AI产品狙击手

可灵 AI 刚全量上线了可灵 4.0 Flash 模型，收到消息后我赶紧拿六维鹈鹕骑车测试用例去测评了一遍。 主体完整性与跨帧一致性：自行车缺了一个独立反射镜，其他主体应该都是完整的。 肢体与机械推理：提示词要求左翅膀搭在车把上、另一只收拢，但画面里鹈鹕的双翼都是收拢的，姿态不符合要求；另外全程鹈鹕的脚都静止不动，并没有踩动自行车。 镜面反射与空间推理：这里有三个问题。第一，镜面和实景中鹈鹕脚的动作对应是反的——实景中远离玻璃墙的左脚抬起，而镜子里却是靠近真实鹈鹕的左脚抬起；第二，自行车链和车链盖子也是反的；第三，铃铛同样是这个问题。 中文文本与时钟渲染：首先中文文本是糊的，根本看不清上面的字；其次提示词要求挂钟和横幅并排，但它没有；第三，时钟不是 3 点整，偏差不多，它画成了三点零五分。 液体与浮力运动：没有看到什么大问题。 运镜构图与光影：黄昏光影质感自然，运镜和光影都没有问题，但悬浮的时钟有点破坏整个构图。 六维跑完，你觉得这个模型表现怎么样？ 访问入口

AI 回答问题最烦的一点，就是三千字小作文，看到一半就想划走。一个独立开发者做的 Answer me with HTML 就是治这个的：装进 Claude Code、Codex 这些 agent 里，它不再甩你一大段文字，而是排出一页图解，上 GitHub 才一个多月就攒了 5,000 多颗星。 用法还是照常提问，比如讲讲 TCP 三次握手，或者说这个仓库的模块是怎么组织的。它先写一份几百字的 Markdown 稿子，再用 skill 自带的命令行工具把稿子排成页面，时序图、状态迁移图、目录树、时间线全自动画好，50 毫秒出结果。成品就一个 HTML 文件，断网也能打开。 问它 Redis 和 Memcached 怎么选，会给一张打了勾叉的对照表，末尾还落一句结论；让它挑一段文案的毛病，就一句一句标出问题词和改法。当然，一句话能讲清的问题它不硬凑，照样一句话回你。 巧劲在于把重复的活从模型手里拿走：CSS 和流程图坐标都交给命令行算。同一个问题，模型要写的 token 只有手写网页的 1/8，等待从 31 秒掉到 12 秒。它还顺手按飞机维修手册那套写法规范查措辞...

腾讯刚上线 Hy 4 正式版，我们当然要抢头啖汤去测一下。不过坦白说，测评结果没有达到我自己的预期，大家也有个心理准备。这回同样是通过 Pi 接入，思考模式拉到最高。 第一题是强约束指令遵循的句子生成测试。结尾都遵循从 1 到 10，但通顺度上「都是文言文和倒装的写法呀」。逐句看下来：第一句我觉得可以；第二句本来应该是「始分为二」，但「为」被提示词禁用，所以改成了「作」，勉强可通；第三句看得懂，但一般最后还是要加个人字；第四句又一个倒装，幸好我还有个小学毕业证，不然都看不懂，很别扭；第五句一眼能看懂；第六句还是要加个点字才通顺；第七句也还可以；第八、第九句通顺；第十句看得懂，但后面还是要加个人才算通顺。 第二题是鹈鹕土星环骑自行车的 SVG 测试。好像是第一次看到土星环有一定角度的实现，以前看到的都是水平的。有两个问题：第一，鹈鹕右边转弯还算通顺，虽然还是用了淡入淡出的方法，但毕竟还是面向我们；到了左边转弯问题就明显了，淡入淡出时明显是头朝着我们，一眼就看出穿帮了；第二，仔细看鹈鹕的脚，感觉和脚踏是形成一体的，有点穿模。 第三题是复合弓射箭的 SVG 测试。三个问题：第一，...

