过去做一条AI视频，常常要把图片交给一个工具、声音交给另一个工具，再用剪辑软件把它们拼起来。MiniMax H3想解决的，正是这种“素材各管一段”的麻烦：文字、图片、视频和音频可以作为同一组参考材料，一起参与视频生成。

对普通用户来说，这次更新值得关注的不是又多了一个模型名字，而是做视频的入口正在变得更像一次完整的内容创作。

一、H3已经能用，而且不只停留在发布会里

MiniMax在7月31日发布H3，把它定位为通用多模态视频模型。现在，用户可以从海螺AI的H3官方页面直接进入体验；开发者也可以通过MiniMax开放平台调用模型。与此同时，ComfyUI已经原生支持H3开放权重工作流，可以在本地部署文本生视频、图片生视频和参考素材生视频等流程。

这里要分清两件事：在线平台和API更适合普通用户，操作门槛低；开放权重更适合有显卡、懂模型部署的人。开放权重不等于“任何电脑都能轻松跑”，更不等于生成完全免费。

二、它把四类素材放进了同一个“上下文”

过去给视频模型下指令，最常见的是一段文字，或者一张首帧图片。H3进一步支持把文字、图片、视频和音频放在一起，让模型同时参考人物外观、动作节奏、镜头语言和声音氛围。

比如，你可以提供一张产品图、一段运镜参考和一段背景音乐，再用文字说明“镜头从近景慢慢拉远”。模型面对的不再是一句孤零零的提示词，而是一套更完整的创作条件。

官方资料显示，H3可生成带原生立体声的视频；在线平台和API支持4至15秒、768P或2K输出。这里的“2K”指在线平台或API能力，不应直接套到本地开放权重工作流。ComfyUI官方教程注明，本地原生画布以短边768像素为基准，并有画布上限。

三、普通人最容易上手的，是这三种做法

1. 只写文字：先把想法变成短片

适合没有现成素材、只想快速试创意的人。写清主体、场景、动作、镜头和声音，比堆砌“电影感”“高级感”更有效。

2. 给首尾画面：让变化过程更可控

如果你已经有一张开场图和一张结束图，可以让模型补出中间过程。产品展示、海报动效和简单转场，都可以从这种方式开始。

3. 同时给参考图、视频和音频：让结果更接近你的目标

这是H3最有代表性的用法。参考图负责人物或产品外观，参考视频负责动作和运镜，参考音频负责节奏和声音风格。素材越多不一定越好，关键是每份材料分工明确，彼此不要冲突。

四、“开放权重”让它多了一条本地路线

对于普通读者，开放权重最实用的理解是：除了在网页上点按钮，还可以把模型下载到自己的设备或服务器里，通过ComfyUI等工具搭建工作流。这样更便于批量处理、接入内部流程，也能减少素材在多个在线工具之间来回传递。

但本地运行要付出显卡、存储、部署和维护成本。你还需要自己处理模型文件、工作流节点和参数设置。对只偶尔做几条短视频的人，先用在线入口通常更省事；对需要稳定批量生产、希望掌控工作流的人，本地部署才更有意义。

五、别只看榜单，先看它能不能完成你的任务

官方页面展示了H3在多项视频生成与编辑评测中的表现，但榜单会随样本和新模型更新。对普通用户而言，更有用的判断标准是三个：人物和产品是否保持一致，动作和镜头是否听指令，声音与画面是否真的同步。

第一次尝试时，可以从5秒左右的小任务开始：只放一到两份关键参考，先测试主体和动作，再逐步加入声音、运镜和更多素材。这样更容易判断是哪一项条件影响了结果，也能少花不必要的生成额度。

还要注意，上传他人照片、声音或品牌素材前，应先确认肖像、声音和版权授权。模型能合成，不代表内容就自动具备发布许可。

H3真正有意思的地方，不只是“又能生成更清晰的视频”，而是把图片、视频、声音和文字放进了一次创作里。过去需要在多个工具之间接力的流程，正在被压缩成一个更统一的入口。

