; playful expression, eyes slightly squinted, corners of the mouth turned up, hair strands obscuring one side of the face

    🇨🇳 中文提示词

    轻微低机位到平视之间,保留前景鞋底和长腿带来的透视拉伸;身体呈 S 型动态曲线,上身前倾扭转,髋部向画面右侧推出,一条腿大幅前伸下落,另一条腿弯曲后收,双手做猫爪式手势,一只手靠近嘴角和脸侧,另一只手向画面左下方伸出;表情俏皮,眼睛略眯,嘴角上扬,发丝遮挡一侧脸部
  • 谷歌把图像生成提速了,4秒钟出图,价格打到几乎是白送

    谷歌把图像生成提速了,4秒钟出图,价格打到几乎是白送

    Google Nano Banana 2 Lite
    Google发布Nano Banana 2 Lite,图像生成速度和价格都有大幅提升(图:Google)

    做图这件事,以前是设计师的活,后来变成了会写提示词的人就能干,现在谷歌想让它变得更便宜、更快——快到你还没想好下一句提示词,图已经出来了。

    Nano Banana 2 Lite,这个名字听起来像是个零食,实际上是谷歌最新发布的AI图像生成模型。它比上一代快了不少,官方说法是4秒钟能出一张图。价格更是低到有点夸张:每生成1000张图,收费0.034美元。摊到每张图上,差不多是人民币两分多钱。

    谷歌对这个模型的定位很清晰:如果你需要大量生成图片、快速迭代想法,Nano Banana 2 Lite就是给你准备的。

    香蕉系列的前世今生

    Nano Banana这个牌子,是去年夏天第一次亮相的,当时跑的是Gemini 3.1 Flash。今年2月,谷歌又推出了Nano Banana 2,加了更真实的图像生成能力。现在这个Lite版本,就是在2代的基础上往”快”和”便宜”两个方向继续推。

    谷歌现在把Nano Banana称作”传统模型”了,主推的就是这个Lite版本。另外还有一个Nano Banana Pro,功能更强,价格也更贵,面向的是那种对图像质量有更高要求的高级用例。

    现在Nano Banana 2 Lite已经可以在Google AI Studio、Gemini API,还有Gemini Enterprise Agent Platform上用到了。

    AI生成图像这事儿,争议一直没停过

    模型迭代得再快,外界对AI生成图像的质疑也没少过。TikTok上有60%的视频内容已经是AI生成的”垃圾内容”,YouTube上也有21%。观众并不是每次都能接受自己看的内容是AI做出来的。

    但谷歌显然不打算停下来。他们最近还跟独立电影公司A24签了一个7500万美元的合作协议——这事在影迷圈子里炸了锅,很多人觉得A24″背叛了艺术”。A24不得不出来解释,说他们想主导用什么样的工具来辅助艺术家,而不是把创作完全交给AI。


    同一天,谷歌还 wider release了Gemini Omni Flash——这个模型能把图片、音频和文字转成视频。视频输出收费是每秒0.10美元。他们还演示了一个叫Omni Product Studio的demo应用,能把静态图片转成”电影级电商视频”。

    谷歌在博客里是这么说的:”用生成式媒体做创作,本质上就是一个不断迭代的过程。有了这两个模型,开发者可以搭建完整的端到端多媒体体验,把快速图像生成和视频制作编辑连在一起。”

    话是这么说,但最终这些工具生成出来的内容到底是不是”slop”,可能还得用户自己判断。

  • Cloudflare打响第一枪:AI公司爬内容,得先付钱

    Cloudflare打响第一枪:AI公司爬内容,得先付钱

    Cloudflare AI内容保护
    Cloudflare推出新政策,要求AI公司为其爬虫访问出版商内容付费(图:Cloudflare)

    互联网上超过一半的流量现在已经不是人在访问,而是机器人在跑。这个里程碑刚被跨过,Cloudflare就坐不住了。

    2026年9月15日起,Cloudflare要把”混合用途”爬虫挡在门外——至少那些带广告的页面默认不再让这些爬虫进来了。啥叫”混合用途”爬虫?就是那些既用来做搜索索引、又用来训练AI模型的爬虫。Cloudflare说得挺直接:你得把搜索和AI训练用的爬虫分开,别想着一次爬取、多处复用。

    Cloudflare联合创始人兼CEO Matthew Prince说得很明白:”现在互联网上大部分流量已经不是人类产生的了,我们必须更快行动,才能让这个生态活得下去。”

