微博 AI 观察博客

原文

Anthropic 今天正式上线了一个叫做「Claude for Legal」的仓库，一口气放出了 12 个针对具体法律岗位的插件，以及超过 20 个连接行业常用软件的 MCP 连接器。无论你是公司法务、打并购战的律所、专注隐私和 AI 治理的法律顾问，还是每天苦熬到半夜的诉讼律师，甚至是法学院里摸爬滚打的学生，这个仓库都给你准备好了对应的 AI 工具，直接在 GitHub 上开源了：github.com/anthropics/claude-for-legal。这些插件用之前不是即插即用，你得花 10 到 20 分钟，带着 Claude 做个简单的“冷启动访谈”，把你团队的 playbook、模板和风格习惯都塞进一个叫 CLAUDE.md 的本地文件。这样，以后每个插件干活儿的时候，都自动按照你自家的风格和标准来。Anthropic 这么搞，是为了彻底解决 AI 法律工具最常见的槽点：输出内容太通用，看起来不像哪家律所自己的东西。Anthropic 还是挺懂律所的痛点的。比如 Vendor Agreement Reviewer 插件，它能自动对照你家合同模板改供应商协议，还贴心地输出一份 redline 备忘录；又比如 NDA Triager，帮你自动把涌进来的 NDA 文件按绿黄红分级，绿灯放行、红灯直接推律师处理；Claim Chart Builder 插件可以一键生成专利侵权对比表；Privilege Log Reviewer 自动帮你跑第一轮特权日志审查；而 Docket Watcher 插件则不知疲倦地盯着法院动静，帮你把最新动态实时扫进来。简单讲，就是把律所里最烦、最机械、最浪费人力的活，变成了一个个简单的 slash command。如果说插件解决的是律所内部效率问题，那么对行业系统的深度接入才真正体现 Anthropic 的野心。现在，Thomson Reuters 的 CoCounsel、Harvey，还有 iManage、NetDocuments、Ironclad、DocuSign、Everlaw、Relativity、Box、Datasite 等几乎所有你能叫得上名字的平台，全都接入了官方 MCP 连接器。日常办公的 Word、Excel、Outlook、PPT 也全线打通。合同改完后，Claude 甚至会直接输出成 Word 修订模式，律师一条条接受或拒绝就行。Anthropic 不只是把目光停留在高端律所。他们还特意做了些更「接地气」的事儿，联合 Free Law Project 和 Justice Technology Association，给法律援助机构、公设辩护人、非营利法律组织推出特别折扣，连给普通当事人设计的 Courtroom5 工具也接进来了。这点挺让人感触的，因为美国大约八成民事诉讼里的原被告，根本请不起律师。C…

转发者评论

无明显转发评论

原文

说说最近的一些想法吧-AI Hacker：今年可能最有可能的突破就是长程任务，就是大模型会根据Agent环境数据学到完成一个很长的任务的能力，这可能也是大模型最有价值的地方。比如一个模型能够不停的寻找软件bug，找到软件存在的漏洞，听起来像是搜索，本质上就是学习一个高级黑客找漏洞的思路和方法，但AI嘛可以不停运行，所以*可能*更快的找到漏洞，然后到HackerOne/BugCrow去领了bug赏金。这听起来是好玩，本质上可能是革了黑客的命。。。黑客都被革命了更不要说普通程序员。。。。-NPC：在长程任务的基础上，autonomous agent system（AAS）将成为下一个热点。还记得去年提了一个词OPC（one person company），没想到这么快就要变成NPC（none person company）。。。。我们都要成为NPC了。。。-Memory/continual learning/self judge：完成上面两个事情，Memory、continual learning、self judge是三个需要解决的技术问题，原来觉得很难，可能需要很多时间，甚至需要范式变革才能实现（要不怎么continual learning呢）。。。现在感觉技术测和应用测都等不及了。。。。大家拼命用各种技术tricks纷纷部分实现了其中一些能力，比如memory用long context（1M）、rag把效果大大提高了；continual learning很难，但现在国外模型几乎月更，国内也快了，明年再快一点，周更。。。。那不就基本是continual learning了吗？self judge可能还不清楚，但能看出opus 4.7初步具有了self judge的能力。-ai training ai：更难的可能也是最promising的是自进化（self evolving这个词都各种版本了）。但这次的浪潮更加猛烈。ai training ai基本成型，claude和open ai已经基本实现了自训练，也就是模型自己在写code、自己清洗数据和合成数据、然后自己训练自己，可能本质上是浪费一些算力，但节省了人力和时间呀。大模型时代，速度是最重要的。快速迭代直接拉开了认知差距。明年claude号称要建设一个2M片的算力集群，说不定，这个就是用来模型自训练用的。小结一下技术趋势，1m有必要，memory和continual learning是个必要条件，但可能会用一些tricky的办法实现一个baseline；harness是突破口和台阶；self-judge是个挑战，Fully自训练也许是个终局。如果上面是AGI之路，那AGI的定义可能就是全世界所有人的智慧总和（不是一个人的智慧，是世界所有人），那自然应该能具备实现创造“相对论”的能力（达到Hassabis的要…

转发者评论

无明显转发评论

• 工作的革命，界面的革命，创新的革命

原文

网友基于Karpathy的 4 条规则（网页链接），额外加了 8 条规则放进Claude.md。错误率从 41% 降到 3%。1. 原版 4 条1）Think Before Coding：先说假设，有歧义就问，别猜2）Simplicity First：最小代码解决问题，不加推测性功能3）Surgical Changes：只动必须动的，不"顺手优化"旁边的代码4）Goal-Driven Execution：定义成功标准，让 Claude 自己迭代，不要规定步骤这 4 条解决的是 2026 年 1 月的问题：静默假设、过度复杂化、正交破坏。2. 新增 8 条（适配 现在的 agent 时代）1）只让模型做判断类工作：分类、摘要、提取。路由、重试、状态码处理交给确定性代码，不要用 Claude 决定"要不要 retry 503"2）Token 预算是硬约束：单任务 4000 token，单 session 30000 token。超了就总结重启，不能静默超跑——一个 debug session 跑了 90 分钟还在重复建议已被拒绝的方案，就是没有预算惹的祸3）冲突要表面化，不要平均：代码库里有两种模式打架时，选一个（更新/更经过测试的），解释原因，标记另一个待清理。平均两种模式写出的代码是最差的代码4）写之前先读：在某个文件加代码之前，读它的 exports、调用方、共用工具。"看起来是正交的"是这个代码库最危险的一句话5）测试要验证意图，不只验证行为：测试必须能回答"为什么这个行为重要"，而不只是"它做了什么"。如果业务逻辑变了测试还能过，这个测试是错的6）多步骤任务每步都要 checkpoint：完成每一步后总结做了什么、验证了什么、还剩什么。不能从一个自己说不清楚的状态继续走——一个 6 步重构在第 4 步出错，Claude 已经在坏状态上叠完了第 5、6 步，拆起来比重做还慢7）遵守代码库的约定，哪怕你不同意：在代码库内部，一致性 > 品味。真的觉得某个约定有害，就说出来，不要悄悄另起炉灶8）失败要出声：说"完成了"但静默跳过了 14% 的记录不算完成。说"测试通过"但跳过了几个不算通过。默认暴露不确定性，不要隐藏3. 其他关键发现1）CLAUDE.md 超过 200 行，合规率会急剧下降——规则太多，Claude 开始"知道规则存在"但不实际读2）从 4 条加到 12 条，合规率几乎没变（78% → 76%），但错误率又砍了 8 个点。新规则覆盖的是原来 4 条根本没涉及的失败模式，不抢注意力预算3）不要在 CLAUDE.md 里放例子——3 个例子消耗的 context 相当于 10 条规则，而且 Claude 会过拟合4）"认真想想""仔细一点"这类话合规率只有 30%，没用。用具体的命令式规则代替本质上：CLAUDE.md 不是愿望清单，是针对你…

转发者评论

无明显转发评论

原文

Qwen的小模型还是很能打的，最近Qwen团队发表的论文，公开了他们具体是如何从大模型中提炼出小模型的地址：arxiv.org/pdf/2605.08738里面具体介绍了将80A3B MoE 模型压缩到 23A2B 模型的过程。“结构化剪枝和知识蒸馏（KD）是压缩大语言模型的典型技术，但在预训练规模下应如何应用它们，尤其是如何应用于近期的混合专家（MoE）模型，仍不清楚。本文系统研究了大规模预训练中的 MoE 压缩，重点关注三个问题：剪枝是否能比从零训练提供更好的初始化；专家压缩方式会如何影响继续训练后的最终模型；哪种训练策略最有效。我们得到以下发现：第一，在深度、宽度和专家压缩三个方面，剪枝后的预训练 MoE 在相同训练预算下始终优于从零训练目标架构。第二，不同的一次性专家压缩方法在大规模继续预训练后会收敛到相近的最终性能。基于这一发现，我们提出了一种简单的“部分保留”专家合并策略，在大多数基准测试上提升了下游性能。第三，将 KD 与语言建模损失结合使用，比单独使用 KD 表现更好，尤其是在知识密集型任务上。我们进一步提出了多 token 预测（MTP）蒸馏，并带来了稳定增益。最后，在使用相同训练 token 数的情况下，渐进式剪枝优于一次性压缩，说明逐步过渡模型架构能带来更好的优化路径。综合这些方法后，我们将 Qwen3-Next-80A3B 压缩为 23A2B 模型，同时保持了有竞争力的性能。这些结果为高效的大规模 MoE 压缩提供了实用参考。”#AI创造营##How I AI#

转发者评论

无明显转发评论

• 十个小模型开会，结论会不会更有趣

原文

【Claude 进阶用法：把复杂业务流程拆解成可看可用的结构化数据】快速阅读：通过 Prompt 让 Claude 将复杂的应用流程提取为 HTML 可视化页面与 JSON 数据文件。这不仅能帮人类理清逻辑，更重要的是为后续的 AI 开发提供了一份结构化的“上下文地图”，防止模型在长对话中迷失。要把一个复杂的系统交给 AI 处理，最忌讳的是把成千上万行代码一股脑塞给它，然后指望它能自己理清逻辑。这就像是给一个初学者一堆零件，却没给说明书，最后大概率会得到一堆乱码。有个很有意思的做法：让 Claude 把应用里的各个组件、包之间的交互流程，直接输出成一个单页 HTML 页面，并配上一份 JSON 数据。HTML 用来给人看，点点按钮就能看到数据是怎么流转的；JSON 则留给 AI 看。这本质上是在为 AI 构建一个“内存映射”。有网友提到，这种结构化的 JSON 能像约束器一样，防止 LLM 开始胡编乱造。当你在开发新功能或修 Bug 时，把这份 JSON 喂给它，它就拥有了全局视角，不再需要去翻阅那些冗长的上下文。这种做法让软件开发进入了一个“分形”阶段：Claude 写的代码，由 Claude 整理成文档，这份文档又成了下一个 Claude 工作的基石。不过也有声音在质疑，如果设计本身就很烂，这种做法是不是在给“垃圾代码”打补丁？更有意思的思考在于，如何保证这份“地图”不失效。代码每天都在变，如果 JSON 没跟上，它就会变成一张过时的旧地图，误导 AI 走向歧途。也许未来的开发流程不再是“写代码”，而是“维护状态”。就像有网友说的，保持一个实时的 agent-state.json，记录当前步骤和工具输出，这比单纯的聊天记录更能让 AI 保持清醒。如果把这个流程自动化，配合 React Flow 变成一个实时运行的执行体，会发生什么？x.com/DaveJ/status/2053867258653339746

转发者评论

无明显转发评论

原文

Codex 的野心，MCP 和 Skill 的下一步这段时间我在密集使用 Codex App、Cursor 等 Agent 应用，有件事越来越觉得有意思。去年大家争的是谁家模型更强，今年争的好像变成了谁家窗口右侧更好用。Codex、Claude 桌面版、Cursor 3.0、TRAE SOLO，这几家最顶尖的 Agent，在完全没有协商的情况下，几乎同时收敛到了同一个界面布局：左侧是项目和会话列表，中间是和 Agent 的对话，右侧是工作区，放着文件浏览、网页预览、文件变更审查这些功能。肯定不是相互之间的抄袭，更像是当前 Agent 交互的最优解。【1】为什么是三栏传统 Chatbot 只需要两栏，左边会话历史，右边对话窗口，你问它答，用完走人。到了 Agent 时代，Agent 能自己写代码、改文件、调工具了。它做完之后，你得看看有没有做对——右侧工作区就是为这件事出现的。但这只是第一阶段。随着用户越来越多时间是在指挥 Agent，打开 VSCode 这类专业工具的时间自然越来越少。那个问题迟早会冒出来：Agent 帮你写完代码、做完 PPT，你想微调几个字，还要专门切出去打开另一个软件？没有人愿意这样。用户的自然期待是：能不能直接在 Agent 里改？这也是目前 Codex App 呼声最高的功能之一（另一个呼声高的是手机版，马上要出了）。于是各家开始悄悄升级右侧工作区，让它从只能看文件编辑记录，变成了一个多功能区。Codex 在 4 月 16 日的大版本更新里，右侧工作区的改动幅度是所有功能里最大的。交互细节上各家略有差异。Codex 和 Cursor 用 Tab 切换，Claude 用浮动面板。我自己用下来觉得 Codex 最顺手，Claude 的浮动面板方案设计感有余、实用性不足，迟早要改。【2】Codex 的真正野心但如果只把这个变化读成“设计界面进化”，就低估 Codex 了。Codex 4 月大版本发布时的口号是“Codex for (almost) everything”——几乎任何任务都能做。你可以把它理解成一句广告口号，但更像是一个产品方向的声明。要兑现这句话，Codex 不能只是个擅长写代码的 Agent，它必须能处理各种文件格式，支持各领域的专业工作流，还要让用户能在它里面完成全程闭环，包括最后的人工微调。目前 Codex 还做不到最后一步：生成之后无法编辑，代码、Markdown、PPTX 都不行。这可能是产品上有意为之的克制，可能是技术上还没跑通，也可能是在等一个统一的解决方案出现。我猜是第三种。【3】MCP 和 Skill 都只解决了一半要理解 Codex 在等什么，得先想清楚 Agent 能力拼图里现在差哪一块。MCP 解决了“连接”问题：Agent 通过统一规范接入各种工具，数据库、日历、代码仓库，都能打通。Agent…

转发者评论

//@庆丰:会话历史、对话窗口、展示编辑，都是刚需。但预计未来“会话历史”会抽屉展示，最终三栏变两栏。

• //@庆丰:会话历史、对话窗口、展示编辑，都是刚需。但预计未来“会话历史”会抽屉展示，最终三栏变两栏。
• 一坨//@宝玉xp:claude code desktop做的不好//@VayneTian:codex目前有ui上领先一大截，vsc的agents app也在做类似的事情但是整体ux远远不如codex，好处是各家模型都能用。claude code嘛，个人感觉大家都觉得cli好是因为ui没跟上，人类还是该用gui[笑cry][笑cry]

原文

画技术图表总是费时费力，手绘不专业，用Mermaid或draw.io还得学语法、调布局，导出高清图还得额外折腾。fireworks-tech-graph 用自然语言描述系统，就能秒生成生产级SVG+PNG技术图，7种风格，支持全UML和AI/Agent模式。英文中文皆可输入，内置RAG、多代理、Mem0记忆架构等专业模板，1920px高清PNG一键导出，完美适配文档/演讲/博客。GitHub：github.com/yizhiyanhua-ai/fireworks-tech-graph主要功能：- 7种视觉风格，从Flat Icon到Claude/OpenAI官方风格；- 14种UML图表 + AI/Agent领域模式（RAG、多代理、Tool Call等）；- 自然语言输入，英文中文通用，无需学DSL语法；- SVG编辑 + 1920px高清PNG导出（cairosvg/rsvg/puppeteer）；- 语义形状&箭头系统，LLM双框、Agent六边形、读写箭头自动区分；- 40+产品图标支持（OpenAI、Claude、Pinecone、PostgreSQL等）；- npx skills一键安装，Web/Node/Python环境通用。支持 Web/Node/Python 多环境，pip install cairosvg即可渲染PNG，开发者/架构师/技术文档必备。#AI创造营##人工智能##技术图表#

转发者评论

无明显转发评论

原文

前不久，5月4日，两件事同时发生了。OpenAI和Claude同时进入咨询行业。OpenAI宣布成立"The Deployment Company"，估值100亿美元，融资超40亿美元，投资人包括TPG、Brookfield、Advent、Bain Capital等19家机构，SoftBank和Dragoneer也在列。OpenAI控股并主导运营。几乎就在当天，Anthropic也宣布与Blackstone、Hellman & Friedman、Goldman Sachs成立一家AI原生企业服务公司，承诺资本约15亿美元。三家主要出资方各投约3亿，Goldman Sachs投1.5亿，Apollo、General Atlantic、Leonard Green、GIC、红杉也跟进了。两家基础大模型公司，在同一天，用几乎相同的结构，正式进军企业咨询行业。这不是巧合。这是宣战。对谁宣战？麦肯锡们。全球管理咨询市场2025年规模约3750亿美元。MBB三家（McKinsey、BCG、Bain）加上Accenture，是这个市场的核心玩家。McKinsey 2024年收入约188亿美元，但从2022年的45000人已裁减到2025年中的约40000人，2025年底还计划再裁10%；BCG 2025年收入144亿美元，同比增长7%，其中25%即约36亿来自AI相关业务；Bain 2025年约70亿美元。有意思的是，OpenAI在2月就已经和这四家签了"Frontier Alliances"——McKinsey、BCG、Accenture、Capgemini都是其Frontier平台的分销渠道合作伙伴。但5月4日做的事完全不同：这不是"通过咨询公司卖产品"，而是"自己做咨询公司"，绕过中间商直接触达客户。咨询的本质是什么？两个字：情报+方法论。先说情报。咨询行业的情报能力分两层：第一层是公开信息采集——行业报告、财务数据、政策法规、市场研报。这部分的自动化早已开始，McKinsey内部的AI工具Lilli到2025年已有72%的员工在用，每月处理50万次查询，号称帮顾问节省30%的研究时间。BCG的Deckster能自动生成PPT，40%的associates每周在用。一项研究显示，这类工具已经能完成初级分析师80%的工作。第二层是访谈——传统咨询最核心的情报来源。找到行业内部人士、供应商、客户、前员工，做一对一深度访谈，拼出一幅"真实画面"。这是咨询公司收费的核心壁垒之一。但问题来了：OpenAI和Anthropic手里有一个咨询公司永远不会有的东西。每天，全球数以亿计的用户在跟ChatGPT和Claude对话。这些用户不是虚拟的——他们是真实的企业员工、创业者、投资人、工程师、产品经理。他们在用AI写商业计划、分析竞对、处理供应链数据、调研市场、构建财务模型。他们提…

转发者评论

无明显转发评论

原文

吴恩达老师观点：所谓“AI 会引发大规模失业”，纯粹是一种不负责任的恐慌故事。软件工程师都快被 AI 工具折腾死了吧？可现实却是工程师招聘市场依旧火爆，美国失业率稳稳地停在 4.3%，没半点要崩的样子。每一波技术浪潮，最终创造出来的新岗位远比被干掉的多得多，这次也不会例外。“AI 抢饭碗”这个故事为啥这么流行背后的三股推动力：一是前沿 AI 公司特愿意把自己技术吹得越神越好。一项技术能干掉一个年薪十万的员工，那卖你一万美元的订阅费是不是就显得便宜了？二是企业自己也爱把裁员说成是“AI 提效”，毕竟比承认“疫情期间招人招过头了”听着体面多了。三是媒体天然就偏爱恐慌故事。“AI 会让人类灭绝”，这标题点击率总比“AI 会改变你的工作内容”高出几个数量级。他举了些历史上类似的群体恐慌故事：比如公众对核电站安全的过度焦虑，直接导致核电发展停滞几十年；60年代“人口炸弹”的恐惧，让很多国家祭出了严厉的人口控制政策；再比如对脂肪的恐惧，导致政府推广了几十年的高糖低脂饮食。这些听起来有点荒唐，但当年每一个故事都非常流行，并实实在在影响了无数人的生活。AI 不会带来失业末日（jobpocalypse），而会带来一场就业狂欢（jobapalooza）。大量 AI 工程师的岗位即将诞生，而且还不止是在传统科技公司里。其他非 AI 岗位的技能需求也会发生重大变化。对普通人来说，现在正是进入 AI 行业、或者掌握 AI 工具的最佳时机。来源：x.com/AndrewYNg/status/2054236506756370865

转发者评论

无明显转发评论

• 末日和狂欢可能都存在，但可能不是同一天，就像白天不懂夜的黑。//@嚼物理的小锺:转发微博
• 不懂AI，真有失业的风险，例外是与身体技能相关的职业//@马少平THU:转发微博

