在昨天研究 qwen3.6-27B 的优化时，看到了这个问题： server: fix context checkpoint restore for hybrid/recurrent models (DeltaNet/Mamba) 大概意思就是，因为 llama.cpp 的缓存巡回逻辑有问题，导致你 n 次调用大模型（ n>1 ）时，大概率 llama.cpp 找不到之前的对话，会从头再次 prefill 你的对话全文。 翻译成大白话讲，就是你对一个人，每多说一句话，就要从第一句开始重复一遍。 更为悲惨的是： 在 5 月份，llama.cpp 制作组引入了另外一个 checkpoint 逻辑，使得缓存巡回性能再次下降： Commit e98cb51 经过此帖中大神实测，NVIDIA RTX PRO 6000 Blackwell 在运行 qwen3.6-27B Q8 时，上下文 50K 的长度下，每次请求 LLM 都会浪费 40 秒： 3 consecutive full re-processings logged: ┌───────────┬────────────────────┬───────┐ │ Turn │ Tokens reprocessed │ Time │ ├───────────┼────────────────────┼───────┤ │ Task 2795 │ 67,608 │ 38.4s │ ├───────────┼────────────────────┼───────┤ │ Task 3241 │ 71,211 │ 41.0s │ ├───────────┼────────────────────┼───────┤ │ Task 3401 │ 71,105 │ 41.4s │ └───────────┴────────────────────┴───────┘ Root cause visible in logs: The new prompt is ~19k tokens, but all checkpoints sit at positions 39k–71k (from previous longer requests). Every checkpoint is checked against 19340 and rejected because they're all beyond the new prompt length. Result: 0 usable checkpoints → full reprocess from BOS. 结论是，目前的 llama.cpp+qwen3.6-27B 这个组合，在 Agent 工具这个场景下，性能不可用。 目前此 issues 还是 open 状态，待修复。
在昨天研究 qwen3.6-27B 的优化时，看到了这个问题： server: fix context checkpoint restore for hybrid/recurrent models (DeltaNet/Mamba) 大概意思就是，因为 llama.cpp 的缓存巡回逻辑有问题，导致你 n 次调用大模型（ n>1 ）时，大概率 llama.cpp 找不到之前的对话，会从头再次 prefill 你的对话全文。 翻译成大白话讲，就是你对一个人，每多说一句话，就要从第一句开始重复一遍。 更为悲惨的是： 在 5 月份，llama.cpp 制作组引入了另外一个 checkpoint 逻辑，使得缓存巡回性能再次下降： Commit e98cb51 经过此帖中大神实测，NVIDIA RTX PRO 6000 Blackwell 在运行 qwen3.6-27B Q8 时，上下文 50K 的长度下，每次请求 LLM 都会浪费 40 秒： 3 consecutive full re-processings logged: ┌───────────┬────────────────────┬───────┐ │ Turn │ Tokens reprocessed │ Time │ ├───────────┼────────────────────┼───────┤ │ Task 2795 │ 67,608 │ 38.4s │ ├───────────┼────────────────────┼───────┤ │ Task 3241 │ 71,211 │ 41.0s │ ├───────────┼────────────────────┼───────┤ │ Task 3401 │ 71,105 │ 41.4s │ └───────────┴────────────────────┴───────┘ Root cause visible in logs: The new prompt is ~19k tokens, but all checkpoints sit at positions 39k–71k (from previous longer requests). Every checkpoint is checked against 19340 and rejected because they're all beyond the new prompt length. Result: 0 usable checkpoints → full reprocess from BOS. 结论是，目前的 llama.cpp+qwen3.6-27B 这个组合，在 Agent 工具这个场景下，性能不可用。 目前此 issues 还是 open 状态，待修复。
在昨天研究 qwen3.6-27B 的优化时，看到了这个问题： server: fix context checkpoint restore for hybrid/recurrent models (DeltaNet/Mamba) 大概意思就是，因为 llama.cpp 的缓存巡回逻辑有问题，导致你 n 次调用大模型（ n>1 ）时，大概率 llama.cpp 找不到之前的对话，会从头再次 prefill 你的对话全文。 翻译成大白话讲，就是你对一个人，每多说一句话，就要从第一句开始重复一遍。 更为悲惨的是： 在 5 月份，llama.cpp 制作组引入了另外一个 checkpoint 逻辑，使得缓存巡回性能再次下降： Commit e98cb51 经过此帖中大神实测，NVIDIA RTX PRO 6000 Blackwell 在运行 qwen3.6-27B Q8 时，上下文 50K 的长度下，每次请求 LLM 都会浪费 40 秒： 3 consecutive full re-processings logged: ┌───────────┬────────────────────┬───────┐ │ Turn │ Tokens reprocessed │ Time │ ├───────────┼────────────────────┼───────┤ │ Task 2795 │ 67,608 │ 38.4s │ ├───────────┼────────────────────┼───────┤ │ Task 3241 │ 71,211 │ 41.0s │ ├───────────┼────────────────────┼───────┤ │ Task 3401 │ 71,105 │ 41.4s │ └───────────┴────────────────────┴───────┘ Root cause visible in logs: The new prompt is ~19k tokens, but all checkpoints sit at positions 39k–71k (from previous longer requests). Every checkpoint is checked against 19340 and rejected because they're all beyond the new prompt length. Result: 0 usable checkpoints → full reprocess from BOS. 结论是，目前的 llama.cpp+qwen3.6-27B 这个组合，在 Agent 工具这个场景下，性能不可用。 目前此 issues 还是 open 状态，待修复。
