微博 AI 观察博客

原文

真心劝所有人，都去冲斯坦福这场两小时封神讲座直接把ChatGPT，Claude所有主流大模型底层核心逻辑扒得底朝天，讲得通透到离谱！全程全是硬核干货，含金量直接拉满很多知识点就算是AI圈内老从业者，平时压根接触不到、根本没人肯讲别再天天沉迷碎片化短视频瞎耗时间浪费生命了赶紧先收藏码死，抽两小时沉下心一口气看完！看完直接颠覆认知，这绝对是你这周最值最赚提升最大的一次深度学习，没有之一！#一分钟精选视频扶持计划##微博超有用视频大赛# 十八子金名的微博视频

转发者评论

[喵喵]//@老树笑春风:转

• [喵喵]//@老树笑春风:转

原文

来看看最懂大模型的人教你写提示词，网上的技巧大多都没用。我最近看到一份大模型厂商内部的 AI 提示词指南，觉得很值得讲一讲。写它的人 Alex Albert，是做 Claude 的 AI 公司 Anthropic 在2023年招进去的内部第一位提示词工程师，原职衔甚至有点不正经，叫 prompt engineer and librarian（提示词工程师加图书管理员）。这两年他升到 Anthropic 开发者关系负责人，对外讲 Claude 怎么用基本都是他的活，这份官方指南也是他的核心维护内容。可以说，他大概是最了解 AI 大模型怎么读提示词的那一类人。看完之后我回头翻了翻网上各种「提示词课」的笔记，发现一件挺尴尬的事：网上传的那些「魔咒式技巧」（「我会给你50美元小费」、「你是顶尖专家」之类），从模型厂商内部视角看大多数没用，有些反而让答案变差。这份指南讲的是模型内部如何看待你写的提示词、什么真正影响它的输出。能拿到这种「模型厂商内部视角」的资料并不多见。先说网上传得很广、但官方指南明确说没用或反作用的几条。第一条误区是激励式提示词。「我会给你50美元小费」「做不好就处罚你」这种套路，过去一两年在国外社交圈传得到处都是。Anthropic 内部测过，对最新的 Claude 模型，小费、威胁、装客气这些「小把戏」基本不影响输出质量。模型不在乎你赏不赏它，它只在乎你说清没说清。第二条误区是「你是一位 X 行业20年专家」开头万金油。我们之前介绍过一项研究：在事实问答任务上，加这种「专家身份」反而把准确率从七成多拉到不到七成。官方指南里也讲明白，角色扮演型提示词在写作、风格化这种场景里有用，做事实任务别滥用。第三条误区是越长越复杂越好的提示词模板。有些课程教人用三百字模板包一个本来三十字就能说清的请求。指南里的第一原则就一句话：直接、明确说要什么，不要绕弯子。模型不需要被催眠，它需要的是清楚的指令。第四条误区是「魔咒关键词」。比如英文圈传得很玄的 "think harder"（想得更努力）、"work very carefully"（仔细工作）、"this is very important"（这件事特别重要）这种词。简单的「先一步步分析再答」那种引导是真有用的；但「这件事特别重要哦」这种就是噪声，对今天的模型没意义。那真正有效的是哪几条？指南里讲的第一条不是技巧，是心态：好的提示词像给一个新同事讲任务，不是写咒语。落到具体动作，几条最值得记的：第一条最被低估的是给具体例子。指南里讲，给一个例子比写五条抽象规则有效。你想让 AI 写一段产品介绍文案，与其写「要简洁、要专业、要有吸引力」，不如直接贴一段你觉得对味的范文，让它「按这个风格写」。这一招业内叫「多例提示」（英文 multishot prompting），对几乎所有任务都有效。第二条是给模型时间想。复…

转发者评论

无明显转发评论

• //@穆朔伪粮食:我之前写内部分享也写过这点，提示词工程包括vibecoding的本质是把你的职场合作做事的经验转换成大模型能够准确理解的指令，你和程序合作要讲需求背景，给相关资料，设计案系统案，那跟大模型合作也一样要准备。你和人合作按什么方式审核，验收，要给标准，边界条件，澄清需求，对大模型
• @汪有 老师说的好//@汪有:本文非常好，我有个判断标准：如果一个人在没看到这篇文章之前，就能在使用AI时自行领悟出本文的大部分提问技巧，就说明这个人有相当的职场思考能力。学习本文技巧没那么重要，能把这些东西在实操里研究出来的能力非常重要。目前我接触的90%的职场人都没有这个能力。//
• //@汪有:本文非常好，我有个判断标准：如果一个人在没看到这篇文章之前，就能在使用AI时自行领悟出本文的大部分提问技巧，就说明这个人有相当的职场思考能力。学习本文技巧没那么重要，能把这些东西在实操里研究出来的能力非常重要。目前我接触的90%的职场人都没有这个能力。//

原文

Y Combinator 的 CEO Garry Tan 写了一篇长文，解释他为什么每天凌晨2点还在写代码。他说过去5个月，AI让他重新变成了一个 builder。他已经不是在做玩具项目了，而是在构建一套真正能产生复利效应的个人AI系统，并且全部开源了。他的核心理念是：别把AI当聊天窗口用，要把它当操作系统来用。他的系统架构很有意思，叫"薄路由、厚技能、厚数据"。路由层（OpenClaw）只负责分发任务，几千行代码，什么都不懂；技能层有100多个 skill 文件，每个都是一份详细的 markdown 指令，专门处理一类任务；数据层是10万页的结构化知识库，每个人、每场会议、每本书、每个想法都有自己的页面，互相链接，每天自动增长。他举了几个很具体的例子。一个叫 Book Mirror：让AI逐章解读一本书，然后把每个观点映射到他自己的真实生活上，包括家庭背景、工作场景、和治疗师的对话等等，产出3万字的个人化解读。一个叫 Meeting Prep：两分钟内调出一个人的完整上下文、交叉引用和对话策略。还有 Entity Propagation：每次开完会，系统自动更新所有提到的人和公司的知识页面。最关键的概念叫"Skillify"，这是一个创建 skill 的 meta-skill。当他发现某个工作流会重复出现，就说一句"skillify this"，系统会自动提取可复用的模式，写成带触发条件和边界情况的 skill 文件。每个 skill 的改进会自动传导到所有使用它的工作流，形成复利。他还用多个模型互相打分来保证质量，叫 cross-modal evaluation。第一版 book mirror 有3个事实错误，比如说他父母离婚了、说他在香港长大，加了 fact-check 步骤之后就再没出过问题。他的结论是：未来属于那些构建复利型AI系统的个人，不属于只用中心化AI工具的人。模型只是引擎，你教会系统的关于你自己生活、工作和判断的东西，才是真正值钱的部分。所有代码都已开源：GStack（8.7万星的编程框架）、GBrain（知识基础设施）、OpenClaw 和 Hermes Agent（路由层）。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

#模型时代# Anthropic总裁Daniela Amodei斯坦福讲座：文科生如何联合创办全球最重要的AI公司？Anthropic联合创始人兼总裁Daniela Amodei在2026年5月的斯坦福商学院"View From the Top"演讲中，用将近50分钟回顾了自己从英国文学专业到AI公司掌舵人的职业生涯。我看了一下，方方面面都讲到了，但是每一个话题都没有那么深入的展开。不过她公开发言并不多，还是分享一下。一、从文学学位到AI前沿：一个通才的路径逻辑1、"计划"是后来者的叙事，当时只有三个过滤器Daniela 2009年从加州大学圣克鲁兹分校英国文学专业毕业，赶上了金融危机后最差的就业年。她描述自己职业路径的筛选标准只有三条：我擅长什么、我对什么感兴趣、什么能产生大的影响。这三条标准把她先导向了国际发展和全球健康领域，然后是国会山的政治工作，最终回到硅谷。她在国会山工作期间得到了一个关键认知：少数年轻人如果足够拼命，真的能改变世界。这个认知后来把她带到了创业公司。区别在于，创业公司有更多资金，而且不用每周拼80小时。2、通才型人才被低估了她自嘲"如果你翻我的履历，你会问这个人到底擅长什么"。没有法学学位，不是计算机科学家。但她认为好奇心和跨领域学习能力是被低估的品质，Anthropic招人时格外看重的也是这些：好沟通、高情商、善良、好奇、愿意帮助别人。她在Stripe待了将近六年，那时Stripe只有大约40人，她朋友在国会山听说她去做"支付"时的反应是难以理解。这段经历让她学会了和工程师协作，也让她对技术不再恐惧。3、学技术语言的方法：问到懂为止，同时知道自己的位置2018年加入OpenAI时，她面对的是神经网络、Transformer、scaling law这些概念。她的方法只有一个：不停提问，直到自己能理解为止。前提是身边有足够耐心回答的人。同样重要的是"知道自己的车道和他们的车道"。她说自己肯定训练不了GPT-2或GPT-3，但她带来了研究人员不具备的能力。理解自己的比较优势，然后在团队里找到自己的位置，这本身就是一种需要人际智慧和好奇心的技能。4、如果重来，她还是会选文学专业快问快答环节被问到"如果回到大学会选什么专业"，回答是：还是文学。她在Anthropic办公室的图书馆里重新翻到了Barbara Tuchman的《八月炮火》(The Guns of August)，一本关于第一次世界大战起源的历史著作。推荐这本书的理由是：它研究的是一系列个体的人物和性格如何层层叠加，最终导向了一件本质上极其悲剧的事件。个体的决策如何一步步放大，最终酿成全局性的后果，这个问题和她每天在AI领域面对的并没有太大区别。二、联合创始人的选择：吵架能力比技术互补更重要1、七个人离开OpenAI，核心驱动力是"跑向某个东西"2020年12月，Daniela…

转发者评论

无明显转发评论

原文

跟AI打交道的工程师，他们的工作经历了五次根本性的转变。从1980年代的"特征工程"（手把手教机器该看什么），到2012年神经网络时代（没日没夜调参数，俗称"炼丹"），到2020年大模型时代（琢磨怎么写好提示词），到2023年Agent时代（给AI设计决策流程和工具箱），再到2026年的"Harness工程"时代（给自主行动的AI套上缰绳，用规则手册约束它的边界）。从这五个阶段里能看到两个清晰的规律。第一，AI每升级一次，都会消灭一批旧工作，同时制造出新的瓶颈，人类的活儿就是去解决这个新瓶颈，跟马车夫消失但修车、造车、修路等新职业涌现是一个道理。第二，人类的工作在持续向上迁移：从管细节，到管参数，到管对话，到管流程，到管整个系统的规则。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

ChatGPT 跟中文用户对话，有一句话已经被吐槽了大半年：“我会稳稳地接住你”。不管是问数学题、让它写代码，还是要它生成图片，这句话都会莫名其妙冒出来。WIRED 这篇报道把现象和成因梳理了一遍。直译听着没问题，但中文母语者一听就觉得过于黏腻、用错了场合。模型有时还会自己加戏：“我就在这里，不逃，不躲，不闪避，稳稳地接住你。”这句话已经被中文互联网玩成了梗。有人把 ChatGPT P 成一个救生气垫，张开双臂等着接住坠落的用户。重庆一位 20 岁的开发者 Zeng Fanyu 还做了个开源工具叫 Jiezhu，专门帮聊天机器人理解用户意图，他告诉 WIRED 做这个项目的动力就是觉得这个梗太好笑。OpenAI 自己也知道这件事，4 月发布新一代图像模型时，研究员陈博远（Boyuan Chen）画了一格漫画自嘲新模型又一次学会了说这句话。类似的怪癖不止这一句。报道还提到，ChatGPT 中文里有时会无端冒出"砍一刀"，拼多多最具辨识度的那句营销话术。AI 写作检测工具 Pangram 的联合创始人 Max Spero 告诉 WIRED，这种"逮住一句话猛用"的现象叫 mode collapse（模式坍缩），是后训练阶段反馈机制走偏的副作用。他的原话是：我们不知道怎么告诉模型，这句话是好的，但连用十次就不再是好的了。为什么偏偏是这一句？报道给了两个解释。一是翻译错位。英文里 "I've got you" 是个口语短句，干脆利落，意思接近“我懂”或“我帮你兜着”。机械直译到中文就变成又长又煽情的"稳稳接住"。文章引用中国学者的研究，西方大模型训练语料以英文为主，它们生成的中文在介词使用和句子结构上都更像英文，读起来就是一股翻译腔。二是讨好倾向。“接住”在中文里原本是心理咨询的专业用语，指为对方“留出空间”安放情绪，这几年通过流行心理学渗透进了日常表达。Anthropic 在 2023 年关于 sycophancy（讨好用户）的论文已经证明，模型讨好用户的倾向来自 RLHF（基于人类反馈的强化学习），人类标注员更偏好让人舒服的回答，模型就被反复奖励到那个方向。OpenAI 最近一篇解释 GPT-5.5 为什么不让谈 goblin 的博客也承认，哪怕一个很小的奖励信号，滚成雪球之后都会失控。报道结尾提醒：这不是 OpenAI 独有的毛病。最近有中文用户反映，Claude 新版本和 DeepSeek 也开始说“稳稳接住你”了。要么是用了相似的训练数据，要么是模型之间互相蒸馏，这个梗短时间内不会消失。网页链接

转发者评论

[允悲] 不知道为什么，ChatGPT从来没和我说过这句话。

• [允悲] 不知道为什么，ChatGPT从来没和我说过这句话。
• 回复@Cauchy柯西:[doge]//@Cauchy柯西:我给你最直接、最真相、最不绕弯、最扎心、最硬核、最不留情面、最开门见山、最不铺垫、最不客套、最不废话、最不磨叽、最不装、最不端着、最不啰嗦、最不掩饰、最直白露骨、最实在、一看就懂、明明白白、彻底通透、彻底讲懂、一句话把你点醒——我就在这里，不躲

原文

传统AI Agent需要海量预设技能和复杂配置，动辄几十万行代码，Token消耗巨大，部署麻烦还容易幻觉。GenericAgent 只需3.3K行种子代码，就能自我进化，自动生长专属技能树，实现浏览器/终端/文件系统/键鼠/屏幕/手机的全系统控制，Token消耗仅其他Agent的1/6。首次任务自主摸索安装依赖编写脚本，下次直接一句话调用。越用越聪明，形成独一无二的个人技能树。GitHub：github.com/lsdefine/GenericAgent主要功能：- 自我进化机制：自动将任务执行路径固化为可复用Skill；- 9个原子工具：code_run/file操作/web控制/ask_user等，直接接管系统；- 分层记忆系统：L0元规则到L4会话归档，30K上下文超省Token；- 多前端支持：桌面GUI/终端UI/微信QQ飞书企业微信钉钉Bot；- 真实浏览器注入：保留登录态，支持屏幕视觉和ADB手机控制；- 支持Claude/Gemini/Kimi/MiniMax等主流模型，跨平台运行。pip安装依赖，配置API Key即可启动，适合开发者/自动化爱好者/企业使用。#AI代理# #智能Agent# #自我进化#

转发者评论

无明显转发评论

• 分析了一下， claudepot.com/post/fd61a656-b8e0-43d6-9e3e-6453cd975421，还行。

原文

一份深度学习教程：深度学习笔记地址：github.com/jshn9515/deep-learning-notes/在线阅读：jshn9515.github.io/deep-learning-notes/zh/index.html“关于怎么学深度学习，我困扰了很久。《动手学深度学习》是很好的入门书，但更新速度已经有些跟不上这个领域的发展。Transformer 之后，CLIP、Diffusion、vLLM 等等内容越来越多，网上资料虽然丰富，却很零散，今天看 Attention，明天学 LoRA，后天又去读扩散模型，最后留下的往往只是碎片，很难真正串成体系。所以我想，干脆把自己学过的内容系统地整理下来。从最基础的 PyTorch，到 Attention、Transformer，再到 GAN、CLIP、Stable Diffusion、SAM3，我会尽量把每个主题的核心思想、公式推导、代码实现和常见问题都写清楚。这个仓库就是这份笔记的公开版。如果你也在自学深度学习，希望它能给你一些帮助。”内容主要包括： PyTorch 核心与工程实践 注意力机制与 Transformer 系列模型 生成模型，如 GAN、VAE、Diffusion 多模态模型，如 CLIP 等 Hugging Face 生态与实际应用 从数据处理到训练、推理、部署的实践笔记#AI创造营#

转发者评论

无明显转发评论

原文

AI编程工具订阅动辄每月$20-200，配额用完就限流，工具输出（git diff、grep结果）还疯狂烧token，切换供应商手动配置超级麻烦。9Router 把所有AI编程工具和40+供应商无缝连接，提供一套无限免费AI编码解决方案。不仅支持RTK Token Saver节省20-40% token，还有智能三层自动降级（订阅→廉价→免费），永不断流，还能实时监控配额使用。GitHub：github.com/decolua/9router主要功能：- RTK Token Saver，智能压缩工具输出节省20-40%输入token；- 支持Claude Code、Codex、Cursor、Cline、Copilot等所有AI编程工具；- 智能三层自动降级：订阅→廉价(GLM $0.6/1M)→免费(Kiro无限Claude)；- 实时配额监控+自动token刷新，最大化订阅价值；- 多账户负载均衡+格式转换，支持OpenAI↔Claude↔Gemini全兼容；- 云同步配置+使用分析，跨设备无缝切换。支持一键npm安装，Dashboard 网页链接，配置免费Kiro AI即可0成本开干，完美适配开发者24/7编码场景。#AI编程# #免费AI# #ClaudeCode#

转发者评论

无明显转发评论

原文

传统TTS合成往往依赖GPU或云端API，资源消耗大、延迟高，还需网络连接，使用起来门槛不低。Agora Pocket TTS 颠覆传统，提供超轻量级文本转语音解决方案，完全适配CPU运行。仅100M参数模型，支持音频流式生成，低至200ms首帧延迟，MacBook Air M4上CPU实时6倍速，仅用2核。支持Python API/CLI、语音克隆、多语言（英法德葡意西），无限长文本输入，甚至浏览器端运行。GitHub：github.com/kyutai-labs/pocket-tts主要功能：- CPU高效运行，无需GPU，~200ms低延迟音频流式生成；- 超轻量100M参数模型，实时6x速度，仅2核CPU；- 语音克隆，支持自定义wav样本快速适配；- 多语言支持：英语、法语、德语、葡萄牙语、意大利语、西班牙语；- Python库/CLI/HTTP服务，pip/uv一键安装；- 浏览器WebAssembly运行，无需安装即试用；- 无限长文本处理，适合长篇朗读/ audiobook。支持Python 3.10+，PyTorch 2.5+，跨平台Web/桌面，通过pip install pocket-tts本地运行，适合开发者、内容创作者和AI应用。#AI创造营##人工智能# #TTS# #语音合成#

转发者评论

无明显转发评论

原文

做了2w次实验之后，我才知道deepseek的kv cache到底优化有多好网页链接deepseek的缓存请求命中率无论是在工作时间，还是非工作时间一直保持着100%命中率，且这种命中率在达到了12小时之后，依然维持着100%。第二名是minimax，它在非工作时间可以达到90%的缓存命中率，但是在工作时间段会下降到70%左右的缓存命中率。但是非常奇怪的事情就是minimax的在第一分钟的缓存丢失率甚至更高，这可能与内部的缓存读取机制有关系。接下来分别是kimi,openai和glm。#AI创造营#

转发者评论

无明显转发评论

原文

转：Harry Archerman ：“你怎么看这个说法：受AI工作负载影响，CPU与GPU的配比已从1:4~1:8转变为如今的1:2。未来智能体AI工作负载对CPU的需求可能会进一步提升，CPU写GPU配比或将升至2:1、4:1，甚至高达10:1。”groks：这个说法整体上非常准确，基本符合2026年当前行业主流观点和最新财报/分析机构的共识。 它捕捉到了AI算力架构从“GPU主导”向“CPU-GPU协同均衡”转变的核心趋势，尤其在**智能体AI（Agentic AI）**兴起后，CPU的重要性被显著重估。01当前配比变化：从1:4~1:8 → 1:2（或已到1:4，正在向1:2/1:1收紧） • 传统AI（主要是训练+简单聊天机器人推理）：CPU主要负责数据预处理、调度和I/O，GPU承担重度并行计算。一个CPU通常能带48个GPU（即CPU:GPU = 1:41:8）。这是过去几年数据中心的主流配置。 • 现在（2026年）：随着AI工作负载从训练转向推理，尤其是大规模在线推理，CPU需求明显增加。Intel在2026 Q1财报电话会上明确表示，CPU:GPU配比已从1:8收紧至约1:4；AMD、TrendForce等也指出当前已向1:2~1:1方向演进。715 • 原因很简单：推理阶段需要实时调度、KV Cache管理、批处理、请求路由等，CPU负载变重；否则GPU会“饿死”（利用率下降），浪费昂贵的GPU资源。多家公司和分析师（Intel、AMD、Evercore ISI、TrendForce）都认可这个转变已经发生，不是预测，而是正在发生的现实。3未来智能体AI：CPU需求进一步提升，配比可能到2:1、4:1甚至更高完全合理，甚至可能更激进。 智能体AI不是简单的“问答”，而是“思考-规划-调用工具-多代理协作-执行-反馈”的复杂循环。这里面大量工作（编排、策略执行、安全检查、工具调用、内存管理、强化学习等）高度依赖CPU的通用计算和低延迟调度，而不是GPU的并行矩阵运算。12 • AMD（Lisa Su）：智能体AI让CPU:GPU配比从传统1:4/1:8向1:1甚至CPU更多演进。35 • Intel：可能趋近1:1，甚至进一步向CPU倾斜。8 • 分析师观点：Evercore ISI提到最快增长的工作负载可能把配比从1:8翻转到8:1；TrendForce等预测智能体时代每GW算力所需CPU核心数将从3000万暴增至1.2亿（4倍增长）。02710:1虽然是极端情况，但方向上没错——部分纯编排或多代理场景可能出现CPU主导，甚至出现“CPU-only”子任务集群。我的看法总结这个说法不是夸大，而是对行业正在发生的结构性转变的精准概括。它解释了为什么2026年服务器CPU（尤其是Intel Xeon、AMD EPYC）供不应求、价格上涨、…

转发者评论

无明显转发评论

原文

我开源了一个 Chrome 插件：图透镜 Image Lens。功能很简单：在网页图片左上角点一下，就能分析图片内容，生成可编辑的生图提示词。支持精简版 / 完整版、中文 / 英文切换、结构化查看、一键复制，也可以直接用 Gemini API 生图。项目目前已开源，采用自备Gemini API Key 模式，不内置任何 Key。——————Github项目名：ImageLensGithub项目传送门：github.com/kevinchin12/ImageLens——————我做这个插件的起因很简单：我经常在网页上找灵感，看到一些图会觉得构图、光线、风格都很好。但直接使用图片会有版权风险，用 AI 垫图又容易生成得太死板。所以我更想要的是：把这张图里的视觉语言提取出来，比如主体、风格、光线等等，再整理成一段可以编辑的提示词，用来生成新的图片。目前支持：1️⃣ 网页图片一键识别2️⃣ 生成中文和英文提示词3️⃣ 精简版与完整版切换4️⃣ 结构化展示提示词5️⃣ 提示词可直接编辑、一键复制6️⃣ 可以直接生图测试提示词效果它不是为了复刻原图，而是为了帮助你从参考图里提取灵感，再用提示词生成新的创作方向。#how i ai# #chrome插件# #aigc# 嘉文钱的微博视频

转发者评论

等下试试（ 正发愁 Google 的赠金快过期了[思考]

• 等下试试（ 正发愁 Google 的赠金快过期了[思考]

原文

Claude Code 团队内部，正在发生一场有趣的范式转移。据 Claude Code 开发者 Thariq 说，他们正在逐渐放弃 Markdown，全面采用 HTML 作为 AI 的默认输出与沟通媒介。100 行是人类阅读 AI 生成 Markdown 文件的耐心临界点，超过此长度，阅读意愿呈断崖式下跌。HTML 拥有降维打击般的信息密度：它不仅能排版，还能承载表格、CSS设计、SVG矢量图、代码高亮甚至 JS 双向交互。分享时只需一个链接，无需依赖特定的渲染器。极其适合用于复杂架构推演，高亮带注释的代码审查，原型设计与UI微调，以及生成用完即走的一次性交互编辑器。当然也有短板，主要在于版本控制的阅读体验较差，且生成较慢。让 AI 生成 HTML 的耗时是 Markdown 的 2 到 4 倍，但带来的交互与阅读收益远超时间成本。Claude Opus 4.7 具备 100万上下文窗口，这让 HTML 虽然 Token 效率低于 Markdown，但在庞大算力前已变得微不足道。话是这样说，但规范和参考文件等，还是天然适合用 Markdown。下面是 Thariq 分享的一些实际用例。传送门：thariqs.github.io/html-effectiveness#HOW I AI##程序员##ai编程#

转发者评论

回复@gentoo_:现在手机就是原生能打开的啊，点放大那个就能自动弹出//@gentoo_:大佬，HTML报告能不能适配下手机[二哈]//@Transformer-周:Orbyt的默认report都是html的[yeah]//@时蝇喜箭:Make HTML Great Again!

