微博 AI 观察博客

原文

Jamon（RN 核心开发者）分享的完整 Agentic 工作流。我要把我的完整 Agentic 工作流全部公开，因为我看到太多人缺了其中的关键部分，这对他们造成了很大的损失。以下是我使用和推荐的：0. 一个 AGENTS.md 路由器——把 Agent 引导到正确的 skill、文档和工具1. 一份根据自己需求定制的标准工作流文档/skill……（如果你还没有的话，可以用 Matt Pocock 的 skills）……我在大多数 session 里用 @/AGENT_WORKFLOW.md 把它引入进来2. 每个系统都有自愈文档，并指示 Agent 持续更新……我会手动 tag 我知道需要的文档，或者让 Agent 通过 AGENTS.md 自己找到它们……每份文档的前7行我都提供了详细摘要，方便 grep 检索，这一点也写在 AGENTS.md 里3. Agent 始终实际运行应用……Agent 应该真正跑起来应用，边做边测，发现问题边修，尤其是在自主/异步运行的时候4. 端到端测试，以及如何写测试、避免什么、所有测试清单的说明文档……在实现过程中同步写并跑针对性测试，随工作一起提交5. 在 precommit 钩子上挂自定义 linter，发现问题用 --fix 自动修复，或者如果做不到，就 shell 出去调一个便宜的 LLM（比如 Composer 2.5 或 Sonnet）来修——不只是报警，而是真正输出干净的代码6. 每个关键节点做跨 Agent 交叉 review：调研、规划、实现、收尾。用 Codex、Claude、Cursor 都行——但不能是同一个模型 review 自己写的代码。还要有专门的 review 文档，说明看什么、怎么看。另外用 Persona——从不同视角审视代码，比如可维护性、代码质量、安全、性能、AI 坏味道、领域专家视角（比如"金融服务专家"之类）……每个 Persona 也"负责"一组系统文档并持续更新7. Agent 追踪表/worksheet，记录每次 session 里 Agent 在做什么。如果 Agent 中途挂了，你可以把这份 worksheet 交给另一个 Agent 接着干。把 worksheet 和工作一起提交，方便后续查阅（你以后真的会查的！）。同时让 Agent 打上对应 worksheet 名称的 git tag，便于查找8. 每次 session 结束自动向你输出反馈，写入一份也随工作提交的文档，定期把这些内容拿到交互 session 里消化，用来改进工作流9. 一个 tools 或 bin 目录，放 Agent 会做的 Python/bash 脚本来简化自己的工作（比如我有一个 agent_review bash 脚本，让 Agent 通过 CLI 触发 agent review，而不…

转发者评论

无明显转发评论

原文

我为什么会思考全职儿女这事，也和我自己最近经常用AI做项目有关。自从用上Fable后，感觉AI的进展太快了，是人类追不上的智能...“全职儿女变普遍，几乎是结构注定的。” 这是Fable认为的。因为1. 随着AI发展，新毕业生就业变困难 2. 全职儿女的上一代是人类历史上最有资产的父母 3.社会污名的定价在下降。AI 冲击会加速这个进程，因为"找不到工作"的归因，从个人转向了结构。和AI聊到以后孩子的就业，如下，供参考。ChatGPT：如果未来 AI 模型真的比最聪明的人类更聪明，那么聪明、知识多、分析能力强，本身将不再是护城河。人类真正剩下的护城河，不是和 AI 比智力，而是：决定什么值得做，愿意为哪个结果承担责任，并且拥有结果所依附的资产。等你家孩子大学毕业时，“普通新毕业生”大概率会比现在更难。最难的是“只有学历、没有经验、等待公司培养”的新人；而不是所有年轻人都会没有机会。未来最难找工作的，可能不是“不聪明”的孩子，而是这种孩子：只有标准化优秀成绩不错、学校不错、实习看起来不错，但没有特别做成过什么。因为考试、论文、简历和面试准备，都越来越容易被 AI 辅助，学历信号的区分度会下降。未来可能出现一个明显分化：普通毕业生：很难证明自己比 AI 或有经验的人更值得雇用从小会利用 AI、做过真实项目、有作品和行动记录的人：可能比过去更早获得机会家庭有资产和安全垫的年轻人：还可以通过低薪学徒、创业试错、长期项目绕开残酷的第一份工作竞争Claude Fable也是一针见血：“「真实项目 + 作品记录 + AI 协作」是当下正确的差异化路径，但10年后，AI 辅助的"真实项目"会像今天的实习经历一样泛滥。每个中产家庭都会照着这个剧本做，项目本身也会变成新的军备竞赛。真正不会通缩的只有三样：判断力（taste，知道什么值得做）、信任网络（谁愿意为他背书、和他二次合作）、以及资本。其实项目只是训练判断力和积累信任的载体。如果孩子做了五个项目但都是父母选题、AI 代工、无人使用，那和刷竞赛没有区别。”“把镜头拉远:全职儿女的普遍化,其实是「AGI 时代」定义(智力从劳动变成资本品)在家庭层面的显影。当劳动收入的可得性下降,家庭资本的再分配功能会部分接管工资的功能。”#人工智能##育儿#

转发者评论

同意，不要试图和AI比智力，不要再努力当个中部的知识工作者[笑cry] “真正不会通缩的只有三样：判断力（taste，知道什么值得做）、信任网络（谁愿意为他背书、和他二次合作）、以及资本。”[赞]

• 同意，不要试图和AI比智力，不要再努力当个中部的知识工作者[笑cry] “真正不会通缩的只有三样：判断力（taste，知道什么值得做）、信任网络（谁愿意为他背书、和他二次合作）、以及资本。”[赞]

原文

Kimi 刚刚放出了他们迄今最强的模型 Kimi K3，2.8 万亿参数，全球首个开源的 3 万亿级别大模型。根据官方的介绍，感觉还是很牛的。先说架构。K3 用了两项自研技术，一个叫 KDA，一个叫注意力残差，目的都是让信息在超长上下文和超深网络里流动得更顺畅。模型里塞了 896 个专家，每次只激活 16 个，配合一堆优化手段，整体扩展效率比上一代 K2 提升了约 2.5 倍。简单说就是同样的算力能换来更强的能力。编程方面是 K3 最大的亮点。他们搞了个内核优化竞技场，让模型自己改 GPU 内核，K3 的表现接近最强的闭源模型。更猛的是，K3 从零写了一个叫 MiniTriton 的 GPU 编译器，性能居然能跟成熟的 Triton 掰手腕。它还能自主设计芯片，连续跑 48 小时，从架构到流片验证全包了。科研方面，它两小时干完了资深研究员一到两周的活儿，读了 20 多篇论文，跑了 300 多种状态方程，还发现了已发表公式里的错误。知识工作也很能打。K3 做了份覆盖 ASIC 行业 42 年的研究报告，处理了超过 11000 页资料。引力波分析用了 20 多个子智能体并发处理 391 个事件。视频剪辑也不在话下，4 分半的技术讲解视频、56 段素材的品牌短片都能搞定。当然，K3 也有短板。它对思考历史很敏感，agent 框架不兼容的话效果会打折。而且因为专门优化了长程高难任务，遇到小问题可能会自作主张，需要你在提示词里给它划好边界。整体实力虽然稳居开源第一，但跟 Claude Fable 5 和 GPT-5.6 Sol 比还有差距。模型权重 7 月 27 日前开源，API 价格也很友好，缓存命中率超过 90%，实际输入成本只有标准价的四分之一。#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

Bolt开源了一个AI PPT的项目bolt-slides：让每一页 slide 变成一个能跑的网页，去掉AI-PPT的slop味道、每一页动态——能拉实时数据、能挂 3D 场景、能把你真实的产品原型直接嵌进去，分享出去就是一条链接，在线的deck还是挺刚需的。这个也是我一直在找的可以本地化的ppt项目，计划用它为AIGCLINK定制家的方案deck来做底座，感谢项目方。他们什么做这个，项目方吐槽挺狠：1、"当下AI 做 PPT 很棒，但产出基本是 slop——通用模板、满屏 bullet、拿不出手，尤其是notebookllm给出的ppt太有ai味了，2、为什么 slide 到现在还是静态的？agent 明明什么都能建。"bolt-slides给出的答案是：每一页 slide 就是一个普通 React 组件。你能给 web 做的，就能放进 PPT——整副 deck 是个真 web app，任何屏幕自适应。他们给这套东西的口号是：Taste comes standard（品味是标配）。技术上：1、因为核心是一个 SKILL.md（.bolt/skills/slides/），教 agent 怎么定主题、怎么组版、怎么写文案——连 tab 标题和 favicon 都管到了，所以一句 prompt 能回一个"能直接开讲"的成品，Claude Code / Codex / Cursor / Bolt 都能用。2、content-anchored 批注（我最喜欢的细节）：你在笔记本上圈住某个数字，到手机上圈的还是同一个数字——不管响应式布局把它挪到哪儿去了。这是"每页是真网页"才可能做到的事。3、演讲者模式走 BroadcastChannel 开第二个 tab 同步：计时器、下一页预览、可编辑备注； 做点击逐步显现，方向键能前进也能倒回；URL hash 深链到具体某页（/7）。4、组件库分五类——结构、数据、故事、产品、花活（Globe / TiltCard / Marquee 这些）。主题全收在 tokens.css 的 :root：改一个 --primary，整副 deck 连外壳一起换色，skill 里还写好了 9 个现成的主题方向。PPT 卷了这么多年模板和配色，bolt-slides 换了个维度——别再把 slide 当图片，把它当一个能跑的产品。顺便，AI 做 PPT 那股"slop 味"，也是这么被干掉的。github：网页链接#BoltSlides##StackBlitz##AIPPT##反AISlop##开源#

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

回复@陶呵呵丶:这就要人主导了，说的俗一点就是“品味”，其实就是经验的积累，把自己当成用户，当成产品经理//@陶呵呵丶:这个讨论的原则和方案确定是如何设计的呢？怎么知道讨论的方向和结果是否满意？

• 回复@陶呵呵丶:这就要人主导了，说的俗一点就是“品味”，其实就是经验的积累，把自己当成用户，当成产品经理//@陶呵呵丶:这个讨论的原则和方案确定是如何设计的呢？怎么知道讨论的方向和结果是否满意？

