跳到正文
AGI 导航 · 每日更新

AGI导航网站

通用人工智能工具导航 —— 收录视频生成、图像创作、写作编程等 AI 工具,配提示词库与行业资讯。

视频类 AI 工具

生成、剪辑、数字人、配音,优先展示

活动 · 征稿中 红果 AI 短剧创作计划:300 万保底 + 450 万积分 详情 全部

剪映

视频剪辑

国民级剪辑工具,AI 字幕、成片与素材库齐全

1.3k 21 访问官网

Runway

AI视频生成

专业级 AI 视频创作套件,Gen 系列模型能力全面

3.9k 65 访问官网

HeyGen

数字人

数字人视频生成标杆,口型与多语言配音自然

3.2k 52 访问官网

AI 工具精选

按口碑评分排序,每家只放最能打的

全部

相芯科技

3D 与建模

相芯科技提供数字人与数字物全栈技术方案,适合需要虚拟…

1.4k 24 访问官网

WPS AI

PPT 与演示

金山办公的 AI 助手,文档表格 PPT 全覆盖

3.2k 53 访问官网

Cursor

编程开发

AI 原生编辑器,整库理解与多文件改写强

1.4k 23 访问官网

Dify

智能体与自动化

开源 LLM 应用开发平台,支持 RAG 与编排

1.8k 29 访问官网

热门 AI 提示词

一键复制,直接粘贴到对话工具

全部

AI 资讯

区分国内与国际,每日更新

全部
国际

苹果推新应用,研究用户如何用AI问健康问题

图源:TechCrunch AI苹果推出一款面向研究的应用,围绕一个具体问题展开:人们会怎样借助 AI 处理日常的健康疑问。据 TechCrunch AI 报道,这款应用会让参与者回答日常医疗问题,苹果则通过这一研究收集使用情况。目前公开的信息仅限于应用的存在与用途方向,具体功能设计、参与方式与覆盖范围均未披露。图源:TechCrunch AI为什么苹果盯上“日常医疗问题”日常医疗问题是最普遍、也最容易被通用 AI 触及的健康场景:症状该不该就医、用药注意事项、检查指标怎么理解。这类问题量大、场景分散,恰好是传统医疗服务覆盖较薄的部分。苹果选择从“日常问题”切入,而不是直接做诊断工具,说明其研究重点更偏向使用行为与交互方式,而非临床结论。对一家把健康功能深度嵌入手表的公司而言,理解用户如何向 AI 提问,是判断这类能力该放在系统哪一层的前提。图源:TechCrunch AI研究型应用的分量以独立应用承载研究,是苹果在健康领域的一贯做法:先通过研究项目获取真实数据,再决定哪些能力进入正式产品。这种方式的好处是边界清晰——研究阶段不承诺医疗效果,也不直接面向所有用户。代价是节奏慢,公众看到的往往只是一个入口,而非成品。此次应用同样没有公布研究规模与时间表,外界难以判断它会在多大程度上影响未来的系统级健康功能。AI 健康问答的敏感地带把 AI 放进健康问答,风险与价值同样明显。回答偏差、紧急情况的识别、隐私数据的处理,都是这类研究必须面对的问题。苹果强调研究用途,某种程度上是在为这些不确定性留出空间。对行业而言,真正值得关注的不是应用本身,而是研究结论会不会转化为产品规则:比如 AI 在什么情况下应当提示就医,哪些问题不应由 AI 直接回答。这些规则一旦成形,会影响整个健康类 AI 的交互标准。对国内用户来说,这款应用短期难以直接使用,但它释放的信号值得留意:健康 AI 的竞争正从“能不能答”转向“该怎么问、该怎么用”,国内厂商在推出类似功能时,同样绕不开这套行为研究。来源:TechCrunch AI 查看原文 (本文基于公开信息整理改编)

国际

印度芯片公司Bharat Semi获2400万美元种子轮,瞄准AI传感器全球市场

图源:TechCrunch AI印度芯片初创公司 Bharat Semi 宣布完成 2400 万美元种子轮融资。据 TechCrunch AI 报道,该公司称其 AI 传感器技术已获得包括 General Atomic 在内的企业设计采用(design wins),并将目光投向全球 AI 传感器市场。种子轮即达这一规模,在印度半导体创业公司中并不常见。种子轮 2400 万美元意味着什么对芯片公司而言,种子轮通常是验证架构与团队、跑通首轮流片资金的阶段,2400 万美元的额度已接近部分早期 A 轮的水平。这既反映资本对 AI 传感器赛道的押注,也说明投资者认可 Bharat Semi 已有的客户进展。原文披露的“design wins”是关键信号:在半导体行业,设计采用意味着产品被纳入客户系统方案,虽不等于量产订单,但比意向合作更接近收入。投资方名单与具体估值原文未提及,不宜推测。AI 传感器为何成为竞争焦点AI 传感器把部分推理能力前移到感知端,减少原始数据上传,在功耗、时延与隐私上具备优势,适用于国防、工业检测、机器人与自动驾驶等场景。General Atomic 这类客户的出现,暗示 Bharat Semi 的技术可能面向对可靠性与实时性要求较高的领域。全球市场上,这类传感器长期由欧美与日韩厂商主导,新进入者需要以差异化架构或成本结构换取客户验证机会,而设计采用正是最难跨过的门槛之一。印度半导体的现实与这轮融资的位置印度近年通过生产挂钩激励等政策吸引晶圆制造与封测投资,但本土芯片设计公司规模普遍偏小,融资多集中在早期。Bharat Semi 以传感器切入,避开了与大型 SoC 厂商正面竞争,走的是细分赛道先立足、再向系统方案延伸的路径。2400 万美元能否支撑其完成产品化与客户导入,取决于流片节奏和后续订单转化;种子轮之后,下一轮融资的进展将是观察其真实进度的窗口。对国内用户而言,这条消息的价值不在于一家印度公司的融资额,而在于 AI 传感器这一环节正被更多区域玩家切入,国内同类创业公司与下游整机厂商在供应链选择上会多一个潜在选项,也意味着细分赛道的竞争会更早到来。来源:TechCrunch AI 查看原文 (本文基于公开信息整理改编)