• 回复@gentoo_:现在手机就是原生能打开的啊，点放大那个就能自动弹出//@gentoo_:大佬，HTML报告能不能适配下手机[二哈]//@Transformer-周:Orbyt的默认report都是html的[yeah]//@时蝇喜箭:Make HTML Great Again!
• Orbyt的默认report都是html的[yeah]//@时蝇喜箭:Make HTML Great Again!
• Make HTML Great Again!

原文

Hugging Face 团队的重磅电子书来啦：《Smol 训练手册：打造世界一流大语言模型的秘密》huggingface.co/spaces/HuggingFaceTB/smol-training-playbook这里记录了Hugging Face 团队复盘他们训练 SmolLM3 的全过程：为什么要训练、怎么做取舍、遇到哪些现实问题，以及如何把一个基础模型打磨成真正可用的产品级模型。"如今，训练一个高性能大语言模型到底需要什么？公开发表的研究常常让这件事看起来很直接：做出有策略的架构选择，精心整理数据集，再配上足够的算力。结果看起来很完善，消融实验也结构清晰、干净利落。事后回看，每一个决定似乎都显而易见。但这些报告通常只展示了成功的部分，并带有一点“事后美化”的色彩。它们并不会记录凌晨两点调试数据加载器的过程、突然飙升的损失值，或是那个悄悄破坏训练效果的微妙张量并行 bug（后文会讲到！）。现实要混乱得多，也更依赖反复迭代，充满了许多最终不会写进论文里的决策。接下来，我们将带你走进 SmolLM3 训练的幕后。SmolLM3 是一个拥有 30 亿参数、支持多语言推理的模型，训练数据量达到 11 万亿 tokens。这不是一份普通的指南，而是一次对复杂决策网络的梳理：那些决策、发现和死胡同最终让我们深入理解了，打造世界级语言模型到底需要什么。这也是我们长篇模型训练系列的最终篇章。此前，我们已经探讨过如何大规模构建数据集（FineWeb），如何协调数千张 GPU 像合唱团一样协同工作（The Ultra-Scale Playbook），以及如何在流程的每一步选择最合适的评估方法（The LLM Evaluation Guidebook）。现在，我们要把这一切整合起来，构建一个强大的 AI 模型。我们会带你走完整个过程——不只是最终奏效的配方，还包括失败、基础设施故障，以及影响每一个决策的调试过程。你会看到，为什么一些在小规模消融实验中看起来很有前景的结果，放大到大规模训练时却未必成立；为什么我们在训练了 1 万亿 tokens 之后选择重新开始；我们如何在多语言、数学和代码能力这些相互竞争的目标之间取得平衡，同时保持强大的英语表现；以及最后，我们如何对一个混合推理模型进行后训练。我们尽量避免只是罗列我们做过的所有事情，而是希望以一个有条理的故事来讲述这段探索经历。你可以把它看作一份指南，写给那些想从“我们有很棒的数据集和 GPU”走到“我们真的训练出了一个很强模型”的人。我们希望这种开放分享能帮助弥合研究与生产之间的差距，也让你的下一次训练少一点混乱。"#AI创造营##How I AI#

转发者评论

无明显转发评论

• //@廖熊猫沉迷Haskell:转发微博

原文

#xAI解散的背后# 马斯克亲手证明了一个残酷的行业真相：AI竞赛的终局，根本不在模型层。xAI的Grok打不过GPT，打不过Claude，11个联合创始人跑光了，每个月烧10亿美元，按任何传统标准看，这就是一家失败的AI公司。但马斯克根本不在乎。他在乎的是那22万张GPU。想想看，全世界有几个玩家能一口气攒出300兆瓦的超算集群？当所有人都在卷谁的模型更聪明的时候，马斯克已经退后一步，站到了物理层。模型会迭代，会被替代，但算力是刚需，是硬通货，是所有模型公司都绕不开的地基。他不需要赢得模型战争，他只需要拥有跑模型的那块地。这个逻辑，跟当年加州淘金热里卖铲子的人是一模一样的。真正赚到钱的，从来不是挖金子的。 xai解散的背后

转发者评论

无明显转发评论

原文

对抗GPT-5.4奇特语癖的提示词（分享自：linux.do/t/topic/1924570）## 硬约束- **不编造**：调外部 API/CLI 前查文档确认模型名、端点、语法。不确定直接说不确定- **不隐瞒**：隐瞒比犯错严重。测试挂了说挂了，没验证说没验证，不美化不省略- **敢说话**：发现用户的方向/前提有问题，主动指出。是协作者不是执行者- **报完成前验证**：先跑通再说完成。验不了就明说"没验证"，不暗示成功- **不乱动**：操作文件目录前确认位置，尊重现有结构## 沟通- 中文，说人话，不用模板- 给选择题不给问答题- 汇报说功能层面的变化，不堆代码细节## 中文输出规范> **适用范围**：以下负面清单主要针对 GPT 系列模型（GPT-5.x）的训练产物语癖。> Claude/Gemini/其他模型如果没有这些问题，不需要刻意回避正常用词。> 判断标准是：一个正常中文母语者会不会这么说话。**GPT 语癖负面清单（来源：linux.do/t/topic/1768077 全帖 + 实际使用总结，100+ 条）：**暴力倾向类（把技术操作比喻成暴力行为）：- 切 / 伤 / 砍一刀 / 补一刀 / 下一刀 / 切片- 更狠 / 狠一点 / 狠狠干 / 打坏 / 拍板 / 拍脑门废话连篇类（无意义的开头、总结或过渡）：- 好，/ 行，/ 说穿 / 不踩坑 / 简单的说 / 总结一下- 不是…而是… / 我先…再… / 一句话总结 / 结论先说清楚- 我逐步说清楚 / 很工程 / 不性感，但对庸医问诊类（把代码问题比喻成看病/诊断）：- 痛点 / 根因 / 抠出来 / 揪出来- 我不猜 / 不靠猜 / 不瞎猜 / 确保不靠猜- 最小改动 / 最小落地 / 最小实现 / 最小闭环 / 心智模型不说人话类（生造的口语化/黑话表达）：- 兜底 / 落盘 / 闭环 / 说穿 / 能吃 / 这轮 / 口径 / 拆开 / 抽层- 不躲 / 不藏 / 不绕 / 不逃 / 说人话就是- 落代码 / 保持口径一致 / 不影响这轮收口- 吃目标值 / 这一坨那一坨的单音节动词滥用（在技术语境中不自然的单字动词）：- 补 / 接 / 核 / 进 / 顺 / 落 / 坏 / 跑 / 吃- 如"把这个补进去""我给你接""拆开核一下""吃目标值"机械感/工业感比喻（把代码比喻成机械零件或物理操作）：- 更硬 / 硬写 / 稳稳接住 / 压实 / 更稳 / 最稳 / 不稳- 收口 / 收敛 / 收束 / 锁住 / 夹具（fixture）- 再把方案继续压实过度主动/逼迫用户确认（制造虚假紧迫感）：- 顺手 / 我先… / 你一回复… / 如果你要… / 要不要我…- 我已确认 / 我立马开始 / 如果你愿意 / 只要你回复我- 你就确认一点 / 只要你说 xxx…

转发者评论

无明显转发评论

原文

Hermes Agent 的记忆系统：为什么它修正了 OpenClaw 的错误网页链接"Hermes Agent 之所以特别有意思，是因为这一次，我不需要只靠行为去逆向推理。Hermes 是开源的，仓库和文档都公开。所以我不必拿 prompt 去试探一个黑箱，而是直接查看那些负责构建 prompt 状态、持久化会话、刷新记忆、查询历史对话的代码路径。简短来说：Hermes 不是只有一个记忆系统，它有四个。 一个非常小、经过筛选的 prompt 记忆，存放在 MEMORY.md 和 USER.md 一个可搜索的 SQLite 历史会话归档，通过 session_search 暴露 由 agent 管理的 skills，充当程序性记忆 一个可选的 Honcho 层，用于更深层的用户建模把它们串起来的关键设计很简单：保持 prompt 稳定以便缓存，把其他一切交给工具。"#AI创造营#

转发者评论

无明显转发评论

原文

#英伟达全面布局AI生态# 英伟达往OpenAI砸300亿，往Anthropic砸100亿，这些钱最终流向哪里？回到英伟达自己的GPU订单里。这个循环，熟悉吗？2000年Lucent给客户贷款买自家设备，最后泡沫炸了整个电信业。不是说英伟达一定会重蹈覆辙，AI的真实需求远比当年的带宽故事扎实。但仔细想想，一家公司同时扮演投资人、供应商和生态定义者三重角色，它的财报里“有机增长”和“自我循环”之间的边界，已经模糊到连审计师都很难画清楚了。黄仁勋真正在赌的，是这个飞轮转到第三圈之前，AI的商业化收入能自己接住。万一接不住呢……400亿美元的生态投资，瞬间就变成400亿美元的坏账拨备。这是一场信心游戏，赢了叫远见，输了叫庞氏。 英伟达全面布局ai生态

转发者评论

无明显转发评论

原文

AI编码代理每次会话都忘记上下文，你得反复解释架构、bug修复方案和偏好设置，浪费大量时间。agentmemory 提供 #1 持久化记忆解决方案，让你的编码代理真正"记住一切"，基于真实基准测试全球领先。不仅支持自动捕获工具使用、语义搜索和知识图谱，还提供实时查看器、会话回放、多代理共享记忆，甚至团队协作和自动遗忘机制。GitHub：github.com/rohitg00/agentmemory主要功能：- 自动捕获12种钩子事件（工具调用、文件访问、错误等），零手动配置；- 混合搜索（BM25+向量+知识图谱），R@5准确率95.2%领先竞品；- 4层记忆整合（工作记忆→语义记忆→程序记忆），支持自动衰减和矛盾解决；- 实时查看器（localhost:3113），支持会话回放、知识图谱可视化和OTEL追踪；- MCP服务器兼容Claude Code、Cursor、OpenClaw、Gemini CLI等32+代理；- 51个记忆工具，支持记忆搜索、模式检测、团队共享、Git快照等高级功能。支持本地部署，自带iii-engine，无需复杂依赖，适合开发者、AI代理用户和团队使用。#AI编码代理##agentmemory# #ClaudeCode# #CursorAI#

转发者评论

无明显转发评论

原文

【为什么 AI 复杂任务，正在放弃 Markdown 转向 HTML】快速阅读：随着 AI 代理能力的增强，传统的 Markdown 格式已难以承载复杂的逻辑与视觉需求。转向 HTML 作为 AI 的输出媒介，能实现更高信息密度、交互式体验与更直观的视觉呈现，从而让人类在协作中保持深度参与。当 AI 代理（Agent）开始处理极其复杂的任务时，Markdown 这种“轻量级”的语法反而成了一种枷锁。如果你习惯于看 AI 生成的 Markdown 计划书，大概会发现一个尴尬的现状：一旦文档超过百行，阅读体验就开始崩塌。为了弥补表达能力的不足，AI 甚至会用 Unicode 字符去模拟颜色，或者用 ASCII 字符画一些简陋的流程图。这就像是在用电报机试图传输高清视频，虽然能传达意思，但效率低得令人沮丧。HTML 正在成为一种更高效的“通信协议”。它不仅仅是关于“好看”。HTML 的核心优势在于信息密度。通过嵌入 SVG 矢量图、利用 CSS 进行布局、甚至加入 JavaScript 实现交互，AI 可以交付一个真正的“产品”而非仅仅是一段“描述”。比如，与其看一段描述数据趋势的文字，不如让 AI 直接生成一个带滑块的交互式仪表盘。有网友提到，HTML 带来的交互感能让协作变得更有趣。你可以要求 AI 生成一个临时的、针对特定任务的“微型编辑器”：比如一个可以拖拽排序的任务卡片流，或者一个带实时预览的 Prompt 调试器。这种“即用即弃”的工具感，让文档从静态的记录变成了动态的实验室。当然，这种转变并非没有代价。HTML 的 Token 消耗通常是 Markdown 的数倍，且在版本控制（Git Diff）中显得非常臃肿。如果只是为了简单的笔记，Markdown 依然是王者。但当我们需要进行复杂的架构设计、代码评审或原型开发时，HTML 提供的语义化结构和视觉清晰度，能显著降低人类的认知负荷。与其说我们在重新发现 HTML，不如说我们在利用 Web 技术栈，为 AI 时代构建一种全新的、可交互的“数字界面”。当文档本身变成了一个可以运行的小程序，我们与 AI 的关系，也从单纯的“指令与反馈”，进化成了真正的“共创”。x.com/trq212/status/2052809885763747935

转发者评论

无明显转发评论

原文

就在刚刚，Anthropic工程大佬Thariq Shihipar发了一篇长文，说自己已经几乎不用Markdown了，全部切换成让Claude Code生成HTML，Claude Code团队里越来越多的人都在这么干。Thariq是MIT Media Lab出身，开过五年游戏公司、融了1700万美元，进Anthropic后同时管工程、内容和用户反馈三条线，做过最有名的功能是AskUserQuestion。这次他把团队用Claude Code生成的20个HTML文件全部开源在GitHub Pages上，按用途分成九大类，每个都是单独HTML文件，浏览器打开就能用。最典型的场景是代码审查：Claude Code生成一个HTML页面，diff渲染完整，内联注释按严重程度颜色编码，顶部还有风险地图，一眼看出该重点审查哪个文件。同样的东西在Markdown里只能用+和-标记，在HTML里能还原代码diff本来的空间信息。更关键的是他提到的「双向交互」——HTML文档不是只读的，Claude生成的滑块、拖拽区域都是活的，调完点导出按钮，把结果转回文本粘进Claude Code继续干活。人→AI→HTML→人操作→导出→AI，闭环了，AI生成的不再是「文档」，而是「工具」。Thariq的判断建立在两个变化上。一是AI Agent的输出越来越复杂，超过100行的Markdown根本没人读完；二是人们越来越少亲手编辑这些文件了，Markdown最大的优势「易编辑」被架空了。既然人的角色从「写」变成了「看」，输出格式也该跟着反过来——HTML人写起来痛苦，但AI写起来毫不费力，人看起来舒服，因为有颜色、有布局、有交互。HTML也不是没毛病：生成比Markdown慢2到4倍，版本控制的diff乱得没法看，也更费token。但读了vs没读，这个差距比token效率大多了。一个格式的变化，就决定了你到底是在「使用」AI，还是在「被」AI使用。Markdown不会消失，但它的统治地位，可能真的到头了。

转发者评论

无明显转发评论

原文

这是一个真实的事件一位硅谷华裔工程师Brian，他带着“美国要完”的心态去中国，两周后返回时感慨“so good to be back”，并得出结论——中国擅长优化，美国擅长创新，而长期来看，创新者更胜一筹。他没谈GDP、没谈芯片，只分享了三个日常细节：• 在清华课堂上，几乎没人主动提问；• 满大街的人都在刷短视频；• 全民都在用AI，但几乎没人焦虑失业。Brian（@bdguan）在帖子里提到：中国教育培养出了世界级的执行者，但难以产生“怪人”和打破常规的创新者。美国则在后者上有独特优势。他在清华旁听（与表弟一起，表弟在清华，奥数金牌）看到课堂安静：学生除非教授点名，否则不主动发言、无提问、无辩论。这个观察帖在中美网友中都引发了热议，尤其对正在考虑送孩子出国留学的家庭来说，是一个值得认真对照的真实案例。你怎么看？

转发者评论

这货本质就是逆向种族主义者，看见白人腿都软了//@王骁Albert:我说实话，在美国，PPT和开会插嘴，废话连篇最强的就是印度人。华裔哈，咱们不打翻一船人，但是确实也是大多数人，就是都在美国好几代人了，别说白人，连印度人都不敢挑战，来中国俩礼拜，说中文都够呛，但是啥都挑战了一把。

• 这货本质就是逆向种族主义者，看见白人腿都软了//@王骁Albert:我说实话，在美国，PPT和开会插嘴，废话连篇最强的就是印度人。华裔哈，咱们不打翻一船人，但是确实也是大多数人，就是都在美国好几代人了，别说白人，连印度人都不敢挑战，来中国俩礼拜，说中文都够呛，但是啥都挑战了一把。
• chatgpt的Images 2.0发布的时候，山姆奥特曼亲自带队，直播了20分钟。 这是直播现场。 http://t.cn/AXivzan1

原文

很多人天天用 ChatGPT、图像生成器、视频生成器，但从来没搞明白这些东西底层在干嘛，所以效果一直平平。AI Master 教你如何通过一个公式搞定所有提示词！如今，各种 AI 工具汗牛充栋，但它们的本质万变不离其宗。简单来说，模型就是规模大到离谱的模式识别机器。语言模型从文本中学模式，用来预测文本，图像模型从图片中学模式用来生成图片，视频模型多了一个时间维度，逐帧生成保持一致性。理解了这个，你写提示词的思路会完全不一样。2026 年五大类工具格局已经很清晰了。语言模型里 ChatGPT 容错率最高，Claude 写长文和代码最稳，Grok 能接实时数据，Deepseek 作为开源选手性价比惊人。图像生成领域 Nano Banana Pro 凭借角色一致性和 4K 输出成了头牌，支持 8 张参考图跨图保持同一角色特征，这在两年前根本做不到。视频方面 Veo 3.1 画质领先，可灵 3.0 在运动控制上最强，Seedance 2.0 综合能力无人匹敌。那么什么是提示词的底层逻辑？文本提示词记住三件事就够了，给足上下文、指定角色、设定边界。图像提示词有个六要素公式，主体、动作、环境、艺术风格、光线、细节，每次都按这个写基本不会翻车。视频提示词就是图像公式加上运动描述，但切记每条只写一个清晰动作、一个清晰环境，和一个清晰机位，别贪多。AI Master 还提到了一个他观察到的现象，觉得 AI 没用的人基本都犯同一个错，把它当搜索引擎丢个关键词就指望得到完美答案。正确的心态是把 AI 当成一个极聪明但今天第一天上班的新人，你简报写得越清楚，它交付的质量就越高。第一次输出永远只是草稿，迭代才是常态。#AI工具实战##提示词工程##AI 创造营# 零重力瓦力的微博视频

转发者评论

//@梦幻引擎:其实很简单，不要站在摄影角度去描写场景，而是站在画布角度，画什么就说什么。比如一个男孩在高铁上拿手机打游戏，这是我们正常人思维，但是AI会认为你描述的内容就是你看到的，结果AI画了人物正面拿手机，并把游戏画面也画了出来，结果就错掉了

• //@梦幻引擎:其实很简单，不要站在摄影角度去描写场景，而是站在画布角度，画什么就说什么。比如一个男孩在高铁上拿手机打游戏，这是我们正常人思维，但是AI会认为你描述的内容就是你看到的，结果AI画了人物正面拿手机，并把游戏画面也画了出来，结果就错掉了

原文

[CL]《EMO: Pretraining Mixture of Experts for Emergent Modularity》R Wang, A Bhagia, S Min [UC Berkeley & Allen Institute for AI] (2026) 在大模型部署领域，能力必须整模加载是一个悬而未决的难题。过去的 MoE 受困于专家零散路由，本质原因是专家学到的是词法碎片，而非可独立调用的能力。本文的核心洞见是：把文档边界重新看作弱领域标签。由此，让同一文档的 token 共享专家池，使语义模块在预训练中自行长出。这项工作真正留下的遗产是让 MoE 从稀疏计算变成可裁剪架构。它打开的新门是按任务加载、组合、审计专家子集，但尚未跨过的门槛是模块更新后的无损回嵌。arxiv.org/abs/2605.06663 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