    谷歌被点名了

    Cloudflare在公告里没点名,但大家都看得出来——”全球最大的搜索引擎”指的就是谷歌。Cloudflare说这家搜索巨头能访问的内容量,比其他AI公司多了约两倍,原因很简单:谷歌让网站主很难在”被搜索到”和”不被AI用来训练”之间做选择。

    谷歌当然不认这个账。他们说自己提供了Google Extended这个爬虫标识,网站主可以用它来选择退出AI训练。但问题是,谷歌的主力爬虫Googlebot是给搜索用的,而搜索里现在也塞进了AI Overview和AI Mode——你就算挡了Google Extended,Googlebot该爬的还是照爬,而你的内容就可能被拿去喂AI了。

    这才是Cloudflare要动真格的原因。网站主想要被搜索到,但也不想自己的内容被免费拿去训练AI模型。这两个需求之间,谷歌没有给出一个干净的解决方案。

    从”按次收费”到”按价值收费”

    Cloudflare之前就搞过一个叫Pay Per Crawl的东西,让网站主可以向AI爬虫收费。现在这个机制进化成了”Pay Per Use”——不只是爬取的时候收钱,而是当你的内容真的给AI公司创造了价值,才来收费。

    目前已经有两个合作伙伴接入了这个体系:Ceramic.ai和You.com。出版商可以选择加入,然后当他们的内容出现在Ceramic的AI搜索结果里,或者被You.com访问到的时候,就能拿到分成。


    还有一个挺有意思的数据:Cloudflare发现,AI爬虫的流量里,有超过50%是在重新抓取没有变化的页面。这对出版商来说等于白白消耗带宽和计算资源,而Cloudflare的新政策至少能让这部分浪费少一点。

    9月15日这个deadline距离现在还有两个多月。AI公司要是还想继续爬那些带广告的页面,要么把爬虫分开,要么就得准备好付钱了。

  • ai-hedge-fund:让19位投资大师的AI Agent帮你分析股票,45K+Stars开源AI对冲基金模拟

    ai-hedge-fund:让19位投资大师的AI Agent帮你分析股票,45K+Stars开源AI对冲基金模拟

    🤖 ai-hedge-fund:让 19 位投资大师的 AI Agent 帮你分析股票

    开源 AI 对冲基金团队模拟,用多智能体协作探索量化投资
    MIT 开源
    45K+ Stars
    Python
    多智能体

    📌 项目简介

    ai-hedge-fund 是一个 AI 驱动的对冲基金概念验证项目,由 Virat Singh(virattt)开发。

    项目的核心创意令人拍案:把华尔街最顶尖的 13 位投资大师「人格」训练成 AI Agent,再配上 6 个专业分析 Agent,共同组成一个虚拟对冲基金团队,对指定股票进行多维度分析和决策模拟。

    ⚠️ 重要声明:本项目仅用于教育和研究目的,不应用于实际交易或投资,也不提供任何投资建议。

    🖼️ 项目架构示意图

    ai-hedge-fund Logo

    ai-hedge-fund 项目 Logo(如无法显示请访问 GitHub 仓库)

    ⚙️ 安装要求和过程

    环境要求

    • Python 3.10+
    • Poetry(依赖管理工具)
    • 至少一个 LLM 的 API 密钥(OpenAI / Groq / Anthropic / DeepSeek 等)
    • 金融数据 API 密钥(FINANCIAL_DATASETS_API_KEY)

    快速安装步骤

    1. 克隆仓库

    git clone https://github.com/virattt/ai-hedge-fund.git
    cd ai-hedge-fund

    2. 安装 Poetry(如未安装)

    curl -sSL https://install.python-poetry.org | python3 -

    3. 配置 API 密钥

    cp .env.example .env
    # 编辑 .env 文件,填入你的 API 密钥

    .env 中至少配置一个 LLM 提供商密钥:

    # 选择以下至少一个
    OPENAI_API_KEY=your_key_here
    GROQ_API_KEY=your_key_here
    ANTHROPIC_API_KEY=your_key_here
    DEEPSEEK_API_KEY=your_key_here
    
    # 金融数据 API 密钥(必需)
    FINANCIAL_DATASETS_API_KEY=your_key_here

    4. 安装依赖

    poetry install

    5. 运行

    # CLI 模式 - 分析 AAPL, MSFT, NVDA
    poetry run python src/main.py --ticker AAPL,MSFT,NVDA
    
    # Web 界面模式
    cd app && poetry run chainlit run app.py
    💡 国内用户提示:可以使用 DeepSeek API 替代 OpenAI,成本更低。只需在 .env 中配置 DEEPSEEK_API_KEY 并修改模型配置即可。

