SwirlAI 電子報發表了一篇教學文章，旨在從零開始構建一個 AI 代理程式，無需任何框架。文章的核心在於說明如何讓 AI 代理程式使用工具 (Tools)，並以一個貨幣轉換器為例，逐步演示整個過程。 作者首先定義了什麼是 AI 代理程式，並強調了系統提示 (system prompt) 的重要性，它包含了工具的定義和預期的輸出格式。文章亦詳細介紹了如何將 Python 函數包裝成工具，以及如何構造有效的系統提示，最後實現了一個能夠規劃並執行動作的 AI 代理程式類別，展示了如何讓 AI 代理程式根據用戶提問，自動選擇並使用工具完成任務。整個過程強調了基礎概念的理解，而非依賴現有框架。
騰訊開源模型 Hunyuan (混元) 能生成高品質 AI 影片，具有出色的動作穩定性、場景切換和逼真的視覺效果。ComfyUI 官網介紹了如何免費使用「Hunyuan Video」模型首先必需安裝幾個主要檔案：
hunyuan_video_t2v_720p_bf16.safetensors (主要的影片生成模型) 放入 -> ComfyUI/models/diffusion_models/ clip_l.safetensors 放入 -> ComfyUI/models/text_encoders/llava_llama3_fp8_scaled.safetensors (文字編碼器) 放入 -> ComfyUI/models/text_encoders/hunyuan_video_vae_bf16.safetensors (變分自動編碼器 VAE) 放入 -> ComfyUI/models/vae/模型亦支援生成靜態圖片，只需將影片長度設定為 1 即可。最後亦提供了一個 JSON 格式的工作流程範例，方便使用者快速上手。
Odyssey 公司開發的「Explorer」，一個能將圖片轉換成逼真三維世界的生成式世界模型，強調「故事至上」的理念，如同 Pixar 的成功經驗，科技應服務於故事和說故事的人。Explorer 利用高斯點雲 (gaussian splats) 技術建構細節豐富的場景，並能與現有 3D 創作軟體整合，實現手動編輯的功能。目前 Explorer 應用於電影、遊戲製作的虛擬製作流程中，未來目標是實現即時世界生成，並拓展更多應用，文中也提及與 Pixar 共同創辦人 Ed Catmull 的合作，突顯其在該領域的領先地位和遠大抱負。
Genesis 是一個強大的、通用物理引擎，旨在為機器人和更廣泛的應用程式（如具身 AI 和物理 AI）提供服務。它不僅是一個輕量級且超快速的模擬平台，擁有易於使用的 Python 介面和逼真的渲染系統，更是一個生成式數據引擎，能根據自然語言提示生成各種模態的數據，例如物理準確的影片、機器人策略、以及複雜的 3D 場景和角色動作。其核心是從零開始重建的物理引擎，結合多種物理求解器，並由上層的生成式代理框架進一步增強，實現數據生成的自動化。目前已公開發布物理引擎和模擬平台的原始碼，生成式框架將逐步推出。 Genesis 的目標是大幅提升模擬效率和數據生成能力，促進機器人學及相關領域的研究與發展。
本片中展示 AI Studio 上 Gemini 2.0 中的入門應用程式之一 「視訊分析器」，並詳細介紹如何使用 Python 程式碼和新的統一 SDK 從多角度分析影片內容。
Google Labs 宣佈了幾個重要更新。除影片生成外，Whisk 最受矚目！
Google 推出了Veo 2 和 Imagen 3 的改良版本，分別在影片和圖片生成方面達到業界頂尖水準，並整合到 VideoFX 和 ImageFX 工具中。 此外，一個名為 Whisk 的新工具也正式亮相，它允許使用者以圖片作為提示，結合 Imagen 3 和 Gemini 的技術，創造出獨特的影像。 文章最後還介紹了這些工具的應用範圍以及未來發展計畫，例如在 YouTube Shorts 和 Vertex AI 上的整合。 整體而言，文章旨在展示Google在AI影像與影片生成技術上的最新進展，以及其對提升使用者創造力和拓展應用場景的努力。
Veo 2 是一款最先進的影片生成模型
Google DeepMind 的 Veo 2 能生成高品質、逼真的影片，解析度最高可達 4K，並具有精細的攝影機控制選項，能準確地模擬真實世界的物理現象和多種視覺風格。
大幅提升大型語言模型 (LLM) 的推理速度
Cerebras 和 Groq 等公司利用此技術，在 Llama 模型上取得遠超傳統 GPU 的效能表現，速度提升達數倍。文章詳細解釋了如何取巧進行推理解碼的原理：使用較小的模型快速生成初步答案，再由較大的模型校驗其準確性，類似「助理先打草稿，老闆再審核」的流程。文章後半部提供了使用 Llama.cpp 實作推測解碼的步驟，並說明了其各個參數的意義，以及在實際應用中可能遇到的挑戰，例如偶爾出現的延遲問題，但整體而言，推測解碼能有效提升 LLM 的效能，尤其適用於需要大量運算的應用情境，例如結合思考鏈 (CoT) 的複雜任務。
影片示範使用 OLAMA 平台，離線運行 Llama 3.2 vision 模型。重點在於說明如何使用終端機或 Open Web UI 與圖片互動，以及運用 Python 和 JavaScript SDK 建立應用程式。影片涵蓋基本設定到進階應用程式開發，並提供詳細程式碼範例，協助 Llama 3.2 vision 模型進行圖像識別和描述等任務，展現消費級硬體上的強大能力。
