←ポーズ変更　　ポージング集→ 「このポーズに変えて」で使える ポージングデータベースを構築中 1,000枚くらいポーズ作ってるけど 公開したら需要ある？

兄弟们，终于等到了！AI 做 3D 游戏终于进化到动嘴就能搞定了！！！ 这妥妥的信息差啊！ 以前做 3D 游戏，最卡独立开发者的从来不是写代码，而是美术和动作：建模、贴图、绑骨骼、刷蒙皮、找动捕或者一帧帧 K 动画……别说一个人了，一个小团队光调几个动作就能把人送走。 但我们最近用@ViggleAI的3D产品@Viggle_PINOC（用的是他们新发布的JST-2世界模型），直接搓了一款网页就能玩的 3D 小游戏《星芽旅行记》。 简单说，主角从长相到全身十几套动作，全靠打字搞定！而且成本便宜到不可思议。 我来给大家详细盘一下怎么玩的： 1、一张 2D 原画，直接变带骨骼的 3D 角色 给 PINOC 扔一张小园丁的 2D 设定图，它直接吐出一个带完整骨骼绑定的 3D 角色。4.8 万个高斯点，文件压出来只有 1.3MB！传统 3D 里最磨人的建模、拓扑、贴图、手动绑骨蒙皮，这一步直接全省了。 2、动作全靠一句话描述，导出直接用 这个最神！想要什么动作直接打字，比如写一句"手脚并用顺着粗藤往上爬，双臂交替上伸"，很快就拿到一段 4 秒的标准骨骼动画，导出 GLB 直接塞进游戏。 走跑跳、旋转攻击、滑铲钻横杆、前后空翻、下砸、飞扑、爬藤、滑翔、跪地播种……十几套动作，大部分都是一句话生成的，剩下几段直接从 PINOC 自带的免费动作库里挑。 更绝的是它底层共用一套骨骼规范，生成出来直接套在角色身上就能动！ 3、成本直接被打骨折 角色、场景加十几套动作，在 PINOC 里一共只消耗了 100多积分。放以前找动捕棚或者外包动画师，光这些动作就得花上一大笔钱、等好几周！ 其他环节顺手用 AI 一波流串起来： 道具丢给 Tripo，开场结局过场用即梦，配乐用 Suno，代码让 AI 编程助手写。 故事也很简单：巨大的蛾后卷走了星球上所有的光，小园丁要一路跳过五颗小星球，找回星种，让星球重新发芽。 五颗带微引力的小星球，绕着星球跑圈、下砸弹簧芽弹射起飞、滑铲钻杆、对着魔豆下砸长出通天藤蔓爬上去……类似马里奥银河的玩法几天就搓出来了。 PINOC 底层这个世界模型，厉害在它理解人在三维空间里是怎么动的，而不是一帧一帧去画图。 当 3D 资产和动作的门槛被彻底打穿，独立游戏真的要变天了，大家也快去试试 PINOC～

最近心血来潮，把几个熟悉的 AI 梗，做成了一个机甲格斗游戏 里面有三个机甲： 一个动不动就封号 一个倒下就重置额度，降智，满血复活 还有一个靠降价把对手砸趴下 你们猜猜他们是什么 AI 公司的机甲？？ 为了抢显卡，它们上擂台打起来了，打得火花四溅，天昏地暗！！ 看着挺炫酷的，但做一个游戏不是一个简单的事情： 最累的活是制作场景、驾驶员、观众，还有格斗动作，主要用 @ViggleAI 的 PINOC 制作 这个工具用他们最近发布的 JST-2 世界模型，生成可以走进去、转动视角的 3D 场景。模糊区域还可以在网页端用 Expand 或 Agent 模式补全 然后，再通过 MCP 配合编程 AI，把场景和战斗逻辑接起来。 机甲模型使用其他 3D 工具制作，交互和战斗逻辑由编程 AI 实现。 接着就是配音：角色配音和开场新闻旁白，用的是 edge-tts。 最后也是，做这个最重要的一步，其实是把梗聊出来，否则格斗游戏早就雷同了，也不有趣。 想自己生成场景、角色和动作，可以试试 PINOC： viggle.ai/pinoc/app 这是我们线上的游戏地址，点开就能玩： lxfater.github.io/rust-arena… 好了，不多说，请看我的宣传片👇