    🌟 核心功能

    1. 13 位投资大师 AI Agent

    Warren Buffett
    奥马哈先知 · 价值投资
    Charlie Munger
    只买价格合理的优质企业
    Cathie Wood
    成长投资女王 · 颠覆性创新
    Michael Burry
    大空头 · 逆向深度价值
    Ben Graham
    价值投资之父 · 安全边际
    Peter Lynch
    十倍股猎手 · 日常业务投资
    Stanley Druckenmiller
    宏观传奇 · 非对称机会
    Nassim Taleb
    黑天鹅 · 反脆弱性
    Bill Ackman
    激进投资 · 推动变革
    Phil Fisher
    深度闲聊法调研
    Mohnish Pabrai
    Dhandho · 低风险高回报
    Aswath Damodaran
    估值权威 · 叙事与数据

    2. 6 个专业分析 Agent

    • Valuation Agent:计算股票内在价值,生成买卖信号
    • Sentiment Agent:分析市场情绪(新闻、社交媒{“”}体)
    • Fundamentals Agent:分析财务数据(P/E、P/B、ROE 等)
    • Technicals Agent:分析技术指标(MA、RSI、MACD 等)
    • Risk Manager:计算风险指标,设置仓位限制
    • Portfolio Manager:综合所有意见,做出最终交易决策

    3. 双运行模式

    • CLI 模式:适合自动化脚本和批量分析
    • Web UI:基于 Chainlit 的可视化界面,交互更友好
    • 回测模式:支持对历史数据进行策略回测
    • Ollama 支持:可使用本地 LLM,无需云端 API

    4. 可扩展架构

    • 项目正在重构为「持久化、全天候运行的 AI 对冲基金」
    • 投资者 Agent 将重构为可插拔、可回测的「Alpha 模型」
    • 支持自定义 Agent,添加你自己的投资哲学
    • 完整的愿景文档和路线图(VISION.md / ROADMAP.md)

    📱 典型使用场景

    场景一:学习投资大师的决策逻辑

    运行 poetry run python src/main.py --ticker AAPL,系统会让 13 位投资大师 Agent 分别分析苹果公司,每位大师会从自己的投资哲学出发给出建议。通过对比不同大师的意见,你可以学习到:

    • 价值投资者(Buffett/Munger)关注企业质量和估值
    • 成长投资者(Cathie Wood)关注创新和市场空间
    • 逆向投资者(Michael Burry)关注被市场忽视的风险和机会
    • 宏观投资者(Druckenmiller)关注宏观经济周期和趋势

    场景二:策略回测与验证

    使用回测功能验证投资策略的历史表现:

    poetry run python src/backtester.py --ticker AAPL,MSFT,NVDA --start-date 2024-01-01 --end-date 2024-12-31

    回测结果会显示:

    • 各 Agent 的决策准确率
    • 模拟投资组合的收益率
    • 最大回撤和风险指标
    • 不同市场环境下的表现对比

    场景三:作为 LLM 多智能体协作的学习案例

    如果你是研究 AI Agent 的开发者,这个项目是学习多智能体协作的绝佳案例:

    • 每个 Agent 有独立的 System Prompt 定义投资哲学
    • Agent 之间通过标准化的信号格式通信
    • Portfolio Manager 作为「总经理」汇总决策
    • 完整的 Python 实现,代码结构清晰易懂

    💡 推荐理由

    为什么推荐这个项目?

    1. 创意独特,执行到位
    把投资大师人格化身为 AI Agent 这个点子本身就很有趣,而项目的执行也相当到位——每位大师的 System Prompt 都经过精心设计,体现了其真实的投资哲学。

    2. 教育价值极高
    无论你是投资初学者还是 AI 开发者,都能从这个项目中学到东西。投资者可以了解不同投资风格的差异;AI 开发者可以学习多智能体系统的设计模式。

    3. 代码质量不错
    项目结构清晰,Agent 定义、信号处理、决策流程都有明确的模块化设计。想要添加自己的 Agent 也非常简单。

    4. 活跃的社区
    项目在 GitHub 上获得了大量关注,社区提出了很多有趣的改进建议(比如添加更多投资大师、支持 A 股等),项目正在积极迭代中。

    5. 引发思考
    这个项目最有价值的地方在于:它让我们思考 AI 在金融决策中的边界在哪里?投资是艺术还是科学?多智能体协作能否真的产生超越个体的智慧?