如果你只是想让一张照片动起来，在线页面已经足够；如果你要把参考素材、声音和批量流程结合起来，再考虑API或本地开放权重。先从最小任务开始，往往比一次把所有功能都塞进去更容易得到可用结果。

2.8万亿参数、原生视觉、最高100万Token上下文——Kimi K3的数字很醒目，但普通用户真正需要关注的，是它能否读完一整套资料，并把调研、分析、文档和编程等长任务持续做下去。

前几期我们聊过桌面智能体、零代码应用，也聊过能围绕资料做研究的AI工具。本期轮到国产大模型里的“长文本老选手”Kimi。

7月16日，月之暗面发布新一代旗舰模型Kimi K3。官方公布的几个数字很抢眼：2.8万亿参数、原生视觉能力、最高100万Token上下文，并重点面向长程编程、知识工作和复杂Agent任务。

一、Kimi K3升级的重点是什么？

先说结论：K3的重点不是让简单聊天变得更花哨，而是提高处理“重任务”的能力。

过去用AI做复杂项目，经常遇到三个问题：资料一次放不全、对话长了忘记前文、任务步骤一多就开始跑偏。

K3把上下文上限提高到100万Token，适合处理大型代码库、成套项目文档和多份研究资料。这里要注意，100万Token是模型支持的上限；网页端需要相应的高等级会员权益，并不是所有账号默认开放。

它还原生支持图片理解。除了文字、表格和文档，你也可以把截图、图表、流程图一起交给它，让模型结合图文分析，而不是只读其中的文字。以前分析竞品页面，需要先用文字描述页面结构；现在可以直接把网页截图交给K3，让它结合页面布局、图表和文字一起分析。

至于KDA、Attention Residuals和MoE这些技术名词，普通用户不用背。它们最终想解决的都是同一件事：资料更多、任务更长时，模型仍能尽量保持思路连贯。

二、普通人可以用它做什么？

1. 给一整套项目资料做复盘

把几个月的周报、会议纪要、方案和数据表放进去，让它按“目标—进展—问题—下一步”整理，并找出前后矛盾和长期没有解决的事项。

以前我们需要在十几个文件之间来回翻，现在可以先让AI完成第一轮梳理，再由人核对关键结论。

2. 横向比较多份报告

一次上传多份行业报告时，不要只说“帮我总结”。可以直接要求：

比较这些报告的共同判断、主要分歧和数据口径；每条结论标出来源；最后给出三条可执行建议。不确定的信息单独列出，不要自行补全。

这样得到的结果，更接近一份可以继续加工的调研底稿。

以前同时看几份报告，最费时间的往往不是阅读，而是核对同一指标是否采用同一口径；先让AI把差异列出来，人再回到原文确认，可以省掉大量来回翻找的时间。

3. 从资料直接做到成品

K3不仅能输出文字，还可以参与生成文档、表格、PPT和网站等可编辑成果。

例如，你可以让它先读取会议材料，再整理汇报逻辑、制作演示文稿提纲，最后检查遗漏。这种工作方式更接近“把整个任务交给AI”。

以前最容易卡在“内容已经有了，但还要重新整理成不同格式”；现在可以让AI沿着同一套材料继续往下做，减少在文档、表格和PPT之间反复复制粘贴。

4. 处理周期更长的编程任务

对开发者来说，K3更明显的优势是读取大型代码库，并持续完成修改、测试和排错。

普通用户即使不写代码，也可以关注这一点。因为模型能否长期稳定执行编程任务，也会影响它完成多步骤办公任务时的可靠性。

过去处理长任务时，模型常常做到一半就忘了前面的约束，还需要人工反复提醒；K3想提升的，正是这类持续执行能力。

三、怎么开始使用？

第一步，打开Kimi网页端或最新版客户端，在输入框右下方的模型选择器中切换到K3。K3也已经应用在Kimi Work、Kimi Code和官方API中。

第二步，把任务背景、参考资料和交付格式一次说清楚。比如：

阅读我上传的12份周报和3份会议纪要，先整理本季度项目时间线，再找出延期事项及原因，最后生成一份10页以内的复盘PPT提纲。所有结论都标出来自哪个文件，不确定的地方单独列出。