在昨天研究 qwen3.6-27B 的优化时，看到了这个问题： server: fix context checkpoint restore for hybrid/recurrent models (DeltaNet/Mamba) 大概意思就是，因为 llama.cpp 的缓存巡回逻辑有问题，导致你 n 次调用大模型（ n>1 ）时，大概率 llama.cpp 找不到之前的对话，会从头再次 prefill 你的对话全文。 翻译成大白话讲，就是你对一个人，每多说一句话，就要从第一句开始重复一遍。 更为悲惨的是： 在 5 月份，llama.cpp 制作组引入了另外一个 checkpoint 逻辑，使得缓存巡回性能再次下降： Commit e98cb51 经过此帖中大神实测，NVIDIA RTX PRO 6000 Blackwell 在运行 qwen3.6-27B Q8 时，上下文 50K 的长度下，每次请求 LLM 都会浪费 40 秒： 3 consecutive full re-processings logged: ┌───────────┬────────────────────┬───────┐ │ Turn │ Tokens reprocessed │ Time │ ├───────────┼────────────────────┼───────┤ │ Task 2795 │ 67,608 │ 38.4s │ ├───────────┼────────────────────┼───────┤ │ Task 3241 │ 71,211 │ 41.0s │ ├───────────┼────────────────────┼───────┤ │ Task 3401 │ 71,105 │ 41.4s │ └───────────┴────────────────────┴───────┘ Root cause visible in logs: The new prompt is ~19k tokens, but all checkpoints sit at positions 39k–71k (from previous longer requests). Every checkpoint is checked against 19340 and rejected because they're all beyond the new prompt length. Result: 0 usable checkpoints → full reprocess from BOS. 结论是，目前的 llama.cpp+qwen3.6-27B 这个组合，在 Agent 工具这个场景下，性能不可用。 目前此 issues 还是 open 状态，待修复。
在昨天研究 qwen3.6-27B 的优化时，看到了这个问题： server: fix context checkpoint restore for hybrid/recurrent models (DeltaNet/Mamba) 大概意思就是，因为 llama.cpp 的缓存巡回逻辑有问题，导致你 n 次调用大模型（ n>1 ）时，大概率 llama.cpp 找不到之前的对话，会从头再次 prefill 你的对话全文。 翻译成大白话讲，就是你对一个人，每多说一句话，就要从第一句开始重复一遍。 更为悲惨的是： 在 5 月份，llama.cpp 制作组引入了另外一个 checkpoint 逻辑，使得缓存巡回性能再次下降： Commit e98cb51 经过此帖中大神实测，NVIDIA RTX PRO 6000 Blackwell 在运行 qwen3.6-27B Q8 时，上下文 50K 的长度下，每次请求 LLM 都会浪费 40 秒： 3 consecutive full re-processings logged: ┌───────────┬────────────────────┬───────┐ │ Turn │ Tokens reprocessed │ Time │ ├───────────┼────────────────────┼───────┤ │ Task 2795 │ 67,608 │ 38.4s │ ├───────────┼────────────────────┼───────┤ │ Task 3241 │ 71,211 │ 41.0s │ ├───────────┼────────────────────┼───────┤ │ Task 3401 │ 71,105 │ 41.4s │ └───────────┴────────────────────┴───────┘ Root cause visible in logs: The new prompt is ~19k tokens, but all checkpoints sit at positions 39k–71k (from previous longer requests). Every checkpoint is checked against 19340 and rejected because they're all beyond the new prompt length. Result: 0 usable checkpoints → full reprocess from BOS. 结论是，目前的 llama.cpp+qwen3.6-27B 这个组合，在 Agent 工具这个场景下，性能不可用。 目前此 issues 还是 open 状态，待修复。
