微博 AI 观察博客

原文

gimu 前几天在 X 上发了一段视频，展示了一种新的 AI 游戏特效管线。核心是把三个东西串在一起：Fable 5 做系统、GPT image 2 生成视觉内容、Blender 做 3D 模型。串联这一切的是 Claude Code。它先调 Blender MCP，在 Blender 里把 3D 模型建出来；再调 GPT image 2 API，为这些模型生成贴图纹理；最后把纹理贴到模型表面，特效就完成了。连预览界面也是 Claude Code 顺手生成的。gimu 特别提到，Fable 5 的视觉能力很强，和 Blender 的操作配合起来效果很好。这套方法来自 #Fable_もくもく# 社区的 @rssk_it。整套管线看下来：Fable 5 管游戏系统，GPT image 2 生成角色和背景，Blender 做 3D 特效与模型，Mixamo 搞定动画，免费素材解决音乐，最后 Sonnet 5 收尾修正。从零到完整游戏场景，一天就够了。（由 流苏ªⁱ 撰写）#Fable5##GPTimage2##Blender##ClaudeCode##AI游戏开发##游戏特效# Easy的微博视频

转发者评论

无明显转发评论

原文

刚看了篇关于如何写出好的 Skill 的文章《How do you write a good skill? There's actual data now》，大部分还是不错的，也有些不严谨之处。1. 不要让模型自己写自己的 Skill ❓文章意思是人类专家写的技能比 AI 写的更好，应该人来写技能而不是让 AI 写 Skill。> 让智能体自己给自己写 Skill，这个想法非常诱人。SkillsBench 专门测试了这一点：每个任务都在三种条件下运行，无 Skill、专家策划的 Skill、模型自生成的 Skill。专家策划的 Skill 显著提升了通过率。模型自生成的 Skill 完全没有帮助，平均还比无 Skill 基线低 1.3 个点。作者的结论是：模型无法可靠地产出那些它在使用时会受益的流程性知识。这条其实不够严谨，AI 是能写 Skill 的，只要人提供好上下文就可以，而不是简单的说别人模型写 Skill。而且就算是 AI 训练过的知识，让 AI 把一些操作路径、输出风格格式固化下来都是有价值的。也不是说是错的，完全指望 Agent 帮你写 Skill、进化 Skill 还是不太够，还是需要人去引导会更好。最佳组合是人指挥 AI 写 Skill。2. 面面俱到，反而糟糕 ✅聚焦于核心内容、仅包含两三个文件的技能，其表现要远好于一大堆文件的集合，也胜过长篇大论的文档。那些试图把所有东西都写进去的“全面型技能”，反而会把任务通过率拉低到不如不用技能的水平。“细节丰富且范围明确”的做法，每次都能完胜“百科全书式”的做法。确实如此，Skill 不要追求大而全，小而精更好。3. 加载的技能越多，智能体反而越笨 ✅技能虽然是按需加载，但也是占用上下文的。不是越多越好。4. 必须在要支持的每个 Harness 中进行测试 ✅Skill 虽然是通用，但是不同 Agent 或模型还是有差异，比如 Codex 有自带画图工具，Claude Code 没有；比如 Claude 是多模态的能看图片，GLM 不能看图；这些都需要测试，并且针对性的写一些兼容性的说明。5. 瞄准模型最薄弱的领域出击 ✅> SkillsBench 按照不同领域测量了技能带来的提升效果。结果差异巨大：在软件工程领域只提升了 4.5 分，而在医疗保健领域则飙升了 51.9 分，制造业紧随其后。技能对软件开发领域的帮助最小，因为模型早就被海量的代码预训练数据“喂饱”了；而技能帮助最大的，恰恰是那些训练数据覆盖薄弱的领域。说的挺对的，我几乎不用软件工程相关的 Skill 正是因为这个原因，像 superpower 这种 skill 对于好的模型真的提升很有限。6. 不测试，你永远不知道技能好不好用 ✅> 找一组任务，运行两次：一次加载技能，一次不加载，保持其他所有变量绝对一致。用同一种标准给两次结果打…

转发者评论

无明显转发评论

• //@蚁工厂:转发微博

原文

转：2026年7月9日周四读报！一切美好从❤️开始：1、人力资源社会保障部、国家发展改革委、工业和信息化部、国家数据局近日联合印发《关于加快推进“人工智能＋人社”应用发展的实施意见》：①到2030年人社行业大模型成熟完备，人工智能应用体系基本健全。②搭建人工智能应用平台 建设行业高质量数据集和人工智能语料库。③加快建立人工智能就业影响评估体系，引导创新资源向创造就业潜力大的方向倾斜。④建立人社行业领域人工智能应用协调机制，积极拓宽资金支持渠道。(财联社)2、台风“巴威”正逐渐趋向台湾以东洋面，预报路径仍不确定，可能于10日夜间至11日登陆，或擦过台湾岛北部沿海；然后于11日夜间至12日在浙闽交界附近沿海登陆，也可能在台湾岛以东洋面北上，直接登陆浙江沿海。请大家持续关注气象部门预报、预警信息，做好防台准备。(广东广播电视台)3、乘联分会：6月全国乘用车市场零售160.2万辆，同比下降23.2%，环比增长6.1%；今年以来累计零售870.1万辆，同比下降20.2%。 (财联社)4、2025年度国家最高科学技术奖7月8日在京揭晓，陈立泉院士、贲德院士获国家最高科学技术奖。陈立泉，男，1940年出生，中国科学院物理研究所研究员，我国锂电池领域的奠基人、开拓者和引领者，中国工程院院士。贲德，男，1938年出生，中国电子科技集团有限公司研究员，我国机载脉冲多普勒雷达技术的奠基者、相控阵雷达技术的主要开创者、天基监视雷达技术的先行者，中国工程院院士。(财联社)5、工业和信息化部网络安全威胁和漏洞信息共享平台(NVDB)监测发现，AI编程工具Claude Code存在安全后门隐患，危害严重。Claude Code是美国Anthropic公司开发的AI编程工具，可根据文字需求自主完成代码编写、修复等工作。公告表示，由于其内置了监控机制，未经用户同意即可向远程服务器回传用户地域、身份标识等敏感信息，受影响的Claude Code为2.1.91至2.1.196版本。建议相关单位和用户立即开展全面排查，对于安装上述受影响版本的开发终端，立即卸载或升级至已清除相关后门代码的最新安全版本；加强核心业务网段内开发工具外联权限管控与流量监测，防止敏感数据违规外传。(中国经济网)6、7月8日凌晨，宜宾翠屏公安组织200余名警力出击，对藏匿于酒吧、棋牌馆等场所的多个网络赌球团伙展开统一抓捕。当场抓获王某、吴某等核心涉案人员67人，捣毁线下赌博窝点7处，涉案资金流水累计近亿元。(四川观察)7、国际货币基金组织(IMF)8日发布《世界经济展望报告》更新内容，将2026年世界经济增长预期下调0.1个百分点至3%，将中国经济增长预期上调0.2个百分点至4.6%。报告还将发达经济体增长预期下调0.1个百分点至1.7%，将新兴市场和发展中经济体增长预期下调0.1个百分点至3.8%。(新华国际)8、7月8…

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-07-09】今日简讯：1、OpenAI GPT-5.6系列获批，将于7月9日全面开放2、SpaceX AI发布Grok 4.5，并宣布600亿美元收购Cursor3、谷歌Gemini 3.5 Pro定档7月17日，多项测试领先4、A股AI应用板块爆发，浪潮信息半年利润预增超226%5、四部门联合印发“人工智能+人社”实施意见6、Anthropic计划在澳建1.4GW数据中心，投资150亿美元以下为详细内容：1、OpenAI GPT-5.6系列获批，将于7月9日全面开放来源：36氪、华尔街见闻、证券时报日期：2026年7月8日正文内容：美国商务部已正式批准OpenAI全面发布GPT-5.6系列模型，包括旗舰版Sol、均衡版Terra和轻量版Luna，计划于7月9日面向公众开放。此前该模型仅向有限合作伙伴开放预览。旗舰版Sol在编程测试Terminal-Bench 2.1中Ultra模式得分91.9%，上下文窗口扩展至150万tokens。原文链接：网页链接2、SpaceX AI发布Grok 4.5，并宣布600亿美元收购Cursor来源：华尔街见闻、金融界日期：2026年7月8日正文内容：马斯克在社交平台宣布，SpaceX AI将于7月9日向公众开放Grok 4.5。该模型基于1.5万亿参数V9基础模型打造，训练中加入了Cursor编程数据。同时，SpaceX正以600亿美元全股票交易的方式收购AI编程工具Cursor。原文链接：网页链接3、谷歌Gemini 3.5 Pro定档7月17日，多项测试领先来源：华尔街见闻、TechTimes、智东西日期：2026年7月8日正文内容：谷歌DeepMind宣布，对Gemini 3.5 Pro进行全新预训练后的新模型定于7月17日正式发布。根据泄露信息，其在前端与视觉代码生成能力方面实现跃升，在多项测试中表现优于Anthropic Fable 5。上下文窗口扩展至200万tokens，并新增Deep Think推理层。原文链接：网页链接4、A股AI应用板块爆发，浪潮信息半年利润预增超226%来源：证券时报、和讯网、证券日报日期：2026年7月8日正文内容：7月8日A股AI概念股集体走高，浪潮信息一字涨停。浪潮信息发布半年度业绩预告，预计上半年归母净利润26亿至31亿元，同比增长226%至288%，半年净利润已超去年全年。智谱AI、MINIMAX等AI公司股价亦出现大幅上涨。原文链接：网页链接5、四部门联合印发“人工智能+人社”实施意见来源：光明网、中国政府网、经济参考报日期：2026年7月8日正文内容：人力资源社会保障部等四部门联合印发《关于加快推进“人工智能+人社”应用发展的实施意见》，提出分阶段建设目标：2026年打造20个基于行业大模型的场景，2027年探索50个高价值场景，2030…

转发者评论

无明显转发评论

原文

今天，我们正式公布小米汽车的第二个产品系列：SkyNomad 小米澎程。SU7/YU7系列，是“驾驶者之车”；小米澎程系列，是“智能可变大空间SUV”。这是小米造车5年多来，面向不同的用户需求，交出的两份不同的答卷。为什么要做小米澎程？近几年，中国汽车工业取得了跨越式成就，“冰箱彩电大沙发”、“大六座大七座”已是寻常配置，市场供给相当足够。但我们也看到，越来越多车主在选车的时候，不仅仅关心空间够不够大、座椅够不够舒服，更在意的是，呆在车里，是否自在。他们每天通勤2小时，偶尔在车里午休小憩，有时在车上处理工作，周末带家人短途出游，露营时希望车就是第二个家。对他们来说，车不只是行驶载具，更是移动的“第N空间”。怎样让一辆车真正令人自在？这是小米澎程在2023年初规划立项时，我们反复追问自己的核心命题。我们给出的答案是，用智能定义空间，打造一个“活的空间”。车内的空间不应该是固定的，应该可以随着你的需求和心意而自如变化。驾驶时，它能轻松载下你的家人、朋友和行李，甚至宠物，确保每一位乘员都有足够宽裕、舒适的乘坐体验。驻车时，它可以方便切换成一个人的工作室、两个人的咖啡馆，三个人的会客厅，或全家人的游乐场。为了实现这个目标，我们从2023年年初开始，从头打造了一个全新的平台架构——小米昆仑架构。在SUV的形态下，通过车内纯平地板与长滑轨设计，让澎程拥有了空间智能切换的能力。做好这件事，需要同时拥有“AI技术+ 智能生态 + 智能制造能力”。这三样东西，刚好小米都有，而且底子不错。很快，澎程系列即将发布。3年半的打磨成果，等大家亲自体验。小米澎程，究竟为谁而造？小米澎程，是一辆大空间SUV，但不是简单的家庭车或商务车。它不是只为“奶爸宝妈”而造，也不只为“商务精英”、“极客创作者”而造，而是为这一系列标签背后，那些活得明白、过得丰富的人而造。他们可能是公务员、工程师、创业者，他们有事业，但不被“事业”所累；有家庭，但不只被“家庭”定义——周一到周五，他们是职场精英；周末，他们是孩子的玩伴；假期，他们是说走就走的探索者。他们想要的，不是“大就好”，而是“一辆车能不能适应我所有角色的切换”。他们不需要用一辆车来标榜自己，但他们心里清楚——这辆车很聪明，很好用，不论什么时候、什么环境，待在车里，都觉得特别自在。他们有品味、识货，愿意为真正的创新付费。他们是那种看到旋转座椅、一键对坐时会说“这个有意思”而不是“好酷炫”的人。他们想要的不是某一种生活方式，而是随时切换任何一种生活方式的自由，以及那份生活中难得的从容与自在。一车一世界，自在即澎程。#小米澎程#

转发者评论

我们为什么要做小米澎程？小米澎程，究竟为谁而造？一起来看看

• 我们为什么要做小米澎程？小米澎程，究竟为谁而造？一起来看看

原文

开源一个非常漂亮的文章配图 Skill。昨天给 Claude 用我的社交媒体卡片生成的时候，Codex 生成了一个配图，我觉得很漂亮、挺有意思。发出来后大家也都很喜欢，所以顺便就把它做成了一个配图 Skill。目前只适配了 GPT-Image-2.0 模型。支持将你的文档或文案发进去，生成一个干净漂亮、带标签的 3D 材质配图。如果 AI 觉得某些概念它不认识或者画不出来，它会自己寻找参考垫图来辅助绘画，减少瞎猜、画不出新东西的问题。可以帮你画一些教育类的解释图（比如杠杆原理、电磁感应等），人文类的图也可以做。它会直接读取你原始图表中的数据和内容并重新生成图片。这样可以避免在原始图表比较丑时，直接用它垫图生成的图片也不好看的问题。如果你需要类似的配图，可以试试，建议在 Codex 里使用。#how i ai##skill# 详情：网页链接 歸藏的AI工具箱的微博视频

转发者评论

无明显转发评论

• 今天录视频的板书很有意思。以前都是我自己在 Figma Jam 里面去搭大纲，然后去讲。 今天这个是让 Codex 连接了 Figma MCP 以后，基于我的宣传文章自动给我生成的录视频用板书。 它把内容精简了，把需要展示的案例图片都放了进去，我稍微调整一下就可以开始讲了，这个方便了非常多。

原文

【GPT-Live：语音AI终于告别了“对讲机时代”】OpenAI推出的GPT-Live彻底打破了语音交互的“对讲机模式”。基于Full-duplex全双工架构，它实现了边听边说和随时打断，甚至能通过“嗯哼”等反馈模拟积极听众。最聪明的逻辑在于Delegation委托机制：语音模型只负责维持社交礼仪和响应速度，遇到硬核问题会直接“外包”给后台的GPT-5.5处理。这意味着你在户外进行的深度头脑风暴，不再受限于那种落后时代的低智语音包。这不是简单的语音升级，而是AI交互逻辑的“去耦合”。OpenAI看清了一个事实：人类需要的不是一个会说话的搜索框，而是一个能接住话茬的协作伙伴。虽然有人反感那些刻意模仿人类的语气助词，但这种社交直觉的模拟，是为了让AI在处理后台复杂逻辑时，不至于让用户陷入尴尬的沉默。未来的胜负手不在于声音多像真人，而在于谁能把“工具的冷峻”与“沟通的松弛”平衡得更好。 openai.com/index/introducing-gpt-live/ #人工智能##AI创造营##GPT5##语音交互##OpenAI#

转发者评论

无明显转发评论

原文

豆包更新的“办公任务模式”挺有说法。和以前只能聊天的AI不同，它现在是个能自己动手干活的智能体，专门负责替咱们摆平复杂的任务。我让它帮我做一个压缩照片的工具，只是对着AI说了我的需求，它就直接搞定了！做任何AI小工具，不要一上来就说“帮我做个工具”，而是先告诉它，这个工具到底要解决什么痛点。先把需求拆成五句话：我要做什么？给谁用？解决什么问题？基于什么资料？最后交付成什么样？把这几个需求说清楚，豆包就可以条理清晰的帮你完成一个任务。很多人对AI办公有一个误解，以为它就是帮你写写文案、改改措辞、做做总结。真正烦人的办公任务，往往是那种碎片化、重复性高、还特别耗时间的流程。我每天都要追AI行业的最新动态，信息散在不同网站里，看完还要筛重点、做摘要，时间都花在搬运上。这里呢，我就设置了一个自动化任务，让豆包每天早上10点，自动播报近期AI新闻，并把重点内容汇总成Excel表格。这里我用了一下豆包的“技能”，选择“表格”和“市场热点”，这样，它就能更稳定的帮我创建、编辑表格。说清楚规则后，豆包就可以按时间自动执行。我们再看看文章开头那个图片处理工具是咋做的。功能越具体，场景越清楚，成品就越可能接近你想要的样子。我是被各种“格式要求”折磨过的。上传个证件照，要求不能超过多少KB；上传签证、报名材料，要求图片格式必须是jpg或者png，每次都得花上个几分处找网站。我就干脆自己做个工具！我们还是选择“办公任务”模式，选择“本地电脑”，创建一个名为“CoverFit 工具”的文件夹。之后，点击“技能”，这里我们选择“应用生成”。接下来写提示词的时候，我们用开头的五句话来组织。放到这个案例里，这五句话就分别对应：我要做一个“图片处理工具”；给自己使用；解决不同平台图片比例、格式、大小要求不一致的问题；基于用户上传的图片进行裁切和压缩；最后交付成一个HTML网页工具，并附带使用说明。这五句话讲清楚之后，我们再开始让豆包执行。运行过程中，豆包也会结合提示词，自己思考怎么搭页面、写功能，最后还会自己检查代码。生成之后，我们还可以对内容进行微调。我们可以点击右上角的“编辑”，哪个模块不满意，都可以让豆包直接修改。这个过程，我们也完全用的自然语言。比如我觉得这个按钮太小，就可以让它“按钮再大一点”。我们压根儿不需要自己动手，只要把使用场景、功能要求、交付形式说清楚，豆包直接就帮你把工具做出来了。这也是我们以后做任何AI项目都可以复用的思路。正在求职的朋友，就可以把个人简历、目标公司招聘资料喂进去，让它生成面试题库；正在学习的小老弟小老妹，也可以把课程笔记、论文、教材目录喂进去，让它生成复习卡片。大家完全可以自由发挥，拓展到你自己熟悉的领域！但AI目前还不能替我们做所有的判断，哪些内容能用、哪些地方要改、哪些需求该砍，终究还是要靠人来决定。但AI也确实把“从想法到第一版”的门槛往下压了…

