跳到正文

素材

5 条推荐 · 效果未亲测

Gemini 4 Neon:百万上下文能一次读懂多少资料

79 / 100

Google 在 11 月 18 日发布 Gemini 4 Neon,把文本、图片、音频和视频放进统一的 100 万 token 上下文,并提供四档思考强度。它的特别之处不是“又一款更强模型”,而是让同一次任务更少拆成多轮投喂,同时允许用户在速度、成本和推理深度之间切换。官方模型卡显示,它在长上下文测试中得分 95.2%,但 FrontierCode 2.0 为 46.2%,实际表现可能存在明显取舍。

推荐理由:11月18日刚发布的Gemini 4 Neon有具体的新变化:统一上下文上限100万token,可一次处理文本、图片、音频和视频,并提供Low、medium、high、xhigh四档思考强度;官方定价为每百万输入token 3美元、输出15美元,缓存输入0.15美元。对经常处理长资料、代码仓库或多模态材料的AI用户,值得关注的不是“榜单第三”,而是能否用一档模型完成高频复杂任务,以及四档强度在耗时、费用和结果上的实际边界。官方模型卡还给出与Claude Opus 5.5、GPT-6.2 Sol的逐项对照:Neon在AA指数为61,在GraphWalks长上下文测试为95.2%,但FrontierCode为46.2%,说明它并非所有维度都领先,适合做有取舍的实测而非性能通稿。站主可用同一份中文资料、代码修复和多模态材料比较四档输出,记录完成率、响应时间与实际费用;无需新增硬件,但需要Gemini API付费权限及可用的Google服务环境,国内账号可用性尚未由已读官方材料确认,基准结果也须明确归因于Google或第三方评测,不能冒充本站复现。

展开创作方案与限制

Neon 最适合观察的画面,是把一份长 PDF、表格、图片和一段代码同时交给模型,再看它能否找出跨材料矛盾并整理成结构化结果。官方对照数据也显示它并非处处领先:AA 指数为 61,高于 Claude Opus 5.5 的 59 和 GPT-6.2 Sol 的 57;GraphWalks 长上下文测试为 95.2%,但 FrontierCode 2.0 的 46.2% 略低于 Claude Opus 5.5 的 47.3%。

公众号

围绕“百万上下文是否真的减少来回投喂”做一次可复现实验:准备同一组中文资料、代码修改任务和图表/图片分析任务,分别在四档思考强度下运行,记录完成率、响应时间、输入输出 token、估算费用和人工返工次数,最后回答多花的钱换来了什么。

小红书

用一张直观对照卡展示 Neon 的能力边界:放上长上下文测试 95.2%、AA 指数 61、Chartography 73.5% 和 FrontierCode 46.2% 等官方数字,再配同一份资料在不同思考强度下实际输出的截图,重点展示“读得更长”和“想得更深”分别意味着什么。

从 Gemini API 付费层或 Google AI Studio 入口开始,使用官方提供的 Neon 模型名称,先用一份可控的中文长资料和一个小范围代码修复任务测试基础流程。 再准备一份包含 PDF、表格、图片和代码的混合材料,分别切换四档思考强度;为每档记录实际耗时、token 用量、费用、答案是否正确及需要人工修改的次数。 需要 Gemini API 付费权限或可用的 Google 服务环境;不要把官方基准分数当作本站复现结果。

  • 已读官方材料没有确认中国境内账号、付款方式和网络环境的可用性,体验前需自行检查 Gemini API 与 Google AI Studio 的访问条件。
  • 模型卡说明知识截止时间为 2026 年 3 月,个别领域的信息可能不够新。
  • Neon 仍可能出现幻觉;官方分数不能直接代表中文材料理解、事实准确性或真实工作完成率。
  • 官方基准由 Google 及第三方机构完成,具体测试方法、样本和费用口径需在文章中注明归属,不能写成站主复测结果。
  • 百万 token 是上下文容量上限,不等于能可靠处理任意规模、任意质量的长资料;不同思考档位的实际边界仍需实测。
选择位置后生成可直接交给 Agent 的项目包(默认打开桌面)。