原文

YC 最近给 AI 创业者提了一个反常识的观点：未来十年最大的 AI 公司，可能根本不卖软件。这句话乍一听有点离谱，但仔细想想，逻辑其实很清晰。传统 SaaS 的商业模式是按人头卖工具。我给你一个软件，你自己拿去干活。干得好不好，是你的事。但 AI 原生的服务公司，卖的是结果。你把活儿交给我，我用 AI 加专家加流程，直接把成果交付给你。你不需要学怎么用工具，你只需要拿到你要的东西。举几个例子就很好理解了。不是给你一个法律 Copilot 让你自己审合同，而是我直接帮你把合同审完。不是给你一套税务软件让你自己报税，而是我直接帮你把报税和合规搞定。不是给你一个保险助手让你自己处理理赔，而是我直接帮你把理赔审核做完。YC 的 Visiting Partner Charlie Warren 在一段 11 分钟的视频里，给出了一套完整的打法，我觉得非常值得拆解。首先是选市场。要找那种行业足够复杂，但单项任务可以标准化的领域。复杂意味着客户自己搞不定，愿意付费让别人来做。可标准化意味着 AI 能介入，能规模化。其次是团队构成。你的团队必须同时懂三件事：行业 know-how、模型能力、以及运营交付。缺任何一块，这个事情都跑不起来。然后是前后台的分工。前台可以继续让人来服务客户，维护关系，处理沟通。但后台的实际工作，让 AI 去完成。客户感受到的是专业的人在服务他，但背后的效率是 AI 在驱动。接下来是最容易被忽视的一点：真正的杀手不是模型不够强，而是交付结果不稳定。客户买的是确定性，如果你的输出质量忽高忽低，再强的模型也没用。还有一个关键约束：人工介入不能随着客户数量线性增长。如果每多一个客户就得多一个人盯着，那你本质上还是一家传统服务公司，只是披了一层 AI 的皮。从财务角度，第一天就要盯住三个数字：模型成本、人力成本、毛利率。很多 AI 公司看起来增长很快，但毛利撑不住，最后就是在烧钱做慈善。收费模式也要变。按结果收费，不按人头、不按 Token、不按工时。客户为他拿到的东西付钱，这才是真正对齐了价值。最后一点很重要：不要想着收购一家传统公司，然后往里面硬塞 AI。要从零开始重构流程。旧流程是围绕人设计的，你在上面叠 AI，只会越叠越别扭。Charlie Warren 总结的那句话我觉得特别精准：Sell outcomes, not seats or tokens.卖结果，不卖席位，不卖算力。换个比喻来说，AI 创业的下一阶段，可能不是再造一把更好的铲子卖给矿工，而是自己下矿，直接把金子交到客户手上。做垂直 AI 的人，这套思路值得认真想想。#科技先锋官##How I AI# AIGC·非著名程序员的微博视频

转发者评论

无明显转发评论

原文

#Kimi K3参数达2.8万亿#在我看来，这一波大模型的发展，重大的底层创新只有1.5个。一个就是scaling law，就是把模型做大，智能就能提升。另外的0.5个，就是基于思维链的深度思考，这个被deepseek公开了。现在大模型就没啥秘密，这些训练技巧，大部分大模型公司都会。就看谁的工程能力强，能训练的更好。这次kimi k3达到了2.8T的参数，在开源模型里面是第一。这个规模也能覆盖大部分任务了，目前前端是第一，其实后端，agent能力也很强。可以说，已经强得离谱了，完全是第一梯队。综合能力方面，相比claude fable 5，gpt 5.6 sol还稍微有点差距。主要是在数学、意图识别等等方面， 这主要是后训练不足导致的。训练时间太短了，后面花时间查漏补缺，补齐就行了。价格方面，你觉得贵，其实只有国外闭源大模型的三分之一。anthropic的阿迪王说，中国的开源模型，从来就没有让他丢过订单。但是他恐怕要担心自己丢订单了。关键是，像kimi这样水平的中国大模型公司，在国内还是有好几个的。这么下去，老美是很难守住这个第一的阵地的。开源还比闭源强，别人傻了去用你那么贵的模型。

转发者评论

无明显转发评论

原文

Figma 2026 年的大会上 Anthropic 的 Chelsea：谈 AI 时代我们的专业知识被替代后的调整这场演讲讨论 AI 时代的内容设计工作如何变化。核心观点是设计师需要成为快速变化的模型能力与普通用户之间的转译层。Chelsea Larsson 回顾了自己从担心 AI 淘汰“人肉文本生成器”，到加入 Anthropic 负责内容设计的经历。她必须重新划分哪些工作应该交给 Claude，哪些仍需要内容设计师完成，并学习如何为非确定性的 AI 体验设计提示、性格和交互边界。随着产品功能和模型频繁更新，“AI 实际能做什么”与“用户以为它能做什么”之间的差距不断扩大。设计师可以通过提示词、可供性和心智模型缩小差距，让 AI 主动解释能力，也让用户不必通过终端等专业界面才能使用这些能力。演讲还引用一项覆盖 8 万人的研究：人们既期待 AI 带来的能力扩展，也担心被取代。最终建议是以人类蓬勃发展为目标，为人保留空间，并继续发挥写作、动画、图标和交互等专业能力。 宝玉xp的微博视频

转发者评论

无明显转发评论

原文

#梁文锋打新长鑫#¹ 我们不光有梁文锋，还有杨值麟！杨就是Kimi的创始人。刚刚，他的美国卡内基梅隆大学的博士生导师、前apple人工智能总监祝贺他的新大模型发布！2019年，杨完成博士答辩。² Kimi在美国的评价一直高，多个美国大模型“大方承认”深度蒸馏了Kimi 2.5。这位导师还评价说，杨在博士生阶段就对机器学习做出了真正的基础理论性贡献！K3是一次开源社区的巨大胜利！³ 有个美国分析师还说，他访华时去过Kimi的公司，产品讲解居然是杨值麟亲自上阵。他感觉杨是一个技术狂热者，还那么年轻！#月之暗面最强模型KimiK3发布#

转发者评论

无明显转发评论

• 厉害了 //@科学未来人:江山代有才人出！杨清华本科，2019年才在卡内基梅隆大学博士毕业，然后回国。“他在极短的时间内将自己的智慧和知识转化为了一个出色的大模型和公司。即使是聪明到爆的人，这也不是件容易的事！” http://t.cn/AXKR6dL5
• 江山代有才人出！杨清华本科，2019年才在卡内基梅隆大学博士毕业，然后回国。“他在极短的时间内将自己的智慧和知识转化为了一个出色的大模型和公司。即使是聪明到爆的人，这也不是件容易的事！” http://t.cn/AXKR6dL5

原文

#模型时代##WAIC2026# 看了一下论坛安排，今年WAIC比较核心的二十个关键词，可以概括为：AI Agent、AI Native、Embodied AI（具身智能）、Physical AI（物理AI）、World Model（世界模型）、Foundation Model（基础模型）、Reasoning、Infrastructure（推理设施）、Computing（算力）、Cloud（云）、GPU、Enterprise AI、Industrial AI、Manufacturing（制造）、Healthcare（健康）、AI for Science、Robot、Security、Governance（治理）、RISC-V。如果再向上抽象，可以归纳为五条主线：1. Agent 正在成为新的应用入口。2. AI 开始深入制造、医疗、科研等实体产业。3. 基础设施竞争从模型扩展到算力、网络、云和芯片（指令集）。4. 机器人与 Physical AI 正从实验室走向实际部署。5. 企业开始关注 AI 如何重构组织、流程和商业模式，而不仅是提升单点效率，即AI原生。

转发者评论

无明显转发评论

原文

最早我做字幕翻译 App BaoCut 网页链接 的时候，语音转文字是用的 Whisper，但是 Whisper 有几个问题：一个问题是时间戳不准，时间戳不准拆分的就是就可能字幕和语音对不上，很影响效果，需要人工去从头到尾校对一遍一个问题是中英文混排支持不好，中文其实支持也不算太好，所以中文的转录就效果很差一个问题是不直接支持识别发言人虽然这些问题都可以通过收费的云端模型来解决，但是成本相对高一些。最近测试了 Qwen3 ASR，效果是真的很不错，配合 Qwen3-ForcedAligner 模型，可以识别后把词级时间戳对的很精准。0.6b 就足够了，本地运行资源占用也不高。Qwen3-ASR 网页链接发言人识别也有开源的模型：Pyannote + WeSpeaker。不过这个发言人一多尤其是一起说话识别的不够准，但配合 Agent 结合上下文就能做到相对比较准了。如果真的要求高，也可以走云端模型，比如火山引擎上的豆包录音文件识别模型 2.0 就质量挺好，速度也快，就是要额外花钱。

转发者评论

无明显转发评论

• 回复@雨夜骑手0315:去试试 baocut.app ，从 agent 里面转录翻译视频字幕一条龙，很简单方便//@雨夜骑手0315:这一套现在在Mac上能做到whisper那样从生成字幕到翻译一条龙完成吗？

原文

【1.5TB统一内存：苹果给本地AI画的饼有多大】苹果计划在2028年推出支持1.5 TB Unified Memory的M7 Ultra芯片，让开发者能在本地运行完整权重的SOTA模型。虽然价格预测从2.5万到10万美元不等，但相比拼凑多张Nvidia显卡，这依然是个极具吸引力的本地算力方案。苹果的策略是避开大模型训练的红海，通过硬件锁死本地生态。不过，本地大模型运行的瓶颈在于带宽。如果带宽无法突破，Token生成速度仍会受限。同时，上游巨头正转向高附加值内存，指望硬件降价并不现实。硬件终将成为本地AI的隐形壁垒。 reddit.com/r/LocalLLaMA/comments/1uvbzul/apple_m7_ultra_chip_planned_with_up_to_15_tb_of #人工智能##AI创造营##硬件生态#

转发者评论

@算法时空 //@嚼物理的小锺:我正要换新电脑！是不是可以等M7了

• @算法时空 //@嚼物理的小锺:我正要换新电脑！是不是可以等M7了

原文

我做了一个一万人看过的音乐可视化网站-Pixmusic网站地址：网页链接我用Google ai studio制作了一个音乐digitla可视化网站，因为版权问题无法直接输入各大音乐app的歌，我想了个最简单的方法——直接麦克风收音：点击左下方麦克风按钮，并同时在其他平台或设备外放歌曲，就可以看到画面变化了～（同时也支持上传mp3）目前做了三种场景的可视化-Sphere/City/Camera，并在右上角可以调节基础效果。具体效果可以看视频中的事例。制作之后陆续有一些朋友找我要授权用于个人演出，非常开心这个网站能有实际使用场景后期我也会在上面继续添加更多场景，持续更新🌟关于网站制作：制作这个网站是为了测试google ai studio所能做到的程度，我主要设计了几种不同的元素视觉，并让其以不同grid形式呈现。在视觉元素的把控上ai studio还是很到位的，但是功能细节和技术方式的使用还不是非常精准（例如可上传文件种类有限，也无法准确理解我要修改的区域），需要通过非常多轮的调试与迭代才能做出想要的效果，并且有时候不得不牺牲一些对于产品功能的畅想。之后再次更新也许会考虑挪到Codex或Claude Code去实现更精准的表达。#微博VibeLab##VibeVision# 美丽海豹_SealLuo的微博视频

