✨大家好~ 我是Simon阿蒙，我现在的身份有：不知道啥时候能毕业的PhD / 佛系自媒体人 / 菜鸟独立开发者 / 断更艺术创作者 / 半个数字游民 / 初创公司打杂人员🐶
👉个人独立站：shengyu.me

✨想成为理解AI，但AI无法取代之人

📑我分享过的有用资源📑：

- 🌟科普教程：
- 我上 AI 顶会啦！CVPR AI Art Gallery 作品极简创作教程 （2024.06）: mp.weixin.qq.com
- OpenAI Sora视频生成模型技术报告中英全文+总结+影响分析 (2024.02): mp.weixin.qq.com
- 送立体动态新年红包+最好用的SD客户端+开源视频生成模型 (2024.02): mp.weixin.qq.com
- AI时代抗焦虑指北 —— 被AI包围之后，人类“完蛋”了吗？（2023.12）：mp.weixin.qq.com
- AI生成3D问题的简化和解决，以及随之而来的新问题（2023.11）：mp.weixin.qq.com
- 如何制造大语言模型的意识幻觉？斯坦福AI小镇论文精读 （2023.09）：mp.weixin.qq.com
- ChatGPT基本原理（告诉你为啥它啥都懂）（2023.04）：mp.weixin.qq.com
- 从用手建模到用嘴建模：一文说透最新用文字生成三维模型的人工智能算法原理 （2022.10）：mp.weixin.qq.com
- 5分钟上手人工智能设计：借AI之力用文字生成图片（无软硬件+前置知识要求，2021.08）：mp.weixin.qq.com

- 🌟工具合集：
- 关于声音生成的一切（2024.01）：mp.weixin.qq.com
- 关于4D 生成的一切（2024.01）：mp.weixin.qq.com
- 关于 chatGPT 的一切（实用工具篇，2023.05）：mp.weixin.qq.com
- 关于 ControlNet 的一切（2023.04）：mp.weixin.qq.com
- 关于3D 内容人工智能 (AI) 生成的一切（2023.01）：mp.weixin.qq.com
- 关于人工智能内容生成（AIGC）的一切（2022.10）：mp.weixin.qq.com

😶‍🌫️
💽AIGC代表作💽：

- 🌟代码开发：
- 我攒了一扇 AI 平行时空传送门——3D gaussian 复杂大场景迁移（2024.04 已暂停）：mp.weixin.qq.com
- 我，编程菜鸟，攒了一个用文字生成三维模型的AI工具（Dreamfields-3D，已开源，2022.09）：mp.weixin.qq.com

- 🌟艺术商业案例：
- 我如何用AI为小米国际限量版手机做宣传片（2023.03）：mp.weixin.qq.com
- AI创作的正确打开方式：雪佛兰×全屏本是×Simon的白日梦 | AIGC商业落地案例复盘 （2023.02）：mp.weixin.qq.com
- 国家地理中文网：“守护海洋原住民”系列数字藏品创作（2022.05）：mp.weixin.qq.com

- 🌟 AI视频作品：
- ✨微观宇宙：一木一浮生,一空一有无, 一念一无限 （2024.08）： b23.tv
- 云端画意 —“古董”AI模型生成复古国风山水动画（2023.07）：www.bilibili.com
- 硅基生物图鉴-硅藻云戏者（2023.06）：www.bilibili.com
- 量子场-无AI生成艺术（2023.04）：www.bilibili.com
- 微观世界极限深潜（2022.10）：www.bilibili.com
- 幻时之砂（2021.12）：www.bilibili.com
- 超级文明已经组队迁往二次元元宇宙了，而你还没有拿到船票？（2021.12）：www.bilibili.com

🎖️AIGC经历🎖️：
- 做过课程或讲座的地方：英国伦敦大学学院 / 奥地利因斯布鲁克大学 / 中央美院 / 小米 / 深圳市插画协会 / 集智俱乐部 / 国际人机交互大会 / 艾厂 / 中国科普作家协会
- 合作过的厂商：小米 / 雪佛兰 / 现代 / 周大福 Tmark / 国家地理中文网
- 参展过的地方：上海设计周 / 上海喜马拉雅美术馆 / 威尼斯元宇宙艺术年展 / 北京Tong画廊 / 郑州海汇美术馆 / 北京-城市建筑双年展 / 伦敦 Zero to One Space / 奥地利-蒂罗尔建筑中心