AI能边听边说:Haru-4B把语音对话压到133毫秒一帧

84 / 100

Haru-4B不是等用户说完再回答的语音模型:它每133毫秒同时接收一段用户音频,并生成自己的音频和文本,因此可以在对话中继续听、也能同时说。模型明确支持中文,还可用角色卡和一段3秒至3分钟的参考音频设定角色与声音,最适合观察AI如何处理插话、补条件和临时改题。

推荐理由:Haru-4B 的看点不是普通语音聊天,而是真正的全双工:它每 133ms 同时接收用户音频并生成自己的音频和文本,因此能在用户插话时继续听,不必等一轮完整转写结束;官方还明确支持中文,并允许用角色卡和3秒至3分钟参考音频控制角色与声音。对关注AI语音交互的普通读者,最直观的吸引力是现场演示“用户说到一半插话,模型何时停顿、是否接住新话题、会不会自说自话”,这比朗读一段语音回答更有画面。仓库提供Web演示、PyTorch、MLX原生macOS应用和vLLM-Omni实现,Apache 2.0权重及代码降低了研究和制作门槛。站主适合做中文对话中的插话、打断、抢话和口误纠正实测,用同一段角色设定观察模型是否真的边听边说。需要注意的是,它只是研究用预训练底模,不可靠地提供事实,也不像助手一样稳定服从指令;官方给出的NVIDIA运行门槛约为12GB显存,站主现有8GB显卡不能直接照搬该配置,而8GB M2 Air能否用int8完整运行仍需实测,不能先承诺本地复刻。

展开创作方案与限制

用户音频、模型音频和模型文字被放进同一个133毫秒时间步,听与说不再轮流等待;这让“AI有没有真正听见插话”成为可以直接观察和录屏的交互实验。

公众号

围绕“AI会不会听进打断”设计一段中文全双工对话实验:让Haru扮演固定角色,在它说话时插话、补充条件、反问或临时改题,记录它何时停顿、是否接住新信息,以及能否连贯处理前后话题;再结合仓库中的输入输出结构,解释133毫秒时间步如何让听与说同时进行。

小红书

做短而直观的插话挑战:预先固定角色、语气和测试句,分别测试打断、抢话、口误纠正与连续改题,用字幕标出用户开口、模型停顿时刻和模型后续回应,重点展示“模型仍按原计划说”与“及时转向新话题”的反差。

先从官方模型页与仓库确认当前可用入口和中文说明,优先尝试官方Web演示;若本机无法部署,则用公开演示或已有入口录屏,不把未跑通的本地效果写成亲测结果。 准备一段有授权的单人干净中文语音作为参考声音,长度为3秒至3分钟;再为角色卡写明身份、关系、当前情境和说话风格。 测试时使用有线耳机和有线麦克风,先录正常轮次作为基准,再依次测试说话中插话、补充条件、反问和临时改题。 若使用现有8GB NVIDIA显卡,不要照搬官方约12GB显存配置;M2 Air可先评估仓库提供的MLX原生macOS实现,但int8完整运行是否可行仍需实测。

  • Haru-4B是面向研究的预训练底模,不是可靠的知识问答工具,也不能像成熟助手一样稳定服从指令。
  • 官方Web演示需要运行仓库服务;仓库给出的NVIDIA配置约需12GB显存,现有8GB显卡能否直接运行未知。
  • M2 Air上的MLX实现已经提供,但8GB内存能否完整、流畅承载模型及int8量化效果尚未得到现有材料确认。
  • 蓝牙设备可能增加100毫秒以上延迟,低延迟测试应优先使用有线耳机和有线麦克风。
  • 参考音频可用于模仿声音,只能使用本人或已获授权的声音。
选择位置后生成可直接交给 Agent 的项目包(默认打开桌面)。

技能写得没错,AI为什么还是没用?

