与「百度」相关的搜索结果

突然想起来我舍友，通天的好路子她没抓住，真是蠢得不行。 有一次她飞回深圳的飞机晚点，于是在候机室遇到了一个大她十六岁的男人，那男的是大国企ceo，百度上有名有姓有照片那种，他们在候机室相谈甚欢，回深圳还约了饭，于是顺其自然的在一起了。这男的对她很好，虽然大了16岁，但没什么爹味

做过视频的人都知道一个痛点：画面和声音永远对不齐 你用 AI 生成了画面，再用 AI 配了音，然后花几个小时手动调时间轴、对口型、卡节奏 稍微专业点的创作者，光音画同步这一步就能耗掉半天时间。更要命的是，调完还不一定自然 这个问题在 AI 视频生成领域一直没有解决方案，因为技术难度太高 ——要让声音和画面在生成的时候就天然对齐，而不是事后硬拼，这需要模型同时理解音频和视频的底层逻辑 直到百度文心团队放出了 NAVA-这是业界第一个仅有6.3B参数大小，但是能原生同步生成音视频的模型 其他能实现的模型哪个不是10B以上？ 作为一个跑过无数 AI 工具的产品经理，我看到这个模型的第一反应是：这才是真正的技术突破 它到底能干什么？ 你给 NAVA 输入一段文字描述，它直接输出720p 的视频+立体声音频，而且声画天然同步，不需要任何后期调整 这不是简单的文生视频+文生音频拼接，而是音视频在同一个生成过程中共同演化、原生对齐 音视频联合生成这个赛道，LTX、Ovi、MOVA 等模型都在做 但 NAVA 用了一个更聪明的架构：Align-then-Fuse，先让音视频在专门的对齐空间建立对应关系，再融合文本条件生成。 更炸裂的是参数量：6.3B 打败所有对手 NAVA 只有6.3B 参数，但在 Verse-Bench 基准测试上，音视频同步指标、视频质量、音频准确率全面超越： Ovi 1.1(10B 参数） MOVA(32B 参数） Davinci(15B) LTX 2.3(19B) 用三分之一甚至六分之一的参数量，拿下 SOTA。这意味着什么？意味着普通人真的用得起了 不需要4090显卡，不需要租昂贵的云算力，甚至12GB 显存的3060就有可能跑起来。而那些参数量动辄15B、19B 的模型，普通人根本碰不到，只能在云端按次付费 文心用6.3B 做到了别人19B 才能做到的效果，这不是简单的参数压缩，而是在模型架构和训练策略上下了真功夫 他们用了一个叫 Align-then-Fuse 的架构，先让音频和视频在专门的对齐空间里建立对应关系，再融合文本条件进行生成 这个技术路线的价值在于：小模型+高性能=普通人能用的 AI 工具 它解决了什么真实痛点？ 我观察到三个场景，NAVA 可能发挥非常大的作用： 1.短视频创作者的效率问题： 现在做抖音、视频号内容，很多人卡在配音和画面匹配上。用传统工具，要么花钱请配音，要么用 AI 配音但对不上口型。NAVA 直接生成同步内容，省掉了这个环节 2.教育和培训内容制作： 很多老师、培训机构想做视频课程，但制作成本太高 如果能用文字描述直接生成带讲解的演示片段，内容生产效率会提升几倍 3.小白的内容创业门槛 过去你想做视频内容，得学剪辑、学配音、学调色 现在你只需要会写文案，描述清楚你想要什么，工具帮你生成 这对于想入局但没技术背景的人来说，是真正的降维打击 文心在下一盘什么棋？ 有意思的是，NAVA 目前还只是研究阶段的开源项目，但它透露出的信号很明确： 文心在往音视频联合生成、甚至世界模型的方向布局 从产品思维来看，这个方向很聪明 视频生成是红海，音频生成也是红海，但音视频原生同步生成，还是蓝海 而且这个能力，恰好是搭建世界模型、实现真正多模态 AI 的关键拼图 更重要的是，他们选择了小模型路线 在大家都在卷参数量、卷算力的时候，文心用6.3B 做到了 SOTA 水平，这意味着他们在模型效率和工程优化上下了功夫 这对普通用户是好事，因为小模型意味着更低的使用成本、更快的推理速度、更容易的本地部署 NAVA 现在还在早期，但它代表的方向——让 AI 工具更轻、更快、更容易用，才是真正会改变普通人生活的技术路线 GitHub 项目地址： 论文地址： Hugging Face 模型页： #百度# #文心# #文心大模型# #NAVA# #大模型# #人工智能#