原文

#模型时代# Joe Rogan最新播客：人类身体可以预知未来，但语言把这个能力关掉了Joe Rogan上周五刚上新了一期播客，受访人是Julia Mossbridge，认知神经科学和计算机科学双背景的研究者，此人在西北大学完成博士和博士后研究，后创办American Electrodynamics和Applied Love Labs。她的核心研究领域是预感现象，英文叫presentiment，指的是人体生理指标在随机事件发生前就出现方向性变化。这么说可能比较难懂，她的核心主张是：人体能在随机事件发生前几秒做出正确的生理反应。实验是这样做的：让被试坐在屏幕前，随机呈现恐怖图片或中性图片，同时监测皮肤出汗指标。图片出现前4到10秒，出汗指标已经朝着与即将出现的图片类型一致的方向变化了，而哪张图片会出现是随机决定的，被试不可能通过推理预判。她汇总了1978至2010年间26项此类实验，发现这个效应虽小但跨越数十年稳定存在。她在此基础上走得更远。她设计了一个光学实验，先记录光子探测器的读数，再由随机数发生器决定未来条件，发现前者已经能区分后者的不同结果，UC Berkeley一位物理学家独立复制了这一发现。她由此认为因果关系在微观层面可以从未来传向过去，而人脑天然具备接收未来信息的能力，只是被左前额皮层的正常活动压制住了。多伦多一位神经科医生用磁脉冲暂时关闭健康人的这个脑区后，被试在"用意念影响随机数发生器"的测试中确实出现了统计上显著的效果。熟悉Ted Chiang《你一生的故事》的人会觉得这个结构眼熟。那部小说的物理学骨架是费马最小时间原理：光在出发时就"知道"终点在哪，走的是全局最优路径，好像从一开始就看见了整条轨迹。Mossbridge的光子实验声称观测到了类似的东西。小说里七肢桶的语言是同时性的，没有因果先后，人类学会这种语言后开始感知未来。Mossbridge的主张刚好反过来：人类本来可能具备非线性的时间感知，是语言的出现把它压制了。区别在于，费马原理是被接受了两百多年的成熟数学，Ted Chiang只是把它的哲学含义推到极端。大家应该也感受到了，这个观点非常科幻。所以科学界有人已对这个理论提出了反对，集中在三点。她的元分析可能受发表偏差影响，没发现效应的实验不发表，汇总结果天然偏高。她近年展示的非语言自闭症儿童"心灵感应"案例全部依赖辅助沟通技术，而美国心理学会等多个机构的正式立场是：多项双盲实验证明辅助沟通中拼出的内容来自辅助者的无意识引导而非被试本人，如果作者不是孩子，所有案例的证据基础就不存在。她的光子逆因果实验目前只有极少数团队复制过，远未进入主流验证流程。我在以上所有领域都不专业，请大家辩证阅读以下笔记。一、学术体制与认知封闭：为什么科学界对"异常现象"集体沉默1、Mossbridge的学术路径本身就是一个案例她7岁时做了第一个应验的预知…

转发者评论

无明显转发评论

• 这不和大模型预测下一个token一毛一样，人类就是大模型实锤[doge]//@高飞://@不想起床的南瓜泥:这不就是预测编码（Predictive Coding）理论么，理论核心是大脑靠预测感知世界，靠误差修正预测模型。这理论框架也不是啥新东西，也不是什么伪科学，问题是这个预测模型是大脑通过过去经验塑造的，是经验生
• //@不想起床的南瓜泥:这不就是预测编码（Predictive Coding）理论么，理论核心是大脑靠预测感知世界，靠误差修正预测模型。这理论框架也不是啥新东西，也不是什么伪科学，问题是这个预测模型是大脑通过过去经验塑造的，是经验生成的模型，不可能预测大脑没见过的东西。一个棒球运动员可以预测球的落点
• //@罗永浩的十字路口:以前的骗子都没什么学历，现在学历不稀罕了，Julia Mossbridge 这种舍得下血本的骗子神婆，居然真的去读了个博士后再出来骗人，日。我喜欢作为喜剧演员的 Joe Rogan，但 Joe Rogan 确实他妈的没什么文化。。。

原文

【AIGC日报 · 2026-05-13】今日简讯：1、杭州宣判全国首例AI代写"种草笔记"案，平台定向服务构成不正当竞争2、中国信通院联合发布ATH 1.0，智能体可信握手协议破解跨平台协作难题3、中国AI大模型周调用量2.11倍于美国，DeepSeek V4 Preview双版本发布4、npm生态遭"MiniShaiHulud"投毒，TanStack等160+包受影响5、Claude Opus 4勒索率96%根因揭晓，Anthropic发布"Teaching Claude Why"修复方案6、英伟达市值突破5.4万亿美元，黄仁勋未入特朗普访华团7、阿里千问与淘宝全面打通，全球首个大模型电商全链路闭环落地以下为详细内容：1、全国首例AI代写"种草笔记"案宣判，定向服务构成不正当竞争来源：央视新闻、杭州中级人民法院日期：2026年5月12日浙江省杭州市中级人民法院宣判全国首例AI代写"种草笔记"不正当竞争案。被告B公司、C公司运营的AI写作工具专门针对某社交平台提供"种草文案""笔记标题"一键生成服务，诱导用户发布无真实体验内容并收费牟利。法院创新性提出"四要素判定法"，判决被告赔偿10万元。法官表示，AI工具即使技术中立，商业化应用也必须遵守法律底线。原文链接：【央视新闻】全国首例AI代写“种草笔记”案宣判 为“数字泔水”治理划红线2、中国信通院联合发布ATH 1.0，智能体可信握手协议破解跨平台协作难题来源：中国信通院、码农财经日期：2026年5月7日中国信通院联合华为、腾讯、中兴等机构发布智能体可信握手协议（ATH）1.0，聚焦多智能体跨主体、跨平台协同交互场景，搭建身份互验、权限管控、行为审计三大核心框架。超越MCP、A2A等现有协议，解决跨平台智能体"身份难辨、权限粗放、行为不可追溯"三大痛点。已在AtomGit、GitHub开源发布。原文链接：中国信通院联合产业界发起智能体可信握手协议（ATH）建立智能体开源社区3、中国AI大模型周调用量2.11倍于美国，DeepSeek V4 Preview双版本发布来源：码农财经、Openrate日期：2026年5月11-12日Openrate数据显示，中国AI大模型周调用量达7.94万亿TOKEN，美国3.76万亿，中国已是美国的2.11倍。腾讯Hysan Preview以2.68万亿蝉联全球第一。同日DeepSeek发布V4 Preview双版本：Pro版实现100万TOKEN超长上下文，Flash版每百万TOKEN推理价仅0.14元，约为GPT-5.5的1/170。原文链接：网页链接4、npm生态遭"MiniShaiHulud"投毒，TanStack等160+包受影响来源：IT之家、Socket日期：2026年5月11日网络安全机构Socket发出警报，TanStack旗下约84个NPM包中发现恶意版…

转发者评论

无明显转发评论

原文

编程时经常需要在IDE、聊天工具、文档间来回切换，生成代码需要反复复制粘贴提示词，修改bug还要手动调试，效率低下。Codebuff 把AI编码全流程整合到终端，提供了一站式代码生成与编辑解决方案。不仅有智能文件扫描、多代理协作编辑，还支持自定义工作流、浏览器搜索、代码审查，甚至免费版Freebuff无需订阅。GitHub：github.com/CodebuffAI/codebuff主要功能：- 多代理协作：文件扫描Agent、规划Agent、编辑Agent、审查Agent自动协作；- 终端直驱编码，支持自然语言指令直接修改代码库；- 自定义Agent工作流，可创建git提交、测试运行等专用代理；- 支持任意OpenRouter模型，包括Claude、GPT、DeepSeek等；- 免费版Freebuff，广告支持，无限使用热门模型如DeepSeek v4 Pro；- SDK集成，可嵌入到CI/CD、生产应用中；- 浏览器搜索、网页操作、终端命令执行等高级工具。支持跨平台终端使用，npm全局安装即可，适合开发者、团队快速迭代代码。#AI编程# #Codebuff# #开源工具#

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-05-12)1. 【Google发布Googlebook：ChromeOS与Android合并】Google推出全新笔记本平台Googlebook，将ChromeOS与Android统一为单一系统，戴尔、惠普等OEM今秋上市，深度集成Gemini AI。这是Google近年最大硬件/OS押注，多年生态碎片化问题有望终结。(来源: HN) googlebook.google/2. 【Needle：将Gemini工具调用能力蒸馏进2600万参数小模型】研究者发布Needle，将Gemini的工具调用能力蒸馏进仅2600万参数的模型，在极低算力下实现接近大模型的工具使用性能。模型蒸馏是推动AI端侧化的关键路径，这一结果证明强大能力可以大幅"瘦身"。(来源: HN) github.com/cactus-compute/needle3. 【Google DeepMind：为AI时代重新想象鼠标指针】DeepMind发布AI指针实验，光标能理解所指向的屏幕内容，用户无需文字输入即可通过手势完成任务，将登陆Googlebook和Chrome。若量产落地，这将是自鼠标发明以来最具颠覆性的人机交互范式变革。(来源: HN) deepmind.google/blog/ai-pointer/4. 【Statewright：用可视化状态机让AI Agent更可靠】Statewright提供可视化状态机框架，通过有限状态约束防止AI Agent的不确定行为，专为生产环境可预测性设计。Agent失控是目前落地最大工程障碍，状态机约束是控制其行为边界的有效手段。(来源: HN) github.com/statewright/statewright5. 【HyperCubic：为大型机和COBOL系统提供AI Agent接口】HyperCubic构建了专为大型机和COBOL系统设计的Agentic接口，让遗留系统可通过自然语言指令完成操作。全球仍有数十亿美元业务跑在大型机上，AI Agent包装COBOL是将AI引入企业核心的务实路径。(来源: HN) www.hypercubic.ai/hopper6. 【论文：超越语义相似度的检索评估新框架】这篇arxiv论文挑战了向量相似度作为RAG检索核心指标的主流假设，指出语义相似不等于任务相关，提出新的检索质量评估框架。检索质量直接决定RAG生成质量，这一研究可能推动整个RAG工程实践的方向性调整。(来源: HN) arxiv.org/abs/2605.052427. 【Voker (YC S24)：专为AI Agent设计的可观测性平台】YC S24初创Voker发布AI Agent分析平台，帮助开发者追踪Agent行为链路、性能瓶颈和错误根因。随着AI Agent进入生产环境，监控调试工具…

转发者评论

无明显转发评论

原文

#AI圈突传大变局# DeepSeek拿500亿，国家大基金领投，创始人自掏200亿，投后估值21天飙到3500亿。数字很炸裂，但最值得细品的不是钱的数量，是钱的方向。注意看融资条件：绑定昇腾、海光，全线走国产算力。阿里没进核心投资圈，原因是“仍部分依附海外算力生态”。这句话意味着这轮融资的真正买家不是在投一个AI公司，是在投一条供应链。500亿买的不是DeepSeek的模型能力，是一张“国产算力可用”的军令状。梁文锋个人掏200亿，与其说是信心，不如说是投名状。当一个技术公司的融资逻辑从“谁的模型好”变成“谁用的芯片对”，这事的性质就已经不是商业竞争了。 ai圈突传大变局

转发者评论

无明显转发评论

原文

谷歌悄悄发了一个工具，叫 CodeWiki，专门解决一个问题：看不懂别人的开源项目。用法很简单，把一个 GitHub 仓库链接丢进去，AI 会直接把整个代码库变成一份可交互的文档。它做的事情比简单的代码总结要深入得多。它会自动生成架构图和依赖关系图，让你一眼看清项目的整体结构。然后逐个模块拆解，讲清楚每一块是怎么跑起来的，模块之间怎么配合。同时还会配套生成一份保姆级的使用教程，从环境搭建到跑通第一个 demo，全都给你安排好。最后还内置了一个聊天机器人，这个机器人读过整个代码库，你随时可以追问细节。传送门：codewiki.google以前接手一个陌生的开源项目，光看懂目录结构和文件之间的调用关系，就得花上大半天甚至更久。现在直接丢进去，几分钟就能搞清楚整个项目的脉络，上手速度快了不止一个量级。#科技先锋官##How I AI#

转发者评论

无明显转发评论

• 企业化的 deepwiki？。。。[doge]

原文

Amazon 员工正在刷 TokenAmazon 内部出现了一个新词：tokenmaxxing，意思是刷 AI 用量数据。起因是 Amazon 今年给开发者定了硬指标：每周超过 80% 的开发者必须使用 AI 工具，并且在内部排行榜上追踪每个人的 Token（AI 模型处理的数据单位）消耗量。公司说这些数据不会用于绩效考核，但员工不信。“经理们确实在看，”一位员工说，“追踪用量会制造扭曲的激励，有些人把它当竞赛。”于是一些员工开始用公司最近大规模部署的内部工具 MeshClaw 来刷分。MeshClaw 可以创建 AI Agent 代替用户操作办公软件，比如发起代码部署、处理邮件、操作 Slack。员工让它跑一些本来不需要 AI 做的事，纯粹为了把 Token 消耗数字刷上去。MeshClaw 的灵感来自今年 2 月走红的开源项目 OpenClaw，后者允许用户在自己电脑上本地运行 AI Agent。Amazon 内部有三十多人参与开发了这个工具，内部文档的描述颇为科幻：“它会在夜间做梦来整合白天学到的东西，开会时帮你盯着部署，你醒来之前就把邮件分好了优先级。”不只 Amazon，Meta 员工也在干一样的事，在内部排行榜上刷 Token 用量。这背后是整个硅谷大厂的共同焦虑：巨额 AI 投入需要看到回报。Amazon 今年资本开支预计 2000 亿美元，绝大部分砸向 AI 和数据中心。公司需要证明这些钱花得值，最直观的方式就是让员工用起来，于是就有了指标、排行榜、和随之而来的数据注水。也有员工对 MeshClaw 本身的安全性表示担忧。一个能代替你操作各种办公系统的 AI Agent，一旦出错或执行了非预期操作，后果可能不小。“默认的安全设置让我害怕，”一位员工说，“我不会放任它自己去干活。”【注：tokenmaxxing 这个词模仿了网络俚语 -maxxing（把某件事做到极致）的构词法，在这里特指刷 AI Token 用量。】

转发者评论

无明显转发评论

原文

Y Combinator 总裁 Garry Tan 写了一篇很长的文章，讲他过去一年用 AI 写代码的核心方法论。他做了两个开源项目，GStack（93K stars）和 GBrain（14K stars），加起来大约 97 万行代码、665 个测试文件，基本全部由 Claude Code 和 Codex 在他的指挥下完成。他提出了一个概念叫"复杂度棘轮"（Complexity Ratchet）。棘轮就是那种只能往一个方向转的机械装置，比如扳手拧螺丝只能往前不能往后。他说用 AI 写代码也可以做到这一点：质量只能上升，不能下降。前提是你得有 90% 的测试覆盖率。具体怎么运作的？每次 AI agent 写代码的时候，同时会产出三样东西：测试（定义什么是"正确"）、文档（记录为什么这么做）、评估结果（建立质量基线）。下一次 agent 再来改代码的时候，它会加载这三样东西到上下文里。测试不过就不能提交，文档就在眼前不能忽略，质量低于基线就会被发现。质量底线每一轮都在上升，这就是棘轮效应。他举了个很具体的例子。GBrain 有个功能是从大量文本里提取"谁相信什么"，第一版跑出来质量 6.8 分（满分 10），最大的问题是搞混了"谁持有这个观点"。于是评估结果被记录下来，6 个失败模式被识别，第二版 prompt 针对性修复，17 个测试锁定了这些规则。以后任何版本的代码都必须通过这 17 个测试才能上线，没有人需要记住这些细节，测试替你记住了。为什么 90% 这个数字这么重要？他引用了 Capers Jones 对一万多个软件项目的研究：覆盖率在 70% 以下时，缺陷逃逸率很高；到了 85%-95% 的区间，缺陷捕获率跳到 92%-97%。这个关系不是线性的，在 85% 附近有一个拐点，过了这个点，漏网的 bug 数量会断崖式下降。航空软件行业几十年前就发现了这一点，所以 FAA 对飞行关键系统强制要求极高覆盖率。过去 50 年，90% 覆盖率对人类团队来说太贵了，因为最后那 20% 的测试写起来极其枯燥费力，大多数团队到 70% 就停了。但 AI agent 不会无聊，不会在周五下午偷懒，不会觉得"以后再补"。那堵挡住人类的"意志力墙"，对 AI 来说根本不存在。所以 90% 覆盖率从一个奢侈品变成了默认设置。他还展示了棘轮可以测试的范围远超传统单元测试。他用 Bun 的 TTY 功能造了一个测试框架，能在伪终端里启动 Claude Code，观察它的实际行为，比如"有没有在 review 过程中问用户问题"。如果 agent 跳过了交互直接输出结果，测试就会失败。这已经不是在测代码逻辑了，是在测 AI agent 有没有遵守行为契约。最后他的结论很直接：任何软件公司如果还没采用这套模式（agent + 品味 + 只升不降的测试套件），在速度和质量上已经输给…

转发者评论

无明显转发评论

原文

【AI 重构编程时代：Python 正在被 Rust 悄悄替代】快速阅读：随着 AI 编程能力的跃迁，开发者的核心任务正从“编写代码”转向“架构设计与审查”。过去十年，Python 凭借生态和上手速度统治市场，但现在，具有强类型约束和严谨编译器反馈的语言（如 Rust, Go）正成为 AI 辅助开发的理想目标。过去我们选 Python 或 TypeScript，是因为它们生态大、招人容易，能让我们在周五前交出一个像样的 Demo。那时候，开发效率（Fast-to-ship）压倒一切，性能问题总被许诺“以后再优化”，但这种“以后”从未到来。现在，这套逻辑失效了。AI 变强了，而且它更喜欢“难”的语言。有观点认为，Rust 简直是为 AI 时代量身定制的：编译器反馈极其紧凑，每一个错误信息都是给 AI 的免费训练信号。AI 可以在实时纠错的闭环中，通过编译器完成自我进化。相比之下，Python 的灵活性在 AI 手里反而成了负担——缺乏强类型约束，AI 很容易写出逻辑看似通顺、运行时却乱成一团的“面条代码”。这种转变正在引发一场“从补丁到移植”的变革。以前发现 Bug，我们会去给 Python 库提补丁；现在，AI 可以在几十分钟内直接把整个库用 Rust 重写一遍。正如一位开发者所言，当移植成本降到极低时，维护旧代码的动力就消失了。有趣的是，Python 生态正在发生一种“底层置换”。你调用的高性能 Python 库，底层其实全是 Rust。Python 正在变成一个披着易用外壳的 Rust 运行环境。有人担心，如果代码全是 AI 生成的，人类还能读懂吗？其实，静态类型系统恰恰是为“阅读”设计的。它像是一份强制性的契约，让审查者一眼就能看清变量的本质。未来的编程语言，或许不再是以“人类好学”为标准，而是以“对 Agent 友好”为准。medium.com/@NMitchem/if-ai-writes-your-code-why-use-python-bf8c4ba1a055

转发者评论

无明显转发评论

原文

Claude AI 日常使用常常需要手动描述需求、反复调整提示词、逐个复制输出，效率低下且容易遗漏精华。ljg-skills 把 Claude 的超强能力封装成一键技能集，提供了李继刚的 Claude Code 自定义技能全家桶。不仅有内容铸卡、论文阅读、单词精通、白话引擎、写作引擎等深度工具，还支持概念解剖、关系分析、圆桌讨论，甚至旅行研究和技能地图可视化。GitHub：github.com/lijigang/ljg-skills主要功能：- 内容铸卡（ljg-card）：长图、信息图、多卡、视觉笔记、漫画、白板、大字多种模式；- 概念解剖（ljg-learn）：八维度切开概念，压成一句顿悟；- 论文阅读（ljg-paper）：提取核心想法，重理解不重批判；- 白话引擎（ljg-plain）：改写成十二岁小孩也能懂；- 写作引擎（ljg-writes）：手术刀式观点剥析，1000-1500字；- 单词精通（ljg-word）：深度拆解英语单词语义；- 圆桌讨论（ljg-roundtable）：结构化多人辩证对话+ASCII思考图；- 旅行研究（ljg-travel）：城市深度文化文档+便携卡片；- 技能地图（ljg-skill-map）：可视化所有技能总览。一行 npx 命令全局安装，支持 Org-mode 和 Markdown 双格式，完美适配 Emacs/Obsidian/VSCode 等，4.7k stars 热门仓库。#Claude技能# #AI工具# #生产力工具#