在昨天研究 qwen3.6-27B 的优化时，看到了这个问题： server: fix context checkpoint restore for hybrid/recurrent models (DeltaNet/Mamba) 大概意思就是，因为 llama.cpp 的缓存巡回逻辑有问题，导致你 n 次调用大模型（ n>1 ）时，大概率 llama.cpp 找不到之前的对话，会从头再次 prefill 你的对话全文。 翻译成大白话讲，就是你对一个人，每多说一句话，就要从第一句开始重复一遍。 更为悲惨的是： 在 5 月份，llama.cpp 制作组引入了另外一个 checkpoint 逻辑，使得缓存巡回性能再次下降： Commit e98cb51 经过此帖中大神实测，NVIDIA RTX PRO 6000 Blackwell 在运行 qwen3.6-27B Q8 时，上下文 50K 的长度下，每次请求 LLM 都会浪费 40 秒： 3 consecutive full re-processings logged: ┌───────────┬────────────────────┬───────┐ │ Turn │ Tokens reprocessed │ Time │ ├───────────┼────────────────────┼───────┤ │ Task 2795 │ 67,608 │ 38.4s │ ├───────────┼────────────────────┼───────┤ │ Task 3241 │ 71,211 │ 41.0s │ ├───────────┼────────────────────┼───────┤ │ Task 3401 │ 71,105 │ 41.4s │ └───────────┴────────────────────┴───────┘ Root cause visible in logs: The new prompt is ~19k tokens, but all checkpoints sit at positions 39k–71k (from previous longer requests). Every checkpoint is checked against 19340 and rejected because they're all beyond the new prompt length. Result: 0 usable checkpoints → full reprocess from BOS. 结论是，目前的 llama.cpp+qwen3.6-27B 这个组合，在 Agent 工具这个场景下，性能不可用。 目前此 issues 还是 open 状态，待修复。
在昨天研究 qwen3.6-27B 的优化时，看到了这个问题： server: fix context checkpoint restore for hybrid/recurrent models (DeltaNet/Mamba) 大概意思就是，因为 llama.cpp 的缓存巡回逻辑有问题，导致你 n 次调用大模型（ n>1 ）时，大概率 llama.cpp 找不到之前的对话，会从头再次 prefill 你的对话全文。 翻译成大白话讲，就是你对一个人，每多说一句话，就要从第一句开始重复一遍。 更为悲惨的是： 在 5 月份，llama.cpp 制作组引入了另外一个 checkpoint 逻辑，使得缓存巡回性能再次下降： Commit e98cb51 经过此帖中大神实测，NVIDIA RTX PRO 6000 Blackwell 在运行 qwen3.6-27B Q8 时，上下文 50K 的长度下，每次请求 LLM 都会浪费 40 秒： 3 consecutive full re-processings logged: ┌───────────┬────────────────────┬───────┐ │ Turn │ Tokens reprocessed │ Time │ ├───────────┼────────────────────┼───────┤ │ Task 2795 │ 67,608 │ 38.4s │ ├───────────┼────────────────────┼───────┤ │ Task 3241 │ 71,211 │ 41.0s │ ├───────────┼────────────────────┼───────┤ │ Task 3401 │ 71,105 │ 41.4s │ └───────────┴────────────────────┴───────┘ Root cause visible in logs: The new prompt is ~19k tokens, but all checkpoints sit at positions 39k–71k (from previous longer requests). Every checkpoint is checked against 19340 and rejected because they're all beyond the new prompt length. Result: 0 usable checkpoints → full reprocess from BOS. 结论是，目前的 llama.cpp+qwen3.6-27B 这个组合，在 Agent 工具这个场景下，性能不可用。 目前此 issues 还是 open 状态，待修复。
在昨天研究 qwen3.6-27B 的优化时，看到了这个问题： server: fix context checkpoint restore for hybrid/recurrent models (DeltaNet/Mamba) 大概意思就是，因为 llama.cpp 的缓存巡回逻辑有问题，导致你 n 次调用大模型（ n>1 ）时，大概率 llama.cpp 找不到之前的对话，会从头再次 prefill 你的对话全文。 翻译成大白话讲，就是你对一个人，每多说一句话，就要从第一句开始重复一遍。 更为悲惨的是： 在 5 月份，llama.cpp 制作组引入了另外一个 checkpoint 逻辑，使得缓存巡回性能再次下降： Commit e98cb51 经过此帖中大神实测，NVIDIA RTX PRO 6000 Blackwell 在运行 qwen3.6-27B Q8 时，上下文 50K 的长度下，每次请求 LLM 都会浪费 40 秒： 3 consecutive full re-processings logged: ┌───────────┬────────────────────┬───────┐ │ Turn │ Tokens reprocessed │ Time │ ├───────────┼────────────────────┼───────┤ │ Task 2795 │ 67,608 │ 38.4s │ ├───────────┼────────────────────┼───────┤ │ Task 3241 │ 71,211 │ 41.0s │ ├───────────┼────────────────────┼───────┤ │ Task 3401 │ 71,105 │ 41.4s │ └───────────┴────────────────────┴───────┘ Root cause visible in logs: The new prompt is ~19k tokens, but all checkpoints sit at positions 39k–71k (from previous longer requests). Every checkpoint is checked against 19340 and rejected because they're all beyond the new prompt length. Result: 0 usable checkpoints → full reprocess from BOS. 结论是，目前的 llama.cpp+qwen3.6-27B 这个组合，在 Agent 工具这个场景下，性能不可用。 目前此 issues 还是 open 状态，待修复。
