逐字稿文字預覽
今天凌晨open ai正式推送了gbt6 astra 这是目前全世界最强的 ai大模型 从 ai大模型的基准测试结果来看 gbt6也是断档式的领先了目前所有已经存在的 ai大模型 也包括在本周三刚刚推出的cloud 5.1 并且在arcagi-3的测试中 gbt6的得分居然高达99.9% 上一代的gbt5.6得分仅为7.8% 这意味着gbt6已经大跨步的迈向了agi时代 同时OpenEye给出的GPT6的详细介绍文档中 也是展示了最少50个GPT6的一个使用场景 以及它产出的一些效果 可以说整个GPT6在游戏制作专有的一些领域 以及普通的工作 还有去来做科研方面 整个的能力以及产出的效果 真的给我的感觉就是卧槽实在是太强了 所以本期视频我将结合OpenEye给出的这篇详细的介绍文档 来跟大家分享整个GPT6的一个应用到底有多么的强 以及想要通过整个的基准测试 来跟大家横向对比跟cloud 5.1以及gbt 5.6solar 比整个gbt6的一个提升到底是有多么的强 哈喽大家好 欢迎大家来到viktok 本期视频想跟大家分享 在刚过去一天里整个AI行业有哪些大事发生 如果你喜欢我的视频 请点赞关注本频道 大家点赞与关注 就是我坚持下去的最大动力 感谢各位的一个点赞 在仔细的读完gbt6 Astra的一个介绍文档后 我个人的一个评价只有五个字 卧槽太强了 因为之前新模型的介绍文档 模仿会花大篇幅来去介绍 他们在基准测试能力方面的一些提升 而整个GPT6的介绍文档 除了介绍整个基准测试的一个成绩之外 还至少展示了得有50个实际的一个应用场景 以及用GPT6所产生的一个效果 可以说GPT6在整个的游戏制作 编写代码 以及处理专业领域的专有工作方面 包括在做科研 都展示了令人非常吃惊的一个能力 我们首先来过一下 它的一个基准测试能力的实际评分 在这里openI用gbt6 gbt5.6以及cloud5.1 也就是在本周三刚刚才推出的这个大模型来去做了一个对比 而在周三的视频中我也跟大家介绍了cloud5.1的最核心能力值的提升 其实就是来自于科研能力 那么它的科研能力来到了52.6 而整个gbt6的得分直接来到了64.6 可以说直接又是超过了cloud5.1一代的一个水平 而且其中更吓人的是在arcai-3的一个基准测试中 它的得分有99.9% 那么ARCAGI-3测试是一个专门测试 AI大模型是否能够达到AGI能力的一个值 所以它99.9%的得分 是不是意味着GPT6已经达到了AGI 而且我看到有人用GPT6去做了一个游戏 他用GPT6做了一个类似于GTA的这种游戏 那么GPT6去往里面去加了非常多的这个AI证图 来去填充了各种的一些人物角色 在短短的几十分钟后 那么这些人物居然可以开始自己进行交流 而且开始去构建自己的一个家园了 所以这是不是整个AGI的一个能力展现 而且你看到他给出的这个视频是非常粗糙的 因为他说他就用整个Astra去简单的写了几行提示词 然后他就开始去自己的跑这个任务了 那么这个视频也是长达9分钟 今天也是在外网上直接都传封了 那么这个视频也是向大家展示了 整个Astra的一个实际的能力到底是有多强 然后我们来看一下他的一个详细的介绍文档 一个个的去跟大家来去过 那么刚才的这个实际的精准测试 我也跟大家看过了 那你发现就是多种测试 它几乎都是断档式的领先 目前所有的这种AI大模型的 而且在这个理解用户意图 还有模型行为方面的一个测试 GPT的Ultra已经将错误率降低到了0% 而上一代GPT 5.6 Solar 却还有48.2%的一个错误 所以如果你要对应 OpenAI在今天发布会上 所写的第一句话 任何在你电脑上能做的事情 Ultra都能帮你完成 而且速度更快 所以确实在整个computer use方面的一个得分 整个gpto也是非常高的 并且他已经知道用户到底想做什么 他也不会像gpto5.6一样去调用过多的一些超额权限 所以在整个安全性方面整个提升也是很多 所以这个astra基本上就是一个可以能够帮你接管电脑的一个实际AI大模型 那么关于更多的这种实际的测试我们就不看了 我们来看一下他在多个实际用力方面的一些实际结果 第一个是他来去画这个PCB电路图 那么PCB电路图这里解释了 是目前电子产品的一个不可或缺的一部分 但是是一个需要手工完成的任务 也是电子设计流程中常见的延迟来源 那么在这里面 他仅用了15秒钟的时间 就已经完全画出了这个电路图 去大幅度的提升了 去来设计PCB电路图的一个速度 那么同时在整个Excel表格的一个制作方面 那么他的一个金融建模速度 去人类冠军的有4倍 这个也是很夸张 而且你看 