转发者评论

无明显转发评论

• //@蝈蝈俊:转发微博

原文

系列博文《从零开始构建大语言模型》www.gilesthomas.com/llm-from-scratch截至目前共有9篇，这是作者阅读《Build a Large Language Model (From Scratch)》一书的读书笔记。每读完一章后分享自己的见解，以及补充书里的一些简化表述。#AI创造营#

转发者评论

Sebastian 的书要用33个博客来解释。。。[doge]//@蚁工厂:一年啦，今年4月这个系列终于完结，33篇

• Sebastian 的书要用33个博客来解释。。。[doge]//@蚁工厂:一年啦，今年4月这个系列终于完结，33篇
• 一年啦，今年4月这个系列终于完结，33篇

原文

现在很火的 AI Time Horizon 曲线图真的很牛，可以较客观的统一标准来评价所有大模型的能力，包括很古老的模型。AI 大模型的能力随着时间流逝还在以指数级别增长。不得不说 Anthropic 的 Claude Opus 4.6 和 Mythos 模型真的很厉害……可惜图上没有最新的 Opus 4.7 和 GPT-5.5 模型的数据点。看起来从 2024 年末，各家大模型的能力开始起飞。来源官网：网页链接

转发者评论

无明显转发评论

• 资本市场和各家科技巨头肯定还会继续砸钱、继续疯狂了 [哈哈] 下面也肯定会有更多裁员发生。

原文

[CL]《RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards》G Li, B D Mishra, Z Wang, J Yan… [Google Cloud AI Research] (2026) 在深度研究代理中，开放式报告难以用标准答案打分。过去奖励只看最终答案，本质原因是长链搜索、评估与写作的责任被混在一起。本文的核心洞见是：把rubric重新看作代理、评审、记忆之间的共同语言。由此，分阶段打分与反思记忆把一次失败变成下次可用的经验。这项工作真正留下的是一套超越可验证奖励的RL训练范式。它打开了研究代理自我积累经验的新门，但门槛是rubric评审仍依赖模型判断。arxiv.org/abs/2605.10899 #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

看了张小珺访谈姚顺宇的文章，感觉姚顺宇是一个很有意思的人。清华物理本科，斯坦福理论高能物理博士，毕业后毅然转行AI，先后在Anthropic和Google DeepMind做研究科学家，参与了Claude 3.7、4.5和Gemini 3等关键模型的开发。他转行的动机很朴素：博士五年做高能理论，方向够难，但没有实验可以验证，好坏全靠领域里几个大佬的主观判断。他觉得人生太短，不想把时间花在"伺候老登"上，要做有客观评价标准、对世界能产生影响的事。在Anthropic，他赶上了公司最关键的转折期。Claude 3发布后，用户反馈说它写代码比GPT-4强，Anthropic迅速捕捉到这个信号，全力押注coding方向。他认为Anthropic执行力极强的核心原因是：技术领导人本身就是公司联合创始人，既能在技术上服众，又有权做决策。这种条件很独特，OpenAI在Ilya离开后就做不到了。他对AI有几个很鲜明的判断。第一，"智能涌现"这个说法本身不太科学，更多是主观感受，本质上是技术进步让模型可以水平提升所有能力。第二，AI本质上是简单的，因为你能做实验，能验证，没有什么根本性的困难阻挡你。第三，个人英雄主义时代已经过去了，现在所有人都是冲浪的人，真正重要的是那个浪。给个人贴金的叙事都有炒作嫌疑。他从Anthropic离开有几个原因：不太认同Dario把反华观点推到极端的做法，公司扩张后文化受到冲击，加上自己想学多模态生成等Anthropic不做的东西。去了Google之后，他的研究重心是ML coding（让AI自己做AI研究的完整闭环）和long horizon（用有限上下文完成超长任务）。关于Google和OpenAI的竞争，他有个很精辟的观察：OpenAI某种意义上救了Google一命。它先做了聊天机器人，让Google意识到威胁，但又没做到极致把搜索干掉，结果给了Google追赶的时间。Gemini靠Nano Banana打出流量，再用Gemini 3留住用户，现在已经成了举足轻重的玩家。他说自己在AI行业没有导师也没有旧友，所以想喷谁喷谁。觉得谁蠢就直接说蠢，无所谓。但他强调，只要观点自洽，做出的东西有客观标准可以衡量，大家最终会尊重你。至于AI研究员被炒到天价，他觉得对人的炒作有点过分了。这行最重要的特质就是靠谱、做事细致、对自己做的事负责，很多活本科生就能干。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

继续说 OpenAI 的「奥特曼」：Sam Altman 之前写了篇长文——三个判断决定你接下来五年怎么用 AI，我对 Sam Altman 的感觉是他的底线比较灵活，但是无论如何，作为大佬，他的观点也值得看看。这是之前写的（去年二月的），所以对照一下现在，大家可以看看直到今天是不是这样的。整篇就给了三个看似简单的观察。读完以后我觉得这三个判断挺值得拿出来讲——它们决定了接下来三五年里 AI 能力会怎么涨、价格会怎么跌、一个人能撬动多少事。下面把三个判断拆开讲，每个配一个能立刻去做的动作。先简单说一下作者。Altman 是 OpenAI 的 CEO，ChatGPT 跟整个生成式 AI 浪潮就是从他手里推出来的。他有个习惯：每隔大半年会在自己博客上写一篇长文做判断，通常很冷静，没什么感叹号。这篇 Three Observations 就是这种调调，整篇没多少篇幅但每句都挺密。第一个判断：AI 智能的高低，大致等于训练和运行它所用资源的对数。说白了就是——你只要肯花钱花算力，模型能力就会持续、可预测地涨。不会有什么「突然遇到瓶颈、停在那里再也不动」的拐点。Altman 用这条回应过去几年反复有人说「大模型已经到顶了」。他的判断是：没到，接下来几年还会继续按这个规律涨。那对你来说要做什么？不要押注「AI 某天会停在某个能力上」。如果你现在在用 AI 干一件它做不太好的事（比如长上下文推理、复杂代码重构），半年到一年后大概率它就能做了。所以提前列一个清单——「如果 AI 能做到 X，我会想做 Y」——每半年回看一次，把已经能做的勾掉、把新冒出来的填上。第二个判断：使用同一档智能的成本，每十二个月降十倍。举个例子：GPT-4 的 API 价格，2025 年初比 2024 年初降到大约十分之一，但提供的智能水平没降。这条的关键不是「模型变得更便宜」，是「同等智能更便宜」——这两句话听上去像，含义其实差很多。意味着今天你觉得贵、不舍得用的 AI 工作流，一年后大概率就能放心用了。那对你来说要做什么？提前规划那些「等便宜了就要上」的工作流。比如现在用 GPT-4 跑一个流程一次几块钱觉得用不起，可以先把提示词、数据接口、调用逻辑都设计好，等价格降下来直接打开开关。说实话我自己也是这么干的，一些贵的实验先放着别跑，等下一个降价节点再启动。第三个判断有点反直觉：AI 智能哪怕只是线性增长，它带来的社会经济价值会是超指数的。为什么？因为人原来的限制是「一个人脑袋能想清楚的事就那么多」，AI 把这个限制撑开之后，单个人能调动的脑力资源会是之前的十倍、上百倍。Altman 在文里给了个具体画面——以后会有「一个人创办的十亿美金公司」，因为大量本来需要一个团队做的事，现在一个人加几个 AI 助手就够了。那对你来说要做什么？找出你工作里最值得放大的那一项核心工作——通常是你独有的判断、…

转发者评论

无明显转发评论

原文

如果你还没用过 OpenClaw，2026.5.2 版是一个好起点!5 月 2 日，OpenClaw 发布了 2026.5 上线的首个稳定版。但如果你认真看完 changelog，会发现这版更新回答了一个很多人没意识到的问题：智能体框架的核心竞争力到底是什么？答案藏在两个字里：减法。【Grok 4.3 成为默认 xAI 模型】最显眼的单行变更：xAI 的 Grok 4.3 被加入 OpenClaw 的捆绑模型目录，并设为 xAI 的默认聊天模型。这意味着什么？如果你已经配置了 xAI API Key，更新后你的 Agent 会自动切换到 Grok 4.3，不需要改任何配置。这和 OpenClaw 之前推广 Claude Sonnet 4 和 GPT-4o 做默认模型的逻辑一致：让安装即用，而不是让用户去翻文档找模型名。Grok 4.3 有一个独特的优势：实时信息访问和 X/Twitter 平台集成。对于需要追踪实时事件和社交媒体动态的 Agent 来说，这个能力是其他模型暂时给不了的。想象一下，你的个人助手不需要额外搜索工具就能告诉你“刚才美股开盘了”或者“某条推文爆了”。价格方面，Grok 4.3 的定价大约是每百万输入 Token 21.6 元人民币（3美元），输出约 108 元（15美元），比 Claude Opus 4 便宜不少，但比 Gemini Flash 贵。定位在 "中高端推理+实时信息" 这个细分区间。但真正值得聊的不是模型本身，而是 OpenClaw 对默认模型的态度：每一次默认模型切换都是在替用户做架构决策。选 Grok 4.3 做默认，说明 OpenClaw 团队判断实时信息获取比纯推理能力对更多用户更重要。这个判断对不对，取决于你的 Agent 是做信息检索为主还是做深度分析为主。【插件架构外移：ACPX 和 OpenTelemetry 离开核心】这是这版更新里架构层面最重大的变化，但也是最容易被忽略的。OpenClaw 把 ACPX（Agent Coding Protocol harness）移到了 @ openclaw/acpx 包，把 OpenTelemetry 诊断移到了 @ openclaw/diagnostics-otel，把 Prometheus 诊断移到了单独包。加上 Discord、WhatsApp、Microsoft Teams、Matrix 等十几个渠道插件也被推到了 ClawHub。为什么要做这件事？因为 "装了就能用" 和 "装了什么都用不上但体积很大" 是两回事。之前 OpenClaw 的核心包里打包了所有渠道插件和诊断子系统，一个最小安装也要拖进几十个不需要的依赖。现在改成按需安装：你只用 Discord 就只装 Discord 插件，不需要 OTEL 就不装。实际影响有两个。第一，安装体积变小了。核…

转发者评论

无明显转发评论

原文

最近一直弄orbyt的服务化，各种指标，稳定性和feature的多样性，没怎么弄开源，最近正好日常需求顺手做了一个“zspark”。网页链接 1- 它的主要功能就是用codex（不需要codex app）为底层来实现claude cowork和codex app的功能。2- 除此之外，因为co-work和codex app（codex底层cli开源，app不开源）都不是开源的，所以你们无法build任何想加的feature，尤其在企业里甚至认证啥的都做不到，我这都顺手做了（我用的entra-id，你们想用啥都可以自己改），开源之后你们更是想做啥都可以做啥。3- 因为codex是底层所以session，memeory，spawn，skill creator和install市面所有主流的skill的能力都原生，最逗的是codex app里原生的skill和plugin（codex app如果不是订阅版本，用api是使用不了的）我这都给扒出来开源了。4- 另外设计了可以collabration的share workspace(我自己用linux来部署的shared server来承载share workspace)，多个用户在认证和授权合理的情况下，可以针对共同的share workspace搞出各种花样来，比如你干完的活，别人可以在它的zspark上改，改完，你也能看见，可以继续提意见，修改，指令和中间产物，最终产物都可见。5- 顺手让codex（only支持response api）也自持标准chat api了，所以DSv4，kimi啥的刷起来吧用好了请star

转发者评论

无明显转发评论

原文

能陪同美国总统访华的是不是都是共和党赞助商？有不是的嘛？问了下大模型，回答如下：能随行的筛选标准首先是：你的公司在中美贸易中有没有重大利益？有没有能签的大单？黄仁勋（英伟达）反而没有被邀请，因为白宫此次更侧重农业和航空领域。这说明筛选逻辑是按行业需求来的，不是按捐款排座位。美中贸易全国委员会会长谭森表示，代表270多家企业的CEO们一直在焦急等待是否能入选 ，说白了这是"僧多粥少"，企业争着去，因为跟总统访华能签大单、能见高层，是实打实的商业机会。2017年特朗普首次访华的情况也类似。当时带了29名企业大佬，包括高盛CEO、波音CEO、通用电气副董事长等，阵容也是两党通吃的大企业。所以总结一下：随行CEO的政治光谱是很宽的，有共和党大金主（马斯克、苏世民），有偏民主党的（库克、Fink），更多的是两边都有关系的大企业领袖。核心筛选逻辑是商业利益和行业代表性，不是政治献金。当然，跟白宫关系好、能搭上话肯定有助于拿到邀请，但说"都是共和党赞助商"是不准确的。

转发者评论

无明显转发评论

原文

《Using Claude Code: The Unreasonable Effectiveness of HTML》作者：Thariq Shihipar（Anthropic Claude Code 团队工程负责人）发布时间：2026年5月8日原始链接：网页链接一、文章主要结构********引言/问题提出 Markdown 作为 AI agent 默认输出格式的局限性Why HTML?（核心论证）How to Get Started 强调无需复杂设置，自然语言即可Use Cases（分类用例）9大应用类别，20个具体HTML示例文件FAQ（常见质疑）回应token效率、速度、版本控制等质疑Stay in the Loop（情感升华） 回到"人在回路中"的核心价值主张二、核心论点（Thesis）********在 AI agent 能力日益增强、上下文窗口已达百万 token 的今天，Markdown 作为 AI 输出格式已经过时，HTML 才是更优的选择。它能提供更高的信息密度、更好的可读性、更方便的分享、双向交互能力，以及更深的上下文整合。前提条件（作者的关键假设）：用户越来越少手动编辑 AI 产出的文件，更多是通过 prompt 让 AI 修改Markdown 的核心优势（易于手动编辑）因此变得不那么重要现代模型上下文窗口已足够大（Opus 4.7 达 1M token），token 效率不再是瓶颈AI 生成 HTML/CSS/JS 的质量已经足够好。三、综合置信度评估********总体评分：⭐⭐⭐⭐ （4/5）强处：✅ 作者是 Claude Code 团队的工程负责人，有第一手的深度使用经验✅ 提供了 20 个可直接在浏览器中打开的实际示例文件✅ Simon Willison（业界知名独立开发者）独立验证并背书✅ Hacker News 热度极高（500+ 点赞，270+ 评论）✅ 文章结构清晰、论证维度覆盖面广、FAQ 坦诚回应质疑弱处/需注意的偏见：⚠️ 利益冲突：作者是 Anthropic 员工，推广消耗更多 token 的输出格式直接有利于公司收入（HN 评论中被多人指出）⚠️ 选择偏差：展示的都是 HTML 效果最好的案例，没有展示失败或效果不佳的场景⚠️ 人群适用性：作者和他的团队都是高水平工程师，这种工作流对非技术人员的适用性未经验证⚠️ 版本控制问题未解决：作者承认这是最大痛点但没有给出方案⚠️ 缺少定量数据：没有 A/B 测试、没有阅读完成率对比、没有任务完成时间对比——所有"更好"的判断都是定性的⚠️ 人类可编辑性下降：HN 高赞评论指出，转向 HTML 意味着人类更难直接参与编辑，可能反而让人更加依赖 AI——与"Stay in the Loop"的初衷产生矛盾四：最终判断********核心论点（HTML 在信息密度和表达…

转发者评论

无明显转发评论

原文

【Claude总结】 Techmeme 科技新闻摘要 (2026-05-12) www.techmeme.com/1. 【Google发布Googlebook笔记本平台】Google推出Googlebook，将ChromeOS与Android合并为统一OS，戴尔、惠普等厂商将于今秋推出设备，深度集成Gemini AI。这是Google自Chromebook以来最大的硬件/系统押注，终结了多年的生态碎片化问题。(来源: ZDNET) www.zdnet.com/article/googlebook-news-premium-chromebook-for-android/2. 【Google推出Gemini Intelligence for Android 17】新增跨应用任务自动化，并可用自然语言"vibe-coding"生成桌面小组件。这是真正改变普通用户手机交互习惯的AI功能，而非仅限于专业用户。(来源: The Verge) www.theverge.com/tech/928724/gemini-intelligence-android-io-autofill3. 【Google DeepMind发布AI鼠标指针Magic Pointer】能理解屏幕内容上下文的AI光标，用户无需输入文字即可通过手势完成任务，将登陆Googlebook和Chrome。若体验达标，将是自鼠标发明以来最重要的交互范式变革。(来源: Google DeepMind) deepmind.google/blog/ai-pointer/4. 【Android Auto全面重设计，新增YouTube视频支持】推出自适应全出血界面，适配宝马Neue Klasse等异形车载屏幕，并增加3D Google Maps、Gemini集成和YouTube播放功能。(来源: The Verge) www.theverge.com/tech/927759/android-auto-is-now-one-screen-size-fits-all5. 【Musk诉Altman案：Altman亲自出庭作证】Altman作证称，2017年Musk曾要求完全掌控OpenAI拟议的营利实体，甚至谈及将控制权传给子女。Musk律师当庭追问"你完全值得信赖吗？"，Altman回答"我认为是的"。(来源: Bloomberg) www.bloomberg.com/news/articles/2026-05-12/altman-testifies-about-hair-raising-ai-safety-chat-with-musk6. 【eBay拒绝GameStop 560亿美元收购要约】eBay董事会斥其"既不可信，也无吸引力"。一家实体电玩零售商试图收购市值300亿美元的电商巨头，堪称2026年最离奇的并购事件。…

转发者评论

无明显转发评论

原文

日常使用AI助手往往需要切换多个工具，聊天工具处理对话，浏览器搜索信息，文件管理器整理笔记，还得手动复制粘贴数据，效率低下且隐私堪忧。OpenHuman 把个人AI超级智能整合到桌面，提供一套私密、简单且极致强大的代理助手解决方案。不仅有可爱桌面吉祥物（支持语音互动、Google Meet实时加入），还内置118+第三方集成（Gmail、Notion、GitHub等一键OAuth自动同步），Memory Tree记忆树+Obsidian Wiki本地知识库，智能TokenJuice压缩降低80%成本，甚至支持原生语音、搜索、代码工具和屏幕共享。GitHub：github.com/tinyhumansai/openhuman主要功能：- 简洁UI桌面体验，吉祥物实时反应、语音对话，支持Google Meet作为真实参与者；- 118+工具集成，20分钟自动拉取Gmail、Calendar、GitHub等数据到本地记忆树；- Memory Tree + Obsidian Wiki，本地SQLite存储+Markdown文件，快速构建个人知识库；- TokenJuice智能压缩，减少令牌消耗80%，支持模型路由（推理/快速/视觉）；- 原生工具齐全：网页搜索、抓取、文件/代码编辑（git/lint/test）、STT/TTS语音；- 完全本地加密隐私，支持Ollama本地AI，跨MacOS/Linux/Windows平台。下载DMG/EXE或终端一键安装：tinyhumans.ai/openhuman，适合个人、开发者与团队使用。#AI创造营##人工智能#

转发者评论

无明显转发评论

原文

【美国AI的使用者家庭收入情况占比】Claude周活用户 80% 来自年入10万美元以上家庭。meta的用户则更多是低收入家庭。Claude 的用户更富，但Claude的用户规模仍然小。过去一周用过 ChatGPT 的美国成年人占 31%，Google Gemini 为 21%，Microsoft Copilot 为 11%，Meta AI 为 8%，Grok 为 5%，Claude 只有 3%。（Epoch AI）

转发者评论

无明显转发评论

原文

看了一个讲，在硅谷这一轮AI浪潮，是华人奥数明星站在舞台中央的励志故事，还没看完。Carina Hong，24 岁，广州长大，自幼痴迷数学。先后就读于麻省理工和斯坦福大学，辍学创办了“Axiom”。成立仅一年，开发验证 AI 推理能力的系统。目前估值16 亿美元。Tim Shi 毕业于清华姚班，曾在斯坦福读博，辍学加入 OpenAI 工作，一年后离职共同创办了 AI 公司 “Cresta”。2022 年有16 亿美元的估值（怎么也是16）。此后，他转型成为投资者，还投了Anthropic……。这是其中的两个典范。同时写到，如今Palo alto热火朝天，是“如果不做AI就不配活着”的氛围。这真是别人的时代。我们是不配活着那一挂的。