转发者评论

#微博VibeLab# 将音乐进行可视化的网站

• #微博VibeLab# 将音乐进行可视化的网站
• 很酷，我喜欢这种音乐可视化的感觉#微博VibeLab#

原文

这个哥们三月份被裁了，换别人可能先慌一阵，他倒好，转头就用 Claude 给自己搭了一套求职工具，九周之后真的找到了工作。他做的这套东西叫 SearchSteward，已经上线了。说实话，思路挺值得学的。大多数人用 AI 也就停留在帮忙改改简历、模拟面试问答这一层，他往前走了好几步。他把求职整个流程拆开了，每个环节都用 AI 量身定制。职位信息自动抓取，根据简历内容做关键词匹配，还给你打个分，92分、86分一目了然，高匹配的优先推到你面前，省得你天天刷招聘网站重复搜索。投递之后的状态也自动同步，面试安排、感谢信发送，全都有提醒，跟项目管理一样管自己的求职。后来 Fable 上线，他的开发效率又上了一个台阶。以前是让 AI 帮忙写脚本，Fable 进来之后变成了 AI 自己规划功能、创建子代理去执行、最后他来审查，整个工作流完全变了。他也趁这个机会把前端从 Streamlit 重构成了 React，后端换成 FastAPI 加 Postgres，界面和流程都大幅优化了一遍，正式上线了产品。更有意思的是，他还在工具里做了数据分析。按分数区间统计回复率，测试不同简历版本的效果，追踪哪些关键词跟进入面试高度相关，甚至统计了投递后48小时内申请的重要性。这些数据对求职的人来说太实用了。一个人的痛点，被他自己用 AI 变成了一个完整的产品，还顺便完成了从零到一的创业。这才是 AI 时代普通人该有的玩法。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

实测了一下最新发布的 Kimi K3。和之前一样，用同样的提示词生成一个基于 three.js 3D 飞行避障游戏。我的感受是，仅次于 GPT-5.6 Sol Max，比其他模型的生成效果都要出色。飞机建模非常精细，飞机头部的螺旋桨会旋转，加速时有3条粒子尾焰。和之前使用的所有其他模型不同，飞机除了左右移动外，还能上下移动。飞行时对周边的水晶还有吸附效果。整体上没有 GPT-5.6 Sol Max 的版本（网页链接）稳定、精细，但更有创造力。Kimi K3 定价不便宜，每百万 token，输入 ¥20，输出 ¥100，是目前最贵的国产模型。但相比 Claude Fable 5（$10/$50，约合 ¥72/¥358），Kimi K3 单 token 价格只有它的三分之一。更关键的是，不会被封号！如果大家平时用 Claude 进行开发，现在不妨入手 kimi k3。试玩及源码：网页链接#月之暗面最强模型kimik3发布##最强开源模型##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

月之暗面特意选择在今天发布Kimi K32.8万亿参数训练！对了，前天新闻联播讲人工智能的时候，大模型公司只有月之暗面老板杨植麟出镜了。性能上，Kimi K3 仅次于 Claude Fable 5 Max 和 GPT-5.6 Sol Max，领先于 Claude Opus 4.8 Max，达到 1600 分。在 AA-Briefcase 上，Kimi K3 得分 1527，在所有模型中排名第二，仅次于 Claude Fable 5 Max，领先于 GPT-5.6 Sol Max（1495） 在前端代码能力上，排位第一。

转发者评论

无明显转发评论

• 性能是嘎嘎强，但输出价格是100块…嘎嘎贵啊[允悲]

原文

作为一个从 2024 年就开始做 Code Agent、Data Agent、RAG，2026 年还做出了几十万下载量的 WinClaw 的开发者，直到今天，我才迎来最近三年最震撼的时刻。我已经看到了真正的未来：真正意义上的“一等公民”来了。它有三个特点：1. 无需提供上下文，直接给任务。比如：“帮我运营社媒评论区，持续三个月。”2. 完全自主，可以平等、主动地与人交流，融入一个组织，而不是作为人类的工具。3. 可以指定以小时、天、月、年，甚至世纪为单位的存续时间。Dense 架构的 Agent，也就是现在大家看到的 Agent，只能解决真实世界 1% 的任务；Sparse Agent 可以解决剩下 99% 的任务。Sparse Agent 架构之所以能实现，来自三者共同成立：- 全局语义层：知道你所知道的一切；- Sparse Agent 架构本身：Token 消耗极少，例如运行一个月，可能只相当于 Dense 模式两个小时的量；- 模型进步：GPT 5.6。三者缺一不可。

转发者评论

无明显转发评论

原文

前几天去阶跃的发布会，手快拍到了这张名场面。老板在台上讲这三句话，对应的是AI行业一日千里的发展速度。阶跃发了一堆东西，在正式推出首个大模型原生AI终端品牌STEPX底下，嵌套了一份智能体原生操作系统Step AOS、一个由模型矩阵和Step AOS共同驱动的个人智能体阶跃Amoo、以及一款自主研发的智能体手机STEPX Neo。记不住？那就对了，其实也不用记，你们只需要知道，本质上就是一回事：模型、软件、硬件，缺一不可。不是阶跃要不自量力的硬造手机，是没有专门给AI使用的手机，作为原生智能体的Amoo根本活不下去。ChatBot已经退版本了，这是一年来的行业共识，谁家兜里没有备上几个Agent产品，都不敢出来大声说话。但是问题在于，绝大多数所谓的智能体产品，天生就被绑住了手脚，只要它们依然需要在现存终端及其软硬件生态里运行，就注定无法发挥出理论的能力上限。因为所有的基础设施，都是服务于人类的，从经济系统，到交互模式，都倒逼智能体去模仿人类，比如用视觉化的方案去点击App里的各种按钮，Token的消耗和收益完全不成正比。所以到头来反而是CLI这种返祖化的工具大行其道，通过代码交流，AI总算找到了最自在的用武之地，却在同时也放弃了大众市场，普通人看到命令行窗口，就没有不两眼一黑的。包括很多以「先进」为名强行让智能体取代人机交互的做法，也给人一种为了AI而AI的反直觉，比如在一个聊天框里输入指令去完成某个动作，未必要比点开软件直接操作更加省事，它更像是一种刻意的炫技，而非真实的创新。为什么模型大厂的核心产品都发布在PC上？因为PC的架构太早了，还没来得及学会智能手机时代的种种「陋习」，未必发自善意、但确实在客观上留下了足够充裕的可操作空间。这些解法难免「戴着镣铐跳舞」，本质上还是无法舍弃「既要又要」的求全态度，这当然是可以理解的，君不见稍有进犯的AI手机们是怎么在一夜之间成为行业公敌的？于是，阶跃选择了，不讲武德。既然老登生态坚持防火防盗防AI，那么也就没必要假模假样的在现有OS上致力于加上一层Agent的壳了，无论这个壳的名字起得有多深刻，都是在自欺欺人。屎山代码不要也罢，大模型需要真正的原生AI终端，它的每一行代码，都应该是为比特世界的生物所写的，只有这样，智能体的行动力才不是缘木求鱼。其实在我看来，这个历史使命，原本或许轮不到阶跃来接住，但是既然在座各位同行都⋯⋯那么的温良谦让，不破不立的决断，就交到了阶跃手上。阶跃并非头脑发热来牵这个头，在中国的AI大厂里，它是唯一一家主打模型+终端商业化路线的，端侧落地能力是其立身之本。所以从一开始，阶跃就采用了原生多模态一体化的训练方案，不单独拆分图文语音，以前大家看不懂的地方，现在都一眼通透了：不同于聊天机器人，智能体天生就得有全知觉的自主能力，它要能听、会看、有记忆、懂人性、真正行动起来，这些都不是单一的知识训…

转发者评论

把“干”换成“学”，貌似也一样：如果学得晚了，基本上就不用学了。如果学得早了，有可能就白学了。如果什么也不学，以后什么也学不了了。。。[doge]//@梁斌penny:转发微博

• 把“干”换成“学”，貌似也一样：如果学得晚了，基本上就不用学了。如果学得早了，有可能就白学了。如果什么也不学，以后什么也学不了了。。。[doge]//@梁斌penny:转发微博

原文

【2.8万亿参数的Kimi K3：开源平替美国闭源旗舰的拐点已至？】月之暗面发布2.8万亿参数的MoE大模型Kimi K3，支持1M上下文，计划于7月27日释放权重。官方数据显示其性能逼近GPT 5.6 Sol与Claude Fable 5，并在部分编程与Agent任务中超越Opus 4.8。API定价对标Claude Sonnet，但因K3强制开启Thinking模式，实际使用速度较慢。K3的出现证明中美大模型代差已缩短至数周。对开发者而言，K3的价值在于提供了本地化部署SOTA级模型的可能性，打破了硅谷对高阶算力的垄断。但硬币的另一面是，Kimi的API用户协议默认数据可用于模型训练，且2.8万亿参数规模对企业本地部署的硬件成本也是极大的挑战。 kimi.com/blog/kimi-k3 #人工智能##AI创造营##开源大模型##KimiK3#

转发者评论

无明显转发评论

原文

kimi-k3 测试速报! 前端这效果太猛了!Kimi-K3 刚刚发布! 赶紧给大家带来测试速报! 效果巨好! 无论是建模精确度还是粒子效果, 甚至复杂的shader内联代码都能one-pass, 相当猛!稍后给大家带来详细测试! 记得点关注不迷路!测试prompt在这里, 开源的: github.com/karminski/awesome-llm-benchmark-prompts#HOW I AI##专业视频创作季##kimi-k3# karminski-牙医的微博视频

转发者评论

无明显转发评论

• 还是我们的牙医好 //@蝈蝈俊:转发微博

原文

2018年我第一次看别人制作鬼畜视频。那时我才知道鬼畜里的每句话都是逐字抠的。如果这个人的声音资料里没有发过某个音，还要想办法给他拼出来。比如说他没发过“da”音，你就要把他发过的d和a捡出来拼在一起。如果你要让他唱一句“大家好”，你就得把“da jia hao”再拼一起并设置每个字的音律。我当时大惊，我说这一首歌你要拼到猴年马月去了吧，就没有什么高科技可以拾取这个人的音色让他自动说出某句话吗？对方摇头说没有。我当时看了看他写的整首词，感觉要抠完遥遥无期，高科技遥遥无期，鬼畜区的热闹也好像永远都不会结束。现在有时候听着流畅的ai配音想起八年前那个惊诧的瞬间就觉得世界像学校里做过的碘钟实验一样，某一刻一切忽然就变色了。

转发者评论

人群里钻出来一个光头//@盐渍海蛞蝓://@龍裝假面猛充人:活字印刷的趣味之处之抑扬顿挫突然激动突然深情和猜每个字的原出处可是ai带不来的啊……//@四字网友:小时候看到葛炮鬼畜简直被惊艳，再后来AI葛炮无论如何流畅也没有当年的味道了//@羊裤裤老师攻击:是这样的

• 人群里钻出来一个光头//@盐渍海蛞蝓://@龍裝假面猛充人:活字印刷的趣味之处之抑扬顿挫突然激动突然深情和猜每个字的原出处可是ai带不来的啊……//@四字网友:小时候看到葛炮鬼畜简直被惊艳，再后来AI葛炮无论如何流畅也没有当年的味道了//@羊裤裤老师攻击:是这样的