📻我的社媒📻：
- 公众号 / 视频号 / B站 / 小红书 / 微博：Simon的白日梦
- 我的 AI 自动化创作替身 - CyberGenix：weibo.com
- 知识星球（核心社群）：AI白日梦想家 （向我提问，72小时无条件退款，领券：t.zsxq.com）

🥰写在最后🥰：
感谢你读到这里，其实我是一个佛系+拖延的人，能做那么多事情或许真的是因为一直以来大家给我的正反馈，所以我后续会一直在这里更新有用的资源（你可以收藏或者转发这个帖子）。如果你有问题或者希望找我合作，可以私信我也可以发到 📧simondaydream@163.com。如果我48小时后还没有回复，可以再提醒我一次。最后，希望世界和平，愿你身心自在🤗。

claude code重度使用者急需🥹
ai-claude-start：多配置Claude命令行启动器

GitHub - op7418/ai-claude-start: Multi-profile Claude Code launcher with secure credential management
🧐一句话总结：

该工具是一个可同时管理多个Claude API配置的安全命令行启动器，支持Anthropic、Moonshot、智谱（BigModel）等兼容API，通过系统密钥库安全存储凭证，实现多环境快速切换与一键启动Claude CLI。
➡️链接：github.com
✨重点

● ⚙️ 核心功能：多配置 + 安全凭证管理

支持多个Claude风格API配置（Anthropic / Moonshot / BigModel / 自定义），每个配置仅需3~4个字段（name、baseURL、model、token），自动清理环境变量避免冲突，并以统一令牌管理启动Claude命令行。
● 🧰 内置预设

- Anthropic（官方）→ api.anthropic.com，模型：claude-sonnet-4-5-20250929

- Moonshot（智谱清言）→ api.moonshot.cn，模型：moonshot-v1-8k

- BigModel（智谱AI）→ open.bigmodel.cn，模型：glm-4-plus

- Custom → 自定义API或自建代理。
● 🔐 安全机制：Keytar系统密钥库存储

- macOS → Keychain

- Windows → Credential Vault

- Linux → Secret Service API

若缺失依赖则自动回退至本地文件（明文存储），并提示风险。
● 💡 交互式配置与切换

- ai-claude-start setup：交互式创建或修改配置

- ai-claude-start list：查看所有配置及凭证状态

- ai-claude-start default <name>：设为默认配置

- claude-start：自动弹出多配置选择菜单

- 还可通过alias自定义命令快速切换不同环境。
● 🧪 测试与开发支持

提供 --cmd 参数或 CLAUDE_CMD 环境变量模拟Claude执行，无需真实CLI即可测试环境变量注入，非常适合CI/CD或多环境调试。
● 🧩 环境变量注入机制

启动时自动注入以下变量：

- ANTHROPIC_AUTH_TOKEN：安全凭证

- ANTHROPIC_BASE_URL：API地址（若非官方）

并在启动前清理所有旧的ANTHROPIC_*变量，防止冲突。
● 🧠 适配场景

- 多地区部署：在中国大陆、海外或自建代理间快速切换

- 多供应商混合使用：如Claude、Moonshot、智谱混跑

- 安全团队或企业开发环境：集中配置、统一鉴权。

单图/文生成完成完整3D高斯空间的开源模型，而且又好又快~？！🫨
FlashWorld：7秒内生成高质量3D场景的世界生成模型

来自厦门大学 × 腾讯 × 复旦Yes Lab（arXiv:2510.13678）
🧐一句话总结：

FlashWorld 是首个能在单张GPU上7秒内生成高保真3D场景的生成模型，通过“双模训练+跨模蒸馏”，融合了多视图生成与3D一致性生成的优势，实现了速度、质量与空间一致性的三者平衡。
➡️链接：t.co

论文原文：arxiv.org
✨重点

● ⚙️ 技术突破：从多视图导向到3D导向的新范式

传统方法（MV-oriented）先生成多视图再重建3D，画面清晰但空间一致性差；

而FlashWorld转向“3D导向生成（3D-oriented generation）”，直接生成3D高斯表示（3D Gaussian Representation），在生成过程中保持几何一致性。
● 🧩 双模训练 + 跨模蒸馏（Cross-Mode Distillation）机制

