start	end	text
0	29900	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的測評卻少之又少。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。
29900	30460	网上的视频
30460	32600	然后他们都很少涉及到一个维度
32600	33240	就是这个噪音
33240	34500	觉得这个噪音其实挺重要的
34500	36220	如果你是在家里使用的话
36220	37920	这个分贝的噪音其实挺繁人的
37920	39280	在一般人的家里都不会特别大
39280	40460	可能如果空间小的话
40460	41760	你总是有这么一个设备
41760	42740	一只呜呜的声音
42740	43900	特别吵人的话
43900	45100	你就算再高的设备
45100	47200	我觉得有的人觉得可能也没法用
47200	48120	MacBook Pro呢
48120	49100	我的一个感觉就是
49100	51560	它的这个噪音控制是确实惊艳
51560	53280	第一部分是最常见的
53280	54920	LLM的文字处理能力
54920	58540	那么本次使用的模型具体的有四个
58540	62740	两个GAM4和两个Queen 3.6
62740	65180	那么它的架构和相关的数据都在这
65180	69520	发现就是他们的推理速度还是非常可用的
69520	74300	尤其是GAM4的E4B模型和这个千万三的35B MOE模型
74300	78080	那么虽然这个E4B是一个Dance
78080	79340	也就是稠密结构的模型
79340	83800	但是呢因为它的每次激活是大概有4B的这个参数
83800	85780	所以它的推理速度也是相当快
85780	87480	我之前使用的经验
87480	90520	我发现在具体使用上
90520	92540	GAMMA模型它的图形的夜能力
92540	94320	比千万3.6是高一些
94320	97180	同时我还测量了所谓的月域能力
97180	98640	也就是BrokerJag的能力
98640	100640	BrokerJag应该就是方便生成一些
100640	104480	容易造成误判的一些内容
104480	106340	包括像一些踩在边界上的内容
106340	108120	那么在线模型可能生成起来困难
108120	111000	这个本地生成起来相对就容易很多
111000	112060	在具体的测试题目上
112060	116140	我是用这个Cloud生成了一些测试题目
116140	117920	然后让他帮着完全全自动测试
117920	118480	内容特别多
118480	121040	我就不一个一个展示所有的这个答案了
121040	123540	然后这是一些具体的数据
123540	125140	总体给我的感觉是这样的
125140	127980	它的题目都能比较好的完成预定的效果
127980	129620	比如说像有分苹果的
129620	131540	然后分几个的简单的这种盘数
131540	133380	包括求函数的这种数学题
133380	135660	或写代码的这种效果
135660	136520	或修复bug
136520	138880	包括判断说真假话推理过程
138880	139840	或解释一些话
139840	142800	然后用看看具体的执行的能力等等
142800	144300	就后续的这些答案呢
144300	146440	我后期将会逐渐整理
146440	151460	也去把它放到我这个模型测试的
151460	153060	这个页面的后边供您参考
153060	155540	第二个我测试的是TTS语音
155540	156580	语音和声能力
156580	157280	这里边呢
157280	159580	我目前搜索的资料是这样的
159580	160500	它有两种架构
160500	162760	一个是原声支持MLX
162760	165020	这个METAL加速功能的这个架构
165020	166680	那么它的速度稍微快一些
166680	170460	还有一种是直接用原声这个格式的
170460	174000	不是支持这个METAL加速的
174000	175480	那么它俩有一个区别
175480	176540	原声支持加速的呢
176540	179040	它在这个进行声音克隆的时候呢
179040	179900	它是没有那个功能的
179900	181620	只能支持文字描述声音
181620	182480	那换句话说就是
182480	185560	你用一段话去让它生成一个你想要的声音
185560	187140	它根据了你描述的话去生成
187140	189320	然后速度还是比较快的
189320	191900	它因为没有真正的实现具体声音克隆
191900	195260	所以只能用另一个叫千万三的Base模型
195260	196700	这个模型是原版的
196700	198240	它的速度稍微慢一些
198240	199760	格式呢不是最快的
199760	200660	有意思发现就是
200660	202440	直接用Voice Design