原文

最近 Anthropic 招募了一篇顶尖人才！我们可以从他们招了谁、进了哪个组，反推出 Anthropic 未来 12–18 个月的下注重心。人事就是路线图，我让 Indigo-mind Agent 从我的知识库收录中按信号强弱排了一下👀一、核心引擎：用 AI 造 AI + 下一代预训练/效率信号最强！Karpathy 进预训练组、专门“用 Claude 加速 Claude 的预训练研究”；Jelani Nelson（流式算法/降维、大规模高效算法）也进同一条预训练线。两个顶级人都压在预训练+效率上，说明：• Anthropic 判断预训练远没撞墙（和 Yann Dubois 笔记一致），下一波增益在效率 + 把研究循环自动化（RSI）。• Nelson 的专长（大规模高效算法、降维）= 压榨每一分算力；Karpathy = 让 AI 接管研究 loop。合起来就是"递归自我改进的复利飞轮"从口号变建制。→ 这是它的主引擎，其它都是围着它转。二、算力/能源基础设施扩张招 Ross Nordeen（xAI 数据中心整体规划、选址、能源策略、算力扩容）说明 Anthropic 在自建大规模算力 + 能源布局，不再只靠合作方。又一家前沿实验室进入“抢电、抢算力、烧 Capex”的军备赛。三、AI for Science（尤其生物）- 皇冠上的垂直Jumper（AlphaFold 诺奖）+ Neklyudov（生成建模 for 蛋白折叠/分子动力学）+ 自建 wet lab + Allen/HHMI 合作 + 收购 Coefficient Bio。这是一整套认真的 AI-for-bio 下注，而且自建湿实验室 = 把"数字→物理"生物闭环补上。和 Demis/DeepMind 抢同一颗明珠。对你判断"AI 卖铲人/垂直纵深"是方向信号：前沿实验室在往生命科学的物理层走。四、Agentic 检索/记忆/上下文Bryan McCann（搜索、检索、LM 集成）直接对口把模型连到外部上下文——这正是我的记忆/持续学习那条簇的产品侧（Engram/Karl Mehta/Satya 的 exhaust）。加上 Bailis 的系统/数据库底子，指向 Agentic 检索 + 上下文工程的产品化。五、企业/产品（可能含 fintech / agentic commerce）Tom Blomfield（Monzo/GoCardless，支付基础设施 + 消费级产品）+ Peter Bailis（Workday CTO，企业软件）。这批是产品与商业化肌肉——尤其 Blomfield 的支付背景，值得留意 Anthropic 是否往 Agentic 支付/商务方向走。六、软实力长线：对齐 + AI 经济学/治理• Lederman（哲学家 → 对齐 + 模型"人格 charact…

转发者评论

无明显转发评论

原文

半夜醒来看到市场这般巨幅下挫，第一反应难免焦虑恐慌。若是参考VIX恐慌指数，当下数值想必会处于极高位置。放量急跌不断放大短期市场悲观情绪，但投资较量的从不是对单日波动的应激反应，而是穿越震荡周期的定力。我始终认为人工智能产业行情不会短短三四年就宣告落幕，本轮大跌只是长期上行趋势里的阶段性波折。只要坚持不融资、不加杠杆，持仓聚焦具备真实业绩增长支撑的优质企业，便有底气陪着资产穿越时间周期。备注：本文仅为个人投资感悟，不构成任何投资建议！投资有风险、须谨慎！另外，切记投资一定不能借钱、融资，加杠杆，因为再好的公司，中间也可能有巨大的波动。

转发者评论

无明显转发评论

• 也痛啊！[可怜]//@麦克的花样年华:但总这波可能不太疼，您重仓的是谷歌，最近表现还挺好的，硬件类真疼啊[吐]
• 凌晨醒来，只是看一眼，没想到跌这么多！这是恐慌情绪到极致了，好久没有看到这种情况了。历史长河中又一瞬间[作揖]//@隐身衣智慧的海洋:美国半夜，半夜睡醒立马看行情[允悲]

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

是有点意思，炮弹还能反弹。//@哈侠:有点意思[并不简单][并不简单]#微博VibeLab#

• 是有点意思，炮弹还能反弹。//@哈侠:有点意思[并不简单][并不简单]#微博VibeLab#

原文

Kimi K3 正式发布，Artificial Analysis Intelligence Index 和 Code Arena 上的排名相当亮眼。Artificial Analysis Intelligence Index 是独立评测机构 Artificial Analysis 的综合智能排名，覆盖 9 项基准测试，包括 GDPval-AA v2、τ³-Banking、Terminal-Bench v2.1、SciCode、Humanity's Last Exam、GPQA Diamond、CritPt、AA-Omniscience 和 AA-LCR，评测范围涵盖金融分析、终端操作、科学编码与高难度学术推理。Claude Fable 5 — 60GPT-5.6 Sol (max) — 59Kimi K3 — 57Kimi K3 与前两名差距在 2~3 分以内，与第四名 Grok 4.5（54 分）之间存在明显断层。Code Arena | WebDev 是 LMArena 旗下的前端开发竞技场，基于 48 万次以上人类盲投，评测模型在真实 Web 开发任务中的表现，包括多步推理与工具调用。Kimi K3 — 1679Claude Fable 5 — 1631GPT-5.6 Sol (xhigh) — 1618Kimi K3 领先 Claude Fable 5 共 48 分斩获第一。Kimi K3 这次采用 2.8 万亿参数 MoE 架构，896 个专家中激活 16 个。两项核心架构改进：KDA（Kimi Delta Attention，混合线性注意力机制）优化长序列中的信息流动；Attention Residuals（注意力残差）减少深层网络中的信息损失。官方数据显示，相比 K2 整体扩展效率提升约 2.5 倍。原生支持视觉理解，1M token 上下文窗口，可用于截图，特别适用于前端开发、游戏开发与 CAD 场景。面向长程编程与端到端知识工作设计，能够持续处理长时间工程任务并协调终端工具。完整模型权重将于 7 月 27 日前开源，是目前全球首个达到 3 万亿参数规模的开源模型。Kimi K3 定价不便宜，每百万 token，输入 ¥20，输出 ¥100。但相比 Claude Fable 5（$10/$50，约合 ¥72/¥358），Kimi K3 单 token 价格只有它的三分之一。更关键的是，不会被封号！Artificial Analysis 的"每任务实际成本"指标考虑了真实 token 消耗：Kimi K3 $0.94，GPT-5.6 Sol $1.04，Claude Fable 5 $2.75。在 Intelligence Index 前三名中成本最低。整体来看，Kimi K3 是国产大模型首次在全球顶级评测中展现出全面竞争力！综合智能、We…

转发者评论

无明显转发评论

原文

[LG]《Data-Efficient Adaptation of LLMs via Attention Head Reweighting》T Oikarinen, Z Chen, C Siska, T Weng,… [Microsoft Research & Microsoft Security AI] (2026) 在文本分类领域，从小样本中高效学习是网络安全等数据稀缺场景的悬而未决的难题。过去的方法如 LoRA 或 AdaLoRA 受困于参数空间过大导致的过拟合，本质原因是它们试图在有限的样本下修改模型深层的内部权重，破坏了预训练知识的稳定性。本文的核心洞见是：把大模型的自注意力头重新看作具有特定功能的专门化单元。由此，注意力头重加权（AHR）这一关键操作使问题得以解开，它仅为每个注意力头学习一个缩放标量，通过放大任务相关头并抑制干扰头，实现了极低参数量的精准适配。这项工作真正留下的遗产是证明了仅需调整百万分之一的参数即可实现高效的任务迁移，并揭示了诱导头等特定结构在上下文学习中的核心地位。它为后来者打开的新门是基于模型内部功能组件的解释性微调，但尚未跨过的门槛是该方法在需要精细生成控制的长文本生成任务中的普适性。arxiv.org/abs/2607.13425 #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

• 预训练模型不是白纸，是装满油彩的调色盘，你只需要告诉它这次该用哪个颜色。传统微调的问题在于，拿着十个样本就开始往盘子里倒新颜料，结果把原有的配方全搅浑了。真正高效的少样本适配不是教学，是指挥——模型早就会识别钓鱼邮件，只是不知道你现在需要它把这个能力开到最大。AHR的本质是承认：信

原文

转：2026年7月17日周五读报！一切美好从❤️开始：1、人社部等九部门启动第五轮高校毕业生“三支一扶”计划，2026至2030年间，每年招募3.64万名高校毕业生赴基层服务，服务期限2年。招募名额重点向欠发达、西部东北及边疆民族地区倾斜，乡村振兴重点帮扶县实行计划单列。政策将落实补贴、安家费、社保等保障，同时通过公考定向招录、专项招聘、创业扶持、升学支持等举措，拓宽毕业生后续发展渠道。(综合新华社)2、住建部信息显示，今年上半年全国楼市整体保持平稳，二手房成交活跃，去库存成效明显。6月一线城市二手房价格环比上涨0.3%。分城市来看，北上广深二手房成交均有所回暖，北京、上海上半年成交量创下近五年同期新高，深圳同比上涨5.0%，广州政策红利持续释放，市场活跃度进一步提升。(综合央视)3、民政部等14部门印发《康复辅助器具产业扩能提质三年行动方案(2026-2028年)》。方案明确三大发展方向：符合条件的治疗性康复辅具将按程序纳入医保支付，多重政策减轻家庭负担；推广辅具共享租赁模式，依托社区网点降低使用成本；大力发展脑机仿生手、康养机器人等智能产品，推动康复辅助器具从能用向智能化升级。(综合央视)4、7月行情过半，A股主要宽基指数集体回调，截至7月16日收盘，上证指数、深证成指、创业板指、科创50指数月内累计跌幅分别为5.18%、10.59%、14.97%、16.35%，成长赛道指数回撤幅度显著高于大盘蓝筹指数。(财联社)5、2026世界人工智能大会暨人工智能全球治理高级别会议将于7月17日至20日在上海举行。(新华社)6、努比亚手机16 日上午宣布，全球首款 AI 智能体手机努比亚 NaviX Ultra 正式亮相。该机搭载豆包手机助手，号称 AI 智能体手机的全新阶段由此开启。同时，该机还获得 2026 世界人工智能大会 SAIL 卓越人工智能引领者奖。(新浪)7、《GEI中国独角兽企业研究报告2026》显示，2025年中国独角兽企业达376家，总估值突破1.4万亿美元，平均估值38.5亿美元。此次报告也描绘了全国376家独角兽的创始人画像：清华大学贡献46位校友创始人，“清华系”独角兽总估值超4000亿美元，月之暗面的杨植麟、智谱AI的张鹏、Momenta的曹旭东、银河通用的王鹤等均出自清华。(21世纪经济报道)8、据韩国媒体报道，7月15日，韩国检方以涉嫌违反韩国《公平交易法》为由，突击搜查澜起科技、日本瑞萨电子和美国Rambus在韩国的办公室，调查三家公司涉嫌半导体零部件价格操纵的行为。(东方财富网)9、7月15日，巴布亚新几内亚政府宣布关闭“驻巴新台北经济办事处”。外交部：中方对此表示高度赞赏。这再次表明坚持一个中国原则是国际社会人心所向、大势所趋。中方愿同巴新方继续在涉及彼此核心利益问题上坚定相互支持，共同推进两国全面战略伙伴关系向前发展。(直新…

