1
00:00:00,000 --> 00:00:29,900
M5 Pro去完成了5個維度的本地AI測試。到底它能做些什麼?我們這期把它講清楚。我發現關於MacBook測評卻少之又少。我認為MacBook在本地AI的部署上面還是比較有優勢的。我在我的官網上進行過文章的詳細分析。從硬件能力相關的,比如價格、推理的速度、減存的使用,包括內昏、帶寬、美麗進行了分析。那麼有詳細的數據。感興趣的話可以參考去官網上面相關的文章去看一看。當然我的公眾號上也有同步的文章。

2
00:00:29,900 --> 00:00:30,500
网上的视频

3
00:00:30,500 --> 00:00:32,600
然后他们都很少涉及到一个维度

4
00:00:32,600 --> 00:00:33,240
就是这个噪音

5
00:00:33,240 --> 00:00:34,500
觉得这个噪音其实挺重要的

6
00:00:34,500 --> 00:00:36,220
如果你是在家里使用的话

7
00:00:36,220 --> 00:00:37,900
这个分贝的噪音其实挺繁人的

8
00:00:37,900 --> 00:00:39,280
在一般人的家里都不会特别大

9
00:00:39,280 --> 00:00:40,460
可能如果空间小的话

10
00:00:40,460 --> 00:00:41,760
你总是有这么一个设备

11
00:00:41,760 --> 00:00:42,740
一只呜呜的声音

12
00:00:42,740 --> 00:00:43,900
特别吵人的话

13
00:00:43,900 --> 00:00:45,100
你就算再高的设备

14
00:00:45,100 --> 00:00:47,200
我觉得有的人觉得可能也没法用

15
00:00:47,200 --> 00:00:48,120
MacBook Pro呢

16
00:00:48,120 --> 00:00:49,100
我的一个感觉就是

17
00:00:49,100 --> 00:00:51,560
它的这个噪音控制是确实惊艳

18
00:00:51,560 --> 00:00:53,280
第一部分是最常见的

19
00:00:53,280 --> 00:00:54,920
LLM的文字处理能力

20
00:00:54,920 --> 00:00:58,540
那么本次使用的模型具体的有四个

21
00:00:58,540 --> 00:01:02,740
两个GAM4和两个Queen 3.6

22
00:01:02,740 --> 00:01:05,180
那么它的架构和相关的数据都在这

23
00:01:05,180 --> 00:01:09,520
发现就是他们的推理速度还是非常可用的

24
00:01:09,520 --> 00:01:14,300
尤其是GAM4的E4B模型和这个千万三的35B MOE模型

25
00:01:14,300 --> 00:01:18,080
那么虽然这个E4B是一个Dance

26
00:01:18,080 --> 00:01:19,340
也就是重蜜结构的模型

27
00:01:19,340 --> 00:01:23,800
但是呢因为它的每次激活是大概有4B的这个参数

28
00:01:23,800 --> 00:01:25,780
所以它的推理速度也是相当快

29
00:01:25,780 --> 00:01:27,480
我之前使用的经验

30
00:01:27,480 --> 00:01:30,520
我发现在具体使用上

31
00:01:30,520 --> 00:01:32,540
GAMMA模型它的图形的夜能力

32
00:01:32,540 --> 00:01:34,320
比千万3.6是高一些

33
00:01:34,320 --> 00:01:37,180
同时我还测量了所谓的月域能力

34
00:01:37,180 --> 00:01:38,640
也就是BrokerJag的能力

35
00:01:38,640 --> 00:01:40,640
BrokerJag应该就是方便生成一些

36
00:01:40,640 --> 00:01:44,480
容易造成误判的一些内容

37
00:01:44,480 --> 00:01:46,340
包括像一些踩在边界上的内容

38
00:01:46,340 --> 00:01:48,120
那么在线模型可能生成起来困难

39
00:01:48,120 --> 00:01:51,000
这个本地生成起来相对就容易很多

40
00:01:51,000 --> 00:01:52,060
在具体的测试题目上

41
00:01:52,060 --> 00:01:56,140
我是用这个Cloud生成了一些测试题目

42
00:01:56,140 --> 00:01:57,920
然后让他帮着完全全自动测试

43
00:01:57,920 --> 00:01:58,480
内容特别多

44
00:01:58,480 --> 00:02:01,020