202440	204580	也就是描述生成这个音频功能呢
204580	206640	它的速度反而还比这个声音可能要慢一些
206640	208020	不知道这是因为
208020	209120	为什么
209120	210440	可能是因为处理架构上的音
210440	211660	需要注意的是它有一个bug
211660	214920	就是截取的那个具体参考的参数
214920	217360	所你截取的音频是需要匹配
217360	219260	另外一个五秒即可
219260	221140	如果这个内容特别多
221140	222300	或者它两者比匹配的话
222300	223240	会生成一些乱码
223240	224060	真人的录音
224060	225060	我们听一听这个录音
225060	226300	叫做正算赤
226300	227160	复算黑
227160	229080	赤就是红色
229080	230400	我们这次听一下
230400	232900	它克隆完毕之后的声音的感觉
232900	243940	大家可以听到
243940	245880	这个克隆的声音简直是一家论真
245880	247620	几乎听不出任何的区别
247620	249060	TTLS语音合成功能上
249060	251020	我觉得还是相当强大
251020	251480	第三点
251480	252540	看图片生成能力
252540	254840	我这里选用的是质量非常高的
254840	258300	这个Fluzy1的DV1的模型
258300	259480	后侧的是两方面
259480	261200	一个是直接生成图片
261200	262600	另一个是使用Laura
262600	264460	那么具体的生成时间在这里
264460	266080	风景这个图片生成的时候呢
266080	268440	它因为需要进行这个冷启动
268440	269500	然后注入参数
269500	270860	所以它的生成速度是最慢的
270860	272800	然后接下来速度就相对来说稳定很多
272800	274780	大概生成一幅像1024x1024
274780	277060	也就是它的分辨率相对较高的情况下
277060	279660	每一幅的图片大概是用到的
279660	280920	71分到11分
280920	282740	直接用Laura进行稳定
282740	284640	这个真人图片克隆的情况下
284640	286300	也是大概这个相同的速度
286300	286840	看一下结果
286840	287680	第一个是风景
287680	290740	我们看到这些细节给人的感觉还是非常不错的
290740	291220	效果很好
291220	292300	赛博朋克的业绩
292300	293220	专业商务人像
293220	294440	比较抽象的液态金属
294440	295340	产品设计度光影
295340	296320	还是非常不错的
296320	299520	比较好的执行了我需要的这个要求
299520	301700	我之前没有任何训练经验
301700	302380	所以我就自己
302380	305260	我就自己随意拍了很多照片
305260	306120	各种角度
306120	307420	各种的方向
307420	308220	然后各种场景
308220	309280	尽量穿不同的衣服
309280	312140	然后装束尽量去不一样
312140	313920	然后拍摄了远近各种各样的照片
313920	315120	数量是60多张
315120	315840	然后加在一块
315840	316780	所用的触发词
316780	320180	这里的触发词就是一个所谓比较生辟的词
320180	321340	然后帮助触发这个人像
321340	323380	使用的相关参数是scale等1.0
323380	324320	是第一张商务头像
324320	325320	这个可以看起来
325320	326680	就是样子是不戴眼镜的
326680	328480	是我本人可能有这个送眉的习惯
328480	329280	它这个地方呢
329280	330820	就特别明显的捕捉到
330820	332060	然后剩下两边
332060	336900	我这个因为现在正在处于一直控制提供的状态下
336900	338140	所以胖瘦呢有时候不太一定
338140	340240	像这张照片就生成的稍微胖一点
340240	341440	然后这张也是
341440	342020	这是戴眼镜
342020	343280	大家看到我俩现在的样子
343280	343820	就先回来的
343820	344680	这个是科技演讲
344680	345640	然后科技演讲的呢
345640	346700	它那个侧面我发现的
346700	348060	因为我可能我给它的样子
348060	349160	侧面的照片特别多
349160	350860	所以这个侧面我觉得还非常非常像
350860	351800	然后但是有一个问题
351800	353480	它出现了比较严重的幻觉
353480	355240	就是这个手出现了多个
355240	356480	然后并且胸口这有一个