又一个神秘模型 Crouton Alpha 来了，粉丝评论说叫我测下看是否能打，义不容辞。这回还是通过 Pi 经 OpenRouter 接入，思考深度直接拉到最大。 第一题是强约束指令遵循的句子生成测试。很明显句子都是遵循从 1 到 10 结尾的，再逐句看是否通顺，看下来觉得都是通顺的，是六道题里完成得最干净的一题。 第二题是鹈鹕土星环骑自行车的 SVG 测试。鹈鹕转弯没有什么问题，这个值得肯定；但有一个很恐怖的问题——鹈鹕的两条腿是断掉并粘在脚踏上的，也就是说主体完整性有很大问题。 第三题是复合弓射箭的 SVG 测试。这是一个很奇怪的实现，是个分段式的实现，非常不连贯；另外箭羽开头是对的，射出去后就错了；上下转轮是同方向的；拉弓时箭不在弦上。如此之类吧，反正是个不好的实现。 第四题是实现一个精美浏览器操作系统。这个 UI 乍一看感觉不错，再仔细一瞧发现左上角有个奇怪的菜单，这肯定是个问题。右上角弹窗里，好几个控件的宽度都超出了父容器，日期点击后还没有弹窗——一般操作系统点击日期肯定是有弹窗的。Dock 栏应用里计算器的高亮按钮做成椭圆，真心不好看。压轴的太空射击游戏能玩，...

谷歌的工程师在动手写代码之前，要先被一条金鱼审一遍。传说金鱼只有 7 秒记忆，这条金鱼还真的故意什么都不记得：前面聊过的来龙去脉一律不交给它，只给它一份设计文档，以及文档里引用的代码原文。 这套流程叫 Elephant-Goldfish Model（简称 EGM），本来是谷歌内部几千个工程师日常在用的，9 月中旬才正式开源，GitHub 上已经攒了一万一千多颗星。名字里虽然带 model，它其实是一套装进 AI 编程助手的插件。 流程分四步：brainstorm 先跟你把需求和取舍聊透，存成概念稿；draft 把概念稿扩成设计文档，每写完一节都停下来等你拍板；review 交给一批全新的子智能体，分 5 个阶段挑刺；挑出来的问题再由 resolve 跟你一条条定下来。 比如要给系统加个 webhook 推送，投递失败了要不要重试、同一条事件来了两次怎么去重，这些问题会在写代码之前就被摆到桌面上。此外它还负责两件事：给已经有代码的老项目补文档，或者拿现成的文档跟代码对一遍，看看哪里已经对不上了。 不过文档里也写明了，审查不能代替测试，拍板还是你自己来；项目本身也标着不是谷歌官...

又一个神秘模型 Egg Alpha 来了，听说非常能打，跟群里网友借了个 key，在 Pi 上接入、思考深度直接拉到最高测了一轮。 第一题是强约束指令遵循的句子生成测试。第五句不是数字结尾，其余句子结尾是对的；再看通顺度，第 7 句和第 9 句不通顺，其他还好。整体感觉不错，起码比上一个测评视频里测的 Pulse Alpha 好太多了。 第二题是鹈鹕土星环骑自行车的 SVG 测试。大家看效果——卧槽，这个效果还不错，基本上挑不出什么问题。真要挑的话，就是转弯的时候跟顶级 Claude Opus 5.5 那次测评视频的效果差一点点。 第三题是复合弓射箭的 SVG 测试，看上去也不错。唯一一个小问题是为了满足抛物线，平拉的弓箭射出后突然往上飙了；再厉害点的话，复合弓的地上应该加点阴影，射箭拉弓的姿势也可以更标准一点。 第四题是实现一个精美浏览器操作系统。UI 看上去不错，右上角弹窗的 UI 也挺漂亮，就是最后这个日历的日期高亮不应该用椭圆；Dock 栏应用功能没有什么问题，UI 都挺不错；压轴的太空射击游戏功能没问题，UI 也不错。 第五题是 3D 赛车游戏测试。功能没有什么问...

OpenCode 刚上线了一个神秘模型 Pulse Alpha Free，免费开放，听说非常能打，事不宜迟赶紧在 OpenCode 上测一轮，思考深度直接拉到最高。 第一题是强约束指令遵循的句子生成测试。结尾确实是从 1 到 10 结尾，这点没问题，但检查通顺度的时候就露馅了：第 3、4、5、6、7、8、9、10 句全都不通顺，也就是说只有 1 和 2 两句是通的。害我数得头晕眼花。 第二题是鹈鹕土星环骑自行车的 SVG 测试。转弯画得挺不错，还给鹈鹕叼了条小鱼，算是有点新鲜。但问题还是有：鹈鹕的形态感觉不大对，身体和尾巴的比例很别扭，好像没见过有把鹈鹕画出过两个尾巴的；另外脚和自行车脚踏是分离的，在那儿踩太空步。 第三题是复合弓射箭的 SVG 测试。场景感觉是在月色下射箭，头上却又挂了个太阳；箭羽是反的；拉弓的时候箭离弦还有一段距离；箭是平拉然后放手的，箭头却突然往上蹿；最后这双手怎么看都觉得别扭，像是两只手长在了同一边。 第四题是实现一个精美浏览器操作系统。桌面一片漆黑，右上角的月亮图标点了也不给换主题模式；右上角弹窗里日历的日期高亮做成了椭圆，不好看；Dock 栏设置...