我就不一个一个展示所有的这个答案了

45
00:02:01,020 --> 00:02:03,540
然后这是一些具体的数据

46
00:02:03,540 --> 00:02:05,140
总体给我的感觉是这样的

47
00:02:05,140 --> 00:02:07,980
它的题目都能比较好的完成预定的效果

48
00:02:07,980 --> 00:02:09,620
比如说像有分苹果的

49
00:02:09,620 --> 00:02:11,540
然后分几个的简单的这种盘数

50
00:02:11,540 --> 00:02:13,380
包括求函数的这种数学题

51
00:02:13,380 --> 00:02:15,660
或写代码的这种效果

52
00:02:15,660 --> 00:02:16,520
或修复bug

53
00:02:16,520 --> 00:02:18,880
包括判断说真假话推理过程

54
00:02:18,880 --> 00:02:19,840
或解释一些话

55
00:02:19,840 --> 00:02:22,800
然后用看看具体的执行的能力等等

56
00:02:22,800 --> 00:02:24,300
就后续的这些答案呢

57
00:02:24,300 --> 00:02:26,460
我后期将会逐渐整理

58
00:02:26,460 --> 00:02:31,460
也去把它放到我这个模型测试的

59
00:02:31,460 --> 00:02:33,060
这个页面的后边供您参考

60
00:02:33,060 --> 00:02:35,540
第二个我测试的是TTS语音

61
00:02:35,540 --> 00:02:36,580
语音合成能力

62
00:02:36,580 --> 00:02:37,300
这里边呢

63
00:02:37,300 --> 00:02:39,580
我目前搜索的资料是这样的

64
00:02:39,580 --> 00:02:40,500
它有两种架构

65
00:02:40,500 --> 00:02:42,780
一个是原声支持MLX

66
00:02:42,780 --> 00:02:45,020
这个METAL加速功能的这个架构

67
00:02:45,020 --> 00:02:46,680
那么它的速度稍微快一些

68
00:02:46,680 --> 00:02:50,460
还有一种是直接用原声这个格式的

69
00:02:50,460 --> 00:02:54,000
不是支持这个METAL加速的

70
00:02:54,000 --> 00:02:55,480
那么它俩有一个区别

71
00:02:55,480 --> 00:02:56,540
原声支持加速的呢

72
00:02:56,540 --> 00:02:59,040
它在这个进行声音克隆的时候呢

73
00:02:59,040 --> 00:02:59,900
它是没有那个功能的

74
00:02:59,900 --> 00:03:01,620
只能支持文字描述声音

75
00:03:01,620 --> 00:03:02,480
那换句话说就是

76
00:03:02,480 --> 00:03:05,560
你用一段话去让它生成一个你想要的声音

77
00:03:05,560 --> 00:03:07,140
它根据了你描述的话去生成

78
00:03:07,140 --> 00:03:09,320
然后速度还是比较快的

79
00:03:09,320 --> 00:03:11,900
它因为没有真正的实现具体声音克隆

80
00:03:11,900 --> 00:03:15,260
所以只能用另一个叫千万三的Base模型

81
00:03:15,260 --> 00:03:16,700
这个模型是原版的

82
00:03:16,700 --> 00:03:18,240
它的速度稍微慢一些

83
00:03:18,240 --> 00:03:19,760
格式呢不是最快的

84
00:03:19,760 --> 00:03:20,660
有意思发现就是

85
00:03:20,660 --> 00:03:22,440
直接用Voice Design

86
00:03:22,440 --> 00:03:24,580
也就是描述生成这个音频功能呢

87
00:03:24,580 --> 00:03:26,640
它的速度反而还比这个声音可能要慢一些

88
00:03:26,640 --> 00:03:28,020
不知道这是因为

89
00:03:28,020 --> 00:03:29,120
为什么

90
00:03:29,120 --> 00:03:30,440
可能是因为处理架构上的音

91
00:03:30,440 --> 00:03:31,660
需要注意的是它有一个bug

92
00:03:31,660 --> 00:03:34,920
就是截取的那个具体参考的参数

93