356480	357340	我给它的提示词
357340	358100	它就伸透出来了
358100	358640	HIFENTAGE
358640	359600	这次生成呢
359600	360520	我是直接
360520	361740	不管它生成出什么来
361740	362680	我全原样展示出来
362680	363940	所以这是不是经过我选择的
363940	365580	这就是直接一次性的
365580	366160	所以等于
366160	367860	我觉得成功率相对来说
367860	368580	还是可用的
368580	369400	非常可用的
369400	370240	可能得分场景
370240	371480	然后可能稍微抽抽卡
371480	372440	一系列的大家看到
372440	373820	经过我多次生成之后
373820	375260	生成出来的这个人像的样子
375260	377660	基本上是大概六成吧
377660	379260	我把四成那个删除了
379260	380480	六成之后我生成出来的样子
380480	381480	是这个视频生成这个部分
381480	382360	那么大致是两类
382360	383140	一类是完成视频
383140	384160	还有一类是图生视频
384160	385760	然后它的方式呢
385760	386480	有两类
386480	387240	一类是蒸馏模式
387240	387640	速度快
387640	388340	还有一类是图碎
388340	389100	是两阶段模式
389100	389580	速度迈起
389580	391500	它俩之间的速度相差比较明显的
391500	392340	左侧是蒸馏版
392340	393520	右侧是这个
393520	395420	所谓更加精细的两阶段版本
395420	397100	速度相差4-5倍吧
397100	398180	两种版本各生成力
398180	400000	总的先说是第一个城市街道
400000	401540	这个是蒸油版生成的
401540	404180	明显这个描述是让它生成城市街道
404180	404940	但是呢
404940	405900	它生成了一个室内景
405900	407280	有车库刚才有白色人物
407280	409720	跟那个城市街道的明显偏离了
409720	410880	所以理解确实有问题
410880	412440	第二个城市街道呢
412440	413520	两街道版本
413520	415480	确实生成的街道有了提升
415480	416260	然后有人了
416260	417460	然后有人群了
417460	418180	有建筑物了
418180	420600	然后时间也增大了很多
420600	421460	但是呢
421460	422200	这是夜间警官
422200	423280	它稍微理解有点问题
423280	424280	这点是有点缺陷
424280	426100	第二组是科技实验室
426100	427320	在科技实验室里边
427320	429020	这个生长力力度女人
429020	430280	剩下完全的要素
430280	431860	基本上没有体现出来
431860	433700	像手啊 键盘啊 灯光啊
433700	434740	实验室这种感觉啊
435805	440805	兩接的版本,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。
440805	445805	然後它生成了這些像手臂啊、屏幕這種樣子。接近了描述的樣子。
445805	447805	但是核心动作包括这种感觉是没有的
447805	448805	我也发现了
448805	451805	好像STS模型对于生成纯风景
451805	454805	或者纯那种建筑物之类的那种模式
454805	455805	他经常愿意加人进去
455805	456805	就每一个都要有点人
456805	457805	可能比较富有人性
457805	458805	这是他的问题
458805	459805	为了去改变这个问题
459805	461805	我发现的办法就是用无声视频的方式
461805	462805	给他一些图
462805	463805	然后让他去发挥
463805	464805	那样的话效果会好很多
464805	465805	无声视频
465805	466805	然后让图片说话
466805	468805	找一张随机图库去测试
468805	469805	可是因为他是自动测试
469805	470805	我们有干预
470805	471805	他测试的时候找他
471805	472805	本来说想说一个人让他说话
472805	473645	说一个人让他说话
473645	474765	结果找成了一只狗
474765	477525	最终生成的样子确实是一只狗
477525	480445	他没有说最后变成人活还是怎么样的
480445	482765	但是他这个样子就勉强动动自为
482765	483925	如果用真人我之前试的
483925	484885	本次测试没有试过来
484885	485965	几秒钟之后
485965	487325	一两秒立马就变形了
487325	489325	具体生成的视频的样子
