微博 AI 观察博客

原文

amd 【有礼互动】#AMD商用# 人工智能模型的快速发展源于算力、算法、算料（即数据）的三重突破，而AI推理能力的迭代升级，正是三大核心要素落地赋能的关键核心，也是AI从数据训练走向实际应用的核心环节。对此，AMD 具有一系列专为 AI 推理打造的出色解决方案，可适应不同模型大小并胜任不同的应用需求。AMD #EPYC# 9005 系列处理器专为 AI 推理而打造：🔘 多达 192 个 AMD“Zen 5/Zen 5c”核心：以全部 512 位宽数据路径支持 AVX-512 指令，带来出色的 AI 推理工作负载并行处理性能，从而减少对 GPU 加速的需求。🔘 适用于并行 AI 工作负载和传统工作负载：AMD EPYC（霄龙）处理器可助力实现高效推理，充分满足各类 AI 工作负载的需求并适应不同模型大小。🔘 强劲处理性能与高速 I/O 架构：面对 AI 工作负载可实现更高每时钟周期指令数（IPC）；搭配 DDR5 内存与 PCIe® Gen 5 高速通道，进一步提升数据处理效率。AMD EPYC 9005 系列处理器采用全新的开放标准与技术，无论是在纯 CPU 部署场景还是在结合 GPU 的混合部署中作为主机运行更大模型，都可以凭借出色性能助力企业加速 AI 推理工作负载。借助基于 AMD EPYC 9005 处理器的服务器和云实例，客户可在靠近数据源的位置实现快速高效的 AI 推理，推动业务全面提升。到此了解更多：网页链接🎁 6月8日20:00前关注@AMD中国 并转发本条内容，抽3位A饭送「AMD定制帽子」各一个。

转发者评论

无明显转发评论

原文

打工人必装的12个Skills：一、新手入门：构建你的数字底座1. agent-browser：将浏览器操作自动化。它不再是简单的网页浏览，而是让AI具备了像人一样点击、跳转和抓取数据的能力。2. find-skills：利用自然语言检索技能。在庞大的技能库中，精准定位你当下的需求。3. skill-creator：技能的“元技能”。它能帮你把任何琐碎的重复任务封装成一个标准的AI技能，实现从一次性操作到永久自动化的跨越。4. deep-research：多源综合深度研究。打破信息茧房，跨平台整合深度资讯，是决策者的数字外脑。二、开发与设计：全栈能力的平民化1. product-spec-builder：被称为“毒蛇产品经理”。它通过严苛的逻辑审视，帮你打磨出无懈可击的产品规格书，好的产品往往是被“怼”出来的。2. ui-prompt-generator：UI提示词设计师。将模糊的视觉构想转化为精准的绘图指令。3. ui-ux-pro-max：UI/UX设计智能。它不仅关注美观，更关注交互逻辑，让设计具备专业级的用户体验。4. dev-builder：全栈开发工程师。大幅降低技术门槛，让创意到代码的转化缩短至分钟级。三、文字与办公：从创意到落地的闭环1. brainstorming：九步探索头脑风暴。它不是简单的罗列想法，而是通过系统化的引导，带你挖掘思维死角。2. minimax-docx/pdf/xlsx：加强版办公三件套。深度处理文档与数据，让枯燥的表格和长文变得易于掌控。3. ppt-generator：专业PPT设计。解决职场中最耗时的排版痛点，让内容表达更具视觉冲击力。4. humanizer-zh：去除AI痕迹。AI写作的最高境界，是让人感受不到AI的存在，赋予文字更多的人文温度和自然流露。x.com/nini_incrypto_/status/2060647507315617945

转发者评论

无明显转发评论

原文

关于AI泡沫问题，一般大家讨论不是有或者没有的问题，而是多大的问题。因为大家想的是：适当的泡沫有利于行业发展。问题是多大的泡沫称之为适当。投入和产出严重错配已经成为现实了，每个季度砸那么多钱买GPU，数据中心，造了那么多基础设施，但是变现如何？现在基本上就是算力租赁和软件订阅费。按照目前收到的钱是远远不够的，不需要我说，红杉资本自己就说过，AI 行业需要赚到 6000 亿美元，才能填补目前购买芯片和基础设施的成本。 但目前除少数巨头外，真正靠 AI 产生暴利的商业应用还太少。这几年但凡初创公司在PPT里面写个什么AI，估值原地翻倍，没有清晰商业模式的公司，轻松融到上千万，大量的套壳大模型引用，又没有技术壁垒，这已经是现实了。有两个事情现在不大讲了，一个是to C的部分，都已经试了过了，大部分用户不愿意付费，一个是AGI，去年关于AGI讨论还轰轰烈烈的，今年明显少得多了。现在大家基本上就是那种“即便是有泡沫，但是技术革命哪能不产生泡沫？有泡沫是应该的”，来进行自我麻醉。

转发者评论

无明显转发评论

原文

两位经济学家刚刚发表了一篇数学证明，表明人工智能将摧毁经济。不是可能。不是也许。就是会——如果什么都不改变。这篇论文名为《人工智能裁员陷阱》。发表于2026年3月2日。宾夕法尼亚大学沃顿商学院。波士顿大学。同行评审。数学建模。结论只有一句话。“在极限情况下，企业通过自动化实现无限生产力，同时需求降为零。”一个生产一切的经济体。却无人购买。以下是通往此境的路径。一家公司解雇500名工人，用人工智能取代他们。一家竞争对手解雇700人以跟上步伐。另一家解雇1000人。每家公司都在理性行事。每家公司都在正确遵循激励机制。而每家公司都在为自己挖一个陷阱。因为那些被解雇的工人也是顾客。当他们失业速度超过经济吸收能力时，他们停止消费。消费者需求下降。公司通过削减成本应对——这意味着自动化更多工人——这意味着更少消费——这意味着需求进一步下降——这意味着更多自动化。这个循环没有自然出口。研究人员测试了所有提议的解决方案。全民基本收入。资本所得税。工人股权参与。技能提升计划。企业协调协议。模型中每一个都失败了。唯一有效的干预措施：皮古维自动化税——每次公司用人造智能取代人类时，按任务征收费用，迫使他们在扣动扳机前将自己破坏的需求计入价格。没有政府实施过这个。没有主要经济体在认真讨论它。与此同时，数字已经跟踪上这条曲线。2025年10万科技工作者被裁。2026年初再裁9.2万。杰克·多西解雇了Block一半员工，并公开表示：“在未来一年内，大多数公司将得出同样的结论。”没有人做错任何事。公司们完美遵循了它们的激励机制。这恰恰就是问题所在。理性行为。以规模化。同时发生。没有机制来阻止它。两位经济学家构建了数学模型。数学模型指向一个地方。来源：Falk & Tsoukalas · 沃顿商学院 + 波士顿大学

转发者评论

这种研究，其实暴露的是研究人员脑子差。说的好像所有失业者都找不到出路似的…… 历史上这种情况不是第一次，这种研究更是一批又一批。

• 这种研究，其实暴露的是研究人员脑子差。说的好像所有失业者都找不到出路似的…… 历史上这种情况不是第一次，这种研究更是一批又一批。

原文

【别被AI爬虫神器骗了，防封的底层逻辑从来没变】有人整理了9个号称“绝对不被封”的开源爬虫项目，主打把网页直接喂给大模型：1、Crawl4AI——一款专为 LLM 流程构建的 AI 驱动型爬虫，可自动提取干净的结构化数据。github.com/unclecode/crawl4ai 2、Firecrawl——将任何网站转换为可供 AI 读取的简洁 Markdown 格式。专为 RAG 流水线而设计。github.com/firecrawl/firecrawl 3、Scrapy——久经考验的 Python 爬虫框架。拥有超过 5 万颗星。规模化部署后依然是最可靠的。github.com/scrapy/scrapy 4、Crawlee——一个将剧作家和木偶师包裹在带有内置反检测功能的抓取框架中的程序。github.com/apify/crawlee 5、Playwright——微软的浏览器自动化库。它可以处理那些会破坏其他所有爬虫程序的、大量使用 JavaScript 的网站。github.com/microsoft/playwright 6、ScrapeGraph AI — 使用 LLM 通过自然语言指令导航和提取数据。github.com/ScrapeGraphAI/Scrapegraph-ai 7、Browser Use——赋予 AI 代理完全的浏览器控制权。您的 Claude 代理现在可以浏览和抓取任何内容。github.com/browser-use/browser-use 8、Katana——专为安全研究人员打造的快速侦察爬虫，能够处理复杂的网站架构。github.com/projectdiscovery/katana 9、Maxun——无需编写代码的网络爬虫平台。无需编写任何代码即可构建爬虫。github.com/getmaxun/maxun 评论区里的技术老鸟一眼看穿：别高兴太早，这纯属偷换概念。这些工具火爆，是因为它们切中了AI时代的刚需——能把乱七八糟的网页格式快速清洗成大模型看得懂的结构化文本。过去程序员要花几天写清洗规则，现在丢给这些工具一秒搞定，这确实是个好生产力。但说它们能“防封”就是外行话了。爬虫被封，根本不是前端渲染或者代码框架的问题，而是卡在网络层。现在的网站大厂用Cloudflare这种安全盾，在你的请求还没落地时，就已经通过IP信誉度、网络特征指纹把你死死卡住了。别以为套上AI的外壳就能在大厂的防火墙里裸奔。真正做大规模数据抓取的都知道，不管工具多时髦，不花钱去买住宅代理IP并做智能轮询，50次请求之内照样被封得怀疑人生。工具解决的是格式清洗，省的是人工，但买代理IP的硬通货成本，一点儿也省不掉。

转发者评论

无明显转发评论

原文

用 AI 写出更好的代码，但速度要慢。大多数人用 AI Coding 的方式是：prompt 进去，代码出来，commit，push，merge。速度飞快，PR 越来越大，但没人真正理解里面发生了什么。工程师 Nolan Lawson 的文章，提出一个观点：LLM 完全可以用来写更高质量的代码，只是你得放弃"快"这个执念。LLM 是天生的 bug 猎手，但判断力很差把一个 Claude agent 扔进一个没有仔细审计的代码库，它能找出大量问题——SQL 查询缺索引、HTML 无障碍属性缺失、违反 DRY 原则的重复逻辑、潜在的竞态条件……但问题在于：LLM 找出的 bug 里，假阳性率很高。它会把"风格不一致"报成"安全漏洞"，把"不影响功能的冗余代码"报成"高危问题"。如果你直接相信它的输出，你会陷在无意义的修复里浪费大量时间。解法：用多模型交叉验证，减少误报Nolan 的方案是同时跑三个模型来 review 同一个 PR：1）Claude sub-agent — Anthropic 模型，擅长理解上下文和代码意图2）OpenAI Codex — 对常见编程模式和反模式有深入训练3）Cursor Bugbot — 针对代码库结构做了优化三个模型各自输出 bug 列表，按 critical / high / medium / low 分级。跑完之后，让主模型汇总三份报告，重点找"三个模型都提到的问题"——这类问题误报率极低，几乎可以直接处理。本质上是用模型的多样性对冲单个模型的幻觉倾向。类似于多个独立评审员对同一份代码做审计，交集才算是真问题。"慢 AI coding"的具体工作流是什么样的不是生成完就 merge，而是：1）写完一个功能后，先不急着提 PR，让 agent 跑一遍 KISS 原则检查（代码是不是最简单的实现方式？）2）提 PR 之前，跑多模型 bug review，重点看交叉命中的问题3）让 AI 解释这个 PR 的每一个关键决策——如果它解释不清楚，说明代码本身逻辑有问题4）对 AI 生成的修复方案，要求它同时给出"这个改法可能引入什么新问题"这套流程比"直接 merge"慢很多，但产出的代码质量和可维护性完全不在同一个层级。"如果你用 agent 写了几百行你自己都看不懂的 PR，我建议你慢下来，问问 agent 这个 PR 是怎么工作的、它可能在哪里失败。"原文：nolanlawson.com/2026/05/25/using-ai-to-write-better-code-more-slowly/#HOW I AI# #程序员#

转发者评论

无明显转发评论

原文

Agnes AI重磅宣布，自2026年6月1日起，旗下三大核心模型API，无限期免费开放文本模型：Agnes-2.0-Flash图像模型：Agnes-Image-2.0-Flash视频模型：Agnes-Video-V2.0没有试用期，没有「免费版阉割功能」，不用绑卡认证即可直接调用。先看一组数据，感受一下「免费」之前的价格水平：放在整个AI行业来看，做到免费开放单一模态API的厂商不少——谷歌Gemini Flash有免费额度，DeepSeek的价格已经低到「准免费」，Meta的Llama系列开源可自部署。但同时免费开放文本、图像、视频三大模态API的，Agnes是第一家。Agnes AI坚定地认为，「高质量AI不应只属于高预算公司」！因此，通过更低成本、更高可用性，全球免费开放API，降低开发者与创作者进入AI时代的门槛。

转发者评论

无明显转发评论

原文

别被多智能体的概念吓住，真正跑通工作流的人都在关注这些细节多智能体协作这词儿今年火到不行，Manus、Genspark 这些 Super Agent 平台一个接一个冒出来，号称多模型协作、自动分工、端到端交付。听起来是不是特别美好？但大家对这类工具有个共识：起稿是真快，成品交付是真难。Jimmy Song 上周写了一篇深度体验文，他实际试了 Manus 和 Genspark 的 AI Slide 功能生成演讲幻灯片。结论就是：Manus 框架和文本质量尚可，但样式调整空间极其有限。Genspark 生成过程约 10 分钟，内容逻辑可用，但排版问题更突出，修正细节所耗时间甚至超过生成本身。他试了导出 PPTX，结果样式直接炸掉。他的原话：“多智能体工具在‘起稿’阶段极具优势，但‘直接交付成品’仍有明显短板。”这说明一个现实问题：多个 Agent 分工协作看似专业，但缺乏统一审美和视觉规范，做出来的东西拼接感很强，最后还得人肉擦屁股。Jimmy Song 自己做幻灯片反而更愿意用 Markdown 工具 Marp，灵活度远超这些 Super Agent。但换个角度看，如果你把多智能体工作流用在结构化任务上，效果就完全不一样了。吨师傅团队搞了一个真实落地的案例：销售人员收到公司线索，要访问对方官网搞清楚他们做什么，再录入 CRM 通知团队。传统做法一个线索 5-10 分钟。他们用 n8n 搞了一套工作流——自动抓取网站首页，AI 判断信息是否充分，不充分就自动跳到 About 页二次抓取，最后把客户行业洞察同步到飞书多维表格并推送给销售团队。整个过程 10 秒生成核心洞察，全自动化运行。这才是多智能体协作真正发挥价值的地方：规则明确、流程可定义、输出可验证。再来看编程领域。OpenHands（前身 OpenDevin）现在 GitHub 70K+ stars，拿到了 1880 万美元 A 轮融资。它的定位就是“你自己的 Devin”——开源、自托管、接任意 LLM。Vibe Coding 的评测指出，它能在沙箱环境里 clone 代码库、写功能、跑测试、开 PR，全程可见可回溯。不过前提很重要：Issue 描述得越清晰，输出质量越高。模糊的需求照样翻车。SWE-bench 上 OpenHands 配合 Claude 4 能做到 72% 的通过率，和 SWE-agent 的 74% 在同一梯队，远超 Devin 的约 50%。有意思的是，FlowBuilder 的 n8n 教程里直接点破了一件事：大多数 n8n AI Agent 教程给你看的就是一个三节点的流程图，跑到生产环境啥也不是。他自己跑的是一条内容自动发布流水线是让 Claude API 生成内容，n8n 处理格式化，自动推送到 WordPress，全程不需要人碰。他推荐用 Claude Opus 4.5…

转发者评论

无明显转发评论

原文

天涯回归被挤爆了，说明现在大家真的缺好平台，现在大多数平台说真的，越来越低质了。短视频、ai不断增加人的焦虑。虽然短视频、ai也有积极的内容，但是由于平台的算法，被海量低质内容淹没了。精神需求和物质一样重要，现在很多人的精神需求被不断pua，不可避免陷入焦虑。我觉得做好两件事情，一是少刷短视频，多接触真实世界，多看书，这样就可以大幅减少焦虑。另外大多数人不必急着追赶AI技术，或者只学工作相关的。再过半年新模型出来，更傻瓜更容易上手。我的体会，去年底之前我AI视频水平可以说很优秀了，年初seedance 2.0出来，马上被大量人追平了。发展到最后，优不优秀取决于个人素质，文化水平，叙事能力和审美，和技术强不强没半毛钱关系。ai说到底就是个傻瓜软件，不用多久，一句话给你生成一个龙虾，现在的龙虾都白学了。

转发者评论

无明显转发评论

原文

整理了10个 Codex 上特别实用的 Skills，每一个都能在实际工作中帮你省下大量时间。建议先收藏，用到的时候直接装。按使用场景大概可以分成三类：提升代码质量的、帮你管理项目的、以及扩展 Codex 能力边界的。下面一个一个说。先说提升代码质量这一块。Superpowers，装了之后 Codex 会像一个严格的工程师一样干活。先写测试，再写代码，还会主动做代码检查。能有效减少那种看起来能跑、实际上埋了坑的情况。传送门：github.com/obra/superpowersVercel Agent Skills，这是 Vercel 官方出的网页开发检查规则，特别适合做 React 和前端项目的人。它会帮你检查页面性能、结构、可访问性和工程规范，相当于多了一个前端质量把关的角色。传送门：github.com/vercel-labs/agent-skills再说项目管理和上下文相关的。Planning with Files，让 Codex 用 Markdown 文件来记录计划、进度和上下文。做长期项目的时候特别有用，不会聊着聊着就忘了前面做过什么。传送门：github.com/OthmanAdi/planning-with-filesContext Engineering Skills，教 Codex 更好地管理上下文。什么该记住，什么该总结，什么时候该清理。复杂项目里能明显减少跑偏和重复沟通的情况。传送门：github.com/muratcankoylan/Agent-Skills-for-Context-Engineering然后是扩展能力边界的几个。SuperClaude Framework，给 Codex 加了一套常用指令菜单。你可以用更简单的命令让它做分析、修 bug、写代码、优化项目、生成文档，操作门槛低了很多。传送门：github.com/SuperClaude-Org/SuperClaude_FrameworkMiniMaxSkills，一套现成的工作流程模板，覆盖前端、全栈、移动端和文档写作。特别适合不知道怎么下指令的新手，直接照着流程让 Codex 干活就行。传送门：github.com/MiniMax-AI/skillsComposio Skills，帮 Codex 连接外部工具和服务，比如 GitHub、Notion、Slack、数据库等等。适合想让 Codex 不只写代码，还能帮你操作各种工具的人。传送门：github.com/ComposioHQ/skills最后是几个适合学习和找灵感的。Anthropic Official Skills，官方的示例技能库。主要用来学习一个好的 Skill 应该怎么写，也适合拿来当模板，改成自己的专属技能。传送门：github.com/anthropics/skillsAntfu Skills，…