第三步，不要拿到第一版就结束。继续让它检查遗漏、核对引用、压缩篇幅，或者把内容改成适合汇报、公众号和内部通知的不同版本。

记住一个实用公式：

复杂任务 = 输入材料 + 处理步骤 + 输出格式 + 核查要求。

这四项说得越清楚，AI越不容易跑偏。

四、K3、K2.6和K3集群怎么选？

如果只是问一个简单问题、查资料或改一句文案，响应更快的K2.6通常已经够用。Kimi帮助中心显示，K2.6在聊天场景中不消耗会员额度。

需要处理成套资料、复杂推理、可编辑文档或多步骤任务时，可以切换到K3，但会消耗相应额度。

如果任务涉及大规模搜索、批量处理或很长的内容，可以考虑K3集群。它更像“同时安排多名助手分头工作”，但同样会消耗额度。

五、使用前还要注意什么？

上下文更长，不代表结论一定正确。资料越多，越要要求AI标注来源，并对关键数字回到原文复核。

也不要随意上传合同原件、身份证件、未公开经营数据和公司源码。涉及内部材料时，要先确认单位的数据安全要求和账号权限。

需要说明的是，“开放模型”不等于普通电脑就能轻松本地运行。K3总参数规模达到2.8万亿，官方建议使用由64张以上加速卡组成的超节点配置进行部署。对大多数普通用户来说，更现实的方式仍然是通过Kimi网页端、App、Kimi Work或API直接使用。

写在最后

Kimi K3最值得关注的，不是2.8万亿这个数字本身，而是AI正在从“回答一个问题”，走向“接住一整套项目”。

对普通职场人来说，它未必适合每一次简单对话，却很适合那些资料多、周期长、需要反复核查的重任务。

与其拿它问天气、改句子，不如把积压很久的项目资料交给它，看看它能不能先替你完成第一轮整理。

你最想让Kimi K3接手哪一项重活？欢迎在评论区留言，我可以帮你把第一条指令写好。

你以为它只是笔记本，其实能读资料、跑数据——Gemini Notebook来了

Google出品，把PDF、网页、表格和视频丢进去，不仅能读，还能总结、对比、画图、出成品

7月16日，Google正式把NotebookLM更名为Gemini Notebook。

名字像是换了块门牌，真正的升级却在后厨：部分付费用户已经能让它在安全云端环境中运行代码，资料分析从“帮你看懂”进化到“帮你算完”。

之前我们聊过桌面智能体、聊过文件生成工具，各有各的擅长。但Gemini Notebook切入的是另一个场景——你不是要它凭空编东西，而是要它先把你喂的材料吃透，再替你干活。

一句话概括新能力：把PDF、网页、表格和视频丢进去，Gemini Notebook不只帮你读，还能围绕原始资料做总结、对比、画图表、导出成品文件。

一、怎么用

第一步，建一本笔记。登录Gemini Notebook，新建项目，把PDF、Word、PPT、CSV、网页链接、YouTube视频或录音一次性丢进去。每个项目独立管理，资料不会在不同笔记之间乱串。

第二步，直接说人话。 别只问“总结一下”，试试这样下任务：“对比三份报告的共同结论和冲突点，每条都标出来源”“把这张CSV按月份分析，找出异常波动并解释原因”。回答会附资料引用，方便你回到原文核对。

第三步，到Studio里收成品。 你可以生成简报、思维导图、测验、音频解读、数据表或演示文稿。已开放云端计算能力的账号，还能让它运行代码、画图表、导出Excel、PPT、Word等文件。

 二、场景示例

备课做课件：上传教材、政策文件和几篇论文，让它先列知识框架，再生成课堂提问、随堂测验和讲解提纲。以前资料在文件夹里“各过各的”，现在终于肯坐下来开会了。

项目复盘：放入周报、会议纪要和数据表，要求它找出目标偏差、关键原因和下周行动。数据多时，再让它画趋势图，省掉手动筛表和拼结论。

快速吃透新领域：把行业报告、公开课视频和访谈录音放进一本笔记，先听音频概览，再沿着引用追问。适合调研、考试复习，也适合临时接到一个完全陌生的项目。

三、注意事项

改名不等于所有新功能同时到账。云端运行代码目前优先面向Google AI Ultra和部分Workspace商业用户，未来几周逐步覆盖Pro网页用户。普通用户仍可使用资料上传、基于来源问答和Studio内容生成功能。

