与「部分素材来自网络，如涉侵权请联系，我将及时删除。」相关的搜索结果

好莱坞著名影星本·阿弗莱克（Ben Affleck）讲起 AI 来，居然头头是道，各种专业名词随手拈来。 在 GQ 这段访谈里，他从卷积神经网络、Transformer、张量，一路聊到反向传播、注意力层、感知机、推理，以及随机性计算和确定性计算的区别。中间还穿插着 Python、GPU、边缘检测、特征提取、训练数据标注。主持人听到一半忍不住打趣：谢谢你这样跟我讲，仿佛我真的听得懂。 他是怎么走到这一步的？ 按他自己的讲述，他从小就喜欢电脑。后来电影制作从胶片转向数字，他开始更深入地接触技术。在创办 Artists Equity 之前，他还经营过一家小型视觉特效公司，经常接触 GPU 和机器学习。 他学 AI，是从电影里的画面怎么处理开始的。一帧图像可以表示成张量，里面包含帧编号、每个像素的 RGB 数值等信息。通过卷积神经网络识别边缘、提取特征，就能判断窗台在哪里，帮助绿幕抠像、替换背景。他也会自己写 Python 脚本，不过按他自己的评价，编程水平挺烂的。 后来，特效团队告诉他，Google 和 OpenAI 正在用 Transformer 做一些很有意思的视频技术。他就直接联系这些公司，问能不能去看看。 第一次看到生成视频的效果，他受到的冲击很大，马上给马特·达蒙打电话，觉得他们的职业可能要完了。一度甚至想着，趁现在赶紧把还能拍的电影拍完。 但他没有停留在这个震撼里。接下来，他又和工程团队坐下来，研究训练数据、标注方式，以及这些系统到底能控制到什么程度。 他发现，生成出来的画面虽然逼真，但控制性和一致性仍然存在问题。你要求移动摄像机，模型有时会直接在画面里生成一台摄像机。对普通观众来说，一段惊艳的视频可能已经足够；但对电影制作来说，镜头、场景和连续性都得能够按照创作者的意图精确调整。 研究数据的过程中，他觉得技术团队忽略了一件事：电影拍摄本身就能产生大量有组织的原始数据。与网上抓取的压缩视频相比，专业拍摄流程里还有很多可以主动采集、组织和利用的信息。 于是，他拿出资金，另外成立了一家公司，花了好几个月构建自己的数据集。按他的描述，团队使用大量摄像机、激光雷达和定位设备，结合 Unreal 引擎与虚拟摄影棚，采集用于 AI 图像生成的数据。他随后招募了工程师、推理专家、数据架构师和视觉特效人员，把这件事继续做下去。 他特别在意训练数据的来源。拿同行的作品训练模型，再告诉对方模型的部分能力来自他们的创作，他觉得不舒服。他希望通过自己制作数据，减少对这类素材的依赖，也让电影人对使用这些工具更安心。 这家公司就是 InnerPositive，现在已经被 Netflix 收购。能看出来的是，他已经真正参与到数据、技术团队和产品用途的讨论里，而不只是为公司挂个名字。 他对当今最热门的话题 AI 安全也有自己的看法。他不认同 AI 必然变成“天网”、接管世界的说法，但很警惕把不可预测的系统放进涉及人生死的决策中，比如武器目标选择、自动安保。 他的理解是，我们过去习惯了像计算器一样工作的电脑，期待它每次都给出确定的结果。生成式 AI 的工作方式不同，输出具有随机性，不能因为它经常表现得很好，就把关键控制权交给它。 至于创作者对 AI 的恐惧，他觉得完全可以理解。一个人被告知自己的饭碗即将被取代，当然会担心。科技公司一边宣称要消灭大量工作，一边又期待大家热情拥抱自己的产品，这本身就很难说得通。 他还提出了一个判断未来预测的方法：先看看这个人过去的预测，究竟兑现了多少。宣布人类即将完蛋，很容易获得关注；真正把工具做得可控、让使用者放心，需要更具体的工作。 他还把 AI 安全落到了公司的责任上：如果你的产品伤害了别人，公司就得承担法律责任。在他看来，这是约束这场技术竞赛的重要力量。企业有动力不断提升能力、抢市场、赚更多钱，也必须为产品造成的后果负责。