模型先以“多视图模式 + 3D模式”联合预训练（dual-mode pre-training），

再进行“跨模蒸馏”：

- 教师模型（Teacher）：高质量的多视图生成模型；

- 学生模型（Student）：保持3D一致性的3D导向模型；

通过分布匹配学习，使学生模型兼具清晰度与一致性。
● 🚀 速度优势显著：单GPU七秒出世界

在一张GPU上即可在7秒内生成高保真3D场景，较现有NeRF、3D Diffusion、Gaussian Splatting类模型快一个数量级。

推理阶段还通过蒸馏减少去噪步数，大幅降低延迟。
● 🧠 引入视频扩散模型先验（Video Diffusion Prior）

FlashWorld以视频扩散模型为基础，使模型具备对时空一致性与光照变化的天然适应力，能从单张图像或文本Prompt生成动态一致的3D世界。
● 🧱 统一生成接口：图像 / 文本 → 3D场景

输入：一张图片或一句自然语言描述；

输出：可交互的3D高斯场景，可渲染多视角影像。

适合VR、数字孪生、AI世界生成等领域。
● 🔍 训练数据与泛化策略

通过大量**单视图图像与文本提示（text prompt）**的预训练增强模型的分布外泛化能力，解决真实场景中相机标注不准和数据稀疏问题。
● 🧪 实验结果

FlashWorld在渲染质量、一致性与推理速度三方面全面领先：

- 比领先模型快3-5倍；

- 画面更锐利、空间畸变更小；

- 可扩展到复杂城市级3D场景。
● 💡 研究意义

FlashWorld让“3D生成”从离线重建迈入**实时生成（Real-time World Generation）**阶段，

是通向“AI自生成世界（AI World Models）”的重要中间层。

💡一句话洞察：

FlashWorld 把 3D 世界生成的速度提升到“实时级”——让AI不再只是渲染静态画面，而是能“即时创造可探索的世界”。

这个平台有意思——上传你的视频/图片，然后做成交互视频游戏~！

Justine Moore 在 X 上发文： “我们正经历视频模型的一个非凡时代。”

🧐通过单一文本提示生成的视频模型，未来将可能实现完全互动，实时控制场景演变。

➡️平台链接：rosebud.ai
➡️原文链接：t.co

✨重点
●🤯 当前视频模型技术允许从简单的提示生成复杂场景，标志着创意表达的新纪元。
●🎮 互动视频将重现 1990 年代的互动 CD 游戏体验，用户可以在场景中做出选择。
●📈 Moore 的 TikTok 视频获得了 27 万次观看，展示了如何将选择自己的故事与流行文化结合。
●👻 视频模型能够精准捕捉用户的动作和情感，提升了沉浸感和互动性。
●🛠️ 当前技术的限制在于每次生成只能基于一次提示，未来可希望实现对角度、光线和时机的调整。
●🔗 用户可以通过 Rosebud.ai 等平台实现视频的分支创建，降低了制作复杂互动视频的门槛。
●🎭 内容创作者在设计角色时需要注意用词，特定的描述可能会影响生成结果。

这个好酷~！ 从单目视频快速重建人物动作姿态及3D场景~！
Human3R：Everyone Everywhere All at Once

(Human3R：人人、处处、同时重建)
🧐一句话总结：

Human3R 是首个能在单阶段、单GPU上一天训练完成的「统一4D人-场景实时重建模型」，实现了多人物体、相机与场景的“一次性端到端重建”，打破了以往3D/4D重建需多阶段依赖与高算力的技术壁垒。
➡️链接：fanegg.github.io
✨重点

●⚙️ 核心创新：All-in-One Reconstruction（一次成型重建）

Human3R 可从普通单目视频中实时（15FPS）直接重建多人姿态、相机轨迹与三维场景几何，无需检测、SLAM、深度估计或逐帧优化。
●🧠 技术路线：端到端视觉Prompt微调

在前作 CUT3R 模型基础上，Human3R 仅微调人类相关层，其余参数冻结，借助视觉Prompt调优保留时空先验，实现极高参数效率。
●👥 “Everyone Everywhere All at Once”含义

