#字节

EC Elliot

2周前

字节的多模态模型 - BAGEl - 开源免费对比优势 • 多模态理解、生成和编辑能力在主流榜单上整体领先，超越 Qwen2.5-VL、InternVL-2.5、SD3 等开源模型 • 图像生成质量高，细节丰富，媲美 SD3 • 图像编辑、风格迁移、自由视觉操作等功能更强 • 支持多轮对话、复杂推理和世界建模，综合能力突出线上直接体验官网 Github

#多模态模型 #BAGEl #字节 #Qwen2.5-VL #InternVL-2.5 #SD3 #图像生成 #图像编辑 #风格迁移 #自由视觉操作 #多轮对话 #复杂推理 #世界建模 #开源模型

熠辉 Indie

2周前

今天晚上和一个阿里的前同事吃饭，他现在人在字节。我给他说我现在主要在教人用 Cursor 编程。令我震惊的来了，作为研发，他居然从未听说过 Cursor，完全不知道是什么🤣🤣🤣我多少有点不可思议.....

#阿里 #字节 #Cursor #编程 #研发

歸藏(guizang.ai)

3周前

字节发布了 Seedance 1.0 Pro 视频生成模型。就是即梦里面的视频3.0 pro 模型提前测试了一下，发现这次字节的视频模型真的站起来了！！在提示词理解、画面细节、物理表现一致性理解等方面都无可挑剔通过火山引擎调用，5 秒 1080P 视频 API 价格仅为 3.67 元下面有详细的测试👇

#字节 #Seedance 1.0 Pro #视频生成模型 #即梦 #火山引擎 #视频API #1080P

Cell 细胞

3周前

腾讯、字节的员工也可以不睡觉啊，创业者怎么办，还能变魔法让一天多出一些时间吗？

#腾讯 #字节 #员工 #创业 #时间管理

Kai

1个月前

字节开始打价格战了首月 3 刀，月付 10 刀，包年相当于每月 7.5 刀，支持 Claude-4-Sonnet 、Gemini-2.5-Pro 每月 600 次快速请求，无限次的普通队列请求支持支付宝付款，可以尝试一把

#字节 #价格战 #订阅服务 #claude-4-sonnet #Gemini-2.5-Pro #优惠活动 #互联网 #AI服务

九原客

5个月前

国内大模型玩家小评：智谱：技术很不错，专攻ToB、ToG，但是新公司想踩透ToB的弯弯绕，得先吃点亏。讯飞：垃圾模型，但是讯飞在国资委很有影响力，应该还能拿单。阿里：Qwen 持续开源领先，ToB 躲在后面让集成商中标干苦力活。腾讯：反正外面没人用，开源了捧个人场。字节：豆包主要还是服务自家 ToC 场景，API 赚不到钱也没什么人用。百度：专心做ToC 场景吧，然后做做ToB的单子，闷声不被骂。华为：专心做昇腾生态，卖昇腾服务器，前途广大。 Kimi：被豆包干死。

#智谱 #讯飞 #阿里 #腾讯 #字节 #百度 #大模型 #ToC场景 #ToB市场 #开源技术

宝玉

5个月前

字节的 AI 自动化测试框架，自然语言就可以测试 Web UI，比如像这样的测试代码： await ai('在搜索框中输入 "Headphones"，然后回车'); 当然需要多模态的模型，支持的模型包括： - gpt-4o - claude-3-opus-20240229 - gemini-1.5-pro - qwen-vl-max-latest - doubao-vision-pro-32k 最新的 Gemini 2.0 Flash 不知道支持不支持项目网页： Repo：

#字节 #人工智能 #自动化测试 #多模态 #Web UI #自然语言处理 #AI 模型

宝玉

5个月前

字节的可以直接操作图形界面的原生 GUI 智能体模型UI-TARS，类似于 Claude 的 Computer Use，可以只靠截取的界面图片就能理解并操作软件。就像我们人类直接看手机或电脑屏幕一样，利用眼睛去“认”，再动手指去“点”。UI-TARS学会了从图片中辨别按钮、输入框、下拉菜单等各种元素，也能知道“这个图标大概率是搜索按钮”“这个区域是文本框”等信息。 UI-TARS具备四个关键能力，来模拟人类使用电脑或手机的过程： 1. 感知（Perception）：从截图中识别出界面有哪些元素、它们的文字、图标、位置等。 2. 行动（Action）：能够发出点击、滚动、输入文字、拖拽等具体操作指令。 3. 推理（Reasoning）：类似于人类的“思考”过程，尤其是比较复杂或多步骤的任务，需要先策划好要怎么做，再一步步执行。如果中途出错，还要思考如何纠正或绕过困难。 4. 记忆（Memory）：对过去的操作和获得的信息进行“记忆”，好让下一步决策更准确。过去很多尝试，往往是把各种工具模块拼在一起——比如：先用某个模型识别界面元素，再把文字描述交给另一个大语言模型推理，然后再用一个脚本执行操作。这些拼装好的框架对特定场景有效，但迁移性差。UI-TARS 的思路是直接使用一个“大模型”进行端到端学习，把对界面截图的理解、对任务目标的分析以及生成下一步点击指令的过程整合在一起，大大提升了灵活性与稳健性。 UI-TARS 不仅有直接的“直觉式”反应（称为System-1思维），还纳入了更深度的“System-2思维”，或者说“慢思考”。它会在做出点击等动作前，先进行多步推理，比如： “先打开浏览器 -> 输入网址 -> 搜索再点击下载链接 -> 安装软件 -> 打开软件” 如果中途失败或走错，它会像人一样反思错误、再尝试新的方案，避免一直卡在同一个问题上。至于效果，论文上说在某些测试上超过了 Claude 和 GPT-4o，但估计还是得看实际使用场景，所以还是建议有兴趣的自己试试看。开源项目地址: Huagging face：

#字节 #GUI智能体 #UI-TARS #软件操作 #智能界面 #计算机视觉

宝玉

5个月前

字节新出了个 Cursor 的竞品 Trae ，可以用 claude3.5，限时免费测试了一下不错，它的 Builder 相当于 Cursor 的 Composer 和 Agent 合体，建议默认使用 Builder。

#字节 #Cursor #Trae #claude3.5 #Builder #Composer #agent #限时免费