Keep on to blur preview images; turn off to show them clearly
RT @Brartxrp: 很多人以为，公司最害怕的是“被曝光的内幕”。其实不是。 真正让他们夜不能寐的，从来不是你知道了什么，而是——你说出去之后，他们还能不能控制住局面。 所以你会发现一个很讽刺的现象： 真正让项目崩盘的，往往不是“假消息”，而是那种——人人看得懂，但官方…
独立开发者 ｜ 个人IP教练 ｜ 帮助新手在X上完成早期成长｜ 公众号：PandaTalk8
强，阿里刚刚放出了：Wan 2.6，支持角色扮演，给一段人物视频+提示，可以自动完成分镜、表演、配音 就是说给出一段视频，它能保留角色人物、声音、动作，按提示词重新“演戏” 支持一次生成15秒视频 支持音画同步、声音驱动、多镜头自动切换 从生成效果看，整体的画面质感、角色保真度、运镜以及复杂场景处理能力都还不错 利好广告、短剧、AI漫剧等，只需给定连续提示词，即能产出一段完整叙事的短片 #AI视频生成 #阿里Wan #AI电影
体验地址：https://t.co/Uhdt7PDBAO API：https://t.co/iCjp0Tjsd6
我以为我很懂 prompt engineering ， 直到我想完成一系列关于ai 智能体相关技术文章时， 我才明白， 我对prompt 工程也只是一知半解。 --- GPT-2 拥有 15 亿个参数，相比之下，GPT 只有 1.17 亿个参数； GPT-2 的训练数据规模为 40GB 文本，而 GPT 仅为 4.5GB。 模型规模和训练数据规模的这种数量级提升，带来了一种前所未有的涌现能力（emergent quality）： 研究人员不再需要为单一任务对 GPT-2 进行微调，而是可以直接将未经微调的预训练模型应用到具体任务上，并且在很多情况下，其表现甚至优于那些为该任务专门微调过的最先进模型。 GPT-3 在模型规模和训练数据规模上又实现了一次数量级的提升，并伴随着能力上的显著飞跃。 2020 年发表的论文 《Language Models Are Few-Shot Learners》 表明，只要给模型提供少量任务示例（即所谓的 few-shot examples），模型就能够准确复现输入中的模式，从而完成几乎任何你可以想象的、基于语言的任务——而且往往能够得到质量非常高的结果。 正是在这一阶段，人们意识到：通过修改输入内容——也就是提示（prompt）——就可以对模型进行条件约束，使其执行所需的特定任务。提示工程（prompt engineering）正是在这一时刻诞生的。 ---
人类就是这样的， 聪明人， 只要你给说一个关键词， 他差不多可以 给你把整件事还原出来。
Starting with a tag in your post makes it a 'reply' and deprioritizes it as normal post for the algorithm.. @nikitabier, can you maybe look into this? Feels like it's an ancient relic from the dark times of Twitter. Honestly kind of annoying/pointless functionality nowadays.
@nikitabier Should only work for replies, not posts*
Ok, this is really cool! EgoX: Generate immersive first-person video from any third-person clip Contributions: • We propose a novel framework, EgoX, for synthesizing high-fidelity egocentric video from a single exocentric video by effectively exploiting pretrained video diffusion models. • We design a unified conditioning strategy that combines exocentric video and egocentric priors through width-wise and channel-wise integration, achieving robust geometric consistency and high-quality generation. • We introduce geometry-guided self-attention and clean latent representations that selectively focus on view-relevant regions and enhance accurate reconstruction, leading to more coherent egocentric synthesis. • Extensive qualitative and quantitative experiments demonstrate that EgoX outperforms previous approaches by a large margin, achieving state-of-the-art performance on diverse and challenging exo-to-ego video generation benchmarks.
Paper: https://t.co/G7QUOQ81nu Project: https://t.co/TthGwqAgBT
My new video. How to Win Freelance Clients: One AI-Based "Trick" https://t.co/xS9UktylCq Not that much about Laravel, but with example of Laravel, Filament, and AI. You'll also see how much I pay for Laravel Cloud.
~20 yrs in web-dev, now mostly Laravel. My Laravel courses: https://t.co/HRUAJdMRZL My Youtube channel: https://t.co/qPQAkaov2F
