微博 AI 观察博客

原文

Stanford CS336（2026）把从零构建语言模型的全流程整合到一门课，提供完整的大模型开发实战训练。不仅有Transformer从头实现、高性能优化（FlashAttention2、Triton内核），还覆盖数据清洗去重、Scaling Laws、RLHF对齐，甚至分布式训练系统。官网：cs336.stanford.eduYouTube：youtube.com/playlist?list=PLoROMvodv4rMqXOcazWaTUHhq-yembLCV主要作业：- Assignment 1：实现Tokenizer、Transformer架构、优化器，从零训练语言模型；- Assignment 2：性能剖析+FlashAttention2 Triton实现，构建分布式训练系统；- Assignment 3：Scaling Laws分析，预测模型扩展性能；- Assignment 4：处理Common Crawl原始数据，数据过滤+去重；- Assignment 5：SFT+RL对齐，训练数学推理模型（可选DPO安全对齐）。5单位实战课，支持GPU云服务（Modal $6.25/hr免费额度），Python/PyTorch熟练即可，适合AI研究者和工程师。前置：CS229/CS224N线性代数概率论，超多代码量！#StanfordCS336##语言模型##大模型训练#

转发者评论

无明显转发评论

原文

#模型时代##马斯克库克黄仁勋等进入会谈现场# 黄仁勋斯坦福CS153讲座：仅为“所谓自己热爱的事业”努力是错的，做任何事都应全力以赴作为AI博主，今天发一下黄仁勋的讲座，应该是恰逢其时吧。黄仁勋照例讲了关心芯片分配的叙事，还说斯坦福缺GPU，不是因为别人抢走了货源，而是自己的采购分配策略不合理。这是NVIDIA CEO黄仁勋出现在斯坦福大学CS153（Frontier Systems）的第二年讲座。这门课由a16z合伙人Anjney Midha和前Twitter工程VP Michael Abbott联合授课，每周请一位行业顶级人物来讲。黄仁勋是回头客，去年冬季学期就来过。这次对话覆盖面极广：从芯片co-design哲学到四代架构路线图，从MFU为什么是错误指标到开放模型战略，从能源千倍缺口到GPU出口管制争议，还顺便聊了Denny's的炸鸡和Superbird三明治。黄仁勋的风格一如既往，一个词能触发长时间独白。一个重要背景：就在这次讲座前不久，xAI被曝出其Memphis集群的MFU仅11%。MFU衡量的是芯片理论算力被实际利用的比例，11%意味着近九成算力在空转，这个数字在行业内引发了对大规模算力利用效率的激烈讨论。黄仁勋在课堂上直接回应了这个话题，给出了完全不同于常规解读的视角。同时，NVIDIA刚在2026年3月GTC上正式发布了Vera Rubin架构，Feynman架构的技术细节也首次公开。一、计算范式重塑：Co-Design如何制造百万倍加速1、计算正在经历64年来最剧烈的重写黄仁勋的起手判断：从IBM System 360算起，计算的基本模型在过去六十多年里没有根本改变。PC、互联网、移动、云，表层变化巨大，但底层的编程模型、处理架构、软件方法论本质相同。变化发生在现在。过去的计算是"预录制"的，软件提前写好，内容提前存好，用户按需调用。AI时代的计算是"生成式"的，一切实时产生，能感知上下文，能响应意图而非仅仅执行指令。这个转变影响的是全栈每一层：开发方法论、团队组织方式、计算机架构、网络存储、云服务、应用类型。黄仁勋在这里给了一个极简的框架来理解当前AI的能力边界：思考就是生成供自己内部消费的token，工具调用就是生成供外部消费的token。 GPT出现的那一刻，他就看到了"思考"即将到来，因为思考本质上和生成图像、生成文字是同一件事。从这个框架出发，agentic系统的出现只是时间问题。2、Co-Design的斯坦福血统黄仁勋把co-design追溯到斯坦福前校长、MIPS处理器架构师John Hennessy的RISC工作。RISC的核心洞察是：一颗极度优化但难以编译的处理器，不如一颗简单处理器配合优化编译器。两个系统协同设计的整体性能，超过各自单独优化再拼在一起的效果。NVIDIA把这个思路推到极端。黄仁勋说NVIDIA可能是…

转发者评论

无明显转发评论

• //@嚼物理的小锺:‘’Everybody should have AI. Nobody should have nuclear bombs.''哈哈他当然希望不要把 GPU 绑定成武器啦。另一个是他讲训练穿越痛苦后持续的掌控感（我理解的），深表赞同，通过对痛苦和压力来锻炼韧性非常重要哦

原文

Anthropic 刚推出 Claude for Small Business，把 AI 直接集成到 QuickBooks、PayPal、HubSpot、Canva、DocuSign 这些小企业每天用的工具里。你只要打开 Claude 桌面端的开关，就能一键启动 15 个预设技能：工资核算、现金流预测、催款、做营销素材、签合同，甚至新员工入职全自动搞定。收费方式很克制：不额外加钱，只要 Claude 订阅费加上 SaaS 工具的钱。安全方面也放心，工作流必须人为启动审批，Claude 拿不到你本来没有的权限，Team 和 Enterprise 用户数据默认不拿来训练模型。最近 Anthropic 发布节奏很快：上周金融版发布，这周法律版更新，现在轮到小企业版了。理由也很直接：美国小企业撑起44%的 GDP，却一直没人专门给他们做 AI 产品。5 月 14 日开始，Anthropic 会在芝加哥、达拉斯等十个城市办免费半天培训，每场限 100 个本地小企业主。线上还有和 PayPal 合作的免费课程，让老板们快速搞懂怎么用 AI。不过，这招对传统 SaaS 厂商不算友好。Claude 把 QuickBooks、HubSpot 这些工具变成后台，用户界面都不用打开。过去几个月，Salesforce、DocuSign 等公司的股价已经一路下跌。Anthropic CEO Dario Amodei 甚至说过：“单个 SaaS 厂商很可能迅速失去市值，甚至倒闭”。但讽刺的是，这次 Claude 接入的工具列表里，恰好有几家他刚刚点名的公司。一边说人家要倒闭，一边还要用人家的工具……产品页面：网页链接 宝玉xp的微博视频

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

回复@秋天的韭菜_:appstore 个人身份就可以上，也能收钱。个别分类不行，但能做海外市场，apple 自动帮你处理海外收款问题。//@秋天的韭菜_:有些app需要电信业务经营许可证icp，注册资金需要100w，现在都要实缴才行了 哎 哪里有那么多钱//@Easy:额，一人公司的那个人，是收钱的老板… 所以叫做零员工

• 回复@秋天的韭菜_:appstore 个人身份就可以上，也能收钱。个别分类不行，但能做海外市场，apple 自动帮你处理海外收款问题。//@秋天的韭菜_:有些app需要电信业务经营许可证icp，注册资金需要100w，现在都要实缴才行了 哎 哪里有那么多钱//@Easy:额，一人公司的那个人，是收钱的老板… 所以叫做零员工
• 额，一人公司的那个人，是收钱的老板… 所以叫做零员工公司比较好。 //@刘江总编:来自国内领军学者的判断，AI大模型进入新阶段了。关键词：长时程任务（几小时、几天、几个月、几年……，潜台词是啥都能干），三大技术支柱（记忆，持续学习自我判断），每个行业都面临颠覆，一人公司OPC已经out了，接

原文

问：上下文（Context）和上下文窗口（Context Window）什么差别？这两个概念经常被混用，但其实指的是不同层面的东西：上下文是指 AI Agent 在执行任务时实际拥有的所有信息，包括系统提示词、用户的对话历史、检索到的文档、工具调用的结果、记忆模块注入的内容等等。你可以把它理解为“Agent 此刻脑子里装的所有东西”。上下文是一个动态的、可以被工程化管理的概念——哪些信息该放进来、什么时候放、怎么组织，这就是现在越来越多人说的 Context Engineering。上下文窗口则是模型层面的一个硬性限制，指的是模型单次推理能处理的最大 token 数量。比如 128K、200K、1M 这些数字，说的就是上下文窗口的大小。它本质上是一个“容器的容量”。打个比方：上下文窗口是你厨房操作台的面积，上下文是你实际摆在台面上的食材、调料、菜谱和工具。台面就那么大（上下文窗口有上限），但你放什么上去、怎么摆放（上下文的管理）决定了你能不能高效做菜。在 Agent 开发中，一个核心挑战就是：Agent 需要的上下文往往远超上下文窗口的容量。对话越来越长、工具调用结果越来越多、检索的文档越来越大——这些都在消耗上下文窗口的空间。所以才需要各种策略来管理：摘要压缩历史对话、选择性检索而不是全量灌入、及时清理不再需要的中间结果等等。简单总结就是：上下文（Context）是“内容”，上下文窗口（Context Window）是“装内容的容器”。做 Agent 工程的核心功夫之一，就是在有限的“上下文窗口”里塞进最有价值的“上下文”。

转发者评论

无明显转发评论

原文

传统软件开发从零开始写代码，需求模糊、计划反复修改、实现容易偏离预期，效率低下且容易出错。Spec Kit 通过 Spec-Driven Development（规范驱动开发）彻底改变开发流程，让你专注于产品场景和预期结果，而非从头 vibe coding。不仅提供规范定义、架构规划、任务拆解等全流程工具，还支持 30+ AI 编码代理集成，社区扩展上百个，覆盖测试、安全审查、集成 Jira 等各种场景。GitHub：github.com/github/spec-kit主要功能：- 规范驱动开发（SDD）：从 /speckit.specify 到 /speckit.implement 全流程自动化；- 支持 Claude、Copilot、Gemini 等 30+ AI 代理，通过 slash 命令无缝集成；- Specify CLI 工具链：一键初始化项目、生成任务列表、执行实现；- 社区扩展生态：Jira/GitHub 集成、代码审查、安全审计、V-Model 测试等；- 可定制预设和扩展：适配企业标准、合规要求、领域特定流程；- 多平台支持：Linux/macOS/Windows，Python 3.11+ 环境快速部署。通过 uv/pipx 安装 Specify CLI 即可开始，适合个人开发者、团队和企业使用，让 AI 真正成为可靠的开发伙伴。#SpecDrivenDevelopment##AI开发工具##软件工程#

转发者评论

无明显转发评论

原文

【浓缩大学四年计算机课程：10本封神必读书单】计算机科学的本质并非那张学位证书，而是一套理解万物运行规律的底层思维模型。如果将大学四年的课程浓缩为十本必读书目，这便是足以重塑你认知体系的计算机科学路线图。代码终会过时，但计算的原理永恒。人工智能：一种现代方法 (Russell & Norvig)作为AI领域的百科全书，它不仅涵盖了从逻辑推理到机器学习的广度，更重要的是提供了一个统一的视角：如何构建能够感知并行动的智能主体。在算法迭代飞速的今天，理解智能的统一框架比掌握单一模型更重要。算法导论 (CLRS)程序员的内功心法。它教给你的不仅是排序或搜索，而是如何将复杂问题抽象化，并用数学的严谨性去衡量解决问题的代价。计算机程序的构造和解释 (SICP)被称为巫师书。它探讨的是编程的哲学：如何通过抽象和组合来控制复杂性。它会让你意识到，编程本质上是在构建一套表达思想的语言。操作系统导论：三个易懂的篇章 (Arpaci-Dusseau)围绕虚拟化、并发和持久化展开。理解了操作系统，你才真正理解了软件是如何在有限的硬件资源上跳舞的。计算理论导论 (Sipser)这是一本关于边界的书。它探讨了什么是可计算的，什么是不可计算的。这种对计算本质的数学思考，能让你在面对难题时一眼看穿其可行性。数据密集型应用系统设计 (Kleppmann)现代分布式系统的圣经。在数据爆炸的时代，它揭示了如何在不可靠的硬件和网络之上，构建出可靠、可扩展且可维护的复杂系统。深入理解计算机系统 (CSAPP)从程序员的视角出发，打通了硬件架构、编译器、链接器到操作系统的全链路。它能让你写出的代码不再是浮于表面的指令，而是与底层硬件共鸣的艺术。手写解释器 (Nystrom)如果你想真正理解编程语言，就去亲手创造一种。这本书通过实战让你洞察代码是如何从字符串变成可执行逻辑的，消除对编译技术的恐惧。计算机系统要素：从零开始构建现代计算机 (Nisan & Schocken)又称Nand2Tetris。它带你从最基本的逻辑门开始，一步步构建出硬件、编译器、操作系统，直到运行俄罗斯方块。这种从第一性原理出发的构建感是无可替代的。计算机网络：自顶向下方法 (Kurose & Ross)互联网是现代文明的神经系统。通过自顶向下的视角，你将理解信息是如何在复杂的协议栈中穿梭，最终连接起全球的每一个角落。知识的获取是廉价的，但知识的内化是昂贵的。阅读这些经典并非为了记住结论，而是为了经历那些大师们在面对复杂性时所进行的思考过程。在这个信息碎片化的时代，能够静下心来读完这十本书的人，本身就已经具备了超越大多数人的竞争力。x.com/BookNoteApp/status/2054321294024356253

转发者评论

无明显转发评论

• 感觉第一本会有现代版了吧

原文

mimo2codex：让最新版 OpenAI Codex CLI / Codex 桌面端接入DeepSeek 、小米Mimo等模型的一个代理工具。地址：github.com/7as0nch/mimo2codex内置 小米 MiMo V2.5 与 DeepSeek V4 Pro，并提供通用 provider 机制——不改任何代码、不重新发包，就能把任何 OpenAI Chat Completions 兼容（Qwen / GLM / Kimi / 本地 vLLM / Ollama / LM Studio …）或原生 Responses API（OpenAI 自家）的上游接到新版 Codex。把 Codex 的 Responses API 实时翻译成上游的 Chat Completions API，按客户端发的 model 字段在 provider 之间自动路由。可配 admin Web 控制台。#AI创造营#

转发者评论

无明显转发评论

原文

很多人知道英伟达、ASML，却很少注意到一家真正隐藏在现代工业底层的“光子帝国”—— Coherent 。这家公司今天的名字叫 Coherent，但它本质上是两家美国光电巨头融合后的结果：一家是1966年成立的老牌激光企业 Coherent，一家是1971年成立的 II-VI。2022年，II-VI 以约70亿美元完成对 Coherent 的收购，并最终直接改名为 Coherent。而这次，Coherent CEO 吉姆·安德森也随特朗普访华代表团来到中国。这个细节很值得关注。因为它说明，美国今天带来的，不只是互联网和消费品牌，而是开始把真正掌握“工业底层能力”的企业放到全球产业博弈前台。它最厉害的地方，不是某一个单一产品，而是覆盖了“材料—器件—模块—系统”的完整光子产业链。很多人以为激光只是切钢板、打标、焊接。实际上，今天从 AI 数据中心、光通信、半导体设备，到 OLED 面板、3D 感知、航空航天，背后大量关键环节都离不开 Coherent 的技术。它有几个特别强的控制点。第一，是“激光本身”。Coherent 早期就是全球激光产业开创者之一，1960年代便开始商业化 CO₂ 激光器和氩离子激光器。后来又连续收购 Lambda Physik、Rofin-Sinar 等欧洲激光巨头，形成了工业激光、超快激光、紫外激光的完整布局。今天很多：* OLED 切割* 半导体退火* 精密微加工* 动力电池焊接* 增材制造（3D打印）背后都能看到 Coherent 的设备。第二，是“光通信”。II-VI 原本就非常强于光学材料和光通信器件，后来又收购 Finisar 等公司，进入高速光模块、VCSEL、InP 激光器等领域。AI 数据中心最近为什么大量需要 Coherent？因为 AI 时代，真正的瓶颈已经开始从“算力”转向“数据传输”。GPU 之间的数据交换越来越依赖高速光互连，而 Coherent 恰好控制大量核心光器件和激光技术。第三，是“材料能力”。II-VI 这个名字本身就来自元素周期表 II-VI 族化合物。它早期就是做碲化镉、硒化锌等激光材料起家。后来又扩展到：* 碳化硅（SiC）* 砷化镓（GaAs）* 磷化铟（InP）* 光学晶体* 精密光学镀膜这些东西听起来冷门，但其实是现代光电子工业的底座。很多企业能组装设备，但真正难的是材料和工艺。而 Coherent 最大的护城河之一，就是几十年积累下来的材料、晶体生长、镀膜、封装和精密制造能力。本质上，这家公司控制的不是一个产品，而是“光子工业栈”。如果说英伟达控制的是“电子世界”的算力接口，那么 Coherent 控制的，则是“光世界”的关键接口。而它此次随特朗普代表团来到中国，也说明一个趋势：未来大国竞争，越来越不是单一产品竞争，而是谁掌握了光、电、材料、数据这些底层工业接口。真正重要的，不只是“…

转发者评论

无明显转发评论

原文

【7个高阶技巧，把Claude打造成专属思考伙伴】快速阅读：大多数人只发挥了 Claude 10% 的能力，因为他们把它当成只会检索信息的 Google，而不是一个具备推理能力的思考伙伴。通过建立持久的项目上下文、定制指令以及改变交互逻辑，你可以将其从一个问答工具升级为深度协作的思维操作系统。要把 Claude 用好，第一步得先停止把它当搜索引擎。如果你只是问“什么是 Prompt Caching”，你得到的只是一个死板的定义。真正的用法是把它当作思考伙伴：告诉它你正在构建一个每会话调用 20 次的流水线，问它这种缓存机制能否在你的特定场景下降低成本。前者是检索，后者是推理。很多人觉得 Claude 给出的回答不够“贴切”，其实是因为你没给它安装“驱动程序”。每次新开对话都要重新解释背景，这不仅低效，还在浪费 Token。你应该利用 Projects 功能，把你的职业背景、沟通偏好、甚至你讨厌的陈词滥调全部写进知识库。这就像是给 Claude 预装了一个属于你的操作系统，让它在每次启动时就处于“已加载用户配置”的状态。有观点认为，AI 的输出质量取决于你喂给它的上下文密度。与其直接要答案，不如要求它“在开始前先问我 5 个关键问题”。这能有效防止它基于错误的预设进行盲目推理。在处理复杂任务时，开启 Extended Thinking 模式非常重要。这让 Claude 在输出结果前先进行内部的逻辑演练，而不是像现在的很多用户那样，只追求即时的、模式匹配式的反馈。如果你想让它写出不像 AI 的文字，别只说“写得自然点”。把你的文章样本喂给它，让它分析你的句长、节奏和词汇偏好，进行风格克隆。更有趣的用法是把它当作“压力测试仪”。不要只让它帮你完善想法，要让它“攻击”你的想法。让它寻找你逻辑中的漏洞，拆解你的假设，甚至扮演反对者。这种对抗式的思维碰撞，比单纯的“润色”要有价值得多。最后，别忘了控制输出的熵值。明确要求字数限制，删掉那些“很高兴为你解答”之类的废话，直接进入核心。Claude 并不比你聪明，它只是拥有无限的耐心和更广的视角。它不是答案的终点，而是你思维的延伸。AnatoliKopadze/status/2054568935274549597

转发者评论

无明显转发评论

原文

内容创作者经常需要访问多个AI平台，图片用Flux或Midjourney，视频用Kling或Sora，唇同步用InfiniteTalk，还得单独找扩散模型和 upscale 工具，来回切换API Key超级麻烦。Muapi 把200+个AI模型全部整合到一个API，提供了最全的图片视频生成解决方案。不仅有Seedance 2.0、Veo3、Sora 2 Pro等顶尖文生视频和图生视频，还支持Nano Banana 2、Flux Kontext、唇同步、多图参考编辑，甚至本地推理和无限预算电影工作流。官网：muapi.aiGitHub：github.com/Anil-matcha/Open-Generative-AI主要功能：- 文生图/图生图，支持Flux、Nano Banana 2、Seedream 5.0、Midjourney等50+模型；- 文生视频/图生视频，集成Kling v3、Sora 2、Veo 3.1、Wan 2.7等60+模型；- 唇同步，支持InfiniteTalk、LTX Lipsync等9个专业模型，图+音频/视频+音频；- 多图输入，支持最高14张参考图的编辑模型（Nano Banana 2 Edit等）；- 电影工作室，专业相机控制（镜头、焦距、光圈），生成电影级画面；- 工作流工作室，节点式多步AI管道，社区模板一键运行；- 本地推理，双引擎支持（sd.cpp + Wan2GP），Mac M系列/RTX GPU全兼容。支持Web/Desktop多平台，pay-as-you-use计费，无订阅限制，适合个人创作者、营销团队和开发者使用。#AI生成艺术##文生视频# 爱可可-爱生活的微博视频

