WEBVTT

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。

00:00:29.900 --> 00:00:30.460
网上的视频

00:00:30.460 --> 00:00:32.600
然后他们都很少涉及到一个维度

00:00:32.600 --> 00:00:33.240
就是这个噪音

00:00:33.240 --> 00:00:34.500
觉得这个噪音其实挺重要的

00:00:34.500 --> 00:00:36.220
如果你是在家里使用的话

00:00:36.220 --> 00:00:37.920
这个分贝的噪音其实挺繁人的

00:00:37.920 --> 00:00:39.280
在一般人的家里都不会特别大

00:00:39.280 --> 00:00:40.460
可能如果空间小的话

00:00:40.460 --> 00:00:41.760
你总是有这么一个设备

00:00:41.760 --> 00:00:42.740
一只呜呜的声音

00:00:42.740 --> 00:00:43.900
特别吵人的话

00:00:43.900 --> 00:00:45.100
你就算再高的设备

00:00:45.100 --> 00:00:47.200
我觉得有的人觉得可能也没法用

00:00:47.200 --> 00:00:48.120
MacBook Pro呢

00:00:48.120 --> 00:00:49.100
我的一个感觉就是

00:00:49.100 --> 00:00:51.560
它的这个噪音控制是确实惊艳

00:00:51.560 --> 00:00:53.280
第一部分是最常见的

00:00:53.280 --> 00:00:54.920
LLM的文字处理能力

00:00:54.920 --> 00:00:58.540
那么本次使用的模型具体的有四个

00:00:58.540 --> 00:01:02.740
两个GAM4和两个Queen 3.6

00:01:02.740 --> 00:01:05.180
那么它的架构和相关的数据都在这

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

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

00:01:14.300 --> 00:01:18.080
那么虽然这个E4B是一个Dance

00:01:18.080 --> 00:01:19.340
也就是稠密结构的模型

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

00:01:23.800 --> 00:01:25.780
所以它的推理速度也是相当快

00:01:25.780 --> 00:01:27.480
我之前使用的经验

00:01:27.480 --> 00:01:30.520
我发现在具体使用上

00:01:30.520 --> 00:01:32.540
GAMMA模型它的图形的夜能力

00:01:32.540 --> 00:01:34.320
比千万3.6是高一些

00:01:34.320 --> 00:01:37.180
同时我还测量了所谓的月域能力

00:01:37.180 --> 00:01:38.640
也就是BrokerJag的能力

00:01:38.640 --> 00:01:40.640
BrokerJag应该就是方便生成一些

00:01:40.640 --> 00:01:44.480
容易造成误判的一些内容

00:01:44.480 --> 00:01:46.340
包括像一些踩在边界上的内容

00:01:46.340 --> 00:01:48.120
那么在线模型可能生成起来困难

00:01:48.120 --> 00:01:51.000
这个本地生成起来相对就容易很多

00:01:51.000 --> 00:01:52.060
在具体的测试题目上

00:01:52.060 --> 00:01:56.140
我是用这个Cloud生成了一些测试题目

00:01:56.140 --> 00:01:57.920
然后让他帮着完全全自动测试

00:01:57.920 --> 00:01:58.480
内容特别多

00:01:58.480 --> 00:02:01.040
我就不一个一个展示所有的这个答案了

00:02:01.040 --> 00:02:03.540
然后这是一些具体的数据

00:02:03.540 --> 00:02:05.140
