逐字稿文字預覽
AI新闻不断涌现 因为DeepSeek今天刚刚发布了全新的DeepSeek V4 FlashVision Experimental模型 目前已在DeepSeek的API平台上线 这个模型的多模态智能体性能已经接近OPUS 4.8 确实是一个非常了不起的成就 但唯一的阻碍是DeepSeek的新定价 不过说到DeepSeek 他们正在晖度测试一个神秘的新检查点 即表现相当惊艳 正在与Fibo 5正面交锋 并生成了一些极其疯狂的内容 不仅如此 Google又回来了 因为Geminis的表现真的会非常惊人 具备一些疯狂的新能力 我们已经获得了一些极其劲爆的泄露信息 我非常期待大家看到这些内容 最近我们报道了新的隐身模型OX-Alpha 但现在关于这个模型又有了一些新情报 其表现相当不可思议 有人让它在DeepSway上完成了10项独立任务 因此由于这只是部分测试 它的真实得分可能存在很大差异 但结果确实令人瞠目结舌 因为GBT516S 在这项特定测试中得分为52% Fable 5得分为65% 而Arx Alpha得分达到了80% 据说它在其中一项任务上 还差一点就完成了 所以从技术上讲 可能会超过80% 这实在太疯狂了 而且它真的感觉很像GLM模型 但显然并不是 因为有新的报告称 它不是GLM模型 它不是小米模型 也不是Deep Seek模型 所以没有人真正知道 究竟是哪家模型提供商 在秘密测试这个Arx Alpha模型 但也许可能是minimax 现在还有很多内容要介绍 我们就直接一一深入了解吧 大多数AI编程工具都能帮你构建应用 但之后他们仍然需要处理托管 数据库和部署问题 这正是APICUS AI Supercomputer 发挥作用的地方 它提供了一台始终在线 可通过自然语言控制的云端计算机 你可以部署OpenCloud 或Hermes Agent等智能体 并让他们全天候持续运行 例如他们在这里部署了一个 开源大语言模型 为其封装了一个可用的聊天界面 并且仅通过一条提示词就将其公开托管 你还可以运行Docker应用 连接数据库和存储 或者构建并托管完整的应用 比如这个3D游戏 因此你无需亲自管理VPS SSL 数据库和部署 Appicus会处理整个技术站 通过下方描述中的链接 体验Appicus AI超级计算机 也感谢他们赞助今天的视频 我们先从Deepseek说起 因为Deepseek Vs Flash Vision Experimental 现已正式上线Deepseek API平台 这个模型基本上就是VSFLAX的下一代多模态版本 令人印象深刻的是 DeepSeq表示 这款新模型基本保留了VSFLAX的文本能力 因此推理 智能体 编程和通用知识能力都还在 但现在视觉方面得到了大幅升级 从基准测试来看 它的表现已经非常接近OPUS 4.8 当然编程方面并不是这样 但在多模态智能体评测方面却是如此 在Terminal Bench 2.1上 我们知道DeepSeq VSFLAX的得分为83.9 而OPUS为85 在DeepSWIG上 上它实际上以59.3比58击败了OPUS 但真正有趣的是多模态智能体评测 在IpexBench上 你可以看到这款新模型的得分为36.5 而OPUS4.8的得分为39.4 但在Agent's Last Exim上 它的得分为27.3 比OPUS4.8高出2分 与OPUS4.8相比 它在其他评测中的表现基本也只是略逊一筹 因为它们实际上是在Version's Flash 强大的视觉能力基础上 进一步提升了多模态智能体的性能 他们还已经在最新的Deep Seek Harness中加入了对它的支持 因此你现在就可以通过他们的API开始测试这个模型 而这正是视觉能力开始真正发挥作用的地方 因为多模态能力能够拓展出更多智能体应用场景 Deep Seek表示这款新模型可以在不同的智能体框架中流畅运行 它现在既能理解自己看到的内容 也能使用工具采取行动 这样一来智能体就不再只能读取文本或代码 而是可以查看屏幕截图 界面 图表 文档或其他视觉信息 理解实际发生的情况 然后使用工具真正完成任务 这让该模型在现实世界的智能体工作流中 使用得多 尤其适用于计算机操作 视觉调试 浏览器智能体 以及基于UI的文档自动化任务 而且我们已经看到了一些 相当令人印象深刻的演示 展现了这次视觉能力升级 究竟能做到什么 