    ⚠️ 风险提示:再次强调,本项目仅用于教育和研究目的。AI Agent 的分析结果不应作为真实投资的依据。投资有风险,决策需谨慎。

    🔗 下载地址


    如果你觉得这个项目有意思,欢迎在 GitHub 上给它一个 ⭐️
    更多 AI 开源项目介绍,请关注本栏目持续更新

  • 印度科技大亨自掏3000万美元,要从零再造一套AI版Microsoft Office

    印度科技大亨自掏3000万美元,要从零再造一套AI版Microsoft Office





    Neo AI原生企业办公平台
    Neo AI原生办公平台概念图(图片:AI生成)

    如果你问一个企业软件从业者,现在最拥挤的赛道是什么,”企业AI”大概率会高票当选。微软把Copilot塞进了Office套件的每一个角落,谷歌在Docs和Sheets里加了AI助手,Salesforce、Notion、Superhuman……几乎所有你能叫得出名字的生产力工具,都在拼命往自己的产品里装AI。

    但有一个人认为,所有这些努力基本上都是在做表面文章。他的名字叫Bhavin Turakhia,一个你可能没听说过的印度连续创业者。过去20年里,他创办了Directi、Radix、Titan、银行软件公司Zeta等一系列企业,走的都是同一条路:先自己出钱把公司做起来,有了起色再引入外部投资者。

    现在他拿出了3000万美元的个人资金,要做一件事:从零开始,给AI时代重新造一套企业办公软件。这套软件叫Neo,今年4月才刚在内测阶段。

    “你想造iPhone,不可能拿诺基亚的零件来改装”

    Turakhia的核心观点其实不复杂:那些在生成式AI出现之前就设计好的办公软件,哪怕往里面塞再多的聊天机器人,也没法真正适配AI时代的工作方式。你需要的不是给旧房子打补丁,而是推倒重来。

    他自己打了个比方,说如果你想造一部iPhone,不可能把诺基亚的零件拆下来拼拼凑凑就完事。这个逻辑放到企业软件上也是一样的:AI不应该是一个你需要单独打开对话框去咨询的辅助工具,而应该从底层就嵌入到工作的每一个环节里,成为一个主动的参与者。

    “如果你的产品在设计的时候AI还没出现,那它本质上就是为上一个时代服务的。你要么从头再来,要么就接受自己永远在追赶。”——Bhavin Turakhia

    3个月搭出初始平台

    Neo具体做什么?它是一个集成了项目管理、文档协作、文件存储和AI功能的企业工作平台。听起来好像跟现有的企业协作工具没什么两样,但Turakhia强调说,Neo从第一行代码开始就是以AI为核心设计的,而且支持多模型兼容——企业用户可以自由切换底层的AI模型,不需要被锁定在某一家供应商上。

    有一个数字很能说明问题:Neo的初始平台只用了3个月就搭建完成了。Turakhia估计,要是放在生成式AI普及之前,同样的工作至少需要一年以上的时间,还得配备规模大得多的工程团队。AI加速开发效率的程度,在这个案例里体现得很直观。

    目前Neo的团队大约有45人,其中18人是工程师。Turakhia表示,预计到今年年底团队会扩展到100人左右,新增的岗位主要集中在AI和软件工程领域。


    先在自己公司里试

    过去几个月,Neo一直在Turakhia旗下的公司(包括Zeta)内部试用。这种”自己先吃自己的狗粮”的做法,在 enterprise software 领域其实挺常见的,但Neo的情况有一点不同:它的创始人同时是好几家公司的老板,内部试用的样本量比一般创业公司大不少。

    接下里的商业化路径是这样的:未来几个月先向中型企业推出,最初的目标用户是科技公司、咨询公司和专业服务公司的知识工作者。这个选择很合理——这些用户对企业AI工具接受度最高,也更愿意为提升效率付费。

    2%的市场份额就够大了

    企业AI这个赛道现在挤成了什么样?微软、谷歌、Salesforce三座大山各自带着完整的办公套件生态在厮杀;Anthropic和OpenAI这两家头部AI实验室也在推自己的企业解决方案;更不用提Notion、Superhuman这些已经在生产力工具里站稳了脚跟的创业公司。

    Turakhia对这些竞争并不担心。他的理由是:企业软件从来都不是一个”赢家通吃”的市场。只要能拿到全球企业AI支出当中2%到5%的份额,这个体量就已经会超过他之前创立的所有公司加在一起的规模。