总体给我的感觉是这样的

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

00:02:07.980 --> 00:02:09.620
比如说像有分苹果的

00:02:09.620 --> 00:02:11.540
然后分几个的简单的这种盘数

00:02:11.540 --> 00:02:13.380
包括求函数的这种数学题

00:02:13.380 --> 00:02:15.660
或写代码的这种效果

00:02:15.660 --> 00:02:16.520
或修复bug

00:02:16.520 --> 00:02:18.880
包括判断说真假话推理过程

00:02:18.880 --> 00:02:19.840
或解释一些话

00:02:19.840 --> 00:02:22.800
然后用看看具体的执行的能力等等

00:02:22.800 --> 00:02:24.300
就后续的这些答案呢

00:02:24.300 --> 00:02:26.440
我后期将会逐渐整理

00:02:26.440 --> 00:02:31.460
也去把它放到我这个模型测试的

00:02:31.460 --> 00:02:33.060
这个页面的后边供您参考

00:02:33.060 --> 00:02:35.540
第二个我测试的是TTS语音

00:02:35.540 --> 00:02:36.580
语音和声能力

00:02:36.580 --> 00:02:37.280
这里边呢

00:02:37.280 --> 00:02:39.580
我目前搜索的资料是这样的

00:02:39.580 --> 00:02:40.500
它有两种架构

00:02:40.500 --> 00:02:42.760
一个是原声支持MLX

00:02:42.760 --> 00:02:45.020
这个METAL加速功能的这个架构

00:02:45.020 --> 00:02:46.680
那么它的速度稍微快一些

00:02:46.680 --> 00:02:50.460
还有一种是直接用原声这个格式的

00:02:50.460 --> 00:02:54.000
不是支持这个METAL加速的

00:02:54.000 --> 00:02:55.480
那么它俩有一个区别

00:02:55.480 --> 00:02:56.540
原声支持加速的呢

00:02:56.540 --> 00:02:59.040
它在这个进行声音克隆的时候呢

00:02:59.040 --> 00:02:59.900
它是没有那个功能的

00:02:59.900 --> 00:03:01.620
只能支持文字描述声音

00:03:01.620 --> 00:03:02.480
那换句话说就是

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

00:03:05.560 --> 00:03:07.140
它根据了你描述的话去生成

00:03:07.140 --> 00:03:09.320
然后速度还是比较快的

00:03:09.320 --> 00:03:11.900
它因为没有真正的实现具体声音克隆

00:03:11.900 --> 00:03:15.260
所以只能用另一个叫千万三的Base模型

00:03:15.260 --> 00:03:16.700
这个模型是原版的

00:03:16.700 --> 00:03:18.240
它的速度稍微慢一些

00:03:18.240 --> 00:03:19.760
格式呢不是最快的

00:03:19.760 --> 00:03:20.660
有意思发现就是

00:03:20.660 --> 00:03:22.440
直接用Voice Design

00:03:22.440 --> 00:03:24.580
也就是描述生成这个音频功能呢

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

00:03:26.640 --> 00:03:28.020
不知道这是因为

00:03:28.020 --> 00:03:29.120
为什么

00:03:29.120 --> 00:03:30.440
可能是因为处理架构上的音

00:03:30.440 --> 00:03:31.660
需要注意的是它有一个bug

00:03:31.660 --> 00:03:34.920
就是截取的那个具体参考的参数

00:03:34.920 --> 00:03:37.360
所你截取的音频是需要匹配