怎么低成本搭建自己的AI助手？ deepseek R1模型发布以来，各种AI应有又有了一波大的爆发，但是数据保密成了一个不容忽视的问题。如果想较低成本地搭建一个私人应用的AI助手，可以自己调试生成限制，调试输出文本内容，数据不外传，成本尽可能低，不知道是不是可行。 本文详细介绍如何通过Dify和Chrome MCP的结合，在3分钟内搭建一个能操作网页的AI助手。文章提供了从环境准备、Dify部署、Chrome MCP安装到配置的完整步骤，展示了AI助手在自动网页搜索、表单填写、数据抓取等场景的应用，并解释了工作原理、问题排查及进阶技巧，让读者能够零代码实现网页自动化任务。 你是否想过让AI不仅能回答问题，还能直接操作浏览器帮你做事？比如自动填写网页表单、抓取特定数据、或者点击按钮？现在，通过Dify和Chrome MCP的结合，你可以在3分钟内搭建一个能真正"动手"操作网页的AI助手。 本文将手把手教你如何在本地部署Dify并配置Chrome MCP服务器，打造你的私人网页自动化助手。 准备工作：确保你的环境就绪 在开始前，请确保你的系统已安装： •Docker 和 Docker Compose（用于快速部署Dify） •**Node.js 18+**（用于运行Chrome MCP服务器） •Git（用于克隆项目仓库） 第一步：快速部署Dify（仅需1分钟） Dify是一个强大的LLM应用开发平台，我们通过Docker快速部署： # 创建项目目录 mkdir dify-chrome-mcp && cd dify-chrome-mcp # 下载Docker部署配置 curl -o docker-compose.yml # 启动Dify服务 docker-compose up -d 等待1分钟左右，访问 http://localhost:80 就能看到Dify管理界面。首次使用需要创建账号并完成初始化设置。 第二步：安装Chrome MCP服务器（1分钟） 打开新的终端窗口，安装并启动Chrome MCP服务器： # 安装Chrome MCP服务器 npm install -g @modelcontextprotocol/server-chrome # 启动Chrome MCP服务（会自动打开Chrome浏览器） server-chrome 服务启动后，你会看到类似下面的输出，表示MCP服务器正在9999端口监听： Server running on http://localhost:9999 Chrome browser launched and connected successfully 第三步：在Dify中配置Chrome MCP（1分钟） 现在回到Dify管理界面，进行关键配置： 1.进入设置 > 模型供应商 > MCP服务器 2. 点击添加MCP服务器 3. 填写配置信息： •服务器名称: Chrome-Automation •服务器URL: http://localhost:9999 4. 点击验证并保存，看到绿色成功提示 效果验证：让AI帮你操作网页 配置完成后，你就可以在Dify的Playground中测试你的网页自动化AI助手了。 试试这些实用场景： 场景1：自动网页搜索 请打开百度首页，在搜索框中输入"最新AI技术发展"，点击搜索按钮，然后告诉我第一页的搜索结果标题。 场景2：自动填写表单 请打开"张三"，邮箱栏填写"zhangsan@email.com"，在留言区填写"咨询产品信息"，然后点击提交按钮。 场景3：数据抓取与分析 请打开 工作原理：为什么这很厉害？ 这个组合的厉害之处在于分工明确： •Dify：负责与LLM对话，理解你的自然语言指令，并将其分解成具体的浏览器操作步骤 •Chrome MCP服务器：负责实际控制Chrome浏览器，执行具体的网页操作命令 •LLM（大语言模型）：作为大脑，理解你的意图并规划操作流程 常见问题排查 server-chrome 2.连接失败：检查Dify和Chrome MCP服务器是否在同一个网络环境下，防火墙是否允许9999端口通信 3.操作超时：复杂网页加载需要时间，可以增加超时设置：server-chrome --timeout=60000 4.权限问题：在MacOS/Linux上可能需要权限：sudo npm install -g @modelcontextprotocol/server-chrome 进阶使用技巧 掌握了基础用法后，你还可以尝试这些高级功能： •多页面管理：同时控制多个浏览器标签页，完成更复杂的任务 •用户身份保存：让AI记住登录状态，下次直接操作无需重新登录 •定时任务：结合Dify的工作流功能，设置定时自动化任务 •异常处理：教会AI识别操作失败的情况并自动尝试替代方案 如何学习大模型 AI ？ 由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。 但是具体到个人，只能说是： 最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。 这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。 #AI# #AIAgent# @grok @xai