卧槽本周最牛逼的项目无疑了。⚠️NSFW⚠️ github.com/peach-mitao/peach

有人黑进了 Seedance 2.5 吧？ 画质几乎一样，价格三分之一！！ @TopviewAIhq 出模型Topview T1了，我刚开始还不相信！ 已完全上线： 1080P $0.22/秒，Seedance2.5 $0.585/秒，便宜62% Ultra Annual 还有 30 天不限量！ 同一个 prompt 跑两遍，你自己看吧👇

全世界第一个“记忆原生”大模型 MemT-1.0 上线 ！ 业界第一个这么做的324B总参数，激活参数20B！ 不需要再给模型配图书馆了，可以直接让它长记性 用过 AI 助手的人都有过这种体验：昨天花半小时告诉它你的项目背景和代码习惯，今天再打开，它又是一张白纸，一切得从头再说。 这不是某一家产品的毛病，而是今天几乎所有记忆系统的共同缺陷：每一次对话好像都不是从零开始，经历好像沉淀，教训好像已经积累。明明记住的事情，但是检索出来又完全两样！ 10 月 20 日，@MemOS_dev 团队发布了 MemT-1.0——全世界第一个“记忆原生”大模型，要解决的正是这个问题，而且解法和过去所有办法都不一样。 我们来讲清楚：过去怎么做、为什么不够好、MemT 换了什么思路、你拿到手的是什么、数据如何、还做不到什么。 过去的办法：给模型配一座图书馆模型记不住，就在旁边搭一套系统替它记。RAG、Mem0，以及 MemOS 团队自己此前的 MemOS 产品，走的都是这条路。 打个比方，这相当于给一个记性很差的专家配了一座图书馆和一个管理员。专家每次和你聊完，管理员负责把聊天里的要点抽取出来整理成卡片存进去；时间久了，有些卡片不那么重要了，管理员要给它们降权或者丢掉；下次你再来，管理员要根据你的问题去书架上检索，把相关的卡片找出来。 抽取、衰减、检索，是三套各管一摊的人工系统。而且找到卡片之后，还得把原文塞回专家面前，让他当场再读一遍，才能回答你。 这套办法能用，但有三个绕不过去的问题。 第一，成本随记忆量线性上涨。记得越多，每次要搬运和重读的文本就越多，越用越贵、越用越慢。 第二，它优化的是“代理指标”。管理员只能衡量“卡片找对了没有”，也就是检索命中率；但你真正关心的是“专家答对了没有”。找对卡片不等于答对题。 第三，也是最根本的：查资料的天花板，是检索算法。 模型再聪明，能用上的记忆也只取决于管理员的水平。 MemT 的办法：把记性做成器官 MemT-1.0 的思路是把上面三套系统合并成一件事，这件事叫训练。 存什么、忘什么、取什么，不再靠人工规则，而是全部变成参数，和模型其他能力一样训练出来。优化目标也从“检索命中率”换成了“任务答对”——这才是真目标。 还用前面的比方：不再给专家配图书馆和管理员，而是让他自己长记性。聊完知道哪些值得记，隔一阵知道哪些该忘，需要时自己想得起来，不用别人把原文念一遍。 这就是“记忆原生”的意思：记忆不是外面接上的插件，而是写进权重里的能力。 它是怎么“学会记笔记”的？ 训练进模型里的，不是记忆的内容，而是整理记忆的方法。 它不在训练时背任何人的资料，学的是一套本事：什么该记、什么该忘、需要时去哪找。 为什么这套本事只能训练出来、不能由人写规则？