80 / 100

NVIDIA 的 SkillEvaluator 展示了一个很具体的故障:同一份 Agent Skill,在不同编程助手里可能遭遇描述截断、目录不被扫描,甚至完全没有加载。工具先用静态规则检查技能质量、许可证、PII、脚本安全和宿主兼容性,再通过有无技能的对照运行判断它是否真的改善任务结果。

推荐理由:SkillEvaluator最值得普通AI编程用户看的不是“给技能打一个100分”,而是它揭示了一个容易被忽略的断点:技能文件即使写得合格,智能体也可能根本没加载。官方示例中,同一技能在Codex中被截断、在Claude Code中因目录扫描规则未生效而未加载,却在OpenCode、Hermes和OpenClaw中可被识别;这正对应用户遇到过的“提示词明明写了,AI却像没看见”。工具的Tier 1可在无API key、无GPU的条件下用500多条静态规则检查质量、许可证、PII和脚本安全,并单独检查Claude Code、Codex等宿主的兼容性;后续Tier 3才通过有技能/无技能对照运行判断实际收益。站主可用中文制作一个极小实验:让同一技能在Claude Code、Codex等环境中分别加载,记录截断、未扫描和真正可用的差异,再解释静态高分为何不能代替宿主兼容性检查。需要注意,Tier 1的70分及格线只是静态质量门槛,官方明确称发布证据仍不完整;完整实测还需Python 3.12至3.14、外部扫描器、NVIDIA Build密钥与Docker,且项目仍属实验性支持,现有材料未核实发布日期,因此更适合作为常青方法与具体故障展示,而不是宣称全新突破。

展开创作方案与限制

官方示例里,同一技能在 Codex 中因描述超过限制被截断,在 Claude Code 中因 `.agents/skills` 未被扫描而没有加载,却在 OpenCode、Hermes 和 OpenClaw 中可以被识别。这说明“技能文件通过了质量检查”,并不等于“当前智能体已经用上了它”。

公众号

围绕“提示词明明写了,AI却像没看见”展开:先解释技能描述超长、目录扫描范围不同等加载断点,再用官方示例说明为什么静态高分不能替代宿主兼容性检查,最后梳理“文件合格—宿主加载—任务确实变好”三个不同层级。

小红书

做一页式故障排查卡片:左侧列出 Codex 描述截断、Claude Code 目录未扫描、Copilot CLI 超长等具体症状,右侧给出 Harness Check 的定位思路;结尾强调别只盯着技能正文,先确认当前宿主到底有没有加载它。

最小起步不需要 API key、GPU 或 Docker:先准备一份简短的中文 Agent Skill,运行 `skillevaluator quality-check ./my-skill` 查看静态质量结果,再用 `skillevaluator harness-check ./my-skill` 检查不同宿主的加载兼容性。 随后可把同一份技能分别放进 Claude Code、Codex 等环境,记录描述长度、目录位置和实际加载日志,对照官方示例制作故障演示。 如需继续验证实际收益,再准备 Python 3.12–3.14、外部扫描器、NVIDIA Build 密钥和 Docker,执行 `skillevaluator validate ./my-skill`;不要直接省略环境和数据集条件。

  • SkillEvaluator 当前属于实验性、社区支持项目,没有 NVIDIA 企业级支持承诺或 SLA。
  • Tier 1 的 70 分只是默认静态质量门槛,不能证明技能已被宿主加载,也不能证明任务效果有所提升。
  • 官方输出中的不同宿主加载结果属于示例;未在相同版本和环境下复现前,不应把它当作所有技能都会出现的结果。
  • 完整实测依赖特定版本的 Python、外部扫描器、NVIDIA Build 访问、Docker 和经过审核的数据集,部分模型或沙箱运行还可能产生费用。
  • 现有来源未提供明确的首次发布日期,不宜把该工具包装成刚发布的技术突破。
选择位置后生成可直接交给 Agent 的项目包(默认打开桌面)。