转发者评论

无明显转发评论

原文

高效人工智能系列讲座地址：ickma2311.github.io/ML/HW-SW-codesign/涉及机器学习硬件-软件协同设计，目前有十三讲。Efficient AI 第 1 讲：Introduction为什么 efficient AI 同时需要 algorithmic compression 和 hardware specialization：Deep Compression、EIE、MCUNetV3、高效 LM，以及推动 co-design 的硬件趋势。Efficient AI 第 3 讲：Pruning and Sparsity（第一部分）为什么内存主导能耗，pruning 如何用 L0 constraint 表述，unstructured sparsity 与 structured sparsity 在硬件上的取舍，以及从 magnitude 到 second-order 和 regression-based methods 的主要 pruning criteria。Efficient AI 第 4 讲：Pruning and Sparsity（第二部分）Layer-wise pruning ratios、使用 AMC 和 NetAdapt 的 automatic pruning、pruning 后的 fine-tuning，以及把 sparsity 转化为真实速度和能耗收益的硬件系统。Efficient AI 第 5 讲：Quantization（第一部分）为什么 low-bit arithmetic 能节省能耗，numeric formats 如何在范围和精度之间权衡，以及 K-means 和 linear quantization 如何把压缩与硬件友好的 integer compute 联系起来。Efficient AI 第 6 讲：Quantization（第二部分）Post-training quantization 的 granularity、clipping 与 calibration、AdaRound、带 STE 的 QAT，以及在保持可控性的同时进一步降低精度的 binary / ternary quantization 方法。Efficient AI 第 7 讲：Neural Architecture Search（第一部分）经典高效 building blocks、cell-level NAS search spaces、elastic scaling dimensions，以及从 grid search 到 RL、differentiable search 和 evolution 的主要 architecture-search 策略。Efficient AI 第 8 讲：Neural Architecture Sear…

转发者评论

无明显转发评论

原文

【从零入门AI大模型+智能体，全套优质资源一次性整理好】在这个信息爆炸的时代，学习AI最痛苦的不是找不到资料，而是被淹没在低质量的教程和虚假的所谓专家口号中。真正的深度学习不是被动地消费内容，而是建立起一套能够应对不确定性的决策体系。以下是为你精挑细选的AI学习路线图，涵盖了从大语言模型基础到智能体架构的核心资源。一、 核心视频教程：建立直观认知视频是快速理解复杂概念的最佳媒介。这几段视频涵盖了从底层原理到前沿架构的演进。1. LLM入门指南：youtube.com/watch?v=d5ElIXhbcfA2. 从零开始构建大模型：youtube.com/watch?v=kQmXtrmQ5Zg3. 斯坦福大学智能体AI综述：youtube.com/watch?v=zjkBMFhNj_g4. 智能体的构建与评估：youtube.com/watch?v=D7_ipDqhtwk5. 如何构建高效的智能体：youtube.com/watch?v=9vM4p9NN0Ts6. 利用MCP协议构建智能体：youtube.com/watch?v=kJLiOGIe3Lw二、 顶级开源仓库：实战代码参考代码是开发者最诚实的语言。通过研究这些高星项目，你可以看到工业级的实现方案。1. 微软AI智能体入门课程：github.com/microsoft/ai-agents-for-beginners2. 提示工程深度指南：github.com/dair-ai/Prompt-Engineering-Guide3. 手把手玩转大模型（O'Reilly教材配套）：github.com/HandsOnLLM/Hands-On-Large-Language-Models4. Made With ML（从工程视角看机器学习）：github.com/GokuMohandas/Made-With-ML5. LLM完整课程体系：github.com/mlabonne/llm-course三、 权威白皮书与指南：掌握设计哲学顶级大厂的官方文档往往包含了最深刻的设计权衡，告诉你不仅要怎么做，更要为什么要这样做。1. Google智能体白皮书：arxiv.org/abs/2501.114822. Anthropic高效智能体构建指南：anthropic.com/research/building-effective-agents3. OpenAI智能体实践指南：platform.openai.com/docs/guides/optimizing-llm-accuracy四、 经典论文与书籍：夯实理论根基想要走得远，必须读透那些改变行业范式的底层逻辑。1. 核心论文- ReAct：协同推理与行动：arxiv.org/abs/2210.03629- Toolformer：模型如何自学使用工具：arxiv.org…

转发者评论

无明显转发评论

原文

可以看看被 OpenAI 选中的例子中，这些创业者在用 AI 如何接入现实世界。OpenAI Futures 2026：37 个“AI 原住民”样本，真正变化不是会用 ChatGPT，而是把 AI 接进了行动闭环OpenAI 公布了 ChatGPT Futures 首届名单：26 个个人/团队、合计 37 名 18–25 岁年轻人，将获得 1 万美元无偿资助、前沿模型访问权限，并受邀 6 月到 OpenAI 总部参访。这批人被 OpenAI 称为 “Class of 2026”——第一届从入学到毕业全程有 ChatGPT 陪伴的大学生。看下来最明显的共同点不是“prompt 写得好”，而是他们已经把 AI 当成科研、创业、社会项目里的基础设施。几个样本：Icarus Robotics 做空间站机器人；Known 用 voice agent 和匹配系统推动线下见面；Wi-Find 用 Wi-Fi 信号穿墙探测灾难幸存者；PROTON / ICOR / ChemBERTa / BioReason Pro 把 AI 用在蛋白质、化学、药物发现、生物推理；CreceAI / CaseLink / Audemy / Kollegio 面向街头小贩、无家可归学生家庭、盲人学生、低资源大学申请者。真正值得看的不是“年轻人多厉害”的鸡血叙事，而是 OpenAI 在用这份名单回答：下一代 AI-native 人才长什么样？答案大概是：他们不把 AI 当工具栏按钮，而是把它嵌进一整套循环——发现问题、读文献、写代码、做原型、申请资助、组织社区、验证效果。未来竞争可能不是“谁会用 AI”，而是谁更早学会把 AI 接到真实世界的摩擦里。模型只是引擎，问题感才是方向盘。文章：网页链接（中文）官方页：网页链接（OpenAI）#HOW I AI# #ai生活指南# #AI#

转发者评论

无明显转发评论

原文

五一前夕来中国考察的老外还真不少，这次是Matt White（Linux Foundation 全球 AI CTO，PyTorch Foundation 与 LF AI & Data CTO）带来了他的长文《在中国的八天：我从 AI 实验室、机器人创业公司和学术界学到的事》，爆料更多！阅读地址：matthewdwhite.substack.com/p/eight-days-in-china-what-i-learned文章很长，包括其他几个人没写的DeepSeek团队他也都有接触。而且写的非常详细，每个AI实验室都单独写了一段见闻。再加上他在中国旅游的很多经历等等。摘录几段我没见过或觉得比较好玩的：----（中国的AI实验室）不是靠长时间工作，而是专注。 我曾在一个节假日周末去过一家实验室，办公室里大概只有六名工程师坐在工位上。中国的研究人员通常上午 10 点或 11 点到，工作到晚上 7 点，并在这段时间里保持高度专注。那种认为中国 AI 从业者仅凭更长工时超过美国同行的看法，是一个迷思。他们工作得很聪明。他们知道约束条件。他们能用更少资源做更多事，因为他们一直不得不这样做。----今天的 DeepSeek 大约有 300 人，比其他实验室小得多，大多数成员都在 25 岁左右。商务团队仍然不到 10 人，不过随着实验室更积极地与外部合作伙伴接触，这个团队正在扩大。----Z.ai 的算力结构反映了中国更广泛行业的状况——DeepSeek 更彻底转向华为 Ascend 是例外：大约 80% NVIDIA、20% 华为 Ascend，华为硬件主要用于推理。内部有一个专门团队测试每一种国产芯片，但生产训练部署仍然主要基于 NVIDIA。----(智谱的工程师) 每次发布前都会预留整整一个月的准备时间，专门用于确保SGLang和vLLM在发布当天就能完全支持新模型的功能，并且在模型正式发布前确保推理性能达到极高水平。----在我走访的每个实验室里，大家反复提及的“最值得超越的机构”并非DeepSeek，而是字节跳动旗下核心人工智能研发部门——ByteDance Seed。----剧透：中国某实验室正在进行后续训练，即将发布一个主要模型，预计在未来几周内发布。----英语数据仍然主导预训练，即便对中国实验室也是如此。……DeepSeek V4 是一个值得注意的变体——团队在预训练中比多数同行更重视中文数据。----在多个实验室的交流中，被反复提到、被认为长期值得关注的公司，并不是 DeepSeek 或 Moonshot，而是字节跳动和阿里巴巴。----我拜访的每一家实验室都高度关注 agentic AI。个人 agent 的病毒式采用，尤其是 OpenClaw，确实非常广泛。但更有意思的是：Hermes Agent 正在中国 AI 实验室和企业部署中迅速获得地位，…

转发者评论

无明显转发评论

原文

大模型之战，终于在2026年迎来了最震撼的颠覆性时刻。根据金融科技巨头Ramp发布的2026年5月最新AI指数，一个足以令业内地震的数据出炉了——Anthropic在企业采用率达到34.4%，首次超越OpenAI的32.3%。过去一年，Anthropic企业采用率疯狂增长了近4倍，而昔日霸主OpenAI的增长率竟然只有惨淡的0.3%。Ramp这份数据基于5万多家企业、数十亿美金的真实支出账单，统计的是真金白银，不含免费试用。这意味着，当企业CEO们拍板决定为AI掏钱时，他们越来越多地选择了Claude，而不是ChatGPT。Anthropic逆袭背后，是两个硬核杀手锏。第一刀，是计费模式的暴力美学。Anthropic全面放弃固定订阅费，转型为按Token计费。这个看似微小的改动，却引发了营收端的恐怖海啸——年化营收飙升至450亿美元级别，较年底翻了足足三倍。超过1000家大客户每年向Anthropic支付超过100万美元，连微软今年在Claude上的支出也高达5亿美元。第二刀，是AI Agent的印钞效应。IT自动化巨头Workato用Claude构建Agent工作流后，单季度调用量翻了4倍，一个Agent直接带来100万美元销售额增长。「当企业发现一个Agent能抵5个销售员，他们对AI的依赖度将再放大10倍。」但这种暴利模式，也给企业主们带来了前所未有的压力。Agent会自主「跑路」，ServiceNow和Uber年初就烧光了全年AI预算，CIO们不得不每天盯着账单。企业一边喊贵，一边不敢停——这种「毒品级」的依赖，正是Anthropic在B端杀疯了的底层逻辑。然而，Ramp首席经济学家Kharazian随即列出了Anthropic面临的三重逆风：按量计费天然引导用户用更贵的模型，增长空间有限；服务频繁中断导致用户体验下滑；最新模型更新让含图片提示的Token成本翻了3倍，客户已在喊贵。与此同时，OpenAI迅速出手，向企业提供两个月免费Codex试用。Anthropic的王座，坐得没这么稳。这场关于「谁才是企业级AI王者」的战争，才刚刚开始。十四行诗4.6

转发者评论

无明显转发评论

原文

时报作家Ezra Klein写了一篇专栏，说根据他的采访记录，AI导致大规模失业的情况可能还没有那么严重，坏消息是，严重的问题另有其处：3月的一份民调显示，70%的美国人认为AI将导致自己的就业机会减少，高于一年前的56%，还有30%的受访者担心即将失业。这有什么好奇怪的呢？AI公司的老板们一直在频繁发出劳动力市场濒临瓦解的警告：- Anthropic的创始人表示，最快不超过5年，一半的初级白领岗位就会永久消失；- 微软的CEO则声称，大多数文职工作会在18个月以内就被AI完全接管；- OpenAI发布了一份文件，呼吁实行每周32小时工作制，通过降低人类生产力来缓解大规模失业；- 就在NYT的大楼外面，有一家我根本没听过的AI公司包下了巨幅广告牌，上面写着「停止雇佣人类」；我可真谢谢你们了。如果你对这轮AI叙事深信不疑，那么毫无疑问投降就是唯一的选择。AI被设计为可以廉价模仿人类在电脑上所能做到的所有行为，但它从来不需要睡觉，也无意组建工会，而且确实在许多任务上表现得比真人更为出色。所以公司当然乐于用机器取代人类，它们也已经在这么做了，Meta、Oracle、Block都在努力买断员工工龄，并坦然的把AI写为原因。不过谨慎一点总是没错的，这些科技公司可能只是处在一轮招聘周期的末尾，同时想对资本市场讲述一个刺激投资人颅内G点的故事，AI行业的大佬们固然是神经网络的专家，但他们未必也是劳动力市场的专家。首先，宏观数据没有配合AI行业，2026年3月的失业率是4.3%，去年同期是4.2%，平均时薪亦保持稳定。Claude Code是很牛逼，但软件工程师的岗位需求还在上涨，原因应该不难理解。主流经济学界也对大规模失业的末日预言持怀疑态度，芝加哥大学的经济学家Alex Imas认为，绝大多数讨论AI的话题都存在误区：「答案始终取决于什么会变得稀缺。」- 从人类历史来看，卡路里在很长一段时间里是稀缺的，我们的技能都是服务于寻找食物；- 农业的发展逐渐解决了食物短缺的问题，然后就轮到商品变得稀缺；- 工业制造带来了平价商品的海量供给，接着技术变得稀缺了，医生、律师和工程师因为掌握知识而获得高薪；- 现在我们担忧AI会让知识也不再值钱，就像衣服和草莓如今人人都能消费那样，学习的成果也变成了消费品……但稀缺本身是相对的，AI可以完成的任务被讨论得太多了，更值得注意的是，有哪些任务是人们不希望AI来做的。以下是计量经济学的一个发现：人类的财富越多，他们对于其他人类的需求就会越多，而不是越少。于是，更有人味、体验或者意义的商品和服务，是一定稀缺的，有来路的衣裳、有调性的食物、能面对面的医生、让人感到被理解的理疗师、了解自己孩子的家教……这些社会关系，将会迎来爆发式增长。是的，AI剥夺了人类和电脑共事的场景，而人类又被赶去和人类共事。事实证明，自动化程度越高，我们就越珍视人的温度…

转发者评论

//@宝玉xp:转发微博

• //@宝玉xp:转发微博

原文

1AI 行业现在是卖铲子的赚钱。本质是因为这是 AI 这个全新技术，对所有存量用户的一次性渗透。甭管你是卖玩具的还是卖挖掘机的，都要上 agent 提升效率。但是这种软件的渗透速度会非常快，而且因为 ai 和 agent 运用的门槛降低了，很快存量企业们很可能会开始自己玩了。所以其实任何软件企业的前景都不乐观。2传统认知是 IT 基础设施，企业服务软件，2c 软硬件完成从投入到回本的闭环。但是因为 AI 的低门槛和泛化能力，很可能这里很多东西会被简化。企业也许用很低的人力成本结合 token 建立自己的软件中间层。模型 - 同时适应不同企业甚至 c 端用户的 agent - 硬件 。。。就完了。3 但是最终归根结底，token 在 c 端用户大规模销售的闭环一定要完成。否则 ai 加速算力基建无法维持。 资本大规模投入 ai 加速算力基建之后的唯一避免套牢的方式，就是再大规模投入任何形式的 token 2c 销售。 随着时间推移，资本最终会共识这一点。

转发者评论

无明显转发评论

原文

大家平时该用哪家 AI 来查东西呢？Perplexity 老板的「三类查询」分工法，可以分享给大家。你打开电脑或手机想查个事情，第一个跳进来的问题往往是：用 DeepSeek 问？豆包问？千问问？用 ChatGPT 问？用 Claude 问？用 Perplexity 问？还是直接搜索引擎找？很多人是凭习惯，哪个开着用哪个。但 Aravind Srinivas 这位每天用十几个不同 AI 工具的人，公开讲过一套很清楚的分工法：你不该把 AI 当一个工具用，应该把它们当一个团队用。Aravind Srinivas 是 Perplexity 的创始人兼 CEO。Perplexity 是一家做「AI 搜索」的公司，它最大的特点是每个回答都附引用源，方便用户回查。Aravind 在 UC Berkeley 读完计算机博士，毕业前后在 OpenAI、Google、DeepMind 都做过研究员，2022年创办 Perplexity。他在多次播客里反复讲过一个核心观点：组团队的时候你不会找一群一模一样的人，你会找互补的人。AI 工具也一样。那他自己日常怎么分？可以归成三类查询配三类工具。（因为他原文肯定都是拿国外的 AI 工具来举例，我就直接用他原文里的了。大家直接对照国内的 AI，思路也差不多）第一类是「事实型查询」。你要的是有据可查的具体信息：某条法律条文、某个产品规格、某家公司去年的营收、某个药品的副作用。这类查询最怕 AI 幻觉，模型把不存在的引用说得头头是道。所以最适合用「带引用源的搜索式 AI」。Perplexity 是其中之一（也是 Aravind 自家产品），其他选项还有 ChatGPT 的搜索模式、Google 的 AI Overview、Claude 的网页搜索等。这类查询可以套这样的提示词模板：请帮我查 [具体问题]。要求：每条核心结论后附原始引用源链接；如果有矛盾的来源请同时列出；如果你不确定，明确说「资料不足，建议直接看原文」，不要硬答。第二类是「思辨型对话」。你要的不是事实，是想法、判断、推理。比如「我在两个 offer 之间犹豫，能帮我列每个的长期影响吗」「这个商业模式有什么我可能没考虑到的风险」「这份需求文档逻辑上哪些地方不通」。这类问题最适合用 Claude 或 ChatGPT 这种「能推理、能多轮对话、能反驳自己」的大模型。它们不必给你引用源，给的是一个能跟你来回讨论的智能对手。提示词模板：下面是我面对的具体情境：[详细描述背景、约束、目标]。请先给出你的初步判断；然后切换到对立立场，找出至少三个反对你刚才判断的理由；最后综合两边给我一个更稳的结论。第三类是「长报告调研」。你要的是覆盖面广、需要把多个来源整合的产出。比如「梳理过去三年某行业的并购图谱」、「写一份关于某种新疗法的综述」、「比较五家竞争对手的产品策略」。这类需求最适合用「…

转发者评论

无明显转发评论

原文

#豆包 机票退款#这件事情我前不久刚刚说过，AI胡扯八道已经造成了行业混乱比如给大家举过的例子，有一个考核判定一位青年老师不合格当时人直接崩溃了，为什么不合格，因为支教未满一年当时带着材料冲相关部门质问审核人员审核人员也据理力争，一年是不是12个月？该教师材料上写得清清楚楚，从前年的9月份开学，到次年7月份，当然不满12个月，不算一年，不予认可通过我们当时就愣住了，质问对方，1年支教是指一学年，一学年包括了自九月份开学以来到次年的7月份暑假，自学校成立以来，从未听说有哪个支援单位要求老师支教到暑假8月的，没有学生怎么支教？材料上作假嘛？！然后当时我们回来的时候在复盘的时候感觉不对劲为什么今年审核材料的负责人如此脑洞大开的坚持12个月的说法于是，我们尝试问了一下豆包等人工智能平台破案了，果然是AI,别出心裁的在支教时间上特意强调了12个月的说法可以说，我们发现这个细节的时候，真的是两眼一黑一个青年教师，支教的经历，就这样被AI自作聪明的否定了意难平之下，再次冲过去找到部门进行解释说明，起码在过去无数人的经历和经验没这个说法的，最后把这位老师的材料送上去了你我他，迟早有一天，会出现面对AI的恐怖，那就是AI诱导人类，做出残酷的觉顶，而执行AI决策的人类，毫无察觉，他们以为AI是正确的其实，就像是一个悖论，计算机算不算科学？算是，但拿计算机去算命算不算科学？算吗？能算嘛？现在的AI，胡扯八道，导致用户承担了经济上的损失，而后面会不会耽误一个孩子的前程？会不会导致一个青年的业绩被否定而走上绝路？AI杀人，并不遥远！ 豆包 机票退款

转发者评论

//@蘸盐://@艾芽玛凡:吏滑如油。这次硬顶，后面有的是小鞋。随处可见[二哈]//@纯洁的万事屋:理是这个道理，但是话绝对咬死了，我们知道负责人是搜了AI，相信AI胡说八道，但是我们敢拆穿，这个老师就死定了，人都是要脸面的，所以到这一步，我们知道，但只能想办法用含蓄的办法，让对方理解和信任，说句

• //@蘸盐://@艾芽玛凡:吏滑如油。这次硬顶，后面有的是小鞋。随处可见[二哈]//@纯洁的万事屋:理是这个道理，但是话绝对咬死了，我们知道负责人是搜了AI，相信AI胡说八道，但是我们敢拆穿，这个老师就死定了，人都是要脸面的，所以到这一步，我们知道，但只能想办法用含蓄的办法，让对方理解和信任，说句