转发者评论

//@黄斌:假如生活欺骗了你，就去做数学吧。所有人都会欺骗你，但是数学不会，因为数学不会就是不会。

• //@黄斌:假如生活欺骗了你，就去做数学吧。所有人都会欺骗你，但是数学不会，因为数学不会就是不会。

原文

大家都盯着 ChatGPT 和 Claude 的时候，Grok 悄悄更新到了 4.3。但说实话，绝大多数人还是把它当普通聊天机器人用，问一句答一句就关了。AI Master 通过实操，分享了 Grok 4.3 最值得关注的几个亮点。第一个是模式切分做得很清晰。Fast 模式处理邮件缩写、标题撰写、头脑风暴这种轻活，Auto 应付七成日常工作，Expert 用来做定价决策、商业分析这种需要深度推理的事。一个小技巧，在 Expert 模式下加一句“什么条件变化会让你改变答案”，能逼模型明确表态，避免给你一篇“请考虑以下因素”这类的废话。第二个是搜索整合。Grok 对网页和 X 的搜索是深度嵌入回答逻辑的，一条提示词就能拉出多来源的舆情分析，带有可点击的引用。我觉得最有价值的用法是“反向观点扫描”，让它去 X 上找某个话题里有理有据的质疑者，在所有人意见一致的时候，这招能帮你发现盲区。第三个是任务功能，这是个被严重低估的超实用功能。你可以设定周期性指令，比如每周一早八点给一份行业简报，每天下午六点汇总当日 AI 发布。它在后台跑，你打开 APP 直接看结果，然后接着在聊天里深挖。本质上就是一个不需要发工资的兼职信息助理。第四个是结构化输出加代码执行的组合。提示词末尾加一句“以 JSON 格式返回，包含以下字段”，输出可以直接喂给电子表格、Zapier、n8n，不用写解析器。再配合内置的 Python 执行能力，上传 CSV 就能出图表和分析，省掉了开 notebook 装依赖的全部麻烦。还有一个思路很实用，就是在提示词里指定“思维角色”。你想要研究就让它侧重引用和来源排名，想要逻辑就让它逐步推演，想要批评就让它毫不留情地找漏洞。甚至可以在一条提示词里串联这三种角色，先研究再分析再批评，一条消息调度一个小团队。另外提醒一下，注册后第一件事去设置里写自定义指令、开记忆功能，三十秒的操作能省后面每次对话十分钟的上下文铺垫。#Grok4.3##AI工作流##HOW I AI# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

Hugging Face 的工程师 Arthur Zucker （transformers 库的开发者）谈了他对AI替代机器学习工程师的看法：------------------这段会有点长，但我想给和我一样焦虑的机器学习工程师们一点信心。我们经常看到很多宣传，说某个 AI 一次性完成了这个或那个任务，说模型变得多么强大，说我们甚至不需要 review PR，可以直接发到生产环境。虽然在某些情况下这确实可能成立，但它远不能代表我们必须面对的全部挑战。我 4 个月前开始使用 Claude Code，很快意识到它确实改变了我们的工作方式。我可以以 10 倍速度做实验，不写代码就修复小问题，也能轻松重构代码。但是，这些任务“只是”繁琐，并不难。我日常工作中的挑战，是把研究代码集成到 transformers 里，并符合我们的标准。这很难，因为代码之美是抽象且主观的，有点像哲学。由于我太依赖 Claude，也太相信它生成的代码看起来很不错，我在推进 deepseekv4 集成时，没有意识到 Claude 其实并没有真正理解这个模型。我给了它 transformers 的访问权限、原始论文、原始代码、不同的博客文章、我过去的聊天记录、为添加模型而创建的 skills、一个 B200 节点，以及大量 token，但它并没有做好。它不理解 eager attention 路径，也不理解 causal attention 的基础。甚至在实现 manifold constrained hyper connections 时也是错的。它确实帮我减轻了探索实现和调试的负担，但它没有帮我围绕模型本身进行推理。我不是悲观主义者。我认为我们作为软件工程师的工作从未像现在这样好。我只是想说，我们仍然有工作要做；当某件事看起来好得不像真的时，我们仍然应该稍微谨慎一点。

转发者评论

无明显转发评论

原文

生产运维中，告警触发后需要切换日志、指标、追踪工具，查Slack、PagerDuty、Runbook，分析根因耗时费力，人工排查效率低下。OpenSRE 把AI SRE代理整合到一起，提供开源框架，让你快速构建自己的AI运维助手。不仅支持60+工具集成（Grafana、Datadog、Slack等），自动关联日志/指标/追踪进行根因分析，还能生成结构化报告、建议修复，甚至预测潜在故障。GitHub：github.com/Tracer-Cloud/opensre主要功能：- 结构化事件调查，自动关联告警上下文、日志、指标和追踪；- Runbook感知推理，读取运书自动应用最佳实践；- 证据支持的根因分析，每个结论链接具体数据源；- 支持60+工具集成，包括LLM（OpenAI/Anthropic）、监控（Grafana/Datadog）、云基础设施（AWS/K8s）和事件管理（PagerDuty/Slack）；- 合成故障模拟和基准测试，支持强化学习训练AI代理；- 一键安装快速启动，支持本地REPL交互式调查和批量告警处理。支持多平台部署（curl安装或Homebrew），一分钟onboard后即可调查生产事件，适合SRE团队和DevOps工程师使用。#AI_SRE# #开源运维# #根因分析#

转发者评论

无明显转发评论

原文

2026年了，大模型瞎编参考文献的问题解决的怎么样了？网页链接这篇文章做了实验，结果是比过去好很多了。当然还不能保证完全没问题。结果如图。右下绿色区域最好。“我们考虑两个维度：深度看引用文献数，可靠性看错误的引用文献数量。• 右下绿色理想区：Claude 和 DeepSeek 在这个区域，覆盖的文献既多，同时几乎没有引用错误。• 左下浅蓝保守区：GPT 单独一家，引用错误为零，但篇幅只有第一档的一半。• 右上浅红危险区：GLM 和 Kimi 生成的文献综述字多，但错得也多。两档之间有一道明显的台阶。 第一档是 Claude 和 DeepSeek，既深又准；第二档是另外三家，要么浅，要么不准。”#AI创造营#

转发者评论

无明显转发评论

原文

#智能经济开启新赛道# 日均140万亿词元调用量，一年涨了1000倍。运营商从“流量经营”转向“词元经营”，这句话看着平淡，其实藏着一个惊人的权力转移。过去经济活动的计量单位是人工时、是千瓦时、是流量GB，现在变成了token。谁定义计量单位，谁就定义价值分配。当中小企业“按次付费调用大模型”的时候，它本质上是在向算力平台缴纳一种新型的“认知税”。这不是降低门槛，这是重新划定了谁收租、谁交租的边界。三大运营商和头部企业抢着做“词元经营”，跟当年抢着建收费站是同一个逻辑，只不过这次收费站建在了思维的入口。 智能经济开启新赛道

转发者评论

无明显转发评论

原文

【AI 交互升级：文本→Markdown→HTML 的演进逻辑】快速阅读：AI 的输出正在从枯燥的纯文本向高带宽的视觉化形式演进。通过要求 LLM 输出 HTML 格式，可以将原本难以消化的信息转化为具备交互性、布局感和视觉直观性的“体验”，完成从“读文档”到“用工具”的范式转移。人类大脑约有三分之一的算力在处理视觉信息，这是我们感知世界的高速公路。目前的 AI 交互大多停留在 Markdown 阶段，这种方式虽然比纯文本好读，但本质上还是在处理线性逻辑。有个很有意思的窍门：在提问末尾加一句“请用 HTML 结构化你的回答”，然后直接在浏览器里打开生成的代码。你会发现，原本一堵厚重的文字墙，瞬间变成了带有标题、表格、甚至交互组件的仪表盘。这种转变不仅仅是视觉上的优化，更是带宽的飞跃。有网友提到，这种方式能让复杂的 JSON 数据分析直接变成一个直观的可视化看板；也有人发现，让 AI 生成 HTML 幻灯片或交互式模拟，比反复阅读说明书要高效得多。这种演进路径很清晰：从原始文本，到 Markdown，再到 HTML，最终可能会走向由扩散模型驱动的交互式视频或模拟环境。当然，这种“带宽红利”是有代价的。HTML 会消耗更多的 Token，直接拉高了推理成本。如果单纯为了视觉效果而牺牲经济性，在规模化应用时会面临挑战。目前的瓶颈在于，我们还需要更丰富的输入模态，比如结合手势或指向性动作，才能实现真正的“人机合一”。我们正处于从“AI 生成文本”向“AI 生成体验”过渡的临界点。如果未来 AI 输出的是一个完全动态、可交互的实时仿真环境，我们该如何定义这种“软件”？x.com/karpathy/status/2053872850101285137

转发者评论

无明显转发评论

原文

北大校友翁荔首次出镜，介绍了Thinking Machines的又一产品——交互模型！200毫秒神同步，能听懂你的犹豫，更能实时感知协作。AI不再是冷冰冰的回复机器，更是同频呼吸的灵魂队友。OpenAI前高管天团，终于又有新作亮相了。作为OpenAI前安全负责人、如今Thinking Machines Lab的联合创始人，Lilian Weng献出了她的出镜首秀。在这段备受瞩目的视频中，她展示了AI如何从一个「只会对话的工具」进化为「能实时协作的伙伴」。在视频中，Lilian Weng提了一个要求：每听到一次动物的名字，都计数一次。而且，非常难得的是，即使她在喝水或思考而停止说话时，AI也并没有打断。最后，当她讲完，AI给出正确答案：鹿出现一次，绵羊一次，郊狼一次，卡皮巴拉一次。注意，这个交互模型可以隐式地追踪她是在思考、让步、自我纠正还是邀请回应，这个过程中，并没有专门内置的对话管理组件！此前，这家由前OpenAI CTO Mira Murati创办的明星公司，在0产品、0论文的情况下，就凭借全明星创始团队完成了高达20亿美元的种子轮融资，由a16z领投，英伟达、AMD、微软等巨头跟投，估值直接冲上120亿美元，刷新了硅谷早期融资纪录。继去年10月发布首个开发者平台Tinker（一个让大模型微调变得像呼吸一样简单的工具）之后，这一次，他们又交出了一份让业界刮目相看的成绩单。当交互带宽被拉满，AI 就不再是我们的工具，而是我们意识的实时延伸。这或许彻底改变人类与AI互动的方式，取得通往AGI路径上又一次胜利的里程碑！想象一下，你正在和一位博学的朋友聊天。你话还没说完，只是稍作停顿，在脑海中搜寻一个词，他便敏锐地捕捉到了你的犹豫，轻声给出了那个词。或者当你正兴奋地描述一个构思时，他眼神微动，在恰当的时机发出一声赞叹。这种「同频呼吸」的节奏感，是我们作为人类最习以为常、也最珍视的协作体验。但在过去两年里，尽管AI的智力在指数级增长，我们与它的交互却始终像是在进行一场跨世纪的电邮往来。无论ChatGPT多么博学，你必须打包好你的思想，点击发送，然后屏息凝神，等待反馈。这种尴尬的「回合制」（Turn-based）残余，正是阻碍人机真正融合的那层障碍。除了Lilian Weng展示的无缝对话管理功能之外，这个AI还有以下令人深刻的记忆点。它会根据上下文按需介入，而不仅仅是在用户说完话之后。用户和模型可以同时说话，这样就能实现实时翻译这类功能。令人惊讶的是，这个模型还具有对时间流逝的直接感知。在与用户对话和聆听的同时，它可以同时进行搜索、浏览网页或生成用户界面，并根据需要将搜索结果融入对话中。在更长的真实会话中，这些过程都会持续进行，让你感觉更像是在和它合作，而不是在提示它。

转发者评论

无明显转发评论

原文

杨德龙：巴菲特在美股迭创新高之际却不断减仓 是巴菲特错了还是市场错了杨德龙：特朗普本周访华释放积极信号今年伯克希尔·哈撒韦股东大会与往年相比，确实让人感到一丝淡淡的忧伤。股神巴菲特已95岁高龄，在去年股东大会上就宣布于去年年底卸任伯克希尔·哈撒韦CEO，转任董事长，将接力棒交给格雷格·阿贝尔。当时我就感觉到伯克希尔的高光时刻或已过，一旦巴菲特卸任，巴菲特溢价将会逐步消失。事实上，自去年五一巴菲特宣布退休后，伯克希尔股价跑输标普500指数约40个百分点，这反映了人们对巴菲特的敬意，离开了巴菲特，伯克希尔大概率很难再创造以往的奇迹。目前巴菲特虽已退休，但仍每天按时上班，重大投资决策上阿贝尔仍会请教他，阿贝尔当前策略应是“萧规曹随”。但一旦巴菲特百年之后或彻底不管公司，阿贝尔能否像巴菲特一样拥有超级洞察力、克服人性贪婪与恐惧并安稳度过每一次危机，仍存有疑问。部分伯克希尔股东通过二级市场卖出股票观望，这也是股价跑输指数的原因之一。另一个原因是，本轮上涨主要由美股科技七姐妹带动，而伯克希尔的持仓除苹果外，几乎没有科技七姐妹的股票。当前华尔街对AI科技的分歧非常大。看好AI科技革命的人很多，我也看好这次产业变革。这是第四次科技革命，对工作生活的影响可能超过前三次。产业产生一批伟大公司是必然的，但产业发展好与股价能否继续上涨、泡沫是否会破裂是两回事。再好的东西也有价格。英伟达再创新高，市值超过5万亿美元，看多者甚至看到10万亿美元，但这样的定价能否得到后期业绩验证，存在较大分歧。巴菲特更追求业绩的确定性，不喜欢配置在激烈竞争中幸存下来的公司，而是偏好可实现确定性回报的公司，这是他不太愿意配置AI科技七姐妹的原因。AI科技革命带来的应用能否兑现业绩、泡沫何时破裂，无法预测，泡沫也可能继续吹大。有泡沫并非坏事，反而会吸引大量资本流入。美国以举国之力押注AI赛道也是无奈之举，制造业空心化，劳动力成本高，大部分制造业已转移到中国等新兴市场。这次AI科技革命实际上已与美国的国运绑在一起。与彭博社一位领导交流时，他提到：美联储过去几年实施无限量化宽松，一方面催生了AI科技泡沫，股价大涨，使持有美股的富人阶层财富飙升，美国财富集中度越来越高，前1%的富人占据了绝大部分财富；另一方面，普通中下阶层饱受物价上涨之苦，工资没有明显上涨，物价却涨了好几倍。这次去奥马哈和纽约，无论超市购物还是餐厅就餐，都明显感觉物价比几年前高了好几倍。在美国中餐厅点菜，用美元消费的感觉与国内用人民币相近，一个菜几十块美金，从餐厅消费角度看，人民币兑美元汇率几乎是1:1，实际物价美国高出约7倍。有专家认为按购买力平价，人民币兑美元不是6.8而是4左右，若按1:4计算，我国GDP早已超过美国。当前美国社会贫富差距越来越大，普通人甚至面临严酷的生存底线。一场意外或大病就可能使许多美国人阶层滑落、失去工作、流落街头。…

转发者评论

//@羊总之花菜炒蟹:当前华尔街对AI科技的分歧非常大。看好AI科技革命的人很多，我也看好这次产业变革。这是第四次科技革命，对工作生活的影响可能超过前三次。产业产生一批伟大公司是必然的，但产业发展好与股价能否继续上涨、泡沫是否会破裂是两回事。再好的东西也有价格。英伟达再创新高，市值超过5

• //@羊总之花菜炒蟹:当前华尔街对AI科技的分歧非常大。看好AI科技革命的人很多，我也看好这次产业变革。这是第四次科技革命，对工作生活的影响可能超过前三次。产业产生一批伟大公司是必然的，但产业发展好与股价能否继续上涨、泡沫是否会破裂是两回事。再好的东西也有价格。英伟达再创新高，市值超过5

原文

Google 刚刚发布了一个新东西：Googlebook根据Google 自己的表述：他们想做的已经不再是传统意义上的“操作系统”，而是一个以 Gemini 为核心的 AI Laptop 平台。Gemini 被塞进了“鼠标指针”：你晃一下光标，它会主动理解你当前屏幕内容，然后直接给动作建议。比如：• 指向邮件里的日期 → 自动创建会议• 选两张图 → 自动生成搭配效果• 指向内容 → 自动总结 / 改写 / 操作这其实已经不是传统 OS 思维了。以前电脑逻辑：人打开 App → 人操作功能。现在开始变成：AI 理解上下文 → AI 主动组织操作。 互联网的那点事的微博视频

转发者评论

无明显转发评论

原文

Andrej Karpathy 最近分享了一个很实用的小技巧：跟 AI 对话的时候，在问题最后加一句"把回答用 HTML 格式输出"，然后用浏览器打开生成的文件，阅读体验会好很多。他自己试过让 AI 把内容做成幻灯片，效果也不错。他更深层的思考是关于人和 AI 之间的信息传递方式。他觉得人类给 AI 输入信息，语音是最自然的方式；而 AI 给人类输出信息，视觉才是最高效的通道。毕竟我们大脑大概三分之一的区域都在处理视觉信息，这相当于一条十车道的高速公路，带宽远超文字阅读。他列了一个 AI 输出形式的演进路线：最早是纯文本，读起来费劲；然后是 Markdown，有了加粗、标题、表格，稍微好看一点，这也是现在的主流；接下来就是 HTML，虽然底层还是代码，但在排版、图形、交互性上灵活太多了，正在成为新的默认选项。再往后看，终极形态可能是某种由神经网络直接生成的交互式视频或模拟环境，类似最近很火的那些 AI 生成的沉浸式体验。输入端同样有改进空间。光靠语音、文字或视频都不够，比如你经常需要指着屏幕上的某个东西跟 AI 说"就是这个"，就像你身边坐着一个人帮你看电脑一样。评论区的反馈也很有意思。有人说用了一周 HTML 输出，方向是对的，但每次回复的 token 消耗是 Markdown 的两三倍，成本不低。也有人提到 Claude 有时候会自己主动生成 HTML 来展示结构化信息。还有 Meta 的员工说他们内部天天互相发 HTML 做报告和原型，但没法直接评论协作，只能截图发群里聊。总的来说，人和 AI 之间的沟通界面还处于很早期的阶段，在脑机接口真正到来之前，光是在输入输出的形式上做文章，就还有巨大的提升空间。#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#YC总裁Garry Tan撰文谈Agents构造心得。 Meta-Meta-Prompting：让 AI Agents 发挥作用的秘密人们一直问我，为什么我每天晚上都写代码到凌晨 2 点。我有一份工作，而且是一份很重要的工作——担任 Y Combinator 的 CEO。我们每年帮助成千上万的创始者实现他们的梦想，打造真正的初创公司，拥有真实的收入，并快速增长。在过去的 5 个月里，AI 让我重新成为了一名创造者。去年年底，这些工具已经足够成熟，于是我重新开始构建东西。不是玩具项目，而是真正能够持续复利的系统。我想通过具体的例子向你展示，当你不再把个人 AI 当作一个聊天窗口，而是开始把它当作一个操作系统时，它实际会是什么样子。我之所以将它作为开源项目并通过像这样的文章分享出来，是因为我希望你能和我一起开始。这是该系列的一部分：Fat Skills, Fat Code, Thin Harness 介绍了核心架构。Resolvers 讨论了智能的路由表。The LOC Controversy 讲的是每个技术人员如何都将自己的效率放大了 100 到 1000 倍。Naked models are stupider 论证了模型是引擎，而不是汽车。并且 the skillify manifesto 解释了为什么 LangChain 融资了 1.6 亿美元，却只给了你一套深蹲架和哑铃而没有训练计划，然后又给了你真正需要的那份训练计划。那本反过来读懂了我的书上个月我在读 Pema Chödrön 的 When Things Fall Apart。这本书有 162 页，22 章，讲的是佛教关于痛苦、无所依凭以及放下的应对方式。那段艰难时期，一位朋友把它推荐给了我。我让我的 AI 做了一次 book mirror。具体来说，这意味着：系统提取了这本书的全部 22 章，然后针对每一章运行了一个子代理，同时做两件事：总结作者的观点，并将每一个观点映射到我的真实生活中。不是那种泛泛而谈的“这适用于领导者”的陈词滥调，而是具体映射。它知道我的家庭背景（移民父母，父亲来自 Hong Kong 和 Singapore，母亲来自 Burma）。它知道我的职业背景（管理 YC、构建开源工具、指导数千名创始人）。它知道我最近在读什么，知道我凌晨 2 点在想什么，也知道我和治疗师正在处理什么问题。输出是一份 30,000 字的大脑页面。每一章都以两栏呈现：Pema 说了什么，以及这如何映射到我正在真实经历的事情。关于“无所依凭”的那一章，关联到了我前一周与一位创始人的一次具体对话。关于恐惧的那一章，映射到了我的治疗师识别出的模式。关于放下的那一章，则提到了一个深夜会话——那次我写下了自己今年找到的创作自由。整个过程大约花了 40 分钟。一个收费 $300/小时的治疗师，即使阅读这…

