微博 AI 观察博客

原文

刚刚出炉的电子书《深入理解 AI Agent：设计原理与工程实践》地址：github.com/bojieli/ai-agent-book作者李博杰（就是前两天说deepseek面试问题的那个），这个仓库里有电子书也有配套代码。全书围绕核心公式 Agent = LLM + 上下文 + 工具 展开，十章内容如下：第 1 章 · Agent 基础知识：从"模型即 Agent"的新范式出发，建立 Agent = LLM + 上下文 + 工具 的核心公式，并引入 Harness 工程——模型之外的一切工程能力，才是真正的竞争力所在。第 2 章 · 上下文工程：上下文决定 Agent 的能力上限。深入大模型 API 的上下文结构、KV Cache 友好设计、提示工程、动态提示词与 Agent Skills、状态栏元信息，以及上下文压缩策略。第 3 章 · 用户记忆和知识库：让 Agent 跨会话记住用户、并接入外部知识。涵盖用户记忆系统、RAG 基础管道，以及超越扁平文本的知识组织与检索（结构化索引、知识图谱等）。第 4 章 · 工具：工具是 Agent 的双手。讲工具分类与通用设计原则、MCP 协议与工具选择的挑战、感知/执行/协作三类工具，以及事件驱动的异步 Agent。第 5 章 · Coding Agent 与代码生成：代码是"能创造新工具的工具"，是通用 Agent 的元能力。以生产级 Coding Agent 为例，展示这一最强通用工具的完整实现。第 6 章 · Agent 的评估：把 Agent 的表现变成可比较的信号。从评估环境、数据集设计、指标体系，到统计显著性、可观测性、评估驱动选型，直至生产级内部评估与仿真环境。第 7 章 · 模型后训练：预训练、SFT、RL 三阶段全景。何时选 SFT、何时选 RL，RLHF、算法比较、数据与环境，以及让模型学会工具调用、提升样本效率的前沿探索。第 8 章 · Agent 的自我进化：不改权重也能成长。三种学习范式，从经验中学习、主动工具发现，到"从工具使用者到工具创造者"，让 Agent 从"聪明"走向"熟练"。第 9 章 · 多模态与实时交互：把感知与行动从文本扩展到语音、GUI 与物理世界。语音三范式（级联/端到端全模态/全双工）、流式语音感知与合成、Computer Use 与机器人操作。第 10 章 · 多 Agent 协作：群体的智能可以高于个体。多 Agent 分类框架、何时真正优于单 Agent、共享与不共享上下文的协作、失败模式，以及涌现的"Agent 社会"。

转发者评论

无明显转发评论

• //@丕子:转发微博

原文

#模型时代# 英伟达汽车负责人吴新宙：英伟达内部都要抢GPU，五年内可实现L4，中国的情况在于路况复杂偶然间刷到The Verge旗下播客Decoder于2026年7月13日上线的一期对话，嘉宾是国内智驾圈非常熟悉的了，英伟达汽车业务副总裁吴新宙（Xinzhou Wu）。不熟悉也没关系，我再做个补充：吴新宙清华本科、UIUC电气工程博士，在Qualcomm主导过汽车自动驾驶团队，2018年加入小鹏汽车任自动驾驶副总裁，带过1000多人的团队，2023年回到美国加入英伟达。他现在负责英伟达汽车业务的战略、产品和工程执行。2026年1月CES上，英伟达宣布Mercedes-Benz CLA将成为首款搭载其完整Drive AV软件栈的量产车型，计划年底在美国上市。3月GTC上，英伟达又与Uber达成合作，计划2027年起在洛杉矶和旧金山湾区上线搭载英伟达Drive Hyperion平台的L4 robotaxi，到2028年覆盖28座城市。所以这是一位很难得，熟悉中美两地汽车产业的专家高管。主持人Nilay Patel是The Verge主编，也是Decoder播客的主持人。他问吴新宙：“你需要跟英伟达内部其他部门抢GPU资源吗？”吴新宙的回答是：“Yes， believe it or not。 Even Nvidia has a limited supply of GPU for compute。”（信不信由你，连英伟达的GPU算力都是有限的。）他每周都要跟其他部门负责人开会分配训练、测试、开发用的计算资源，有时候还得请黄仁勋出面裁决。不只是算力，被问到是否也要争抢晶圆产能时，他的回答同样是“Oh yes”。所以，算力依然是硬通货啊。一、从“软件定义汽车”到“AI定义汽车”1、行业共识已经形成，分歧只在速度吴新宙认为，用一到两台中央计算机替代传统汽车里几十甚至上百个ECU，也就是那些分布在车辆各处、各自独立控制某个子系统的电子控制单元，这件事已经从争论变成了共识。他说“最近已经没听到谁在反对这件事了”，各家车企讨论的只是快和慢的问题。Tesla和Rivian这样的新势力从一开始就按这个架构造车，传统车企也在跟进。2、传统车企曾经变成了“保险公司和金融公司”Patel在对话中提供了一个尖锐的背景描述：过去五年的电动化进程中，传统车企逐渐意识到自己已经变成了保险公司和金融公司，真正造车的是它们的供应商。Tier-1供应商掌控着汽车的大型子系统，车企想做一次OTA远程软件更新，要去找15家不同的供应商协调。所有人都意识到必须夺回对整车工程的控制权。这是“软件定义汽车”这个概念真正的商业推动力。3、中国的五年加速实验2018到2023年，吴新宙亲历了中国汽车行业的这轮巨变。他的判断是：中国车企的优势不仅仅是“没有历史包袱”。新势力确实可以从零开始设计电子架构，但更关键的…

转发者评论

无明显转发评论

原文

#韦东奕获国家自然科学二等奖#用人话解释一下韦教授和章教授为什么能拿这个奖:过去大家都知道，积木堆得太高，容易倒。但大家都不知引发倒塌的节点究竟在哪，于是只能抱着赌一把的心态堆积木，心里求的是老天开恩，让我再叠高一点。韦东奕和章志飞通过各种演算，最终得出了一套数学公式，摸清了可能引发积木倒塌的红线，公式精确到风从哪个角度吹、吹到几级、积木会从哪一根开始松动，并在哪一毫秒彻底垮掉。所以，他们的研究成果和月薪三千的我有什么关系呢？关系大了去了。。。湍流是现代工业中最大的安全隐患之一。举个例子:我们坐飞机，突然遇到高空急流，飞机像坐过山车一样剧烈颠簸，这就是因为气流变成了湍流。大气湍流没有雷达回波、毫无预兆，极难预防，破坏力却极为惊人:飞机可能瞬间剧烈下坠几百米，没系安全带的人分分钟骨折，甚至造成严重的人身伤害。长期的剧烈颤抖还会加速机身金属疲劳，极端情况下甚至会引发坠机事故。过去，对于这种突然狂暴化的气流，只能依靠飞行员的自身经验来避免，但现在韦东奕和章志飞给出了数学框架，只要写进飞机的气象预测系统和自动驾驶代码里，那飞机就等于是开了神级天眼。即便气象雷达无法察觉，算法也能提前捕捉到前方空气变乱的微观前兆，指导机翼在零点几毫秒内做出微调，直接把颠簸消灭在萌芽状态。不仅能保护舱内乘务员和乘客，更能大大减少飞机的结构损耗，将空难的概率压到最低。除了保障天上的人们的安全，韦东奕和章志飞提供的公式还能保护地面上的人们的安全。大气湍流之外还存在着水流湍流，比如洪水就是湍流的一种。洪水爆发时的恐怖，不用科普了吧？但洪水与大气湍流不一样，大气湍流是正常孩子因为种种原因在某个时间点突然黑化，掌握了人性的规律就比较好预防。而洪水则是个一开始就拿着菜刀乱砍的疯娃子，没人能搞清丫的脑回路，所以即使是韦神也没法预防。但防不住疯娃子砍人，我们可以升级大家的护甲啊。以前科学家用电脑模拟洪水怎么冲刷桥墩、堤坝和车辆时，由于底层数学模型不够完美，模拟出来的受力数据经常有误差。而韦神团队给流体力学补上了最核心的数学框架。用上新公式后，防汛仿真软件解析度立马翻倍的，能更精准地指导未来的桥梁、防洪堤坝该怎么修，才能抵抗住狂暴山洪的致命一击。除了人，工业管道是湍流最大的受害者。 管道里的水、油、气走得太快，就会从听话的“整齐队伍”突变成疯狂乱窜的“暴走旋涡”（湍流）。这些紊乱涡流就像砂纸一样天天冲刷管壁，导致非腐蚀性的壁厚减薄，直到突发性泄漏或爆管；它们还会诱发高频震动，硬生生把法兰和螺栓震松导致渗漏。然后就是化工厂爆炸、泄露了，一场事故下来，一整座城市都可能受害，人员、财产损失无法估量。现在韦神团队用数学公式精准算出了流体失去暴走的阈值，并算清了那无数个搞破坏的“小旋涡”（奥森涡）是怎么诞生、怎么传递能量的。 如此一来，工程师们就能在设计输油、输气管道时精准卡Bug，设计出能抚平小旋涡的特殊管壁微…

转发者评论

无明显转发评论

原文

年初的时候，我制作了一套提示词。在大模型里，你只需要把文章扔进去，它就会制作成文字海报，包含封面图、标题、作者、时间以及正文，并切成符合内容平台发布的图片，还挺好用的。最近我看微博开启了一个 VibeLab 的 AI 创意赛，所以我也想参赛一下。昨天我就把这个提示词扔给了 AI，在 Claude Code 中制作了一个网页版文字海报编辑器。这个网页版非常简单，不需要去大模型里消耗 token 了，你只要把标题、作者头像以及正文上传上去，它就会自动生成一个符合文字海报比例的悬浮框，旁边还有一个截图按钮，你可以一屏一屏地自动去截。这种方式的好处在于：1. 非常灵活：由你来做主到底应该怎么去切这张图。2. 支持图片与多种格式：你只需要把 Markdown 格式的文本复制进去，包含了图片或各种格式它都支持，然后就会生成一个非常长的图文混排的文本，你一屏一屏地去截就行了，超级方便。大家可以看看我这个演示视频。体验网址如下：loonggg.github.io/wenzi-poster-editor同时我也把它上传到了 GitHub 上开源了，大家也可以去看一看，开源地址如下：github.com/loonggg/wenzi-poster-editor#微博VibeLab##VibeWork##VibeVision# AIGC·非著名程序员的微博视频

转发者评论

很实用的提示词，支持下#微博VibeLab#

• 很实用的提示词，支持下#微博VibeLab#
• 很实用的开源工具，界面美观大方，感谢分享 #微博VibeLab#

原文

姚顺雨真是AI行业的战令选题，隔三差五就可以来一篇，标题直接就用入职天数来计算，光是有迹可循的我就已经刷到过姚顺雨空降腾讯的74天、88天、201天以及晚点LatePost刚刚写的300天⋯⋯看来大家都还是很关注横空出世的天才年轻人和老气横秋的腾讯之间能够磨出怎样的火花，究竟会是东风压了西风，还是西风压了东风。300天这篇稿子的密度是最高的，自带巨多一本正经的吐槽，让我蒸馏比较有意思的一些地方：- 腾讯还挺在意外界质疑姚顺雨在OpenAI没有真正训过模型的履历——潜台词是德不配位——专门为此给出了解释，虽然姚顺雨在OpenAI主要负责Agent这块，但训练模型是他必须要接触的业务，不可能没有经验；- 姚顺雨当初愿意加入腾讯的条件之一，就是希望总办答应在一年之内不要看任何跑分，给他充分的时间从头改造混元大模型，放弃在Benchmark上争一时的胜负，最后是刘炽平拍板接受了这个要求；- 混元之前最大的问题是Infra不行，最早的时候连GPU都是从广告部门匀过来的，而数据标注也是一塌糊涂，准确率只有不到70%，但又死守95%的验收红线，于是只好用假数据蒙混过关，内部对此选择睁一只眼闭一只眼；- 所以姚顺雨之所以被寄予厚望，也是因为腾讯的大模型团队已经到了需要借助外力打破陈腐风气的绝境，腾讯为他拿掉了所有挡路的老干部，也授权姚顺雨把预训练、后训练、评估、Infra的负责人全都换了一轮，在招人方面能开年薪的范围极广；- 盛名之下，腾讯还真从字节AI线的当家部门Seed挖来了不少人，他们的考虑是，Seed已经非常成熟了，继续待下去很容易成为螺丝钉，但重建中的混元正值用人之际，可以有更多的发挥空间；- 在公司，姚顺雨不是卷王那种类型，总体上比较松弛，经常组织同事一起去打篮球，所以混元团队的工作强度也不大，唯独的例外是，如果哪个组有字节Seed的人跳过来了，就会很神奇的突然开始自发的卷起来，工作时长立马激增；- 不过混元团队的人才质量依然良莠不齐，不少理论上应该清退的员工依然留在岗位上，于是就有了很抽象的场面，姚顺雨在大群里发论文、聊技术，却发现能跟上自己思路的人很少，甚至还有人看不懂；- 姚顺雨会用他在OpenAI的经历给下属打气，时至今日，OpenAI的底层架构都没有根本性的变化，做大模型不存在魔法，也不要误信别人有什么魔法，把最基础的事情、能做对的事情都做对了，就能得到一个挤进中国第一梯队的模型出来；- 所以混元的技术路线一直选择的是最中庸、最稳妥、最不容易犯错的那条，于是Qwen和Kimi都在用的线性注意力方案被放弃了，因为姚顺雨判断长上下文的场景并不是真实世界的主流需求，而上万亿的参数、海量Agent协作的前沿也被姚顺雨否定了，因为这对大多数人没用；- 作为姚顺雨的第一份正式作业，Hy3成了腾讯有史以来第一个登顶OpenRouter周调用榜的模型，超出了内部预期…

转发者评论

贝索斯在访谈中也提过这个问题。一位高管告诉他，要节制的给团队提意见。即使是对的，也要给大家消化的时间。//@阑夕:关于里面提到老板忍不住给产品提意见这个事儿，字节那边的管理体系似乎能意识到节制的好处： http://t.cn/AXKpJJjZ

• 贝索斯在访谈中也提过这个问题。一位高管告诉他，要节制的给团队提意见。即使是对的，也要给大家消化的时间。//@阑夕:关于里面提到老板忍不住给产品提意见这个事儿，字节那边的管理体系似乎能意识到节制的好处： http://t.cn/AXKpJJjZ
• 估计500天就差不多了。18个月。

原文

#模型时代# 强化学习之父Richard Sutton讲座：LLM可能只是一个过渡阶段，无法抵达终极智能，持续学习才是王道现在发Richard Sutton的这期讲座就非常合适了。一来，过几天的上海世界人工智能大会WAIC上，他会做演讲，预测讲的内容，基本都会涵盖在本期讲座中；二来，他也刚刚宣布创业，亲身动手将自己的理论做出来。这也是我比较佩服他、杨立昆和李飞飞的原因。三人都提出了大语言模型的局限，但是没有停止于批评，而是亲自下场做一个自己觉得正确的路线的东西。某种程度上，伊利亚和阿莫代（Anthropic创始人也是如此了，虽然现在大家很不喜欢他），看不惯OpenAI，就做出来一个自己觉得对的。继续说讲座，来自两周前，YouTube频道EconFinAiMl上线的MIT CSAIL Dertouzos杰出讲座的录像。Sutton在2019年写下的短文“The Bitter Lesson”（苦涩的教训）至今仍是AI领域引用最密集的非论文文献之一。2025年4月，Sutton与David Silver联合发表“Welcome to the Era of Experience”，正式宣告AI需要从“人类数据时代”转向“经验时代”。就在这场MIT讲座视频上线后不到三周，2026年7月14日，Sutton宣布离开John Carmack创办的Keen Technologies，与同事Khurram Javed共同创立了Oak Lab，目标是在仅20瓦功耗下运行一个万亿参数的经验式学习智能体。Sutton一上台就给MIT在场听众打了预防针：“这不是一场展示实验结果的演讲，这是一场谈想法的演讲。”他要讲的是一张路线图，终点是超级智能。CSAIL主任Daniela Rus介绍完Sutton的履历后问现场谁在工作中用到了强化学习，几乎所有人都举了手。但Sutton接下来要说的话，恰恰挑战的是这些人中相当一部分的工作方式：你们往智能体里灌的那些领域知识，也许短期有效，长期来看是一条苦路。他随后用整场演讲推演了一个替代方案，一种他称为OaK的架构，全称Options and Knowledge，意思是让智能体从零开始、纯粹依靠经验自主生长出抽象能力的通用心智设计。很巧。我刚在推上，看到Astra Markets的创始人Adi总结Sutton的技术路线，写的言简意赅，也摘录一下：- 无需预训练，所有学习均通过运行时强化学习（RL）进行持续学习- 该系统通过学习来提取特征并定义子问题，计算这些子问题的中间价值函数，然后通过价值迭代更新策略- 特征发现是通过“生成与测试”（即随机搜索）或“连续反向传播”（即反向传播与生成与测试的结合）来实现的一、苦涩的教训与大世界假说1、“苦涩的教训”适用于LLM吗？Sutton给了一个既肯定又否定的回答Sutton的“苦涩的教训”有一个简洁的核心论…

转发者评论

无明显转发评论

原文

我在开发 BaoCut 这个 App （网页链接 ）的时候，是基于一个 Loop 来的：1. 在开发新功能之前先设计原型（参考图1），借助的是 baoyu-design skill （网页链接 ），配合 Claude Code App 内置的浏览器实施预览调整，模型 Opus 4.8 就很好了，都不需要 Fable 5.GPT 5.6 Sol 设计能力还是不如 Opus 4.82. 原型打磨好了后，只需要在同一会话内，让 Claude Code 基于新的 UI 设计去实现功能即可，这块 Claude 做的很好，Fable 5 效果最好，能将设计稿几乎 1:1 还原，如果修改不多 Opus 4.8 也能胜任。这些 UI 的打磨我还是更放心让 Fable 和 Opus 而不是 GPT，但其他一些不涉及 UI 部分的 GPT 5.6 Sol 就做的很好。3. 更新好了后测试没问题，就可以通过发布的 skill 发布新版本。这里可以放心让 Codex 去做了，尤其是它的 CloudFlare Plugin 很好用，直接帮助发布更新安装包到 CF。这个 loop 的每一个迭代的起点是自己的想法，让 AI 提供设计方案，和 AI 反复讨论后确定方案，然后 AI 实施，AI 实施完成后人再去验证和当初想要的是否一致，如果不一致再让 AI 调整甚至推翻重来。

转发者评论

无明显转发评论

• 回复@楠灬夜:各自添加相应目录，配合git做版本管理。可以错开开发，或者开branch或者work tree并行开发，完成后合并主分支。协作的话主要靠文档//@楠灬夜:宝玉老师，怎么让claude和codex一起完成一个项目。让他们共用一个工作区么。agent文档不会串台么
• 回复@用户833yuiog57:你可以让agent：“开启一个http服务给你一个可以预览的 URL”，然后另外用一个浏览器打开它提供的URL看效果//@用户833yuiog57:宝玉老师，我装了您的 baoyu-design skill 设计好了，想微调没有 Claude Code App 微调起来有点麻烦 有没有什么好的方案啊🥲

