比如我从Anthropic订阅了它的API，现在我有了一个账号、有订阅。 我听到AI拼车、家宽车队等等，这些词很陌生不知道是什么，但我推理它应该是把这个订阅分给多个人用的意思。 有懂的佬一次奖清楚么？ 例如： 这一个订阅有多少种玩法，每种都是怎么玩的。 20 个帖子 - 10 位参与者 阅读完整话题
通过CC Switch设置Codex的供应商，有几个公益站设置修改了很多次也无法使用，但是可以获取模型列表，是公益站的问题还是设置问题呢？ 目前只有any和君的公益站能用，其他几个都无法使用 5 个帖子 - 5 位参与者 阅读完整话题
好绝望的一句话 一批站都倒下了 付费的公益都全无了 狂欢过后的寂静 真是大起大落啊 奥特曼准备降价抢客的消息不知真假 如果pro的价格可以对半砍我就转官方了 2 个帖子 - 2 位参与者 阅读完整话题
之前用v3.15.0，codex自定义的供应商可以获取模型，知道这家目前还存活的模型有哪些，选择后还可以测试这个模型是否连通成功。 现在更新到v3.16.2之后，没法获取模型了，这咋知道这家供应商还有哪些模型活着？ 比如用公益站，一天死好多次模型，一直在变，想要用就得一直关注他还有哪些模型能用，现在更新后看不了了，该怎么办呢？ 1 个帖子 - 1 位参与者 阅读完整话题
会话里执行的命令已经手动approve并且记住，使用ccs切换供应商，在同一个会话里继续对话又要手动approve了，这个有办法处理吗？我的model_provider都是一致的，custom。 1 个帖子 - 1 位参与者 阅读完整话题
想做一个agent定期触发开拓供应商资源。 除了抄模板感觉啥也不会 。完全没有头绪。。。 5 个帖子 - 5 位参与者 阅读完整话题
不同 API 服务的对我来说,非常实用。 毕竟想省tokens,我还在用很多免费的模型,就是怕不稳定. 只讲实际能用、配置里能落地的部分，避免把不存在的配置项写进去 。 如果有错误欢迎佬友指正 我的Hermes 的模型配置思路 Hermes 的配置核心在 ~/.hermes/config.yaml 。 模型相关配置主要分几层： 主对话模型 ：负责正常聊天、代码、工具调用、任务执行。 辅助模型 ：负责压缩上下文、图片理解、网页提取等后台任务。 Fallback Providers ：主模型失败时切到备用供应商。 Custom Providers ：接入 OpenAI 兼容接口，比如 vLLM、Ollama、LM Studio、SGLang 或第三方中转 API。 Credential / Auth ：API Key 或 OAuth 凭据。 最常见的配置结构大致是： model: default: gpt-5.5 provider: custom base_url: https://example.com/v1 api_key: sk-xxx context_length: 128000 其中： model.default ：模型名称 model.provider ：供应商名称 model.base_url ：自定义 OpenAI 兼容端点时使用 model.api_key ：API Key model.context_length ：上下文长度 Hermes 要求模型上下文窗口不能太小。实际使用 Agent、工具调用、长会话压缩时，建议至少 64K tokens 起步。本地模型也建议把上下文开到 65536 或以上。 Hermes 支持哪些供应商我就不说了佬友自己就可以看到 切换模型的几种方式 方式一：交互式选择 hermes model 这是最推荐的方式。它会引导你选择 provider、填写凭据、选择模型。 方式二：查看和修改配置 查看配置： hermes config 打开配置文件： hermes config edit 也可以直接设置某个配置项，例如： hermes config set model.provider openrouter hermes config set model.default anthropic/claude-sonnet-4 如果是自定义接口： hermes config set model.provider custom hermes config set model.default your-model-name hermes config set model.base_url https://example.com/v1 API Key 建议放在 .env 或配置里由 Hermes 管理，不要写进公开文章、截图或 Git 仓库。 