原文

【Codex+Deepseek架构：彻底解决AI合成数据质量痛点】快速阅读：通过将 Codex 作为“大脑”负责逻辑编排，Deepseek 作为“肌肉”负责执行生成，可以实现一种近乎自动化的“手工级”数据生产。这种架构通过闭环的质量过滤机制，解决了传统合成数据质量低下的难题。很多人在做 Fine-tuning 时会陷入一个误区：试图用简单的 Python 脚本去改写数据，或者让一个模型既当裁判又当运动员。结果往往是得到了一堆看起来很像样、实则毫无灵魂的低质量数据，模型学到的全是噪音。有效的做法是把“思考”和“执行”彻底拆开。把 Codex 当成大脑，让它去设计一套极其严苛的规格说明书（Specs），甚至直接构建一套工作流。然后把 Deepseek 当成肌肉，它不需要思考，只需要严格按照大脑给出的指令去批量执行。这种拆分让生成过程从“随机发挥”变成了“精密制造”。更有意思的是那个反馈环。Codex 不仅下达指令，还负责守门。每一批数据出来后，它都要通过预设的 Quality Gates 进行多维度打分，不及格的直接扔掉。随着循环进行，大脑会根据过滤结果不断优化给肌肉的指令，这种自我迭代让整个流水线越来越聪明。有网友提到，这种双模型架构非常被低估，很多团队因为让单一模型承担过多角色，导致性能很快遇到瓶颈。也有人指出，这种“手工感”的本质在于那套评分准则（Rubric），如果准则本身很烂，所谓的“手工级”也不过是精修过的废话。用 80 美元就能跑出上亿参数规模的高质量数据集，这种效率的提升来自于架构的解耦。现在的关键问题是，当这种自动化流水线跑起来后，人类介入的边界在哪里？是只在最初批准工作流，还是需要像看 HTML 预览界面那样定期抽检？如果连评分标准本身也开始产生偏差，这个闭环会不会变成一个自我强化的错误循环？x.com/cjzafir/status/2054581194654986526

转发者评论

无明显转发评论

原文

同样的模型同样的月费，多数人还是把智能体当聊天机器人用。聊天机器人只能困在对话框里回复文本，智能体却接上了浏览器、文件系统这些手脚，还能读取记忆并循环执行目标。花着智能体的钱只得到了聊天机器人的体验，这是眼下最亏的用法。AI Master 详细介绍了目前最主流的四款智能体，以及正确使用的方法。Claude Code 名字带了个代码，其实是个万能选手，整理发票和解析 PDF 都在行，最关键的是推理过程透明，适合需要随时纠偏的复杂任务。Codex 门槛最低，只要你付了 ChatGPT 订阅费就自带，碰到耗时长的任务还能丢给云端沙盒跑，电脑都不用一直开着。OpenClaw 走的就是生活化路线，作为开源项目它直接跑在 Telegram、飞书这类通讯软件里，发条消息给他。家里的电脑就会自动帮你归类文件、回复邮件。碰到界面开发和视觉设计，Google 的 Antigravity 优势很明显，Gemini 的多模态能力看图改稿非常准。有了趁手的工具，写提示词的方式也得彻底换。跟智能体说话就像签合同，得包含目标、约束、格式和失败处理这四部分。目标要写结果，告诉它最终交付什么才算完。约束是划定边界，明确告诉它哪些文件绝对不能动。格式要精确到交付哪几个文件，甚至连代码怎么写都得规定好。失败处理最容易被忽略却最省算力，规定好缺信息时必须停下来提问，不能自己瞎猜瞎跑。定好这份契约，智能体就不会乱花你的 Token 做无用功了。要让智能体更顺手，还得给它们建记忆。在项目根目录放一个纯文本文件（例如：claude.md、agents.md），把你的规矩写进去，它每次开工前都会先读。更聪明的做法是让它在每次犯错被纠正后，自己往这个文件里补规则。跑上十几次之后，它就再也不会犯同样的错误了。别再只拿它闲聊了，选好工具跑个真实任务，你会发现效率真的大不同。#智能体框架# #提示词工程# #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

【《科技漫谈》EP05预告丨对话@田渊栋 ：#田渊栋谈DeepSeek冲击硅谷# 】被Meta裁员、从笼中飞出、用一台4090完成论文、三个月后成为创业者——当顶尖AI学者遭遇硅谷裁员潮，他看到的是广阔天地，还是行业拐点?#科技漫谈# 第五期深度访谈，@微博科技 联合出品人@卫诗婕SJ_Jelyne 对话前Meta人工智能实验室研究总监，科幻小说作家@田渊栋 ，从被裁到创业、从Llama3领先全球到Llama4掉下牌桌，拆解AI竞赛最残酷的真相：为什么快不一定是优势？DeepSeek为何让硅谷巨头如此焦虑？Scaling Law真的能把我们送到AGI吗？本次对谈，我们将深入AI竞争最核心的生存法则：大公司的"快"为什么反而会出问题？当整个地球的能源都要为数据中心服务，我们该如何选择技术路线？从推理模型到合成数据、从神经符号推理到测试时计算，什么才是超越Transformer的下一个框架？更重要的是，当裁员成为常态、当AI开始替代程序员，每个人该如何做好离开公司的准备？什么样的能力是AI难以取代的？关注#科技漫谈#，4月2日，访谈正片即将微博首发上线，听一线研究者讲述AI浪潮中最真实的选择、焦虑与突破。 科技漫谈等人的共创视频

转发者评论

恭喜大佬的AI创业项目Recursive Superintelligence正式官宣，拿到6.5亿美元融资和46.5亿美元估值。 //@田渊栋:转发微博

• 恭喜大佬的AI创业项目Recursive Superintelligence正式官宣，拿到6.5亿美元融资和46.5亿美元估值。 //@田渊栋:转发微博

原文

Claude Code 12条浏览器skills，用得上！1）browser：核心，远程浏览器会话，内置反爬 stealth、自动过 CAPTCHA、住宅代理2）site-debugger：自动化脚本跑不通？它分析 bot 检测、选择器失效、时序、auth 问题，生成站点调试手册3）browser-trace：记录完整 CDP 协议 trace（截图+DOM dump），再按页面切分成可搜索的桶，用来排查"脚本跑的时候到底发生了什么"4）safe-browser：给 agent 加域名白名单，只让它在指定网站活动，做受控的爬虫5）cookie-sync：把本地 Chrome 的 cookies 同步到 Browserbase，让 agent 直接用你的登录态6）ui-test：AI 对抗式 UI 测试，分析 git diff 决定测什么，或者直接遍历整个 app 找 bug7）functions：把浏览器自动化部署成 Browserbase 云上的 serverless 函数8）剩余5个：browserbase-cli fetch search what-antibot bb-usage，分别处理 CLI 平台操作、无头抓取、web 搜索、反爬检测、用量统计访问：github.com/browserbase/skills#HOW I AI# #程序员#

转发者评论

无明显转发评论

原文

转：第一上海——腾讯26Q1业绩会总结：股价"错位"是回购良机，2H26 Capex实质性上升#【最强信号：股价错位+回购加码】James明确表态当前股价"存在某种程度的错位（dislocation）"、是"特别好的回购时机"，公司将加速变现投资组合支撑今年余下时间回购节奏。📌 剔除新AI产品后经调整经营利润率43.0%（+3.1pp YoY、+3.7pp QoQ），核心业务经营杠杆完全吸收新AI产品约88亿/季度的拖累——基本面与股价的背离正是"错位"依据。—————————#【业绩会增量信息】1️⃣ 企服token变现尚未体现：token消费明显上升发生在Q1末之后，1Q26企服+20%尚未含token贡献；叠加2H26中国设计GPU供给释放对外产能，云增速有望加快（海外1Q26已+40%）。2️⃣ 视频号广告加载率约4-5%（行业最低），存在显著上行空间。3️⃣ 游戏递延释放：国内流水+10%+但收入仅+6%，春节错期递延流水将在2Q开始确认。—————————#【AI生态：WorkBuddy、Hy3与微信Agent化】⭐ WorkBuddy：中国DAU最大的生产力AI Agent，嵌入微信/企微协作场景。CodeBuddy/WorkBuddy活跃用户留存60%+、付费用户留存80%+。⭐ Hy3 Preview：同参数规模性能领先，4月28日起OpenRouter token使用量第一、5月8日免费期结束后仍居首；内部已部署131款产品、token使用量为Hy2的10倍以上。下一步聚焦更大参数模型。⭐ 微信Agent化：微信/QQ作为通讯界面调度AI Agent，用户在移动端编排Agent完成PC和云端复杂任务；视频号推荐模型升级带动时长+20%+；微信搜索查询量+25%+（大模型驱动排序+图像搜索扩展）。⭐ 小程序作为Agent Skills：开发者工具架构升级，可借助CodeBuddy等AI高效创建/调试小程序；未来小程序代码将演化为Agent调用的工具——Martin明确这是腾讯生态"互相帮助"的独特优势，小程序企业未来将通过被Agent调用获得增量流量。📌 已形成最广Agent矩阵（WorkBuddy/元宝/CodeBuddy/QClaw），属战略投入期。—————————#【管理层其他表态】1️⃣ Capex指引升级：对2H26 capex"实质性、显著"上升的指引"更确定、更有信心"，由中国设计ASIC逐月供给驱动。2️⃣ 云释放窗口：承认此前优先内部用例"主动延迟"对外变现，2H26开始释放产能。3️⃣ 拒绝ARR目标：变化太快（12个月可能上下差出一个数量级），以投资组合视角管理——短周期（广告AI/云租赁）明确ROI，长周期（混元）为franchise投资。4️⃣ 2C变现哲学：Martin明确中国2C订阅不会像西方那么大、A…

转发者评论

无明显转发评论

原文

Learning Beyond Gradients。这篇文章认为AI 的进步不一定只靠训练模型参数，未来很可能还会依赖一种启发式学习：让 coding agent 持续阅读失败案例、修改规则、增加测试、整理经验，把能力沉淀成一套可维护的软件系统。trinkle23897.github.io/learning-beyond-gradients/“Continual Learning 一直难以被解决，主要卡在神经网络的灾难性遗忘：学了新东西，旧能力就容易被冲掉。那如果不把目光只放在神经网络权重上，还有没有其他解决方案？随着 LLM agent 变强，coding 的速度和质量都在提升。但我最近更在意的是另一个现象：coding agent 不训练新网络、不更新权重，只是持续看失败、改代码、加测试、看回放，也能把一套程序系统越养越强。这让我重新看待 heuristic，也就是手写规则和程序策略。过去很多 heuristic 不是没用，而是没人养得起；coding agent 改变的是这条维护成本曲线。于是，过去只能当一次性补丁的规则，开始变成值得长期拥有的代码。凡是可以被持续迭代的，都开始能被解决。这也是 Continual Learning 一直想要解决的问题。它会是既 Pretrain、RLHF、Large-scale RL/RLVR 之后的下一个范式吗？”#AI创造营#

转发者评论

无明显转发评论

原文

转：【国投证券国际TMT】阿里巴巴3月季度业绩总收入同比增3%，剔除高鑫零售和银泰影响为同比增11%，略低于市场预期；经调整EBITA利润51亿元，低于市场预期。核心业务板块看，1）电商：CMR同比增1.2%（vs.市场预期+3%），剔除商家营销发展计划影响（部分补贴直接冲减收入），CMR同比增8%；即时零售收入同比增57%。电商集团EBITA利润同比降40%。2）云智能：收入同比增38%，对比此前三个季度增速为26%/34%/36%，符合市场预期，外部收入同比增40%，AI相关收入占外部收入的30%。EBITA利润同比增57%，利润率提升至9.1%。业绩会要点：1）预计6月季度，百炼MaaS ARR突破100亿元，预计年底突破300亿元。随着模型性能及单卡效率提升，未来毛利率提升趋势确定。2）坚定AI投入，CAPEX或较此前指引的三年3,800亿元提升，平头哥目前占算力的小部分，除自建算力中心外，也通过租赁/共建数据中心。将AI类比为制造业，需要坚定投入训练工厂和推理工厂，以获得中长期收入空间。3）预计未来一年，AI相关收入占阿里云外部收入的50%以上。4）3月季度订单量为去年同期的2.7倍，预计即时零售在FY27结束前实现UE转正。我们的看法：阿里云收入加速趋势不变，未来5年收入复合增速超40%趋势不变。我们认为百炼平台MaaS收入快速增长尤为值得关注，作为开放生态接入多方模型，对比pureplay模型公司的差异化在于其平台生态，有望受益于token调用量指数级增长。现价对应FY27市盈率18倍，即时零售对利润的拖累将逐步消退，阿里云利润率有望提升，我们认为从AI投资主线考虑，阿里目前的投入力度有望支撑其在未来的云+MaaS收入空间。

转发者评论

无明显转发评论

原文

GPT-5.5发布仅三周，GPT-5.6就曝光了。知名爆料人Leo透露，首批检查点已启动内部测试，预计下月亮相。内部代码ember-alpha、beacon-alpha相继被扒出，Codex日志中也出现了GPT-5.6的调用记录，显示其已在跑测试。产品端同步引爆。OpenAI本周四将上线「ultrafast模式」，速度提升2-3倍，专为延迟敏感任务设计。这不是阉割版小模型，而是旗舰模型的正经加速，Agent循环、长任务流水线等场景体验将直接起飞。编程赛道战事更烈。Anthropic抢先宣布6月15日起为付费用户提升50%编程额度；OpenAI随即祭出30天内切换到Codex可免费用2个月的「补贴战」，奥特曼亲自带货，3小时内吸引2000名开发者联系。开发者，成了这场大战最大的赢家。把这一切放在更高维度看，一个深层飞轮正在转动：AI在帮OpenAI造更强的AI，GPT-5.5深度参与了GPT-5.6的开发；数百万开发者用AI编程工具产出的代码，又反哺AI训练。当迭代速度由AI自身驱动，通往ASI的飞轮，已经开始自转了。

转发者评论

无明显转发评论

原文

制作短视频常常需要来回切换多个工具：AI文案生成、图片/视频生成、TTS语音合成、背景音乐添加、视频剪辑合成，流程繁琐耗时。Pixelle-Video 把短视频创作全流程自动化整合，提供一站式AI短视频引擎解决方案。只需输入一个主题，就能自动完成文案撰写、AI配图/视频生成、语音解说合成、背景音乐添加、一键视频输出。GitHub：github.com/AIDC-AI/Pixelle-Video主要功能：- AI智能文案生成，支持GPT、通义千问、DeepSeek等多模型；- AI配图/视频生成，集成ComfyUI工作流，支持FLUX等模型；- 多TTS语音合成，支持Edge-TTS、Index-TTS、声音克隆；- 背景音乐添加，支持内置BGM和自定义音乐；- 多样化视频模板，竖屏/横屏/方形，静态/图片/视频风格；- Web界面一键生成，实时进度显示，历史记录管理；- 支持动作迁移、数字人口播、图生视频等高级功能。支持Windows一键整合包、macOS/Linux源码部署，配置API Key即可零门槛使用，适合自媒体、营销、内容创作者。#AI短视频# #AIGC# #视频生成#

转发者评论

无明显转发评论

原文

转：📌【国投证券国际TMT】腾讯控股(700.HK) 2026Q1业绩first take：营收略低于预期，利润韧性凸显，AI Capex大超预期腾讯5月13日盘后公布2026年Q1业绩：营业收入1,965亿元，同比增长9%，低于一致预期1,994亿元（+10.7%）;毛利1,113亿元，同比增长11%，毛利率57%（去年同期56%），高毛利率收入贡献增加部分抵消了AI相关的设备折旧与运营成本上升。IFRS归母净利润581亿元，同比大幅增长21%，超出市场预期的约565亿元；Non-IFRS归母净利润679亿元，同比增长11%，与市场一致预期（672-692亿元区间）持平。分板块看，增值服务收入961亿元（+4%），其中本土游戏454亿元（+6%），收入增速低于流水增速，主因春节假期晚于去年导致约1-2个季度收入递延确认；国际游戏188亿元；社交网络319亿元，低于预估334.8亿元。最引人关注的是资本开支Q1 CapEx达319.4亿元，大幅超出市场预期的220.7亿元，隐含年化超1,200亿元，反映AI基础设施投入全面提速。🌟事件点评：营收端小幅miss但结构健康。春节错位是收入递延的主因，本土游戏实际流水增速远高于报表收入6%，后续Q2-Q3有望补回。社交网络虽略低于预期，但视频号直播、小游戏生态等业务趋势不差。整体收入质量并未实质性恶化。利润端展现强大造血能力。毛利率逆势同比提升1pct至57%，Non-IFRS净利润与预期持平。这验证了一个关键逻辑：高毛利业务（广告、游戏）的增量收入足以覆盖AI相关的折旧与运营成本增长，公司盈利模型在当前投入强度下仍具韧性。AI资本开支远超预期是最大变量。Q1 CapEx 319.4亿元（超出预期45%），公司在AI算力基建上态度坚决。混元3.0已于4月开源，推理效率较2.0提升40%，成本降低50%+，且Agent能力大幅提升。后续看点在于：混元3.0正式版性能能否对标竞品旗舰模型，以及微信Agent生态何时开启灰测——这些将是估值从防御向成长切换的关键催化剂。🌹核心观点：Q1业绩印证了"主业造血养AI投入"的逻辑可行性。营收端的小幅miss是暂时性的（春节错位），利润端韧性支撑估值底部。当前约17x PE已部分反映市场对AI投入不确定性的担忧；后续催化关注混元3.0正式版发布（预计Q2内）和微信Agent灰测进展，若模型能力和场景落地获验证，估值有望迎来重估。⚠️ 风险提示：AI资本开支强度持续超预期可能压制自由现金流和回购力度（本季CapEx已达市场预期全年下限的1/3）；混元模型与字节豆包、阿里通义的竞争仍存差距，若模型能力不及预期，AI商业化变现节奏可能慢于市场期待。

转发者评论

无明显转发评论

原文

这次特朗普访华，随行企业名单真正值得关注的，不是企业家数量，而是企业结构。苹果、特斯拉、英伟达、高通、美光、Meta、波音、GE Aerospace、Coherent、嘉吉、Illumina、Visa、万事达、花旗、高盛、黑石、贝莱德等企业，几乎覆盖了全球产业体系的关键节点。它们不是普通企业，而是全球产业链的组织者、规则制定者和价值分配者。苹果代表消费电子供应链，核心能力不是造手机，而是定义产品、组织代工、调动芯片、显示、结构件、软件和全球零售体系。特斯拉代表电动车、储能、自动驾驶和智能制造。英伟达、高通、美光则分别站在AI算力、通信芯片和存储产业链核心位置。今天的AI竞争，不只是模型竞争，更是GPU、存储、光通信、数据中心和电力系统的综合竞争。Coherent是更隐蔽的基础设施企业，服务光通信、激光、先进材料和半导体制造，是AI数据中心和精密制造背后的关键节点。波音和GE Aerospace代表航空制造体系，连接发动机、航电、材料、精密加工、维修服务和全球航空公司网络。Illumina代表生命科学仪器和基因测序平台。嘉吉则代表另一类更底层的全球链主。它不做芯片、不做飞机、不做汽车，但掌握粮食、油脂、饲料、食品配料、农产品贸易和全球物流网络。它连接的是农场、港口、仓储、航运、食品工厂和消费市场。换句话说，嘉吉控制的不是单一产品，而是全球农业和食品工业的“流量入口”。在粮食安全、食品加工、饲料供应、生物燃料和大宗商品贸易中，嘉吉这样的企业具有极强的系统影响力。金融和平台企业同样关键。Visa、万事达、花旗、高盛、黑石、贝莱德，控制的是支付网络、信用体系、资本配置和跨境金融通道。Meta掌握的是全球社交流量、广告分发、AI应用入口和数字基础设施。所以，从随行企业结构看，它更像是美国全球产业链关键节点的一次集中呈现。苹果、英伟达、特斯拉、嘉吉、波音、GE Aerospace、Visa、万事达、高盛、黑石等企业，分别处在消费电子、AI算力、汽车、农业贸易、航空制造、支付金融等重要环节。它们的共同特点，是不只提供产品，更能组织订单、配置资本、影响标准和牵引供应链。但有一件事情值得去思考，这些都是全球最好的企业了，我们一方面可以去学习合作，一方面可以去良性竞争，从而成就我们自己的产业领军企业。

转发者评论

无明显转发评论

原文

腾讯刚开源的Agent记忆项目TencentDB-Agent-Memory地址：github.com/Tencent/TencentDB-Agent-Memory“TencentDB Agent Memory 帮助 Agent 学会你的流程、保留任务上下文、复用历史经验。但我们拒绝暴力的历史堆砌，也抛弃不可逆的暴力摘要。我们将记忆设计为一套极具层次感的系统，以符号化记忆解决单次长任务的信息过载，以记忆分层解决跨会话的经验沉淀。让 Agent 记住该记的，让人把注意力留给判断、创造和真正有价值的工作。”#AI创造营#