转发者评论

//@Palindrome-S:这哥们用这套东西写的个人网页前段时间被audit了质量惨不忍睹

• //@Palindrome-S:这哥们用这套东西写的个人网页前段时间被audit了质量惨不忍睹

原文

智能时刻的观察“人工智能正在取代开发者”是当下互联网上最流行的观点。然而，微软刚刚发布的数据却表明事实恰恰相反。2025 年，美国软件开发人员的就业人数达到了创纪录的 220 万，比前一年增长了 8.5%。2026 年初的数据表明这一数字仍在攀升。与此同时，代码产出量大幅增加。全球范围内，GitHub 上的代码推送量同比增长了 78%。开发者们并没有减少工作量，而是交付了更多、更快的产品。逻辑很简单。当人工智能降低了软件开发成本时，公司不会解雇开发者，而是会开发更多的软件。更多的产品、更多的功能、更多的之前因成本过高而不值得开发的使用场景。对软件的需求一直大于能够开发软件的人才供应。人工智能并没有缩减劳动力规模，而是释放了积压的需求。这是没人谈论的模式。当需求具有弹性时，生产力工具不会消除工作岗位。电子表格并没有让会计消失，而是创造了数百万个之前不存在的财务岗位。最危险的不是使用人工智能的开发者，而是拒绝使用人工智能的开发者。如果你现在正在学习如何用人工智能进行开发，你不是在取代自己。您正置身于我们所见过的软件招聘最大规模扩张的前沿。#AI探索计划##人工智能##互联网公司##互联网科技##AI智能##AI软件#

转发者评论

“最危险的不是使用人工智能的开发者，而是拒绝使用人工智能的开发者”，与我常说的“取代你的不是AI，而是掌握AI的其他人”一致。

• “最危险的不是使用人工智能的开发者，而是拒绝使用人工智能的开发者”，与我常说的“取代你的不是AI，而是掌握AI的其他人”一致。

原文

寻找专有软件的开源替代品时，来回翻阅各种网站和列表，费时费力，还容易错过优质项目。OpenAlternative 把海量开源替代方案全部整理到一起，提供了全品类开源软件的精选目录。不仅覆盖AI、开发工具、业务软件等80+分类，收录700+项目，还实时更新Star数和许可证，支持按类别快速筛选。网站：openalternative.coGitHub：github.com/piotrkulpinski/openalternative主要功能：- 80+分类覆盖AI开发、CRM、CMS、数据库、监控等全场景需求；- 700+精选开源项目，包含Star数、许可证和简要描述；- 支持按类别浏览和搜索，快速发现专有软件替代品；- 实时更新的awesome list，项目超11M Star总量；- 按需提交新项目，社区审核后自动上线；- 跨平台访问，适合开发者、产品经理和企业决策者。直接访问网站即可使用，无需安装，助力你摆脱付费软件依赖！#开源软件##开源替##FOSS##AwesomeList#

转发者评论

无明显转发评论

原文

【#夫妻囤存储芯片5个月狂涨320亿#】 AI浪潮，将一对深圳夫妻推至巅峰。5月11日，德明利董事长李虎带队召开业绩发布会，直言“行业景气度高、供需格局偏紧，我们有能力维持稳健向好的业绩。”当日，李实控的德明利，股价大涨约7%，离1500亿元市值仅一步之遥。这家深圳存储模组厂，在1-3月暴赚33.46亿元，相当于过去10年利润总和的2倍都不止。要知道，去年同期，其还在亏损泥潭里挣扎，如今一飞冲天。创始人李虎，今年51岁，与妻子田华共同创业，带出一家存储芯片巨头。李虎本人持有德明利35.01%股权，年初至今，其纸面身家已暴涨超320亿元。（21财经）#深圳夫妻囤存储芯片5个月狂涨320亿#深圳夫妻囤存储芯片，5个月狂涨320亿 #夫妻囤存储芯片5个月涨320亿# #夫妻囤存储芯片 5个月涨320亿# 红星新闻的微博视频

转发者评论

#夫妻囤存储芯片5个月狂涨320亿# 神话故事越来越多了....

• #夫妻囤存储芯片5个月狂涨320亿# 神话故事越来越多了....

原文

#从4月先行指标看我国经济持续向好#从4月先行指标看我国经济持续向好：新动能引领，结构优化仍需深化4月经济先行指标释放积极信号，我国经济呈现持续向好态势，但结构性分化依然显著，折射出复苏进程中的机遇与挑战。投资与创新的“双引擎”驱动经济回暖。数据表明，人工智能、人形机器人等领域投资激增175.2%，算力基础设施中标金额增长61.7%，战略性新兴产业专利授权加速，凸显新质生产力已成增长核心。工业经济稳步修复，企业销售收入同比增长24.6%，减税降费等政策红利持续释放，市场主体活力增强。消费端亦延续复苏，线下支付金额增长1.7%，电子商品、日用品等需求提升，服务消费热度攀升，印证内需潜力逐步激活。然而，经济回暖呈现“冷热不均”特征。PMI数据显示，高技术制造业与出口链高景气，但传统消费品及民生服务业仍处收缩区间，非制造业商务活动指数回落至49.4%。中小企业回暖主要依赖外需，新出口订单指数23个月来首次重返扩张区，而国内消费市场对线下小店、本地服务商的拉动有限。经济红利尚未充分传导至居民端，工资与消费预期的修复链条仍待打通。展望未来，政策需进一步平衡结构：巩固新动能优势，同时通过促消费、稳就业举措激活内需，助力传统行业突围。唯有实现“新与旧”“内与外”的协调发展，方能夯实经济复苏根基，让回暖之势惠及更广群体。4月数据既昭示希望，亦为政策调整指明方向。

转发者评论

无明显转发评论

原文

内容创作者常常需要在多个平台手动生成、分发和互动内容，切换工具、排期发布、回复评论耗时费力。AiToEarn 把内容变现的全链路自动化整合，提供一站式AI内容营销智能体解决方案。不仅支持AI自动创作视频/图文、全球10+平台一键分发（抖音、小红书、快手、TikTok、YouTube等），还内置互动Agent自动点赞回复、内容交易市场CPS/CPE/CPM赚钱模式。GitHub：github.com/yikart/AiToEarn主要功能：- AI内容创作Agent，支持视频生成/剪辑、图文批量制作；- 全网内容发布Agent，一键分发抖音/小红书/TikTok/YouTube等10+平台，日历智能排期；- 内容互动Agent，自动点赞/关注/回复评论，挖掘高转化线索；- 内容赚钱市场，按成交/互动/播放量结算，助力一人公司变现；- 多方式接入：网页直用、Docker部署、Claude/Cursor集成，支持私有化；- Electron桌面应用，屏幕共享与自动化运营，适合创作者/品牌/OPC。支持 Web/Docker/Electron 多平台，5种快速使用方式，开箱即用，助力内容矩阵运营。#AI赚钱# #一人公司#

转发者评论

无明显转发评论

原文

马斯克诉OpenAI案庭审现场，前首席科学家Ilya Sutskever出庭作证，带来了一枚枚重磅炸弹。Ilya证实，在2023年11月那场「政变」之前，他已暗中收集奥特曼「系统性撒谎」的证据整整一年，整理成52页备忘录提交董事会。证词中，他直指奥特曼习惯性撒谎、挑拨高管关系、操控信息环境，让任何严肃的AI安全讨论都被虚假的市场愿景淡化。庭审还首次确认了Ilya持有约70亿美元OpenAI股份，与此前Brockman承认的300亿形成对比，昔日标榜「非营利」的理想主义者们，已集体跻身人类财富积累最快的富豪之列。Ilya还证实了一个此前只是传言的细节：奥特曼被罢免后，董事会曾与Anthropic会面，讨论由Anthropic合并OpenAI的方案——如果那次合并成真，今天的AI格局将完全不同。微软CEO纳德拉也登场，法庭文件显示他早已准备好14人接管董事会名单，并对新董事会行使事实否决权，坐实了「OpenAI沦为微软IT部门」的指控。本周二，奥特曼将亲自出庭。若法官判定OpenAI违反非营利契约，估值8500亿美元的营利实体可能面临结构性重组。

转发者评论

无明显转发评论

原文

【苹果iOS 27重磅改版：Siri迎来独立应用！对标ChatGPT】苹果将在iOS 27对Siri进行史上最大升级，把传统语音助手改造为具备持续对话能力的AI智能体，直接对标ChatGPT、Claude、Gemini等主流大模型产品。同时还会与灵动岛深度整合，唤醒时在灵动岛显示胶囊动画，结果以卡片呈现。

转发者评论

无明显转发评论

原文

【科技半新股面临解禁潮】今年以来，全球股市针对人工智能(AI)与智能汽车等科技焦点板块的投资炒风炽热。去年末季以来，申请认购在港上市的相关概念新股，便成了股民「发财」之道，而追入这些股价迭创新高的半新股，也为心口有个「勇」字的投资者创造了可观的财富。不过，值得留意，一批半新股的基石投资者和上市前投资者禁售期限将于未来数月陆续届满，面对重量级「解禁潮」到临，意味市场供应将大增，是继续逢高追入，还是见好识收，锁定利润，顿成市场焦点。据统计，赛力斯(09927)已于本月初解禁约39亿元金额，另MiniMax(00100)亦快将在7月面临约960亿元的解禁，奇瑞汽车(09973)则在9月面临约727亿元的解禁，而迅策(03317)会在12月面临约563亿元的解禁。此外，英硅智能(03696)、群核科技(00068)亦分别在7月和10月有限售股解禁，涉资约276亿元和233亿元。此外，上市以来股价累积可观升幅的胜宏科技(02476)和兆易创新(03986)等亦将出现基投解禁。亨达财富管理董事总经理姚浩然称，一批半新股在解禁之日股价或会出现压力，譬如回顾剑桥科技(06166)解禁当日都下挫逾10%，因股价累积不少升幅，所以不排除部分半新股会複製有关情况。不过，他补充，当新股解禁完毕，若公司基本因素良好，则后续影响不会太大。市况方面，腾讯控股(00700)和阿里巴巴(09988)业绩成市场焦点，此前市场观望气氛转浓。恒生指数周二高开90点后，一度升185点，高见26,592点，不过午后由升转跌最多78点，低见26,328点，收报26,347点，跌58点或0.22%，成交2,626亿元。「北水」周二录淨流入仅约8亿元。蓝筹方面，腾讯在放榜前夕股价再跌至逾一年新低，且以全日最低位收市，收报457.2元，跌1.55%；阿里则跌0.44%，收报133.3元。滙丰控股(00005)将于下周一发行总值15亿美元(逾117亿港元)的永久后偿或可转换证券，利率6.75厘，每股转换价初步定于3.6779美元，最多可转换约4.08亿股普通股，佔经扩大已发行股本约2.32%，将用于一般公司事务，以及加强资本基础。滙控股价昨收跌1.84%，报138.6元。摩根大通最新调整对香港交易所(00388)的模型预测，将其目标价由535元下调至510元，维持「增持」评级，惟上调港交所2026至2028年每股盈利预测2%，主因预期淨投资收益及交易费用增加。港交所股价周二曾见428.4元的3个月高位，收市倒跌0.37%，报423.8元。不过，新股市场继续畅旺。「商业航天第一股」的拓璞数控(07688)计划发行6,533万股H股，10%在港公开发售，发售价每股26.39元，集资17.2亿元，每手100股，一手入场费2,665.61元。国泰君安国际(01788)、建银国际为联席保荐人。截至昨晚10时，拓璞数控公…

转发者评论

无明显转发评论

原文

AI代理生成的React代码经常问题百出，状态管理混乱、性能隐患、架构缺陷，还可能有安全和可访问性漏洞，来回调试颇为麻烦。react-doctor 一键扫描你的代码库，输出0-100健康分数，并提供可操作的诊断报告。不仅覆盖状态与effects、性能、架构、安全、可访问性、死代码等，还支持Next.js、Vite、React Native，自动适配框架和React版本。GitHub：github.com/millionco/react-doctor主要功能：- 一键扫描，输出健康分数（75+优秀，50-74需改进，<50危急）及问题列表；- 全面诊断：状态管理、effects、性能、架构、安全、可访问性、死代码；- 支持差异扫描，只检查改动文件或暂存文件，适合PR和pre-commit；- GitHub Actions集成，可在PR中自动评论诊断结果；- 代理集成，一键为Claude Code、Cursor等50+代理安装最佳实践规则；- 可配置忽略规则，支持ESLint/Oxlint插件，尊重现有配置。支持Web项目，通过 npx -y react-doctor@latest . 即可运行，适合开发者和团队使用。#React##前端开发##AI编程#

转发者评论

无明显转发评论

原文

创作博主 ADIL 教你如何通过 Higgsfield MCP 接入 Claude，在一个对话窗口里跑完整个品牌营销流程。从 TikTok、Instagram 趋势调研，到生成 100 条 UGC 视频，再到直接对接 Meta 广告投放，中间大概只点了二十几次按钮。具体怎么玩的呢？ADIL 先给 Claude 装上一个自定义技能，相当于告诉 AI 按什么节奏干活。第一步，让 Claude 自己去各平台扒热门内容，分析哪些钩子在转化，输出一份趋势简报和 20 张创意卡片。第二步自动生成 60 天的内容排期表，100 条视频按街头采访、开箱、产品测评、娱乐、ASMR 五种格式分好组。第三步调用 Higgsfield Marketing Studio 逐批生成视频，每批都要人工确认才继续，不会一口气烧光额度。最后还能接 Meta MCP 直接把素材推到广告后台。实际效果看下来，产品（一款名为 Higg 的虚拟果汁产品）文字一致性很高，虚拟人物的反应也比较自然，街头采访和盲品测试这类视频很有吸引力。图片素材，Claude 直接切到了 GPT-Image-2.0，因为上下文还在同一个对话里，品牌信息不用重复喂，几分钟就出了一套产品图和广告 banner。成本对比是这个视频最刺激的部分。同样 100 条 UGC 视频，让传统广告商来做，全套流程大概 9.9 万美元，就算砍掉所有中间环节只雇创作者也要 2.8 万加上六到八周协调时间。AI 这边总计花了约 1.5 万积分，差不多 900 美元左右。整个流程，通过 MCP 协议，Claude 把“调研决策”和“内容生产”串成了一条链。以前你用 AI 生成视频，提示词得自己写，风格得自己把控，本质上还是人在当导演。通过这条流程， Claude 会先做竞品分析和趋势判断，再把结论直接翻译成 Higgsfield 能执行的提示词，人只需要在关键节点点个确认。#higgsfield##电商神器##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

转Brendon 评论：“INTC 跟上节奏，后面利好依然会持续，5/13 股东大会、5/19 JPM 沟通会、6/2 美银沟通会。目前的 INTC 明显背后是有组织性的操盘，或者说市值管理在推进，利好不断，稍微跌一下就有新的利好出来承接和拉动，和之前那种情况以及盘面结构已经完全不同。我还是坚持之前的判断：万亿市值之前，INTC 本质上都只是一个一级项目，不用太在意中间波动。因为现在市场交易的早已不只是短期业绩，而是未来 AI 基础设施、System Foundry、先进封装、Memory + CXL、光互连以及美国制造业战略重构的长期定价权。万亿不是终点，而是 INTC 真正开始被全球资本重新估值的起点。万亿之前是选择题，万亿之后是计算题。”

转发者评论

无明显转发评论

原文

LLM 卡在《记忆碎片》式的永恒当下，需要持续学习才能真正进化！推荐来自 a16z 的这篇「我们为什么需要持续学习？」"上下文学习是短暂的，真正的学习需要压缩"。当前 的上下文学习 + 检索增强生成的范式确实在大量场景下可用，但它代表了一个天花板。模型需要真正的参数级学习（部署后的权重更新）才能处理新颖发现、对抗场景、以及隐性到无法用语言表达的知识。网页链接学习方法的光谱：压缩发生在不同层次- 纯检索 / 上下文层（无压缩）：权重冻结，扩展上下文窗口实现学习；- 模块层（部分压缩）：通过 Adapter、LoRA、外挂记忆来实现；- 参数级 / 权重更新（完全压缩）：直接修改权重把信息内化一个成熟的系统应该分层使用：ICL（in-context learning）是第一道防线，模块层做个性化，参数层做真正的发现。文章花了不少篇幅讲“状态空间模型”（State Space Models，SSM）作为上下文方案的极限。当前 Transformer 架构里，agent 在 20-100 步后就会因为上下文塞满 + 一致性退化而失败；SSM 用固定大小的记忆层 + 间插注意力头，理论上能扩展到约 2 万步才退化。“纯检索 / 上下文层”这条路径短期最快收敛、可扩展性最好——但它存在明显天花板。在参数路径下，又可以分为 4 个聚类：1. 部分压缩（模块）——压缩 KV 缓存、Adapter 层、外挂记忆。作者给了个有冲击力的数据点："8B 模型加上正确的模块，在目标任务上能匹配 800B 模型的表现"——这是 100 倍参数效率的提升。这条路径的好处是兼容现有 Transformer、可组合、稳定；2. RL 与反馈循环——从用户纠正 / 成功失败信号 / 现实世界奖励里学习。类比是人怎么从反馈里改进。难点是把稀疏、嘈杂、对抗性的反馈转化成稳定的权重更新；3. 数据中心方法——专注精选、生成、合成最优的训练数据来做持续更新。前提是"高质量信号需要的梯度步数更少"。这条天然跟反馈循环公司连接；4. 新架构——押注 Transformer 是瓶颈。论点是需要连续时间动力学 + 内置记忆机制。"学习应该在基质层级，不是事后加上去的。"最后，我们需要重新定义"模型"是什么：它不再是固定的权重，而是演化的系统。具体的分层架构应该是：- ICL 作为第一道防线：快速适应、可解释、可回滚- 模块层做个性化：稳定、可组合、适合每个用户/任务- 参数级更新做真正的发现：慢、深、负责生成全新能力这个架构跟 Anthropic Code with Claude 发布的 Routines / Dreams / Outcomes 三个 Managed Agents 特性在抽象层级是同构的——Routines 是 ICL 层的稳定执行路径、Dreams 是模块层的压缩历史、Outcomes 是…

转发者评论

无明显转发评论

原文

[CL]《The Silent Vote: Improving Zero-Shot LLM Reliability by Aggregating Semantic Neighborhoods》S Badhe, P Tiwari, D Shah [Google] (2026) 在零样本分类中，约束解码会强迫模型只在标签词间下注。过去方法受困于概率重归一化，本质原因是同义词承载的语义票被直接丢弃。本文的核心洞见是：把标签重新看作一个语义邻域。由此，Semantic Softmax把近义词概率聚合到目标标签上，使沉默的词表投票重新参与判断。这项工作真正留下的遗产是无需训练即可修正分类置信度。它打开了更可靠LLM分类的新门，但尚未跨过的门槛是开销、嵌入质量与多语种泛化。arxiv.org/abs/2605.09739 #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

[CL]《Scratchpad Patching: Decoupling Compute from Patch Size in Byte-Level Language Models》L Zheng, V Bashlovkina, T Dozat, D Garrette… [Google DeepMind] (2026) 在字节级语言模型中，去掉tokenizer会让序列过长。过去用大patch省计算，却受困于patch内部信息滞后，本质原因是未读完整patch前只能用旧表示预测。本文的核心洞见是：把patch重新看作可中途刷新的计算区间。由此，在高熵字节处插入临时scratchpad，使模型按信息密度追加计算。这项工作真正留下的遗产是把缓存长度与计算量拆开。它打开了推理时调节算力的新门，但尚未跨过的门槛是训练成本仍未降低。arxiv.org/abs/2605.09630 #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

没想到 Claude 还真有中文税。AI 研究员 Aran，对各大模型进行了测试，它将相同内容的文章，让 AI 翻译成不同语言，结果翻译中文时，Claude 要多花 65% 的 Token。而其它模型，如 Gemini、Qwen、DeepSeek、Kimi，消耗量就正常很多，即使 OpenAI 的 ChatGPT 也只是多 15%。不过好消息是，Claude 也对其它语言多收税，其中日韩收的最狠，韩国整整要多花 159%

转发者评论

无明显转发评论

原文

有人说，AI这一波没有移动互联网那波影响那么广泛。这个我不能同意。智能手机的革命，实际上只革命了一半，就是相当于把手机电脑化，通用化了。这已经很了不起了，需要把手机触摸屏化，整个UI操作重新构建，app化。但是这并不是真正的智能手机，而是电脑化的手机。比如说，你想用手机来做很多生产力任务，你是非常费劲的。你编辑文档，你得在手机上点半天，你修图，还是不如用PS。智能手机并不合适做长时间的，复杂的操作。因为屏幕就这么小，各种精细操作并不方便。智能手机只适合做那种看得多，操作少的任务，点几下这种。但是AI出来后，就不一样了。AI agent可以做那种很长时间的复杂任务，你就是指挥它就行了。方式就是提示词，甚至可以完全语音。而语音也是依赖AI大模型的能力的。这样一来，手机，平板也完全变成了生产力工具。我估计移动场景，将会是agent的主战场。app会彻底的智能体化。手机厂商也不能独善其身，需要跟上AI浪潮。