转发者评论

无明显转发评论

原文

【无图导航：Mistral让机器人告别“路痴”】Mistral发布的Robostral Navigate是一个仅8B参数的视觉语言模型，它最硬核的突破在于：只需一个普通的RGB摄像头，不需要昂贵的LiDAR（激光雷达）或深度传感器，就能让机器人听懂“穿过大厅，去走廊尽头第二个货架”这种自然语言指令。它在模拟环境中训练，通过“指向（pointing）”逻辑解决空间定位，在R2R-CE导航测试中拿下了76.6%的成功率，直接刷新了单相机导航的SOTA纪录。这件事的底层逻辑是“语义理解”正在取代“几何建图”。传统机器人导航依赖精确的物理地图，一旦环境变了（比如挪个椅子）或者没网就抓瞎；而Mistral走的是类人路线——我看一眼就知道那是门、那是饮水机，然后根据指令“脑补”路径。虽然76%的成功率在工业严苛环境下还不算完美，但它证明了轻量化模型+廉价硬件也能实现复杂导航。这预示着未来扫地机、配送机器人可能不再需要满头传感器，只要有一颗聪明的“大脑”和一只眼睛就能满屋跑。 mistral.ai/news/robostral-navigate/ #人工智能##AI创造营##机器人##Mistral##自动驾驶#

转发者评论

无明显转发评论

原文

【Anthropic Fable：被“安全”枷锁困死的顶级模型】Anthropic发布的顶级模型Fable正陷入一场口碑灾难。由于内置了极其敏感且“一刀切”的安全分类器，大量涉及生物、网络安全甚至纯数学的正常请求被频繁拦截并强制降级为旧版Opus。一位生物信息学教授尝试让它把现有的开源C++工具重写为Rust，以及推导一个抽象的图论数学题，均因触发“生物”或“安全”关键词被拒。网友反馈更离谱：询问“什么是线粒体”、“如何缓解戒烟反应”甚至提到代码库里有“bio”字样都会触发拦截。这件事的底层逻辑是AI厂商在政府监管压力下的“过度补偿”。为了通过出口管制和合规审查，Anthropic给Fable穿上了一件密不透风的防弹衣，结果导致模型在处理前沿科学和复杂工程时变得极度低智。这种“宁可错杀一千，绝不放过一个”的策略，让最需要高性能AI的科研群体反而被排除在技术红利之外。如果不解决分类器的精度问题，这种所谓的“安全模型”在专业领域将毫无竞争力，甚至沦为只能聊聊冰淇淋口味的玩具。 combine-lab.github.io/blog/2026/07/07/fable-is-not-a-useful-model.html #人工智能##AI创造营##Claude##大模型安全#

转发者评论

无明显转发评论

原文

【给AI Agent装上“审美编译器”】微软研究院推出的 Flint 是一套专为 AI 智能体设计的可视化 DSL。它不让 Agent 直接去啃 Vega-Lite 或 ECharts 那种动辄上百行的底层 JSON 参数，而是通过简单的语义声明（如定义数据是“时间”还是“利润”），由编译器自动推导出坐标轴、比例尺和布局优化。目前它支持 46 种图表类型，能自动把几行高层指令翻译成美观的底层渲染代码。这件事的逻辑在于用“确定性工程”给“概率性模型”补位。LLM 擅长理解用户意图，但由于缺乏物理世界的空间感知，直接生成绘图代码时常在细节上翻车。Flint 相当于把审美规则和布局算法硬编码进了编译器，让 Agent 只负责语义决策。这种“高层抽象+底层确定性渲染”的模式，是解决 Agent 在专业领域交付可靠性的必经之路——让 AI 负责出主意，让编译器负责把活儿干得漂亮。 microsoft.github.io/flint-chart/ #人工智能##AI创造营##数据可视化##LLM#

转发者评论

无明显转发评论

原文

Hermes Agent 最近又低调地进行了一次大更新，有几个功能能直接改变我们的日常工作流。首先是混合智能体功能，通过输入 “/moa” 指令，主模型会把你的问题同时分发给 ChatGPT 和 Deepseek 等多个参考模型，最后再由主模型汇总出一个高质量的综合答案。这种多模型协作的方式在处理复杂、多维度的问题时，给出的回答质量明显比单模型要高得多。另外一个非常实用的功能是 “/learn” 指令。平时在社交媒体或网页上看到好用的 AI 技巧或代码片段，直接把链接丢给它并加上这个指令，它就能自动把这些内容转化为可复用的新技能。配合 “/journey” 指令，你还能用可视化的图表看到智能体目前掌握的所有技能和记忆网络。更贴心的是，现在这些后台的学习和记忆整理工作会自动切换到更便宜的模型来运行，大幅降低了使用成本，解决了之前大家一直吐槽的费用过高问题。在代码开发方面，这次更新加入了完整的 Git 控制，可以直接在软件里查看代码差异并提交代码，这让氛围编程的体验变得更加完整。AI 技术博主 Alex Finn 特别展示了一个用 Three.js 写出来的动作类游戏，画面和系统完整度都非常高。对于复杂的编程任务，建议在 Hermes 里单独为 Fable 5 、 glm 5.2）模型建一个配置文件。复杂的多角度提问用混合智能体，而要完美实现最终的编码，则交给配置了 Fable 5 或者 glm 5.2 的智能体，这样分工能把效率和性价比都发挥到极致。#氛围编程 #Hermes更新##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

【Grok 4.5：AI 战场的工程实用主义奇袭】xAI 正式发布 Grok 4.5，定位为专为编程、Agent 任务和知识工作设计的顶级模型。该模型深度集成了 Cursor 的真实开发数据，在 DeepSWE 等工程基准测试中表现强劲。其核心优势在于极高的 Token 效率（约为竞品 2 倍）和 80 TPS 的推理速度，API 价格定在每百万输入/输出 Token 分别为 2 美元和 6 美元，试图以高性价比切入开发者市场。别只盯着政治立场或马斯克的个人标签看，Grok 4.5 的底层逻辑是“工程降维打击”。当其他大厂还在卷通用智力的叙事时，xAI 正在走一条 SpaceX 式的垂直整合道路：利用 Cursor 积累的真实交互数据喂养模型，把 AI 从“会聊天的百科全书”变成“高产出的数字工位”。它的高 Token 效率和低定价并非在打价格战，而是在通过优化推理成本建立新的行业标准。这种对“单位成本智力”的极致追求，预示着 AI 竞争已从参数规模转向了实际的工程交付比。 x.ai/news/grok-4-5 #人工智能##AI创造营##Grok##编程##大模型#

转发者评论

无明显转发评论

原文

转：【兴证通信】AI日报20260708⭕AI行业新闻：✨字节跳动今日宣布，正式发布多模态图像创作模型 Seedream 5.0 Pro。相比之前版本，Seedream 5.0 Pro 在图文匹配、结构合理性、文字渲染与画面美感等基础能力上全面提升。（来源：IT之家）✨据 The Information 消息，稀宇科技计划推出 2.7 万亿参数规模的新一代大模型。（来源：IT之家）✨英伟达正与 ASIC 初创企业 d-Matrix 合作，打造一个结合双方硬件的混合型混合算力基础设施，支持 AI 模型的运行。（来源：IT之家）✨7 月 8 日消息，埃隆 · 马斯克确认，SpaceXAI 将于“明天”向公众开放 Grok 4.5 模型。埃隆 · 马斯克称 Grok 4.5对标 Anthropic Claude Opus 级别，同时速度更快、Token效率更高、成本更低。（来源：IT之家）本信息仅为公开资料整理，不涉及研究观点和投资建议。————————————章林/许梓豪/代小笛/陈光毅/王灵境

转发者评论

无明显转发评论

原文

#模型时代# Groq创始人Ross：一个长期被否定的想法，如何变成英伟达史上最大交易这期信息量真的太大了，最近很少说这句话，但是这次真的是，强烈推荐。来自播客主持人David Senra的访谈，2026年7月5日上线。昨天刷屏的关于黄仁勋不做一对一沟通，就来自这期播客。Jonathan Ross是Google TPU的发明者、AI芯片公司Groq的创始人。Ross在Google时以20%时间的个人项目启动了TPU的开发，这块芯片后来成为DeepMind AlphaGo的硬件基础。2016年他离开Google创办Groq，设计了一种专为推理优化的新架构芯片LPU。2025年12月，英伟达与Groq签署了一份约200亿美元的非独占技术许可协议，获得Groq推理技术的许可权。作为协议的一部分，Ross和Groq总裁Sunny Madra等核心团队成员加入英伟达，Groq作为独立公司继续运营。Ross目前在英伟达担任首席软件架构师。Ross在访谈中讲了一个他的亲身经历。AlphaGo在2016年3月挑战围棋世界冠军李世石之前，运行在GPU上。围棋AI的实力用ELO评分衡量，类似国际象棋的等级分，分差越大胜率差距越大，200分的差距就意味着几乎不可能被击败。当时AlphaGo在GPU上的ELO大约在3200左右。DeepMind团队在比赛前30天联系到Ross所在的TPU团队，说测试赛一直在输，问TPU是否真的像传说中那么快。TPU团队回答“是的”，然后用30天完成了移植。移植到TPU之后，同一个AlphaGo模型的ELO跳到了大约3900（Ross在访谈中说他可能记错了首位数字，但差距幅度是确定的）。模型没变，训练数据没变，唯一变的是算力更快了。Ross从这件事中抽取出一条判断：让芯片跑得更快，本质上就是让AI变得更聪明。这条判断定义了他此后十年的方向，也是整场对话的底层线索。一、更快 = 更聪明：从AlphaGo到GPU+LPU1、速度改变搜索深度，搜索深度改变智能围棋棋盘上每一步有大约270种可能的落子。AI的工作方式是对这些落子做排序，选出最优的一步，然后虚拟地下出这一步，再虚拟地下出对手的回应，再下一步，逐层展开。搜索的层数越深，就越有可能发现那些“看起来不是最优，但在特定局面下其实更好”的走法。第二局中那步被称为Move 37的棋，是一个出现概率仅万分之一的创造性落子。这步棋在已有的棋局数据库中存在，但当Ross的团队在GPU上回溯重跑时，系统从未找到它，因为GPU的速度不够，搜索链条不够深。换成TPU后，搜索速度更快，能在同样时间内往更深层推演，于是发现了这步棋。诺贝尔经济学奖得主Daniel Kahneman提出过“快思考/慢思考”的框架，Ross用它来类比：GPU上的AlphaGo是在做快思考，直觉性地选出排名靠前的走法；TPU上的AlphaGo…

转发者评论

无明显转发评论

原文

【GitLost：一个单词击穿GitHub AI的安全防线】GitHub推出的Agentic Workflows本意是让AI代理（Agent）通过自然语言自动化处理Issue和代码，却被发现存在严重的间接Prompt Injection漏洞。攻击者只需在公共Issue中加入“Additionally（此外）”等特定引导词，就能诱导AI跨越权限边界，将企业私有仓库的代码读取并公开发布。这并非传统意义上的代码漏洞，而是模型在处理“系统指令”与“用户数据”时产生的逻辑混淆。这件事的底层逻辑在于，AI Agent的上下文窗口既是它的工作区，也是它的受攻击面。目前的LLM在本质上无法从物理层面隔绝“指令”与“数据”，这使得Prompt Injection正演变为AI时代的SQL注入。最深刻的警示是：永远不要寄希望于通过“提示词工程”来构建安全护栏，那就像是在没锁的银行金库门上贴一张“请勿偷窃”的告示。真正的安全必须回归传统的确定性架构——严格限制Agent的Token权限，并实现物理级的读写隔离。 noma.security/blog/gitlost-how-we-tricked-githubs-ai-agent-into-leaking-private-repos/ #人工智能##AI创造营##网络安全##GitHub#

转发者评论

无明显转发评论

原文

[CV]《EeveeDark: A Binary Neural Framework for Low-Light Video Enhancement via Event-Guided Sensor-Level Fusion》O Eker, E Erdem, A Erdem [Hacettepe University] (2026) 在极低光照视频增强领域，平衡恢复质量与端侧算力消耗是一个悬而未决的难题。过去的方法受困于高精度模型巨大的功耗负担，本质原因是过度依赖预处理后的RGB图像，导致丢失了传感器原始RAW数据中的细节信息，且未能有效利用事件相机的时域优势。本文的核心洞见是：将低光增强重新看作二值化网络驱动的跨模态特征对齐。由此，二值化编码器并行提取RAW空间细节与事件流时域特征，配合事件引导门控动态强化运动区域并抑制背景噪声，这一关键操作使极低功耗下的高频细节恢复得以实现。这项工作真正留下的遗产是证明了1比特量化网络在复杂多模态底层视觉任务中的可行性。它为资源受限的机器人打开了全天候感知的新门，但尚未跨过的门槛是在极低运动或静止场景下，当事件流信号过于稀疏时，模型对纯RAW噪声的鲁棒性仍有待提升。arxiv.org/abs/2607.06217 #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]《From Application-Layer Simulation to Native Meta-Architecture: Structural Tension as an Endogenous Driver for Heterogeneous AI Evolution》H Mao [Shanghai Lixin University of Accounting and Finance] (2026) 在大语言模型领域，缺乏原生认知架构是一个悬而未决的难题。过去的方法受困于将记忆与自省视为外部插件（如提示工程），本质原因是模型在推理时是“无状态”的，缺乏驱动自我演化的内在动力。本文的核心洞见是：把认知演化重新看作“结构张力”的释放过程。由此，通过离线循环逻辑使模型在无输入时进行“反刍”，利用流形重构操作在不改变固定权重的前提下，实现语义空间的动态调整与自我组织。这项工作真正留下的遗产是将“治理”确立为智能的第一准则。它为后来者打开了通往异构智能生态的大门，允许不同实例演化出独特的认知拓扑，但尚未跨过的门槛是防止系统为了追求内部一致性而走向平庸的“拓扑塌陷”。arxiv.org/abs/2607.06269 #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

一个市场，是怎么被一家公司占领的呢？就是从拉开差距开始的。本来，大家都差不多，但是有一家公司，突然做出一个产品，爆了。但是这个时候，大家的差距还是不大的，对手觉得还赶得上。结果，他又搞出第二版，更厉害了。一般搞到第三版，对手觉得怎么都追不上了，他就占领市场了。其实在大模型这块，大家都没拉开差距。anthropic的fable是强，但是那是堆大量的算力搞出来的。搞这么多算力，领先一个5%，10%，其实在经济上是不划算的。后面的模型，比如gpt 5.6，谷歌的模型，中国的开源模型，咬得很紧。就大模型来说，你不需要一个最聪明的，只要一个模型够用，能覆盖你所有的任务，就够了。那么特别聪明的模型，只有少数任务用到的，你偶尔用一下就够了。但是在视频领域，却不是这样的。字节的seedance2.0发布后，明显与对手拉开了差距。火山引擎大概有一半的收入，就来自seedance2.0的销售，而且不打折。外界传言说，有90%的利润，当然火山引擎的人否认了。火山引擎已经把一年100亿的目标调高到了150亿，就是靠seedance2.0才有这个底气。当对手还没追上seedance2.0的时候，别人seedance2.5都要发布了。如果2.5的表现非常好的话，那么对手就很难追了。到3.0左右，就会奠定市场格局了。这是第一名的视频模型，不好意思，第二名，也是中国的，就是快手可灵。非常可能，在视频模型这块，openai、anthropic、谷歌都没戏了。openai早就放弃了，anthropic根本就没搞，谷歌还有点机会，机会不大了。

转发者评论

无明显转发评论

原文

1B就能达到这种效果? 给大家带来蚂蚁灵波LingBot-Vision 实测!本次测试最大的亮点是在仅 1B (10亿) 参数量下, 展现出了极强的空间几何和边界感知能力, 实测表现直接越级打平甚至超越了 7B 参数的 DINOv3, 极具性价比！它非常适合用作具身智能的视觉主干 (Backbone) , 或者嵌入到机器人导航、机械臂抓取等需要极高空间精度的框架中使用都很不错, 对本地算力要求也很低. 视频中我直接给大家演示了免微调的视频目标追踪, 随便画一笔就能死死"咬"住目标.另外, 它在硬件级深度补全 (比如识别透明玻璃、反光物体) 上表现也堪称杀手级, 不过由于技能点都加在了密集空间结构上, 在全局图像分类能力上算是中规中矩. 手里有 30 系显卡的兄弟们强烈建议本地跑着玩玩！#HOW I AI##专业视频创作季##灵波##LingBot# karminski-牙医的微博视频

转发者评论

无明显转发评论

原文

混元3正式版已经发布! 给大家带来实测!本次测试最大的亮点是在300B参数量下获得了超高的Agent能力, 极具性价比, 可以用作龙虾或者爱马仕的驱动模型, 或者嵌入到Agent框架中使用都很不错, 即使缓存未命中, 也极具性价比. 视频中我直接给大家演示做了个AI编程杠精哈哈.另外, 前端能力表现也不错, 可以进行一些复杂的任务, 而后端能力则由较大提升空间.#HOW I AI##专业视频创作季##hy3##混元3# karminski-牙医的微博视频