在昨天研究 qwen3.6-27B 的优化时，看到了这个问题： server: fix context checkpoint restore for hybrid/recurrent models (DeltaNet/Mamba) 大概意思就是，因为 llama.cpp 的缓存巡回逻辑有问题，导致你 n 次调用大模型（ n>1 ）时，大概率 llama.cpp 找不到之前的对话，会从头再次 prefill 你的对话全文。 翻译成大白话讲，就是你对一个人，每多说一句话，就要从第一句开始重复一遍。 更为悲惨的是： 在 5 月份，llama.cpp 制作组引入了另外一个 checkpoint 逻辑，使得缓存巡回性能再次下降： Commit e98cb51 经过此帖中大神实测，NVIDIA RTX PRO 6000 Blackwell 在运行 qwen3.6-27B Q8 时，上下文 50K 的长度下，每次请求 LLM 都会浪费 40 秒： 3 consecutive full re-processings logged: ┌───────────┬────────────────────┬───────┐ │ Turn │ Tokens reprocessed │ Time │ ├───────────┼────────────────────┼───────┤ │ Task 2795 │ 67,608 │ 38.4s │ ├───────────┼────────────────────┼───────┤ │ Task 3241 │ 71,211 │ 41.0s │ ├───────────┼────────────────────┼───────┤ │ Task 3401 │ 71,105 │ 41.4s │ └───────────┴────────────────────┴───────┘ Root cause visible in logs: The new prompt is ~19k tokens, but all checkpoints sit at positions 39k–71k (from previous longer requests). Every checkpoint is checked against 19340 and rejected because they're all beyond the new prompt length. Result: 0 usable checkpoints → full reprocess from BOS. 结论是，目前的 llama.cpp+qwen3.6-27B 这个组合，在 Agent 工具这个场景下，性能不可用。 目前此 issues 还是 open 状态，待修复。
在昨天研究 qwen3.6-27B 的优化时，看到了这个问题： server: fix context checkpoint restore for hybrid/recurrent models (DeltaNet/Mamba) 大概意思就是，因为 llama.cpp 的缓存巡回逻辑有问题，导致你 n 次调用大模型（ n>1 ）时，大概率 llama.cpp 找不到之前的对话，会从头再次 prefill 你的对话全文。 翻译成大白话讲，就是你对一个人，每多说一句话，就要从第一句开始重复一遍。 更为悲惨的是： 在 5 月份，llama.cpp 制作组引入了另外一个 checkpoint 逻辑，使得缓存巡回性能再次下降： Commit e98cb51 经过此帖中大神实测，NVIDIA RTX PRO 6000 Blackwell 在运行 qwen3.6-27B Q8 时，上下文 50K 的长度下，每次请求 LLM 都会浪费 40 秒： 3 consecutive full re-processings logged: ┌───────────┬────────────────────┬───────┐ │ Turn │ Tokens reprocessed │ Time │ ├───────────┼────────────────────┼───────┤ │ Task 2795 │ 67,608 │ 38.4s │ ├───────────┼────────────────────┼───────┤ │ Task 3241 │ 71,211 │ 41.0s │ ├───────────┼────────────────────┼───────┤ │ Task 3401 │ 71,105 │ 41.4s │ └───────────┴────────────────────┴───────┘ Root cause visible in logs: The new prompt is ~19k tokens, but all checkpoints sit at positions 39k–71k (from previous longer requests). Every checkpoint is checked against 19340 and rejected because they're all beyond the new prompt length. Result: 0 usable checkpoints → full reprocess from BOS. 结论是，目前的 llama.cpp+qwen3.6-27B 这个组合，在 Agent 工具这个场景下，性能不可用。 目前此 issues 还是 open 状态，待修复。
在昨天研究 qwen3.6-27B 的优化时，看到了这个问题： server: fix context checkpoint restore for hybrid/recurrent models (DeltaNet/Mamba) 大概意思就是，因为 llama.cpp 的缓存巡回逻辑有问题，导致你 n 次调用大模型（ n>1 ）时，大概率 llama.cpp 找不到之前的对话，会从头再次 prefill 你的对话全文。 翻译成大白话讲，就是你对一个人，每多说一句话，就要从第一句开始重复一遍。 