基于花生十三公开教学体系整理的行测申论公考解题技能包 这项目是给 Hermes 用的公考技能包，素材全来自花生十三的公开教学体系。行测六个模块加申论全覆盖，整理了 20 多种题型和上百条速算公式，资料分析部分重点整合了截位直除、415 份数、假设分配这些速算方法。能当题讲、能讲方法、能模考、能做规划、能给策略，五种模式随便切。

Grok Bot 设计之旅 来自 Grok Bot Design Lead @johnbai 是 Cursor 纽约办公室的第一位设计师，John 在这期访谈中首次公开其幕后设计过程。 # Grok Bot 产品起源：为什么 Cursor 要"另起炉灶"？ Cursor 桌面端对非技术用户门槛过高，工程化概念让设计师等群体难以上手。John 入职后长期负责增长与 onboarding，核心命题一直是"降低门槛"。 内部曾有两派：一派主张改造现有产品（John 甚至提过类似 Codex 后来采用的"双模式切换"方案：coding vs. tasks）；另一派主张彻底重做。最终共识是：Cursor 品牌技术感太强、包袱太重，对非工程师缺乏吸引力，于是高层自上而下拍板，由几名资深工程师闭门探索全新产品。 Grok Bot 初版是精简版 Cursor Glass（agents 窗口）+ iMessage 式聊天界面。这是关键的"秘密武器"——AI 圈用户习惯了流式输出和思考状态，但普通用户最熟悉的是 iMessage/WhatsApp 的消息形态。这一选择奠定了产品的亲和力。 # 设计探索：从"激进重构"到"回归聊天" John 展示了大量未采用的探索，其演进逻辑值得注意： 1. 质疑范式：他最初质疑"为什么又是左栏列表 + 中间聊天 + 右侧详情的三栏结构"，尝试了大量替代形态——任务清单悬浮窗、"Mission Control"多 Agent 监控视图、便签式界面、Raycast 式唤起、常驻桌面的 "Notch（灵动岛）"概念、Clippy 式桌面角落角色等。 2. 用产品打造产品：他用内部原型（代号 Sand，即 Grok Bot 前身）来构建自己理想中的 Notch 形态。亲手使用后他发现：Notch 形态会丢失上下文，而聊天仍是管理 "Agent 舰队" 的正确交互范式。这是本期最重要的认知反转——设计师通过快速原型证伪了自己的激进方案。 3. 收敛逻辑：领导层对"退居后台"的 ambient 方案反应冷淡，因为产品需要品牌存在感；而探索中诞生的碎片（如六边形 Cursor logo 加双眼的像素小人）最终演化为 Grok Bot 的吉祥物。两条设计路线——"给工程版抛光"与"彻底重做"——最终融合为现有形态。 4. 拟人化的来源：早期内部用户自发给 Agent 起名、上传表情包当头像，团队从中捕捉到"用户想赋予 Agent 人格"的信号，遂将角色形象设为默认状态。 # Onboarding 哲学（本期最有方法论价值的部分） John "在 Cursor 的全部时间都在设计 onboarding"，其核心原则： 1. 衡量负担的标准是概念数量，而非步骤数量。只要价值传达清晰、过程有吸引力，用户愿意走完多步流程；反之，塞入过多概念（他点名 Buzz 的 onboarding）会让人流失。 2. 不要迷信 Skip 按钮。AI 工具跳过引导后，用户被丢进空白输入框，直接陷入"行动瘫痪"（action paralysis）。