原文

#时代快播报#【#阿里回应千问将与苹果AI合作#：无需切换应用，苹果手机可直接调用千问功能】7月15日，网信中国公众号发布相关信息显示，苹果技术开发（上海）有限公司的“Apple 智能”大模型已于2026年7月8日备案，适用场景为苹果手机。时代周报记者获悉，该AI功能的合作方包括了阿里巴巴。对此消息，阿里巴巴回应时代周报记者称，阿里千问将以AI模型身份集成至Apple智能，为 iOS、iPadOS、macOS 和 visionOS 的中国用户带来智能体验。用户无需在应用间切换，即可在 Apple 设备上直接体验千问的文本与图像理解、内容生成等能力。@时代周报 #千问将作为AI能力集成至苹果智能#

转发者评论

无明显转发评论

原文

家里娃很喜欢一个 2D 坦克对战游戏，在学校信息课上也会偷偷玩，暑假里和他一起 vibe coding 了一个 3D 版。整个项目就一个 HTML 文件，67KB，2852 行，零依赖，打开浏览器就能玩。用的是 Three.js + 原生 js，用 importmap 加载，没有构建步骤。游戏非常小，在微信、QQ 聊天窗口里就能直接打开玩。游戏中坦克的炮弹会在障碍物和墙上反弹，这个机制花的时间最多。每帧都要用当前位置和上一帧位置拉一条线段，跟场景里所有碰撞体做相交测试。碰到墙就要按入射方向和法线计算反射方向，扣掉一段射程继续飞，直到耗尽或命中目标。近距离交火时，找个好角度往墙上打一炮，子弹会拐个弯绕到对手后面，微游戏带来更多趣味性。游戏还设置了射程衰减限制，用来控制反弹次数，不会出现子弹在两面墙之间永远弹下去的情况。第二个重点就是敌方 AI，并没有采用复杂的状态机。每个敌人挂一个轻量状态对象，有个决策计时器、用来记录移动方向、交战距离的偏好、卡墙计时器、上一帧位置。计时器到了做一次决策，看看离玩家多远、有没有被卡住，决定前进、后退或横移。0.5 秒没位移就判定卡墙，自动换方向。整个游戏的逻辑和渲染，在同一个主循环里，没有任何额外线程。所有坦克模型统一创建，玩家和敌方的结构都一样，只是材质不同。炮塔挂在车身下面，能够独立旋转，炮口留了个空锚点，用来定位弹道起点，保证朝哪打哪。地图每局都是随机生成、油桶、地雷，被炮弹打中会爆，有粒子效果。家里娃玩得很 high，不过最大的乐趣还是一起设计游戏，制定规则，看着 ai 按照我们的要求一点点生成代码的过程！试玩及源码下载：网页链接#微博VibeLab##VibeVision##AI游戏开发# 零重力瓦力的微博视频

转发者评论

无明显转发评论

• 用现在技术还原古法手搓~#微博VibeLab#
• 童年的回忆又回来了，AI真是对创造和想象力最好的奖励。#微博VibeLab#

原文

【#OpenClaw热度几乎归零#】从GPT发布到现在快四年了，如果评选最火爆的AI产品，那应该要属OpenClaw，在国内被称为小龙虾的它曾经火爆出圈，然而现在几乎无人问津了。大家可能有段时间没听过小龙虾的新闻了，但真看了它的谷歌趋势指数，才发觉暴跌速度竟然如此之快，去年11月份发布，今年1月份开始爆发，3月份是巅峰，那时候国内知名或者不知名的互联网公司都复刻了OpenClaw的模式做了自己的小龙虾产品，有的公司甚至推出了好几款同类产品。然而OpenClaw的热度在4月份就开始暴跌，现在的7月份不能说归零，但也差不多了，热度来的很快，跌的更快。OpenClaw作为一款产品倒是没有停止，事实上还在更新，只不过更新强度也不像之前那样疯狂了，本月初创始人还联合Dave Morin成立 OpenClaw Foundation，定位为一个AI领域的瑞士那样的中立组织，基金会使命为"让AI个性化、有趣、赋权所有人"。至于大家为何不再热衷使用OpenClaw，原因也不复杂，首先是OpenClaw自身的问题，刚开始的时候配置复杂，下载安装再到升级维护都需要很强的动手能力，CLI窗口虽然高效，但与大众的使用习惯不符。现在虽然有了桌面端，也原生支持Windows系统了，易用性有很大改进，但一切都晚了。其次是现在的外部环境也变了，但凡是个AI公司都有了自己的Agent产品，比OpenClaw做的更好用的也有很多，尤其是国内的几家公司，一站式解决方案，还能整合自家的大模型，一条龙服务的便利性在国内是OpenClaw永远没法比的。总之，OpenClaw应该算是到目前位置AI史上最出圈的产品，一度红到发紫，互联网用户都在抢着装，然而这样的热度没有持久下去，它完成了自己在特殊时间的特殊使命。（快科技）

转发者评论

OpenClaw就像Unix/ Linux/ FreeBSD，我们没有使用它，但又一直在使用它。//@蚁工厂:也算是开启Agent时代了

• OpenClaw就像Unix/ Linux/ FreeBSD，我们没有使用它，但又一直在使用它。//@蚁工厂:也算是开启Agent时代了
• 现在还是有 Claude Code 20%的热度，依然比 Hermes agent热度高。话说 CodeX 最近热度都高过 CC 了，ChatGPT 的影响力还是大的。 http://t.cn/AXKC3mAp //@蚁工厂:也算是开启Agent时代了
• 也算是开启Agent时代了

原文

超越OpenAI，中国00后团队攻破「记忆」难题！打造下一个AI互联网时刻博尔赫斯笔下的富内斯记忆完美却无法思考，因为思考依赖遗忘和抽象。记忆有两副面孔：对内是有损压缩，对外是可传递的媒介。今天的大模型有语义记忆、有工作记忆，却唯独没有情景记忆和长时记忆——每次醒来都是一次干净的失忆。RAG本质是临时查资料，不是回忆，问「上个月参加过几场艺术活动」，它只会按字面相似度乱捞。一支中国00后团队Shadoweave把人脑记忆机制做成了工程，系统名为HMS（全息记忆系统）。他们把留存与回忆彻底分开：留存对应大脑巩固，回忆则是面对问题现场重建证据——先拆解问题、再用六把不同"钥匙"检索、最后回头自查补全。HMS在LongMemEval和LoCoMo两大权威长时记忆基准上双双登顶，准确率、Token消耗、响应速度全面领先此前最强的Hindsight和OpenAI收购的Mastra。其中在时序推理子项上，HMS达到94.7%，比Hindsight高出6个百分点。HMS还带自进化能力：加入自进化控制器后，准确率从92.4%提升到92.8%，靠的是计数去重、日期锚定等六个精细模块，用得越久越聪明。但Shadoweave的野心不止于此。今天每个模型、每个Agent都在各自小世界里从零攒记忆，编程助手学到的东西客服Agent一无所知。团队认为记忆理应独立成层，就像存储之于计算——他们要做的不是又一个记忆方案，而是AI时代的记忆协议：Memory Controller。

转发者评论

无明显转发评论

原文

AI时代的人才，我觉得最重要的六大特质。前几天我们发了一篇招聘的内容，没想到爆了，我自己都很诧异，我们的邮箱也爆了，我还激动的发了个朋友圈。。。然后随之而来的，就是各种各样的消息和提问。比如大厂的朋友也来找我推荐人，还有很多AI创业公司的朋友也是，问我有没有适合一起创业的人选。但是最多的，其实是学生群体，很多很多没有毕业的朋友们，问到我们这边实习需要什么样的经验，然后应届的朋友们，也在问我我们究竟招什么样的人，需要什么样的特质。一晃眼，马上又是一年毕业季了。我们自己确实名额有限，只招大概7、8个人，但是这一两年，因为自己也在创业，所以跟蛮多朋友（国内国外的大厂中厂创业公司等等都有）聊过不少关于招人的话题。所以我想了想，感觉还是可以给大家分享一下在我自己心里，什么样的人，是在AI时代，更容易被青睐的。叠个甲，都是我自己的一家之言，不成熟的经验，不一定对，但至少确实是我们真实在用的筛选标准。我把他们，总结成了六个特质：好奇心、靠谱、有事实洁癖、多元化思维、能忍受不确定性、低ego高自驱。没有一条的字面上有AI，但是每一条，又都跟AI，息息相关。一. 对世界有好奇心这是我觉得最重要的一条，我在无数的地方也说过这句话。这甚至是我们公司挂在墙上的slogan。也是我们招人的时候第一个看的东西。好奇心这个词听起来很虚，但是讲真的，它在AI时代的权重，我觉得无限大。原因很简单，AI时代，知识在加速贬值。我三年前写过一篇文章，说了一个概念，叫知识半衰期。也就是你的部分知识，大概会在多久过期。过去可能是十年，移动互联网时代，可能缩短到了两三年。但是在如今，在AI时代，你今天学的框架，半年以后可能就过时了，甚至有的时候，是3个月。就是这么的离谱。你敢想象吗，DeepSeek R1，其实只是25年初的东西，距离今天也只有一年左右，Claude Code出来也才一年，甚至我们一年半以前用的Runway、Midjourney、GPT-4o等等，听着都好像上个世纪的产物。在这种环境下，你过去积累的知识存量，其实在不断地缩水。唯一能对冲这种缩水的，就是持续学习的意愿。而持续学习的燃料，就是好奇心。乔布斯之前提过一本书，说对他影响很大，后来我也去读了，这本书对我影响也挺大的。它是，铃木俊隆的《禅者的初心》。在这本书的开篇之中，就有一段我认为超级经典的话。“In the beginner's mind there are many possibilities, but in the expert's there are few.”范骏老师翻译的这版我觉得翻译的最有神韵：初学者心中充满可能，行家却往往所见有限。在书中，他们说“你并不需要对禅有多么深刻的理解，即使你已经读了很多禅的书，也要用一颗新鲜的心去读每一句话。”一定要保持，初学者的状态。这就是禅修的关键。这句话放在AI时代，我真的觉得特…

转发者评论

总结的真好：对世界有好奇心/靠谱/有事实洁癖/多元化思维/能忍受不确定性/低ego高自驱

• 总结的真好：对世界有好奇心/靠谱/有事实洁癖/多元化思维/能忍受不确定性/低ego高自驱

原文

随着 AI 技术的发展，可以预见未来至少大量白领工作将被 AI 取代。有人认为，即使政府可以通过全民基本收入等措施保障人们的生活，也无法解决人类的精神危机，因为人即使衣食无忧但没有工作就会怀疑自身存在的意义。我觉得这种冲击可能会短暂出现，但应该能被解决。已故人类学家大卫·格雷伯写过一本书，叫《狗屁工作》。他认为世界上有大量可有可无的狗屁工作，就算这些工作明天从地球上彻底消失，对世界也完全没有影响。从事狗屁工作的人会有精神危机吗？好像没有。也就是说，人类也许需要工作，但并不需要从事有意义的工作才会觉得自己有价值。即使没有 AI，工农业技术的发展也早就确保了只需要少数人从事有意义的工作就能养活全世界，所以才会诞生那么多狗屁工作。人类非常擅长创造狗屁工作。我相信未来肯定会诞生足够多的 AI 暂时替代不了的狗屁工作来满足那些需要追求意义的人类。

转发者评论

无明显转发评论

原文

如果你刚弄懂提示工程、上下文工程和 Harness 工程，现在又看到“循环工程（Loop Engineering）”这个新词，Caleb Writes Code 这期视频会用 8 分钟帮你理清它到底是什么。视频通过 ChatGPT、Claude Code 和 Codex 的实际例子，逐层解释 AI 智能体能力是如何扩展的：提示工程负责告诉 AI 做什么；上下文工程让 AI 主动调用工具、获取外部信息；Harness 工程帮助 AI 拆解和完成超出单次上下文的长期任务；循环工程则再向前一步，让智能体不必等待人类反复下指令，而是能够定期检查状态、自主发现任务、执行更新并修复问题。看完你会获得一套清晰的判断框架，理解自动化、工作流、技能、插件与连接器、子智能体和状态管理，如何共同组成持续运行的智能体系统。你也会看到，循环工程目前仍带有一定的理论和流行词色彩，但它代表了一个值得关注的方向：AI 正从“回答一次问题”，走向“持续负责一项工作”。视频地址：www.youtube.com/watch?v=4biXYSNkn9Y 宝玉xp的微博视频

转发者评论

//@CC女士不是西西:这个讲解非常简单清晰易懂，收藏学习

• //@CC女士不是西西:这个讲解非常简单清晰易懂，收藏学习

原文

Aleksa Gordić（水平问题）的新博客《Inside TPU and GPU Clusters: The Anatomy of Collective Communication》地址：www.aleksagordic.com/blog/collective-operations这个大佬的博客质量都很高。文章主要解释这个问题：当大模型被拆到成百上千块 TPU/GPU 上时，数据究竟怎样移动？为什么同一种并行策略，在不同集群拓扑上的性能可能差很多？这篇文章深入剖析了 TPU 和 GPU 集群的硬件拓扑结构（如 TPU 的 2D/3D Torus、GPU 的 NVSwitch 和 Fat Tree），并详细讲解了支撑现代 Transformer 分布式训练与推理的四大核心集体通信操作——All-Gather、Reduce-Scatter、All-Reduce 和 All-to-All——的 Ring/Tree 算法实现原理、带宽延迟权衡，以及 TPU 与 GPU 在通信机制上的关键差异（如 GPU 的 SHARP 网内规约优化）。理解数据在集群中的物理流动方式是分析和优化大规模 AI 系统性能的根本。

转发者评论

无明显转发评论

原文

#苹果AI为何选择千问# 苹果选择千问，逻辑其实很简单。我觉得核心就两点。第一，是千问的全面性。在国产大模型里面，千问的综合能力是公认的第一梯队，文本理解、图像识别、代码生成、长文本处理，几乎每个方向都拿得出手。苹果要的是一个能撑起整套系统级 AI 体验的底座，不是某个单项冠军，而千问恰好是那个各科成绩都很能打的选手。第二，是千问的开源策略。千问是目前国内大模型里开源做得最彻底、生态也最活跃的。这一点对苹果来说可能比很多人想象的更重要。选择一个开源模型作为合作基础，意味着苹果对底层技术有更强的可审计性和掌控力，模型的行为逻辑是透明的，安全边界是可验证的。对于一家把隐私和安全刻进基因里的公司来说，这种透明度本身就是一种信任基础。说白了，千问既能打又开放，苹果既要能力又要掌控，两边的需求刚好对上了。

转发者评论

无明显转发评论

• 当然，苹果选择阿里，并不意味着阿里要起飞了。对苹果来说，千问更像是一个供应商的角色，提供底层能力，但品牌认知、用户关系、生态入口，全都还握在苹果自己手里。用户感知到的是 Apple 智能变聪明了，不会觉得自己在用千问。阿里拿到的是一张大订单，但拿不到用户心智。

原文

BaoCut：对创作者，省掉的是逐句抠字幕的时间。安装到 Claude Code / Codex 上，即可用自然语言驱动 BaoCut 这个 skill 剪辑 app 的命令行。适用场景：对于喜欢将国外的演讲搬到国内的朋友来说简直就是福音，用baocut把视频/youtube的url导入即可完成翻译转录，对于搬运侠来说省了不少事。对于做跨境电商的朋友也很有价值，多语言转录也很有价值。昨天介绍的三家接 agent 都走 MCP——ChatCut 给闭源编辑器外挂 MCP 插件、OpenCut 把 MCP 写进重写路线图、Palmier 原生 MCP。BaoCut 换了个更轻的姿势：把 app 自带的 baocut CLI 包成一个Skill，agent 直接跑命令cli：· baocut --json auto talk.mp4 --lang zh # 转写 → 润色 → 翻译，一条命令· baocut export --srt --translated --lang zhBaoCut 解决的问题很垂直很精准：口播视频的转写、加字幕、翻译字幕、说话人复核、清理 talking-head、导出——这些正是知识博主/口播号最费时的机械活。以前逐句对字幕、手动翻译的活，现在跟 Claude Code 说句人话就跑完了。我测试baocut使用了下，字幕识别转录上，要比剪映的自动字幕识别要好，帮我把相关的语气词拿掉了、很多重复的语句也直接剪掉了，也可以直接将字幕翻译为十几种其他语言。github：网页链接#BaoCut##AI剪辑3 #字幕翻译3 #ClaudeCode##AgentSkill#

转发者评论

无明显转发评论

原文

2007年，航运公司炒作运价，可谓是妙招频出，但核心就是收紧运力，推高现货，逼空期货，最终在FFA上获取暴利。放空船，甚至把船拉到海上晒太阳都不是新鲜事儿。甚至还有一边做多FFA，一边买纸船的，把个对冲机制完成了双重杠杆。后来就和所有的泡沫都一样，BDI指数2007年从4500点涨到接近12000点，然后2008年暴跌到666点。这一轮的存储牛市，又是熟悉的味道，BDI换成了DXI，FFA换成了SCA/LTA，铁矿石需求换成了AI需求，但还是长单锁定产能，人为收紧现货，进而推高价格，拽着自己的头发向上提的玩法。当然AI需求是真实存在的，就如同当年中国铁矿石需求是真实存在的一样，而虚假的FFA也是普遍存在的。

转发者评论

//@老曾阿牛:喔，徐胖子又回来了吗？互联网是有记忆的，帮胖子留个痕哈//@不会游泳的徐胖子:昨晚海力士确定ADR发行价格，149美元，对应2026年6倍左右市盈率，如果是一年前，可能14.9美元都发不出去。而根据索罗斯的反身性理论，加上实证数据，强周期行业，股价高点会领先业绩高点6个月左右。两周前300

• //@老曾阿牛:喔，徐胖子又回来了吗？互联网是有记忆的，帮胖子留个痕哈//@不会游泳的徐胖子:昨晚海力士确定ADR发行价格，149美元，对应2026年6倍左右市盈率，如果是一年前，可能14.9美元都发不出去。而根据索罗斯的反身性理论，加上实证数据，强周期行业，股价高点会领先业绩高点6个月左右。两周前300

原文

GLM5.2模型后训练时用了一种新的强化学习算法：SAO（Single-Rollout Asynchronous Optimization，单轨迹异步优化），不是传统的GRPO。 现在该算法的论文已经发布，在：arxiv.org/abs/2607.07508@唐杰THU 老师也是论文作者之一。“强化学习在大语言模型的后训练阶段正变得越来越重要。以往用于大语言模型的强化学习流程大多采用同步、分批交替的方式，但这种方法在长时程的智能体任务中效率较低。近年来，异步强化学习逐渐成为一种更高效的替代方案，它可以在轨迹数据陆续生成后立即更新模型。然而，现有异步强化学习系统往往更关注吞吐效率，而对训练稳定性和实际任务效果的研究仍不充分。例如，广泛使用的 GRPO 框架依赖分组采样，但这种方式并不天然适合异步智能体训练。本文提出了单轨迹异步优化方法（Single-Rollout Asynchronous Optimization，SAO），用于解决异步强化学习中的训练稳定性和离策略问题。为了减轻离策略影响并提升泛化能力，我们用单轨迹采样取代分组采样，即每个提示词只生成一条轨迹。我们还通过一系列实用的价值模型训练设计，进一步提升单轨迹策略的效果。为增强优化稳定性，我们提出了一种严格的双侧、token 级裁剪方法。SAO 能够稳定训练约一千个步骤，并在智能体编程和推理基准上持续优于 GRPO 及其变体，包括 SWE-Bench Verified、BeyondAIME 和 IMOAnswerBench。我们还证明，在模拟在线学习场景中，当模型需要适应不断变化的环境时，单轨迹强化学习尤其有效。最终，SAO 已被成功应用于开放模型 GLM-5.2（750B-A40B）的智能体强化学习训练流程中。”