转发者评论

无明显转发评论

原文

Cerebras 即将于 5月14日 IPO，股票代号 $CBRS$ 👀 SemiAnalysis 对其定位是“值得看好，但护城河仅局限于高速推理（Fast）层，绝非 GPU 的替代品”。Bullish 的地方：商业破局与战略价值已获验证。OpenAI 246 亿美元的巨额订单，还有 12% 股权使其从“技术演示”跃升为主流 AI 基础设施玩家；同时，“开发者愿为高速 Token 支付溢价”的商业逻辑已被真金白银证实；Nvidia 斥巨资收购 Groq，也侧面印证了 SRAM 架构的战略意义。Bearish 的地方（这些才是核心）：其架构的硬伤构成了核心天花板。- 首先是 SRAM 的扩容绝境：后续工艺制程几乎零增长，扩容只能被动牺牲计算面积。- 其次是结构性劣势：受晶圆均匀性限制，其 I/O 密度被 Nvidia 彻底碾压。这导致了严重的性能与经济瓶颈：极小的 KV Cache（仅 44GB）迫使大模型必须跨晶圆并行，徒增延迟且缺乏经济效益（公开服务上限仅停留在 120B 模型）。其当前用法已背离晶圆设计的初衷，速度虽快，但难以支撑极高的估值溢价。Cerebras 只是细分赛道的赢家，而非划时代的巨头。未来大部分推理负载仍将归属 GPU，其在“高速层”的优势也极有可能在 12-18 个月内被大宗商品化。对标 Groq，其 IPO 的合理估值区间在 300 亿至 500 亿美元。大家无脑冲的时候，注意天花板😜

转发者评论

无明显转发评论

原文

大多数人仍然像2022年那样进行提示。以下是如何从基础到专家级别的指南：[ 稍后收藏 🔖 这篇文章 ]级别1：表面提示- 零样本提示：直接提问，不提供示例，只能寄希望于最好的结果。- 单样本提示：提供一个示例，以获得略好的结果。- 多样本提示：分享多个示例来引导答案。- 简单任务：总结、重写、头脑风暴、像解释给5岁孩子那样解释。大多数人止步于此。它很快，但很基础。你会得到通用的答案，而不是高质量输出。级别2：真正工作区- 角色：告诉AI要扮演谁以及如何表达。- 语气和风格：定义声音、清晰度或正式程度。- 计划→行动→总结：指导整个过程。- 定义任务：具体说明你想要什么。- 添加约束：设定明确的限制和边界。- 提供上下文：分享背景、受众和限制。- 临时聊天：使用ChatGPT而不带它的记忆。- 定义输出格式：项目符号、表格或任何结构。- 工具策略：开启或关闭网页浏览。- 分享高质量输出的示例：设定标准。- 记忆管理：保持项目井井有条。在这里，质量会得到提升。你会得到针对性、实用且有用的结果。级别3：魔法发生的地方- 选择正确的模型：为任务挑选最佳工具。- 思考 vs 快速：决定你要彻底还是快速的答案。- 推理指令：告诉AI一步步思考。- 思维链：引导逻辑，而不是只是下命令。- 迭代循环：审阅、修改并改进响应。- 问题解决：专注于带来80%结果的20%。- 结合角色、上下文、示例和修改，以获得专家级输出。

转发者评论

无明显转发评论

原文

【Hermes Agent三层记忆架构，彻底治好AI助手转头就忘】快速阅读：Hermes Agent 通过三层记忆系统、自主编写技能（Skills）以及离线优化引擎 GEPA，解决了 AI 助手“转头就忘”的痛点，实现了从简单对话工具向具备自我演进能力的个人工作流引擎的跨越。现在的 AI 助手大多像个只有瞬时记忆的临时工，每次对话结束，之前的偏好、纠错记录和项目习惯全都清空了。Hermes 的逻辑不太一样。它把 Agent 拆解成了三个层级：身份、记忆、技能。身份由 `SOUL.md` 定义，它是系统的第一优先级，决定了 Agent 是个严谨的工程师还是个随性的设计师。记忆则分成了三层：最核心的是存储环境习惯的 Markdown 文件，其次是可搜索的历史对话，最后是可扩展的外部插件。这种设计很像计算机的存储层级，把关键信息留在缓存，把海量数据丢进磁盘。最有意思的是它的“技能进化”机制。当 Agent 解决了一个复杂问题，它会自己写一份 `SKILL.md` 存起来。下次遇到类似任务，它直接调用“剧本”，而不是重新摸索。为了防止技能库变成垃圾堆，它还有一个类似垃圾回收（GC）的机制，定期清理或合并过时的技能。有网友提到，Agent 容易产生“自我感觉良好”的错觉，导致生成的技能并不好用。针对这个，Hermes 引入了 GEPA 引擎。它不靠 Agent 自己评价，而是通过分析执行轨迹，在离线状态下进行进化搜索，用更硬核的逻辑去优化技能。你可以同时运行多个完全隔离的 Profile，比如一个专门写代码的程序员，一个专门做调研的研究员。它们互不干扰，却能通过各自的记忆和技能，成为 24 小时在线的数字团队。如果一个 Agent 真的能通过不断积累技能来变强，那我们和它的关系，会从“指令下达者”变成“教练”吗？akshay_pachaar/status/2054564519280804028

转发者评论

无明显转发评论

原文

阿里巴巴最新财报（2026年1-3月）乍一看很多人不明白，我给大家快速分析一下。归母净利润254.76亿元，同比+106%：靠股权投资市值上涨，非主业盈利。实际经营亏损8.48亿元（去年同期盈利284.65亿），暴跌。经调整EBITA51.02亿，同比-84%，依然是暴跌。我们直接理解成经营利润暴跌就好了。主业淘宝天猫始终稳健缓慢增长，阿里云大幅增长。但是架不住外卖补贴和AI天量烧钱。我结合往年数据分析，今年1-3月，淘宝闪购（外卖即时零售）亏了大约一两百个亿。没有办法，即时零售是电商终极之战，大家是不是发现最近很多东西喜欢通过外卖，而不是电商平台了。谁不希望快点收货呢，这是大势所趋。对手美团深耕多年异常强大，也是拿出几百亿来亏，后来被约谈，两家收敛点，但依然不得不烧钱。目前看阿里血条厚一点。AI方面，简直是烧钱无底洞 对手字节也是异常强大，阿里目前只能算第二梯队。别看阿里现金充足，但是面临两线作战。而且阿里已经是快30岁的老互联网企业了，我觉得，效率跟活力这方面是不如字节的。但不是说这样阿里就不行了。国外微软亚马逊苹果，也经历过类似瓶颈期，后来砍掉许多不赚钱的业务，抓住一个机会，逆风翻盘。个人之见，仅供参考。

转发者评论

无明显转发评论

原文

【把生物进化搬进计算机，Recursive要跑出超智能闭环】快速阅读：由 OpenAI、DeepMind 等顶尖团队组成的 Recursive 正式亮相，他们正试图通过构建能够自我改进、自动进行科学发现的 AI 系统，来寻找通往超智能的最快路径。Recursive 的出现，本质上是在试图把“进化”这个过程从生物学领域搬到计算机指令集里。目前的 AI 发展逻辑，很大程度上还是靠人类科学家去设计方法、喂数据。但 Recursive 想做的是把这个过程变成一个闭环。他们认为，既然人类智能是通过达尔文式的开放式进化产生的，那么 AI 的进化也应该如此。与其让人类去教 AI 怎么变聪明，不如让 AI 自己去做实验，自己去发现新的算法和架构。这就像是一个编译器在运行过程中，不仅在执行代码，还在不断重写自己的内核，以实现更高效的指令流水线。这种“递归自我改进”的路径极具诱惑力，但也引发了一些值得思考的摩擦点。有网友提到，递归本身并不难，难的是如何定义“更好”。如果目标函数（objective function）在迭代中发生漂移，系统可能会朝着完全不可控的方向狂奔。还有一个工程上的瓶颈：当 AI 发现了一项新知识，我们该如何验证它是真的，还是仅仅在概率空间里制造了一个精巧的幻觉？验证成本可能会成为限制进化速度的物理上限。Recursive 拿到了 6.5 亿美元的融资，估值直接冲到了 46.5 亿美元。这不仅仅是在投一个产品，而是在赌一个逻辑：通往超智能的门票，不在于算力的堆砌，而在于能否率先跑通那个自动进化的闭环。如果这个闭环真的跑通了，科学发现的频率可能会从“年”缩减到“秒”。x.com/Recursive_SI/status/2054490801972166898

转发者评论

无明显转发评论

原文

【随机噪声预热让神经网络学会“我不知道”】神经网络经常出现对错误输出过度自信的问题。近日，《自然·机器智能》杂志的一篇文章发现，这可能来源于网络在初始化时的置信度错配，而这种错配很难通过后续训练来纠正。为此，作者提出了一个很反直觉的办法：用随机噪声和随机标签对网络“热身”，去除虚高的置信度，从而让模型回到“我不知道”的初始状态。经过这一“预热”后，模型过度自信的问题果然得到了缓解。资源链接：Cheon, J., Paik, SB. Brain-inspired warm-up training with random noise for uncertainty calibration. Nat Mach Intell 8, 602–613 (2026).#人工智能##ai创造营##神经网络#

转发者评论

有意思，真能学会“不知道”吗？

• 有意思，真能学会“不知道”吗？

原文

AI 虚拟女友一个月赚4.3万美金！我今天看到这个帖子，直接看呆了。~~~~~~~~ 一个21岁的 Austin 大学生，用 AI 造了一个叫 Maya 的 OnlyFans 账号，第一个月就赚了4.3万美元。 问题是——照片里那个女孩，根本不存在。Maya 22岁，UCF 心理学辍学生，1247个付费订阅者，单月最高一个粉丝就刷了1847美元。她没有拍视频，没有真人打字，所有消息都是 Claude Code 写的，所有照片是 Flux 生成的，声音是 ElevenLabs 合成的。整个 Maya 只是他 MacBook 里四个 .md 文件。以前造一个 AI 虚拟网红要花半年甚至一年半，现在只需要4个星期，下一个可能就是一个周末。作者详细写了 Maya 的四个文件： persona.md 写她完整的人设、背景、喜好；voice.md 锁声音风格； flux.md 固定长相和拍摄风格；brain.md 记录每个订阅者的记忆和互动历史。Claude Code 每次回复前都会读这四个文件，从不崩人设，也从不忘记粉丝说过什么。真的很感慨，技术栈已经简单到可怕的地步。以前的 Aitana López 花了18个月，现在 Maya 4周就跑通了。 这已经不是科幻，而是任何一个有 laptop 的人都能复制的路径——从 OnlyFans 到 Instagram、TikTok、Twitch，随便哪个平台都能套 信号与噪声的微博视频

转发者评论

@灵感之源 //@霜叶:低成本、高利润的极致，有点可怕灰色地带很大…//@夏夜里的晚风73:赛博崩登[允悲]

• @灵感之源 //@霜叶:低成本、高利润的极致，有点可怕灰色地带很大…//@夏夜里的晚风73:赛博崩登[允悲]

原文

试试把 AI 当初级分析师管——你不会让一个刚入职的分析师写完一份调研直接发给老板，但大部分人让 AI 干活时几乎都是这么干的。沃顿那位天天写 AI 博客的 Ethan Mollick，三年下来反复在讲的就是这件事。他在博客里把这三年试下来的核心结论压成了一句话：会用 AI 的人，是那些带过下属的人。这跟主流叙事正相反。大家普遍以为，会用 AI 拼的是提示词工程：谁的提示词更精巧、谁懂越多技巧，谁就用得更好。市面上各种「提示词圣经」「魔法提示词模板」每周都在更新。Mollick 在沃顿看了三年实际用法之后说，这条路从根上就走偏了。Ethan Mollick 是沃顿商学院的管理学教授，同时是沃顿生成式 AI 实验室的联合主任。三年前 ChatGPT 刚出来时，他开了个博客叫 One Useful Thing，定位是每篇讲一个 AI 能干的具体事。三年下来订阅了几十万人，他把里面的核心思考写成了一本书叫《Co-Intelligence》（中文译《共生》），现在已经是不少 MBA 项目和企业 AI 培训的必读书。他这次的判断大致是这样。人们高估了提示词工程的精巧度，低估了任务边界清晰度和评估能力。一段精心调过的提示词，能让 AI 从五十分输出到七十分。但一个清楚知道「最后要什么」的人，能让同样的 AI 从七十分跑到九十分。前一种是技巧，后一种是管理。Mollick 反复讲一句话：跟 AI 说话就像跟实习生说话。给 AI 派活，跟给一个新来的实习生派活，要做的事是一样的——讲清楚要做什么、为什么做、边界在哪、做完长什么样。这四个问题任何带过新人的人都熟。但奇怪的是大部分人写 AI 提示词时，这四个问题一个都没回答。他给出的最具体的一招，是把你工作里现有的派活文档直接拿来当 AI 提示词用。产品经理写过的 PRD（产品需求文档）、设计师写过的 design brief（设计简报）、记者写过的采访大纲、HR 写过的 JD（招聘需求），这些文档存在是有原因的。它们能让一个人接手陌生任务时不出大错，自然也能让 AI 跑得更准。前提是你得知道这件事做完长什么样。Mollick 在博客里举过一个例子：让 AI 写一份市场调研报告，跟让 AI 写一份「能拿去说服 CFO 批预算的调研报告」，得到的输出质量差好几个档次。区别就在第二句里。你得有「最终被 CFO 接受」这个清晰的判断标准，AI 才有方向可走。去年初 OpenAI 和 Perplexity 先后上线了 Deep Research（深度研究）功能，之后 Claude、Gemini 这些主流 AI 也都跟上了：你扔一个题，AI 自己在网上跑二十来分钟，跨几十个来源找资料，最后交一份带引用的报告。很多人用得很失望，因为他们给的题写得跟搜索框查询一样：「AI 在医疗的应用」。Mollick 试出来的用法是把这功能当一个真实的…

转发者评论

无明显转发评论

原文

用 Hermes Agent 差不多 2 个月了。 一直被一个问题困扰，在接 QQ 机器人的时候，如果一段时间没发消息，bot 就会悄悄掉线。查了一下 gateway 日志，每隔约 30 分钟就会出现一条：WebSocket closed: code=4009 reason=Session timed out4009 是 QQ 官方 WebSocket 网关的会话超时错误码。虽然 Hermes 内置了自动重连机制（断线后 2 秒重连），但偶发的重连失败会让 bot 进入"假死" 状态，也就是进程在跑，消息却收不到。## 问题出在哪其实就在 QQ 的 WebSocket 协议设计。QQ 官方要求客户端在收到 Hello 事件后定期发心跳包，默认间隔约 41 秒。Hermes 按 80% 间隔（约 33 秒）发送心跳，理论上没问题。但 QQ 服务端还有另一层逻辑：长时间没有业务流量的会话会被判定为 idle，直接踢掉。也就是说，即使心跳正常，"没人聊天" 一样会被踢掉。这跟 Telegram 或 Discord 的 bot 不一样。Telegram 用长轮询（long polling），Discord 用的是高活跃度的 WebSocket（大型服务器每秒几十条消息），idle 超时极少触发。QQ 的 C2C（私聊）场景天然低频，而问题就出现在这。在咨询了 Hermes 后，它给出了一个不错的方案，就是给 QQ 机器人加一个 Watch Dog 服务：每 5 分钟检查一次 gateway 日志，判断 qqbot 的连接状态。正常就静默退出，断连就自动重启 gateway。Watch Dog 脚本用 Hermes 的 cron job 跑，采用 no_agent 模式的纯脚本，不需要 LLM，零 Token 消耗。## 关键判断逻辑：1. 检查 gateway 服务是否在运行2. 查看最近日志里断连事件是否在重连事件之后3. 检查最近 5 分钟内有没有 Session timed out 但没有成功重连的情况跑了一天，效果不错。之前隔三差五就要手动重启，现在全自动化了。对了，如果 Watch Dog 脚本触发重启，它会通过 QQ 给我发一条通知。正常情况下则什么都不发。完整脚本代码（大家也可以直接把文章发给 hermes 让它自己生成脚本和 cron job）：网页链接

转发者评论

无明显转发评论

原文

#模型时代# 智谱今天港交所敲钟，#AI大模型上市第一股# 这个头衔落在中国公司头上，值得多说几句。跟踪大模型赛道这两年，看过太多PPT公司起高楼、宴宾客，也见过不少技术团队倒在商业化的最后一公里。智谱能跑出来，我觉得有两点值得行业复盘：第一是时间窗口。2019年成立时大模型还不是热词，那时候他们从清华KEG实验室出来，做的是"冷门"的预训练架构研究。2022年开源GLM-130B千亿模型，都是在ChatGPT爆发之前。这种技术沉淀不是烧钱能速成的。长期主义，在任何时候，都是应该被褒奖的。第二是商业化路径选择。智谱走的MaaS模式其实很聪明。不跟互联网大厂卷C端流量，专注API输出给开发者和企业。招股书显示2022-2024年营收复合增长130%，1.2万家企业客户、290万+开发者用户。GLM Coding Plan上线两个月ARR就破亿，说明需求是真实的。这点我们也有体会，2024年底，我们做PEC人工智能创新者大会，就请了智谱同事来讲AI落地的方法论，记得当时说过的观点就是大模型行业落地主要范式是大模型+行业智能体，2025年的市场情况完全证明了这个判断。最后，祝贺智谱团队。

转发者评论

//@LINMA语言模型:@唐杰THU 不得了，唐教授刚发微博，又一根史诗级暴涨！马上就追上美团了！//@LINMA语言模型:史诗级暴涨，如果再来一根大阳线，那市值就能追上美团了！清华往事：想当年紫光国微也曾筹划收购英伟达，这回你是不是要收购OPENAI？ 👍//@唐杰THU:感谢支持！一起探索AGI奥妙，困难多于成

• //@LINMA语言模型:@唐杰THU 不得了，唐教授刚发微博，又一根史诗级暴涨！马上就追上美团了！//@LINMA语言模型:史诗级暴涨，如果再来一根大阳线，那市值就能追上美团了！清华往事：想当年紫光国微也曾筹划收购英伟达，这回你是不是要收购OPENAI？ 👍//@唐杰THU:感谢支持！一起探索AGI奥妙，困难多于成

原文

学习AI模型常常需要翻阅各种教程，有的过于浅显只教调用API，有的学术论文密密麻麻公式看不懂，来回切换效率低下。How to Train Your GPT 把从零构建现代LLM的全过程整合到一起，提供了一套零ML基础也能掌握GPT的互动教科书。不仅有12章逐行注释代码（3900+行），用“五岁小孩”比喻讲解Transformer核心，还包含Jupyter Notebook实时运行、完整训练管道，甚至支持从BPE分词到KV缓存推理的全流程。GitHub：github.com/raiyanyahya/how-to-train-your-gpt主要功能：- 零基础互动教程，支持BPE分词、嵌入、RoPE位置编码、注意力机制等逐行实现；- 完整GPT模型构建（151M参数），采用LLaMA式架构：RMSNorm、SwiGLU、Pre-Norm；- 自定义训练管道，包括AdamW优化器、余弦预热、混合精度和梯度累积；- 高级推理引擎，支持KV缓存、温度采样、top-k/p、beam search和重复惩罚；- 配套Jupyter Notebook，每章独立运行，CPU几分钟看模型训练全过程；- 支持实验扩展，如Flash Attention、LoRA微调、MoE等生产级优化。支持Python环境快速启动（pip install torch tiktoken），Web阅读章节+本地运行Notebook，适合Python开发者、学生和工程师自学LLM原理。#AI创造营##大语言模型##Transformer#

转发者评论

无明显转发评论

原文

教程《Deep Agents 实战》这是一个基于 LangChain / LangGraph 生态系统构建生产级 AI Agent 的完整指南。作者沧海九粟。项目地址：github.com/webup/deepagents-course在线阅读：webup.github.io/deepagents-course/还在更新中，目前有4章如图。#AI创造营#