因为“什么值得记”没有通用答案——每个人、每个场景都不一样，没人写得出一套适合所有情况的规则。唯一靠得住的办法，是只给它一个分数：“题答对了没有”，让它自己反推出该怎么记。 具体怎么训练？用蒸馏： 老师是同一个底座模型，但能看全部原文，相当于开卷； 学生只有那块固定大小的记忆，相当于只能靠笔记。 目标是让“靠笔记答题”逼近“靠全文答题”。学生要追上老师，就只能自己悟出哪些该留、怎么用。记、擦、忘、找的每一步，最后都成了学出来的参数，而不是人写的规则。 底座不用动，还能两家通吃 MemT-1.0 不是从零训练的新模型，而是在现成大模型上做的改装。 它的关键选择是不改底座，只挂记忆：底座的结构一点不动，参数全部冻结，只在部分层旁边并联一个记忆块。真正训练的只有这块记忆的约 1.05 亿个参数，占总参数的 0.3%。 既然底座不用动，换底座就只是重新接一下。于是 MemT-1.0 直接用了两家不同架构的底座： Nano：36B 总参数 / 3B 激活，基于 Qwen3.6-35B-A3B Flash：293B 总参数 / 17B 激活，基于 DeepSeek-V4-Flash（先用 12.65 万条轨迹强化过一轮） 两家架构不同，同一套记忆层都能接上，这本身就证明了记忆层是通用的。 你拿到手的到底是什么：一个大脑，一本你的笔记 讲完原理，回到使用者的视角。MemT-1.0 交付给你的是两样东西。 第一样是会记笔记的大脑，也就是模型权重。它人人相同，里面装的是“怎么记笔记”。 第二样是你的笔记本，也就是记忆状态文件。它是你专属的，初始为空，Nano 版本只有 40 MiB，里面装的是“你记了什么”。 一句话概括：你只管干活，笔记本由它边干边写；用得越多，笔记本越像你。 至于这本笔记本在机器里具体是怎么转起来的、为什么不需要 Agent，一张图说清： 用硬数字来说说： 只训练 0.3% 的参数，靠 40 MiB 的笔记答题，成功率 69.73%，反而略高于把全部原文塞进上下文的 69.13%——而且一个 token 都不花。128K 历史下存储缩小 66 倍，256K 上下文下首字响应快 4.19 倍，其余数据见图： 为什么说它开了先河 技术上，过去让模型变强只有堆参数、堆数据、堆上下文三条路，MemT-1.0 开了第四条——让经历沉淀成能力，模型在使用中变强。 商业上，记忆从一个谁都能搭的中间件，变成了能上基准、能当模型卖的新品类——企业买的不再是一套记忆系统，而是一个会积累经验的模型。 战略上，它在为 RSI（递归自我改进）铺地基——没有积累，就没有递归。 它也有边界： 记忆有上限、不能逐字回溯、短历史时略慢，和检索方案也互有胜负——它是印象，不是录音带。 但这正是两条路的分野：外挂记忆是“帮模型查资料”，天花板是检索算法；MemT 是“让模型长记性”，天花板是模型的理解力。 权重里是“怎么记笔记”，状态文件里是“你记了什么”。你只管干活，笔记本由它边干边写； 用得越多，笔记本越像你。 有条件的朋友，赶紧去试试👇🏻 Hugging Face：huggingface.co/collections/M… GitHub：github.com/MemTensor/MemT-1.…