方式三：会话内临时切换 在 Hermes 会话里可以用： /model openrouter/anthropic/claude-sonnet-4 这种方式适合临时测试。长期默认模型还是建议写入 config.yaml 。 主模型和辅助模型 Hermes 不是所有任务都必须用同一个模型。 主模型负责核心对话和 Agent 执行；辅助模型可以负责压缩、视觉、网页提取等后台任务。这样可以避免“用旗舰模型做摘要”这种浪费。 常见配置示例： model: default: claude-sonnet-4 provider: anthropic auxiliary: compression: provider: openrouter model: openai/gpt-5-mini vision: provider: openrouter model: openai/gpt-4o 建议： 主模型 ：选择工具调用稳定、上下文长、代码能力强的模型。 压缩模型 ：选择便宜但摘要能力不错的模型。 视觉模型 ：选择明确支持图片输入的模型。 如果辅助模型没有配置好，某些任务可能会回退到自动检测逻辑，或者使用主模型兜底。为了稳定，建议主动配置。 Fallback Providers：主模型备用链 当主模型遇到限流、服务错误或连接失败时，Hermes 可以尝试备用模型。 正确的配置项是 fallback_providers ，不是 fallback_models 。 示例： model: default: gpt-5.5 provider: custom base_url: https://primary.example.com/v1 api_key: sk-primary fallback_providers: - provider: custom base_url: https://backup.example.com/v1 api_key: sk-backup model: claude-sonnet-4 - provider: openrouter model: anthropic/claude-sonnet-4 触发条件一般包括： HTTP 429 ：限流 HTTP 503 ：服务错误 HTTP 529 ：过载 连接失败 需要注意： Fallback 是按顺序尝试的，不存在 fallback_strategy: random 、 cheapest_first 这类配置。 也不存在 fallback_on 这种配置项；触发条件是内置的。 主模型 fallback 一旦在当前会话触发，通常会在该会话里继续使用 fallback 后的模型。 旧版可能支持单个 fallback_model ，但新写法建议使用列表形式的 fallback_providers 。 辅助任务也可以单独配置 fallback 辅助任务不继承主模型的 fallback_providers ，它们有自己的 fallback 链。 示例： auxiliary: compression: provider: custom base_url: https://primary.example.com/v1 api_key: sk-primary model: gpt-5-mini fallback_chain: - provider: custom base_url: https://backup.example.com/v1 api_key: sk-backup model: deepseek-chat - provider: openrouter model: openai/gpt-5-mini vision: provider: openrouter model: openai/gpt-4o fallback_chain: - provider: anthropic model: claude-sonnet-4 辅助任务 fallback 的触发更偏 向容量或额度 问题，例如： HTTP 402 ：余额或额度耗尽 明确的日/月额度耗尽 连接失败 注意: 普通临时 429 不一定会触发辅助 fallback，因为 Hermes 会尊重你显式指定的 provider。 