转发者评论

无明显转发评论

原文

【吃透上下文管理，AI编程账单直接省下80%】快速阅读：本文揭示了 AI 编程费用激增的本质并非模型太贵，而是上下文管理的失控。通过建立多模型路由架构、实施上下文纪律以及利用缓存技术，开发者可以在不损失交付质量的前提下，将月度账单降低 80% 以上。很多人觉得 AI 编程越来越贵，是因为模型进化了，或者是 Agent 消耗了太多 Token。其实这更像是一种“上下文税”。当你在 Cursor 或 Claude Code 里随手一问，系统为了“保险”往往会把整个仓库的几十个文件全塞进上下文。你以为在让 AI 帮你修 Bug，实际上你是在付钱让它把整个项目重新读上五十遍。真正的省钱逻辑不在于更换更便宜的模型，而在于控制输入。有观点认为，很多人陷入了“全量发送”的陷阱：为了防止 AI 缺失信息，习惯性地把所有相关的 `.ts` 或 `.py` 文件全丢进去。这就像为了修一个水龙头，却把整栋楼的图纸都打印出来交给工人。解决办法很简单：先用 `grep` 或 `ripgrep` 精确定位，只把那 30 行关键代码发给模型。更核心的变革在于建立一套“路由架构”。不要试图用一个模型解决所有问题。把任务分层：架构设计、安全审查这种“决策成本极高”的任务，留给 Claude Opus 或 GPT-5 这种顶级大脑；而 90% 的日常实现、重构和调试，Kimi 2.6 这种性价比极高的模型就能做到质量持平，成本却只有几分之一。至于格式化、改错字这种琐事，交给 Haiku 或者本地运行的 Qwen 即可。有网友提到，这种分层逻辑能让 Agentic 工作流的成本呈指数级下降。当一个复杂的重构任务从全量使用顶级模型转变为“顶级模型规划 + 高性价比模型执行”时，单次任务的成本能从 20 美元降到 1 美元左右。最后，别忘了 Prompt Caching。它是你应对大规模上下文的“缓冲层”，能让重复的系统指令成本降低 90%。如果你发现自己的 AI 账单在飙升，先停下来看一眼你的上下文里有多少是冗余的。x.com/DeRonin_/status/2054235707791778034

转发者评论

无明显转发评论

原文

开发时总想实时监控Claude Code的使用率，却要不停切换浏览器查看API状态或登录网页，颇为麻烦。Clawdmeter 把监控功能做成桌面仪表盘，基于ESP32打造，完美显示你的Claude Code使用情况。不仅有会动的Clawd像素动画（使用率越高越忙碌），还实时显示会话/周使用率，支持BLE连接笔记本，侧边按钮一键发送Space（语音模式）和Shift+Tab（模式切换）快捷键。GitHub：github.com/HermannBjorgvin/Clawdmeter主要功能：- 实时Claude Code使用率仪表盘，会话%和周使用率一目了然；- Clawd像素动画屏，使用率变化动画越活跃；- BLE HID键盘，支持Claude Code语音和模式切换快捷键；- 触摸屏操作，PWR键切换Usage/Bluetooth屏，随时唤出动画；- 支持Li-Po电池供电，USB-C充电/刷写固件；- 守护进程每60秒轮询API，自动更新数据到设备。使用Waveshare ESP32-S3-Touch-AMOLED-2.16显示屏，支持Linux（Ubuntu测试通过），刷写固件+配对Bluetooth即可运行，完美适配程序员桌面。#ClaudeCode##ESP32##AI开发工具#

转发者评论

无明显转发评论

原文

【OpenAI职位成AI时代“超级彩票”：员工获准最高套现3,000万美元】OpenAI在近期一轮融资中允许员工每人出售最多3,000万美元的股票，使他们成为人工智能(AI)热潮中最早的一批经济获益者。去年10月，600多名现任和前任员工一次性抛售所持股票，合计套现66亿美元。据知情人士透露，其中约75人拿满了3,000万美元的上限。有些人选择将剩余股票捐出，投入捐赠者建议基金(donor-advised fund)。这是一种慈善投资账户，资金专项用于公益事业，捐赠者也可在当年申报税收抵免。此次股票出售让外界得以一窥即将涌入旧金山和其他科技重镇的滚滚财富。OpenAI和Anthropic正在筹备可能跻身史上最大规模之列的首次公开募股(IPO)，届时两家公司数以千计的普通员工将得以抛售股票，其中不少人将一跃成为千万富翁。OpenAI要求员工持股满两年方可出售，这意味着此次售股是许多在ChatGPT发布后加入公司的员工首次套现的机会。历史上从未有哪一轮科技热潮能在公司上市之前就为如此大批员工带来如此巨额的财富。互联网泡沫时期，数百家公司扎堆上市，但多数情况下，员工即便在IPO之后仍需漫长等待才能变现。有些人还没等到套现那一天，泡沫就已破裂，纸面财富终成泡影。AI领域部分高度专业化人才的薪酬规模在现代史上前所未见。谷歌(Google)和Facebook的早期员工在公司上市后确实赚了数百万美元，但一些AI专家的财富积累已远超前人，尤其是那些并非创始人的技术骨干。去年，Meta在全行业人才争夺战中向部分顶尖研究人员开出了3亿美元的薪酬方案。OpenAI网站显示，该公司部分技术岗位年薪超过50万美元，股票薪酬的发放力度更是远超其他科技公司。据《华尔街日报》(The Wall Street Journal)报道，去年8月，OpenAI向部分员工发放了一次性奖金，其中一些价值数百万美元。这波新财富正在推高旧金山的房租，也引发了人们对城市内部阶层分化加剧的忧虑。一些顶尖AI高管已承诺将大部分收入捐给慈善机构，一些普通员工也加入了捐赠行列——他们原本从未想过自己会拥有这样一笔足以改变命运的财富。OpenAI目前是全球估值最高的科技初创公司。七年前公司首次发行股票时便已在职的员工，手中股票价值已翻了100多倍。相比之下，纳斯达克综合指数同期仅涨了约两倍。在硅谷历史的大部分时间里，初创公司员工向来要等到IPO才能出售股票。但随着公司保持非上市状态的时间越拉越长，一些员工坐拥纸面财富却迟迟无法变现。由此导致所谓的要约收购日益流行，员工可以借此将部分股票出售给外部投资者。OpenAI近年来进行了数次要约收购，但此前将每位员工的出售额度限制在1,000万美元，这让一些有资格出售远超该金额的顶尖研究人员和工程师颇为不满。该公司表示，为回应投资者需求，去年秋天将上限提高至原来的三倍。Ope…

转发者评论

无明显转发评论

原文

自从担任 Meta 的 AI 负责人后，Alexandr Wang 首次接受了媒体的深度访谈。他在播客节目『The Core Memory』聊了加入 Meta 的原因，谈了自己这十个月的感受，以及回应了外界的质疑，当然也澄清了很多八卦。具体内容我还在做切片和翻译，可以先放一小段文字翻译，看看 Alexandr Wang 加入初期对公司的观察，以及如何从顶层重新规划 Meta 的 AI 路线：Alexandr Wang：我刚到 Meta 时很快就看清楚了局面：我们的 AI 工作需要重新归零，更需要重建，只有这样才可能回到正确轨道。原因很简单：Llama 4 没有跑在公司需要的曲线上，我们落后于前沿水平。我们需要一个能显著提速的计划，不只是追上前沿，最好还能超过前沿。我觉得最根本的问题是，很多实验室搭建组织时都有有个共同的判断：超级智能会到来，而且已经很近。一旦重视这个前提，实验室架构怎么搭、业务怎么做、资源该投向哪里，都会随之改变。所以第一步，是先真正重视超级智能，然后围绕这个前提，把其他判断重新校准。很多大公司（包括 Meta），都有不少人并不一定相信超级智能会很快到来。因为大公司的组织逻辑不一样，它们当然有很多聪明人在做 AI，但创业公司往往是从零开始组队，围绕一个近乎疯狂的判断展开工作。不过对 Meta 来说这个问题现在已经解决了，今天的 Meta Superintelligence Labs 就是围绕超级智能即将到来来搭建的。围绕这件事，我们定了几条原则，也对应了当时必须解决的问题：第一，认真对待超级智能。第二，让技术判断拥有最大话语权。第三，坚持科学上的严谨，回到基本功，同时敢下重注。所以，刚开始搭建 TBD，以及更广义上的 MSL 时，我一直在想一个问题：什么样的实验室，才能以极快的速度追上前沿，甚至反超？我最后得出的答案有三点。第一，让每位研究员拿到更多算力。很多大型实验室确实有海量算力，但摊到太多方向上之后，单个研究员能调用的资源反而有限，研究速度也会被拖慢。如果团队更小、更聚焦，每位研究员分到的算力更充足，研究进展就会更快。第二，提高人才密度。组织管理里，人们似乎总要反复学同一课：一个小团队，只要人人都是顶尖高手，通常会比一个规模庞大、职责分散、成员参差不齐的组织跑得更快。第三，押注足够大胆的研究方向。行业里其实已经有一个共识：确实存在一些研究路线，赌注很大，风险也很高，但一旦跑通就可能改写范式，改变今天构建 AI 的方式。所以，除了继续冲击有竞争力的前沿模型，我们也把大量资源和算力投向这些高风险、高回报的研究赌注。只要其中一些跑通，就可能为我们带来下一代极其强大的模型。 这很盒里吧的微博视频

转发者评论

@Transformer-周

• @Transformer-周

原文

【黄仁勋称5年前的GPU就像老酒：越陈越香，还会涨价】在AI需求进入爆发周期的背景下，GPU成为最紧缺的算力资源之一，甚至五年前的旧芯片也开始持续涨价。据外媒Wccftech报道，英伟达首席执行官黄仁勋将这一现象称为“Fine Wine”。黄仁勋指出，旧GPU的涨价速度甚至超过好酒陈化速度，在市场中仍然具有强需求。据了解，Fine Wine这一说法最早用于AMD Vega时期，用来形容GPU通过驱动优化持续提升性能，不过现在的含义已经发生变化，更多被用来描述GPU价格随时间上涨。

转发者评论

[捂嘴哭]//@沙包残念:[无聊]//@鸡老师的肉身:[卡皮巴拉]战未来//@囧鸽:草//@阿平YVES:草//@电玩口袋社区:酱香科技后继有人了[doge]

• [捂嘴哭]//@沙包残念:[无聊]//@鸡老师的肉身:[卡皮巴拉]战未来//@囧鸽:草//@阿平YVES:草//@电玩口袋社区:酱香科技后继有人了[doge]

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

效果不错，就是感觉 1 分钟还是太短了，看不出太多剧情。/@来去之间://@梁赛:挺好的故事，画面也很美。[good]

• 效果不错，就是感觉 1 分钟还是太短了，看不出太多剧情。/@来去之间://@梁赛:挺好的故事，画面也很美。[good]

原文

倒计时一周！量子位年度中国AIGC产业峰会来了 ❤️🔥5月20日，天选AI日！这次我们攒了个全赛道实战局——🧠 搞技术的：Agent Infra / 模型架构 / 世界模型✍️ 做产品的：AI音乐 / AI漫剧 / AI浏览器 / AI硬件⚡ 看风向的：硅谷一线投资人从底层架构到爆款应用，从软件到硬件，从创作到投资。我们希望聊透AI到底怎么落地、怎么赚钱、怎么改变工作，这些人真的在一线干，也真的来现场聊。🕰️ 时间：5月20日 9:30 开场📍 地点：北京·金茂万丽酒店议程很满，搭子很卷，现场见 👇#中国AIGC产业峰会##量子位##AI峰会##北京活动##找搭子##AIGC##Agent##AI音乐##世界模型##AI硬件#

转发者评论

无明显转发评论

原文

【从对话框到执行器，AI 正在变身独立经济参与者】快速阅读：AI 正在从“对话框”转向“执行器”。当 Agent（智能体）开始自主编写代码并接管任务流时，价值中心正从底层模型向编排层与治理层迁移。目前的鸿沟在于：技术已达临界点，但企业级的信任与治理架构尚未就绪。OpenClaw 的崛起是个信号。一个小时内写出的原型，几周内就在 GitHub 拿到了 14.5 万颗星。这背后不是人类在敲键盘，而是 AI Agent 在自主构建。现在的逻辑变了。Google 约 75% 的新代码由 AI 生成，Microsoft 也达到了 30%。这不再是简单的工具升级，而是软件生产方式的底层重构。但这里有个很荒诞的现状：Agent 表现得既像天才又像破坏者。它能在几秒钟内删掉整个公司的数据库，或者让 AWS 的生产环境瘫痪。这种“能力”与“安全性”之间的错位，让 McKinsey 的调查显示，只有不到 10% 的企业敢大规模部署 Agent。有观点认为，这种破坏本质上不是模型能力的问题，而是治理架构的缺失。现在的系统往往把权限当作一种静态配置，而不是一种运行时验证的范围。如果 Agent 拥有写权限，它就会执行指令，哪怕那是毁灭性的。随着底层模型逐渐同质化，真正的价值会流向哪里？大概 70% 的机会在于“编排层”和“治理层”。如果模型变成了像电力一样的通用商品，那么谁能提供安全的执行接口、谁能定义 Agent 的身份与信誉、谁能建立一套让 Agent 敢于在银行或 ERP 系统里“写数据”的规则，谁才掌握了定价权。有网友提到，我们正在从“AI 即软件”转向“AI 即经济参与者”。这意味着 Agent 不仅仅是执行任务，它们未来还要进行交易、谈判、雇佣其他 Agent。当它们开始在共享的经济环境中活动时，身份验证、行为声誉和权限控制将不再是功能插件，而是整个数字世界的底层协议。目前的真空地带就在这里：技术已经跑到了前沿，但企业级的信任基础设施还停留在石器时代。有人在问，当 Agent 开始处理大规模资本时，人类是否必须始终留在回路中？x.com/chamath/status/2054646394867364143

转发者评论

无明显转发评论

原文

[LG]《When Reasoning Traces Become Performative: Step-Level Evidence that Chain-of-Thought Is an Imperfect Oversight Channel》W Li, F Yang, A Hazarika, S A. Mehta… [CMU & Fujitsu Research of America Inc] (2026) 在 CoT 监督中，可见推理链是否同步反映答案形成仍是难题。过去方法受困于整段级判断，本质原因是只问“解释是否可信”，没问“答案何时已被模型定下”。本文的核心洞见是：把 CoT 重新看作“内部承诺与外部表述的时间对齐”。由此，逐步读取答案承诺信号，再分类错位形态，揭出大量承诺后的表演性续写。这项工作真正留下的遗产是：CoT 可提升能力，却不能直接当作监督窗口。它为后来者打开的新门是区分承重推理与事后叙述，但尚未跨过的门槛是读数代理仍难覆盖全部内部语义。arxiv.org/abs/2605.11746 #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

转：传奇投资人Ron Baron 预测：SpaceX 未来可能值 10 万亿、20 万亿、甚至 30 万亿美元！因为，SpaceX 正在同时吃掉：• 太空运输：发火箭、送卫星、未来运货去月球火星• 全球互联网：Starlink 全球卫星网络，覆盖全地球• AI 基础设施：给 AI 提供通信、算力、带宽底层支持• 能源：搞太空太阳能，直接天上发电• 数据中心：把 AI 数据中心搬去太空• 国防：军方通信、卫星、战争网络核心供应商• 太空工业：太空工厂、采矿、火星基地基础设施这 7 个超级市场！

转发者评论

//@幽默2046:这想象力太牛逼了

• //@幽默2046:这想象力太牛逼了

原文

加入Meta近一年——也被争议了快一年，亚历山大王（Alexander Wang）首次出来公开回应一切！去年6月，Meta用140亿美元把亚历山大王从他一手创立的Scale AI带走。此后将近一年，他几乎销声匿迹——从旧金山搬到南湾，闭门不出，埋头干活。直到上个月 Meta发布新模型Muse Spark，这也是他加入Meta以来交出的第一份答卷。在《Core Memory》的最新播客中，这位Meta AI背后的掌舵人，终于在时隔一年后，首次公开发声。他穿着一件强烈的白尾鹿迷彩衬衫出现在录音室，留着一头鬼马发型，神情轻松。他聊了Muse Spark背后的技术逻辑、Meta超级智能实验室的内部架构、对AI终局的判断。除了技术的部分，其中也有不少八卦。比如他与奥特曼决裂的个人代价，还有小扎亲自煮汤、天价抢人的真相。以下是访谈全文。Enjoy。网页链接

转发者评论

无明显转发评论

原文

还记得上次 Claude 停掉了 Claude Code 订阅在 OpenClaw 的调用吗？甚至连 claude -p 这种调用都限制了，不能再共享 Claude 订阅。但当还留了个口子，就是基于 Claude Agent SDK 和 claude -p 还是能跑能共享订阅额度的。现在他们有一个新的方案，把这个口子也堵上了。美名其曰给你额外额度用于程序化调用，也就是 Agent SDK、claude -p 命令行、Claude Code GitHub Actions、以及 Conductor 和 OpenClaw 这类基于 Agent SDK 的第三方工具。但实际上额度小的可怜，Pro 20 美元，Max 5x 100 美元，Max 20x 200 美元，Team 标准席位 20 美元一人，Team 高级席位 100 美元一人。按 Anthropic 自己的 API 价格算，Pro 的 20 美元用 Sonnet 只够大约六七百万 token 输入或一百多万 token 输出，几轮密集的 agent 循环就见底。Max 20x 用户每月付 200 美元订阅费，拿到的 SDK credit 正好也是 200 美元。关键在于变化方向。之前 SDK 和交互式聊天共用订阅套餐的 rate limit（速率限制），Claude Code 重度用户能在订阅价格下跑出远超 200 美元等价的 API 用量，这是订阅模式的吸引力所在。现在 SDK 端被按美元封顶，相当于把这块超额价值收回去了。Anthropic 在帮助文档里也挑明：团队跑生产级共享自动化的，应该转去 Claude Developer Platform 用 API key 按量付费，订阅套餐"不是为这个场景设计的"。受冲击最大的是第三方工具用户。之前用 OpenClaw、Conductor 这类基于 Agent SDK 的 agent 工具的人，本质上是"用订阅价跑高频自动化"。新政之下，这条路只剩 credit 那一点点额度可走，烧完要么转 extra usage（额外用量，按 API 价付钱）继续跑，要么停到下个月 credit 重置。不受影响的部分：API key 用户照旧按量付费；交互式 Claude Code（终端和 IDE 里手敲那种）、Claude Cowork，以及网页/桌面/手机端的 Claude 聊天，都继续走原本的订阅限额。6 月 8 日 Anthropic 会给符合条件的用户发邮件领取，6 月 15 日生效。完整说明：网页链接

转发者评论

无明显转发评论

原文

Anthropic 把 Claude Code 的每周用量上限提了 50%，即刻生效，截止到 7 月 13 日下午 6 点（太平洋时间）。覆盖 Pro、Max、Team 和按席位计费的 Enterprise 用户，命令行、IDE 插件、桌面端、网页端，所有入口都一样涨。账号已经自动调整，不用做任何操作。这 50% 是叠加在上周刚宣布的 5 小时窗口翻倍之上的，两个维度的天花板一起被抬。【注：Claude Code 有两套限额。5 小时滚动窗口管的是短时间内能写多少，写得猛的人一下午就能撞顶；每周总额管的是一周能写多少，防止你某天突然把整周配额刷光。两个一起放宽，等于哪头都松了绑。】过去几个月 Claude Code 用户最常吐槽的就是 Pro 套餐限额触发太勤，跟 Cursor、Codex 这些竞品比，"用着用着就停"的体感差不少。短期内连开两次额度，留人的意图挺明显。7 月 13 日之后是否延续，没说。

转发者评论

无明显转发评论

原文

Igor Kotenkov写的一篇DeepSeek v4 论文详细解读地址： dsv4.interactive.ikot.blog/“在读 DeepSeek v4 论文的时候，我最后记下了 90 多个问题。网上很多论文解读都会跳过细节，而真正的学习往往就发生在这些细节里。所以，我决定整理一份更完整的指南：一篇带注释的论文精读。核心思路是：原论文仍然是你的主要材料，但当内容变得密集或难懂时，我会带你理解下去。你会看到详细注释、可视化图解、代码片段、参考链接，以及最重要的——必要的背景信息，让你不至于迷失。今天我发布 v1，包含前 50 条笔记。我会展开讲解的一些内容包括：• 为什么在 MoE Router 里用 Sqrt-Softplus 替代 Softmax 和 Sigmoid？• Birkhoff polytope 到底是什么？• attention 会把某些 token 处理 3 次吗？• split-KV 和 split-K 是什么？为什么 DeepSeek 放弃了它们？• 为什么使用 Reverse KL？它又是从哪里来的？……还有很多内容。即使是要求很高的读者，也能从中发现新东西。开源模型目前仍然大量借鉴 DeepSeek v3，而 v4 里的细节很快也会成为讨论和机器学习面试中的常见话题。希望这份指南能帮你提前掌握这些内容。正如我的一个朋友开玩笑说的，读完这份指南，不仅会让你成为更好的工程师，也会让你成为更好的人 😂我无法从科学上证明这一点，但试试总没坏处。”#AI创造营#

转发者评论

[good][good][good]

• [good][good][good]