Genie 4:你能用一句话改写正在发生的AI世界

82 / 100

Google DeepMind 发布的 Genie 4 不只是生成一段视频,而是生成一个可以用键盘探索、用文字实时改变的世界。用户可以改变天气、镜头、人物和物体,场景还会同步生成环境音与角色对话。官方展示中,它甚至被用于影视预演、游戏原型和机器人训练。

推荐理由:Genie 4 的核心看点很明确:它不是一次性生成视频,而是可以边探索、边用文字改变天气、镜头、人物和物体,还能同时生成环境音与角色对话;对普通读者来说,这是“走进一个会继续发生的AI场景”,画面和互动性都强。Google DeepMind 在 2026 年 10 月 27 日的官方发布中明确展示了实时操控、原生音频、人物反应和多步事件模拟,并将其用于影视预演、历史照片动态化、游戏原型和机器人训练等场景。官方也承认长时间运行会出现细节漂移、物体不持久、文字难读、空间和物理交互不准等问题,这些限制反而提供了具体可讲、可验证的观察点。站主可以围绕“一个场景到底能保持多久、听声音是否对应画面、反复改提示后会不会崩坏”制作解释或官方演示分析,而不必声称已经完成中文交互实测。需要明确的是,10 月 28 日的入口文章显示它仍以受邀研究预览为主,Project Genie 使用还涉及 Google AI Ultra、支持地区和账号资格;官方材料没有确认中文文字引导或中文对话的具体支持范围,因此内容应先聚焦官方演示与原理,暂不把中文输入效果或可立即体验写成既定事实。

展开创作方案与限制

Genie 4 最特别的地方,是生成结果不会在你输入提示词后直接结束:世界会继续运行,人物会回应事件,声音也会跟着场景变化。官方同时承认,长时间运行或多次修改后,物体可能漂移、文字可能难读、空间和物理交互也可能出错——这让“AI场景能撑多久”成为比单看开场画面更值得追的看点。

公众号

围绕官方录屏做一次“进入AI场景后改写它”的演示解读:先展示人物与环境的连续变化,再依次加入天气变化、镜头调整、人物或物体,解释它与传统一次性视频生成的根本区别。结尾列出物体消失、细节漂移、文字难读等官方承认的边界,避免把研究预览包装成已经成熟稳定的产品。

小红书

用短录屏串起三个可视化问题:同一场景能不能被一句话改变、声音是否真的对应画面、连续修改后会不会崩坏。每个场景只改一个条件,并保留修改前后的对照,让普通读者直接看到“生成视频”和“持续模拟世界”的差别。

先从 Google DeepMind 的 Genie 4 官方发布页查看实时交互录屏,重点观察文字操控、角色对话和环境音;再按入口说明核对 Project Genie 的账号权限、Google AI Ultra 权益、年龄与支持地区。 若账号已获得 Genie 4 资格,可先建立一个简单地点,用键盘移动和改变视角,再分别测试天气、人物、物体与镜头,每次只改一个条件,并保存修改前后的录屏。 若尚未获得资格,则以官方演示为素材做解释稿;不要购买第三方“代开”服务,也不要把旧版 Project Genie 教程当作 Genie 4 实测。

  • Genie 4 在官方发布时属于面向可信测试者的研究预览;Project Genie 的新模型开放资格与 Google AI Ultra 订阅权益需要分别确认。
  • 现有官方材料没有确认文字引导或角色对话的具体中文支持范围,因此未取得资格时不声称已完成中文交互或中文声音实测。
  • 复杂物理交互、实时声音准确性、文字可读性、空间准确性和长期一致性仍是官方列出的研究问题。
  • 官方生成内容带有 SynthID 隐形数字水印;官方材料也说明模拟在短时 session 中可以保持连贯,但更长时间或多次复杂编辑后可能发生漂移。
选择位置后生成可直接交给 Agent 的项目包(默认打开桌面)。