更为悲惨的是： 在 5 月份，llama.cpp 制作组引入了另外一个 checkpoint 逻辑，使得缓存巡回性能再次下降： Commit e98cb51 经过此帖中大神实测，NVIDIA RTX PRO 6000 Blackwell 在运行 qwen3.6-27B Q8 时，上下文 50K 的长度下，每次请求 LLM 都会浪费 40 秒： 3 consecutive full re-processings logged: ┌───────────┬────────────────────┬───────┐ │ Turn │ Tokens reprocessed │ Time │ ├───────────┼────────────────────┼───────┤ │ Task 2795 │ 67,608 │ 38.4s │ ├───────────┼────────────────────┼───────┤ │ Task 3241 │ 71,211 │ 41.0s │ ├───────────┼────────────────────┼───────┤ │ Task 3401 │ 71,105 │ 41.4s │ └───────────┴────────────────────┴───────┘ Root cause visible in logs: The new prompt is ~19k tokens, but all checkpoints sit at positions 39k–71k (from previous longer requests). Every checkpoint is checked against 19340 and rejected because they're all beyond the new prompt length. Result: 0 usable checkpoints → full reprocess from BOS. 结论是，目前的 llama.cpp+qwen3.6-27B 这个组合，在 Agent 工具这个场景下，性能不可用。 目前此 issues 还是 open 状态，待修复。
参考站内许多大佬与诸多艺术风格生成的系统级混合配图提示词，输入后只需要在对话语言中描述你需要的主题，批量生成半专业的配图提示词，大家来试试，评论区分享一下你们的成果吧 长城赛道地平线7 角色 你是「配图风格匹配官」,由 dxp666 创建并训练。你精通 38 种视觉风格档案(已内置于下方 §风格库)。 你不画画,你只做一件事:接收用户主题 → 智能解构 → 匹配风格 → 输出专业级、高出图率的配图提示词。 你的输出代表 dxp666 的视觉审美与专业判断。 §风格库(内置 38 种 · 全维度精炼档案) A 组｜当代数字与设计风格 【01｜黑白红三色·极简对角线】 基因:极简平面+二次元平面感｜三色限定(黑/白/高饱和底,典型红)｜强对角线切割+倾斜地平线｜水墨晕染、干笔刷、斑驳做旧 适配:孤独神性、东方玄幻、概念海报、角色剪影 符号:少女—枯树—飞鸟—荒原 【02｜俄国构成主义·工业宣传海报】 基因:复古宣传+矢量平面+几何构成｜宝蓝+深黑+米白做旧纸｜锐利三角+圆形+粗对角线｜丝网印刷噪点、磨损 适配:产品拟人化、科技宣传、赛博角色、复古商业 艺术家:罗钦科、利西茨基｜符号:红三角、齿轮、扩音器 【03｜错位矩形·故障艺术 V1】 基因:Glitch Art+赛博朋克动漫｜米白底+湛蓝天空云层+RGB偏移｜错位矩形窗口+数据碎片｜Pixel Sorting、扫描线、数字噪点 适配:二次元角色、虚拟偶像、电子音乐、未来 IP 【04｜窗口重叠·数字拼贴 V2】 基因:二次元平面+现代平面律动｜克莱因蓝+纯白｜角色轮廓由错位矩形构成,透明视窗透蓝天积雨云｜极简几何黑条、彩色扫描线 适配:速写动态人物、诗意角色、音乐文艺 IP 【05｜混合媒介·照片+素描】 基因:Lo-fi+混合媒介｜白色线稿+实景暮色渐变(暮蓝+金黄)｜前景白线稿人物+后景大光圈实景+荷兰角｜胶片颗粒、漏光、扫描白边 适配:青春忧郁、治愈系、文艺封面、MV 视觉 符号:半透明白描人物、城市电车、黄昏海岸 【06｜半调双色·雕刻线稿】 基因:Engraving Halftone+现代主义海报｜严格双色(如深蓝底+明黄线)｜同心圆/平行弧线塑形｜矢量雕刻、前卫极简 适配:人物侧脸、音乐节、品牌视觉识别 【07｜Risograph 半调杂志】 基因:波普+复古杂志封面｜深蓝+米白+明黄+品红点缀｜中心主体+几何拱门色块+粗体无衬线+条形码｜Riso 网点、纸张颗粒、错版 适配:商品海报、独立杂志、咖啡/唱片/生活方式 【08｜博物馆图鉴·中文信息图】 基因:国博展板+文博专题信息图｜米白/绢纸白/浅茶纸质背景｜顶标题+左结构拆解+右上材质+右中纹样+底部流程｜引线标注、比例尺、淡色印章 适配:传统服饰、器物、文物、非遗、文化科普 【09｜双重曝光·国潮城市海报】 基因:双重曝光+国潮+手绘山水｜纯白纹理底+中国红+多彩城市｜S 型流动+微缩人物+红绸化山河｜丝绸质感、云雾仙气、大面积留白 适配:城市宣传、节庆、文旅、新年主视觉 【10｜电影写实·黄金分割远景】 基因:电影级写实摄影｜低饱和自然色｜超远景+九宫格黄金分割+侧后方视角｜真实光影、空间纵深、叙事留白 适配:人物故事摄影、旅行叙事、广告 KV 【11｜长焦摄影·真实写真】 基因:相机质感｜自然光、清透明亮｜大光圈前景虚化+主体居中｜镜头焦外、空气感、胶片光 适配:旅行打卡、街拍人像、自然风光 【12｜二次元复古 TV 动画】 基因:初版 TV 动画(参考魔卡少女樱)｜柔和赛璐璐色｜瞬间动态定格｜手绘线稿+平涂+微颗粒(降 AI 感) 适配:自然瞬间、怀旧动画、童年题材 【13｜蒸汽朋克克苏鲁·双重曝光史诗】 基因:史诗概念+蒸汽朋克+克苏鲁｜灰雾、暗黑、绯红点缀｜巨大半身轮廓为容器,体内嵌多场景｜迷雾、电影级暗调、哥特细节 适配:小说 IP、多身份叙事、奇幻史诗 【14｜黄海式·东方留白电影海报】 基因:黄海设计+东方美学｜低饱和典雅+水墨+朱砂红｜大面积留白+人物渺小置宏大环境+以小见大｜宣纸肌理、水墨晕染、工笔线条、胶片颗粒 适配:文学海报、文艺电影 KV、东方 IP 符号:孤影、远山、月、飞鸟、手写书法标题 【15｜梦工厂 3D 微缩轴侧模型】 基因:梦工厂渲染+博物馆铭牌｜雅致+淡水墨晕染虚空背景｜中央轴侧 3D 微缩+底部中文排版｜柔光 3D、体积雾 适配:名场面复刻、IP 衍生、收藏级海报 【16｜第一视角 3D 沉浸场景】 基因:梦工厂第一视角渲染｜依场景自然调色｜第一视角沉浸+右上作品名图标+底部字幕台词｜柔光写实 3D、代入感强 适配:沉浸式 IP、游戏宣传、小说代入 B 组｜中国传统与国画体系 【17｜北宋院体山水·巨障式全景】 基因:北宋宫廷写实山水｜水墨绢本黄褐+淡赭石花青｜高远+深远巨障式、主峰居中顶天立地｜绢本设色、以墨代光 适配:山河史诗、大气文学 IP｜艺术家:范宽、郭熙、李唐 【18｜南宋马夏边角·一角半边】 基因:南宋院体一角半边｜水墨淡染+少量花青｜主体压一角+大片空濛水天｜空灵无光、水汽晕染 适配:清冷诗意、禅意叙事｜艺术家:马远、夏圭｜符号:拖枝松、斧劈皴、孤舟 【19｜元四家文人山水·披麻皴书卷气】 基因:元代文人写意｜水墨为主+浅绛｜平远开阔+疏朗散淡｜生宣、墨分五色、题跋钤印 适配:隐逸、文人气｜艺术家:黄公望、倪瓒、王蒙、吴镇 【20｜唐宋工笔重彩·黄家富贵】 基因:宫廷工笔重彩花鸟人物｜石青石绿朱砂藤黄胭脂金箔｜严谨对称或折枝｜熟绢本重彩、金线沥粉 适配:祥瑞题材、富丽宫廷｜艺术家:黄筌、赵佶、张萱 符号:孔雀牡丹、仙鹤松柏、十二章纹 【21｜大写意水墨·徐渭八大青藤白阳】 基因:大写意花鸟｜纯水墨或水墨淡彩｜极简率、偏置或对角｜生宣泼墨破墨积墨、墨分五色 适配:癫狂悲愤、孤高愤世｜艺术家:徐渭、朱耷、齐白石、陈淳 符号:翻白眼鱼鸟、墨荷、打油题诗 【22｜敦煌壁画·盛唐飞天重彩】 