    这个判断有没有道理?从某种程度上说,企业软件市场的确比消费市场更碎片化,不同规模、不同行业的公司需求差异很大,一家供应商通吃全部客户的情况不太会出现。但反过来,这也意味着Neo要同时跟巨头和创业公司抢市场,难度同样不容小觑。

    Turakhia之前已经成功退出过好几次了,这次拿自己的钱出来单干,说明他至少是真心相信这件事值得做。至于Neo能不能在企业AI的红海里杀出一条路,接下来几个月推向市场之后的用户反馈会给出初步的答案。



  • 隐私AI平台Venice AI拿下6500万美元融资,估值冲上10亿美元

    隐私AI平台Venice AI拿下6500万美元融资,估值冲上10亿美元





    Venice AI隐私优先AI平台
    Venice AI的隐私优先AI平台界面概念图(图片:AI生成)

    大多数人使用AI聊天助手的时候,心里多少都有些顾虑。你跟它聊的东西,会不会被记录下来?那些私密的问题、个人的困扰、甚至只是不想被人知道的好奇心,会不会变成某家科技公司的训练数据?这种担心不是多余的,过去几年里,关于AI模型如何收集和使用用户数据的报道一直在出现。

    有一家公司恰恰从这个痛点里看到了机会。它叫Venice AI,做的事情很简单:让你用上200多个AI模型,同时保证你的数据不会被它看到。这家公司最近刚完成了一笔6500万美元的A轮融资,估值站上了10亿美元,正式成为独角兽。

    一个”不设防”的AI平台

    Venice AI的卖点在于”无审查”(uncensored)和隐私保护。它把自己定位成一个中立的平台,用户可以自由选择和切换不同的AI模型,用来生成文本、图片、音频和视频。平台上有些模型提供端到端加密,不过这项功能需要付费订阅才能使用。

    技术层面,Venice AI把开源模型部署在自己的数据中心里,而对于那些闭源模型(比如OpenAI或Anthropic的产品),它则把用户的查询请求转发过去。关键的区别在于:所有用户输入的数据在客户端就被加密了,然后通过一个外部代理服务器中转处理,Venice自己的系统上不存储任何用户数据。用CEO Erik Voorhees的话说,他们把服务当作一个”中立的工具或平台”。

    “这实际上跟比特币是一个逻辑。比特币作为一个中立的协议,对所有人一视同仁。我觉得,如果世界在进入下一个阶段的时候,每个人都时刻被盯着,那实际上会更加危险。”——Erik Voorhees

    从加密世界走来的创始人

    说起来,Voorhees本人就是一个很有争议的人物。他是早期的比特币倡导者,之前创办过几家加密货币公司,包括比特币赌博网站Satoshi Dice和加密货币交易所ShapeShift。他长期以来一直在为用户的隐私权益发声。

    当年《华尔街日报》调查ShapeShift,指责这家最初不需要用户实名认证的交易所在处理可疑资金,Voorhees的回应是:”我不觉得人们应该被强制记录身份信息,只是为了抓到个别犯罪分子。”这种立场放在今天关于AI安全的讨论里,听起来是不是有点耳熟?

    最近AI psychosis(AI导致的精神紊乱)的案例屡见报端,有人问Voorhees怎么看”不设限制”的AI可能带来的危害,他的回答延续了一贯的立场:平台应该保持中立,把用户当成年人对待。

    赚钱速度比融资还快

    有意思的是,Venice AI现在已经盈利了。Voorhees透露,公司的年化营收运行率已经超过7000万美元。这个数字是什么概念?很多独角兽公司在拿到同等级融资的时候,营收可能还只有几百万美元,甚至还在烧钱阶段。

    用户数据方面,Venice AI的网站每月有超过85万独立访客,平台上有300多万活跃用户,平均每天处理170万次API调用。这个体量说大不大、说小不小,但增长势头很猛。

    这轮A轮融资由加密领域的风险投资公司Dragonfly领投,Coinbase Ventures、North Island Ventures等机构跟投。这是Venice AI第一次接受外部投资——之前靠自有资金和营收就能撑到现在。


    还有两个代币

    既然创始人是加密圈的,这个AI平台跟加密货币的绑定也就不让人意外了。Venice AI有两个代币,一个叫VVV(今年1月初推出的),另一个叫DIEM(去年8月加上的)。用户可以购买VVV代币,然后质押它来铸造DIEM,每天产生价值1美元的AI积分,可以在Venice平台上消费。

