Building AI tools AI System Prompt Love Design & Coding & Share Prompt！ 📮:[email protected]
Joined December 2011
- Tweets10.8K
- Following755
- Followers49.5K
- Likes7.3K
Pinned Tweet
卧槽，终于等到一个一次性帮我解决视频生产、剪辑端到端的产品！
这个就是老朋友Leon总 @leon2mcp 他们的新产品Renoise 一个视频创作平台。
从视频、图像、音频等生产一次性完成，支持从端到端视频等剪辑、复刻、创作。
近还上架了Renoise MCP CLI等工具，并且支持接入Claude 、Codex 和其他Agent，可以说非常的方便，还支持海外的Seedance 2.5 海外版，懂得都懂了。😁
非常适合重度视频创作者，有unlimited套餐，如果你是创作者可以私信我，私信我提供创作者，直接给创作者送20 美金credits！
Made with Renoise MCP.
Tell your agent: Install plugin from the repo github.com/ArcoCodes/renoise…
Then enjoy.
卧槽，A\ 也加入个人Agent ，不管产品细节做得怎么样？
模型已经碾压99%的厂商了，而且内部RSI已经实现…
给别人一点活路不留啊！
兄弟们，等着急了吧？
如何选择适合自己自媒体视频创作平台？
我一个视频一次性讲清楚，预览版👇🏻
完整版见我的视频版 教程专用账号@Berryxiai 😏
兄弟们，我已经废了！
我这几天被Renoise 复刻各种爆款视频上头到不行了。
如果不想用模板，或者没有模板复刻这种视频的方法Prompt：
请你使用附件1中的图片大橘猫形象替换场景中的人物，使用WAN3.0模型，其余不变。
对，没错就是这么简单。
Renoise MCP牛逼的地方是它直接会智能路由到Opus 5.5 去给你调用工具、生成、剪辑一条龙。
自媒体起号不妥妥的啊👇🏻，赶紧搞起来啊！
Just to prove we shot it practically🥲
No AI, shot in-camera.
Big thanks to @umoco2020 for providing the robotic arm!
Check out the full review to see the final shots➡️xitter.cf/mediastorm_en/status/2…
卧槽，还是ins比较好搞流量啊！
尼玛这么丑的大狗居然在ins 上跑到了1200w流量。
这玩意这么高的流量，在 𝕏 上岂不是有上万美金的收入啊！
PS：另外已经有鬼佬把这个小姐姐的视频搬到𝕏 上跑了百万流量了。
首先，恭喜泊舟，已经年入百万😄
我记得我当时刚做社群的时候，泊舟那时候刚起号。
一转眼都快1年了，成长和赚钱速度和AI发展一样快。
FDE 这玩意过度解读，真正去做TOB业务周期、流程长的要命，不如培训、卖课来得快和见效快。
FDE适合以公司的层面去做这个生意，而不是个人~
不是，这是真赚钱还是实现了内循环？😂
果然AI的第一笔收入就是“红包”。
PS：另外博主建议下次给妈妈便宜点，别心太黑啊！
AI 剪视频赚的第一单😂
昨晚大半夜我妈给我一堆照片视频让我帮她剪个什么六周年纪念视频，发了一堆散的素材，我就让 codex 去 computer use 下载下来然后看她给我发的信息，用 @renoiseai 配了个音乐加一些装饰图
看着客户是比较满意😋
很多人没有看明白，我用视频来给大家介绍一下。
记忆模型到底是怎么回事，来吧！兄弟们速看！
卧槽，全球首个记忆原生大模型发布，来自咱国内团队！
做这件事的是开源记忆操作系统 MemOS 的团队 @MemOS_dev。
从 2024 年的记忆分层大模型 Memory，到 2025 年开源的 MemOS，他们一直在死磕「记忆」这件事。
昨天，他们把记忆直接做进了模型本体：MemT 1.0。
过去让模型变强，靠的是更多参数、更多数据、更长上下文。
MemT 1.0 走的是另一条路：让「记住、更新、调用经验」本身，成为模型可以学习的能力。
两个看点：
① 架构创新：记忆操作进入模型计算过程 采用记忆原生 MoE 架构，把历史信息编码成持续存在、可更新的内部记忆状态。
记忆的写入、保持、更新和读取，全部发生在模型的计算里，而不是挂在模型旁边的外部检索。
📊 在 11 个记忆基准上，平均表现超过参数化记忆基线，通用能力基本没有掉。