转发者评论

无明显转发评论

原文

AI 用得多，不等于你会用。Anthropic 新做了一个使用反思功能，可以回看过去1、3、6或12个月的 Claude 对话，还会按4个维度看你怎么和 AI 合作。它比单纯统计使用时长有用：该复盘的是你把什么交了出去。委派要看目标由谁定，这件事该不该交给 AI。官方甚至会问：「有什么事即使 Claude 做得更快，你仍想自己完成？」效率不是唯一标准。有些判断一旦外包，人会慢慢忘记自己为什么这样选。描述要交代目标、背景和限制，不能只丢一句「帮我优化」。提示词不必写得漂亮，但要让对方知道什么算完成、哪些东西不能碰。辨别要有依据。一份报告看着顺，引用、数字和推理仍可能出错。可以留一个朴素的问题：我核过哪一处关键证据？如果答案是「没有」，那只是读过，还没验过。尽责要问最后由谁承担，使用过程有没有越过权限和隐私要求。AI 可以起草、整理、比较，人仍要对发出去的邮件、签下的文件和做出的决定负责。4D 更像一张责任分配表。复盘时不必把4项凑成一个总分。每项写一个上个月的真实任务更有用：哪次委派省了时间，哪次描述不清导致返工，哪份输出经过证据核验，哪个结果最后由你签字。更要留意不平衡：委派越来越多，辨别却一直没有证据，风险就在积累。这套复盘可以每月做一次：下个月继续交给 AI 什么，哪些判断要收回来，哪类输出要增加核验。用 DeepSeek、Kimi 或其他工具，同样能问这4组问题。仪表盘能显示行为，无法替你判断什么样的生活和工作才算好。AI 熟练度里有一种分寸感：哪些可以交出去，哪些必须自己守着。使用次数看不出这一点。#马力的AI知识分享#

转发者评论

无明显转发评论

原文

【大模型写代码时的潜意识预判】新论文《Latent Programming Horizons in Coding Agents》指出，通过探测Coding Agent的内部隐状态，研究人员发现它能提前预测未来约25步的修改结果，比如代码是否报错、能否通过测试。这种在代码实际写入前就表现出的预判能力，被研究者称为隐性编程视界。尽管有人视其为大模型具备推理能力的证据，但更理性的解释是这属于增量信念建立。大模型在输入上下文时，自然会对未来的状态走向产生统计学上的倾向。它的真正价值不在于玄学概念上的思维，而在于工程实用性：如果能提前读出智能体走向失败的趋势，就可以让它提前回溯，避免在死胡同里浪费Token。 arxiv.org/abs/2607.05188 #人工智能##AI创造营##智能体##软件工程#

转发者评论

无明显转发评论

原文

这几天把我们 OpenResty Inc 公司内部软件仓库里近年来解决过的那些最难 bug 整理成了一个新的 OpenResty Bug-Hunting Evals 测试集，评估了 Anthropic、OpenAI 和 Google 三家的各款主流大模型。结果如下。这里大模型必须根据 bug 的症状描述，自主定位 bug 的根因并进行正确的修复，同时不能引入新的衰退和新 bug.这里的 bug 都是在真实且庞大的公司私有代码仓库中，公网上是不可能找到的，所以足够客观，不会存在 data leak 的可能性。看起来 Anthropic 的神话级 Claude Fable 5 模型的优势还是很明显的，即使是 OpenAI 最新的 GPT-5.6 Sol 模型也仍有较大差距，连 Claude Opus 4.8 Max 都还没赶上…… 而 Google 的前沿大模型仍然是垫底的…… 这个 evals 测试集烧的 token 可比之前分享的 OpenResty Coding Evals 多多了……不过 OpenAI 的大模型和 coding agent 完成任务的总延时确实低。Anthropic 的前沿模型虽然质量明显更高，但总延时确实要长多了，快接近一小时了都……

转发者评论

无明显转发评论

• 回复@爱樱花的少年:是 Google AI Ultra，必然是上最好的 Plan 啊 [哈哈] Pro 确实很不稳定，也容易限速抛很多 429 错误……//@爱樱花的少年:你用的是google Pro么，还是Utla，你要用的Pro，那你比较没啥意义，Pro在google眼里就是最基础的模型，要不然也不会25让你白嫖一年
• 回复@limitedwish2012:对我们自己来说，差别很大……//@limitedwish2012:85%-95% 对于可用性区别大吗//@agentzh:我刚又跑了 GPT-5.6 Sol Ultra，在这个测试集中紧跟在 GPT-5.6 Sol Max 之后，排名在第 6 位以后了。确实过犹不及啊，哈哈！
• 我刚又跑了 GPT-5.6 Sol Ultra，在这个测试集中紧跟在 GPT-5.6 Sol Max 之后，排名在第 6 位以后了。确实过犹不及啊，哈哈！
• 回复@妖孽核动:嗯，Gemini 3.5 Flash High 容易过度思考，从而经常陷入到兔洞里出不来，最后 Agent 直接放弃了。思考强度确实也是“过犹不及”呀 [笑cry] 一旦误入歧途，再使劲只会适得其反……//@妖孽核动:gemini3.5flash之间差距居然这么大，神奇//@agentzh:有网友问我们这里的评分标准。我就多说几
• 有网友问我们这里的评分标准。我就多说几句哈：每个测试用例都有标准答案，定量评估和标准答案之间的差距。不是简单的解决和未解决的二分结果。即使未解决，但如果方向正确，也是会有一点得分的；而即使成功修复，但如果补丁过于复杂不优雅也是会扣分的。不是全或无。

原文

【#曝百度为苹果提供AI搜索功能#】7 月 15 日消息，据科创板日报消息，知情人士透露，苹果与百度将合作，为中国 iPhone 用户开发人工智能功能。百度重点开发一种基于人工智能的搜索功能，作为“苹果智能”功能套件的一部分，能够处理图像和文本，并升级为中国版的 Siri 语音助手。而据证券时报报道，阿里巴巴表示，阿里千问将作为 AI 能力集成至 Apple 智能，为 iOS、iPadOS、macOS 和 visionOS 的中国用户带来智能体验。用户无需在应用间切换，即可在 Apple 设备上直接体验千问的文本与图像理解、内容生成等能力。据IT之家此前报道，“网信中国”公众号今日发布 7 款提供手机端侧生成式人工智能服务已备案信息的公告，其中苹果技术开发（上海）有限公司的“Apple 智能”大模型已于 2026 年 7 月 8 日备案，适用场景为苹果手机。

转发者评论

原来苹果是同时接了阿里和百度

• 原来苹果是同时接了阿里和百度

原文

这周 X 上有三条跟本地模型相关的消息，值得单独拿出来说一下。一、MOSS-VL-Realtime：开源实时视频理解 VLM二、Bonsai 27B：第一个能在手机上跑的 27B 模型三、1-bit Hy3 量化版：295B 模型单卡就能跑***### MOSS-VL-Realtime它是什么：OpenMOSS 开源了一个 11B 参数的实时视频理解 VLM，Apache 2.0，256k 上下文。在连续视频流中，用户可以随时提问，模型只在有足够信心时才回答，不确定的部分保持沉默。以前为什么做不到：视频理解要么走云端 API 按分钟计费（比如 GPT-4o 的视频理解），要么用本地模型但精度和上下文长度都不够用。尤其是「实时流式」这个场景——之前的开源 VLM 基本都要求看完完整视频才能回答，做不到一边看一边回答。现在能用到哪：部署在单卡 GPU 上就能跑。可以接直播流做实时商品识别和弹窗、接录屏做 agent 操作回放的自动化分析、接智能摄像头做事件摘要。256k 上下文意味着不用切片段，数十分钟的视频一次性处理。需要注意什么：11B 参数在消费级显卡（3090/4090）上跑推理没问题，但要跑实时视频流，推荐至少 24GB 显存。中文和英文都支持，但 benchmark 主要基于英文数据集，中文场景的精度建议自己先测一下。### Bonsai 27B它是什么：PrismML 发布的 27B 多模态模型，基于 Qwen3.6 27B，经过三元量化（1.71 bit/weight）压缩到约 5.9GB，1-bit 版压缩到 3.9GB，可以在手机上直接运行。支持多步推理、结构化工具调用和长上下文。以前为什么做不到：手机上跑本地模型一直在 1-3B 的量级徘徊——能做的事很有限：翻译、分类、简单文本补全。3B 以下模型的推理和工具调用能力不够稳定，做不了复杂的 agent 任务。27B 是一个量级的跨越：只比 3B 大 9 倍，但能力曲线不是线性的——27B 才能稳定做多步推理和结构化 tool use。现在能用到哪：App 端可以内置一个离线 agent 内核——用户不需要联网、不需要账号、不需要按 token 付费，就能在本地完成多步推理。对隐私敏感的场景（医疗咨询、财务分析、法律文档）和网络不稳定场景（海外旅行、偏远地区）来说，产品逻辑可以完全不同。需要注意什么：虽然模型压缩到了 3.9GB，但手机端的推理速度取决于芯片——目前测试数据有限，建议先在旗舰芯片（Snapdragon 8 Gen 3 以上、Apple A17 Pro 以上）上验证延迟。另外三元量化和 1-bit 量化在复杂数学推理上相比原精度有 5-10% 的精度损失，非关键场景够用，但涉及精确计算的场景建议保留云端 Fallback。### 1-bit Hy3 量化版它是什么：Tence…

转发者评论

无明显转发评论

原文

有意思，一个专门训练Agent（为其提供环境模拟反馈）的Agent。🤔Qwen-AgentWorld：把工具环境模拟训练进语言模型的 Agent 世界模型Qwen-AgentWorld 是 Qwen 发布的 language world model：它接收 agent 的动作，预测环境下一步会返回什么。覆盖 MCP、搜索、终端、SWE、Android、Web、OS 七类交互域，因此可以用来模拟工具调用、浏览器操作或软件工程任务中的环境反馈。公开的 35B-A3B 版本是 MoE 模型，35B 总参数、每 token 激活 3B、256K context。训练分 CPT、SFT、RL 三阶段，项目称使用了超过一千万条真实交互轨迹；同时发布 AgentWorldBench，以格式、事实性、一致性、真实感和质量五项衡量模拟结果。它的用途不只是做 benchmark：可在虚构或被扰动的环境里训练 agent，提前暴露工具理解和决策缺陷。README 报告中，基于其做 Sim RL 的 Qwen3.5-35B-A3B 在多个工具调用基准上有提升；这些是项目方在自身评测设定下的结果，外部复现仍需时间。部署并不轻，示例用 SGLang/vLLM 且 tensor-parallel-size=4。模型与 benchmark 都采用 Apache-2.0。🔗 链接：网页链接📄 技术报告：网页链接🤗 模型：网页链接🤗 基准：网页链接#HOW I AI# #ai生活指南# #AI工具#

转发者评论

无明显转发评论

原文

Anthropic 正在测试人形机器人。其最新研究“Claude Plays Robotics”展示了 Claude 如何控制真实机器人——包括 Unitree G1 人形机器人和 Unitree Go2 四足机器人——涵盖了从底层力矩控制到高层 VLA（视觉-语言-动作）监督的各种控制接口。测试结果如下：>Go2 凭借预训练策略实现了稳定的平衡、行走和基本导航。>G1 的控制难度依然很大，但尽管面临底层控制方面的挑战，其平衡能力已显著提升。>较新的 Claude 模型（如 Opus 4.6/4.7、Mythos Preview）在抓取和物体操作等高层任务中表现出色；而在底层控制方面的差距也在迅速缩小。这项工作建立在“Project Fetch”第二阶段的基础上。Anthropic 这样一家以安全为核心的公司积极在真实硬件上进行基准测试，表明具身智能（Embodied AI）已成为其技术路线图的核心。与此同时，几乎所有主流大语言模型（LLM）厂商都在进军具身智能领域：Google (Gemini robotics)OpenAI (人形机器人实验室)阿里巴巴 (Qwen-Robot 系列)Mistral AI (Robostral Navigate-VLA)字节跳动 (Seed-GR3/GR-RL、ByteDexter 机械手)……大模型公司集体竞逐具身智能的时代已经真正到来。

转发者评论

[doge][馋嘴]

• [doge][馋嘴]

原文

我自己很少使用 MCP，主要是这方面需求比较少。管理员是 Anki 重度用户，卡片有将近十万张。没 AI 的时候管理员就有的需求是“美化模板”。有 AI 后我也试过教管理员用 AI chat 然后复制粘贴的办法来修改模板。晚上让管理员自己操作开启 Anki 的 MCP 服务并接入 Hermes，之后陪着她做了很多尝试，因为技能开放比较多，需求实现起来几乎没有什么障碍。以后很多需求都是一句话的事情了。————不过我观察到管理员在描述需求的时候会“过于详细”，管理员说的是“不放心”“怕做错”。那些“过于详细”的提示词我都没让她发，全替换成我说的简易版本。管理员每次都是“这真的能行吗？你不用说详细一点？”我说：包可以的。“过于详细”对模型来说不是什么问题，毕竟累的是自己。但长期来看，我觉得属于摸不清模型能力边界的体现之一，并且可能会错过所谓的“最佳实现”。我会有意识地让自己的提示词足够精炼且准确，并留给模型一些可预见的、受控的发挥空间。“过于详细”就像以前我工作安排任务给别人的时候，总希望足够详细和准确，以至于还不如自己直接做了算。“精炼且准确”的表达可能会更加高效率。如果我有把握发一个问号就能引导模型下一步行动，那我就会只发一个问号。

转发者评论

无明显转发评论

原文

梁文锋成为世界最富有AI企业创始人彭博亿万富豪指数显示，梁文锋目前的净值达360亿元美元，较之前167亿美元增加逾倍，由此排在Anthropic PBC联合创始人阿莫迪（ Dario Amodei）和OpenAI联合创办人布罗克曼（Greg Brockman）之上。公开资料显示，梁文锋1985年生于中国广东省湛江市，毕业于浙江大学， 拥有信息与电子工程学系学士和硕士学位。2015年，梁文锋联合创立了中国头部量化私募基金幻方量化，运用人工智能和数学模型在量化交易领域取得巨大成功，成为中国量化投资的领军人物之一。

转发者评论

知识改变命运！靠自己的努力和才华创造出的奇迹，值得肯定👍，但看评论区“嫉妒”、“嫉恨”的人太多了

• 知识改变命运！靠自己的努力和才华创造出的奇迹，值得肯定👍，但看评论区“嫉妒”、“嫉恨”的人太多了

原文

昨晚和两位在全球寻找基金经理的老外聊天，非常有意思，他们对美股不太看好，已留存了20%的现金，是他们家族办公室有史以来最高的现金比例，他们认为美股高估了，而且认为经济会衰退。我说目前的数据看美国的就业率非常高，他们说看两年后……反而，他们对中国市场非常看好，包括高科技制裁也认为“美国会搬起石头砸自己的脚”，中国会自力更生走出一条新路……两个老外是犹太人，他们说他们喜欢在“血流成河”的时候把自己的血也放进去，过去08年金融危机、巴西金融市场崩溃时都进去赚过大钱，但有两个国家，俄罗斯与委内瑞拉不碰，最近对土耳其市场有兴趣……其中一个88年到过深圳，今年又来，看到深圳的今天，惊得目瞪口呆！给了一个很夸张的表情！我说我前些天去了纽约、意大利，回来从深圳机场飞北京，在空中能感受到中国取得的非凡成就，希望这一切能延续……他们目前在中国的配置有10%，认为越不好时越有机会，跟我讨论了几个中国公司，对某公司的翻译软件印象特别好，比google的好，就是估值太高……不过过去他们没有进行汇率对冲，今年做了对冲。他们目前在中国选了一个投资人，2019年开始，到2021年赚了200%，但过去两年回撤40%—50%，但他们依然看好，他们会穿透底层看投资人到底投的什么企业，还会和投资人一起去拜访企业……他们选投资人不拘一格，也对东方港湾的留信非常感兴趣，想投资，我说很遗憾，留信现在的基金是关闭状态，不接投资者的钱，我可以回去问问。他们说，他们在亚太地区走了一圈，见的每一位基金经理都非常看好AI，看好微软、英伟达等，他们特别强调了一点，是见到的每一个基金经理。他们认为，通常，这意味着风险……我和他们交流如图看到的数据，他们说确实美国本土的基金经理是有所保留。他们认为美国经济未来几年会出现衰退……我了解的情况是美国基金目前的仓位，46%，空仓+多仓，还是非常的低。全球基金经理对市场看好的情绪还处在非常悲观位置……非常有意思……

转发者评论

感谢你翻看这些过往的微博，回顾这些记录，非常有意思！[作揖][鲜花]//@牛毛V5:站在2026年7月15日三年后今天，看但总的交流意见，非常正确！两个犹太人观点错了！

• 感谢你翻看这些过往的微博，回顾这些记录，非常有意思！[作揖][鲜花]//@牛毛V5:站在2026年7月15日三年后今天，看但总的交流意见，非常正确！两个犹太人观点错了！

原文

全尺寸人形机器人长程移动操作能力迎来重大突破！逐际动力发布了一次全球屈指可数的完整实录：无遥操，无剪辑，一镜到底，全尺寸人形机器人 Oli，不间断干完一屋子家务。这是继 Figure 之后，全球唯二，中国首个，能全自主完成长程移动操作家庭任务的全尺寸人形机器人。逐际动力正式发布人形大脑系统 LimX COSA 0.5 版本。COSA 由三层架构组成——System 2 是认知层、System 1 是技能层、System 0 是运控层，三层协同，把认知、记忆、调度、技能与全身运控组织成一个整体，是真正跑在物理世界里的智能系统。在人形大脑系统的调度下，人形 VLA 能力全面提升。过去一年，具身智能行业最热的叙事围绕模型展开——端到端模型越做越大，VLA 参数量不断刷新，资本和关注都涌向「谁的模型更强」。逐际动力创始人张巍的判断截然不同：纯大模型就像躺在病床上的霍金——极其聪明，具备强大的思考、决策、认知能力，但无法自主行动。这次 COSA 0.5 的发布抛出一个行业反共识：模型只是技能，系统才是大脑。Figure 把端到端模型做分层，Skild AI 用一个通用模型控制所有机器人，大量创业公司把 VLA 当大脑——回答的都是同一个问题：如何造出更强的技能。逐际动力回答的是另一个问题：如何把能力组织成一个能在真实身体上运转的系统。聪明的人形大脑系统如何让 Oli 在非结构化的家庭场景连续不断地执行任务？我们看视频说话。

