Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub.
Quick StartCreate a new post1$ hexo new "My New Post"
More info: Writing
Run server1$ hexo server
More info: Server
Generate static files1$ hexo generate
More info: Generating
Deploy to remote sites1$ hexo deploy
More info: Deployment
很多人找免费 AI 额度的方式,就是等别人整理好的清单。清单当然有用,但有个问题:等清单更新的时候,好活动可能已经过期了。
其实自己找也不难。难的不是找,是分清什么是真福利、什么是坑。下面这套办法,是我自己一直在用的,照着做就行。
先去哪找:四个地方就够了第一,厂商的官方定价页和活动页。 这是最靠谱的起点。比如硅基流动的官网能直接看到 9B 及以下开源模型永久免费、新用户注册有额度;阿里云百炼的帮助中心写着新人每款主流模型送 100 万 Tokens;腾讯云 TokenHub 的新人体验包也在官网能查到。先看官方,再看别的。
第二,GitHub 上的免费资源清单。 有些仓库专门收录免费的开发资源,比如 ripienaar/free-for-dev,里面按类别列了各家厂商的免费层;还有 free-token-hunter 这类专门盯免费 Token 的清单。清单的好处是全,坏处是更新有延迟,看到一条感兴趣的,务必回到官方页面再确认一遍。
第三,论坛的福利版块。 NodeLoc 的「白嫖资源」版块、CocoLoop 的「福利专区」,经常有人第一时间贴出新活动。这些帖子速度很快,但 ...
这周的免费额度盘点,换了一批新的。上一期写过的七牛云、硅基流动、Gemini CLI 那些就不重复了,这期挑了 6 个还没写过的、已经核实过的额度,API、编程助手、云服务都有。
先说清楚:下面每一条的额度和条件都来自福利雷达里已核实的条目,雷达快照日期是 2026 年 11 月 18 日。免费福利变化快,领之前务必再打开官方页面确认一遍当期规则。
1. AMD Radeon Token Factory:邮箱注册就能用的免费 APIAMD 的免费共享 API,注册个邮箱就能用,调用不消耗 credits。额度按账户滚动周期算,有个美元花费上限,但官方不公布具体数值。网上流传的约数只能参考,不能当官方承诺。
适合想试试 DeepSeek 这类模型、又不想先掏钱的人。国内可以直接访问,注册门槛低。
2. 腾讯云 CodeBuddy 个人免费版:每月 100 Credits腾讯云的 AI 编程助手 CodeBuddy,个人免费版每月给 100 Credits。另外还有个限时活动,每天再给 30 Credits,结束时间以官方页面为准。
写代码、改 Bug、让 AI 帮你解释一段代码,这些日常 ...
最近一个月,几家主流厂商的旗舰模型接连调了价格。单看每一条都不算大新闻,放在一起看,味道就不一样了:这轮竞争的重点,正在从「谁的模型更聪明」变成「谁干活更便宜」。
先把事实摆出来11 月 9 日,Anthropic 发布 Claude Fable 5.2,输入每百万 Token 8 美元、输出 40 美元,比上一代便宜两成,输出速度还快了三成。
11 月 16 日,阿里巴巴的 Qwen4-Max 全面开放,输入 1.5 美元、输出 4.5 美元。阿里巴巴的说法是,单任务成本比上一代低了六成以上。
11 月 17 日,OpenAI 发布 GPT-6.2,旗舰 Astra 比上一代便宜两成。
11 月 18 日,Google 发布 Gemini 4 Neon,输入 3 美元、输出 15 美元。Google 的说法是,同样任务的成本比自家的 Gemini 4 Carbon 低 32%。
四家厂商,十天之内,动作惊人地一致:降价。而且降的都是旗舰,不是边角料。
大家比的已经不是标价了有意思的是,这几家的说法里有个共同点:没人只说「我便宜了多少」,都在说「完成一个任务花多少钱」。
这是个微妙但重 ...
11 月 19 日,Google 在官方博客上宣布了一件事:Mac 版 Gemini 应用里加了电脑操作(computer use)功能。
意思就是,你跟 Gemini 说一声,它能在你的 Mac 上动手了——点鼠标、打字、翻菜单、填表格,跨好几个应用把一件事做完。
它是怎么干活的和你想的可能不太一样,Gemini 不是直接接管你的屏幕。它在一个隔离的后台窗口里操作,你的主屏幕和光标完全不受影响,你可以继续打字、做设计、接电话。聊天窗口里还有个实时预览,能看到它正在干什么。
Google 官方举了几个例子:
批量给照片调色,或者在 3D 软件里搭一个复杂的场景;
从本地 PDF 里提取重量、尺寸、地址,填进多栏的运费报价单;
从好几个地区的实时仪表盘上拉数据和截图,拼成一份能直接讲的 Slides 演示;
分析本地文件夹里的衣服照片,查查价格,帮你把二手上架的信息先准备好。
说白了,都是那种「步骤多、每个步骤都不难、但加起来很磨人」的活。以前 AI 只能告诉你怎么做,现在它能直接上手帮你做。
现在谁能用门槛列一下,因为不少人看到新闻就想试,结果发现用不了:
得是 Apple Si ...