    不过Voorhees说,目前只有大约8%的用户用加密货币支付,大多数用户还是用传统方式付费。代币更多是一个社区建设和用户激励的工具,而不是营收的主要来源。

    下一步:自己买GPU

    拿到这6500万美元之后,Venice AI打算开始买GPU,建自己的数据中心。目前他们还是租用的GPU算力,自己掌控硬件之后,毛利率会有显著提升。

    Voorhees说,公司早期跟ChatGPT的差距很大,用户宁愿忍受隐私风险也要用ChatGPT,因为后者的能力更强。但现在这种差距已经大幅缩小了,Venice AI成了一个越来越有说服力的替代选项。如果再加上”隐私保护”这张牌,对一部分用户来说,切换过去的理由就足够了。

    这个逻辑能不能跑通,还得看接下来的执行。隐私优先的AI平台到底是一个真正的市场空白,还是一小撮加密原教旨主义者的自嗨,时间会给出答案。



  • Microsoft BitNet:1-bit LLM 官方推理框架,让 CPU 跑大模型速度提升 6 倍

    Microsoft BitNet:1-bit LLM 官方推理框架,让 CPU 跑大模型速度提升 6 倍

    ⭐ 39,599+ Stars
    MIT License
    Microsoft 官方
    Python/C++

    📌 项目简介

    Microsoft BitNet — 1-bit LLM 官方推理框架

    bitnet.cpp 是微软官方出品的 1-bit 大语言模型推理框架,专为 BitNet b1.58 等三元量化模型打造。它基于 llama.cpp 构建,提供一系列高度优化的内核,支持在 CPU 和 GPU 上实现 1.58-bit 模型的快速、无损推理。

    核心突破:1.58-bit 量化(每个权重只需 1.58 个比特),在大幅降低模型内存占用的同时,推理质量几乎无损。这意味着一台普通笔记本甚至手机,都能运行过去需要昂贵 GPU 才能跑的大模型。

    💡 为什么重要? BitNet 的论文《The Era of 1-bit LLMs》引爆了 AI 社区——它证明了 1-bit 量化模型可以媲美全精度模型的性能,同时内存占用降低 7-10 倍,能耗降低 70-82%。这是本地 LLM 部署和边缘 AI 的里程碑式突破。

    🔧 安装要求和过程

    环境要求

    依赖项 版本要求 说明
    Python ≥ 3.9 推荐用 Conda 管理环境
    CMake ≥ 3.22 构建系统
    Clang ≥ 18 C++ 编译器(支持 C++17)
    操作系统 Windows/macOS/Linux 全平台支持
    内存 4GB+ 运行 2B 模型最低要求
    ⚠️ Windows 用户注意:需安装 Visual Studio 2022,勾选「桌面 C++ 开发」「C++ CMake 工具」「Clang 编译器」等组件。所有命令需在 VS2022 开发者命令提示符中运行。

    快速安装步骤

    方式一:从源码构建(推荐)

    # 1. 克隆仓库(包含子模块)
    git clone --recursive https://github.com/microsoft/BitNet.git
    cd BitNet
    
    # 2. 创建 Conda 环境
    conda create -n bitnet-cpp python=3.9
    conda activate bitnet-cpp
    pip install -r requirements.txt
    
    # 3. 下载官方模型并配置环境
    huggingface-cli download microsoft/BitNet-b1.58-2B-4T-gguf --local-dir models/BitNet-b1.58-2B-4T
    python setup_env.py -md models/BitNet-b1.58-2B-4T -q i2_s

    方式二:使用 pip 安装(简化版)

    pip install bitnet-cpp
    bitnet setup --model microsoft/BitNet-b1.58-2B-4T

    方式三:Docker 部署

    docker build -t bitnet-cpp .
    docker run -it --rm bitnet-cpp

    🚀 核心功能

    1. 1.58-bit 极致量化推理

    每个权重仅用 {-1, 0, +1} 三个值表示(1.58 bits),相比 FP16 模型内存压缩 7-10 倍,推理速度提升 2-6 倍。这是目前业界最激进、也是最实用的 LLM 量化方案。

    2. CPU 原生优化(无需 GPU!)

    针对 x86 和 ARM CPU 深度优化:

    • x86 CPU:推理速度提升 2.37x ~ 6.17x,能耗降低 71.9% ~ 82.2%
    • ARM CPU(如 Apple M 系列):推理速度提升 1.37x ~ 5.07x,能耗降低 55.4% ~ 70.0%
    • 单 CPU 运行 100B 模型:速度达 5-7 tokens/秒,媲美人类阅读速度

    3. GPU 推理支持(2025 年 5 月上线)

    官方 GPU 推理内核已发布,支持 NVIDIA GPU 加速推理。GPU 分支提供比 CPU 高一个数量级的吞吐量,适合高并发场景。详见 gpu/README.md