在一档讲爱情的节目里，一个嘉宾把自己带偏了，全程不在聊爱情本身，而在辩论她所建平台的合理性。 最近另一个嘉宾，在无奈的时刻，发出最痛一击 —— 也许你商业上你是成功的。但在企业中我们都知道百度之恶，百度的商业是成功的，我也尊敬很多企业家，就很难尊敬百度的企业家。

百度很有意思，李宏彦押对所有风口，搜索，地图，社交app，无人驾驶，AI 但让人喜闻乐见的是 他每次都起了个大早，赶了个晚集 提出一个投资思路，跟着百度选赛道，但是避开他投的公司，把李彦宏当探路小白鼠🐁

妈的 才知道你们把Telegram当网盘用 不禁黄片，没有版权审查，美剧韩剧随便存 无限云存储、不限速、不删档、可自由搜索分享 什么夸克网盘、百度网盘、115都弱爆了

前几天跟潘乱和老编辑吃饭，登味超标的开了一下怀旧服，把晚点LatePost在2023年写的「还原字节跳动HR体系」那篇稿子重新讨论了一遍，尤以老编辑的评价甚高——我从来没有见到他这么吹过其他媒体和作者——认为文章的非线性写法非常独特，开创了商业报道的新体裁。 我对老编辑说法的理解未必准确，但确实也能察觉到小晚整个团队在文本训练方面的优越性，并不是纯粹的基于材料的写作，有非常坚定的内在逻辑，同时具有工程化的结构和人文化的感性，可以无视时效性。 昨天更新的「AI抢人大战，批量制造这个时代的流量明星」也是相当具有代表性的例子，AI研究员如同球星那样被开价和交易早就不是新闻了，市面上的同题作文泛滥成灾，但晚点就是能用信息的再组织写出新意、立意，这很厉害。 还是总结一下这篇稿子，对我来说也是一种愉快的练笔： - 在中国，真正能靠个人技能年入过亿的群体，少之又少，以明星艺人为例，在娱乐业最鼎盛的时期，也只有十几个人能够达到这个标准，但在这波大模型热浪里，顶级研究员的身价以史无前例的速度被抬到了以亿为单位的年薪级别，而这批人的总数只有几百人，也就是说，大厂的你争我抢，总盘子其实就这么大，中国最贵的几百号人，就是在这么一个供给严重不足的环境里产生的； - 在ChatGPT发布之后的一年多时间里，因为局势尚不明朗，各家公司投入尚且谨慎，国内AI研究员的收入比较稳定，顶薪也就在百万级人民币，直到2023年底，两家公司打破了「规矩」，一个是DeepSeek开始用高于市场价的扩人，另一个是曾被视为落后半步的字节，通过饱和式投入启动追赶，以2倍薪水涨幅为起价，从月之暗面、阿里、百度、智谱等公司挖人； - 其中标志性的事件是2024年下半年阿里Qwen的核心技术负责人周畅带着竞业协议加入字节，职级从P9跳到4-2（实际上对标P11），千万级人民币的总包，而字节也很快得到了回报，周畅入伙之后，在极短时间内提高了豆包的多模态基模能力，这是抢人大战的关键驱动力，只要找到对的人，就能立竿见影的带来技术进步，事半功倍； - 很重要的是，一个靠谱的Infra专家，最多可以提高50%的算力利用率，考虑到大厂每年几百亿的算力投入，这种效率优化创造的经济收益，要远远胜过那笔薪水开支，一个正确的判断，也能决定模型在几个月内拉开巨大差距，「懂得在哪里划线」的知识价值，变得无比稀缺； - 到了2025年，DeepSeek的爆火让全行业都意识到模型质量的差距本质在于人，于是更多的公司开始加入，推动工资水平继续水涨船高，千万级薪酬包下沉到了普通研究员群体，字节甚至能给应届生开出500万年包，而DeepSeek也把内推奖金提高到了20万，猎头行情更是以月为更新周期，「三月给的价四月就不够用了」； - 但是，当其他大厂都相继启用钞能力后，强如字节也会沦为被掠夺的鱼肉，2025年下半年，腾讯开始盯着字节大模型团队挖人，用的是字节本就很熟悉的方式：工资翻倍，来不来？