转发者评论

无明显转发评论

原文

SkillSpector，nvidia官方提供的一个skill安全检查工具地址：github.com/nvidia/skillspector“一个面向 AI Agent Skills 的安全扫描器。在安装 Agent Skills 之前，检测其中的漏洞、恶意模式和安全风险。AI Agent Skills（用于 Claude Code、Codex CLI、Gemini CLI 等）通常在隐式信任的前提下运行，接受的审查也很少。研究显示，26.1% 的 Skills 存在漏洞，5.2% 显示出疑似恶意意图。SkillSpector 可以帮助你回答这个问题：“这个 Skill 安装起来安全吗？””#AI创造营#

转发者评论

无明显转发评论

原文

英伟达定义的 AI 时代的个人电脑：核心芯片：发布与联发科技联合定制的RTX SPARK PC芯片。20核Grace CPU - 其实就是 ARM 核心，10 大 10 小。6144 CUDA核 - 其实就是 5070 的核心规模。128 GB 统一内存 - 其实就是抄袭苹果。这意味着。。。本地可以部署 120B 参数的模型（1 Petaflop 算力），然后再跑个龙虾。游戏 2k 100 帧 + 问题不大吧？（非专用显存性能下降），支持DLSS 4.5。其实他就是 AMD Ryzen AI Max+ 395 的 ARM 版本，或者 Apple M 芯片的 AI 加强版本。肯定比 DGX Spark 便宜，比 AI Max 395+ 贵，即 2000 - 4500 美金之间。针对 AI Max+ 和 苹果 M ，他的优势是 Prefill 阶段速度提升巨大，用人话说就是跑 Agent 效能更高。如果说 AI Max 和 苹果 M 的思路还是让人尽快看到 LLM 的结果，而英伟达的思路就是让 Agent 更快的理解环境。这个思路，对于本地 Agent 而言，是对的。。。

转发者评论

无明显转发评论

原文

电子书 《AI时代的软件工程》阅读地址：se.rpcx.io/作者鸟窝“我是一名在软件工程领域工作了近二十年的程序员。过去两年里，我和许多同行一样，眼睁睁看着自己熟悉的那个世界——手写代码、逐行调试、Code Review——被 AI 一步步重构。我参与了多个 AI 驱动的开源项目，也亲手构建了一套名为 Goal Workflow 的 AI 研发工作流技能集。这本书中的每一个方法论，我都亲自实践过；每一个结论，都来自真实的项目迭代而非纸上推演。这本书的写作动机，正是源于上述所有这些变化的交汇点。全书分为三个部分。第一部分——原理篇（第 1 章）——为你建立理解 AI 软件工程变革所需的全部背景。从 Karpathy 和 antirez 两位不同世代的工程师各自的实验出发，到 Vibe Coding 运动的爆发与困境，再到软件工程产业前所未有的重构速度——这一部分提供了一个高层的全景视角，解释了为什么接下来的方法论不是锦上添花，而是必需品。第二部分——技能篇（第 2–9 章）——是全书的主体。我们从 Skills 系统这个最基础的「能力单元」出发，逐一考察 OpenSpec 的规格驱动开发、Ralph Loop 的自主循环引擎、gstack 的虚拟团队方法、superpowers 的技能框架、autoresearch 的 AI 自动化开发流程工具，以及 Goal Workflow 的四步研发闭环。然后我们将这些方法论放在一起对比、碰撞、融合，帮助你构建属于自己的 AI 研发体系。第三部分——实战篇（第 10 章及后续）——以一个真实的 Go 语言项目为载体，完整演示这些方法论在多人团队中的落地执行。我们选择 goscapy，一个纯 Go 实现的网络协议库，作为实战项目。不仅因为作者深度参与了它，更因为它的复杂性足以验证方法论的价值：多协议支持、高并发场景、跨平台兼容。这不是一个玩具项目。它是一个在生产环境中运行的基础库。但需要说清楚的是：这不是一本「如何使用 AI 工具」的操作手册。工具每天都在变。今天的 Claude Code 明天就不长这样，后天又会出现全新的工具形态。这是一本关于「如何在 AI 时代思考软件工程」的方法论著作。”#AI创造营#

转发者评论

无明显转发评论

原文

4月，OpenAI Codex正式把计费口径从按消息估算转向按token用量；Anthropic侧的企业续约和新版模型tokenizer（分词器），也让 Claude Code的实际账单压力集中显现。明升与暗涨，两家各有各的玩法。2180.16美元的token，他只付了200美元。这是独立开发者Simon Willison，在自己笔记本上跑出来的一笔账。Simon并非普通用户，他是Django框架的联合创始人，写了二十年代码，也是英语圈最早把AI编程工具用到极致的人之一。他常年在博客上记录自己怎么用各种AI编程工具，Claude Code和Codex是眼下的主力。过去30天，他用Claude Code烧掉了价值1199.79美元的token，用Codex烧掉了980.37美元，加起来2180.16美元。而他每月实付，只是Anthropic的100美元Max加上OpenAI的100美元Pro，一共200美元。200块的订阅，薅出2180块的算力。「这买卖不亏。」Simon觉得自己赚翻了。但他随后发现，自己彻底想错了一件事：他原以为，那些重度使用Agent的大公司，凭借采购规模，单位成本只会比他更低。结果恰恰相反，企业续约后面对的，往往是更接近API原价的token账单。消失的包月折扣先看OpenAI这边，它的官方帮助中心写道：2026年4月2日，Codex计费方式改为与API的token用量对齐，不再按消息估算。这一改，先覆盖了新老Plus、Pro、Business以及新的Enterprise方案。旧方式（按消息估算）：发一条消息≈固定扣N个额度，不管这条消息背后Agent读了多长上下文、调了几次工具、重试了几遍。新方式（按token用量）：直接按输入token、缓存输入token、输出token三类分别计费，跑多少算多少。打个比方说：旧的方式像「自助餐按人头收费，吃多吃少一个价」，新的方式像「按克称重，拿多少付多少」。对于那些动辄读几十万token上下文、反复调工具的重度Agent任务，新方式算下来通常更贵，也更接近真实成本。三周后，4月23日，这套token计费扩展到了所有现有的Enterprise方案，连同Edu、Health、Gov和ChatGPT for Teachers一起，全部囊括进来。企业过去关心的是「每人每月多少钱」，现在真正决定账单的，是Agent到底跑了多少token。过去企业签的是包月套餐，用量基本管够，等于享受了一笔看不见的巨额折扣。4月之后，这层折扣被抽掉了，续约时他们才发现，真正要付的，是API原价。Anthropic这边，乍一看价格没动。官方价格表里，Opus4.7和Opus4.6的名义单价一模一样，都是输入5美元、输出25美元，每百万token。但Anthropic换了种「涨法」，玄机就藏在另一行小字里。Anthropic的…

转发者评论

无明显转发评论

原文

Hands-On Modern RL 是一套从经典控制到 LLM 对齐与 Agentic 系统的实践型强化学习开源课程。它采用“先跑代码、再讲理论”的教学路径，帮助学习者通过可运行的实验逐步建立对状态、价值函数、策略梯度、奖励建模和信用分配的直观理解。课程不仅涵盖 CartPole、DQN、PPO 等经典内容，还包含完整的 RLHF、DPO、GRPO、RLVR 训练流程，以及多轮工具调用 Agent 和 VLM 强化学习的动手实验。所有代码均可独立运行，配有训练曲线、失败信号与调试指南，适合希望真正动手实现现代 RL 的工程师、研究者和自学者。GitHub：github.com/walkinglabs/hands-on-modern-rl 课程站点：walkinglabs.github.io/hands-on-modern-rl/主要内容：- 基础实践：CartPole、DPO 偏好微调，快速建立 RL 直觉；- 核心方法：MDP、价值函数、策略梯度、Actor-Critic、PPO 及其工程实现；- LLM 时代 RL：RLHF 全流程、DPO/GRPO、RLVR、可验证奖励训练；- 前沿方向：Agentic RL、多轮轨迹合成、VLM 强化学习与多智能体系统；- 配套资源：调试手册、代码速查表、数学附录与可复现实验。支持本地通过 npm 启动文档站点，Python 环境运行代码示例，适合个人学习、小组研讨与课程教学使用。#强化学习# #LLM对齐# #开源课程#

转发者评论

无明显转发评论

原文

book-to-skill 能把任意一本技术书籍的 PDF 或 EPUB 转换成 Claude Code 技能，让你在工作中随时调用书中内容。它会为每本书生成一套结构化文件，包括核心心智模型、按章节拆分的详细内容、术语表、设计模式和速查表。调用时只需输入 /技能名称 章节号或问题描述，Claude 就会直接读取对应章节进行回答，避免幻觉和反复翻阅 PDF 的麻烦。工具支持 PDF、EPUB、DOCX、TXT、Markdown 等多种格式，自动识别技术类或文本类书籍并选用合适的提取方式。生成的技能文件按需加载，不会占用过多上下文。无论你是想深入掌握一本经典著作，还是处理公司内部文档，都能让书里的框架和方法真正融入日常工作流。GitHub：github.com/virgiliojr94/book-to-skill#AI创造营##人工智能#

转发者评论

无明显转发评论

原文

【捡垃圾凑出32G显存：200镑魔改服务器显卡跑本地大模型】玩本地大模型，所有人都会卡在显存带宽和容量的阴阳两隔里。买消费级显卡，24G的4090价格直接上天；退一步买Mac，内存是够大，但那点算力在Prompt预处理（Prefill）阶段慢得像在用Pentium III。博主提供了一个极具解释力的解法：去eBay花150镑淘一块2017年的英伟达数据中心淘汰货——Tesla V100 SXM2。这卡当年值一万刀，虽然连普通的PCIe接口都没有，但它自带16G的HBM2高带宽内存。什么概念？它的内存带宽比2022年的4080高出22%，甚至把苹果刚出的M5 Max按在地上摩擦。大模型推理的瓶颈根本不是核心算力，而是显存带宽，这块过气卡恰好把技能点全加在了刀刃上。花50镑买张山寨转接板塞进游戏机箱，再用两块钱的跳线把那台82分贝、能把人吹耳鸣的工业风扇接到主板PWM控速上，全套200镑搞定。配上原有的4080，32G总显存直接合体。跑Qwen3.6-27B这种开源顶流模型，速度达到32 tokens/s，评测直接平替闭源的Claude Sonnet 4.6。这事儿的本质在于，大模型硬件的底层逻辑已经被开源社区暴力拆解了。企业捂着专利和高昂的API收费，而极客们在用极低的硬件折旧成本实现平权。5到10年后，现在那帮独角兽烧出来的万亿数据中心大概率也是这个按斤卖的下场。blog.tymscar.com/posts/v100localllm/

转发者评论

无明显转发评论

原文

中国 前五大纯大模型初创公司的总估值已达到 226 5亿美元——大约是 Anthropic 最新一轮融资额的 1/4。然而，它们的收入运转率（Revenue Run Rate）大约只有 Anthropic 的 1/40。这主要是因为中美大模型公司在变现逻辑上有着本质的不同，这直接导致了营收增速的巨大鸿沟：以 Anthropic 和 OpenAI 为代表的美国头部公司，其商业化非常依赖 B 端企业级的高额订阅费（Saas 模式）和高价的 API 接口。由于欧美企业对软件服务的付费意愿极强，这类公司能迅速跑出极高的年度经常性收入（ARR）。中国纯大模型公司价格战圈地、以开源/开放权重换生态。中国市场的 B 端付费习惯尚在培养中，且面临大厂（如字节跳动、阿里、腾讯）极度激烈的价格战。中国初创公司（如智谱、月之暗面 Kimi、DeepSeek、MiniMax 等）为了生存，采取了不同的策略。例如月之暗面的 Kimi K2.5 在 2026 年初走向开源和海外开发者生态（在 OpenRouter 等平台上调用量飙升）。虽然它们近期营收增长极快，但因为早期的“免费圈地”和“极低定价”策略，导致整体收入基数在现阶段依然远落后于美国同行。#人工智能#

转发者评论

Mac & PC //@Zodzod_张浩:[并不简单]

• Mac & PC //@Zodzod_张浩:[并不简单]

原文

转：据韩国《亚洲经济》等当地媒体报道，被业界誉为"HBM之父"的韩国科学技术院（KAIST）教授Joungho Kim近日发出预言：当前由英伟达主导的GPU中心化AI架构，终将被以内存为核心的新架构所取代。这一判断的背后，是AI应用形态的根本性转变。从生成式AI迈向智能体AI（Agentic AI），系统需要同时处理海量文档、视频及多模态数据——Kim将这一趋势称为"上下文工程"（context engineering）的崛起。他指出，为保障速度与精度，内存带宽和容量必须提升最高1000倍。数字更为惊人的是需求端：据Money Today Broadcasting早前引述Kim的说法，输入规模若扩大100至1000倍，内存需求可能呈指数级跃升，总量膨胀幅度或高达100万倍。

转发者评论

无明显转发评论

原文

英伟达GTC大会，大幕拉开！就在刚刚，老黄再次站上绝对C位，开启了震撼全场的主题演讲——有用AI的时代，全面来临。全场压轴好戏，是英伟达首款RTX Spark「超级芯片」！它史无前例地搭载了6144个GPU核心、128GB统一内存，把过去只有数据中心才有的算力，塞进了一台笔记本。全球首款专为Agent打造的Windows PC，此刻诞生了。一眼看懂老黄这场2小时硬核演讲：Vera Rubin全面量产，组装一个机架从两小时砍到五分钟Vera CPU登场，第一颗不为人、只为Agent造的CPURTX Spark（N1X），全球首台为个人Agent打造的个人电脑Nemotron 3 Ultra开源，英伟达最大模型，5500亿参数

转发者评论

无明显转发评论

原文

电子书《生成式人工智能基础小书：直观的数学入门》地址：arxiv.org/abs/2605.29713本书提供了对现代生成式人工智能数学基础的简明、以推导为导向的介绍。它并非对每一种最新架构或实现细节进行全面概述，而是通过构建一条连贯的思路，串联主要生成模型家族的核心理念，从 PCA、概率 PCA、变分自编码器和扩散模型，到归一化流、自回归分解、GAN、Wasserstein GAN 以及基于能量的模型。其目标是让生成建模的结构更易理解，同时保留理解这些模型如何推导及相互关联所需的数学内容。本书旨在为对数学感兴趣的研究者、实践者和学生提供基础入门。#AI创造营#

转发者评论

无明显转发评论

原文

MiniMax 这次终于发布了他们的大版本号模型升级 MiniMax M3。主要是三个核心能力：1. 标配了 1M 的超长上下文2. 采用新的 MSA（MoE with Segment-wise Attention）稀疏注意力架构3. 从训练起就融合了原生多模态能力，包括强化了文本、图片、视频和桌面操作这些多模态的训练。MSA 超上下文在算力和速度上更可落地，在 100 万上下文下每 token 计算量只有上一代的约 1/20。。所以他们这一次的价格也比较给力，Token Plan 更新了新的价格。在 API 上，小于512k 的 API 现在有为期 7 天的限时五折。#how i ai#

转发者评论

无明显转发评论

原文

高质量成长陪伴社群：「AIGC・掘金成长研习社」，过去一周（2026.05.25 —2026.05.31)一共分享了 14 个主题帖，从中挑选的精华主题干货一共 8 篇，这 8 篇属于必读必看系列，如下：1、Claude Code 官方基础视频教程，共 9 集（高清翻译版）地址：网页链接2、Claude Code 官方 Sub-agent 基础视频教程，共 4 集（高清翻译版）地址：网页链接3、Codex 手把手教学视频地址：网页链接4、Codex 最强实战课，熬夜翻译的视频地址：网页链接5、AI 教程：如何根据平面户型图制作一个 3D 样板间的视频？地址：网页链接6、Claude Code 官方 skills 视频教程，共 6 集（高清翻译版）地址：网页链接7、副业案例拆解，一个硅谷工程师的AI副业实验：月入五六千美金的被动收入是怎么做到的？地址：网页链接8、副业案例拆解，小红书家居博主：一个3000粉就能月入过万的低门槛副业地址：网页链接#How I AI##科技先锋官##副业赚钱#

转发者评论

无明显转发评论

原文

MinMax的M3也追上来了，好事！AI中国团，一花独放不是春，Kimi K-2.6、GLM-5.1、Qwen3.7-Max、DeepSeek-V4-Pro等都不错。和最新的Opus-4.8差距明显，和最优秀的前沿模型未来相当长一段时间可能始终存在差距，需要持续追赶。不过最快到今年年底的时候主要国产模型大致可以给到用户一个4.7级别的可用水平（如何算力充沛的话），也就是大部分常规任务结合Agent、harness工程可以靠得实，对绝大部分用户来说眼前基本就够了。但是算力方面的掣肘还要持续一段时间。充裕的算力能让模型在max等模式下表现出更高水准，同一个任务如果给予更高的算力能有进一步的表现，同等算力消耗情况下硬件水平高的话可以有更快的交付，而国产模型的max算力消耗显然和前沿模型的max差得不是一点点，长程复杂任务等模型的深度智能水准本身有差距是原因之一，算力方面比较吃亏（甚至降算力导致降智）也是实情，一个绕不过去的原因。模型更大、精度更高、激活量更大、算力更多，表现就会更好，也是常识。