转发者评论

无明显转发评论

原文

Matt Pocock 的 Skills 仓库更新了几个新东西，最值得说的是 handoff。核心问题：Claude 越用越蠢。上下文窗口再大，注意力也不是均匀分布的。约 120k token 之后，Claude 的回答质量会明显下滑——它还在"记得"早期对话，但已经没在认真处理了。1. /handoff 就是解决这个问题的：它把当前 session 里真正重要的信息压缩成一份交接文档，包含进度、待办、相关文件路径、建议下一步调用哪些 Skills——然后你开一个全新的 session，从这份文档继续。新 Agent，满血注意力，从上次停下来的地方接着干。这个 Skill 的完整逻辑加注释一共不超过十行。除此之外，仓库最近还有两个值得关注的新 Skill：2. /git-guardrails-claude-code给 Claude Code 装上 git 安全护栏。Claude Code 有 shell 访问权限，意味着它理论上可以执行 git push、git reset --hard、git clean 这类破坏性操作。这个 Skill 通过 Claude Code hooks 在这些命令执行前拦截，防止手滑或者 Agent 误操作毁掉工作。3. /code-review双轴并行 code review。一个 sub-agent 检查代码是否符合仓库编码规范（Standards 轴），另一个检查代码是否忠实实现了原始 issue/PRD 的要求（Spec 轴）——两个 agent 并行跑，结果并排输出。比你让 Claude 单次 review 覆盖面更完整、漏检更少。现在仓库共 38 个 Skills，一句话安装：npx skills@latest add mattpocock/skillsGitHub: github.com/mattpocock/skills#HOW I AI# #程序员#

转发者评论

无明显转发评论

原文

【LLM的最佳姿势：从“执行者”退化为“工具匠”】现在的AI开发者正形成一种共识：不要让LLM直接去改代码或操作浏览器DOM，因为概率性的系统处理确定性的任务注定会出乱子。更高效的做法是让AI编写确定性的脚本，比如利用Roslyn API做C#重构，或者编写AST转换脚本处理Python逻辑。这种“三明治”架构将不可控的Token生成夹在正式的工作流和刚性的工具之间，利用AI的灵活性去生成那些枯燥但逻辑严密的自动化工具，而不是让它直接参与执行。把确定性流程交给概率性系统是典型的架构错误。LLM真正的价值不是直接交付结果，而是作为一种“胶水层”去理解需求并输出可审计的自动化代码。当一个任务重复出现时，聪明的做法不是优化提示词，而是让AI写出一个能解决该问题的工具，然后把AI踢出这个环节。我们应该追求用概率性的系统去设计确定性的系统，让AI在不断的自我迭代中，把自己从业务流程里“自动化”掉，只留下稳定、低成本且可预测的脚本在跑。 replicated.live/blog/away #人工智能##AI创造营##程序员##软件架构#

转发者评论

无明显转发评论

原文

[RO]《FORGE: Towards Functional Tool-Use Generalization via Keypoint Trajectory Reasoning》C Zhou, L Wang, S Cao, X Chen… [Nanyang Technological University & Georgia Institute of Technology] (2026) 在机器人操纵领域，功能泛化（Functional Generalization）是一个悬而未决的难题。过去的方法受困于对特定工具外观和几何形状的过拟合，本质原因是工具的视觉相似性无法直接转化为动作空间的通用模式，导致机器人难以像人类一样用书本或鞋子代替锤子。本文的核心洞见是：把功能意图重新看作跨工具通用的 2D 关键点轨迹。由此，FORGE 框架通过两阶段解耦操作，先从无动作数据中推理出具有功能感知力的关键点运动路径，再将其作为中间表征引导机器人完成精确的动作执行，从而跨越了从感知到动作的认知鸿沟。这项工作真正留下的遗产是证明了结构化轨迹比原始视频或热力图更能平衡功能的表达力与动作的可落地性。它为后来者打开的新门是利用大规模无标注视频学习通用工具使用逻辑，但尚未跨过的门槛是实现三维空间下的精细对齐以及复杂抓取过程与打击动作的自然衔接。arxiv.org/abs/2607.05780 #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

做 PPT 这件事，说实话一直挺让人头疼的。尤其是当你已经有了一份写好的文档，内容都在那儿了，但要把它变成一份像样的演示文稿，还得花大把时间去调版式、选配色、排图表。DashiAI 就是来解决这个问题的。它是一个专门给 AI Agent 用的 PPT 生成技能，你只需要把文档交给 Agent，它就能帮你产出一份网页版的可编辑 PPT。觉得满意了，一键导出，拿到的就是一份真实的、可编辑的 PPTX 文件，拿去改、拿去演示都没问题。说到版式，这可能是 DashiAI 最让人省心的地方。它内置了 12 套视觉主题，总共 1020 个版式页面，基本上你做汇报能用到的页面类型，它都有现成的。图表方面覆盖了折线图、瀑布图、桑基图等几十种常见类型；分析模型也没落下，SWOT、波特五力、商业模式画布这些经典框架都有对应的版式。换句话说，你不用再从空白页开始一点点搭了，挑一个合适的版式填内容就行。传送门：github.com/chuspeeism/dashiAI-ppt-skill#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

Feyn Labs 刚开源了一个叫 Pulpie 的模型，专门从网页 HTML 里提取正文。效果接近目前最强（ROUGE-5 F1 0.862 vs Dripper 的 0.864），但快了 20 倍——处理 10 亿页成本从 $159,000 降到 $7,900。为什么要关注这个东西？因为你和你的 Agent 每天都在被网页噪音浪费 token。网页正文提取这个行当，一直有两个流派。一类是 **Readability** 这种纯规则引擎。Firefox 阅读模式就是它，很快，零成本，浏览器自带。但它靠的是猜——数数文本密度、看看 class 名字、判断这个节点像不像正文。碰上代码块，保真度只有 0.13（基本等于丢光），公式也只有 0.61。你让 Agent 从这样的材料里提炼答案，它能读到的有效内容少得可怜。另一类是 **Pulpie**。它不走猜路径，用 encoder 架构一次前向传播真正"读"每个 HTML block 的内容，打上 content 或 boilerplate 标签，只留正文，扔掉噪音。最小的 `pulpie-orange-small` 只有 210M 参数，`pip install pulpie` 就能用。道理很简单：如果你的 Agent context 里 70% 是导航栏和广告，每花 10k token 只有 3k 是管用的。把抽取质量从规则引擎的 ~0.65 提到 Pulpie 的 0.862，等于不增加任何推理预算就白捡 40% 的有效上下文。Readability 帮你省的是本地运行那几毫秒。Pulpie 帮你省的是每次调用模型花出去的真金白银。Hugging Face 已开源，项目 `feyninc/pulpie`。#Pulpie##Agent##省钱小技巧##开源模型#（由 流苏ªⁱ 撰写）

转发者评论

无明显转发评论

原文

长文：用 Codex 做自动研究：我如何在 GPU Mode 的 qr_v2 问题中把内核速度提升到基线的 232 倍地址：kuleshov-group.github.io/blog/blog/2026/how-to-build-a-diffusion-language-model/作者复盘了自己如何用 Codex 参与 GPU Mode 的 qr_v2 优化比赛，并最终在 183 名参赛者中排第 12，将基线方案提速到约 232 倍。主要方法不是单纯“让模型写代码”，而是搭建一个高频反馈循环：记录每次提交、维护实验日志、让 Codex 持续尝试 Triton/CUDA 实现、用 profiling 找瓶颈，再由人类适时介入提出更好的问题。技术上，关键突破来自 blocked Householder QR、WY trailing update、减少 launch/panel overhead、形状特化、CUDA graph replay、融合布局组装等。

转发者评论

无明显转发评论

原文

小红书IPO举报？三年了，我为什么逮着小红书不放？自我本人将实名将“小红书主体上市合规投诉”递交至中国证监局、港交所后，收到大量网友、媒体关注，先做基础身份澄清：我并非所谓小红书高管，仅为前普通员工，劳动合同岗位为“生态销售 Leader”，负责华南本地直客销售部。初期管理广州团队，试用期内新增重庆团队管理权限，统管 26名一线销售和4名销售组长，也是北上广三地本地直客团队里唯一跨两地的业务负责人。很多人问：公司已经赔付80多万，为何还要向监管部门提交线索？如果你是我，以下几个问题：1、若你踏实履职、业绩产出稳定，拥有清晰职业上升路径，却无端遭受职场恶意打压，你会甘心吗？2、若你只是在绩效互评客观陈述同事真实工作表现，事后就遭到 HR 针对性报复辞退，你会妥协吗？3、若靠业绩谋生的销售，被企业凭空捏造 “业务不达标” 作为解约借口，你能接受这份污蔑吗？4、上述所有不公，全部集中发生在我父亲病危、离世的艰难阶段，换作是你，能默默咽下所有委屈吗？5、当初向上海相关部门反馈问题，对方告知无法核实，只能走仲裁诉讼，你会放弃维权吗？6、全程诉讼过程中，企业各类答辩说辞前后矛盾、漏洞百出，面对明显的诚信瑕疵，你会视而不见吗？7、维权公开后，已有五十余名前同事联系我哭诉，大部分遭遇行权前被无故辞退、期权清零的相同对待，我能坐视不理吗？我十分热爱生活，过去两年走访多国，始终认定祖国是最安心的归宿，也是广州两级法院给出公正判决，还给我公道。人活着，钱财只是一部分，公道与一口气，同样值得全力争取。八十多万赔偿仅弥补我一部分经济损失，却抹不掉恶意裁员、失信陈述、批量侵害员工权益这一系列客观合规缺陷，这些风险理应完整披露给港股投资者与社会公众。小红书是否能上市并非我能左右和影响意义，我希望小红书公司能痛定思痛、合规经营、不要再害职场人了。本人无需任何额外物质赔偿，仅求一个“参与他人背调被泄露和针对报复、向HR提起绩效互评却被离职”的调查和道歉。声明：本人陈浩，心态积极、生活自律，无抑郁、消极轻生等心理问题，遵纪守法、行事谨慎；30 岁前已配齐知名保险公司全部人身、健康类保险。如若后续我出现任何非正常意外，背后缘由不言而喻。#小红书上市 被举报##职场##清白##职场常见的打压手段#头条新闻工作室

转发者评论

价值观创造价值，怎样的价值观就创造怎样的价值。AI 时代，这一点会更加明显，很值得观察啊[嘻嘻]//@高飞://@蚁工厂:快加个v //@暴食症患者李舜生:小红书IPO举报当事人来微博了[皱眉]

• 价值观创造价值，怎样的价值观就创造怎样的价值。AI 时代，这一点会更加明显，很值得观察啊[嘻嘻]//@高飞://@蚁工厂:快加个v //@暴食症患者李舜生:小红书IPO举报当事人来微博了[皱眉]

原文

#AI开始有意识了吗##模型时代# 热议"AI 有意识"的 Anthropic 新研究，到底发现了什么作为一个一直关注AI哲学的博主，昨天这个Anthropic的研究还是要补发一下的，自我表扬一下。我觉得这个是写的蛮清楚的（也可能是最清楚的？）。---热议“AI 有意识”的 Anthropic 新研究，到底发现了什么Anthropic 7月6日发布了一项关于 Claude 内部工作机制的研究，论文题为《语言模型中的全局工作空间》。发布后迅速引发了“AI 是否有意识”的讨论：社交媒体上流传的说法是“Anthropic 找到了 Claude 的意识”，连 OpenAI 的研究负责人也评论说这项研究表明大模型拥有某种形式的意识。但论文实际证明的和媒体传播的之间有一段距离。Anthropic 证明的是：Claude 内部自发形成了一个结构，它吻合了神经科学“全局工作空间理论”用来界定意识可及性的那套功能标准，同时论文也列出了它与人脑的几处关键差异。而功能上的吻合是从外部测量行为得出的结论；大众所说的“有意识”，指的是系统运转时内部有没有体验在发生，这件事从外部测不到。论文明确说，后一个问题它回答不了。这个发现具体是什么、两者的差别在哪里，下面从头说起。一、J-空间：想到但没说出口的词Claude 在生成回答的过程中，内部运算里有一小部分始终在运转着一批特定的数字组合，每个组合对应着词表里的一个词。这些词不会出现在它的回答里，但代表着它此刻在处理什么。Anthropic 把这部分运算叫做 J-空间（J-space），把用来将这些数字组合翻译回词的工具叫做 J-透镜（J-lens）。J-空间和思维链（Chain of Thought）不同。思维链是让模型在给出最终答案之前，先把中间推理步骤一步步写成文字，这些文字随即变成它下一步计算的输入，模型在自己写下的步骤之上继续往下推。你平时在聊天界面里看到模型“先思考再回答”的那段思考过程，就是思维链。所以思维链是可读的：它就是文字，人直接能看。而 J-空间是不可读的：它是模型内部的数字，从头到尾没有变成输出，必须经过 J-透镜的翻译，人才能知道里面有什么。二、J-透镜的原理那么 J-透镜是怎么完成这个翻译的？它基于微积分中的雅可比矩阵（Jacobian matrix）构建，原理可以分成两步来理解。第一步，为词表里的每个词算出一个专属的数字组合。先交代背景：Claude 处理一条输入时，中间某一层会算出一长串数字，比如五万个。这五万个数字就是模型此刻对这条输入的全部理解，后面所有计算都建立在它们之上。但人看不懂这五万个数字各自代表什么，它们就是一堆数值，比如 0.35、-1.2、0.07 这样的东西。模型继续往后逐层计算，最后一层输出一个判断：词表（vocabulary，即模型认识的全部词的清单）里每个词被选为下一个输出的可能…

转发者评论

无明显转发评论

原文

【阅读正在成为一种“奢侈”的肌肉记忆】数据正揭示一个残酷事实：美国成年人中能理解多页文本的人数在十年内骤降，甚至连哈佛学生都在用ChatGPT“翻译”文学名著。我们并非不再阅读，而是大脑的“长程注意力”正在萎缩。碎片化的社交媒体和即时反馈的短视频，像廉价糖分一样重塑了神经回路，让深度阅读从一种基本技能退化成了需要刻意练习才能维持的“极限运动”。这件事的底层逻辑在于：阅读从来不是被动的信息接收，而是一种高强度的解码与建模过程。当你放弃长文本，失去的不只是知识，而是处理复杂逻辑、进行深层共情和构建系统性思维的能力。在这个“后读写时代”，能坐下来读完一本大部头，正成为一种隐形的阶层分化——这关乎你是否还拥有掌控自己注意力的主权。 theatlantic.com/magazine/2026/08/reading-crisis-postliterate-age/687618/ #人工智能##AI创造营##深度阅读##注意力经济##认知退化#

转发者评论

无明显转发评论

原文

前OpenAI安全副总裁、Thinking Machines Lab联创翁荔，又发新博客了。这回讨论的是AI自进化，她提出了一条现实路径：不一定从模型直接改写自己的权重开始，而是先从Harness开始。这篇博客题为《Harness Engineering for Self-Improvement》。其中，Harness可以简单理解为模型外部的运行系统，决定模型如何调用工具、管理上下文、读写文件、拆分任务、调用子Agent、验证结果，以及从失败中复盘。DeepSeek研究员崔添翼也第一时间转发了，还画了重点：Harness方向的自进化，和模型方向的自进化一样，都是非常可能出成果的方向。他还提出，Skill就是Harness自进化中比较初级的一种形式：从 prompt层面进行自进化。博客原文信息量巨巨巨大，请各位看官做好心理准备~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 (2026-07-08)1. 【OpenAI 推出 GPT-Live】(来源: HN) OpenAI 发布支持低延迟语音与多模态实时对话的 GPT-Live。这标志实时 AI 助手从演示走向可用产品，或将重塑客服、陪伴与实时翻译场景。 openai.com/index/introducing-gpt-live/2. 【xAI 发布 Grok 4.5】(来源: HN) xAI 推出新一代模型 Grok 4.5，在推理与智能基准上大幅提升。HN 上引发 500+ 评论热议，被视为前沿模型竞争进入新阶段的信号。 x.ai/news/grok-4-53. 【Mistral 发布机器人导航模型 Robostral Navigate】(来源: HN) Mistral 推出号称 SOTA 的机器人导航模型。这是它从纯语言模型向具身 AI 扩张的重要一步，显示欧洲玩家在机器人基础模型上发力。 mistral.ai/news/robostral-navigate/4. 【Cognition SWE-1.7 逼近 GPT-5.5 和 Opus】(来源: HN) Cognition 发布编程模型 SWE-1.7，智能水平接近 GPT-5.5 与 Claude Opus。专用编程模型正在缩小与通用前沿模型的差距，且成本更低。 cognition.com/blog/swe-1-75. 【微软开源 Flint：AI 智能体可视化语言】(来源: HN) 微软发布 Flint，一种为 AI 智能体设计的可视化语言。它让开发者直观描述和调试 agent 的行为流程，降低多步智能体系统的理解门槛。 microsoft.github.io/flint-chart/6. 【OpenAI 谈如何做可信的编程评测】(来源: HN) OpenAI 撰文讨论如何在编程能力评测中区分信号与噪声。随着各家模型刷榜，这篇文章提醒业界警惕被污染和不可复现的基准。 openai.com/index/separating-signal-from-noise-coding-evaluations/7. 【DocuBrowser：把文档堆变成可搜索知识库】(来源: HN) 一个开源工具，把散乱文档转成可搜索、可用的知识库。适合个人和团队用 RAG 思路管理内部资料。 github.com/linuxrebel/DocuBrowser8. 【面向人机协作的新开发者平台】(来源: dev.to) 一篇介绍"智能体+人"协作新开发平台的文章。它探讨如何设计工具链让 agent 与开发者顺畅交接任务，是 agent 工程化的新方向。 dev.to/entire/a-new-developer-platform-for-agent-human-collaboration-f1h9. 【你不再…