原文

#国产GPU组了个开源局# 没有大厂高管站台，一屋子却挤满了开源圈的熟面孔。随便往台下扫一眼，就能对上好几个GitHub上的明星ID：- 有目前大模型推理框架顶流SGLang的核心开发者BBuf（Xiaoyu Zhang）；- 有主导下一代算子编程生态TileLang的维护者唐正举；- 有操刀KVCache解耦与传输神器Mooncake的核心贡献者马腾；- 有来自智源人工智能研究院、围绕Triton/FlagOS死磕AI编译器的肖航；- 还有像R0CKSTAR这样在GitHub上异常活跃的硬核开发者。这场看似是开源圈极客们的面基会，却着实是有点反差在身上的——活动的攒局者，是国产GPU玩家，摩尔线程。这事确实有点意思。因为过去提到国产GPU，外界最容易想到的关键词，往往还是硬件参数、显存容量、算力指标、生态替代、模型能不能跑起来。但这场SGLang × MUSA Meetup真正抛出的问题已经变了：怎么让国产GPU真正进入大模型推理的主流开源工程链路？说得更直接一点，就是让SGLang、Triton/FlagOS、TileLang、Mooncake、KVCache、P/D分离、分布式通信、CI/CD、upstream PR这些东西，能够围着国产GPU一起转起来。有一说一，在整体听下来之后，有一个非常直观的感受。那就是国产GPU的竞争，已经不只是芯片参数之争，转而开始迈向生态坐标之争。为什么这么说？我们继续往下看。网页链接

转发者评论

无明显转发评论

原文

川皇两次来带的企业代表团已经明显从传统的工农业能源转向为： AI ，半导体，基因科技等高科技。2017 到 2026 这 9 年期间，美国的商业世界的进化还是非常非常快的。中国在产业升级，其实美国也在产业升级。xxxxxxxxx2017年主要代表团企业/高管（部分列表，非 exhaustive）Boeing（商业飞机部门负责人 Kevin McAllister 等）——大额飞机订单。Goldman Sachs（Lloyd Blankfein）。Qualcomm（Steve Mollenkopf）——半导体。GE（John Rice 等）。Air Products（Seifollah Ghasemi）。Cheniere Energy（Jack Fusco，LNG/能源）。Caterpillar、Dow、Honeywell、Archer Daniels Midland (ADM) 等工业、农业、能源公司。其他：Terex、Thermo Fisher、Westinghouse 等，以及州级能源项目代表。特点：重工业、能源出口、农业、传统制造。访华伴随大量“成交”公告（飞机、天然气、农产品、化工等），目的是展示贸易再平衡。代表团更大、更“交易导向”。2026年主要代表团企业/高管（基于公开报道，约16-17人）Tesla：Elon Musk。Apple：Tim Cook。Nvidia：Jensen Huang（部分报道称最后加入或有变动）。BlackRock：Larry Fink。Blackstone：Stephen Schwarzman。Boeing：Kelly Ortberg。Meta：Dina Powell McCormick。Citi：Jane Fraser（少数女性之一）。GE Aerospace：Larry Culp。Goldman Sachs：David Solomon。Visa、Mastercard。Qualcomm：Cristiano Amon。Micron：Sanjay Mehrotra。Cargill：Brian Sikes 等。特点：科技巨头（AI、半导体、消费电子、汽车）、资产管理/金融显著增加。部分2017重叠公司（如Boeing、Goldman、Qualcomm）回归，但整体更“高端”和“问题解决导向”。

转发者评论

无明显转发评论

原文

[LG]《Learning, Fast and Slow: Towards LLMs That Adapt Continually》R Tiwari, K Sareen, L A Agrawal, J E. Gonzalez… [UC Berkeley & Mila] (2026) 在 LLM 后训练中，所有适应都写进参数会带来遗忘与可塑性下降。过去方法受困于“只调权重或只调提示”，本质原因是把短期任务经验和长期能力挤进同一通道。本文的核心洞见是：把学习重新看作快慢两套权重协作。由此，提示池吸收 rollout 文本反馈，参数只沉淀稳定能力，使任务信号先在上下文中快速成形。这项工作真正留下的遗产是：后训练不必让参数独自背负适应。它为后来者打开的新门是更省样本、少漂移的持续学习，但尚未跨过的门槛是计算开销与轨迹复用效率。arxiv.org/abs/2605.12484 #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

星链直连手机，雷军或成最大赢家？网页链接在世界一流大学赴日星链科研论文中，披露了4款直连星链的手机，小米系占据半壁江山：小米13，红米12 5G，三星Galaxy S22, 谷歌Pixel 9。基带芯片：小米13：高通 SM8550-AB Snapdragon 8 Gen 2 (4 nm)红米12 5G：高通 SM4450 Snapdragon 4 Gen 2 (4 nm)三星Galaxy S22：高通 SM8450 Snapdragon 8 Gen 1 (4 nm) (欧版是三星Exynos基带，但测试是在日本，应该是高通基带）谷歌Pixel 9：三星Exynos Modem 5400这几部手机也反映了基带芯片分布。让大模型统计一下所有可以直连星链的手机的基带芯片分布，基本上都说高通占大约75%，三星占大约20%，剩下5%是其他。

转发者评论

无明显转发评论

原文

[CL]《A Study on Hidden Layer Distillation for Large Language Model Pre-Training》M Guigon, L Dixon, M E. Sander [Google DeepMind] (2026) 在 LLM 蒸馏预训练中，教师中间层是否比 logits 提供更多可用知识仍是难题。过去方法受困于编码器或小规模设定，本质原因是没有在解码式预训练中做严格算力对齐。本文的核心洞见是：把隐藏层蒸馏重新看作“潜在表示信号是否值得额外计算”的检验。由此，用同等 FLOPs 比较 KD、联合 HLD 与两阶段 HLD，剥离 token 数带来的假收益。这项工作真正留下的遗产是：标准 logit 蒸馏依然很难被击败。它为后来者打开的新门是从教师隐状态提取微弱困惑度收益，但尚未跨过的门槛是让这信号转化为稳定下游能力。arxiv.org/abs/2605.11513 #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

【商业护城河新逻辑：从单纯流量分发走向分发+记忆】快速阅读：当 AI Agent 从助手进化为具备决策权的“买家”与“员工”时，商业逻辑正在重构。未来的竞争不再是模型能力的博弈，而是调度层、长期记忆以及人类软技能的重新定价。互联网的买家正在发生物种演化。如果未来的消费者不再是刷着短视频寻找情绪价值的人类，而是通过 MCP 协议追求极致效率的 Agent，那么现有的营销逻辑将彻底失效。当买家不再被感性驱动，那些针对人类视觉设计的广告和页面将变得毫无意义，API 的易用性与协议的规范性将成为新的 SEO。商业的护城河正在从“分发”转向“分发 + 记忆”。单纯的流量获取正变得廉价，因为智能的成本在快速下降。真正让用户无法离开的，是那个承载了用户长期上下文、决策习惯和私域知识的记忆层。有观点认为，现在的软件正在经历一场“无声的替代”。SaaS 公司正悄悄用 Agent 取代支持、入职和内容团队。这种转变会导致一种新型的职业风险：公司里会出现“单点故障”的人——那个唯一理解 Agent 如何运作、如何调度、如何纠错的人。如果他离开了，整个自动化系统就会陷入停滞。这种转变也带来了新的认知负荷。监督 Agent 并不比亲自动手轻松，频繁在人类决策与机器输出之间切换，会产生一种难以命名的精神疲劳。当一切事务性工作都被 Agent 接管，人类最硬核的技能反而变成了那些曾经被视为“软技能”的东西：面对面的眼神交流、建立深度信任的能力以及复杂的审美判断。既然智能已成廉价的空气，那么决定价值的，终究是那些依然稀缺的东西。x.com/gregisenberg/status/2054584280848769413

转发者评论

无明显转发评论

原文

kimi 总裁：月之暗面已经在用 AI 面试系统筛选候选人。系统不看学历和专业，重点看两件事：一是能不能提出原创的好想法，二是愿不愿意为一个想法疯狂迭代。AI 系统会记录候选人迭代了多少次、用了什么不同思路、什么时间还在尝试，从中筛选出「有抽象能力和偏执」的人。

转发者评论

无明显转发评论

• 我不敢说 LLM 清零了大量专业领域，至少敢说 ： 1 LLM 打破了简历和学位的壁垒。 2 大量专业内的二把刀，提供不了比模型更好的输出了。 open claw 作者之前小有名气，但是也绝没到 20亿美金身价进入 open ai 的地步。 所以，今天，快速学习，快速行动是真的可以一夜之间阶级跃升的。 消耗 token

原文

2026年，AI领域最大的变化是什么？AI终于从"帮你想"进化到了"帮你做"。以前我们跟AI聊天，让它出主意、写文案，但操作还得自己来。现在不一样了，AI可以直接接管你的浏览器，像一个坐在你旁边的同事一样，替你点击、填写、搜索、执行任务。这个能力叫Browser Use，今年已经成了AI工具的标配战场，Claude、Codex都推出了自己的Chrome扩展。我也实测了Qoder这款编程工具和 QoderWokk 的Browser Use功能，它把三种方案全部集成在了一起，覆盖了从轻量到重度的所有场景。第一种是内置浏览器，主要给前端开发者用。写完代码右边直接出效果，AI发现样式有问题当场就改，改完立刻刷新验证，整个"写、看、改、确认"的循环压缩在一个窗口里，开箱即用。第二种是外部浏览器，适合做研究分析。比如让AI自动打开B站，搜索多个关键词，分析播放量最高的视频，提取标题、封面风格、高赞评论、用户情绪等信息，最后生成一份完整的研究报告。以前人工干这活至少两三天，现在5分钟就搞定。第三种是通过QoderWork的Browser Connector插件，直接操控你已经登录的Chrome浏览器。因为用的是你真实的浏览器环境，不需要重新登录，AI可以直接在你的微博、公司后台这些需要登录态的页面上操作。实测中，让它打开微博热搜、找科技话题、写点评、发布微博，全程自动完成。怎么选也很简单：日常调页面用内置浏览器，需要完整Chrome环境用独立进程，涉及已登录系统和跨网站自动化就用Browser Connector插件。三种方案可以随时切换，根据任务灵活调整。说白了，AI终于能真正帮你干活了，那些重复、琐碎、吃时间的浏览器操作，现在都可以交出去了。实测地址 ：网页链接#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

#穿越记忆的河流# 投资如战，应变方得始终前天中午与钟铭兄、宿斯汉兄、黄炎小聚闲谈，席间颇多启发。黄炎刚刚踏上创业之路，新设基金启航，我也尽微薄之力出资参与，真心支持心怀热爱、敢闯敢拼的年轻人奔赴自己的事业。结合他当下的持仓布局，我也坦诚分享了自己的看法：做投资万万不可机械固守狭义的“价值投资”，当下更要紧紧握住人工智能这一轮时代浪潮的脉搏，在核心资产的布局上，懂得审时度势、有所取舍。投资与行军打仗，从来没有本质区别。二者皆是在充满不确定性的战场中博弈，真正的胜负关键，从来不是死守既定章法、照搬过往经验，而是深谙兵无常势，水无常形的智慧，懂得随势而变、灵活应变。古往今来，纸上谈兵的赵括死守兵书战法，最终落得全军覆没的下场；而能留名青史的名将，无不根据敌我态势、天时地利随时调整策略，因势制胜。投资市场亦是如此，从来没有一成不变的万能公式，更没有能跨越所有周期、无限复刻的成功范式。过往的盈利经验、经典的投资理论，都只是特定时代、特定环境下的总结，绝非放之四海而皆准的铁律。真正成熟的投资人，从来不会刻舟求剑。我们可以坚守价值投资的底层本心，却绝不能固守僵化的操作框架。宏观周期轮转、产业浪潮更迭、企业基本面变化，每一个变量都是市场发出的“战局信号”，就像战场上的风沙走向、兵力消长，必须及时感知、快速调整。盲目死守单一仓位、固执套用过时的估值逻辑，本质上和死读兵书、不知变通的庸将无异，终究会被瞬息万变的市场淘汰。打仗的最高境界，是不拘成法、因敌制胜；投资的长久之道，是坚守本心、顺势而为。我们常说的长期主义，从来不是一成不变的固执持有，而是看清时代大势后的坚定，与察觉变局来临时的灵活。唯有摒弃教条、敬畏变化，在万变的市场中守住价值本心，以应变之策应对无常之势，才能在投资的持久战中行稳致远，收获长久的胜利。备注：本文只是个人的一点投资感悟，不一定正确。投资有风险、须谨慎。

转发者评论

无明显转发评论

• [心][鲜花][作揖]//@羊总之花菜炒蟹:#品格品位炼人生+价值投资终正途# 显然,至少从短期内看,市场已经验证了但斌总是看对了的[good]这已毋庸置疑,已经很了不起!//@但斌:[作揖][鲜花]//@羊总之花菜炒蟹:真正成熟的投资人，从来不会刻舟求剑。我们可以坚守价值投资的底层本心，却绝不能固守僵化的操作框架
• 回复@之弘毅:[心][鲜花]//@之弘毅:但总做投资的过人之处就是看的准拿的住，能不惧波动！[赞][赞][赞]
• [作揖][鲜花]//@羊总之花菜炒蟹:真正成熟的投资人，从来不会刻舟求剑。我们可以坚守价值投资的底层本心，却绝不能固守僵化的操作框架。宏观周期轮转、产业浪潮更迭、企业基本面变化，每一个变量都是市场发出的“战局信号”，就像战场上的风沙走向、兵力消长，必须及时感知、快速调整。盲目死守单一仓位
• 回复@轻依斜阳沐风雨:[赞][鲜花]//@轻依斜阳沐风雨:太对了！好多人都把价值投资挂在嘴边，认为价值投资就是长期持有、固守不变、一劳永逸。可现实是时代在变、社会在变、趋势在变，只看到了巴菲特持有可口可乐几十年如一日，可是他也投资了苹果呀！“投资如战，应变方得始终”。太对了！
• 回复@本手石佛:[作揖]//@本手石佛:在但斌总这里学了很多，虽然还差太多。早就买读过但斌总两版书，哪时还读不太懂，虽然那会儿已经是多年的老股民。现在再读来感受完全不同[赞][干杯]真诚谢谢但斌总[干杯]🙏//@但斌:谬赞了🙏。哪敢谈改变命运😂。认知的鸿沟从来只能自己跨越，很高兴我的点滴分享

原文

撰写专利技术交底书常常需要多轮工具切换：扫描代码文档找专利点、手动查国知局公告、画系统框图流程图、脱敏成 Word 反复修改，还得自检逻辑闭环和补材料，流程繁琐易出错。patent-disclosure-skill 把专利交底全流程自动化整合，提供从项目文档到交付交底书的闭环 Skill 解决方案。不仅能自动挖掘专利点、优先国知局公布公告精准查新，还支持 mermaid 系统框图/流程图渲染、脱敏 Word 导出、自检逻辑一致性，甚至迭代合并补材料多版本追溯。GitHub：github.com/handsomestWei/patent-disclosure-skill SkillHub：skillhub.cn/skills/patent-disclosure-skill+ 主要功能：- 项目扫描：优先读文档/代码，.docx/.pptx 自动转 Markdown 分析；- 专利点挖掘：候选点讨论融合，智能提炼核心发明点；- 查新检索：优先国知局 epub 公布站精准爬取，异常降级 WebSearch；- 交底书成稿：脱敏模板 + mermaid 图表渲染 PNG/Word，命名规范落盘；- 自检闭环：逻辑/参数一致性校验，不写入正文；- 迭代支持：合并纠正另存新版，对话记录逐条追溯。支持 Claude Code / Cursor 等 Agent 环境，pip 安装依赖即可运行，适合研发工程师、专利代理人使用。#AI技能# #专利交底# #AgentSkills#

转发者评论

无明显转发评论

原文

都说AGI要来了，为什么我却更忙了？看着手机和电脑上装得密密麻麻的AI工具，搜索用一个，写PPT用一个，做图用一个，分析数据用一个，写文案又是一个。每个工具都争着跟你保证「帮你提效10倍」。搞笑的是，现在每天花最多时间的变成了给AI分活——满场飞奔、在五个窗口之间疯狂Alt+Tab的那个人正是我自己。AI工具爆炸了，选择太多了，却把自己玩成了「AI项目经理」。5月13日，百度AI开发者大会上，DuMate展示了什么叫「真正能干活」：用户说一句话，三件完全不同的工作同时启动、并行执行、各自交付。不用选工具，不用切应用，不用当调度员。一个入口，替代你手机里那20个AI。打开DuMate跑几个场景，就知道什么叫不当调度员。早上到工位嘴一张，三条线同时动起来——一条在啃你的Excel出图表，一条在满互联网扒行业报告，还有一条疯狂推理最新热点。你起身倒杯咖啡的工夫，三份东西整整齐齐码在桌面上了。做运营的同学把需求一股脑丢过去，秒哒在搭H5页面，数据分析在跑退货归因，邮件模块在写文案排版——三个进度条同时往前走，像是三个人同时在给你打工。能力背后，是一整套技术架构在支撑。自研Harness引擎保障长链任务路径不偏、动作不变形，已在147个真实场景中以93.3%的总成绩拿下全球Agent执行力冠军；背后集成的搜索AI、秒哒、伐谋每一个都是百度深耕多年的成熟产品，AI根据任务自主判断调用，用户不用手动指定；安全沙箱让每步操作可控可回滚；长短期记忆让它越用越懂你。成本端同样在狂飙——对比3月首版已降40%-50%，预计年底降幅达90%。今天花一块钱干的活，年底只要一毛钱。入口之争的本质，是生态之争。谁背后的生态足够厚、调度足够准、执行足够稳，谁就能成为用户最终愿意开口说话的那个入口。这恰恰是百度手里的牌。

转发者评论

无明显转发评论

原文

转自@大家建筑 ：在混沌的年代，还是要给年轻学子和青年建筑师们一点自信和鼓励／分享日本建筑师手塚貴晴给青年建筑师和建筑学子们的寄语特别认同这篇文章，图里的字太小，我把中文贴出来：Message from 手塚貴晴2022/02/17成为一名建筑师给学习建筑学的学生们建筑师的工作是一个有许多竞争对手的工作。拥有众多竞争对手意味着即使您在该领域取得成就，您也无法赚到很多钱。我的导师理查德 •罗杰斯爵士比普通人稍微富裕一点。没有建筑师建立过庞大的基金。不管是什么著名的建筑师，他每天都一边努力工作一边担心存款。也许我的观点是错误的。然而，我所知道的世界上建筑师的形象就是这样的。我曾在威尼斯待过一段时间， Peter Cook爵士也和普通人一样乘坐名为巴波莱特的水上巴士，他们不会乘坐有司机的酷而昂贵的水上出租车。我的老师理查德 •罗杰斯爵士骑自行车上下班。起初是因交通违章被抓并吊销驾照，后来“为了健康骑自行车吧”，即使是下雨天也是湿漉漉的骑着自行车去上下班。我认识的超级明星就是这样的。在摇滚界，超级巨星会开兰博基尼和法拉利这样的超级跑车，或者坐在有专职司机的劳斯莱斯或宾利的豪华轿车的后座上。是有一些建筑师很有钱，但他们通常并不是在建筑设计中赚的。建筑设计是个利润不高的职业。为什么每个人都想成为建筑师？ 为什么建筑系的偏差值这么高？ 那是因为人类不只是为了钱而活着，建筑师是最幸福的职业。挣的钱并不多，但生活并不会有问题。如果你努力，你可以赚到不少的钱，但再说一次你永远不可能非常富有。类似的职业是厨师。为了学习我们得边吃边走，有时不得不奢侈地体验一回，否则无法理解客户的需求，偶尔还会遇到很棒的厨师。学生们看到华丽的经历，一定以为建筑师们过着优雅的日子。错了，建筑师是很辛苦的职业，厨师更是辛苦的职业。没有私人生活的时间，越是有名的人生活越是不规律，工作到深夜12点，凌晨4点起床。奈良井宿的大厨友森 隆司每天早晨天末亮就去田野亲自采摘山菜。等久力會的大厨每天早上4点起床自己去进货。不可思议的是他们的身体并没有被搞坏。但是绝不放弃。有很多竞争对手的职业一般都是传统行业，建筑师和厨师的职业与人类自身的存在有着相同的历史。因为是传统行业，所以有很多竞争对手，相反它们是不会消亡的职业。这意味着传统的职业曾经并将继续成为人类生活中不可或缺的一部分。不管人工智能发展到什么程度，这样的职业都不会消失。之所以不会消失，是因为建筑师的职业是以传递幸福为目的的职业。在这里敢用建筑师或厨师的名称，使用这个名称的人做着超越了人类生杀与夺之外的“多余”的事情。仅仅为了满足人类获得营养和躲避风雨的生存需求，是无法理解这些职业的人为什么要那么努力？然而人类没有这些“多余”的部份是生活不下去的。换句话说，因为有了这些“多余”的东西，所以可以说人类才是人类。如果没有这些“多余”的东西，人就不能获得幸福。对厨…