AI回答有引用也不代表绝对正确，正式材料仍要回原文复核。上传内部资料前，确认好账号权限和分享范围。

最后聊两句

市面上AI工具分两类：一类帮你“凭空造”，一类帮你“从材料里挖”。Gemini Notebook稳稳站在后者。

它不是让你跟AI闲聊，而是让你把资料扔进去、下命令、然后拿走成果。之前我们聊的桌面智能体是帮你操控电脑完成多步骤操作；腾讯元宝是一句话生成PPT和表格；百度秒哒是零代码搭应用。Gemini Notebook做的事不一样——它解决的是“围绕一堆资料深挖、追问、出成果”这件事。

改名只是开始。Gemini Notebook最值得关注的，是“资料库”开始长出真正的执行能力——从“读懂”到“算完”，Google把它塞进了一本笔记本里。**你最想把哪一堆资料塞进Gemini Notebook？评论区聊聊，我帮你把第一条指令写好。

美团出品，1.6万亿参数MoE架构，MIT协议免费商用，纯国产算力训练

往期我们聊的Coze 3.0、百度秒哒，都是面向普通用户的上层应用工具。本周换个视角——AI行业迎来一个底层技术里程碑事件。

7月6日，美团LongCat-2.0正式开源，国内首款全程依托国产算力集群完成训练、推理的万亿参数混合专家大模型。对企业私有化部署、开发者二次开发具备极高价值。

一、LongCat-2.0是什么？

总参数1.6万亿，MoE混合专家架构，单Token动态激活480亿参数，原生支持百万字超长上下文读取。

6月底完成技术发布，本周正式开放完整权重、推理代码、微调工具。采用MIT开源协议，不限企业商用。华为昇腾、摩尔线程、沐曦等国产芯片同步完成适配，普通高配服务器也能本地离线部署。

最大亮点：依托五万卡国产算力集群完成全流程训练，彻底摆脱对海外高端算力的依赖，补齐国产大模型自主化的核心短板。

二、三大核心优势

全链路国产算力，数据不出境

从训练芯片到推理引擎全部国产化，数据全程本地运行不上传云端。企业内部源码、项目档案、涉密资料可以放心处理，政企和研发团队的落地门槛大幅降低。

长文本+工程代码能力突出

一次性完整解析整套项目文档、数十份行业报告，代码漏洞排查、批量工程重构、脚本生成准确率大幅优化。针对多步骤智能体任务做了专项调优，长链路工作逻辑连贯性更强。

完全免费开源，部署成本低

模型和推理框架无商用限制，不用持续付云端API费用。配套轻量化压缩方案，中小团队不需要高额算力投入，就能搭建专属私有大模型底座。

三、能用在哪些场景？

企业研发内部知识库：批量解析项目源码、历史方案、行业档案，搭私有问答系统，自动迭代文件、排查代码问题，内部数据本地留存。

海量资料批量复盘分析：一次性读取长篇台账、行业调研资料，自动提取核心数据、生成对比报告，适合大批量档案归档和周期性业务复盘。

开发者低成本二次开发：基于开源底座定制行业专用AI、本地文档处理智能体，不用从零训练大模型，大幅缩短自研周期。

四、怎么上手？

去美团开源仓库、ModelScope或HuggingFace下载完整模型包和推理脚本。在国产算力服务器或高配主机上部署，官方提供了轻量化启动工具。本地离线上传文档和代码直接下发指令，支持百万字批量解析。开发者可以基于源码微调，打造适配自身行业的定制化模型。

五、核心亮点小结

本周最新开源的重磅技术产品，填补了国产万亿大模型自主训练的空白。开源商用无限制，本地私有化部署方案成熟，隐私和合规优势明显。长文本、代码、多步骤任务表现领先。多品牌国产芯片同步适配，硬件选择灵活。