先教会用户产品能做什么，比让他们快速进入产品更重要。 3. 最终落地的三步：① 你拥有的是一个 Agent 团队（各有分工）；② 每个 Agent 有自己的电脑（嵌入式 computer-use 窗口 + takeover 接管按钮——主持人称这是他的 "aha moment"，因为云端电脑的运作首次变得透明可信）；③ 任务可自动化运行。 4. 被砍掉的方案及原因：连接 Google 做个性化定制（信任未建立，用户不愿授权）；语音引导（跟风 ChatGPT/Claude 语音模式，但新用户"不知道该说什么"，时机错误）。 5. 用动效"买时间"：信息逐步流入的动画，既表现 AI 在思考，又掩盖了加载延迟。 # Cursor 的设计文化 没有两个设计师流程相同：有人纯代码起手（做 Cloud Agents 的 Maya 甚至没有 Figma 文件，只交付 Vercel 可交互原型），有人用 Paper，John 自己仍以 Figma 起草——但 Figma 的定位已变为"喂给 Agent 的素材与故事板"，文件本身是完全一次性的（throwaway）。 Agent 深度参与设计执行：John 把 Notion 文档丢给 Bot，让它在 Figma 里自动布局数十个 logo 变体、填充组件网格——过去需要手动 Google 找 SVG、缩放对齐的重复劳动全部外包。后期他甚至跳过 Cursor，直接让 Agent 在浏览器里生成多个方案。 高保真评审文化：每个想法必须附带可交互原型，crit 时发链接让所有人亲手试用。"静态走查已经不够用了"——这迫使设计师在分享前就验证方案是否成立，避免"给烂方案抛光"。 沙堡心态与 unshipping：设计师不能对自己的概念有执念（"can't be precious"），早期探索注定大量被丢弃，但碎片会进入最终产品；公司内部有强烈的"反上线"（unshipping）文化，靠删除来收敛复杂性。 他引用 Colin Dunn 的 "informed simplicity"：用户觉得"理所当然"的简洁，来自设计者先极度发散、再极度收敛的过程。 # 团队、招聘与反馈机制 团队：冲刺期共 5 名设计师，按各自强项自然分工（John 做探索与 onboarding，Pong、Keith、Tyler、Mamuso 抛光主壳），品牌团队主导命名与形象迭代。 招聘标准：基本功优先于工具数量、出活速度或"模型优化技巧"。核心考察能否真正 ship 产品、是否有体现 PMF 寻找循环的工作流程——"现在什么都能造，但不是什么都值得造。" 反馈处理：坚持用户研究 + 数据驱动。重视深度用户（如主动向 power user 私信索取详细反馈，再让 Bot 汇编成 Notion 文档同步团队）；数据洞见直接指导迭代——用户常用 Bot 少于 5 个（影响信息架构）、授权认证是主要卡点、吉祥物反响强烈（故提升其存在感）；同时密切观察用户自发"hack"出的用法（如 iMessage 版 Bot），顺势纳入设计。 # 实际使用场景（产品能力的具象化） John 本人：妻子申请绿卡，让 Bot 扫描邮箱自动找出过去 5 年的租约与账单；租房监控（定时抓 StreetEasy 房源，按"靠近地铁蓝线"等条件排序）；跨工具流水线（Slack 反馈频道 → Notion 数据库 → 自动更新 Figma 设计，人只需验收）。 主持人 Rid：梦幻橄榄球 GM Bot（抓取公开交易数据 + 动态竞价模型）；QA Bot（每日自动跑完全部产品流程、生成工单，置信度达标即直接派给 Cursor Agent 修复）——他在机场行李提取处用手机修好了此前两次都没修好的 bug。 John 的总结颇具代表性："我现在默认它什么都能做，因为我还没碰到过墙。"