转发者评论

无明显转发评论

原文

[CL]《Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents》E H Jiang, Z Zhang, Y Wu, L Li… [University of California Los Angeles] (2026) 在 LLM 智能体领域，如何跨任务积累并调用经验是一个悬而未决的难题。过去的方法受困于静态的硬编码启发式规则（如固定检索 top-k 或单一检索模板），本质原因是忽略了内存操作的高度上下文相关性：任务初期检索会稀释提示词，而陷入僵局时则需要改变检索策略，固定的“一刀切”配置导致了效率与精度的双重流失。本文的核心洞见是：把内存访问重新看作一个马尔可夫决策过程（MDP），并引入轻量级的在线强化学习进行动态控制。由此，MEMCON 这一框架使智能体能像人类一样自主决定“何时检索、检索什么、检索多少”以及“何时遗忘”，通过上下文多臂老虎机（UCB）在不增加额外 LLM 调用成本的前提下，实现了从盲目检索到按需调度的认知跳跃。这项工作真正留下的遗产是证明了“内存管理能力”可以从存储后端中解耦，成为一种可学习的元认知策略。它为后来者打开的新门是通往“插件式”的自适应内存控制层，显著提升了复杂任务成功率并降低了 Token 消耗，但尚未跨过的门槛是如何在极度异构的任务流中实现更深层的跨域知识迁移，以及处理超大规模内存池时的实时调度压力。arxiv.org/abs/2607.13591 #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

• 真正的智能不是让模型变得更重，是让它学会在关键时刻闭嘴。现在大家都在卷记忆容量，搞图数据库、知识图谱、各种花里胡哨的存储结构，像是在给AI装一个越来越大的硬盘。但问题从来不是“能记多少”，是“什么时候该翻笔记本”。MEMCON用一个毫秒级的轻量控制器就能秒杀那些复杂系统，因为它解决的是ti

原文

用 AI 制作一部 4K 电影感动作短片，普通人会踩多少坑？AI 创作博主 ADIL 教你如何用 Higgsfield AI 配合 Claude 5 协同工作，实现惊人的工业级画面控制！很多人觉得 AI 生成视频就是碰运气，其实真正的电影感来自严密的导演思维。比如在角色控制上，如果你的参考图里有多个面孔，AI 在后续做动画时就会抓取偏移，导致主角在几个场景后直接面目全非。正确的做法是在 GPT Image 2.0 中擦除多余面部，只留一张脸进行锁定。场景和道具的逻辑也类似。为了保证多镜头切换时背景不跳变，你必须生成同一房间的反向角度环境参考图，给模型提供房间的蓝图。在拍摄对话戏时，严格遵守 180 度摄影轴线规则，才能保证剪辑节奏的流畅。最妙的还是用 Claude 编写 Seedance 2.0 提示词。不要直接让 AI 帮你写剧本，而是把你的创意丢给它，让它不断向你提问，一步步细化时长、场景和反转，最后通过内置的导演技巧将场景拆分成镜头。这套从剧本、素材库建立到场景生成的完整工作流，让我们看到了 AI 视频创作从随机生成走向精准控制的可能。#AI视频生成##AI创造营##AI电影制作# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

[CL]《GFlowRL: Scaling Distribution-Matching RL to Large Language Models》X Liu, M Xu, J W. Stokes… [Microsoft Research] (2026) 在 LLM 推理强化学习领域，如何避免模型陷入单一解法的“模式崩溃”并保持推理多样性是一个悬而未决的难题。过去的方法（如 FlowRL）尝试引入 GFlowNet 的分布匹配机制，但受困于必须同步训练一个随机初始化的“配分函数”辅助网络。本质原因是该辅助网络在极短的后训练周期内无法跟上数十亿参数预训练模型的更新节奏，导致梯度爆炸和训练崩溃。本文的核心洞见是：把原本需要复杂建模的配分函数重新看作一个可以通过当前 Batch 采样直接估算的统计量。由此，“样本内蒙特卡洛估计”这一关键操作取代了整个辅助神经网络，配合非对称流隙裁剪和重要性采样修正，使算法在保留 GFlowNet 分布匹配优势的同时，获得了与标准 GRPO 相当的工业级稳定性。这项工作真正留下的遗产是证明了“分布匹配”无需复杂的架构冗余即可在超大规模模型上实现。它为后来者打开的新门是首次将 GFlowNet 成功扩展至 235B 参数的混合专家模型（MoE），在数学和编程竞赛（Codeforces 2048 分）中达到了顶级推理水平，但尚未跨过的门槛是该方法在非验证性奖励（如主观对话）及更小采样规模下的方差控制表现。arxiv.org/abs/2607.13394 #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

• 传统强化学习喜欢把所有筹码压在那个得分最高的答案上，短期看起来很爽，长期就是自杀。因为复杂问题从来不是靠一条路走到黑解决的，你需要模型保留“试错”、“绕路”、“换个角度”的能力。GFlowRL 做的事情很简单：不要只盯着“哪个答案分最高”，而是学习“高分答案的分布长什么样”。这个差别看起
• 预训练模型和随机初始化模块一起训练，就像让一个读了十年书的人和一个刚识字的小孩同时做决策。小孩的每一次乱猜都会拉扯整个系统，最后不是小孩变聪明了，是大人被拖累了。所以很多时候模型不收敛，不是你加的东西不够多，是你加的那个“从零开始”的部分本身就是毒药。真正的工程突破往往不是做加法

原文

KIMI发布 Kimi K3：2.8 T参数的 MoE原生多模态模型，7 月27日前放出权重。在 BrowseComp、DeepSearchQA、Automation Bench 等 agentic 指标上，它的评分超过了 Claude Fable 5 和 GPT-5.6 Sol。K3可将文本、图像和视频转化为完全可玩的互动体验：可用来做编码、3D设计、芯片图纸设计、游戏开发及设计、GPU编译器开发等。价格上比fable5便宜3倍，缓存命中率超过90%：1、缓存命中输入 $0.30/百万 token，未命中 $3.00，输出 $15.00（作为对照，Anthropic 公布的 Claude Fable 5 是输入 $10、输出 $50——便宜3倍）2、官方称编码场景缓存命中率超过 90%，上一个超过这个阈值的国产模型据说是glm。技术方面的亮点：～Kimi Delta Attention 可在百万级 token 上下文中实现高达 6.3 倍的更快解码～结合Stable LatentMoE 框架，使得896 个专家里激活 16 个，扩展了MOE的稀疏性～Attention Residuals 在 <2% 额外成本下提供约 25% 更高的训练效率～MXFP4 权重 + MXFP8 激活：从 SFT 阶段就开始量化感知训练，fp4和fp8结合成为常态了～1M 上下文：相比 K2，整体 scaling 效率约提升 2.5×；分离式推理架构～Self-evolving: AttnRes Kernel Optimization方面，节省forward+backward时间，从283.6 ms 降低到 114.4 mskimi在博客里列了三条局限：1、直说"K3 在用户体验上，与 Claude Fable 5 和 GPT-5.6 Sol 仍有明显差距"——一个刚发完跑分的厂商主动承认体验不如对手，国产模型也越来越坦诚也更自信了；2、对 thinking history 敏感：如果你的 agent harness 没把完整的历史思维内容按要求传回去，生成质量会变得高度不稳定——这条对准备接入的人是硬提醒；3、过度主动：遇到小问题或用户意图模糊时，它可能替你做出你没让它做的决定。在哪用： Kimi网页、Kimi Work（桌面，Windows 和 Apple Silicon Mac）、Kimi Code（终端）、Kimi API 平台、移动端（iOS / Android / 鸿蒙）。默认走最大思考强度，低/高档位后续更新再放。#KimiK3##月之暗面##开源模型##MoE# AIGCLINK的微博视频

转发者评论

无明显转发评论

原文

[LG]《Generative Compilation: On-the-Fly Compiler Feedback as AI Generates Code》N Mündler-Sasahara, H Venev, D Song, M Vechev… [ETH Zurich & INSAIT and Sofia University & UC Berkeley] (2026) 在 AI 代码生成领域，确保代码符合 Rust 等严苛语言的静态语义是一个悬而未决的难题。过去的方法要么受困于“后验反馈”的滞后性（写完才报错，导致错误累积），要么受困于“约束解码”的实现成本（需重写编译器逻辑且不支持黑盒模型），本质原因是现有编译器无法直接理解和检查不完整的代码片段。本文的核心洞见是：通过一种轻量级的“封闭器”（Sealor）机制，将生成中的部分代码重新看作可编译的完整程序。由此，通过自动补全缺失语法、插入类型占位符（如 holeval()）等关键操作，使标准编译器能够在生成过程中实时诊断部分程序的合法性。这种方法既保留了真实编译器的严谨性，又无需访问模型内部参数，实现了对黑盒模型的即时纠错。这项工作真正留下的遗产是证明了“语法引导的转化”足以让成熟编译器成为 AI 生成过程中的一等公民。它为后来者打开的新门是构建低延迟、高精度的实时学术辅助编程系统，显著降低了复杂语言的生成错误率；但尚未跨过的门槛是如何在不损失性能的前提下，将更深层的语义意图（而非仅是类型正确性）纳入这种实时反馈循环中。arxiv.org/abs/2607.13921 #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

• 所有人都在卷“怎么让AI更强”，但这篇论文做的事情本质上是“怎么让AI更早知道自己错了”。这个区别太重要了。你想想，一个人写代码写错了第10行，如果没人拦他，他会基于那个错误继续搭建100行的空中楼阁，而且搭得越久，他越相信自己是对的。LLM也一样，它没有“回头看”的本能，它的自信是逐token

原文

我的推特时间线上已经全是 Kimi K3 了估计 Anthropic 达里奥又要气疯了，可能今天晚上又得发一篇博客来强调开源模型的危害了之前很多海外的人，一提到中国模型的进步，就说是在蒸馏美国模型。但是现在 Kimi K3 在Frontend Code Are排行榜上排第一，下面很多评论特别搞笑：“中国人一定是造了个时间机器，从明年得美国模型蒸馏的 K3。”

转发者评论

无明显转发评论

• 买得晚的，新版就出来了。。。[doge]//@摇摆时间线ZHLMI:该买套餐的赶紧买起来，不然后面可能就买不到了[笑而不语]
• 厉害了 //@散修ZKH:小扎和马斯克最桑心，就开心了几天…
• 小扎和马斯克最桑心，就开心了几天…

