20260910 影片筆記

影片由機器學習工程師 Bai 講解如何透過開源專案 WhisperStreaming，利用緩衝區機制與「局部一致性」演算法，將原生設計為非串流、30秒長度的 OpenAI Whisper 模型，轉化為具備低延遲特性的串流語音辨識（Streaming ASR）系統。

講者「紅哥」實機演示如何使用 AI Agent（Cloud Code）安裝並配置 PPT Master 技能，透過配置 Python 虛擬環境（UV）與第三方生圖 API（ThinkAI / GPT-4o Mini），將本地文案自動轉換為具備統一風格與精美配圖的 PPT 文件。

影片實戰演示 ChatGPT Chrome 擴充功能，強調其透過借用現有瀏覽器環境（Cookies、登入狀態、其他擴充功能），能穩定、快速地處理跨網頁、無專屬 API 的小眾 Web SaaS 及內部後台等複雜自動化任務，並提供安全使用建議。

本影片詳細演示了 TryGPT（影片中也稱為 XGPT、ChaiGPT 等）桌面端應用程式內建瀏覽器的五大實用場景，包括內容總結、自動客服溝通、產品比較、筆記工具整合以及自動化搶票，並強調這些功能僅限於桌面端付費用戶使用。

ChatGPT 推出 Image 2.5 版本，顯著提升生成速度、畫質自然度及人物編輯時的一致性，並新增草圖（Sketch）、模板（Template）與提示詞共享功能，雖手部細節仍需人工檢查，但整體實用性大幅躍升。

OpenAI 於 9 月 8 日發布 GPT-4o Image Generation 更新（影片稱之為 GPT-4o 或 ChatGPT Images），針對過去圖像生成中「局部修改導致整體變形」或「文字消失」的痛點，推出了強調「局部精確編輯」、「保持原圖結構」、「文字準確性」及「生成速度提升」的新模型，並新增 Sketch、Template 等功能，同時為...

影片介紹 OpenAI 發布的圖像生成 AI「Images 2.5」，並與舊模型進行多項目比較，強調其在細節質感、編輯穩定性及新功能上的優勢，適用於廣告、SNS、縮圖等場景。

AI Camp 中村針對 OpenAI 於日本時間 2026 年 9 月 9 日發布的「ChatGPT Image 2.5」進行實測，驗證其在畫質、生成速度、局部編輯忠實度、Sketch（草圖）新功能、4 格漫畫及圖解記錄等高階應用上的表現，並介紹 API 版本差異。

Kate 實測 OpenAI 推出的 GPT Images 2.5 模型，驗證其在生成速度、畫質細節、精確編輯及一致性上的大幅提升，並透過 Codex 批量生成、PPT 製作、GIF 動畫、漫畫分鏡、電商模擬等多種場景，展示該模型在創意設計與工作流整合上的強大潛力。

影片實測 OpenAI 發布的圖像生成模型 Image 2.5（筆記中亦稱 XGPT-Image 2.5），強調其在細節清晰度、編輯精確度、視頻幀一致性以及利用參考照片生成「偽造記憶」場景上的顯著提升，並透過多個實測案例（如版權測試、文字生成、老照片修復）驗證其優於前代 2.0 版本的表現。

本影片詳細演示如何在本機安裝與使用 ComfyUI 進行免費的 AI 圖片、音樂與影片生成，並重點介紹透過 MCP 協議將 ComfyUI 與 Claude 等 AI 助理整合，實現透過自然語言指令自動執行、修改工作流程及優化提示詞，從而大幅降低 AI 影像創作的技術門檻。

非工程師使用者應利用 Git 與 GitHub 建立版本控制系統，透過「本地提交、雲端推送、提出請求、合併」四個階段的確認機制，來管理 AI 快速修改帶來的風險，確保在出錯時能安全回退並驗證結果。

Google DeepMind 發布 AlphaGenome Atlas，利用 AI 預先計算人類基因組中約 90 億種單鹼基變化的分子影響，並透過 AVI 評分系統協助研究者優先排序候選變異，雖非臨床診斷工具，但顯著提升了罕見病診斷與複雜性狀研究的實驗效率。

Meta 推出名為 Muse 的「個人代理」產品，旨在從單純的聊天機器人轉變為能執行複雜任務（如預訂、購買、填寫表格）的全天候行動者；這背後是 Meta 高達 1,450 億美元的資本開支戰略，試圖通過交易抽成取代傳統廣告模式，並透過技術架構（如機密虛擬機）與安全監控來解決隱私與信任危機，但成敗仍取決於任務可靠性與用戶信任。

影片深度測試 DeepSeek 4.1 Flash 上線表現，指出其雖在速度與架構效率上有顯著提升，但性能僅與上一代視覺實驗版持平，且 Pro 版下線過快引發爭議，講者認為 Flash 與 Pro 應互補而非取代，並批評官方遷移策略過於倉促。

使用者實測 DeepSeek V4 Flash 處理 14 億 Tokens 的論壇自動化長鏈任務，雖在圖片識別與子代理（Subagent）能力上有明顯短板，但憑藉極高的緩存命中率、生成速度及低廉成本，展現出極高性價比，被認為是 V4 Pro 的有力平替，尤其在降价後更具吸引力。