国际

苹果启动新研究,改进AI健康工具效果

图源:The Verge AI苹果宣布启动一项新研究,目标是更好地理解用户与对话式AI健康工具之间的互动方式,并据此改进这类工具的实际效果。该研究由苹果发起,具体规模、时间表与产品落地形式尚未披露,公开信息主要集中在其研究意图上。图源:The Verge AI为什么苹果盯上“对话式”健康工具健康类AI工具此前多以问答或指标记录的形式出现,用户输入症状、问题或日常数据,系统给出解释或建议。真正决定效果的不是模型单次回答的质量,而是用户是否愿意持续使用、如何描述自身状况、以及在什么场景下信任并采纳建议。苹果把研究重点放在“人如何与工具互动”上,说明其关注点从能力展示转向使用行为。对平台方而言,这类研究能为交互设计、提示方式和信息呈现提供依据,也关系到健康功能在可穿戴设备与系统级应用中的定位。图源:The Verge AI研究要回答的问题与行业背景对话式健康工具长期面临两类难题:一是用户表达不完整、不准确,系统难以获得有效信息;二是建议的边界模糊,用户容易高估或低估工具的能力。苹果此次研究指向互动环节,意味着可能收集用户提问方式、使用频率与反馈路径等行为层面的信息。行业里,多家公司都在探索把大模型接入健康咨询,但普遍缺少公开的、以真实使用行为为基础的研究支撑。苹果若能把研究结论转化为产品规则,可能影响的不只是自家健康应用,还包括第三方健康类应用在iOS生态中的交互范式。图源:The Verge AI对产品与隐私的双重考验健康数据属于敏感信息,任何以研究为名的数据收集都会被放大审视。苹果一贯强调端侧处理与隐私保护,这项研究如何在获取有效行为数据与保护用户隐私之间取得平衡,是外界关注的重点。另一方面,研究结论若用于改进Siri或健康应用中的对话能力,将直接关系到用户体验:更准确的追问、更清晰的建议边界、更明确的“何时应就医”提示,都比单纯提升回答流畅度更有价值。研究尚处早期,短期内不太可能带来功能更新,但它释放的信号是,健康AI的竞争正从模型能力转向使用效果。对国内用户而言,这项研究本身不会立刻改变可用功能,但它提示健康类AI的评估标准正在转向真实使用效果,国内厂商在设计同类工具时可参考其研究思路,而非只比拼回答速度。来源:The Verge AI 查看原文 (本文基于公开信息整理改编)图源:The Verge AI图源:The Verge AI图源:The Verge AI图源:The Verge AI

国际

黄仁勋或谋划回归英伟达,The Verge 梳理最新剧情

图源:The Verge AIThe Verge AI 在最新一期 Stepback 栏目中报道,英伟达联合创始人、前 CEO 黄仁勋可能正在谋划回归公司,围绕他的剧情仍在快速演变。报道以“剧情”而非确定事实的口吻描述这一动向,意味着目前公开信息尚不足以确认回归的形式、时间或职位安排。图源:The Verge AI回归传闻为何值得关注黄仁勋是英伟达的联合创始人,也曾担任公司 CEO,这一身份使任何关于他回归的消息都具备天然的新闻价值。英伟达当前正处于 AI 算力需求的核心位置,公司治理与高层人事的任何变化都会被市场放大解读。The Verge 用“drama”来形容这一系列事件,说明外界获得的信息是碎片化、逐步释放的,而非一次性的官方公告。对关注英伟达的人来说,需要区分“传闻在演变”和“事实已确认”这两个层次。图源:The Verge AI信息仍在演变,判断需谨慎从原文摘要看,报道本身也承认相关剧情“evolving quickly”,即事态发展迅速、版本不断更新。这类报道的价值在于提示方向,而非给出结论。在官方信息缺位的情况下,媒体叙事容易先于事实成型,读者若把“可能”读成“已经”,就会产生误判。对科技行业观察者而言,更稳妥的做法是跟踪后续报道与公司正式披露,而不是基于单一信源下结论。图源:The Verge AI对英伟达叙事的潜在影响英伟达近两年因 AI 芯片业务成为全球最受关注的公司之一,其创始人故事本身也是公众叙事的一部分。若回归传闻持续发酵,可能影响外界对公司管理层稳定性的讨论,也可能牵动投资者情绪。但截至目前,报道并未给出回归的具体方案,因此谈实际影响为时尚早。可以确定的是,围绕英伟达的舆论场已经足够敏感,任何人事风向都会被迅速放大。对国内用户而言,这条消息目前只适合当作观察英伟达后续动向的信号,不宜据此判断公司战略或供应链走向,等官方信息落地再评估更稳妥。来源:The Verge AI 查看原文 (本文基于公开信息整理改编)图源:The Verge AI图源:The Verge AI图源:The Verge AI

国内

联想推“词元工厂”:绿电进,Token出

图源:量子位量子位报道,联想提出“绿电进、Token出”的“词元工厂”概念,把电力输入与模型推理的Token产出直接对应,并给出年产2000万亿Token、成本下降70%的说法。这一表述的核心,是把算力基础设施从“卖服务器”重新包装为“卖Token产能”。 图源:量子位为什么现在提“词元工厂”大模型推理的边际成本主要由电力和算力折旧构成,Token数量已成为衡量推理规模的事实单位。把绿电与Token产出绑定,一方面回应数据中心能耗与碳排压力,另一方面让算力投入有了可计量的产出指标。对厂商而言,这比单纯罗列GPU数量更容易向客户解释单位成本;对采购方而言,则意味着可以按Token产能而非硬件配置来评估方案。不过,年产2000万亿Token的规模与70%的降幅均来自联想方面口径,具体测算边界、对应模型规模与电价条件尚未公开,实际落地效果仍需第三方验证。图源:量子位绿电直供的现实约束绿电直供数据中心的难点不在发电,而在选址、并网与消纳的匹配。风光资源富集地区往往远离用户,推理业务又要求稳定低时延,因此“绿电进”更多指向在能源富集地建设推理集群、再通过网络输出Token。这一模式对电网调度、储能配置和跨区域网络时延都提出要求。联想此番强调绿电,实质是把选址逻辑从“靠近用户”转向“靠近电源”,这与国内“东数西算”的产业布局方向一致,但能否形成可复制的商业闭环,取决于绿电价格机制和长期购电协议是否成熟。图源:量子位对算力生意的影响若Token产能成为计价单位,算力市场的竞争维度会从硬件参数转向单位Token成本与供电稳定性。服务器厂商需要同时具备能源获取、集群运维和模型适配能力,单纯出货硬件的空间被压缩。对模型厂商而言,低成本推理供给增加有利于压低API价格,但也可能加剧同质化竞争。需要留意的是,成本下降70%若成立,将直接影响推理定价体系;而这类数字通常对应特定模型与批量条件,不宜直接外推为行业普遍水平。对国内用户来说,这类方案的实际意义在于推理服务价格与供给稳定性,而非概念本身;在具体电价与模型条件披露前,70%的降幅只宜视为厂商目标。来源:量子位 查看原文 (本文基于公开信息整理改编)图源:量子位图源:量子位图源:量子位图源:量子位