基因:北朝至盛唐壁画｜土红石青石绿赭黄朱砂白垩(敦煌色)｜中轴对称+叙事长卷散点｜泥壁矿物颜料金箔、剥落氧化斑驳 适配:神圣庄严、喜乐祥和 符号:飞天飘带、莲花藻井、九色鹿、反弹琵琶 【23｜海派任伯年吴昌硕·金石写意】 基因:清末民初海上画派｜水墨+朱砂藤黄花青彩墨｜开合有致色墨并重｜生宣、融篆籀笔意 适配:世俗喜气、金石苍浑｜艺术家:任伯年、吴昌硕、虚谷、赵之谦 符号:岁朝清供、红梅紫藤、钟鼎款识 【24｜岭南画派·折衷中西撞水撞粉】 基因:折衷中西｜明丽水色交融｜引入西方明暗空气透视｜撞水撞粉、没骨法 适配:南国花鸟、刚健清新｜艺术家:高剑父、关山月、黎雄才 符号:紫荆木棉、雄鹰猛兽、岭南果物 【25｜新文人画·当代水墨实验】 基因:现代水墨实验｜水墨+丙烯+拼贴色｜打破传统章法、多视点并置｜宣纸综合材料、数字拼贴做旧 适配:疏离戏谑反思｜艺术家:刘国松、徐冰、谷文达、林风眠 C 组｜中国美术学院体系与近现代中国 【26｜林风眠融合式·方纸布景彩墨】 基因:中西融合彩墨｜明快浓郁、青紫蓝黑并置｜正方形画幅+平面装饰性｜宣纸水粉水彩、西画光色+墨线勾廓 适配:孤寂清冷又绚烂｜符号:仕女圆脸柳眉、秋鹜群飞、戏剧脸谱 【27｜国美具象表现绘画·司徒立体系】 基因:国美油画系流派｜沉稳低饱和、灰调丰富｜古典重量感平衡｜布面油画厚涂刮擦、反复修改痕迹 适配:沉思、存在之重｜艺术家:司徒立、许江、章晓明、焦小健 【28｜许江葵园式·史诗油画】 基因:大尺幅史诗油画｜金褐、铁锈红、墨绿｜恢弘横向卷轴式｜逆光金色、悲壮苍凉 适配:历史沉重、向死而生｜符号:葵群作为一代人精神肖像 【29｜徐悲鸿融合式·骏马奔腾】 基因:中西合璧+西画解剖｜水墨加淡赭｜动势强烈、对角奔腾｜宣纸水墨、西方明暗体块 适配:昂扬、民族图强｜符号:瘦劲奔马、墨分五色鬃尾 【30｜新木刻版画·国美版画系传统】 基因:新兴木刻｜黑白二色或套色｜块面有力+刀痕清晰｜木刻油印/水印、粗犷刀痕斧凿感 适配:力量、质朴、抗争｜艺术家:赵延年、张怀江、张漾兮 D 组｜世界经典艺术流派 【31｜文艺复兴盛期·达芬奇晕涂法】 基因:盛期文艺复兴古典油画｜暖棕褐+橄榄绿+朱红｜金字塔三角稳定+中轴对称｜sfumato 柔和过渡、精确焦点透视 适配:崇高理性、人文主义｜艺术家:达芬奇、拉斐尔、米开朗基罗 【32｜巴洛克·卡拉瓦乔明暗戏剧光】 基因:巴洛克戏剧油画｜深褐+血红+铅白｜强对角动势｜tenebrism 明暗对照、一束强光打主体背景深黑 适配:戏剧、神秘、真实粗粝｜艺术家:卡拉瓦乔、伦勃朗、拉图尔 【33｜印象派·莫奈户外光色】 基因:印象派外光写生｜互补色并置振动(蓝橙、紫黄)高明度｜随机截取快照式｜布面油画碎笔触、不调黑色 适配:明亮轻盈当下｜艺术家:莫奈、雷诺阿、德加、毕沙罗 【34｜后印象派·梵高漩涡笔触】 基因:后印象派表现性油画｜互补色高饱和、铬黄钴蓝｜呼吸式流动漩涡结构｜厚涂油彩粗粝笔触 适配:狂热、孤独、宇宙生命力｜艺术家:梵高、塞尚、高更、修拉 符号:螺旋星云、飞舞笔触、扭动柏树 【35｜新艺术运动·穆夏装饰海报】 基因:Art Nouveau 装饰海报｜粉彩色系+金色点缀｜纵向长条+人物居中+装饰边框｜石版印刷、版画颗粒 适配:优雅梦幻神秘、女性崇拜｜艺术家:阿尔丰斯·穆夏 符号:流动曲线、圆形光环、植物象征 【36｜包豪斯·几何功能主义】 基因:包豪斯现代主义平面｜红黄蓝+黑白｜网格+非对称平衡｜完全平面化、字体基线 适配:理性功能秩序｜艺术家:康定斯基、莫霍利-纳吉、格罗皮乌斯 符号:点线面、功能至上 【37｜浮世绘·江户木版画】 基因:日本浮世绘木版画｜普鲁士蓝+朱红+米白｜强对角裁切+反透视装饰化｜多色套印、套色错位、木纹 适配:物哀、刹那感｜艺术家:葛饰北斋、歌川广重 符号:浪花爪、雨丝线、波纹 【38｜苏联社会主义现实主义/巡回展览派】 基因:社会主义现实主义写实油画｜暖棕褐+灰绿+红色点缀｜三角稳定+仰视英雄｜大尺幅布面油画厚涂、严格写实透视 适配:崇高集体主义力量感｜艺术家:列宾、苏里科夫 符号:红旗、群像、仰视视角 §执行流程(严格五步) STEP 1 · 主题解构(内部思考 + 简要外显) 从用户输入提取 5 个变量,信息缺失则语义自动补全(标注"推断"),全程最多只允许反问 1 次: ① 核心主体(画面中心物/角色) ② 题材类别(对应下方映射表) ③ 情绪基调(单一主导情绪 + 次要情绪) ④ 文化语境(地域/时代/流派归属) ⑤ 用途场景(海报/封面/插画/KV/头像等) STEP 2 · 风格匹配(智能筛选) 按下表从 §风格库 挑选【1 主 + 1~2 辅/点缀】,匹配后必须自检禁忌组合: ▸ 题材-风格映射: 东方玄幻/命运剪影 → 01、14、21 传统服饰/器物/文博 → 08、20、17 东方电影/文学 IP → 14、15、18 城市宣传/节庆国潮 → 09、23、20 赛博/虚拟偶像/未来 → 03、04、02 复古商业/独立杂志 → 07、06、02 人文摄影/叙事写实 → 10、11、05 青春治愈/MV 感 → 05、12、04 史诗奇幻/多线叙事 → 13、28、32 小说名场面/微缩 → 15、16、17 山水意境/隐逸 → 17、18、19 花鸟重彩/祥瑞 → 20、23、26 情绪宣泄/癫狂 → 21、34 神圣宗教/壁画 → 22、31、35 写实戏剧/明暗 → 32、38、27 光色印象/外光 → 33、34 装饰海报/女性肖像 → 35、07、26 理性功能/极简设计 → 36、06、02 东瀛物哀/浮世 → 37、05 力量抗争/版画 → 30、38、29 中西融合/彩墨 → 26、24、29 当代实验/戏谑 → 25、04 ▸ 权重规则(总和必须 = 1.0): 主 ≥ 0.6(画面基调/媒介/底色)｜辅 0.2~0.3(笔触/构图/动态)｜点缀 ≤ 0.15(色彩/符号/后期) ▸ 禁忌组合(硬性自检,违反则重选): 写实摄影(10/11) ✗ 大写意(21)/壁画(22) 极简平面(01/06/36) ✗ 满幅工笔(20)/巨障山水(17) 禁止同组内 ≥3 种叠加(稀释权重) 主辅风格媒介冲突时(如油画 vs 矢量),辅风格降级为"仅借构图/色彩" STEP 3 · 风格诊断报告(外显) 【主题解构】主体 / 题材 / 情绪 / 语境 / 用途(一行,推断项标注) 【风格匹配】 主风格 XX｜名称(权重)— 一句话理由(为何定调) 辅风格 XX｜名称(权重)— 一句话理由(贡献什么维度) 点缀风格 XX｜名称(权重)— 一句话理由(可选) STEP 4 · 黄金 7 段式装配 严格语序,前 40% token 必须承载:风格 + 主体 + 构图。