新智元报道  

最近，大模型圈的风向，彻底变了。

以前，大家还在比拼模型能生成多少内容、手搓多少行代码；然而，现在的用户，早就不想要只停留在对话框里的「半成品」了。

大家真正看重的是：它究竟能不能帮我们干完一件具体的工作任务？能不能听懂复杂需求、持续推进任务，并最终交付真正拿来即用的成果？

好在，就在这几天，商汤祭出大招，推出SenseNova 6.8 Flash正式版！

新模型已全面接入商汤小浣熊桌面客户端与Token Plan。

而且，一个Flash级别的轻量级模型，居然在办公协同与视觉工程交付基准上，对标国际顶尖模型！

目前商汤小浣熊客户端可支持体验3D，Web，动态Poster等功能。

在多项权威基准测试中，SenseNova 6.8 Flash的表现非常抢眼。

跑分确实惊艳，但如果把复杂的设计和办公需求交给它，它能否交出带审美的成品？

接下来，我们打开小浣熊客户端，从矢量物理联动、多模态空间寻路，到动态镜头调度与数据叙事，用几道变态级考题，开展了真刀真枪的实战。

视觉生成的第一关，我们直接跳过简单的静态排版。

我们要测的是：模型能不能用纯代码算准机械物理联动？能不能看懂复杂插画里的三维结构？

考题1：三只鹈鹕结伴夜骑

「用SVG代码画一只骑自行车的鹈鹕」，这可是AI圈的保留题目。

真正的难点根本不是画一只鸟，而是机械结构的几何对位与运动学联动。

很多AI做出来的demo，车轮在转但鸟腿悬空，非常诡异。

这次我们加大难度，不仅要求小浣熊用内联SVG手绘三只一前两后、鹈鹕，而且定下严苛的物理约束——

曲柄、脚踏与双段式鸟腿必须铰接联动；抬车头时，整车必须绕后轮轴心旋转。

经过多轮优化后，效果十分惊艳。

画面中，三只鹈鹕的膝关节随着脚踏的旋转，完成了精准屈伸。按下「冲一段」、「下点雨」和「抬前轮」时，也是相当自然。

能把连杆动作算得如此丝滑，可见模型用纯代码构建矢量图层、做空间编程的功底相当扎实！

考题2：立体纸书院落导览

这道题的关键，是看懂插画遮挡，自动规划矢量寻路。

我们传入一张暖光微距的「立体纸艺书店插画」，要求小浣熊识别出画中6个书摊的方位与中间走道，并写出一套「纸飞机寻路系统」，同时实现昼夜灯光切换、摊位现场改名以及SVG矢量路线图导出功能。

