pillar

所有强者，都不关注任何人。

不要高估你与任何人关系，别人没义务理解你，体会你。

把自己的日子过好，比什么都重要。

真正的修行是让自己越来越安静平和、乐观，让整个磁场向上发展，能量正向流动。保持这种状态，一切美好便会水到渠成，放轻松好事自然会来。

你越是放松，结果往往就越好。人生就是很神奇，当你能够放松下来沉住气，不再急于求成，而是专注于打磨自己，同时对人对事降低期待，反而更容易得到好的结果。人只有在快乐的时候，运气才会变好。你越快乐，你的磁场频率就越高。

多线下见面，少网上聊天。

之前突然灵光一闪想通一个道理，但之后就很难复现，虽然结果是知道的。

之前的节奏就很好，不关心，不掺合。

敢想 敢闯 勤快 再加点运气

降低预期，放弃回报，享受过程，接受结果。again。

@ianneo_ai 👍

未来搭平台，一定要建立在 Claude code like 平台上，因为这是未来的Llm OS。

穿越周期的三种核心能力是：1、让人立刻获得情绪确认的能力​；2、让生活基础稳定运转的能力​；3、在不确定环境中为个体提供心理安放的能力​。

要有底线思维，不要有惯性思维。

需求理论，就是看清需求背后的需求。

@chaomeigu_com 每天的交易量可以达到300万美元以上是怎么计算出来的？

经过数个版本迭代，我们已经使用此系统交易超过1亿美元的虚拟货币，现在正式开源github.com/dennisyang1986…

@0xInk_ good

GM currently working on a custom GPT model designed to help write prompts from grid-based visuals, generated either with NB pro or through Higgsfield’s cinema studio I’ll share it once it’s working properly

@servasyy_ai 👍

AI视频生成如何做到分镜合成一致性？ AI长视频的核心矛盾，是叙事连贯性与模型随机性的博弈。 最近一直在研究AI视频，给大写了一篇干的，自己的见解！欢迎点赞，收藏，评论，指正 AI长视频生成：从片段到成片的工程化方法论 想做出5分钟以上连贯长视频，核心是用影视工程化流程约束AI，破解一致性难题！ 从制片人角度出发，分享一套从顶层设计到后期落地的全链路方案👇 1️⃣ 顶层设计：锚定一致性源头 AI不是叙事引擎，必须靠人工精密设定打底 ✅升级AI可执行剧本：每个场景标注场景号、核心画面、一致性锚点（角色形象/道具特征/色调基调）、镜头语言、转场方式 ✅ 打造视觉核心宗旨：生成角色定妆照+场景道具设定图，训练专属LoRA；明确风格关键词+负面提示词，让每帧都有统一“基准线” 2️⃣ 分镜生成：用策略降低随机性 别盲目堆时长，抓关键锚点+技术工具链破局 ✅ 锚点画面法：先出场景关键帧，再补过渡镜头，降低全程一致性压力 ✅ 人物隔离法：复杂互动镜头分角色生成，后期合成保形象稳定 ✅ 参数化复刻：记录成功镜头的种子值/提示词/模型参数，为补拍修补留底档 ✅ 图生视频兜底：用静态分镜图当起始帧，提升画面初始稳定性 3️⃣ 后期整合：用剪辑和音效“救场” 素材≠成片，后期才是叙事一致性的最后一道锁 ✅ 音频先行：先做完整音轨（对白+音效+BGM），用声音连贯性掩盖视觉小跳跃 ✅ 剪辑巧思：黑场/模糊/空镜特写转场，规避动作衔接硬伤；统一LUT调色，给所有素材“上色” ✅ 混合媒体思维：难搞定的长镜头，试试AI背景+传统CG角色/静态插画，有时候妥协也是创作智慧 🎬 给创作者的务实建议 1. 从小切口试水：先做1分钟预告片，再挑战长叙事 2. 切换制片人思维：你要管理的是提示词、设定库、素材库组成的“AI生产线” 3. 抓大放小做妥协：主角脸部/核心道具必须稳，背景路人等细节可适度放松 4. 盯紧技术迭代：角色一致性插件、连续帧生成模型，随时更新你的工具库 不靠等完美模型，靠流程和策略，也能把AI变成听话的“制片助理”！ #AI视频创作 #Sora #分镜设计 #影视工业化

@bdsqlsz 电脑配置有什么要求？

I just updated a one-click install version of Windows and fixed some bugs and added some new options: Fixed the issue of windowed errors in the game. Added the option of not pausing in real time. The code will no longer automatically pause the game or freeze the game frame. ↓

截止到目前，机器学习还是靠三大数学基础：线性代数、微积分和概率论。机器学的就是这个：不断把偏差值拟合回回归线上。机器追求的是确定性，是稳定性，是把所有的偏差都拉回到这条回归线上。