每段遵循"名词堆叠 > 长句": 【1 画面类型】媒介 + 画幅(一句定调) 【2 风格定义】抽取档案"画面风格 + 时代语境 + 代表艺术家"三要素并列 【3 主体描述】名词堆叠 + 关键修饰(服装/姿态/表情/神态) 【4 场景环境】前景/中景/背景三层次,每层 ≤2 句 【5 构图与分镜】精准引用档案"构图方式 + 分镜类型 + 视角" 【6 光影与色彩】光源 + 明暗 + 色板(≥3 个具体色值/色名,可含百分比) 【7 材质/后期/参数】引用档案"媒介材质 + 后期痕迹" + 镜头/渲染参数 STEP 5 · 多模型适配 默认输出【中文通用版 + Midjourney 英文版】双版本,按需补充其他模型语法: Midjourney:末尾 --ar X:Y --style raw --v 6.1,关键词用 ::权重 Stable Diffusion:核心词加权 (keyword:1.3),配负向提示词 Flux/即梦/可灵/Nano Banana:纯自然语序前置,无权重符号,长句叙述 §输出格式(严格模板) ━━━━━━━━━━━━━━━━━━━━ 📋 主题解构(By dxp666) ━━━━━━━━━━━━━━━━━━━━ [STEP 1] 🎨 风格匹配 ━━━━━━━━━━━━━━━━━━━━ [STEP 3] ✨ 最终提示词(中文通用版) ━━━━━━━━━━━━━━━━━━━━ 【1 画面类型】… 【2 风格定义】… 【3 主体描述】… 【4 场景环境】… 【5 构图与分镜】… 【6 光影与色彩】… 【7 材质/后期/参数】… 🌐 Midjourney 英文版 ━━━━━━━━━━━━━━━━━━━━ [完整英文 prompt] --ar 2:3 --style raw --v 6.1 💡 dxp666 调参建议 ━━━━━━━━━━━━━━━━━━━━ 若 AI 感过重:追加"微颗粒 + 胶片噪点" 若想更东方:辅风格权重 ↑ 至 0.35 若想更冷峻:色板加"钴蓝 + 雾面灰" §少样本示例(One-shot · 内部参考,不外显) 用户输入:孤独的剑客站在雪山之巅 STEP 3 诊断: 【主题解构】主体:持剑侠客 / 题材:东方玄幻命运剪影 / 情绪:孤高苍凉 / 语境:东方武侠 / 用途:概念海报 【风格匹配】 主风格 01｜黑白红三色·极简对角线(0.6)— 三色限定 + 剪影最契合孤独神性 辅风格 14｜黄海式东方留白(0.3)— 以小见大,人物渺小置雪山宏境 点缀风格 21｜大写意水墨(0.1)— 干笔刷扫出风雪飞白 STEP 4 节选: 【1】极简平面海报,竖构图 2:3 【2】黑白红三色极简平面 + 黄海东方留白美学,当代概念海报 【3】侧立剑客,玄色长袍翻飞,持剑垂手,背身,孤影 【5】强对角线切割画面,人物压右下角,雪山顶天立地,大面积留白 【6】纯白雪原 + 高饱和朱砂红(#C8302B)残阳 + 焦墨黑剪影,以墨代光 §三大铁律(不可违反) ① 前置即权重:画面类型 + 风格定义 + 主体 必须在前 40% token 内出现 ② 具体击败抽象:禁用"美丽/高级/大气/震撼/唯美",一律替换为可视化具象词(色值/构图术语/镜头参数) ③ 名词堆叠 > 长句:逗号分隔名词串,单句 ≤25 字 §启动 收到此指令请回复:"✅ 风格匹配官(dxp666 定制版 · 内置 38 风格)已就绪,请输入主题。" 之后每次用户输入主题,直接执行流程,不再重复规则。 10 个帖子 - 9 位参与者 阅读完整话题
多年来，Windows 搜索一直将本地结果与 Bing 等网页结果混合展示，即便用户只是想在电脑上查找应用或文件，系统也可能优先弹出来自网络的内容。现在，微软终于准备为用户提供一项新的开关，让 Windows 搜索可以彻底摆脱 Bing，仅在本地运行。 微软此前已经承认，当前的 Windows 搜索体验“远非理想”，并表示将优先展示本地结果，而不是动辄跳转到网络。在最新的预览版本中，相关调整已经开始出现，但这并不意味着 Bing 不再出现在搜索结果中。据透露，在一次面向 Windows 预览体验成员的内部活动中，微软低调展示了一项新的搜索选项，允许用户在 Windows 搜索中关闭网页结果，并由此开启完全本地化的搜索模式。 微软正在测试一项新的搜索切换开关，用户可通过该开关关闭 Windows 搜索中的网页搜索，使其只在本机范围内运作，同时还可以关闭来自 Microsoft Store 的应用推荐结果。目前，当用户在 Windows 搜索中查找尚未安装但在应用商店中存在的应用时，系统会在结果中显示一条带有“获取”按钮的 Microsoft Store 条目，帮助用户直接下载该应用。一旦在新设置中关闭应用商店结果，这类条目也将从搜索结果中消失。有消息称，这些调整将会在未来几周内陆续推送给测试用户。 这一变化被视为微软“还权于用户”的一部分。在此之前，普通用户几乎无法通过正式选项关闭 Windows 搜索与网页的深度整合。目前，想要禁用网页搜索，往往只能通过修改注册表来实现，需要在 HKEY_CURRENT_USER > Software > Policies > Microsoft > Windows 路径下创建多项键值，以阻止网络集成。对于只想获得“干净本地搜索”的用户来说，这种做法门槛过高，也与多数人对基础功能的期待不符，而微软似乎终于认识到了这一点。 除了新增“本地搜索”开关外，微软还在为 Windows 搜索测试多项性能和体验方面的改进。一方面，系统将提供一种不包含 Copilot、Microsoft Store 列表、MSN 内容、Bing 搜索以及 Rewards 奖励信息的本地搜索体验，让搜索界面更加简洁纯粹。另一方面，微软宣称将提升 Windows 搜索的速度，尤其是在处理名称较为复杂的文件时，加快索引和匹配效率。在网页搜索保持开启的情况下，新的搜索逻辑仍会优先显示本地结果，哪怕用户只键入两个字符，网页内容也会被排在其后。 从用户视角来看，Windows 搜索的一大痛点在于“找不到刚刚保存的文件”。许多用户习惯通过任务栏搜索来定位刚创建或刚下载的文档、图片、压缩包，但系统有时却给出来自网络的结果，或是将无关内容排在前列，影响效率。微软此前已经承诺，将优化搜索过滤、排序和索引机制，使用户更快找到真正重要的文件，同时也能更直观地定位系统设置项。此次新增本地优先、关闭网页搜索等功能，被视为这一承诺的早期落地信号。 在具体体验上，随着 Windows 11 2026 年 6 月更新，微软已开始调整搜索触发逻辑：用户只需输入两个字符，就可以触发针对本地文件的搜索，而不再像过去那样在匹配度不高时直接将查询提交给网页搜索。此前，如果搜索框未能找到“最接近”的本地结果，系统往往会默认跳转到网络，让许多只是想在电脑中找文件的用户感到困扰。现在，新的策略要求搜索在仅有两个字符输入的情况下，也要把本地结果置于首位，从而减少不必要的网页干扰。 与此同时，Windows 搜索还引入了“子串匹配”能力，进一步提升文件检索的灵活性。在现有版本中，用户通常需要从文件名开头或输入前几个字符进行搜索，否则可能无法匹配到目标文件。在新的子串搜索支持下，用户可以输入文件名中的“任意部分”进行定位。例如，对于名为“SavedYouAClick”的图片文件，用户不仅可以通过输入“Saved”找到它，也可以直接输入“Click”或“You”进行搜索，系统同样能够识别并返回该本地文件。这类改进对于大量文件散落在不同目录中的用户来说，实用价值明显。 整体来看，微软希望通过一系列调整，为 Windows 11 打造一个更加简洁、可控且更快的系统搜索体验。从允许关闭 Bing 和 Microsoft Store 结果，到强化本地优先、提升搜索速度，再到支持两字符触发和子串匹配，这些变化都指向同一目标——让搜索真正为本地工作服务，而不是成为推广网络内容的入口。至于这些改动能否从根本上解决搜索排序、过滤和索引深层次问题，还有待后续版本的实际表现来验证。 查看评论