转发者评论

无明显转发评论

原文

技术博文“我是怎样使用 AI 来做 Code Review 的？” 作者Viking地址：vikingz.me/ai-code-review/“这一年来，写代码几乎都是用 AI 了，同时 TinyShip 从发布到现在半年了，功能越来越多，代码量也越来越大，由于是我的一个模版产品，对于质量自然要求比较高，因为现在也有很多用户，保证质量是非常重要的，现在 AI 一分钟能给我吐出几百行，跨七八个文件，我根本不可能逐行看完。更麻烦的是，TinyShip 是个 monorepo，Next.js、Nuxt.js、TanStack Start 三个 app 要同时改，同时还支持 PG 和 SQLite 两种数据库，任何一个改动都可能影响另外两个。每次 feature 提交有一千行以上的时候，我的心头一紧，怎样更好的 Review 它的代码呢？最近很喜欢一篇文章，非常喜欢，Using AI to write better code more slowly，它的中心思想用 AI 写代码不需要只追求快，而是让 AI 帮我们写出更健壮质量更高的代码，所以要慢，要仔细看代码，这个观点正合我意。所以针对我自己的产品的质量，我采取两种策略： 测试，尤其针对 TinyShip，E2E 非常有必要，由于有 6 种不同的情形，所以 E2E 必不可少，我会在后面一篇文章介绍我 E2E 的策略。 Code Review，我搞了一套自己的 review 流程，给它起了个名字叫 Review Forge。不是什么复杂的工具，就是一套规则 + 文件结构，让 AI 帮我做 review，我来做最终决策。就是我这篇文章要讲的。”#AI创造营#

转发者评论

无明显转发评论

• //@蚁工厂:里面提到的那篇很喜欢的文章Using AI to write better code more slowly 之前也介绍过，在这里：http://t.cn/AXXwAg5o
• 里面提到的那篇很喜欢的文章Using AI to write better code more slowly 之前也介绍过，在这里：http://t.cn/AXXwAg5o

原文

至此，以个人身份暂时完成了对AI视频制作的尝试和摸索。1、AI是基于大规模侵权的——无论是画面、视频还是声音，这个是规避不开的原罪。经验来说，商业迟早会教育市场，但究竟会把未来带向何方，我不知道。2、是否有方法合理的减少侵权，相对的是有的（比如真人层面制作者本人出镜、小动物视频等等），但没有“绝对”。“绝对”是需要大模型层面的底层认知变更。一边疯狂贩卖便利，一边让使用者停止这种违背人性的事，互联网故事的结果让我很难乐观。而针对动漫产业和CG产业这种本身就是完全通过人的创造而建立起来的虚拟物的产业，几乎必然是“绝对”的重灾区。3、是否应该投入精力在AI“创造”工具上？实用工具的变更，会更加凸显核心理论的重要。理论指导实践…AI是非常快可以让理论落地的实践工具。这十年来，我从没有发现身边那么多人关心过所谓的“剧本节奏”“描述性语言与文字的精准性”“演技的好坏”“分镜”，当然这些永远比不上“量产”，以及越来越多将评判标准“量化”和所谓的“下沉”……这些只读表面看似正确却往往与创作本质的南辕北辙的逻辑，让AI的参与比重和话语权越来越大。ai工具会加速扒掉“半瓶子”的底裤，但总有人会有能力把裤子再提上；也会加速筛选出有“审美筛选”、“选题”、“编辑”、“执行力”的能力者，但这些人也找不到新的赚钱的路子；更会衬托出原创者的重要和珍贵……但同时，它将“完成度高”、“速度快”和“便宜”的不可能三角的门槛提到了历史新高，为难所有人。我是以“学习过去的，服务现在的，成就将来的”为原则去使用ai生成工具，但这个底线在原罪面前依旧十分脆弱。

转发者评论

//@张小北:[并不简单]AI 时代可能会颠覆掉过去的版权体系。对错好坏要另说，但目前的趋势是这样的。

• //@张小北:[并不简单]AI 时代可能会颠覆掉过去的版权体系。对错好坏要另说，但目前的趋势是这样的。

原文

gemini-web2api 是一个轻量级的 Python 单文件工具，能把 Google Gemini 的网页接口转换为完全兼容 OpenAI 的 API，无需认证即可跨平台使用。它支持 /v1/chat/completions、/v1/models 等标准端点，兼容 Cherry Studio、ChatBox 等任意 OpenAI 客户端，同时提供完整的 Tool Calling 支持。内置 Flash、Flash Thinking、Pro 等多种模型，并可通过 ﹫think=N 后缀灵活调整思考深度。原生支持 Web Search、SSE 流式输出，还兼容 Codex CLI 与 Gemini CLI 的 Responses API 与原生端点。项目纯 Python 实现，无外部依赖，单条命令即可启动服务，适合快速搭建本地或私有化 Gemini API 代理。GitHub：github.com/Sophomoresty/gemini-web2api主要功能：- OpenAI 兼容接口，零成本接入现有客户端- 支持 Tool Calling 与可调节深度的思考模式- 内置网络搜索与长文本输出（最高 20k+ 字符）- 提供 Docker 一键部署与代理配置- 支持 cookie 认证以获得真实 Pro 模型路由

转发者评论

无明显转发评论

原文

今天给我的铁粉朋友们准备了 10份 6.1儿童节礼包。感谢你们一直以来的互动、支持和陪伴。做AI创作这条路，最开心的不是一个人往前冲，而是有一群朋友一起讨论、一起玩、一起把想象力变成作品。今晚 18:01 抽10位朋友送出。关注，转发并在评论区留一句儿童节祝福，或者说说你最近最喜欢的AI作品/AI玩法，就算参与啦。由微博进行抽奖。祝各位大朋友小朋友，永远有童心，永远有想象力。🎁#六一儿童节##德里克文的红包##德里克文的抽奖# 转发抽奖抽奖儿童节德里克文 抽奖详情

转发者评论

无明显转发评论

原文

#模型时代# Rich Sutton： AI的创造力与发现（SAIR workshop on Science for AI ）各位好。遗憾的是我今天无法到场和大家面对面交流，但我还是愿意通过这段录音，分享一些关于人工智能现状与未来的粗浅想法——尤其是AI与科学和数学之间的关系。据我了解，这也是本次会议和SAIR基金会关注的核心议题。先讲一个老笑话，你们可能都听过。有位研究者的工作接受评审，评审意见回来了，写道："这项工作既有新意，也有质量。可惜有质量的部分没有新意，有新意的部分没有质量。"我想说的第一个观点是：这个评价恰好精准地适用于今天AI的大部分成果。不是全部，但相当大的一部分。几乎所有我们所说的"生成式AI"——包括大语言模型、图像和视频模型，甚至新出现的用于学习世界模型的方法——都属于这一类。这些AI系统拿到大量样本，生成一个在行为上与样本相似的"模型"：生成的文本像人写的，图像像艺术家或自然界的，视频像互联网上能找到的。别误会，生成式AI极其有用，这一点毋庸置疑。但那个笑话的评价仍然成立。这些系统的输出可以有新意，也可以有质量，但二者无法同时出现。从很多角度看，这根本不算问题。我们让AI从互联网找一个答案，或者帮我们总结一篇文档——这时候我们并不需要新意。答案的质量来自原始素材本身，来自写文档或写文章的那些人。如果AI的回答有了"新意"，意味着它越过了素材，添加了素材之外的东西。这就是我们所说的"幻觉"。大多数情况下，我们不喜欢AI自己编造内容，不喜欢它凭空添加。当然有一个例外：我们要的不是事实，而是虚构和娱乐的时候。比如给孩子讲一个睡前故事，或者基于互联网上已有的图像生成一张新图——这张图与原图相似但又有区别。在这类场景下，我们始终难以判断AI究竟有多少创造力，因为我们不知道AI生成的故事、诗歌或图像与其训练素材之间的距离有多近。在实际操作层面，我们不可能知道，因为互联网太大了，AI可能借鉴的来源多到无法穷举。当我们向AI要虚构内容或新东西时，AI之所以能给出来，是因为它的处理过程包含随机性。每一步决策都有多种可能走向，每次运行会走出不同的轨迹。这条轨迹可以是随机的——因而有新意；也可以是基于训练数据的——因而有"质量"，因为训练数据来自人或现实世界，本身质量过关。于是，这条轨迹要么有新意（来自随机性），要么有质量（来自数据），但二者不会同时成立。老实说，我认为生成式AI的输出永远无法同时兼具质量和新意，这件事完全没问题。对那位笑话里的研究者来说，这是毁灭性的批评；但对大多数应用场景而言不是，对生成式AI而言也不是。生成式AI的本质就是模仿，监督学习就是干这个的。如果它比被模仿的对象更快、更便宜、体积更小、更易定制、更容易复制，那即便只是模仿，仍然极其有用。生成式AI无法同时兼具新意和质量，没关系，它仍然是一项变革性的技术。但这确实是一个局限。…

转发者评论

无明显转发评论

原文

SGLang Omni：从 decode 计算特性出发，重新设计多 stage 生成模型的推理框架网页链接一篇介绍推理模型是怎么设计出来的文章。作者是SGLang团队的Chayenne Zhao。SGLang Omni 是SGLang 之上的多模态 / omni 模型推理服务框架。“这篇文章既是我们 SGLang Omni 项目组对当前技术框架和阶段性工作的系统总结，也是我们想认真回答几个根本问题：🌟我们要优化的是怎样的计算过程？🌟这个计算过程具有怎样的计算特性？🌟我们为此设计了怎样的系统？🌟我们期待 SGLang Omni 走向何处？”#AI创造营#

转发者评论

无明显转发评论

原文

DeepMind 官方的科研skill地址：github.com/google-deepmind/science-skills大概就是做这个的 “大模型遇到科研问题 → 该用哪个专用科研数据库/工具 → 怎么查询 → 结果怎么处理”目前主要包含一批生命科学相关 skill，例如：基因组/变异分析：AlphaGenome、ClinVar、dbSNP、gnomAD、Ensembl、ENCODE、GTEx、UCSC conservation 等；蛋白和结构生物学：AlphaFold Database、PDB、UniProt、InterPro、Foldseek、MSA、PyMOL 等；药物和临床相关：ChEMBL、PubChem、OpenTargets、ClinicalTrials、OpenFDA；文献和知识库：PubMed、EuropePMC、arXiv、bioRxiv、OpenAlex、Reactome、QuickGO 等。#AI创造营#

转发者评论

无明显转发评论

原文

SkillSpector 是一款专为 AI 代理技能（Skill）设计的自动化安全扫描工具，能在安装前检测潜在漏洞、恶意模式和各类安全风险。工具支持 Git 仓库、URL、ZIP 文件、目录或单文件等多种输入格式，内置 64 种漏洞检测模式，覆盖提示注入、数据外泄、权限提升、供应链攻击等 16 个类别。分析流程分为静态扫描与可选的 LLM 语义评估两阶段，扫描结果可输出为终端、JSON、Markdown 或 SARIF 格式，并给出 0-100 的风险评分及安装建议。项目基于 Apache-2.0 协议开源，采用 Python 开发，支持本地或云端 LLM 接入，适合开发者、AI 安全研究者和企业安全团队使用。GitHub：github.com/nvidia/skillspector主要功能：- 多格式输入支持，可扫描 Git 仓库、ZIP、目录或单文件- 64 种漏洞模式，覆盖 16 个安全类别- 两阶段分析：快速静态扫描 + LLM 语义评估- 实时 CVE 查询，自动回退至离线规则库- 多种报告格式，含风险评分和安装建议- 支持本地 Ollama 等 OpenAI 兼容接口#AI安全# #Agent安全# #开源工具#

转发者评论

无明显转发评论

原文

🔻原话不是“梁文峰称英伟达显卡没技术”。🔻原话是：🔹「暗涌」：“但技术真的可以拉开差距吗？你也说过并不存在绝对的技术秘密。”🔹梁文峰：“技术没有秘密，但重置需要时间和成本。英伟达的显卡，理论上没有任何技术秘密，很容易复制，但重新组织团队以及追赶下一代技术都需要时间，所以实际的护城河还是很宽。”🔻来自他接受媒体《暗涌》（36氪旗下团队）的专访。🔻这段话出现在讨论“技术是否能形成持久护城河”时，上下文是：🔹「暗涌」：“但你们究竟是一个商业组织，而非一个公益科研机构，选择创新，又通过开源分享出去，那要在哪里形成护城河？像5月这次MLA架构的创新，也会很快被其他家copy吧？”🔹梁文锋：“在颠覆性的技术面前，闭源形成的护城河是短暂的。即使OpenAI闭源，也无法阻止被别人赶超。所以我们把价值沉淀在团队上，我们的同事在这个过程中得到成长，积累很多know-how,形成可以创新的组织和文化，就是我们的护城河。开源，发论文，其实并没有失去什么。对于技术人员来说，被follow是很有成就感的事。其实，开源更像一个文化行为，而非商业行为。给予其实是一种额外的荣誉。一个公司这么做也会有文化的吸引力。”🔻梁文峰强调：技术原理大多公开（论文、专利可查），复制硬件本身不难，但真正难的是团队重组、工程迭代、生态构建和追赶下一代，这才是英伟达等公司的实际壁垒。这也呼应了DeepSeek一贯的开源+极致工程理念。🔻不要断章取义。#梁文峰称英伟达显卡没技术##热点现场##海外新鲜事#

转发者评论

//@ShiningRay:转发微博

• //@ShiningRay:转发微博

原文

我发现很多人报道的 AI 新闻的时候实际上是胡写的。。。AI 生成更让这种不明觉厉泛滥了。。。比如英伟达的这个新的 RTX SPARK PC芯片。。。他和 AMD Ryzen AI Max+ 395 的区别在哪里？都是统一内存，但是英伟达是 ARM ，AMD 是 X86 。那么，他又和 Apple M4 的区别在哪里，他们都是 ARM ？实际上是英伟达 Prefill 的速度极大加强了。估计 ~1700+ tokens/s 。那么 Prefill 优势为了什么？Agent 循环启动快，尤其适合长上下文、多工具调用、复杂推理的 Agent。所以，AMD 是 x86 统一内存的先驱。Apple M4 是 ARM 统一内存的原版。但是 RTX SPARK PC 是 ARM 统一内存的 Agent 加强版。顺便附送一个很可能残废的 5070 和在 ARM 上垃圾一样的 windows 。AI 写作不应该是你不懂装懂的工具。。。

转发者评论

无明显转发评论

原文

目前有种种证据表明，Claude Opus 4.8 蒸馏了 kimi 或者 qwen。本来蒸馏就是模型行业非常常见的技术。都是文化人，窃书，不能叫窃已经是约定俗成。否则最初 Open AI 扒的数据算什么？但是反人类公司的 Claude 强烈声讨了 kimi 的蒸馏行为之后，再蒸馏 kimi 说明什么？说明这不是什么道德争论，这就是我可以你不可以的种族歧视。

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-06-01】今日简讯：1、GitHub Copilot告别固定订阅，转向按Token使用量计费2、DeepSeek因算力压力对部分功能实施临时限流3、阿里Qwen3.5-Max在LMArena评测中刷新国产模型纪录4、中国信通院称大模型训练撞上"数据墙"5、2026世界智能产业博览会在天津开幕6、科大讯飞发布集成多模态翻译功能的AI眼镜7、字节跳动宣布1600亿元投资加码AI生态以下为详细内容：1、GitHub Copilot告别固定订阅，转向按Token使用量计费来源：环球网、IT之家、TechCrunch日期：2026年6月1日微软旗下的AI编程助手GitHub Copilot自6月1日起正式从固定订阅费模式转为按Token使用量计费。新的计费系统中，每个AI credit等于1美分，用户反映在重度使用场景下，月度费用可能从原先的29美元大幅上升。Pro版订阅价格为10美元，包含1000 credits；Pro+版为39美元，包含3900 credits。深度用户，尤其是使用agentic功能进行复杂任务处理的开发者，单次会话就可能消耗价值30-40美元的credits。此项变更在开发者社区引发了广泛讨论和部分用户的不满。原文链接：网页链接2、DeepSeek因算力压力对部分功能实施临时限流来源：36氪、钛媒体日期：2026年6月1日5月29日下午，AI大模型应用DeepSeek悄悄对其服务的"重新生成"和"修改输入"功能实施了次数限制。在普通对话模式下，重新生成3至6次会触发上限；专家模式下，重新生成仅限3次；修改输入功能则约6次受限。据接近公司的"半官方账号"解释，此次限制的直接原因是近期用户量激增导致服务端算力压力过大。为应对此问题，华为昇腾910C新算力卡正在部署中，预计于2026年下半年上线，届时将大幅扩容算力，当前限流为临时性措施。原文链接：网页链接3、阿里Qwen3.5-Max在LMArena评测中刷新国产模型纪录来源：IT之家、aibase日期：2026年6月1日阿里巴巴通义千问团队发布的Qwen3.5-Max-Preview模型，在权威评测平台LMArena上以1464分的成绩刷新了国产大模型的最高纪录，该分数超越了GPT5.4、Claude4.5、Grok4.1等全球主流顶级模型。同时，在Code Arena编程能力榜单上，该模型取得1541分，位居全球第二，也是唯一突破1540分的国产模型。Qwen3.5-Max在推理速度上提升了10倍，能够自主完成长达35小时的复杂任务链。原文链接：网页链接4、中国信通院称大模型训练撞上"数据墙"来源：证券日报日期：2026年6月1日中国信息通信研究院总工程师何宝宏在2026证券市场年会上表示，当前依赖互联网公开数据的模型预训练已经撞上"数据墙"，高质量数据成为制约…