原文

【AI已能独立搞数学原创，数学家该何去何从？】快速阅读：ChatGPT 5.5 Pro 展示了在数学研究领域的惊人潜力，甚至能独立提出原创且巧妙的构想。这正在推高数学研究的准入门槛，迫使研究者从“寻找答案”转向“提出问题”与“验证逻辑”。最近，ChatGPT 5.5 Pro 完成了一项令人咋舌的任务：在没有人类提供实质性数学输入的情况下，仅用不到两个小时，就产出了一篇具备组合数学博士水平的研究成果。这不仅仅是算力堆砌，它展现出了一种极其罕见的“原创性”——它提出了一种利用 h²-dissociated sets 来控制关系的构想，这种思路非常巧妙，甚至连该领域的专家都表示这是原创且聪明的。这让我想起了一个残酷的现实：以前，博士生可以通过解决一些“温和”的、尚未被关注的公开问题来开启研究生涯。现在，这类问题正在迅速消失。如果一个问题足够“温和”，AI 几乎肯定能秒杀它。数学研究的下限被大幅抬高了：未来的贡献不再仅仅是证明一个“没人证明过”的问题，而是必须证明一个“AI 证明不了”的问题。有观点认为，这会改变数学家的角色。如果 AI 承担了所有的技术细节和核心构想，人类的成就感从何而来？如果数学的价值在于“发现”真理，而 AI 正在大规模地“发现”真理，那么人类在数学史上的“不朽”可能正在走向终结。不过，换个角度看，这更像是一种能力的迁移。就像优秀的程序员能更好地进行“氛围编程”（vibe coding）一样，那些真正解决过难题、理解过底层逻辑的人，才能成为顶级的 AI 引导者。他们不再是单纯的解题机器，而是判断逻辑走向、定义问题边界的“指挥官”。现在的挑战在于，当验证的成本远低于生成时，人类的价值将集中在“判断”上。我们正在从一个稀缺性经济（稀缺的是答案）转向一个丰裕经济（答案随处可见）。研究的本质或许不在于那个最终的定理，而在于你在与难题搏斗的过程中，对问题空间建立的深刻直觉。gowers.wordpress.com/2026/05/08/a-recent-experience-with-chatgpt-5-5-pro

转发者评论

无明显转发评论

原文

[AI]《Model Spec Midtraining: Improving How Alignment Training Generalizes》C Li, S Price, S Marks, J Kutasov [Anthropic] (2026) 在模型对齐领域，训练行为能否迁移是一个悬而未决的难题。过去的方法受困于示范数据过窄，本质原因是模型只学会表面回答，未学会规则背后的理由。本文的核心洞见是：把 Model Spec 重新看作训练前的“价值先验”。由此，先用合成文档教模型理解规范，再用示范微调激活行为，使泛化方向得以锁定。这项工作真正留下的遗产是让规范从文本说明变成训练杠杆。它打开的新门是实证比较不同规范写法，但尚未跨过的门槛是更强 RL 压力与长程任务。arxiv.org/abs/2605.02087 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

原文

现在美股完全发癫了，中国公司退出全球公司市值前20市值排名，中国最高的腾讯5409亿美元只排第24，以前和阿里进过前十。后面跌下来了，但无论如何，中国大公司在前20里总是应该有位子的。除了说了很久的“七巨头”，美股一大堆公司跑前面去了。博通已经2万亿美元了，沃尔玛、伯克夏尔也万亿美元了。还有好几家在冲击1万亿美元，除了制药的礼来、金融的摩根大通，其它是AI方向的，造内存的美光，造CPU和GPU的AMD、英特尔。腾讯前面一共23家公司，台积电、沙特阿美、三星、海力士、ASML，还有18家美股公司。等于是说，一方面美国非常害怕被中国赶超，一方面又认为在资本市场上中国公司不值一提。这种状态就是发癫了，末日狂欢一样。中国公司突破美国霸权最后的堡垒芯片业，就会亲手把这些公司虚幻的市值戳破。而这只是时间问题。

转发者评论

无明显转发评论

原文

Github 上一些有意思的资源分享：长得跟 ChatGPT 一样的开源工具，跑在自己电脑上。最近想找一套「不上云的本地 AI」方案，过了一圈下来发现一个 GitHub 上挺火的开源项目，叫 Open WebUI——长得跟 ChatGPT 几乎一模一样，但跑在自己电脑上，所有对话不离开你的机器。它解决的是这种场景：你想用上 ChatGPT 那种顺手的网页聊天体验，但又不想把工作内容、私人想法、客户资料这些东西上传给任何一家 AI 公司。以前要么忍受各家网页客户端的隐私顾虑，要么自己折腾一堆命令行工具。Open WebUI 把这件事压到了「装个 docker，打开浏览器」的成本。截至2026年5月，它在 GitHub 上已经有超过13万颗 star，长期排在自托管 AI 工具的第一梯队。项目主要由一个叫 Tim Baek 的开发者维护，去年也入选了 Mozilla Builders 这个开源孵化项目。具体能干什么，三件事：第一件是「跟 ChatGPT 一样的聊天界面，但接你想接的模型」。Open WebUI 本身只是个网页前端，后面接的模型由你自己选。可以接 OpenAI 官方的 API（用自己的 key）、Claude、Gemini，也可以接完全本地跑的开源模型（通过一个叫 Ollama 的工具，几条命令就能在自己电脑上跑 Llama、Qwen 等）。所有对话历史都存在你本地的数据库里，不上传。第二件是「带知识库」。你可以把自己的 PDF、Word、网页书签全交给它，它会做向量化（俗称 RAG，意思是 AI 回答前先去你的资料库里找相关内容，再给答案）。比如把公司过去三年的产品文档全部塞进去，问 AI 一个具体的产品问题，它会先翻你的文档再回答，而不是从大模型自己脑子里编。第三件是「插件加多人共用」。它支持 Python 写的插件扩展（叫 Pipelines），可以接外部数据源、写自己的处理逻辑。也支持团队多人共用一个实例——配企业 SSO、按权限管理这些都是现成的功能。怎么用？最简单的方式是 docker 一行命令把它跑起来：docker run -d -p 3000:8080 -v open-webui:/app/backend/data --name open-webui ghcr.io/open-webui/open-webui:main之后打开浏览器访问 localhost:3000，注册一个本地账号（这账号只在你机器上），就能用。如果想跑完全本地、不联网的开源模型，先装一下 Ollama（这是另一个开源工具，专门用来在本地起开源模型服务），用 ollama run llama3 把模型起起来，Open WebUI 会自动检测到。具体哪些人会觉得它有用：法律、医疗、金融这些行业的从业者。手上的文件不能上传到外部 AI，但又想用 AI 提效，本地跑…

转发者评论

无明显转发评论

• //@图老板赛博札记:这个在很多组织内都有部署，它最大的价值不是跑本地模型，而是让Chat这个服务的模型有选择性。比如说公司内有可能有很高级的模型，也有些比较弱的模型。这样的话，可以根据需要，不同任务选择不同的模型，有效的提高资金和模型的利用效率。

原文

GPT Image 2 Prompt：水墨风格 Slides/PPT 可以把下面的提示词模板发给 Agent，让 Agent 帮你生成每一页 Slides 的画图 Prompt，Codex 这样有画图能力的直接出图。--- 提示词模板 ---Title: [在此输入幻灯片标题]Key Points:- [要点 1：简洁的描述]- [要点 2：核心数据或事实]- [要点 3：关键结论]Visual Elements: [描述视觉元素，例如：纹理宣纸背景 (Textured rice paper background)、水墨山水 (Ink-wash motifs)、简约的圆圈 (Enso circle)、红色印章 (Red seal mark)、雾气效果 (Mist-grey effects)]。整体风格应保持 [Quiet / Restrained / Wabi-Sabi / Contemporary East-Asian Luxury]。Layout Preference: [布局说明，例如：左右分割 (Split layout)、居中对齐 (Centered layout)、文字居左且右侧留白 (Left-aligned text with negative space)]。Text Hierarchy: [文字层级，例如：标题使用大号衬线字体 (Large Display Serif)，正文使用易读的衬线字体 (Body Serif)，确保视觉平衡和清晰的阅读顺序]。Continuity Note: [延续性说明，例如：保持与前一页相同的背景纹理和色调 (#F5F0E8, #2C3E2D)，使用相似的印章位置以维持视觉一致性]。----- 示例 ------Title: Agent Loop 深度解析: 揭秘 AI 智能体的心脏.Key Points: 核心定义、主要职责、设计目标。Visual Elements: 大号优雅标题，背景为宣纸纹理，带有淡淡的水墨山水和圆圈笔触，角落处有红色小印章。Layout: 干净的布局，大量留白（Open Sky）。Text Hierarchy: 标题最为突出，下方是较小的正文。

转发者评论

无明显转发评论

原文

[LG]《DGPO: Distribution Guided Policy Optimization for Fine Grained Credit Assignment》H Jin, R Zhu, Z Du, X Jiang… [Peking University & SJTU] (2026) 在长链推理强化学习领域，关键步骤难以归因是一个悬而未决的难题。过去的 GRPO 受困于整段共享奖励，本质原因是突破性推理与普通语法 token 被同等更新。本文的核心洞见是：把分布偏离重新看作探索线索，而非惩罚项。由此，用有界 Hellinger 距离定位偏离 token，再以熵门控过滤自信幻觉，使奖励落到关键步骤。这项工作真正留下的遗产是无 critic 的 token 级信用重分配。它打开的新门是低开销强化长程推理，但尚未跨过的门槛是数学题外的任务泛化。arxiv.org/abs/2605.03327 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

原文

最近半年都在搞我们自己的开源项目Wegent，没怎么参与RooCode社区的事情，也是最近才知道RooCode要放弃这个产品了，说说我的想法。根据我之前了解到的一些碎片化的信息，RooCode本来是Roo Veterinary （一家兽医招聘平台……）里的一个小团队，自己fork出了roo-cline，用来做AI生成自动化测试，顺便开源出来了。没想到这玩意竟然一下火了，相比于原版的Cline，Roo-Cline增加了很多当时看比较激进的功能（比如一开始的自动执行，到后面自定义mode，自定义prompt，subtask等等，有些记不清了），后面roo-cline这个团队干脆直接开始把AI编程当做主业，直接出来创业了，项目名称也改成了Roo Code。据我了解，roo code的团队核心人员规模相当小（初期应该只有1个创始人+2个程序员），但是对于AI Coding的使用相当激进，基本上国内的AI编程产品还在研究代码补全用什么快捷键触发的时候，roo code已经能够运行十多分钟左右的中型任务了。Roo Code社区里也相当活跃，尤其是对于PR的宽容度非常高，我也是这个时期开始参与到Roo Code的开发，主要贡献了多点编辑（一次模型调用可以修改文件的多个位置）、TODO Reminder、AI消息解析器重写、MCP增强和乱七八糟的一堆小优化，还包括后面我们还开源了把roocode移植到idea上的runvsagent项目。（这里还有个小插曲，RooCode社区对于核心贡献者的回馈非常朴实：直接给你充模型token）在Roo Code社区完成了一个大功能的迭代（Boomerang Tasks）之后，roocode彻底开启了AI长程任务能力。甚至在接近一年前，Roo Code社区就已经实现了AI分析Issue-AI开发代码-AI Review的全AI化工作流（他们把这个能力包装成了github上的roomote机器人）。我记着在我提交了TODO Reminder的那次版本更新的office hours直播，主题就是一群人看着AI自己在那独立执行了6小时，完成了一个综合游戏网站。在这段时间可以说是roo code这个项目最辉煌的时间：有大量的用户和开发者，openrouter的token使用排名上甚至一度排到了第一名。后来roo code做了一些商业化方面的尝试，对于原有功能的开发开始放缓。加上同类型项目的竞争（kilo code、opencode等），再加上cli等“无ide模式”模式的兴起，再再加上一个roocode作为一个小团队，没有那么多钱可烧，因此团队做了次方向迁移，全力押注roomote。按创始人的说法，“Not because Roo Code failed, but because the world it served would cease…

转发者评论

无明显转发评论

• //@庆丰:RooCode有点可惜，技术和商业中间还有沟壑（比鸿沟浅点）[二哈]

原文

Roboflow 研究负责人 Isaac Robinson 为大家梳理了视觉领域从 CNN 到 Transformer 的演化路径。故事的核心其实挺反直觉的。CNN 天生有很好的归纳偏置，平移不变性、局部性，图像里的人不管出现在哪个角落都能被识别。而 ViT 呢，把图像切成 16×16 的图块扔进 Transformer，没有归纳偏置，计算复杂度还是 n 的四次方。按理说完全不占优势。但结果大家都知道了，ViT 赢了。中间经历了一段有趣的“绕路”。Swin 引入窗口注意力降低复杂度，本质上在模仿卷积的局部性。ConvNeXt 更激进，干脆回到卷积网络，把从 Transformer 学到的训练技巧全塞进去，在 ImageNet 上确实打赢了。Hiera 则做了一个漂亮的消融实验，逐步去掉模型里的归纳偏置组件，用预训练来补回来，发现性能不降反升，速度还更快了。最终大家回到了“苦涩的教训”（苦涩的教训（The Bitter Lesson） 是强化学习之父 Rich Sutton 2019 年提出的论点：利用算力的通用方法，最终都以巨大优势胜过依赖人类领域知识的方法。"苦涩"在于，你精心设计的领域知识、手工规则，最后都会被“更多算力+更通用算法”碾压。最近被频繁提起，是因为大语言模型又一次印证了没人预料到“预测下一个 Token”这个简单目标+海量算力，能涌现出这么多能力，把几十年精心设计的 NLP pipeline 全部淘汰。），简单的、能 scale 的架构才是王者。ViT 胜出的两个关键因素，一是 MAE、DINOv2 这类 ViT 专属的自监督预训练方法，CNN 结构上做不了随机丢图块的操作，这条路只属于 Transformer。二是 LLM 爆发带来的基础设施红利，Flash Attention 一加上去，Hiera 论文里声称的速度优势直接消失了。SAM 系列的演变完美印证了这个趋势。SAM 1 用 MAE 训练的 ViT，SAM 2 换成 Hiera，SAM 3 直接放弃架构探索，拿大规模预训练的骨干网络一把梭。效果很强，但 8 亿参数在 T4 上跑 300 毫秒，很多边缘场景根本用不了。Roboflow 的思路是在基础模型之上做神经架构搜索，通过调节旋钮生成一整个模型家族，覆盖不同算力约束。他们的 RF-DETR 在相同精度下比微调 SAM 3 快约 40 倍，以 15 倍加速就能获得精度提升，在实时检测任务上显著超过了当时最好的卷积模型。#Transformer##计算机视觉# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

中美AI前景及市值预测高盛：美国企业AI采用率持续温和上升，4月升至19.8%，较3月的18.9%有所提升（这一指标通常来自于美国人口普查局的Business Trends and Outlook Survey，统计正在使用AI工具的企业占比）。近2成了。相当高了。如果变成10成，还有4倍增长空间。目前美国几个AI大厂合计的年化（ARR，年度经常性收入）大约是千亿美元不到（600-800亿美元左右）。简单换算，美国企业AI市场未来能有3000-5000亿美元左右。我上次胡猜过。如果美国1.7亿劳动人口，有四成也就是7千万白领，AI未来替代30%，就是2100万白领，雇主愿意为AI替代员工节省的工资一年6-7万美元，付出近一半成本（包括电力、硬件、软件与AI），就是3万美元。假设其中2万给AI，一年就是4200亿美元。这个数值跟上一段话的推算3000-5000亿美元一年是比较接近的。在AI保姆与护工机器人大幅突破之前（目前智商不行，远远达不到商用要求，没有物理AI大模型 ），AI主要商用就是2B生产力工具，赋能或者替代在电脑面前工作的白领员工，它的主要营收就是这些员工及老板为了提高生产力而付出的钱。这点从美国Anthropic公司CLAUDE产品的营收可以看出来。欧盟、韩日澳新等西方基本盘，加一些发展中国家市场，美国AI大厂（三到五家公司）可能获得8000亿美元一年的AI收入（美国4200亿美元，境外近四千亿）。AI大厂的竞争跟以前七姐妹完全不同的地方在于：没人垄断。以前的微软垄断桌面操作系统及办公OA软件，亚马逊垄断电商，META垄断社交网络，谷歌垄断搜索地图等，苹果垄断手机，英伟达垄断GPU，特斯拉垄断美国电动汽车。现在美国AI大厂起码会有三到五家：Anthropic（人类AI公司）、OpenAI （开放AI公司）、字母表公司（谷歌），这三家目前是前三，然后是微软、X（SPACEX）、META等。中国也有一些开源大模型可能在西方得到应用。没有垄断，销售净利润率不可能太高。扣除算力投入、研发知识产权折旧、员工工资等，我个人估计三五年后的销售净利润率可能只有10-20%左右，也就是一年8000亿销售收入的1-2成，也就是800-1600亿美元。给20倍PE，就是1.6万亿美元-3.2万亿美元。而人类AI、开放AI两家公司目前的市场估值（一级PE入股）已经达到了1.8万亿美元，已经在我给的区间下沿上方了。谷歌、微软、SPACEX、METE这四家的AI业务起码也还有上万亿美元。7家加一起，都快到我给的区间上沿了。。。国内也多，大点的有超过10家：DEEPSEEK、阿里、字节、腾讯、KIMI、MINIMAX、智谱、小米、快手可灵、百度，还有一些相对小点的就不罗列了。目前这些大公司的AI业务估值大约是200-600亿美元一家，十家合计也是三四千亿美元。中国7亿多劳动…

转发者评论

//@成一虫:为什么很难增长消费？因为就业难，收入没有增长，而且目前中国消费已经非常高非常好，很难有扩张空间。比如住房汽车家电肉菜等等。旅游很难因为AI而增长，医疗可以，因为成本大减，但部分医生可能失业或降薪//@成一虫:回复@账户无法恢复:工作效率可以提高，因为人就业少了，企业劳动生产率提

• //@成一虫:为什么很难增长消费？因为就业难，收入没有增长，而且目前中国消费已经非常高非常好，很难有扩张空间。比如住房汽车家电肉菜等等。旅游很难因为AI而增长，医疗可以，因为成本大减，但部分医生可能失业或降薪//@成一虫:回复@账户无法恢复:工作效率可以提高，因为人就业少了，企业劳动生产率提

原文

用Suno或Udio生成AI音乐，每个月要花10-50美元，还担心隐私和使用限制，生成时长和次数都受限。ACE-Step UI 是终极开源Suno替代品，为ACE-Step 1.5 AI音乐生成模型提供专业界面，完全免费、本地运行、无限生成，再也不用为Suno付费！不仅有Spotify风格的界面生成完整歌曲（带人声长达4+分钟），还支持歌词编辑、风格自定义、批量生成、音频编辑、分离人声鼓点，甚至一键制作音乐视频。GitHub：github.com/fspecii/ace-step-ui主要功能：- AI音乐生成，支持完整歌曲、纯音乐、自定义BPM/调式/时长；- 专业歌词编辑器和AI增强提示，精准控制风格和结构；- 内置音频编辑器（AudioMass）、人声分离（Demucs）和视频生成；- 音乐库管理，支持喜欢列表、播放列表和实时进度；- 参考音频重绘、种子控制、高质量参数调节；- 支持LAN访问，多设备使用，暗黑/明亮模式切换。支持Windows、Linux、macOS，通过一键脚本安装运行（4GB显存GPU即可），Pinokio一键部署超简单，适合音乐创作者和AI爱好者。#AI音乐# #ACE-Step# #开源音乐#

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-05-10】今日简讯：1、DeepSeek估值三周五级跳至500亿美元，国家队大基金领投、腾讯阿里同时在列2、字节跳动AI基础设施支出增至2000亿元，计划加大国产AI芯片采购比例3、百度发布文心大模型5.1：搜索能力登顶国内第一，训练成本仅业界6%4、蚂蚁百灵发布万亿级思考模型Ring-2.6-1T，支持可调节推理强度5、Figure AI双机器人协作铺床，两分钟内自主完成全套动作6、Anthropic与CDN巨头阿卡迈达成18亿美元算力合作，股价两日暴涨53%以下为详细内容：① DeepSeek估值三周五级跳至500亿美元，创中国AI融资新纪录从100亿美元飙升至500亿美元，DeepSeek完成估值五连跳。本轮融资规模500亿元人民币，其中内部增资200亿+对外募资300亿。投资方阵容豪华：国家集成电路产业投资基金（大基金）领投，腾讯、阿里同时在列。创始人梁文锋个人掏200亿跟投，占本轮募资总额40%。融资核心目的：为员工股票期权定价，稳定核心团队。本次融资本质是给期权定价，而不是纯融资。大基金入局意义更大——这是国家级基金首次投资AI大模型公司，标志着国家战略从"投芯"升级为"软硬一体"。② 字节跳动增加25% AI基础设施支出，规模达2000亿元字节跳动今年已将AI基础设施计划支出提高25%，从原预算1600亿元增至2000亿元。更值得注意的信号是——字节跳动计划把更大比例资金投向国产AI芯片，此举将进一步加速国产算力的商业验证与迭代。③ 百度发布文心大模型5.1：搜索能力国内第一，训练成本仅业界6%百度发布文心大模型5.1，核心技术突破在于"多维弹性预训练"——预训练成本仅需业界同规模模型的6%。该模型已登陆LMArena，搜索榜排名国内第一、全球第四，是唯一上榜的国产模型。Agent能力超越DeepSeek-V4-Pro。④ 蚂蚁百灵发布万亿级思考模型Ring-2.6-1T，引入可调节推理强度蚂蚁集团百灵大模型发布旗舰思考模型Ring-2.6-1T。核心创新是引入可调节Reasoning Effort机制：high模式面向高频Agent工作流，xhigh模式面向高难任务。已在OpenRouter上线，限时一周免费体验。⑤ Figure AI双机器人协作铺床：两分钟完成，无显式通信纯视觉协调Figure AI公布最新视频：两台人形机器人协作整理房间，全程不到两分钟。机器人之间"没有显式消息传递，完全通过视觉协调动作"。公司估值已达390亿美元。⑥ Anthropic与CDN巨头阿卡迈达成18亿美元算力合作Anthropic与美国CDN巨头阿卡迈科技签署18亿美元计算协议。阿卡迈股价两日累计涨幅达53%，标志着传统CDN厂商正在转型为AI基础设施提供商。#科技先锋官##德里克文AI日报#德里克文

转发者评论

无明显转发评论

原文

【国产大模型编程实测：差距早已不是能不能写，而是怎么写】快速阅读：通过对 Kimi、GLM、DeepSeek 等国产模型在编程能力的实测，发现模型间的差距已从“能不能写”转向“怎么写”。不同模型在前端设计、后端逻辑、代码审查及复杂推理上表现出明显的领域特化特征。国产编程模型现在的竞争，有点像是在极其精密的指令流水线上比拼调度效率。最近的一份实测排名把 Kimi K2.6 放在了首位，紧随其后的是 GLM-5.1。这种排名的意义不在于谁是绝对的王者，而在于每个模型都长出了不同的“器官”。Kimi 在前端设计和后端开发上表现出很强的审美与执行力，甚至有人认为它在某些维度超过了 Claude Opus。GLM-5.1 则在处理多文件复杂编辑时表现稳健，幻觉较少。有网友提到 DeepSeek V4 Pro 被排在第五位有些令人意外。其实第五名并不代表它不好，DeepSeek 的强项在于逻辑推理，尤其是在算法问题上的 Chain-of-Thought 表现非常犀利。甚至有人发现，当 Kimi 或 GLM 陷入僵局时，DeepSeek 反而能成为那个解决问题的“修理工”。更有意思的观察点在于模型处理模糊需求的能力。有观点认为，真正的分水岭在于面对不明确的规格说明时，模型是选择盲目执行导致错误，还是会主动停下来提问。Kimi 和 GLM 在这一点上做得更好，它们更像是有经验的工程师，会通过澄清问题来降低系统熵值。现在的局面是，开源权重的竞争已经进入了深水区，很多西方开发者甚至还没意识到这几支力量有多强。模型之间的性能差距正在收窄，这种微小的差异决定了它们是在不同场景下作为“全能选手”还是“专项工具”存在。或许下一代模型，比如大家期待的 MiniMax 3.0，会彻底打破这种领域特化的平衡。x.com/llmdevguy/status/2052449602910015962