“Everyone”指同时支持多人物体重建；“Everywhere”指全局三维场景重建；“All at once”意味着单次前向推理完成所有任务——统一而非多阶段流水线。
●💻 训练成本极低

模型仅需在 BEDLAM 合成数据集上用一块GPU训练一天，即可达到SOTA或可竞争性能，这在4D reconstruction领域极具颠覆性。
●🌍 输出内容包括：

1️⃣ 多人SMPL-X网格体姿态

2️⃣ 稠密3D场景几何

3️⃣ 实时相机轨迹估计

全部在世界坐标系下联合推理完成。
●📉 失败与挑战

目前仍可能出现人-场景穿透、物体交互不自然等问题，未来可通过接触感知优化（contact-aware refinement）进一步改进。
●🧩 对比传统方法的优势

相比需要多阶段拟合与测试时训练（如 TTT3R、TRAM），Human3R 将人、相机、场景全部纳入统一Transformer架构中，显著简化流程与计算。
●🚀 科学与工程意义

Human3R 为“在线4D重建”提供了强基线，证明单模型即可实现多任务并行推理，为未来虚拟人、AR/VR、机器人视觉奠定高效基础。

感觉是李飞飞那个图转世界的开源青春版🥹
WorldExplorer: Towards Generating Fully Navigable 3D Scenes
🧐 这是慕尼黑工业大学团队在 SIGGRAPH Asia 2025 提出的 WorldExplorer，一种通过 相机引导的视频扩散模型 + 3D 高斯点渲染，实现从文本生成可完全自由探索的 3D 场景的方法，首次突破了现有方法中“只能在中心或全景视角下保持质量”的限制。
➡️链接：mschneider456.github.io
✨重点

● 🏗️ 核心目标：从自然语言 Prompt 自动生成高质量、可自由导航的 3D 场景，支持真实感视角移动。

● 🎥 三阶段生成流程：
初始 Scaffold：用 T2I 模型生成 4 张环绕中心的全景图，再补齐深度与修复生成 8 张初始图像；
视频轨迹扩展：基于相机引导的视频扩散模型，迭代生成多段短视频帧，模拟相机围绕物体移动；
3D 优化重建：将所有图像融合，利用 3D Gaussian Splatting (3DGS) 优化为可实时渲染的完整场景。

● 🧠 关键技术：
场景记忆 (Scene Memory)：每次视频生成时选择最相关的先前帧作为条件，确保多视角一致性；
碰撞检测：避免相机“撞到物体”，减少失真与伪影；
VGGT + 刚体配准：点云初始化与相机位姿全局对齐。

● 🌍 可交互体验：提供在线 3DGS Viewer，可以实时加载 Jellyfish、Liquid Metal Monastery、Hamptons Beach House 等生成场景，支持鼠标/键盘/触摸自由漫游。

● 📊 突破点：相比现有方法，生成的 3D 世界在大范围相机运动下依然稳定、无拉伸和噪点伪影，真正接近沉浸式虚拟环境。

● 📖 学术成果：对应论文已上传 arXiv（arXiv:2506.01799），将在 SIGGRAPH Asia 2025 发表。

关于AI是否会抢人类工作，这篇论文给出了答案：不是可能，不是未来，AI已经在抢人类的饭碗了（目前还是初级工种，未来尚未可知）。
真实、残酷的 AI 就业冲击，从一篇极其精彩的哈佛论文聊起
🧐 本文基于哈佛最新研究揭示，AI并非通过大规模裁员，而是通过“不再招聘初级岗位”隐蔽地抽掉年轻人职业起点，中上等大学毕业生反而成了最危险的群体。
➡️链接：mp.weixin.qq.com
✨重点