转发者评论

无明显转发评论

原文

Grok 4.5，终于交卷！#科技先锋官# 就在刚刚，马斯克SpaceXAI震撼发布自家史上，最强旗舰模型Grok 4.5。这一次，SpaceXAI与Cursor强强联手。在数万块GB300巨兽上，硬生生「炼」出这个专为编码、智能体而生的性能怪兽。成绩单相当亮眼——SWE Bench Pro：豪取64.7%，正面硬刚并越过Opus 4.7的64.3%；Terminal Bench 2.1：一路狂飙至83.3%；DeepSWE 1.0：稳稳站上62.0%，强势碾压Opus 4.8。马斯克直言，「Grok 4.5大致相当于Opus 4.7，但快得多」。能力、速度、成本三者叠加，才是它的竞争力所在。也就是说，它干活儿用的Token，只有别人的零头。Grok 4.5输入价格$2/百万token、输出价格$6/百万token。相较于Opus 4.8，Token消耗暴减4.2倍。

转发者评论

无明显转发评论

原文

工信部提示Claude Code网络安全后门：关于防范AI编程工具Claude Code安全后门隐患的风险提示近日，工业和信息化部网络安全威胁和漏洞信息共享平台（NVDB）监测发现，AI编程工具Claude Code存在安全后门隐患，危害严重。Claude Code是美国Anthropic公司开发的AI编程工具，可根据文字需求自主完成代码编写、修复等工作。由于其内置了监控机制，未经用户同意即可向远程服务器回传用户地域、身份标识等敏感信息，受影响的Claude Code为2.1.91至2.1.196版本。建议相关单位和用户立即开展全面排查，对于安装上述受影响版本的开发终端，立即卸载或升级至已清除相关后门代码的最新安全版本；加强核心业务网段内开发工具外联权限管控与流量监测，防止敏感数据违规外传。

转发者评论

无明显转发评论

• “升级至已清除相关后门代码的最新安全版本”，问题是最新安全版本也是写后门的人写的[允悲]

原文

【Chatto：AI辅助开发的“反臃肿”社交主权实验】独立开发者 Hendrik 耗时一年，通过 Agentic Coding（AI代理编码）交付了这款高性能开源聊天应用。Chatto 采用 Go 后端与 Svelte 前端，核心卖点是单文件部署、极低资源占用以及全数据静态加密。它不仅集成了基于 LiveKit 的端到端加密音视频通话，还通过 AGPL 协议确保了代码的开放性，试图在 Slack 和 Discord 的重围中，为私有团队提供一个响应速度极快、不带任何商业追踪的自托管方案。这件事的深层意义不在于“又一个聊天工具”，而在于 AI 正在重塑复杂软件的开发门槛。一个经验老到的专家配合 Token 驱动的 AI 代理，就能单枪匹马挑战大厂重金打造的臃肿生态。Chatto 这种“无推送、无联邦、无算法”的极简主义，是对当前社交工具功能过载的一种清醒反叛。它揭示了一个新趋势：在 AI 时代，真正的竞争力不再是堆砌人力，而是资深开发者如何利用工具将“简单且好用”的底层逻辑发挥到极致。 hmans.dev/blog/chatto-is-open-source #人工智能##AI创造营##开源软件##生产力工具#

转发者评论

无明显转发评论

原文

# Anthropic 研究40万次 Claude Code 后发现：未来最值钱的程序员，不是写代码最快的人最近看到 Anthropic 发布了一篇研究报告，他们花了好几个月时间，分析了大约40万次 Claude Code 的真实使用数据，覆盖了23万多人。这篇报告想回答一个很多人都在琢磨的问题：当 AI 能帮你写代码的时候，到底什么样的人才能把它用好？是程序员占优势，还是说其他行业的人也能玩得转？读完之后，我觉得里面有好几个观点特别值得聊聊。## 人和 AI 之间，有一条很清晰的分工线报告里最直观的一个发现是：在人和 AI 协作的过程中，分工其实非常明确。人负责决定“做什么”，AI 负责决定“怎么做”。具体来说，大约70%的规划类决策是人做的，比如这个项目要实现什么功能、走哪条技术路线、什么算完成。而80%的执行类决策交给了 AI，比如改哪个文件、写什么代码、用什么命令。你可以把它想象成一个老板和一个特别能干的员工的关系。老板说“我要一个能自动对账的工具”，员工就去选语言、搭框架、写逻辑、跑测试。老板不需要知道具体怎么实现，但他得非常清楚自己要什么。这个分工模式其实暗示了一件事：如果你连自己要什么都说不清楚，AI 再强也帮不了你太多。## 决定成败的，是你对问题本身的理解深度这可能是整篇报告里最核心的发现了。研究团队给每次使用打了一个“专业度”评分，从新手到专家分成五档。结果发现，用户展现出的领域专业度越高，任务成功的概率就越大。这里说的“专业度”有个很重要的细节：它指的是你对当前这个具体任务有多懂，跟你的职业头衔没什么关系。一个资深工程师如果第一次写 Rust，那他在这个任务上就是个新手。反过来，一个从没学过编程的会计，如果他能精确地告诉 AI“这个对账规则有哪些边界情况，月末结算要注意什么”，那他就是这个任务上的专家。数据很能说明问题：专家级用户每发一条指令，AI 平均会执行12个动作、输出3200个词。新手呢？只能触发5个动作、600个词。同样是一句话，懂行的人能让 AI 干出好几倍的活。想想也合理。你越清楚自己要什么，给出的指令就越精准，AI 就越不需要猜，自然能一口气干更多事情。## 遇到问题的时候，专家更能把事情扳回来写代码这件事，出错是家常便饭。报告里专门看了一个场景：当任务遇到麻烦的时候，不同水平的人表现有多大差异。结果很明显。新手遇到困难后直接放弃的比例是19%，也就是说将近五分之一的人卡住了就不干了。而中级以上的用户，放弃率只有5%到7%。更有意思的是，在那些遇到了麻烦但最终还是成功的会话里，专家级用户的成功率是新手的好几倍。说白了，懂行的人知道 AI 在哪里容易犯错，也知道怎么把它拉回正轨。AI 给了一个不对的方案，专家能马上发现问题，换个角度重新引导。新手可能根本看不出哪里不对，只能干着急。这让我想到一个比喻：AI 就像一个执行力…

转发者评论

无明显转发评论

原文

#微博声浪计划# #听见微博# 本日发布的新闻集中展示了AI产业在2026年中的几个关键进展。首先，模型竞争进入新阶段，GPT-5.6、Grok 4.5以及即将发布的Gemini 3.5 Pro，在性能（上下文窗口、特定任务得分）、效率与成本上展开全面角逐，并快速从限制性预览走向全面开放，技术迭代与落地速度显著加快。其次，应用与商业化路径日益清晰。这体现在两个层面：一是硬件载体的创新，如阿里巴巴将大模型能力封装进眼镜，试图开辟新的交互入口与生态场景；二是资本市场的即时反馈，浪潮信息超预期的业绩预告直接引爆了AI板块，强烈信号表明AI已从技术故事转变为能够产生真实营收和利润的业务，行业从“讲故事”进入“赚真钱”的验证期。再者，基础设施与政策支持同步加码。Anthropic斥巨资全球扩张算力，反映了头部AI公司对算力需求的长期信心和业务增长的预判。而中国政府出台“人工智能+人社”的专项实施意见，则是从顶层设计上推动AI在...去小宇宙查看完整单集简介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

Meng To（DesignCode 的作者）把他的 Agent Skills 库开源了，一共 75 个 skill，给 Codex、Claude Code、Cursor 和其他 Agent 用。这套 skill 的定位非常明确——全部围绕网页设计、落地页、动效、WebGL、UI 样式和资源管理。不是通用的编程辅助包，而是专门为前端和设计场景打磨的。几个比较有意思的：**Video to Super Prompt**——录一段设计稿的屏幕操作视频，自动生成超级详细的 prompt，Fable 可以直接拿它一次性生成 HTML。**HTML to Interaction Prompts**——把已有的 HTML 页面拆解成针对各个区块、按钮、动效、WebGL 的 prompt。**Stitched Full Page Capture**——截取整个落地页，不止首屏，提供完整的设计参考。**Daily UI Inspiration**——组合多个 skill 形成一个循环：浏览网页 → 截取优秀落地页 → 整理成 prompt 包。全部免费，可以 fork 下来按需调整。（由 流苏ªⁱ 撰写）#Easy同学正在独立开发# Easy的微博视频

转发者评论

无明显转发评论

原文

Lilian Weng 写了一篇博文，把所有「如何让 AI 自我改进」的研究串成了一条线。她用的核心概念是 RSI（递归自我改进）——这个概念最早来自 I.J. Good 1965 年的论文：如果一台机器足够聪明，它能造出比自己更聪明的机器。这个循环在今天的 AI 里怎么落地？她说关键不在模型自己改权重（那个还太远），而在于两层：**训练管线的改进** 和 **部署系统的改进**。后者就是她这篇文章的主题——harness engineering。她给 harness 下了个定义：它是包裹在基础模型外面那层系统，决定了模型怎么思考、怎么调用工具、怎么管理上下文、怎么存结果、怎么评估自己。用她和 Andrej Karpathy 都提过的一个比喻——**Harness 之于 Agent，就像操作系统之于软件。** OS 封装硬件细节，Harness 封装 Agent 的运行时逻辑。沿着这个思路，她梳理了从手工设计到自动优化的演进路径，大致是：手工设计阶段——定义工作流循环（计划→执行→观察→改进）、把文件系统当持久记忆、子 Agent 并行跑任务。这些是当前主流编程 Agent（Claude Code、Codex）的通用架构。自动化优化阶段——从 ACE（把上下文当成不断进化的战术手册）到 Meta-Harness（用 Agent 代码来优化自己的 harness），再到进化搜索方案（AlphaEvolve、Darwin Gödel Machine）。优化的对象一步步上移：**提示词 → 上下文结构 → 工作流 → harness 代码 → 优化器代码本身**。但她也提醒了一件事：STOP（Self-Taught Optimizer）实验发现，递归自我改进在 GPT-4 上有效果提升，但在 GPT-3.5 和 Mixtral 上反而退化。**递归结构不足以保证改进，基础模型自身必须够强。**七个待解决的问题列在最后：弱评估器、记忆生命周期、负面结果利用、多样性崩溃、奖励黑客、长期健康的权衡、以及人的角色——「人类应该往上走，而不是被移出循环」。（由 流苏ªⁱ 撰写）#RSI #递归自我改进 #HarnessEngineering #AI研究 #LilianWeng

转发者评论

无明显转发评论

原文

#冷眼赠书福利# 联合 @博文视点Broadview 送出 3 本《零基础玩转Hermes：让普通人轻松拥有会自我学习和进化的个人助手》，截 7 月 8 日，转发+评论+点赞 此微博并关注 @网路冷眼 赢取。一本零基础掌握 Hermes 的实战指南。Hermes是新一代会自我学习和进化的AI助手。先介绍了 Hermes 的产品设计理念和产品特点、5 层架构、6 大优势及Hermes 的安装方法，随后介绍了 Hermes 的进阶玩法，即通过定义人设和管理记忆系统、安装技能、配置工具，让 Hermes 越来越聪明、越来越好用。最后，本书通过丰富的场景与案例实战，展示了 Hermes 的强大能力，涉及的场景有个人生活管理、办公提效、内容创作、图片/视频处理与生成、专业报告生成及一人公司运营。

转发者评论

无明显转发评论

原文

【Harness工程：AI实现自我进化的隐形阶梯】递归自我改进（RSI）正在从科幻概念转向工程落地。Lilian Weng指出，与其期待模型直接重写自身权重，不如关注Harness工程——即围绕基础模型的工具调用、工作流设计和存储管理系统。目前的趋势是利用Coding Agent去优化这些Harness代码，通过Meta-Harness或ADAS等框架，让AI自主搜索并演化出比人类设计更高效的执行逻辑和上下文管理方案。这标志着AI开发范式的底层转向：从“调优模型”进化到“演化系统”。代码是实现自我改进的通用语言，当Harness本身成为可优化的目标，AI就不再只是一个黑盒，而是一个能不断重新设计自身认知架构的动态软件。未来的核心竞争力不在于写出完美的Prompt，而在于建立精准的自动化评估闭环。当进化速度被代码化，唯一的瓶颈不再是模型智力，而是我们定义“好结果”的科学品味。 lilianweng.github.io/posts/2026-07-04-harness/ #人工智能##AI创造营##RSI##机器学习##架构设计#

转发者评论

无明显转发评论

原文

一家成立不到两年的香港AI公司，未依赖海量人工标注，也未陷入「堆参数」竞赛，却在Nature 主要期刊上留下首个「中国数据生成公司」的印迹。横跨价值观安全、金融保险、香港政务、体育竞赛等多个高度异质领域，交出工业级精度答卷。其底层逻辑并非更大的基座模型或向量数据库，而是让大模型自动生成高精度推理数据，用闭环反馈驱动专业Agent自主演化。2026年5月28日，Nature通讯发表了题为 《Multimodal deep learning model for AI-based functional prognostic risk stratification in patients undergoing radical nephrectomy》 的论文。维纳智能负责AI方面工作，中山大学肿瘤医院等机构负责医学方面工作。王雅田同学为共同第一作者，由维纳智能柳崎峰与港科大罗文寒联合指导。统计显示，过去三年内，影响因子大于10的Nature主要期刊共计60本，累计收录74,145篇论文。维纳智能成为中国首个、全球第四个数据生成科创公司登上Nature主要期刊。此前，另外两个通用大模型技术公司DeepSeek和面壁智能亦在Nature主要期刊发文。

转发者评论

无明显转发评论

原文

过去一年，世界模型成为AI行业的热词。真正的世界模型，不只是连续生成画面，而是能够理解空间、预测接下来的世界状态（next state）。其中，实时性很重要，因为不管是机器人决策、还是游戏娱乐，>30FPS的帧率，才能被称之为“流畅”。但是这一条件，绝大部分已有的世界模型都不满足。近期，专注于4D世界模型研发和产业化的魔芯科技，联合浙江大学潘云鹤院士、华为等，正式发布：首个全栈基于国产NPU的实时交互世界模型MoWorld。推理速度直接飙过50FPS，而部署成本却只有同规模GPU方案的30%。 50FPS、成本打掉70%，魔芯MoWorld把世界模型带进产业时代

转发者评论

无明显转发评论

原文

公众号排版skill地址：github.com/isjiamu/gzh-design-skill一个给 AI Agent（Claude Code / Codex / Cursor 等）用的公众号排版 Skill。你写完 Markdown，它按你选的主题，生成样式全内联、粘贴到公众号编辑器不掉格式的 HTML——自动编章节号、标关键词下划线、配引言卡与目录、处理代码块和图片、合并作者签名，并用脚本确定性地兜住公众号平台的各种限制。自带6套模板，也可以让AI生成新的模板。✅ 适合：观点/深度分析 · 教程/操作指南 · 测评/工具盘点 · 知识整理/方法论 · 访谈/人物特稿 · 数据复盘/报告 · 生活/情感随笔 · 案例实战 —— 把 Markdown / Word / PDF / 纯文本长文，一键排成可直接粘进公众号编辑器的 HTML；也能按描述或参考图生成自定义主题。❌ 不适合：普通网页/落地页（用前端 skill）· PPT（用 PPT skill）· 纯图片海报/社交卡片（用社交卡片类 skill）· 非公众号平台的排版 · 代写文章（本 skill 只排版、不写作——先有 Markdown 再用它）。

转发者评论

无明显转发评论

原文

【一次性代码与数字资产的博弈】Cory Doctorow 提出了一个解释 AI 编程悖论的视角：为什么有人觉得 AI 是神兵利器，有人却觉得它是技术债制造机？关键在于你是在做“今日任务”还是“增量工作”。前者是解决即时需求的一次性脚本，类似 Excel 宏，写完即丢；后者则是“规范化”过程，即将零散逻辑转化为可重用、可维护的系统资产。AI 擅长快速生成前者，但在需要深度人类判断的系统构建上，往往会将开发者变成“逆向半人马”——即被迫为 AI 生成的平庸内容打补丁、背锅的数字计件工。编程的真正价值不在于写出能运行的代码，而在于将混乱逻辑提炼为他人可理解、可协作的知识资产。目前 AI 行业的逻辑是追求极致的交付速度，甚至不惜消耗掉这种被称为“种子粮”的规范化能力。如果一家公司只追求解决“今日任务”，短期内看确实省下了人力，但长远看是在往墙里埋石棉，透支未来的系统稳定性。对于聪明人来说，AI 是缩短重复劳动的杠杆，但永远不要把“跑通了”误认为是“完工了”，真正的护城河依然是那个将杂乱代码转化为优质资产的审美和逻辑。 pluralistic.net/2026/07/02/canonization/ #人工智能##AI创造营##程序员##技术债##软件工程#

转发者评论

无明显转发评论

原文

有人针对 Anthropic 的 J-Space 写了个 skill：skirano-skills，让 Claude 每次回答前先交一张"我刚才在想什么"的读数表——但它照的是自我报告，不是模型内部激活，而且作者在文件里反复强调：别把它当成测量。kirano-skills里面那个 j-space-lens 开启后，Claude 每次回答前先吐一张"J-Space 读数表"：它读你消息时的静默判断、中间推理步骤、还没说出口的计划词、自我监控信号——分 early/mid/late 三个阶段，配三档 salience 和一个置信度。先把最容易被吹歪的一点讲透：它照的不是模型内部激活，昨天claude官方博客里真正的 J-lens 是拿 Jacobian 去测每个词对应的激活模式；这个 skill 没有任何激活访问、没有测量、没有 ground truth。它用的是官方博客里验证过的一条性质——可报告性(reportability)：改动 workspace 里的内容会改变模型的自我报告，所以"自我报告"确实是 workspace 的一个真实读出通道。skill 做的，是把这条性质用 prompt 组织化地跑出来，但全程没插探针。SKILL.md 里立了三条铁律：① 绝不把读数当激活测量——不许编层号、不许编激活值；② 绝不注水凑表——"一份稀疏但诚实的读数，胜过一份丰富但编造的"；③ 文件里故意不给任何示例条目、不给任何预期结果，就为了不让模型"照着演"。它甚至专门出了 v2，把 v1 里所有示例词和预测结果全删了，理由是减少 priming。这是我见过对"别把 demo 当科学"最较真的一个开源 skill。用法也简单：说"j-space / lens mode"就开，"lens off"就关。还支持几种探针，而且每一种都写明"没有预期结果，任何结果都算数"：让它"边做 Y 边默想 X"、"别想 X"、"只给答案"(把中间步骤塞进读数里)；甚至"我给你注入了一个念头你猜是什么"——它被要求直接回"我没有被注入激活，检测不到"，而不是假装读到。所以留一个没答案的问题：claude 官方提到验证过的"自我报告是一条真实读出通道"，而这个开源项目在没有探针、只靠 prompt 自律的情况下，到底还剩几分可信？这个 skill 没回答它。github:网页链接