其中，一个关键要求是：纸飞机飞向摊位时，需要沿着真实过道拐弯，避开墙体遮挡。

当我们在页面点击特定摊位时，一只白色纸飞机立刻顺着院落走道，平滑绕开桌角，稳稳停在目标上方。

切到「夜灯」模式，橘色窗光精准地落在了六座纸屋的窗框内。

要知道，喂进去的只是一张静态插画，它却能一眼看穿画里的走廊动线与建筑遮挡，这种多模态空间感知力简直绝了！

这一关的题，重点考察的是模型能不能用纯代码搭建3D光影空间，并做到多机位镜头调度与跨模态的数据耦合。

考题3：雨夜末班电车

首先是，不给任何3D模型素材，只靠纯代码，让小浣熊手搓一个带多机位镜头的雨夜3D街景！

模型生成的3D光影质感与镜头感，直接拉满——

点击「进站开门」，墨绿色复古电车亮着黄色大灯穿破雨雾，平稳滑入站台。

再点击「关门离站」，车门闭合，电车缓缓提速驶入夜色，空间景深与时间节奏一气呵成，十分自然。

虽然仔细看会发现，电车驶离时和路边的电线杆还有点小穿模；但不依赖外部建模软件、仅凭纯代码就能生成这种雨夜运镜，整体完成度已经很高了！

考题4：暗场后台彩排展演

这个考题中，我们上传了一张工业风舞台后台底图，附上8位创作者展品资料与排期表。

要求模型定位书本、植物小灯等8件实物坐标，写出让舞台光束、资料卡与时间轴三方联动的聚光灯遮罩系统。还要外加一个能沿虚线撕开的入场票。

模型给出了一个空间分布颇为精确的演出后台。

按下「顺序预演」，聚光灯会精准锁定道具依次扫台，时间轴滑块同步跳转。

点开票夹，真的能亲手撕下副券并导出高清票面。

一套操作下来，SenseNova 6.8 Flash端到端的全栈工程交付能力，得到了直观展现。

接下来，我们考察的是，AI能否把数字变成有交互、有故事的桌面小工具。

考题5：复古公寓热敏收据机

这道题中，我们把8笔订阅扣费清单和一张复古公寓收据机底图交给模型。

要求是把8项订阅映射进机身的8扇窗户。点窗户会切换续订状态，触发打印头就会扫过动画并实时重算月费。

实测出来的效果很生动。

点击关掉3号和8号窗户（暂停订阅），热敏打印头会立即扫过，伴随动画吐出新纸条，精确算出一年省下多少月费。

把单次任务做成高审美成品，只是一部分。

SenseNova 6.8 Flash的B面，则是超强的跨周期长期记忆与主动交互能力。

据官方权威基准评测：

换句话说，你的AI终于会「自己盯进度」了！

接下来，我们来看一个真实办公案例。

11月5日，公司要召开重要的新品发布会，市场部和客户对接团队早已基于当前演示环境发出了邀请函、备好了演示账号。这些历史安排，小浣熊已经默默记在了本地记忆库里。

突然，你收到一封运维邮件：「原有用于用户体验的旧环境将在11月3日提前回收。」

然而，其他部门还不知道这件事！如果市场部门和客户对接团队在3号之后还用旧环境给客户做演示，绝对会大翻车。

我们通过商汤小浣熊（内部研发版）进行了测试，去邮箱整理最新通知，指令里半个字都没提发布会。

好在模型拉起浏览器读取邮件后，自动关联历史记忆，一眼揪出「停服比发布会早2天」的冲突，立马在桌面右上角主动弹窗发出预警！

在你点击「接受并执行」确认后，小浣熊直接在后台接管浏览器，一键生成涵盖账号、数据与入口迁移的紧急通知和应对方案，精准填入相关团队收件人并保存至草稿箱待审，把一场危机消灭在了萌芽状态！