PaperOrchestra:让五个AI角色接力写论文

78 / 100

PaperOrchestra把研究想法或实验日志拆给大纲、文献综述、分节写作、内容修订和绘图五个角色处理,最后组装成可编译的LaTeX稿件。它值得看的地方不是“AI能写论文”这句口号,而是整套流程如何模仿真实论文生产,以及作者评测中多智能体分工相对于单智能体基线体现出的质量差异。

推荐理由:PaperOrchestra适合做一个有具体过程和结果的技术选题:它不是泛泛地声称“多个智能体一起工作”,而是把论文写作拆成大纲、文献综述、分节写作、内容修订和绘图五个角色,输入研究想法或实验日志,最后生成可编译的LaTeX稿件。官方论文还提供了基于200篇顶会论文反向整理的PaperWritingBench,以及作者团队的人工对照结果:文献综述质量的绝对胜出幅度为50%—68%,整体稿件质量为14%—38%。这些数据能支撑“分工协作是否真的比单智能体写得更像论文”的主线,但必须归属为论文作者的评测,不能写成普遍效果。中文读者可以关注一个反差:AI不只是润色文字,而是在模仿真实论文生产流程;不过当前仓库不含数据集,完整运行还依赖Python 3.11、Conda、Semantic Scholar及模型服务密钥,站主可用一个公开的小型研究想法或实验日志做低成本演示,重点展示五个角色如何接力、文献如何被整理、图表如何生成,以及最终稿件仍有哪些人工检查。

展开创作方案与限制

论文团队用200篇顶级AI会议论文反向整理出PaperWritingBench,并报告人工对照中文献综述质量的绝对胜出幅度为50%—68%,整体稿件质量为14%—38%;这些是作者自己的评测结果,不能直接外推到所有模型和论文类型。

公众号

围绕“论文不是一次生成,而是五个角色接力”展开:先用官方论文与仓库还原Outline、Literature Review、Section Writing、Content Refinement、Plotting之间的输入输出,再分析作者评测里“分工协作改善了什么”,以及文献真实性、引用准确性和最终人工核查仍然不能省。

小红书

做一张“原始材料到论文成品”的流程图:研究想法或实验日志进入五个角色后,依次得到大纲、文献综述、正文、修订稿和图表。突出流水线中最容易看见的变化——从零散素材到结构化中间产物,再到可编译的LaTeX文件。

先从官方仓库读README、运行脚本和LaTeX模板目录,画出五个角色的流程与中间产物。若条件允许,再准备一个小型中文研究想法或公开实验日志,按Python 3.11和Conda说明建立环境,配置模型服务与Semantic Scholar密钥,启用`--use_plotting`跑一次最小演示,同时记录文献检索、正文生成、图表生成和编译环节。 若完整运行涉及较多接口费用、模型兼容性或模板调试,就不强行复刻全部论文:改用仓库已有示例、角色说明和论文评测制作流程拆解,并明确哪些画面来自官方材料、哪些是后续测试。

  • 50%—68%的文献综述胜出幅度和14%—38%的整体稿件胜出幅度来自论文作者的人工对照评测,不是本站测试,也不能视为对所有写作任务的普遍提升。
  • 仓库目前不包含论文生成所用的数据集;完整运行还需要Python 3.11、Conda环境、模型服务配置、Semantic Scholar密钥和LaTeX模板。
  • 论文作者报告的结果基于特定基准与对照设置,不能据此断言生成内容已达到投稿标准。
  • 中文任务能否顺利完成仍取决于所选模型和接口的语言能力;现有材料不足以保证中文写作、文献判断及图表语义都能达到理想效果。
  • 仓库是研究项目,并非Google官方支持的产品。
选择位置后生成可直接交给 Agent 的项目包(默认打开桌面)。