今天想和大家分享一下，我通过自媒体赚到 10 万块的过程。 去年，在几位朋友的鼓励下，我开始尝试通过自媒体接商单。 从今年开始，我才真正认真地做这件事。到 7 月底的时候，收入刚好超过了 10 万。 所以这期内容，我想把自己从开始接单，到最后完成结算的整个过程，完整地分享给大家。 商业合作的背后 先简单解释一下，博主为什么能够接到商业订单。 一条商单背后，通常有四个角色：品牌方、中介、博主和内容平台。 品牌方有产品需要推广，于是把推广需求交给中介。中介再去寻找合适的博主，博主根据要求产出内容，发布到平台，最后完成结算。 我目前大部分的收入，都来自小红书。 如果想在小红书接商单，第一步就是开通「蒲公英」。 以我当时开通时的规则为例，粉丝数量超过 1000 之后，就可以申请开通蒲公英，向平台和品牌方表示自己愿意接受商业合作。 开通之后，你的账号会进入可以合作的状态，接下来就可能会有中介来找你询单。 确认合作之前的准备 比如你会在小红书系统消息里面看到这样的消息，就是一次询单，可以直接添加联系方式。 为什么大部分时候，联系你的都是中介，而不是品牌方？ 因为品牌方很少直接联系普通博主。 除非你是头部博主，或者你的账号有非常独特的优势，品牌方觉得你特别适合这个项目，才有可能直接安排公司内部的员工和你对接。 更多时候，品牌方会把推广需求统一交给不同的中介或者媒介公司。 中介收到需求之后，再根据品牌预算、账号类型和内容方向，寻找合适的博主。 在这个过程中，大家经常会听到一个词，叫做「返点」。 简单来说，就是中介从博主的订单报价里收取一定比例的返佣。 比如一个博主的视频报价是 1 万块钱。 按照我接触到的情况，中介要求的返点比例通常在 30% 到 45% 之间。 也就是说，这个博主虽然接到了一笔 1 万块钱的订单，但需要返给中介 3000 到 4500 元，自己最后到手大概是 5500 到 7000 元。 中介的日常工作就是收集一大堆意向博主，然后根据返点和利润来确定哪些博主进行合作。 除了返点，接商单的时候还会遇到几个常见的术语： 返点，就是中介要求的返佣比例。 水上，指的是通过平台报备并完成合作。 水下，指的是不通过平台报备。 档期，就是这条内容计划发布的时间。 我觉得接商单最难的，其实是开头。 当你还没有合作案例的时候，很少会有品牌或者中介主动来找你，你自己也不知道应该去哪里接单。 但是，只要完成了前几次合作，逐渐有了一些案例，后面就会有越来越多的中介来找你询单。 万事开头难，后面就会好很多。 商单制作过程 当双方确认合作之后，中介会给你发一份 brief。 这份 brief 里面会写清楚具体的创作要求，比如需要介绍什么产品、突出哪些功能、带哪些话题，以及有哪些内容不能说。 我目前接到的商单，大部分都和 AI 有关。 比如大模型更新、Agent 产品实测，以及一些 AI 行业资讯类的内容。 拿到 brief 之后，就进入了整个流程里最花时间的一步：内容创作。 如果同时要处理多条商单，只靠自己从头写到尾，时间压力会非常大，所以到了这一步，我基本都会用 AI 工具来辅助创作。 我一般会先把 brief 丢给 Codex，让它帮我梳理里面的重点，包括必须出现的信息、需要避免的表述，以及品牌方真正想传达的内容。 把这些要求梳理清楚之后，我会继续和它一起头脑风暴，确定选题、内容角度和基本大纲。 大纲确认之后，下一步就是提交脚本。 