国际

马斯克等科技高管联署请愿,要求英伟达恢复黄仁勋职务

图源:TechCrunch AITechCrunch AI 报道,一份要求英伟达恢复黄仁勋职务的请愿书正在扩散,截至周六下午已获得超过 11.5 万个签名,特斯拉 CEO 埃隆·马斯克等科技公司高管也在联署者之列。请愿的直接诉求是让黄仁勋回到英伟达的相应职位,但原文未披露请愿发起方、发起时间以及英伟达方面的回应。 图源:TechCrunch AI请愿规模与联署者构成11.5 万签名在科技行业请愿中属于较高量级,但更值得关注的是联署者名单中出现了马斯克这类具有跨公司影响力的高管。黄仁勋是英伟达的联合创始人兼长期掌门人,在 AI 算力供应链中处于核心位置,其职务变动天然会被视为行业信号。高管公开联署,意味着这件事已从公司治理议题外溢为产业公共话题。不过,签名数量本身不等于决策影响力,请愿对英伟达董事会或相关决策方是否构成实际压力,目前没有公开信息可以判断。图源:TechCrunch AI为什么英伟达的人事问题会引发外部请愿英伟达在 AI 训练与推理芯片市场占据关键地位,全球大量云厂商、模型公司和创业团队的技术路线都与其产品节奏绑定。正因如此,公司高层人事在外部看来不只是企业内部事务,而会被解读为供应稳定性、路线延续性和合作预期的变量。科技高管联署请愿,本质上是在表达对这种不确定性的担忧。但需要区分的是,外部声援与公司治理程序是两套逻辑:请愿能制造舆论压力,却无法替代董事会或股东层面的正式决策。图源:TechCrunch AI事件目前的信息边界现有公开信息只确认了请愿存在、签名规模以及马斯克等人参与联署,原文没有说明黄仁勋职务状态变化的具体原因、发生时间,也没有英伟达官方表态。缺少这些关键事实,任何关于“谁在推动”“结果会怎样”的推断都只能是猜测。对关注 AI 算力供应链的读者来说,更稳妥的做法是等待英伟达或相关方的正式披露,而不是把请愿签名数当作事态走向的指标。后续值得跟踪的是请愿是否得到公司回应,以及联署名单是否继续扩大。对国内用户而言,这件事的参考价值在于提醒:英伟达高层稳定性会通过产品路线和供应预期传导到国内 AI 算力采购与适配节奏,值得持续观察,但不宜在事实不足时过度解读。来源:TechCrunch AI 查看原文 (本文基于公开信息整理改编)图源:TechCrunch AI图源:TechCrunch AI图源:TechCrunch AI

国际

曾解雇奥特曼的OpenAI董事:AI CEO仍不可信

图源:The Verge AI曾参与解雇Sam Altman的OpenAI前董事会成员Helen Toner,近日在The Verge的播客节目中表示,人们目前仍然无法信任AI公司的CEO。她现任乔治城大学安全与新兴技术中心(CSET)执行主任,长期研究AI安全与政策。这一表态把外界对OpenAI那场董事会风波的关注,重新拉回到一个更根本的问题:谁来判断AI公司掌门人是否值得托付。 图源:The Verge AI董事会风波留下的治理疑问2023年11月,OpenAI董事会突然解除Altman的CEO职务,数日后又在员工与投资方压力下让其回归,Toner是当时投票支持解雇的董事之一。这场风波暴露的不只是一家公司的人事冲突,更是AI治理结构的脆弱:非营利董事会名义上掌握方向,实际运转却高度依赖创始人和外部资本。Toner此次发言延续了她一贯的立场——对AI公司高管的自我约束保持怀疑,认为外部监督不能建立在个人信誉之上。图源:The Verge AI为什么CEO的可信度成为焦点AI公司CEO同时掌握模型能力、部署节奏和安全决策的信息优势,外界很难独立验证其说法。Toner的核心关切在于,当行业领袖既制定规则又执行规则时,公众和监管者缺少有效的制衡手段。她在CSET的工作聚焦AI与国家安全、出口管制等议题,这使她的批评带有政策视角:与其追问某位CEO是否诚实,不如建立可核查的披露与问责机制,让信任来自制度而非个人承诺。图源:The Verge AI对AI安全政策讨论的影响在各国加速推进AI监管的背景下,Toner的表态为“行业自律是否足够”这一争论提供了来自内部人的证词。她并未否定AI公司推动技术进步的贡献,但强调治理设计必须假设权力会被滥用。对政策制定者而言,这意味着安全评估、事故报告和董事会独立性等安排需要更明确的硬性要求,而不是依赖企业自愿承诺。对普通用户来说,这类讨论最终会影响到模型上线前的审查强度和出问题后的追责路径。对国内用户而言,这场来自OpenAI内部的反思提醒我们:判断AI产品是否可信,应看可验证的治理机制,而非CEO的个人形象。来源:The Verge AI 查看原文 (本文基于公开信息整理改编)图源:The Verge AI图源:The Verge AI图源:The Verge AI图源:The Verge AI

