Peekoo

Bongo Cat 这只桌面宠物我已经摆在桌面上好多年了。所以当 Codex 桌面宠物开始流行起来的时候，我立刻就想要一个——花了三个小时把自己的拼了出来，结果就是一个小角色坐在那里什么也不干。看着像那么回事，却没有灵魂。

于是我做了 Peekoo。它能把你已有的照片变成一只桌面宠物，大约一分钟就好。

我拿它做的第一件事，是把它对准了我的狗——它当时正好穿着一件阿根廷球衣。一分钟之后它就站在了我的屏幕上——连球衣一起。它从那以后就一直住在那里，我没想到自己会这么喜欢这种感觉。第一张图里就是它。

不过做到这一步花的时间，远不止一分钟。

我一开始搞错的事：我以为所有人都想要可爱的东西。

他们不想要。早期测试者里差不多一半人上传的是他们讨厌的人。所以生成器会接收一个"身份"和一个"好感度"，这两个参数真的会引导画面生成。设高一点，模型就会被指示把这个角色画得更柔软、更圆润、更讨喜。设低一点，或者把目标标成你的老板，指令就会反过来：把它画得傻乎乎的、略带狼狈、笨手笨脚的小跟班——搞笑，但绝不刻薄。同一张照片，两个截然不同的角色。

默认姿势里有一个"卑躬屈膝"的动作，原因正是这个。这个动作用得非常多。

1. 一个角色，23 张图，调用之间没有记忆。

一整只宠物是 23 张生成的帧——待机、走动、打字、打盹、攀爬、空降。模型在每次调用之间没有任何记忆，所以每一帧都是一次新的机会，让你的猫换一个新品种，或者回来时变大 30%。

身份一致性反而是简单的部分：一张基础肖像图会送进每一次后续调用。尺寸才是那个隐形的杀手。这里用边界框没用——蜷成一团的睡眠姿态和全身伸展的姿态，没法那样比较。改用轮廓面积做归一化（把 √面积当作缩放基准），两者就能读作同一只动物了。框会说谎，质量不会。

2. 不是所有东西都有四条腿。

早期的提示词悄悄假设了人形或四足动物。然后有人上传了一只蜘蛛。一只章鱼。一个幽灵。每一句"把它的前爪搭在键盘上"都会变成一个矛盾，而模型解决矛盾的方式是凭空造出肢体。

现在提示词直接点名意图，把解剖结构交还给主体：它实际有什么肢体就用什么——触手、尾巴、鳍、或者只是简单地向前倾——而且严格匹配参考图的肢体数量。永远不要硬塞人类的手上去。

3. 一张平面图像不是一具身体。

要让精灵图在物理上表现合理，你需要知道它和世界接触的点，而且这个点会随姿势变化。站立时：脚底。贴墙时：手掌，在右侧边缘。挂天花板时：指节，在顶端。所以每个姿势都自带一个接触锚点，通过扫描 alpha 通道来确定，而不是去相信布局。

错过这一点，宠物每次切换状态就会瞬移。它确实这样瞬移了好几周。

这之后剩下的就只是物理部分了——读取真实的窗口矩形、跳过被其他窗口遮住的边缘、跳跃去抓住窗沿，因为窗口底部下面没东西可以抓。

原生支持 macOS 和 Windows，约 11 MB，鼠标点击可以直接穿透。免费开始使用。

好奇问一下：你会把谁的照片变成一只？好感度会设高还是设低？