原文

【三十篇奠基论文被纯手工实现：在 Agent 时代，我们为什么还要死磕底层代码】开源项目 Sutskever 30 实现了对 Ilya 推荐的 30 篇 AI 奠基论文的 100% 纯 NumPy 代码复现。该项目不依赖 PyTorch 等主流框架，从零构建了 Transformer、RAG 等核心架构，配有 Jupyter Notebook，供开发者交互式调试。有网友认为，如今利用 Code Agent 一晚就能生成这些代码，手工实现已无意义。然而，生成代码与理解逻辑是两回事。这个项目的价值并非造轮子，而是提供了一个直观的数学与逻辑训练场。在工具门槛骤降的时代，选择调包和一键生成，还是通过拆解底层代码来建立技术直觉，将拉开开发者之间的真正差距。 github.com/pageman/sutskever-30-implementations #人工智能##AI创造营##开源项目##大语言模型#

转发者评论

无明显转发评论

原文

#模型时代# 哈萨比斯对话英国AI Review主席：教育系统完全没跟上AI的节奏，后AGI时代需要人文学科的复兴2026年7月15日，伦敦信息技术同业公会（WCIT）年度讲座上线。两位嘉宾：Google DeepMind联合创始人兼CEO德米斯·哈萨比斯，2024年诺贝尔化学奖得主，旗下AI制药公司Isomorphic Labs在2026年5月刚完成21亿美元B轮融资，目标在2026年底前将AI设计的药物推入人体临床试验。Dame Wendy Hall，南安普顿大学计算机科学Regius教授，Web Science Trust联合创始人，2017年英国政府AI Review联合主席，刚被任命为英国科学协会2026-27年度主席。两人同为WCIT新晋成员。对话开场，主持人直奔一个尖锐的问题：Hall的那份2017年AI Review发布快十年了，英国的AI技能战略现在什么样？Hall的回答有点惨。她说，英国当年在AI战略上排全球第三（仅次于美中），新加坡照搬了英国的模板，然后做得更好，现在已经反超。更糟的是，英国的AI技能负责人这个职位已经没了，AI委员会也撤了，没有任何独立机构在监督政府AI部门那400号人在做什么。一、AI教育：翻转课堂与个性化学习1、哈萨比斯倡导“翻转课堂”：蒙特梭利+牛津式辅导，再加AI“翻转课堂”（flipped classroom）是2007年由美国科罗拉多州两位高中化学教师Jonathan Bergmann和Aaron Sams提出并推广的教育理念，核心是把课堂功能对调：课上做项目和讨论，课外完成知识学习。哈萨比斯倡导将这个模式全面推行到中小学，再加一层AI个性化辅导接管课外练习。他观察到一个现实：学生们已经在用LLM和聊天机器人了，无论是课余时间还是做作业，只不过用法“很不系统”。政府和教育系统的态度像是“希望这件事自动消失”，但它不会。在他的构想中，课堂时间用来做项目、培养人际技能、锻炼创业思维、创造力和判断力，这些是5到10年后AGI到来时仍然需要人类的能力。他的具体参照是“蒙特梭利学校的升级版”，再加上牛津剑桥那种一对一个别辅导的模式引入中小学课堂。这个构想的核心逻辑是：传统课堂上一个老师教30个学生同一套内容，只能照顾中间水平，跟不上的和超前的学生两头吃亏。AI可以为每个学生定制进度和内容。与此同时，课堂上的教学可以由少数出色的“明星教师”录制标准课程，而不再让每个学校的每个老师各自从零开始做GCSE数学课件。2、Hall的补充：个性化学习不能只靠“回家做”Hall基本认同哈萨比斯的方向，但指出一个现实约束：不是所有孩子都有条件在家使用AI学习，教育公平是个硬门槛。她的表述更审慎：个性化学习可以在学校里完成，不一定非要带回家。Hall自己在1984年就写过一段AI代码，在BBC Micro上用Prolog语言构建了一…

转发者评论

无明显转发评论

• //@-马小虎-:昨天刚好在学校附近，就顺便去吃个饭，看到的景象以为还是在上世纪90年代[允悲]学校、甚至整个教育系统也是K型的结构化分化，有的部门在引领时代的发展，但是更多的部门停留在二三十年甚至四五十年以前。好在我们学校计算机系还是比较不错的，前两天还有人推荐了我们学校老师的团队，我也
• 厉害了//@嚼物理的小锺:很巧的是，我应该是国内做翻转课堂最早的一批人了。所以关于那部分我想了一下，其实从技术的角度，实现教育公平真的很简单。但所有这些预设里有个理想化的前提：只要没有干扰（大家以为的那些），只要能实现 A 和 B 学的东西是一样的，A 和 B 学习的成果就是一样的。结果显然不
• //@嚼物理的小锺:很巧的是，我应该是国内做翻转课堂最早的一批人了。所以关于那部分我想了一下，其实从技术的角度，实现教育公平真的很简单。但所有这些预设里有个理想化的前提：只要没有干扰（大家以为的那些），只要能实现 A 和 B 学的东西是一样的，A 和 B 学习的成果就是一样的。结果显然不是这样

原文

我测试了 Kimi K3 vs Claude Opus 4.8相同的提示，一个带照明、道具和细节的军械库。顶部是 Kimi K3，底部是 Opus 4.8。差距太大了。Kimi K3 构建了一个完整的场景，带有纹理、正确的照明、弹药箱、武器架，到处都是精细的工作细节。Opus 4.8 给我一个几乎空荡荡的房间，只有几张漂浮的桌子。毫无疑问，它完胜 Opus 4.8。Kimi K3 达到了 Fable 5 的水平，而且在 3D 和游戏方面明显优于 GPT-5.6 Sol。一个开源权重模型竟然匹配了市场上最好的闭源模型。好好想想这个事实。

转发者评论

无明显转发评论

原文

#2026世界人工智能大会太火了# 8万块积木，15个小时！一座长3.5米、宽1.5米、最高点1.1米的长城模型，要在15个小时内，从第一块积木开始垒起。接下这个活儿的，没有一位人类。上阵的只有6台机器人：4台桌面机器人，2台人形轮式机器人。没有人在背后遥控，没有预先写死的脚本，从抓起第一块积木到垒上最后一块城砖，全程自主。而要求是，81,920块微型积木要严丝合缝地咬合，烽火台、垛口、蜿蜒起伏的城墙，一块都不能错位。即便是拼错了，它也会自己纠正，让整个过程完成一个闭环。这是2026世界人工智能大会（WAIC）上，由原力灵机发起的一场「全球首创」级挑战，正在展台上真实上演。这几个硅基，能在规定时间内完成任务吗？8万块积木一场没有剧本的公开考试一座积木长城，听起来像个行为艺术。但如果你把它拆开看，会发现这场挑战，精确地踩在了具身智能最难的三根钉子上。每一根，都是机器人从实验室走进车间时会被绊倒的地方。0.3毫米，亚毫米级精细操作积木咬合是亚毫米级的活儿，机器人必须在0.1–1毫米的尺度里完成精准、稳定、可控的动作。这个数字有多苛刻？人手在完全放松状态下的自然抖动，大约是0.3到1毫米。也就是说，机器人被要求做到的稳定度，已经在逼近甚至超出人类手部的生理极限。这背后要求高精度感知、精密驱动、自主执行三者同时在线——「稳、准、微」，缺一样都拼不上去。六台机器人，没有总指挥再看阵容。6台机器人、两种完全不同的本体形态，要在同一个物理空间里各干各的、又不能撞在一起。关键在于，这里没有一个中央调度台在发号施令。每台机器人自己感知、自己决策、自己执行，靠彼此之间的通信协商和动态分工把活儿分掉——小件精拼与大件组装、搬运，各归其位。多Agent协同这个词在论文里出现了无数次，真正落到物理世界、落到六台异构机型同时开工的场面，是另一回事。而这一次，它们要在物理世界里，连续协同整整15个小时。15小时，长程稳定作业最后的关键一步，是时长。8万多块零件，15小时不间断，每一块积木都需要被稳稳按进它该在的位置。这三件事叠在一起，本质上都在问同一个问题：一个具身模型，能不能从「演示品」变成「工时」。此外，参与这场挑战的是原力灵机Dexmal Apex，一款「具身原生」的通用机器人。通过底层硬件与具身大模型深度融合，Apex具备长效稳定作业、多场景泛化、精细化操作、安全人机共生四大优势。硬件是躯体，真正决定这场挑战成败的，是那颗共享的大脑。

转发者评论

无明显转发评论

原文

[LG]《TRACE: Turn-level Reward Assignment via Credit Estimation for Long-Horizon Agents》L Tao, B Peng, W Yao, T Ge… [University of Wisconsin–Madison & Microsoft Research] (2026) 在长程智能体领域，多步工具调用的信用分配是一个悬而未决的难题。过去的方法受困于稀疏且高方差的终局奖励，本质原因是单一的胜负反馈无法识别冗余动作或关键进展，导致模型难以从包含部分正确操作的失败轨迹中学习。本文的核心洞见是：把工具交互后的状态演进重新看作对目标答案“预测确定性”的增量贡献。由此，利用冻结参考模型计算金标答案的对数比率变化，并将其转化为时序差分奖励这一关键操作使问题得以解开，实现了无需人工标注的密集监督。这项工作真正留下的遗产是证明了仅靠终局验证锚定的内部反馈，即可驱动基础模型涌现复杂的长程搜索策略。它为后来者打开的新门是纯强化学习下的智能体自我进化，但尚未跨过的门槛是处理输出结果高度开放或非结构化任务的价值评估。arxiv.org/abs/2607.13988 #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

• 当工具使用可以被量化成“距离答案还有多远”，强化学习就不再需要人类演示每一步怎么走了。过去我们以为必须先喂几千条“正确调用序列”，模型才知道工具长什么样，但其实只要让它知道“这一步让我离目标近了还是远了”，它自己就能试出最短路径。这像是把GPS从“跟着我的轨迹走”改成了“告诉你还剩

原文

【#BOSS直聘暑期严打涉黄招聘#】“养猫岗”只招女性还问长相，“秘书岗”不谈要求却反复强调老板23岁，面试时竟遇招聘者提出“看手相”……BOSS直聘7月16日发布专项公告，公布近期治理招聘性骚扰及涉黄职位的进展。数据显示，6月1日至7月15日，平台累计冻结违规账号2.5万个，其中超95%由AI风控系统主动识别拦截。平台提醒求职者：暑期求职尽量在站内沟通，若对方要求转至第三方软件或提出与工作无关的要求，务必警惕并及时举报。光明网评论称，治理招聘性骚扰，不能只靠平台封号，关键还需企业管好“招人的人”，让招聘只谈工作本身。#BOSS直聘提示警惕招聘咸猪手# 新浪资讯台的微博视频