AI 教程

从入门到实战

全部
AI教程

用AI追踪高管变动与公司治理风险

这件事能做什么英伟达安全负责人8月离职、CEO黄仁勋因关系问题卸任,这类高管变动信息对投资决策、供应链合作、竞品分析都很关键。但新闻往往零散、滞后,手动盯官网和SEC文件效率低。用AI可以做到三件事:第一,自动抓取目标公司高管变动公告并结构化;第二,对变动原因做初步归类(个人原因、治理冲突、业绩压力等);第三,生成一份可复用的风险简报,每周更新。下面以英伟达这次变动为样本,走一遍完整流程。准备工作一个能联网的AI助手(ChatGPT Plus、Claude Pro或国内可用的Kimi/智谱清言均可,需支持文件上传和联网搜索)。一个免费的数据抓取工具:Apify免费账号(每月有额度)或直接使用AI的联网搜索功能。目标公司清单:至少3家,格式为「公司名+股票代码+官网投资者关系页面URL」。一个表格工具:Google Sheets或飞书多维表格,用于沉淀结果。前置条件:确认AI助手能访问公开网页;如果做自动化,需要Apify的API Token(在Apify控制台Settings→Integrations里复制)。分步骤操作建立监控清单。打开Google Sheets,新建工作表命名为「高管变动监控」。A1到D1分别填:公司名、股票代码、IR页面URL、最近检查日期。从第二行开始填入英伟达(NVDA,IR页面为investor.nvidia.com)、以及你关注的另外两家公司。保存后复制表格链接备用。让AI抓取英伟达高管变动信息。打开AI助手,新建对话,先上传刚建的表格(或直接粘贴表格内容),然后输入下面「提示词1」。AI会联网搜索英伟达近90天的高管变动新闻和SEC 8-K文件,输出结构化列表。检查输出里是否包含「安全负责人离职」和「CEO黄仁勋卸任」两条,并核对日期是否在8月。对变动原因做归类。在同一对话里继续输入「提示词2」。AI会把每条变动标注为:个人原因、治理冲突、业绩压力、战略调整、其他。重点看「治理冲突」类,因为这类信号对风险评估最有价值。如果AI标注为「治理冲突」,要求它给出原文引用和来源链接。生成风险简报。输入「提示词3」,让AI基于前两步结果输出一份300字以内的简报,包含:变动清单、风险等级(高/中/低)、对供应链和合作伙伴的潜在影响、建议关注的下一个时间点。把简报复制到Google Sheets的E列,标注日期。设置每周自动检查。如果使用Apify:登录Apify控制台,搜索「SEC EDGAR 8-K scraper」模板,点击Try for free,在Input里填入英伟达的CIK代码(0001045810),Schedule设为每周一上午9点,然后点击Start。抓取结果会存到Apify的Dataset里,每周手动导出CSV,粘贴回Google Sheets。如果不用Apify,就在每周一打开AI助手,重复第2到4步,把新结果追加到表格。验证与归档。每周检查时,对比AI输出的变动条目和英伟达IR页面「Press Releases」栏目下的最新公告。如果AI漏报,把漏报的公告标题和链接补充到表格F列「人工补录」,并检查提示词1里的时间范围是否写错。每月末把表格导出为PDF,存到共享盘。可直接复制的提示词提示词1(抓取与结构化): 你是一名公司治理分析师。请联网搜索英伟达(NVDA)在2024年6月1日至2024年8月31日期间的所有高管变动信息,包括CEO、CFO、首席安全官、董事会成员。来源优先使用英伟达投资者关系页面(investor.nvidia.com)和SEC EDGAR的8-K文件。输出一个表格,列包括:姓名、原职位、变动类型(离职/卸任/调岗/新聘)、公告日期、来源链接、原文关键句(不超过30字)。如果某条信息在多个来源冲突,标注「需人工核实」。 提示词2(原因归类): 基于上一步的表格,为每条变动标注原因类别,只能从以下选项选一个:个人原因、治理冲突、业绩压力、战略调整、其他。标注为「治理冲突」的,必须附上原文引用和来源链接;标注为「其他」的,用一句话说明理由。输出格式:姓名 | 原因类别 | 理由/引用。 提示词3(风险简报): 基于前两步结果,写一份300字以内的风险简报,面向供应链合作伙伴。包含四部分:1)本期高管变动清单(只列姓名和职位);2)整体风险等级(高/中/低)及一句话依据;3)对供应链稳定性和合作决策的潜在影响(不超过3条);4)建议关注的下一个时间点或事件。不要用「本文」「综上所述」这类词。常见坑与验证方法AI把旧闻当新闻。验证方法:每条变动必须带公告日期,且日期落在你指定的时间范围内。如果AI给不出日期,要求它重新搜索并附上来源链接。SEC文件抓取失败。Apify的SEC scraper偶尔会因EDGAR限流返回空结果。验证方法:手动打开sec.gov/cgi-bin/browse-edgar?action=getcompany&CIK=0001045810,确认最近8-K列表,和抓取结果对比条数。原因归类过于武断。AI容易把「个人原因」和「治理冲突」搞混。验证方法:只信有原文引用的标注;没有引用的,在表格里标黄,人工读一遍新闻原文再定。提示词里的时间范围写错。每次复用提示词时,先改日期。验证方法:输出表格第一列加一列「检查日期」,填当天日期,和公告日期对比,确保没有超出范围。表格链接失效。如果AI打不开Google Sheets链接,直接把表格内容复制粘贴到对话框,不要依赖链接读取。

AI教程

用联想词元工厂把绿电算力跑成Token

这件事能做什么联想“词元工厂”的思路很直白:把绿电直接喂给算力,算力跑推理,产出按 Token 计量。对做 AI 应用的人来说,它解决的是三件事:一是把推理成本从“按卡租”换成“按 Token 结算”,二是让绿电时段和推理任务对齐,三是给出一套可复用的调度接口。你可以把它当成一个“Token 生产流水线”:输入端是电力与模型,输出端是 API 可调用的 Token。下面按最小可用路径走一遍:注册开通、配置绿电时段、部署模型、压测出 Token 速率、接业务。准备工作联想智能算力平台账号(企业或个人均可,需实名)。一个可用的模型权重或模型市场里的现成模型(如 Qwen、Llama 系列)。本地装好 curl 和 Python 3.10+,用于调 API 和压测。确认你所在区域有绿电时段标识(平台控制台会显示“绿电占比”曲线)。准备一个业务侧的小测试集,20 条左右问答即可,用来验证 Token 质量。分步骤操作开通词元工厂:登录联想智能算力平台,左侧菜单点“词元工厂”,点“立即开通”,选择计费方式为“按 Token”,填写企业信息后提交。开通后页面会出现“Token 余额”和“绿电占比”两个卡片。绑定绿电时段:进入“调度策略”→“绿电优先”,把“绿电占比阈值”设为 60%,把“任务类型”勾选为“在线推理”。这样当绿电占比高于 60% 时,推理任务优先调度到绿电节点,低于阈值时排队或降级到普通节点。保存后策略状态变为“生效中”。选择并部署模型:点“模型市场”,搜索你要的模型,点“部署”。在弹窗里填:实例规格选 1 卡(先小规模验证)、副本数 1、最大并发 8、上下文长度按模型默认。点“确认部署”,等待状态从“创建中”变为“运行中”,通常 3-5 分钟。拿到调用凭证:部署完成后点“API 接入”,复制 endpoint 和 api_key。注意 api_key 只显示一次,先存到本地环境变量:export TOKEN_FACTORY_KEY=你的key。跑一次单条推理:用 curl 发一条请求,确认返回里有 usage.total_tokens 字段,这就是本次产出的 Token 数。压测出 Token 速率:用 Python 脚本并发 8 路,跑 100 次请求,统计每秒 Token 数(TPS)。把这个数记下来,作为后续容量规划的基线。接业务:把 endpoint 和 key 写进你业务服务的配置,把超时设为 30 秒,失败重试 2 次。上线后每天看“Token 消耗”和“绿电占比”两张报表,确认成本与绿电目标一致。可直接复制的提示词与命令单条推理请求:curl -X POST "$ENDPOINT/v1/chat/completions" -H "Authorization: Bearer $TOKEN_FACTORY_KEY" -H "Content-Type: application/json" -d '{ "model": "qwen-7b", "messages": [{"role":"user","content":"用三句话说明绿电算力的价值"}], "max_tokens": 256 }'压测脚本(保存为 bench.py):import os, time, concurrent.futures, requests URL = os.environ["ENDPOINT"] + "/v1/chat/completions" KEY = os.environ["TOKEN_FACTORY_KEY"] H = {"Authorization": f"Bearer {KEY}", "Content-Type": "application/json"} BODY = {"model":"qwen-7b","messages":[{"role":"user","content":"写一句产品标语"}],"max_tokens":64} def call(_): r = requests.post(URL, headers=H, json=BODY, timeout=30) return r.json()["usage"]["total_tokens"] start = time.time() with concurrent.futures.ThreadPoolExecutor(max_workers=8) as ex: tokens = sum(ex.map(call, range(100))) dur = time.time() - start print(f"总Token={tokens} 耗时={dur:.1f}s TPS={tokens/dur:.1f}")业务侧系统提示词(直接粘到你的应用里):你是企业知识助手。只依据给定资料回答,资料中没有的内容直接说“未找到”,不要编造。回答控制在 200 字以内,先给结论再给依据。常见坑与验证方法坑1:绿电阈值设太高导致排队。验证方法:看“任务排队时长”指标,若超过 10 秒,把阈值从 60% 降到 50% 再观察。坑2:api_key 泄露。验证方法:在平台“密钥管理”里看调用来源 IP,发现异常立即轮换密钥。坑3:Token 计数对不上。验证方法:用同一 prompt 连续调 3 次,比较 usage.total_tokens 是否稳定;若波动大,检查是否开了流式输出导致统计口径不同。坑4:模型冷启动超时。验证方法:部署后先发一条预热请求,确认首包延迟低于 5 秒再切流量。验收标准:单条请求返回 200 且含 usage 字段;压测 TPS 达到你业务峰值的 1.5 倍;绿电占比报表连续 3 天高于设定阈值。