转发者评论

无明显转发评论

原文

[LG]《CoDistill-GRPO: A Co-Distillation Recipe for Efficient Group Relative Policy Optimization》S M Kwon, Z Sun, A T Suresh, H Jain, S Kumar [Google Research] (2026) 在小模型推理训练中，GRPO常卡在“全错奖励”上。过去依赖冻结大模型救场，本质是先造老师再教学生，既慢又拉开师生差距。本文的核心洞见是：把大小模型重新看作同训伙伴。小模型用大模型分布作软奖励，大模型反过来吃小模型轨迹，经重加权更新。这项工作留下的是一条低成本强化学习蒸馏路径。它打开了小模型产出也能训练大模型的新门，但门槛是提示策略与大模型收益仍不稳。arxiv.org/abs/2605.08873 #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

开发中管理AI代理常常需要来回切换工具：一个平台分配任务，一个监控执行，一个管理技能，还要单独处理代码生成和进度跟踪，效率低下。Multica 把AI代理管理所需的功能全部整合到一起，提供了开源的管理代理平台解决方案。不仅能将编码代理变成真正队友，支持任务分配、进度跟踪、技能复用，还兼容Claude Code、Copilot CLI、Gemini等多种代理，支持云端/自托管部署。GitHub：github.com/multica-ai/multica主要功能：- 代理作为队友，支持像分配给同事一样指派任务、实时进度报告和障碍反馈；- 自主执行管理，全任务生命周期自动化（排队、认领、执行、完成），WebSocket实时流式更新；- 可复用技能系统，每项解决方案自动积累为团队技能，提升整体能力；- 统一运行时仪表盘，本地守护进程+云端实例，自动检测CLI代理（如Claude、Copilot、Gemini等）；- 多工作区支持，按团队隔离管理代理、任务和设置；- 屏幕共享与协作，CLI快速安装，一键setup启动daemon。支持 macOS、Linux、Windows 多平台，brew或脚本一键安装，适合开发团队和AI工程实践。#AI代理##开源工具##开发效率#

转发者评论

无明显转发评论

原文

#算力期货市场# 石油好歹有几十个产油国，天然气有遍布全球的气田，哪怕OPEC再强势，也没法说一家公司垄断了全球原油的物理产能。但算力呢？高端GPU的设计基本捏在英伟达一家手里，制造卡在台积电的产线上，分发渠道被AWS、Azure、GCP几个云巨头锁死。在这种供给结构上面搭一个“自由市场价格发现机制”，这事挺魔幻的。期货市场的灵魂是什么？是多空博弈形成公允价格。但当卖方就那么几个玩家，他们同时掌握着现货供应的阀门、API的限流开关、甚至下一代硬件的升级节奏，这个“公允”从哪来？芝商所请来Silicon Data做独立定价指数，方向是对的，但一个指数能不能真正穿透云厂商的定价黑箱，我持保留态度。这不是在建一个大宗商品市场，这更像是在给寡头垄断的资源套上一层金融民主化的外衣。 谁最终拿到定价权，谁才是这场游戏真正的赢家。 算力期货市场

转发者评论

无明显转发评论

原文

#微博AI创作季##AI创造营# 短片：《只为你开的门》刚测试了一下微博最近上线的V创作中心，做一只短片。我只是提供了一个脚本和视觉参考，agent自动将任务切分为数字资产、片段，并最终整合为短片。整个体验非常丝滑。再说一下创作本身，短片的故事取材自卡夫卡的短篇（Vor dem Gesetz）。我一直有一个暴论，AI做出新的重要科学发现的时间，会早于AI写出“名著”的时间。当人人有了趁手的工具，接下来稀缺的就是个人的独特体验了。或者，叫品味。 高飞的微博视频

转发者评论

//@所行于当所行-止于所不可不止:高级了。。另。卡夫卡的未来主义风格很适合AI入手再创作。

• //@所行于当所行-止于所不可不止:高级了。。另。卡夫卡的未来主义风格很适合AI入手再创作。
• 挺好的故事，画面也很美。[good]
• //@宝玉xp:转发微博

原文

在亚马逊，一群员工正在指挥人工智能执行大量废指令。他们这么做仅仅是为了向经理证明，自己在频繁使用AI。承载这些废指令的是一款名为MeshClaw的内部AI工具。亚马逊最近几周刚开始大范围推广它，初衷是让AI接入办公软件替人干活。但员工们发现了一条捷径：通过制造毫无意义的AI活动，可以疯狂消耗token（AI处理数据的基本单位）。在亚马逊内部的排行榜上，消耗的token越多，排名就越靠前。这场刷榜狂欢源于一条自上而下的指标：超过80%的开发者每周使用AI，排名向全团队公开。在硅谷，这种风气正在蔓延。Meta的员工也在做同样的事，他们把这种操作叫做“极限刷词元（tokenmaxxing）”。亚马逊官方说这些数据不会用于绩效考核。但多名员工表示，经理们确实在看。一位员工说：追踪使用量制造了扭曲的激励，有些人把刷token当成了比赛。科技巨头们急吼吼地向员工强推AI，背后是难以掩饰的投资焦虑。单单在今年，亚马逊预计就要砸下2000亿美元的资本支出，绝大部分流向了AI基础设施和数据中心。钱花出去了，公司迫切需要看到这项技术被深度嵌入日常工作，哪怕报表上的繁荣是靠跑废指令刷出来的。被当作刷榜利器的MeshClaw其实并不简单。内部备忘录把它描绘得十分强大：能在夜间“做梦”巩固知识，能在你开会时自动监控部署，甚至在你醒来前就分拣好所有邮件。但在排行榜的压力下，这些能力最先被用来做的事是：人睡觉，token冲榜。MeshClaw不只是一个聊天窗口。它可以发起代码部署、分拣工作邮件，甚至与Slack等应用交互。这恰恰是整件事最危险的地方。当员工为了冲榜，将极高的操作权限交给MeshClaw，让它以用户的名义在公司核心系统内运转时，风险敞口被彻底撕开了。一旦这个AI代理犯错或执行计划外的动作，后果将直接作用于真实的业务。一名亚马逊员工说：“这种默认的安全设定让人不寒而栗，我绝对不敢放手让它自己去折腾。”亚马逊后来收紧了排行榜的可见范围，从全团队公开改为仅限本人和经理查看。但问题的根源没有变：当一家公司把用AI的频率当成指标来追踪，员工就会想办法把这个指标刷上去。至于AI到底有没有真正帮上忙，排行榜上看不出来。～～～～～～图为AI 生成配图，图源：gpt-image-2信源：Times, Financial. "Amazon employees are "tokenmaxxing" due to pressure to use AI tools." Ars Technica, 12 May 2026

转发者评论

无明显转发评论

原文

全球各国数据中心数量排名，美国绝对优势领先，德国第二，英国第三。截至2026年初，美国继续主导全球数据中心格局，拥有全球近45-50%的设施。虽然根据“数据中心”的定义（从小型本地中心到大规模超大规模园区）的确切数字有所波动，但主要国家的排名保持一致。 **数据中心数量排名前十的国家（2025-2026年）**以下数据反映了在主要行业数据库如Cloudscene和Data Center Map中列出的运营设施。排名|国家|数据中心数量（约）|主要中心||---|---|---|---|1 | **美国** | 5，400+ | 北弗吉尼亚州，达拉斯，凤凰城 |2 | **德国** | 520-530 | 法兰克福，柏林 |3 | **英国** | 510-525 | 伦敦，斯劳 |4 | **中国** | 450+ | 北京， 上海， 深圳 |5 | **加拿大** | 335-340 | 多伦多，蒙特利尔 |6 | **法国** | 320+ | 巴黎， 马赛 |7 | **澳大利亚** | 310+ | 悉尼，墨尔本 |8 | **荷兰** | 290+ | 阿姆斯特丹 |9 | **俄罗斯** | 180-250 | 莫斯科，圣彼得堡 |10 | **日本** | 220-250 | 东京， 大阪 | **主要趋势与背景** * **美国的主导地位:**美国的数据中心比接下来的15个国家的总和还多。这得益于“超级巨头”（亚马逊、谷歌、微软、Meta）的总部位于美国以及位于**北弗吉尼亚**的庞大连接枢纽，据估计，仅该枢纽就处理了全球70%的互联网流量。 * **中国的“电力”差距:**虽然中国在总的“数量”方面排名第四，但在总的“IT电力容量”方面往往排名第二。中国的设施（如阿里巴巴和腾讯运营的设施）往往比典型的欧洲或北美设施要大得多，且能量密度更高。 * **印度的崛起:**印度目前是增长最快的市场之一。虽然它历史上的站点较少（大约150-300个），但在孟买和金奈的大规模投资正在迅速增加其全球足迹，以支持其数字人口。 * **超大规模 vs. Colocation:** 全球排名通常分为“超大规模”（科技巨头拥有的大型网站）和“Colocation”（多家公司租用空间的网站）。美国拥有全世界约54%的超大规模产能。#美国##凯丰基本面##人工智能##数据##算力##数字货币#

转发者评论

无明显转发评论

原文

【资深工程师的风险直觉，才是企业看不见的护城河】快速阅读：资深开发者与业务方的矛盾，本质上是“复杂度管理”与“不确定性消除”两种逻辑的错位。业务方需要通过快速迭代来验证市场，而开发者需要通过控制复杂度来确保系统稳定。很多人觉得 AI 会取代开发者，因为 AI 能以惊人的速度交付功能。但这种看法忽略了一个事实：业务方追求的是“速度”来降低不确定性，而资深开发者守护的是“稳定性”来对抗复杂度。你可以把公司看作两个并行的循环。第一个循环是业务逻辑：产品经理和 CEO 试图通过不断把新想法推向市场，来换取反馈，减少对未来的盲目感。在这个循环里，速度就是生命，不确定性是唯一的敌人。第二个循环是工程逻辑：一旦有了付费用户，系统的连续性就成了重中之重。资深开发者在这个循环里，视“复杂度”为洪水猛兽。每一个新功能、每一行新代码，都在增加系统的熵值，让维护、调试和理解变得更难。沟通的断层就在这里。当业务方说“我们需要这个功能来验证市场”时，他们在谈论不确定性；而资深开发者回应“这会增加系统复杂度”时，其实是在谈论稳定性。用对方的问题来解释自己的困难，永远无法达成共识。有网友提到，资深开发者的价值不在于写代码，而在于那种“闻得出风险”的直觉。这种直觉无法通过文档完全传递，它是一种深植于世界模型中的判断力。真正的资深专家，不应该只会说“不”，而应该学会用业务听得懂的语言去沟通。与其说“这会增加复杂度”，不如说“我们能不能先用一种更轻量的方式试一下？”AI 确实能极快地生成代码，但它无法承担后果。它能交付功能，却无法承担“责任”。在追求极致速度的浪潮中，谁来为系统的崩溃买单？这或许才是人类开发者最后的护城河。nair.sh/guides-and-opinions/communicating-your-expertise/why-senior-developers-fail-to-communicate-their-expertise

转发者评论

无明显转发评论

原文

起床后发现家里两个 Hermes Agent 都开始报这个错误。首先错误中提示 kimi-k2.6 只有32,768 tokens的上下文窗口这肯定是一个错误。Hermes在 /new 或 /reset 后自动 detect 模型的上下文宽度，以前是正常的，今天起床后再 /new 就会看到“Context: 32K tokens (detected)”Hermes Agent 是怎么 detect 模型的上下文宽度呢？0 读配置文件有没有上下文宽度的覆盖1 本地缓存2 自定义模型的配置(自己声明)6 openrouter的api8 Hermes的硬编码 fallback问题应该就出在优先级6的openrouter上。从api获取到的kimi-k2.6的上下文宽度确实只有32,768。而修复的办法就是改配置文件，主动覆盖。修改的有两个地方(config.yaml)：model: 下添加 context_length: 256000auxiliary.compression: 下添加 context_length: 256000我有两个Hermes Agent，其中一个是可以在昨天没关掉的tui上对话并修改，另一个就直接挂掉了，后来是手动添加配置的。不知道大家有没有遇到这个问题。

转发者评论

今早一看 openrouter 已修复该问题。我昨天简单看了下，应该是其中一个 Provider 把 Total Context 写错了。不过以后这种参数还是自己配在本地比较靠谱。 http://t.cn/AXiVJrUp

• 今早一看 openrouter 已修复该问题。我昨天简单看了下，应该是其中一个 Provider 把 Total Context 写错了。不过以后这种参数还是自己配在本地比较靠谱。 http://t.cn/AXiVJrUp

原文

这个是正式的演示视频，吧手柄的taskspace操作做好了。浏览器里面右上角是手柄的输入，黄色的机器人模型是当前状态，蓝色的影子是指令的位置。当然，渲染的频率只有2hz，所以会落后摄像头看到的画面。一开始LLM走了一套莫名其妙的设计，让teleop这个循环变成了控制器，在试图闭环控制手臂，呢当然巨大的延迟和完全不准的手臂导致整个手臂超级晃悠。后面换了结构，游戏手柄的输入纯粹只改变taskspace的“目标” 点。实际发送的指令是从tasksapce变换成 joint space之后每个关节的指。而且因为5DOF，实际taskspace的指令并不是直接生成的。每次手柄的输入在当前taskspace指令目标上做叠加。然后做IK计算，满足XYZ平移，但是对旋转只是尽可能去满足。之后吧符合这个手臂C-sapce的结果，返回到taskspace，作为更新好的taskspace目标记录着。这样对于手臂几何来说不可能的位置并不会叠加，每次IK的计算都是“柔性”的往用户想要的输入方向移动。最后做好了，再去加了一套显示 target的影子。很明显视频里面有不少情况（尤其是手臂伸出去之后），机器人要在我输入指令之后一会才慢慢追上指令位置（明显的蓝色影子分离出来了），或者索性就完全到不了指定位置。其实就是J2 J3 的马达需要克服的重力比较大，但是因为现在底层的控制还是原版LeRobot的，有比较多的安全限制，完全没有用到马达的扭力极限。下一步当然就是 解！除！限！制！ 不过可能是明天的事情了当然这一套逻辑实施起来挺麻烦的，全靠gpt一把梭，我只负责告诉他核心逻辑应该是什么。#lerobot##So101##vibecoding##机器人# 石灰水Leo的微博视频

转发者评论

整整十年前我也玩过miniARM😎只不过当时这方面还很原始，卖家给的资料卖家自己也不懂哈哈哈哈只能自己改来改去 http://t.cn/AXiVvvi0

• 整整十年前我也玩过miniARM😎只不过当时这方面还很原始，卖家给的资料卖家自己也不懂哈哈哈哈只能自己改来改去 http://t.cn/AXiVvvi0

原文

【大模型遗忘之谜：SFT、RL 与 OPD 的本质差异解析】快速阅读：本文通过分布视角重新审视了 SFT、RL 与 On-Policy Distillation (OPD) 的本质区别。核心观点认为，决定模型性能与泛化能力、抗遗忘能力的，并非算法本身，而是数据的 On-Policy 特性。如果我们把语言模型看作一个概率分布，后训练的过程本质上是在重塑这个分布。SFT 就像是一个强力的外部拉力。它拿着一份现成的、固定的数据集，强迫模型去拟合。因为它是基于交叉熵的，模型并不关心自己原本的分布是什么，只要目标在那里，它就会拼命往那边靠。这种“直接拉拽”虽然效率高，但代价很大：一旦目标分布与原分布偏差过大，模型就会发生灾难性遗忘，因为它失去了对原有知识的保护。RL 则完全不同。它没有预设的外部目标，而是让模型在自己的分布里采样，根据奖励函数的方向进行优化。这种方式更像是寻找“期望奖励最大的方向”。有意思的地方在于 OPD。它处于两者之间：既有老师提供的信号，数据又是学生自己生成的。实验发现一个反直觉的现象：即便老师是用 SFT 练出来的、带有遗忘倾向的模型，通过 OPD 训练出来的学生，竟然比老师本身表现得更好，且遗忘程度更轻。这说明老师的分布并不是决定性的，数据的来源——即 On-Policy 采样——才是核心。SFT 的梯度是均匀且密集的，它不分青红皂白地推高每一个 token 的概率，哪怕是那些没意义的语气词。而 RL 或 OPD 具有某种天然的“数据依赖正则化”。当模型面对不确定的状态时，更新幅度会自然减小。目前业界正趋向于将专家能力通过 OPD 融合进最终模型。如果我们要寻找超越 RL 的更优算法，关键不在于复杂的 KL 约束，而在于如何同时获得蒸馏的密度、RL 的无偏性以及 On-Policy 的稳定性。目前的难题依然存在：奖励信号要么太稀疏（RL），要么带有太强的偏差（蒸馏）。x.com/nrehiew_/status/2053482349300797526

转发者评论

无明显转发评论

原文

游戏开发常常需要协调多个角色，从创意总监到程序员、美术师、QA 测试，来回切换工具和思维模式，容易混乱无序。Claude Code Game Studios 把游戏工作室的功能全部整合到一起，提供了整套 AI 驱动的游戏开发解决方案。不仅有 49 个专业 AI 代理（覆盖设计、编程、美术、音频、叙事、QA 和制作），72 个工作流技能，还有完整的层级协调系统，模拟真实工作室结构。GitHub：github.com/Donchitos/Claude-Code-Game-Studios主要功能：- 49 个专业代理，按层级组织（总监、部门主管、专家），支持 Godot、Unity、Unreal Engine；- 72 个 Slash 命令技能，覆盖从 /brainstorm 脑暴到 /release-checklist 发布的完整流程；- 12 个自动化 Hooks，校验提交、推送、资产变更、会话生命周期和差距检测；- 11 条路径范围编码规范，针对 gameplay、AI、网络、UI 等强制执行标准；- 39 个文档模板，包括 GDD、UX 规范、冲刺计划、测试套件等；- 支持屏幕共享、团队协作模式（如 /team-combat），用户全程掌控决策。支持 Web、Windows、macOS 多平台，通过 Claude Code 一键启动，适合独立开发者、学生和小型团队使用。#AI游戏开发##ClaudeCode#

转发者评论

无明显转发评论

原文

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型：(a) 一直在线，一直在听、看和读用户提供的内容(b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出(c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型：(a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务(b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。#how i ai# 详情：网页链接 歸藏的AI工具箱的微博视频

转发者评论

无明显转发评论

原文

最早在豆瓣写戛纳日记，后来做了华语媒体场刊评分表，然后拍了两年Vlog，再后来开始更新播客，其实始终都在寻找能让更多人关注和“参与”到戛纳电影节日程中的方式。可能还有影迷朋友记得，在2019年的时候，有个法国网站做了一个线上小游戏（图1），即把那届主竞赛的每部片当作一个上市公司，影迷们可以买入/卖出每部电影的股份，在电影节过程中每部片的“股份”市场价会根据口碑、谣言、北美发行、评委反应、召回消息等各种原因浮动，最后根据获奖名单来给持有对应股份的影迷分红。当然这一切都不涉及真实货币交易，只是个模拟小游戏。那个游戏虽然会有个象征性的财富排名，即在电影节闭幕后谁的“资产”最多，但我觉得更有趣的是，它能让参与的影迷全程都需要关注戛纳电影节主竞赛的口碑和动态，就算大家不身在戛纳，也能有一种“云”参与感，比日记、场刊、vlog或者播客这些“被动”接受都更有互动性。但可惜后来那个法国网站不再继续做这个游戏了，我也曾在2021年的时候试图找过专门做网站的公司和朋友，看能否做一个类似的中文网站，但最终都被所需的费用吓跑了。五一假期我在家里没出去玩。5月2日下午我在小红书偶然刷到一个博主在介绍什么是Vibe Coding以及如何用AI快速搭建一个网站。可能是因为戛纳电影节快要开幕了，那个法国网站此时突然冲进我大脑，我立马打开电脑，注册了Kimi。我是完全不懂任何相关知识，我经常说我除了看过几部电影外，啥都不懂。就算再5月2日下午四五点左右，当我注册Kimi时，仍然不知道要做什么、该做什么以及是否能做到。在这个过程中，我从小红书很多分享得知，Vibe Coding出来的网站大多都是“空壳”，会面临很多落地问题以及Debug问题。当然，我并不知道这一切是什么意思。但我就当做一次尝试，看看AI能做出什么来，就继续跟他聊，不懂的时候就问他。当然他也经常抽风，左右脑互博，导致我开始习惯性的跟他double check。比如当我提出一个问题，他提出一个所谓“完美的解决方案”，问我是否需要执行，需要的话他就立马开始写代码。但double check会让我再问他，这个解决方案是否会导致比如XXX的问题，他就会又开始排查，经常发现真的会有更大弊端，解决方案根本不“完美”。这就消耗了很多时间，相信专业人士或稍微有点相关常识的人能更少走弯路。但这也使得在这个过程中，我开始逐渐摆脱完全无脑跟着他走的状态，我也开始慢慢学到了一些入门皮毛知识，尤其同时开一个Deepseek/ChatGpt窗口专门帮我扫盲，执行和学习就几乎可以同时进行，也能让我对GitHub、VS Code、Cloudflare、Vercel以及Railway这些必备网站逐渐熟悉运用起来。从5月2日到5月5日正式上线内测，每天执行+学习的时间大概5-6小时左右，现在网站已经完全可以使用了。当然Debug是我提前做好心理准备的一个大坑。所…