📊 历史长度 128K 时，Nano 端到端推理提速约 1.86 倍，持久存储比全量 KV Cache 小 66 倍。
📊 记忆状态大小固定，交互再多也不会膨胀：256K 历史下全上下文要占约 5 GiB，Nano 只要 40 MiB。
结果就是：模型能自我反思、自我进化，长程任务保持一致，不跑偏。
② 经验复用：有效反馈作用于后续任务 在内部记忆的基础上，MemT 1.0 从真实任务的交互、指导和纠错中积累经验，并在后续相关任务里复用。
同样的错，不用再教第二遍。
📊 用在编程 Agent 上，把过往经验内化进原生记忆后，在 SWE-bench Verified 和 SWE-bench Multilingual 上，任务成功率和多次运行的一致性都超过无经验的 Agent，效果和显式文本经验相当。
📊 团队内部的 Coding、Working 测试中，性能提升超过 5%。
两个尺寸：
· Nano：36B 总参数，3B 激活，10M 动态记忆 。
·Flash：288B 总参数，17B 激活，336M 动态记忆 训练数据 34B tokens。
「今天正确的经验，会成为明天的能力。」
这句话值得读两遍。没有积累，就没有递归。留不住的进步，成不了下一轮的起点。
参数决定模型的起点，记忆决定它能长多高。
模型地址：huggingface.co/collections/M…
别分享了，分享后就是Claude精准爆破了~~
分享下最近新开claude账号，苹果支付过程和坑，目前已经用起来了，在grok bot里养的，全程English🐶
支付流程
一、新开apple美区id：30s就能搞定，非常简单，不用花钱
点击这个链接：account.apple.com/account?lo…
选择美区，电话都可以
二、打开claude app 购买会员，新id 会弹出购买失败，直接点击申诉即可，填上这段话：
My gift card was redeemed successfully, but purchases fail with “Your purchase could not be completed”. Could you check whether my account has any purchase restrictions?
三、三天内会有邮件，收到后即可完成支付了，我选的$20先起步，未触发kyc，甚好！
卧槽，全球首个记忆原生大模型发布，来自咱国内团队！
做这件事的是开源记忆操作系统 MemOS 的团队 @MemOS_dev。
从 2024 年的记忆分层大模型 Memory，到 2025 年开源的 MemOS，他们一直在死磕「记忆」这件事。
昨天，他们把记忆直接做进了模型本体：MemT 1.0。
过去让模型变强，靠的是更多参数、更多数据、更长上下文。
MemT 1.0 走的是另一条路：让「记住、更新、调用经验」本身，成为模型可以学习的能力。
两个看点：
① 架构创新：记忆操作进入模型计算过程 采用记忆原生 MoE 架构，把历史信息编码成持续存在、可更新的内部记忆状态。
记忆的写入、保持、更新和读取，全部发生在模型的计算里，而不是挂在模型旁边的外部检索。
📊 在 11 个记忆基准上，平均表现超过参数化记忆基线，通用能力基本没有掉。
📊 历史长度 128K 时，Nano 端到端推理提速约 1.86 倍，持久存储比全量 KV Cache 小 66 倍。
📊 记忆状态大小固定，交互再多也不会膨胀：256K 历史下全上下文要占约 5 GiB，Nano 只要 40 MiB。
结果就是：模型能自我反思、自我进化，长程任务保持一致，不跑偏。
② 经验复用：有效反馈作用于后续任务 在内部记忆的基础上，MemT 1.0 从真实任务的交互、指导和纠错中积累经验，并在后续相关任务里复用。
同样的错，不用再教第二遍。
📊 用在编程 Agent 上，把过往经验内化进原生记忆后，在 SWE-bench Verified 和 SWE-bench Multilingual 上，任务成功率和多次运行的一致性都超过无经验的 Agent，效果和显式文本经验相当。
📊 团队内部的 Coding、Working 测试中，性能提升超过 5%。
两个尺寸：
· Nano：36B 总参数，3B 激活，10M 动态记忆 。
·Flash：288B 总参数，17B 激活，336M 动态记忆 训练数据 34B tokens。
「今天正确的经验，会成为明天的能力。」
这句话值得读两遍。没有积累，就没有递归。留不住的进步，成不了下一轮的起点。
参数决定模型的起点，记忆决定它能长多高。
模型地址：huggingface.co/collections/M…