漫剧

角色分镜图:把人物放进连续镜头

角色卡片:先写死再画图 角色卡片不是人物小传,而是给模型看的约束清单。固定 6 项:年龄与体型(如 28 岁、178cm、偏瘦)、发型发色(齐肩黑直发、中分)、脸型五官(窄长脸、单眼皮、鼻梁略高)、服装(深灰连帽卫衣、黑色工装裤、白色板鞋)、标志物(左眉尾一道浅疤)、禁止项(不戴眼镜、不穿亮色)。每项控制在 8 字以内,整卡不超过 120 字,太长模型会丢信息。写完后先单人生成 4 张,挑一张作为基准图,后续所有分镜都带上这张图做参考。基准图选正面、平光、无遮挡的那张,别选侧脸或强逆光,否则一致性从第一步就崩。 站位与视线:用坐标和角度说话 分镜里别写“站在旁边”,要写“画面左三分之一,面向右前方 45 度”。站位用九宫格定位:左中右三列、前中后三档,组合成 9 个位置,每镜只指定 1 个。视线单独写:看镜头、看画面右侧、看下方 30 度、闭眼。两人对话时,A 在左列、视线向右,B 在右列、视线向左,中间留出 1/3 画面给背景,这样剪起来才有正反打的空间。景别变化时站位要跟着调:全景人物占画面高度 1/2 到 2/3,中景到腰部,近景到胸口,特写只留头部和肩线。同一镜头内不要让人物跨列移动,移动就拆成两个分镜。 同一角色不同景别:描述重心要换 全景写轮廓和姿态:身高比例、服装整体色块、站姿重心在哪条腿、手臂位置。中景写上半身关系:肩线朝向、手在做什么、衣服褶皱走向。近景写面部结构:眉眼距离、鼻梁角度、嘴唇厚度、下颌线。特写只写 2 到 3 个特征,比如“左眉尾浅疤、单眼皮、鼻尖微红”,写多了模型会重新捏脸。所有景别共用的固定描述只有角色卡片那 6 项,其余按景别增减。近景和特写要把基准图权重调高,全景可以略低,给构图留空间。每换一次景别,先出 2 张对比,确认脸没变再继续。 一致性失败:按这个顺序排查 第一步查参考图:是否每张都带了同一张基准图,权重是否一致,低于 0.6 基本失效。第二步查描述冲突:角色卡片里的“黑直发”和分镜里的“风吹乱发”是否打架,冲突项只保留一个。第三步查景别跨度:从全景直接跳特写,脸容易漂,中间补一张中景过渡。第四步查随机种子:固定种子重跑 3 次,3 次都崩说明是描述问题,不是运气。第五步查服装细节:袖口、领口、鞋型这些高频出错点,逐项对照基准图。按这五步走,通常在前两步就能定位,别一上来就狂改提示词。

AI 绘图

工作流总结:把零散步骤固化成模板

先判断什么值得固化成模板 不是所有步骤都值得做成模板。判断标准只有一条:这个步骤你会重复做三次以上,且每次的差异只在少数几个变量上。比如角色三视图生成,你每次都按“正面、侧面、背面、同一服装、同一光源”出图,只是角色描述不同,这就该固化。反过来,每次都要重新构思分镜节奏的环节,先别急着模板化,它还没稳定到能被复用。实操上建议先记录一周的工作流,把重复出现的动作标出来,出现三次以上的进入候选清单。候选清单里再筛一遍:凡是需要临场判断超过两分钟的步骤,暂时保留手工,只把判断标准写成检查项,不写成固定流程。 三类模板:提示词、参数、检查清单 提示词模板解决“怎么说”。结构固定为:主体描述加风格锚点加构图要求加负面词。以漫剧角色为例,模板写成“{角色名},{年龄}岁,{发型发色},{服装},日系赛璐璐上色,半身正面,纯色背景,负面:多余手指、模糊线条”。变量用花括号标出,每次只替换花括号内容。参数模板解决“怎么设”。把模型、采样器、步数、CFG、分辨率、种子策略写成一张固定表,比如“SDXL,DPM++ 2M Karras,28步,CFG 6,1024×1024,种子固定后微调”。检查清单解决“怎么验”。每项必须是可勾选的二元判断,例如“手指数量是否为五”“背景是否纯色无杂物”“服装颜色是否与设定一致”,控制在八项以内,超过就拆成两张清单。 模板的版本管理 模板必须带版本号,格式用“名称_主版本.次版本”,如“角色三视图_v1.2”。主版本变更代表结构改动,比如提示词模板增加了一个新的构图变量;次版本变更代表参数微调,比如步数从28改到30。每次改动写一行变更记录,只记三件事:改了什么、为什么改、影响哪些产出。模板文件统一放一个目录,旧版本不删除,标记为归档。实际使用时,产出的图片文件名里带上模板版本号,比如“角色A_v1.2_01.png”,这样出问题时能立刻回溯到当时的模板。团队协作时,谁改模板谁负责在群里发一条变更说明,避免有人还在用旧版参数。 什么时候该推翻模板 出现下面三种信号之一,就该考虑推翻而不是继续打补丁。第一,连续五次产出都需要手工大改才能用,说明模板的核心假设错了。第二,模型或工具发生大版本升级,旧参数体系整体失效,比如换了新底模后CFG和步数的经验值全部作废。第三,你的工作目标变了,比如从单张插图转为连续分镜,原来的构图模板不再适用。推翻时不要直接删旧模板,把它归档并写一句“废弃原因”,新模板从v1.0重新开始编号。判断是否该推翻的一个硬指标:如果维护模板花的时间已经超过它节省的时间,就停手重做,别在旧结构上反复修补。