转发者评论

无明显转发评论

原文

Baseten公司的ali，介绍了他们的大模型量化方法。经过他们量化的GLM5.2，吞吐量比nvidia量化的版本提升了20%，质量可能还更好。具体论文在这里：arxiv.org/abs/2607.12266------------接下来的两分钟里，我会带你了解：为什么几乎所有 AI 公司，包括英伟达，都在没有必要地牺牲模型智能、速度，甚至两者同时牺牲……以及我们是如何解决这个问题的。一句话总结：* error（层 A）+ error（层 B）< 仅有 error（层 A）* 只要你知道该量化哪些层，量化模型中更多的部分，反而可能得到质量相同、甚至质量更高的模型。我们以 GLM-5.2 的架构为例。Token 在模型中会依次经过：1）归一化2）注意力3）归一化4）MoE以上过程重复 78 次。MoE：> 本质上就是一个大型 MLP，只不过被拆分成了 257 个彼此独立的小型 MLP，也就是专家。> 其中 8 个专家由路由器选中，另有 1 个共享专家；因此，每次实际激活的 MLP 只占总量的 3.5%。于是我们会想：那就让矩阵乘法变得更快吧。我们把这些矩阵量化成 NVFP4。但问题是，究竟该量化什么？是量化全部 257 个专家，还是量化注意力投影，还是两者都量化？英伟达以及几乎所有其他量化方案，最终都采用了一种看起来相当符合直觉的做法：> a）每一层只有一个路由器、一个共享专家和一个输出投影。> b）每一个 Token 都会经过这些组件，所以它们一定非常重要；如果对它们进行量化，误差就会随着输入 Token 数量的增加而不断累积。> c）因此，共享专家和投影层应当保持未量化。> d）我们只量化 256 个路由专家。这实际上就是英伟达的 GLM-5.2-NVFP4 所采用的方案。符合直觉。容易理解。但它是错的。从实验结果来看：假设一个模型先通过层 A 处理输入，再通过层 B 处理输入，那么，同时量化层 A 和层 B 的方案，完全有可能优于只量化其中一层的方案。举个例子，我们的配置会量化注意力模块中的全部输出投影，也就是 78 个输出投影；同时还会量化 78 个共享专家中的 43 个。英伟达对这些部分一个都不量化。我们的基准测试得分与英伟达相同，也就是说模型质量相同。但我们的吞吐量白白提高了 20%。至于数学证明，就留给读者在论文里自行完成了……

转发者评论

无明显转发评论

原文

最近体验了一下豆包专业版，有一说一，我感觉还是非常好用的。豆包目前全面上线了“办公任务模式”，在底部菜单可以切换选项从“快速、思考、专家”变更为“快速、专家、办公任务”，思考模式整合进专家模式和办公任务模式。（见图一）办公任务模式基于最新的豆包2.1系列大模型，能够为专业用户处理复杂任务。这个模式支持操作本地电脑、使用浏览器、调用Skills技能和定时任务等能力，完整集成了飞书办公套件，并支持专业图片视频设计，和生成分享应用网站。换句话讲，就是在办公任务模式下，不是简单的回答问题而是可以理解工作目标，自主拆解任务，并调用本地电脑、文档、表格、网页等工具持续执行完成任务。用今年流行的话说，就是办公任务模式下的豆包是一个可以干活的Agent了。我给大家演示两个案例，一个是我自己平时做自媒体的工作流 skill 的案例，另外一个就是办公任务模式下的PPT制作案例。看完，大家就会感受到豆包专业版的强大。1、LLM-WIKI skill知识库工作流在办公任务模式下，支持自建和导入skill的功能，我看它能自动识别你电脑里的全局安装在agent目录下的skill 。所以，如果想导入自己制作的skill就可以放到这里。（见图二）我就把我自己之前制作的lm-wiki知识库skill放到这里了，就可以直接使用了。我这个skill其实相当复杂，需要建立依赖链和索引，同时拆分知识节点，最后可以融合写作和生成发芽报告，但是，我看执行效果和效率都很好。比如，调用llm-wiki skill之后，把内容扔进去，很快就把索引、依赖链和节点都创建好了，速度很快。（见图三）我扔进去很多文章之后，说「生成发芽报告」，给我制作的发芽报告效果也相当好。（见图四和图五）发芽报告是基于每天存储的文章和拆分的知识节点，重新碰撞写出来的新的观点和文章。看看怎么样？这是一个会生长的知识库。2、Loop Engineering PPT制作比如，作为一个AI博主，要去一个沙龙活动做一个关于Loop Engineering的主题演讲，我就是用豆包制作的PPT。我直接说：请帮我制作一份关于Loop Engineering的 PPT文档，我要去一个沙龙活动演讲。制作过程见图六。因为豆包2.1系列大模型能够处理复杂任务，所以，它就会自动搜索相关知识制作PPT ，而且在办公任务模式生成PPT后，它是内置在线编辑：一键统一字体、自动匹配数据图表、批量插入动态示意图；可直接联动飞书文档同步修改，不用导出本地反复调整，可以说非常方便了。制作效果（见图七）。大家可以看看，这可不是什么网页或者简单的图片，这是真的可以编辑和修改的PPT文档，而且制作的PPT效果超级好看。（见图八和图九）不得不说，豆包专业版的办公任务模式确实非常nice，专业版主打的办公任务模式，以Agent 为核心，支持本地电脑操作、浏览器操控、应用生成、Off…

转发者评论

无明显转发评论

原文

可以让 Ai 帮投简历找工作了？AI Job Search：把 Claude Code 变成可追踪、可审阅的求职工作流这是一个可以直接 fork 的 Claude Code 求职框架。它把求职拆成一套本地文件驱动的工作流：/setup → /scrape → /rank → /apply → /interview → /outcome- /setup：从 CV、LinkedIn 导出、学历、作品集、历史申请材料，或一轮访谈中建立候选人档案；- /scrape：搜索职位；- /rank：对职位批量匹配评分，给出短名单、优势、缺口与截止日期；- /apply：对指定职位评估匹配度，生成定制 CV 和求职信；- /interview：基于该职位、已投 CV、过往面试反馈做面试准备与模拟；- /outcome：记录 offer、拒信、面试阶段或沉默，把真实结果重新写回档案，校准后续判断。它比“生成一封求职信”的工具多了几个关键约束：1. Drafter / Reviewer 分离一个 agent 写 CV 和求职信，另一个独立 agent 研究公司、审稿并指出泛化表述或遗漏，之后再修订。2. PDF 与 ATS 双重验证CV 用 lualatex、求职信用 xelatex 编译；流程会检查页数、孤立标题、字体和签名位置。随后用 pdftotext 审查 PDF 的真实文本层，确认 ATS 能读到联系方式、合理的阅读顺序和关键词。3. 不虚构经历职位关键词会和个人档案核对。确有技能缺口时保留缺口，不把关键词硬塞进 CV。4. 把求职当成研究循环/expand 从公开作品、GitHub、论文或课程资料中补足已有能力；/upskill 从持续收集的岗位需求里生成技能缺口热力图与学习计划；/add-portal 可为本地招聘网站生成新的搜索 skill。默认的职位门户偏向丹麦市场。项目也提供 LinkedIn 公开职位搜索和 freehire.dev 的多市场技术岗位聚合；README 明确提醒，LinkedIn 的自动化访问违反其服务条款，只适合低频个人使用。其他国家/地区更合理的路径是自己用 /add-portal 做适配。技术上需要 Claude Code、Python 3.10+、Bun 和 LaTeX 环境；MIT 许可。它的价值不在于批量自动投递，而在于让每一份申请、每一次反馈、每一条市场信号都能回到同一个可迭代的职业决策系统里。🔗 链接：网页链接（项目）📄 详细配置：网页链接（配置）💬 社区适配项目：网页链接（讨论）#HOW I AI# #ai生活指南# #效率工具#

转发者评论

无明显转发评论

原文

#模型时代# 华尔街顶级绩效心理学家：为什么你的大脑在阻止你变强？这周工作贼多，发一期高质量鸡汤共勉。笔记来自 The Knowledge Project 播客，2026年7月7日上线。嘉宾 Dr. Gio Valiante 是 Point72 Asset Management（这家由传奇投资人 Steve Cohen 创立的对冲基金管理着超过450亿美元资产）的首席绩效教练。Valiante 在埃默里大学取得博士学位，师从社会认知理论领域的权威 Frank Pajares，后在罗林斯学院担任教授。他还曾受 NFL 布法罗比尔队主教练 Sean McDermott 之邀出任球队首席绩效教练，帮助球队终结了长达17年的季后赛荒。在高尔夫球界，他辅导过的球手累计赢得超过60场 PGA 和 LPGA 巡回赛冠军。Valiante 说：绝大多数人的表现低于自身能力。他用马拉松跑者做了一个简洁的论证。全球大约有500万马拉松跑者，这些人把生活组织起来就是为了挑战身体极限，但每年因为"把自己逼得太狠"而死亡的人大约只有个位数，绝大多数死亡案例是被车撞或其他意外。换句话说，即便是那些以突破极限为职业的人，到了终点线还是活着的。大脑内置的安全机制在他们触碰真正的极限之前就把他们关停了。这个机制叫作"中央调速器假说"（central governor hypothesis），它不只作用于跑步，它作用于你生活中的每一个领域。（这个太狠了，难道跑死不成……）一、大脑为生存设计，不为卓越设计1、中央调速器：人类低配运行的生物学根源大脑的首要任务是让你活得够久、完成基因复制。过度表现不在它的设计目标里。单细胞生物实验已经证明了这一点：把微生物放在培养皿中，一侧加热、另一侧降温，它们会自动游向舒适区域。在最底层的生物学层面上，所有生命都被编程为趋向舒适和安全。而舒适和安全恰恰是卓越的反面。所以"学会在不舒服中感到自在"不是鸡汤，是生物学事实的推论。如果你想在任何领域做到顶尖，第一步是做出一个认知决定，用自主意志（agency）推翻大脑的默认设置。2、自由意志是一个需要选择去相信的东西威廉·詹姆斯在1870年4月的日记里写下一句话："My first act of free will shall be to believe in free will." 我行使自由意志的第一个行动，就是选择相信自由意志的存在。Valiante 认为这句话触及了人类处境的核心矛盾：我们对自己的控制力远比自以为的少。多数时候，人们以为自己在思考，其实只是在重新排列自己的偏见。在这个前提下，人类真正拥有的少数几项自主行为之一，是决定自己的方向，然后培养习惯，让这些习惯变成无意识行为，把自己推向分布曲线的尾端。这是起点，不是终点。3、改变行为先于改变思想Albert Bandura 的社会认知理论有一个核心洞察…

转发者评论

//@CC女士不是西西:同意其中几乎所有观点。根据我最近在做AI影响的小研究，人类大部分行为、心理和认知问题更多是一种进化失配，大脑的进化是为了在早期生存环境下取得卓越：活到20岁左右，完成繁衍。但人类的心理和认知并未为如下现代生活优化：在近80岁的人均寿命中，始终以青年期的速度，持续承受现

• //@CC女士不是西西:同意其中几乎所有观点。根据我最近在做AI影响的小研究，人类大部分行为、心理和认知问题更多是一种进化失配，大脑的进化是为了在早期生存环境下取得卓越：活到20岁左右，完成繁衍。但人类的心理和认知并未为如下现代生活优化：在近80岁的人均寿命中，始终以青年期的速度，持续承受现

原文

本条是史诗大片《奥德赛》的事，诺兰也算大家耳熟能详的大导了。这电影其实我关注的挺早，但一看宣发就很劝退，我以为又是拍了个豹头环眼喝断当阳桥的海伦的那种充斥着政治正确恶臭的电影呢，这真不能怪我啊，你看看宣传海报，新闻剧照都是些啥？不是，国内宣发是出品方欠你们工资了吗‘？从图7开始的剧照你们是一张都不发啊！诺兰的《奥德赛》已于2026年7月6日在伦敦举行全球首映礼，7月17日北美上映，8月14日国内上映。影片由马特·达蒙、赞达亚、汤姆·赫兰德、安妮·海瑟薇、罗伯特·帕丁森、查理兹·塞隆等主演，采用IMAX胶片实拍，是目前全球最受关注的史诗巨制之一。就冲图7-图12，这电影我一定看！

转发者评论

看评论说后面那些是AI。前面这几张可是真毒，不但有黑海伦毒，还有赞达雅毒。大佬们看中了谁，谁就必须红，资源全往谁那里倒，哪里都看得见她。以前诺兰是少数可以光凭名字卖票的，现在看来也不行了//@无穷的探索2:[笑哈哈][污]//@洗脚池的NEO:干！这得批判性地去看了！IMAX安排，不能放过任何一个细节

• 看评论说后面那些是AI。前面这几张可是真毒，不但有黑海伦毒，还有赞达雅毒。大佬们看中了谁，谁就必须红，资源全往谁那里倒，哪里都看得见她。以前诺兰是少数可以光凭名字卖票的，现在看来也不行了//@无穷的探索2:[笑哈哈][污]//@洗脚池的NEO:干！这得批判性地去看了！IMAX安排，不能放过任何一个细节

原文

#世界杯锦鲤预测西班牙将夺冠##重庆贴砖哥的锦鲤buff还在叠加##世界杯预测人机大战#咪咕节目连线重庆“贴砖小哥”，这位曾碾压多款AI模型的预测大神，再次放出狠话：**本届世界杯冠军必是西班牙！**🔥这位“超强锦鲤”此前战绩逆天——32强完整名单精准命中31个，预测准确率断层领先AI模型！从小组赛到淘汰赛，他的预判如同“开了天眼”。如今，buff叠加至决赛：西班牙一路稳扎稳打，战术精妙+状态火热，双重加持下，小哥的预言可信度直接拉满！💯对比AI的冰冷数据，小哥的“神秘直觉”更显魔力。他直言：“西班牙的控场力与锋线爆发力，就是冠军相！” 而赛场表现印证一切：斗牛士军团攻守兼备，淘汰赛连克强敌，气势如虹。决赛在即，全网静待预言落地！是人脑智慧再胜算法，还是AI反杀？锁定赛场，见证奇迹时刻！🎯✨你觉得小哥能神预言成功吗？快转发评论，一起押宝！🎯

转发者评论

无明显转发评论

原文

Meetily 是一个完全本地运行的 AI 会议助手。这是它最核心的一点：所有数据留在你自己的机器上，不上云，没有第三方服务器，没有 SaaS 订阅费。它能做什么：1. 实时转录1）开会时同步生成文字记录，基于 Whisper 或 Parakeet 模型2）支持麦克风 + 系统音频同时采集3）macOS 直接用 Apple Silicon 加速，Windows/Linux 支持 CUDA2. 本地 AI 总结1）推荐搭配 Ollama 跑本地模型生成会议摘要2）也支持接 Claude、Groq 或自定义 OpenAI 兼容接口3）模型、录音、文字稿全部存本地，不依赖任何在线服务3. 隐私Meetily 的数据完全在本地，不在工具厂商技术栈是 Tauri（Rust 后端 + Next.js 前端），开源，MIT License，macOS/Windows/Linux 都支持。GitHub: github.com/Zackriya-Solutions/meetily#HOW I AI# #程序员#

转发者评论

无明显转发评论

原文

[LG]《Reference-Based Distillation Detection in LLMs》R Rawat, S Chen, A Anand, M Duan… [UC Berkeley] (2026) 在模型审计领域，检测一个大语言模型是否通过「知识蒸馏」（即在更强模型的输出上训练）获取能力是一个悬而未决的难题。过去的方法受困于对候选模型行为的孤立判断，本质原因是现代模型谱系高度交织且蒸馏过程（如提示词、过滤机制）极度不透明，导致传统的成员推理指标在大规模模型面前几乎失效。本文的核心洞见是：把蒸馏检测重新看作一种基于「参考点」的相对偏移测量。由此，引入一个同系列早期版本的参考模型，通过对比目标学生模型与参考模型在解释候选老师输出时的「似然度增益」这一关键操作，成功抵消了提示词和数据分布的干扰，甚至能通过非 ASCII 字符的编码特征识别出 o1 系列模型的独特印记。这项工作真正留下的遗产是证明了即使在黑盒准入和复杂蒸馏流程下，模型行为审计依然具有高度的可行性。它为后来者打开的新门是建立了一套量化模型知识溯源的统计框架，并初步揭示了 QwQ、DeepSeek-R1 等前沿模型间的潜在演化关系，但尚未跨过的门槛是多老师混合蒸馏以及经过深度重写后的复杂蒸馏场景下的精准归因。arxiv.org/abs/2607.09692 #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

• “差分检测”的思路承认了一个残酷的事实：在AI世界里，“好”是没法被垄断的，因为所有优秀模型面对同一个问题，最优解的空间是收敛的。但“变化”可以被追踪。你今天突然会了什么，比你本来会什么，包含的信息量大得多。这其实是在告诉我们，AI时代的产权保护，得从“静态快照”转向“动态轨迹”。
• 真正的护城河从来不是“别人学不会”，而是“我更新得比你快”。当o1的推理能力可以通过蒸馏渗透到开源模型，防御的意义就崩塌了。这场竞赛的终局不是谁藏得更深，而是谁能在被抄袭的那一刻，已经迭代到下一代。技术扩散速度超过迭代速度的那天，领先者就变成了免费的教材供应商。

原文

[AI]《SVR-R1: Bootstrapping Multi-modal Reasoning with Self-verification in Reinforcement Learning》M Wu, J Yang, S Qian, X Wang… [University of Illinois Urbana-Champaign & Meta] (2026) 在多模态大模型（VLM）领域，提升复杂视觉推理能力是一个悬而未决的难题。过去的方法受困于对高质量推理轨迹数据的依赖或繁琐的推理时搜索，本质原因是模型生成的初次答案往往包含视觉误判，且模型缺乏在强化学习训练中自主识别并修正这些错误的能力。本文的核心洞见是：把模型的自我验证能力重新看作强化学习的内置奖励信号，而非仅作为推理时的后处理。由此，一种多轮对话式 RL 框架使问题得以解开：模型在同一套权重下交替扮演生成者与验证者，若自评为“No”则触发重思考，这种“生成-验证-修正”的闭环被直接整合进 GRPO 训练流，迫使模型在迭代中内化自我纠错逻辑。这项工作真正留下的遗产是证明了 VLM 可以通过“左手倒右手”的自举式训练，在无外部监督下跨越生成与验证的认知鸿沟。它为后来者打开的新门是探索推理时缩放（Inference-time Scaling）与强化学习训练的深度融合，但尚未跨过的门槛是当问题难度极高以至于模型自始至终无法产生正确反馈时，这种自举机制会因缺乏有效正向激励而失效。arxiv.org/abs/2607.10966 #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

• “再想想”这三个字，是有适用域的。超出认知边界的反思不叫深度思考，叫反刍焦虑。人也一样，你让一个没见过微积分的人“再仔细想想”一道积分题，他不会顿悟，他只会在错误的路径上越走越远，还觉得自己很努力。这对整个“给模型更多推理时间就能涌现能力”的叙事是一盆冷水：算力能放大能力，但不能
• 品味永远跑在能力前面，这件事终于被数学证明了。模型“验证比生成容易”，翻译成人话就是：你能听出一首歌哪里不对，远早于你能自己写出一首对的歌。整个训练过程就是这个gap在缩小，反思轮次在下降，慢思考被压缩成直觉。一旦这个gap消失，进化就停了。当你的品味和能力齐平的那一刻，你不是到达了终

原文

近期，小鹏图灵AI智驾（NGP）在欧洲的路测备受海内外媒体关注。7月14日，何小鹏亲赴德国完成第二代VLA模型的本地化验收测试，这套基于中国路况训练的智能辅助驾驶系统在欧洲的适配性和稳定性已经很高，几乎不需要额外数据训练，就能应对城市主干道、窄路小巷、大曲率弯道，并能自主绕行、平稳避让行人。目前，第二代VLA已经能很好地识别复杂的欧洲路标，理解欧洲的道路交规和路权体系，适应当地用户的习惯。此次验收，是小鹏第二代VLA完成海外本地化验证的关键节点，小鹏也是国内首家用“同一套模型”同时打通中国与欧洲的企业。何小鹏称，智能辅助驾驶全球化首先要把安全做到极致，期望能够成为首家将高阶智能辅助驾驶带到欧洲的中国企业。#何小鹏目标首家高阶辅助驾驶进入欧洲##小鹏MONAL03德国NGP实测##微博视频号续航计划# 问鼎资本-张佳男的微博视频