有人立即通过给这个模型 一张人物图片来测试它 据说Deep Seek能够正确识别出图片中的人物 是字节跳动创始人张一鸣 显然这只是一个演示 但这种说法相当有趣 Deep Seek终于睁开了眼睛 不再是盲人了 更重要的是 这表明Siflash Vision版本 并不只是进行基本的图像描述 而是能够理解详细的视觉向上闻 并将其与已有知识结合起来 无论是编程知识还是普通常识 现在它将能够借助这一新扩展 进一步增强自身能力 如果你还不了解这一点 我强烈建议你了解一下 World of VI Insider School社区 显然 在这里你可以获取大量信息 不仅可以免费使用World of VI Benchmark 还能每月获得许多免费内容 甚至可以接触尚未发布的模型 因此 我强烈建议你 通过下方描述中的链接去了解一下 不过说到Deep Seek 其实还有一件更加有趣的事 因为目前幕后正在发生的是 Deep Seek团队正向一小部分用户 大规模测试一个神秘的裸体模型检查点 我之前已经针对这件事做过一期视频 但现在又有一个新的检查点上线了 它正凭借一些 令人难以置信的生成结果 与Fable 5展开激烈竞争 有趣的是 目前看来 这种灰度测试 似乎是基于绘画的测试 也就是说 某些现有绘画 可能会被录游到 这个实验性检查点 而其他人则继续正常使用该模型 现在一些用户 甚至一直在尝试各种方法 让自己的绘画 持续被录游到灰度测试中 不过显然 这些都还无法说明 这个检查点究竟是什么 因此 Deep Seek可能正在悄悄测试 其下一代主力模型 很可能是升级版的Version 4 Pro 甚至是Version 5 好了 很抱歉画质不佳 但这就是神秘的Deep Seek灰度检查点 这里要求它在3D中建造一架直升机 而它仅用一个提示词 就完成了这项任务 据说 该模型自主运行了一个半小时 持续构建并完善项目 最终生成了这个细节惊人的 直升机模拟程序 你可以看到 它在输出方面的能力有多么出色 过程的成本还不到一美元 这么说确实有点不可思议 我想这个价格上的取舍 大概就是生成内容所需的时间 接下来我们终于看到了 可能是GMMI4的首次亮相 如果这些生成结果能够说明问题的话 这款模型可能会强的离谱 而Google也将凭借它真正实现王者归来 这里要求它生成一只骑自行车的蹄壶 这是一个相当不错的提示词 我们通常总会把它发送给模型 用来测试模型的能力 显然主要是测试编程能力 但你可以看到 仅根据这段粉纹渲染 它就生成了一只骑自行车的蹄壶 效果非常惊艳 你可以看到轮胎上 甚至衣物上的文字印刷效果 都生成得极其出色且清晰 而且大多数模型实际上甚至做不到这一点 连GML4模型在这种情况下 所能完成的10%都不到 但这简直太疯狂了 如果GML4输出的质量能达到这种程度 想象一下它在其他领域会有多强 接下来看看AX Alpha 我们已经知道这是一个隐秘模型 而且表现相当出色 对于错过相关消息的人来说 Oxelpha目前在接下来一周内都可以免费使用 并且配备了100万Token的畅下源框口 它支持多模态输入 并且完全不保留数据 显然它的速率限制也非常宽松 每天最多可处理100万亿个Token 但现在我们又获得了一些新情报 让这个模型变得更加有趣 有人让Oxelpha完成了10项Deeps Y任务 不过这只是其中非常小的一部分 因此结果可能存在很大差异 这一点Dan也曾提到过 但它的得分非常惊人 达到了80% 超过了得分65%的Febo 以及得分52%的GBT 5.6 Soul 据说 其中一项实地任务 基本上算是险些完成 所以具体取决于你如何评分 从技术上讲 这个模型在这么小的样本规模下 得分可能已经超过 不过,我们之前还没提到的是, 这并不只是一个轻量级的实验性端点。 