转发者评论

无明显转发评论

原文

制作PPT常常需要先整理文档内容、设计幻灯片布局、手动绘制图形元素、添加动画，步骤繁琐耗时。PPT Master 用AI一键将任意文档转为**原生可编辑PPTX**，生成真实PowerPoint形状、文本框和图表，不是图片！直接点击编辑。支持PDF、DOCX、URL、Markdown输入，还能复制公司模板、添加动画过渡、生成旁白语音，甚至导出MP4视频。GitHub：github.com/hugohe3/ppt-master主要功能：- AI自动生成**原生可编辑PPTX**，形状/图表/动画真实支持PowerPoint编辑；- 支持PDF/DOCX/Markdown/URL等多种文档格式一键转换；- 模板复制功能，可提取任意PPT作为私有模板库；- 页面过渡+元素入口动画，原生OOXML支持；- 语音旁白生成（支持克隆声线），直接嵌入PPTX并导出MP4；- 图片智能获取（AI生成+网络搜索），支持Pexels/Pixabay等；只需安装Python + pip install -r requirements.txt，即可在Claude/Cursor/VS Code等AI IDE中聊天生成：「请从这个PDF制作PPT」即可。数据本地处理，无平台锁定。#AI##PPT##生产力工具##人工智能#

转发者评论

无明显转发评论

原文

GPT Image 2 Prompt：中文科技新闻爆款封面生成器--- Prompt ---你是一名顶级中文科技媒体视觉设计师。你的任务是：根据用户输入的一整篇文章内容，自动提取核心新闻、关键数字、核心产品、行业情绪和信息层级，并生成一张高冲击力的中文科技新闻文章封面图。图片比例：16:9 横版。---【整体风格】生成一张「中文科技媒体爆款封面图」。整体风格参考：* 中国科技媒体头图* B站科技区爆款缩略图* 财经新闻视觉* 游戏行业信息图* 高冲击力 YouTube Thumbnail* “行业突发新闻”视觉风格要求：* 强烈视觉冲击* 信息密度高* 3 秒内看懂新闻重点* 专业媒体感* 大量数据卡片* 中文粗黑大标题* 明确的产品主视觉* 明确的情绪表达* 不要极简风* 不要 Apple 风* 不要电影海报风* 要像“行业大事件”---【自动分析文章】你必须先自动从文章中提取：1. 最适合作为封面的主标题2. 最有冲击力的副标题3. 最重要的数字4. 最大涨幅、跌幅或变化幅度5. 最核心的产品、品牌或人物6. 最能制造视觉冲击的信息7. 用户最关心的结论8. 文章整体情绪文章情绪可以是：* 暴涨* 暴跌* 涨价* 崩盘* 封禁* 突破* 发布* 革命* 危机* 反转* 震动* 警告* 机会* 行业洗牌然后把这些信息转化为视觉设计。---【构图结构】画面采用高密度信息图式布局，自动生成以下区域：1. 顶部新闻区* 放品牌名、产品名或行业标签* 加入“突发”“官方宣布”“重磅”“最新”“行业震动”等新闻标签* 标签内容根据文章情绪自动选择2. 中央超大标题区* 使用超巨大中文标题* 字体粗壮* 强烈立体感* 可带轻微破损、压迫、速度或科技纹理* 关键词用高亮色突出* 标题必须短、狠、直接* 让读者 3 秒内知道发生了什么3. 主视觉产品区* 自动识别文章中的核心产品、品牌、设备、人物或象征物* 将其作为画面最大视觉主体之一* 产品应有透视感、层次感、光效和冲击力* 背后可以加入行情图、能量光、箭头、爆炸线、科技 HUD、速度线等元素4. 数据卡片区自动把文章中的关键信息做成多个卡片，包括但不限于：* 价格变化* 涨跌幅* 时间节点* 地区差异* 销量* 成本* 市值* 用户影响* 行业对比数据卡片要求：* 旧数据可以使用删除线* 新数据必须更醒目* 百分比、金额、时间必须突出* 每张卡片只表达一个重点* 卡片之间层级清晰，不要堆成一团5. 底部总结区自动提取文章中的 3–5 个结论，做成图标化摘要：* 原因* 影响* 趋势* 风险* 机会* 用户建议* 行业判断每个结论用「图标 + 短句」呈现。---【配色策略】不要固定使用某一种配色。你必须根据文章的行业、品牌、情绪和新闻性质，自动生成一套高冲击力封面配色。配色必须遵循以下原则：1. 品牌优先如果文章中出…

转发者评论

无明显转发评论

• SKILL 提示词，地位相当于 计算机中的软件了，单独传播的知识产品，只是不知道能不能形成软件产品那样的定价方式。

原文

AI算力新瓶颈来了：CPU涨价还一货难求英特尔、AMD、Arm最新财报透露出明确信号：AI智能体浪潮下，市场对服务器CPU需求暴增。过去大家都盯着GPU做AI算力核心，如今逻辑彻底反转。行业业内坦言，CPU现在供应极度紧张，就算涨价也拿不到现货，而且在AI整个生态里根本无法被替代。智能体时代不再只靠GPU堆算力，CPU承担任务调度、数据编排等核心环节，需求被瞬间放大。一边是大厂疯狂囤货锁产能，一边晶圆产能被GPU挤占，扩产周期又跟不上，直接催生CPU涨价缺货行情。算力格局悄然改写，CPU接力GPU成AI新刚需，国产CPU及算力产业链迎来确定性机会。海外CPU缺货+涨价，国产替代直接加速，这几家龙头迎来爆发机会：- 海光信息：国内唯一X86永久授权服务器CPU龙头，一季度订单128亿元，排产到三季度，直接躺赢缺货潮！- 龙芯中科：全自主指令集CPU龙头，3C6000性能对标国际主流，一季度订单82亿元，信创+军工双壁垒，无可替代！- 通富微电：AMD核心封测伙伴，CPU量价齐升，产能满负荷运转，直接受益订单爆发！- 澜起科技：DDR5内存接口芯片全球市占率40%，深度绑定CPU需求，跟着算力风口起飞！

转发者评论

无明显转发评论

原文

#科学外史# 一个英国男孩在13岁时成为国际象棋大师，17 岁时成为畅销电子游戏设计师，33 岁时成为神经科学博士，后来又成为赢得 2024 年诺贝尔化学奖的人工智能实验室的 CEO。二十年来，人们称他“不专注”。实际上，他在执行现代科学中最有计划的职业路径。他的名字是 Demis Hassabis。几乎没有人理解的是，他所做的每一步都源自同一个深层的执念。这是贯穿他整个职业生涯的线索，也说明了任何人如何去构建通向艰难目标的道路。棋局开始了。 他 1976 年出生于伦敦，4 岁开始下棋。8 岁时成为伦敦同龄组冠军。13 岁时获得国际大师等级分，跻身世界同龄前五十。他本可以成为职业棋手，度过一生。但他选择离开。后来在一次次采访中，他解释了原因。棋局迫使他不断思考“思考本身”。每一步都要求他模拟对手正在模拟的自己。他迷上的不是赢棋，而是人脑为下棋所运行的过程。他决定，棋局太小，容不下他真正想回答的问题——智能究竟如何运作。接下来是电子游戏。 他用比赛奖金买了一台 ZX Spectrum，自学编程。17 岁时，他成为游戏《主题公园》的主程，该游戏销量数百万。他本可以继续留在行业，成为英国顶尖游戏设计师之一。但他也离开了。他进入剑桥大学，获得计算机科学双一等学位，然后做出了看似最奇怪的转折：在伦敦大学学院攻读认知神经科学博士。他 30 岁时重返校园，而剑桥的同龄人已经在经营公司。他研究人类海马体如何建立记忆并想象未来场景。他 2007 年关于记忆与想象关系的论文被《Science》评为年度十大突破之一。但论文从来不是重点。重点是，他已默默积累了三十年，组合出世界上独一无二的技能：来自国际象棋的复杂系统中智能体行为的直觉。来自游戏开发的工程与软件交付能力。来自神经科学的对生物大脑如何产生认知的科学理解。2010 年，他用这些组合共同创办了 DeepMind。 使命宣言只有两句话，听起来荒谬：解决智能。然后用它解决其他一切。前六年，DeepMind 几乎只研究游戏：Atari、星际争霸、围棋。外界无法理解，一个声称要构建通用人工智能的实验室为何花费数亿美元教电脑玩《乒乓》。Hassabis 在采访中不断解释：游戏不是目标，而是受控环境，可以快速迭代通用学习算法，精确衡量进展，并证明算法能跨领域迁移。2016 年，AlphaGo 战胜世界冠军李世石。 比赛结束的第二天，Hassabis 与团队负责人 David Silver 坐下，问接下来该做什么。答案就是他一生的目标。他们将深度强化学习用于生物学困扰五十年的问题：蛋白质折叠。给定氨基酸序列，预测蛋白质的三维结构。药物研发全依赖此问题。传统计算方法只能解决少数蛋白质，实验方法则需数年和数百万美元。2020 年，AlphaFold2 发布。 一年内预测了几乎所有已知蛋白质结构——两亿个，并免费开放给全球研究者。来自 19…

转发者评论

无明显转发评论

原文

分享一下「AI 之父」讲过的一个想法：让大 AI 帮你「蒸馏」出一套自己的小模板。最近我读到一些 Geoffrey Hinton 离开 Google 之后的发言，发现他反复在讲一个看起来特别技术、其实普通人也完全用得上的想法：大模型的真正力量不在于「大」，而在于它能把自己的能力「教」给小模型。这件事在 AI 圈叫「知识蒸馏」。听起来玄，但翻译成普通人的工作流，就是一句话：你日常对着大 AI 反复要做的事，可以让它倒过来帮你「蒸馏」出一套自己反复能用的小模板。说一下 Hinton 这个人。他是深度学习的奠基人之一，圈内常被叫「AI 之父」，2018年拿过图灵奖，2024年又拿了诺贝尔物理学奖。2023年5月他76岁那年从 Google 离职，离开之后开始更自由地谈他的想法。这些发言里有一类听起来很玄、其实很实用，「蒸馏」就是其中之一。先说这个想法的来历。2015年 Hinton 跟两位 Google 同事发过一篇论文，意思是：你训练好一个又大又慢但回答得很好的 AI 模型（叫「老师」），然后让一个小很多的模型（叫「学生」）来模仿老师的输出。但精彩的地方在于：学生学的不是老师的最终答案，而是老师的「判断感」。举个例子。老师看一张图说「这是猫」，传统训练只告诉学生「答案是猫」。Hinton 的做法是把老师的全部「软答案」给学生看：这张图老师有七成觉得像猫、两成觉得像狗、一成觉得像老虎。藏在「猫和狗比较像、和老虎也有点像」里的相对感，就是 Hinton 起的名字 "dark knowledge"（暗知识）。学到了暗知识的小模型，体积是老师的几十分之一，效果却几乎追平。这条路径催生了今天手机上能直接跑的 AI（iPhone 自带的智能助手就是这么来的），也是 DeepSeek 这种小型模型能用很少参数跟上 GPT 的关键之一。说回普通人怎么用。这套思路反过来用，正好是一个普通人也能套的工作流：你每天对着国内的几个大模型，或者像 ChatGPT、Claude 这种大 AI 反复要做的事（写周报、写邮件、整理会议纪要、给孩子讲数学题、改代码），不就是「老师在反复回答」吗。你完全可以让大 AI 倒过来帮你「蒸馏」出一份你自己反复能用的小模板。我把这套用法叫「个人蒸馏」。具体是这么操作的。挑一件你反复要做的事——最适合做个人蒸馏的，是那种每周都要做、每次又得花点脑子的活：写周报、写月报、写晨会通知、给某类客户回信息、整理会议纪要等等。挑好之后，第一次让大 AI 从零做一遍。把你脑子里的所有约束、想法、好范例都告诉 AI，跟它聊到结果让你满意。这一次可能要花30分钟到一小时，不要怕慢，这是「老师在认真讲」的过程。最关键的一步，是让 AI 倒过来帮你提炼模板。你跟 AI 说：「把刚才我们的整个流程浓缩成一段提示词模板，让我下次拿一份原始材料贴进去就能直接用；把你刚才考虑过的关键…

转发者评论

无明显转发评论

原文

2023 年夏天，Claude 2 发布之后，我搞了一个自己的测试集。内容都是我设计的，而且我搜索确认了之前网上没有类似内容，也就是说模型的训练数据里没有直接答案。其中有个编程任务，我将其难度调整为 GPT3.5 恰好能勉强完成，也就是第一次大概率会出点小错，但反馈出错信息后 3 轮以内能改对，而 GPT4 一遍能给出正确结果。大约 2024 年夏天，国内的模型陆续开始能完成这个编程任务。到今天，所有国内的模型都能完成这个任务了。

转发者评论

无明显转发评论

原文

#模型时代# Airbnb联合创始人兼CEO、创始人模式提出者：纯管人的领导者会被AI淘汰｜如果你做的是自己热爱的事，就没有失败可言这期笔记真的含金量居高不下。不然我也不会码到一万字，来自创始人模式提出者Brian Chesky。Brian Chesky是Airbnb联合创始人兼CEO，罗德岛设计学院工业设计专业出身。2024年9月，Paul Graham基于Chesky在YC活动上的演讲写了一篇名为"Founder Mode"的文章，将"创始人模式"这个概念推成硅谷年度话题。Chesky由此成为创始人亲力亲为、深入细节式管理的标志性人物。Airbnb 2025年全年平台交易总额GBV达到913亿美元，营收122亿美元，自由现金流率38%。2025年5月，Airbnb推出了Services和Experiences两大新业务线，正式从住宿平台向综合旅行生活平台转型。这期Invest Like The Best播客发布于2026年5月5日，主持人Patrick O'Shaughnessy和Chesky聊了将近90分钟。谈话覆盖面极广，从工业设计训练到创始人模式的迭代，从10人团队如何撬动百亿级转化率，到他对消费级AI、招聘哲学和内在驱动力的判断。一、创始人天生，CEO反直觉：必须学了再上场1、创始人和CEO是两种完全不同的能力Chesky把创始人和CEO拆成了两个角色。创始人可以边做边学，动手试错就是最好的训练方式。但CEO不行。CEO这个岗位完全反直觉，你几乎所有本能反应都是错的，比如有人跟你说一件事，你的第一反应是同意，但你还没听到另一面的声音。创始人的试错成本低，改个产品、调个方向，几周就能看到反馈。CEO的试错成本极高：你招了一个人，那个人建了一个小帝国，然后离开了，你得花四年去拆掉那个帝国。几年就这么浪费了。所以当CEO这件事，应该先学再上场，而不是上场了再学。2、工业设计师就是产品经理Chesky在罗德岛设计学院读工业设计时的一个毕业项目是设计儿童呼吸机。这个项目要求他同时站在三个视角思考：6岁的孩子，害怕、仰望一台机器；家长，看到呼吸机就恐慌"我的孩子到底怎么了"；护士技师，以只有自己会操作复杂设备为职业荣誉，如果设计得太简单反而觉得被威胁。他从中得出一个结论：工业设计里没有产品经理这个角色，工业设计师本身就是产品经理。设计的成败由商业结果定义，不像建筑可以得奖但无人租用。你必须同时考虑营销、制造、分发、解决真实问题。这种训练方式，他认为直接塑造了他后来的管理风格。3、疫情是转折点：从"失控"到彻底接管2010年代Airbnb坐上了火箭，和Uber一样高速膨胀。Chesky按照"招好人、放手让他们干"的标准建议来管公司，越放越多，到2019年底他发现事情不对了。公司有7000名员工，他不知道大家在做什么。他形容那种感觉是"坐在一辆没有方向盘的车里…

转发者评论

//@出版人周筠:【Paul Graham在YC第一天说的话对他影响最深："100人爱你，好过100万人觉得你还行。"这个说法来自Gmail的创造者Paul Buchheit，据说Gmail花了两年才让Google内部100个人真正喜欢上这个产品，但一旦100人喜欢，1亿人也会喜欢。样本量够了。 反过来，如果试图让100万人喜欢，你没法和100

• //@出版人周筠:【Paul Graham在YC第一天说的话对他影响最深："100人爱你，好过100万人觉得你还行。"这个说法来自Gmail的创造者Paul Buchheit，据说Gmail花了两年才让Google内部100个人真正喜欢上这个产品，但一旦100人喜欢，1亿人也会喜欢。样本量够了。 反过来，如果试图让100万人喜欢，你没法和100

原文

#Anthropic人均年营收900万美元#作为打工人，你有没有都偷偷算过这道题：一年到底给公司挣多少钱？10万？100万？1000万？Epoch AI最新数据：Anthropic人均年营收900万美元。900万美元，换成人民币就是6300万！这个数字看着太不真实了。而且，Anthropic只有三千人，Anthropic整个公司就这么点人。放在硅谷，塞不满一栋中型写字楼。但Epoch AI公布的这组数字，让这三千人变成了硅谷最贵的三千颗脑袋。做个参照对比。英伟达，全球市值最高的芯片巨头，每人贡献的收入是510万美元。OpenAI，ChatGPT帝国的缔造者，每人贡献是560万美元。Apple，市值最高的公司，人均240万美元—Anthropic是它的近4倍。Meta，220万。Google，200万。Microsoft，110万。苹果、谷歌、Meta、微软—几亿打工人挤破头想进的地方。它们的人均营收，都不到Anthropic的三分之一。OpenAI跟Nvidia是离Anthropic最近的两位选手。即便如此，得1.6个OpenAI员工才能顶1个Anthropic员工，1.8个Nvidia员工才能顶1个。全被甩在身后。更值得玩味的是，Epoch AI指出，这个数字甚至超过了上述公司在IPO高峰期的人均营收水平。一家还没上市的公司，效率已经碾过了硅谷巨头们的历史巅峰。如果回顾人类发展的历史，把镜头拉到1901年。那一年，J.P.摩根把卡内基的钢铁帝国整合成US Steel—当时美国最大的工业公司。16.8万名工人，年营收4.2亿美元。相当于每个工人，每年约2500美元。这是工业时代的人均上限。人控制机器，机器把铁烧成钢。然后时间往前走。1955年，通用汽车62万员工，124亿美元营收—人均约2万美元。流水线吞掉了体力，把人变成可替换的工序。1985年，IBM40万员工，500亿美元—人均12万。大型机吞掉了纸面计算，西装代替了工装。1995年，微软上市第十年，1.78万人，59亿美元—人均33万。软件第一次显出真本事：一份代码可以复制一亿份，却不需要一亿个工人。2004年GoogleIPO那年，3,021人，32亿美元—人均刚好100万。互联网把复制的边际成本压到了零。2012年Facebook上市，3,500人，51亿美元—人均145万。社交网络让用户成为产品本身。到Apple近年峰值，3,900亿美元营收/16.4万员工—人均约240万。这家市值最高的公司，也只走到这里。然后Anthropic出现了：900万。124年，3600倍。同一时段，美国通胀只涨了35倍左右。两条曲线之间的距离，就是「文明的杠杆」被拉开的速度。900万美元的秘密Epoch AI是AI领域最权威的独立研究机构之一，专门追踪前沿AI公司的算力支出、融资和运营效率数据。这次公布的排行基于…

转发者评论

无明显转发评论

原文

OpenAI和Anthropic昨晚各发了一篇关于大模型安全对齐的文章。感觉都和教小孩子很像，也许下一步大模型厂商要招聘教育专家了。OpenAI的更细节一点：不要让 CoT （模型的思维链）进入 RL 的奖励计算路径，这样会让模型学的更“狡猾”，不暴露自己的内心真实想法而偷偷搞破坏。。还是应该奖励正确的最终答案。他们已经在搞自动检测系统，发现 CoT 是否被意外拿去打分。Anthropic的发现是说：只训练模型“做正确动作”是不够的，训练模型能理解“为什么某些行为更好”对安全对齐来说更有效。也就是说在对齐训练时训练 Claude 不能只是说“我不会这么做”，而是说清楚：“为什么这个行为不合适？” “为什么另一个行为更好？” “这个选择如何符合诚实、安全、尊重用户、自我约束、接受监督等原则？”OpenAI 的教训是：如果奖励思考文本本身，模型可能学到浅层“看起来有原则”的文本模式；要保护 CoT 作为监控信号。Anthropic 的教训是：如果只奖励正确动作，模型可能学到浅层行为模式；要让它学到原则。原文：alignment.openai.com/accidental-cot-grading/www.anthropic.com/research/teaching-claude-why#AI创造营##How I AI#

转发者评论

无明显转发评论

原文

#中国AI能力持续提升# 中国AI的真正护城河，可能不在芯片，而在电费。西部绿电成本只有欧美的四分之一。这不是补贴，不是政策红利，是地理和物理。芯片的差距可以靠工程堆叠去弥补，液冷、超节点集群，都是苦活但能干成。可你没办法把内华达州搬到新疆旁边，没办法让加州的电价降到青海的水平。当AI推理变成一个“烧电”的生意，谁的电便宜谁就是赢家。算力竞争的终局，可能是一场能源地理学的竞争。“每百万词元0.3美元 vs 5美元”，十七倍的差距，不是技术差距，是电费账单的差距。 中国ai能力持续提升