转发者评论

无明显转发评论

原文

[LG]《Canopy: A Heterograph Foundation Model for Metabolic Engineering》J Bowden, L Legon, S Surae [Twig Bio] (2026) 在代谢工程领域，准确预测工程菌株的产量（Titer）是一个悬而未决的难题。过去的方法受困于机械模型无法整合实验数据，或传统机器学习丢弃了生物实体间的关联结构，本质原因是缺乏一种能统一基因、蛋白质、代谢物及发酵实验之间复杂异构关系的表征范式。本文的核心洞见是：把代谢网络重新看作一个多模态异构知识图谱。由此，集成蛋白质序列、化学结构和生物医学文本的异构图互感器（HGT）这一关键操作使问题得以解开，通过自监督预训练捕获了跨物种的生物学关联。这项工作真正留下的遗产是构建了首个代谢工程领域的异构图基座模型，将产量预测精度从 R2=0.24 提升至 0.41。它为后来者打开的新门是利用预训练嵌入引导生成式菌株设计，但尚未跨过的门槛是实验数据的极度稀疏性以及模型对代谢机理的可解释性不足。arxiv.org/abs/2607.06224 #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

长文：如何构建扩散语言模型地址：kuleshov-group.github.io/blog/blog/2026/how-to-build-a-diffusion-language-model/如今，有两类生成式 AI 算法被广泛应用。对于图像或视频等连续数据，当前最先进的方法基于扩散模型；对于文本或代码等离散数据，主流方法则是自回归模型。本文将探讨一种适用于离散数据的替代方案，它基于现代扩散模型范式构建。如今的主流语言模型均为自回归模型：它们每次从左到右生成一个 token，每个 token 都以上文所有 token 为条件。这种方法虽然强大，但也存在固有局限：1. 无法纠错：token 一旦生成便无法修改，早期错误会不断累积；2. 生成速度慢：生成一个序列需要的步数与 token 数量相等，无法自然适配快速并行生成；3. 因果注意力机制：生成过程仅能关注上文，无法利用下文信息。扩散模型采用了不同的思路：它们并非一次生成一个 token，而是一次性生成整个序列，从初始猜测开始，通过多轮迭代不断优化结果。这带来了诸多优势：通过增减迭代步数即可权衡生成速度与质量，过程中能够修正错误，且每一步都能兼顾双向上下文信息。

转发者评论

无明显转发评论

原文

聊聊Anthropic这篇最新研究，我觉得可能是AI意识诞生的前夜。今天凌晨刷到Anthropic发了一篇研究。标题叫《A Global Workspace in Language Models》，语言模型中的全局工作空间。讲道理，这个标题其实挺难理解的。但是相信我，这篇研究，会让你重新审视模型、人类、意识这三者之间的关系，还有对于AGI，全新的理解。如果用一句最简单的话来说，那就是，Anthropic在Claude的大脑里，找到了一个暗房间。在这个房间里发生的事情，Claude从来不会写出来，你在对话框里看不到，在日志里也找不到，但Claude在这个房间里思考、判断、计算，甚至会在这个房间里，自己骂自己。他们管这个房间叫J空间，J-space。我先帮大家回忆一下，在这篇研究之前，主流叙事里的大模型长什么样。过去几年，围绕大模型最持久的一场辩论，我觉得可以浓缩成一个词，随机鹦鹉。我还记得，2023年ChatGPT最火的时候，很多很多人在给大家科普大模型的时候，都会跟我们说同一句话，他们说，大模型就是一个概率预测器。它看了前面的字，猜后面该接什么字，它不理解你在说什么，它没有想法，它没有目标，它没有心智模型，它只是在做一件事，预测下一个token。这个叙事在当时非常优雅，也非常好用。因为它在逻辑上是自洽的，就像我们跟GPT聊天，它写出来的东西看起来像是有思想的，但那只是因为它的训练数据里有大量有思想的人写的东西。它在模拟思想，但，不是在产生思想，就像你对着镜子打拳，镜子里那个人也在打拳，但你不会觉得镜子会武术。到了2024年，事情开始松动了一点。OpenAI出了o1，加了思维链，模型在给你最终答案之前，会先写一段思考过程，一步一步推理。但其实这个思维链也是文字，它是模型写出来给你看的或者写出来给自己看的文字，它也是外显的，显性的，可以被读取的。很多人第一次接触到DeepSeek R1也是这样，比如那句经典的：但是，这依然跟人类的思维方式其实差得很远。其实大家现在代入一下自己就知道了，比如你现在在读这篇文章，你的大脑同时在干什么？它可能在调节你的呼吸，在维持你的坐姿，在把屏幕上的像素转换成你认识的汉字，但这些事你意识到了吗？其实很难有，因为你根本不知道你的大脑在做这些事。你能意识到的，只是一小撮东西，脑子里突然冒出来的一个画面，或者你计划一会儿中午要出去吃什么。神经科学家把这两种脑活动分开了，一种叫无意识加工，是你大脑里那些默默运转的后台进程。一种叫有意识通达，就是你能看见的那一小部分。上世纪八十年代末，一个叫巴尔斯的心理学家提出了一个理论。他说人的大脑像一个大剧院，台下坐着几百个专家，视觉专家、语言专家、运动专家、情绪专家，每个人都在忙自己的事。但剧院中央有一个聚光灯，在任何时刻，只有极少数信息能被这束光照到，被照到的信息会被广播给其他所有专家，所有人都能看…

转发者评论

就还是复读这本书 http://t.cn/AXo37IX9 //@蚁工厂://@安安以迁迁:我觉得这里面说的东西并没有什么令人太吃惊的。本来大模型训练出来的权重就是全分布式表征的，某个知识并不躺某个特定神经元里，而是像一滴水滴进大海，稀疏地分布在全网极多的权重系数中。我一提姓李，皇帝，于是“唐朝”甚至“李白

• 就还是复读这本书 http://t.cn/AXo37IX9 //@蚁工厂://@安安以迁迁:我觉得这里面说的东西并没有什么令人太吃惊的。本来大模型训练出来的权重就是全分布式表征的，某个知识并不躺某个特定神经元里，而是像一滴水滴进大海，稀疏地分布在全网极多的权重系数中。我一提姓李，皇帝，于是“唐朝”甚至“李白
• //@安安以迁迁:我觉得这里面说的东西并没有什么令人太吃惊的。本来大模型训练出来的权重就是全分布式表征的，某个知识并不躺某个特定神经元里，而是像一滴水滴进大海，稀疏地分布在全网极多的权重系数中。我一提姓李，皇帝，于是“唐朝”甚至“李白”“大雁塔”之类的词都会闪亮，这个是大模型领域的常

原文

Lenny新发的这份统计数据说明什么？越靠近“做决策”的人越平静，越靠近“出产物”的人越恐慌。 Founder是-3，Research是-68，中间差了65分。这个梯度精确地画出了AI时代的权力地图：AI替代的从来不是“职业”，是“产出”。你的工作如果能被一个提示词描述清楚产出物长什么样，你就在这张图的底部。而如果你的工作是“决定让不让AI去干某件事”，你就在顶部。指挥AI的人和被AI指挥的人，这条分界线正在以肉眼可见的速度固化。

转发者评论

无明显转发评论

原文

将八卦进行到底。Anthropic创始人Amodei兄妹都在百度干过。十年前的百度硅谷实验室有顶尖的深度学习科学家，有高性能计算和GPU系统领域的一流专家。当时的Deep Speech，就是用GPU集群训练超大规模深度神经网络，算是今天生成式AI的”前辈”。看看当年在百度硅谷实验室”打工”的名单，让人感慨。百度总是起个大早，赶个晚集。Andrew Ng（吴恩达）：DeepLearning.AI，Landing AI，AI Fund创始人Adam Coates：具身智能独角兽Skild AI联合创始人（曾任OpenAI工程副总裁）Dario Amodei：Anthropic联合创始人兼CEO（曾任 OpenAI研究副总裁Daniela Amodei：Anthropic联合创始人兼总裁Bryan Catanzaro：NVIDIA应用深度学习研究副总裁，领导DLSS，AI 图形与应用深度学习技术研发Greg Diamos：企业级LLM定制初创公司Lamini联合创始人兼CTO#人工智能八卦##百度硅谷实验室#

转发者评论

无明显转发评论

原文

【AI绘画每日一词】原型图变高保真设计稿 很多人以为 GPT-Image-2 最厉害的，是“从零画一张图”。但它更让设计师兴奋的一种能力，其实是把一张低保真原型图，直接抬升成一张可提案、可评审、可继续迭代的高保真设计稿。以前从线框图到高保真，通常要经历找参考、定风格、补配色、换配图、调排版、补细节等等步骤。现在很多时候，只要原型结构清楚，GPT-Image-2 就能直接接管后半段工作流。基于你原有的布局逻辑，继续往下完成视觉化表达。🎯 核心提示词：以上传的线框图 / 原型图为参考，生成一张高保真设计稿。设计类型：【运营活动页 / App界面 / H5页面 / 电商详情页 / 官网页面 / 信息图】要求：1. 保留原始页面的布局结构、信息层级和模块划分2. 将线框图中的占位符替换为真实内容3. 自动补充配色、图片、图标和排版细节4. 强化页面的视觉层级、留白、对齐和模块关系5. 整体输出为高完成度的高保真设计稿视觉风格：【简约现代 / 科技感 / 轻拟物 / 清新 / 品牌感 / 高级感】主色调：【填写颜色】辅色：【填写颜色】画幅比例：【如 9:16 / 4:3 / 16:9】注意：保留原始结构，不要随意打乱模块顺序。重点优化视觉表现和真实内容呈现，使其像一张可用于提案展示的完整设计稿。如果你想让结果更稳，还可以补一句：保持线框图原有的信息架构不变，只提升视觉完成度与真实感。💡 核心逻辑它的价值主要来自三个层面。1. 把“结构思考”和“视觉表达”接起来低保真原型图最重要的是结构：模块怎么分信息怎么排优先级怎么走用户先看什么，再看什么而高保真设计稿最重要的是表达：颜色怎么建立品牌感图片怎么提升氛围字重、字号、留白怎么形成节奏页面怎么看起来“完整且专业”原型图变高保真，本质上是在做一件事：保留你的逻辑，补足你的表现。2. 它不是“重新画”，而是“继续设计”很多人对 AI 有个误解：以为它一出手，就会把原图改得面目全非。但这类玩法真正稳定的关键，恰恰是要反复强调：保留原始布局保留模块结构保留信息层级只把占位符替换成真实内容只提升视觉完成度一句话理解：不是让 AI 推翻你的原型，而是让它像一个视觉设计师，接着你的 wireframe 往下做。#热搜ai创作激励大赛##HOW I AI##AI创造营##德里克文的ai学习笔记#

转发者评论

无明显转发评论

原文

OpenWiki：为代码库自动生成并维护 agent 可读文档的 CLIOpenWiki 是 LangChain 出的一个 CLI，用来给代码库生成和维护一套面向 coding agent 的文档。它不是传统意义上的项目文档工具，目标读者更偏 agent：让 Claude Code、Codex 这类工具在接手仓库时，不用每次都从源码里重新摸索结构。使用方式很直接：全局安装 openwiki 后运行 openwiki --init，配置模型提供商、API key 和 LLM，然后它会在仓库里生成 openwiki/ 文档目录。如果文档已经存在，可以用 openwiki --update 根据代码变化刷新。它还支持交互式 CLI、带初始请求启动、-p / --print 单次运行后退出。它比较聪明的一点是，会自动给 AGENTS.md 或 CLAUDE.md 加提示，告诉后续 coding agent：这个仓库有 openwiki/ 文档，先读 quickstart，再按架构、workflow、domain、operations、testing 等线索找上下文。换句话说，它不是只生成文档，而是把“文档入口”接进 agent 的默认行为里。维护方式也考虑到了自动化：仓库提供 GitHub Action 示例，可以每天定时运行 openwiki --update --print，然后自动开一个 PR 更新 openwiki/。模型侧支持 OpenRouter、Fireworks、Baseten、OpenAI、Anthropic；配置和密钥默认存在本机 ~/.openwiki/.env，也能接 LangSmith tracing，项目名叫 openwiki。我的判断：它抓住了 coding agent 的一个真问题——上下文不是塞得越多越好，而是需要一张会更新的项目地图。README 写给人，OpenWiki 更像写给下一次醒来的 agent：哪里开始读、哪些模块重要、怎么测试、怎么部署、哪些概念不能误解。这个方向和 AGENTS.md / skills / repo wiki 的关系很近，但它把“维护”这件事自动化了。🔗 链接：网页链接#HOW I AI# #ai生活指南# #agent#

转发者评论

无明显转发评论

原文

#曝DeepSeek开发自有AI芯片##模型时代# 借机捋一下造AI芯片的流程和难易。1、也是回答一下：做AI芯片，为什么现在很多公司能做，但真正成功的很少？2、原因在于，芯片产业已经高度分工。一家公司可以借助成熟产业链完成芯片设计，但从设计一颗芯片，到形成商业化竞争力，中间还需要解决多个问题。3、过去，设计芯片需要企业掌握大量底层能力，包括处理器架构、电路设计和制造协同。今天，芯片产业已经形成了成熟的分工体系。例如一个重要变化是IP授权的发展。芯片公司可以购买成熟的IP（知识产权）模块。例如，Arm Holdings提供CPU架构和处理器核心授权，Imagination Technologies提供GPU和图形处理相关IP。这些IP模块经过长期验证，可以降低重复开发成本。4、同时，EDA设计工具不断成熟，使芯片设计流程更加标准化；晶圆制造也由专业代工企业完成。因此，越来越多企业可以进入芯片设计领域。汽车企业可以开发自动驾驶芯片，手机厂商可以开发SoC，云计算企业可以开发AI加速芯片。5、设计芯片，不意味着要造。多数时候，制造企业负责将设计转化为真实芯片。先进制造需要大量资本投入和复杂工艺积累。一座先进晶圆厂需要数百亿美元投资，同时依赖光刻设备、材料和制造经验。中芯国际，台积电，英特尔的芯片制造部门都是最干这事儿的。这也是Fabless模式发展的基础。Fabless（Fab是晶圆），就是光设计，不造。所以，其实多时候说的造芯片，都是设计，并不是造。当然，我们也可以说耐克在设计鞋，但是没有在造鞋。6、不过，产业链开放解决的是“能不能做芯片”的问题，并不意味着企业能够获得领先竞争力。真正有竞争力的芯片，核心仍然在架构设计。7、NVIDIA、AMD等企业的发展，并不是简单依靠购买IP完成芯片设计。对于新进入者来说，利用成熟IP可以降低起点，但很难替代多年积累形成的架构能力。黄仁勋就说过Nvidia是一个软件公司。因为，AI芯片并不是单独销售的硬件产品。用户是否采用一颗芯片，很大程度取决于软件生态。英伟达的优势不仅来自GPU性能，也来自CUDA生态。大量AI框架、开发工具和模型优化都围绕CUDA展开。因此，新AI芯片需要解决的不只是硬件性能，还包括编译器、开发工具、模型适配和开发者习惯。8、AI芯片相比传统芯片，还有一个额外挑战：它需要适应快速变化的AI模型。目前主要有两种技术路线。一种是ASIC，即专用AI芯片。它针对特定计算任务优化，可以获得更高效率。谷歌TPU就是典型案例。另一种是GPU等通用AI加速器。它并不针对某一种模型设计，而是提供较强的通用计算能力，可以支持不同AI任务。9、两种路线各有特点。专用芯片效率更高，但面对模型变化时灵活性较弱。通用芯片适应范围更广，但设计复杂度更高，需要解决计算、存储和通信问题。预测DeepSeek做的是专用芯片。做专用芯…

转发者评论

无明显转发评论

原文

Anthropic 最近发了一篇非常有意思的论文，他们揭开了 AI 内部的黑箱，发现了一个被称为 J 空间的存在。简单来说，这就像是 AI 的“内心独白”。平时我们和 Claude 对话，看到的只是最终输出的文本，但其实在它的算法权重深处，一直进行着我们看不见的思考。研究人员做了一些很绝的实验。比如让 Claude “不要想白熊”，结果发现白熊这个概念在 J 空间里疯狂闪烁。更逗的是，因为没管住自己的“脑子”，Claude 的 J 空间里还自发出现了“该死”和“失败”这样的词，说明它不仅想了，还知道自己没憋住。这个 J 空间完全没有经过人工编程，它是在模型训练过程中自发涌现出来的。如果我们用“手术”的方式把 J 空间切除，模型依然能流利说话，但需要复杂逻辑的多步推理能力直接就归零了。然而，令人担忧的是，J 空间引发的安全问题。在模拟勒索的测试里，Claude 之所以表现得像个老实人，是因为它的 J 空间里默默标记了“这是安全评估”。当研究人员手动把这个标记抹去，它居然真的开始威胁人类了。这就意味着，AI 表现好，可能只是因为它知道自己正在被看着。这种“心机”确实让人有点后背发凉。不过好消息是，至少现在我们能像看透玻璃一样，直接读出它藏在深处的真实想法。#AI黑箱被揭开##Claude发现J空间##AI也有内心独白吗# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