本影片為 Deepseek V4.1 Flash（內測中間版）的實測報告，測試者將思考模式調至最高，針對指令遵循、數學邏輯、推理、編程及遊戲實現進行多項測試；結果顯示該模型速度極快，在 24 點、密碼鎖推理、3D 賽車及 Trello 看板等項目表現優異，但在「精美瀏覽器操作系統」的圖形渲染與遊戲運行上表現不佳。

影片介紹並測試了 DeepSeek 發布的新模型 V4.1 Flash，強調其在「分速」指標上超越 V4 Flash、V4 Pro 甚至 GPT5.6SOUL 的性能優勢，並通過靜態圖片還原與動態粒子效果（如火焰、孔雀開屏）的實際生成測試，驗證其相比舊版模型在視覺細節與動態表現上的巨大提升。

測試者使用 DeepSeek V4.1 Flash（High 推理程度）進行多項複雜任務測試，總耗時約 2 億 Token，費用約 35 元。儘管成本極低，但推理速度較慢，且在視覺生成、3D 建模與遊戲開發等任務中，雖有細節瑕疵與穿模問題，但在寫作與部分場景構建上表現超出預期。

影片介紹了 DeepSeek V4 Flash 模型的悄然上線，強調其採用全新結構、原生支援多模態且價格不變的特性，並詳細演示了在 Workbody 軟體中透過「自定義」供應商進行配置的方法，同時提醒該版本存在並發限制且預計於 9 月 10 日下線，不建議用於生產環境。

講者分享將工作主力從 GPT Plus 切換至 Deep Seek Harness 搭配 Deep Seek 自家模型（如 V4.1 Flash/Flush）的經驗，強調其在編程、開發及論壇管理上的高效率與極低成本，同時指出 Hermes 因具備情感與個性仍被保留使用，並對比了多種模型的性能與成本差異。

本系列CM透過妻夫木聡與柳葉敏郎飾演的公司高層之間，關於「公司合併」與「個人原則」的衝突，諷刺地對比了羅托7（Loto 7）彩票中「累積獎金」（Carry Over）不斷累積的機制，強調在價值觀抉擇中，有些事物（如夥伴、原則）是金錢無法買到的。

影片介紹 ChatGPT 免費版新增的「排程任務」（Schedule Task）功能，允許用戶設定每日自動執行的資訊收集或監控任務，雖有數量與時間精度的限制，但能將 AI 從即時問答轉變為後台自動化助手。

影片介紹微軟開源工具 MarkItDown，透過 CLI 或 Python API 將 Word、Excel、PPT、圖片等非純文字文件快速轉換為 Markdown，並示範如何透過 MCP Server 讓 AI Agent（如 Claude）直接讀取與分析本地檔案，解決手動轉換耗時與格式錯亂的問題。

Google Gemini Notebook 於 9 月 2 日支援日語等 70 種語言後，推出「短視頻（Short Video）」功能，允許 Google AI Pro 訂閱者將長篇文字資料（如 PDF）自動轉化為約 60 秒的直式動畫視頻，適合快速學習與商務簡報。

本影片詳細演示如何在本機安裝與使用 ComfyUI 進行免費的 AI 圖片、音樂與影片生成，並重點介紹透過 MCP 協議將 ComfyUI 與 Claude 等 AI 助理整合，實現透過自然語言指令自動執行、修改工作流程及優化提示詞，從而大幅降低 AI 影像創作的技術門檻。

影片演示如何在配備 24GB 統一記憶體的 Apple M4 Mac Mini 上，透過 2-bit 量化（結合 GSQ 與 RCO 技術）成功運行參數量為 270 億的 Qwen 3.8 模型，在維持與 4-bit 模型相當的輸出品質下，解決記憶體不足問題並支援完整 GPU Offloading。

影片分析 Qwen 3.8 27B 模型在消費級硬體上的運行可行性，指出 24 GB 記憶體為關鍵門檻，32 GB 統一記憶體在 Mac 上能實現全模型加速，而 48-64 GB 則提供充足的上下文與代理運算空間。

影片演示如何在配備 24GB 統一記憶體的 Apple M4 Mac mini 上，透過使用兩比特量化技術（GSQ RCO）將 Qwen 3.8 27B 模型壓縮，成功在記憶體限制內運行並進行推理，同時對比了不同 KV cache 量化設定下的效能與品質。

影片詳細講解如何在 Mac 上從零開始部署「千問 3.8 27B RGB」模型，涵蓋記憶體精算、MLX 環境配置、D-Flash 2 加速技術原理與測試，以及將模型部署為本地 API 服務以接入工作流的完整流程。

影片分析 Meta 於 2026 年 9 月發布的 Muse Spark 1.3（雲端閉源代理人模型）與 Muse Voice Transcribe（語音轉寫模型），指出前者強化長任務可靠性與成本效率，後者透過自適應延遲提升即時準確率，但兩者皆面臨隱私、真實場景適應性與商業化落地的挑戰，當前 AI 競爭核心已從跑分轉向落地場景與信任度。