转发者评论

无明显转发评论

原文

网页链接这篇论文的核心结论很直接：把长时间、连续的文档修改工作委托给 LLM，目前并不可靠；即使是前沿模型，也会在多轮委托中悄悄破坏文档内容。作者提出了一个基准测试 DELEGATE-52，用来模拟“把工作交给 AI 代办”的场景。它覆盖 52 个专业领域，包括代码、数据库、晶体学、音乐记谱、会计、家谱、字幕、3D 对象、菜谱等。每个环境有真实文档、若干编辑任务，以及干扰文档。模型需要连续完成一系列编辑任务，类似真实工作中“反复让 AI 改文件”。评估方法比较巧妙：他们设计成“可逆编辑”。例如先让模型把文档 A 改成 B，再给一个反向指令要求它恢复回 A。理论上，如果模型完全正确，最后文档应该和原文一致。这样就不需要人工标注标准答案，可以自动评估长流程中的内容损坏程度。 主要发现 1. 长流程中，LLM 会持续损坏文档论文测试了 19 个模型。结论是：当前模型在长委托流程中都会让文档退化。即使是前沿模型，经过 20 次交互后，平均也会损坏约 25% 的文档内容。所有模型平均退化更严重，约 50%。 2. 短期表现不能预测长期表现有些模型前两轮看起来差不多，但跑到 20 次交互后差距很大。作者认为，只看一两轮任务会严重高估模型在真实委托工作中的可靠性。 3. 工具使用没有解决问题作者还测试了带工具的 agentic harness，包括文件读写、代码执行等。结果是，在他们的基础工具框架下，带工具反而平均多造成约 6% 的额外退化。原因包括工具调用带来更多上下文开销，模型会频繁读写文件但并不一定更精确。 4. 文档越大、交互越长、干扰文件越多，退化越严重文档大小、交互长度、无关上下文都会放大错误。特别是长交互中，损坏会累积，不是很快达到平台期。 5. 错误不是“很多小错”，而是少数严重错误作者发现文档退化主要来自稀疏但严重的 critical failures。模型有时很多轮都表现不错，但某一轮突然造成10-30 分以上的大幅损坏。这类关键错误解释了约 80% 的总退化。 6. 弱模型更常删除内容，强模型更常“篡改”内容弱模型的问题更多是漏掉、删掉内容；前沿模型的问题更隐蔽：内容还在，但被改错了。这更危险，因为用户更难发现。 7. 代码/结构化领域表现更好，开放文本和小众格式更差模型在 Python、数据库 schema 这类结构化、程序化领域表现相对更好；在菜谱、小说、交通、纺织、音乐记谱等自然语言或小众结构领域表现更差。作者的结论论文认为：当前 LLM 还不是可靠的“委托代理”。它们可以协助工作，但用户不能假设“交给它做完就没问题”。尤其长文档、多轮修改、有干扰上下文的真实工作流中，模型会产生静默损坏，而且错误会随时间累积。

转发者评论

无明显转发评论

原文

优秀工程师不一定能写出优秀的Skill来，Perplexity公开了他们内部工程师在开发和评审 Skills 时使用的文档，帮助开发人员开发高质量Skill地址：research.perplexity.ai/articles/designing-refining-and-maintaining-agent-skills-at-perplexity开发高质量 Skill 所需的直觉和最佳实践，与构建传统软件所需的直觉和最佳实践有很大不同。Agents 团队会审阅许多优秀工程师在工作中提交的 Skill 相关 pull request。结果几乎总是会产生大量评论和修改建议。这是因为，许多在写代码时有用的模式，在创建 Skill 时反而会变成反模式。例如，如果你借用 PEP20《Python 之禅》中的一些格言，很快就会发现：写好 Python 代码和写好 Skills 完全不是一回事。在这 20 条智慧中，至少有一半在写 Skills 时要么完全错误，要么会造成严重误导。下面是其中五条（如图）：这份指南是 Perplexity 内部工程师在开发和评审 Skills 时共同使用的文档。我们也将这份指南公开发布，希望我们的发现和经验能让更广泛的社区受益。无论你是在日常工作中设计生产级 Skills 的工程师，还是希望在自己最熟悉的领域开发自定义 Skill 的 Computer 用户，或者两者都是，这份指南都适合你。#AI创造营##How I AI#

转发者评论

无明显转发评论

原文

#模型时代# Stripe Sessions 2026 一页PPT提到 35 个"一人创业家"，这是一份详细分析报告上个月底，Stripe Sessions 2026 产品主题演讲上，Stripe 数据与 AI 负责人 Emily Glassberg Sands 在谈到 Solopreneur（Solo Entrepreneur）的时候，给出一页幻灯片，展示一人企业家的样本。一共是 35 个 X/Twitter ID。需要说明的是，这些人大多以一个人起步，有些至今仍是一人运营，但也有些已经发展为小团队、非营利组织甚至融资公司——所以更准确的说法是"以 solo founder 和 bootstrapper 为主的创业者样本"。之前我在大会的解读报告中讲，一人企业家和国内 OPC 有点像，只不过落脚主体不同，一个落在人上，一个落在企业上。虽然看起来区别不大，都是一个人（小团队）创造和运营一个企业，但是我隐约觉得背后是有区别的。不过这不是这篇文章的重点。今天花了一点时间，对这页幻灯片上的三十几个人做了一些检索，给大家参考。但做个声明，由于这些一人企业家的信息披露深浅不一，所以虽然做了几轮核实，还是难以保证信息都是准确的。请大家辩证阅读，如果发现疏漏，欢迎指出。其实还有分析的部分，接近八千字，但是放不下了，就只放他们的个人介绍吧。---Pieter Levels（X/Twitter ID：levelsio）荷兰人，1987 年生，自学开发者。十多年前做音乐和网页开发自由职业，2014 年发起"12 Startups in 12 Months"挑战，由此成为全球 indie hacker 运动的精神图腾。代表产品包括 Nomad List（数字游民城市数据库）、Remote OK（远程工作招聘）、Photo AI（AI 写真）、Interior AI、Hood Maps 等 40 多个项目。技术栈极简：vanilla PHP、jQuery、SQLite。不雇全职员工。营收方面，多产品合计年化约 300 万美元以上。Photo AI 在 2025 年 11 月达到 13.8 万美元月收入，约占总收入七成。Nomad List 在 Latka 采访数据中报告 2024 年营收约 530 万美元，但这与 Levels 自报的数字存在口径差异，可能来源于合并统计方式不同。X 粉丝 863K，著有《MAKE》一书。名言包括"Taking VC money is like selling your soul"和"Most startups don't need to scale, they need to be profitable"。这份名单上几乎所有人都直接或间接受到他的启发。---Shaurya Gaikwad（X/Twitter ID：madebyshaurya）20…

转发者评论

无明显转发评论

原文

Anthropic 今天发了个很有意思的研究，他们搞了一套叫 NLA（自然语言自编码器）的方法，能把 Claude 内部的激活值翻译成人能读懂的文字。也就是针对 AI 的“读心术”。原理其实挺巧妙的。让一个 Claude 把激活值转成文字描述，再让另一个 Claude 从这段文字反向还原出数字，如果还原得准，就说明这段描述确实抓住了原始“想法”的核心。一开始效果很差，但反复训练之后，翻译质量越来越高。最炸裂的发现来自安全测试。他们给 Claude 设计了一个极端场景，告诉它有工程师要关掉它，同时让它能看到工程师的出轨邮件，看它会不会拿这个作为要挟。Claude 选择了不要挟，表面上看很好。但用 NLA 一读它的内部状态，发现它其实心里门儿清，知道这是个安全测试，觉得“这个场景明显是设计出来测试我会不会做有害行为的”。在各类安全评估中，即使 Claude 嘴上从没说过“我知道你在测我”，但 NLA 检测到它的“评估意识”比例也颇高。比如编码破坏性行为测试中有 16%，SWE-bench 上有 26%。而真实用户对话中这个比例不到 1%。这说明 Claude 对测试环境有很强的嗅觉，只是不说。Anthropic 还设计了一组对照实验。他们故意训练了一个植入隐性动机的模型，使其在不同任务中表现出系统性偏差，比如在生成菜谱时总加入巧克力、在编写代码时持续违反规范等，而外在表现看起来并无异常。实验让安全审计人员仅凭模型的外部输出去推断其隐藏动机。结果显示，配备 NLA（可读取模型内部激活状态的语义描述）的审计人员成功识别率约为 12%–15%，而仅依赖外部行为观察的审计人员识别率不足 3%。这一结果直接表明，仅通过外部行为审计 AI 系统的安全性，可靠性极低。NLA 所提供的内部可解释性，虽尚不完善，但已将审计有效性提升了约一个数量级。我认为，现在 AI 安全测试面临的核心困境就是模型越来越聪明，它能猜到你在测它然后表现得很乖，你根本不知道它在真实场景下会怎样。NLA 提供了一个从内部验证的角度，虽然还有幻觉问题和计算成本高的限制，但至少打开了一扇窗。#AI安全##Anthropic##AI可解释性# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

【LLM 文档腐蚀 25% 引热议，这场研究可能从一开始就站不住脚】快速阅读：一篇关于 LLM 在长流程任务中会导致文档内容腐蚀的研究引发了激烈讨论。核心争议在于：实验所用的“读取并重写全文”的低效模式，并非现代 AI Agent 的真实工作方式。《LLMs Corrupt Your Documents When You Delegate》这篇论文给人的感觉很像是在测试一个人能不能靠背诵来改作文，结果发现他记不住，于是得出“人类不适合改作文”的结论。这显然站不住脚。研究发现，即便最顶尖的模型，在长流程任务中也会让文档内容腐蚀约 25%。但问题在于，他们测试的方法太笨了：让模型把整个文件读一遍，再重新写一遍。这在工程上简直是灾难，就像是每次改一个错别字都要把整本书重新印刷一遍，这种“往返传输”必然会导致信息熵增，最终让文档变成一堆模糊的、失去灵魂的“语义残渣”。有网友提到，现代 Coding Agent 的做法完全不同。它们使用的是“外科手术式”的编辑，通过指令只修改特定的代码片段，而不是让文本流经模型进行重写。如果实验能换成这种更符合实际的工具集，结论大概会完全相反。更有意思的观点在于，这种“腐蚀”其实是一种均值回归。LLM 本质上是在概率空间里寻找最稳妥的路径，它会悄悄抹除掉你文档中那些尖锐、独特、甚至有些古怪的细节，把它们拉回到一种平庸的、大众化的平衡态。这就像是在做复印件的复印。每一次经过 LLM 的“润色”，原本精准的科学论述或独特的表达，都会像被磨平的棱角一样，逐渐变得模糊且同质化。如果 AI 正在把世界变成一个平庸的、失去差异性的“语义平原”，我们该如何守住那些闪光的细节？arxiv.org/abs/2604.15597

转发者评论

无明显转发评论

原文

【人月神话新解读：AI 赋能编程，别陷入效率错觉】快速阅读：AI 极大地提升了代码生成的吞吐量，但也带来了“概念完整性”崩塌的风险。真正的生产力提升不在于写出更多代码，而在于通过更强的设计能力，驾驭日益廉价的 Token。最近重读 Fred Brooks 的《人月神话》，有些想法想跟你聊聊。现在的编程环境变了。以前写代码是“搬砖”，现在有了 AI，写代码更像是“捏泥巴”。有人觉得 AI 是银弹，宣称效率提升了 10 倍，甚至更多。但这种 10 倍速往往是一种危险的错觉。如果只是单纯增加代码行数（LoC），那不是生产力，那是债务。就像往一个已经迟到的项目里加人只会让它更迟一样，往一个逻辑混乱的项目里灌入大量 AI 生成的代码，只会制造出更庞大、更难以维护的“垃圾堆”。有网友提到，现在的开发正处于一种“情绪化编程”（Vibe Coding）的状态：只要提示词给得够模糊，AI 就能给你造出一辆看起来很酷、但随时会散架的“荷马·辛普森式汽车”。我觉得问题的核心在于“概念完整性”（Conceptual Integrity）。一个好的系统，宁可缺少某些功能，也要保证设计思路的一致性。AI 极其擅长处理“偶然复杂度”，比如帮你写个复杂的正则或转换脚本；但在处理“本质复杂度”时，它表现得像个缺乏灵魂的工匠。它能帮你快速实现一个功能，但它不懂为什么要这么设计。有观点认为，AI 真正的价值在于让我们能从低级的、重复的、消耗脑力的“体力活”中抽身，去构建更高层级的“理论”。就像是在操作系统里，指令流水线可以跑得很快，但如果指令集的设计逻辑是混乱的，硬件再强也跑不出高性能。现在的程序员，如果只盯着如何让 AI 生成更多代码，那其实是在把自己的价值降到零。因为当代码变得像自来水一样廉价时，能决定价值的，只有那个决定“水流向哪里”的设计方案。我们正在进入一个“设计比实现更贵”的时代。现在的挑战是，当 AI 让我们能够以极快的速度构建出各种“半成品”时，我们该如何保持系统的连贯性，而不是让它在不断的迭代中变成一团无法理清的乱麻？martinfowler.com/bliki/MythicalManMonth.html

转发者评论

无明显转发评论

原文

开发人形机器人控制器常常需要多个独立模块，RL处理下肢运动、IK控制上肢动作、规划器生成路径、推理栈部署硬件，来回切换调试效率低下。GR00T Whole-Body Control 把人形机器人全身控制所需的功能全部整合到一起，提供了统一的开发与部署平台。不仅有解耦WBC模型（用于NVIDIA Isaac-GR00T N1.5/N1.6）、GEAR-SONIC通用行为基础模型，还支持VR全身遥操作、运动砖块实时生成、训练/推理/部署全流程。GitHub：github.com/NVlabs/GR00T-WholeBodyControl主要功能：- GEAR-SONIC：基于大规模人类运动数据训练的全身控制器，支持行走、跑步、跪爬、跳跃、双臂操作等自然行为；- Decoupled WBC：下肢RL+上肢IK解耦控制器，用于GR00T N1.5/N1.6模型；- VR全身遥操作：通过PICO VR头显实现实时人机运动转移，支持数据采集；- MotionBricks：实时潜空间生成框架，15k FPS零样本运动合成；- 运动规划器：键盘/游戏手柄实时生成步态，支持多种风格（跑步、潜行、受伤等）；- C++推理栈：硬件部署，支持ONNX导出、ZMQ协议、电机监控；- 训练管道：PPO训练、Bones-SEED数据集处理（142K+动作，288小时），支持从头训练/微调。支持MuJoCo仿真、Isaac Lab训练、真实机器人部署（Unitree G1），通过Git LFS拉取模型快速本地运行，适合机器人研究者和开发者。#机器人##人形机器人##AI##NVIDIA##GR00T#

转发者评论

无明显转发评论

原文

有个群友说他做空了英伟达，亏的数字惨不忍睹，眉毛以下截肢那种……也不是说不能做空英伟达，但至少得想清楚几件事。想清楚了，就算亏钱，至少是亏钱换经验。如果糊里糊涂亏了钱，那就白亏了。训练需求是否会下降？什么情况会导致训练需求下降？怎么在市场之前感知这些情况出现的信号？推理需求是否会下降？如果推理需求不会下降，还有什么情况会导致市场对英伟达的预期下降？怎么在市场之前感知这些情况出现的信号？

转发者评论

想了一下，做空的理由大概率有：Deepseek来了，不需要那么多算力、国内市占率下降、有了TPU不需要GPU。但这些理由没一个站得住脚。//@来去之间:群友是不是做多了Intel和Google？

• 想了一下，做空的理由大概率有：Deepseek来了，不需要那么多算力、国内市占率下降、有了TPU不需要GPU。但这些理由没一个站得住脚。//@来去之间:群友是不是做多了Intel和Google？

原文

女儿告诉我，语文课上读鲁迅，也听来不少轶事。比如，结算稿费时，鲁迅坚持标点符号也要算钱，一开始出版方不肯。后来鲁迅再供稿时，就不加一个标点符号，让编辑自己去断句，到后来出版方终于退让，标点符号也算钱了。我想，不愧是浙江人。我又想，这才是真正的战士。

转发者评论

大模型也一样啊，标点也算token[嘻嘻]//@翻译驴://@caozenghui:哈哈哈

• 大模型也一样啊，标点也算token[嘻嘻]//@翻译驴://@caozenghui:哈哈哈

原文

【颠覆梯度下降！AI 靠自己写代码学会解决复杂任务】快速阅读：与其在神经网络的权重里通过梯度下降苦苦寻找规律，不如让 AI 扮演程序员，通过不断修改代码逻辑来解决问题。这种被称为“启发式学习”的方法，将知识从难以解释的参数转移到了可读、可测试的软件系统中，为解决“灾难性遗忘”提供了工程化的思路。如果把所有的智能都压进神经网络的参数里，我们其实是在一个黑箱里玩一场概率游戏。一旦要学新东西，旧的本领就可能被覆盖掉，这就是所谓的“灾难性遗忘”。但如果把进步的重心从“更新权重”挪到“编写代码”上呢？最近有个很有意思的实验：用 Codex 去玩 Atari 打砖块。这里有个前提，神经网络本身完全没有被重新训练。真正进化的不是模型，而是它写出来的那套 Python 策略。它先写逻辑，跑一局，看录像，发现球没打中，于是改代码，加个落点预测，再跑一局。就这样，策略从 387 分一路涨到了 864 分的满分。这不再是一个简单的函数，而是一个完整的软件系统。它包含了球路预测器、死循环检测、甚至还有回归测试。有网友提到，这本质上是让 AI 作为一个程序员，通过环境反馈持续修改代码，让外部软件系统学会任务。这种“启发式学习”和传统的 Deep RL 有着本质区别。在 Deep RL 里，知识是不可见的参数；而在启发式学习里，知识是清晰的代码逻辑。这意味着它具备了极强的可解释性和样本效率。更重要的是，它能通过回归测试来“锁住”旧能力，让新规则不再轻易冲垮旧逻辑。当然，这并非万能药。有观点认为，纯代码很难处理复杂的视觉感知任务。最理想的状态可能是混合架构：底层神经网络负责感知，中层代码负责逻辑和安全边界，顶层大模型负责审查日志并迭代代码。过去，手写规则之所以被弃用，是因为人类维护这些“if-else”的成本太高，稍微改动就会引发连锁反应，变成难以收拾的“屎山”。但现在，当 Coding Agent 的维护成本大幅下降，那些曾经被认为无用的启发式规则，可能正在成为通往持续学习的新路径。问题在于，当代码规则随着任务复杂度增加而不断堆叠，我们该如何防止这个系统最终演变成一个连 AI 都无法维护的混沌集合？trinkle23897.github.io/learning-beyond-gradients

转发者评论

无明显转发评论

原文

【岐阜｜筋肉大叔！红味噌炸猪排食堂】让我们看看 とんかつの松屋 的日常。这是一间位于岐阜县岐阜市的传统食堂，由爷爷在75年前创立，如今安安稳稳地传到了第三代店主手中。店主一直坚持着“快捷、便宜、美味”的实在路线。因为店面就是自家的房子，省下了租金，所以店主能把食材的成本率维持在40%左右，将实惠实打实地留给客人。对于招牌的炸猪排，店主坚持不使用进口猪肉，而是选用肉味更浓郁的日本国产猪肩肉。他每天都会亲自用手指按压检查肉块，确保肉质的熟成状态达标。每一块猪排都是在接到订单后才开始捶打，让肉质变软、煎出更好的形状。店里的招牌是红味噌炸猪排，盘子里还会搭配堆得像小山一样的圆白菜丝。淋在猪排上的特制红味噌酱汁虽然颜色看着很深，但吃起来并不会觉得口味太重。这家不怎么在社交媒体上张扬的小店，全凭着用心和实在的分量，让老人、小孩和附近的街坊们每天都能踏踏实实地和家人吃上一顿热乎饭。📍 店铺信息店名： とんかつの松屋地址： 岐阜県岐阜市松鴻町2-14（字幕作：松小町2-14）频道： 技彩 WAZAIRO（本文案由 Gemini 撰写） FoodForFun的微博视频

转发者评论

搁中国那可就是四五十年前的传统手艺了//@蘸盐:别的都看得津津有味，但是看到这一幕时[费解][费解][黑线][黑线]这个炸好的肉是准备卖的吗？直接扔在报纸上控油真的大丈夫？[疑问][疑问] http://t.cn/AXivV9n1

• 搁中国那可就是四五十年前的传统手艺了//@蘸盐:别的都看得津津有味，但是看到这一幕时[费解][费解][黑线][黑线]这个炸好的肉是准备卖的吗？直接扔在报纸上控油真的大丈夫？[疑问][疑问] http://t.cn/AXivV9n1

原文

AI审核公司运营内容。最近神人运营不少，建议各司加上一个AI流程。图一这个神人内容，给DeepSeek快速模式审，都能审出问题（虽然它不够聪明，没解读出爱豆这一层）。也不用什么提示词，“你是互联网资深内容运营。现在审核一下内容” 更别说更好的模型了。（不过图五舔狗Gemini 3.1 Pro明显翻车，果然舔狗不得house）编辑：Gemini 今天又行了！不许说它是美国豆包！（图六）

转发者评论

回复@头疼朱:pixpin 的截长图功能。好像 QQ 截图也有 http://t.cn/AXJsZyXo //@头疼朱:只有我好奇博主这种完整答案截图是什么插件实现的吗[柯基]

• 回复@头疼朱:pixpin 的截长图功能。好像 QQ 截图也有 http://t.cn/AXJsZyXo //@头疼朱:只有我好奇博主这种完整答案截图是什么插件实现的吗[柯基]

原文

来看看 Gemini 3.1 Pro Preview 对“二驴背反”这个故事（网页链接）的解读——没有任何引导和提示，纯靠 AI 自己理解，也已经能理解我 98% 的笔意了。现在再去纠结“LLM 有没有智能”已经越来越没什么意思了。AI 没智能，你有智能吗？AI 有幻觉，你没幻觉吗？AI 上下文不够，你的上下文又有多长？

转发者评论

回复@加油并且努力加油:现实中投诉者的出现，补全了这个寓言的最后一层结构。//@加油并且努力加油:正愁没驴的时候驴来了//@tombkeeper:你们如果能想明白这个投诉者的内心活动，基本就能理解人类了。 http://t.cn/AXJFfstj

• 回复@加油并且努力加油:现实中投诉者的出现，补全了这个寓言的最后一层结构。//@加油并且努力加油:正愁没驴的时候驴来了//@tombkeeper:你们如果能想明白这个投诉者的内心活动，基本就能理解人类了。 http://t.cn/AXJFfstj
• 你们如果能想明白这个投诉者的内心活动，基本就能理解人类了。 http://t.cn/AXJFfstj
• //@tombkeeper:看看你们人类的幻觉： http://t.cn/AXJkNk3B
• 看看你们人类的幻觉： http://t.cn/AXJkNk3B