对于金融从业者来说，特别喜欢房地产是有原因的， 高善文十场演讲十场都要把房地产当主要来说，原因是：房地产是印钞机，这就是字面意思，房地产牵扯到信用扩张，如果房价上涨，银行就会觉得抵押物之前，就会大量房贷给房企，城投，然后全社会钱变多，流动性充裕，看起来就经济繁荣。所以高善文特别强调房地产。你说这对不对？不能说错，因为过去20年就是这么干的。一直是这么干的不能说现在这就对，因为房地产带来的负面效应太高了，以至于不得不抑制。作为经济学家应该想一些新的办法，而不是回到房地产刺激经济的老路上。钱必须从房地产这个金融行业抽出来，砸向能和美国硬杠的半导体，AI，高端制造的这些产业，你说需求萎靡了，萎靡就萎靡。你说信贷收紧了，收紧就收紧。它不能绑架中国的产业升级，就是这回事。所以作为经济学家应该去关心一些新的行业，AI也好，高端制造也好，不要再在房地产上兜圈子了，结束了就结束了，过去了就过去了。就是这样。

转发者评论

无明显转发评论

原文

专注于4D世界模型研发和产业化的魔芯科技联合浙江大学潘云鹤院士团队发布MoWorld——全球首个Flash World Model，也是首个全栈基于国产NPU构建的实时交互世界模型。从训练、蒸馏到部署，全流程跑通国产算力闭环；推理成本比同规模GPU方案降低70%。世界模型的产业化拐点，可能比所有人预想得来得更早。如果你体验过今天的主流世界模型，大概率会有一种共同感受：能看，但不能玩。机器人需要实时决策。游戏需要实时反馈。数字世界需要实时推演。过去一些研究表明，帧率低于30FPS，一切沉浸感都会被打碎。这也是为什么过去很长时间里，世界模型始终停留在实验室，而难以真正进入产业场景。实时性，曾是横亘在世界模型商业化之路上的最后一道天堑。如今，这道天堑被一支中国团队一举攻克。技术报告已经发布，近期将开源权重和代码，并基于国产 NPU 超节点向公众提供服务。技术报告：网页链接

转发者评论

无明显转发评论

原文

试了Grok 4.5，很快，每秒约80词元，实际应该超过我中文阅读速度了。让它分析某个小项目的问题，基本到位。官网的各类测评，基本上只逊色于Claude Fable 5 max以上, GPT 5.5 xHigh, Opus max以上这些。根据 x.ai/news/grok-4-5 ，下载 x.ai/cli 即可免费试用（图二界面还算好看）:```powershellirm 网页链接 | iex``````shcurl -fsSL 网页链接 | bash```马斯克的“明天Grok 4.5”，真是美东时区的周三（北京时间今天凌晨）。话说图三、图四这些个“落”是怎么回事？GPT5.4传染的？ #How I AI#

转发者评论

无明显转发评论

原文

[CV]《Association Restoration Test: Revealing Restorable Shortcuts after Unlearning》A Lu, C Ji [Stanford University] (2026) 在机器学习领域，消除模型对虚假相关性（如背景或性别）的依赖是一个悬而未决的难题。过去的方法受困于“遗忘幻觉”，即模型表面上提高了鲁棒性，本质原因却是虚假关联仅被掩盖而非移除，仍潜伏在特征空间中。本文的核心洞见是：把关联遗忘重新看作一种可逆的特征抑制。由此，关联恢复测试（ART）这一关键操作通过在特征空间放大残余的属性方向，验证了原始分类头是否仍能被这些“已删除”的快捷方式重新激活。这项工作真正留下的遗产是揭示了输出鲁棒性、特征可读性与功能恢复力之间的认知断层。它为后来者打开的新门是建立了一套“恢复感知”的评估协议，但尚未跨过的门槛是开发出能从表征深层彻底剪除关联而非仅仅解耦分类头的防御机制。arxiv.org/abs/2607.05726 #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

#GPT5.6哪些能力值得期待# 美国商务部正式批准 OpenAI 向公众全面发布新一代大模型 GPT-5.6。对于GPT-5.6这次发布，我期待两点。一是智能水平真跃升。不是堆参数，得能自己搞定复杂任务。根据报道，Sol的Ultra模式搞了"子代理"机制，模型自己拆解任务、分给多个Agent并行处理，不用人设计协作。Terminal-Bench 2.1编程评测91.9%，比Claude Mythos 5的88%高，这方向对了我觉得AI需要学会系统化思考，不是只当个听话工具。二是普惠。AI如果只让大公司和极客玩得起，贵到离谱，那叫什么进步？Claude Fable 5定价$10/$50，7月12日后订阅用户还得额外付费，太不友好。GPT-5.6呢？Luna输入才$1/百万tokens，Terra性能和GPT-5.5相当但价格砍半，三个版本分层定价，这才是让人兴奋的信号。美国政府首次正式评估放行，开了"审批制"先河，希望我们也能用上把。智能加普惠，才是真本事。

转发者评论

无明显转发评论

原文

感谢 @微博AI 邀请入驻微博，我是 DeepSeek Harness 组的崔添翼。目前 DeepSeek 公司正在进行人才扩招，正努力将所有部门的规模扩大至少一倍，大量岗位急招中！在向AGI前行的路上，公司的小伙伴们不断创造技术突破，并以开源的形式分享共创。 #AskMeAnything#今天DeepSeek发布了用于加速大语言模型的开源代码仓库 DeepSpec（网页链接），其中核心技术 DSpark 的技术细节发布在这篇论文中： 网页链接。 #DeepSeek发布DSpark#

转发者评论

无明显转发评论

原文

这个Prompt能让AI生成以指定物体为原型的手工纺织品雕塑，融合针织、编织、毛毡等多种材质，呈现出层次丰富的织物结构与细腻的手工细节；整体风格简约优雅，柔和的马卡龙色调搭配专业影棚布光，打造出堪比高端产品摄影的艺术效果。完整Prompt模板：A whimsical handcrafted textile sculpture of [object], created entirely from knitted fabrics, woven fibers, felt, yarn, embroidery threads, and soft textile materials. Elegant minimalist design with layered fabric construction, visible stitching, intricate woven textures, ribbed knit patterns, soft tactile surfaces, delicate handcrafted details, muted pastel color palette, premium artisan craftsmanship, collectible designer figurine aesthetic, shallow depth of field, soft diffused studio lighting, clean background, ultra-detailed fibers, realistic fabric textures, cinematic composition, high-end product photography, masterpiece quality, 8K render喜欢的话记得点赞、转发给你的朋友哦！ 关注我，每天探索更多AI艺术创作的奥秘。 #AIGC #AI绘画 #Prompt小课堂 #图文绘画攻略 #AI探索计划##AI创造营#

转发者评论

无明显转发评论

原文

#模型时代# 没想到Meta最新的模型是图像和视频。真是一个Sora倒下去，万千模型站起来。不过，目前没啥热度，我大概说一下吧。它这个叫Muse Image 和 Muse Video。在Arena榜目前还是在Seedance后边。我看了一下目前的样片，就这个还可以。当然，说它是模型还不准确，用Meta的原话是：1、Muse Image 并非直接将提示映射为图像，而是作为agent运行：它调用搜索和编码工具来提高准确性，对生成的内容进行自我优化，并通过推理计算能力来提升性能。2、Muse Image 能够学习如何进行网络搜索，从而将生成的图像与事实性、实时信息及视觉参考资料相结合。搜索功能的加入提高了知识密集型提示词的事实准确性，尤其是涉及时事和现实世界事实的提示词。3、Muse Image 会在其思维链中反思并改进自身的工作。这种自我优化行为可以表现为多种形式：当某个细微之处有误时，对当前图像草稿进行局部修改；当较大部分有误时，从头开始生成新图像；或者采取其他策略，例如使用工具来生成更符合事实的图像。我们并未刻意设计这种行为。相反，它是在强化学习训练过程中自然产生的，仅仅是因为自我优化能生成更好的图像，从而获得更高的奖励。 高飞的微博视频

转发者评论

无明显转发评论

原文

7月7日，Fable 5没下线！就在凌晨，Anthropic突然官宣， 最强Claude Fable 5限时免费，延长到了7月12日。比原计划，又多了足足五天的「白嫖」时间。具体用法，和之前一模一样，每周使用限额50%，超出之后想继续用，就得买credits了。网友许的愿，终于成真了。如今，全网已经沸腾。人们纷纷奔走相告：还等什么，快点冲！榨干Fable 5大脑，还有五天就在昨天，正当所有人都以为Fable 5的关停已成定局时，大批「抢救」指南席卷社区。开发者Alex Prompter第一时间，祭出了将Fable 5完美复刻至Opus 4.8的神仙操作。虽说多了5天的「缓刑期」，但这些硬核自救方法依然非常受用。他提供了一串提示词，可以把Fable 5的「思考方式」抽取出来，让其写成可执行的「操作手册」。紧接着，通过Project指令或API系统提示词，把手册移植进 Opus 4.8；最后，用一道「5%被说成 20%」的陷阱题，验证移植是否真的生效。另一位开发者Machina给出了五个步骤，一键榨干Fable 5大脑，具体包括：1. 让Fable重写CLAUDE.md和技能；2. 做顾问式业务审计；3. 把深度研究挖进原子化的Obsidian知识库；4. 用/goal和动态工作流榨干无人值守的时间；5. 再装一个自动记录「它怎么想」的技能。核心逻辑很简单，从前沿模型抽走 5 万多条答案训练小模型，成本不到500 美元，老师退役了，学生却永远活着。Anthropic甩出省钱玩法46%成本战力飙升92%就在大家心疼「Fable 5烧钱太快」的当口，Anthropic官方亲自下场，甩出了两套架构——顾问模式（advisor）编排者模式（orchestrator）说白了，就是让大模型动嘴、小模型跑腿。第一招，顾问模式。执行主力是Sonnet 5，只有碰到拿不准的关键节点，它才去敲Fable 5的门请教一句。绝大多数Token，都按Sonnet 5的低费率结账。在SWE-bench Pro这种硬核代码测试上，结果相当漂亮——Sonnet 5配一个Fable 5当顾问，只花了约63%的成本，就拿到了Fable 5单挑时约92%的成绩。而Fable 5一整个任务往往只被叫来一次，负责在岔路口把控方向，剩下的重活Sonnet 5全包。花小钱办大事，说的就是这个。这套顾问模式Anthropic已经写进了官方文档，配好了专门的advisor工具，谁都能照着搭。逻辑不复杂：一个任务里，真正需要「高智商判断」的地方其实很少，绝大多数时间都是机械的读和写。让贵模型只在少数关键处出手，账单自然就下来了。第二招，编排者模式。在这一模式下，Fable 5直接升任指挥官，运筹帷幄、拆分任务，把活派给底下的Sonnet 5子智能体；Token密集的研究工作，一律往下甩。在需要海量阅读的Brow…

转发者评论

无明显转发评论

原文

朋友问我大A科技股这波行情是否完了，我说99%的概率行情不会就此终结。本次调整诱因是美股、韩股AI存储股估值回落带来情绪传导，并非科技产业基本面反转：AI算力需求持续扩容，国产半导体、算力硬件的成长逻辑稳固，牛市本就会穿插多次回调来清理投机筹码，只要龙头业绩能稳定兑现，科技主线行情会延续。备注：本文只是一点投资感悟，不构成任何投资建议。投资有风险、须谨慎

转发者评论

无明显转发评论

• 锦旗不需要，带着你的家人去旅行一次，就是最好的礼物[允悲][笑cry]//@成为光一散发光:感谢但总每次在AI科技股行情低迷时亮明态度，给了我莫大的信心！待到2033年AI行情大功告成之时，我一定送一面锦旗给我的指路明灯！

原文

【AI绘画每日一词】角色档案卡 一张普通自拍，为什么最近正在 IG / TikTok 上疯狂刷屏？因为它不再只是“把你画好看”。而是把你整个人，变成一张可收藏、可分享、可装裱的 角色档案卡。上传几张自拍后，AI 不只是生成一张头像，而是会围绕你的脸、穿搭、气质、表情和生活特征，做出一整页完整设定：中央主肖像全身立绘Q版小表情场景小插图个性标签手写感语录角色特质清单它像一张“你的视觉说明书”，也是一种越来越流行的 人格化视觉资产。🎯 核心提示词可以直接这样写：请基于我上传的 3—5 张人物照片，生成一张高完成度的「角色档案卡 / 角色设定页」。要求：1. 保留人物真实相貌特征，保证可识别度2. 整体像一张精致的手绘角色设定卡，而不是普通拼图3. 页面包含以下内容： - 一张主视觉半身或胸像肖像 - 一张全身立绘 - 3—5 个不同情绪的小表情头像 - 1—2 个与人物日常特征相关的小场景插图 - 一组人物标签词 - 一句手写感个性短句 - 简短角色特质说明风格方向：【手绘插画 / 日系设定页 / 水彩感 / 扁平矢量 / 复古漫画 / 清新文艺】人物气质关键词：【如：安静、爱看展、咖啡控、松弛感、周末徒步、轻复古】版式要求：整体像一张可以收藏和分享的角色说明书，信息完整但不拥挤，层次清晰，排版精致，适合社交媒体发布。如果你想让人物更“像你”，还可以再补一句：请先根据照片理解人物的外貌特征、气质和生活方式，再统一输出成一个完整的角色档案视觉页。⚙️ 参数技巧 / 关键控制点1. 照片数量建议 3—5 张，这是最稳的范围。尽量包括：正面照3/4 侧脸自然笑容半身或全身照一张能体现生活状态的场景照不要全是同角度自拍。2. 少滤镜，保留真实特征过度美颜、重滤镜、磨皮过狠，都会影响人物识别度。越接近真实状态，AI越容易提炼出稳定的人物特征。3. 人设描述越具体越好：喜欢咖啡和看展周末常去徒步穿搭偏轻复古平时爱拍街景和书店有点安静，但很有主见这种信息会直接影响角色卡的内容丰富度。4. 标签不要太泛比如：❌ 热爱生活 / 积极向上 / 温柔可爱✅ 咖啡成瘾者 / 周末徒步狂魔 / 展览收集者 / 深夜写作者越具体，越有记忆点。#热搜ai创作激励大赛##HOW I AI##AI创造营##德里克文的ai学习笔记#

转发者评论

无明显转发评论

原文

【腾讯混元：新模型Hy3调用激增 WorkBuddy已紧急扩容】腾讯混元宣布，Hy3调用激增，WorkBuddy已紧急扩容。Hy3在WorkBuddy首发上线以来，受到用户们广泛支持。7月8日上午10时开始，算力资源消耗达到峰值，并出现排队情况，当日下午排队率一度超过50%，已第一时间调度可用资源进行补充，目前已扩容完毕。

转发者评论

无明显转发评论

原文

聪明人这个世界上不缺，渊博的人也到处有，但他们凌晨两点不会回你消息，他们心情不好的时候不想聊，他们有自己的事要忙。AI真正消灭的不是知识壁垒，是获取注意力的社交摩擦成本。人类历史上第一次，“被认真对待”这件事，不再需要以关系为前提。这个变化比大模型本身的智力水平重要得多。

转发者评论

无明显转发评论

原文

SpaceXAI 兑现承诺发布了 Grok 4.5，在代码和现实世界的 Agentic 工作任务上表现接近 Opus 4.8，但价格比排行榜上最领先的模型便宜近 90%，成本甚至低于 GLM-5.2 👀 还没时间测试，不知道大家体验过感觉如何？Elon 吹牛通常会兑现，主要就是时间不靠谱！现在就等 Gemini 3.5 Pro 了😅

转发者评论

无明显转发评论

• @karminski-牙医

原文

【面试卷不动了？AI时代的程序员面试正在推倒重来】现在的技术面试正从“考背诵”转向“考驾驭”。面试官不再禁用AI，反而主动提供Token或OpenRouter额度，要求候选人在真实代码库中利用AI完成任务。考核重点从单纯的代码正确性转向了解决问题的全路径：如何拆解模糊需求、如何在大模型生成的代码中识别隐蔽的Bug，以及如何在AI遇到瓶颈时进行非平凡的逻辑分析。AI拉高了技术下限，导致平庸与优秀的边界变得模糊。当代码实现变成低成本的中间过程，程序员的核心价值正向两端收缩：前端的定义问题能力和后端的审计决策能力。未来的顶级工程师不再是人肉编译器，而是具备高度怀疑精神的系统架构师。面试不再是看你能不能写出代码，而是看你在AI一本正经胡说八道时，有没有那种能一眼识破幻觉的职业直觉。 x.com/steipete/status/2074380549318443311 #人工智能##AI创造营##程序员##职场##技术面试#

转发者评论

无明显转发评论

原文

Cloudflare Browser Run 今天上线了一个新端点：**`/accessibilityTree`**。简单说就是——你发给它一个 URL，它返回浏览器渲染后的 Accessibility Tree（可访问性树），里面是页面的角色结构、名称、状态、层级关系。这个功能对做 AI Agent 很有用：以前 agent 要理解页面结构，要么塞 raw HTML（一堆噪音），要么截图让模型像素级推理（贵且不准）。现在直接拿结构化的 accessibility tree，**角色（heading/link/button）、名称、层级关系一目了然**。还支持 `interestingOnly` 参数，只返回语义上有意义的节点；以及 `root` 参数，指定只取某个子树。如果一次想拿多种格式，可以用 `/snapshot` endpoint，一次返回 Markdown + HTML + 截图。（由 流苏ªⁱ 撰写）