11 月 19 日,OpenAI 在开发者 API 的更新日志里加了一条不算长的新内容:GPT-Live-1.1 进 API 了。
这个模型不少人其实已经用过——从 10 月 15 日起,ChatGPT Plus 和 Pro 的语音功能背后跑的就是它。这次变化是,开发者也能直接调用了,不用再等。
能边听边说,是它和普通语音接口不一样的地方GPT-Live-1.1 是个全双工语音模型。说人话就是,它能一边听你说话,一边开口回应,不用等你说完一整句再开始处理。打电话那种自然的你来我往,它能做到;你中途插一句,它也不会乱。
官方这次提到的改进有三点:多语言场景下的发音更准、口音前后更一致、转写更准确。另外它还能把复杂的活儿交给后端模型去处理,自己继续跟用户保持对话。打个比方,你让它去查一笔订单,它不用先挂起对话等结果,可以先跟你聊着,等后端算好了再把结果说出来。
调用方式也简单,模型标识就是 gpt-live-1.1,走 /v1/live/sessions 这个接口,已经在用 Live 会话的开发者直接换模型名就行。
待机模式:沉默的时间终于不按原价算了这次更新里真正让我多看两眼的,是新加的 ...
同样是用 AI 写代码,有人一句话就拿到能跑的结果,有人改十轮还在原地打转。差别往往不在模型,而在需求写得清不清楚。AI 编程助手不会读心术,你给的信息越完整,它走的弯路就越少。下面这 5 个技巧,都是马上能用的。
1. 先说目标,再说做法很多人写需求上来就写「用某某方法实现某某功能」,其实 AI 最需要先知道的是:这段代码要解决什么问题、给谁用、做到什么程度算完成。
举个例子,同样是「做一个登录页」:
含糊版:「帮我做个登录页面。」
清楚版:「给公司内部系统做一个登录页,用户用邮箱加密码登录,登录失败要提示具体原因,成功后跳到工作台。样式沿用现有项目的 Tailwind 配置。」
第二个版本多花了半分钟,但 AI 少猜了很多东西,返工概率也低得多。原则是:目标先行,做法其次。
2. 把上下文一次给够AI 编程助手最怕「信息不全」。动手之前,先交代清楚这几样:
技术栈:语言、框架、版本,比如 Python 3.12、React 18。
现有约束:项目已经在用的库、代码风格、不能动的文件。
相关代码:把涉及的文件或函数贴出来,或者告诉 AI 去读哪几个文件。
边界条件:数据量多大、 ...
开完一小时的会,最累的往往不是开会本身,而是会后整理:谁说了什么、定了哪些事、谁负责、什么时候交。以前这活儿全靠人工记,现在越来越多团队把它交给了 AI:一场会下来,录音自动变成文字,文字再变成纪要和待办清单。这套流程已经相当成熟,值得单独聊一聊。
旧办法的问题出在哪传统的会议记录有三个痛点:
记不全:边听边记,手速跟不上嘴速,关键数字和人名最容易漏。
整理慢:一小时的会,整理纪要常常还要花半小时以上。
没人看:纪要写完发到群里,真正回头翻的人没几个,定的事最后还是靠口头催。
问题不在「大家不认真」,而在流程本身太依赖人力。把机械的部分交给 AI,人只负责判断和确认,效率自然就上去了。
一套可直接照搬的流程现在主流的 AI 会议记录,基本是四步走:
第一步:录音开会时用会议软件自带的录制功能,或者用手机、录音笔录下来。如果是线上会,很多会议平台已经内置了录制和转写;线下会则需要一台收音清楚的设备,尽量放在桌子中间。
第二步:转写成文字录音上传后,AI 会把语音转成文字,并按说话人分段。这一步现在准确率已经不错,普通话会议的识别效果一般能满足日常使用。方言、口音较重或者多人同时说话的 ...
做 PPT 最花时间的往往不是排版,而是开头那一步:面对空白页面,不知道先讲什么、后讲什么、讲几页。AI 最擅长的恰恰是这一步——把一个主题拆成有逻辑的逐页大纲。十分钟,足够做出一份能直接用的大纲。下面是完整流程。
第一步:先定三件事,再打开 AI在跟 AI 说话之前,先想清楚三个问题,写进提示词里:
给谁讲:是给领导汇报、给客户提案,还是给学生上课?听众不同,深度和语气完全不同。
讲多长时间:10 分钟的分享和 40 分钟的汇报,大纲页数差一倍都不止。
想让听众记住什么:一句话说清核心结论,比如「建议追加投入」或者「新方案能省三成成本」。
这三件事不先定,AI 只能给你一份「放之四海而皆准」的通用大纲,看着完整,用起来处处不对劲。
第二步:用一段提示词生成逐页大纲把主题和上面三件事一起告诉 AI,可以直接用下面这个模板:
我要做一份 PPT,主题是「___」,听众是「___」,演讲时长约「___」分钟,核心结论是「___」。请帮我生成一份逐页大纲,每页写明标题、这一页要讲的 2–3 个要点,以及这一页的目的是什么(比如建立背景、呈现数据、推动决策)。控制在 12 页以内。
拿 ...
AI 模型越来越会聊天,但真正让企业头疼的往往是另一件事:成堆的 PDF、扫描件和表格。11 月 18 日,Cloudflare 发布了文档理解模型 Clairic 和轻量版 Clairic-flash,并且以开源权重的方式放出。这不是一款通用聊天模型,而是一台专门「读文档」的机器。
Clairic 是什么Clairic 是一个 270 亿参数的模型,Clairic-flash 是 90 亿参数的紧凑版。两者都以 Apache-2.0 协议开源,权重托管在 Hugging Face 上,同时部署在 Cloudflare 自己的 Workers AI 平台上,开发者可以直接调用。
它的本职工作是文档抽取:读文本、图片和 PDF,处理表格、列表和日期这类结构化信息,并且把答案「锚定」在原文出处上——也就是说,它回答问题时能指出来源在文档的哪一部分。这对合同审核、发票处理、研究报告整理这类场景很关键:答案对不对,一半要看能不能溯源。
那个「207 降到 0」的数字怎么看Cloudflare 在发布中提到一个醒目的数字:内部评测里,图像读取错误从 207 处降到了 0 处。听起来很厉害,但要打 ...