自定义 OpenAI 兼容端点 我相信很多佬友跟我一样会用本地模型或第三方中转服务，这时最常见的就是 custom provider。 例如 Ollama： model: provider: custom default: qwen3-coder:latest base_url: http://127.0.0.1:11434/v1 api_key: ollama context_length: 65536 例如 vLLM： model: provider: custom default: Qwen/Qwen3-Coder base_url: http://127.0.0.1:8000/v1 api_key: dummy context_length: 131072 vLLM 启动时可以类似这样： vllm serve Qwen/Qwen3-Coder --max-model-len 131072 Ollama 需要确认模型上下文已开够。不同版本设置方式不完全一样，不建议只写死一个命令，重点是确认 context 至少 64K。 多个自定义供应商 如果有多个自定义端点，建议用 custom_providers 起不同名字。(我就是这么干的,感觉特别方便,需要多少自己加) 示例： 然后在主模型或 fallback 里引用： model: default: gpt-5.5 provider: custom base_url: https://api.example.com/v1 api_key: sk-tSeI...YFZLSQwfQV9Jd fallback_providers: - provider: custom base_url: https://api.example2.com/v1 api_key: sk-wiu...4ycq0Pg7tQnMb model: gpt-5.4-mini 注意 ： custom_providers 的 name 必须唯一。重复名字可能导致后面的配置覆盖前面的配置。 小结 Hermes 的模型配置体系，重点不是“支持多少模型”，而是它把模型、供应商、辅助任务、fallback、自定义端点拆开了。 这样做的好处是 ： 主模型可以选最强的； 辅助任务可以选便宜的； 一个供应商挂了可以切备用； 本地模型和第三方 OpenAI 兼容服务都能接； 不同平台、不同任务可以逐步做精细化配置。 对小白用户来说，最推荐的入门路线是 ： 先用 hermes model 跑通一个主模型； 再配置 fallback_providers ； 然后配置 auxiliary ； 最后再折腾本地 vLLM / Ollama / LM Studio。 这样最稳，也最不容易把配置写乱。 我以前就是这么做的,后来慢慢的学,特别在Linux 学到很多以前看不到的技术 最后如有错误的地方,欢迎佬友们指正 1 个帖子 - 1 位参与者 阅读完整话题
英伟达最新AI平台Vera Rubin进入量产阶段，SK海力士、三星和美光之间的竞争正从层数比拼转向技术攻坚，芯片内部热管理已成为HBM5时代的关键突破口。 AI硬件加速迭代，英伟达、AMD新一代AI服务器GPU单芯片功耗逼近1000W。HBM4已堆叠12至16层，HBM5将迈向20层堆叠。 堆叠层数越高，HBM内部热量积聚越严重，过热会触发芯片降频、算力缩水、整机稳定性下降。 英伟达和AMD等客户已明确要求HBM供应商加强散热管理。 SK海力士近期发布iHBM散热技术，将集成冷却元件内嵌到HBM中，在芯片内部开辟直通散热通道。 与传统设计相比，该技术可将热阻降低30%以上。SK海力士计划将iHBM应用于其HBM5及后续产品。 三星电子在Computex 2026上首次公开HBM5原型，并推出HPB散热方案，将导热块埋入多层DRAM裸片之间，相当于在堆叠芯片内部搭建多条独立散热烟囱。 该技术已在第七代HBM4E上完成验证，样品已于5月底首次交付客户。 三星表示，该技术可将热阻降低16%，HBM5预计在2028年左右实现量产。 美光则主攻低功耗HBM设计，并辅以硅通孔沟槽冷却技术。通过在AI加速器芯片的硅芯片内部蚀刻微型沟槽，使冷却液在其中循环流动，从而降低内部热积累。 业内人士指出，散热技术升级将带动高导热材料、先进封装制程需求爆发，重塑半导体供应链。低功耗和热管理技术将是未来HBM研发的核心方向。 查看评论