这里说的脚本，其实就是把你的创作思路写清楚。 不管最后做的是视频还是图文，只要按照这份脚本去执行，基本就能得到最终的内容。 脚本经过中介和品牌方审核，确认没有问题之后，就会进入正式执行阶段。 如果是视频，就开始拍摄；如果是产品体验类内容，就先实际使用产品，把体验过程记录下来。 最后再把这些素材整理成视频或者图文稿，提交给中介和品牌方进行成稿审核。 审核通过之后，就可以正式发布了。 如果是水上合作，发布的时候需要关联对应的蒲公英订单。 如果是水下合作，就按照双方约定的方式直接发布。 内容发布并满足相关要求之后，再等待一段时间，就会进入最后的结算环节。 总结 以上大概就是一条商单从接洽到结算的完整过程。 回头来看，整个过程中最花时间的，依然是内容创作。 作为创作者，真正值得花时间的地方，还是选题、封面和内容本身。 只要这几个部分做得足够好，账号有清晰的方向，也有稳定的内容质量，商单其实不会特别缺。 当然，这件事我自己也还在慢慢摸索。我现在依然觉得自己的内容做得不够好，还有很多地方可以继续提升。 但以后只要有新的心得、踩过新的坑，或者总结出更高效的方法，我也会第一时间分享给大家。 OK，我是海明，下次再给大家分享。

Every团队发布了对OpenAI新模型GPT-5.6 Sol的深度测评。结论是，Sol是一款出色的日常协作模型，但在最复杂、最需要独立判断的任务上，Anthropic的Claude Fable仍然更强大。 Sol的核心特点 1）快、稳、遵循指令。 Sol的最大升级在于速度和可引导性。它响应迅速，能让人在还记得“哪里不对劲”的时候就看到修改结果——一次失败的方向只花几分钟，而以往可能要半小时。团队成员评价它“不会做蠢事”，愿意接受纠正，被指出问题后能快速重试。 2）主动找上下文。 Sol会先阅读可用的文件、项目指令和连接的工具，再决定是否需要向人求助。在一项电子表格测试中，它自己找到邮件、检查了46个CSV文件、发现缺失信息，然后带着七个问题回来——每个问题都附上了自己的建议，让人只需批准或修正，无需重新布置任务。 3）执行力和持久性强。 Sol能追踪陌生生产代码库中的bug，完成GPT-5.5多次失败的任务，并且在测试失败时会修复产品本身的问题，没有偷偷弱化测试标准。 但Fable依然更强 尽管Sol表现亮眼，Every团队明确表示：最大、最模糊的任务仍然交给Fable。 在他们的“高级工程师”基准测试中，Fable得分90/100，Sol只有56/100。差距主要来自Sol的一个特定弱点：不知道何时该停。它在重写任务中新增了约12900行代码，每个改动单独看都有理由，但整体重建了过多的复杂度。Sol理解架构没有问题，问题在于缺乏克制——而“决定不做什么”恰恰是高级工程的核心能力之一。 Dan Shipper的比喻：Sol是保时捷，Fable是曲速引擎。Fable能带你跨越星系，但多数时候你只是在城里转转，Sol让你出行更有风度。可当你真的要去远方时，还得靠Fable。（曲速引擎这个比喻足以说明工程师对Fable的称赞） 于是，有工程师用Fable做编排者、定计划，让Sol负责执行；Mike Taylor的做法是“如果你是Human in the loop，Sol所在的Codex应用体验更好；但如果你想把自己从流程中移出去，你需要Fable”。多位成员估计Sol能做到Fable约80%到90%的工作——但剩下那部分，恰恰是最难、最有价值的部分。 