在整个游戏开发方面 它也是沉浸式的来去构建 这种类似于我的世界 这样的一些3D的一些游戏 而且拥有更多的一些可扩展性 跟一些可变性 并且在填写1040这个报税表格中 那么它的速度也是极快的 那么在输出各种前端方面 那么它的一个展示就更是非常夸张了 那么还有设计整个汽车变速器的一些模型 你都可以一个个的去来看 包括来去起草整个法律文件 法律备忘录 它的速度标准 还有使用word的一些细节 也都是做的真的非常非常好 那么下面有一些 比如说去来搜索一些儿科医生 可能想用到的一些内容 那么在这里也都有很快的展示 还有是帮你去寻找公寓 还有选择一些公寓 并且对行一些筛选 那么它的使用时间 仅有9分钟57秒 还有对车管所进行预约 包括去写一些低碳零食的一些论文 还有在做整个幼儿园的实际分析 它的一个速度都很快 而且整个阐述的结果 我觉得都是非常非常的厉害的 那么下面也有 他对于这个实际专业工作的一些变化 你看到在写整个PPT 电子表格 还有整个文档样式方面 那么我觉得他做的 已经几乎超越了工作五年的一些人类 因为这个其实是一些非编码任务啊 我们自己也能够看懂 而且可能很多人的工作就是在做这个 所以我觉得GPT6一出 这些人基本上也是只需要去学会 如何用GPT6就可以了 而且在整个虚拟引擎渲染方面 他给出的这个实际效果视频也是非常夸张 不知道大家有没有用过所谓的VR看房 我觉得他的这个实际的引擎展示 已经直接超过了VR的实际设定 那么还有去来设定各种模型啊 以及来去做整个房间的一些实际效果图 我觉得这个产出啊 简直就是非常夸张 就是你找一个再好的房屋中介房屋设计师 让他来去帮你的这个房子 做一个什么装修效果 包括一些设计的等等 那么他可能真的没有整个AI做的好 这点也真的是很夸张 而且在制作游戏方面 那么这个卡丁车游戏啊 大家也可以去来试玩一下 那么在GPT5.6 Solar发布的时候 我记得他们也做过类似的一款游戏 那么整个游戏 无论是从实际的画面感操作感 包括整个游戏的交互方面 也均叫上一代有了很多的提升 就是如果你翻开GPT5.6的一个介绍文档 跟这个游戏所需做一下对比 你会发现上一个产品 简直就像小学生来去做的 那么还有这个类似于宇宙飞船的一些游戏 这个的设定也是很厉害 也能把整个宇宙飞船去转化为这个3D模型 而且也是能够承担初始的一些建模工作 那么同时如果要去制作一些网页 还有一些做专业的搜索 包括来去做一些购物清单 在处理这种日常的琐碎的任务方面 整个GPT6也是要比5.6给出的结果更加的详细且准确 并且也能够更好的理解 你想要做的一些实际的逻辑 那么在代码方面 由于我自己不是这个代码工程师 所以我没有办法来通过实际的效果来跟大家展示 我们就看一下他的基准测试能力评分吧 就是在几乎所有的基准测试方面 他都直接跑到了第一 特别是在整个数据库迁移任务方面 他的得分可以说是目前最高的 而且也是断档式的领先了其他几家 后面就是他在介绍的怎么样去来对 后面就是他在介绍的怎么样去来对于科学研究这方面的一些推送 那么这也是直接跟cloud 5.1来去做一些竞争 因为5.1的核心就是去来推动了整个科研的进步 再去处理一些专有的数学问题 还有一些科学评估问题 以及来去做一些药物方面 那么它的一个测试评分和能力 也真的是很强 可以说如果Cloud的发报5.1 开始对整个科研领域进行了AI的探索化 那么整个GPT6可以说 已经开始将整个科研 逐步的做成了流程化 在整个测序蛋白质的质量 还有来去做整个细胞追踪方面 它可以去非常快速的去减轻 目前科研人员的这个实际的工作量 也就是目前一些可能没有那么复杂的一些科研工作都直接可以交给他来做 然后就是网络安全能力方面 那么网络安全能力也是整个Astra去延期到今天所才发布的一个关键 并且在周三的时候整个openai也是发了一篇文章来介绍了Astra在网络安全能力方面的一些提升 特别是他们在6月到8月所做的这个能力值的提升 你看到相较于gbt5.6 它的一个提升简直就是它的一个三到四倍 所以整个的提升值可以说是非常的夸张 那么关于网络安全方面 它在这里也是展示了压力测试的一个成绩 那么GPT6的一个测试成绩仅为2.4 那么像File 5.1还有9% Opus 5还有11% 可以说整个压力测试也是真的很厉害 包括绕过自动审核 以及我刚才介绍的理解用户意图方面 它的得分也真的是非常高 并且在降低AI幻觉方面 它也有了质的提升 GPT5.6的幻觉还有18%到10% 那么这次直接有5%到1%左右 所以这个的提升也是很明显 怎么说呢 就我只能说在每一个领域方面 好像GPT6 Astra都把AI带到了一个全新的时代上 如果说GPT5.6和GPT