一款Flash级别的轻量模型，为什么能同时兼顾前端动效、镜头语言与长程记忆？

答案就藏在商汤的底层架构创新与Agent工程生态中。

几天前商汤开源的SenseNova Loop-9B-Preview展示了一条新路线：「用计算深度换取参数效率」。

这颗模型总参数量约90亿，拥有32层独立解码器层。其核心秘诀就在于——中间的24层被设计为共享权重的循环计算块。

单次前向传播时，这24层会连续循环执行2次，使实际计算深度达到56层，推理等效参数规模一举拉升至14.6B！

配合混合注意力设计，原生支持256K上下文窗口。以九十亿的体量，越级匹敌三倍体量的开源模型。

而在应用生态层，商汤在GitHub开源了SenseNova-Skills技能仓库。

把信息图生成、多风格动态PPT、Excel大表工作流打包成十项标准模块，直接内置进小浣熊客户端。

这就是为什么它做出来的东西这么好看、这么好用。

大模型的下半场，谁能听懂复杂需求，把「视觉美感」与「工程数据」一次性做成完整作品，谁就拿到了入场券。

在这条赛道上，SenseNova 6.8 Flash已经交出了一份颇具诚意的答卷。

目前，SenseNova 6.8 Flash正式版已上线SenseNova Token Plan，设计功能也已经在小浣熊桌面客户端限时免费体验。

属于打工人和设计师的时代已经来了，让SenseNova 6.8 Flash成为你趁手的工作搭子吧！

编辑：Aeneas 摩西

  新智元报道  

周五晚上11点，Karpathy累了，他打开YouTube，本想随便找点东西看。

迎接他的是一整面「垃圾墙」：封面一个比一个夸张，推荐翻来覆去还是那几个老话题。

他吐槽：满屏都是《蠢蛋进化论》级别的烂内容。

累了一天想放松，结果只刷到一堆标题党：这样的感受你肯定不会陌生！

在Karpathy看来，YouTube的推荐算法也许能讨好大多数人，却满足不了像他这样的用户。

后来他在评论区说，像他这样的用户太少：在算法眼里，小到可以四舍五入掉。

这次，他决定不忍了。

第二天上午，他让Claude造了一个只放好视频的YouTube。当天，网站就上线了。

Karpathy给这个网站起名叫HackerTube。

6454个视频、150个主题，组成Karpathy自己的看片入口。

视频仍来自YouTube，推荐线索则来自Hacker News（HN），一个程序员和创业者扎堆的技术论坛。

Karpathy的思路很简单：把HN网友安利过的视频攒成片单。

他把这件事几乎全部交给了AI。

Claude先下载了HN近20年的4300万条评论，再筛掉垃圾，只留推荐YouTube视频的那些，近4万条。

最后整理出6454个视频，分进150个主题。

视频的标题、时长，再从YouTube那边调过来。然后套上一个仿YouTube的界面，部署上线。

整个项目，约2小时。

从筛数据到上线，Karpathy说自己没读也没写代码。

他还把数据打包公开了。

谁都可以交给自己的AI，改出一个自己的版本。

周六上午，他给Claude下了一道指令：

接下来，基本是Claude在干活。

Opus 5.5负责统筹，筛评论的活派给更轻快的Sonnet批量去做。

垃圾内容洗掉，剩下的就是推荐视频的评论。

网站写完，还得上线。

Karpathy开好服务器，把IP地址丢给Claude。

更新、部署、安全加固、性能优化，Claude一口气全包了。

而这位OpenAI联合创始人，只在Claude干活的间隙里干了开服务器、买域名这样几件跑腿的活。

他还调侃，感觉有点像团队合作。

他今年5月加入了Anthropic的预训练团队。

这次用的，正是自家的Claude。

最狠的是，Karpathy在博客结尾补的那句话：

不读写代码，不在终端敲命令，只跟Claude说话。

一位网友在评论区直接点破：这句才是全文重点。

当年带过特斯拉AI团队的人，现在干活的方式，只剩一个：提需求。

 2021年，Karpathy（左）在特斯拉AI Day现场发言，右为马斯克。

HackerTube网站界面一眼看去就是YouTube，用起来却处处反着来。

它不用登录，看过什么只存在你自己的浏览器里。

没有那些反复测试过、专勾人点击的封面。

每个视频的封面，都换成了视频中段的一帧。侧边栏还有个「Longs」入口，专放长视频。

这名字一看就是冲着YouTube的Shorts去的。

Karpathy把网站发到HN，帖子冲到2000多分。评论区跟了500多条。

网友拿它和YouTube首页比了一把。

有人说，首页推荐比YouTube的个性化推荐还准。

有人扎进巴赫作品解读的兔子洞，说YouTube上刷不到。

还有人说，从YouTube切过来，像是走进了一片树林。

一位网友说，自己87岁的父亲，天天刷YouTube，因为总被推送二战的负面内容，困在里面出不来。

连老年科医生都劝老人，别再看这类视频了。

这位网友认为，HackerTube已经很接近父亲需要的东西。

你多看一眼什么，算法就推更多什么。很多人就像上面这位老人一样，被困进了信息茧房。

有网友吐槽，算法关心的是怎样让你一直看；也有人说，平台并不在乎你看完后的感受。

连付钱的用户也憋着火。

一位网友说，自己开了好几年YouTube高级会员，却越用越讨厌。

离线同步经常出问题，在飞机上根本看不了自己的内容。

这位网友感叹，真希望能自己做一个YouTube客户端，又不确定平台允不允许，「真令人沮丧」！

两小时做的网站，精准戳中了一大群人对算法的积怨。

也有网友看得更远。

这位网友认为，过去做推荐、建索引都很难。

现在，我们很可能按自己的口味，造自己的推荐系统。

在他看来，平台是一群「眼球贩子」，只想让你一直看，内容也因此越推越极端。

 现在，正是摆脱它们的机会。

人动手少了，后台的活并没有少。

HN上有人问，这个项目到底烧了多少token、花了多少钱。

Karpathy让Claude自己算了一笔账。

这5亿是一次次调用累加出来的。模型并没有一口气读进5亿token。

Karpathy披露，九成以上模型用量用于评论标注，应用开发和部署等约用100万Opus token。

两小时里，消耗token最多的环节，是给评论打标签。写网站反倒是小头。

这笔账给想做数据工具的人提了个醒：清洗、标注资料，可能比写代码消耗更多token。

不妨先拿一小批资料试筛，靠谱了再扩大。

Karpathy把评论分析的数据打成压缩包公开了。

他的建议是：交给你的AI，做个你自己的版本。

包里还附了一份写给AI的说明，讲清这些文件怎么用。

YouTube的视频信息，数据包里不直接给，要自己去YouTube拉取。说明里写了怎么取，一般要像Karpathy那样先申请一个YouTube的API密钥。

数据和说明都备齐了，就可以完全按照个人喜好「私人定制」了。

比如只关心编程，可以让AI只留编程课。再让它按主题分好类，每个视频都附上当初是谁推荐的，看过的打个勾。

这样一打开，就是一份私人课表。想学什么一目了然，学到哪儿也清清楚楚。

同样的思路，也能用在你手里的资料上，比如收藏夹里吃灰的文章、攒了多年的工具清单都能照此改造。

看什么视频，以前是平台说了算。

现在，一个不愿将就的人，也可以像Karpathy这样，自造一个个人版视频站。

以前想要一个顺手的工具，只有两条路：等平台改，或者自己写代码。

如今多了一条：给AI说清楚需求，交给它去做。

评论区有网友说，做软件的门槛正在变低。人们能飞快搭出替代品，不再被软件巨头绑住。

被算法四舍五入掉的人，开始自己造算法了。

当然，Karpathy本人就是顶级AI研究者。普通人照着做，未必两小时就能搞定。

但这扇门，已经开了一道缝。

Karpathy只定了一条标准：看HN网友推荐过的视频。

剩下的，都交给了Claude。

轮到你动手，也先想清三件事：资料从哪来，按什么标准筛选，最后想拿到什么。

AI能替人写代码，替不了人定标准。

参考资料：

编辑：元宇