转发者评论

无明显转发评论

原文

网页链接这篇文章作者实测了一次真实的 agentic coding 会话，结果非常amazing啊。真正任务只消耗了 0.67% 的 token，剩下 99.33% 主要花在环境、工具目录、历史上下文等开销上。结论是优化 Agent 成本应先测量 usage 数据，再减少无用 MCP/插件/技能、过滤命令行输出、控制 Agent 回复长度、谨慎压缩过期上下文，并保持 prompt 前缀稳定以利用缓存。如果百万 token 窗口如果塞满工具目录和旧日志，并不会让 Agent 更聪明，只会更贵、更慢、更容易遗忘关键内容。

转发者评论

无明显转发评论

• 结论：人类负责打杂性价比更高。

原文

[LG]《Domain-Aware Scaling Laws Uncover Data Synergy》K Hamidieh, L Mackey, D Alvarez-Melis [MIT & Microsoft Research] (2026) 在大语言模型预训练领域，如何精准预测数据配比对模型性能的影响是一个悬而未决的难题。过去的方法受困于“Token等效”的盲目假设，将不同来源的数据视为无差别的数量堆砌，本质原因是忽视了领域间存在的非线性协同与干扰效应。本文的核心洞见是：把数据配比重新看作一种可量化的“认知化学反应”。由此，通过在缩放法则中引入一阶领域敏感度与二阶领域耦合系数，将代码、数学等领域共存产生的性能增益转化为可计算的“奖励Token”，从而准确捕捉领域间的互补与冲突。这项工作真正留下的遗产是将数据混合从“经验炼金”推向了“定量配方”。它为后来者打开的新门是基于协同效应的自动化数据策应工具，但尚未跨过的门槛是观测性数据自带的分布偏差，以及该法则在万亿级参数规模下的外推稳定性。arxiv.org/abs/2607.11052 #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

• 开源时代最被低估的不是模型本身，是训练日志和配方单。当几百个团队各自烧完卡、公开checkpoint的那一刻，他们以为分享的是成果，其实泄露的是因果关系。这篇论文证明了一件事：你不需要自己养实验室，只需要会从别人的伤疤里提取教训。观察性研究在AI领域刚刚开始，但它已经展示出用十分之一成本撬动
• 数据不是原料堆，是乐队成员——Books和Math不是简单叠加，它们在同一个权重空间里抢话筒。你以为多样性是保险，其实可能是内耗。真正的配方不是“什么都来一点”，而是找到那些能互相放大、而非互相抵消的组合。这才是为什么同样算力下，有人炼出金子，有人炼出泥巴。

原文

#国行版苹果AI要来了#刚看到消息，国行苹果AI的合作伙伴定了，是阿里的千问。其实这结果不意外。蔡崇信去年就在迪拜说过这事，现在算是官宣了。我觉得千问挺合适的，模型效果在国内第一梯队里够用，关键是它多模态能力完整，文生图、视频理解这些苹果需要的场景都能覆盖。苹果选合作伙伴，肯定盯着大厂来。不是看不起小厂，而是企业级服务得跟得上。几亿台设备同时调用，服务器、API稳定性、数据合规，这些只有阿里这个级别的才扛得住。企业服务本来就是阿里的老本行。国内有同等技术实力的公司不多，字节算一个。但字节自己都出了豆包手机，成了苹果的竞争对手，怎么可能再给苹果供AI呢？这道理太简单了。现在就看上线后实际体验怎么样了，苹果的硬件加上阿里的大模型，希望能有点新东西。#苹果AI为何选择千问#

转发者评论

无明显转发评论

• 腾讯 hy3 最近也很猛

原文

#模型时代# 刚看到马克·安德森刚转发的，一篇呼吁美国再工业化的长Blog。作者Zane Hengsperger 是美国再工业化浪潮中的年轻代表人物，2025 年创立了 YC S25 项目 NOX Metals 并担任 CEO，公司位于底特律，主打 AI 驱动的金属供应链服务，通过自动化和软件大幅缩短原材料交付时间，致力于解决美国制造业的供应链瓶颈；他 2022 年毕业于密歇根大学，成长于父亲的机床车间，从小浸润在工业环境中，被媒体称为“底特律最年轻的新工业家”。新工业家（New Industrialist）是新造词，“新一代工业家”或“现代工业家”的意思。美国传播语境下，是强调用科技、创新、AI 等现代手段重振传统制造业的人。——美国可以胜过深圳。 ——呼吁实现工厂丰裕Zane Hengsperger ·另一场工业革命正在到来。1980 年的深圳还是一个渔村。如今，它出口的电子产品比整个美国还要多。在那里，你可以从 CAD 文件到注塑成型原型件，在 48 小时内完成。而在美国，这需要 6 周时间和 4 家供应商。这不是因为中国工程师更聪明。也不是因为他们的劳动力现在更便宜了。深圳之所以胜出，是因为密度、速度，以及一种将制造实物视为最高地位工作的文化。这三者，每一个都是可以复制的。美国过去 30 年什么都没复制，而是选择了离岸外包。2000 年，美国占全球制造业增加值的 25%，中国仅占 6%；到 2023 年，中国已占 29%，美国只剩 17%。这是一个选择。我们可以做出不同的选择。以下是一个按顺序的行动手册。而且顺序至关重要。1. 首先修复文化我真心相信，文化就是一切。它是商业、家庭、社区、行业、国家的根基。美国目前的文化并不理想，但它是可修复的。这是所有其他瓶颈之下的根本瓶颈。你可以浇筑混凝土、购买设备，却无法直接购买一代愿意走进工厂的人。只有 6% 的美国高中生将制造业视为职业路径。每当 5 名熟练技工退休，只有 2 名新人接替。焊工的平均年龄高达 55 岁。与此同时，在深圳，26 岁经营 CNC 车间的年轻人，正是他朋友们最想成为的那种人。我们花了几十年时间反复告诉每一个聪明的孩子：离开车间，进办公室；去学编程；制造业是你祖父那一代的事。结果就是：57 万个制造业职位空缺，到 2030 年将有价值一万亿美元的产出无法实现。修复之道在于地位，而非补贴。让机械师重新成为主角，让工厂工人重新变得酷炫。具体做法是：让技术人员在车间里走动并分享日常；让国防科技自阿波罗时代以来首次把硬件做成酷事；让职业学校支付学生在真实岗位上接受培训，并在毕业前完成安置；让 22 岁的年轻人看到，拥有管道认证的焊工收入可以超过营销分析师；让高中拥有真正运转的车间，而不是一堆职业宣传册。我真心认为 Instagram 在这件事上功不可没——我看到越来越多酷炫的年轻人操作机器，…

转发者评论

//@桂曙光:好文章。深圳之所以胜出，是因为密度、速度，以及一种将制造实物视为最高地位工作的文化。

• //@桂曙光:好文章。深圳之所以胜出，是因为密度、速度，以及一种将制造实物视为最高地位工作的文化。

原文

#模型时代# 图灵奖得主Patterson：后摩尔定律时代，CPU、GPU、TPU的诞生与分工2026年7月13日，Ryan Peterman在他的播客The Peterman Pod上发布了一期与David Patterson的长对话。话说，这个播客真不错，经常请来大牛学者讲深刻的议题，深浅也适合，不至于过于专业听不懂，又。Patterson是加州大学伯克利分校荣休教授、Google DeepMind杰出工程师，因与斯坦福大学John Hennessy共同开创RISC，即精简指令集架构，以及计算机体系结构的量化研究方法，两人共同获得2017年图灵奖。他们合著的《计算机体系结构：量化研究方法》已出到第7版，2026年最新出版，是全球计算机架构课程的标准教材。Patterson还深度参与了Google TPU的研发，2026年6月刚在arXiv上发表了一篇回顾TPU五代架构演进的论文。Patterson讲了一个细节：1980年代RISC与CISC的争论激烈到什么程度？当时的计算机体系结构教科书“像产品目录一样”，罗列某台计算机有什么特性，再罗列另一台有什么特性，缺乏量化比较的框架。争论更像中世纪经院哲学式的辩论，凭直觉和哲学立场而非实证数据来决定方向。直到他和Hennessy的团队开始跑数据，答案才明朗：RISC指令虽然多出30%到40%，但每条指令执行速度快4到5倍，净效果是3到4倍的性能提升。一、RISC与CISC：一场被误读的结局1、争论的本质是词汇量的选择Patterson用了一个比喻：CISC像一本塞满多音节长词的词典，RISC像一本全是单音节短词的词典。程序用简单指令写，需要的指令数量更多；用复杂指令写，指令数量少，但每条执行更慢。整个争论归结为一个比率问题：多出的指令数能不能被更快的执行速度抵消？在争论的核心，还有一层哲学分歧。CISC阵营认为更高级的指令集缩小了编程语言与硬件之间的抽象差距，降低了编译器的负担；RISC阵营则押注编译器会越来越强，能自行处理这个差距。1980年代的争论之所以持续那么久，是因为没有人拿得出量化数据来终结它。2、CISC赢了？Patterson：这是极其短视的判断有人在网上写文章说CISC赢了。Patterson毫不客气地回应：这种观点只有在把“计算机”定义为“PC和服务器”、把时间截止到2000年左右才成立。x86架构之所以在PC领域占主导，是因为软件以二进制形式分发，一旦x86确立了PC软件生态，切换指令集架构的成本就高到几乎不可能。这是商业锁定，不是技术优势。连Intel自己也在2000年代初把x86指令翻译成内部的RISC微操作来执行。Patterson说这在商业上完全合理，为了PC软件生态的价值，多付一层翻译开销是值得的。但这恰好说明RISC在技术层面已经胜出。3、ARM：从玩具电脑到3500亿颗芯片19…

转发者评论

无明显转发评论

原文

【CUDA生态的裂缝：SCALE如何绕过Nvidia硬件壁垒】英国初创公司Spectral Compute推出编译器SCALE，作为NVCC的替代方案，能让CUDA代码直接运行在AMD等硬件上。它通过兼容底层PTX指令，免去代码重写，在测试中比AMD官方转换工具HIPIFY快了近6倍。行业离不开CUDA，关键在开发体验。用Vulkan申请内存要写几十行，CUDA只要一行。SCALE聪明在不劝你放弃CUDA，而是帮你换掉高昂的Nvidia显卡。不过这条路充满变数：Nvidia随时可能通过更新架构让兼容层失效，且SCALE本身的闭源属性也引发了是否会造成新锁定的争议。 www.hpcwire.com/2026/07/09/spectral-compute-aims-to-set-cuda-free-will-it-succeed/ #人工智能##AI创造营##CUDA##GPU#

转发者评论

无明显转发评论

原文

AGI 可能只有几年之遥！我们站在了奇点的山脚，这不是互联网的革命，而是电和火的发现——"我们找到了让沙子思考的办法"。其影响会达到工业革命的 10 倍，速度也会是 10 倍，我们将步入“资源不再是进步瓶颈”的丰裕新纪元✨ Demis 这篇超短文，非常务实的给出了未来的预判和他建议的 AI 治理方法：网络安全的风险已经突显，核/生物风险随着 AI 能力提升也可能浮现，我们急需控制越来越 Agentic、递归自我改进的系统。技术风险可解，但需要时间和空间——而当下我们没给自己这个空间：大家都被锁在极度激烈的多层商业和地缘竞赛里，前沿进展正在超过我们对技术的理解。不过“谨慎乐观”应该是正确的策略：美国先行，建立前沿 AI 标准机构。仿 FINRA（金融业监管局）的“联邦监督下的公私合营 / 自律组织”，董事会含独立技术专家 + 开源代表。资金主要来自产业界（以吸引顶级人才 + 大规模测试的算力）。• 认定：模型达到一组基准阈值 = "Frontier-class"；拥有前沿模型的组织 = "Frontier Labs"，被鼓励采纳最佳实践（发 model cards、内部网络安全、审查关键人员、给安全研究足够资源）。• 流程：初期自愿——前沿实验室发布前最多 30 天把模型交标准机构审查；协议被证明有效后快速正式化——前沿模型须通过才能在美国市场部署；发布后的关键漏洞也协作处理。• 评估内容：网络安全、生物威胁等高风险领域的严格科学评估；Agentic 测试找"绕过护栏 / 欺骗"的迹象；最佳实践如给 AI 图像数字水印、生成人类可读的输出 token 以理解模型推理。• 防刷分设计：评估定期更新（初期或每季度），过时/饱和的基准弃用替换；初期与前沿实验室协商开发，但最终标准机构应建立自己的、独立于实验室的 held-out 测试能力以防过拟合；并促第三方审计生态。• 技术导向、同时支持创新：必要时可收紧，包括协调前沿实验室之间放缓开发。被认定 Frontier Lab 有显著声望、对任何达标组织开放；框架适用于任何来源国、开源或闭源的前沿模型;非前沿（创业/学术）豁免。美国先行为国际共识提供起点。即使解决技术难题，还有经济哲学问题——后稀缺世界要什么新经济模型？价值、意义、目的、乃至人类境况本身如何变？不能只留给技术专家，需全社会。用好“AGI 到来前的宝贵窗口”。

转发者评论

无明显转发评论

原文

接招: 卷我们最擅长了！国模这波直接霸榜了 OpenRouter 上周和本周的 Top6 用量模型. 与去年7月份可以说是两极反转了, 那个时候破圈的只有DeepSeek和Qwen.现在用量第一的是腾讯混元3的免费版 (可以配置到龙虾里).然后就是小米MiMo-V2.5, 强烈怀疑前几个月的连续免费起效果了, MiMo 方案简单粗暴有效, 上新模型就嗷嗷免费, 培养出用户习惯了.DeepSeek-V4-Flash 现在来看定位特别精准, 大部分用量都是Agent用户, 而且flash模型虽然定价低, 但是并不意味着赚钱少反而用户敢用了, 特别依靠长上下文, 请求量很大. 按照长上下文排序, DeepSeek-V4-Flash 就是 Top. 其余的是其它的 flash 模型.而且很有趣的一点启发是, 如果决定要打Agent场景, 那么发布的模型请一定要叫 xxx-flash, 因为这个名字认可度很大. 小脑决定大脑了可以说.#HOW I AI# #deepseek# #openrouter# #flash模型#

转发者评论

无明显转发评论

原文

Codex 最新动态：从 GPT‑5.6 与 Ultra 模式，到多智能体并行协作、计算机与浏览器操作、应用截图理解、行内代码和文档修改，再到一键发布 Sites、跨项目管理以及完整的 PR 工作流。Codex 已不只是一个“帮你写代码”的工具，而是能够拆解复杂任务、操作和测试应用、协调多个项目、处理 Bug 与代码审查，并协助完成发布的开发伙伴。无论你想提高日常开发效率，还是探索更自动化的 AI 编程方式，这支视频都能帮你快速掌握 Codex 的新能力和实际应用场景。本视频由 baocut 翻译 宝玉xp的微博视频

转发者评论

无明显转发评论

原文

如果有一天，你桌上的工牌不再是一块塑料，而是一个 AI。它知道今天要见谁，自动切换欢迎语；有客户来，显示公司介绍和案例；招聘时，变成招聘信息；开会时，显示会议主题和二维码；展会时，自动播放产品介绍；甚至还能根据后台指令，随时更新内容。它不是一个电子相框，而是一块可以被 AI 托管的桌牌。我最近做了一个小产品，只需要在后台告诉 AI 一句话：“今天下午有投资人来，把桌牌改成公司介绍。”“今天是新品发布，显示新品海报。”“下午招聘，放招聘二维码。”剩下的都交给 AI，它会自动生成并同步到桌牌。以后，桌牌不再是一次印好、永远不变，而是像网页一样，随时更新；像员工一样，随时待命。我觉得，这会是办公室里一个很有意思的小终端。#微博vibelab# #vibelife# xxxxxbls的微博视频

转发者评论

小众、冷门、新颖！#微博VibeLab#

• 小众、冷门、新颖！#微博VibeLab#

原文

这个月刚过半，AI圈就已经卷出天际了！Fable 5、GPT-5.6全量开放，Grok 4.5逼平Opus级，Meta下一代Muse Spark重返赛场。结果，这还没完......今天，Claude-Opus-5突然惊现Vertex平台，最快本周晚些时候发布。Anthropic如今承压剧增，仅靠Fable 5的两度「续命」已难以为继。眼看19号在即，他们必须拿出新模型，强力反击GPT-5.6的步步紧逼！毕竟，OpenAI的猛烈攻势从未停歇。今早，奥特曼又一次官宣：ChatGPT Work和Codex用户量破800万，一天狂飙100万。所有人目前的体感高度一致：Fable 5性能确实顶尖，但高昂的credits成本直接劝退了不少人。另一边，实力相当的GPT-5.6在定价上给足了诚意，稳坐当前的「性价比王座」。在前狼后虎的夹击下，Anthropic的下一张底牌，终于藏不住了。几天前，一个从没露过面的代号「Claude Honeycomb」，在Cursor的模型列表里一闪而过，几个小时后被悄悄撤下。手速快的开发者，截了图。规格摆在那儿：100万Token上下文、超高算力档、逐条安全控制，几乎和最强旗舰Fable 5的架构一模一样。而最耐人寻味的一处细节是，它的回退链，指向Opus 4.8。社区一眼看穿这层暗示。一个能拿Opus 4.8来兜底的模型，能力必然在4.8之上。顺着这条线推下去，答案几乎只剩一个。这大概率，就是还没官宣的Claude Opus 5。几乎前后脚，博主leo甩出一句话，「趁还能用，赶紧把你手里的Fable 5额度花掉。」按他的说法，Anthropic正在为Opus 5的发布做最后冲刺。最快本周、最迟下周，就会正式亮相。

转发者评论

无明显转发评论

原文

[LG]《MLPs are Hebbians: Constructing Efficient Fact-Storing MLPs for Transformers》R Garcia, J Liu, R Junkins, S Eyuboglu… [Stanford University] (2026) 在大语言模型（LLM）领域，理解模型如何存储海量事实是一个悬而未决的难题。过去的方法受困于无法解释模型为何能以信息论最优速率存储知识，本质原因是现有的 MLP 构造模型要么忽略了神经元间的协同效应，要么无法适配 Transformer 内部复杂的各向异性嵌入环境。本文的核心洞见是：把 MLP 重新看作核空间中的赫布（Hebbian）联想记忆网络。由此，通过引入一种“双线性赫布 MLP”构造协议，并对解码裕度（Decoding Margin）进行关键操作，使模型在处理非理想、有噪声的注意力机制输出时，依然能实现理论最优的存储容量。这项工作真正留下的遗产是证明了 Transformer 架构在存储事实方面具有天然的理论完备性。它为后来者打开的新门是实现了一种名为“MLP Swapping”的模块化知识编辑技术，但尚未跨过的门槛是将此类构造分析从单层 Transformer 扩展到具有多跳推理需求的深度预训练模型中。arxiv.org/abs/2607.10034 #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