之前好像不是这个供应商的，今天发现换成了vivgrid，不知道vivgrid提供的GPT模型不知道保不保真啊？ 7 个帖子 - 4 位参与者 阅读完整话题
cc switch选择的API供应商需要与登录codex的API一致吗？目前主力使用Any与君的公益站，两个在cc switch切换的时候是否退出codex再用对应的API登录吗？ 4 个帖子 - 4 位参与者 阅读完整话题
切换供应商，codex沙盒设置报错是为什么？ 4 个帖子 - 3 位参与者 阅读完整话题
企业支出管理平台Ramp于6月3日发布的6月软件供应商榜单显示， DeepSeek位居榜首 ，成为当月 美国企业首次付费采购增长最猛 的基础大模型厂商。Ramp首席经济学家阿拉·哈拉扎良（Ara Kharazian）指出，企业这次并非只是自行部署DeepSeek的开源模型，而是 直接向DeepSeek付费、传输和接收数据 。一年多前美国企业对DeepSeek的热度是浅尝辄止的尝鲜，这次变成了真实的付费使用。 ▲Ramp 2026年6月热门软件供应商榜单（图源：Ramp） Ramp是一家总部位于纽约的金融科技公司，依托企业信用卡与账单支付平台，每月处理数十亿美元的企业支出，同时按月统计客户首次采购合作的新增服务商并进行排名，借此直观展现新兴市场动向、高速成长企业等行业信息。 这份榜单的统计口径来自Ramp今年推出的供应商数据库Ramp Rate，依托平台上5万多家企业的真实交易，跟踪各品类的市场份额、企业采用率与增长趋势。 更值得关注的是这股回流背后的大趋势。在AI开支不断膨胀、企业普遍收紧预算的背景下，越来越多美国公司正从OpenAI和Anthropic分流， 转向开源模型和更便宜的模型 ，而中国厂商DeepSeek的登顶，只是这条成本线上最 扎眼的一个信号 。 一、DeepSeek美国企业采用率回升，使用方式出现新变化 DeepSeek并非首次出现在Ramp的榜单上。哈拉扎良写道， 去年1月DeepSeek曾经历一轮不大不小的热度 ，在Ramp AI指数中的企业采用率一度升至0.3%，但随后 迅速回落 ，仅剩约0.1%的美国企业仍在使用。 如今美国企业再度选用DeepSeek，而且据Ramp的支出数据，美国企业是在向DeepSeek直接付费。 这一结果出乎哈拉扎良的预料。让他意外的，不只是DeepSeek重新出现，而是它出现的方式。 哈拉扎良说，这一次美国企业正在直接通过DeepSeek传输和接收数据，也就是说，它们是在直接使用DeepSeek提供的商业服务，而非仅仅运行其开源模型。 不过哈拉扎良也提醒，不宜高估这一趋势的持续性，对企业来说，直接接入DeepSeek存在实实在在的 竞争与安全顾虑 ， 这股回流随时可能逆转 。 作为对照，在今年4月，Anthropic和OpenAI以34.4%和32.3%的采用率稳居指数前两位，DeepSeek 远未对二者构成实质冲击 。也就是说，它这次登上的是 “相对自身规模增速最快”的突破性榜单 ，而非绝对采用量榜首，Ramp也并未公布其6月的具体市场份额。 ▲美国企业AI付费采购渗透率趋势图（图源：Ramp） 二、AI支出失控，企业转向更便宜的模型调用方案 回流中国模型只是更大转向的一部分。哈拉扎良说，企业正越来越多地使用开源模型，在一定程度上从OpenAI和Anthropic分流，转而借助第三方平台完成模型部署与调用，他点名了AI推理平台Fireworks AI、fal AI和DeepInfra。 在他看来，这背后是 企业管理不断膨胀的AI开支的现实需求 。