推荐使用场景 选Sol · 正在写作、研究、构建或分析一个需要边做边改的项目 · 项目里已经有充足的素材、示例、指令和先前决策 · 目标明确，只需要模型处理步骤、工具和跟进 · 需要一个快速响应、随叫随改的协作伙伴 选Fable · 任务边界模糊，“决定项目需要什么”本身就是工作的重要部分 · 想把长任务完全交出去，离开，回来验收成果 · 简化、架构设计和克制比快速往返更重要 · 需要“尖锐而有锋芒的智能”来做大的架构决策和品味判断 选Opus · 希望在模型工作时看到更多推理过程和进展（Codex的一个短板正是过程可见性差，用户常常需要反推Sol到底改了什么） 结论 Sol代表了日常知识工作的一次重大升级：快速、机灵、善用上下文，是团队想“留在身边”的协作模型。但当任务足够大、足够模糊、足够需要独立判断时，Fable仍然是无可替代的第一选择。

フロント部分はメッシュ素材に仕上がり透け感でセクシーさをアピールをすることが可能で、巧みに露出された素肌がより魅力を引き出すエロセクシーハイレグレオタードです✨ 🫱

✧˖°⌖ 𝙉𝙀𝙒𝘼𝙍𝙍𝙄𝙑𝘼𝙇 ꙳✧˖°⌖ フロント部分はメッシュ素材に仕上がり、透け感でセクシーさをアピールをすることが可能で、巧みに露出された素肌がより魅力を引き出します✨ 🫱

Lemo-opuscar 已经15Kstar了，今日迎来一波 2.0 版本大更新，33支全新风格，总风格数量达到了史无前例的99。👇👇👇 【1】更新了全新的33个风格，部分风格之前我在x上面发过，主要以科普类教育类和解说类内容为主，少量绘画和视觉艺术创作等内容。 【2】利用Fable5.2 审计和优化风格提示词，部分demo影片重新制作和渲染，并使用全新分组体系。 【3】重做了项目的gallery网站，把视频放在网页里，采用一镜到底的手法重制网页，增强了可读性和操控性。下面的视频就是重做后的网站。 【4】修复了一些PR和Issue中的bug，主要是windows系统下的相关问题 【5】优化了改变成我的风格的流程，让自己风格调教更加稳定 【6】部分风格需要gpt等生图模型，如果没有配置则无法使用。风格库会引导你配置。 一些注意事项 【1】该项目是claude plugin，fable opus以及sonnet可以稳定使用，建议使用high档位，其他模型没有适配，慎用。 【2】该项目是风格库，目的为了提供稳定的风格导演镜头方面的指导，故事剧情以及出片细节仍旧需要按照需求调试和修改。 【3】制作片子或者二次开发不一定非要使用skill，而可以提取风格提示词，导演指南等内容，进行融合。欢迎尝试。 【4】非常鼓励大家改编成自己的风格并固化给未来复用，强烈推荐！ 【5】项目中的配音 配乐以及素材来源可以自行搭配，默认使用的免费版本的工具。 【6】暂时不会接受额外工作流方面功能的PR比如口播流程，稿件去ai味流程等。欢迎大家fork到自己的仓库进行二次开发。 【7】2.0.0 版本修改了商用授权条款，老fork版本不受影响。 如果在使用过程中发现问题，欢迎提出Issue。希望大家玩的愉快。 仓库地址 风格库地址

最近一直在研究 AI 对营销行业带来的影响，发现一个挺吓人的现象： 未来人们被广告吸引走的注意力会越来越少 这其实细细一思考挺吓人的 我觉得人类正在对广告形成一种特殊的条件反射 不知道大家有没有这种体验。小时候我虽然也会反感广告，但至少会记住广告讲了什么，甚至有时候会被它吸引，愿意花时间去了解 也就是说我的注意力是被广告消费的 但是现在我的状态完全不一样了 无论是在刷推特还是抖音，只要识别出这是一条广告，我的大脑就会自动跳过它 我甚至不需要理解它的内容，只需要判断出这是广告，就会立刻忽略或者忘记它 我的注意力已经不会再轻易被广告消费了。 