00:03:34,920 --> 00:03:37,360
所你截取的音频是需要匹配

94
00:03:37,360 --> 00:03:39,260
另外一个五秒即可

95
00:03:39,260 --> 00:03:41,140
如果这个内容特别多

96
00:03:41,140 --> 00:03:42,300
或者它两者比匹配的话

97
00:03:42,300 --> 00:03:43,240
会生成一些乱码

98
00:03:43,240 --> 00:03:44,060
真人的录音

99
00:03:44,060 --> 00:03:45,060
我们听一听这个录音

100
00:03:45,060 --> 00:03:46,300
叫做装算赤

101
00:03:46,300 --> 00:03:47,160
副算黑

102
00:03:47,160 --> 00:03:49,080
赤就是红色

103
00:03:49,080 --> 00:03:50,400
我们这次听一下

104
00:03:50,400 --> 00:03:52,900
它克隆完毕之后的声音的感觉

105
00:03:52,900 --> 00:04:03,940
大家可以听到

106
00:04:03,940 --> 00:04:05,880
这个克隆的声音简直是一家论真

107
00:04:05,880 --> 00:04:07,620
几乎听不出任何的区别

108
00:04:07,620 --> 00:04:09,060
TTLS语音合成功能上

109
00:04:09,060 --> 00:04:11,020
我觉得还是相当强大

110
00:04:11,020 --> 00:04:11,480
第三点

111
00:04:11,480 --> 00:04:12,540
看图片生成能力

112
00:04:12,540 --> 00:04:14,840
我这里选用的是质量非常高的

113
00:04:14,840 --> 00:04:15,120
这个

114
00:04:15,120 --> 00:04:18,320
Fluzy1的DVE的模型

115
00:04:18,320 --> 00:04:19,480
后侧的是两方面

116
00:04:19,480 --> 00:04:21,200
一个是直接生成图片

117
00:04:21,200 --> 00:04:22,600
另一个是使用Laura

118
00:04:22,600 --> 00:04:24,460
那么具体的生成时间在这里

119
00:04:24,460 --> 00:04:26,080
风景这个图片生成的时候呢

120
00:04:26,080 --> 00:04:28,440
它因为需要进行这个冷启动

121
00:04:28,440 --> 00:04:29,500
然后注入参数

122
00:04:29,500 --> 00:04:30,860
所以它的生成速度是最慢的

123
00:04:30,860 --> 00:04:32,800
然后接下来速度就相对来说稳定很多

124
00:04:32,800 --> 00:04:34,780
大概生成一幅像1024x1024

125
00:04:34,780 --> 00:04:37,060
也就是它的分辨率相对较高的情况下

126
00:04:37,060 --> 00:04:39,660
每一幅的图片大概是用到的

127
00:04:39,660 --> 00:04:40,920
71分到11分

128
00:04:40,920 --> 00:04:42,740
直接用Laura进行稳定

129
00:04:42,740 --> 00:04:44,640
这个真人图片克隆的情况下

130
00:04:44,640 --> 00:04:46,300
也是大概这个相同的速度

131
00:04:46,300 --> 00:04:46,840
看一下结果

132
00:04:46,840 --> 00:04:47,680
第一个是风景

133
00:04:47,680 --> 00:04:50,740
我们看到这些细节给人的感觉还是非常不错的

134
00:04:50,740 --> 00:04:51,220
效果很好

135
00:04:51,220 --> 00:04:52,300
赛博朋克的业绩

136
00:04:52,300 --> 00:04:53,220
专业商务人像

137
00:04:53,220 --> 00:04:54,440
比较抽象的液态金属

138
00:04:54,440 --> 00:04:55,340
产品设计度光影

139
00:04:55,340 --> 00:04:56,320
还是非常不错的

140
00:04:56,320 --> 00:04:59,520
比较好的执行了我需要的这个要求

141
00:04:59,520 --> 00:05:01,700
我之前没有任何训练经验

142
00:05:01,700 --> 00:05:02,380
