用AI做TikTok带货视频：从亏10万到盈利的方法论复盘
本文详细复盘了作者利用AI视频（Sora、Veo等）在TikTok进行带货的实战经历。起初通过简单三步法快速出单，随后因死磕产品一致性、选错昂贵模型及盲目做IP号而亏损十几万。最终总结出一套“逆向拆解+参数化生产”的SOP方法论，强调在AI生产成本趋近于零的时代，核心壁垒在于脚本创作力和系统化的数据资产，而非单纯的工具或产量。
🏷️ Sora
6 篇做企业 AI 视频项目逼出来的工具包:411 prompt · 7 Claude Skill · 14 篇方法论
作者在开发企业级 AI 视频生成全流程网站时，针对模型提示词技巧差异大、文档散落且迭代快的问题，整理并开源了一套完整的工具包。该仓库包含 411 条带来源验证的 Prompt（覆盖 15 种模型）、7 个 Claude Code Skill、14 篇方法论 SOP 以及自动监控模型版本更新的 GitHub Action。
什么是世界模型？(WTF is a World Model?)
本文深入探讨了人工智能领域热门概念“世界模型”。文章指出世界模型是一个问题陈述而非特定架构，类似于SLAM。文章通过自动驾驶案例阐述了Yann LeCun的形式化定义（状态预测与渲染分离），并对比了当前三种主流范式：生成式模型（如Sora）、潜在动力学模型（如Dreamer）以及JEPA架构，分析了它们在压缩策略和预测目标上的差异。
模型选对效率翻倍：一张表看懂AI最优用法
本文针对不同使用场景提供了AI模型的选择指南，指出效率低下的原因常是“用错了地方”。文章将场景分为九大类，包括日常交互、空间推理、代码开发、金融分析及视觉生成等，并分别推荐了适配的最佳模型（如 GPT-5.1、Gemini 3.0、Claude Sonnet 4.5 等）。总结提出了按任务性质匹配模型的三条原则，强调在正确场景使用合适模型的重要性。
谢赛宁对LLM的判断：从Sora关停到世界模型的崛起
文章从OpenAI关停Sora切入，深入探讨了Sora核心架构DiT创造者谢赛宁对大语言模型（LLM）的根本性质疑。谢赛宁认为LLM只是在模仿语言的统计规律，而非理解世界，语言是“鸦片”。文章详细阐述了基于抽象表征空间的预测架构（JEPA）和世界模型才是通往通用智能的正确路径，并指出未来的AI架构中，LLM将退化为仅用于交流的界面，而表征层才是真正的基石。
高中辍学生靠 ChatGPT 自学成才成了 OpenAI 的研究科学家
本文讲述了 Gabriel Petersson 从高中辍学凭借 ChatGPT 自学数学与机器学习，最终成为 OpenAI Sora 团队研究科学家的经历。他主张“自上而下”的递归学习法，认为教育效率低下。文章还分享了他作为辍学生通过 Demo 求职、利用 Stack Overflow 申请 O-1 签证的独特路径，以及对传统大学教育和职场招聘的犀利观点。