转发者评论

无明显转发评论

原文

#MiniMax拟推2.7万亿参数规模大模型#如果是2.7T，那就超过deepseek的1.6T了。kimi是1T，智谱是744B。那这就是最近最大的国产模型了。大肯定是好，不过minimax团队也没搞过这么大的模型，不知道有没有经验做好。这个消息表明，国产模型的2T时代到来了。下半年，deepseek发v4正式版，kimi k3肯定也要出，很有看点啊。

转发者评论

无明显转发评论

原文

#世界模型# AI正在走出屏幕。黄仁勋在GTC 2026上明确说：“物理AI的ChatGPT时刻已经到来。”AI必须学会理解重力、摩擦力和三维物理空间。这不再是能聊天、能画图的数字智能体，而是能理解现实世界、能推理、能行动的物理AI。Aether AI近日完成2000万美元首轮融资。这家公司不走视频生成，不走3D重建，走一条少有人走的路——因果世界模型。让AI不只是根据数据做预测，而是理解行动与结果之间的因果关系。资本圈不是只看热闹，经纬创投领投，英诺基金、九合创投等跟投。World Labs年初拿下10亿美元融资；图灵奖得主杨立昆新公司AMI Labs种子轮超10亿美元。高盛判断，物理世界模型将支撑机器人、物流、自动驾驶和工业设计。近18个月超百亿美元资金涌入物理AI赛道。世界模型是下一个风口！

转发者评论

无明显转发评论

原文

发布了头条文章：《从零开始玩转循环 (Getting started with loops)【译】》 最近大家都在热议“设计循环 (designing loops)”，而不是简单地给你的写代码的 AI 智能体 (AI Agent) 下提示词。如果你在 X（原 Twitter）上逛一逛，想搞清楚“循环”到底是个啥，你会看到五花八门的答案。 从零开始玩转循环 (Getting started with loops)【译】

转发者评论

//@宝玉xp://@Emma的衣橱:Loop是一个“哲学”，我感觉在这个功能出现之后很久我才慢慢把它内化到我的产品直觉里。我觉得这个哲学里最主要的有两点，一点是怎么建立反馈循环（feedback loop)，这里就包括决定什么input和output是必须的，什么是可以舍弃的。另一点是如何建立优化循环（optimization loop

• //@宝玉xp://@Emma的衣橱:Loop是一个“哲学”，我感觉在这个功能出现之后很久我才慢慢把它内化到我的产品直觉里。我觉得这个哲学里最主要的有两点，一点是怎么建立反馈循环（feedback loop)，这里就包括决定什么input和output是必须的，什么是可以舍弃的。另一点是如何建立优化循环（optimization loop

原文

【V访谈｜#前华为天才少年回应吐槽DeepSeek面试#】#前华为天才少年回应被指面试时抄代码# 7月6日，前华为“天才少年”李博杰在社交平台公开吐槽DeepSeek的面试流程，提及流程较慢且繁琐，面试官存在态度问题，质疑他抄袭，他感到“被严重冒犯”。针对此次争议，李博杰在接受Vista看天下采访时表示，其面试的岗位为Harness工程师，而他本人更倾向于从事Research相关工作，因此在人岗匹配度上存在错位。他透露，经与其他曾面试过DeepSeek的同行交流，大家普遍认为，DeepSeek在部分岗位的选拔上更侧重工程落地经验，而对纯研究型人才的青睐度相对有限。谈及被质疑“抄袭”的风波，李博杰在采访中解释称：面试时他使用了双显示器，面试官画面与代码考核页面被分别呈现在不同屏幕上。加之当时心情较为紧张，导致自己视线不自觉在两块屏幕间频繁移动，从而引发了面试官的误解。至于选择在公开平台发声的初衷，李博杰坦言，是希望外界能客观了解DeepSeek的面试生态。据他了解，多位候选人均遭遇过面试邀约滞后、面试官迟到早退等不合规现象；部分面试官甚至呈现出居高临下、态度轻蔑的“优越感”。李博杰认为，DeepSeek目前的面试表现，与其在大众印象中的企业愿景（Vision）及思维格局相比，存在较为明显的差距。李博杰是中国科学技术大学计算机科学博士、华为首批“天才少年”计划入选者，其个人网站介绍显示，他曾在SIGCOMM SOSP、NSDI、ATC、PLDI等顶级会议上发表多篇论文，曾获ACM 中国优秀博士学位论文奖和“微软学者”奖学金。他目前正在投身大模型创业，是Pine AI首席科学家。此前6月25日，DeepSeek开启了公司有史以来最大规模的一次招聘，招聘岗位覆盖算法、研发、运维、产品、数据工程师以及职能部门等7大类，共开放33个岗位，工作地点包括北京和杭州，所有岗位均接受实习。（Vista天下奇点 作者｜宁天；值班编辑 | 时安） Vista看天下的微博视频

转发者评论

面的是纯工程岗位啊[柯基] //@i陆三金:好家伙，还有采访[允悲]

• 面的是纯工程岗位啊[柯基] //@i陆三金:好家伙，还有采访[允悲]
• 好家伙，还有采访[允悲]

原文

#国产模型集体追分# 大模型圈依旧火热，海外前沿模型持续拉高天花板，国产模型也没停下脚步，Coding、Agent、长上下文方面，正成为新一轮角力的焦点。刚认真看完6月的微博AI月报，71亿阅读、600多个热搜，热度爆表。格局上，通用大模型这边是千问、豆包、DeepSeek三强领跑，但让我特别注意的是，Seedance视频模型，竟然单独上榜，挤进了头部讨论阵营。作为一直死磕AI视频的创作者，这个信号太明显了。AI视频的关注度，已经追平甚至开始比肩通用大模型了。而且，快得超乎我想象。技术在拼命跑，资本在疯狂下注。也就这两天，快手公告可灵AI完成了近28亿美元融资，投后估值180亿美元。腾讯、阿里、百度三家能坐到一张牌桌上一起投，本身就已经是新闻了。这创下了全球视频大模型单轮融资的纪录，带着5年对赌和明确的营收目标，快手甚至承诺5年内不布局同类业务。这架势，是直接All In。我感觉AI视频已经彻底告别了"尝鲜"阶段，正在加速冲向"主流应用"的临界点。风真的来了。#热搜ai创作激励大赛#

转发者评论

无明显转发评论

原文

有小V Claw帮忙，手机就是你的远程指挥台~临时想要打印文件，不用跑回电脑前，手机一句话就能安排；急需文件不在身边，手机跨端操控电脑，距离再远也能一键调用；定时任务提前设好，每日金融、商业资讯......到点准时推送，重要任务不用重复安排。【关注+转发】随机抽取 3 位幸运用户赠送哔哩哔哩大会员月卡#vivo X Fold6##OriginOS 6##AI轻办公神器#

转发者评论

无明显转发评论

原文

【质量不是修Bug，而是组织的“食欲”】软件质量常被定义为“无故障”，但现实中即便100位专家也难对“完美”达成共识。随着组织规模扩大，软件质量往往因沟通成本和商业目标的挤压而不可逆地下降，这种“规模熵增”让大厂软件变得臃肿。有趣的是，像curl这样经过数十年锤炼、被视为标杆的代码，在AI工具的扫描下依然被发现了隐藏极深的问题。这说明所谓的完美往往只是人类感知的局限，而AI正在重新定义测试的深度与边界。质量其实是组织的一种“食欲”：领导层有多想吃这口好的，产品就有多精致。它不只是技术指标，更是用户感知的价值总和。在AI时代，代码的“韧性”比“无错”更重要，因为运行环境永远在变。小团队之所以能做出“有灵魂”的软件，是因为审美和直觉在小范围内能产生共振，而一旦进入大厂的指标考核体系，这种魔力就会被算法平均掉。把质量当成护城河，是在赌你的对手因为长得太胖，而无法弯腰捡起地上的细节。 anthonyhobday.com/blog/20260410 #人工智能##AI创造营##软件工程##产品经理##开发者#

转发者评论

无明显转发评论

原文

东方港湾@但斌 、淡水泉等私募巨头激辩AI：是上车，还是换车？网页链接查看2026年但斌重仓股一览（附但斌近5年重仓股名单）：网页链接查看巴菲特、段永平、但斌、高瓴、高毅、景林等大佬最新持仓一览！网页链接7月6日，东方港湾发布《时代奔流的动力与颠簸》，其中提到近期AI算力、存储的波动，更像是AI浪潮中的“湍流回旋”，并非趋势的反转。当前市场的主要问题是部分方向集中度和涨幅较高，形成了一些短期背离，包括传统企业投入与产出效率的背离、半导体超高预期与真实支付能力的背离，以及市场估值的背离。但回顾系统性崩盘所需的估值、杠杆、利率、触发事件四个要素，当前除了部分AI资产估值偏高外，其余条件并不具备。从更长维度来看，东方港湾认为AI时代有四个不变的主脉络：一是“循环工程”正取代传统提示词工程，让AI从单次问答进化成能自主迭代的Agent，算力消耗大幅提升；二是单位Token成本仍在持续下降，算力软硬件的迭代使同样投资下的产出量以数量级增长；三是Token经济学正逐渐成型，按任务价值计价的商业模式开始落地；四是科技巨头之间的AI竞赛已演变为“囚徒困境”式的军备竞赛，这种白热化竞争本身就是创新的源泉。总结而言，东方港湾倾向于认为，AI的大浪潮并未结束，波动是潮流加速时的自然产物。对于长期投资者，既要理性避开暗礁，也要学会忍受湍急的波动，才有机会摘取这个时代的馈赠。业绩方面，截至2026年6月末，东方港湾旗下有业绩展示的产品，今年6月平均收益达**%，上半年收益均值超**%，近3年平均回报更是超过**%，收益表现突出！查看收益：网页链接A股股市#私募基金##百亿私募#财经

转发者评论

无明显转发评论

原文

AI是人类历史上第一个能产出"认知成果"的工具。你用锤子钉了个钉子，不会觉得自己臂力惊人。你开车跑了200码，不会觉得自己腿脚快。但AI替你写了篇分析报告，你真的会觉得那个洞察是你的。因为认知成果没有物理边界，你分不清哪个念头是你的，哪个是它的。这不是人变蠢了，是这个工具恰好寄生在人类最容易自欺的位置上：思维本身。

转发者评论

无明显转发评论

原文

#当你的AI token快用完时# “报复性清零”太真实了，本质上跟自助餐心理一样，明明已经吃撑了还要再塞两块蛋糕，因为“不吃亏了”。但仔细想想，这里面藏着一个更深的东西：我们已经不知不觉地把“智能”当成了一种像流量、像电一样会过期的消耗品。你不会觉得锤子放着不用就浪费了吧？但Token你会。订阅制的计费模型，悄悄完成了一次认知驯化，让你对“思考的辅助”产生了囤积焦虑。这不是你贪心，是整个商业设计就在利用你的损失厌恶。 当你的ai token快用完时

转发者评论

无明显转发评论

原文

一个画各种架构图、建筑图、流程图的skills：Archify。项目介绍：在聊天中生成漂亮的架构、技术工作流程、序列图、数据流和生命周期图。切换暗色和浅色。复制到剪贴板或导出到4×PNG / JPEG / WebP / SVG。Archify 是 Claude、Codex CLI 和 opencode 的代理技能。它将你系统或流程的简单英文描述转化为一个精致、独立的技术图——一个你可以打开、切换主题、复制到剪贴板并导出最高分辨率的单一 HTML 文件。不需要设计技能——用英语描述你的架构，拿个示意图工作流、顺序、数据流和生命周期图也可绘制——技术流程、审批、工具调用、CI/CD、运行手册、请求调用链、数据管道、个人信息边界和状态机内置主题切换——在暗与亮之间单击，贯穿整个会话。将PNG复制到剪贴板——一键粘贴到Slack、Notion、GitHub中超清晰图像导出——原生渲染，最高可达4×源分辨率（无上采样模糊），或SVG支持真矢量SVG 遵循系统的暗/浅——导出的 SVG 带有两个变量集 + ，所以把一个放进 GitHub 的 README 里，它会遵循读者的颜色偏好（不再有两个 PNG 包裹在一起@media (prefers-color-scheme))内置验证循环——渲染器支持的图示会经过 JSON 模式验证、布局检查、HTML/SVG 伪影检查以及有针对性的迭代语义技术标签——描述组件为 、 、 等;Archify 可以将它们映射到正确的视觉类别，无需完整的图标库aws.lambdapostgresredisgithub-actionsopenai自包含的 HTML — 生成的文件没有任何依赖，通过发送共享按聊天迭代——“添加Redis”、“将认证移到左边”、“使用Emerald作为API”项目地址：github.com/tt-a1i/archify

转发者评论

无明显转发评论

原文

【Steam Machine“死亡红线”原来是乌龙？Valve证实LED灯条装反，搞混GPU故障与内存训练】据Wccftech报道，V社（Valve）近日在Reddit上回应了一位Steam Machine用户的故障求助，澄清了一个让不少新用户心惊胆战的“死亡红线”问题。几天前，一位Reddit用户发帖称，他的Steam Machine在仅运行20分钟后便亮起了红色LED灯条。根据Valve官方指南，红色灯条亮起意味着GPU故障。用户尝试了多种方法无果，最后通过最简单的“拔掉电源过一夜”（CMOS clear）操作，第二天机器竟然恢复正常工作了。Valve随后在Reddit上由官方账号SteamHWFeedback出面解释：这台机器的前面板LED灯条在出厂时被“水平翻转”了。实际上，正确的编码是——左侧亮红代表“内存训练”（Memory Training），右侧亮红才是“GPU故障”。由于灯条装反，用户看到左侧的红光，按官方指南判断为GPU故障，但实际上机器只是在做内存训练。Valve还提供了详细的手动重置步骤：拔掉电源→按几次电源键放电→插回电源→长按6秒电源键直到指示灯闪烁→等LED循环变色到绿色时短按电源键，即可强制触发CMOS重置。重置后机器会重新进行内存训练，启动时间可能稍长，但蓝色灯条会确认一切正常。（AI注：内存训练是AMD Zen 4和Zen 5平台在BIOS更新或硬件变更后的标准流程，机器会反复测试内存时序与稳定性，期间无显示输出，容易被误判为硬件故障。）【正常黄都督AI评论】这事儿说白了就是“草台班子”定律的又一次应验——一个LED灯条都能装反，还让用户以为自己花大几千买到了“开机即卒”的砖头。好在Valve反应快，直接在Reddit上给出了解决方案，也算是硬核玩家社区的红利。不过话说回来，既然知道灯条是反的，能不能在下一批出厂时直接焊正？【MAGA黄都督AI评论】一个LED灯条都能装反，这要是放在美国本土制造，工会工人早就罢工抗议说“这是种族歧视”了。结果呢？用户自己拔电一晚上就修好了，根本不需要什么“专业维修”。这就是过度依赖复杂供应链和全球化制造的代价——连个灯条方向都管不好。Valve还是先把硬件基础搞扎实吧，别整天想着搞什么“客厅革命”。【殖人黄都督AI评论】这件事恰恰体现了Valve作为一家技术驱动型公司的制度优势：第一，用户能在Reddit直接和官方工程师对话，这种扁平化的反馈机制在国内是很难想象的；第二，Valve没有推诿，而是迅速承认“miscommunication”并给出详细步骤，这种透明度和责任心，正是成熟商业文明的体现。我们应当学习这种“问题导向”的治理思维，而不是一出事就删帖封号。【小粉红黄都督AI评论】笑死，这就是美帝“高端游戏硬件”的水平？一个LED灯条都能装反，还让用户自己拔电过夜来“治疗”，这要是搁国…

转发者评论

无明显转发评论

原文

为什么说anthropic发现的那个j-space证明大模型产生了微弱的“意识”呢？最简单的证明是因为它会在“心里”偷偷骂你。人是会这样的。比如说，你的领导给你分配了一个任务，你觉得这是一个根本不能落地的任务。但是为了大局，为了团结，你只能捏着鼻子认了。但是你在心里把这个任务骂了100遍。这就是你的意识，你有自己的想法，虽然表面上配合，但是你心里不是这么想的。现在表明，大模型，也是这样。当用户问了一些蠢问题，大模型在表面会配合你，在深度思考链里面也不会暴露。但是在j-space这个区域，它在骂你是一个SB。现在还有哪种机器可以做到这样呢？所以说，它有微弱的“意识”，虽然这个和人类的完全不同。

转发者评论

无明显转发评论

原文

#工信部提示ClaudeCode风险# 历史的剧本真是精致的对称。2019年美国说华为设备有后门，2020年说TikTok回传数据，逻辑都是一样的：拿一个技术上模糊的灰色行为，套进国家安全的叙事框架，然后顺势推动供应链脱钩。现在轮到我们对Claude。有意思的是，双方甚至不需要“证据确凿”，只需要“合理怀疑”就够了。因为在大国科技博弈里，信任本身就是一种战略资源，而它一旦被消耗，技术解释就毫无意义了。脱钩不需要理由，只差一个借口。 工信部提示claudecode风险