转发者评论

无明显转发评论

原文

【兴证通信】AI日报20260716⭕AI行业新闻：✨ 7 月 16 日消息，台积电第二季度营收 12703.8 亿元新台币，同比增长 36%；净利润 7065.6 亿元，同比增长 77.4%。公司将 2026 年资本支出上调至 600 亿—640 亿美元，HPC 占季度营收 66%，美国新增投资将建设 4 座先进制造或封装设施。（来源：IT之家）✨ 7 月 16 日消息，英伟达与日本政经界及 Noetra 推出国家级人工智能基础设施，规划建设 140MW 物理 AI 工厂，部署 13750 块 Vera CPU 和 27500 块 Rubin GPU，采用 Spectrum-X 互连，面向 T 级模型训练和物理 AI 开发（来源：IT之家）✨ 7 月 16 日消息，由前 OpenAI 首席技术官米拉 · 穆拉蒂（Mira Murati）创立的思维机器实验室（Thinking Machines Lab）最新推出 Inkling 多模态 AI 模型，被认为是美国最强的开源模型。Inkling 采用混合专家（MoE）架构，总参数 975B、激活参数 41B，最长上下文 1M tokens。（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/张新伟

转发者评论

无明显转发评论

原文

【把LLM塞进Linux文件系统：重塑Agent框架的复古尝试】开发者Arda Tasci推出了开源Agent运行环境Ambiance。该项目借用Unix哲学，将LLM的运作映射到Linux文件系统结构中：Agent是用户，外部数据是驱动，工具是二进制文件，所有交互都是纯文本文件。它试图通过LLM对Linux系统的先天熟悉，来降低Token消耗并提升系统的可预测性。社区对这种拟物化设计的讨论很激烈。赞成者认为，比起复杂的Agent框架，用确定性的传统代码写死主调逻辑、仅在边界分支调用LLM，能极大压低成本和出错率；反对者则指出，LLM在底层处理的是Token和向量而非字节流，强行套用Unix结构只是向人类理解力的妥协。但双方的共识非常明确：告别“只写Prompt”的幻想，用硬编码的确定性逻辑去约束LLM的随机性，才是当下Agent落地的现实路径。eardatasci.github.io/c/ambiance/index.html #人工智能##AI创造营##Agent##软件开发#

转发者评论

无明显转发评论

原文

【用古董算法给AI验身：一场终将被语言同化的猫鼠游戏】开发者利用2022年前的网文与AI生成文本训练了一个传统的SVM分类器，仅凭TF-IDF特征就在句子层面达到了85%的检测准确率。该工具在测试某创作平台热门标签时，发现超过30%的网文疑似由AI生成。目前该项目已开源，并在前端实现了无需服务器的浏览器本地检测。这种检测之所以有效，是因为商业模型在对齐微调时留下了特定的统计分布特征。但争议也随之而来：低容错率极易误伤那些文风严谨或非母语的创作者。随着时间推移，这种对抗将陷入两难：要么AI通过对抗训练彻底抹除特征，要么人类在长期阅读AI文本后发生语言退化，主动迎合机器的文风。比起单纯的统计分类，记录创作痕迹的编辑历史或许是更可靠的证明。 blog.lyc8503.net/en/post/llm-classifier/ #人工智能##AI创造营##大语言模型##技术思考#

转发者评论

无明显转发评论

原文

校招，暑期，春招，大厂，offer，简历，实习，项目，技术，八股，算法，开发，产出，补招，内推，笔试，面试，一面，二面，三面，HR面，群面，手撕，代码，笔试，刷题，薪资，总包，底薪，绩效，年终，落户，房补，餐补，转正，留用，轮岗，定岗，定岗，定级，学历，院校，绩点，竞赛，科研，开源，博客，GitHub，后端，前端，客户端，运维，测开，社招，跳槽，背调，三方，解约，面经，题库，复盘，上岸，躺平

转发者评论

想到之前刷到，珍惜身边口头时不时蹦出几个AI时代名词的人[笑cry]//@recky_yy:哈哈哈原帖一套找工作焦虑和右边这一段AI焦虑可以的😂 //@天秋颜聿Mysica:三星、海力士、ChatGPT、编程、 Agent、Codex、ClaudeCode、 CUDA、GPU、 H100、B200、台积电、ASML、NVIDIA、黄仁勋、OpenAI、 Anthropic, Gemin

• 想到之前刷到，珍惜身边口头时不时蹦出几个AI时代名词的人[笑cry]//@recky_yy:哈哈哈原帖一套找工作焦虑和右边这一段AI焦虑可以的😂 //@天秋颜聿Mysica:三星、海力士、ChatGPT、编程、 Agent、Codex、ClaudeCode、 CUDA、GPU、 H100、B200、台积电、ASML、NVIDIA、黄仁勋、OpenAI、 Anthropic, Gemin

原文

技术博客： llama.cpp 是如何在日常硬件上运行大语言模型的？地址：outcomeschool.com/blog/how-does-llama-cpp-run-llms-on-everyday-hardware“在这篇博客中，我们将学习 llama.cpp 是如何在日常硬件上运行大语言模型的。我们也会了解什么是 llama.cpp、它为什么被创建、它如何通过量化缩小大型模型、如何快速加载模型，以及如何在 CPU 和 GPU 之间分配工作。本文将覆盖以下内容：----什么是 llama.cpp----为什么我们需要 llama.cpp----快速回顾什么是 LLM----真正的问题：模型太大，放不下----第一个重要思路：量化----理解像 Q4_K_M 这样的命名----GGUF 文件：把所有东西打包进一个盒子----内存映射：更聪明地加载模型----从 CPU 中榨出速度----与 GPU 分担工作----运行一个 prompt 的完整过程----llama.cpp 被用在哪里”

转发者评论

无明显转发评论

• 这些东西都在我的脑子、我（和AI）的代码里，但是我向来懒得写教程类的文字，现在有了大模型，我只需要提问题，大模型读完整个代码库，有问必答。所以这里存在一个悖论，懂了才能提出问题，越懂越懂；不懂的人连问题都提不出来，越不懂越不懂。0乘以任何数都是0，所以不能当0，总要有个冷启动的过程。

原文

今天的#60秒芯闻# ，这是我们的一个金牌栏目，网友评论这是半导体里的”参考消息“！每日精选半导体业界新闻，点击链接可以查看详细内容！#张国斌的芯思考##张国斌的芯发布# 1 2.8万亿！全球最大、最强的开源模型来了2 2650亿美元投资+2nm工艺转移 台积电被吐槽真的变美积电了3 Quantinuum、Rolls-Royce、Riverlane与爱丁堡大学签署协议，探索量子计算在工业设计与仿真领域的应用4 罗彻斯特电子携手Qorvo®保障射频元器件长期稳定供应5 紫光展锐完成 Android 17 同步升级，持续提升终端系统体验6 高危现场，机器人先行：灵掌机器人加入无锡公安"智甲战队"7 罗克韦尔自动化行业报告显示：93% 的制造商已部署 MES 制造执行系统，但仅 23% 实现全面集成8 SABIC推出新型LNP™ THERMOCOMP™ OFM改性料，适用于高压电源模块9 重磅新品｜合顺传感4系NDIR型红外乙醇传感器 HH09-J2S4正式发布10 东芝扩展四通道标准数字隔离器产品线，助力降低工业设备功耗11 Vishay推出兼顾超小体积、高可靠性和高性能的新款1.5 kV 车规级和商用版 IHDV 电感器12 旭化成微电子开始量产可实现无摄像头非接触式看护的毫米波雷达模块AK5816AIM13 电科思仪4458系列数字示波器全新升级，带宽提升至16GHz，采样率提升至50GSa/s14 攻克行业检测痛点！合顺传感红外乙醇传感器 HH09-J2S4正式发布！15 美镓传感发布氮化镓集成式电流传感器系列，开启高性能电流检测新篇章16 致远仪器正式发布ZUS7000系列高精度智能型示波器，1GHz带宽、12bit ADC、5GSa/s采样率17 告别单核瓶颈！FU7512/FU7562 双核芯片重新定义变频设备控制逻辑18 意瑞半导体CHI616 可编程线性霍尔传感器全新发布19 安勤科技推出新一代APC-2146与APC-2346工业级平板计算机，全面升级AI 边缘运算效能，加速智慧零售、医疗与工业自动化应用20 超小超薄+纳安级低功耗！艾为AW3511x负载开关解锁便携终端电源轻薄续航新方案网页链接

转发者评论

无明显转发评论

原文

所谓的老北京习惯，实际上是满人习惯。其原因在于，奴才对主子只说“您”，不说“你”。主子向奴才学习语言的过程中，只听到“您”，听不到“你”，于是认为对任何人都应称“您”。//@幻想狂劉先生:某些汉语发言中“你”发生退位，使尊称“您”变成一般性普遍称呼这个过程。非常类似于英语演变过程中“Thou（你）”退位，使“you(您、你们）”变成一般性普遍称呼的过程。都是因为外来征服者征服了原有的母语者，破坏了其原有的社会结构和等级秩序，使母语者原本语言中表达单数上级的词变成了普遍称呼（因为对母语者来说所有的征服者都是单数上级）。然后征服者在向母语者学习其语言的过程中，又习得了这一语言习惯，最终使得整个语言发生了变化。当然了，对英语来说这里面还有法语的强烈影响，这一点和汉语不同。

转发者评论

e caduc稍微复杂点，最简单的区分法语发音“档次”的可以看Je suis（我是）的发音，Gemini如是说： http://t.cn/AXKEliLF //@蘸盐:右边一湖北 IP就别教人北京话知识了。旧北京话里，省读连字吞音严重的恰恰是外城（汉人）土音。内城（满城）口音语速慢，咬字清楚。这个跟英法情况一样的。英语的RP口音

• e caduc稍微复杂点，最简单的区分法语发音“档次”的可以看Je suis（我是）的发音，Gemini如是说： http://t.cn/AXKEliLF //@蘸盐:右边一湖北 IP就别教人北京话知识了。旧北京话里，省读连字吞音严重的恰恰是外城（汉人）土音。内城（满城）口音语速慢，咬字清楚。这个跟英法情况一样的。英语的RP口音

原文

一些模型常见的会犯错的问题， kimi3 只有一个没过，5.（指令遵循）用恰好 50 个汉字（不含标点）概括人工智能的发展。把这段话放进"最终答案"列。它理解为 50 个汉字而且没有标点。。。当然，Gemini3.5 也是这么理解的。而GPT-5.6 Luna 的回答显然更“人”一点，还是有标点，但是汉字总数是 50 个字。

转发者评论

无明显转发评论

• 回复@momo_2O26:你和 Claude fable 5 说你要一套简短的问题全面考察其他模型的基本能力啊。。。//@momo_2O26:这是哪里的标准？还是楠总自己总结的？