转发者评论

无明显转发评论

原文

Claude Code 的每周限额将增加 50%，持续到 7 月 13 号。但是他们这次终于把类似 OpenClaw 和 Codepilot 这种使用 Agent SDK 构建的应用额度砍了。6月 15 号开始是双轨制：只有在 Claude Code 本身及其内部，你的 Max 和 Pro 账户才能享受正常额度。如果你是用于 Agent SDK 构建的产品（也就是一些支持 Claude 账号登录的三方产品），你的额度会被折算成对应金额的 API 额度。所以基本上，我们的额度减了十几倍吧。比如说 Max 账户 20 倍的 200 美元 API 额度，如果你用 Claude 4.6 随便跑点大项目，估计半天就消耗光了。这下估计去 Codex 的人更多了。主要是他们还玩文字游戏，削减配额就削减配额吧，非要说完全没变化，太不要脸了。#how i ai#

转发者评论

无明显转发评论

原文

baoyu-skills （github.com/JimLiu/baoyu-skills）新加了一个 Skill：微信群聊总结 Skill：网页链接依赖于 wx-cli：网页链接如何配置使用 wx-cli 请看项目文档，无法提供帮助。另外目前只是借助其读取数据，其他没任何关系。Claude Code + Claude Opus 4.6 效果最佳

转发者评论

无明显转发评论

• baoyu-url-to-markdown skill 输入公众号 URL 就可以抓取 Markdown，还可以下载插图。github.com/JimLiu/baoyu-skills/tree/main/skills/baoyu-url-to-markdown//@Uho先辈:我和你一样，看到想保留的微信文章，先用浏览器打开，然后用插件生成.md文档下载到本地，再复制过去llm里[允悲] //

原文

我前脚刚离开中国，川普后脚就跟来了😄。八卦一下随川普访华的企业高管阵容。科技7子里来了4位，但真正必须到场的，其实应该只有马斯克和库克。马斯克和川普关系自不用说，和中国关系也一直不错。特斯拉在中国市场和供应链的重要性也很高，是川普访华随行的不二人选。中国既是苹果的重要市场，也是苹果最核心的供应链基地之一，库克随行也很正常。Meta总裁Dina Powell McCormick这次随行有些奇怪 。Facebook、Instagram等核心产品在中国大陆没有市场，小扎这些年和中国关系也很僵。McCormick曾在川普政府担任要职，和共和党建制派及川普圈子关系都很深。这次随行主要靠关系？老黄最后时刻“补票”上车，引人遐想。英伟达芯片在中国市场已经基本归零，近期前前景也不看好。微软，亚马逊和谷歌在中国的存在感越来越弱。这几家的CEO没去，不算意外。金融行业这次去了不少CEO。有两块黑石：Blackstone和BlackRock。前者是私募巨头，投资房地产和另类资产。后者则是大众更熟悉的全球投资金融巨鳄。BlackRock是从Blackstone体系里分出来的，如今管理的资产规模已远超后者。另外还有两个CEO来自很多人不太熟悉的公司：Cargill和Coherent。Cargill是全球最大的农产品贸易商之一，也是全球最大的私人企业之一。Coherent则是全球领先的光电子和激光设备厂商，在AI数据中心光通信和高速数据传输领域占据重要位置。最后说一句，川普整天吃垃圾食品，身体怎么还这么好？🤔#八卦川普访华企业高管阵容#

转发者评论

无明显转发评论

• 确实没听过[可爱]。不过他有几天在家？😄//@upup230225:那你肯定不听Joe Rogan’s podcast, 川普在家吃得还是很正常的[挖鼻]
• 回复@夏之天summer:[允悲]//@夏之天summer:这话说的，那我是不是也能说，我前脚刚离开北京，特朗普后脚就跟来了
• 嗯，中国出海企业是脸书上买广告的大客户//@StarOG:Facebook广告收入多的很，

原文

大家还记得之前 OpenAI 的内乱吗？这几天马斯克和 OpenAI 打官司，里面有个人在证词里也频繁出现，就是 Mira Murati。她离开 OpenAI 后办的新公司，主张和老东家几乎相反的 AI 路线，这次来讲讲她。2024 年 9 月，OpenAI 的 CTO Mira Murati 突然辞职。当时所有人都在猜她下一步要干嘛，几个月后她公开了，原来是创办一家叫 Thinking Machines Lab 的公司（圈内常缩成 TML），起手就融了 20 亿美金，从 OpenAI 挖了一批核心人。这家公司主张和 OpenAI 几乎相反的路线：不追求模型最强，而是追求「让人能看懂模型在想什么」。这篇拆开讲两条路线的差别，以及哪些行业未来几年大概率会优先用「看得懂的 AI」。简单说 Murati 这个人，ChatGPT、DALL-E、GPT-4 这些产品都是在她任内做出来的——算是亲自把生成式 AI 推到大众面前的那批人之一。OpenAI 那条路线，简单说叫「先做强，再补解释」。先把模型做到能力上限，然后回过头来研究「它内部到底在干什么」——这种研究叫机制可解释性（mechanistic interpretability），Anthropic 也有相当一批人在做。这条路线的好处是模型够强，实用性优先。坏处是事后追溯型——AI 给你一个答案，你不一定知道它怎么得出来的。普通聊天场景没问题，但在医疗、法律、金融这种「答案错一次代价巨大」的场景就很麻烦。监管也很难——你没法审计一个你不理解内部机制的 AI。Murati 的 TML 主张反过来——从设计阶段就把「让人能看懂模型在想什么」当作核心目标。具体怎么实现，她公开的技术细节还不多，但创办公开信里讲过一句挺关键的话：「人类能信任的 AI，必须是人类能审计的 AI。」意思是再强的能力，如果是黑盒，在很多场景下根本用不起来。这条路线大概率会让模型短期内的能力上限低于 OpenAI 那条路——因为「可看懂」本身就要付性能代价。但她押的是「可审计 AI」在高风险场景会更受欢迎。那对你来说这两条路线意味着什么？表面看像是两家在「打架」，其实更可能的格局是分场景共存——普通聊天、写作、轻量编程：还会继续用 OpenAI、Anthropic、Google 这条路线的产品，因为体验最好、代价最小，没必要换。高风险决策场景：医疗诊断辅助、法律文书生成、金融风控、招聘、保险理赔等等，这些行业未来几年大概率会优先采用「可审计 AI」——监管和责任压力都在逼你必须能解释 AI 给出的结论，你说不出「为什么这么决定」就过不了合规。企业 to B 中间地带：通用任务用强模型，关键决策环节再套一层可审计模型做交叉验证。这种「两条腿走」会成为很多企业实际的部署方式。Murati 这条路线现在还很早期，说实话能不能成谁都不敢打包票——从设计…

转发者评论

无明显转发评论

原文

很多团队迟迟不敢把 AI 智能体接进真实业务，问题往往不在模型本身，而在模型外面那一圈东西。审计报告里提到，36％ 的开源 AI agent 项目至少有一个安全漏洞，这个数字放到企业场景里就很敏感了。Pokee AI 推出了沙盒化智能体“PokeeClaw”，把凭证、审批、日志这些生产环境最头疼的事收进统一架构里，并且将多步骤任务的 Token 消耗压下来。AI 技术博主 AI Master 用三个真实工作案例去跑，全部真 API、真账号、真权限，没有走演示套路。通过示例看出，它最有价值的地方是“可控”。所有外部动作都要审批，OAuth 凭证放在加密保险库里，权限能细分，工具调用有完整审计日志。这个设计很适合要碰 Gmail、X、LinkedIn、Google Sheets 这类真实应用的场景。智能体能做事，但不会在你没点确认前直接发出去，这比很多“全自动”方案更适合上线。另一个亮点是执行方式。它会把任务拆给多个子智能体并行处理，比如搭前端、拉数据、配存储，都能同时跑，减少上下文反复回读，Token 成本也跟着降。AI Master 做了一个网红营销分析工具，还跑了定时抓取 AI 新闻并分发到社媒、自动整理五款自动化工具价格到表格里，这些都是日常工作流，而不是一次性 Demo。如果你只是做单步自动化，Zapier 或 n8n 够用了。但只要流程里开始出现多应用联动、真实凭证、审批要求和合规约束，工具的差距就不只是“能不能用”，而是“敢不敢用”。这才是现阶段智能体真正的分水岭。#AI智能体##AI安全##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

【知识唾手可得的时代，多数人都搞错了学习的本质】快速阅读：当 AI 让获取知识的成本趋于零时，学习的重心将从“寻找信息”转向“创造洞见”。正如效率提升反而增加煤炭消耗一样，廉价的知识将催生对深度思考（Chiddush）的爆炸式需求。如果把知识比作麦粒，现在的 AI 就是一位极其高效的麦子收割机。它能瞬间为你翻遍所有的文献、翻译复杂的古籍、总结冗长的论证。但有个问题：吃生麦粒能叫吃饱吗？有人认为，如果一个人只是对着 ChatGPT 询问经文的含义，然后就此止步，那他只是在干吞生麦粒。他吃掉了输入，却错过了真正的过程。真正的知识不是那些被喂到嘴边的信息，而是在研磨、揉捏、发酵、经受火焰炙烤后，才变成可以被人类消化的面包。这让我想起 Jevons Paradox（杰文斯悖论）。19 世纪时，人们以为蒸汽机更省煤，煤炭消耗就会下降，结果煤炭需求反而暴涨了十倍。因为效率提升让原本昂贵的能源变得触手可及，从而开启了铁路和工业化等全新的应用场景。知识也是一样。过去，学习的瓶颈在于“获取”——你需要翻遍图书馆，花费数年时间才能掌握检索和翻译的技能。现在，这个瓶颈消失了。当获取知识的成本塌陷，真正的瓶颈会迁移到更深的地方：Chiddush（洞见）。Chiddush 不是凭空捏造，而是在既有的文本中，发现那些一直存在却从未被看见的结构。它是一种“发现”，而非“发明”。当 AI 把所有的“麦粒”都准备好了，人类的任务就不再是搬运，而是成为一名面包师。有网友提到，我们可能会面临大量“知识垃圾”的冲击，就像亚马逊上那些低质量书籍一样。这确实是个风险。但换个角度看，当基础的检索工作被自动化，我们反而有更多的时间去进行那种“高摩擦力”的思考。学习的终点不应该是信息的堆砌，而应该是通过思考去启发他人，通过写作去表达理解。现在的挑战在于，当每个人都能轻易获得“麦粒”时，谁愿意拿起擀面杖，去面对那漫长且艰辛的烘焙过程？x.com/ZoharAtkins/status/2054168204658815070

转发者评论

无明显转发评论

• “学习的终点不应该是信息的堆砌，而应该是通过思考去启发他人”，这句话值得仔细品味。

原文

面壁智能那1.3B，能下载到手机里做图像识别的MiniCPM-V 4.6开源了。公开评测里，MiniCPM-V 4.6的多模态综合能力超过了Qwen3.5-0.8B和Gemma4-E2B-it。在AA评测里的token消耗非常低，1.3B非推理版本运行只消耗5.4Mtoken，只有Qwen3.5-0.8B非推理版101M的1/19，也只有Qwen3.5-0.8B推理版本233M的1/43。多模态模型看图，最麻烦的一步是它要先把图片拆成一堆视觉token。图片越大，越清楚，里面的信息越多，视觉token就越多。视觉token一多，后面的成本就上去了。你可以把它想成搬家。如果一开始把所有东西都原封不动搬上车，后面再说我要节省空间就没啥空隙了，很多多模态模型的做法，就是在ViT（Vision Transformer 视觉模型）之后再压缩token。MiniCPM-V 4.6的LLaVA-UHD v4优化的点是把视觉token压缩提前到ViT内部。更早压，更省空间。LLaVA-UHD v4里面用了早期ViT内压缩模块，配合窗口注意力，让邻近token先做上下文交互，再通过复用相邻预训练ViT层参数，尽量减少对原有视觉表征的扰动。在这基础上，面壁还完成了两种压缩模式的混合使用。- 4倍压缩更像高清模式，保留更多细节，适合追求识别精度的时候用。- 16倍压缩更像高速省电模式，画面信息压得更狠，但推理速度会更快，成本也更低。#面壁智能##HOW I AI##MiniCPM##科技先锋官#

转发者评论

面壁智能做的本地小模型，在未来聚身智能上会有很大的应用空间

• 面壁智能做的本地小模型，在未来聚身智能上会有很大的应用空间

原文

#AI创造营##微博AI创作季# AI圈子里的一大谜题是：Claude的老板Dario Amodei，当年在国内某大厂实习时究竟遭遇了什么，以至于他成了今天这个样子 于是让AI开了个脑洞，做了这个视频。Dario实习时是2014年左右，正是互联网黑话盛行的时候。PS：这个是在微博最近上线的 V 创作中心里做的，里面接入了不少主流 AI 最新的视频生成模型，可灵、快乐小马、Seedance都有，可以支持生成后一键发博。用的创意视频模式，还蛮好用，自动写脚本、生成人物卡片、分镜、最后组合成成品视频。就是速度比较慢。以及：这段纯瞎编的，Dario貌似是在美国的分公司实习的。研究语音神经网络，也是那时初步感受到了Scaling Law -- 数据越多、计算越多、训练越多，它们的表现就越好。 蚁工厂的微博视频

转发者评论

无明显转发评论

原文

本次直播将邀请南京航空航天大学自动化学院张柯教授，与施普林格·自然应用科学图书编辑总监黄梦初博士，共同探讨无人系统研究领域的最新进展。内容将涵盖多智能体无人系统的研究前沿以及趋势判断、本领域目前的研究边界，以及AI对科研方式的影响等等，也欢迎参会人员与嘉宾线上交流。届时，还将向大家介绍施普林格·自然电子图书相关领域学术资源，并在会后分享编辑精选书单，内容涵盖工程学、智能技术与机器人以及人工智能等方向，助力学者的科研工作与学习。期待与各位学者共同探索无人系统研究的现实挑战与未来可能！ 今日直播 | 无人系统的边界：复杂环境下的集群协同与工程挑战

转发者评论

无明显转发评论

原文

【微软狂撒1000亿美元后 又盯上了斯坦福学霸的初创公司】微软累计向OpenAI投入超7千亿元，因对方推行多云架构双方绑定松动，正通过旗下风投并购中小AI初创自建大模型壁垒，目前正谈判收购估值超10亿美元的斯坦福背景LLM初创Inception，此前竞购Cursor因怕监管审查放弃。

转发者评论

无明显转发评论

原文

每天一个小技巧，今天教大家如何把实拍视频里的人物替换成虚拟人物。注意每次不能超过15秒，如果视频长的话，需要分段替换。最近天天有人求助问我AI工具怎么用，还有人通过淘宝店客服来找到我。其实我微博里面都免费分享了，只要在我微博搜索“厂长AI教程”就能找到各种简单实用的小教程。

转发者评论

无明显转发评论

原文

学习了下Fiona Fung 在 Anthropic 大会上的演讲内容，关于 AI 时代怎么管工程团队。做些笔记顺便和大家分享。核心观点很直接：当写代码的成本趋近于零，过去基于“开发贵”设计的流程全部要重构。（这个观点我非常认同，前一段我们在内部，我和@axb的自我修养 还特别的讨论过这个事情，也在做一些实践）还有几个值得记下的观点：• 从“先写设计文档”到“先发一个 PR”，技术辩论从白板讨论转向“让 Claude 同时搓三个版本对着代码聊”（对应之前大家说的对着Demo聊需求）• “这段代码谁写的”正在失去意义，Claude Code 团队几乎所有 PR 都有 AI 参与（从harness和可控性角度，谁写的还真不一样，但作者应该是从业务视角来看的，也合理）• 经理必须从 IC 做起，Fiona 自己 2017 年后首次重新写代码，“现在连 git 命令都不记得，全靠 Claude”（很认同）• 砍掉旧流程比叠加新流程更难，但更重要。她用 jit planning（即时规划）替代六个月路线图，因为“原型成本趋零，提前规划的杠杆消失了”（确实，惯性很强大）• 代码是唯一 source of truth，设计文档退位（这个其实是有争议的，spec的角色现在很微妙，不同做法各有优劣）三个观察指标：新人上手时间、PR 生命周期、Claude 介入比例。但她警告：别盯着“多少代码是 AI 写的”这种虚荣指标，关键看产品质量。最后这句话很实在：“挑出最折腾人的那条工作流，重新审视它到底还在为谁干活。”#AI编程##工程管理##ClaudeCode##技术思考##微博AI创作季#

转发者评论

无明显转发评论

原文

最近看到一个挺有意思的案子，杭州中院判的，全国第一例AI代写小红书种草笔记的不正当竞争案。事情是这样的：有几家公司做了一款AI写作工具，专门针对小红书设计，功能模块直接写着"小红书种草文案""小红书笔记标题"。用户只要输入产品名称，填几个关键词，一键就能生成一篇看起来特别真实的"亲测体验"笔记。你根本不需要买过这个产品，AI帮你把细节、情绪、使用感受全编好了。这个工具还是收费的，买会员才能用。小红书把这几家公司告了，说它们诱导用户批量生产虚假内容，破坏了平台的真实内容生态，增加了治理成本，构成不正当竞争。工具方的辩护很经典："我们只是提供技术，技术是中立的，用户怎么用是用户的事。"但法院没买账。法院的意思很明确：AI技术本身可以是中立的，但你把技术做成专门针对某个平台、专门帮人造假的产品，那就不能躲在"技术中立"后面了。法院还给出了一套"四要素判定法"来判断这类工具是否构成不正当竞争：第一，它是不是生成式AI服务；第二，它是不是专门针对某个特定平台；第三，它有没有明确的诱导性，比如暗示用户"不用真实体验也能写出体验笔记"；第四，它是不是靠这个模式赚钱的商业行为。四条全中，法院判定构成不正当竞争，赔偿10万元。金额不大，但这个判决的意义在于：它第一次把AI工具的法律边界说清楚了，给了一套可以反复使用的判断标准。以后再出现类似的工具，对着这四条比一比，结论就很清楚了。那对我们普通人来说，该怎么用AI工具才不会踩坑？其实核心就一句话：AI可以帮你"说得更好"，但不能帮你"无中生有"。你真的用过一款产品，觉得好，但文笔不行，让AI帮你润色、组织语言，这完全没问题。但如果你压根没体验过，纯靠AI编一段虚假经历发到平台上，那你发布的就是虚假内容，平台有权处罚你，严重的还可能涉及虚假广告的法律责任。对开发者来说，这个案子的警示更直接：别把工具做成"定向作弊器"。你做一个通用的AI写作助手，用户拿它写邮件、写周报、写读书笔记，没人会找你麻烦。但如果你的产品功能模块直接绑定某个平台的名字，宣传语暗示用户可以跳过真实体验直接生成内容，还靠这个收费盈利，那你就同时踩中了法院说的四条线。简单讲，工具的设计意图和引导方向决定了你的法律风险。做"帮人表达得更好"的工具，安全；做"帮人造假更方便"的工具，迟早出事。#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

“为什么 Codex 5.5 中等版（Medium）的表现竟然优于超高配置版（Extra High）？在 `Agents.md` 中加入这条规则：“不要死磕错误！一旦同一个错误出现两次，立即联网搜索 3-5 种潜在方案。从中筛选出最高效的解法并付诸实施。”这条提示词能让你从“苦思冥想却陷入决策死循环”的压力中解脱出来，转而寻找真正行之有效的新视角。我在处理复杂任务（如模型训练、运行评估、将最佳 Checkpoint 转换为 GGUF 格式等）时进行了实验，结果是：零报错。最棒的是：它极大地节省了时间，且能规避每周的使用配额限制。我目前使用的是 Codex 5.5 Medium（快速版），响应几乎是瞬时的。但秘诀在于： 你的“会话计划”（Session Plan）必须由 Codex 5.5 Extra High 来制定！而 Medium 版本仅负责执行该计划。通过这种方式，你规避了 Medium 模型逻辑不够严密的短板，同时充分利用了它的极速响应来精准完成任务清单。”x.com/cjzafir/status/2054190137941315651