00:03:37.360 --> 00:03:39.260
另外一个五秒即可

00:03:39.260 --> 00:03:41.140
如果这个内容特别多

00:03:41.140 --> 00:03:42.300
或者它两者比匹配的话

00:03:42.300 --> 00:03:43.240
会生成一些乱码

00:03:43.240 --> 00:03:44.060
真人的录音

00:03:44.060 --> 00:03:45.060
我们听一听这个录音

00:03:45.060 --> 00:03:46.300
叫做正算赤

00:03:46.300 --> 00:03:47.160
复算黑

00:03:47.160 --> 00:03:49.080
赤就是红色

00:03:49.080 --> 00:03:50.400
我们这次听一下

00:03:50.400 --> 00:03:52.900
它克隆完毕之后的声音的感觉

00:03:52.900 --> 00:04:03.940
大家可以听到

00:04:03.940 --> 00:04:05.880
这个克隆的声音简直是一家论真

00:04:05.880 --> 00:04:07.620
几乎听不出任何的区别

00:04:07.620 --> 00:04:09.060
TTLS语音合成功能上

00:04:09.060 --> 00:04:11.020
我觉得还是相当强大

00:04:11.020 --> 00:04:11.480
第三点

00:04:11.480 --> 00:04:12.540
看图片生成能力

00:04:12.540 --> 00:04:14.840
我这里选用的是质量非常高的

00:04:14.840 --> 00:04:18.300
这个Fluzy1的DV1的模型

00:04:18.300 --> 00:04:19.480
后侧的是两方面

00:04:19.480 --> 00:04:21.200
一个是直接生成图片

00:04:21.200 --> 00:04:22.600
另一个是使用Laura

00:04:22.600 --> 00:04:24.460
那么具体的生成时间在这里

00:04:24.460 --> 00:04:26.080
风景这个图片生成的时候呢

00:04:26.080 --> 00:04:28.440
它因为需要进行这个冷启动

00:04:28.440 --> 00:04:29.500
然后注入参数

00:04:29.500 --> 00:04:30.860
所以它的生成速度是最慢的

00:04:30.860 --> 00:04:32.800
然后接下来速度就相对来说稳定很多

00:04:32.800 --> 00:04:34.780
大概生成一幅像1024x1024

00:04:34.780 --> 00:04:37.060
也就是它的分辨率相对较高的情况下

00:04:37.060 --> 00:04:39.660
每一幅的图片大概是用到的

00:04:39.660 --> 00:04:40.920
71分到11分

00:04:40.920 --> 00:04:42.740
直接用Laura进行稳定

00:04:42.740 --> 00:04:44.640
这个真人图片克隆的情况下

00:04:44.640 --> 00:04:46.300
也是大概这个相同的速度

00:04:46.300 --> 00:04:46.840
看一下结果

00:04:46.840 --> 00:04:47.680
第一个是风景

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

00:04:50.740 --> 00:04:51.220
效果很好

00:04:51.220 --> 00:04:52.300
赛博朋克的业绩

00:04:52.300 --> 00:04:53.220
专业商务人像

00:04:53.220 --> 00:04:54.440
比较抽象的液态金属

00:04:54.440 --> 00:04:55.340
产品设计度光影

00:04:55.340 --> 00:04:56.320
还是非常不错的

00:04:56.320 --> 00:04:59.520
比较好的执行了我需要的这个要求

00:04:59.520 --> 00:05:01.700
我之前没有任何训练经验

00:05:01.700 --> 00:05:02.380
所以我就自己

00:05:02.380 --> 00:05:05.260
我就自己随意拍了很多照片

00:05:05.260 --> 00:05:06.120