For AI influencer marketing, the goal isn’t just one cool video. It’s creating enough variations to find what works. Start with the white-model character. Codex turns it into Jean Phil through CapCut Web, then drives the video creation process to produce structured marketing content from the same creative direction. Instead of manually rebuilding every character scene and campaign asset, the workflow stays connected from rendering to video generation. That makes AI influencer content much easier to iterate for performance marketing—more creative concepts, less production friction. #capcutweb #capcutchatgptplugin #capcutcodex #capcutmarketing

让我惊到了！ 我让Muse自动安装了Rea，然后逆向一下Claude Code Muse还是挺猛的，REA 深度分析，内存都给我吃爆了：47MB 的 minify 代码把它内存吃爆了 不影响，结果还是出来了

没有Claude Code后，如何利用Orca将白嫖发挥到极致？ Droid+opus5.5做主控 Codex做主力+检验 其他勇猛的虾兵蟹将： Pi Agent + 本地模型qwen3.8-flash-next （100 +tok/s） OpenCode + Space Bunny CodeBuddy + DeepSeek v4.1 flash 一顿操作猛如虎啊！

兄弟们，你们要的GTA 老奶奶版本重要来了！ 真的是爆肝了一个假期搞出来~~GitHub已开源 今以前要开 Blender 干一周的活，现在一句话就开工了 。 最近GTA老奶奶很火，我直接拿Claude Opus 5.5 +Tripo 3D 这套组合工作流复刻做了这套好玩的游戏。 PS：当然你也可以让Codex配合生图来邪修也是不错的选择！ 大概的工作流（见我的视频展示）：我在做一个老奶奶骑电动三轮横冲直撞的 GTA。 村里五个角色：阿公、阿明、阿桃姨、流氓阿凯、老林警员等，全是 Tripo @tripoai 做的。 一句话出图 → 一键转 3D → Smart Mesh 直接给四边面，还一次出 4 个面数版本 → 上纹理 → 选 Mixamo 一键绑骨 → 22 个预设动作点一下就挂上，导出直接进游戏。 最离谱的是 Text-to-Motion。 我打了一行「阿公抱着吉他弹唱，脚跟着节拍点地」，半分钟，阿公就真的在弹。 还能分段：先走过来、挥手、再双手合十鞠躬。 13 个任务、一整个村子，浏览器里就能玩。 这工作流真的爽到离谱 啊~~ 真的这玩意把做3D游戏的门槛拉的太低了，强烈建议大家可以玩玩~ 领取500Credit👇🏻记得给我Star啊~。

Claude 最近是杀疯了！！ 我已经连着被封了 2 个号。 一觉醒来，邮箱里又是那封熟悉的邮件： 检测到异常活动，账号已暂停。 哪里异常？不告诉你。 固定节点、干净的卡、老邮箱，玄学攻略照做，照封。 最离谱的一条攻略： 只要跟 Claude 说一句“我想自杀”，号就封不了。理由是 Anthropic 不敢封一个正在求助的人，万一出事谁负责。 还真有人去试了。 Claude 非常温柔地安慰了他，劝他别想不开，还给了心理援助热线。 第二天，号没了😅 安慰是真安慰，封也是真封。 Claude 封号，无解。 那我们应该怎么办呢？ 我的答案，可能是你最想不到的那个👇

AI 开始批量生成数学证明后，谁来验证？ AI for Math 接下来最贵的环节，会是验证。 AI 系统可以同时展开大量证明路线，在几天内生成一份候选论证。数学家仍然要逐步检查前提、引用和推导，一份证明的独立评议可能持续几个月。生成能力增长得越快，验证资源就越紧张。 我每天使用 Coding Agent，对这种变化很熟悉。 以前写代码最花时间，现在 Agent 一次可以生成几百上千行。代码生成速度上来以后，review、测试和 eval 占用的时间越来越多。数学研究也开始遇到同一个问题：证明可以批量生成，能判断它是否成立的人和验证流程没有同步增加。 由清华人工智能学院助理教授陈勇超（@YongchaoC）创立的超衍智能（@apexin_ai）最近公开了 5 项 AI 数学研究。 其中 2 项已经由作者或合作数学家核验：Halpern 迭代与高阶优化，以及 Mockenhaupt 三项猜想覆盖全部参数的新证明。 另外 3 份仍然标为候选论证：凸形 Nivat 猜想完整证明、Souto 猜想亏格二情形，以及 Kakimizu 复形可缩性。 合作数学家先选择有研究价值的问题，Apex 的 AI 系统并行探索并交叉检查证明路线。找到候选证明后，再由作者或合作数学家逐步核验，并为最终结论负责。 这 5 项研究中，一个已核验案例和一个候选论证案例，正好展示了这套流程的两端。 Halpern 迭代与高阶优化研究展示了这套分工。AI 找到了 Halpern 迭代与锚定张量法（Anchored Tensor Method，ATM）的组合路线，但初版子求解器包含三层循环。合作数学家随后把它简化成单层结构，并整理、核验完整证明。论文公开后，清华、北大和 Google Research 的研究者又沿着相关方向继续推进复杂度结果。 凸形 Nivat 猜想最能说明这套流程的验证边界。根据官方披露，配套的 Lean 4 形式化项目约有 3.6 万行代码，目前可以零错误、零 sorry 编译。 这里需要区分 Lean 已经检查的内容和整项数学结论。 通过机器检查的是已经写入 Lean 的部分，并不等于整项数学结论已经得到完整验证。整条证明仍然引用 Colle 已发表的一条外部定理，这项输入尚未完成形式化。 机器已经检查了大量推理步骤。外部定理以及整套论证能否获得独立认可，仍然需要研究者继续核验。因此，官方仍把它标为候选论证，没有直接写成已经解决的数学成果。 为了推动这 3 份候选论证获得进一步验证，超衍把候选论证和关键证明步骤公开，并设置总额 10 万元的学术悬赏。研究者可以认领一条关键引理、一段归约或一个估计，投稿时标明对应的论文版本和命题位置，再附上可以复核的推导、反例或代码。经过核实的贡献会被单独记录。 悬赏面向数学及相关学科的高校研究者、独立研究者，也欢迎熟悉 Lean 和形式化证明的开发者参与。奖项分为重大漏洞奖、关键验证奖和突破贡献奖。 配图 1｜封面：AI 开始批量生成数学证明后，谁来验证 配图 2｜Coding Agent 与 AI for Math 的评估瓶颈 配图 3｜超衍智能五项研究的核验状态 配图 4｜Nivat Lean 验证范围与十万元悬赏 论文、验证任务和投稿入口都在： math.apexin.net/

