土豆世界观察

论文链接：arxiv.org

博客链接：marclou.beehiiv.com

00:20 reddit论坛上的第一个帖子03:27 产品爆发式增长05:44 开发过程07:06 产品定价08:28 产品爆火后的发展https://www.reddit.com/r/InternetIsBeautiful/comments/w2wdro/free_ai_bot_that_gives_you_the_excel_formula/https://www.reddit.com/r/SideProject/comments/x47nzi/zero_to_350k_users_in_a_month_and_a_half/?utm_source=embedv2&utm_medium=post_embed&ut

文章链接：https://www.indiehackers.com/post/skip-user-research-go-sell-02696f6b2001:00 传统用户调研的步骤03:00 直接开始销售产品的好处06:57 需不需要至少有个产品效果图或者网站来展示想法？然后再开始销售？

00:15 游戏环境中的通用AI智能体00:25 SIMA的意义01:00 SIMA尝试的游戏02:30 游戏数据收集的两种方法04:20 智能体的模型架构06:00 如何让模型更“听话” 06:47 实验结果证明了智能体的可迁移性 07:30 语言指令的有效性09:00 SIMA是哪四个词的组成 SIMA项目网站：https://deepmind.google/discover/blog/sima

00:15 Mini-Gemini可以做什么02:50模型架构11:15合成更多数据帮助训练模型13:40 更多的生成图像（实验结果）

00:26 为什么合成数据在未来将会对大模型训练至关重要？01:13 Hugging face的博客03:00 合成数据的源头03:55 生成合成数据的提示词

在本期播客中，我们分析了大模型公司为何获得高估值的逻辑( 00:45)，包括其在文本理解和生成能力方面的突出表现( 00:59)、盈利能力的展现( 02:01)、以及在搜索,视频生成领域的巨大潜力（ 04:41 ）。同时，我们也讨论了大模型估值可能过高的担忧（07:41），主要集中在实现通用人工智能（AGI�

00:12 Sora用到最主要的技术00:27 扩散模型+转换器00:48 将U-net替换成transformer01:02 transformer处理图像的方法01:16 adaptive layer normalization是什么02:31 adaptive layer normalization的重要性03:18 实验结果，Diffusion transformer的规模效应       Diffusion Transformer论文链接 https://arxiv.org/pdf/2212.09748.

00:15 control net想实现的目标00:57 融合已经被训练好的大模型以及加入可被训练的参数01:35 control net的三个输入01:53 到底该怎么控制control net?02:46 语言描述的作用03:15 control net是如何减少内存消耗的04:00 实验部分04:20 四个量化评估方法05:25  对比实验05:35 control net 参数初始化为0的意义06:15 文