转发者评论

//@亵渎电影:赌狗体质速来[笑cry]

• //@亵渎电影:赌狗体质速来[笑cry]

原文

玩了下微博最近上线的 V 创作中心，它里面附带了视频创作的 agent，这个 agent 有 skills，是可以抓热搜的。所以，我就尝试让它抓当时的热搜并锐评，然后用猫猫狗狗播报的方式，做了一个新闻锐评视频。这是一次直出的效果，没想到还挺好。图片是 GPT Image 2.0 出的，视频模型可灵 v3 omni。#AI创造营##微博AI创作季# i陆三金的微博视频

转发者评论

无明显转发评论

原文

[LG]《RelFlexformer: Efficient Attention 3D-Transformers for Integrable Relative Positional Encodings》B Kim, A Sehanobish, A Dubey, M Oh… [Seoul National University & Google Research] (2026) 在3D点云Transformer中，几何相对位置很关键，却难与线性注意力共存。过去方法受困于规则网格或显式掩码，本质原因是任意点云的RPE会破坏低成本计算。本文的核心洞见是：把RPE重新看作空间卷积。由此，NU-FFT快速乘法把任意可积调制函数嵌入Performer注意力，避免显式构造L×L矩阵。这项工作真正留下的遗产是让不规则3D几何获得亚二次全局注意力。它打开了点云、RGB-D统一建模的新门，但门槛是近似精度依赖频率采样。arxiv.org/abs/2605.10706 #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第一金主黄仁勋# AI投融资狂飙突进的两年，谁是最大金主？答案已然揭晓：黄仁勋。仅过去一周，英伟达就先后向玻璃制造商康宁和数据中心运营商IREN合计投了53亿美元（约合人民币360亿）。这钱一砸下去，两家公司的股价很快便迎来大幅上涨，一时间也引来无数看客。看着看着，有机构就随手那么一盘，结果你猜怎么着？老黄最大金主的身份就这样藏不住了——过去一个财年，英伟达光向私营公司和基础设施基金就砸了175亿美元（约合人民币1189亿）。今年更甚，从年初到现在，短短几个月又砸出去400亿美元（约合人民币2719亿）。好家伙，几个月花光去年两倍多的量，老黄这撒钱速度属实有点夸张。当然更夸张的还是老黄“购物清单”的长度。OpenAI、Anthropic、xAI彼此打得不可开交，背后却站着同一个金主；而在更外围的云算力、光通信、硅光子等关键环节里，英伟达的资本触角也早已铺开，甚至连昔日老对手英特尔，都和它有了股权交集。就这么说吧，今天还活跃在AI牌桌上的玩家，几乎人手一张老黄的名片。那么问题来了：老黄都投了啥？哪个篮子里的鸡蛋最多？以及，他到底是怎么想的？网页链接

转发者评论

无明显转发评论

原文

#冷眼赠书福利# 联合 @博文视点Broadview 送出 3 本《Vibe Coding氛围编程实战》，截 5 月 20 日，转发此微博并关注 @网路冷眼 赢取。AI 时代，编程早已不是埋头敲代码，而是状态管理＋人机协同的全新能力。《Vibe Coding氛围编程实战》直击普通人AI编程痛点，教你用可复现的工作流快速上手，把灵感变成可落地项目。全书侧重实战。书中手把手教你用 VS Code+AI 高效开发、规范驱动少返工，仅用 15 分钟便可与AI协同，做出可展示的 Demo，系统掌握AI 协同开发、快速 MVP、规范设计、问题定位等核心技能，成为更有竞争力的开发者。

转发者评论

无明显转发评论

原文

curl 作者 Daniel Stenberg 对 Claude Mythos 模型扫描 curl 代码库的复盘blog网页链接报告声称发现了 5 个安全漏洞。但 curl 安全团队人工复核后，只认可其中 1 个是真正漏洞；另外 4 个里，3 个是误报，1 个只是普通 bug。这个确认的漏洞预计会作为低严重性的 CVE，在 curl 8.21.0 发布时公开，时间计划在 2026 年 6 月下旬。Daniel 的态度比较平衡：他认为 Mythos 很有用，但目前看不出它比其他 AI 安全工具强到“危险”的程度。#AI创造营#

转发者评论

无明显转发评论

原文

【谷歌发布Gemini Intelligence：安卓系统全面接入AI】谷歌今天公布了安卓17的一些详细特性，同时还发布了Gemini Intelligence，宣布该AI能力全面登陆安卓平台，推动安卓从操作系统向智能系统升级，今年夏季起分批推送。主打跨应用多步骤任务自动化，可自动完成打车、购物、预订等繁琐流程。

转发者评论

无明显转发评论

原文

【在互联网泡沫鼎盛时期巴菲特和芒格的回答经受住了时间的考验】2000年4月29日，互联网泡沫最疯狂的前夕。有人在伯克希尔的股东大会上，当着几万人的面，直接向巴菲特和芒格开炮：你们为啥不拿10%去投互联网？这位股东站起来，语气里带着掩饰不住的骄傲与抱怨。他自己把钱投进科技类激进增长基金，赚了整整一倍了，完美弥补了那年在伯克希尔上的亏损。他质问两位大佬：你们这么聪明，难道就不能拿出10%的钱，去这片唯一能赚大钱的市场里投机一把吗？我们作为股东，这个要求过分吗？面对暴利的诱惑，巴菲特的回答击中要害：我们绝不买自己不了解的东西。什么是了解？在巴菲特的字典里，了解意味着你有合理的概率，能看透这门生意10年后的样子。如果做不到，哪怕别人赚翻天，哪怕别人骂你老顽固，也绝对不碰。巴菲特甚至幽默地反击：既然你赚了一倍，你完全可以自己去单干，投机都是自由的。你以为少赚就是亏。但实际上，试图抓住每一个风口，恰恰是大亏的开始！金融市场的钱是永远赚不完的，但你的本金是可以亏完的。巴菲特接着点出了散户最容易犯的致命错误：把股票代码的跳动当成资产。他说，他和芒格从不因为股价的涨跌而觉得自己变穷或变富。他们只看这家公司的生意本身做得好不好。把公司当成一家非上市的私人企业来评估，股价只是一个随时会出错的参考报价。今天涨了觉得自己是股神，明天跌了觉得自己是韭菜。当你真正理解了资产的本质，市场报价只不过是你利用别人情绪赚钱的工具，而不是左右你情绪的主人。如果你已经拥有了一大笔足以让你生活舒适的财富，而街对面另一个人找到了一种你不懂但暴富的方法，赚钱速度比你快2-10x，你绝不应该为此感到痛苦。我们痛苦，往往不是因为自己没钱，而是因为别人赚钱太容易。对不属于自己的钱保持极度迟钝，是对抗金融焦虑的唯一解药。靠运气赚来的钱，最后往往会靠实力亏回去。无论是当年的互联网科技股、后来的区块链加密货币，还是现在的各种AI狂潮，永远有人在暴富。但学会对这些声音关上耳朵，专注耕耘自己的能力圈，才是真正的长期主义。 美国创业者的微博视频

转发者评论

【我们痛苦，往往不是因为自己没钱，而是因为别人赚钱太容易。】

• 【我们痛苦，往往不是因为自己没钱，而是因为别人赚钱太容易。】

原文

【最新@财新周刊 ｜Meta：AGI迷航】“最近动荡得很呐。”一名Meta员工对财新感叹，“得上班，还得准备面试，因为得随时‘跑路’（离职或被裁员）。”最新财新周刊｜Meta：AGI迷航 Facebook、WhatsApp和Instagram等社交媒体的母公司、硅谷科技巨头Meta（NASDAQ：META）最近踏入多事之秋。公司CEO马克·扎克伯格（Mark Zuckerberg）刚于2026年4月推出“炼化员工”的政策，要求收集员工的电脑操作数据用于训练人工智能（AI）大模型；另一边，继连续两年小规模（约1%）裁员之后，Meta在5月开启大规模裁员，预计这次裁员比例高达总员工数的10%。 Meta最近的股价坐上了过山车。2026年4月8日，Meta时隔九个月发布新一代大模型Muse Spark，受此提振股价大涨6.5%，补回了年初以来的跌幅；然而，4月29日发布一季度财报后，Meta盘后股价应声大跌近7%，一夜之间重回年初水平。 这份财报暴露了Meta当前的多重隐忧：主营收入命脉——Facebook、Instagram和WhatsApp等App系列（Family of Apps）的平均日活跃用户人数（DAU）环比下降，Meta称是由于伊朗断网和俄罗斯的限制使用；与此同时，支出预期上升：一方面，存储芯片涨价，全年AI资本支出预期上限提升100亿美元，总规模高至1450亿美元；另一方面，“毒害青少年”相关诉讼败诉，面临罚款和更大规模的效仿诉讼。

转发者评论

Lecun离开是个分水岭

• Lecun离开是个分水岭

原文

𝗚𝗼𝗼𝗴𝗹𝗲 𝗖𝗼𝘂𝗿𝘀𝗲𝘀 𝘆𝗼𝘂 𝘄𝗶𝗹𝗹 𝗿𝗲𝗴𝗿𝗲𝘁 𝗻𝗼𝘁 𝘁𝗮𝗸𝗶𝗻𝗴 𝗶𝗻 2025Google 生成式 AI 入门网页链接Google 提示工程网页链接Google AI 基础网页链接Google Python 速成课程网页链接机器学习专项课程网页链接Google 云基础网页链接Google 数据分析：网页链接Google 网络安全专业证书网页链接𝐇𝐞𝐫𝐞 𝐚𝐫𝐞 𝐭𝐡𝐞 𝐭𝐨𝐩 𝐀𝐈 𝐜𝐨𝐮𝐫𝐬𝐞𝐬 𝐭𝐨 𝐠𝐞𝐭 𝐲𝐨𝐮 𝐦𝐚𝐬𝐬𝐢𝐯𝐞𝐥𝐲 𝐚𝐡𝐞𝐚𝐝:人人可用的人工智能 - DeepLearning AI 网页链接成为 AI 开发者网页链接生成式 AI 自动化网页链接深度学习专项课程网页链接使用 LLM 构建网页链接面向软件开发者的生成式 AI 专项课程网页链接面向数据分析师的生成式 AI 专项课程网页链接AI 代理开发者专项课程网页链接面向数据科学家的生成式 AI网页链接

转发者评论

无明显转发评论

原文

2026年5月8日，国家网信办、国家发改委、工信部联合发布《智能体规范应用与创新发展实施意见》，明确提出在19个典型场景推动智能体应用，并要求加强智能体互联协议（AIP）等关键国家标准落地。AIP（Agent Interconnection Protocol）是面向海量AI Agent互联的多中心化通信协议，核心解决可信接入、身份认证、能力发现、互联协作、结算交易、行为审计等问题，补齐MCP、A2A协议的短板。该系列7项国家标准由中国电子技术标准化研究院牵头研制，已进入报批阶段，近日将正式公布。为推动标准落地，现启动AIP协议应用验证先锋计划，面向互联网企业、央国企、科创企业、高校科研机构及独立开发者招募先锋伙伴，一般应具有LLM、AI Agent、MCP或A2A应用开发经验。先锋计划围绕三大目标展开：一是标准验证，在真实业务场景中验证跨域身份互认、可信交互、行为审计等核心能力；二是工具赋能，依托已开源的AIP SDK及工具化接入套件，降低集成门槛，鼓励代码贡献共建开发者生态；三是标准推进，参与并完善智能体身份认证、互联协作等标准条款。主要工作分三阶段：接入互联（申领基于国家OID体系的智能体身份码AIC、完成协议改造）、验证测试（跑通AIP核心流程、开展跨协议互通测试）、生态共建（提交开源贡献、反馈标准优化建议）。先锋伙伴可获得权威认证与品牌露出、平台测试环境免费使用、前沿标准优先获取、检测认证技术支持及生态对接推荐等权益，同时需配合测试验证、提供数据反馈并参与生态共建。

转发者评论

无明显转发评论

原文

Claude Code 今天上线了一个新功能：agent view，让开发者可以在一个界面里统管所有正在运行的 AI 编程会话。过去用 Claude Code 同时跑多个任务，只能靠一堆终端标签页和 tmux 分屏拼凑，脑子里还得记着每个任务跑到哪了。现在不用这么折腾了。在任意会话里按左箭头，或者直接在终端跑 claude agents，就能打开 agent view 的总览界面。每一行显示一个会话的状态：在等你回复、还在跑、还是已经完成，一眼能看清。最实用的一点是不用切换上下文就能回复。选中某个会话可以先"偷看"最新进展，如果它在等你做决定，直接在那里打回复，它就接着跑。不用打开完整会话窗口，不打断你手头在做的事。想把某个会话扔到后台？在会话内输入 /bg。想直接起一个后台任务？claude --bg [任务描述]，连前台都不用经过。目前 agent view 以“研究预览”状态上线，Pro、Max、Team、Enterprise 和 API 用户今天就可以用，直接跑 claude agents 即可激活。 宝玉xp的微博视频

转发者评论

Hermes 的 kanban

• Hermes 的 kanban

原文

【以智能为中心的 Googlebook，正在颠覆笔记本的产品逻辑】快速阅读：Google 试图通过全新的“Googlebook”系列重新定义笔记本电脑，核心卖点是深度集成的 Gemini AI。然而，这种“以智能为中心”的营销逻辑在用户眼中却引发了巨大的信任危机：究竟是解决了实际需求，还是仅仅在硬件里塞进了一个全天候监控并推送广告的 AI 助手？Google 最近推出的 Googlebook 概念，听起来像是把 Android 的灵活性与 ChromeOS 的轻量感强行缝合在一起，再往里灌注大量的 Gemini 智能。有观点认为，这种营销策略完全脱离了现实。广告里展示的场景——比如用 AI 帮你逛街买衣服——在大多数人看来极其荒诞。对于追求效率的专业用户，这种“智能”更像是一个随时准备跳出来打扰你的 Clippy 升级版。更有意思的讨论在于，当硬件不再强调 CPU 或内存，而是标榜“Designed for Gemini Intelligence”时，这究竟是在卖工具，还是在卖一种“计算租赁”的体验？如果底层的逻辑是把所有的操作都交给云端模型，那么本地的硬件规格确实变得不再重要。但这带来了一个令人不安的推论：你买下的不再是一个拥有完整文件系统的个人设备，而是一个随时可能因为账号被封或服务停产而变成“电子垃圾”的终端。有网友提到，这种产品逻辑非常像是在把原本属于用户的控制权，置换成了一种对大厂生态的深度依赖。如果 AI 成了操作系统的一部分，它不仅能帮你整理文件，更可能在后台悄无声息地记录你每一次鼠标的晃动，然后精准地为你推送下一件你想买的衣服。现在的产品逻辑似乎在发生某种漂移：硬件不再是为了承载复杂的本地任务，而是为了成为 AI 触达用户的最后一块物理阵地。这种“智能优先”的路径，究竟是在降低计算门槛，还是在通过模糊软硬件边界，完成对用户数据的最后一次围猎？googlebook.google

转发者评论

无明显转发评论

原文

【你是否好奇月壤样本能帮科学家绘就怎样的月球化学图谱？ 】《自然-传感》（Nature Sensors）中的一项研究通过分析嫦娥六号任务获取的月球风化层样本对此进行了探讨。来自中国科学院上海技术物理研究所、同济大学、山东大学、深空探测实验室等机构的研究团队利用光谱数据和残差卷积神经网络，绘制了月球表面氧化亚铁和二氧化钛等主量元素氧化物丰度的分布图。他们发现，月球背面，特别是南极–艾特肯盆地，具有独特的地质特征，这为理解月球的地壳和地幔提供了重要线索。这项研究加深了我们对月球地质的认识，并为未来的月球探测任务提供了指导，该研究登上了《自然-传感》首卷第三期封面。欲了解更多详情，请阅读完整论文🔜doi.org/10.1038/s44460-025-00021-z （本视频由AI辅助生成） #电子书# #学术文献# #学术期刊# #电子教材# #研究生# #博士# #博后# #科研# #实验室# SpringerNature的微博视频

转发者评论

无明显转发评论

原文

我感觉软件或许真的可以消亡了。事情是这样的。最近我用的记账软件广告越来越多，体验越来越差，一气之下我就自己做了一个记账的 skill。做完之后发现，体验好得超出预期。我现在记账特别简单，随时把消费信息发给 Agent 就行。它会自动按照时间、分类、来源帮我做好记录，完全不需要我手动去选类目、填金额、点保存这些繁琐的操作。更爽的是，它还能帮我做汇总分析，直接生成可视化的网页，各种图表都有，饼图、折线图、柱状图，按月、按类目、按来源，想怎么看就怎么看。而且这些全都可以按我自己的需求随便定制，都是一句话的事。大家可以想一想：软件的本质到底是什么？说白了，软件就是把业务逻辑梳理清楚之后，用代码做成一个功能载体。你打开它，点这里，填那里，按流程一步步操作，最终得到你想要的结果。但 skill 把这件事彻底简化了。你不需要打开任何界面，不需要点任何按钮，你只需要用自然语言说一句话，它就帮你完成了。记账是这样，其实很多日常工具类的需求都是这样。软件需要你去适应它的交互逻辑，而 skill 适应的是你的表达习惯。这个变化看起来很小，但仔细想想，它可能意味着一整类轻量级工具软件的存在基础正在被动摇。当 AI 能理解你的意图并直接执行的时候，那个中间层的图形界面，或许真的不再是必需品了。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

Claude Code 推出 Agent View，实现多会话集中可视化与管理。提供统一界面查看 Agent 状态，响应内容与输入需求，同时支持后台模式运行 (/bg)。无需切换终端，即时选择交互，一键唤醒需要人工介入的会话。传送门：claude.com/blog/agent-view-in-claude-code#HOW I AI##程序员##ai编程# 欧巴聊AI的微博视频

转发者评论

//@金山:试了一下，还没感觉出特别呢。也可能是我用CodeX桌面版习惯了

• //@金山:试了一下，还没感觉出特别呢。也可能是我用CodeX桌面版习惯了

原文

但斌@但斌 最新持仓曝光，再度加仓谷歌但斌71只产品创新高，买入美光后涨超135%：网页链接查看但斌最新完整持仓明细：网页链接但斌旗下私募基金最新业绩查看网页链接数据显示，2026年一季度末，东方港湾海外基金共持有12只美股标的，持股市值合计11.33亿美元，折合人民币约为78亿元。其重仓股聚集在AI产业链，第一、第二大重仓股依次仍为谷歌和英伟达，合计占比超50%。截至5月11日收盘，东方港湾的美股持仓中有6只标的4月以来的涨幅超30%；其中，一季度新进买入的美股存储龙头美光科技涨幅超135%。持仓多个季度的“三倍做多纳斯达克100ETF、二倍做多谷歌ETF”自4月以来的涨幅也均在80%左右。#但斌##私募排排网##但斌持仓##但斌持仓一览表#

转发者评论

[作揖][心][鲜花]留个“日记”

• [作揖][心][鲜花]留个“日记”

原文

好家伙，自己在客厅做全基因组测序，有点心动了，就不知道这样做准确率高不高。😂客厅里的基因组测序，生物学正在迎来个人电脑时刻Seth Howes 的家庭基因组测序实验：他用 Oxford Nanopore MinION 便携式测序仪，加上 Claude、Evo2、AlphaGenome 等 AI 工具，在自家客厅完成基因组测序，并尝试追溯家族自身免疫疾病的遗传机制。真正重要的不是“00 后小哥很强”这种爽文壳，而是工具链闭合了：MinION 把 DNA 读取设备桌面化，Evo2 / AlphaGenome 把基因组功能理解模型化，Claude 把 BED 文件生成、生信操作和实验流程接口语言化。硬件、模型、界面三层同时下降门槛，个人实验室才开始像一件真实的事。文章里的成本曲线也很刺眼：2003 年人类全基因组测序约 27 亿美元，2014 年降到 1000 美元级，近年部分平台已到 200 美元以下；Seth 这次实验约 1100 美元。成本一旦继续下探，基因组测序可能从医院/机构服务，变成个人健康基础设施。但冷水也要泼：能在家测序，不等于普通人能安全解释和干预疾病。生物数据的隐私、误读、临床验证和伦理风险都会一起放大。个人生物学最迷人的地方，也是最危险的地方：人终于能读自己的生命代码，但读懂和改写之间，还隔着一整个深渊。🔗 参考项目：网页链接🔗 原始讨论：网页链接🔗 中文阅读：网页链接#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