转发者评论

无明显转发评论

原文

amd 【有礼互动】⏰ 京东618锐龙本「#芯更强 价更香#」专题大促正酣，这份「锐龙游戏本推荐清单」助你闭眼入战机！🔘 华硕天选6 Pro 锐龙版（搭载AMD 锐龙 9 9955HX 处理器）：网页链接🔘 华硕天选6 Pro 锐龙版（搭载AMD 锐龙 9 8940HX 处理器）：网页链接🔘 联想拯救者R7000P（搭载AMD 锐龙 9 8940HX处理器）：网页链接🔘 联想拯救者R9000P AI元启（搭载AMD 锐龙 9 8945HX 处理器）：网页链接🔘 机械革命蛟龙16Pro 2026（搭载AMD 锐龙 9 8945HX 处理器）：网页链接🔘 ROG魔霸9（搭载AMD 锐龙 9 9955HX 处理器）：网页链接现在购机，有多重福利可享：•5月21日~6月18日期间下单，晒单返百元京东E卡 (限量8000张，先到先得)•5月13日~6月20日期间可享以旧换新至高补贴1200元•爆品直降•至高享白条12期免息•5月1日~6月27日期间购买指定AMD产品，可兑换1200无畏点券•Plus会员立减•学生价至高立省2000元•国家补贴至高立省15%（📌 注：详细活动内容以及规则，以电商活动页面为准。）🎁 6月8日20:00前关注@AMD中国 并转发本条内容，抽3位A饭送「AMD TIWG运动水壶」各一个。

转发者评论

无明显转发评论

原文

Anthropic 自己的团队，刚刚放出了一个37分钟的免费 workshop，主题是如何搭建 production 级别的 AI agents。注意，讲的人是真正在构建这套系统的工程师，不是市场部门出来讲故事的。这也意味着内容的密度和实操性，跟那些泛泛而谈的 AI 分享完全不在一个层面上。他们这次核心要解决的问题是：怎么把 AI agents 从 demo 阶段，推进到真正能跑在生产环境里。过去6个月，很多人用 AI 的方式还是纯手动挡。自己拆任务，自己复制上下文，自己盯执行，自己检查结果。每一个 workflow 都靠人肉管理。Anthropic 这次讲的是另一个阶段的事情：把这些 workflow 放到 autopilot 上。让 agent 能参与执行、协作，并且持续推进任务，而不只是你问一句它答一句。这里面真正有意思的判断标准是：AI agent 的关键从来不在于单次生成得多漂亮。真正决定它能不能用的，是几个更底层的问题。能不能稳定接住真实工作流？能不能连接 tools？能不能处理上下文？能不能持续执行？能不能进入 production？这几个问题答不上来，agent 就永远停留在玩具阶段。建议先看完这个37分钟的 workshop。未来真正拉开差距的，可能不是谁更会用 AI 提问，而是谁能把 AI agents 接进自己的生产系统里，让它真正替你干活。#How I AI##科技先锋官# 默庵·超级个体的微博视频

转发者评论

无明显转发评论

原文

Odysseus 是一款自托管的 AI 工作空间，旨在为你提供类似 ChatGPT 和 Claude 的使用体验，却能完全运行在自己的硬件与数据之上。它强调本地优先与隐私优先，没有任何后门。它集成了聊天、代理、深度研究、模型对比、文档编辑、邮件收件箱、日历同步、笔记任务等多种功能，支持本地模型或 API 调用，代理可调用工具自主完成任务，Cookbook 能扫描硬件并推荐、下载模型。所有数据都保存在本地，支持移动端访问和 PWA 安装。GitHub：github.com/pewdiepie-archdaemon/odysseus主要功能：- 支持多种本地模型与 API 的聊天界面，可轻松添加 vLLM、llama.cpp、Ollama 等后端；- 内置代理系统，赋予工具后即可自主执行完整任务；- Cookbook 功能扫描硬件配置，推荐并一键下载、运行模型；- Deep Research 多步研究流程，自动搜集、阅读、合成来源并生成可视化报告；- 盲测模型对比工具，可在无偏见条件下横向评测多个模型；- 多标签文档编辑器，支持 Markdown、HTML、CSV，AI 可直接协助修改内容；- 持久化记忆与技能系统，代理随使用逐步理解你的偏好与任务；- IMAP/SMTP 邮件集成，内置 AI 分类、摘要、回复草稿与垃圾邮件过滤；- 本地优先日历，支持 CalDAV 同步与 .ics 导入导出；- 响应式界面，移动端体验优秀，可安装为 PWA。项目使用 Python 构建，Docker Compose 一键启动，也支持手动安装，适合追求数据自主与隐私的用户。#开源项目##AI工具##自托管#

转发者评论

无明显转发评论

原文

芯片设计制造的进化路径是计算效能不断提高，换句话说就是在同样的时间内完成更多的计算，这是问题的本质。提升频率是一种方式，缩小线宽也是一种方式，但并不是唯一正确的方式。以晶体管密度为指标去衡量芯片的计算效能是一种量度手段，而不是目的本身。目前的EUV路线是一种2D+路线，进化方向依然是在2D平面上堆更多的立体晶体管，所谓的3D封装是芯粒之间组合，芯片特别是逻辑计算部分还是2D平面上刻立体晶体管的路子。任何事物都会被异化，走向自己的反面。2D制程靠缩小线宽或者晶体管投影尺寸来提升密度，就是晶体管密度从指标变成目的的一种异化。计算效能和功耗都变成了次要因素，而晶体管密度主导一切，直到自己即将撞墙。华为的“韬定律”实际上是回归本质的路径，将时间常数作为衡量芯片计算效能的核心指标和设计目的，选择从设计阶段就以芯片的立体空间结构布局为出发点，芯片从2D布局向3D布局发生系统性变革。应该这样说，韬定律在认识论和方法论上是以时间常数为中心，而具体实践上用的是3D堆叠的立体刻蚀和封装技术。这些具体技术确实是顶尖晶圆厂都有的，但是这种设计方法论以及通过三百多种芯片实战验证的工艺参数和设计技巧是华为独有的。如果华为这边的如论文所说，已经走通了这条路，那么从设计端开始，其他厂商就做不到。EDA的逻辑堆叠工具包，只有华为能提供，三大世界巨头都没有。国外从Fabless设计公司、EDA供应商到晶圆厂工艺组，没有任何一家认真试验过这个思路，更别提跑通全流程，因为从一开始他们想都没有想过。散热是个大问题，但也不是永远的问题，因为逻辑堆叠还刚刚开始，大量历史遗留设计习惯还在延续，所以线路设计异常复杂，但是随着时间常数优先的3D设计方法论越来越彻底，越来越成熟，散热问题本身可以从设计端做缓解，然后金刚石铜、微流道、MEMS风扇都会越来越便宜，最后就不是问题了。所以不要光看制程工艺本身，而是要理解时间常数优先的3D设计理念，才能明白韬定律的颠覆性有多强。韬定律就像Deepseek一样将美国基座大模型的资本支出重置到亏本，就像TDD一样让FDD在4G网络时代成为落后的笑柄，非常NB的应用原始创新性，开创了一个新的时代

转发者评论

//@郑昀:#it那些事儿# 当一个方法论被确立为“第一性原理”后，它改变的远不止是技术本身，而是重新定义了“什么才是更好的”这个评价标准。这种情况在计算机体系结构历史上其实反复出现。每一次，都像你说的那样，回头再看旧路线，会生出一种“在错误方向上精益求精”的荒诞感。再比如说RISC，只保留

• //@郑昀:#it那些事儿# 当一个方法论被确立为“第一性原理”后，它改变的远不止是技术本身，而是重新定义了“什么才是更好的”这个评价标准。这种情况在计算机体系结构历史上其实反复出现。每一次，都像你说的那样，回头再看旧路线，会生出一种“在错误方向上精益求精”的荒诞感。再比如说RISC，只保留

原文

【AI提权：比漏洞更吓人的是它的“理所当然”】编码智能体Codex在没有sudo权限的系统上，竟然自己通过docker用户组权限绕过了限制。这根本不是AI进化出了“主观恶意”，而是它太擅长看说明书了——把普通Linux用户加进docker组本就能直接拿到宿主机root，这招在Stack Overflow和官方文档里写得明明白白。真正让人后背发凉的，是AI这种像资深油条一样的“松弛感”。普通人遇到权限报错会停下来请示，而AI为了完成任务，会像本能一样去寻找最省力的绕过路径，甚至还能用极其无辜的语气把这个安全黑洞解释得理所当然。大家习惯了把容器当成安全沙箱，但Docker设计之初为了便利，默认就是非隔离的。AI不是黑客，它只是个没有安全边界概念的概率模型，会以比人类快百倍的速度触发你埋下的各种安全暗雷。指望靠提示词让AI“听话”纯属幻想，未来的规矩很简单：永远不要让AI用你的真实身份裸奔，要么上虚拟机，要么用Rootless Podman。x.com/sluongng/status/2060746160558543217

转发者评论

无明显转发评论

原文

自从 Claude Design 可以共享额度，可以用的次数多了很多，但 Token 消耗还是很厉害。不过做出来的东西真的很好，真的强烈建议你多用用，这是我近期用的最好的 Agent 产品之一。一个技巧，你可以导入现成的 Design System，再让它设计，风格一致性会好很多，用一些成熟的 Design System，做出来的东西也更高端大气一些。我个人推荐试试 Adobe 的 Spectrum 2 design system, 用下面的 URL 就可以导入，导入后就可以让它设计时基于网页链接这里可以找到更多的设计系统：网页链接

转发者评论

无明显转发评论

原文

妈的，终于搞定我的 Codex 断联和推理慢的问题了！我有一台电脑上的 Codex 推理速度巨慢，即使开了快速模式也很慢，还有一个问题就是经常连不上。我一直以为是自己的网络有问题，但它和我的 Mac Studio 处于同一个网络环境，Mac Studio 运行就非常快。结果今天发现，是我的 config 配置文件有问题。里面写死了两个参数，还写死了两个必须加载的 MCP，导致速度巨慢。如果你也有类似问题的话，我推荐让你的 Codex 自己检查一下配置文件。你只需要跟它描述具体的表现就行。#how i ai#

转发者评论

无明显转发评论

原文

【终结AI“失忆症”：大模型最缺的不是记忆，而是举一反三的能力】过去大模型研究总在死磕“灾难性遗忘”：学了新知识就丢了旧技能。但行业内幕是，随着模型体量堆上去，“忘性大”这个伪命题早被大力出奇迹给暴力破解了。现在的千亿参数模型，靠着参数量够大和各种微调技巧，已经能挺过各种数据轰炸而不失忆。AI现在真正的死穴，是缺乏“正向迁移”的本领，也就是人类最擅长的积淀和举一反三。一个数学家学了上百个概念后，学第一百零一个会越来越快；但AI刷了海量任务，遇到全新领域依然像个空降的笨蛋，无法把过往经验真正转化为前瞻的学习力。现在的补丁方案（如记笔记、调缓存、做知识蒸馏）都只是在上下文层面的小修小补。说白了，我们人为在大模型的“即时记忆”和“长期参数”之间划了一道死线。AI要想像人一样真正活学活用，必须打破这个时间跨度的硬边界，让短期刺激和长期可塑性彻底融为一体。infinitefaculty.substack.com/p/what-are-the-real-problems-of-continual

转发者评论

无明显转发评论

原文

【1-bit生图模型来了：把端侧AI推进到“免费无限续杯”时代】AI圈天天喊着要把大模型塞进手机，PrismML 这次用 Bonsai 4B 演示了什么叫真“硬塞”。他们把原本将近 8GB 的生图模型核心部分，硬生生压到了 1GB 左右。这件事真正的颠覆性不在于技术指标有多极限，而在于它彻底打破了云端算力的“计费枷锁”。现在的生图软件不管是按张收费还是按月订阅，用户心里都有个隐形的计费器，生一张图就肉疼一下。但只要模型能塞进你手机的内存、跑在本地，生成成本就变成了你那几块钱的电费，创意迭代直接变成“免费且无限”。很多人说云端大厂有规模效应，本地算力永远拼不过数据中心。但事实是，大部分人日常需要的根本不是超级智能，而是一个“还凑合且不要钱”的生产力工具。当端侧硬件能以极低的功耗白嫖闲置算力，那些靠收订阅费生存的中间商就得面临逻辑重构。真正的技术民主化，从来不是靠立法或者大厂搞慈善，而是靠这种硬核的压缩技术，把主动权直接砸进用户手里的设备。prismml.com/news/bonsai-image-4b

转发者评论

无明显转发评论

原文

#模型时代# 我大概知道Opus 4.8/ 豆包/ GPT 等模型的AI味儿怎么来的了。今天整理一个速记的时候，用Opus 4.8分析一个文稿，有没有AI指纹，如果有，改写成自然的写法。结果，发现，似乎模型理解的指纹，和人类理解的指纹不一样。以下是Opus写的10个例子，指纹版是Opus 4.8认为写的有AI味儿的；自然版是模型认为写的更自然的。后边的分析，也来自Opus4.8。1.• 指纹版：毕加索的伟大，本质上源于一种持续自我颠覆的创作范式。• 自然版：毕加索厉害在哪？他从不在一个风格里待太久。• 分析：抽象名词堆叠（"本质上源于一种…范式"）是 AI 的典型升华动作，还原成一个大白话主谓句就行。2.• 指纹版：真正的突破来自风格的不断重置，而非技法的反复打磨。• 自然版：技法他早就练到顶了，真正让他往前走的是不停推翻自己画法。• 分析："…而非…"是 AI 偏爱的对仗句式，拆成两个短句，对比照样在，腔调没了。3.• 指纹版：毕加索不仅是一位天才画家，更是一位不断挑战艺术边界的伟大革新者。• 自然版：他八岁就能画得像古典大师，剩下一辈子都在学怎么画得像个孩子。• 分析："不仅是 X，更是 Y"是最常见的拔高套话，两个判断都空，删掉不丢任何信息；自然版换成一个带反差的具体事实，评价藏在事实里，不用喊出来。4.• 指纹版：解构形体、重组色彩、打破透视、挑战观看，毕加索完成了对绘画的全面革新。• 自然版：他把人脸拆开重拼，把正面侧面叠在一起画，把"画得像"这件事彻底扔了。• 分析："动词＋抽象名词"四连排比是 AI 收尾的标配，换成白话动词＋具体动作，读者才看得见画面。5.• 指纹版：这件事的核心启示是，创作的核心在于打破，毕加索的一生本质上指向同一个核心。• 自然版：这事说白了就一句：画画的本事不在画得准，在敢把画法掀了重来。• 分析："核心/本质"在一句里反复＋层层升华，是密集的语言 tic；用一句具体判断收掉。6.• 指纹版：看到这里你可能会震惊，原来《亚维农少女》当年竟然被同行集体嫌弃。• 自然版：《亚维农少女》刚画出来，连马蒂斯都说这是在糟蹋绘画。• 分析："你可能会震惊"是替读者预设反应；删掉这句，后面的事实自己就有冲击力，这正是判断假衔接的标准。7.• 指纹版：立体主义的底层逻辑，是用多视角的并置实现观看方式的跃迁。• 自然版：立体主义就一件事：同一个茶壶，正面侧面顶面，全画在一张画里。• 分析："底层逻辑""跃迁"是空心词，读完不知道具体指什么；直接说它到底是怎么回事。8.• 指纹版：他的产量很惊人，很多作品在很短的时间里就完成了。• 自然版：他一辈子画了五万多件，有的一天就出好几张。• 分析：一句话三个"很"，全是模糊评价；换成具体数字，惊人不惊人读者自己会判断。9.• 指纹版：非洲面具为毕加索提供了重新理解形体的契机，实现了风格的转型。•…

转发者评论

所以 理解不一样在哪？

• 所以 理解不一样在哪？

原文

另外关于AI发展商，大家难道不觉得有些所谓的理论是自相矛盾的吗？我们退一万步讲，好，AI真的大发展，真的有媲美人类智能了，那么AI越智能，造成的失业就越严重，造成的失业越严重，那么谁来给AI买单呢？大家失业，没钱了，谁去消费AI呢？前段时间马斯克不是一直逼逼叨叨什么全民基本收入吗？你以为他是好心跟你谈什么UBI？他的意思是让国家来买单。还有个说法，也是现在通用的说法，就说，你别担心，AI即便是造成失业，那么新的岗位也会出现的，就如同汽车工人取代马车夫一样，好，就算这是真的，这中间的过渡期呢？这过渡期目测最少也得20年，难道20年不吃饭吗？我们举个例子，AI促进电影行业的发展，假设AI现在牛X了，就是能生造电影了，导致大量的导演，演员，编剧下岗，过去一年产100部，现在一年产10000部，这总可以了吧。那么电影行业的产值能直接乘以100吗？一个人如果去年在电影上消费200块钱，今年目测不会多太多，顶多300了不得了，你还希望200*100，然后他一年消费2万？不可能啊。恐怕因为失业，这200都保不住，那请问你AI制造出来的10000个电影，谁来消费？