所以我就自己

143
00:05:02,380 --> 00:05:05,260
我就自己随意拍了很多照片

144
00:05:05,260 --> 00:05:06,120
各种角度

145
00:05:06,120 --> 00:05:07,420
各种的方向

146
00:05:07,420 --> 00:05:08,220
然后各种场景

147
00:05:08,220 --> 00:05:09,280
尽量穿不同的衣服

148
00:05:09,280 --> 00:05:12,140
然后装束尽量去不一样

149
00:05:12,140 --> 00:05:13,920
然后拍摄了远近各种各样的照片

150
00:05:13,920 --> 00:05:15,120
数量是60多张

151
00:05:15,120 --> 00:05:15,840
然后加在一块

152
00:05:15,840 --> 00:05:16,780
所用的触发词

153
00:05:16,780 --> 00:05:20,180
这里的触发词就是一个所谓比较生辟的词

154
00:05:20,180 --> 00:05:21,340
然后帮助触发这个人像

155
00:05:21,340 --> 00:05:23,380
使用的相关参数是scale等1.0

156
00:05:23,380 --> 00:05:24,320
是第一张商务头像

157
00:05:24,320 --> 00:05:25,320
这个可以看起来

158
00:05:25,320 --> 00:05:26,680
就是样子是不戴眼镜的

159
00:05:26,680 --> 00:05:28,480
是我本人可能有这个送眉的习惯

160
00:05:28,480 --> 00:05:29,280
它这个地方呢

161
00:05:29,280 --> 00:05:30,820
就特别明显的捕捉到

162
00:05:30,820 --> 00:05:32,060
然后剩下两边

163
00:05:32,060 --> 00:05:36,900
我这个因为现在正在处于一直控制提供的状态下

164
00:05:36,900 --> 00:05:38,140
所以胖瘦呢有时候不太一定

165
00:05:38,140 --> 00:05:40,240
像这张照片就生成的稍微胖一点

166
00:05:40,240 --> 00:05:41,440
然后这张也是

167
00:05:41,440 --> 00:05:42,020
这是戴眼镜

168
00:05:42,020 --> 00:05:43,280
大家看到我俩现在的样子

169
00:05:43,280 --> 00:05:43,820
就先回来的

170
00:05:43,820 --> 00:05:44,660
这个是科技演讲

171
00:05:44,660 --> 00:05:45,620
然后科技演讲的呢

172
00:05:45,620 --> 00:05:46,700
这个侧面我发现的

173
00:05:46,700 --> 00:05:48,060
因为可能我给它的样子

174
00:05:48,060 --> 00:05:49,140
侧面的照片特别多

175
00:05:49,140 --> 00:05:49,740
所以这个侧面

176
00:05:49,740 --> 00:05:50,860
我觉得还非常非常像

177
00:05:50,860 --> 00:05:51,800
然后但是有一个问题

178
00:05:51,800 --> 00:05:53,480
它出现了比较严重的幻觉

179
00:05:53,480 --> 00:05:55,240
就是这个手出现了多个

180
00:05:55,240 --> 00:05:56,020
然后并且胸口

181
00:05:56,020 --> 00:05:57,340
这有一个我给它的提示词

182
00:05:57,340 --> 00:05:58,100
就伸透出来了

183
00:05:58,100 --> 00:05:58,620
HIFEN TAG

184
00:05:58,620 --> 00:05:59,600
这次生成呢

185
00:05:59,600 --> 00:06:00,500
我是直接

186
00:06:00,500 --> 00:06:01,740
不管它生成出什么来

187
00:06:01,740 --> 00:06:02,680
我全原样展示出来

188
00:06:02,680 --> 00:06:03,940
所以这是不是经过我选择的

189
00:06:03,940 --> 00:06:05,580
这就是直接一次性的

190
00:06:05,580 --> 00:06:06,160
所以等于

191
00:06:06,160 --> 00:06:07,860
我觉得成功率相对来说

192
00:06:07,860 --> 00:06:08,580
还是可用的