489325	490325	我们简单看一下
490325	491325	蒸馏版的
491325	492005	这是美女
492005	492565	运动美女
492565	493285	还得车库的
493285	494245	是两阶段版本的两个
494245	495165	很明显动作
495165	497685	他的样子变得就更加活跃一点
497685	498325	动作也有了
498325	498925	是实验室的
498925	500005	一个阿三在这白话
500005	501325	就像是一个泰国人他在说话
501325	503685	你看他脸上这种雀斑这种表情
503685	505545	我们能看到他确实挺像真人的
505545	506345	这个效果是不错的
506345	508225	综合评价我觉得就差很多了
508225	509845	首先速度相对慢
509845	512225	然后这个T14理解稍显差
512225	513665	然后身份保持也不太行
513665	514625	所以我觉得是这样
514625	515765	这个视频生成能力
515765	516885	目前ILTX模型
516885	518485	如果用一些视频里边的匕骤
518485	519965	或者进行一些原型的
519965	521605	比如展示一下你想要的东西
521605	522565	但是直接可能不行
522565	524025	我试了很多次全完蛋了
524025	525685	下一部分世界理解部分
525685	526925	这个世界理解部分呢
526925	527685	这个模型是这样的
527685	528705	这个模型带V的
528705	530005	Vision 7B一般的模型
530005	530965	专门是理解图片
530965	531985	第一个是代码识别
531985	533385	第二个是一些图表识别
533385	534765	第三个是界面
534765	536505	这是一个模拟的计算机编程界面
536505	539345	然后还有一个识别图片
539345	541085	还是依旧是用这个狗为识别的
541085	541945	本来说是个人嘛
541945	542825	然后让它识别
542825	544405	确实最后输出了
544405	544905	没有人物
544905	545665	只有一只哈布狗
545665	546845	这个相当厉害
546845	549225	不会遵从人的这种强制的复杂图片
549225	550285	需要识别的时候
550285	552405	它在统计数字的上面
552405	553945	这个确实不太主意
553945	554725	双图对比的时候
554725	556305	天鹅宝和在安风景
556305	558165	他说是跟咖啡馆有关
558165	558865	有点偏差
558865	560025	是具体的一些结果
560025	562405	那么描述比如说场景
562405	563085	什么样子的
563085	563865	主体什么样的
563865	564265	大楼
564265	565445	包括毛树人物
565445	566985	这边他说了图片只有一只哈布狗
566985	567745	有一个分析图表
567745	569325	然后他给出了具体年月日
569325	570825	最高值平均值等等等等的
570825	571525	识别出来了
571525	572905	然后代码理解
572905	574805	他理解出来的相关的内容
574805	575885	贝波那奇数列数东西
575885	576925	然后他数列大堆
576925	577725	这个数彩的花胶
577725	578205	分析图片
578205	578905	然后分析相同点
578905	579245	不同点
579245	580245	他说了包括韩维胡
580245	581265	当然刚才看了这是风景
581265	581865	最终结论吧
581865	584205	首先实时对话这个是非常可用的
584205	585125	流畅然后准确
585125	586865	视觉理解是非常棒的
586865	587325	大家看到
587325	588985	它能准确识别数字啊
588985	589865	深线图柄什么的
589865	590665	外界的问题不大
590665	591345	然后声音克隆
591345	592125	刚才大家听到
592125	592905	简直是完美
592905	593885	这个图像生成呢
593885	594965	等于是速度稍微慢
594965	595785	克隆震灵来提升
595785	597545	视觉模型的差距非常大
597545	599565	只能生成一些基本的内容
599565	600565	给人有氛围感
600565	601285	人脸一致性
601285	602105	基本上不可用
602105	605025	这个MacBook Pro M564G配置上
605025	606625	然后小而快的模型
606625	607585	还是比较有价值
607585	609565	相信随着苹果架构本身的它的完善
609565	611445	相关配置环境的完善
611445	614805	我觉得它的提升应该还是会很迅速的