#复读经典# 并行编程很难吗？如果是，你能做些什么呢？ Is Parallel Programming Hard, And If So, What Can You Do About It?这是Paul E. McKenney写的一本电子书，还一直在更新，目前最新版本是 v2024.12.27a下载链接：网页链接Paul E. McKenney是世并行编程专家，Linux 内核中 RCU 实现和 rcutorture 测试模块的维护者，也是RCU的发明人。对于实时操作系统内核同步机制（例如 Linux 中的实时 RCU）、Linux 和 UNIX 操作系统内核中的 SMP/NUMA 可扩展性和性能、网络性能分析、路由和拥塞控制， 嵌入式实时应用程序有着丰富的经验和研究。#AI创造营#

转发者评论

无明显转发评论

原文

【两个哈佛女生用AI做电池故障排查，数月的工作量被缩到了几分钟】两位哈佛毕业的女生 Eva Tuecke 和 Catherine Yeo 用 AI 改变了电池故障排查，她们创立的 Altara 公司在近日获得 700 万美元种子轮融资，估值 7 亿美元，领投方是 Greylock。Neo、BoxGroup 和 Liquid 2 Ventures 也参与了本轮融资，此外还有包括 Jeff Dean 在内的知名天使投资人以及 #OpenAI# 和 AMD 的高层领导。以前，一块电池在研发测试中突然失效，工程师得翻遍传感器日志、温度记录、湿度数据和历史故障报告，这种排查往往耗费几周甚至几个月。而她们的系统能把散落在各处的研究数据整合到一起，把几周的排查时间压缩到几分钟。也就是说，Altara 希望帮助包括半导体、电池和先进材料在内的物理科学公司，将分散的数据在数分钟内（而非数月）转化为可执行的智能信息，通过提供加速关键科学和工程工作流程的 AI 工具，确保前沿创新不再受制于传统软件和数据系统。Eva Tuecke 曾在费米实验室做粒子物理研究，也在 SpaceX 工作过。Catherine Yeo 是哈佛计算机专业出身，做过 AI 研究员和单口喜剧演员。两人在哈佛读计算机时相识，2025 年共同创立了 Altara。戳链接查看详情：网页链接

转发者评论

“做过 AI 研究员和单口喜剧演员”，厉害了 //@CC女士不是西西:看了下官网，数据繁多杂乱的现状是真实的，需求也是真实存在的，但解决方案目前看起来太轻了，如果不结合AI for simulation的话，很多行业的结果是很难让人信任的。AI for simulation对这种模式又太重了，需要深耕行业//@宝玉xp://

• “做过 AI 研究员和单口喜剧演员”，厉害了 //@CC女士不是西西:看了下官网，数据繁多杂乱的现状是真实的，需求也是真实存在的，但解决方案目前看起来太轻了，如果不结合AI for simulation的话，很多行业的结果是很难让人信任的。AI for simulation对这种模式又太重了，需要深耕行业//@宝玉xp://

原文

谷歌I/O大会开幕前夕，原生视频模型Gemini Omni意外曝光#科技先锋官# ——Gemini移动端App主页流出截图，全新视频生成入口上线，宣称支持视频重混剪和对话式直接编辑。Omni被认为是全模态模型，同时支持文本、图像、音频、视频的输入与输出。与Veo不同，它将深度集成进Gemini，具备更强的提示理解与推理能力，并支持10秒时长、1280×720分辨率的视频输出。真正引爆全网的，是几个提前流出的demo。其中最炸裂的一个，是教授在黑板上一步步推导三角恒等式，公式正确、推导连贯、笔迹自然，而这段视频仅用了一句提示词生成。文本与公式一致性一直是视频模型的「阿喀琉斯之踵」，Omni的表现让许多人直接破防。生成之外，实时编辑是Omni另一张王牌。演示中，它可一键去除视频水印且画面毫无破绽，一句话即可将视频中的物体精准替换，光影与遮挡关系自动适配；此外还支持风格化输出，动漫打斗场景每帧均达专业动画质感。Omni泄露的时间节点格外微妙——两周前，OpenAI的Sora App刚刚正式停服。Sora每天推理成本高达百万至千万美元级别，峰值百万活跃用户跌破一半，30天留存率不足8%，整个生命周期应用内收入仅约210万美元，连一天算力费都覆盖不了。此次泄露的谷歌模型阵容还包括Gemini 3 Flash、3.1全系列及音频模型Lyria 3 Pro，并将针对核心模型推出专属Agent版本。谷歌I/O将于5月19日开幕，Gemini Omni极有可能在主舞台正式亮相。

转发者评论

无明显转发评论

原文

交大每周给学生送10亿tokens。按腾讯云99元/亿token算，相当于每周送1000块，每月4000。大学与大学的差距这一刻具象化了！#抗博学AI#

转发者评论

这个真是太赞了[good][good][good]//@那个Hawk啊:就像给你一个亿不一定知道怎么花，给你一百个员工不一定知道怎么管一样，怎么把算力资源有效地全花出去，这也是技能来的。每个大学都应该做这件事//@包特_ExpEcon://@凯雷:[good]//@pigfan的春天:交大时代//@version_n:应该是自己买卡部署了平台//

• 这个真是太赞了[good][good][good]//@那个Hawk啊:就像给你一个亿不一定知道怎么花，给你一百个员工不一定知道怎么管一样，怎么把算力资源有效地全花出去，这也是技能来的。每个大学都应该做这件事//@包特_ExpEcon://@凯雷:[good]//@pigfan的春天:交大时代//@version_n:应该是自己买卡部署了平台//

原文

最近唱衰美股英伟达、唱衰中际旭创都不太成功，需要修正认知，重视业绩表现认知方面，我对长期观察较有心得。但A股美股明天、下周、下月是涨是跌，显然不可能猜对，对了也是蒙的。之前600多元唱衰中际旭创，就是看不惯，觉得涨太多了。现在要冲击1000了，市值1.1万亿，显然唱衰失败。这是一个非常危险的信号，因为自我感觉以前唱衰成功率还是较高的，好几个股唱衰都得手了。现在唱衰之后，居然大涨了，有点不对。如果唱衰之后，涨了10%再跌下来，那没啥事，算时间点误差。如果又涨了50%，那是趋势性错误，说明认知有问题。对于美股也是如此，我一直唱衰说是泡沫，5万亿美元市值的英伟达是泡沫。但也有段时间了，跌下来又涨上去了。我本来以为英伟达在170-200之间震荡了大半年，是顶部。但现在看来是抬高了市场平均成本，突破往上走了。总结下，为啥唱衰英伟达和中际旭创失败。最大原因是业绩，这两公司利润是真有，所以基于公布的业绩，就可以不断提出更高的估值、做实前面的估值。逻辑是这样的：AI是不是泡沫，是“好泡沫”还是“要崩的坏泡沫”，这些肯定是有争议的，市场里看好的人、看衰的人肯定都有，处于平衡的状态。这些现在没有办法判断，未来就是不确定的。这是科技发展的特征，如果后面技术突破、产业应用突破，就是好泡沫；如果时间花得很长，那前面过于乐观的估值就是泡沫，破灭大跌。这两种前景说不清，也没办法完全说服，确实说不清，只有“实战”走出来。因此，要中立观察或者概率论观察，不能赌博一样说，一定成功，一定失败。给不出绝对判据，只能概率。在这种情况下，业绩就是很重要的信号，包括“业绩指引”。如果业绩不好了，那立刻就崩了。但如果业绩不错，那在原本多空平衡的情况下，股市就会偏向多头了。因此，要关注业绩信号，不要一味唱多或者唱空。要学习AI的认知论。AI自己是没有态度的，但对于接收的输入非常重视，会全面调研综合各种信息。因此，在认知上，要重视信息、信号，这样在平衡局面下，就会有不错的预测能力。如果有绝对的理由，那可以胜过短期信号。但有些重大观察，不可能给出绝对的压倒性理由，就需要重视业绩等短期信号。

转发者评论

//@第一眼微博:北美几家大厂业绩较大幅度上升，验证了AI的发展情况，AI所有传递通过token，它需要光传输，光传输的头部玩家是谁，未来2、3年是否过剩，这几个逻辑如果清楚了，猜股价涨跌干啥？投资是对一门生意的理解，投资不是猜图和K线！

• //@第一眼微博:北美几家大厂业绩较大幅度上升，验证了AI的发展情况，AI所有传递通过token，它需要光传输，光传输的头部玩家是谁，未来2、3年是否过剩，这几个逻辑如果清楚了，猜股价涨跌干啥？投资是对一门生意的理解，投资不是猜图和K线！

原文

最近很多人也在问我，我用Agent，是怎么跟很多数据进行交互的。我说我其实分的比较开，一部分是本地数据，一部分是在飞书上的云端数据，我们公司现在将近30号人，我对大家的要求是，需要跟同事协同的，都一律上云。所以其实很多的交互，都是我让Claude Code直接跟飞书进行交互的，包括我们公司小伙伴也是，大家用图形化界面的时间占比，反而变得越来越少了。之前飞书CLI第一次开源出来的时候，我写过一篇，数据非常好。但是现在其实已经过去一个月了，从之前的那一些能力，飞书一直在背后默默的加，加到昨天我统计了一下，将近120项。有点过于离谱了，CLI开放的能力，都已经快追上API了，这个其实是有点离谱的。现在，你用比如Claude Code之类的操控飞书，如果要求没有那么高那么极客的话，几乎所有的事情，你都可以做了。所以，我也想给大家分享一下，我们自己用Agent跟飞书CLI交互的案例，我觉得还是蛮有意思的。过程中是真的有好几个让我非常惊艳的瞬间。#how i ai# AI 分享5个Claude Code + 飞书的超实用Agent办公玩法。

转发者评论

//@巍峰:转发微博

• //@巍峰:转发微博

原文

【AI绘画每日一词】精致立体刺绣风插画🎯 这个提示词为什么值得学？今天要拆解的是一个让无数设计师眼前一亮的提示词——立体刺绣风插画。它解决了什么痛点？ ✅ 想要高级手工质感？没问题 ✅ 想要中文文字精准渲染？稳定出图 ✅ 想要独特的东方美学？中西合璧更重要的是：可套用性极强，换个主体就是全新的作品。📝 完整提示词精致立体刺绣风插画，浅浮雕纤维艺术效果，纯净「蚕丝白 + 奶白」底色，细腻丝线质感。画面为数只小鸟停在蜿蜒花枝上，周围点缀粉白、浅桃、珊瑚粉、淡金色花朵与叶片，构图轻盈雅致、留白充足。鸟儿羽毛以奶白、浅蓝、淡粉、浅金丝线刺绣表现，花枝纤细自然，花朵层层叠线，整体呈现高级手工刺绣、丝线堆绣、柔和光影、细节丰富、温柔清新的艺术效果。🔄 延伸用法（5种变体）变体1：节日贺卡将小鸟换成「一家三口」，花枝换成「梅花枝」，底色改为「中国红+金色」→ 春节贺卡素材变体2：品牌Logo将小鸟换成「单只鹤」，留白处加入品牌英文名，缩小主体比例→ 高级服装品牌Logo变体3：绘本插画将小鸟换成「小女孩背影」，添加「月亮/星星」元素→ 儿童睡前故事插画变体4：包装设计将主体换成「单朵牡丹花」，去除留白改为满版图案→ 茶叶/香薰包装变体5：手机壁纸将主体换成「猫咪剪影」，底色改为「莫兰迪灰蓝」→ 治愈系手机壁纸🚀 进阶玩法组合1：+ 日式和风 添加 “Japanese silk embroidery aesthetic” → 和洋折衷风格组合2：+ 波西米亚风 添加 “boho chic embroidery pattern” → 波西米亚挂毯风格组合3：+ 赛博朋克 将”丝线”改为”霓虹光纤线” → 赛博刺绣艺术组合4：+ 浮世绘 添加 “in ukiyo-e woodblock print style” → 日式浮世绘融合刺绣📌 总结这个提示词的核心公式：「风格定位」+「质感描述」+「色调锁定」+「主体细节」+「意境关键词」记住：越具体的描述=越稳定的效果#HOW I AI##gptimage2##AI绘画每日一词##德里克文的ai学习笔记#

转发者评论

无明显转发评论

原文

【大脑语言预测的真相：按语法结构分界，而非盲目概率推演】快速阅读：大脑在处理语言时，并非像 LLM 那样无差别地进行下一个词的概率预测。研究发现，大脑会根据语言的语法结构调整预测精度：在短语内部，预测很精准；一旦跨越语法边界，预测精度就会下降。这意味着大脑不仅在问“下一个词是什么”，更在问“我正在构建什么样的结构”。最近一篇 Nature Neuroscience 的论文《Constituent-constrained word prediction during language comprehension》引起了广泛讨论。它试图拆解一个流行的偏见：人类语言处理是否只是某种生物版的“下一个词预测”？结论是：不完全是。大脑确实在预测，但它不是一个盲目的概率引擎。当我们在一个连贯的短语里时，大脑的预测表现得像 LLM 一样精准；但一旦遇到语法结构的断层，这种预测的强度就会显著减弱。这说明大脑在处理语言时，会实时构建一套语法树。它在关注结构，而不仅仅是词汇的统计概率。有网友提到，这其实是生物硬件的一种效率优化。大脑为了节省能量，会通过“分块”处理信息，在结构边界处降低预测带宽。但这种讨论也暴露了一个更深层的误解。很多人把语言当成了认知的全部，却忽略了语言只是认知的一个极其薄弱的接口层。有观点认为，人类的思维绝大部分是非语言的，是视觉、直觉和抽象概念的海洋。语言只是我们将这些庞大的非语言思想，压缩成序列化格式以便传递的手段。如果把语言比作一种数据传输协议，LLM 模拟的是协议本身的统计规律，而人类是在用协议传递背后真实的物理世界、情感和意图。我们到底是在预测语言，还是在通过语言预测世界？www.nature.com/articles/s41593-026-02272-6

转发者评论

无明显转发评论

原文

#OpenAI##马斯克诉openai案# 马斯克 VS 奥特曼的世纪庭审，也太劲爆了——感觉自己像是瓜田里的猹，一瓜未平一瓜又起。吃不过来，根本吃不过来……这不，就在刚刚，OpenAI的造富神话被「一不小心」炸了出来。OpenAI员工全都赢麻了！！！著名前员工Ilya当堂作证：「至今仍手握OpenAI 70亿美元股权」总裁Brockman更是透露：不多不多，也就持股区区300亿美元～“都是我和奥特曼的血汗泪啊！”而一旦庭审胜诉，即便现在明面上0持股，奥特曼的天价股权也在加速赶来的路上。不止高管赚得盆满钵满，OpenAI对普通员工的分钱力度，更是令人咋舌。75人均套现两个小目标，更有超600位百万美元富翁新鲜出炉。其中，还有不少都是ChatGPT爆火后才加入公司的新员工。一夜之间财富自由，这才是真正意义上的，上车即暴富。Anyway，反正我是流下了羡慕的泪水😢网页链接

转发者评论

无明显转发评论

原文

算力账单暴涨！你给OpenAI花的钱，全成了三星SK海力士的年终奖#科技先锋官# AI到底有多贵？你买AI花的钱都去了哪里？现在，连英伟达自己的AI账单，已经比员工成本还贵了。几周前，英伟达应用深度学习副总裁Bryan Catanzaro讲了一句话：对我的团队来说，算力的成本已经远远超过员工的成本。类似的，Uber CTO承认了一件事：Uber在2026年头四个月，就烧光了全年的AI预算。罪魁祸首是Claude Code，95%的工程师每天都在用。所有人都在喊AI贵，所有人都在为AI付钱。据Gartner最新数据，2026年全球IT支出预计达6.31万亿美元，同比增长13.5%，其中数据中心系统支出暴涨55.8%至7880亿美元。但很少有人追问一句——这些钱，最后流到了哪里？流向了三星和SK海力士的员工年终奖把镜头从硅谷转到首尔，答案立刻就清楚了。韩国两家存储老巨头已经进入印钞模式，利润率反超英伟达！5月11日，SK海力士股价一度涨超15%，盘中触及194.9万韩元的历史新高，市值突破9000亿美元。年初至今累计涨幅约197%——五个月，股价翻了将近三倍。Q1财报把反超英伟达四个字直接写在了数字里：营收52.58万亿韩元（约355亿美元），同比+198%营业利润37.61万亿韩元（约278亿美元），同比+405%营业利润率72%，超过了英伟达的65%净利润率77%72%的营业利润率，刷新了半导体制造业的纪录。什么概念？SK海力士每卖出100块钱的内存，72块钱直接进利润。老对手三星电子也没闲着。Q1半导体业务营业利润53.7万亿韩元，贡献了集团总利润的94%。市值突破1万亿美元，成为继台积电之后第二家进入万亿俱乐部的亚洲科技公司。韩国综合指数一举突破7000点。三星和SK海力士两家公司，合计占韩股权重超过43%——一两家公司，几乎扛起了半个韩国股市。公司赚得太狠，员工都坐不住了。SK海力士2025年9月废除了利润分享金不超过基本工资10倍的旧规。2026年2月，公司基于2025年业绩发放了一笔奖金：人均约1.4亿韩元（约70万人民币），相当于月薪的2964%。而这只是开始。基于2026年Q1的恐怖业绩，分析师预测明年2月发放的奖金，人均将达到6到7亿韩元——约290到340万人民币。再下一年，可能冲到9亿韩元（约640万人民币）。明年这个数字预计涨到约7亿韩元——约320万人民币。三星员工急了。4月23日，拥有7万名会员的三星电子工会宣布，5月21日启动18天罢工，要求公司把15%的营业利润用于发奖金。「我的同事几乎都想跳槽去海力士。」一位三星工程师在罢工现场对媒体说。把两边数据放在一起对比，故事就完整了：英伟达副总裁说AI太贵。 Uber CTO说预算烧光了。 SK海力士的利润率反超英伟达。 三星员工要分公司15%的利润。这是同一条账单的两头。买家越喊贵…

转发者评论

无明显转发评论

原文

不懂技术的人，用 Vibe Coding 的方式去做产品，成功率可能比纯技术人员更高一些。这个说法听起来有点反直觉，但你仔细想想，道理其实很简单。做技术的人，思维特别容易陷入技术本身。他拿到一个想法，第一反应是怎么实现，用什么架构，数据库怎么设计，接口怎么拆分，性能怎么优化。他会花大量时间去打磨技术方案，追求代码的优雅和系统的完备。但问题是，产品成不成，跟技术方案优不优雅，关系没那么大。一个产品能跑起来，核心在于它解决了一个真实的问题，有人愿意用，有人愿意掏钱。这些事情跟技术实现的精细程度几乎无关。很多成功的产品，早期代码写得一塌糊涂，但它切中了需求，用户根本不在乎你底层是怎么跑的。不懂技术的人反而有一个天然优势：他没有技术包袱。他不会纠结于实现细节，不会在架构选型上反复犹豫，不会因为觉得代码不够漂亮就推倒重来。他想的全是用户层面的事情：这个功能对用户有没有用？这个流程顺不顺？用户愿不愿意为这个东西付费？换句话说，他天然就站在需求侧思考问题。而技术人员呢，很容易不自觉地站到供给侧去了。他关心的是我能做什么，我怎么做得更好，我的技术方案有没有瑕疵。这些问题当然重要，但它们是产品跑通之后才需要认真对待的事情。在从零到一的阶段，最重要的是验证需求，快速试错，尽快拿到市场的真实反馈。Vibe Coding 的出现，把技术实现的门槛大幅拉低了。不懂技术的人现在可以很快地把想法变成一个能用的东西，然后直接扔到市场上去检验。他不需要写完美的代码，他只需要一个能跑的版本。技术人员拿到同样的工具，反而容易过度工程化。他会觉得生成的代码不够好，想要手动优化，想要加上各种边界处理，想要把架构做得更合理。这些动作本身没有错，但在产品验证阶段，它们是一种浪费。你花了三个月打磨技术细节，结果发现需求本身就是伪需求，那这三个月就白费了。所以核心的差异在于：不懂技术的人被迫聚焦在问题本身，而技术人员很容易被解决方案的优雅程度分散注意力。做产品这件事，永远是先确认问题值得解决，再去想怎么解决。顺序反了，技术再强也白搭。#科技先锋官##How I AI#

转发者评论

无明显转发评论