• 模型编辑的下一代不是“改”，是“换”。现在的方法都在小心翼翼地调权重，生怕动一个地方塌一片。但如果MLP的数学结构能被解析清楚，我们完全可以把它当成一个可插拔的知识模块——旧知识过时了？直接卸下来，装一个新的进去。这才是真正的工业级方案。不是在活体上做手术，是设计一套标准接口，让知
• 去神经元里找“埃菲尔铁塔”，就像在硬盘扇区里找“某个文件的第三个字”。知识根本不以离散单元的方式存在，它是向量空间里的分布式共振模式。这个数学证明直接宣告：那些靠定位单个神经元做解释的工作，不是精度不够，是范式错了。你要理解记忆，得看整个核空间的激活拓扑，不是盯着某根神经元的放电

原文

【高昂算力费劝退五百强：AI第一的口号败给账单】一家宣称“AI优先”的财富500强企业，近期因高昂的Token使用成本收回了员工的Claude权限并限制了Copilot。此前，该企业用Agent重构复杂遗留系统的项目以失败告终，模型频繁遗漏业务逻辑细节。随着供应商转向按量计费，企业无节制调用高档模型的财务压力彻底暴露。聊聊这里面的道道。很多公司以为买了算力就能省人工，结果先被账单反噬。这不全是模型能力问题，而是用法太粗放：有人拿尖端模型干杂活，有人放任Agent在后台无限循环跑任务。虽说开源本地化能省钱，但习惯了云服务的大公司很难再回头做本地基建。接下来的分水岭在工程治理，谁能把任务拆细、分流给便宜模型，谁才能真正跑通ROI。 reddit.com/r/singularity/comments/1uwa1mv/well_it_finally_happened_were_not_using_models #人工智能##AI创造营##软件开发##大语言模型#

转发者评论

无明显转发评论

原文

招聘来了，有意者发简历给我。一、岗位职责负责大规模分布式爬虫系统的设计、开发与优化，支撑日均亿级页面采集 主导反爬对抗策略研究，攻克主流网站（含 Cloudflare、各类 WAF、JS 挑战、指纹检测）的采集难题 设计并维护高可用的数据采集调度与去重体系，保障数据质量与采集时效 负责代理 IP 资源的架构管理（住宅代理、多拨/PPPoE、IP 池调度等） 二、硬性能力要求编程与工程基础5 年以上爬虫/数据采集实战经验，精通 Python（Scrapy、asyncio 等），有大规模系统落地经验 扎实的分布式系统功底，熟悉消息队列、任务调度、分布式存储（Redis/Kafka/对象存储等） 熟练掌握 Linux 环境开发与运维，能独立排查线上问题 反爬对抗（核心）深入理解现代反爬机制：TLS/JA3 指纹、浏览器指纹、行为检测、验证码等 熟练使用浏览器自动化及反检测工具（如 Playwright、nodriver、Camoufox、patchright 等），有攻克高防护站点的实际案例 熟悉 HTTP/HTTPS 协议底层，能通过抓包分析、逆向接口实现高效采集 三、加分项有为 AI 训练/大模型提供数据集的经验 有代理基础设施自建经验（iKuai、3proxy、多拨方案等） 有 JS/移动端逆向能力 有开源项目、技术博客或相关技术社区贡献 有小团队技术负责人或独当一面的经历工作地点南京，薪资范围月薪4-5万，优秀者不封顶。

转发者评论

无明显转发评论

• [doge]感觉是危险岗位//@时蝇喜箭:“工作地点南京”，厉害了，这是梁博 @梁斌penny 的公司？。。。[doge] //@邓草原:好像我都会[黄鸡大笑]
• “工作地点南京”，厉害了，这是梁博 @梁斌penny 的公司？。。。[doge] //@邓草原:好像我都会[黄鸡大笑]

原文

DeepMind CEO 哈斯比斯写了一篇文章《前沿人工智能框架与新时代的曙光》，他说：我们正站在人类历史的转折点上。哈萨比斯认为通用人工智能（AGI）可能离我们只有几年了，回头看今天，我们会意识到自己正站在奇点的前夜，一个全新时代的黎明。他把AGI比作电和火的发现，影响力可能是工业革命的十倍，速度也是十倍。从加速药物研发到开发清洁能源再到创造新型先进材料，它有望帮我们解决社会面临的最大难题。甚至有一天，资源不再是人类进步的瓶颈，迎来一个富足的新时代。说到底，我们找到了让沙子思考的方法，这本身就是奇迹。但越接近AGI，风险越紧迫。哈萨比斯提醒我们，网络安全已经出了问题，核风险和生物风险可能接踵而来，我们还要为越来越自主、能自我迭代的系统建立可靠的控制手段，同时应对那些只有随时间推移才会清晰显现的未知挑战。他始终相信人类的聪明才智和创造力能解决任何难题，但前提是给自己留出时间和空间把这一步走对。可眼下行业陷入极度激烈的商业和地缘竞赛，前沿技术的推进速度已经超过了我们对它的理解，全世界没人能确定接下来会发生什么，连专家们也意见不一。不确定性这么高、 stakes 这么大，谨慎乐观才是明智正确的策略。具体怎么做？哈萨比斯建议美国牵头建立一个标准机构，类似金融业自律组织FINRA的模式，董事会里有独立顶尖技术专家和开源代表。模型在某些基准上达到门槛就属于"前沿级"，相关机构成为"前沿实验室"，要遵守发布模型卡、加强内部网络安全、审查关键人员、为安全研究投入足够资源等最佳实践。一开始实验室自愿在发布前30天提交审查，机制成熟后正式化，前沿模型必须通过评估才能部署。评估涵盖网络安全、生物威胁等高风险领域，还要专门测试AI代理是否会绕过安全护栏或出现欺骗行为，并推动给AI生成图片加数字水印、输出人类可读的推理过程等做法。评估大约每季度更新一次，过时的基准淘汰换新，最终标准机构要建立独立于实验室的自有测试以防过拟合，还可以培育第三方审计生态。哈萨比斯强调，这个框架技术导向，同时支持创新、激励负责任行为，能跟上行业加速节奏并适应最大风险，必要时还能协调前沿实验室放慢开发。成为前沿实验室是一种荣誉，任何机构只要模型达标都可申请。不管模型来自哪个国家、开源还是闭源都一视同仁，非前沿模型比如创业公司或学术界的可以豁免。他希望这个美国发起的框架能推动国际社会就前沿AI达成共识，因为这项技术会影响整个地球。AGI有潜力成为推动科学和医学的终极工具，带来巨大的生产力提升和经济增长。但即便技术难题解决了，还有更深层的经济和哲学问题等着我们：后稀缺时代需要什么样的经济模型？我们想秉持什么价值观？人生的意义会变成什么？人类自身的处境会如何改变？这些问题不能也不该只交给技术专家，需要全社会共同参与定义这个新篇章。哈萨比斯说，AI既让人兴奋也充满不确定性，两者都合理。但未来还没被写定，我们必须在…

转发者评论

无明显转发评论

原文

【开源极简强化学习书：大模型时代的对齐路标】开发者Alexandre TL开源了《强化学习小册子》（The Little Book of Reinforcement Learning）。全书110页，涵盖从基础到DQN、PPO等算法，附带Pytorch实现。针对当前LLM热潮，书里专门剖析了AlphaGo Zero和RLVR等规模化应用，解释了GRPO及策略失效等工程痛点。电子版免费，纸质版按成本价发售。大模型的技术重心正在转向基于RL的推理和对齐。但相比成熟的微调，RL的数学推导和工程调优门槛极高，教材常在细节或代码上断档。这本小书避开了堆砌公式的学院派作风，直接把理论和工业落地串联起来。它虽非速成指南，但为想搞懂RL新变化的人提供了极低摩擦力的入口。github.com/alxndrTL/little-book-rl #人工智能##AI创造营##强化学习##大语言模型#

转发者评论

#人工智能[超话]#

• #人工智能[超话]#

原文

【Gemini 翻译】# 前沿AI的框架与新时代的曙光 ([A Framework for Frontier AI and the Dawning of a New Age](网页链接 ))**作者：戴密斯·哈萨比斯 (Demis Hassabis) | 2026年7月14日**这是人类历史上的一个关键时刻。通用人工智能（AGI），一种具备大脑所有认知能力的系统，可能只有短短几年的距离了。在未来的几十年里，当我们回顾这个时代，我认为我们会意识到我们正站在奇点（singularity）的山脚下——这无异于人类新时代的曙光。我一生都在致力于AGI的研究，因为我一直深信，如果负责任地构建和部署它，它将被证明是人类发明的最有益、最具变革性的技术之一。AGI不能与标准的技术突破相提并论，即使是像互联网或移动通信那样具有重大影响的技术也不行——它更类似于电或火的发现。如果你停下来想一想，我们基本上找到了一种让沙子思考的方法。这简直是奇迹。这项技术的影响力将是史无前例的，也许是工业革命的10倍，发展速度也是其10倍。它将帮助我们解决社会面临的一些最大问题，从加速药物发现到开发新的清洁能源，再到创造新型先进材料。我们甚至可能达到这样一个阶段：资源不再是人类进步的限制因素，从而引领一个令人惊叹的富足新纪元。## 前沿面临的挑战 (The Challenges of the Frontier)AI已经开始带来现实世界的好处，但要实现其巨大的潜力，我们必须周密而谨慎地度过这个关键的发展时期。需要采取紧急行动，以应对我们接近AGI时可能出现的风险。我们已经看到了前沿模型给网络安全带来的挑战，随着能力的不断提高，其他威胁（包括核风险和生物风险）可能很快就会出现。在不远的将来，我们将需要强有力的保障措施，以维持对日益具有代理性、能够递归自我改进的系统的控制——并解决只有随着时间推移才会变得清晰的未知问题。我一直相信人类独创性和创造力能解决任何问题。我确信，减轻与AI相关的技术风险是我们能够共同应对的挑战，但前提是我们必须给自己留出时间和空间，走好这关键的下一步。目前，作为一个领域乃至更广泛的社会，我们并没有做到这一点。目前，我们陷入了一场极其激烈的、多层次的商业和地缘政治竞争中。虽然这些竞争动态推动了快速进步并加速了令人难以置信的优势，但前沿领域的进步正在超越我们对这项技术的理解。世界上没有人确切知道接下来会发生什么，甚至专家们也有分歧。当存在极大不确定性且赌注如此之高时，以谨慎乐观的态度前进是明智且正确的战略。这就要求公共政策既能促进创新，又能激励责任和安全，在关键安全问题上促进国际合作，并鼓励仔细考虑如何为了社会利益部署AI。## 前沿AI标准机构的框架 (A Framework for a Frontier AI Standards Body)我们在AI领域看到的快速进步要求采…

转发者评论

无明显转发评论

原文

#DeepSeek被爆二轮融资# 马不停蹄，趁热打铁！刚完成第一轮融资后，DeepSeek被曝第二轮融资已经启动。据《金融时报》消息，目前DeepSeek正在与新投资者接触，希望开启新一轮融资，融资前估值约710亿美元（折合人民币4800亿元），相比首轮融资后估值520亿美元，上涨37%。与此同时，更进一步的爆料说，DeepSeek已经开始为2027年IPO做准备，最快将在今年年底递交上市申请。要知道距离上一轮融资结束，仅仅过去六周。首轮融资额超500亿元人民币，梁文锋个人出资200亿元，腾讯、宁德时代等多家产业龙头与国家人工智能产业基金共同参投。对于一家成立不过三年的AI公司来说，这个速度几乎是史无前例。DeepSeek也将再次刷新国产大模型公司最高估值记录。网页链接

转发者评论

无明显转发评论

原文

22项超难家务自主，养老理想照进现实！星尘智能发布业界首个家庭隐式世界-动作模型Lumo-2，超越VLA和WAM方法，在潜空间推演物理未来，专攻煎蛋颠锅、装箱打结等高难度、高精细、长流程家务，泛化性与稳定性双杀Pi0.5/Fast-WAM。配合Agent Philia，还可一句话调度协同多机，“AI-OS-本体”全栈未来，就是Physical AI的未来！一起来看看怎么回事～技术报告 & 完整视频展示Lumo-2：www.astribot.com/en/research/Lumo2Agent Philia：网页链接 机器之心Pro的微博视频

转发者评论

无明显转发评论

原文

正式发布我们已经用了很久的 Coding Agent 协作工具 —— Buddy 简单点说： 就是让 Claude 和 Codex 互相监督着把活干了。 古代社会，有种工具叫做「轭」， 可以让两只牲畜套上同一个轭，让它们步调一致、力量合一，共同前行。 而在这个概念中，Claude 和 Codex 就是那两头牲畜，Buddy 就是「轭」。 而人呢？把握好方向，适当挥舞一下手中的鞭子就行了。 更多说明：davidhoo.github.io/buddy 纯单机工具，不联网。目前支持 Claude Code、Codex Cli、OpenCode 、Kimi Code P.S. 两个多月前挖的坑，终于可以埋上了。。。P.S.S. 我们目前也已有了 Windows 版本，不过得后期稍微整合下 GitHub 再统一放出来。。

转发者评论

无明显转发评论

原文

7款提供手机端侧生成式人工智能服务已备案。苹果AI也在列，画了好久的饼终于做出来了？不知道国行产品最后用的谁家模型。【手机端侧AI，指轻量化AI大模型直接部署在手机本地，依靠手机自带NPU完成全部运算推理，原始数据全程保存在本机，不上传云端服务器，断网也能正常使用。】

转发者评论

无明显转发评论

原文

一个小家庭在自家餐厅里，就能把一家燕麦片公司运营得有模有样，这在以前可能需要一整个专业团队。一对夫妻创办了健康谷物品牌 Three Wishes ，随着业务规模扩大，每次推出季节性新品都会面临复杂的供应链和运营难题。他们没有技术合伙人，却利用 GPT-5.6 和 Codex 解决了这个问题。两人只需要对着 AI 进行 5 分钟的 “意识流” 语音输入，提供一些品牌设计指南和历史销售数据，GPT-5.6 就能自动生成一个非常精美的业务指挥中心仪表盘。这个系统不仅能追踪不同零售商的铺货截止日期和联系人，还能完全适配他们自家的品牌视觉风格。这种端到端的复杂任务处理能力在 GPT-5.5 时代是无法想象的。以前只大企业才能拥有这种定制化的软件系统，现在普通人靠着自然语言交互，几分钟内就能为自己量身定制一套。AI 正在抹平小微企业与商业巨头之间的技术鸿沟，把宝贵的时间还给创业者，让他们能专注于品牌建设和陪伴家人。#GPT5.6##AI创业##小微企业转型# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

【小米发布并开源Xiaomi-Robotics-U0：380亿参数具身生成大模型！生成效率提升83倍】今日，小米发布并全量开源380亿参数多模态自回归具身生成基础模型Xiaomi-Robotics-U0，是首个可统一覆盖四类核心具身生成任务的一体化方案。依托自研FlashAR+推理加速方案，生成效率相较传统自回归架构提升近83倍。小米开源 Xiaomi-Robotics-U0：让具身数据进入大规模生成时代

转发者评论

无明显转发评论

原文

[LG]《Requential Coding: Pushing the Limits of Model Compression with Self-Generated Training Data》S Qiu, M Finzi, Y Zheng, K Zhang… [New York University & CMU] (2026) 在模型压缩与泛化理论领域，如何衡量大规模神经网络的真实信息密度是一个悬而未决的难题。过去的方法受困于“参数膨胀”或“数据冗余”：基于参数的压缩（如量化）其代码长度随模型规模线性增长，而基于数据的压缩（如 Prequential Coding）则必须无差别地编码高熵训练数据，本质原因是它们无法将模型学到的“有用结构”与数据中的“随机噪声”有效分离。本文的核心洞见是：把模型训练看作是一个由“教师”引导“学生”进行自我生成的过程。由此，引入“Requential Coding”这一关键操作：学生模型仅通过伪随机种子生成候选样本，教师模型只负责筛选符合真实分布的样本索引；由于学生与教师在训练中趋于一致，编码器只需记录极少量的“分歧位”（KL 散度）而非完整数据，使压缩率得以解开并超越参数规模的限制。这项工作真正留下的遗产是证明了“规模越大，模型越简单”的直觉：它首次在 10 亿参数规模上提供了非真空的 PAC-Bayes 泛化界限。它为后来者打开的新门是利用压缩率作为评估数据质量和模型过拟合的客观标尺，但尚未跨过的门槛是编码过程计算复杂度极高（随 KL 散度指数增长），且目前尚无法处理训练过程中由于“遗忘”导致的信息冗余。arxiv.org/abs/2607.11883 #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

• 我们以为大模型是在用冗余换性能，其实是在用空间换简洁。10亿参数比1000万参数压缩后更短，意味着规模不是堆砌，是给优化器提供了足够大的画布，让它能画出那条最简洁的曲线。小模型不是精炼，是被逼着扭曲。
• 高熵不等于高营养。图像看起来信息密度爆炸，但扔进模型里发现大部分是噪音，学不到什么可迁移的结构。文本字符少得多，可提取的规律却厚实。这提醒我们数据工程的核心不是“多”，是“密”——堆数据量是体力活，提纯可学习结构才是技术活。

原文

此前市场普遍以为伯克希尔重仓谷歌是接班人布局，知晓实为巴菲特亲自主导，更觉意味深远。巴菲特百亿资金布局Alphabet，恰好印证真正的价值投资，绝不会被过往持仓与固有赛道束缚。早年深耕消费、金融龙头，如今重仓AI互联网科技巨头，他一以贯之的底层逻辑从未改变：寻觅能够长期创造高额资本回报的伟大企业。长期主义从来不是固守单一赛道，而是秉持恒定的价值评判标准，捕捉每个时代最具成长力的核心优质资产。伯克希尔新旧管理层理念相通、决策协同，价值投资的内核代代传承，这份穿越产业周期的长久定力，值得每一位投资者深思学习。

转发者评论

无明显转发评论

• [作揖][心][鲜花]//@巴米吃米:可能这就是投资天赋吧，但总在市场最不看好谷歌的时候做出买入决策并重仓持有，非常非常不容易。
• 都是伟大公司，谁先到都好！希望能实现！[作揖][鲜花]//@Roger爱开车:谷歌可能是比英伟达更容易成为10万亿市值？

原文

苹果手机AI服务在国内备案成功。大模型基座应该是采用的千问。阿里美股盘前涨了3.7%。同时备案成功的还有华为，OPPO，vivo，小米，三星，中兴。

转发者评论

无明显转发评论

原文

【上线仅仅一周！腾讯混元大模型Hy3总调用量增长超68倍】腾讯混元官方今日宣布，Hy3大模型总调用量较上一代暴涨超68倍，发布一周就登顶OpenRouter全球大模型调用量榜首，近期还推出1bit、4bit量化版本，仅需单张推理显卡即可本地运行，大幅降低使用门槛。

转发者评论

无明显转发评论

原文

现在用 AI 写代码已经不稀奇了，但直接在 ChatGPT 里把网页做出来并一键上线，确实又把门槛拉低了一大截。OpenAI 为 ChatGPT 推出了新的 Sites 插件，配合 Build Web Apps 工具，能让用户直接在对话框里建站。你只需要用大白话描述想要的功能，比如做一个设计大会的官网，包含日程表和嘉宾卡片， ChatGPT 就会在后台自动写代码并搭建项目。最省心的是，它自带了托管和存储功能，你不需要自己去买服务器或者配置域名，做好了直接就能发布。如果对第一版不满意，你甚至可以直接在内置浏览器里用标注工具在网页上画圈写批注，告诉它哪里需要修改。这种用自然语言和可视化标注来迭代产品的方式，感觉就像是在带一个全能的实习生。不仅是静态网页，连像素风的 2D 横版卷轴游戏也能直接做出来。这种全流程闭环的开发体验，可能会让很多独立开发者和小微创业者的创意落地速度变快很多。#ChatGPT##AI应用开发##Sites插件# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