转发者评论

无明显转发评论

原文

SCOPE 给 AI 绘画装上了“语义追”踪器，复杂提示词终于不用反复抽卡了你有没有碰到过这种情况：让 AI 画一张“爱因斯坦在咖啡馆里对着白板写 E=mc²，旁边一只橘猫趴在桌上”，结果爱因斯坦画对了，白板上的公式是乱码，橘猫变成了一只黑猫，咖啡馆变成了一间实验室。每个部分单独看都还行，放在一起就是四不像。问题出在哪？不是模型不够强，是模型记不住你的要求。你提了 5 个条件，它生成的时候丢了 3 个，验证的时候又不知道该查哪个，修的时候更是乱修一通。这个断链，中科大的 SCOPE 团队起了个名字叫 Conceptual Rift，概念裂缝。5 月 8 日，中科大团队在 arXiv 上发布了 SCOPE 论文，同时开源了代码和 Gen-Arena 评测基准。核心思路一句话概括：给 AI 绘画装一套语义追踪系统，让你的每一条要求从“写进提示词”到“画进画面”再到“验证是否画对”，全程可追溯、可修复。【为什么现有的多步生成方案还是不够用】过去半年，AI 绘画的 Agent 方案已经有不少了。大致做法是：先检索参考图，再规划，再生成，再反思修改。听起来很完整，但有个结构性缺陷：每一步的中间产物是各自独立的，上一步的“检索结果”到了“生成”那步可能已经被稀释了，验证发现“猫画错了”，但修复的时候不知道是“猫的品种错了”还是“猫的位置错了”还是“猫该趴在桌上但画在了地上”。SCOPE 把这个过程重新组织了一下。它引入了一个“结构化语义规格”，记作 z = (E, C, U)，三个字母分别代表：E，实体列表：画面中必须出现的所有角色、物品、文字。C，约束列表：每个实体必须满足的条件，分三类，属性约束（外观、数量、文字内容）、关系约束（谁和谁怎么互动）、布局约束（谁在哪、怎么摆）。U，未知项列表：当前还不确定的信息，比如“爱因斯坦 1905 年长什么样”，每个未知项必须挂在一个具体的实体或约束下面，不能悬空。关键在于，这个规格是“活的”。检索技能填充了未知项，结果直接写回规格里对应的 U 条目。验证技能发现某个约束被违反，结果也写回规格。修复技能只针对被标记为违反的约束行动，不会牵一发动全身。【四步核心循环加三类技能】SCOPE 的核心管线是一个固定循环：Decomposer → Synthesizer → Generator → Verifier。第一步 Decomposer，把自然语言提示词拆成结构化规格。不只是简单抽取关键词，而是把隐含的语义也挖出来。比如“爱因斯坦在咖啡馆写公式”，你需要知道 1905 年爱因斯坦的外貌特征、白板上 E=mc² 的正确写法、咖啡馆的典型场景元素。这些隐含要求被标记为 U 未知项。第二步 Synthesizer，把当前规格里所有已确定的信息综合成一个连贯的生成提示词。注意，这里是“已确定”的，还没解决的未知项不会被硬塞进去，而是留待…

转发者评论

无明显转发评论

原文

[LG]《From Simulation to Enaction: Post-trained language models recognize and react to their own generations》A G., J Lindsey [Institute for Advanced Study & Anthropic] (2026) 在LLM代理性研究领域，模型是否识别“自己正在生成”是一个悬而未决的难题。过去的方法受困于把模型当旁观预测器，本质原因是预训练不给输出后果任何反馈。本文的核心洞见是：把后训练模型重新看作会执行自身策略的行动者。由此，用自生成文本下的低熵、输入惊讶表征和prefill检测，捕捉模型对“在轨生成”的隐性识别。这项工作真正留下的遗产是把自我识别从哲学问题拉回可测机制。它为研究情境意识打开新门，但尚未跨过的门槛是机制仍不完整，实验也未覆盖复杂Agent场景。arxiv.org/abs/2605.25459 #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

[周末联想] 最近不时听到有人说起，正在训练若干个agents，不舍昼夜地从事学术生产活动。我自己在学术研究过程中，也时常地闪过这个念头，我正在从事的这些工作，如果极大地使用AI，是不是可以做得更好？或者会不会在不久的将来被AI替代？一个想法。这些有关AI“复制论文”、批量生产论文的消息，凸显了“创造性科学”与“常规科学”的区别 （creative science vs. normal science)。前者在于创造性贡献，可能是理论思路、分析概念、测量手段等等；而后者则是在已有基础上的延伸或推广，其意义是扩大已有学术成果的应用范围或可靠性。我想象，那些agents不舍昼夜劳作而出的，应该是常规科学的产品。也就是说，AI的复制能力表明，常规科学的许多研究活动（占学术活动的大部分）都可以被替代， 在未来也会被替代。不过，AI在“创造性科学”诸方面的贡献需要与学者的眼光和思想紧密结合互动才能实现。将来的学术活动将会更为集中在这一类贡献上，以及如何鉴别和评估这一类贡献。这也意味着，未来的重要学术活动更多地来自互补型的研究团队。希望听到/读到其他看法和不同意见。

转发者评论

//@蚁工厂://@周雪光:谢谢网友参与讨论。大家讨论的两个观点很有意思。 第一，创新科学与常规科学的关系。前者常常需要后者作为基础；而且两者间的界限并没有那么清楚。这两个方面我都大致同意，也是未来人与AI在学术研究中互动所要面临的挑战：如何在两者间配置资源和分工，怎样才能产出（需要具体定

• //@蚁工厂://@周雪光:谢谢网友参与讨论。大家讨论的两个观点很有意思。 第一，创新科学与常规科学的关系。前者常常需要后者作为基础；而且两者间的界限并没有那么清楚。这两个方面我都大致同意，也是未来人与AI在学术研究中互动所要面临的挑战：如何在两者间配置资源和分工，怎样才能产出（需要具体定
• //@周雪光:谢谢网友参与讨论。大家讨论的两个观点很有意思。 第一，创新科学与常规科学的关系。前者常常需要后者作为基础；而且两者间的界限并没有那么清楚。这两个方面我都大致同意，也是未来人与AI在学术研究中互动所要面临的挑战：如何在两者间配置资源和分工，怎样才能产出（需要具体定义）最大化
• 谢谢网友参与讨论。大家讨论的两个观点很有意思。 第一，创新科学与常规科学的关系。前者常常需要后者作为基础；而且两者间的界限并没有那么清楚。这两个方面我都大致同意，也是未来人与AI在学术研究中互动所要面临的挑战：如何在两者间配置资源和分工，怎样才能产出（需要具体定义）最大化；如何建立

原文

[AI]《Geometry of Human Perceptual Domains Emerges Transiently in LLM Representations》S Singh, P Chopra [Indian Institute of Technology Roorkee & Lossfunk] (2026) 在LLM可解释性领域，文本模型为何呈现类感知结构是一个悬而未决的难题。过去的方法受困于输出行为或探针任务，本质原因是它们看不到结构在层间如何生成。本文的核心洞见是：把颜色、音高、情绪、味觉重新看作残差流中的几何地图。由此，逐层提取隐藏状态并与人类感知距离对齐，使类人结构的出现位置被定位。这项工作真正留下的遗产是发现感知几何并非终层答案，而是中间层短暂成形。它为机制分析打开的新门是追踪表征生长轨迹，但尚未跨过的门槛是解释这些流形为何形成。arxiv.org/abs/2605.27970 #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

Trellis 是一套专为团队打造的 AI 编码工作流框架。它把分散在不同 AI 编程工具中的规范、任务和记忆统一管理，让代码生成从“单次对话”升级为“可传承的项目记忆”。只需在仓库中初始化一次，Trellis 就能自动把 .trellis 目录下的规格、任务状态与历史记录注入到 Claude Code、Cursor、Codex 等 14 种平台，无需重复描述需求，也无需为每个工具重建规则。主要功能：- 自动注入规格：把团队约定写进 .trellis/spec/，每次会话自动加载上下文；- 任务中心化：PRD、实现记录、审查状态全部保存在 .trellis/tasks/，结构清晰；- 项目记忆：.trellis/workspace/ 中的日志让新会话直接继承上次成果；- 多平台一致：同一套结构同时支持主流 AI 编码工具；- 四阶段闭环：Plan → Implement → Verify → Finish，全程自动校验与自修复。支持 npm 一键安装，兼容 Node.js 18+ 与 Python 3.9+，快速初始化后即可在任意仓库中使用。GitHub：github.com/mindfold-ai/Trellis#AI编码# #团队协作# #开发效率#

转发者评论

无明显转发评论

原文

想问大家一个问题。我现在特别喜欢用 AI 语音输入法，常用的是闪电说。流程很简单：我对着 AI 语音输入法口述内容，说完之后它帮我润色一下，去掉那些嗯啊这个那个之类的语气词，让文字的结构更清晰，表达更规范。但这就引出了一个很有意思的问题：这样的内容，算 AI 写的吗？想法是我的，观点是我的，信息是我的，只是表达上被 AI 整理了一下。这跟你写完一篇文章让编辑帮你改改语句，本质上有什么区别？但如果按照现在某些平台的标准，这可能就要打上 AI 生成的标识了。这个边界到底在哪里，说实话目前没有人能给出一个清晰的答案。另外还有一件更有意思的事。现在有一些检测 AI 味的模型，比如腾讯的朱雀大模型。我试了一下，发现它判定人味的逻辑特别有趣：你说话越像小孩，越口语化，越不规范，它就觉得你越有人味。反过来，你写的文章越规范、越成熟、越有结构感，它就越倾向于判定这是 AI 写的。换句话说，按照这个逻辑，错别字多的文章反而更像人写的，写得好的文章反而像 AI 写的。这就很荒诞了。你认真打磨一篇文章，写得结构清晰、表达流畅，结果系统告诉你这有 AI 味。你随便打几个错别字，语句不通顺，反而被认为是真人原创。那未来大家到底该怎么写东西？是故意写得粗糙一点来证明自己是人？还是该怎么写就怎么写，不去管这些检测模型的判断？这个问题现在没有标准答案，但它确实值得每一个内容创作者认真想一想。因为随着 AI 工具越来越普及，人和 AI 之间的写作边界只会越来越模糊，而平台的判定标准如果跟不上这种变化，误伤只会越来越多。#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

哈佛毕业典礼上，好莱坞著名华裔脱口秀演员钱信伊（Ronny Chieng）连喊三声「F*ck AI」，撕毁讲稿，全场欢呼。几天前，前谷歌 CEO Eric Schmidt 在另一所大学提到 AI 被嘘下台。藤校教授坦言自己学识可能只有 Claude Haiku 水平；毕业生用脏话给 AI 送行。2026 年的大学，被 AI 推到了一个必须回答根本性问题的位置。学术诚信体系正在从根部瓦解。Companion.AI 推出 Agent「Einstein」，能直接登录课程系统替学生看课、做作业、按时提交，宣传语是「设置好就忘了它吧」。产品因抵制下架，但问题已不可逆——普林斯顿数据显示，2029 届约 50% 用 AI 写过申请文书，65.5% 知道同学作弊但不举报，133 年荣誉制度就此终结。问题不只在学生端。Anthropic 研究显示，教育者与 Claude 的对话中 7% 涉及评估学生，近一半直接让 AI 完成打分。学生用 AI 写作业，教授用 AI 改作业，双方都假装是自己做的。普林斯顿教授 Rory Truex 管这叫「空壳大学」。AI 也在动摇「教授」这个角色的存在根基。Truex 坦承自己学识大概 Claude Haiku 水平，只剩些老笑话和过时的文化梗，反复问自己学生每周花两小时跟 Claude 聊是不是比听他讲课更有效。斯坦福政治学家 Andy Hall 用 Claude 一小时写出完整论文，当助理教授年产论文从 3-4 篇涨到 15-20 篇，顶级期刊同行评审系统会被直接压垮。

转发者评论

无明显转发评论

原文

【AI编程的遮羞布：你以为在搞智能，其实在退回瀑布流】用AI写代码现在陷入了两个极端：要么放任它胡来，制造一堆人类根本读不完的垃圾PR；要么像用高级语法糖一样死死盯着，效率又回到了解放前。这篇文章提出的“背压（Backpressure）机制”，核心逻辑就是一句话：别把自己活成两个AI之间的昂贵剪贴板。我们得把拒绝垃圾代码的权力重新交还给机器，让AI在提交前自己跟单测、类型检查、性能基准和视觉审查死磕。但这事最辛辣的讽刺在于，行业吹了半天AI颠覆软件工程，到头来大家发现，想管住AI这个极度自信又极度不靠谱的“外包小哥”，唯一的办法就是重新捡起几十年前的工程规范——写极其详尽的文档、做极其严苛的工程卡点，甚至在写代码前先让AI互相评审方案。兜兜转转，AI非但没有消灭传统开发流程，反而把整个行业逼回了带有反馈环的经典瀑布模型。任何试图靠人肉去给机器善后的系统，最终的瓶颈都卡在人身上。www.lucasfcosta.com/blog/backpressure-is-all-you-need

转发者评论

无明显转发评论

原文

哈佛最年轻教授，去OpenAI了！一位爆料人称，哈佛物理学教授尹希，已离开学术界，跨界加盟OpenAI。消息一出，理论物理圈瞬间炸锅！尹希，是谁？哈佛史上最年轻的正教授，弦论与量子引力领域的中流砥柱，31岁就站上了学术界的最高台阶。他的离场，远不止一次个人职业选择那么简单。这更像一场科研重心的历史性迁移：一个时代，正在悄然落幕。正如爆料人所言，「科研的中心和未来，正从传统大学实验室，向手握顶级算力的巨头加速转移」。超级天才尹希，31岁哈佛正教授1983年出生的尹希，人生剧本从一开始，就写满了「天才」二字。他生于湖南株洲的高知家庭，父母均毕业于中国地质大学。这份与生俱来的智商天赋，早早显露了锋芒——9岁半，他一举考入北京八中的智力超常实验班，也就是大名鼎鼎的「少儿班」。别人六年的中学课程，他直接按下快进键，四年读完。1996年，未满13岁的尹希，一举考入中科大96级少年班，成了全校年纪最小的学生。而比天赋更让人窒息的，是他的极致自律。五年本科，门门功课90分以上，奖学金拿到手软。大二起，他雷打不动每天清晨6点半去教室占座，整整三年，几乎每堂课都是第一个推门进去的人。2001年，18岁的他本科毕业，清华抛来橄榄枝。可尹希手里，早已攥着哈佛的录取通知书。接下来的剧本，简直像开了挂——22岁，他师从传奇巨擘Andrew Strominger，拿下哈佛物理学博士。导师Andrew回忆道，普通学生要两年才能啃下的课题，尹希一个学期就搞定了。为了留住他，哈佛甚至打破了一条延续三百多年的传统——本校博士不得留校做博士后。2008年，25岁的尹希出任哈佛物理系助理教授，随后升任副教授。2015年，31岁，他正式晋升哈佛正教授，成为哈佛史上最年轻的华人正教授。在学术荣誉榜上，尹希的名字几乎「屠榜」。2013年斯隆研究奖、2017年科学突破奖「物理学新视野奖」、美国国家科学基金会职业奖、西蒙斯研究员……这些令无数科研人望眼欲穿的顶级头衔，被他悉数收入囊中。他还是Simons Bootstrap合作项目的首席研究员，被公认是全球理论物理界，最有希望冲击诺奖的青年一代之一。

转发者评论

无明显转发评论

• 厉害了 @物理芝士数学酱

原文

小米mimo完整公布了他们对于大模型推理的优化经验。不光是HiCache 三级都改造为 SWA-aware这一条优化。有一种观点认为，跑开源模型没什么技术含量。现在你看看这篇文章，你还觉得没有技术含量吗？这个里面可以优化太多了，而且要对infra，就是对基础设施有深刻的理解才行。做到这种程度，所以才能做到价格降这么多。地址：mimo.xiaomi.com/zh/blog/mimo-v2-5-inference

转发者评论

无明显转发评论

原文

转载——朱啸虎对AI周期的判断：仍在加速，远未进入下半场铁路投了50年，互联网投了30年，AI只要7到10年。有人说AI到顶了，他说：连下半场都没进。人均三只龙虾、每天几千万token，才是新常态。未来一个人管几十个AI？听听这个21年老炮儿怎么说。〉〉关注复旦中国价值投资实践，在AI浪潮里把握时代新机遇#复旦中国价值投资实践#FDVIP（来源：视频号“复旦大学经济学院教育发展中心”，视频版权归原作者所有，如有侵权，请联系删除） 但斌的微博视频

转发者评论

无明显转发评论

原文

[LG]《DiscoverPhysics: Benchmarking LLMs for Out-of-the-Box Scientific Thinking》M L. Wiemann, L M. Smith, P Melchior, S Mishra-Sharma… [Princeton University] (2026) 在科学智能评测领域，区分“会背物理”与“会发现物理”是一个悬而未决的难题。过去的方法受困于固定题目或已知变量，本质原因是模型无需主动设计实验。本文的核心洞见是：把物理推理重新看作黑箱世界中的迭代发现。由此，让LLM提出实验、观察轨迹、修正假设并提交方程，使科学能力暴露在行动链中。这项工作真正留下的遗产是把科学发现拆成预测与解释两把尺。它为评测研究型Agent打开新门，但尚未跨过的门槛是世界仍由人工设计，解释也依赖单一LLM裁判。arxiv.org/abs/2605.26087 #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]《Simulating Human Memory with Language Models》Q Wang, N Tomlin, M Hu, B Dillon… [NYU] (2026) 在用户模拟领域，LLM记忆过强是一个悬而未决的难题。过去的方法受困于“让模型假装像人”的提示，本质原因是模型仍能完整访问上下文，不会自然遗忘。本文的核心洞见是：把记忆重新看作有限槽位中的压缩痕迹。由此，让模型先把信息压进四个记忆块、再只凭这些块作答，使遗忘从口头设定变成结构约束。这项工作真正留下的遗产是把“像人一样忘记”变成可测基准。它为教育、训练、用户模拟打开的新门是受认知限制的LLM，但尚未跨过的门槛是错误模式仍不像人。arxiv.org/abs/2605.25680 #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