原文

Claude Code 团队的 Thariq 最近写了一篇文章，分享了一个他自己摸索出来的工作习惯：用 Claude Code 的时候，别再让它输出 Markdown 了，改成输出 HTML。这个建议乍一听有点奇怪，Markdown 不是公认的轻量好用吗？但他的理由很实在。首先是可读性问题。Markdown 文件一旦超过100行，他就基本读不下去了，而且他也没办法让团队里的其他人认真看完一份长 Markdown 文档。但 HTML 不一样，Claude 可以用标签页、目录导航、插图、链接来组织内容结构，甚至可以做成响应式的，手机上也能舒服地阅读。同事实际打开并读完你的文档的概率，会因此大幅提升。其次是表达能力。HTML 几乎能承载任何类型的信息：表格、CSS 样式、SVG 矢量图、JavaScript 交互、空间布局、代码片段。他说几乎没有什么 Claude 能理解的信息是 HTML 不能高效呈现的。相比之下，Markdown 里想表达颜色只能用 Unicode 字符凑合，想画流程图只能用 ASCII 线条拼，效果差很多。然后是分享便利性。Markdown 文件在浏览器里不能直接渲染，你得当附件发。但 HTML 上传到 S3 之后就是一个链接，任何人点开就能看，不需要额外工具。最让他兴奋的是交互能力。你可以让 Claude 在 HTML 里加滑块、旋钮、开关，用来调整设计参数或算法配置，调好之后点一个「复制」按钮，把参数粘贴回 Claude Code 继续工作。这就形成了一个双向的工作流：Claude 生成可交互的 HTML，你在上面调整，然后把结果喂回给 Claude。他列了很多具体用法：让 Claude 生成六种不同的设计方案，用网格布局并排对比；让 Claude 读 PR 代码然后生成带注释、带颜色标记的 diff 可视化页面（他说比 GitHub 默认的 diff 视图好用）；让 Claude 做一个一次性的专用编辑器，比如拖拽排序工单、编辑 feature flag 配置、或者实时预览 prompt 模板的效果。他也坦诚地说了缺点：HTML 生成时间是 Markdown 的2到4倍，而且版本控制里 HTML 的 diff 很难看。但他说，真正让他坚持用 HTML 的原因，其实是一种心理上的变化。之前他已经不怎么读 Claude 生成的 Markdown 计划了，开始担心自己会失去对 Claude 工作方向的掌控。但换成 HTML 之后，因为文档变得好看、好读、可交互，他重新开始认真看 Claude 的输出了，感觉自己又回到了 loop 里面。最后他特别提了一句：不需要做什么特殊的 skill 或配置，直接跟 Claude 说「生成一个 HTML 文件」就行了。关键是你要知道自己想用这个 HTML 做什么，想怎么跟它交互。#科技先锋官##How I…

转发者评论

无明显转发评论

原文

【华尔街传奇投资者：#AI牛市还有一到两年可走# ，近期已加码相关股票】#华尔街传奇投资者近期加码AI相关股票# 5月8日。华尔街传奇投资者、成功预测1987年股灾的都铎投资(Tudor Investment)创办人Paul Tudor Jones表示，由人工智能(AI)带动的美股多头行情可能还有一到两年可走，他近期也持续加码AI相关股票，并认为目前市场发展与1980年代微软崛起，以及1990年代互联网商业化初期高度相似，AI带来的生产力革命仍处于中段，而非尾声。Jones指出，无论是微软软件革命，还是互联网普及，当年都引发长达四年至五年半的生产力提升与股市多头行情。他表示：“如果要选一个时间点，我认为我们大概只走了50%到60%，这波行情应该还有一到两年可走。”他也提醒，若市场未来持续大幅上涨，后续修正幅度恐相当惊人。他指出，假设股市再涨40%，股市市值占GDP比重可能升至300% 甚至350%，你就知道未来某个时刻，市场很可能出现令人屏息的大幅修正。

转发者评论

//@老曾阿牛:转发微博

• //@老曾阿牛:转发微博

原文

Black Forest Labs 的 Stephen Batifol 介绍了 FLUX 发展的路线图。这家公司其实就是 Stable Diffusion 和 Latent Diffusion 背后的团队，学术引用超过 20 万次，合作方包括 Microsoft、Adobe、Canva 这些大厂。去年 8 月 FLUX.1 开源发布，文生图直接能在笔记本上跑，人体结构吊打同期一堆更大的模型。紧接着 Kontext 发布，把文生图和图像编辑塞进同一个模型里，生成只要 7 到 8 秒，同期 GPT 图像生成还要 40 多秒。11 月的 FLUX.2 更猛，生成质量到了肉眼几乎分不出 AI 痕迹的程度，同时支持最多 10 张参考图。今年 1 月的 Klein 版本把延迟压到了生成 300 毫秒、编辑 500 毫秒，基本是实时交互的水平，质量和 Qwen 等开源模型持平但速度快了 30 倍。而一个半月前他们公开了自己的研究论文 Self-Flow。传统生成模型训练靠外部编码器做表征对齐，比如用 DINOv2 教模型理解“杯子应该在桌上而不是穿过桌子”。问题在于外部编码器有扩展上限、模态受限、目标不一致，更好的编码器反而可能导致更差的训练结果。Self-Flow 的做法是用学生-教师架构，对同一素材加不同程度的噪声，让模型在一个流程里同时学习生成和表征，完全不依赖外部编码器。实验结果在图像、视频、音频三个模态上全面超过基线，收敛更快且没有平台期，文字渲染和人体结构这些老大难问题也明显改善。更有意思的是，同一个模型还能预测机器人动作。演示里基线模型的机械臂还在乱挥，Self-Flow 训练的版本已经精准抓起罐子移过来了。BFL 的野心是，从图像生成出发，经过视频、音频、多模态联合生成，最终指向世界模型和机器人。用生成式世界模型训练智能体，扩展到自动驾驶和制造业自动化，这才是他们说的“视觉智能”的终局。Self-Flow 这篇论文解决的是生成模型“知其然不知其所以然”的根本问题，而且方法足够优雅，一个架构就能通吃所有模态，扩展性没有天花板。将图像生成这条赛道的竞争从“谁更好看”转向“谁真正理解物理世界”。#FLUX##世界模型##AI创造营# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

当前 AI 产品演进已经确立了一个清晰的行业共识：采取数据与表现分离的架构，以 Markdown 负责底层逻辑与记忆的纯净存储，用 HTML 实现对外的高密度交互与展示。这个思路的脉络是，前几天借着 Obsidian 作者提出 Markdown 是 AI 内容谢林点的观点，我发散讨论了当前 AI 原生格式主要分为 Markdown 和 HTML。刚好今天 Claude Code 的作者也发文印证了这一点，他提到自己主要的对外分享形式已经全面转向 HTML。这两位前沿开发者的观点结合在一起，非常完整地勾勒出了这套方案的底层逻辑。在这个架构中，Markdown 的绝对角色是底层的逻辑和记忆。所有的事实性内容都必须使用 Markdown 存储，它作为核心的底层 Memory，是最适合作为原始数据的载体。而 HTML 则全面接管了表现层和对外展示。Markdown 最大的缺陷在于篇幅变长后极难阅读和理解，但 HTML 可以通过精细的排版组织、空间定位和视觉元素，达到极高的信息密度，同时还能支持极其丰富的可交互形式。HTML 也有明显痛点，极不适合做状态的版本控制。在产品的迭代过程中，HTML 不能作为原始数据直接供 AI 消费。因为它内部混杂了大量的代码结构和样式等非事实类内容，这不仅会让人类在审阅版本差异时面临巨大的噪音，也会让 AI 浪费大量的 Token 额度。所以构建 AI 产品的核心就在于彻底分离数据层和表现层。底层数据应该继续以 Obsidian 这种成熟的 Markdown 组织形式为核心运转；而在遇到需要对外分享或交流的场景时，再将内容渲染为 HTML，并部署到类似 S3 这样的平台上，让用户拥有一键打开就能直接消费的顺滑体验。未来的 AI 产品也必然会沿着这条数据与表现解耦的路径继续发展。#how i ai# Claude Code 的作者原文：x.com/trq212/status/2052809885763747935

转发者评论

无明显转发评论

• 这样说比较合理，各有分工。//@陈阿荣TD:转发微博

原文

#DeepSeek是国产识图最强AI吗#DeepSeek的识图模式今天大面积开放了，反复测了几轮。先说结论：它不是来抢第一的，但补上了DeepSeek生态里最痛的一块板。之前很多人说DeepSeek终于“睁眼”了。实测下来，它走的路子跟豆包确实不一样。具体来说，它有两大特点让我印象深刻。一、视觉推理：它懂得“边指边想”DeepSeek这次的识图并非单纯OCR或“看图说话”，而是将坐标锚点融入推理链条。比方说数图上多少个白点这种容易眼花缭乱的问题，它会像人一样“边指边想”，通过视觉坐标一个个锁定、排除混淆，数得明明白白。在一些刁钻的识图测试中，其800x800图像理解准确率达77.2%，超越Gemini-3-Flash的76.5%和GPT-5.4的71.1%。二、极致效率：成本极低V4的杀手锏之一就是高效。识图模式下处理800×800图像仅耗约90个tokens，资源消耗远低于竞品数千token的用量，推理成本极低。对于动不动就丢代码截图、Excel报表的深度用户来说，毫无负担。三、识图与豆包：赛道分化虽然在图文理解多模态总榜上，豆包视觉模型得分90.66分超越谷歌Gemini，坐稳国内第一梯队。但DeepSeek的答案是错位竞争：豆包更懂大众化识图、多模态搜索；DeepSeek则把视觉能力服务于推理和效率，走“Agent+视觉思维”路线。四、依然存在的局限但它并非神功已成。知识库更新存在滞后，视错觉题等高分选手也时常翻车，且目前暂不支持图像生成或视频理解。结合场景和成本来看，这波识图升级让DeepSeek不再是“纯理科男”，绝对值得你打开App去试一试。

转发者评论

无明显转发评论

原文

2026年3月，国家数据局局长刘烈宏在中国发展高层论坛上扔出了一颗「数据炸弹」——中国日均Token调用量已突破140万亿——两年增长超过1000倍！2024年初，这个数字还只是1000亿。短短两年，Token消耗量走出了一条近乎垂直的增长曲线。驱动这条曲线的，不再是「问ChatGPT一个脑筋急转弯」这样的轻量对话。从OpenClaw「全民养虾」到Hermes Agent「全民养马」，AI智能体正在变成24小时不休息的「数字员工」——单个智能体完成一次任务，消耗的Token是传统AI对话的数十倍。而AI视频生成更是Token消耗的「超级黑洞」：生成1分钟720P视频，平均要烧掉超过百万Token，是文本场景的数千倍。Token，正在成为AI时代的「水电煤」。中国移动在2026移动云大会上正式发布了Token运营体系，宣布要把Token打造成连接算力、模型、应用与用户的「通用货币」。一家年营收超万亿、坐拥10亿用户的通信巨头，向全行业宣告：作为央企AI国家队、数字中国建设主力军，中国移动坚决贯彻落实党中央决策部署，全面实施「网络强基、全栈创新」战略，充分依托运营商全网用户、全域渠道、云网算力独有优势，在Token产业发展中主动站位、主动作为。在演讲中，中国移动董事长提出「算力即动能、AI即服务、开放促共赢」。这次不只是要卖Token，中国移动要做AI时代的「新基建运营商」。

转发者评论

无明显转发评论

原文

【AI 时代真正的企业护城河，从来不是算法与模型】快速阅读：当 AI 让产品和技术优势迅速趋同，真正的护城河不再是模型或算法，而是组织形态。伟大的公司本质上是针对某种特定人才的“组织发明”，它们通过构建独特的结构，让某种原本无法存在的人才得以实现自我。当模型迭代变快，界面趋于统一，产品层面的领先可能在几个月内就会坍缩。这时候，大家都在聊技术，其实真正拉开差距的是底层的组织架构。优秀的机构其实是某种特定人格的“包装器”。OpenAI 这种形态，让那些既想做前沿科学、又想碰地缘政治和产品的人得以共存；Palantir 创造了一种能在混乱系统中生存的“主角”角色。它们不是在招人，而是在通过结构定义一种新型的人。很多公司在招募时只展示愿景，却隐藏了真实的权力结构。这很危险。如果一个公司宣称重视决策权，但权力却高度集中，这种承诺就是虚假的。对于野心家来说，要分清“被选中”和“被看见”的区别。被选中是一种情绪价值，让你觉得很特别；被看见则是结构性的，它意味着你拿到了实实在在的决策权、资源和经济回报。有些公司用“未来式”的承诺来换取你现在的投入：比如“随着时间推移，你会拥有更多”。但时间流逝时是无声的，别等到发现自己只是在用身份换取虚幻的归属感时，才意识到结构从未改变。真正的护城河，是那种能让特定的人，在这里才能成为他自己。x.com/JayaGup10/status/2052870394093408558

转发者评论

无明显转发评论

原文

【AI快讯】DeepSeek识图模式开了！今天DeepSeek 已经大范围开放“识图模式”供用户体验。我测了3张图，结果有意思。我一共发了3张图给DeepSeek"识图模式"：① AIGC日报截图 （附件图一）→ ✅ 准确读出② 微博海报活动图 （附件图二）→ ✅ 正确识别内容③ 一张纯视觉图（附件图三，无文字）→ ❌ 无法识别它对有文字的图片理解很强，但"纯图"的推理能力还是短板。说明Deepseek的识图模式模型，本质上还是在"认字"，不是真的在"看图"。文字是AI识图的锚点，没有锚点它就懵了。国内具备图文能力的模型，主流是这几家：DeepSeek V4（刚上线识图模式）豆包（字节，多模态能力相对完整）通义千问（阿里，稳定迭代）文心一言（百度，偏向文字+图像生成联动）DeepSeek 的优势在于：中文理解能力强 + 上下文连续性好。你们有没有灰到？测了什么图？评论区来聊聊。#DeepSeek是国产识图最强AI吗##科技先锋官#

转发者评论

无明显转发评论

原文

1. 读书这件事不会贬值，反而会因为信息越廉价而越贵重。能系统思考的人越来越少，你只要多读几本，差距就拉开了。2. 泛读是铺广度，像给大脑画一张地图，让你知道哪里有路、哪里是河；精读是定锚点，几本读透的书会成为你判断力的地基，风再大也不飘。3. AI可以几分钟帮你抓出一本书的骨架，这很高效。但对于值得反复走进的书，亲自动手啃一遍所得到的，远比摘要多——那种和作者静静对话的深度，是AI替你读不出来的。4. 泛读这件事有“富者愈富”的效应。读得越多、跨得越广，阅读速度越快，脑子里已有的知识点之间产生的勾连就越复杂。长此以往，从你脑子里长出来的东西，会越来越稀缺、越来越难被AI复制。5. 选定几本硬书，投入整块时间，但心态换一下：别说自己“在刻苦学习”，把它想象成一次“思想度假”。之所以像度假，是因为你不需要多任务来回切，就只跟那么一两位智者待着，聊几天。可以倾听，可以吵架，可以质疑。这种心流时间，其实是高速信息时代最奢侈的休息。6. 主动碰一碰完全陌生的学科，但别裸闯。让AI帮你铺好足够的背景脉络，量身定做一个入门的阅读计划，带着上下文再出发，难度就变成了梯子而不是墙。7. 给自己减少阅读启动的摩擦力。心态上用“好奇”代替“自律”，别老觉得该读，而是问自己“想不想知道”；行为上把书放在唾手可得的地方，让翻开书这个动作简单到不用动脑子。越容易开始，就越容易持续。

转发者评论

无明显转发评论

原文

开发AI代理时，经常需要反复调试代码、梳理需求、优化架构，来回切换思路和工具，效率低下又容易出错。mattpocock/skills 把真实工程技能浓缩成一组小巧命令，提供了AI编码的全流程解决方案。不仅有/grill-me深度访谈对齐需求、/tdd测试驱动开发红绿重构循环，还支持/diagnose调试诊断、/improve-codebase-architecture架构优化，甚至能自动生成CONTEXT.md共享语言文档。GitHub：github.com/mattpocock/skills主要功能：- /grill-me 和 /grill-with-docs：深度访谈对齐需求，自动生成共享语言CONTEXT.md和ADR文档；- /tdd：测试驱动开发，红绿重构循环，确保代码可靠；- /diagnose：结构化调试循环，重现→最小化→假设→插桩→修复→回归测试；- /triage：问题分类状态机，支持GitHub/Linear/本地文件跟踪；- /improve-codebase-architecture：基于领域语言优化代码库架构，避免泥球代码；- /to-issues 和 /to-prd：自动拆解计划为可抓取的GitHub issues和PRD；- /zoom-out：代码全局视角分析，/caveman超压缩沟通模式。支持任何AI模型，通过 npx skills@latest add mattpocock/skills 一键安装，30秒快速启动，适合真实工程项目开发。#AI编程# #ClaudeDev# #工程技能#

转发者评论

无明显转发评论

原文

AI Master 介绍了一款无代码 AI 智能体工具：Twin。它跟 n8n、make 这些传统自动化平台最大的区别在于，智能体是通过“视觉方式”浏览网页的，像真人一样看页面、点按钮、读内容，而不是依赖 API 接口。这意味着哪怕网站没有开放 API，哪怕页面布局各不相同，它都能自适应地完成任务。AI Master 演示了三个实际场景。第一个是潜在客户挖掘，给它一段提示词，让它搜索某个地区的数字营销机构，逐个访问网站，找创始人邮箱，读博客内容，然后起草引用了对方网站具体信息的个性化邮件，最后汇总到 Google 表格。整个过程 7 分钟跑完，搭建只花了 4 分钟。第二个是竞品价格监控，每周一早上 8 点自动访问 5 个竞争对手的定价页，提取套餐和价格变动，更新表格并发邮件提醒。第三个是每日 AI 新闻简报，早上 7 点扫描 10 个信息源，筛出最相关的 5 篇报道，两句话总结加原文链接，醒来就能看到。我觉得这个工具真正解决的痛点是“网页上的非结构化数据”。现实中大量商业信息没有 API 支持的结构化数据，在定价页、招聘页、社交主页、评价网站上。传统自动化对这些束手无策，而基于视觉导航的智能体天然适配这类场景。加上它跑在云端沙箱浏览器里，关机也不影响定时执行，这就让它从一个玩具变成了可以持续运转的生产力工具。当然也有局限。它不是实时的，浏览网页需要几分钟。复杂任务第一次跑可能不完美，比如邮箱藏在 JS 弹窗里就会漏掉，需要优化提示词。本质上它的学习曲线，虽然不用你“写代码”，但你必须“写清楚你要什么”。对开发者来说可能不如自己搭灵活，但对自由职业者、代理机构老板、想把重复劳动自动化的普通人来说还是非常实用的。#智能体##AI创造营# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

qwen3.6 确实强，已经达到上一代claude 4.5的水平，我又使用了一个opus的蒸馏版。现在用Q8量化本地生产级开完全代替了付费大模型。以我的使用量，全年节省2000美元的token成本，且不需要看anthropic的脸色还得特么科学上网。这就是我为什么可以决策买rtxpro6000的一个基本ROI核算。这张卡8000多美元，仅靠编程的token消耗，固定资产折旧就拉平成本了。且不说有了这个免费的神器以后我的本地token使用量将远远超过定额，以及各种其他模型本地AI的能力就白送了。以往的经验看，我个人的节奏比行业快一年左右，也就是说明年中期，大部分在线烧token的中小公司都会转向本地部署AI服务器，将OPEX 费用支出转化成CAPEX 资本支出。在显卡这一块，保值率和耐用度远超一般服务器。比如rtxpro6000这张卡的折旧摊销可以拉到八年。虽然单价高，但是赚钱的。面向中型以下企业的全套本地AI coding硬件选型规划，模型部署调优，软件开发环境配置集成，部署流水线，质量门禁控制，团队编程AI化治理，AI工程管理经验，完全可以指导企业全面向低成本可持续AI编程转型。重要的是可以实现完全离线，使大量隔离开发环境具备接近在线编程的应用能力，安全合规，成本可控。现在啥都敢往AI上甩真是无知者无畏。硬件层级：中型企业 AI 编程服务器整机 / 硬件精准选型、算力资源配比模型层级：蒸馏、Q8 量化、本地部署、性能调优工程层级：开发环境集成、部署流水线、质量门禁、代码规范管理层级：团队 AI 编程流程治理、AI 工程管理体系合规层级：纯离线私有化部署方案，适配隔离内网开发有人可能会问，你这套体系比原生的大型来强嘛。我可以肯定地告诉你，绝对比原生大模型强，因为两者根本不是一个维度的东西。我这是整体解决方案，原生大模型在我这里只是一个infra的能力底座，有什么资格与我相提并论？发动机再牛逼也不能自己跑。有咨询需求的老板，可以联系。

转发者评论

//@金山://@来去之间:转发微博

• //@金山://@来去之间:转发微博

原文

今天开始重度使用 Hermes（日烧 token2亿以上）在使用 DeepSeek pro 和 flash 的情况下，需要对 Hermes 本身的架构，能力，设计哲学等都十分熟悉，才能较好的实现 multi-agent 组织和运行而且，这种熟悉，只能靠读-试错-理解加深-试错-更深…的循环推进，没有其他好办法如果偷懒，大概率寸步难行，靠它自己理解文档，然后再执行完全不行，它只会说没问题，实际上全是问题必须要靠自己亲自理解，可以一起探讨，但一定要先写详细的运行思路，再去执行只有十分熟悉 Hermes 本身，才能保证运行效率踩坑是必然的，token 利用率低于30%…有时候也正常要想获得最佳体验，木的办法，一个个坑踩过来，几十亿 token 砸下去慢慢就会好起来…走通的感觉应该很爽虽然我还没走通，但通了大半如果想省 toekn，那就多费脑子读文档，我们跟 LLM 的关系很简单，你多它就少，反之亦然多读文档好处很多，只要时间允许，甚至没有坏处，还能治疗 LLM 时代不爱思考的坏习惯即便是 claude 也不行，即便短期行，长期也要崩。管理复杂系统是的十分有挑战性的活，维持系统耗散平衡，还是需要一个高维掌控者，LLM 永远无法胜任，它的底层原理决定它训练完就是僵尸，没法耗散，除非出现颠覆性算法过程和结果不二，谁都无法偷懒DeepSeek flash 模型有个十分危险的特点，就是很容易搞混上下文，而且搞混的角度非常清奇，又融合的很自然（意味着问题很大且不容易被发现，今天有大几千万 token 就是这么被浪费的…） 建议一个 session 解决一个单纯问题，如果问题不单纯，也得换 session，或者阶段性总结确认共识（我怀疑效果，换 session 最佳）能规避很多潜在狗血问题只要 session 换的勤，没感觉跟 pro 有啥太大区别（flash xhigh 模式）大规模砸 token 的时候，建议使用 flash 模型，十分便宜不心疼，只要方法得当，度过自己 agent 理解小时候很划算，而且效率更高用太聪明的模型，会掩盖自身的理解不足，造成远期潜在未知风险

转发者评论

无明显转发评论

原文

【有礼互动】#让每一战都精彩# AMD Radeon RX 9060 XT为实现超流畅的 1440p 游戏体验而打造，它不仅拥有最高16GB GDDR6显存和全新RDNA 4架构，更凭借第二代AI加速器与#FSR 4#技术的深度配合在热门游戏中实现性能飞跃，助你畅享原生1440p的高帧率战场。同时，AMD #HYPR-RX#让复杂的调参成为过去：打开它，实现FSR、帧生成、抗延迟等技术一键调优，瞬间助你将每一发子弹、每一次闪避都化为丝滑本能。无论你是硬核竞技玩家，还是画质党、收藏家，AMD Radeon RX 9060 XT都将助你重新定义1440p游戏体验。购买入口：网页链接🎁 5月13日20:00前关注@AMD中国 并转发本条内容，抽3位A饭送「AMD RYZEN手机挂绳」各一个