定位精准面向企业级私有化部署，原生交互以开发者工具为主，技术团队可直接调用API或命令行高效集成；普通个人用户可关注社区后续推出的轻量封装版本。

写在最后

最近AI产品大多扎堆做个人办公和轻量化应用，底层自主可控的开源大模型新品确实稀缺。本周开源的美团LongCat-2.0，兼顾国产算力自主、免费商用、离线本地运行三大核心优势。

对于有大批量资料梳理、项目研发、私有数据处理需求的企业和开发者，这款模型有长期实用价值——不用持续订阅云端服务，本地运行也能保障内部资料安全。

你是企业技术负责人还是独立开发者？评论区聊聊，帮你看看LongCat适不适合你的场景。

腾讯出品，295B参数新模型，文件生成功能个人永久免费

往期我们聊过团队协同的Coze 3.0、零代码搭应用的百度秒哒，都是各自赛道的实用选手。本周迎来7月首个重磅大模型更新——腾讯混元Hy3正式发布，同步打通元宝全端产品，免费开放Agent任务能力。

一句话概括这次更新的核心价值：不用切换多款工具，一句话自动生成PPT、Excel、PDF等完整办公文件，全程免费。

一、混元Hy3是什么？

7月6日，腾讯正式发布新一代混合专家大模型混元Hy3，295B总参数、21B动态激活参数，靠快慢双思考架构大幅降低模型幻觉、提升多步骤任务稳定性。

对比前代，常识错误率减半，文本幻觉率下降超50%，工具调用和长链路任务规划能力跨越式升级。

发布当天，腾讯元宝全端同步接入Hy3底座，上线全新免费Agent功能——不用额外开通权限，切换模型就能直接用。

二、两大核心亮点

文件一站式交付，全流程自动闭环

普通AI只输出文字，Hy3驱动下的元宝Agent能自主拆解需求，自动完成素材搜集、数据整理、排版制作，直接交付可下载的成品文件。

日常办公一句指令搞定整套活：制作市场分析PPT、输出数据统计Excel、生成旅行攻略PDF、搭建互动教学HTML页面。不用手动复制粘贴、不用二次排版，多轮对话还能反复调整版式和内容。

免费+轻量，上手零门槛

不用下载独立客户端、不用搭建工作流、不用调提示词。打开腾讯元宝，切换「Hy3深度思考」模式就能触发任务智能体，全部文件生成功能个人永久免费。

API同步降价，输入Token低至1元/百万，中小企业批量接入成本也很低。

三、能帮你干哪些活？

职场办公：自动生成工作汇报PPT、数据复盘表格、项目方案Word文档，省去排版制图汇总的大量时间。

内容创作与规划：撰写完整调研报告、一键生成多日出行攻略PDF，自动整合路线预算景点信息。教学素材：快速搭课堂互动小游戏、知识点自测工具、习题汇总文档，几分钟成型。

四、怎么用？

打开腾讯元宝APP或网页端，更新到最新版本。模型选择栏切到「Hy3深度思考」模式，直接完整描述需求、注明要什么格式——比如“帮我做一份Q2市场分析PPT，10页左右”——AI自动执行全流程任务。生成完一键下载，不满意就继续对话调整。

五、亮点小结

本周最新上线的模型能力，轻量化办公智能体免费开放，无额外付费门槛。幻觉控制和多步骤任务稳定性大幅优化，成品文件完整度高。依托元宝原生客户端，无需额外软件，手机电脑随时随地可用。API低价开放，企业和个人开发者都能低成本接入。

写在最后

近期AI赛道不少产品扎堆卷电脑自动操控，上手门槛偏高，普通用户用不太上。而腾讯混元Hy3+元宝Agent的组合，精准瞄准大众高频办公需求——把完整文件生成能力免费下放，不用复杂配置，不用额外软件，一句话产出可直接用的成品资料。

经常写汇报、做表格、整理方案的，可以直接打开元宝免费体验，省下大把重复性文书时间。

你最想让元宝帮你生成什么文件？评论区聊聊，我帮你试试能不能做。