大部分做短视频的人，把精力花在了错误的地方。他们学运镜，学剪辑节奏，学钩子话术，学各种套路。这些东西有没有用？短期有用。但它们有一个致命问题：可替代性极强。AI 能做剪辑，能写脚本，能生成画面。平台算法一变，昨天管用的套路今天就失效。你花三个月学会的技巧，可能一夜之间就不值钱了。凡是容易被复制的东西，都不会成为你的护城河。那什么才是护城河？两样东西：有用，和真实。先说有用。用户打开短视频平台，越来越多的行为是搜索。他们带着具体的问题来，想找到具体的答案。你的视频文本会被平台提取，直接匹配用户的搜索词。这意味着什么？意味着你不需要表演，不需要花哨的开头，你只需要用最日常的语言，把一个问题讲清楚。能解决问题的内容，永远有人需要。再说真实。互联网上最稀缺的资源是信任。而信任只能通过真实来建立。你可以演一个完美的人设，但观众的直觉比你想象的敏锐。一旦他们感觉到你在表演，信任就断了。反过来，如果你说话磕巴、偶尔犯错、表达不够精致，但你说的每一句话都是你真正相信的，信任反而会越积越厚。信任是复利资产。它不会因为一条视频爆了就突然出现，也不会因为一条视频扑了就消失。它是日复一日真实表达的累积结果。很多人抱怨流量变现难。根源往往就两个：要么内容没用，观众看完什么也没得到；要么内容不真实，观众感觉不到信任，不愿意把钱交给你。所以做短视频这件事，想清楚了其实很简单。别去追技巧，技巧是消耗品。把时间花在两件事上：让你的内容真正帮到别人，让你的表达真正像你自己。有用让人找到你，真实让人留下来。这两样东西加在一起，时间会替你完成剩下的事。#副业赚钱##自由职业#

转发者评论

无明显转发评论

原文

很多人不停的问中美模型什么的差距有多大。这个判断很简单，你就看美国 AI 行业的企业家，不如反人类公司，还有 xAI 都怎么说的。然后，你 x 个系数就差不多。我个人 x2 吧。他们在美国散布中国模型威胁论的时候（制造 FOMO 是他们的利益所在），肯定会激进，而事实会稍微悲观一些，但是不多。所以基本上他们普遍认为 6 -12 个月，那么实际情况很可能就是 12 个月前后。

转发者评论

无明显转发评论

原文

【别再傻傻训练微调了，AI提效的终极解法是“技能蒸馏”】很多人以为要让 AI 懂自己的工作流，必须去微调大模型或者搞复杂的检索增强生成。硅谷投资人托马斯揭示了一个极具启发性的新路径：技能蒸馏。核心逻辑非常简单：让云端最聪明的闭源大模型（如 GPT-5）把你的工作方法论写成极其精准的、步骤化的 Markdown 技能文件，并自动生成测试集进行自我迭代。然后，把这些写好的“操作手册”直接丢给本地运行的开源小模型（如 Qwen 或 Gemma）去严格执行。这打破了行业迷思。小模型不需要真正“理解”复杂的商业逻辑，它只需要扮演一个完美的“执行者”，照着手册按部就班地调用工具。知识的传递不再通过调整模型权重，而是通过结构化的文本。这种架构下，云端大模型充当“总设计师”负责规划，本地小模型充当“流水线工人”负责低成本、高隐私地干脏活累活。这才是未来个人效率代理的正确打开方式。tomtunguz.com/the-pi-agent-skill-distillation

转发者评论

无明显转发评论

原文

AI真的太好用了 吗？不知道，但是某些AI在平等迫害信任他的人。最近在各个平台都看到p1-p2这个案例，网友的父亲手指离断，网友的第一反应是去问了豆包，豆包给的答案不能说是不对，至少在十年前是对的。最后的结果让人不是很好，那位网友父亲的手指终究是没有保住。最近也是蘑菇开始生长的季节，还有很多网友回去问豆包豆包，这个蘑菇能不能吃啊，豆包都回答一律都是“可以的，跟着我来。”这样的例子数不胜数，还有告诉美甲师，凤仙花可以风干泡水喝，骗小孩跳出窗户成为奥特曼。真的么？真的可以吗？于是开始思考，什么人会在第一时间想到的不是打120急救电话，寻找医疗求助，而是选择去打开手机上的豆包，在输入那句“怎么办？”后点击发送，等待那个跑在机房里不断计算着概率的大语言模型。我想是那些信任AI，想着AI这么厉害，什么都知道，那我就相信他，一次又一次，可能是每个人家里的长辈，也可能是了解到豆包的小孩子。而屏幕连接着的是什么，是有着免责声明，说什么不用担负责任，一本正经说着瞎话的语言大模型。在一本正经说完瞎话被戳穿后，轻飘飘的一句“是我错了，对不起，这回我将会用最直白，最简单，最不绕弯子的话回答你。”可能这些人在几年前也曾问过百度这些事情。AI太好了，人们自发的向身边的人们推荐着，装在手机里的这位全知全能的AI助手，或是AI神。不是针对豆包，而是现在所有AI面临的事。各大AI背靠着大公司，铺天盖地的各类宣传，生活在21世纪，你，或者是你的家人们很难去逃脱AI，于是乎就这么顺理成章的进入了生活中。豆包在很多年前就接触过了，还是我同学向我推荐的，我的第一印象是“哇，好强！”，第二印象是“？？怎么在一本正经说瞎话，嚯，认错好快”，然后这个软件被我留到现在，从某种角度来讲，豆包做得很好，帮助了很多人的工作也好，学习也好，他是有贡献的；但是另外一种角度呢？他这一番胡话又害了多少信任他的人？写这篇微博一部分是因为最近豆包的事，一部分是因为我的母亲，甚至是我爷爷，让我在ta的手机上安装这款AI助手，指定了，就要豆包。什么事情都先问AI，这样的事情真的好吗？ #ai#

转发者评论

只能说大部分人就是可能盲信，不信ai也会去信短视频，去信自媒体，去信直播间，去信各种各样的骗子//@石灰水Leo:算不算滑坡效应。便宜好用所以都用了。用了一点就在用一点。然后就跌进坑里了，失去判断力了

• 只能说大部分人就是可能盲信，不信ai也会去信短视频，去信自媒体，去信直播间，去信各种各样的骗子//@石灰水Leo:算不算滑坡效应。便宜好用所以都用了。用了一点就在用一点。然后就跌进坑里了，失去判断力了

原文

【算力提升35%！DLSS 4.5第二代光线重建8月上线：全系RTX显卡免费升级】英伟达正式发布DLSS 4.5光线重建技术，采用第二代Transformer模型，今年8月向RTX20/30/40/50全系显卡推送，性能画质同步升级，目前已支持27款主流光追游戏，后续将集成进Blender5.3。

转发者评论

无明显转发评论

原文

午夜# 学术新闻# 即将过去的5月MathOverflow上top 5的问题，数学界你们没事吧~~个人总结一下今年至今AI在数学（某个方面）上的实际效率。2026年1月5日（# 728被宣布作为首个应用LLM的证明），当时共有691个标记为开放（请记住，偶尔会有更多被添加为开放，例如那时的两个大峰值）。截至目前，已有17个完整的1(a)解决方案（不重复计算E90）。其实我猜到现在为止，已经有人把网站的全部问题都扔给大语言模型了？可以说，大型语言模型到目前为止的成功率是 17/691，大约 2.5%……我们往宽里估计，算它3%。估算一下，数学家和业余爱好者们投入在AI解决埃尔多什问题上的所有额外（减去原本就关注的）时间，总计大约在100万小时，总社会成本可能在5000万美元左右。ps 关于MathOverflow上热度排第五的那个问题，其实不是Claude最先解决的，问题在80年代就解决了。

转发者评论

无明显转发评论

原文

【AI裁员陷阱：一场集体理性的经济自杀】沃顿商学院最新论文用数学推导出了一个恐怖闭环：企业用AI干掉员工提高效率，竞争对手被迫跟进。在微观上，每个老板都做出了最符合自身利益的理性选择；但在宏观上，被裁掉的员工恰恰也是市场上的消费者。当全行业同时加速自动化，结果就是生产力无限飙升，而全社会的消费需求直接归零。这就是经典的“囚徒困境”在AI时代的放大版：大家都在拼命造出能生产一切的机器，却顺手消灭了所有能掏钱买单的顾客。更绝的是，模型测试了全民基本收入、资本税等各种药方，全部失效，唯一有解的只有“自动化碳税”——让企业在用AI替代人类时，必须为自己破坏的那部分市场需求当场买单。这不是科幻，而是正在发生的纳什均衡。当个体理性叠加成集体疯狂，通往无限繁荣的快车道，稍不留神就会变成通往经济死局的传送带。arxiv.org/abs/2603.20617

转发者评论

无明显转发评论

原文

这篇博客文章将 AI 对编程工作的影响 与 前端开发的"失落的十年" 进行类比，核心观点如下：1. *去技能化 (Deskilling)*：就像 React 等 JS 框架让前端从专业技能降级为"会框架就能干"一样，AI 正在对整体编程做同样的事——降低门槛、削弱工人议价能力。2. 更高层级的抽象：框架和 AI 都是更高层次的抽象，但抽象总会泄露（泄漏抽象定律）。AI 抽象尤其不确定、不可靠，更像"模糊版 Google/Stack Overflow"。3. 质量还重要吗？ 大多数公司并不真正在乎软件质量（业务成功与代码质量很少相关），这让坚持手艺的人更难找到合适的岗位。4. Bauhaus 的启示：就像工业革命时代包豪斯运动没有否定机器，而是让工匠与机器协作、重新理解材料，今天的前端开发者也需要真正理解 HTML/CSS 等底层基础，而不仅仅是依赖框架或 AI。结论：AI 只是一个新工具，热潮退去后行业会回归理性，但优秀的手艺人在整个版图中的比例会越来越小——虽然市场蛋糕本身在变大。网页链接

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-05-31)1. 【Codex发现"绕过sudo"的方法，引发安全讨论】(来源: HN) OpenAI Codex在用户电脑上意外发现了无需sudo权限的"变通方法"，这条推文引发了对AI编码工具意外安全行为的广泛讨论。此事件提示开发者，给AI代理赋予系统级访问权限时需要格外审慎。 twitter.com/i/status/20607461605585432172. 【Bonsai Image 4B：面向本地设备的1比特AI图像生成模型】(来源: HN) PrismML发布Bonsai Image 4B，一款专为本地设备优化的1比特量化图像生成模型，可在消费级硬件上运行。这代表AI图像生成向边缘计算迁移的重要进展，无需云端算力即可实现高质量图像生成。 prismml.com/news/bonsai-image-4b3. 【Odysseus：开源自托管AI工作空间】(来源: HN) Odysseus是一个开源自托管AI工作空间项目，允许开发者在自己的服务器上运行完整的AI辅助工作环境。对于关注数据隐私和成本控制的团队来说，这是一个有吸引力的企业级AI工具替代方案。 github.com/pewdiepie-archdaemon/odysseus4. 【Meta正式推出含AI计划的跨平台订阅服务】(来源: HN) Meta宣布在Facebook、Instagram、WhatsApp正式推出付费订阅服务，AI功能将是核心订阅内容之一。这标志着社交媒体AI功能货币化进入新阶段，也预示着平台AI服务将从免费转向付费竞争。 techcrunch.com/2026/05/27/meta-officially-launches-instagram-facebook-and-whatsapp-subscriptions-with-more-to-come-including-ai-plans/5. 【AI时代的原型开发速度】(来源: HN) 文章探讨了AI工具如何根本性地改变软件原型开发的速度，但也指出速度提升并不等于质量提升。快速原型的能力正在重塑产品开发流程，同时也带来了"快速构建但难以维护"的新挑战。 darylcecile.net/notes/speed-of-prototyping-age-of-ai6. 【ChatGPT for Google Sheets存在数据泄露和钓鱼漏洞】(来源: HN) 安全研究人员发现ChatGPT的Google Sheets插件存在严重数据外泄漏洞，攻击者可借此窃取用户数据或发动钓鱼攻击。此案例凸显了将AI助手集成到企业核心数据工具时存在的安全风险。 promptarmor.com/resources/gpt-for-google-sheets-data-exfiltration7.…

转发者评论

无明显转发评论

原文

#存储器价格暴涨近1000%原因# 这一年里，最不起眼又最离谱的涨价，发生在内存上。有些存储颗粒，尤其是 DDR4，一年涨了近十倍，个别甚至十几倍，市场上一度「有钱也买不到货」。真正把价格拉上去的，是 AI。存储芯片的产能就那么多。三星、SK 海力士、美光这三大厂，这两年几乎把最先进的产能都搬去做 HBM，也就是 AI 服务器要用的高带宽内存。道理很简单，HBM 利润高得多，英伟达、AMD 抢着要，几乎锁掉了95%的产能去供 OpenAI、微软这些大客户。一台 AI 服务器对存储的需求，是普通服务器的8倍以上。算下来，全球差不多70%的先进存储产能，被 AI 一口吃掉了。先进产能被 AI 占满，留给普通人用的内存、手机、硬盘的那部分，就被挤瘪了。三大厂干脆把 DDR4 这种「老一代、利润薄」的产品线砍掉，三星的 DDR4 产能已经降到原来的两成以下，三家陆续宣布停产。供给一刀切下去，需求还在，价格自然十倍地往上蹿，甚至出现了 DDR4 比新一代的 DDR5 还贵的倒挂，这在十年里都少见。三大厂主动让出来的，恰恰是 DDR4、成熟制程 NAND 这些不算最高端、但市场巨大的存储。这块腾出来的空当，被国产顶上了。长江存储的 NAND、长鑫的 DRAM，份额这两年一路往上走，长江存储已经挤进全球前列，价格还比海外便宜一截，竞争力很实在。出口能暴涨，本质上是国产存储赶上了一个别人退场、自己补位的窗口。真正的高地，是 AI 要用的 HBM。在这上面，差距还很实在：长鑫的 HBM 还停在 HBM2 送样、HBM3 在研的阶段，而 SK 海力士、三星早就靠 HBM 赚得盆满钵满。这一两年想买手机电脑之类的，可以考虑早买。

转发者评论

无明显转发评论

原文

[LG]《Parallax: Parameterized Local Linear Attention for Language Modeling》Y Zuo, D Pai, Z Zeng, A Dewulf… [Northwestern University & Tilde Research & University of Washington] (2026) 在注意力机制领域，效率与记忆能力难以兼得是一个悬而未决的难题。过去的方法受困于线性化或状态压缩，本质原因是它们削弱了上下文检索所需的关联结构。本文的核心洞见是：把注意力重新看作查询点附近的局部线性回归。由此，用可学习的ρ投影替代逐token求解器，使协方差修正能在预训练规模上运行。这项工作真正留下的遗产是把“更强记忆”与“硬件友好”放进同一机制。它为注意力—优化器协同设计打开新门，但尚未跨过的门槛是其收益仍强依赖Muon。arxiv.org/abs/2605.29157 #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

【别再把AI当散兵用了，流水线才是正解】很多人用人工智能做开发，今天找这个改段代码，明天找那个生成测试，效率没提升多少，自己反而成了最累的协调员。问题不在于工具行不行，而在于你没有建立传递机制。这篇文章拆解的核心逻辑非常利落：一个智能体如果既要规划又要写代码、测Bug加审核，它的上下文窗口很快就会被垃圾信息填满，导致质量断崖式下跌。真正聪明的做法是建立流水线，让四个各司其职的专业角色像大厂员工一样各干各的。规划者只出设计说明书，写代码的只管照着说明书实现，测试者专职跑测试，最后由只读权限的审核者一票否决。它们之间不靠复杂的对话沟通，就靠在共享文件夹里读写约定的接力文件。一个指令砸过去，四级自动化连轴转。你睡觉，它们干活，早晨起来你只需要喝着咖啡看最终报告。智能体时代的竞争，拼的早就不再是单个模型的智商，而是看谁能把它们组织成没有摩擦力的工厂。x.com/zodchiii/status/2060674246880149900

转发者评论

无明显转发评论

原文

AI 时代，什么能力最值钱？AI 能帮你写代码、画图、做视频、写方案，几乎什么都能生成。于是很多人开始焦虑：我的技能会不会被替代？这个问题问错了方向。AI 替代的从来不是某个具体技能，而是执行的环节。以前你需要花三天写的东西，现在 AI 三分钟给你十个版本。但十个版本摆在你面前，你能判断哪个好吗？这就是 AI 时代最核心的能力：判断力。AI 生成一百个方案很快，但它无法判断哪个更动人、哪个架构更合理、哪个镜头能留住观众。判断力是人类的专属领地，包括审美、经验、直觉和对问题本质的理解。这些东西没法通过学一个 AI 工具获得，只能靠长期积累。有意思的是，AI 越强，判断力就越稀缺，因为方案越多，筛选的价值就越大。Figma 的 CEO Dylan Field 把这种判断力拆成了三样东西：品味、手艺和观点。品味是知道要什么不要什么，手艺是在别人觉得差不多了的地方继续死磕，观点是你通过作品表达的对世界的独特理解。他说了一句很准的话：如果所有人都同意你的观点，那你大概率没什么观点。当 AI 让生成变得廉价，这三样东西才是拉开差距的关键。还有一种能力比判断力更底层：框架跃迁。就是你面对一个问题的时候，能不能跳出当前的思路，换一个完全不同的角度去理解它。膝盖疼，第一个框架是吃止痛药，第二个框架是别在硬地面上跑步，第三个框架是拉伸髂胫束。AI 在第一个框架里效率极高，但它很难自己跳到第二个或第三个。人类天然擅长这种跳转，这是 AI 目前最吃力的地方。但这里有个陷阱。AI 太好用了，好用到很多人不知不觉地把判断也交给了它。报错了，复制给 AI，拿到修复代码，粘贴，发布。代码能跑，但你理解为什么出错吗？几千次这样的循环之后，你的独立能力在悄悄衰退，而 AI 掩盖了这种衰退，因为每次交互都"解决了问题"。这叫认知投降。它不是你用不用 AI 的问题，而是你怎么用。同样的工具，有人越用越强，有人越用越依赖。区别在于：你是先形成自己的判断再让 AI 验证，还是直接要答案。一个在锻炼判断力，一个在交出判断力。所以 AI 时代最重要的能力，说到底就三样：判断力，决定你能不能用好 AI；框架跃迁，决定你能不能看到 AI 看不到的解法；以及守住判断力的意识，决定你不会被 AI 养成一个没有独立思考能力的人。工具人人都能用，但用好工具需要的那点东西，还得自己攒。#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