他由此向美国模型厂商喊话，认为对方应当通过更便宜的模型或智能路由（smart routing）来回应这种压力，帮助客户管住失控的AI支出。 与此同时，AI并未横扫所有软件品类。尽管外界一直在讨论Claude会不会取代设计工具，但设计软件Figma和Paper本月双双进入榜单，说明专业设计软件的需求依然稳固。 结语：成本影响企业AI采购选择 哈拉扎良此前就已预判，企业会更多尝试开源模型以及来自OpenAI、Anthropic和Google的更便宜（性能稍弱）的模型，只是他没料到美国企业会真的用上中国对手DeepSeek。 对OpenAI和Anthropic等美国模型厂商而言，价格与成本已经成为企业选择的关键变量，在性能与开支之间给出更优解，才能留住正在精打细算的企业客户。 查看评论
英伟达首席执行官黄仁勋周五在首尔宣布，三星电子、SK海力士和美光科技均已通过认证，将为英伟达下一代人工智能平台Vera Rubin供应HBM4高带宽存储芯片。 黄仁勋在抵达韩国展开访问时向媒体表示，三家供应商均已通过资质认证，并已进入量产阶段，目前正全力保障Vera Rubin平台的供货需求。这是英伟达首次正式确认三家存储芯片厂商同时获得HBM4供应资格。这三家公司主导着全球存储芯片市场，此前一直在争夺英伟达HBM供应份额。SK海力士在HBM3E时代占据约62%的市场份额，而此次三家同时获得认证，意味着HBM4世代的供应格局或将发生变化。 黄仁勋本周在台北电脑展期间透露，Vera Rubin已进入全面量产，整机产品将于今年第三季度正式出货。这套AI系统由英伟达Vera CPU与Rubin GPU集群搭建而成，单台服务器将搭载TB级容量的HBM4高带宽内存。HBM4是第六代高带宽存储产品，相比前代HBM3E在接口宽度上实现翻倍，数据传输速度从约1 TB/s提升至2 TB/s。 从各家进展来看，三星电子已于今年2月率先启动HBM4量产出货；SK海力士HBM4年初正式进入全面量产；美光3月宣布量产HBM4，其产能爬坡速度比去年量产HBM3E时快了两倍。 Arm首席执行官雷内·哈斯本周指出，高端存储短缺是目前AI产业链最难攻克的产能瓶颈。此番三大厂商同步获得认证，对缓解供应紧张具有积极意义。 黄仁勋同时透露，英伟达正在韩国设立新的研发中心并启动人员招聘，以加强与韩国合作伙伴在供应链方面的协调。 查看评论
背景：最近oai太波动了，自己的cpa free team 或者买的中转都不太稳。以至于我怀疑我这几天切的中转掺水了。 问题： 1.在同一个会话中切换推理强度 比如“高”-》“超高” ，会不会降智？ 2.同一个会话中切换供应商，比如free号池切plus号池，自建切第三方 会不会降智？ 我的思考： 按道理不应该降智商，因为本质就是消息发过去 带标签处理了。但是之前有言论是问题1 确实会降智？我不确定。 问题2我觉得本质也不应该降智，CPA这种本身就是切换号源，但是我实测降智很厉害（指的是同一个问题 干不出来 或者突然干活很呆）。针对问题2，有没有佬指路如何测试中转站是否掺水（主要是gpt系列模型） 1 个帖子 - 1 位参与者 阅读完整话题
教程： 添加密钥 2.打开CC 添加供应商 3.打开Codex，测试 后续有佬需要的话，再提供CC池化 2 个帖子 - 2 位参与者 阅读完整话题
我之前已经试过，先在 ccswitch 里授权 + 拦截（第三方供应商开启本地路由 + 设置里开启本地路由 选择 codex），然后 codex 桌面端里登录 （梯子开了全局），可以正常开启 插件 (plugins),而且可以选择官方的很多新出的插件，比如 product design ； 但是这么搞好复杂啊，佬们有没有简化一点的方法？ 10 个帖子 - 7 位参与者 阅读完整话题
我签到了多个公益站，也买了几个中转站，每次用的时候都开个codex，在ccswitch点启用之后，切换到下一个，再开一个codex，自己拆分任务告诉它们该做什么，这样用着太麻烦了，我感觉自己是原始人 有可以填入多个供应商，同时让多方模型来给我做事的工具吗 比如一个最聪明的来拆任务，给出确定计划让下面模型去实施，自己再做检查 1 个帖子 - 1 位参与者 阅读完整话题