AI 绘图

古风仙侠:一套可复用的出图参数

服化道关键词:先定三层,再写提示词 古风仙侠的服化道不要堆形容词,按三层写:材质、形制、纹样。材质写“素白软烟罗、银线暗纹、薄纱外披”;形制写“交领右衽、宽袖、腰封束带、披帛垂地”;纹样写“云雷纹、缠枝莲、鹤羽暗绣”。每层给2到3个词就够,超过6个模型会互相打架。颜色控制在2个主色加1个点缀色,例如月白加鸦青、点朱砂红。发饰单独写“白玉簪、银步摇、发带”,不要和服装混在一句。实操上,人物提示词前20个词决定权重,把“古风仙侠、交领宽袖、软烟罗”放最前,材质词比“唯美”这类空词有效得多。 光线与氛围:用物理词替代情绪词 不要写“仙气飘飘”,写光源和介质。常用组合:逆光加体积光加薄雾,适合出场镜头;侧光加丁达尔光加浮尘,适合室内或林间;顶光加冷月色调加低饱和,适合夜戏。色温给具体值:晨戏5200K偏暖,月夜7000K偏冷,洞府用4800K加青绿补光。氛围词只留2个,比如“薄雾、流萤”或“烟岚、落花”,多了画面会脏。分辨率建议1024×1536竖图做人物,1536×1024横图做场景。采样步数30到40,CFG 6到7.5,古风偏写实别超过8,否则线条发硬。负面词固定加“现代建筑、塑料质感、过曝、杂乱背景”。 构图与景别:人物和场景分开描述 人物与场景分开写,是古风仙侠最省返工的做法。人物提示词只写角色:半身景、平视、居中偏左、留白在右;场景提示词只写环境:远山、云海、石阶、古松、薄雾。好处有三:改服装不用重生成整张图;场景可复用给多个角色;构图冲突少。景别给明确词:特写用“面部特写、浅景深”,半身用“腰部以上、背景虚化”,全景用“全身、环境占画面三分之二”。构图写“三分法、人物在左三分之一、视线朝右留白”,比“唯美构图”可执行。需要合成时,人物图留纯色背景,场景图留出人物位,后期叠加比一次生成稳定。 最容易翻车的细节:手、发饰、文字 手部:提示词加“双手自然下垂、手指放松、袖口遮手”,能遮就遮;出图后优先选袖口盖住手指的版本,局部重绘手部时把重绘幅度压到0.35到0.45。发饰:步摇和簪子容易长进头发或悬空,写“发簪插入发髻、步摇垂于耳侧”,并固定“发髻在头顶偏后”;出现悬浮饰物直接局部重绘,别整张重跑。文字:匾额、卷轴、符箓上的字几乎必乱,提示词写“无文字、空白匾额、素面卷轴”,需要字就后期贴。负面词固定加“多余手指、融合手指、悬浮饰品、乱码文字、水印”。每张图放大到200%检查手和发饰连接处,这两处过关,成片率能到七成以上。

AI 绘图

去魅 AI:这些工具其实没那么神

哪些效果是模型能力,哪些是后期 看到一张“AI直出”的图,先别急着服气。多数爆款图至少经过三步手工处理。第一,模型负责的部分通常只有构图雏形和光影基调,分辨率原生多为1024×1024,放大到4K靠的是超分工具,不是模型本身。第二,皮肤质感、发丝边缘、手指结构,十有八九是后期修的,局部重绘加仿制图章,一张图修20到40分钟很正常。第三,色调统一和氛围叠加多在Photoshop里完成,用曲线和颜色查找表,AI只提供了底料。判断方法很简单:让对方给原图、给生成参数、给图层。给不出的,效果就要打折看。实操上你自己也该这么做:生成只占三成时间,剩下七成留给修图和合成,别指望一次出片。 提示词玄学的边界 提示词有用,但作用被严重夸大。它擅长控制的是主体、风格、镜头和光线方向,比如“侧逆光、35mm、浅景深”这类描述确实能稳定改变结果。它不擅长的是精确空间关系和文字,你说“左边第三个人抬手”,模型大概率给你随机抬手。所谓“魔法词”多数是安慰剂,同一段提示词换种子跑10次,差异比换词更大。可复现的做法是:固定种子,一次只改一个变量,记录哪句描述真正生效,通常5到8个关键词就够,超过30个词反而互相稀释。负面提示词也别堆几十个,保留3到5个高频问题项即可。提示词是方向盘,不是发动机,模型没学过的概念,写一百遍也出不来。 被夸大的自动化 “一键生成漫剧”是重灾区。真实流程里,AI能自动化的是分镜草图、单格画面和配音初稿,占比大概四成。剩下六成是硬活:角色一致性要手动锁脸,同一角色跨10个镜头,至少3到5张需要重绘;对话口型对不上,得逐帧调;分镜之间的景别衔接、情绪节奏,模型完全不懂,要人排。一条3分钟的漫剧,全流程8到15小时,其中AI省下的时间约3小时,其余是剪辑、校对和返工。所以别按“一键”做预算,按“半自动”排期:先跑批量草图,再人工筛,最后集中修,效率反而最高。 把工具放回它擅长的位置 每个工具都有甜区。文生图适合做概念探索和素材铺量,一次出20张选2张,别指望它交付成品。图生图适合风格迁移和局部修改,重绘幅度控制在0.35到0.55之间最稳。超分工具负责放大,别拿它救糊图。语言模型适合写分镜描述和台词初稿,但结构逻辑要自己搭。把工具当实习生用:给明确任务、给参考样张、验收后返工,而不是当大师供着。判断标准就一条:这件事它做得比人快且质量达标,就交给它;需要精确控制或审美判断的,人自己上。位置放对了,效率提升30%到50%是真实的;位置放错了,返工时间能把省下的全吃回去。