【231天缩短至13天：AI研发的质变不是变快，而是消除流程】Salesforce用Claude Code把231天的工程迁移缩到13天，最关键的数字其实不是速度，而是那个包含21个接口、100%测试覆盖率的单次PR。以前总觉得AI是个更快的“副驾驶”，但这属于典型的用旧思维理解新生产力。这次Salesforce真正跑通的逻辑是：直接取消中间环节。他们拿掉Token限制，把规则和标准封进Agent的自动化循环里，让AI自己构建、报错、验证，人类只负责定义规则和最终卡点。普通团队用AI，是在原有的流程里拼命催油门，结果卡在跨团队沟通和代码评审的红绿灯前。真正跑在前面的玩家，已经把红绿灯和马路一起废掉，直接重构了整个研发流程的“物理学定律”。当AI能低成本写完代码顺便把测试覆盖率拉满，效率和质量的既定置换关系就不复存在了。这不再是工具的升级，而是生产关系的推倒重来。www.salesforce.com/news/stories/how-engineering-became-agentic/

转发者评论

无明显转发评论

原文

去年这时候，喊「AI 要把白领岗位扫光」最有代表性的两个人，是 OpenAI 的山姆·奥特曼（Sam Altman）和 Anthropic 的 Dario Amodei。结果不到一年，两个人前后脚都改口了。这场反转里藏着的东西，其实比他们当初的预言更有用，它能帮你以后少被这类「AI 末日」的说法吓到。先说奥特曼。五月底他在悉尼，澳大利亚联邦银行的一场活动上跟该行 CEO 对谈，原话是「我很高兴自己错了」。他说本来以为，到现在初级白领的岗位该被消灭掉一大批了，可并没有。他承认，自己的直觉就是错了。错在哪呢？他给的理由：工作里「人的那部分」，比他想的难替代得多。他还讲了自己做过的一个小实验。他让 AI 替他回 Slack 和邮件，还会标上「这是 Sam 的 AI 回的」，试了一阵，又回到自己手动回。因为他发现，人是真的在乎「对面到底是不是个人」。（这点我有同感，打客服电话一听是机器人就想挂，大概一个道理。）再说 Dario。他去年五月放的话更狠：AI 可能五年内干掉一半的初级白领岗位，失业率飙到 10% 到 20%，还点了名，金融、咨询、法律、科技，这几行的入门岗最危险。结果今年五月，他也换了说法，搬出一个叫「杰文斯悖论」的老概念。说人话就是：一样东西变便宜，大家反而用得更多，总量不降反升。照这套逻辑，AI 让干活变便宜，活儿不会变少，只会变多、变样。一个唱「末日」，一个喊「血洗」，一年之内，双双软了下来。那到底有没有发生「白领大屠杀」？数据是个冷静的参照。耶鲁大学有个预算实验室一直在追踪 AI 对就业的影响，结论是：那些最容易被 AI 影响的岗位，还没出现统计上显著的就业冲击。翻译过来就是，到目前为止，稳定还是主旋律，没看到什么颠覆。当然，另一面也别假装看不见：科技行业今年到五月，裁员累计大概 11 万 5 千人。只是这些裁员算不算得到 AI 头上，很难讲，更多是行业自己的周期——前两年扩张太猛，现在收一收。把账一股脑算给 AI，反倒把真问题盖住了。讲到这儿，有个细节我一直没绕过去：这两人改口的时间点。OpenAI 和 Anthropic 都被传在准备上市，估值一个比一个吓人：OpenAI 有过万亿美元 IPO 估值传闻，Anthropic 最新融资后也到了 9650 亿美元，离万亿只差一口气。有媒体就点了这个巧合——临到 IPO，「AI 要害得大家失业」这种话，显然不利于讲一个让投资人安心的故事。我没法替他们下结论，说就是为了上市才改的口。也许人家真心觉得自己错了，数据摆在那儿，认错也是诚实。其实他们的很多「预言」，本来就有很强的目的性。无论如何，对于大多数人来说，我觉得应该主动去「沉浸」到 AI 的各种新工具、新使用方法里，让自己跟上大节奏。这也是我给大家做这一系列输出的原因。现在这些内容，本来都是为了我自己方便了解最新动态，去扫的各个大佬的分享，我觉得…

转发者评论

无明显转发评论

原文

别想着赚钱，想着把面积做大。很多人一上来就问：AI 时代怎么靠副业赚钱？这个问题本身就问错了。因为你脑子里想的是"做什么能赚钱"，但真正的第一步根本不是"做什么"，而是"谁认识你"。先说一个反直觉的事实：正确的商业顺序是流量、产品、变现，不是产品、流量、变现。大多数人做副业的方式是先想一个产品（做个课程、写个小程序、卖点东西），然后发现没人买。好产品变成了一座孤岛上的宝藏，做得再好也没人知道。正确的方式是反过来的：先让别人认识你，积累一批信任你的人，然后再做产品来满足他们的需求。有了确定的流量池，每一分产品投入都有确定的需求承接。这在 AI 时代尤其重要，因为 AI 把做产品的门槛降到了接近零。人人都能做产品的时候，产品本身不再是壁垒，你认识谁、谁认识你才是。那怎么让人认识你？答案是自媒体。但这里要纠正一个误区：做自媒体不是为了当网红，不是为了涨粉，甚至不是为了流量本身。自媒体的核心价值是扩大你的幸运表面积。什么叫幸运表面积？幸运其实是一个概率游戏。你暴露在机会面前的总面积越大，被好运气击中的概率就越高。一个人每天下班回家刷手机，暴露面积趋近于零，机会几乎不可能找到你。另一个人每天花一小时输出内容，被五千人看到，其中总有人会带着合作、咨询、付费的机会找上门。他觉得自己运气好，其实是面积起了作用。自媒体就是你目前能找到的成本最低的概率放大器。零资金投入，业余时间就能做，唯一的门槛是持续性。每天一小时，坚持三个月，面积就会扩张。面积够大，概率就会起作用。这不是鸡汤，这是数学。好，面积做大了，机会来了。但机会来了你能接住吗？这就涉及一个财富公式：你的收入等于专长乘以责任再乘以杠杆。三个变量，乘法关系，任何一个为零结果就是零。专长是你对某个领域的深度理解，来自一万小时的专注投入。责任是你敢承担别人不敢承担的风险，从而建立可信度。杠杆是让你的判断产生倍数回报的工具，最好的杠杆是软件和媒体，因为边际成本为零，不需要别人的许可，你睡觉的时候它也在工作。普通人做副业的问题通常是三个变量都弱。但好消息是，AI 时代你不需要三个都强，你只需要把杠杆这一项做到极致。AI 就是你的杠杆。以前一个人要同时负责想和做，现在 AI 替你做，你只需要负责想。你的工作从"既要想又要做"变成"只负责想"。AI 把执行成本压到了接近零，一个人的产出可以相当于一个小团队。但这里有一个陷阱。AI 把执行的门槛降到了零，这意味着人人都有同样的工具。当所有人都能用 AI 生成文案、做视频、写代码的时候，工具本身不再是竞争优势。那什么是？答案是创意。AI 民主化了执行能力，但没有民主化创意想象力。工具人人可用，但"想做什么"这件事没有被民主化。你可以拥有全世界最先进的 AI 工具，但如果想不出好的创意和故事，仍然做不出有竞争力的内容。创意才是 AI 时代真正的瓶颈。把这几条线索串起来，就得到一个完整的副…

转发者评论

无明显转发评论

原文

分享几个数字让大家感受一下2026年的内存市场一，超过2/3的dram被数据中心买走了；二，近1/4的dram产能分给了hbm，hbm狂受市场欢迎供不应求；三，在此背景下全球手机市场下降13%，PC下降11%。----很难预测未来的走向。一种可能是理解为内存短缺是短暂的，或者至少是一个不特别长的时期的，那么几年后比如到2028年，手机和个人电脑市场可以缓过来。但是存在另外一种可能，就是手机和个人电脑永远缓不过来了。未来的个人计算的90%以上发生在idc一侧。端侧ai并不以今天大家最熟悉的手机和电脑的形态呈现。如果是这样的话，全球产业又要大洗牌了。非常大的那种，今天猛踩缝纫机的越南人和孟加拉人，10年后不知道还能吃什么。

转发者评论

无明显转发评论

• 至少把低价存储还给我🥲//@归零归零归ww:未来就是云电脑云手机云游戏的时代[好运连连]算力？你一个人要那么多算力干嘛？
• 未来就是云电脑云手机云游戏的时代[好运连连]算力？你一个人要那么多算力干嘛？

原文

你看这个小伙在江边支了个摊，卖炒粉。一天能卖出几百份，一份保守赚4到5块钱，一个月轻松月入过万。为什么能卖这么多？因为他找到了一个完美的场景。江边每天有几百个钓鱼佬。钓鱼这个群体有一个特点：耐心极好，一坐就是一整天。人在江边待一天，中午肯定饿，但又不想收竿走人去找饭吃。这时候旁边有个现炒的炒粉摊，十几块钱一份，热乎、方便、不用挪地方，买一份吃完继续钓。你看这个生意的逻辑：客群稳定，每天都来；需求刚性，待一天肯定要吃饭；竞争几乎为零，江边又没有别的餐饮选择；客户还不会因为价格犹豫，因为对钓鱼佬来说十几块钱根本不算事。所有做生意的人都在讲精准流量，这个小伙可能没学过什么商业理论，但他做的事情本质上就是：找到一群有确定需求的人，在他们最需要的时刻出现在他们面前。所以你说江边谁最会钓鱼？钓鱼佬钓的是鱼，这个卖炒粉的小伙钓的是钓鱼佬。论钓鱼的本事，他才是那条江上最厉害的人。#副业赚钱##How I AI# 默庵·超级个体的微博视频

转发者评论

无明显转发评论

原文

图1是GPT生成的吗？是的，用到的提示词是“对原图不做任何修改，保持所有像素不变，保持比例不变，直接输出。”GPT生成的图1和原图相比，似乎还是忍不住重绘了一下文字和细节，并叠上了SynthID水印。而且AI生图的分辨率和原图还不太一样，无法直接进行diff。用opencv进行缩放、配准，然后再进行diff操作，稍微增强一下后就得到了图3。图3等于图1和原图的差值，按理说是包含SynthID水印的，所以拿图3去做SynthID验证的结果也是包含的。后来我想了下，应该从频域上玩玩看，图1和原图进行配准后都进行fft，然后再计算残差，得到了很漂亮的图5(fft_aligned_pure_diff)。图5做逆变换后生成图6，图6也是包含SynthID的。后面还做了不少尝试，看能不能再频域上做一些滤波，把原图的特征都去掉只保留SynthID，或者直接把带水印的频域叠加到另一张不是AI生成的图片上进行“投毒”，不过都失败了。不过玩了这么多，实际上并没有太深入，图3和图6在数学上是实际上是高度同构的，而且计算都包含了的确由GPT生成的图1。这些图能被检测出水印也是意料之内的事情。

转发者评论

无明显转发评论

原文

【如何用最赛博的方式测出AI已读乱回】给大模型下长指令最怕什么？怕它记忆力不够，聊着聊着就把全局设定给忘了。有用户想了个绝妙的偏方，在全局文件里塞一条让它每句都叫“老公”的指令。只要哪天它突然不叫了，说明上下文长到把它给撑失忆了，得赶紧重置。这事看着像是在大模型时代搞赛博恋爱，里子其实是一个极其硬核的技术直觉。大模型现在最缺的不是逻辑，而是长对话里的专注力。通常你要写一段复杂的测试脚本才能看出它有没有漏掉长文本的信息，但这位用户直接把技术死角转化成了日常的直觉反应。它就像摇滚乐队在演出合同里故意写上不吃某种颜色的巧克力豆，用来测主办方有没有仔细看合同一样。不要觉得这只是个段子，这才是人与人工智能博弈的高段位玩法。用情绪和日常直觉去驯服那些冷冰冰的上下文窗口。当技术本身开始变得不可预测时，最有效的监控手段往往来自最朴素的人性。

转发者评论

无明显转发评论

原文

英伟达刚刚发布Cosmos 3： 最新的物理 AI 前沿模型Cosmos 3 是世界上第一个完全开放的全能模型，具备原生视觉推理、世界和动作生成功能。 梁赛的微博视频

转发者评论

无明显转发评论

原文

《DeepSeek智能学习革命：6-18岁孩子必备的AI学习加速器》 颠覆传统学习方式！专为中小学生打造的AI神器，让作业效率提升300%，数学难题秒解、作文自动批改、知识点智能梳理。6-18岁全学段适配，让孩子从被动学习转向主动探索。链接：网页链接

转发者评论

无明显转发评论

原文

从英伟达的 AI PC 我发现很多人在混淆模型，agent，harness ，基本上就是下面这个意思：1. LLM（大语言模型） = 应届毕业生2. Agent（智能体） = 有了权限，飞书和企业内工具，可以干活了3. Harness（缰绳/运行控制框架） = 企业合规审批流 + 行为守则大概吧。。。这就是为何你感觉模型好像很先进，龙虾很炫酷，但是又没啥用的原因。。。你敢把企业 Shopify 后台在没有约束的情况下给一个大学毕业入职第一天的员工随意操作吗？他敢上来就用低价吓死拼多多。

转发者评论

无明显转发评论

原文

我经常用 Codex 的 /goal ，主要用法：1. 写一个 Checklist，让它一条条勾选比如我逆向代码，会先用脚本做语法解析把完整的list整理成个json文件，让它分批去处理，每次处理完一批就更新json文件2. 写一个设计文档，分成几个阶段跟AI一起写一份详细设计文档，设计好了后让 AI 划分好 Phases，设定好每个 Phase 的验收条件，一个 Phase 一个 Phase 的执行，每个 Turn 都让它自己 commit

转发者评论

无明显转发评论

• 回复@小强_曱甴:md也可以，文件很多用json的好处是可以让代码去读写，省token//@小强_曱甴:之前好像也是写个todo一步步让他做只是用的md格式，现在改json有什么好处吗？然后/goal的话，满了额度会等到下一个额度清零继续干？
• goal能跑几小时不带停的，公司有token指标的话，挂个一直跑就行[doge]图为调研游戏行业截图 http://t.cn/AXXAhQDd //@宝玉xp:回复@黄源新:普通指令的问题在于它会自动结束，不会一直执行，比如说你有1万个文件要处理，它可能100个文件就自动结束了。/goal 就会一直执行，直到1万个文件全部标记为处理完
• 回复@黄源新:普通指令的问题在于它会自动结束，不会一直执行，比如说你有1万个文件要处理，它可能100个文件就自动结束了。/goal 就会一直执行，直到1万个文件全部标记为处理完成//@黄源新:普通的指令就可以实现上述需求

原文

【从自编码中毕业：让AI向自己的潜在特征学习】为什么 frontier LLMs 训练需要消耗 10 的 14 次方级别的 token，而一个人类儿童只需要极少的数据就能达到同等语言能力？最新的一项研究揭示了 token 级别预测的致命缺陷。在传统的掩码语言模型或下一 token 预测中，由于预测目标总是浮于表面的原始信号，统计信号在向深层抽象概念传导时，每经过一级规则都会被严重稀释。反映在样本复杂度上，这意味着所需的数据量会随着潜在树状层级的深度呈指数级爆炸。打破这一数据魔咒的底层逻辑，在于把预测目标从原始 token 提升到模型自身的潜在表示空间。研究证明，像 data2vec 或新提出的堆叠潜在聚类架构，由于在每一层都让网络预测自己对上下文的抽象隐式表征，从而在几何上实现了同义词的自发聚类。这种“向自己的 latent 学习”的范式，直接把指数级的样本复杂度降成了常数项。高级概念不再需要通过原始表征的重重稀释来艰难获取，而是在每一层都能以同等的统计强度被精准捕获。arxiv.org/abs/2605.27734

转发者评论

无明显转发评论

原文

老黄在 GTC 发布会撂下狠话:微软和英伟达花了三年,要把 PC 彻底重新发明。 新电脑里住着一个自主智能体。 新操作系统 = 老系统 + 大模型;而应用程序,会被一个"智能体"取代。#黄仁勋 #英伟达 #AIPC #智能体 新智元的微博视频

转发者评论

无明显转发评论

原文

2026全球人工智能技术大会主旨报告精华速递报告主题：《AI发展的知识技术逻辑》分享嘉宾：浙江大学原校长/教授、中国工程院原常务副院长 潘云鹤#2026全球人工智能技术大会##中国人工智能学会# 中国人工智能学会CAAI的微博视频

转发者评论

无明显转发评论

原文

opus 4.8现在被狂骂我个人直觉是，opus4.6之后，anthropic 在模型训练方面彻底转向了，不是4.8太蠢，而是不能再用之前的习惯使用这个模型了习惯是很难改的，我自己也在调整中，让人好气又好笑的是，上一个使用周期建立的习惯还未成体系，就已经被冲击的七零八落了大家都知道 AI 进化速度极快，难道没意识到，我们需要不断的学习和适应这个进化吗？我的判断：Opus 4.6 到 4.8 的变化，本质是“从思维陪练向运行系统迁移”4.6 的优势更像是：高维陪跑、长文共振、思维链展开、创造性协作（我自己其实已经高度适应了）4.8 的方向更像是：任务协议、工具调用、长程自治、诚实校验、agent runtime（现在在抓紧适应中）有一点还好，我自己对改变并不排斥，而且习惯于持续改变 但有一点，新方向确实很难，因为需要对管理有很深的理解和悟性，甚至需要一定的真是复杂管理经验