而且腾讯也兼具策略性，会主攻字节内部面临工资倒挂的老员工，因为位置长期不动，他们没能赶上职级膨胀的春风，于是选择投奔腾讯涨薪的为数不少； - OpenAI的姚顺雨和DeepSeek的郭达雅在前后半年的时间分别拿到过亿年薪加入腾讯和字节——这个数字同时被两家否定了——再次引发行业躁动，两人属于完全不同的样本，姚顺雨是标准的精英路线，从姚班天才到普林斯顿博士，履历辉煌，而郭达雅是完全的本土人才，没有镀金过程，但他们都以极为年轻的年龄，打破了大厂原有的年限体系和汇报关系； - 郭达雅意味着用已有成绩倒推价值也是可以成立的，因为DeepSeek的模型牛逼，所以参与制作这个模型的人同样牛逼，这个逻辑被大厂以实际行动买单了，当郭达雅决定离开DeepSeek时，阿里、腾讯、字节都在第一时间去接触了，包括老板亲自去谈，最后因为字节的投入方向和他的发展预期最吻合，成功签下入职合同； - 骨干的持续流失，给了DeepSeek相当大的压力，梁文锋选择启动融资，给员工手里的期权一个定价机会，对内安抚军心，为了留人，字节设计了豆包虚拟股，以及阳光普照的每人每月最低9万元额外津贴，反倒是已经上市的智谱和MiniMax，因为期权暴涨加上解禁期，不必太操心员工的稳定性； - 横向来看，最近一年里，字节和腾讯的饥渴度是最高的，字节愿意因人设岗，从张一鸣到HR，全都奉行「笼络最聪明的头脑」这一原则，腾讯因为自身的进度原因，被迫成为市场上后出价的那个人，虽然要当冤大头，但对于家大业大的鹅厂储备来说，问题也不大，先去拿字节的offer、再用字节的offer去敲腾讯的门要更多的钱，成了一些研究员的财富密码，有猎头说得很透彻，大厂不怕花钱，是为了把对手能用的人，提前从市面上清掉； - 阿里就比较保守了，Qwen以团队氛围优秀著称，90%的员工都是阿里自己培养的校招生，工作自由度很高，但阿里严格的职级体系，还是对Qwen参与人才争夺制造了障碍，2025年下半年，林俊旸曾让Qwen的研究员主动出去面试，以求得涨薪的机会，避免人才外流，可见有多无奈； - 当给够钱已经不具备稀缺性之后，大厂争取研究员的技巧也开始转向软实力，比如扎克伯格会把Meta想挖的人请到自家别墅吃饭，用「真诚」作为必杀技，张一鸣也会亲自去和自己看上的论文作者见面谈话，Anthropic之所以成为研究员离职率最低的AI公司，是因为它被公认为文化建设独树一帜，老板本身就是一种信仰； - 研究员之间的竞争必然激烈，以前抬高身价的方式是发论文，后来各家公司发现只要发完论文就会让作者接到的猎头电话直线上升，又不太乐意让研究员「抛头露面」了，但是上有政策、下有对策，研究员们也很灵活，不让发论文，那就去上播客、发推特、做小红书，总之就是加强主动「营业」，持续的获取个人流量，确保在需要的时刻能被看见； - 为了对得起高薪待遇，同时防止掉队，这几百个顶级研究员普遍睡眠不足、高压工作，即便没有KPI和OKR，他们也会自己驱动自己，就像从小到大的做题路径，这是天才避免泯然众人的唯一出路，「这个行业最终会变成，前5%的人拿着从前10倍的工资，干着100个人的活。」