各种角度

00:05:06.120 --> 00:05:07.420
各种的方向

00:05:07.420 --> 00:05:08.220
然后各种场景

00:05:08.220 --> 00:05:09.280
尽量穿不同的衣服

00:05:09.280 --> 00:05:12.140
然后装束尽量去不一样

00:05:12.140 --> 00:05:13.920
然后拍摄了远近各种各样的照片

00:05:13.920 --> 00:05:15.120
数量是60多张

00:05:15.120 --> 00:05:15.840
然后加在一块

00:05:15.840 --> 00:05:16.780
所用的触发词

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

00:05:20.180 --> 00:05:21.340
然后帮助触发这个人像

00:05:21.340 --> 00:05:23.380
使用的相关参数是scale等1.0

00:05:23.380 --> 00:05:24.320
是第一张商务头像

00:05:24.320 --> 00:05:25.320
这个可以看起来

00:05:25.320 --> 00:05:26.680
就是样子是不戴眼镜的

00:05:26.680 --> 00:05:28.480
是我本人可能有这个送眉的习惯

00:05:28.480 --> 00:05:29.280
它这个地方呢

00:05:29.280 --> 00:05:30.820
就特别明显的捕捉到

00:05:30.820 --> 00:05:32.060
然后剩下两边

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

00:05:36.900 --> 00:05:38.140
所以胖瘦呢有时候不太一定

00:05:38.140 --> 00:05:40.240
像这张照片就生成的稍微胖一点

00:05:40.240 --> 00:05:41.440
然后这张也是

00:05:41.440 --> 00:05:42.020
这是戴眼镜

00:05:42.020 --> 00:05:43.280
大家看到我俩现在的样子

00:05:43.280 --> 00:05:43.820
就先回来的

00:05:43.820 --> 00:05:44.680
这个是科技演讲

00:05:44.680 --> 00:05:45.640
然后科技演讲的呢

00:05:45.640 --> 00:05:46.700
它那个侧面我发现的

00:05:46.700 --> 00:05:48.060
因为我可能我给它的样子

00:05:48.060 --> 00:05:49.160
侧面的照片特别多

00:05:49.160 --> 00:05:50.860
所以这个侧面我觉得还非常非常像

00:05:50.860 --> 00:05:51.800
然后但是有一个问题

00:05:51.800 --> 00:05:53.480
它出现了比较严重的幻觉

00:05:53.480 --> 00:05:55.240
就是这个手出现了多个

00:05:55.240 --> 00:05:56.480
然后并且胸口这有一个

00:05:56.480 --> 00:05:57.340
我给它的提示词

00:05:57.340 --> 00:05:58.100
它就伸透出来了

00:05:58.100 --> 00:05:58.640
HIFENTAGE

00:05:58.640 --> 00:05:59.600
这次生成呢

00:05:59.600 --> 00:06:00.520
我是直接

00:06:00.520 --> 00:06:01.740
不管它生成出什么来

00:06:01.740 --> 00:06:02.680
我全原样展示出来

00:06:02.680 --> 00:06:03.940
所以这是不是经过我选择的

00:06:03.940 --> 00:06:05.580
这就是直接一次性的

00:06:05.580 --> 00:06:06.160
所以等于

00:06:06.160 --> 00:06:07.860
我觉得成功率相对来说

00:06:07.860 --> 00:06:08.580
还是可用的

00:06:08.580 --> 00:06:09.400
非常可用的

00:06:09.400 --> 00:06:10.240
可能得分场景

00:06:10.240 --> 00:06:11.480
然后可能稍微抽抽卡