● 📉 初级岗位断崖式下跌：2022年底ChatGPT发布后，美国初级岗位招聘首次出现负增长，2023年明显分化，高级岗位继续增长。

● 🧪 研究方法：利用LinkedIn招聘大数据+“双重差分”方法，将10.6万家AI采纳公司作为实验组，精准锁定AI影响。

● 🚪 AI冲击方式：公司并没有大规模裁掉初级员工，而是停止招聘新人，导致年轻人职业“第一阶梯”被抽掉。

● 🛍️ 行业差异：批发和零售业受冲击最大，AI显著替代客服、文员、导购等岗位，每季度初级招聘骤减40%。

● 🎓 学历悖论：顶尖名校毕业生因能力稀缺，普通学校毕业生因性价比高都相对安全；最危险的是中上等大学毕业生，高不成低不就，最易被AI取代。

● ⏰ 职业启示：必须加速从初级向独立承担复杂任务跃迁，工作内容中AI难以替代的部分要尽快超过50%。

● 🕵️ 暗知识与元技能：AI已经“满级”掌握公共知识，竞争力在于能提供独特上下文的暗知识和能解释“为什么”的元技能。

● 💡 兴趣的ROI：审美、幽默、同理心等过去的“软优势”，正在成为AI时代不可替代的核心竞争力，应主动将兴趣与AI结合。

GitHub - QwenLM/Qwen3-Omni，省流：原生多模态模型，支持文本/图像/语音/视频输入，支持实时流式文字/语音输出，30B规模。
🧐 这是阿里云通义千问团队发布的 端到端原生多模态大模型 Qwen3-Omni，可处理文本、图像、音频、视频，并支持实时语音生成，开源提供使用指南、Cookbooks、评测与多种部署方式。
➡️链接：github.com
✨重点

●🎤 多模态能力：支持文本、图像、音频、视频输入，并能实时生成文本和语音输出，覆盖语音识别、翻译、音乐分析、视频描述、音视频交互等任务。

●🌍 多语言支持：文本覆盖 119 种语言，语音输入支持 19 种语言，语音输出支持 10 种语言，媲美 Gemini 2.5 Pro。

●🧠 架构创新：采用 MoE（专家混合）Thinker–Talker 架构和 AuT 预训练，结合多码本设计显著降低推理延迟。

●📊 性能领先：在 36 个音频/视听基准测试中，32 项取得开源 SOTA，22 项刷新整体 SOTA。

●🛠️ 使用指南：提供 Hugging Face Transformers、vLLM、DashScope API、Docker 镜像及本地 Web UI demo，适配多种开发和部署环境。

●📚 Cookbooks 应用示例：涵盖语音识别、音乐分析、OCR、图像问答、视频导航、音视频对话等详细用例，附带执行日志。

●🎛️ 灵活交互：支持实时流式交互、低延迟自然对话，可通过系统提示词自定义角色和输出风格。

●📥 模型版本：已开放 Qwen3-Omni-30B-A3B-Instruct（推理+对话）、Thinking（推理为主）、Captioner（音频精细描述）三类模型下载与调用。

●🚀 部署优化：推荐使用 vLLM 获取高并发与低延迟，Transformers 版本可启用 FlashAttention 2，Docker 镜像则简化 GPU 环境部署。

●🔬 评测细节：提供不同任务的 prompt 规范和 GPU 显存需求表格，明确优化方向与硬件要求。

好家伙，带3D controlnet的3D生成模型🥹：通过点云、体素、骨骼、包围盒等多模态条件实现更精细的 3D 建模控制。话说国内几个大厂感觉都进化成源神了😂
GitHub - Tencent-Hunyuan/Hunyuan3D-Omni
🧐 腾讯混元团队推出的 Hunyuan3D-Omni 是一个统一的 可控 3D 资产生成框架，在继承 Hunyuan3D 2.1 的基础上，新增统一控制编码器，可通过点云、体素、骨骼、包围盒等多模态条件实现更精细的 3D 建模控制。
➡️链接：github.com
✨重点

● 🏗️ 统一框架：在 Hunyuan3D 2.1 的基础上升级，核心亮点是引入统一控制编码器，支持多模态约束生成。

● 📦 多模态控制：
Bounding Box Control：生成符合三维包围盒约束的 3D 模型；
Pose Control：根据骨骼姿态生成 3D 人体模型；
Point Cloud Control：用点云数据引导模型生成；
Voxel Control：通过体素输入生成 3D 形体。

● 🚀 推理与优化：提供 inference.py，支持 --control_type 指定控制方式，并可加 --use_ema 提升稳定性，--flashvdm 加速推理。

