标签：多模态 第10页

前沿哨所

• Anthropic 将 Claude API 请求上限提升至 128 MB，图片分辨率限制同步放宽

  Anthropic 宣布对 Claude API 进行容量升级，将 Messages 与 Token Counting 接口的最大请求大小从 32 MB 提升至 128 MB，达到原有上限的四倍。此次调整主要面向包含大量图片、大型 PDF 文件以及复杂计算机操作任务的请求场景，旨在减少因数据体积超出限制而导致的请求失败问题。除请求总容量外，图片处理能力也同步增强。对于包含超过 20 张图片的请求，单张图片的分辨率上限从 2000 像素提升至 3000 像素，这意味着 Claude 在处理高精度图像输入时能够保留更多细节，对文档扫描件、设计稿、技术图纸等多模态应用场景尤为有利。值得注意的是，此次容量提升仅适用于直接调用 Anthropic 官方 API 的场景。开发者若通过第三方云平台间接调用 Claude，仍可能受到平台自身设定的请求大小限制约束，实际可用容量需以具体平台规则为准。对依赖 Claude 处理批量文档解析、多模态数据输入的开发者与团队而言，此次升级降低了拆分请求、压缩文件等额外工程处理负担，简化了数据接入流程。

  事件分析

  从 32 MB 到 128 MB 的跨度，侧面反映出多模态工作负载正在成为大模型 API 的主流使用形态。高分辨率图片与大型 PDF 的批量处理需求，多来自企业级文档解析、RAG 知识库构建、Agent 执行计算机操作等场景。此前请求体积上限较小，迫使客户端在发送前进行切片、压缩等预处理，抬高了工程成本并可能损失信息完整度。此次放宽限制，实质是 Anthropic 对多模态与 Agent 长任务需求的基础设施补课。后续值得关注的方向包括：大请求与长上下文叠加后的计费策略变化、第三方云平台的请求限制是否会跟进放开，以及 OpenAI、谷歌是否会同步调整多模态输入上限，形成新一轮能力对齐竞争。

  核心观点：API 容量翻四倍背后，是多模态与 Agent 任务正在倒逼大模型基础设施升级规格标准。

  原文链接：Linux.do

  刚刚

• 不到20美元破解TikTok：AI智能体完成应用逆向工程

  据Hacker News转载的Scraping.club专栏（The LAB #118）报道，作者展示了利用Hermes Agent智能体与智谱GLM 5.3大模型，以不足20美元的成本完成TikTok应用逆向工程并抓取视频元数据的完整过程。传统上，逆向一款移动应用并解析其通信协议，通常需要资深工程师投入数天乃至数周时间，涉及流量抓包、加密参数还原、签名算法破解等多个专业环节。该文章披露，Hermes Agent负责整体任务规划与流程编排，GLM 5.3承担协议分析与代码理解，两者协作自动完成了从接口结构解析到可运行抓取脚本生成的全链路工作。项目总成本控制在20美元以内，主要开销为模型API调用费用。这一案例被视为AI智能体在逆向工程与数据采集领域落地的代表性实践，也直观体现了新一代大模型在代码分析与复杂任务执行能力上的进展。该内容在Hacker News社区引发讨论，焦点集中于AI驱动逆向工程的可行性、极低成本带来的行业冲击，以及此类技术实践的法律与合规边界问题。

  事件分析

  技术看点上，该案例展示了智能体与大模型的分工协作模式：Agent负责任务拆解与工具调用，GLM 5.3承担协议分析与代码还原，将原本高度依赖专家经验的逆向流程自动化、标准化。产业影响方面，若低成本AI逆向成为常态，移动应用的反爬与安全防护体系将承受更大压力，平台方需在设备指纹、签名校验等传统手段之外构建更强的动态对抗机制。与此同时，数据抓取的合规争议将进一步凸显，类似案例可能推动监管与平台对自动化采集的边界作出更明确界定。后续走向上，该范式或被迁移至其他应用的协议分析场景，AI安全与AI滥用的攻防对抗也将随之升级，成为检验智能体能力边界的重要试验场。