而且这不仅仅是我的个人体验 最近有一项调查发现，81% 的美国消费者表示会忽略广告，52% 的受访者表示采取过主动屏蔽广告的措施，包括使用广告拦截器、购买无广告服务等 我觉得原因很简单：广告越来越多，人类也越来越擅长忽略广告 更有意思的是，AI 可能会进一步加剧这个趋势 因为 AI 正在让广告素材的生产成本急剧下降，未来同质化内容很可能进一步泛滥 以前制作一条广告可能需要一个团队，现在随便找个人跟豆包聊两句，就能生成一条视频广告，再通过自动化工具投放出去。 这就形成了一个很有趣的怪圈： 消费者在广告上停留的注意力越来越少，广告商为了争夺注意力，就需要生产更多广告。 而更多广告的出现，又进一步强化了消费者忽略广告的条件反射。 广告生产得越快、越多，消费者反而越不愿意把注意力花在广告上。 而且这里还有一个悖论： 广告越容易生产，单条广告的注意力价值可能就越低 以前一条制作精良的广告可以形成非常明显的竞争优势 比如脑白金那种极其洗脑的广告口号，能让消费者记住很多年 但是现在，当任何人都能低成本生产大量精美的广告素材时，精美本身就逐渐失去了稀缺性 广告制作能力的普及，反而可能让广告本身越来越难吸引消费者 这也会进一步加重前面提到的那个怪圈。 但是我还在思考另一个问题 我觉得人的注意力本质上是一个相对固定的总量 我不把注意力花在这件事情上，就一定会把它花在另一件事情上 广告行业过去几十年一直在研究如何夺走人的注意力，而现在，人类可能正在变得越来越擅长保护自己的注意力 我倾向于认为，由于人的认知习惯和社会环境的共同变化，我们在广告上停留的注意力会长期呈现下降趋势 但问题是： 原本被广告消费的那部分注意力，最终会流向哪里？ 我觉得还是一个需要探索的一个话题

爽了，AI 视频最烦的反复抽卡问题，终于被解决了！！！ 给 Fotor Agent 丢一段需求或原始素材，它直接从脚本做到可编辑的多轨成片，质量和稳定性完全是商用级！ 以前做 AI 做视频，最恶心的就是生成完以后没法改😓，数字、Logo、画面出一点问题都要重新抽卡，但它就只需要改一小段。 文字、图片、图表、数字、Logo、旁白、B-roll、滤镜、转场和音乐全部分轨： 1、画布上直接改：参数能直接选中修改，Logo 等都可以替换，连颜色和图表都能随时改。 2、时间线随便调：调整层级、拉音量、换转场，全都可以自己调。 3、支持 30+文件、10GB 素材：手机拍的素材丢进去后，他能自己抓精彩镜头、去口头语、配字幕和 B-roll。 我拿它测试了一下做一个新品上线视频。把产品图和卖点文档丢进去，它会先整理脚本和分镜，确认之后再继续生成画面、旁白、字幕，最后全部放进时间线里。这种工作流对需要频繁改稿的人真的方便很多。 而且它做 4K MG 堪称降维打击： 以前做一条 MG 动效，需要在 AE 里一帧帧抠，3-5 天起步，花几千块，改个数字、布局还得再等老久。 现在把 PDF、Excel、报告这些资料扔进去，一会就能出一版 AE 级 4K 动效，里面的数字和图表还能接着改。 我算了一下，每秒才几毛钱，30 秒的 4K 成片十几块，2 分钟也就几十块。时间从几天压到几十分钟，钱从几千压到几十，这差距太离谱了！！！ 它能落地的场景实在太多了： 1、电商上新：商品图和卖点扔进去，自动生成多尺寸广告，价格随时改。 2、SaaS 演示：录屏和功能介绍一键做成 Product Hunt 上线视频。 3、知识科普：论文、文章直接转 4K 动态信息图，做爆款科普解说。 4、数据汇报：把 Excel、CSV 做成动态增长大屏和财报解读。 5、课程培训：讲义文档直接变成整套多轨教学视频。 做产品、做电商、做自媒体或者出海的朋友，强烈建议去试一下！ 🔗：