上个视频推荐了 Grok Bot 和 Claude Duet 的开源版平替 Open Duet，最近挺多人问到底怎么用。这期直接上手，把安装到跑通整个流程过一遍。 安装这一步其实几乎没有门槛：打开你平时用顺手的 agent，Claude Code、WorkBuddy、千问办公、OpenCode 都行，把 Open Duet 的 GitHub 仓库地址丢给它，让它照着仓库自己装完就齐活，不用手动敲命令。 装好后打开应用，跟着引导流程走。第一步填一个 Email，用来接收验证码；第二步把收到的验证码输进去，验证通过后继续。接着是接入大语言模型，可以填第三方 API，也可以直接复用你本地已经装好并登录的 Gemini CLI、Claude Code —— 这些工具本身能用的模型，Open Duet 就跟着能用，不用再单独买一份订阅。 再往下是填写初始 Agent 的信息，简单写几句它要负责什么，不至于一进去面对空白对话框。然后应用会问你要不要开放一些系统权限，比如辅助功能权限和录屏权限，按自己情况开就行，但建议都打开 —— Computer Use 这类要真正操作你屏幕的功能，权...

还没用上 Anthropic 应战 Muse 推出的那款个人智能体 Claude Duet 的，可以先看一下这个开源平替——CopilotKit 团队做的 OpenDuet，上线 12 天就拿了快 2000 颗星。 把它部署起来、接上 Gmail 和日历之后，它每天早上会先给你发一条晨报：今天有什么会，哪些邮件必须你来回，哪些可以先放着，都替你分好了。你扔给它一个任务就能走人，它会在一台自己的电脑里接着干——有真的浏览器，有自己的文件，干完了或者卡住了才来找你。 分寸感也做得不错：发消息、付款、签文件、删东西这类动作，执行前它会把要做的事原样摆给你看，你点头它才动。网站需要登录的时候，密码走的是另一条加密通道，AI 全程看不到。 部署其实并不复杂：装好 Docker 和 Bun，把仓库克隆下来，复制一份环境变量文件，填上你自己的模型 API Key，再免费注册一个它的 Intelligence 项目用来存记忆，一条启动脚本拉起来，浏览器打开本地端口就能用了。 整个项目自己部署、自己选模型，数据留在你自己的数据库里；代码是 MIT 协议，可以商用。想给自己搭一个私人助手的，不...

商汤刚上线了 SenseNova 6.8 Flash，我们赶紧拿祖传 benchmark 跑一遍。接入方式和往常一样，还是 Pi，思考模式设置到最高。有言在先，这个视频看完你估计不是笑死就是气死。 第一题是强约束指令遵循句子生成测试。放眼望去，只有第一句是数字结尾的，好惨哦，而唯一的那一句还要是不通顺的。这一题应该是目前测过的这么多模型里做得最差的一个了。 第二题鹈鹕土星环骑自行车 SVG 测试，祸不单行，这是什么跟什么嘛。我都不想一个个点出问题在哪了，逆向思维吧——值得称道的是，它确实生成了一个类似土星的球体，还给球体两边加了些护盾。第三题复合弓射箭 SVG 测试就不多说了，大家自己看，笑到肚子痛的别怪我。 第四题要求实现一个精美的浏览器操作系统。右上角弹窗功能没有什么问题；再看 Dock 栏，问题就来了：Dock 栏 APP 的 icon 点击后不懂得复原，terminal 终端输入后回车也没有反应。接着看压轴的太空射击游戏，鼠标和 ESC 键按下都没有反应，根本没法玩，失败。 第五题实现一个 3D 赛车游戏，进去一片漆黑，辣子鸡中的战斗机。第六题要求无第三方库实现一个...