IT之家 6 月 2 日消息，CMOS 图像传感器供应商思特威（SmartSens）推出了 2 亿像素 0.5μm 像素尺寸手机应用 CMOS 图像传感器 ——SCC62HS。 据介绍，SCC62HS 基于思特威 SmartClarity-SL 技术平台打造，采用 55nm Stacked BSI 工艺制程，并搭载思特威专利 PixGain HDR、SFCPixel 及 AllPix ADAF 等多项技术，具备超高分辨率、高动态范围、低噪声和快速对焦等多项性能优势。“作为思特威国产高性能 Stacked BSI 平台首颗 2 亿像素超高分辨率产品，SCC62HS 在兼顾优异性能和成本优势的同时，可赋能主流智能手机主摄像头在超高清成像上的卓越表现，并加速国产高性能 Stacked BSI 技术的全面普及应用。” IT之家附官方详细介绍如下： 2 亿像素超高分辨率，细节清晰入微 SCC62HS 是思特威国产高性能 Stacked BSI 平台推出的首颗 2 亿像素图像传感器产品。凭借超高分辨率，SCC62HS 可帮助摄像头完整保留画面信息，精准捕捉每一处微小细节。无论是远景风光还是多人合影，SCC62HS 拍摄的影像均能保持画质清晰锐利、细节纤毫毕现。 同时，依托思特威高性能 55nm Stacked BSI 工艺打造，SCC62HS 兼顾出色的成像性能与优异的成本优势，能够为主流智能手机带来堪比高端旗舰手机的高清拍摄能力，推动超高清影像拍摄体验全面普及。 多重性能优化，成就卓越成像表现 SCC62HS 基于先进的 Stacked BSI 工艺打造，并搭载思特威专利 PixGain HDR ® 、SFCPixel ® 及 AllPix ADAF ® 等多项核心技术。凭借出色的成像实力，SCC62HS 可助力主流智能手机主摄像头实现无惧昼夜的卓越影像表现，充分满足用户全场景、全天候的高品质拍摄需求。 高动态范围 SCC62HS 搭载了思特威先进的 PixGain HDR ® 技术，可在大幅提升动态范围的同时，有效抑制运动伪影。在 PixGain HDR ® 模式下，SCC62HS 的动态范围最高可达 86.3dB，能够在明暗对比强烈的场景中捕捉细节丰富、清晰无拖尾的高质量影像，充分满足主流智能手机的超清视频拍摄需求。 同时，得益于 PixGain HDR ® 技术，SCC62HS 支持片上双帧融合，不仅能够有效降低高动态范围视频拍摄对 SoC 算力的占用，还能够降低手机功耗，轻松支撑智能手机长时间视频录制。此外，SCC62HS 还兼容 Staggered HDR 及 NDOL HDR 等多种 HDR 模式，可适配多元化影像拍摄需求，全面提升主流智能手机摄像头的高动态范围成像实力。 出色夜景成像能力 夜景拍摄时，低光环境会导致暗部细节丢失，噪点显著增加，从而严重降低成像质量。SCC62HS 搭载了思特威专利的 SFCPixel ® 技术及低噪声读取电路技术，实现了卓越的感光性能和出色的噪声抑制表现。 SCC62HS 的感光度高达 3574mV / lux*s，且读取噪声最低仅为 0.92e-，较行业同规格产品降低约 43.6%。凭借优异的性能优势，SCC62HS 即使在光线不佳的夜晚，依旧能够精准捕捉通透明亮、画质细腻的优质影像，大幅提升终端用户的夜景拍摄体验。 双模式快速对焦 SCC62HS 支持 AllPix ADAF ® 及 Sparse PDAF ® 两种快速对焦模式，能够在确保精准对焦效果的同时，有效优化功耗。在暗光环境下，SCC62HS 可开启 AllPix ADAF ® 模式，依托 100% 全像素对焦实现夜间疾速拍摄；在常规光线环境中，SCC62HS 则可切换至 Sparse PDAF ® 模式，通过 6% 部分像素相位检测，保证对焦迅速精准，并显著降低运行功耗，兼顾出色的对焦体验与优异的低功耗表现。 此外，基于国产 Stacked BSI 技术平台，思特威已推出 SCC62HS、SC562HS、SC532HS 和 SC512HS 等多款高性能手机应用 CMOS 图像传感器，全面覆盖长焦、主摄及前摄等手机摄像头应用，兼顾性能与成本优势，为国产手机 CIS 本土化供应提供多样化选择。 目前 SCC62HS 已接受送样，预计将于 2026 年 Q3 实现量产。