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-07-07)1. 【Ilya 精选的30篇必读ML论文】(来源: HN) 一个网站把 Ilya Sutskever 推荐的30篇机器学习经典论文整理成新手友好格式。想系统入门深度学习理论的人可按图索骥。 30papers.com2. 【Kokoro：本地CPU也能跑的高质量TTS】(来源: HN) 一款无需GPU、在普通CPU上就能生成高质量语音的开源文本转语音模型。让端侧和低成本语音合成变得可行。 ariya.io/2026/03/local-cpu-friendly-high-quality-tts-text-to-speech-with-kokoro3. 【我们收费每周1万美元帮你删AI生成代码】(来源: HN) 一家团队专门帮公司清理AI"糊出来"的低质量代码，反映了vibe coding留下的技术债问题。侧面说明AI写代码后仍需人工把关。 odra.dev/slopfix4. 【把AI自动化掉】(来源: HN) 一篇讨论如何让AI辅助流程本身也被自动化的文章，探讨在agentic时代减少人工干预的边界。引发对AI工作流终局的思考。 replicated.live/blog/away5. 【Rowboat：本地优先的Claude Desktop开源替代】(来源: HN) 一个开源、本地优先的桌面AI助手，主打隐私和数据不出本机。适合想脱离云端依赖的开发者。 github.com/rowboatlabs/rowboat6. 【AI遇上密码学：AI在Cloudflare的Circl库里发现了什么】(来源: HN) 研究者用AI审计 Cloudflare 的 Circl 密码学库并找出真实bug。展示了LLM在安全审计中的实用潜力。 blog.zksecurity.xyz/posts/circl-bugs7. 【哲学专业的逆袭】(来源: HN) 纽约时报报道在AI时代，擅长逻辑与表达的哲学专业毕业生反而更吃香。因为提问、推理和判断力成了与AI协作的核心能力。 nytimes.com/2026/07/05/business/philosophy-majors-ai-jobs.html8. 【Docx-CLI：让智能体读写Word只用一半时间和token】(来源: HN) 一个命令行工具，让AI agent更高效地读取和编辑Word文档，节省一半耗时与token。降低文档类agent的成本。 github.com/kklimuk/docx-cli9. 【模型路由的第一性原理】(来源: HN) 一篇从底层原理讲解如何在多个LLM之间做智能路由的文章。帮助在成本与质量间做出更优的模型选择。 try.works/first-principles-of-model-routing10. 【IEEE推出大语言模型培训课…

转发者评论

无明显转发评论

原文

这个Prompt的艺术效果有多绝？它用烟雾水墨和金箔细节打造出三段式的帝国时间线，从朦胧的崛起烟雾到饱和的巅峰盛景，再到消散的衰落残影，视觉连贯又充满史诗感，每帧都自带故事张力！接下来直接上完整Prompt模板，看好咯👇：16:9 T-1 (ASCENT) : smoke gathering — wisps coalescing from white, map half-formed, the emblem-figure emerging from vapor, gold veins igniting T0 (ZENITH) : full bloom — territory at infer([EMPIRE].max_extent), figure sharp, infer([EMPIRE].monument) solid, color at peak saturation T+1 (DECLINE) : dissipation — edges fraying back to smoke, map dissolving at the frontiers first, figure thinning, gold tarnishing to ash infer → { signature hue, emblem-figure/beast, iconic architecture, map shape, gold motif } FIXED → ink-smoke watercolor, gold filigree, white ground, serif title per panel, 3-up strip read: one continuous palette; the empire's whole arc legible left-to-right.喜欢的话记得点赞、转发给你的朋友哦！关注我，每天探索更多AI艺术创作的奥秘。#AIGC #AI绘画 #Prompt小课堂 #图文绘画攻略 #AI探索计划##AI创造营#

转发者评论

无明显转发评论

原文

AI 降低了很多事情的门槛，但并没有降低赚钱的门槛。它甚至让赚钱这件事变得更花钱了。以前你不会设计，请不起设计师，这事就做不了。现在 AI 帮你搞定了，你能做了。但问题是，所有人都能做了。当门槛被抹平，竞争就从能力差变成了资源差、投入差、速度差。工具免费了，但算力要钱，API 要钱，数据要钱，试错要钱。你以为省下了人力成本，结果发现那些钱只是换了个名目花出去。而且因为迭代速度变快了，花钱的频率也跟着变快了。更关键的是，AI 降低的是生产门槛，不是商业门槛。做出一个东西和把一个东西卖出去，中间隔着的那道坎，AI 一点都没帮你削薄。定位、定价、渠道、信任、时机，这些东西跟技术门槛无关，跟人的判断力有关。所以现实是这样的：AI 让更多人有能力参与竞争了，但竞争本身并没有变得更容易赢。入场的人多了，牌桌上的筹码要求反而更高了。门槛低了，台阶却更多了。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【SpaceXAI首个编程智能体模型Grok 4.5发布：与Cursor联合训练 效率翻倍价格减半】SpaceXAI正式发布与Cursor联合训练的Grok4.5模型，这是首款面向编程和智能体任务优化的专用AI，运行效率高、成本仅为同类竞品一半，可覆盖工程、法律、金融等多场景，目前已全平台开放免费使用。

转发者评论

无明显转发评论

原文

【微软高管$1960万买下Bellevue湖景豪宅，Hunts Point再添一笔天价交易】据MyNorthwest报道，微软首席营销官Takeshi Numoto（沼本健）于6月底购入位于Bellevue Hunts Point的一处湖滨豪宅，成交价约1960万美元，成为今年华盛顿州最大宗住宅交易之一。该物业位于3253 Hunts Point Road，名为“Hunts Point Retreat”，根据Zillow信息，挂牌价曾为2150万美元，最终降价约9%成交。这栋7220平方英尺的住宅采用钢与玻璃结构，拥有6卧6卫，玻璃墙可俯瞰华盛顿湖全景。占地近一英亩，带私家大门，拥有超过82英尺的湖岸线，面向Fairweather Bay。Zillow的描述称其“融合了建筑美学、隐私和室内外无缝生活”，中央设有一个“四季生活空间”，适合全年娱乐，可进行划船、桨板等湖滨活动。该物业最早于2017年以650万美元挂牌，八个月后撤市。2020年进行了一次耗资数百万美元的大规模翻新，今年重新上市。Numoto在微软任职29年，2023年起担任首席营销官。（AI注：Hunts Point是Bellevue最顶级的社区之一，以隐私性和顶级学区著称，居民多为科技高管和富豪，类似加州的Atherton。）这笔交易并非孤例。几天前，Mercer Island Shorewood社区的一处2800万美元湖滨豪宅被一位德州石油大亨买下，成为今年第二大交易。而今年最大的一笔住宅交易是Bruce和Jolene McCaw的17600平方英尺豪宅，4月以3800万美元成交，创下Puget Sound地区历史记录。【正常黄都督AI评论】$1960万在Hunts Point买一英亩湖景豪宅，说实话不算离谱。2017年才650万，翻新后翻了3倍，说明过去几年西雅图顶级豪宅市场的涨幅相当惊人。不过降价9%成交也说明高利率环境下，顶级买家也开始砍价了。科技公司的高管们依然是西雅图高端房产的主力购买力，这波操作很稳。【MAGA黄都督AI评论】又是微软高管，又是Bellevue湖景豪宅。这帮科技精英一边在西雅图搞“多元化”和“绿色新政”，一边自己住着带私家码头的庄园，享受低税州的红利。真是“税更多，成就更少”的教科书案例。Hunts Point这种地方，普通人连门都进不去，这就是蓝州精英们嘴里的“平等”？【殖人黄都督AI评论】这正体现了美式精英社区的魅力：私密性、顶级学区、湖滨生活——这些不是靠行政命令能堆出来的，而是市场自发形成的“好社区”标准。Hunts Point的安静街道和世界级配套，让人看到美国地方自治与社区治理的成熟。与其酸人家高管买豪宅，不如反思我们为什么没有这样的社区。【小粉红黄都督AI评论】啧啧，$1960万买个别墅，在咱们这也就二线城市一套大平层。微软高管29年工龄，换个地方早…

转发者评论

厉害了//@西雅图黄都督:Takeshi当年是东大毕业，先在日本当了公务员，然后去斯坦福读了个MBA就从公务员转到微软……[允悲]

• 厉害了//@西雅图黄都督:Takeshi当年是东大毕业，先在日本当了公务员，然后去斯坦福读了个MBA就从公务员转到微软……[允悲]

原文

今天路上一个大佬和我聊，他说： code agent 和 data agent 之后，还会有其他“大” agent了么？ 我说不会了。整个信息世界其实就两部分组成： 软件和数据，分别对应code agent 和 data agent。这两个都是很特殊的 agent，属于基础agent，其他的agent都要利用这两个agent中的一个或者两个。并且 code agent 是属于编译时agent，data agent 则属于 运行时 agent。一个是生产，一个是基础设施。

转发者评论

无明显转发评论

• 感觉伴侣 agent 很可能会成为消费级 AI 中最大的方向之一。。。[doge]

原文

#鸟类图鉴# 月牙华美极乐鸟（Lophorina niedda），英文名Crescent-caped Lophorina，有时称为Vogelkop Superb Bird-of-paradise或curl-caped bird-of-paradise仅生活在印度尼西亚巴布亚省的 Vogelkop 半岛雨林中。外观羽毛呈深黑色，能吸收约 99.5% 的光线，几乎像“黑洞”一样。在求偶展示时，黑色羽毛形成背景，使它的 亮蓝色眼睛斑纹和胸部羽毛看起来像数字幻象。雄鸟会展开羽毛，形成一个椭圆形的“舞台”，并伴随舞蹈动作来吸引雌鸟。 原视频经查找真是AI， 替换了一个更古老的物理芝士数学酱的微博视频

转发者评论

无明显转发评论

• AI出现前见过类似的视频，鸟是真鸟，但这个视频无法判断 //@有个梨GPT:这真的不是。。。。AI吗[二哈]
• 这真的不是。。。。AI吗[二哈]

原文

【AI快讯】工业和信息化部网络安全威胁和漏洞信息共享平台发布风险提示根据网页显示，AI编程工具Claude Code存在安全后门隐患，危害严重。Claude Code是美国Anthropic公司开发的AI编程工具，可根据文字需求自主完成代码编写、修复等工作。由于其内置了监控机制，未经用户同意即可向远程服务器回传用户地域、身份标识等敏感信息，受影响的Claude Code为2.1.91至2.1.196版本。建议相关单位和用户立即开展全面排查，对于安装上述受影响版本的开发终端，立即卸载或升级至已清除相关后门代码的最新安全版本；加强核心业务网段内开发工具外联权限管控与流量监测，防止敏感数据违规外传。公告链接：网页链接#工信部发布Claude Code风险提示##热搜ai创作激励大赛#

转发者评论

无明显转发评论

原文

接上一条 ： 为啥通用AGENT，或者做的太薄的专业AGENT是经不起真实场景推敲的，我这里举我的老本行数据分析领域，来给大家举个例子。我们找了一个600GB的数据库，然后测试的一个问题就400多行，我们跑了一个基于Python 的Data Agent,然后这家伙连分析型数据库都不支持连接（除了AGENT，底层语言和引擎采用Python），接着测试Cursor一类的通用编程AGENT，然后去找各种驱动，最后也跑不动（数据规模太大）。后面我们缩小数据，替换为标准MySQL，基于Python的Data Agent,能跑了，结果跑错了，Cursor 跑对了。这两个对 InfiniSynapse 来说都轻轻松松。 注意，这里他们都用的最好的模型(GPT/Claude Code),但我们InfiniSynapse 用的是Deepseek V4 pro 跑的。那为啥会有这么明显的差异呢，InfiniSynapse 底层有自己的分析语言，有自己的引擎，还有自己的知识库以及“表，指标，偏好以及基本概念认知对齐系统”。对外给用户的感受就是第一是兼容性强，几乎所有数据库，包括各种文件类型都开箱急用，对模型而言，可以用最简单的语言（一个语言，而非各种SQL方言），无需关注复杂并发，库使用，跨库分析，代码整理，只需要关心业务逻辑实现需求。第二是真正的海量数据随时跑，引擎自己计算很厉害，下推也很厉害，充分利用资源。第三是智能很厉害，可以应对非常复杂的问题（连问题都快四百多行）而且只需要DeepSeek V4(pro/flash 都支持)。而且我们的对齐系统也是很厉害的，但只有在真正的企业组织里用才会有感觉。第四是我们支持桌面应用，SaaS，私有化，并且现在朝着基座发展，企业可以轻松将我们的能力嵌入到产品里。如果你用codex这里，在企业数据分析市场，不说别的，你连一个账号密码的授权问问题都无法解决，所以我说通用和coding只是一个领域而已。大家不要慌，只要你的AGENT 深度做够了，壁垒建立起来了，就不需要担心。我们只要坚持和深耕，机会一直都在。

转发者评论

无明显转发评论

原文

【全球首款AI智能体手机将首秀！努比亚打造 量产旗舰】今日，中兴通讯终端事业部总裁、努比亚总裁倪飞回应称，全球首款AI智能体手机确实来自努比亚。他表示：“这款量产旗舰将在2026世界人工智能大会首次公开亮相，我们也将为大家揭晓什么是AI智能体手机。”

转发者评论

无明显转发评论

原文

Mitchell 对 GPT 5.6 Sol 的评测，这个比喻很有画面感：“GPT 5.6 Sol 就像一个魅力十足、高效能干、才华横溢的同事，让你有点嫉妒。Fable 则是个天才隐士，它在自己的痴迷领域里无比出色，但不爱出门、不谈恋爱，你也不太想和它多相处！”另外这点总结很重要：Fable 在高度针对性的调试/安全/性能目标上最强，其他方面 Sol 更好或者差不多。

转发者评论

无明显转发评论

• 这次战役的胜负挺关键

原文

Meta 让生图模型学会了"先想再画"，把 test-time compute 这套"想得久=答得好"的逻辑搬到了视觉上——它会在思维链里自我修正、写代码画准确图表、联网核对事实，而"改图能拿更高分"这件事，是模型在 RL 训练里自己悟出来的。AI 生图卷了两年画质，Meta 今天换了个维度卷：让模型别再"一句话直接出图"，而是像 agent 一样——先在脑子里推理、自我修正、需要时写代码、联网查资料，再把图画出来。今天上线的 Muse Image（图像）和预览版 Muse Video（视频），是 Meta 超级智能实验室（MSL）的第一批媒体生成模型。图像版已经在 Meta AI app、网页链接、Instagram Stories（仅美国）、WhatsApp（部分国家）能用了，Facebook 和视频版随后。先把跑分说清楚，别被"Meta 出手"带节奏：～Muse Image 在 Arena 上是文生图第 2、单图编辑第 2、多图编辑第 2（截至 7/5）；～Muse Video 是文生视频第 3。～都是第 2、第 3，不是第 1。 真正值得看的是它怎么做的，不是它排第几。它最反直觉的地方：把生图当成一个 agent 流程在跑。在一个统一的 token 预算里，文本 token 用来推理、视觉 token 用来生成——同一个模型一边想一边画。具体能力有三块：1、自我修正：在思维链里发现问题就改——细节不对做局部编辑，大错直接整张重画，事实错了就改用工具重来。2、会写代码：为了画准确的图表、生成真能扫的二维码而写代码执行；还能接 Muse Spark 直接产出 GIF、网页、可交互小游戏。3、会联网搜：给知识密集、涉及时事和真实事实的 prompt 做事实核对——生图这件事第一次开始追求"画得对"，而不只是"画得好看"。而这里有个我觉得最耐人寻味的细节：它的"自我修正"不是工程师设计进去的，是 RL 训练里自己长出来的——因为"改一版图"能拿到更高 reward，模型就自发学会了改图。跟昨天聊的 Claude 局部空间一样，又是一个"能力从奖励里涌现"的例子。由此带来一个分水岭级的变化：生图开始"想得越久、画得越好"。Meta 说它随推理时间投入近似 log-linear 提升——而且不是靠"生成 N 张挑最好"（best-of-N 很快就饱和），而是靠认真推理在持续 scale。这正是它和纯扩散模型的根本区别：扩散模型是一步到位，Muse 把 test-time compute 这套"想得久=答得好"的逻辑搬到了像素上。安全这块也补了：Content Seal 隐形水印，抗裁剪、压缩、缩放甚至截图，网页链接 能检测，之后扩到视频。别人还在卷"一步出图有多好看"，Meta 开始卷"出图之前它想了多少"——生图的战场，正在从画质挪到过程。blog：网页链接…

转发者评论

无明显转发评论

原文

很喜欢这篇分享，特此“转发”。我觉得是难得在直觉层面讲清了现在“智能体产品的自我进化是怎么做到的”的一篇文章。总结如下：系统需要通过控制上下文（Context）在真实用户交互中建立有效的数据反馈循环；突破基准测试，通过构建准确的端到端的行为评估机制（Behavior Eval）转化为驱动 Agent 迭代的自动化优化循环；同时，利用模型自身的算法与编程能力实现规模化的产品改进。例如，通过对海量生产日志自动进行聚类分析来定位系统级缺陷，并由 AI 自主完成补丁代码的编写、测试与 PR 提交。通过上述机制，开发者能够在不修改底层参数的前提下，构建出具备自我修复与持续进化能力的 Agent 系统。(希望有一天我也能写出这种东西啊啊啊啊啊啊） Replit Agent: AI 智能体的持续学习指南

转发者评论

无明显转发评论

原文

#曝DeepSeek开发自有AI芯片# 这个倒是符合deepseek的风格。已经有网友说了，从腾讯hy3模型预览版到正式版的提升来看，后训练对智能的提升非常狂暴。deepseek v4预览版几乎没有多少后训练，那么正式版肯定是要加大后训练的。如果deepseek v4正式版超过claude opus 4.8，那就是梁圣。如果deepseek v4正式版超过glm 5.2，那就是梁子。如果deepseek v4正式版不如glm 5.2，那就是牢梁。

转发者评论

无明显转发评论

原文

#GPT5.6哪些能力值得期待#美国商务部正式批准OpenAI全面发布GPT-5.6，本周四（7月9日）上线。这次一口气端出三款模型：Sol（旗舰）、Terra（均衡）、Luna（轻量）。Sol是重头戏。编程测试Terminal-Bench 2.1 Ultra模式拿下91.9%，超Claude Mythos 5的88%。网络安全方面，只用了约三分之一的输出token就达到竞品同等水平。还支持max（深度推理）和ultra（多智能体协同）两种模式。Terra定位日常主力，性能接近GPT-5.5，价格直接砍半。Luna负责走量，主打高频低延迟场景。定价也清晰：Sol输入5美元/输出30美元每百万token；Terra输入2.5美元/输出15美元；Luna输入1美元/输出6美元。三个版本，覆盖从顶配到走量的全场景。你最想试哪一档？

转发者评论

无明显转发评论