好消息！遊戲卡就能用SAM-Audio了！ 前天給大家測了Meta新出的音軌分割大模型，SAM-Audio，不過這個模型最大的問題是它太大了，我實測的時候large版本要吃90GB顯存。現在好消息來了，一個博主把模型中不重要的部分剔除了（編碼器和排序器，其實這個模型還支持在視頻中指定視頻的樂器進行提取，但用文本直接描述提起什麼樂器也是可以的。所以把這部分功能移除了）。 目前small 版本只需要4-6GB顯存，large版本也只要10GB顯存，基本好一點的遊戲卡都能跑了，而且作者還搞了個一鍵安裝包，直接點擊即安裝使用，啥也不用管。有提取歌曲BGM或者分離樂器，人聲需求的朋友可以試試。 項目地址：

開源分解圖層大模型這麼快就來了? 給大家帶來阿里剛剛發佈的 Qwen-Image-Layered 模型實測, 這是一個可以把圖片分成不同圖層的大模型, 模型是基於 Qwen-Image 微調的. 本次我的測試覆蓋這個模型的擅長場景(海報), 指令遵循測試(指定抽取目標), 邊緣處理(頭髮), 極限測試(全是貼紙, 一個貼紙一個圖層的話可以抽取50多個圖層). 直接說結論, 首先還是模型太大了, 因為這個模型基於 Qwen-Image 所以是個20B的模型, 我是用HuggingFace Zero GPU 測試, 每次運行大概2分鐘左右, 模型的確可以做到分離圖層, 而且邊緣處理很不錯, 不過穩定性有待優化, 在我測試中4個圖層可以輸出, 但是8個或者10個圖層就炸了, 懷疑可能是超過了Zero GPU超時或者bug (GPU是H200, 不太可能爆顯存), 輸出尺寸只有 544*736, 官方也推薦640分辨力, 這點也需要提升, 以及模型還是太大了, 20B, 希望能優化下尺寸.

哭了, SOTA 只是面子, 真幹活還得靠"牛馬模型" OpenRouter 創始人 Alex Atallah 剛發了個推, 說自己用量最大的還是 Kimi-K2-0711 (7月份的 Kimi-K2-Instruct). 然後是 openai-o4-mini-high, Claude-3.7-Sonnet, gpt-oss-120b, openai-o3 我第一看上去, 這人是不是斷網了, 好久沒用新的大模型了? 但仔細一想, 不對, 很不對勁. 這才是真正 Power User 的用法, 太真實了 如果在這個時間點找一個, 足夠大上下文(128K), 性能夠用(SWE-Bench Verified > 65), Agent 能力強(Tau2-bench > 65), 知識面巨廣(參數量相當大), 且回答得快(非Thinking模型), 好像只有 Kimi-K2-Instruct 了. 這麼倒推 Alex Atallah 應該大部分工作都是處理文檔 (長上下文, 尤其是用了13.4M token), 使用工具分析並撰寫報告 (Agent 能力), 這些 Kimi-K2-Instruct 都能搞定, 然後寫寫腳本 (o4 和 Claude-3.7-Sonnet 兜底, 甚至包裝成 Agent 讓 Kimi-k2 調用這些模型來寫腳本). 最後 Kimi-k2 還能滿足最重要的一點, 數據隱私, 因為模型是開放權重的, 可以部署在自家服務器, 任何敏感信息都不會洩露給 OpenAI 或者 Anthropic. 甚至下面那個 GPT-OSS-120B 存在意義應該也在於此. 我大概能懂現在新的大模型為什麼卷 Agent 能力了, 人直接用 AI 只是中間階段, 高級用戶都已經用 AI 來操作 AI 了. 一個用來收發所有 AI 上下文的 Agent 特化模型必然會是用量 Top. 原帖：