193
00:06:08,580 --> 00:06:09,400
非常可用的

194
00:06:09,400 --> 00:06:10,240
可能得分场景

195
00:06:10,240 --> 00:06:11,480
然后可能稍微抽抽卡

196
00:06:11,480 --> 00:06:12,440
一系列的大家看到

197
00:06:14,660 --> 00:06:15,300
一个人像的样子

198
00:06:15,300 --> 00:06:17,700
基本上是大概六成吧

199
00:06:17,700 --> 00:06:19,260
我把四成这个删除了

200
00:06:19,260 --> 00:06:20,500
六成之后生成出来的样子

201
00:06:20,500 --> 00:06:20,740
是这样

202
00:06:20,740 --> 00:06:21,500
视频生成这个部分

203
00:06:21,500 --> 00:06:22,420
那么大致是两类

204
00:06:22,420 --> 00:06:23,220
一类是完成视频

205
00:06:23,220 --> 00:06:24,820
还有一类是图生视频

206
00:06:24,820 --> 00:06:25,780
然后它的方式呢

207
00:06:25,780 --> 00:06:26,540
有两类

208
00:06:26,540 --> 00:06:27,300
一类是蒸馏模式

209
00:06:27,300 --> 00:06:27,700
速度快

210
00:06:27,700 --> 00:06:28,420
还有一类是2C

211
00:06:28,420 --> 00:06:29,140
是两阶段模式

212
00:06:29,140 --> 00:06:29,820
速度迈起

213
00:06:29,820 --> 00:06:30,980
它俩之间的速度相差

214
00:06:30,980 --> 00:06:31,500
比较明显的

215
00:06:31,500 --> 00:06:32,540
左侧是蒸馏版

216
00:06:32,540 --> 00:06:33,780
右侧是这个

217
00:06:33,780 --> 00:06:35,500
所谓更加精细的两阶段版本

218
00:06:35,500 --> 00:06:37,100
速度相差45倍吧

219
00:06:37,100 --> 00:06:38,540
两种版本各生成两

220
00:06:38,540 --> 00:06:39,580
我们先说是第一个

221
00:06:39,580 --> 00:06:41,580
城市街道这个是蒸油版生成的

222
00:06:41,580 --> 00:06:44,580
明显描述是让它生成城市街道

223
00:06:44,580 --> 00:06:45,900
但是它生成了一个室内景

224
00:06:45,900 --> 00:06:47,580
有车库刚才有白色人物

225
00:06:47,580 --> 00:06:49,580
跟城市街道的明显偏离了

226
00:06:49,580 --> 00:06:50,980
所以理解确实有问题

227
00:06:50,980 --> 00:06:52,580
第二个城市街道呢

228
00:06:52,580 --> 00:06:53,580
两街道版本

229
00:06:53,580 --> 00:06:55,580
确实生成的街道有了提升

230
00:06:55,580 --> 00:06:56,580
然后有人了

231
00:06:56,580 --> 00:06:57,580
然后有人群了

232
00:06:57,580 --> 00:06:58,580
有建筑物了

233
00:06:58,580 --> 00:07:00,580
然后时间也增大了很多

234
00:07:00,580 --> 00:07:02,580
但是这是夜间警官

235
00:07:02,580 --> 00:07:03,580
它稍微理解有点问题

236
00:07:03,580 --> 00:07:04,580
这点是有点缺陷

237
00:07:04,580 --> 00:07:06,580
第二个是科技实验室

238
00:07:06,580 --> 00:07:07,580
在科技实验室里边

239
00:07:07,580 --> 00:07:10,340
这个声唱令利母女人剩下完全的要素

240
00:07:10,340 --> 00:07:11,860
基本上没有体现出来

241
00:07:11,860 --> 00:07:14,740
像手啊键盘啊灯光啊实验室这种感觉啊

242
00:07:14,805 --> 00:07:20,805
後兩階的版本呢,生成了一個這樣的視頻。一個類似於科技人員把它腳化。有點像保安或者快遞啊,外國。