测试人员反映, 它能够在超长上下纹下持续运行很长时间的智能体任务, 这或许可以解释为什么它在软件工程任务上 表现如此出色 在这类任务中 模型需要跟踪大量文件的状态 以及之前做出的决策 起初测试结果和社区论坛中的 大量证据都指向同一个结论 OxAlpha可能是某种新的GLM检查点 但现在看来 这一理论可能是错的 因为有新的报告称 OxAlpha并不是GLM 也不是小米的Memo 当然也不是DeepSeek的视觉模型 不过事情在这里变得更加疯狂了 因为还有传闻称 该模型最终将以开放权重的形式发布 据称它甚至可能在两台DGX Spark上本地运行 现在谜团变得更大了 如果它不是GLM 不是Memo 也不是DeepSeek 我现在真的认为它可能是MiniX 现在这是一个非常酷的演示 展示了OX Alpha的多模态能力 这次它运行在Hermes Agent中 有人给它输入了一个类似Froggers的游戏提示词 OX Alpha不仅构建了一个基础游戏 还开始加入自己的创意机制 它随机添加了一部会飞驰而来的ROG iPhone 可以杀死青妈 同时还在地图周围添加了青蛙可以收集的苍蝇 以获得额外分数 这正是多模态智能体如此有趣的地方 模型可以构建游戏 目视检查自己创建的内容 理解并看到屏幕上实际发生了什么 然后不断迭代 直到找到最佳输出 但看到这个模型竟然如此强大 确实令人难以置信 所以我非常想知道 究竟是哪家AI实验室在专注于发布这个模型 或者仍在对它进行测试 如果你想在其他人之前 获得最好的AI工具 工作流和新产品动态 请通过下方表述中的链接 加入我的免费新闻简报 完全免费 有人让他创建一张 Quincy Home的SVG图像 希望我的发音没错 内容是他在北方巡逻期间 骑着一头北极熊 而且这实际上是我见过的 所有中国AI模型中 生成效果最好的SVG之一 它确实能够让许多功能 实现动画效果 所以看到他能够做到这样的事情 真的很酷 接下来看看Claude Anthropic刚刚进行了一次 相当重大的智能体更新 因为Computer Use 浏览器工具 Skills API和Files API 现在已在Cloud平台上全面开放 这里的核心理念是 Cloud的智能体 现在不只是调用普通API了 借助Computer Use Cloud可以与甚至没有API的应用 进行交互 而浏览器工具 则让它能够直接在整个网络中 导航和执行操作 然后还有Skills API 它允许开发者为Cloud的智能体 提供可复用的技能和能力 Files API则会让智能体 更轻松的在不同任务中处理同一批文档和文件 因此 Anthropic显然正致力于打造一个完整的云端托管智能体系统 使其能够真正完成从Computer Use 浏览器工具到Skills API和Files API等各种不同的操作 如果你喜欢这段视频并愿意支持本频道 可以考虑通过下方的超级感谢选项向我的频道捐赠 或者你也可以考虑加入我们的私人Discord服务器 在那里 你每月都可以免费使用多种AI工具的订阅服务 还能获取每日AI新闻 独家内容 以及更多福利 或许如果我有时间 我可能会专门制作一期完整视频 来介绍ONEK 1.5 因为这确实是一个非常出色的本地模型 能力相当强 显然它在某些方面 无法与Qing 3.8 Max相提并论 但你仍然可以从中获得很多成果 它在不少任务上都表现得相当不错 当然使用更低的位数时 输出质量也会有所下降 如果你实际运行这个模型的 350亿参数5Q版本 它能够为你带来一些 令人难以置信的结果 临时需要马上补充编码的新闻 据报道 ChatJPT Work和Codex用户 今天似乎即将演来一个相当不错的惊喜 因为Table今天宣布了一项 以内置的使用额度重置功能 而这一消息发布之际 Codex的活跃用户数已经突破2000万 这确实相当惊人 本质上 这将为用户提供一批全新的Codex使用额度 供他们消耗 因此 你的速率限制将恢复正常 或者说恢复到100% 这意味着 你可以在整个周末继续使用Codex 不过今天的视频就到这里了 我会把今天视频中使用的所有链接 放在下方的描述栏里 记得去看看World of AI Insider Club School社区 记得订阅第二频道 加入新闻通讯 加入Discord 在Twitter上关注我 最后记得订阅频道 打开通知铃 给这个视频点赞 也请看看我们之前的视频 以便及时了解最新的AI新闻 说到这里 朋友们 祝大家度过美好的一天 传播积极正能量 我们很快再见 愿他受苦
本次執行流程與問題處理
下達指令
預期流程
- 下載與語音辨識
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
1. 下載與語音辨識
工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）
處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿
產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）
耗時：614.9 秒
關係：依序執行
結果：完成
2. 全文快速校讀
工具：videonote_rapid_transcript_review.py
處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目
產出：rapid_transcript_review_report.json（產出檔案）
耗時：44.9 秒
關係：依序執行
結果：完成
3. 建立句子單元
工具：videonote-build-sentence-units
處理：將逐字稿切成帶時間軸的句子單元
產出：sentence_units.json（句子單元）
耗時：1.0 秒
關係：依序執行
結果：完成
4. 句子密度平衡
工具：videonote_balance_sentence_units.py
處理：平衡句子長度與密度
產出：sentence_units.json（句子單元）
耗時：0.0 秒
關係：依序執行
結果：完成
5. 時間軸稽核
工具：videonote_timeline_audit.py
處理：檢查時間軸與音訊對齊
產出：timeline_audit_report.json（時間軸稽核）
耗時：0.1 秒
關係：依序執行
結果：完成
6. 品質檢查
工具：videonote_controlled_quality.py（檢查時間軸與品質）
處理：檢查語言、時間軸與可讀性品質
產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）
耗時：0.1 秒
關係：依序執行
結果：完成
7. 播放時間軸回填
工具：videonote_rebase_display_timeline.py
處理：將網頁播放時間軸回填為校正字幕時間
產出：display_timeline_rebase_report.json（時間軸回填報告）
耗時：0.1 秒
關係：依序執行
結果：完成
8. 逐字稿交叉檢查
工具：videonote_cross_check_transcript.py
處理：交叉檢查逐字稿與來源字幕
產出：transcript_crosscheck_report.json（交叉檢查）
耗時：0.2 秒
關係：依序執行
結果：完成
9. 來源句整理
工具：videonote_prepare_source_entries.py
處理：整理來源句子供時間軸與頁面使用
產出：sentence_units.json（句子單元）
耗時：0.2 秒
關係：依序執行
結果：完成
10. 生成筆記摘要
工具：videonote-generate-note（生成筆記摘要）
處理：生成筆記摘要與重點
產出：note.md（筆記 Markdown）、note.html（筆記 HTML）
耗時：129.1 秒
關係：依序執行
結果：完成
11. 建立筆記頁面
工具：videonote-render-html（產生筆記 HTML）
處理：產生可閱讀的筆記 HTML 頁面
產出：note.html（筆記 HTML）
耗時：0.2 秒
關係：依序執行
結果：完成
12. 發布公開頁面
工具：videonote-publish（發布公開頁面）
處理：發布到公開網站與每日列表
產出：公開筆記網址、result.json（管線結果）
耗時：0.2 秒
關係：依序執行
結果：完成
手動來源字幕
- 尚未產生
自動來源字幕
Whisper 字幕
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
- 校正前 transcript.whisper.json 純文字 JSON
- 校正後 transcript.json 純文字 JSON
目前待解決問題與初步改善方向
- 逐字稿全文快速校讀未完成
已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。；RAPID_REVIEW_STATUS=REVIEW_REQUIRED_INVALID_OUTPUT
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。