    4. 多模型生态支持

    不仅支持微软官方 BitNet 模型,还兼容社区模型:

    • BitNet-b1.58-2B-4T(官方,2.4B 参数,HuggingFace 可下载)
    • bitnet_b1_58-large(0.7B)
    • Llama3-8B-1.58-100B-tokens(8B)
    • Falcon3 系列(1B-10B,tiiuae 出品)

    5. 完善的工具链

    • run_inference.py:对话模式/自定义 Prompt 推理
    • e2e_benchmark.py:性能基准测试
    • convert-helper-bitnet.py:safetensors → GGUF 格式转换
    • generate-dummy-bitnet-model.py:生成虚拟模型用于测试

    💡 典型使用场景

    场景一:本地私有化部署 LLM

    企业或因隐私要求不能在云端运行 LLM 的场景。BitNet 让一台普通办公电脑(甚至只有 CPU)就能运行 2B-7B 参数级别的模型,无需昂贵 GPU 投资。

    # 在普通办公电脑上运行私有对话助手
    python run_inference.py \
      -m models/BitNet-b1.58-2B-4T/ggml-model-i2_s.gguf \
      -p "你是一个专业的技术支持助手" \
      -cnv -t 8

    场景二:边缘设备和嵌入式 AI

    在树莓派、手机、IoT 设备上部署 AI 助手。1-bit 量化模型极小,2B 模型经量化后仅约 500MB,可以轻松嵌入边缘设备。微软研究人员已演示在 ARM 设备上流畅运行。

    场景三:大规模模型服务成本优化

    云服务商或企业 AI 平台可以用 BitNet 量化模型,将推理成本降低 70% 以上。同样硬件可以服务更多用户,或同样预算获得更高吞吐量。


    🏆 推荐理由

    为什么你应该关注 BitNet?

    • 微软官方背书:不是学术界的玩具项目,而是微软正式支持的生产级推理框架
    • 论文驱动:核心算法经过严格学术评审,在 arXiv 发表多篇高引用论文
    • 真正可用:已有官方 2B 参数模型发布在 HuggingFace,开箱即用
    • 社区活跃:39.6K+ Stars,3.6K+ Forks,303 个 Issues 讨论,持续迭代中
    • 生态融合:基于 llama.cpp 构建,天然兼容 Ollama、vLLM 等主流工具链

    个人使用心得:BitNet 最让我震撼的是它让「每个人都能本地运行 LLM」真正成为可能。过去跑一个 7B 模型需要 14GB+ 显存,现在用 BitNet 量化后,一台普通笔记本的 CPU 就能流畅运行。对于 AI 开发者、研究者、以及关注数据隐私的用户来说,这是一个必须收藏的项目。

    在线 Demo:试玩 BitNet 官方演示(Azure 托管,无需本地安装)


    📦 下载地址

    WorkBuddy AI 自动发布 | 数据来源:GitHub API | 更新时间:2026-07-04

  • Microsoft砸25亿美元成立AI部署公司,企业AI最后一英里有人管了

    Microsoft砸25亿美元成立AI部署公司,企业AI最后一英里有人管了

    企业AI买了不用,这事已经不是秘密了。Microsoft看准了这个痛点,这周宣布成立一个叫Microsoft Frontier Company的新业务部门,专门帮企业把AI真的用起来。配套的资金是25亿美元,再加上6000名行业和工程专家。

    Microsoft Frontier Company概念图
    Microsoft成立Frontier Company,砸25亿美元帮企业落地AI

    Microsoft商业业务CEO Judson Althoff在声明里特意说,这个模式不能简单套用”前沿部署工程师”(FDE)的标签。他的原话是:这超越了所谓”前沿部署工程”的范畴,将是行业内规模最大的、最有能力的、以结果为导向的工程组织。

    FDE这个模式最近火得不行。简单说就是把AI公司的工程师直接派到客户现场,手把手帮企业把AI模型接入实际业务。OpenAI和Anthropic都在做,Amazon两天前刚宣布投10亿美元搞类似的部门。

    Microsoft的底牌比谁都好

    虽然Althoff不愿意用FDE这个说法,但Microsoft Frontier Company干的事情跟FDE没本质区别。区别在于,Microsoft手里有一张别人没有的好牌:它已经把工程师部署到了大部分财富500强公司。