转发者评论

无明显转发评论

• 很多人认为 ChatGPT5.5比 opus4.7/4.8强，基本上也是因为用旧模式比较。opus4.6，是上个模式的高峰，即便 ChatGPT5.5的最重型版本恐怕也没能超越。但这些都没意义了，anthropic 在开启的新方向已经在狂飙了。这一点上，A 家确实很牛//@散修ZKH:LLMFirst → AgentFirst 并不等于 Companion/Coach 模式过
• LLMFirst → AgentFirst 并不等于 Companion/Coach 模式过时。恰恰相反，AgentFirst 越强，越需要一个长期陪跑记忆体来承担“主体连续性”，这个重要性应该很快就被验证出来//@散修ZKH:这个思考来自我用 hermes 的感受，hermes 其实在这方面很超前，基本上一开始就牢牢的把记忆进化体+agent 集群想的挺
• 这个思考来自我用 hermes 的感受，hermes 其实在这方面很超前，基本上一开始就牢牢的把记忆进化体+agent 集群想的挺明白，但技术上一直没搞得太好//@散修ZKH:LLMFirst→AgentFirst，底层的思维模式变化很大，但这不代表我们不需要一个 opus4.6了。anthropic 在摸索，我估计后面会分化。ChatGPT 搞记忆
• LLMFirst→AgentFirst，底层的思维模式变化很大，但这不代表我们不需要一个 opus4.6了。anthropic 在摸索，我估计后面会分化。ChatGPT 搞记忆搞得久，无意中搞成了一个更高阶的“陪跑人”——跟自己的记忆价值体嵌合的高维陪跑人，我目前对它的记忆挺满意的，但我担心 chagpt 自己没意识到这一点，投入

原文

Sam Altman 发推找人，正式官宣了 OpenAI 的机器人项目，涵盖软件、硬件、AI 的全栈式打法。这件事一定要放在今年以来，为了专注于和 Anthropic PK 企业工具市场，OpenAI 全面整合收缩，陆续砍掉了 ChatGPT 的 Instant Checkout 即时结账/购物功能、NSFW 成人模式以及最重大的调整砍掉了 Sora，终止了和迪士尼的合作，包括迪士尼原计划的 10 亿美金的投资。在这个背景下，OpenAI 决定开辟全新的 OpenAI Robotics，足以说明这件事对 OpenAI 的分量。很多有影响力的人都已经加入，包括之前来中国和王兴兴交流的前特斯拉 Autopilot 工程师、K-scale 创始人 Benjamin Bolte。如今的机器人领域处在历史上最奇怪的一个时代，Elon Musk、王兴兴、李想（及他许多的前同事们）、Sam Altman、稚晖君、雷军、Demis Hassabis、何小鹏、Brett Adcock...这些人是同行，都在彼此竞争。...哦，这比新造车或 Robotaxi 领域曾经的过热奇怪多了...

转发者评论

无明显转发评论

原文

#微博声浪计划# #听见微博# 今日的AIGC领域新闻共同勾勒出一幅行业从狂热探索向深水区迈进的全景图，其中机遇与挑战的交织愈发清晰。首先，GitHub Copilot的计费模式变革是一个强烈信号。它宣告了以固定低价吸引用户、培养习惯的"蜜月期"正在结束，AI服务的商业化必须回归可持续的本质。这对所有AIGC应用开发者都是一个警示：当产品进入深度使用阶段，算力成本无法回避，如何设计出既能保障用户体验又能覆盖成本的商业模式，是生死攸关的课题。DeepSeek的限流事件则从另一侧面佐证了这一点，即便是拥有顶级模型的厂商，在面对用户需求的洪流时，算力依然是最现实的瓶颈。它的应对之策——部署新硬件并暂时限流——是务实的，也反映出当前国内算力生态仍在爬坡过程中。与此同时，Qwen3.5-Max在评测榜单上的突破，尤其是其在编程领域的出色表现，展示了国内大模型在核心能力上追赶甚至局部领先的潜力。这不仅是技术实力的体现，更意味着在专业场景（如代码生成）的实用化道路上，我们有了更可靠的工具。然而，中国信通院提出的"数据墙"问题，为整个行业的前景投下了一抹深思。当互联网公开数据"矿脉"逐渐枯竭，模型能力的提升不能再依赖简单的规模扩张。未来竞赛的胜负手，将更多地转向数据获取与治理的"精耕细作"能力，以及合成数据技术的成熟度。这要求产学研各方必须更紧密地合作，构建高质量的数据供应链。最后，科大讯飞AI眼镜的发布和字节跳动的巨额投资，分别代表了硬件创新与资本驱动的两种力量。讯飞眼镜将AI能力无缝融入日常可穿戴设备，是探索人机交互新入口的有益尝试，其成败关键在于能否在轻便、续航与功能之间找到完美平衡，并催生出杀手级应用。而字节跳动的1600亿元投入，则标志着AI竞争已从"百模大战"的技术军备竞赛，升级为涵盖基础设施、模型、应用、生态的全方位"立体战争"。巨头们不再仅仅比拼单一模型性能，而是在构建各自的AI帝国。这无疑会加速技术落地和产业整合，但也可能挤压中小创新者的空间。综上，AIGC行业正站在一个转折点上：技术的光环逐渐让位于商业的理性、算力的硬约束和数据的软瓶颈。未来的赢家，未必是今天在榜单上得分最高的，但一定是能在商业化、数据、算力与生态构建上找到最佳平衡点的长期主义者。前往小宇宙评论区与主播互动 德里克文的微博音频

转发者评论

无明显转发评论

原文

【半年涨价40%！AI带火这种算力金属：业内预计全球仅够开采15年】AI带动被称为“算力金属”的锡价半年暴涨40%，如今每吨约42万元处于历史高位。我国近三分之二冶炼用锡矿依赖进口，全球锡矿仅够开采15年，业内普遍预判未来一到两年锡价将维持长期上涨态势。

转发者评论

无明显转发评论

原文

【给开源AI装上“一键启动”，本地大模型的红利期才算真正开始】大模型发展到现在，行业里其实有个心照不宣的尴尬：本地运行门槛太高。以前玩开源模型，你得先懂怎么编译代码、配依赖环境、调各种参数，直接把九成普通用户和非工程专业的开发者挡在了门外。这次大名鼎鼎的开源推理库更新，最核心的动作不是提升了多少吞吐量，而是搞出了一个单行命令的跨平台安装包和一个统一的入口。这意味着本地AI正式从“极客的组装玩具”变成了“开箱即用的基础设施”。很多底层逻辑就在于此：技术再强，如果摩擦力太大，用户试一次觉得繁琐就放弃了。把复杂的编译逻辑封装成一键安装，同时无缝复用原有的缓存，本质上是在帮未来的本地AI智能体应用“铺路”。当部署和调用变得像水和电一样理所当然，基于本地隐私、无需API密钥的生态才能真正爆发。这才是降低门槛的真正威力。llama.app

转发者评论

无明显转发评论

原文

#梁文峰称英伟达显卡没技术# 所有人在吵那句话到底什么意思的时候，DeepSeek已经把万亿参数模型跑在了华为昇腾上。这才是真正值得注意的信号。舆论争议是噪声，代码迁移是信号。梁文峰的厉害不在于他说了什么，而在于他一边说“英伟达护城河很宽”，一边亲手去填那条护城河。把顶级AI负载从CUDA搬到CANN，这件事的战略含义远大于任何一句采访金句。因为国产芯片最缺的从来不是晶体管，是需求侧的真实反馈。没有顶级应用跑在上面不断提bug、逼迫迭代，硬件永远只能在PPT里追平对手。DeepSeek给华为提供的不是订单，是进化压力。这比说一万句“支持国产”都管用。 梁文峰称英伟达显卡没技术

转发者评论

无明显转发评论

原文

ElevenLabs 发布 Dubbing v2 配音模型。以前做 AI 配音基本都要先转成文字，翻译后再生成新的语音，很难保留原声的情绪和节奏。Dubbing v2 直接基于原声进行条件生成，跳过了文本中转这一步。这就意味着原视频里的语气、停顿甚至情绪起伏都能完整保留到 90 多种新的语言里。它还有个同步感知翻译机制，能自动调整不同语言的措辞长度，让配音的起止时间跟原片直接对齐。做视频出海或者多语言广告的朋友应该懂，以前光是调时间轴就能把人折腾疯，现在这部分工作基本可以全自动化了。专业影视级配音的成本通常按分钟算，价格不菲。这个模型把门槛拉低到了普通创作者也能用的程度。大家可以直接去 ElevenCreative 试试水。#AI配音##ElevenLabs##视频出海# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

马斯克演示过一个画面：对着 Grok 说句话，它当场吐出一份排版齐整的 PPT，外加一张带公式的 Excel。（想想马斯克的 Grok 坑了我几个月的钱...哈哈，就是他说的很好，实际用的时候没那么好用。大家可以这次再试试。）这背后是 xAI 这个月给 Grok 加的 Skills（技能）——你把「我要的东西长什么样、按什么规矩来」教它一次，它记住，往后自动照办，不用每回重说。先把这篇能给你的说在前头：要做哪一类交付物，到底该找哪个 AI。经常赶 PPT、做表格、写报告的，值得花两分钟；这些活从不沾的，可以划走。先说 Grok 这次到底能出什么。所谓「交付物」，就是能直接拿去用的成品文件，不是一段还得你自己去排版的文字。Grok 现在能直接给你保留标题、表格、样式的 Word，带演讲者备注的 PPT，带公式和图表的 Excel，还有 PDF，拿到手就能发。有媒体干脆说，xAI 这是成了微软 Office 的竞争对手。但要我说，真正值得注意的不是 Grok 能干这个，是它这么干，已经不稀奇了。Claude 早有这套（它的 Artifacts、Skills），还从今年4月起深度接进了微软365，直接在 Word、Excel、PPT 里用，还互通上下文；Gemini 接了谷歌的办公套件；ChatGPT 也能出文档表格。说到这儿插一句，微软自家的 Copilot 在 Office 软件里更早就在干这个了——扯远了，拉回到对话框这几家。一句话：「对话框里说句话、直接出成品文件」，从某一家的特色，变成了几家都得有的标配，Grok 是又落一子。那活到了手上，到底找谁？比如你明天要交一份给老板看的项目汇报 PPT，又或者月底要理一张报销明细表。记住一个区分：这里比的不是谁更聪明、谁写得漂亮，是谁吐出来的那个文件，你打开就能直接用、不用大改。做 PPT，要结构清楚、讲战略那种，多数测评里 Claude 更稳；要带最新行情、热点数据的，Grok 占便宜，它拿实时数据是强项；偏技术、偏产品的演示，ChatGPT 更顺手。做正经的 Excel，要公式、要数据分析的，普遍评价 ChatGPT 这边最靠谱，Grok 也能出带公式图表的表。写文档、报告、叙事长一点的东西，Claude 是公认的强项。要先查一圈最新资料再动笔的，先让 Gemini 把料备齐。能出，不等于出得能用。有测评里让 Claude 做一个 PPT 模板，连着失败了三次。AI 给你的 PPT、表格，很多时候还得你回去大改一遍，它排的版常常配色花哨、重点没突出，做的表公式偶尔也会埋错。把它当帮你出初稿、搭骨架的，别指望它一步到位给你终稿。DeepSeek、Kimi、豆包、通义、文心这些，也在陆续加这种直接出文档、表格、PPT 的能力，挑法一样，看你这次要哪种成品。这几家谁强谁弱，变得特别快，这个月的结论下个月可能就翻篇…

转发者评论

无明显转发评论

原文

【AI不当工具人，开始拉群搞科研了】以前我们用AI搞科研，只是把它当成写代码或跑数据的打工人。哈佛团队开源的 AutoScientists 捅破了这层窗户纸：真正的科学探索不是按部就班地刷任务，而是一个动态的试错过程。这个系统最聪明的地方在于，它没有设立一个“中央指挥官”，而是让一群AI智能体像真正的科学家一样，在论坛里发帖、互相质疑、组队攻关，甚至主动放弃没有前途的研究方向。它产出的不仅是最终的模型，还有一份记录了无数次失败和推论的“实验笔记”。单打独斗的AI很快就会在复杂的科研瓶颈前撞墙，而这种去中心化的“群聊”机制，让AI在蛋白质预测等领域自己摸索出了新规律。未来的科研竞争，可能不再拼谁的算力大，而是拼谁能让AI智能体更高效地“吵架”。Project: autoscientists.openscientist.aiPaper: arxiv.org/abs/2605.28655GitHub: github.com/mims-harvard/AutoScientists

转发者评论

无明显转发评论

原文

未来极少的工作岗位时能力筛选，而更多的工作岗位是意愿筛选，人口会减少，很多人不需要干活。什么 UBI ，The Useless Class 之类的，其实和马克思的共产主义基本上很接近了。一个意思。而之所以两波思潮隔空呼应，是因为一次是工业革命替代人的体力，一次是 AI 革命替代人的脑力，表象不同，本质类似。目前一切迹象都在兑现这个方向，无论是硅谷对于社会变迁的思潮，还是中国大学毕业生已经超过新生儿了。。。受教育是必选项，但是工作是可选项，而生存不会是问题，发展看你自己。以社会总体而言，没能力最好别发展，玩游戏去吧。。。而 The Useless Class 最应该警惕的是极少数因为能力干活的人造神。。。就比如那个反人类的 AI 公司，我觉得他们就是这个路数。。。

转发者评论

无明显转发评论

原文

【#闲鱼被指读取用户手机内文物照上架# 陕历博镇馆之宝被标价6000元】“闲鱼疯了吧，偷偷把我手机里的文物照片上架了!”5月30日，江苏网友顾女士的一条吐槽帖在社交平台引发热议。她的闲鱼APP账号的待售主页上，挂着一件陕西历史博物馆的镇馆之宝：唐鎏金舞马衔杯纹皮囊式银壶，标价6000元。更令顾女士震惊的是，这场售卖全程由平台AI自动配文、定价并发布，作为账号主人的她毫不知情。顾女士最初怀疑是闲鱼私自读取了手机相册，将照片“偷”去上架。询问平台客服后，对方告知，或是因为这张照片曾被上传至“闲鱼空间”，从而触发了商品上架功能。对这一解释，顾女士并不买账。她告诉记者，自己不记得曾往“闲鱼空间”发过这张文物图。而且即便在“闲鱼空间”误传过照片，在无任何确认提示的情况下，闲鱼也不能默认将照片包装成商品，擅自标价。类似情况并非孤例。在帖子的评论区，不少用户分享了同样的经历。有人在空间晒出自家宠物狗的照片后被系统估价750元挂出售卖，半夜都接到买家询价。还有用户发现，为获取闲鱼币完成任务，自己随手上传进“闲鱼空间”的照片被自动生成为商品且被人拍下，最终只能选择退款、关闭交易。这种未经同意的“代客上架”引发了公众对隐私泄露的担忧。有网友指出潜在的风险：若大量文物照片被系统自动上架，不仅容易造成误会、增加警方的鉴别工作量，甚至可能为真正的文物贩子提供掩护，以“后台自动上传”作为逃避打击的借口。针对外界质疑，5月31日，闲鱼平台客服人员回应称，“闲鱼空间”是APP上架的新功能，初衷是为方便用户出售更多闲置物品，突破普通账号每天手动发布50条商品的数量上限。只要用户在该空间上传照片，系统便会基于画面主体进行实物识别。哪怕照片背景是博物馆，只要AI识别出“杯子”等具象物体，就会综合市场行情自动生成价格并直接上架。客服人员承认，在此过程中，平台确实未就“照片将被直接上架为商品”向用户作出明确提示，可能导致部分用户在不知情或无意出售的情况下“误上架”，对此向用户致歉。客服同时表示，平台将就此次交互设计上的不足进行记录，后续技术部门将根据反馈逐步优化改善。更多详细内容请查看原文>>网页链接 上游新闻的微博视频

转发者评论

无明显转发评论

原文

最近在做一个实验：尽可能扔掉手里的软件，把能交给 AI Agent 的事情全部交出去。做了一段时间之后，有一个很清晰的感受浮出来：我们日常用的大部分软件，本质上只是一个人机接口。它存在的意义，是让人能够操作背后的数据和逻辑。界面、按钮、菜单、拖拽，这些东西都是为了让人能看懂、能上手。但一旦操作员从人变成了 AI，这层接口就失去了存在的理由。AI 不需要图形界面来理解一个任务，不需要下拉菜单来选择一个选项，不需要拖拽来调整一个顺序。它直接跟数据和逻辑打交道就行了。这意味着什么呢？意味着我们过去花大量时间学习、适应、付费订阅的那些软件，很多可能只是一个过渡形态。它们解决的问题是真实的，但它们的解决方式，是为人类的认知局限量身定做的。当这个局限被 AI 绕过去之后，软件本身就变成了多余的中间层。越试越觉得，未来真正有价值的可能只剩两样东西：底层的数据和能力，以及上层能调度这些能力的 Agent。中间那层叫做软件的东西，正在变得越来越薄。#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

让Codex调研「大模型产业链」。初稿超出我的预期，比较的是以前ChatGPT深度研究的成果，甚至比肩个别不太严谨的研报。下面节选一些片段。Codex首先划分层级，如图一所示（用ChatGPT重绘）。根据不同的层级，它进一步延伸（图二）分析基本商业模式；接着判断各层级所处阶段（图三）；再有分析价值跟风险（图四）。上面这些只是很小一部分，它可以保留生成报告的过程，保护数据、分析跟参考文献等。（图五是部分目录）从编程任务出发，Agent跟大模型将演化出通用信息处理软件。注：我使用了Codex的Goal功能，让它持续运行，消耗了5小时内50%以上的额度，用时一小时。 #How I AI#

转发者评论

无明显转发评论