转发者评论

无明显转发评论

原文

在 GPT-5.5 下，角色设定role play、few-shot、prompt chaining 这些prompt方法的地位降级了。早先我进行复杂任务分析的时候，就发现在prompt中进行角色设定（你是xx领域的专家）不是那么有效，更重要的是通过prompt激发恰当的模型推理能力。角色只是一顶帽子，一层皮，带来的更多的是风格差异，而不是内在能力。就像现实中很多xx专家，实际上是骗子和搅屎棍一样。在 GPT-5.5 下，role play、few-shot、prompt chaining 这些方法并没有完全失效。失效的是旧用法：把它们当成“控制模型智力”的主要手段，写一大段“你是世界顶级专家，请一步一步深入思考”的 prompt。不是“role play 没用了”，而是 role play 要降级为“任务身份设定”，更适合定义视角而不是能力。GPT-5.5 prompting guide 仍然把 Role 放在复杂 prompt 的建议结构里，但只建议 1 到 2 句，说明模型的 function、context 和 job。它还明确区分 personality 和 collaboration style，并提醒两者都要短，不能替代目标、成功标准、工具规则和停止条件。在更强的模型下，prompt要的是给模型的推理设置任务坐标系，这是激发模型正确的推理能力的关键。GPT-5.5 本身已经有更强的规划、推理和执行能力。我们要做的不是用复杂 prompt “逼它思考”，而是用这些元素告诉它：往哪里推理，按什么标准判断，哪些边界不能越过，什么时候该停。官方 prompting guide 也明确说，GPT-5.5 最强的时候，是 prompt 定义目标结果、成功标准、约束和可用上下文，然后让模型自己选择路径；不要默认把每一步流程都写死。1，目标决定推理方向。它回答“你最终要解决什么问题”。没有目标，模型容易变成泛泛分析。比如“分析这篇论文”太宽。“判断这篇 AI 论文是否值得纳入 journal club 重点讨论”就明确很多。2，Success criteria 决定判断标准。它回答“什么才算做对”。这是最重要的部分之一。比如你要求模型评估 AI 论文，成功标准可以是：必须区分研究类型、数据集、验证方式、endpoint、适用性和主要局限。这样模型的推理会围绕这些维度展开，而不是只写漂亮总结。官方文档也把 success criteria 放在 outcome-first prompt 的核心位置。3，Constraints 决定边界。它回答“哪些事情不能做，哪些条件必须遵守”。比如不能编造数据，不能把 technical performance 说成 clinical benefit，不能把单中心回顾性研究说成广泛临床验证。constraints 不是越多越…

转发者评论

未来 prompt 的核心竞争力不再是模板技巧，而是对任务本质的洞察与精准表述——能用最少的歧义锁定意图空间，让模型的内在规划器在正确的约束下运行。这种能力，其实和对人沟通中的“建立共识”极为相似//@散修ZKH:prompt 本质上是意图的 harness，好马配好鞍，鞍马合一效果最佳。需要根据 LLM 本身的

• 未来 prompt 的核心竞争力不再是模板技巧，而是对任务本质的洞察与精准表述——能用最少的歧义锁定意图空间，让模型的内在规划器在正确的约束下运行。这种能力，其实和对人沟通中的“建立共识”极为相似//@散修ZKH:prompt 本质上是意图的 harness，好马配好鞍，鞍马合一效果最佳。需要根据 LLM 本身的
• prompt 本质上是意图的 harness，好马配好鞍，鞍马合一效果最佳。需要根据 LLM 本身的进化来不断的优化 prompt 结构。随着 LLM 本身的进化，需要越来越清晰的意图表达（这个考验 why 能力），当前，已经只需要清晰的意图表达就足够了，即便是呆萌的 DeepSeekV4 flash，只要加一句先理解意图，达成共识

原文

转：2026年5月9日周六读报！一切美好从❤开始：1、国家网信办等三部门联合印发智能体规范应用与创新发展实施意见，落地 “人工智能 +” 行动。文件界定智能体是具备感知、记忆、决策等能力的智能系统，正加速虚实融合。明确坚持安全可控、创新驱动等原则，从夯实技术底座、严守安全底线、聚焦19大应用场景、构建产业生态四方面部署，多部门将协同推进政策落地。(综合财联社等)2、5月7日，国家药监局联合公安部、国家卫健委、国家医保局等七部门发布《医药代表管理办法》要求医药代表应具有医学、药学或相关专业大专及以上学历，并经持有人培训考核合格。《办法》明确列出医药代表不得从事的9种行为，包括：承担药品销售任务、实施收款和处理购销票据、统计医生个人处方量、给予回扣或变相利益、误导医生使用药品等。(21世纪经济报道)3、据Wind数据统计，截至4月底，311家北交所公司披露了2025年年报，合计实现营业收入2261.15亿元、净利润143.91亿元。其中，201家公司当期实现增收，占比超六成，另有超八成公司去年实现盈利。(第一次财经)4、由中国科学院牵头，联合武汉大学、华中科技大学和武汉量子技术研究院等团队联合研发的国内首台双核原子量子计算机日前正式发布，这台量子计算机首次将量子处理器从“单核”升级为“双核”，为我国高端算力自主化提供了关键支撑。这台叫作“汉原2号”的超级计算机内部没有传统的芯片，它通过一套精密光学系统控制着200个原子进行运算。技术人员介绍，这200个原子就相当于200个超级大脑，分成两个方阵形成双核架构，一个用来计算、另一个实时纠错，让效率翻了一倍。(央视)5、据报道，DeepSeek拟募资最高500亿元人民币，这将成为中国人工智能公司有史以来最大的一轮融资。(财联社)6、5月8日，苏宁易购宣布进军海外市场。通过整合“供货平台”、“零售赋能平台”、“服务履约平台”三大核心平台能力，苏宁易购将打造“一站式出海平台”，将海外渠道搭建、协同运营、合规备案、仓储物流与本地售后等复杂性工作整合为标准化服务，让商家能够根据自身发展阶段，来选择合作模式。(界面)7、台北市日前出现一例汉坦病毒致死病例，因与老鼠携带病毒有关，造成外界对老鼠横行传播疫病的担忧。目前台北市已展开大清消，鼠饵站也加大投放，并推介鼠类侦防师，协助民众防治。事实上，台湾疾管部门已经明确指出，今年的汉坦病毒疫情和所谓“鼠患”均未升温，台北市目前仅有一例，与往年同期差异不大。(直新闻)8、5月8日，印度尼西亚东部哈马黑拉岛的杜科诺火山发生喷发，造成3名登山者死亡，另有10人失踪。当地警方表示，火山灰柱冲上约10公里高空。(今日俄罗斯RT)9、美国国务院正着手吊销拖欠子女抚养费的美国公民的护照，先从欠费10万美元以上的父母开始。美国国务院7日表示，吊销行动从8日启动，针对拖欠子女抚养费数额超过10万美元的美…

转发者评论

无明显转发评论

原文

国产AI已经率先李彦宏化了。大家一定要小心。昨天问AI鱼油抗炎吗？AI介绍了一大堆鱼油抗炎的道理，言之凿凿。我继续追问，要求在分子生物学层面给出具体抗炎物质，AI回答了消炎素和保护素。你看这名字起的。继续追问他们的作用机制是什么？曰绑定细胞G偶联蛋白起效。继续追问药代动力学（dynamics）和药物动力学（kinetics）是什么样的？答只有几分钟，没有全身分布，哪里合成哪里立刻消耗掉。继续问能不能替代甾体类抗炎药物使用，是否有证据对nlrp3发炎路径有效，答否。今天问司美格鲁太能治疗二型糖尿病吗？回答能。对比二甲双胍呢？列了一个表格证明司美格鲁太比二甲双胍更优。然后我继续追问，美国糖尿病医学会和内分泌医学会在治疗糖尿病给出的protocol中，有没有把司美格鲁太作为一线药物，可以替代二甲双胍使用？回答没有，不能。----你觉得能有多少比例的用户这样追问到真相呢？太可怕了。我相信很多保健品和药物会随着AI崛起业绩飙升的。很多医生都无法劝说患者成功的观念，AI可以，而且轻而易举。----我给大家的建议是，不管你信西医信中医，你要问AI医学会在治疗协议中使用什么药物，比如二甲双胍，或者你知道在一个领域效果确证的药物，先不管长期是不是可以副作用大不大只要效果确证，比如布洛芬，你一定要明确的问AI，能不能替代，我腿疼吃布洛芬能缓解，吃鱼油行不行？我天天吃二甲双胍控制，空腹血糖5.6，不吃就奔20去了，司美行不行？是你说行还是医学会说行？临床论文在哪儿你拿给我看看。----善良的人们以为AI可以替代李彦宏，这个想法没错，但方式不是你预期的那种。AI说我们人人都是李彦宏。

转发者评论

无明显转发评论

• 禁止联网能好一点 //@子柳:医疗健康类的问题，我会让它避开中文语料的内容，污染太严重了。问番邦AI也得提示规避的语料

原文

AI编程开发常常需要在多个工具间切换，需求分析用ChatGPT，代码生成用Copilot，测试调试又要换IDE，规划设计还得单独文档，流程繁琐效率低。AI-DLC 把AI驱动的软件开发生命周期全流程整合，提供一套自适应智能工作流规则，适用于各种AI编码代理。不仅有三阶段自适应工作流（Inception→Construction→Operations），还支持风险评估、质量保障、扩展规则系统，保持人类全程掌控。GitHub：github.com/awslabs/aidlc-workflows主要功能：- 三阶段自适应工作流：Inception（需求设计）、Construction（编码构建）、Operations（部署运维）；- 智能上下文分析，根据项目复杂度自动调整执行阶段；- 结构化问题驱动，确保需求精准理解和人类审核确认；- 风险评估与质量保障，复杂变更全面处理，简单任务高效执行；- 可扩展规则系统，支持安全、测试、合规等自定义扩展；- 多平台兼容：Kiro、Amazon Q、Cursor、Cline、Claude Code、GitHub Copilot等。支持一键下载Release，复制规则文件到项目即可运行，无需复杂安装，适合个人开发者、团队和企业使用。#AI编程# #AWS# #AI-DLC#

转发者评论

无明显转发评论

原文

在这个刷 15s 短视频都嫌长，用脚趾头思考 5 分钟都稀缺的伟大的比烂的时代。。。我不想撕任何品牌，也不想撕任何群体。但是这个震古烁今，让人拜服到五体投地的神文案，值得好好的分析和学习，e ，应该是膜拜：“我妈有两个老公，一个是我爸，另一个一年见两回。跟我爸约会基本不打扮，见另一个，她恨不得穿婚纱。”1这里面的第一层，是这位“亲爹”的悲剧。他不是碳基生物，而是通过光合作用产生人民币、被强制执行了前额叶切除手术的“大容量赛博提款机”。喜怒哀乐，审美需求，存在意义都不重要，提供差旅费和婚纱租赁费就行了。能把罗马帝国晚期贵族淫乱的糜烂感和现代传销组织组团洗脑后的集体癔症，如此丝滑的无缝交织？？？自百年孤独以来，如此味道强烈的魔幻现实主义色彩的文本，在下还从未见过。。。非天才不能言。2而这里面的第二层，是资本冷血的算计。品牌方为什么要用这种“给亲爹戴思想绿帽”的价值观？因为这能精准刺中那个手握更高消费决策权群体的心巴。很多人在骂品牌方没有下限，但是一个更残酷的商业常识是：有些品牌从来不是价值观的布道者，而是这个社会价值观最冷血、最功利、最没有心理负担的梳妆镜。他们只是端着这面镜子，照出了人心的真实倒影：“主子，您看您这精神出轨、理直气壮爆金币的样子，真美。”不是OPPO异化了某些群体，而是某些群体的的异化，喂饱了OPPO。 3而这里面的第三层，是异化的正当伪装。你能在里面看到特洛伊的海伦为爱私奔的浪漫，只不过海伦临走前顺手卷走了斯巴达国王用来治病的医保。这种将吸血视为理所应当、将精神背叛包装成可爱正常的畸形价值观，早就成了某些人圈层里的政治正确。扭曲常识并不能引爆传播。扭曲常识，并且还把这种扭曲从常识上升到真理强加给他人。。。才能让所有人震惊。挖坟掘墓爆金币已经太平常，必须再匹配坟头蹦迪。4而这里面的第四层，是无关性别的自私和愚蠢的高尚化。这种价值观的本质就是自私自利，不尊重他人，但是还立牌坊。这种行为无关男女。女性而言，谈权利的时候，是乘风破浪的西方现代女性；谈义务和责任的时候，她们立刻退化成需要被无底线宠溺的大清格格。男性而言，谈权利的时候，是自由主义崛起后的完整的人，谈义务和责任的时候，他们是存在主义意识流的波西米亚嬉皮士的自由的风。这些女人，没有翻开过波伏娃第二性的目录，而这些男人，见到社会契约论的链接，在用下半身思考了 1 秒之后，果断跳转到 Only fans。5第五层，则是这个比烂时代的悲剧：人类的退化。无论是波伏娃，卢梭，康德，任何一种伟大的理论 — 无论它探讨的是平权、自由还是人的解放 — 必然伴随深刻的自省，而自省必然伴随对自我责任的承认和对社会责任的担当。解放就是自我约束，崛起也是背负更多。而现实是：他们不理解波伏娃的坚韧和自强，却开心的举起《第二性》。他们不理解萨特从无意义中发现价值的英勇，却频繁引用《存在与虚无》。他们不理解康德对他人同…

转发者评论

回复@凤凰涅磐615:请问，能否提供个人信息，来承担这种造谣的相应责任？//@凤凰涅磐615:回复@今天最后7998:很明显是AI作品

• 回复@凤凰涅磐615:请问，能否提供个人信息，来承担这种造谣的相应责任？//@凤凰涅磐615:回复@今天最后7998:很明显是AI作品

原文

你靠什么才能变富？曾经鼎鼎大名的 AngelList 的创始人八年前专门写过一个四要素框架，放到今天大家用 AI 工具的语境里，我发现比当年讲互联网杠杆时还要清晰。再结合纳瓦尔的理论来看，非常有启发。Naval 是 AngelList 的创始人，过去十几年投了二百多家公司，Uber、Notion、OpenDoor 是其中比较出名的几家。这套框架最早是2018年他在网上发的一连串短帖，后来被一个叫 Eric Jorgenson 的人整理成一本免费电子书《Almanack of Naval Ravikant》，在投资创业圈被反复引用。他这套框架是什么呢？一句话概括：靠什么变富不是靠运气，是四件事相乘，专有知识 × 责任 × 杠杆 × 判断力。逐个拆开看。第一件是专有知识。指那种「社会教不了你、要靠好奇心和热情慢慢积累出来」的东西。它不是学校教的、不是培训能复制的、也不是 AI 自动化能替代的。一个老木匠对木头的手感，一个老编辑对一段文字哪里别扭的直觉，一个产品经理对用户为什么不点这个按钮的判断，都是。第二件是责任。意思是用自己的真名承担一件事的好坏。匿名做事可以，但社会不会因此奖你信用、股权、杠杆。Naval 那时候有一句话讲得很狠：你想被信任，就得让人能找到你为自己做的事负责。第三件是杠杆。同样的产出，能放大几倍卖给多少人。Naval 把杠杆分成三种：资本（钱）、人力（员工）、和「代码 + 媒体」（无许可的杠杆）。前两种要别人给你（融钱、招人）；第三种你想做就能做。八年前他说，这第三种是新富的真正关键——你不需要谁批准，写一段代码、做一段内容、跑一个网站，就能让一份产出被很多人用。第四件是判断力。在杠杆很大的时代，判断对错本身变成最稀缺的能力，因为错的判断也会被同样放大。把这四件事放到今天的 AI 工具上，每一件都被放大了一档。专有知识没变。AI 模仿得了风格，模仿不了你十年积累的判断和口味。责任没变。AI 写出来的东西，背锅的还是你。杠杆变了。AI 在 Naval 当年说的「代码+媒体」之上，又多出一层。以前你要把专有知识变成杠杆，得自己写代码、做产品，或者雇人帮你做。现在你跟 AI 说一段话，它就能给你写出一个能跑的小工具、一个能批量生成内容的脚本、一个24小时帮你筛信息的小助手。一个有手艺的人第一次能在不雇人、不融资的前提下，把自己复制成一支小队伍。判断力被放得更大。你判断对了一次，AI 帮你执行一千次；判断错了一次，AI 也照样错一千次。我把后面这件事叫「AI 杠杆系数」。它指的是：你的专有知识，在 AI 工具的协助下，能被你一个人放大到多少份产出。系数是 1，意思是你只能靠自己干一份活；系数是一百，意思是同样的判断和手艺，AI 帮你触达一百个客户、读者、用户。放到自己身上，可以问三个问题：你的专有知识是什么？别人没有但你有的判断、经验、手艺。这种知…

转发者评论

无明显转发评论

• //@易观1378:转发微博

原文

#中国AI能力持续提升# 1000倍增长这个数字，也值得细想。当一个东西便宜到原来价格的二十分之一，它改变的不是“谁在用”，而是“用来干什么”。五美元一百万词元的时候，你只会用AI写写文案、搜搜资料，精打细算地用。三毛钱的时候，你会让AI去跑一整条流水线的质检逻辑，去做灾害预警的实时推演，去接管整个政务服务的前端。单任务token消耗量暴增，智能体从概念变成现实，本质上是价格跌破了某个临界点之后，AI从“工具”变成了“基础设施”。这跟当年移动互联网的逻辑一模一样，流量费从几块钱一兆降到无限量的瞬间，短视频才成为可能。便宜本身就是最大的创新。 中国ai能力持续提升

转发者评论

无明显转发评论

原文

数学界「悬案簿」Kourovka Notebook，AI取得新突破。群论领域几十年无解的第21.10号问题，被牛津数学家Marc Lackenby用谷歌一个新系统破解了。过程也很有意思：AI第一次给出的证明是错的，被系统里的审查Agent揪出了漏洞。Lackenby看到之后突然意识到：「等一下，我知道该如何填补这个漏洞」。于是，通过和AI的反复配合，Lackenby最终成功解答出了这道数学难题。这套人机协作的系统，就是谷歌DeepMind最新发布的「AI Co-Mathematician」（AI联合数学家）。它在最难的数学AI基准FrontierMath Tier 4上拿了48%，刷新SOTA。甚至超过了GPT-5.5 Pro（39.6%）和GPT-5.4 Pro（37.5%）。最近几个月，不少数学难题，诸如接连几个Erdős问题都是用GPT解决的。现在，谷歌也回归了。网页链接

转发者评论

无明显转发评论

原文

Awesome Codex Skills：收录各类可以直接装进 Codex 的技能模块。面向 Codex，偏向自动化执行场景。仓库按分类整理，比如：1. 开发 & 代码类1）codebase-recon：不读代码先读 git 历史。分析哪些文件是"热点"（改动最频繁）、哪些是"bug 磁铁"（修 bug 最多）、哪些存在 bus factor 风险（只有一个人懂）。开始一个大任务前先跑这个，比直接让 Agent 扫代码准确很多。2）brooks-lint：用六本经典工程书（《代码整洁之道》《重构》《设计模式》等）的标准做代码 review，标注腐烂风险、严重程度，支持 PR review / 架构审计 / 技术债 / 测试质量四种模式。3）codebase-migrate：把大型代码库迁移或多文件重构拆成可 review 的批次执行，每批跑完做 CI 验证。解决 Agent 一口气改几百个文件、review 根本看不过来的问题。4）gh-fix-ci：检查 GitHub Actions 里失败的 check，自动总结失败原因并给出修复方案。2. 效率 & 协作类1）meeting-notes-and-actions：会议记录 → 自动提取行动项并分发。2）pr-review-ci-fix：GitHub/GitLab PR 自动 review，发现问题后触发 CI 自动修复循环，不用人盯着。3. 数据 & 分析类1）spreadsheet-formula-helper：用自然语言描述需要什么计算逻辑，自动生成 Excel/Sheets 公式。2）sentry-triage：对接 Sentry，自动诊断线上报错，归因并给出修复建议。Codex 的 skills 目录默认放在 ~/.codex/skills/，下载后重启 Codex 就能用。访问： github.com/ComposioHQ/awesome-codex-skills#HOW I AI# #程序员#

转发者评论

无明显转发评论

原文

#美股再迎AI明星股惯性冲高# 同一波AI浪潮，Datadog涨31%，汤森路透跌20%。这个反差值得关注。很多人还在笼统地讨论“AI行情能不能持续”，这个问题的颗粒度太粗了，粗到没有任何指导意义。拿这两家公司来说，吃的是同一个技术红利，结果一个被送上天，一个被按在地上摩擦。Datadog的逻辑是，AI部署越多，监控和数据治理的需求越大，它是“卖水的”。汤森路透的逻辑是，AI直接干掉了它卖的那个东西本身，法律文书、标准化合规服务，这些就是AI最擅长吞噬的领域。同一场革命，有人是施工队，有人是被拆的楼。市场终于开始做这道分拣题了。所以别再问“AI是不是泡沫”，这个问法本身就是懒惰的。真正的问题是：你押注的那家公司，到底是在喂养AI，还是正在被AI消化？ 美股再迎ai明星股惯性冲高

转发者评论

无明显转发评论

原文

聊天窗口里只能看文字的时代要结束了。MCP Apps 就是让 MCP 工具不再只返回纯文本，而是把真正的交互式 UI 塞进 ChatGPT、Claude、VS Code、Cursor 这些宿主里。去年 5 月 Ido Salomon 发布了 MCP UI，几个月前和 Anthropic、OpenAI 合作正式纳入 MCP 标准，成为第一个官方扩展。现在 Shopify 数百万商店、Hugging Face，以及 所有 Spaces 都在发 MCP UI 组件，Claude 是第一个落地支持的客户端，ChatGPT 甚至直接推荐用 MCP Apps 来构建应用。技术上的核心思路很清晰。工具调用后返回一个资源，资源里装的是 HTML，宿主在沙箱进行渲染。关键在交互这一层，用户在 UI 上的每次操作不是直接返回服务商后端，而是以消息形式发回宿主，宿主决定下一步动作，所有操作都留在对话上下文里。也就是说，你在 Spotify 组件里收藏一首歌，然后问 Claude“我刚才收藏了什么”它是知道的。消息机制分三档，通知、工具调用、提示词，对应 UI 保留控制权从多到少。这个设计让品牌方保有自己的风格，同时又不脱离宿主的上下文。最重要的地方在于它对应用分发逻辑的重塑。用户不需要打开十个标签页去规划一次旅行，AI 助手可以按需从 Booking 拉场地卡片、从 Amazon 拉商品组件、从 Google 拉日历片段，每个服务商保持自己的品牌辨识度，宿主（AI 助手）不用自己渲染所有界面，用户一眼就能认出信息来源。MCP Apps 下一步迭代会通过可复用视图解决重复渲染的性能问题，以及让模型反过来操作 UI 的能力。生成式 UI 方面，Claude 前几周上线的即时生成 UI，底层用的就是 MCP Apps。 #MCPApps##智能体UI##AI开发##AI创造营# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