Work 是让人们可以去来用AI来去处理一些非编码的工作 而且整个的效率得到了质的提升的话 GPT6 Astra则是把一个更聪明的大脑直接放到了这个产品中 可以说这是整个AI时代的一次跨时代的产品更新 所以我看完之后就是真的实在是太强了 已经迫不及待的想要去用它来去玩一玩了 只不过说目前呢 整个GPT用函并没有进行推送 他也说会在未来几天去逐步的向所有付费用户进行推送 包括整个plus用户 目前呢 它的一个价格也是将较于5.6 Astra发了有2.5倍 那么它的一个输入价格是10美金EM 然后每百万的输出是50美金 可以说整个的价格是非常贵的 但是在整个token的消耗量方面 他也说要比gbt5.6少了 大概有60%到70左右 所以更少的token消耗对应更多的一个价格 可能实际的使用体感应该也差不多 但是按照之前大模型推出的一个实际的效果来看 可能这个价格和token的消耗都会水涨船高 但这个也其实真的合理 毕竟目前gbt有的一个能力 我觉得从他展示来看真的是很强 所以目前我只能说通过它的一个介绍文档 跟大家去来展示它到底有多强 等后面它推送我自己用几天之后 再跟大家去来做一个详细的教程 来看看GPT6到底如何去来帮助你提升实际的一个工作流 我上一期来去介绍GPT5.6和Codex接管工作流的视频 也是获得了大家非常多的一个关注 所以我觉得这次GPT6换上了一个更牛的大脑 应该去对工作流的提升也是非常的立竿见影 可以说整个gbt6 Astra就是目前跨时代的一个AI产品 它的推出可能真的不亚于苹果推出iphonex 所以大家真的后面开始用起来 然后进行测试起来吧 我觉得这个产品真的也是目前能够引爆目前AI行业的一个产品 可以说gbt6推出来以后 已经跟cloud完全拉出了一代的一个差距 那么这也是openei跟Athrapic这两家公司 在2025年到现在拉开的最大的一个差距了 那么Athrapic也要在今年上市 所以我不知道gb6 Astra的推出是否会对它上市ipo的一个估值产生一定的一个影响 同时我们也看到像詹的3.8也是在昨天的时候发布 我也跟大家写了相关的一些介绍文档 然后cloud file 5.1也是在周三发布 可以说本周也是ai的绝对的一个大周 我建议大家这些新的模型 如果你能用的话最好也都调用起来 毕竟目前你使用gb6 Astra 哪怕你开最高级的pro 你每个月的一个花费也就是200多美金 但是我觉得它能够帮助你解决的一个任务 以及优化你的一些工作流的价值 是远远要超过200美金的 所以最强的大模型已经放给大家了 我也希望各位可以去花更多的时间 来去学习研究 以及怎么样去用GPTW Astra 去来优化和提升你的工作 毕竟我个人认为 整个AI大模型还只是一个工具 核心还是人类做事情的一个逻辑 以及我们的一些坚持 毕竟哪怕你看好一个领域 有再好的工作 你不去坚持去努力去做 其实也是没有用的 所以在下周的视频中 我会向大家展示 我如何用gbtu astra 去来优化我的工作流 也是希望可以帮助各位去更好的去学会以及使用目前的这个最大的大模型 接下来其实就是等待时间 我们等一等在周末或者是下周的早些时候 可以开始去来使用gbtu astra这个大模型真的是很强 我建议大家都赶紧去来用起来 好 以上就是本期的一些所有内容了 如果你喜欢我的视频 请点赞关注我的频道 感谢各位的一个支持 我们下期视频再见 拜拜
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：326.3 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：1.0 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：1.0 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：0.1 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：0.1 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：135.8 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：0.9 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：1.0 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。