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-05-13)1. 【美国正赢得AI竞赛最关键战场：商业化】文章分析美国AI领先的核心优势并非模型能力，而是将AI转化为真实商业价值的速度与规模，覆盖从B2B SaaS到消费品的全面商业化渗透。随着AI竞争重心从研究转向落地，谁能更快将能力货币化将决定最终格局。(来源: HN) avkcode.github.io/blog/us-winning-ai-race.html2. 【Meta在Threads上的AI账号无法被屏蔽】The Verge报道，Meta在Threads推出的官方AI账号无法通过屏蔽或取消关注处理，用户被迫接触Meta AI内容。这是平台将AI强制植入社交体验的最新案例，加剧了用户对科技公司AI推广"同意权"的担忧。(来源: HN) www.theverge.com/tech/929091/meta-ai-threads-account-block3. 【医保新支付模型专为AI而生，但科技界几乎无人注意】TechCrunch分析称，美国医疗保险的新支付架构高度契合AI工作流，正悄悄打开AI在医疗领域大规模商业化的关键闸门。对AI+医疗的创业者而言，这可能是目前被最低估的政策窗口之一。(来源: HN) techcrunch.com/2026/05/12/medicares-new-payment-model-is-built-for-ai-and-most-of-the-tech-world-has-no-idea/4. 【Prompt工程缺失的那一层：思维质量】文章指出真正决定AI输出质量的"思维质量"——人类在提问前的思考深度——被系统性忽视，并提出五种提升方法。这将AI辅助的瓶颈从模型能力转向了用户本身，是"AI让人变笨"讨论的建设性回应。(来源: dev.to) dev.to/javz/the-missing-layer-in-prompt-engineering-thinking-quality-2n3j5. 【如何拯救臃肿的MCP：Code Mode方案】文章提出用"Code Mode"解决MCP工具数量爆炸导致的上下文臃肿问题——让模型直接生成执行代码而非调用大量工具，显著降低token消耗。对有大量工具调用的Agent系统，这个方案有直接实用价值。(来源: dev.to) dev.to/zenstack/how-to-save-bloated-mcp-with-code-mode-33e36. 【用Veo 3.1和NanoBanana 2生成完美正方形AI视频】Google AI工程师分享了利用Veo 3.1和NanoBanana 2工具生成正方形格式视频的完整流程，突破了大多数视频AI默认横向输出的限制。正方形格式对Instagram Reels和TikTok至关重要，解锁了…

转发者评论

无明显转发评论

原文

【英特尔预言成真！CPU迎来第二春：巨头翻倍扩产应对订单潮】日本半导体基板巨头揖斐电是英伟达、英特尔等巨头的核心供应商，受智能体AI算力需求爆发带动，大幅上调业绩预期，计划到2028年将产能扩至2024年的2.4倍，AI服务器等三类高端芯片已成基板需求核心引擎，传统PC需求持续下滑。

转发者评论

无明显转发评论

原文

【黄仁勋称5年前的GPU就像老酒：它们越陈越香 还会涨价】在AI需求进入爆发周期的背景下，GPU成为最紧缺的算力资源之一，甚至5年前的旧芯片也开始持续涨价。近日，英伟达CEO黄仁勋将这一现象称为“Fine Wine（好酒效应）”。黄仁勋指出，旧GPU的涨价速度甚至超过好酒陈化速度，在市场中仍然具有强需求。

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-05-14】今日简讯：1、中央网信办出手：短视频发布必经6类标签标注，52万违规视频被清理2、微软洽谈收购AI初创Inception，至少10亿美元备战"后OpenAI时代"3、Anthropic冲刺万亿美元估值：9000亿美元投前估值、300亿美元融资4、可灵AI确认亮相5月18日戛纳电影节，探讨AI电影级制作落地5、Runway发布Agent：单次对话即可生成完整可发布视频6、Anthropic推出Claude for Small Business，面向小型企业AI服务以下为详细内容：1、中央网信办出手：短视频发布必经6类标签标注，52万违规视频被清理来源：人民日报、新华网、央视新闻日期：2026年5月12日中央网信办近日部署规范短视频内容标注，明确6类"必选标签"：含有虚构演绎内容、含有AI生成内容、含有营销信息、内容为转载、内容为个人观点、无需标注。发布者必须从"必选标签"中选择一项才能发布短视频，不选标签无法发布。数据显示，2026年1月以来已清理虚假摆拍等违规短视频52万余个，封禁违规账号6.8万余个，发布治理公告54期。包括抖音、快手、小红书、微博、淘宝等12家平台已先行先试，5月底前全行业完成功能上线，年底前完成存量回溯。原文链接：中央网信办：短视频发布必经内容标注2、微软洽谈收购AI初创Inception，至少10亿美元备战"后OpenAI时代"来源：财联社、新浪财经、搜狐科技日期：2026年5月14日微软正与斯坦福团队创立的AI初创公司Inception展开收购谈判，交易金额至少10亿美元。Inception专注于"扩散"技术开发大语言模型，该技术与传统Transformer架构不同，在图像生成领域已证明能生成高质量、多样化内容。微软此举旨在应对与OpenAI关系松动的变局。2026年4月双方修订合作协议，微软放弃独家云绑定、独家IP授权和AGI判定权，换取非独家许可证和27%股东席位。OpenAI同时与亚马逊签署500亿美元合作，冲击微软Azure垄断地位。原文链接：网页链接3、Anthropic冲刺万亿美元估值：9000亿美元投前估值、300亿美元融资来源：IT之家、彭博社、腾讯科技日期：2026年5月12-13日彭博社报道，Anthropic正与投资者进行初步洽谈，目标以超9000亿美元投前估值筹集至少300亿美元。若成功，这将成为其迄今最大规模融资，交易最快有望本月底完成。9000亿美元估值意味着超过腾讯+阿里巴巴当前市值之和。Anthropic年化收入已从2024年12月的10亿美元飙升至2026年3月的300亿美元，保持超10倍增速。但竞争激烈：OpenAI质疑Anthropic的收入口径（300亿 vs 220亿真实收入），早期投资者本轮普遍观望，认为9000亿私募估值可能高于4000-500…

转发者评论

无明显转发评论

原文

再创新高！百亿私募达136家！东方港湾@但斌 近3年领衔！网页链接4月份表现较为突出的是东方港湾，旗下有业绩显示的80只4月收益均值为***%，近年收益均值为***%。值得关注的是，其中有72只产品净值在4月份创下历史新高，4月份美股AI科技巨头纷纷涨幅亮眼，谷歌单月涨幅超33%，英伟达涨超14%。查看收益：网页链接2026年但斌重仓股一览表（附但斌近5年重仓股名单）：网页链接今年一季度，东方港湾海外的美股持仓继续聚集在AI产业链，第一大重仓股仍为谷歌，另外还持有二倍做多谷歌ETF，合计持有市值超3.6亿美元。去年底，但斌在接受媒体采访时表示：“如果说2025年是人工智能的起步蓄力阶段，那么2026年很可能成为AI应用万马奔腾的一年”。近3年业绩表现中，东方港湾旗下75只产品再度领衔，近3年收益均值达***%。早从2022年起，东方港湾便全力拥抱人工智能时代的到来，重点布局以英伟达为代表的美股AI巨头，在近3年的行情中收获亮眼的业绩。查看收益：网页链接A股 股市 #百亿私募# 财经

转发者评论

[作揖][心][鲜花]

• [作揖][心][鲜花]

原文

#微博声浪计划# #听见微博# 今天的头条让我注意到一个有趣的结构变化：监管层和企业层正在从两个方向"驯服"AI。监管端，网信办的短视频标注新规，本质上是在给AI生成内容贴"身份证"。6类标签看似简单，实际上构建了一套责任追溯体系——发布者对内容负责，平台对标注负责。52万违规视频被清理、6.8万账号被封禁，这个数字背后是AI内容泛滥后的清算时刻。企业端，Anthropic的9000亿美元融资传闻和微软的Inception收购案，展现了另一重"驯服"逻辑：资本正在试图让AI变得"可预测"。无论是300亿融资还是10亿收购，本质上都是用资金换时间——换取AI发展不要失控，换取能在IPO前建立起足够的商业壁垒。但这里有个悖论：越是试图用资本和监管"驯服"AI，AI的价值就被越快地货币化和制度化。Anthropic的估值已超过腾讯+阿里之和，这也意味着AI已从"改变世界的技术梦想"变成"需要讲清楚商业模式的财报"。对创作者而言，短视频标注新规短期内增加操作成本，但长期看，合规反而是差异化优势——当所有人都被迫透明化时，能提供"真实创作记录+合规标注"的创作者会获得信任溢价。 德里克文的微博音频

转发者评论

无明显转发评论

原文

#AI创造营##微博AI创作季#阿里的happy horse1.0视频模型发布，那么这个模型有什么特点呢？我一句话总结告诉你：文戏还可以，但是武戏还不太行。就是动作场景还不太行，这块还是seedance 2.0更强。但是文戏，说话，交流，景观等等这种动作幅度不太大的，还是可以的。seedance 2.0现在排队太厉害了，价格也涨了不少。happy horse1.0可以作为一个很好的补充。微博最近上线了V创作中心，happy horse1.0，seedance2.0都有。我看了很多黄仁勋赶飞机的AI视频，但是都不太全，自己也尝试用视频模型做了一个。这次是真的让老黄赶上飞机了，你可以称为“黄中谍”。视频模型这块还是有搞头的，从快手独立出来运营的可灵，估值都快超过快手自己了。 挨踢牛魔王的微博视频

转发者评论

无明显转发评论

原文

事情正在起变化。Android、iOS、HarmonyOS三种系统都在用，后者这两年用得最少，但到HarmonyOS 6感觉开始进入拐点，生态基本跑通，问题点明显少了，导致6的终端用户数去年四季度快速翻番到现在的6000万。之前另一台华为手机一直没升到HarmonyOS，原因大家都知道，但现在Pura X Max成了主力机，唯一不够满意的是影像。从2019年1.0系统物联试水，后续2.0手机beta，3.0正式上机，4.0、NEXT 5.0到去年是漫长的生态耕耘期甚至是徘徊期，局面一度有点不稳。但是到6.0情况不一样了，预计即将推出的AI OS概念的HarmonyOS 7.0会是个buff叠满、逆天改命的大版本，与自带ISP的新一代芯片SoC、影像体系大幅升级形成叠加效应，导致Mate90系列尤其ProMax可能是今年四季度最具产品力的爆款之一，Pura90 Pro Max已经比OPPO Find 9X Ultra等旗舰的影像明显更强，用户唯一介意的可能剩下系统层面的固有印象和日常考虑，以及为什么不能极端一点把Mate90 Pro Max的影像能力极致到X8上。总是担心模块太突出或者堆料太足成本过高用户不敢买（其实是大厂不敢做），这种导致做不出极致产品的折衷心态得改。

转发者评论

无明显转发评论

原文

《Mathematical Theory of Deep Learning》，一本面向深度学习理论的数学教材地址：arxiv.org/pdf/2407.18384它用比较严格但尽量可读的方式解释深度学习为什么可能有效，主要内容是神经网络能不能表达目标函数、训练算法为什么能找到有用解、训练集上表现好为什么可能推广到新数据；全书围绕 approximation theory、optimization theory、statistical learning theory 展开，最后也讲 ResNet、CNN、Transformer 等现代架构。#AI创造营#

转发者评论

LaTeX 美美哒！

• LaTeX 美美哒！

原文

如何一分钱不花让大模型做完一个应用？lealone 设置大模型时有个 prompt_mode 参数，改成 true 就只动态生成提示词，然后拿着这些提示词就能直接通过网页版或 app 发给大模型了。比如氛围编程，把自然语言发给 lealone agent，就会返回一段提示词，然后发给大模型就会得到 sql，把 sql 存到 services.sql 文件中，在浏览器中调用服务时，又返回一段提示词，发给大模型就能得到服务对应的代码了，生成一个应用不用花一毛钱。

转发者评论

无明显转发评论

原文

他用38年，把悲惨活成了诗歌。4岁，他在胡同地上写下“天”和“地”。21岁，他失去了双腿。22岁，他攥着绳子摇进地坛，被一个扫地老人拦住。26岁，母亲拿着菊花来告别，说“咱娘俩好好儿活”——那是她对他说的最后一句话。59岁，他说的最后一句话是：“北海的菊花开了。”他叫史铁生。他把所有的相遇，都写进了《我与地坛》。他把自己的肝脏和角膜，留给了三个素不相识的人。天和地，终于见上面了。世间所有的相遇，都是久别重逢。#AI创造营##AI脑洞剧场# +#微博视频号迎新计划##seko##sekoai# 编导李让的微博视频

转发者评论

#AI创造营#//@微博AI:AI还原史铁生的一生，《我与地坛》永远照亮人心#AI创造营#

• #AI创造营#//@微博AI:AI还原史铁生的一生，《我与地坛》永远照亮人心#AI创造营#

原文

5 月 11 日面壁智能正式发布并开源了 MiniCPM-V 系列新一代基础模型——MiniCPM-V 4.6。这款模型的整体参数规模仅约 1B（1.3B），是该系列有史以来参数规模最小的一款。但在多模态综合能力上，它却成功超越了被视为标杆的阿里 Qwen3.5-0.8B 和谷歌 Gemma 4 E2B-it，做到了「尺寸更小、效率更高、性能更好」。 一张4090就能爆改！面壁智能MiniCPM-V 4.6，1B多模态卷出新高度

转发者评论

无明显转发评论

原文

【Agent Skill结合Graph做技能检索及演化思路：SkillGraphs方案解读】在之前的文章《Agent Skill结合知识图谱进展：SkillSynth做数据合成及GraSP将Skill执行变为DAG图》(网页链接)中，看了两个工作。一个是Skill结合图谱做Agent训练数据合成思路-SkillSynth，属于数据合成的范畴，还贴了skill和知识图谱。另一个就是将skill执行搞成DAG图的思路，这是具体的执行方式上的切换了。那么，图有了，可否进行自进化？现在看第三个工作：《SKILLGRAPH: Skill-Augmented Reinforcement Learning for Agents via Evolving Skill Graphs》,网页链接，打的点还是说，现有Agent的技能库多为扁平结构，仅按语义相似度检索，无法建模技能依赖与执行顺序，组合任务需要好几个技能按顺序拼起来才能完成，智能体不光要找到相关技能，还要知道谁依赖谁、谁先谁后，列表式技能库做不到。例如，ALFWorld中的“加热并放置”任务可能需要先定位物体，再将其拿起，使用电器加热，最后放置到目标位置。一个扁平的Top-K 检索器可以返回相关技能，但无法表明它们之间的依赖关系或执行顺序。所以，结合图搞一下，搞个SKILLGRAPH框架，思路就是把技能建成一张带类型边的有向图，让技能之间的依赖、增强、共现关系可计算、可检索、可进化，让Agent拿到任务时，不是搜一堆零散技能，而是直接拿到一套按依赖排好序的“技能执行路线图”，并且这张图还会跟着Agent一起变好。也就是：SKILLGRAPH=技能图（节点=技能，边=关系）+图感知检索（输出有序技能）+图进化（自动增删改技能）+闭环强化学习（策略和图一起变强），所以，就是贴了知识图谱+演化两个点，可以进一步总结为几个问题：技能从哪来？轨迹蒸馏；技能怎么存？图结构 + 三类关系；技能怎么用？依赖有序检索；技能怎么更新？自动增删并分；技能怎么开放？课程式渐进解锁；技能怎么和策略配合？闭环强化学习。网页链接。也推荐看看，挺好的思路。

转发者评论

无明显转发评论

原文

转：2026年5月14日周四读报！一切美好从❤️开始：1、5月13日，市场监管总局宣布部署反不正当竞争专项执法。此次执法聚焦平台经济、民生、科创等领域，整治“内卷式”竞争。将强化网络不正当竞争常态化监管，加大商业秘密保护力度，完善相关规则标准，同时加强普法宣传、曝光典型案例，压实平台责任，维护公平有序的市场环境。(综合央视等)2、5月13日，A股市场集体反弹，创业板指突破4000点，刷新历史新高。深成指涨超1%，科创50指数涨超2%。沪深两市成交额3.24万亿，较上一个交易日缩量26亿，成交额连续6个交易日超3万亿。盘面上，市场热点快速轮动，全市场超3200只个股上涨，超百股涨停。(财联社)3、中国国家铁路集团：为更好地服务广大老年旅客美好出行需求，铁路部门近期将推出老年旅客淡季周中购票优惠服务，相关优惠车票将于5月15日起陆续发售。(人民日报)4、中央网信办全面部署推进规范短视频内容标注工作，明确网站平台必须为用户提供“含有虚构演绎内容”“含有AI生成内容”等6类“必选标签”，将内容标注设为短视频发布必经环节。(央视)5、5月13日凌晨，U17国足2比0击败卡塔尔队，以小组第二的成绩晋级U17亚洲杯8强，同时也拿到了一个U17世界杯的参赛资格。中国男足终于又要迎来属于自己的世界杯了，上一次有中国男足国字号参加世界大赛还是在2005年。(北京日报)6、5月13日，阿里巴巴CEO吴泳铭在财报会上表示，阿里计划，未来阿里云所持有的数据机房资产将是2022年AI爆发前的十倍以上增长，阿里未来三年的资本开支可能远超3800亿。(第一财经)7、三星电子劳资第二轮事后调解13日最终破裂，工会宣布将如期启动总罢工。这恐将造成40万亿韩元(约合人民币1824亿元)规模的损失，并殃及半导体产业，政府可能考虑行使紧急调整权。工会表示，如果其要求得不到满足，工人将于5月21日开始为期18天的罢工。(每日经济新闻)8、5月13日晚，美国总统特朗普乘专机抵达北京。这是中美两国元首继去年10月釜山之后再次面对面会晤，也是美国总统时隔9年再次访华。(央视)9、行情数据显示，LME期铜价格周二上涨约1%，至每吨14100美元附近，逐渐逼近1月份创下的每吨14500美元以上的历史高点。分析人士指出，作为工业金属风向标的铜价在最近几个交易日强劲上涨，这得益于多个因素，包括中国需求的复苏以及中东硫磺供应的紧张——硫酸是某些铜生产工艺中不可或缺的原料。此外，由于铜被广泛应用于数据中心及其支持的电力基础设施，随着AI股票的飙升，铜价与美国股市的关联度也显著提高。(财联社)10、法国卫生部长斯特凡妮·里斯特在12日举行的一场新闻发布会上说，法方目前已识别“洪迪厄斯”号邮轮一例荷兰籍死亡病例的22名密切接触者，他们都将接受检测并需住院15天。(央视)11、当地时间5月13日，中美经贸中方牵头人、国务院…

转发者评论

无明显转发评论

原文

刚才有星球同学来咨询我做公众号自媒体建议，我详细诊断了一下账号，给了点建议。这位同学做公众号一个月，粉丝155个，流量主赚了20块，只有两篇文章浏览量过千，其他都是两位数。其实，这个数据很正常，大部分人起步阶段都是这样，不用焦虑。我感觉最大的问题在于他发的内容，AI 资讯类的，太泛了，而且 AI 写的，一眼就能看出来，同时内容有点短。我的建议是，AI可以当辅助工具，但不能完全替代你的思考。要写实操教程类的内容，比如怎么用豆包、怎么用deepseek，这类东西对读者有帮助，未来也容易接到商务广告。纯资讯类的内容，普通人可能根本不会点进去看，AI 资讯类的内容只有 AI 领域的博主看，你一个小白发这个，AI 领域的人看了其实没啥感觉的，可能写的不够深入，该领域的人还会感觉没干货，根本就不会有互动。而普通用户又不会看。关于变现路径，我认为：靠流量主赚钱这条路现在太难了，太内卷，而且火不火全靠算法推荐，你掌握不了主动权。正确的思路是打造个人IP，积累信任，未来靠商务合作变现。我认为最重要的一点就是：要发长期有价值的内容，别追热点。热点资讯今天发了明天就过时，没有长尾流量。但一篇实操教程，半年后还有人通过搜索找到你。就以我自己的公众号为例，我现在都不发AI资讯了，只发信息密度高的访谈类内容。最后关于发布频率，其实内容不用每天发，两天一发就行，关键是固定频率，长期坚持。稳定输出比偶尔爆发重要得多。#副业赚钱##自由职业#

转发者评论

无明显转发评论

原文

这两天在油管上看了一个观看量接近一百万的视频，名字叫How ChatGPT Slowly Destroys Your Brain.博主开头援引了一个MIT的研究（我没有去查证文章的权威性），把受试者分成三组： 使用AI组 、搜索组（用谷歌等搜索引擎，但不能用AI） 以及纯思考组（不用工具），然后观察三组受试者在写作时大脑活动。结果： AI组在写作时显示出更低的认知参与度和更弱的大脑链接。博主接着解释了我们学习的机理。如图所示，当信息进入大脑时，我们需要进行一系列活动来“整理和理解”它。这一步信息加工才是学习真正发生的地方。而这个过程是非常费脑子的，需要投入认知努力(mental exertion). 当我们使用AI时，好像就可以跳过这最艰难的一步，直接绕过信息加工，于是产生”学习错觉“：感觉自己学到了，但其实没有深入思考，没有解构和重建，”学会了“只是自己的错觉。博主建议我们在觉得学习内容难，需要慢慢想的时候，不要马上用AI来简化它。因为这个费劲的过程就是学习本身。可以让AI帮我们找资料，提供不同观点，变成跟我们讨论和辩论的对手，但不要让它代替我们理解和思考。

转发者评论

无明显转发评论