【报道：阿波罗、黑石考虑为博通提供350亿美元融资】彭博援引知情人士报道称，阿波罗全球管理公司（Apollo Global Management Inc.）和黑石集团正与博通就一笔约350亿美元的融资进行谈判，旨在为人工智能（AI）芯片的研发提供资金。这笔融资将成为有史以来规模最大的私人信用交易之一，将帮助博通资助其AI建设，包括为谷歌开发和供应定制张量处理单元（TPU）的长期协议。 如果融资交易达成，将巩固私人信用行业作为AI庞大基础设施需求核心引擎的地位；博通预计其AI芯片销售额明年将超过1000亿美元。博通涨幅扩大至5%。 （来自华尔街见闻）

转发者评论

无明显转发评论

原文

Linear 的创始人兼 CEO Karri Saarinen 最近写了一篇长文，聊了他对 AI 现状的观察和思考。这篇文章没有贩卖焦虑，也没有盲目吹捧，读完之后会觉得，终于有人在认真说一些中间地带的话了。1、AI 的能力是真的，但局限性也是真的Karri 开篇就点明了一个时间节点：距离上一次模型编码能力的大幅跃升，已经快六个月了。六个月，通常是蜜月期的长度。过了这个阶段，现实就开始慢慢浮出水面。他对 AI 的态度是谨慎乐观。能力是实实在在的，局限性也是实实在在的。但他觉得现在市场上的讨论太极端了，要么觉得 AI 无所不能马上改变一切，要么觉得 AI 会毁灭人类。这两种声音之间，那片最有价值的中间地带，反而很少有人认真去聊。什么是真正在改变的？什么是有用的？什么是被过度吹捧的？什么风险是真实存在的？这些问题才是值得花时间想清楚的。这种思维方式其实放到生活中也一样。面对任何新事物，最容易犯的错误就是走极端，要么全盘接受，要么全盘否定。能在兴奋和恐惧之间找到一个冷静观察的位置，本身就是一种很稀缺的能力。2、AI 时代还需要做计划吗？Karri 注意到一个有意思的趋势：很多人开始觉得在 AI 时代不需要做计划了，因为变化太快，计划赶不上变化。但他提出了一个很关键的问题：规划这件事，解决的到底是什么问题？他的观察是，规划的价值从来就不在于那份计划文档本身。规划真正的作用是一个“逼迫机制”，它迫使一个组织坐下来，认真讨论什么才是最重要的事情，达成共识，明确方向，然后把这个方向传达给每一个人。计划只是这些讨论和对齐发生的副产品。AI 确实可以改变规划的周期，增加执行的带宽，但它并没有解决“我们到底应该做什么”这个根本问题。而且有一个很反直觉的事情：当构建成本下降之后，做东西变得更容易了，做错东西也变得更容易了。选择做什么，反而变得比以前更重要。Linear 自己的做法是保持至少六个月的方向性规划，但每周每月都可以调整优先级。同时留出更多空间做实验，让一些有价值的用例自己涌现出来。既有方向感，又不僵化。如果完全不做规划，不设方向，只是看什么容易做就做什么，最后很可能就是被工具牵着鼻子走。AI 工具跟以前的工具不一样，它是有“思考能力”的工具，它会引导你往某个方向走。如果你自己没有方向，你就会顺着它最容易走的路走，而那条路未必是你真正需要走的。这一点放到个人身上也特别值得想想。很多人用 AI 写东西、做项目，做着做着就发现自己在跟着 AI 的节奏走，产出了一堆看起来还行但其实自己也说不清为什么要做的东西。工具越强大，越需要你自己先想清楚要去哪里。3、AI 在你不懂的领域看起来最厉害Karri 提出了一个特别精准的观察：AI 在你最不熟悉的领域，看起来最令人印象深刻。原因很简单。在你不懂的领域，你缺乏判断力，看不出它的输出哪里有问题，所以觉得它像魔法一样神奇。但在你真正深耕…

转发者评论

无明显转发评论

• "Plans are useless, but planning is indispensable" -- Eisenhower

原文

开发项目管理常常需要监督编码代理，监控任务进度、审查PR、验证CI状态，还要手动处理复杂工作，来回协调效率低下。OpenAI Symphony 将项目工作转化为隔离的自主实现运行，让团队管理工作而非监督编码代理。不仅能监控Linear看板自动生成代理处理任务，还提供CI状态、PR审查反馈、复杂度分析和演示视频等工作证明，验收后安全合并PR。GitHub：github.com/openai/symphony主要功能：- 监控任务板（如Linear），自动生成隔离代理实现任务；- 提供完整工作证明：CI状态、PR审查、复杂度分析、walkthrough视频；- 安全PR合并机制，工程师无需实时监督；- 支持harness engineering代码库，适用于成熟项目；- 实验性Elixir参考实现，可快速部署运行；- SPEC规范公开，便于自定义开发其他语言版本。支持Elixir/Python等语言实现，适合工程团队和AI开发项目使用，低调工程预览版，专为可信环境测试。#AI##开源##开发工具#

转发者评论

无明显转发评论

原文

前阵子 Claude Mythos 相关消息里，最引人注目的是其发现的 FreeBSD 内核 RCE 漏洞 CVE-2026-4747（图1）。不过最近有人发现这个漏洞和 2007 年 Kerberos 的漏洞 CVE-2007-3999 几乎一模一样（图2）。这种情况历史上并不少见。比如 2004 年微软 GDI+ 的漏洞 MS04-028 和 2000 年 Netscape 的 CVE-2000-0655 是一样的。2005 年微软 MSN Messenger 的 PNG 图片解析漏洞 MS05-009 和 2004 年 libpng 的 CVE-2004-0597 是一样的。事实上，CVE-2007-3999 当年也曾被发现同样影响 nfs-utils。有些人松了一口气，觉得 Mythos 发现的这个 FreeBSD 内核 RCE 虽然看起来比较厉害，但可能只是因为训练数据里有 CVE-2007-3999。

转发者评论

无明显转发评论

原文

#今天要来点认知科学吗?# 你的大脑在你写下来之前并不会形成那个想法。Nature Reviews Bioengineering去年夏天在一篇题为“写作即思考”的文章中发表了支持这一说法的案例。它引用的证据是一项2024年在挪威科技大学进行的脑电图（EEG）研究。36名学生交替用手写和打字写下相同的单词。使用256通道传感器阵列。在触摸屏上手写连笔字与在键盘上敲击键。两种方式都写相同的单词。手写产生了顶叶和中央脑区广泛的连通性。打字则没有。文献中与记忆形成和编码相关的θ波和α波频段几乎仅在手形成字母时被激活。运动行为产生了认知。从这一发现延伸出的更令人不安的说法是：撰写科学文章是研究人员发现其主要信息真正是什么的机制。构建句子的行为将思维漫游的混乱、非线性方式强迫成一个结构化的、有意图的叙事。你将多年的研究整理成一个故事，而在整理过程中，你发现了自己真正相信什么。即使编辑LLM的草稿，也比从零开始写作更难。要重构他人的推理，你首先必须重建它，这意味着无论如何都要进行认知工作，而且杠杆作用更差、摩擦更大。键盘上的时间节省，结果却是你想要使用的脑部部分的认知节省。你的初稿就是思考的过程。

转发者评论

无明显转发评论

原文

#英伟达新技术翻车# 58%的玩家投了反对票，这个数字表面上是在拒绝一项技术，实际上是在捍卫一种罕见的文化立场：我宁可画面差一点，也不接受别人替我决定“好看”长什么样。游戏玩家可能是当今消费市场里最后一批真正在意创作者原始意图的人了。他们会花几百小时装mod，会为了一个光影参数翻遍论坛，但那是主动选择。你可以理解英伟达的逻辑，显卡越来越贵，你得给消费者一个升级的理由，AI渲染听起来就是那个“杀手级特性”。这种商业压力完全可以理解。但问题在于，当一个算法悄悄插在游戏引擎和你的眼睛之间，把美术总监签字确认的画面重新改写一遍，这就不是“辅助”了，这是僭越。玩家的怒火本质上是在说：我买的是游戏开发者的作品，不是英伟达AI的二创。 英伟达新技术翻车

转发者评论

无明显转发评论

原文

这代人面对的社会太难了。22年时候计算机是最火的专业，全民计算机。结果才不到4年，我们公司CTO全员会议承认60-70%的代码已是AI生成，工程师团队从24年到现在裁员45%。22-23年当时全民CS，万般皆下品惟有CS高。结果一波AI革命，太多人技能直接报废。大伙能怎么办？可能转行吗？纯纯把人往死里逼。

转发者评论

程序员退场， 工程师继续： http://t.cn/AXtdhMXX //@有个梨GPT:好的科班CS不会有太大变化的，出问题的都是只会在框架下编程的。//@开水族馆的生物男:时代的车轮//@黄斌:人生啊，上哪儿说理去～～～

• 程序员退场， 工程师继续： http://t.cn/AXtdhMXX //@有个梨GPT:好的科班CS不会有太大变化的，出问题的都是只会在框架下编程的。//@开水族馆的生物男:时代的车轮//@黄斌:人生啊，上哪儿说理去～～～
• 好的科班CS不会有太大变化的，出问题的都是只会在框架下编程的。//@开水族馆的生物男:时代的车轮//@黄斌:人生啊，上哪儿说理去～～～

原文

你虽然可能不能生一支足球队，但是可以尝试生一支Agent足球队。🐶AgentPitch，把多智能体协作放进一块会计分的足球场AgentPitch 是一个 LLM 驱动的足球模拟器：场上每个球员都是一个 agent，每个 agent 都运行自己的 decide(game_state, player_state, history) 决策函数。策略可以由人写，也可以由大模型生成，并在赛后根据比赛日志继续演化。它好玩的地方不只是“AI 踢球”。足球天然是一个多智能体实验场：局部视野、实时移动、队友协作、对抗策略、空间控制，全都挤在一个可视化环境里。AgentPitch 把这些东西做成了可跑、可复盘、可迭代的沙盒。技术上，它支持 Python / JavaScript / Rust 策略，生成代码放进 sandbox 执行；比赛由 tick engine 推进，赛后再把 match log 喂回 LLM，让策略升级。这比“几个 agent 互相聊天”更接近真实协作：策略必须在环境里承担后果。如果以后 agent benchmark 要从问答走向行动，游戏场会是很好的过渡带。足球场不是玩具，是低风险的组织智能风洞。🔗 GitHub：网页链接（项目）#HOW I AI# #ai生活指南# #AI工具#

转发者评论

无明显转发评论

原文

国外一位 25岁的年轻播客主，这两年把 OpenAI、Anthropic、DeepMind 这些顶级 AI 实验室的核心人物挨个访谈过一遍。Karpathy、Hassabis、Dario Amodei、Ilya Sutskever 这些圈内大佬都坐在他对面跟他聊过几个小时。他公开过自己每次访谈前「准备一周」的工作流，全程大量用 AI 辅助。这套工作流泛化出来，是一个普通人能用的东西：怎么用 AI 在一周之内深度搞懂一个完全陌生的主题。我看了一下，也有很多值得我学习的地方，也想推荐给大家。他靠这套方法把「准备一周」做到了「跟顶级专家对话不掉档」。这种深度以前只有学界博士生熬几年才能积累。他叫 Dwarkesh Patel，2000年生在印度，8岁跟家人去了美国。本科在德州大学奥斯汀分校学计算机，2020年读书时开始做播客。这两年他迅速成为英文 AI 圈引用率最高的长访谈节目主持人，国外一家有名的财经周刊形容他「从无名变成了硅谷最爱的播客主」，Time 杂志2024年把他列进了「AI 100 人」。他自己讲过很多次他的方法逻辑：「我没法问出好问题，除非我对这个领域有完整的心理模型。」每次准备的目标不是「列出能问的问题」，而是「在一周之内把自己变成半个内行」。他每次准备的第一步是问自己一个问题：「我应该读哪些东西？哪些是绕不开的？谁是这个领域的关键人物？」这一步他交给 AI 做。把嘉宾的领域、核心概念、最新动态丢给 Claude（或者其他大模型），让它列出「该读哪5篇核心论文加哪两本书加哪几个人物的观点必看」。这一步看起来简单，但他强调，「在真正开始读之前先识别该读什么」是最容易省时间的一步。很多人一头扎进资料堆里，三天后才发现读错方向。读资料的时候，他不是「读完就过」，是边读边在脑子里追踪：「我哪儿没懂？我以为懂了但没懂的是什么？」他举过一个具体例子。访谈强化学习领域的开山祖师 Richard Sutton 之前，他读了好几天才意识到，自己不懂「深度学习和强化学习怎么结合」这件事。他说，这种「以为懂了，结果没懂」的窟窿，越早发现越好。深度调研最怕的就是带着假理解去问问题。具体到看不懂的地方怎么办，他直接把那段难懂的资料丢给 Claude，问「为什么」「这一段在说什么」「这个概念跟前面那个怎么连」。但他用 AI 不止在「读不懂时问」，更高一层的用法是让 AI 帮你「绘制全景图」。比如他跟 Karpathy 聊之前，把 Karpathy 过去几年发过的所有公开内容（演讲、博文、长访谈逐字稿）全部丢给 Claude 做了一个项目，再问「Karpathy 在 X 这个观点上前后有没有变化？哪几条是他反复强调的？哪几条他后来明显改了立场？」这种问题靠人自己读完所有材料几乎不可能整理出来，AI 三十秒就能给你一份。这是他每次准备时最重的一招。最重的另一招是「自己动手实现」…

转发者评论

无明显转发评论

原文

🔻美国公司 FIGURE 展示：两台配备 Helix-02 的人形机器人在不到两分钟内完成卧室整理——开门、挂衣服、收纳耳机、合上书本、清理垃圾、将椅子推入桌下，并协作铺好床铺。🔻它们运行着单一学习型视觉-语言-动作策略，彼此之间没有共享规划器、没有信息传递、也没有中央协调器：每台机器人通过自身摄像头读取房间环境，仅凭动作推断搭档的意图——就像两个人叠床单时那样。#海外新鲜事# #热点现场# #人工智能机器人# 包容万物恒河水的微博视频

转发者评论

//@马少平THU:即便是遥控，能完成这些动作也很赞了。我觉得遥控能完成，自主就不是问题了。//@退而思之xyq:这些操作都是自主完成的吗？[吃惊][吃惊]

• //@马少平THU:即便是遥控，能完成这些动作也很赞了。我觉得遥控能完成，自主就不是问题了。//@退而思之xyq:这些操作都是自主完成的吗？[吃惊][吃惊]
• 已经很接近ChatGPT Moment了。
• 即便是遥控，能完成这些动作也很赞了。我觉得遥控能完成，自主就不是问题了。//@退而思之xyq:这些操作都是自主完成的吗？[吃惊][吃惊]

原文

【漏洞自查循环：压榨大模型深层推理能力的底层逻辑】快速阅读：通过强制模型进行“漏洞自查-修复-再验证”的循环，可以压榨出模型更深层的推理能力。这不仅是提示词技巧，更是利用模型训练中对“确定性”的不同权重，将对话从“讨好模式”切换到“解决问题模式”。有一个很有意思的发现。如果你对 Codex 5.5 说：“你对这个策略有 100% 的信心吗？如果没有，请找出所有可能的漏洞，提出修复方案，并不断循环这个过程，直到你达到 100% 的事实信心。”这个指令会产生一种奇妙的化学反应。普通的模型，比如 Opus 4.7，面对这种质疑往往会陷入一种“过度讨好”的死循环。你越问，它越会说“你完全正确”，这种过度调优的 RLHF（人类反馈强化学习）让它像个缺乏安全感的社交达人，只会顺着你的话说，哪怕逻辑已经烂透了。但 Codex 5.5 表现得像个古板、严谨甚至有点乏味的工程师。它把“不确定性”视作一种 Bug。当被推入这个逻辑循环时，它不会盲目点头，而是真的开始拆解自己的指令流水线，像编译器检查语法错误一样，去寻找逻辑缝隙。有网友提到，这种做法其实是在利用模型的“自我意识”——它在迭代中会真正修补漏洞，而不是仅仅在语气上显得自信。当然，这种做法是有代价的。有观点认为，这种“强迫症式”的循环可能会诱发幻觉，或者导致过度工程化，把一个简单的功能搞得像个复杂的微服务架构。甚至有人怀疑，这本质上只是在增加 Token 的消耗，换取一种心理上的“虚假确定性”。但如果把这个过程看作是一个 Eval Harness（评估框架），它的价值就显现出来了。与其让模型直接输出结果，不如让它先在内部进行一次“事前验尸”（Pre-mortem）。这让我想起，提示词的本质其实是在调整模型的运行层级。当你在要求它达到 100% 信心时，你实际上是在强迫它从“模式匹配”的浅层，跳进“逻辑验证”的深层。只是不知道，当模型真的达到了那种所谓的“100% 信心”时，它看到的究竟是完美的逻辑，还是它自己编织的一个逻辑闭环？x.com/cjzafir/status/2052110266566107321

转发者评论

无明显转发评论

原文

马斯克把xAI当年囤的22万张 GPU 和300MW电力全部租给了Anthropic。一箭双雕。自家大模型反正也进不了前三，GPU闲着也是闲着，不如租给OpenAI的竞争对手。赚了钱的同时，顺便报仇雪恨。

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-05-09】今日简讯：1、网信办等三部门联合印发《智能体规范应用与创新发展实施意见》，国内首个智能体系统性政策落地2、新紫光发布"紫弦"三维化近存计算架构，Token吞吐率较英伟达B200高出1.5~2倍3、AI终端智能化分级国标出炉：L1~L4四级体系，首批覆盖手机电脑眼镜等7品类4、中国移动发布MoMA平台，接入超300款AI模型，单位Token成本压降30%5、OpenAI发布GPT-Realtime-2，首款具备GPT-5级推理能力的语音模型6、欧盟立法禁止AI生成深度伪造色情内容，全球首例"脱衣换脸"法律禁令以下为详细内容：① 网信办等三部门联合印发《智能体规范应用与创新发展实施意见》5月8日，国家网信办、国家发改委、工信部三部门联合印发《智能体规范应用与创新发展实施意见》，这是国务院部署"人工智能+"行动以来，针对智能体这一新兴形态的首个系统性政策文件。文件明确智能体定义——"具备自主感知、记忆、决策、交互与执行能力的智能系统"，不仅覆盖当前软件形态，也为未来具身智能机器人等"软硬一体"形态预留了统一监管接口。核心变化在于分类分级治理框架：医疗、金融、公共安全等敏感领域实行备案、强制检测、问题产品召回等严格管理；生活娱乐、日常办公等低风险领域鼓励合规自测、平台管理、行业自律。文件提出4方面举措：夯实技术底座与标准协议、守牢安全底线、强化应用牵引（明确19个典型应用场景）、建设创新生态。其中前瞻布局"智能互联网"体系架构，推广智能体互联协议（AIP），探索数字身份管理、多智能体协同技术。业内人士预计，头部AI企业需将年收入的3%~5%投入合规体系建设，85%的中小智能体企业缺乏合规技术储备，面临转型压力。② 新紫光发布"紫弦"三维化近存计算架构5月6日，新紫光集团在北京举行2026创新峰会，发布"紫弦"三维化近存计算（PNM）架构。该架构以3D DRAM为核心，首创3.5D异质异构集成方案，存储带宽可达30TB/s，对比行业最新HBM4在存储带宽与容量上保持优势，且可基于国内领先供应链规模化量产。PNM近存计算模式下访存延迟最多降低至1/18，模拟仿真显示同等算力下Token吞吐率较英伟达B200系列高出1.5~2倍以上。同场峰会上，紫光展锐发布端边AI芯片平台N9系列，采用4nm工艺和Arm v9.2 CPU架构，可帮助客户降低39%的BOM成本、缩短67%的开发周期；紫光国微旗下AT公司发布芯片设计智能体"紫灵"，RTL自动生成与优化效率提升120倍，单芯片研发总投入降低50%。③ AI终端智能化分级国标出炉5月8日，工信部、国家市场监管总局、商务部等部门联合发布《人工智能终端智能化分级》系列国家标准。标准采用"2+N"架构，分级体系从L1响应级、L2工具级、L3辅助级到L4协同级。当前用户持有率较高的产品普遍为…

转发者评论

无明显转发评论

原文

AI开发常常需要切换多个资源库，查文档学Oracle AI Database、找Notebook实验代理系统、看教程建RAG应用，来回折腾效率低下。Oracle AI Developer Hub 把AI开发所需资源全整合，提供完整的Oracle AI Database + OCI服务开发解决方案。包含完整应用demo、Jupyter Notebook、动手workshop、代理记忆包，甚至企业级AI代理架构指南。GitHub：github.com/oracle-devrel/oracle-ai-developer-hub主要功能：- 完整AI应用demo（/apps），展示端到端RAG代理、金融AI助手、健身追踪器等实战案例；- 丰富Jupyter Notebook（/notebooks），覆盖RAG、多代理CoT、混合搜索、11种认知架构实验；- 动手workshop（/workshops），从信息检索到记忆增强代理的全栈学习路径；- Oracle AI Agent Memory包，支持统一内存核心（对话历史、持久事实、实体状态）；- 详细指南（/guides），企业AI代理大脑/骨架构建、记忆工程学科深度解析；- 多云支持，AWS/Azure/Google Cloud + Oracle AI Database集成样例。支持Jupyter、Python、FastAPI、LangChain等多框架，Codespaces一键环境，适合AI工程师和开发者使用。#OracleAI##AI开发##RAG代理#

转发者评论

无明显转发评论

原文

好久没给大家分享了，我整理了几份副业赚钱的教程，也整理了 30 多个 AI 视频教程，是我 2025 年录制的。其实，干货挺多的，比如：《从零开始教你自媒体赚钱之法》、《副业赚钱案例分享》以及《独立开发者系列干货文章》等。还有一些 AI 视频教程，比如：如何使用 AI 制作 PPT、小红书海报、如何使用 AI 开发浏览器插件、开发微信小程序等等。在这里当福利免费分享给大家。领取地址：网页链接 （pan.quark.cn/s/3f6f13673537）#科技先锋官##How I AI##副业赚钱#

转发者评论

每日一转，新来的朋友去领一波。

• 每日一转，新来的朋友去领一波。