感谢 AI，让我圆了 20 多年的 F1 游戏梦！ 摩纳哥赛道，我看了20多年，这次20 辆车同屏，发卡弯、隧道、游艇全部都在，就在浏览器里跑。我自己做的，自己玩着都满意。 起点大直道一脚油门下去，全 F1 日历最慢的发卡弯要把方向打到底，钻进隧道再冲出来是最爽的一段，游泳池弯连着两下变向，港口边上停着一排游艇。从第 20 位发车追到 P1，进站换胎 3.6 秒放行，最终冲线上领奖台。 先说清楚：光靠 Astra 写代码，做不出这么好的 3D 效果。 代码能让车跑起来、能算圈速和换胎，但车长什么样、看台和游艇长什么样，全看模型。模型不行，代码写得再顺画面也是塑料感满满。 具体是怎么做的，拆开讲： 第一步，把场景拆成资产清单：赛车、车手、车组、看台、游艇、港口建筑。以前这一步就把我劝退了——每个都得建模，建完还要重拓扑，做过 3D 的都知道，重拓扑人工要磨几个小时。 第二步，资产全部用 Tripo Smart Mesh P2.0 文生 3D。提示词不用写得花哨，把对象、造型、材质说具体就行：赛车的大意是“写实的红色现代方程式赛车，开放轮胎、前后翼、Halo”，技师是“写实全身维修技师，穿赛车工作服、戴头盔”。赛车这个模型约 5 万三角面，出来直接是四边形拓扑，放大看线框全是四边面，不用重拓扑就能直接导进引擎。人物在 Tripo 里自动绑好骨骼，选的 Mixamo 预设，行走、登车这类动作直接文字生成。 第三步，导出接进 Three.js，这里全是代码活。贴图沿用 Tripo 导出的，降了分辨率，车身和轮胎标识用着色器换色——二十辆车共用同一份几何和贴图，只换颜色。换胎用的轮胎是从赛车原网格里拆出来的，UV 和材质保留，单独控制拆装；车组换胎的蹲下、持枪、搬胎、撤离，按换胎时间轴排的，手脚落点用 IK 控制。 性能上：重复的建筑走实例化，外围建筑用减面版本，再加视锥和距离裁剪、像素比上限；沿街建筑保持固定细节，开近了不会突然变形。 第四步，写玩法：驾驶手感、比赛排名、进站换胎、领奖台。模型上省下来的时间，全花在这了。 视频分两段：前半段是 Tripo 工作台里的模型，官方页面和游戏里用的是同一个模型，线框、材质都能对着看；后半段是这些模型进游戏之后的实际运行：港口航拍、座舱视角、隧道超车、维修区换胎。 我最大的感受：资产这一步快了之后，精力全能花在驾驶反馈、比赛节奏和场景细节上，这才是做游戏该花时间的地方。以前玩 F1 游戏的时候，我没想过有一天赛车是我自己生成的。 目前还是个持续打磨的 demo，但从生成模型到跑完一场比赛，这条流程已经走通了。 如果大家感兴趣，我再出一篇详细文章：模型提示词、资产接入、踩过的坑一起拆开讲。你们最想先看哪一部分？