00:06:11.480 --> 00:06:12.440
一系列的大家看到

00:06:12.440 --> 00:06:13.820
经过我多次生成之后

00:06:13.820 --> 00:06:15.260
生成出来的这个人像的样子

00:06:15.260 --> 00:06:17.660
基本上是大概六成吧

00:06:17.660 --> 00:06:19.260
我把四成那个删除了

00:06:19.260 --> 00:06:20.480
六成之后我生成出来的样子

00:06:20.480 --> 00:06:21.480
是这个视频生成这个部分

00:06:21.480 --> 00:06:22.360
那么大致是两类

00:06:22.360 --> 00:06:23.140
一类是完成视频

00:06:23.140 --> 00:06:24.160
还有一类是图生视频

00:06:24.160 --> 00:06:25.760
然后它的方式呢

00:06:25.760 --> 00:06:26.480
有两类

00:06:26.480 --> 00:06:27.240
一类是蒸馏模式

00:06:27.240 --> 00:06:27.640
速度快

00:06:27.640 --> 00:06:28.340
还有一类是图碎

00:06:28.340 --> 00:06:29.100
是两阶段模式

00:06:29.100 --> 00:06:29.580
速度迈起

00:06:29.580 --> 00:06:31.500
它俩之间的速度相差比较明显的

00:06:31.500 --> 00:06:32.340
左侧是蒸馏版

00:06:32.340 --> 00:06:33.520
右侧是这个

00:06:33.520 --> 00:06:35.420
所谓更加精细的两阶段版本

00:06:35.420 --> 00:06:37.100
速度相差4-5倍吧

00:06:37.100 --> 00:06:38.180
两种版本各生成力

00:06:38.180 --> 00:06:40.000
总的先说是第一个城市街道

00:06:40.000 --> 00:06:41.540
这个是蒸油版生成的

00:06:41.540 --> 00:06:44.180
明显这个描述是让它生成城市街道

00:06:44.180 --> 00:06:44.940
但是呢

00:06:44.940 --> 00:06:45.900
它生成了一个室内景

00:06:45.900 --> 00:06:47.280
有车库刚才有白色人物

00:06:47.280 --> 00:06:49.720
跟那个城市街道的明显偏离了

00:06:49.720 --> 00:06:50.880
所以理解确实有问题

00:06:50.880 --> 00:06:52.440
第二个城市街道呢

00:06:52.440 --> 00:06:53.520
两街道版本

00:06:53.520 --> 00:06:55.480
确实生成的街道有了提升

00:06:55.480 --> 00:06:56.260
然后有人了

00:06:56.260 --> 00:06:57.460
然后有人群了

00:06:57.460 --> 00:06:58.180
有建筑物了

00:06:58.180 --> 00:07:00.600
然后时间也增大了很多

00:07:00.600 --> 00:07:01.460
但是呢

00:07:01.460 --> 00:07:02.200
这是夜间警官

00:07:02.200 --> 00:07:03.280
它稍微理解有点问题

00:07:03.280 --> 00:07:04.280
这点是有点缺陷

00:07:04.280 --> 00:07:06.100
第二组是科技实验室

00:07:06.100 --> 00:07:07.320
在科技实验室里边

00:07:07.320 --> 00:07:09.020
这个生长力力度女人

00:07:09.020 --> 00:07:10.280
剩下完全的要素

00:07:10.280 --> 00:07:11.860
基本上没有体现出来

00:07:11.860 --> 00:07:13.700
像手啊 键盘啊 灯光啊

00:07:13.700 --> 00:07:14.740
实验室这种感觉啊

00:07:15.805 --> 00:07:20.805
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。