  核心观点：当AI智能体能以20美元完成专家级逆向工程，应用安全与数据防护的攻防成本结构已被根本性改写。

  原文链接：Hacker News

  6小时前

• 历史首次：谷歌搜索占Alphabet营收比重跌破50%

  据公开财报数据，2026年第三季度（截至9月）谷歌搜索业务营收为634亿美元，占Alphabet总营收1280亿美元的49.7%，历史上首次跌破50%关口。自Alphabet开始单独披露搜索营收以来，此前31个季度搜索业务占比始终维持在52.8%至62.0%区间。本季度搜索占比同比下降5.6个百分点，但搜索营收本身仍同比增长12%，占比下滑的原因是其他业务增速更快，同期Alphabet其余业务合计营收642亿美元，同比增长40%。其中谷歌云表现最为突出，本季度营收307亿美元，同比飙升103%，其占总营收的比重已从2018年12月的4.4%攀升至24.1%。按财报口径，搜索业务指Alphabet披露的“Google Search & other”，涵盖谷歌搜索以及Gmail、地图、Google Play等其他谷歌产品的广告收入；其余业务则包括YouTube广告、订阅服务、硬件设备、广告网络、谷歌云及其他业务。此次结构性转变标志着Alphabet的收入构成正从单一搜索广告主导，转向云业务与多元业务共同驱动的格局。

  事件分析

  搜索占比下滑并非搜索业务衰退，而是AI驱动的基础设施需求重塑了收入结构。谷歌云营收同比翻倍，说明大模型训练与推理带来的算力采购正转化为云厂商的实际订单，云业务正在接过增长引擎的角色。对广告主业而言，生成式搜索体验对搜索广告形态的长期影响仍待观察，Gemini生态的货币化路径将决定搜索业务的第二增长曲线。后续值得关注的方向包括：云业务翻倍增速的可持续性、巨额资本开支与自由现金流的平衡，以及AI答案式交互下搜索广告点击率的变化。这一结构性拐点，或将成为衡量传统广告巨头向AI基础设施公司转型成效的重要参照。

  核心观点：搜索跌破半壁江山并非谷歌的危机，而是AI算力需求兑现为云营收的信号，增长引擎已悄然换轨。

  原文链接：Hacker News

  10小时前

• 开源AI女装在线试穿工具：1407套服装一键换装，支持GPT Image、Gemini、豆包，MIT协议可商用

  一款AI女装在线试穿开源项目在Linux.do社区发布，前后端代码全部开放，采用MIT协议，允许免费商用与二次开发。项目内置1407张服装图，支持中英文关键词搜索与分类筛选，用户可通过AI一键换装功能预览试穿效果。AI换装部分需用户自备API Key，支持GPT Image、Gemini、豆包等多个图像生成模型，并支持多模型自由切换，API Key、Base URL与模型名称均可自行配置，便于接入不同的模型服务商。部署方面，项目提供Docker Compose方案，后端基于GoFrame v2框架开发，降低自建部署门槛。作者按社区开源推广规范声明项目完整开源、无未开源部分，代码托管于GitHub，欢迎开发者Fork、修改与二次开发，也可基于项目探索商业化应用。该项目本质上是将主流图像生成模型能力封装为可自部署的试穿工具，把AI换装的使用成本压缩到一张API Key，对电商、服装零售领域的独立开发者与中小商家具有一定参考价值，也展示了开源社区在AIGC垂直应用方向上的工程化实践。

  事件分析

  该项目的技术看点在于将GPT Image、Gemini、豆包等多个图像生成模型统一封装进一套可自部署系统，通过可配置的Base URL与模型名实现灵活切换，本质是模型无关的试穿工作流封装，迁移成本低。虚拟试穿是AIGC在电商领域的典型落地方向，此前多由大厂以API或SaaS形式提供，此项目以开源自部署形态出现，为中小商家和独立开发者提供了低成本替代路径。不过其换装效果仍受制于底层图像生成模型的能力，服装纹理还原、人物姿态与体型一致性等表现会随所用模型不同而波动，项目本身并不解决模型层的局限。后续这类项目可能向多体型适配、视频试穿、与电商平台商品系统对接等方向演进；同时API Key自备模式意味着调用成本与合规责任由部署者承担，商业化路径需自行评估模型服务商的使用条款限制。