AI 绘图

从草图到建模:把线稿变成可用资产

草图作为参考图的用法 把线稿当参考图,关键不是“贴上去让 AI 照着画”,而是给它可计算的约束。做法:先把草图裁成主体占画面 70% 到 80% 的构图,四周留 10% 到 15% 空白,避免 AI 把边缘误判为物体轮廓。线稿用纯黑线、白底,线宽统一在 2 到 4 像素,杂线用橡皮擦干净,保留结构线、去掉阴影排线。上传时选“参考图/线稿”模式,权重设在 0.55 到 0.75:低于 0.5 容易跑形,高于 0.8 会把草图里的抖动和断线一起复刻。如果工具支持 ControlNet,优先用 lineart 或 canny,预处理器阈值调到 100 和 200 之间,让 AI 只抓主轮廓。草图里不确定的结构先用色块标出,比如用 20% 灰填充,提示词里写明“灰色区域为待定结构”,出图后再人工收敛。 三视图怎么摆 三视图不要三张图分开喂,拼成一张横版参考图最稳。画布比例 3:1,左中右依次放正视图、侧视图、背视图,每个视图占 1/3 宽,视图之间留 5% 到 8% 的间距,背景统一纯白。三个视图的脚底对齐同一条水平线,头顶也对齐,高度误差控制在 2 像素内,否则 AI 会生成三个不同身高。正视图放最左,因为多数模型对左侧参考权重更高。每个视图下方用 12 号字标注“front / side / back”,字色中灰,别用纯黑,避免被当成结构线。如果要做角色资产,再加一张 45 度透视图放最右,画布改成 4:1。上传后提示词里明确写“三视图参考,保持同一角色比例”,并把参考权重提到 0.7 到 0.8,让模型优先对齐视图而不是自由发挥。 建模提示词与出图提示词的差别 出图提示词追求画面感,建模提示词追求结构可读。出图会写“柔和侧光、电影感、8K、景深”,建模要删掉这些,换成“正交投影、纯白背景、无阴影、均匀环境光、硬边轮廓”。出图提示词里材质可以写“丝绸质感、金属反光”,建模提示词要写成“基础色块、无高光、粗糙度 0.5、金属度 0 或 1”。数量上,出图提示词 60 到 100 词够用,建模提示词压到 30 到 50 词,只保留形状、比例、部件和视角四类信息。负面提示词也要换:出图常写“低质量、模糊”,建模要加“透视变形、多余部件、融合肢体、背景杂物、投影”。一个可直接套用的结构是:主体 + 部件拆分 + 比例数字 + 视角 + 背景 + 光照。比如“四足机械兽,头部占体长 1/5,四肢等长,正视图,纯白背景,均匀光,无阴影”。 转面与多角度的一致性 转面最容易崩在耳朵、手指、腰带扣这类小部件。做法是先锁定 3 个锚点:头顶高度、肩宽、脚底位置,在每张转面图里用参考线标出,出图后逐张比对,偏差超过 5% 就重跑。角度按 15 度或 45 度递增,不要一次跳 90 度,跨度越大越容易换人。每转一个角度,把上一张成图作为新参考图喂回去,权重从 0.7 逐次降到 0.55,形成链式传递,而不是每张都从原草图重新开始。多角度一致性靠“固定种子 + 局部重绘”:种子锁定后只改视角词,脸部或标志性部件用局部重绘修,重绘幅度控制在 0.3 到 0.45。最后做一张 8 角度拼图,横向排列,间距 4%,用于检查轮廓是否连续;发现某角度比例漂移,回到该角度单独重跑,不要整组重来。

漫剧

一口气学会 AI 视频:从分镜到成片

分镜:先写 12 个镜头,别写剧本 三分钟视频按每镜 8 到 15 秒算,需要 12 到 22 个镜头。新手直接写剧本会卡在“画面怎么来”,所以第一步只做分镜表:四列,镜号、画面内容、台词或旁白、时长。画面内容用一句话写清主体加动作加环境,例如“穿灰卫衣的男生在便利店门口低头看手机,雨夜”。不要写“氛围感”“高级感”这类词,AI 无法执行。12 个镜头控制在 40 分钟内写完,写完立刻停,不要反复改。分镜表存成表格,后面出图、配音、剪辑都按这张表推进,避免边做边想。 出图与图生视频:一镜 4 张,选 1 张再动 出图用即梦、可灵或 Midjourney 都行,关键是固定风格词。每个镜头生成 4 张,挑 1 张构图清楚、主体完整的,不要挑最好看但手部畸形的。提示词结构固定为:主体加动作加环境加光线加镜头类型,例如“中景,男生低头看手机,便利店门口,雨夜,冷白灯光”。图生视频时,运动幅度调低,镜头运动选推或轻微横移,单段生成 5 秒,不要一次生成 10 秒以上,失败率会明显上升。12 个镜头按每镜 4 张图加 2 次视频生成算,大约 1.5 到 2 小时能跑完第一轮。生成失败的镜头先标记,不要死磕。 配音与剪辑:先出声,再对画面 配音用剪映或 ElevenLabs,三分钟旁白约 450 到 550 字,语速调 1.0 到 1.1 倍。先导出完整音频,再按音频波形把视频片段贴上去,这样口型不用对,节奏也不会乱。剪辑只做三件事:删掉每段视频的头尾各 0.3 秒不稳定部分,镜头之间加 0.2 秒叠化或硬切,背景音乐音量压到人声的 20% 到 30%。字幕用自动识别后手动改错字,不要逐句调样式。三分钟成片导出 1080p,剪辑环节控制在 1 小时内。 新手卡点与真实耗时 最容易卡住的是图生视频,不是分镜也不是剪辑。表现是人物一动就变形、背景闪烁,于是反复重生成,一上午只出两个镜头。解决办法是降低运动幅度、缩短单段时长、优先用中景和固定机位,接受“轻微动”而不是“大动作”。第二个卡点是出图风格不统一,建议第一镜定稿后把提示词和参考图存成模板,后面 11 镜直接套。一条三分钟视频的实际耗时:分镜 40 分钟,出图加图生视频 2 小时,配音 20 分钟,剪辑 1 小时,合计约 4 小时;新手第一条约 6 到 8 小时,做到第三条能压到 3 小时以内。