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。接近了描述的樣子。

00:07:25.805 --> 00:07:27.805
但是核心动作包括这种感觉是没有的

00:07:27.805 --> 00:07:28.805
我也发现了

00:07:28.805 --> 00:07:31.805
好像STS模型对于生成纯风景

00:07:31.805 --> 00:07:34.805
或者纯那种建筑物之类的那种模式

00:07:34.805 --> 00:07:35.805
他经常愿意加人进去

00:07:35.805 --> 00:07:36.805
就每一个都要有点人

00:07:36.805 --> 00:07:37.805
可能比较富有人性

00:07:37.805 --> 00:07:38.805
这是他的问题

00:07:38.805 --> 00:07:39.805
为了去改变这个问题

00:07:39.805 --> 00:07:41.805
我发现的办法就是用无声视频的方式

00:07:41.805 --> 00:07:42.805
给他一些图

00:07:42.805 --> 00:07:43.805
然后让他去发挥

00:07:43.805 --> 00:07:44.805
那样的话效果会好很多

00:07:44.805 --> 00:07:45.805
无声视频

00:07:45.805 --> 00:07:46.805
然后让图片说话

00:07:46.805 --> 00:07:48.805
找一张随机图库去测试

00:07:48.805 --> 00:07:49.805
可是因为他是自动测试

00:07:49.805 --> 00:07:50.805
我们有干预

00:07:50.805 --> 00:07:51.805
他测试的时候找他

00:07:51.805 --> 00:07:52.805
本来说想说一个人让他说话

00:07:52.805 --> 00:07:53.645
说一个人让他说话

00:07:53.645 --> 00:07:54.765
结果找成了一只狗

00:07:54.765 --> 00:07:57.525
最终生成的样子确实是一只狗

00:07:57.525 --> 00:08:00.445
他没有说最后变成人活还是怎么样的

00:08:00.445 --> 00:08:02.765
但是他这个样子就勉强动动自为

00:08:02.765 --> 00:08:03.925
如果用真人我之前试的

00:08:03.925 --> 00:08:04.885
本次测试没有试过来

00:08:04.885 --> 00:08:05.965
几秒钟之后

00:08:05.965 --> 00:08:07.325
一两秒立马就变形了

00:08:07.325 --> 00:08:09.325
具体生成的视频的样子

00:08:09.325 --> 00:08:10.325
我们简单看一下

00:08:10.325 --> 00:08:11.325
蒸馏版的

00:08:11.325 --> 00:08:12.005
这是美女

00:08:12.005 --> 00:08:12.565
运动美女

00:08:12.565 --> 00:08:13.285
还得车库的

00:08:13.285 --> 00:08:14.245
是两阶段版本的两个

00:08:14.245 --> 00:08:15.165
很明显动作

00:08:15.165 --> 00:08:17.685
他的样子变得就更加活跃一点

00:08:17.685 --> 00:08:18.325
动作也有了

00:08:18.325 --> 00:08:18.925
是实验室的

00:08:18.925 --> 00:08:20.005
一个阿三在这白话

00:08:20.005 --> 00:08:21.325
就像是一个泰国人他在说话

00:08:21.325 --> 00:08:23.685
你看他脸上这种雀斑这种表情

00:08:23.685 --> 00:08:25.545
我们能看到他确实挺像真人的

00:08:25.545 --> 00:08:26.345
这个效果是不错的

00:08:26.345 --> 00:08:28.225
综合评价我觉得就差很多了

00:08:28.225 --> 00:08:29.845
首先速度相对慢

00:08:29.845 --> 00:08:32.225
然后这个T14理解稍显差

00:08:32.225 --> 00:08:33.665
然后身份保持也不太行

00:08:33.665 --> 00:08:34.625
所以我觉得是这样

00:08:34.625 --> 00:08:35.765
这个视频生成能力

00:08:35.765 --> 00:08:36.885
目前ILTX模型

00:08:36.885 --> 00:08:38.485
如果用一些视频里边的匕骤

00:08:38.485 --> 00:08:39.965
或者进行一些原型的

00:08:39.965 --> 00:08:41.605
比如展示一下你想要的东西

00:08:41.605 --> 00:08:42.565
但是直接可能不行

00:08:42.565 --> 00:08:44.025
我试了很多次全完蛋了

00:08:44.025 --> 00:08:45.685
下一部分世界理解部分

00:08:45.685 --> 00:08:46.925
这个世界理解部分呢

00:08:46.925 --> 00:08:47.685
这个模型是这样的

00:08:47.685 --> 00:08:48.705
这个模型带V的

00:08:48.705 --> 00:08:50.005
Vision 7B一般的模型

00:08:50.005 --> 00:08:50.965
专门是理解图片

