Forwarded from AI探索指南
英伟达开源了一个可以直接生成 4K 图片的模型 Sana
Sana-0.6B 可以在 16GB 的笔记本电脑 GPU 上部署
生成 1024 × 1024 分辨率的图像只需不到 1 秒钟
已经官方已经支持了 Comfyui，而且放出了 Lora 训练工具
项目地址：https://nvlabs.github.io/Sana/
这里尝试：https://nv-sana.mit.edu
Sana-0.6B 可以在 16GB 的笔记本电脑 GPU 上部署
生成 1024 × 1024 分辨率的图像只需不到 1 秒钟
已经官方已经支持了 Comfyui，而且放出了 Lora 训练工具
项目地址：https://nvlabs.github.io/Sana/
这里尝试：https://nv-sana.mit.edu
#自媒体运营频道 #@yunying23
无论是数字产品还是知识付费
其实按照标品的规格讲，基本上核心竞争力为0，因为太容易被抄袭了
所以，这种单点的优势没有办法形成护城河，也无法构建自己的核心壁垒
任何成熟的知识付费公司或者机构、个人，他们的逻辑都是标品+服务
服务是一种非标的体验，是卖点，也是胜负手
特别是那种难以模仿的消费者非标体验，你存活的时间越久，后续新客获客成本就越低
有时候存活率也是一个核心卖点
无论是数字产品还是知识付费
其实按照标品的规格讲，基本上核心竞争力为0，因为太容易被抄袭了
所以，这种单点的优势没有办法形成护城河，也无法构建自己的核心壁垒
任何成熟的知识付费公司或者机构、个人，他们的逻辑都是标品+服务
服务是一种非标的体验，是卖点，也是胜负手
特别是那种难以模仿的消费者非标体验，你存活的时间越久，后续新客获客成本就越低
有时候存活率也是一个核心卖点
👍2
#自媒体运营频道 #@yunying23
分享一个小红书充值省钱小技巧
看到很多博主吐槽苹果手机用户充值薯币在APP端很贵
比如98块钱只能得到686薯币
如果你是苹果手机用户，可以先关注【小红书电商公众号】，发信息【薯币充值】
68块钱，就可以得到680薯币，立省30块
分享一个小红书充值省钱小技巧
看到很多博主吐槽苹果手机用户充值薯币在APP端很贵
比如98块钱只能得到686薯币
如果你是苹果手机用户，可以先关注【小红书电商公众号】，发信息【薯币充值】
68块钱，就可以得到680薯币，立省30块
#自媒体运营频道 #@yunying23
Google Ads 投放入门指南推荐：
- 投放入门
- 广告体系
- 功能介绍
- 优化策略
- 使用技巧
https://webeyeug.feishu.cn/docx/doxcnZ1aia09T6qIoo8LPyKhnpf
Google Ads 投放入门指南推荐：
- 投放入门
- 广告体系
- 功能介绍
- 优化策略
- 使用技巧
https://webeyeug.feishu.cn/docx/doxcnZ1aia09T6qIoo8LPyKhnpf
❤1
昨天在群里跟AI的朋友们唠嗑，我们会发现其实在公司里有很多提效场景，它可能并不是那么高频刚需，但做了又确实能够有很不错的提效。
比如说我有一个数据我要解析分析并且做成可视化的格式，这个事情每个月只需要1-2次，用研发资源做吧也不是很合适，ROI不一定划算，业务没准哪天需求就变了。
不做吧，它又确实是一个很典型的效率场景，真的是做了立马能够看到提效的；包括很多C端和B端的demo，其实现做出来一个验证再去让研发投精力研发才是最划算的。
这块在AI编程工具成熟之前其实没有什么特别好的解法，但当AI工具出来之后我觉得它会逐渐成为产品经理的必须技能，通过Cursor你可以快速的把业务的需求搭建出来，低频需求直接封装好给业务用，验证的demo直接上线内部测试效果。
之前的产品经理流程是这样的，产品汇总需求——prd——研发开发——上线测试，我觉得未来像我提到的简单业务提效需求有可能变成：产品汇总需求——AI prd——AI编程——交付业务使用；