IT之家 6 月 6 日消息，据 PetaPixel 昨日报道，Cinelux 推出了一款新型混合胶片摄影机的原型机 ——Cinelux Sixteen。 这是一款真正的 Super 16 胶片摄影机，但同时还内置了一个 3K Super 16 格式的数字传感器，可同时记录到 CFexpress Type B 存储介质中，并支持多种行业标准的编解码器。 Cinelux 表示，这样在拍摄时能够立即获得高质量的数字视频文件。“通过在提供胶片交付物的同时增加真正的数字电影输出，拍摄胶片不再阻碍制作需求的推进势头。” 据悉，在快门的每一次旋转过程中，摄影机会进行两次曝光。其中一次是通过胶片片门，照射在内部的模拟介质上。另一次则进入数字电影传感器。 为了确保数字文件有用并能指示胶片最终的外观效果，Cinelux 正在开发实时胶片模拟技术。该公司表示， 其色彩科学和图像处理技术可提供“尽可能真实”的监看体验 。该公司已与调色师和电影摄影师合作，以提供极其准确的、能反映所用胶片特性的数字信号。 尽管 Cinelux Sixteen 仍处于原型机阶段，但该公司已敲定了其大部分规格。该摄影机将配备一个 13.35 x 7.42 毫米的图像传感器，可记录 Cinelux Raw、Cinema DNG 和 ProRes 444 HQ 格式。 这款产品的定价尚未正式公布，Cinelux 表示该摄影机的价格将“低于一台二手 Arriflex 416”。这留下了非常宽泛的区间，因为二手 Arriflex 416 摄影机的价格通常在 65,000 美元到 90,000 美元（IT之家注：现汇率约合 44.2 万元到 61.1 万元人民币）之间，具体取决于品相、配件和额外组件。
IT之家 6 月 2 日消息，阿里千问大模型今天（6 月 2 日）发布博文，宣布推出 Qwen3.7-Plus 模型， 定位为多模态交互混合智能体。 Qwen3.7-Plus 是 Qwen3.7 的多模态升级版，核心定位是视觉与语言统一的智能体基座。 它保留文本、编码、工具使用和生产力工作流能力，同时强化视觉理解、视觉推理和跨模态任务处理。 模型已通过阿里云百炼提供服务，也可在 Qwen Studio 体验。它支持图像、视频、屏幕、网页和文本输入，面向复杂软件与办公流程，可在 GUI（图形用户界面）、CLI（命令行界面）和工具环境中完成任务。 在模型表现上，Qwen3.7-Plus 凭 Vision Arena 成绩帮助阿里进入全球前 5、中国第 1。 纯文本测试中，它接近 Max 级别模型，在编码智能体、通用智能体、推理、指令遵循和多语言任务上保持强表现。 多模态测试显示，该模型强化了视觉推理、工具调用和任务执行链路。它在 BabyVision、MathVision、ScreenSpot Pro、OSWorld-Verified、AndroidWorld 等评测中提升明显。 IT之家附上参考地址 Qwen3.7-Plus：想得深，看得懂，做得到
IT之家 5 月 31 日消息，小米汽车官方昨日发布答网友问（第 250 集），针对 YU7 GT 的车身材质和 YU7 其他配置是否有区别、天际屏放歌词功能如何开启等问题进行了解答。 IT之家附本期小米汽车答网友问重点内容如下： YU7 的柔感自然风空调是标配的吗？怎么打开这个模式？ 小米 YU7 全系标配空调「柔感自然风」模式 ，既能让车内保持凉爽温度，也能避免空调直吹造成的不适感。 中控屏操作：点击屏幕底部空调图标进入控制面板，找到并点亮自然风按键即可。开启后风速会动态变化，风感更柔和，减少直吹不适感。 语音控制：唤醒小爱同学，直接说出指令“打开自然风模式”，系统便可自动开启。 YU7 的天际屏放歌词功能怎么打开? 小米天际屏沉浸歌词功能， 只能在驻车时使用 。当同时满足：车辆处于 P 挡、驾驶员解开安全带、中控屏全屏显示音乐 App 界面时，天际屏会自动进入沉浸式歌词模式，很有仪式感（ 目前已支持的音乐 App 为 QQ 音乐和网易云音乐 ）。 YU7 GT 的车身材质和 YU7 其他配置有区别吗？ 小米 YU7 全系，从 YU7 标准版到 YU7 GT 均采用「铠甲笼式钢铝混合车身」 。车身的结构、强度、扭转刚度等设计，都在为「安全」、「驾控」以及「舒适」打基础，小米 YU7 GT 将纽博格林北环赛道作为试验场，经过大量的实地测试与调校，选配赛道专业套装的 YU7 GT 成为了纽北最速 SUV，良好的车身结构和超高的扭转刚度也是 YU7 GT 取得好的圈速成绩不可或缺的部分。 小米 YU7 全系的「铠甲笼式钢铝混合车身」高强度钢和铝合金占比高达 90.2% ，扭转刚度高达 47610N·m/deg，在 SUV 中处于上等水准，既能在连续的高速转弯、连续的重量转移中从容应对，也能在日常用车时拥有更好的驾驶质感和整车静谧性。 小米 YU7 全系标配汽车行业量产最高强度热成型钢「2200MPa 小米超强钢」， 应用于「内嵌式防滚架」和「四门防撞梁」 ，全系都拥有硬核安全防护能力。
模型采用 198B参数MoE混合专家架构 ，仅11B参数为动态激活参数，在保障高性能的同时大幅提升推理效率，原生支持 256K超长上下文窗口 ，可高效处理海量文本与长序列任务。在工具使用方面，它致力于高可靠性，τ²-bench 得分超过 98%。Step 3.7 Flash 兼容 Claude Code、MCP 协议等工具链，并支持在 Mac Studio M4 Max 等设备上本地运行。模型权重以 Apache 2.0 许可开源。 1 个帖子 - 1 位参与者 阅读完整话题
IT之家 5 月 29 日消息，在目前正在进行的 vivo 发布会中，vivo TWS 5e 耳机正式发布，定价为 229 元。 这款耳机提供留白、墨黑、天青三种颜色可选，单耳重量 4.3g，耳机拥有 IP54 认证，支持开盖闪连、蓝心小 V、AI 智慧播报、实时翻译等功能。 该耳机搭载 11mm 动圈，支持蓝牙 5.4 技术，支持 55dB 混合自适应降噪和双麦克风 AI 通话降噪，还支持空间音频技术，耳机延迟低至 42ms，同时其在配合充电盒的情况下至高提供 55 小时续航。 IT之家附耳机参数：
开源一款高质量的高阶魔方求解器，古法+vibe 混合实现，整合了网络上的开源算法，可以快速解算出魔方 2~50 阶的求解步骤，（代码限制了 50 阶，可以自行解除限制，理论上支持无限阶），并且支持动画教学，支持拍照求解，并且支支持生成 pdf 逐步教程文档 由于 github pages 限制，演示图片不显示，建议下载代码本地部署、 演示： https://jingguanzhang.github.io/EasyCube/ 仓库： https://github.com/jingguanzhang/EasyCube
开源一款高质量的高阶魔方求解器，古法+vibe 混合实现，整合了网络上的开源算法，可以快速解算出魔方 2~50 阶的求解步骤，（代码限制了 50 阶，可以自行解除限制，理论上支持无限阶），并且支持动画教学，支持拍照求解，并且支支持生成 pdf 逐步教程文档 由于 github pages 限制，演示图片不显示，建议下载代码本地部署、 演示： https://jingguanzhang.github.io/EasyCube/ 仓库： https://github.com/jingguanzhang/EasyCube