● 💻 硬件需求：生成一次需要约 10GB 显存，较为轻量。

● 🎁 模型 Zoo：已在 Hugging Face 提供 33 亿参数的 Image-to-Shape 多模态控制模型（2025-09-25 发布）。

● 🔗 技术依赖：参考了 TripoSG、Stable Diffusion、DINOv2、diffusers、CraftsMan3D 等开源项目。

● 📖 学术成果：对应论文已上传 arXiv（2509.21245），并在系列论文中延续 Hunyuan3D 1.0 → 2.0 → 2.1 → Omni 的发展脉络。

● 🛠️ 使用门槛低：基于 Python 3.10 和 PyTorch 2.5.1，安装简单。

comyUI新支持的这个声音驱动人像视频和图像开源生成模型的质量好棒！

HuMo & Chroma1-Radiance ComfyUI原生支持现已发布！
🧐 ComfyUI 在 0.3.60 版本中正式原生支持 HuMo（多模态人类视频生成框架）和 Chroma1-Radiance（像素空间图像生成模型），大幅提升视频生成和图像生成的可控性与质量。
➡️链接：mp.weixin.qq.com
✨重点

● 🎥 HuMo 模型：
以人为中心的视频生成框架；
支持文本-图像、文本-音频、文本-图像-音频三种模式；
最高可生成 720P 视频，保持人物一致性；
音频驱动 → 动作与语音完美同步。
下载工作流模板：video_humo.json。
● 🖼️ Chroma1-Radiance 模型：
由 @LodestoneRock 团队开发，Apache-2.0 协议（可商用）；
与普通模型依赖 VAE 不同，直接在像素空间生成图像；
无需 VAE 解码 → 减少信息损失，预览更精准；
擅长超写实、高分辨率、细节丰富的图像生成。
下载工作流模板：image_chroma1_radiance_text_to_image.json。

腾讯推出了迄今为止最强的开源多模态图像推理生成模型，感觉一个模型就可以把之前图像Agent的事情干了：生成带文字的多步骤示意图、生成带艺术字的海报、生成AI味很淡的高清图像🥹 虽然但是，这个模型居然有80B！！😂 不过还好现在可以在官网试玩。
tencent/HunyuanImage-3.0 · Hugging Face
🧐 腾讯推出的 HunyuanImage-3.0 是目前最大开源 MoE 图像生成模型（总参数 800 亿，激活 130 亿/Token），采用统一自回归多模态架构，支持推理增强、自动 Prompt 重写，在语义准确性与视觉效果上可媲美甚至超越闭源模型。
➡️链接：huggingface.co
➡️试玩：hunyuan.tencent.com
✨重点

● 🧠 架构创新：突破常见的 DiT 架构，采用统一自回归多模态框架，直接融合文本与图像建模，提升上下文理解与生成一致性。

● 🏆 规模领先：是目前最大的开源图像生成 MoE 模型，共 64 个专家，800 亿参数，激活参数量 130 亿/Token。

● 🎨 生成质量：通过精细数据集与 RL 后训练，兼顾语义精准与美学效果，支持高保真、细节丰富的写实图像。

● 💭 推理增强：能结合世界知识智能扩写稀疏 Prompt，生成更完整、细腻的画面。

● ⚙️ 运行要求：推荐 Linux + Python 3.12 + PyTorch 2.7.1 + CUDA 12.8；需要 ≥3×80GB 显存，权重文件约 170GB。

● ⚡ 性能优化：支持 FlashAttention 2 与 FlashInfer 加速，推理速度最高可提升 3 倍。

● 🚀 使用方式：
Hugging Face Transformers 直接调用；
本地运行（支持 DeepSeek 系统提示词自动优化 Prompt）；
提供 Gradio Web 界面 Demo。

● 🧱 模型版本：
HunyuanImage-3.0 Base：标准 Text-to-Image；
HunyuanImage-3.0 Instruct：带推理能力，支持 Prompt 自动重写与 Chain-of-Thought。

● 📊 评测方法：采用 SSAE（自动语义-图像对齐评估）与 GSB（人工优劣对比）双轨评价，涵盖 3500 个关键点与 1000 Prompt 的多维度测试。

● 📖 文档支持：已发布技术报告，提供 Prompt Handbook 与系统提示词（Universal / Text Rendering）。