243
00:07:20,805 --> 00:07:25,805
然後它生成了這些像手臂啊、屏幕這種樣子。接近了這個描述的樣子。

244
00:07:25,805 --> 00:07:27,805
但是核心动作包括这种感觉是没有的

245
00:07:27,805 --> 00:07:28,805
我也发现了

246
00:07:28,805 --> 00:07:31,805
好像fts模型对于生成纯风景

247
00:07:31,805 --> 00:07:34,805
或者纯那种建筑物之类的那种模式

248
00:07:34,805 --> 00:07:35,805
他经常愿意加人进去

249
00:07:35,805 --> 00:07:36,805
就每一个都要有点人

250
00:07:36,805 --> 00:07:37,805
可能比较富有人性

251
00:07:37,805 --> 00:07:38,805
这是他的问题

252
00:07:38,805 --> 00:07:39,805
为了去改变这个问题

253
00:07:39,805 --> 00:07:41,805
我发现的办法就是用无声视频的方式

254
00:07:41,805 --> 00:07:42,805
给他一些图

255
00:07:42,805 --> 00:07:43,805
然后让他去发挥

256
00:07:43,805 --> 00:07:44,805
那样的话效果会好很多

257
00:07:44,805 --> 00:07:45,805
无声视频

258
00:07:45,805 --> 00:07:46,805
然后让图片说话

259
00:07:46,805 --> 00:07:48,805
找一张随机图库去测试

260
00:07:48,805 --> 00:07:49,805
可是因为他是自动测试

261
00:07:49,805 --> 00:07:50,805
我们有干预

262
00:07:50,805 --> 00:07:51,805
他测试的时候找他

263
00:07:51,805 --> 00:07:52,805
本来说想说一个人让他说话

264
00:07:52,805 --> 00:07:53,645
说一个人让他说话

265
00:07:53,645 --> 00:07:54,765
结果找成了一只狗

266
00:07:54,765 --> 00:07:57,525
最终生成的样子确实是一只狗

267
00:07:57,525 --> 00:08:00,445
他没有说最后变成人活还是怎么样的

268
00:08:00,445 --> 00:08:02,725
但是他这个样子就勉强动动嘴

269
00:08:02,725 --> 00:08:03,925
如果用真人我之前试着

270
00:08:03,925 --> 00:08:04,885
本次测试没有试过来

271
00:08:04,885 --> 00:08:05,965
几秒钟之后

272
00:08:05,965 --> 00:08:07,325
一两秒立马就变形了

273
00:08:07,325 --> 00:08:09,325
具体生成的视频的样子

274
00:08:09,325 --> 00:08:10,325
我们简单看一下

275
00:08:10,325 --> 00:08:11,325
中流版的

276
00:08:11,325 --> 00:08:12,005
这是美女

277
00:08:12,005 --> 00:08:12,565
运动美女

278
00:08:12,565 --> 00:08:13,285
还得车库的

279
00:08:13,285 --> 00:08:14,245
是两阶段版本的两个

280
00:08:14,245 --> 00:08:15,165
很明显动作

281
00:08:15,165 --> 00:08:17,685
他的样子变得就更加活跃一点

282
00:08:17,685 --> 00:08:18,325
动作也有了

283
00:08:18,325 --> 00:08:18,925
是实验室的

284
00:08:18,925 --> 00:08:20,005
一个阿三在这白话

285
00:08:20,005 --> 00:08:21,325
就像是一个泰国人他在说话

286
00:08:21,325 --> 00:08:23,685
你看他脸上这种雀斑这种表情

287
00:08:23,685 --> 00:08:25,545
我们能看到他确实挺像真人的

288
00:08:25,545 --> 00:08:26,345
这个效果是不错的

289
00:08:26,345 --> 00:08:28,205
综合评价我觉得就差很多了

290
00:08:28,205 --> 00:08:29,845
首先速度相对慢

291
00:08:29,845 --> 00:08:32,225
然后这个T14理解稍显差

292
00:08:32,225 --> 00:08:33,665
然后身份保持也不太行

293
00:08:33,665 --> 00:08:34,625
所以我觉得是这样

294
00:08:34,625 --> 00:08:35,765
这个视频生成能力

295
00:08:35,765 --> 00:08:36,885
目前LTX模型

296
00:08:36,885 --> 00:08:38,485
如果用一些视频里边的匕骤

297
00:08:38,485 --> 00:08:39,965
或者进行一些原型的

298
00:08:39,965 --> 00:08:41,605
比如展示一下你想要的东西

299
00:08:41,605 --> 00:08:42,565
但是直接可能不行

300
00:08:42,565 --> 00:08:44,025
我试了很多次全完蛋了

301
00:08:44,025 --> 00:08:45,685
下一部分世界理解部分

302
00:08:45,685 --> 00:08:46,925
这个世界理解部分呢

303
00:08:46,925 --> 00:08:47,685
这个模型是这样的

304
00:08:47,685 --> 00:08:48,705
这个模型带V的

305
00:08:48,705 --> 00:08:50,005
Vision 7B一般的模型

306
00:08:50,005 --> 00:08:50,965
专门是理解图片

307
00:08:50,965 --> 00:08:51,985