  核心观点：AI试穿的竞争正从模型能力转向工程封装，开源自部署工具正在把大厂AIGC能力平权给中小开发者。

  原文链接：Linux.do

  14小时前

• 开源工具KeyAwake修复macOS 27蓝牙键盘延迟丢字问题

  macOS 27升级后，不少用户反映蓝牙键盘出现输入延迟高、丢字等问题。经开发者分析，根源在于系统为LE（低功耗）蓝牙键盘下发的peripheralLatency参数被设为22，即两次按键之间的最长间隔被限制在约345毫秒。系统原本计划利用蓝牙5.3引入的subrating（子速率）机制来抵消这一延迟，但仅支持蓝牙5.3的新款键盘能够受益，老款键盘因不支持该特性导致请求失败，且失败后延迟参数不会回滚，系统中也没有提供任何开关供用户修改这一设置。针对这一问题，开源项目KeyAwake给出了软件层面的解决方案：通过维持一条CoreBluetooth连接，将延迟压回0。该工具以菜单栏常驻方式运行，只处理键盘设备，用户停止输入3分钟后会自动释放链路以节省电量，下次按键时再重新建立连接，代价是空闲后的第一次按键响应会稍有延迟。此外，应用内置链路健康记录功能，持续记录信号强度、丢包率、蓝牙掉线等数据，每分钟写入CSV文件，方便用户排查间歇性卡顿。项目代码及发布包均已在GitHub开源，受此问题困扰的用户可直接下载使用。

  事件分析

  从技术角度看，该案例揭示了操作系统厂商在续航优化与外设响应之间的权衡副作用：macOS通过调整蓝牙外设延迟参数换取功耗收益，却牺牲了输入体验，且未提供回退机制或配置入口。KeyAwake的实现思路，用应用层维持蓝牙链路来覆盖系统默认策略，展示了用户态软件介入系统底层参数的可行性，也反映出社区针对苹果封闭策略的’打补丁’式应对已成常态。蓝牙5.3 subrating等新特性在生态中的碎片化支持，则是低功耗蓝牙新老设备并存期的典型矛盾。后续值得关注苹果是否会在后续版本中修正该参数或开放配置项，以及该项目能否扩展支持鼠标等其他BLE外设，这决定其生命周期长短。

  核心观点：系统续航优化以输入体验为代价且不留开关时，开源社区便成为用户夺回设备控制权的最后防线。

  原文链接：V2EX 分享发现

  23小时前

• 国产AI编程订阅价格大盘点：Kimi、GLM、Qwen、MiniMix谁更划算？

  一位开发者在Linux.do论坛发帖求助，询问编程用途的国内AI模型订阅方案选购建议，并附上了四家厂商的套餐价格调研数据。具体来看：智谱GLM提供三档套餐，Lite版每月94.4元含10K积分，Pro版每月430.4元含60K积分，Max版每月1078元含140K积分；MiniMax旗下Go版每月49元，Explore版每月119元（3倍用量），Build版每月469元（12倍用量）；Kimi提供五档选择，Go版每月39元，Plus版每月79元（2倍用量），Pro版每月159元（4倍用量），Max版每月559元（14倍用量），Ultra版每月1119元（28倍用量）；阿里通义千问Qwen分为四档，Lite版每月39元含11K积分，Essential版每月79元含25K积分，Standard版每月139元含45K积分，Pro版每月499元含180K积分。从价格区间看，各家入门套餐集中在39-49元/月，高端套餐则分布在500-1100元/月之间。该帖目前仅1个帖子、1位参与者，尚未形成有效讨论，但帖中整理的完整价格数据为关注国产AI编程工具的开发者提供了直观的横向参考。

  事件分析

  国内大模型厂商近期密集推出面向编程场景的订阅制套餐，反映出AI编程已成为继通用聊天助手之后用户付费意愿最强的应用场景。各家定价策略呈现明显分层：入门档普遍下探至40元以内，瞄准个人开发者与学生群体；高端档则冲上千元区间，试图承接原本流向Claude Code等海外工具的重度付费用户。积分制与倍率制两种计量方式并存，说明行业尚未形成统一的用量标准，用户横向比价成本较高。随着GLM、Kimi、Qwen等模型在代码生成与Agent能力上持续逼近海外第一梯队，国内AI编程工具的价格竞争或将进一步加剧，订阅制收入也将成为厂商商业化落地的关键支撑。该帖关注度虽低，却折射出开发者群体在国产编程模型选型上的真实决策需求。

  核心观点：国产AI编程订阅价格战已经开启，模型能力趋同之后，性价比与工具生态将成为厂商争夺开发者的决胜关键。

  原文链接：Linux.do

  1天前