Thoughts on AI, technology, and innovation
MiniMax Music 3 是 2026 年唯一同时满足"质量梯队对齐 Suno V5 + 官方自营 API + $0.15 封顶计价"的音乐生成模型。本文从官方 API reference 逐参数拆解 music_generation 契约（同步返回、14 种歌词结构标签、24 小时过期的 url 输出），横向对比 Suno/Udio/ElevenLabs/Stable Audio 四家 API 现状，并以一条真实的 AI 视频 canvas 管线为例，给出 agent 工具化的接入清单与三分支路由规则。
微软 VibeVoice 仓库现存最早一条提交是根提交，信息只有一个词：statement。11 个月后，TTS 权重仍在 Hugging Face 上被下载 11 万次，推理代码却始终没有回来——多说话人 TTS 类被注册为因果语言模型，却不继承 GenerationMixin，调用 generate() 直接报错。这篇拆解这个缺口的精确形状，以及它催生出的那条影子供应链。
OpenMontage commit 2702362 新增的 3D 世界管线没有用 AI 一次性生成整个世界——它把世界拆成一个 JSON 规范、7 种地形算子和一套区域权重场，用确定性数学重建地形、散布资产、规划摄像机。本文逐层拆解 5 个工具、3 个 schema、4 份技能文档共 3,979 行新增代码的设计取舍。
2026 年 7 月 31 日 Seedance 2.5 上线，白模从 ComfyUI 里的 hack 变成了带官方 Blender 插件的一等功能。但它并不是「更好的抽卡」——它把不确定性从生成阶段搬到了制作阶段。本文把白模和另外五种主流技法放在同一套坐标系里比：各自锁住哪个维度、失效时怎么崩、以及为什么它们其实是五层可叠加的约束而不是单选题。
semantica-agi/semantica 两天冲上 GitHub Trending 第一。我把 v0.6.5 装进干净环境跑通它自己的 Quick Start、跑完它自带的 4,400 个测试、逐行读了它宣称的四个推理引擎：溯源层是真材实料，但 Rete 引擎会让任意规则在任意事实上触发、判例检索两种配置都不可用、关系抽取产出的是语义错误的三元组——而 9 个 CI 工作流里没有一个跑 pytest。
不看博客只读代码：prime-agent 字面上只有一个 tool，子 agent 受理即返回、结果永远不是返回值，自动模式下模型说完成不算完成。真正值得抄的不是 ARC-AGI-3 那 0.1 个百分点，是写在注释里的七条约束。
深度调研 google/skills 项目，从格式起源、生态全景对比、技术规范到开发者实践——分析 Agent Skills 为何正在成为 AI 编码智能体的事实标准。Google 官方入场，Anthropic 提出规范，30+ 客户端已支持。
DramaClaw 用 Ports & Adapters 做到了「一份代码、两个发行版、零 fork」，并用 CI 硬门禁保证核心永不引用商业代码——这是我见过最彻底的开源/商业分割。但同一套 CI 里还有一条禁止项目自称「开源」的词表门禁，招牌 AI 助手在公开版里默认隐藏，22 个模型别名只在官方网关上解析。本文按源码逐层拆它的架构、验证闭环、「3D 片场」的真实产出，以及三条会咬人的许可证地雷。
Prime Agent 用持久化 IPython REPL 替代固定工具调用、用 Continual Harness 实现 agent 自我改写 harness 状态，在 ARC-AGI-3 上以 95.5% 超越人类基线——但 Factorio 实验中的 reward hacking 暴露了长时程自主 agent 的安全红线。
阿里开源的 Open Code Review 用确定性工程管道 + LLM Agent 的混合架构，在 50 个仓库、200 个 PR、1,505 个标注缺陷的基准上，以 Claude Code 1/9 的 token 消耗拿下更高准确率和 F1 得分。本文拆解其文件过滤五重门、per-file 双层审查、记忆三分区压缩和 19 类内置规则体系。