第一个是代码识别

308
00:08:51,985 --> 00:08:53,385
第二个是一些图表识别

309
00:08:53,385 --> 00:08:54,765
第三个是界面

310
00:08:54,765 --> 00:08:56,505
这是一个模拟的计算机编程界面

311
00:08:56,505 --> 00:08:59,345
然后还有一个识别图片

312
00:08:59,345 --> 00:09:01,085
还是依旧是用这个狗为识别的

313
00:09:01,085 --> 00:09:01,705
本来说是个人

314
00:09:01,705 --> 00:09:02,825
然后让它识别

315
00:09:02,825 --> 00:09:04,405
确实最后输出了

316
00:09:04,405 --> 00:09:04,905
没有人物

317
00:09:04,905 --> 00:09:05,665
只有一只哈布狗

318
00:09:05,665 --> 00:09:06,845
这个相当厉害

319
00:09:06,845 --> 00:09:09,225
不会遵从人的这种强制的复杂图片

320
00:09:09,225 --> 00:09:10,285
需要识别的时候

321
00:09:10,285 --> 00:09:12,405
它在统计数字的上面

322
00:09:12,405 --> 00:09:13,945
确实不太主意

323
00:09:13,945 --> 00:09:14,745
双图对比的时候

324
00:09:14,745 --> 00:09:16,305
天鹅宝和在安风景

325
00:09:16,305 --> 00:09:18,165
他说是跟咖啡馆有关

326
00:09:18,165 --> 00:09:18,865
有点偏差

327
00:09:18,865 --> 00:09:20,025
是具体的一些结果

328
00:09:20,025 --> 00:09:22,405
那么描述比如说场景

329
00:09:22,405 --> 00:09:23,085
什么样子的

330
00:09:23,085 --> 00:09:23,865
主体什么样的

331
00:09:23,865 --> 00:09:24,265
大楼

332
00:09:24,265 --> 00:09:25,445
包括毛树人物

333
00:09:25,445 --> 00:09:26,985
这边他说了图片只有一只哈布狗

334
00:09:26,985 --> 00:09:27,745
有一个分析图表

335
00:09:27,745 --> 00:09:29,325
然后他给出了具体年月日

336
00:09:29,325 --> 00:09:30,825
最高值平均值等等等等的

337
00:09:30,825 --> 00:09:31,525
识别出来了

338
00:09:31,525 --> 00:09:32,905
然后代码理解

339
00:09:32,905 --> 00:09:34,825
他理解出来的相关的内容

340
00:09:34,825 --> 00:09:35,405
贝波那奇数列

341
00:09:35,405 --> 00:09:35,885
数东西

342
00:09:35,885 --> 00:09:36,925
然后他数列大堆

343
00:09:36,925 --> 00:09:37,725
这个数彩的花椒

344
00:09:37,725 --> 00:09:38,205
分析图片

345
00:09:38,205 --> 00:09:38,905
然后分析相同点

346
00:09:38,905 --> 00:09:39,245
不同点

347
00:09:39,245 --> 00:09:40,245
他说了包括哈维胡

348
00:09:40,245 --> 00:09:40,925
当然刚才看了

349
00:09:40,925 --> 00:09:41,265
这是风景

350
00:09:41,265 --> 00:09:41,865
最终结论吧

351
00:09:41,865 --> 00:09:44,205
首先实时对话这个是非常可用的

352
00:09:44,205 --> 00:09:45,125
流畅然后准确

353
00:09:45,125 --> 00:09:46,865
视觉理解是非常棒的

354
00:09:46,865 --> 00:09:47,325
大家看到

355
00:09:47,325 --> 00:09:48,985
它能准确识别数字啊

356
00:09:48,985 --> 00:09:49,865
C些图柄什么的

357
00:09:49,865 --> 00:09:50,665
外界的问题不大

358
00:09:50,665 --> 00:09:51,345
然后声音克隆

359
00:09:51,345 --> 00:09:52,125
刚才大家听到

360
00:09:52,125 --> 00:09:52,905
简直是完美

361
00:09:52,905 --> 00:09:53,885
这个图像生成呢

362
00:09:53,885 --> 00:09:54,965
等于是速度稍微慢

363
00:09:54,965 --> 00:09:55,785
克隆震灵来提升

364
00:09:55,785 --> 00:09:57,545
视觉模型的差距非常大

365
00:09:57,545 --> 00:09:59,565
只能生成一些基本的内容

366
00:09:59,565 --> 00:10:00,565
给人用氛围感

367
00:10:00,565 --> 00:10:01,285
人脸一致性

368
00:10:01,285 --> 00:10:02,105
基本上不可用

369
00:10:02,105 --> 00:10:05,025
这个MacBook Pro M564G配置上

370
00:10:05,025 --> 00:10:06,625
然后小而快的模型

371
00:10:06,625 --> 00:10:07,585
还是比较有价值

372
00:10:07,585 --> 00:10:09,565
相信随着苹果架构本身的它的完善

373
00:10:09,565 --> 00:10:11,445
相关配置环境的完善

374
00:10:11,445 --> 00:10:14,805
我觉得它的提升应该还是会很迅速的