AI 活动

会议、大赛、黑客松

全部
AI活动
进行中10月15日 – 1月6日全程 84 天

红果 AI 短剧创作计划:300 万保底 + 450 万积分

红果短剧于 2026 年 10 月 15 日启动「AI 短剧创作计划」,面向个人创作者征集原创 AI 短剧,奖池包含现金保底、即梦积分、DOU+ 流量与宣发资源,是今年国内规模最大的 AI 短剧征集之一。 活动概况 活动由红果短剧发起,字节跳动旗下即梦、番茄小说、红果短剧多端联动,打通「网文 IP 供给 → AI 内容生产 → 多端宣发变现」的链路。赛道不限主题,创作者可自由完成原创 AI 短剧创作。 时间安排 征稿时间:2026 年 10 月 15 日 — 2027 年 1 月 6 日 入围名单:2027 年 1 月 16 日 获奖公布:2027 年 2 月 2 日 参赛资格 需在短剧创作者中心以「个人身份 — 版权人 — 漫剧」完成认证 作品为原创 AI 短剧,主题不限 可通过短剧创作者中心解锁 IP 库并申请潜力 IP;爆款 AI 短剧创作者、爆款 AI 短视频创作者、即梦超创三类参赛者可申请精品 IP 奖池设置 300 万元保底金额:一等奖 1 人,100 万元保底 + 100 万即梦积分 450 万即梦积分 20 万元 DOU+ 流量激励 上亿级宣发曝光与原创 IP 开发机会 报名方式 四个入口均可报名:短剧创作者中心、即梦网页端、番茄小说 App、红果短剧 App。建议先在短剧创作者中心完成「个人 — 版权人 — 漫剧」认证,再提交作品。 为什么值得参加 这是少数同时提供「保底现金 + 平台流量 + IP 开发」的 AI 短剧赛事,且征稿期长达近三个月,适合用即梦等工具先做 1—2 集试水。对个人创作者来说,保底机制意味着只要入围就有确定性收益。 来源:流媒体网 / DataEye 短剧观察 查看报道原文

AI活动
已结束9月15日 – 11月15日共 62 天

剧说岳麓 · 万兴剧厂 AI 影视创作大赛

由万兴剧厂主办的 AI 影视创作大赛,围绕「烟火湘江 · 人间万象」主题征集 AI 短片与短剧作品,要求参赛作品的主要画面由 AI 生成,并在社交平台公开发布后通过官方投稿表提交。 活动概况 比赛面向个人创作者,作品需围绕活动主题完成创作、公开发布,并按官方要求完成投稿。赛事以作品完成度、创意与 AI 运用、故事表达、社媒传播等维度综合评分。 参赛要求 仅接受个人参赛,不接受团队或机构作为参赛主体 由 AI 生成的视频画面时长不低于作品有效画面总时长的 70%,且这部分画面必须使用万兴剧厂生成 后期剪辑、配乐、字幕、调色等环节工具不限 投稿时须提交万兴剧厂的创作界面、生成记录等截图用于核验 作品须公开发布并带话题 #万兴剧厂 #剧说岳麓 #烟火湘江人间万象,并 @万兴剧厂,公开状态保持至 2027 年 3 月 31 日 时间安排 作品征集:2026 年 9 月 15 日 — 11 月 15 日 23:59 社媒传播数据统计截止:2026 年 11 月 20 日 23:59 针对前 100 名有效投稿设有早鸟积分奖励 奖项设置 共设 63 个作品类奖项,其中现金奖项 13 个,现金总额 10 万元: 金奖 1 名:50,000 元 银奖 2 名:各 10,000 元 铜奖 3 名:各 5,000 元 最佳导演奖 4 名:各 3,000 元 最佳人气奖 3 名:各 1,000 元 优秀作品奖 50 名:各 2,000 AI 积分 报名方式 在万兴剧厂完成创作并公开发布作品后,通过活动官方投稿表提交作品链接、创作证明等信息。同一创作者最多获得 1 个作品类现金奖项。 来源:万兴剧厂 查看参赛细则

AI活动
已结束10月21日 – 11月15日共 26 天

第八届海南岛国际电影节 AI 电影展 · 影片征集

第八届海南岛国际电影节将于 2026 年 12 月 6 日至 12 日在三亚举办,其中的 AI 电影展以「影像新生 Beyond Generation」为主题,以「电影级」为标准征集 AI 影像作品,征集已于 10 月 21 日启动。 活动概况 AI 电影展由海南岛国际电影节组委会主办,AI 艺术创新联盟(AIAIA)与北京电影学院科学与艺术研究院、中央美术学院设计学院影像与科技学域联合发起,LibTV 为官方指定作品征集平台。 征集单元 AI 电影级长片:本届重点观察样本,考验叙事、人物、美术、音乐与团队协作 AI 精品剧集 AI 电影级短片 AI 实验影像 另设年度入选通道:AI 电影展之选、导演之选、编剧之选、数字表演之选、影像之选、声音之选等,拟入选展映作品约 50 部。 时间安排 影片征集:2026 年 10 月 21 日 — 11 月 15 日 入选片单公布:2026 年 11 月中下旬 展映:2026 年 12 月 6 日 — 12 日,三亚 报名方式 通过官方征集平台 LibTV 的报名页面提交作品,全球专业电影影片征集平台同步开放。 来源:南方都市报 查看报道原文

AI活动
未开始3月14日 – 3月18日共 5 天 · 117 天后开始

NVIDIA GTC 2027(圣何塞)

大会概况 GTC 是 NVIDIA 以人工智能为核心的开发者大会,开发者、研究人员、创业者和企业决策者会在会上看到 AI 与加速计算在真实场景中的落地案例。GTC 2027 采用现场 + 线上双轨形式。 时间与地点 大会定于 2027 年 3 月 14 日至 18 日,地点为美国加州圣何塞的 McEnery 会议中心及市内多个场馆。现场工作坊在 3 月 14 日(周日),主会期 3 月 15 日至 18 日,主题演讲在 3 月 15 日。 报名与参会 现场或线上参会都需要提前报名,报名通道将于 2026 年深秋开放。现场参会要求年满 18 岁。需要签证邀请函的,可在报名表中申请,报名与付款完成后一周内通过邮件发送。 值得关注 除主题演讲外,大会还设有主题专场、海报、讲师分享、创业公司与创投、实作坊与认证培训等板块。官方住宿只认 EventSphere 一家供应商,其他渠道预订存在风险。 信息来源:NVIDIA GTC 2027 官方常见问题页(nvidia.com)

友情链接

交换友链请走申请页

全部