demo验证的则变成：产品汇总需求——AI prd ——AI编程——demo验证——AIprd ——研发开发——上线测试。
这样做的好处是整个公司整体的效率都会往上跑一大截，研发资源的损耗会降低很多。
那不用AI编程cursor，用dify和coze能不能达到同样的效果？
如果你的业务是内容生产类型、总结类型、知识库检索相关的业务且不需要任何批量化的事情，用dify和coze是可以尝试实现的。
但这个边界其实特别的窄，且一旦匹配上批量化的事情就玩不转了，用dify做一条内容产出效率还行，但同时做100条就非常麻烦了。
dify和coze的优点是上手简单，同时coze还可以接入飞书知识库，但对于定制化的需求场景其实还是偏弱的，更多其实是通用的内容生产总结场景。
cursor的优点是啥都能做，缺点就是上手成本比较高，但产出的天花板更高一点。
大家可以根据自己的具体业务需求来选择，哪个好用用哪个~
比如说我有一个数据我要解析分析并且做成可视化的格式，这个事情每个月只需要1-2次，用研发资源做吧也不是很合适，ROI不一定划算，业务没准哪天需求就变了。
不做吧，它又确实是一个很典型的效率场景，真的是做了立马能够看到提效的；包括很多C端和B端的demo，其实现做出来一个验证再去让研发投精力研发才是最划算的。
这块在AI编程工具成熟之前其实没有什么特别好的解法，但当AI工具出来之后我觉得它会逐渐成为产品经理的必须技能，通过Cursor你可以快速的把业务的需求搭建出来，低频需求直接封装好给业务用，验证的demo直接上线内部测试效果。
之前的产品经理流程是这样的，产品汇总需求——prd——研发开发——上线测试，我觉得未来像我提到的简单业务提效需求有可能变成：产品汇总需求——AI prd——AI编程——交付业务使用；
demo验证的则变成：产品汇总需求——AI prd ——AI编程——demo验证——AIprd ——研发开发——上线测试。
这样做的好处是整个公司整体的效率都会往上跑一大截，研发资源的损耗会降低很多。
那不用AI编程cursor，用dify和coze能不能达到同样的效果？
如果你的业务是内容生产类型、总结类型、知识库检索相关的业务且不需要任何批量化的事情，用dify和coze是可以尝试实现的。
但这个边界其实特别的窄，且一旦匹配上批量化的事情就玩不转了，用dify做一条内容产出效率还行，但同时做100条就非常麻烦了。
dify和coze的优点是上手简单，同时coze还可以接入飞书知识库，但对于定制化的需求场景其实还是偏弱的，更多其实是通用的内容生产总结场景。
cursor的优点是啥都能做，缺点就是上手成本比较高，但产出的天花板更高一点。
大家可以根据自己的具体业务需求来选择，哪个好用用哪个~
从古典bbs起，社区始终希望用户发表尽量「优质」的内容，反对灌水。
用户开始被鼓励倒垃圾流水账，始于web2.0的颠覆，但它的前提是，熟人愿意看你的流水账。
但这给大众用户们教育出了一套固化认知，在那之后，大众注册一个新阵地，都会发：「好无聊啊想死」「昨天没睡好」「今天掉了根头发」「手上的疤抠破了」……
所以反倒是推荐算法扭转了这个趋势，它让你为了讨好算法，千方百计寻找自己能展示的才艺干货，抽肠刮肚浓缩精华讨好读者，吟安一个字，捻断数根须。
后来很多平台失败，不是因为算法技术不行，而是天然做不到让用户退回到「自觉不灌水」的意识
用户开始被鼓励倒垃圾流水账，始于web2.0的颠覆，但它的前提是，熟人愿意看你的流水账。
但这给大众用户们教育出了一套固化认知，在那之后，大众注册一个新阵地，都会发：「好无聊啊想死」「昨天没睡好」「今天掉了根头发」「手上的疤抠破了」……
所以反倒是推荐算法扭转了这个趋势，它让你为了讨好算法，千方百计寻找自己能展示的才艺干货，抽肠刮肚浓缩精华讨好读者，吟安一个字，捻断数根须。
后来很多平台失败，不是因为算法技术不行，而是天然做不到让用户退回到「自觉不灌水」的意识
❤1👍1