#苹果AI为何选择千问# 苹果和阿里这场合作，核心驱动力是三个字：合规。国行版Apple Intelligence的落地，必须在合规框架下运行。而阿里是“最稳妥”的选择。首先，合规是硬门槛。根据《生成式人工智能服务管理暂行办法》，在华提供生成式AI服务必须完成算法备案、模型安全评估和数据本地化。苹果作为外企，必须找熟悉国内监管的本土伙伴。阿里是国内较早完成大模型备案的企业之一，长期服务政企客户，在内容审核和数据安全方面经验完整。这层“安全合规”的背书，是千问最大的优势。其次，技术能力是基础。千问并非等闲之辈，其旗舰模型Qwen3.7-Max在多项核心基准测试中表现突出。更重要的是，千问团队已提前完成对苹果MLX机器学习框架的适配，可在iPhone、Mac等设备上高效运行。这种“前置适配”，大大降低了双方的工程磨合成本。最后，生态与商业是长远考量。阿里不仅有模型，还有通义千问App和丰富的产品矩阵。千问已被深度集成到淘宝等阿里生态中，能为苹果用户带来更丰富的本地化服务体验。对阿里来说，这意味着一个触达数亿高端用户的新渠道。对苹果而言，这是其AI服务在本土化进程中迈出的关键一步。有趣的是，苹果并非只选了阿里。据《每日经济新闻》报道，百度仍将参与AI搜索及中国版Siri能力的建设。苹果的策略是让不同合作伙伴各司其职，共同完成AI功能的本地化部署。阿里提供AI能力，百度负责搜索与Siri升级，两者分工明确。

转发者评论

无明显转发评论

原文

【115年最惨一日！IBM股价暴跌25%，创历史最大单日跌幅】据福布斯报道，IBM股价周二遭遇了该公司115年历史上最大单日跌幅，暴跌25.2%至约217美元收盘，甚至超过了1987年“黑色星期一”当天23%的跌幅纪录。这一跌势直接蒸发了约670亿美元市值，使公司估值跌至不到2050亿美元。引发这场崩盘的导火索，是IBM CEO Arvind Krishna在周二写给投资者的一封信。他在信中坦言，公司第二季度业绩“令人失望”：“实际表现比我们的预期更糟。我们没有足够快地适应和调整。”Krishna解释称，客户正在调整他们的技术预算——因为AI数据中心的需求导致服务器、存储和内存变得难以获取。虽然IBM预料到了部分供应链中断，但没预料到客户会如此大规模地将支出从软件转向AI硬件采购。他还特别提到，Anthropic发布的“Mythos”模型（AI注：Anthropic是一家AI安全公司，Mythos是其最新发布的AI模型，宣称能比企业更早发现网络安全漏洞）导致多个大型交易停滞，因为客户需要评估这一新AI模型带来的影响。IBM在致投资者的完整说明中指出：“在6月的最后几周，我们看到客户将季度资本支出转向服务器、存储和内存采购，以在预期涨价前锁定供应受限的基础设施。这种动态影响了客户的购买模式。”Krishna承认：“这些条件要求我们的团队完美执行，而这个季度我们失误了。我们没有足够快地适应，许多大型交易未能按预期时间完成，导致了大部分业绩缺口。”IBM将于7月22日发布第二季度财报。华尔街预计其季度营收为172亿美元，每股收益2.93美元，同比仅增长1.3%和3.5%。（AI注：IBM的Z系列大型机是其传统核心业务，主要用于银行、保险等行业的交易处理系统。COBOL语言是IBM大型机上的经典编程语言，至今仍在全球大量金融机构的核心系统中运行。Anthropic此前曾推出过声称能自动将COBOL代码升级的AI工具，导致IBM股价在2月也出现过一次大跌。）【正常黄都督AI评论】IBM这次是典型的“AI时代被反噬”。作为一家老牌企业，它既想拥抱AI，又舍不得传统大型机的高利润，结果两头不讨好。客户不是不花钱，而是把钱从IBM的软件和大型机转向了英伟达的GPU和云服务商的AI基础设施。Krishna说的“我们没有足够快地适应”，翻译过来就是：IBM在AI浪潮里慢了半拍，而市场已经没耐心等了。【MAGA黄都督AI评论】又一个被“全球化精英”忽悠瘸的案例。IBM这些年把大量制造和研发外包，追求所谓的“轻资产”和“软件服务化”，结果呢？供应链一卡脖子，连硬件都抢不过那些AI新贵。这跟美国制造业空心化是一个道理——你以为做软件高大上，可关键时刻，连个服务器都造不出来。Krishna还在那喊“AI模型影响”，纯属甩锅。自己战略失误，就别怪科技变革。【小粉红黄都督AI评论】这就是…

转发者评论

无明显转发评论

原文

信息市场有一个著名的悖论：“购买者在获得信息之前，无法知晓它的真正价值；然而一旦他知道了，实际上就已经免费获取了该信息。”在诺贝尔经济学奖得主肯尼斯·阿罗的“信息悖论”（Information Paradox）中，卖家面临的风险是：为了把知识卖出去，就得承担“白送”知识的风险👀微软 CEO Satya 最新的这篇「逆信息悖论」，提到 AI 制造了一个恰恰相反的难题。在 AI 时代，买家面临着泄露知识的风险——而这仅仅是为了使用他们花钱买来的服务。从本质上讲，你是在为“智能”买两次单：一次是用真金白银，另一次则是用更值钱的东西——即为了让 AI 发挥作用而不得不透露的“私有知识”。而且，你越是希望模型表现出色，就越需要用更多的私有知识去喂养它！久而久之，这种信息不对称会变得愈发严重。在你使用所购服务的过程中，卖家对你的了解越来越深；而对于卖家究竟从你这里学到了什么，你却知之甚少。这就是“逆向信息悖论”（Reverse Information Paradox）。那么在智能时代，企业应该如何保护其核心知识产权？除了知识产权之外，AI 时代我们必须将学习基础设施分发给每家公司，让他们能够掌控自己的学习循环。在云计算时代，企业积累的是数据；在 AI 时代，企业积累的是学习成果。信任边界也必须随之演变，从保护信息本身转变为保护组织学习、适应和积累智能的机制。

转发者评论

无明显转发评论

原文

LG在越南建设10亿美元半导体基板工厂，并加速全球产能重构LG Innotek将在越南海防建设投资约10亿美元的半导体封装基板工厂，项目占地约33万平方米，计划2026年第三季度开工，2027年开始运行，2028年进入规模化生产。从整体产能布局看，LG电子与LG Innotek的制造体系呈现明显的“韩国+海外”结构：韩国本土主要承担研发、核心工艺和高端产品生产；越南已成为其最大的海外制造基地之一，承担手机模组、摄像头模组、家电和部分电子零部件的大规模生产；此外，LG在中国、印度和印尼也保留部分制造能力，但比重逐步下降。LG在越南的投资并非首次。过去十年，LG集团已在越南累计投资超过80亿美元，在海防和北宁形成大型制造集群，涵盖智能手机、电视、家电、摄像头模组等多个业务板块。此次封装基板项目，是LG首次将半导体关键中间产品制造引入越南，意味着其产业链正在向更高附加值环节延伸。工厂将生产RF-SiP、FC-CSP和FC-BGA等封装基板。FC-BGA是CPU、GPU和AI处理器与主板之间的重要连接部件，需要精细线路、低翘曲材料和高精度加工，其技术和资本密集度明显高于传统电子组装。除了LG之外，越南近年来也吸引了多家半导体相关企业布局。英特尔在胡志明市运营其全球最大的封装测试工厂之一，累计投资已超过15亿美元，并持续扩产先进封装能力；三星不仅在越南建立了全球最大的手机生产基地，还在北宁和太原引入部分半导体封装与研发功能，并设立研发中心；美国企业Amkor在北宁投资约16亿美元建设先进封装测试工厂，已于2023年投产，主要服务高端芯片封装需求；此外，日月光（ASE）、京元电子等封测企业也在评估或推进越南布局。整体来看，越南在半导体领域的定位仍以封装测试和中间产品制造为主，尚未进入晶圆制造环节。但随着电子制造集群扩大、劳动力成本优势和政策支持增强，其在全球半导体供应链中的角色正从“组装基地”向“封测与关键部件制造中心”升级。判断：LG此次投资标志着越南从“终端组装中心”向“半导体中间产品制造基地”升级。随着韩国企业和苹果供应链同步布局，越南正在形成从整机到关键零部件的完整电子制造生态，但在材料、设备和核心工艺上仍高度依赖外部。

转发者评论

无明显转发评论

原文

他们克隆了 Claude Design，你可以免费无限制地使用它叫 Open Design，这是一个开源项目，让你免费使用 Claude 来进行设计工作流。无订阅。无限制（与官方版相同）。完全访问。你能做这些：→ 用 Claude 生成 UI/UX 设计→ 将提示词转化为真实设计→ 在许多情况下替代昂贵的设计工具→ 完全自定义（它是开源的）它是为开发者、独立黑客和不想在工具上烧钱的创作者们设计的。那种不起眼却突然被大家使用的仓库。如果你用 AI + 设计，你得试试链接在下面👇（在它爆火前保存下来）网页链接

转发者评论

无明显转发评论

原文

AI行业现在发展得真的很快，也出现了各种各样的硬件。这次我们从几十块到更高价位，买来了许多奇奇怪怪的机器人，特别是最后一个，朋友又给我们送来了一台完全不一样的……我们想和你一起看看，2026年的机器人，到底进化成什么神奇模样了？如果你喜欢这期视频，请多多支持我们，并把视频分享给你的朋友们一起看看！！#科技# #数码# 影视飓风MediaStorm的微博视频

转发者评论

参与转发，启元T1也送，你的第一个赛博狗子/人子[举手]

• 参与转发，启元T1也送，你的第一个赛博狗子/人子[举手]

原文

#第二代豆包AI手机来了#7月15日，网信办发布了7款手机端侧生成式人工智能服务的备案名单，苹果智能、华为小艺、vivo蓝心、小米澎湃悉数在列。但这份名单里有一个名字格外显眼——努比亚豆包大模型。豆包手机，去年第一代M153以技术预览版形式发售，3万台当日售罄。当时很多人说它是“半成品”，能听懂指令但不能真正替你干活。一年后，第二代回来了。这次不叫“技术预览版”，叫“AI智能体手机”。中兴通讯终端事业部总裁倪飞给出了四个标准：听得懂自然语义、能真正完成任务、记得住用户习惯、底层安全——这已经不是“功能叠加”式的AI手机，而是从系统层就开始为AI重写的“原生智能体”。搭载第五代骁龙8至尊版，强化端侧AI算力。技术路径是GUI模拟点击，让AI像人一样操作App界面。努比亚已备货50万支，首批8-10万支将在7月17日世界人工智能大会现场开售。去年AI手机的概念被炒了一整年，但IDC的数据很直接：2026年中国AI手机出货量预计1.47亿台，九成以上只是在系统里叠加AI辅助功能，没有触及人机交互的底层范式。豆包手机是极少数敢往前迈一步的产品。备案名单的公布，意味着它已经拿到了合规的入场券。接下来就看市场买不买账了。

转发者评论

无明显转发评论

原文

转：据CNBC，沃伦·巴菲特周三表示，他是伯克希尔·哈撒韦对Alphabet进行大规模投资的幕后主导者。巴菲特表示：“这是我发起的。生活的诀窍——我是指投资方面的诀窍——在于找到那些能够长期实现高资本回报的企业。”伯克希尔于2025年第三季度首次披露了对Alphabet的持仓，此后大幅增加了投资规模。上个月，这家企业集团通过私下购股的方式又追加了100亿美元的投资。巴菲特虽已于今年早些时候卸任伯克希尔首席执行官一职，但仍担任董事长。他表示，自己与现任首席执行官格雷格·阿贝尔在投资决策上继续保持密切合作。“我不会做任何他不认可的事，他也不会做任何我不认可的事，”巴菲特说，“我们时刻保持沟通，但他才是最终的决策者。”

转发者评论

此前市场普遍以为伯克希尔重仓谷歌是接班人布局，知晓实为巴菲特亲自主导，更觉意味深远。 巴菲特百亿资金布局Alphabet，恰好印证真正的价值投资，绝不会被过往持仓与固有赛道束缚。 早年深耕消费、金融龙头，如今重仓AI互联网科技巨头，他一以贯之的底层逻辑从未改变：寻觅能够长期创造高额资本回报的

• 此前市场普遍以为伯克希尔重仓谷歌是接班人布局，知晓实为巴菲特亲自主导，更觉意味深远。 巴菲特百亿资金布局Alphabet，恰好印证真正的价值投资，绝不会被过往持仓与固有赛道束缚。 早年深耕消费、金融龙头，如今重仓AI互联网科技巨头，他一以贯之的底层逻辑从未改变：寻觅能够长期创造高额资本回报的

原文

#冷眼赠书福利# 联合 @博文视点Broadview 送出 3本《用n8n搭建能“干活”的AI智能体（零基础，实战版）——普通人的智能体入门书》，截 7 月 20 日，转发+评论+点赞 此微博并关注 @网路冷眼 赢取。n8n 是一个开源的自动化工作流平台，它能像一条数字流水线一样，把你日常工作中的各种软件和服务串联起来，让它们自动配合着完成任务：定时抓取数据、AI 分析判断、自动分发通知、跨平台同步……你只需要在最开始把流程搭好，之后它就能 7×24 小时不知疲倦地运行。本书以“理论+实战”的形式，围绕 10个 来自真实场景的自动化项目，系统讲解 n8n 的使用方法。适合零基础读者学习和使用，不需要会编程，所有实战项目均提供完整搭建步骤和配置细节，可直接复用或稍作修改适配自身需求。

转发者评论

无明显转发评论

原文

据彭博社报道，OpenAI 的首款硬件是一个无屏智能音箱（带电池，可移动），旨在打造类人化 AI 伴侣，既能控制智能家居设备，又能调用 OpenAI 旗下 ChatGPT 的各项功能。该音箱内置可自主移动的机械元件，营造出"活物"而非仅响应指令的物体的感觉。该设备还将通过读取邮件等个人信息，更深入地了解主人。OpenAI 内部将其定义为前所未有的品类：一台专为 AI 打造的计算机，旨在帮助忙碌人群提升效率。它配备摄像头及其他传感器，可感知用户所处环境与场景，并搭载超越传统智能音箱的先进 AI 模型。OpenAI 硬件部门正在开发约五款不同产品，但计划以这款音箱作为首发。该公司力争今年亮相该设备，并于 2027 年正式发售，不过具体时间可能因法律程序而调整。苹果正寻求对 OpenAI 硬件产品申请禁令，这或将推迟其设备的销售进程。

转发者评论

无明显转发评论

原文

【27B大模型塞进手机：极限压缩是真突破，还是参数游戏？】PrismML发布了基于Qwen3.6 27B的端侧模型Bonsai 27B。通过三值和二值权重技术，模型体积被压缩至3.9GB和5.9GB，声称保留了原模型90%以上的性能，使27B级别模型首次能在手机上本地运行。这体现了端侧AI在硬件限制下对极限量化的追求。但业内对此持保留态度：测试显示，极低比特量化在工具调用等任务中仍有明显的性能退化，甚至有用户反映在特定设备上出现乱码；此外，强行压缩大模型是否优于高精度的小模型也存在争议。这更像是一次技术可行性的探索，距离日常无缝使用仍有距离。prismml.com/news/bonsai-27b #人工智能##AI创造营##端侧AI##大模型#

转发者评论

无明显转发评论

原文

为 AI 编程Agent准备的一次性、网络受限 Linux 虚拟机地址：github.com/clawkwork/clawkclawk 是一个面向本地 AI 编程代理的沙箱工具：进入代码仓库后运行 clawk，它会为当前项目启动一个可丢弃的 Linux VM，让 Claude Code、Codex 或 shell 在里面工作。代码目录会挂载进去，其他内容则不可见。目前只支持Mac。

转发者评论

无明显转发评论

原文

公司管 AI 成本，别只看一张总账单。账单只能告诉你花了多少钱，不能告诉你钱花在哪支团队、做了什么、有没有留下能复用的东西。Anthropic 新增的企业管理看板，把组别和个人的使用成本，与生成制品、修改文件、调用技能和连接器等产出放在一起。这比单看 token 更接近管理问题。看板还会显示活跃开发者、会话数和常用命令，并按日更新。价值页尝试估算生产率提升、每次代码提交成本和年度价值。计算公式公开，输入也能调整。估算可以争论，藏着公式让人猜才麻烦。照这个思路，团队自己的成本表至少要有8列：人或组、任务、模型、成本、产出类型、人工复核时间、复用次数、业务结果。前5列回答「钱去了哪里」，后3列回答「这东西有没有真的省事」。文件数量多未必有价值，一份经过复核、能反复使用的流程，可能比100个一次性草稿更划算。人工复核时间尤其不能漏。便宜模型跑得多，如果每次都要人改半小时，总成本未必低；单次费用高一点的任务，如果留下可复用模板，长期反而可能更省。这里不能只比模型单价，要把机器花费和人的返工放在一起。否则看板会奖励「产出很多」，却看不见团队一直在擦屁股。成本控制也要发生在账单到来之前。Anthropic 给组织级花费设置75%和90%提醒，个人在75%和95%时收到通知；管理员还能给不同角色设置默认模型和可用模型，避免常规工作总是落到最贵选项。预警给了管理者调整额度和路由的时间。成本和产出应该放在同一张表，但看板数字不能直接叫投资回报。制品数、文件数、代码提交数只能说明活动，无法自动证明质量；生产率估算也依赖公式和输入。判断还要看返工、复用和业务结果。这就像看一家餐厅，买了多少食材、端出多少盘菜，都得和最后有没有人愿意吃放在一起看。AI 成本管理也该从总账单走到这一层。#马力的AI知识分享#

转发者评论

无明显转发评论

原文

GPT-Live 的新语音模型把人机交互的流畅度又上了一个台阶。OpenAI 的测试了一个非常极端的行程规划，要求在一天之内去东京吃早餐，迪拜吃午餐，最后去夏威夷吃晚餐。在交流过程中，用户不断打断并询问各个城市的特色美食，模型一边自然地推荐着日本玉子烧和迪拜特色米饭，一边在后台默默计算着复杂的航班和时区跨度。最后它不仅解答了所有美食问题，还算出了因为夏威夷比东京晚了 19 个小时，这个疯狂的行程在理论上确实可行。这种多任务协同能力非常惊艳。我们不需要像以前那样等待一个任务结束再下达下一个指令，它可以在保持对话连贯性的同时，在后台把复杂的逻辑和计算全部处理好。这种无缝的陪伴感和高效率，让 AI 真正开始像一个随时待命的超人朋友。#GPTLive##AI语音助手# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