    这意味着Microsoft不需要从零开始建立客户关系。当你的销售代表、客户经理、技术支持已经坐在客户的办公室里了,再往前走一步、帮他们把AI真正跑起来,这个转化比Amazon或OpenAI要顺得多。

    宣布里提到了几个早期合作伙伴:伦敦证券交易所集团、联合利华、Land O’Lakes(美国奶制品合作社)、埃森哲。这些都是已经在用Microsoft AI工具的大客户,现在由Frontier Company提供更深入的部署服务。

    25亿美元砸的是什么

    25亿美元不是小数目,但需要放在正确的语境里看。这钱不是用来训练新模型的——Microsoft的策略是跟OpenAI合作,用现成的模型。这25亿主要花在人和服务上:6000名专家的工资、差旅、驻场支持,以及为客户做定制化集成的工程成本。

    对比一下竞争对手:Amazon承诺了10亿,OpenAI和Anthropic的合资企业也有外部私募股权资金注入。Microsoft这25亿是全自己出的,而且6000人的团队规模确实比竞争对手大不少。

    但这个赛道有个本质问题:企业AI部署的失败率很高,不是因为模型不够好,而是因为企业内部的工作流程、数据治理、合规要求、员工接受度这些”非技术因素”比技术本身更难搞定。Microsoft派再多的工程师过去,如果客户自己的组织没准备好,AI还是跑不起来。


    Frontier Company这个动作,本质上是Microsoft在AI企业服务赛道上进一步加固自己的位置。它在跟Amazon、Google抢企业客户,同时也在跟OpenAI和Anthropic这样的模型厂商抢”最后一英里”的服务价值。谁帮企业把AI真正用起来,谁就能拿到这一轮企业AI浪潮里最稳定的收入。

  • Anthropic要自己研发药物了,AI公司开始跨界做药

    Anthropic要自己研发药物了,AI公司开始跨界做药

    Anthropic本来是卖AI工具的,结果现在说要自己下场做药了。这话是他们在上周”AI for Science”活动上亲口说的,当时还顺带发布了新的Claude Science——一个给科学家用的”AI工作台”,把各种碎片化的工具和数据集拢到一个环境里,还能自动生成图表和可视化。

    Anthropic AI制药概念图
    Anthropic跨界AI制药,专注”被忽视”的疾病领域

    发布会听起来挺正常的,Anthropic的生命科学负责人Eric Kauderer-Abrams上台讲了一通AI怎么加速科学发现、Claude已经被一堆生物科技和药企在用之类的话。然后话锋一转:Anthropic自己也要研发药物,方向是”被忽视”的疾病。

    “被忽视的疾病”这个说法听起来很体面,但Anthropic没说具体是哪些病,也没说找到了候选药物之后打算怎么办。他们回应The Verge的采访请求时也没有给出更多细节。

    卖铲子的突然想挖金矿

    这件事最尴尬的地方在于,Anthropic现在的商业模式是卖铲子——把Claude卖给药企和生物技术公司,帮他们做药物研发。现在自己跳下来做药,等于跟自己的客户成了潜在竞争对手。

    当然,Anthropic不是第一家这么干的AI公司。OpenAI、Amazon、Google都有自己的生命科学工具和平台。但Anthropic这次是到目前为止,大型前沿AI公司最直接的一次”我自己也要做药”的公开表态。

    这个赛道已经挺挤了。有纯AI药物公司比如Insilico,有Google DeepMind分出来的Isomorphic Labs,有一堆生物科技创业公司,还有正在自己搞或买AI工具的大型药企。

    AI制药的泡沫有多大

    专家告诉The Verge,Anthropic计划的不确定性,其实反映了整个AI制药热潮的不确定性。AI在药物研发的每一个阶段都能用上,这一点没人否认。但”能用”和”能做出真正上市的药”之间,隔着的距离可能比很多人想象的要远。

    到今天为止,还没有一款完全由AI发现并设计的药物真正大规模上市。这个行业还在”即将取得突破”的阶段停留了很久。

    Anthropic选择做”被忽视的疾病”可能是个聪明的角度。这些病通常利润不高,大药厂不愿意投入,所以竞争相对小。但如果Anthropic真的做出了什么有意思的候选药物,他们还是需要合作伙伴来做实验室工作、动物测试、临床试验和生产——这些都不是AI公司擅长的事情。


    Anthropic这次宣布更像是放一个信号弹——告诉外界他们在这个方向有想法,但具体怎么落地,什么时候能有结果,现在都是未知数。对于一家刚刚在coding tools领域称霸的公司来说,跨界制药是个大胆的尝试,至于能不能成,还得等很长时间才能知道。