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 各位佬好！我现在向各位佬介绍一下我用一个多月二改出来的一个项目，我叫他开源画布，项目地址是 https://github.com/ganbo-gab/open-storyboard-canvas ，如果各位佬身边有需要画布做图片等朋友，可以让他们看看我这个开源画布，各位佬如果觉得项目写得不错可以给一个星。 接下来就简单介绍一下我的这个项目 ，他是基于一个开源画布项目进行的改写。首先是画布分为画布项目和提示词库，画布项目就是正常画布管理，然后提示词库是我学习了站内的大佬的画布，觉得这个提示词库挺好的，于是我也加上了，如图： 可以搜索提示词，还能收藏提示词、把提示词直接导入画布里。 我在做这个项目的时候就觉得，既然开源，就应该照顾到大部分人，让大家都能搭配自己的供应商，所以我就做了一个支持多种格式的“添加服务商功能” 然后考虑到做图片的人可能不会添加配置，所以我就加上了 一键导入 的功能，就是复制教程提示词，然后把自己的渠道的API文档一起发给AI，然后AI返回一段json，json导入这里，然后补充一些key和配置的信息就可以用了。 每个人心中都有自己的提示词，我认为一个开源项目就应该给够大家自由度和便利度，所以我设置了提示词管理和提示词预设。提示词管理就是可以修改我内置的所有功能的提示词，提示词预设便是我单独开的一个提示词渠道，可以在画布里直接使用预设提示词做图片。 （这里有个小插曲，当时我在做这个项目的时候，即梦推出了cli，当时还是所有人都能登录即梦cli，我一看，即梦每天送积分，相当于做图片无限用了，然后当我做完了即梦cli的接入的时候，他即梦改规则了，只能高级会员才能登录，就有点难绷吧，不过我还是保留了这个功能，这里就不放出来展示了。） 讲完了设置层面，现在进入画布里 画布里左边栏有 资产、AI图片、全景图、导演台这四个功能。 资产就是你做完图片后，就会在资产里，然后资产里可以快捷搜索图片、快捷命名。 AI图片，点击后会在画布出现一个框，各位可以选择使用上方的一些功能，也能使用自己的预设提示词，然后画布还支持摄像机控制功能，点击后节点上方就会出现 这里是我对libtv功能的模仿，用过的佬应该看得出来。然后AI图片节点左边可以连接图片，AI图片框里支持@连接的图片。 然后双击空白画布可以上传图片、创造AI图片节点、创造全景图节点。 然后是全景图功能 这里有AI生成全景图、图生全景图，还有720度和360度，反正就是做得很杂，其实差别都不怎么大，具体效果佬可以看看我的仓库地址上的演示。 最后是导演台功能 这个功能是我觉得做得最好的功能了，这个功能是我跟AI写了几天写出来的，体验方面其实和rhtv很像，我的这个导演台功能支持关联图片，然后支持自定义人物动作、添加路人、添加建筑 道具等建模，然后可以给每个人描述对应的提示词，截图并且一键导入到画布里，具体的我也说不清楚哈哈，各位佬如果感兴趣的话可以去体验一番。 原谅我表达能力不怎么强哈哈，加入L站80天了，总算交出了一份学习作业了。在L站我学习了很多，在L站我跟着各位佬学习搭建域名邮箱、自建号池，然后将自己所学拿去创造，创造出价值。这个项目是我用codex+trellis去做的，做下来整体感觉很好，开发过程中我用了很多佬的公益站，还有学习搭建的号池，真心感谢各位佬。 在写帖子之前我其实都在想到时候写的时候说些什么，但是现在在写的时候就不知道怎么说了哈哈。是L站让我加深了对AI的认知，我也在L站里感受到了各位佬的热情、强大。各位的观点也给我这位大学生提供了许多参考，未来我还会继续在L站学习的！ 接下来我想继续学习搭建agent，多学多做！ 学AI，上L站！ 2 个帖子 - 2 位参与者 阅读完整话题
如图所示，在我手动写入apikey的时候，auth.json会有变化，但是在保存之后，重新启动回来再看的时候发现无论切换什么供应商都无法去改变auth.json，有佬友知道怎么解决吗，还是只能回退上个版本。 而且特别注意的一点是用ccswitch切换claudecode供应商时暂时没发现问题 版本如图所示 4 个帖子 - 3 位参与者 阅读完整话题