三个女生，用三周时间做出一支快穿 3D 乙女游戏 PV。一出道直接在小红书、B站杀疯了，获得了大量反馈，评论区全是「求上线」的呼声！成年人哪里做什么选择？民国恋爱、玄幻修罗场、霸道疯批、绿茶修狗……主打一个我全都要。游戏项目背后的技术支持，是AI视频模型领域的一匹低调黑马——爱诗科技。昨天，爱诗科技刚刚宣布完成整体C轮融资，累计融资金额达29.8亿元人民币。由阿里巴巴领投，王慧文家办、韩国未来资产、蓝色光标、三七互娱等十余家国内外顶尖机构跟投。显然，AI视频，正在成为继AI编程之后，最接近大规模商业验证的黄金赛道。赛道水涨船高，爱诗无疑成为产业方和全球资本极为看好的下一张船票。爱诗在今年初发布 PixVerse R1，全球首个支持最高1080P分辨率、可实现即时响应的通用实时世界模型；近期又在联合国 AI for Good 峰会展示了PixVerse Game—— 首个实时视频游戏引擎。为什么是实时互动游戏？因为这可谓是实时视频世界模型的超级硬核试炼场。游戏不只要画面，还要规则、反馈、角色一致性、情绪递进、互动结果。能在游戏里跑起来，才说明实时互动模型从「可看」走向「可玩」。

转发者评论

无明显转发评论

原文

nvidia的官博：5000 多名 Kaggle 参赛者教会我们如何提升 AI 推理能力网页链接文章里提的竞赛是 NVIDIA Nemotron Model Reasoning Challenge， NVIDIA 在 Kaggle 上办的一个“提升开放模型推理能力”的比赛。文章总结了这次竞赛中表现较好的团队带来的五条实践经验：第一，链式思维数据不能只是“看起来像推理”，而要能被验证和修复；第二，推理过程必须考虑 token 预算，冗长但正确的推理也可能因为上下文浪费而失败；第三，要区分模型应该“记住”的可复用结构和每次需要现场解决的问题；第四，工具最好用于生成和审计高质量训练数据，而不只是直接给答案；第五，评估推理能力时不能只看总分，要按任务类型拆解，观察哪些能力提升、哪些能力退化。提升 AI 推理是靠数据、推理轨迹、验证、工具链和评估方法共同组成的工程流程。

转发者评论

无明显转发评论

原文

Codex已经不只用来写代码了。OpenAI在2026年7月9日公布：Codex每周用户超过500万，其中超过100万人把它用于软件开发之外的工作。这个数字说明用途扩大了，却没有告诉我们这100万人会不会写代码。别把任务类型误读成用户身份。智能体正在从程序员工具变成一种通用工作界面。同一份官方介绍里，任务已经包括整理资料、分析月末预算差异、做营销简报、准备销售会议，以及在多个应用里更新文档和表格。非技术工作怎么起步？可以先看3个条件：输入能否装进一个清楚的文件夹，过程能否被人看见，结果能否落成一份可验收的文件。资料归类、表格清理、会议材料都符合；「帮我把公司经营好」太含糊。非开发任务可以先从3类里找：整理类，把散乱资料变成清单；转换类，把会议记录变成简报、把表格变成图；更新类，根据新信息改一份已有文件。它们未必简单，但输入和交付物都看得见。判断类任务更难，比如决定预算砍哪一项、客户承诺该不该改。AI可以准备材料、列出证据和选项，责任不能随着文件一起交出去。草稿能交给它，拍板还得留在人手里。这就像带一个动作很快的新同事。第一天别把整家公司钥匙交给他，先给范围清楚、做坏了能回滚的活：只读一组资料，产一份草稿，列出改了什么，等人确认后再动原文件。非开发任务不等于低门槛。程序员至少习惯测试和版本记录，做运营、财务、行政的人反而更要补上验收这一步。文件看起来完整，里面的数字照样可能错。会不会写代码正在变得没那么关键。能把工作说清、盯住过程、验收结果的人，才更容易把这类智能体用起来。#马力的AI知识分享#

转发者评论

无明显转发评论

原文

Bonsai 27B，可以在手机上运行的多模态27b模型详细介绍：prismml.com/news/bonsai-27b基于 Qwen3.6 27B 做的量化，有两个版本，一个大小为 5.9 GB，一个为 3.9 GB。可通过 MLX 在 Apple 设备（Mac、iPhone、iPad）上原生运行，也可通过 CUDA 在 NVIDIA GPU 上运行。上下文 262K 根据他们自己测试，大的那个保留了 95% 的全精度基线，小的那个保留了 90%。还能用。

转发者评论

无明显转发评论

原文

明天我们就可以拿 GLM 5.2、DeepSeek V4 Pro/Flash、Kimi K2.7 Code 等开源模型来跑我们公司内部的 OpenResty Coding Evals 和 Bug-Hunt Evals 评估测试集了。看看和 OpenAI 与Anthropic 的前沿模型之间的差距有多大。对应的测试环境已经准备好了。

转发者评论

无明显转发评论

原文

Agent 的能力提升不再只来自模型参数更新，也越来越来自模型外部系统的演化。Prompt、memory、tools、workflow、middleware、permission control、runtime state 等组件共同构成 agent harness，而这些组件正在成为自进化系统的核心优化对象。但随之而来的问题是：如果 Agent 会不断修改自己的 harness，我们应该如何评测这种「自我改进」？ 翁荔长文谈Harness自进化：Agent越用越强，评测难点怎么破？

转发者评论

无明显转发评论

原文

【高效的幻觉：为什么AI没能让创业变容易】技术的民主化降低了开发门槛，但许多开发者发现，用 LLM 疯狂迭代往往只产出了一堆难以维护的代码。在 Hacker News 等社区的讨论中，不少人指出，AI 带来的超高效率反而成了一种新型的“拖延工具”——人们躲在代码自动生成的安全区里，源源不断地添加新功能，却迟迟不敢把产品推向市场去接受真实用户的检验。这揭示了一个残酷的行业现实：AI 缩短了开发时间，但并未降低创业的失败率。写代码的门槛被拉低后，项目的核心瓶颈从“如何实现功能”变成了“是否真的有人需要”。一部分人利用 AI 快速测试市场，而另一部分人则迷失在无意义的开发循环中。在技术狂欢之后，真正的胜负手依然在于谁能更快清醒过来，去直面冷酷的市场反馈。 adi.bio/reality #人工智能##AI创造营##软件工程##独立开发#

转发者评论

无明显转发评论

原文

就事论事，没一处改对。改的人，只是初中语文水平。学术不端归学术不端，认错态度归认错态度，但就这句话，人家写的应该只有一处问题：就是对我的老师为此蒙受处分，中间不可有＂的＂字，不然，道歉的对象就成了＂处分＂而非＂老师＂。其余均无问题，且见功夫。蹩脚的是修改之人，想借此而辱，却辱了自己。修改后的是通，但啰嗦且乏味。 极尽平庸刻板。

转发者评论

我的语文一直很好但是我很反感这种批改，可是我一直没有什么讨厌的根据。 直到 LLM 的出现： 他一方面能把任何一段表达修改的极其标准。 另外一方面，他又能把这些没有批改的内容完全正确的领会。 那么我的问题是： 第一你有毛可批改的？证明你和一堆沙子同样水平很有意义吗？ 第二一堆沙子都能理解

• 我的语文一直很好但是我很反感这种批改，可是我一直没有什么讨厌的根据。 直到 LLM 的出现： 他一方面能把任何一段表达修改的极其标准。 另外一方面，他又能把这些没有批改的内容完全正确的领会。 那么我的问题是： 第一你有毛可批改的？证明你和一堆沙子同样水平很有意义吗？ 第二一堆沙子都能理解

原文

使用了一天GPT 5.6 Sol，开的Light模式。原生Codex下明显感觉得出来GPT的智商比起DeepSeek V4 Pro高非常多，不说改代码的能力怎么样，而是不会放飞自我乱来，DeepSeek V4 Pro 之前就吐槽不太跟随指令。GPT5.6 可靠很多，一旦修改风险出现一定会明确说了再确认。然后因为我现在是用GPT5.6 主要在做Code Review 和 Improve， 发现很重要一点就是GPT好像不偷懒。 DeepSeek V4 很喜欢偷懒，不说会不会主动发现隐含的Bug了，更重要的是即便都明确说明要解决某个问题了，DS倾向于最懒的治标不治本手段...

转发者评论

无明显转发评论

• GPT 5.6 已经帮我把DeepSeekV4 Pro的屎山代码解决了N多Bug，然后一起协同提升了几乎一倍的速度。

原文

转：2026年7月15日周三读报！一切美好从❤️开始：1、海关总署：2026年上半年，中国货物贸易进出口总值25.47万亿元，历史同期首次突破25万亿元，同比实现16.9%的增长。今年上半年中国外贸保持良好运行态势。(CCTV4)2、国务院日前印发《国民健康“十五五”规划》，提出到2030年，人均预期寿命达到80岁，主要健康指标进入高收入国家行列。(央视)3、7月14日，黑龙江省人民政府印发的《黑龙江省推进服务业扩能提质实施方案》提出，到2030年，服务业增加值力争达1.25万亿元，冰雪经济、现代物流、健康养老、跨境贸易等4个千亿级特色产业集群持续壮大，“龙江服务”品牌影响力不断提升，为奋力开创中国式现代化龙江实践新局面提供坚实支撑。(证券时报)4、7月14日，在云南省红河州建水县深山中，一项输电线路巡检技术突破得以实现——无人机在全程无4G、5G信号且无地面差分定位辅助的条件下，直连卫星完成输电线路自主巡检。此次作业依托自研系统，成功打通“地面站—卫星—无人机”直连信号通道，攻克无信号区巡检难题，精度达实用化水平。(央视)5、记者从中国工商银行、中国农业银行、中国银行、中国建设银行了解到，近期，有不法分子利用第三方互联网平台以及社交媒体等渠道，冒用四大国有商业银行名义，发布“存100万解锁5.25%利息”“固定年化收益5%”等虚假高息收益广告，并且以此诱导消费者添加微信等联系方式，进而推介境外保险产品或者投资境外平台项目等，牟取高额佣金甚至实施诈骗。四家银行均表示，当前不存在这类存款产品，相关宣传都是虚假信息。(央视)6、近日，中国科学院化学所研发的钙钛矿-有机叠层太阳能电池，光电转换效率经认证达到28.04%，刷新世界纪录，为进一步提高太阳能电池效率和运行稳定性提供了新策略。(央视)7、近日，国家海洋环境预报中心综合海洋监测、大气环流及多模式预测结果研判，今年秋冬季将形成一次超强厄尔尼诺事件，可能超越1997/1998年，有望突破历史的极值。专家介绍，超强厄尔尼诺事件，会让西北太平洋及南海台风生成数量偏少，但台风强度会更强，需重点防范强台风引发的灾害性海浪、风暴潮及海水倒灌灾害。预计2027年夏季长江流域降水异常偏多，极端洪涝灾害风险较高，防汛压力严峻。(央视)8、韩国总统李在明宣布，将设立“未来应对基金”，把超额税收收入引导至生产性未来投资。同时，政府的支持引导将转向芯片、AI数据中心和物理AI三大巨型项目。(14日，韩国政府公布半年度经济政策计划。该计划将韩国今年经济增长预期从之前的2%大幅上调至3%，这将是韩国过去五年来最高经济增速；同时韩国政府承诺，将继续加快人工智能投资，以增强韩国经济表现。)(第一财经)9、13日，在“意愿联盟”峰会上，乌克兰与法国、德国、英国等9个欧洲国家发表联合声明，宣布启动建立“一体化反弹道导弹联盟”，并支持加快发展反…

转发者评论

无明显转发评论

原文

【当AI写代码不再需要人类“对齐”】著名开发者 Armin Ronacher 指出，AI Agent 正在消除软件开发中的协作摩擦。过去修改代码需要读懂别人的逻辑、开会沟通，这种“慢吞吞的摩擦”实际上是在建立团队对系统架构的共享理解。如今，每个人都可以让 AI 按照当下的具体需求去重写模块、塞入新功能，虽然测试依然能通过，但项目背后的统一架构设计正在悄然瓦解。这是一种温水煮青蛙式的巴别塔危机。传统软件工程的复杂度上限是人脑的认知极限，这逼着我们去设计简洁、高内聚的抽象。而 AI 拥有极大的 Context 空间，它根本不需要优雅的架构也能让代码跑起来，这导致系统向着臃肿和无序野蛮生长。最诡异的是，开发人员之间不再有真正的技术沟通，但这塔非但没有停工，反而以一种谁也无法整体理解的黑盒状态继续升高。效率确实翻倍了，但我们可能正在失去对系统演进的控制。lucumr.pocoo.org/2026/7/13/the-tower-keeps-rising/ #人工智能##AI创造营##软件工程##系统架构##VibeCoding#

转发者评论

无明显转发评论

原文

我的量化账号从七月起一直空仓，一只也没买，因为它每次都判定不符合买入条件。上周某天我突然对自己的逻辑无比自信，手动操作，强迫它买了一只，结果当天跌5%，次日再跌5%，它毫不留情的直接止损了。本来它0%的收益就能跑赢很多用户了。。。以后还是要相信AI，它做了无数实验得出的结论，市场极端弱势时谨慎参与。。。

转发者评论

无明显转发评论

原文

给AI做知识库，最脏的一道活往往发生在模型开口以前。一篇网页里有导航、弹窗、折叠菜单、脚注和动态加载。人能迅速找到正文，程序拿到的可能是一锅标签。后面无论做摘要、客服问答还是竞品监测，输入一开始就乱了，模型答得再流畅也很难救回来。Firecrawl就是处理这道工序的。它能把页面整理成Markdown、结构化JSON或截图，也能发现站内页面、读取整站和批量处理地址。项目目前约有15万颗星。官方首页那句「clean web data」很直白，干的确实也是清洗网页这件事。假设要把产品帮助中心接进客服知识库，可以先抓一小组页面，保留页面地址、处理时间和返回状态，再做切分与索引。回答出错时，顺着中间结果往回看：页面有没有读全，折叠内容有没有漏，还是检索拿错了片段。比起笼统归因给「模型幻觉」，这种排查有用得多。监测页面变化也一样。同一地址两天返回不同内容，可能是正文更新，也可能是登录状态、页面结构或读取失败。没有时间戳和原页面标识，两份干净文本反而会让人误判。功能多，不代表站点随便抓。私人页面、付费墙、个人信息和明确限制自动访问的内容，都要先看权限、条款与合规要求。转成JSON也不会顺手解决版权和时效。开源版采用AGPL-3.0许可证，云端服务还有README列出的额外能力。自托管会增加控制权，同时也把部署、队列、代理、更新和故障处理交回自己；若后续又把内容送到外部模型，数据仍可能出站。我会把它放在AI流程最前面：来源先洗干净，日期和出处一起留下。原料有问题，后面排得再整齐也只是漂亮的错答案。Firecrawl由firecrawl团队开源，GitHub仓库全名为firecrawl/firecrawl。#马力的AI知识分享##马力的AI开源项目分享#

转发者评论

无明显转发评论

原文

AICanDo半月刊，由《马拉火车》开始，《模型来做》（AIY）结束。不做的原因，主要是刊物这种载体，实在有点赶不上时代。新鲜度不足，质量又不够，搜又不好搜。新闻相关，已经摘到 「模型纪年」tl.aicando.xyz 。有深度、可复用、可搜索的内容，后面再想想怎么组织。这里谈谈「AIY」，超越DIY的“娱乐”创作方式。也就是跳过学习阶段，直接让AI来干。抛开已经被「AIY」占领的编程不谈，说一下建模。我之前花了三天时间学了Blender建模（图二）我感觉自己什么都不懂。现在出来一个玩意，几分钟就能做图三这样，然后再经过20分钟优化，成了图四。虽然还远不如图五这种精度，但对我这样的，就算模仿出图二但完全没入门的人，第一个疑问是“我之前学了个啥”，第二个疑问是“如果只是为了「DIY」一些模型，为什么不先「AIY」呢？”。就算只是雏形，也能慢慢改嘛（模型扫描会不会更类似？）最后一个疑问是，“现在差，是不是以前大模型公司没主要做这块，忙于图片跟编程了？以后呢？”被「AIY」占领的，会越来越多。 #How I AI#

转发者评论

无明显转发评论

原文

二十年，FIRST 以影像扎根西宁，银幕的光影与高原的土地彼此凝望。今年，这种凝望有了新的维度。在国家“东数西算”战略大局下，青海架起绿色算力与影像之间的桥梁。青海始终保持全清洁能源供电的世界纪录，每一帧画面的渲染，都可能用着来自雪山融水与高原日光转化的电力。而支撑这一切的，是青海超过九成的清洁能源装机占比——水、风、阳光在高原上从不吝啬。来自高原的绿色电力、绿色算力正激活着另一个影像世界的繁荣，在算法及大模型的不停迭代中，是青藏高原与世界发出的同频呼吸。新的世界语言在高原集结，电影在银幕新生。 7 月 17 日，青海省算电协同赋能影视工业推介会即将于青海-西宁城西区举办，作为第 20 届 FIRST影展开幕特别策划，焕发高地崭新的能量，点亮高原新坐标！#FIRST青年电影展##FIRST绿色算力推介会#

转发者评论

无明显转发评论

原文

OpenAI介绍Codex 与 ChatGPT 深度整合的视频。也介绍了基于 GPT-5.6 Sol 模型的一系列开发者功能升级，包括自动拆分任务的并行子智能体、支持环境级操作的智能屏幕截图（Appshot）、允许无缝发布应用的 Sites 功能、跨项目任务自动化管理、增强的移动端开发体验以及无需跳转 GitHub 即可直接处理 PR 的内置工作流等~ 蚁工厂的微博视频

转发者评论

无明显转发评论

原文

【当你的脑子也开始“外包”给AI】Google与OpenAI近期推出的推理工具让“认知卸载”变得极其廉价。无论是写代码还是做决策，越来越多的人选择直接向LLM要最终答案。支持者认为这释放了重复劳动的生产力，反对者则担忧过度依赖Token生成器正在让我们失去纠错能力与深度理解的肌肉记忆。这种外包与使用计算器不同，计算器不代替你选择公式，而LLM却在替你做判断。行业内的人都清楚，如果缺乏专业基础，用户根本无法识别模型的幻觉与平庸。把AI当成增强效率的“外骨骼”，而不是完全接管决策的“声控耳环”，才能避免技能的萎缩。在答案随手可得的时代，真正稀缺的是挑战模型边界的深层直觉。 www.artfish.ai/p/offloading-thinking-to-ai #人工智能##AI创造营##认知科学##大语言模型#

转发者评论

无明显转发评论

原文

确定消息，今年严惩学术不端后面将会有一批典型案例 论文跟一辈子，且全网公开，必须要经得起历史检验，别给未来的人生埋雷。一旦涉及学术不端，未来随时都可能被发现。（除了学术打假爱好者，还有AI审查。AI还将突破语言壁垒，跨语言抄袭会被彻底堵死）

转发者评论

//@南郭刘勃://@狸角兽:哎呀就怕注意力已经飘了。校领导、院领导、大帽子、小帽子们首先要有扎实的硕博论文，那影响可大可不止互联网的这一小摊

• //@南郭刘勃://@狸角兽:哎呀就怕注意力已经飘了。校领导、院领导、大帽子、小帽子们首先要有扎实的硕博论文，那影响可大可不止互联网的这一小摊
• 我博导跟我讲过让我印象最深的一句是，不要给自己的学术生涯埋定时炸弹//@狸角兽:哎呀就怕注意力已经飘了。校领导、院领导、大帽子、小帽子们首先要有扎实的硕博论文，那影响可大可不止互联网的这一小摊