00:08:50.965 --> 00:08:51.985
第一个是代码识别

00:08:51.985 --> 00:08:53.385
第二个是一些图表识别

00:08:53.385 --> 00:08:54.765
第三个是界面

00:08:54.765 --> 00:08:56.505
这是一个模拟的计算机编程界面

00:08:56.505 --> 00:08:59.345
然后还有一个识别图片

00:08:59.345 --> 00:09:01.085
还是依旧是用这个狗为识别的

00:09:01.085 --> 00:09:01.945
本来说是个人嘛

00:09:01.945 --> 00:09:02.825
然后让它识别

00:09:02.825 --> 00:09:04.405
确实最后输出了

00:09:04.405 --> 00:09:04.905
没有人物

00:09:04.905 --> 00:09:05.665
只有一只哈布狗

00:09:05.665 --> 00:09:06.845
这个相当厉害

00:09:06.845 --> 00:09:09.225
不会遵从人的这种强制的复杂图片

00:09:09.225 --> 00:09:10.285
需要识别的时候

00:09:10.285 --> 00:09:12.405
它在统计数字的上面

00:09:12.405 --> 00:09:13.945
这个确实不太主意

00:09:13.945 --> 00:09:14.725
双图对比的时候

00:09:14.725 --> 00:09:16.305
天鹅宝和在安风景

00:09:16.305 --> 00:09:18.165
他说是跟咖啡馆有关

00:09:18.165 --> 00:09:18.865
有点偏差

00:09:18.865 --> 00:09:20.025
是具体的一些结果

00:09:20.025 --> 00:09:22.405
那么描述比如说场景

00:09:22.405 --> 00:09:23.085
什么样子的

00:09:23.085 --> 00:09:23.865
主体什么样的

00:09:23.865 --> 00:09:24.265
大楼

00:09:24.265 --> 00:09:25.445
包括毛树人物

00:09:25.445 --> 00:09:26.985
这边他说了图片只有一只哈布狗

00:09:26.985 --> 00:09:27.745
有一个分析图表

00:09:27.745 --> 00:09:29.325
然后他给出了具体年月日

00:09:29.325 --> 00:09:30.825
最高值平均值等等等等的

00:09:30.825 --> 00:09:31.525
识别出来了

00:09:31.525 --> 00:09:32.905
然后代码理解

00:09:32.905 --> 00:09:34.805
他理解出来的相关的内容

00:09:34.805 --> 00:09:35.885
贝波那奇数列数东西

00:09:35.885 --> 00:09:36.925
然后他数列大堆

00:09:36.925 --> 00:09:37.725
这个数彩的花胶

00:09:37.725 --> 00:09:38.205
分析图片

00:09:38.205 --> 00:09:38.905
然后分析相同点

00:09:38.905 --> 00:09:39.245
不同点

00:09:39.245 --> 00:09:40.245
他说了包括韩维胡

00:09:40.245 --> 00:09:41.265
当然刚才看了这是风景

00:09:41.265 --> 00:09:41.865
最终结论吧

00:09:41.865 --> 00:09:44.205
首先实时对话这个是非常可用的

00:09:44.205 --> 00:09:45.125
流畅然后准确

00:09:45.125 --> 00:09:46.865
视觉理解是非常棒的

00:09:46.865 --> 00:09:47.325
大家看到

00:09:47.325 --> 00:09:48.985
它能准确识别数字啊

00:09:48.985 --> 00:09:49.865
深线图柄什么的

00:09:49.865 --> 00:09:50.665
外界的问题不大

00:09:50.665 --> 00:09:51.345
然后声音克隆

00:09:51.345 --> 00:09:52.125
刚才大家听到

00:09:52.125 --> 00:09:52.905
简直是完美

00:09:52.905 --> 00:09:53.885
这个图像生成呢

00:09:53.885 --> 00:09:54.965
等于是速度稍微慢

00:09:54.965 --> 00:09:55.785
克隆震灵来提升

00:09:55.785 --> 00:09:57.545
视觉模型的差距非常大

00:09:57.545 --> 00:09:59.565
只能生成一些基本的内容

00:09:59.565 --> 00:10:00.565
给人有氛围感

00:10:00.565 --> 00:10:01.285
人脸一致性

00:10:01.285 --> 00:10:02.105
基本上不可用

00:10:02.105 --> 00:10:05.025
这个MacBook Pro M564G配置上

00:10:05.025 --> 00:10:06.625
然后小而快的模型

00:10:06.625 --> 00:10:07.585
还是比较有价值

00:10:07.585 --> 00:10:09.565
相信随着苹果架构本身的它的完善

00:10:09.565 --> 00:10:11.445
相关配置环境的完善

00:10:11.445 --> 00:10:14.805
我觉得它的提升应该还是会很迅速的