一个周末的逆向工程实验，7,196 Star，117 条 HN 评论。maderix 通过逆向 Apple 的私有 ANE API，在 M4 的 Neural Engine 上实现了完整的 Transformer 训练——包括反向传播。本文拆解其从 CoreML 到 IOKit 的全栈逆向路径、动态权重内核的 MIL 技巧，以及为什么 5-9% 的实际利用率反而是最有价值的数据。
huggingface/speech-to-speech 用模块化 VAD→STT→LLM→TTS 流水线 + OpenAI Realtime 兼容 WebSocket API，实现了一套完全可替换组件的本地语音 Agent 方案。截至2026年7月已获8,100+ Star，并在数千台 Reachy Mini 机器人上生产运行。本文拆解其四层流水线架构、跨平台组件矩阵和全本地部署路径。
Microsoft VibeVoice 是开源语音 AI 的标杆项目，截至2026年7月已获51,503 Star。它包含 ASR-7B（60分钟长音频转录+说话人分离）、TTS-1.5B（90分钟多说话人合成）、Realtime-0.5B（流式实时合成）和 BitNet 边缘推理引擎四款模型。本文拆解其 7.5Hz 连续语音 tokenizer、next-token diffusion 架构和 ASR-BitNet 的异构量化方案。
月之暗面开源了 FlashKDA——为 Kimi 模型定制的 Delta Attention 高性能 CUDA 内核，基于 CUTLASS 构建，在 H20 上实现 1.85-2.31x 加速，在 Blackwell GB200 上最高 3.27x。本文拆解其 CHUNK=16 的数值策略、双内核分拆架构、bf16 状态存储和 fp16 矩阵求逆等关键设计决策。
从零搭建 Promptfoo 并接入火山引擎 Ark Coding Plan 免费额度，踩过 npm 超时、推理模型 content 为空、not-contains 断言失效三个坑，最终 20/20 测试全部通过。本文记录完整配置和踩坑复盘。
OptMem 用 426 token 的 prompt + 一个零依赖 Python 文件实现了 AI Agent 永久记忆。本文拆解其定长记录、二叉树压缩和「位置即身份」的设计哲学，并与 Hermes Memory、nanobot Dream 做三方对比，揭示三种截然不同的 AI 记忆路线。
换个镜头主角就换脸，是 AI 短剧最贵的老毛病——个人创作者成片每分钟要磨 20–30 小时，大半耗在维持一致性。2025–2026 年行业已经收敛出一套范式：先定身份、锁死参考、再扇出镜头。本文拆解这套范式、参考图从单图到多视图角色板的取舍、锁一致性的三条技术路线，以及我把它装进 magicedit copilot 管线时补的两道防漂移门（运行时 VLM 身份校验 + 九宫格检查点）。
角色不换脸了，房间却在飘——墙色变了、门挪了位、招牌道具换了样。场景漂移是 AI 短剧里被讨论得更少、却同样破坏沉浸感的一半。这篇把场景一致性拆清楚：定场镜头作为空间锚点、从单张到多角度 set 参考的取舍、角色锚点与场景锚点正好相反的硬约束，以及场景独有的一维——空间接地（对着固定门窗家具定机位）。附我把它装进 magicedit copilot 管线的落地：no-people 硬约束、多角度 set 参考、运行时 VLM 场景校验门。
从短剧工厂（Toonflow ⭐11.7k）到 AI 原生视频编辑器（Frontstage），从 Agentic 框架（ViMax）到 Claude Code 插件（Remotion Superpowers）——本文对 8 款开源 AI 视频生成工具进行全维度横向对比，提炼出 5 条行业趋势和选型建议。
换个镜头角色就变脸，是 AI 视频最烦人的老毛病。九宫格分镜用一个朴素的物理事实治它：九格画在同一张画布上，模型天然让同一个人保持同一副样子。本文拆解它的作用、优缺点、主流工作流，以及我在自己产品管线里把它从罕见特例放宽为默认主力的取舍。