原文

【来微博！ 直击#WAIC2026# 】智汇四海，AI享全球。2026世界人工智能大会暨人工智能全球治理高级别会议将于7月17日至20日在上海启幕。汇聚1400余位中外嘉宾、1100余家企业，超300款AI产品将全球首发。@微博AI 带你直击大会现场，共迎智创未来时刻。📅 大会时间：2026年7月17日-7月20日📍 大会地点：世博会场：上海世博中心 & 世博展览馆张江会场：张江科学会堂西岸会场：西岸国际会展中心🎯 大会亮点1. 官方议程：官方议程、重点论坛、嘉宾金句，第一时间掌握大会核心动态2. 现场探展：探展图文视频，沉浸体验现场氛围3. 亮点速览：企业新品、技术Demo、展台亮点，一站尽览4. 观点热议：大V观点、高管对谈、行业洞察，深度解读AI前沿趋势📺 大会全程直播大会主论坛、各分论坛及特色活动将全程直播，多位科技大V实时分享现场观察，详细直播日程请见配图🎙️ 微博特邀摄会团数十位特邀科技大V齐聚盛会，实时分享前沿洞察与核心观点，深度解锁#WAIC2026#高光时刻带话题 #WAIC2026# 参与讨论，持续锁定大会直播，解码最新前沿资讯。

转发者评论

来微博！ 直击#WAIC2026#

• 来微博！ 直击#WAIC2026#

原文

【AI绘画每日一词】掌心迷你自己自拍玩到审美疲劳？换个高反差玩法试试：正常大小的你，掌心却站着一个和你一模一样的迷你自己。真实比例 + 微缩分身 + 掌心互动，一眼就带故事感。 核心提示词（直接复制 + 替换【】即可）：基于我上传的人物参考照片，生成一张“掌心迷你自己”主题的电影感人物照片。【人物锁定】严格保留参考人物的脸型、五官、发型、肤色、年龄特征和身体比例。正常人物与迷你人物必须是同一个人，禁止生成新角色。【人物设定】服装：【白色连帽衫 / 黑色西装 / 牛仔外套 等】人物气质：【温柔 / 酷感 / 松弛 / 神秘】人物表情：【微微低头微笑 / 惊讶 / 温柔注视】【互动动作】正常大小的人物自然伸出右手，手掌摊开。掌心中央站着一个与人物完全一致的迷你版本。正常人物微微低头看向迷你自己，形成自然眼神交流。迷你人物动作：【向我挥手 / 吹出爱心 / 举着相机拍照 / 坐在掌心看书 / 抱着小电脑工作】迷你人物双脚稳稳站在掌心，有自然接触阴影，不悬浮、不穿模。【场景设定】背景：【温馨卧室 / 赛博城市夜景 / 书房 / 海边 / 办公室】点缀元素：【微型小花 / 霓虹光粒 / 小行李箱 / 咖啡杯】整体氛围：【电影感 / 温暖治愈 / 梦幻 / 未来科技感】【画面风格】真实摄影质感 + 精致微缩角色结合。手部和皮肤真实光影，迷你人物清晰完整。使用85mm人像镜头，浅景深，柔和主光+轻微轮廓光。竖版9:16构图，电影级调色，高细节，真实光影。禁止：人物身份不一致、手指畸形、迷你人物悬浮、穿模、比例失控为什么这个玩法特别戳人？身份必须完全一致：脸、发型、衣服、气质都要一样，才会产生“我在看另一个自己”的奇妙感。互动比姿势更重要：让迷你自己挥手、拍照、吹爱心、看书，画面立刻有了故事。比例+阴影决定真实感：强调双脚接触掌心 + 自然阴影，才不像后期贴图。延伸玩法（直接换场景+动作）治愈系：暖色卧室 + 迷你自己坐在掌心喝咖啡 办公室摸鱼：迷你自己抱着键盘准备逃跑 旅行打卡：掌心站在埃菲尔铁塔/富士山前 微缩花园：手掌变成小花园，迷你自己在浇花 一句话总结：掌心迷你自己不是单纯把人缩小，而是让真实的你和微缩版的你发生一场现实中不可能存在的互动。生成完记得把图发评论区！想看你的迷你分身在掌心干嘛～ #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

【手写一个网页按钮，到底有多少隐形代价】写个按钮能有多难？答案是近500行 JS 代码。最近一篇技术博文展示了完全复刻原生 Button 的焦点控制、键盘激活和表单关联有多繁琐。然而网友的讨论指出了现实的尴尬：原生 HTML 组件在无障碍体验上底子好，但面对现代复杂交互时功能缺位，迫使开发团队只能硬着头皮手写。这背后是开发效率、设计自由与规范的博弈。有趣的是，AI 的加入让争论走向了新维度。有人认为 LLM 能一键修复所有无障碍缺陷，甚至未来的 AI 代理能直接帮用户做适配，让代码合规失去意义；但也必须警惕，正因为 AI 也是吃着网上大量不规范代码长大的，自动生成的组件可能带来更隐蔽的可用性灾难。madcampos.dev/blog/2026/07/accessibility-from-scratch/ #人工智能##AI创造营##前端开发##Web开发#

转发者评论

无明显转发评论

原文

【德国发布30B开源大模型Soofi S：数据配方的胜利，还是落后版本的防御？】德国政府出资两千万欧元研发的30B大模型Soofi S引发争议。该模型不仅开源权重，还公开了训练数据审计与评估代码。但多位开发者指出，该模型目前尚未进行指令微调，评测图表对比的是已过时的Qwen和Gemma版本，且漏掉了最新的DeepSeek等模型，实际性能尚未达到全球顶尖水平。这背后折射出两种开源路线的冲突。中美大厂主要拼算力和模型能力，通常只提供模型权重；欧洲则试图通过公开数据源和超参数，树立真开源（Fully Open）的合规标杆。尽管Soofi S在实用性上仍有差距，但它是欧洲争取AI主权、对抗外部技术依赖的尝试。关注它的价值，不在于当下的跑分，而在于它为行业提供了一个可复制的安全样本。x.com/NXT4EU/status/2077343621011935648 #人工智能##AI创造营##开源大模型##Soofi##欧洲AI#

转发者评论

无明显转发评论

原文

根据前面说的，我感觉传统冯诺伊曼结构在离线AI上直接就垮掉了啊。考虑这样一个结构：NPU，SRAM第一层，可能几十上百兆吧，SiP内存第二层，这个有64G-128G就可以了，只读的MaskROM DDR5 2T起步第三层。这个架构不算是很贵的，至少不离谱。TB级DDR5 MaskROM没几个钱。SiP内存离线跑KV Cache只服务个人用户很少的会话数量足够了。全套几万块就可以了。Deepseek或者千问或者豆包直接就可以出这种设备，然后模型用内存条的形式分发，一套几千块就可以了，连着商业模式也有了。卧槽。

转发者评论

无明显转发评论

• 真正的瓶颈还是带宽。AI计算机不再以CPU为中心，而是以"模型存储"为中心。//@猫叉酱_依绫美学研究:现在推理集群再搞AF分离。Attention还用GPU+HBM跑就行，FFN完全可以用ASIC堆叠ROM跑，把老黄和海力士的蛋糕割一大块下来

原文

最近研究了一套 AI 工作流，可以用 zcode 这类 Agent 工具，自动制作 30 到 60 秒的竖屏荐书视频。整个流程只需要准备一段提示词和一个素材文件夹，剩下的写文案、配音、分镜、合成全部由 Agent 自动完成。学会之后可以批量产出，发到小红书、抖音做读书号，靠卖书变现。我是在智谱的 zcode 上研究的，因为它在国内可以直接使用。Codex、Claude Code 、WorkBuddy 等 Agent 的操作方式完全一样，界面也几乎没有区别，装好同样的 Skill、放入同样的提示词和素材即可。具体请看这篇文章：网页链接#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

大多数人觉得 Codex 不够聪明。其实工具本身没问题，问题出在用法上。高强度用了几个月之后，我总结了7个方法，每一个都是踩坑踩出来的。一、写一份 AGENTS.md把你的技术栈、UI 风格、文件结构、命名规范全都写进去。以后每个项目 Codex 都按你的习惯来工作，不用每次重新解释一遍。这一步看着不起眼，但省下来的沟通成本特别大。你想想，每次开一个新项目都要跟它说一遍“我用 React，样式用 Tailwind，组件放 src 下面”，时间全浪费在重复劳动上了。写一份 AGENTS.md，一劳永逸。二、大任务拆成小任务别说“帮我做一个完整项目”这种话。先做首页，再做详情页，再接接口。一步一步走，每一步的质量都高很多。Codex 不是不能一口气干完，而是一口气干完的东西，细节上容易糊弄。你把它拆开了，每一步都能专注做好，最后拼起来效果就完全不一样。就跟盖房子一样，你不会让工人一次性把地基、墙体、屋顶全同时搞，肯定是一层一层来。三、建自己的 Skill把重复的事情做成固定流程。比如 PRD 生成、Landing Page 搭建、UI Review，这些你经常做的事，每一个都做成一个 Skill。以后一句话就能调用，省掉大量重复沟通。这个方法的精髓在于，你把经验沉淀下来了。第一次做的时候花点时间调好，后面每次用都是现成的。相当于给自己攒了一套工具箱，需要什么拿什么，不用每次从头造轮子。四、接上 MCP让 Codex 不只写代码，直接连上 GitHub、Figma、Supabase、Obsidian 这些工具。它才能真正参与你的工作流。只写代码的 Codex 跟一个高级打字机差不多，但接上 MCP 之后，它能去 GitHub 上看你的仓库，能去 Figma 上读你的设计稿，能直接操作你的数据库。这一步打通之后，它就从“帮你写代码的工具”变成了“跟你一起干活的搭档”，完全不同的体验。五、每次让它自查在每次任务的结尾加一句：“写完后自行检查 Bug、优化代码、检查响应式，告诉我还能优化什么。”很多低级问题会被它自己提前发现。人写代码都会犯低级错误，AI 也一样。但你让它自查一遍，它还真就能揪出不少问题来。这个习惯成本极低，就是多打一句话的事，但收益很可观。你花十秒钟加一句话，可能省下半个小时的调试时间。六、一次生成三个版本比如让它在同一时间给你出三个方案：A 极简版，B 商业版，C Apple 风格。然后你从里面选最好的。这个办法比只生成一次的效果好得多。原因很简单，一次生成你拿到的是一条路走到底的结果，好不好全看运气。生成三个版本，你有了比较和选择的空间，可以从不同方向里挑最合适的，再基于它继续打磨。花的时间多不了多少，但最终质量差一大截。七、建一个模板库把你做项目的流程固定下来：想法到 PRD 到 UI 到 HTML 到测试到上线。每一步都沉淀成模板，下次直接复…

转发者评论

无明显转发评论

原文

【月耗万刀Token，程序员为何深陷“边骂边用”的割裂？】开发者 Jeremy Theocharis 透露自己月度 API 账单高达近万美金，但他高度认同 AI 批评者：LLM 正在制造代码垃圾、导致技能萎缩。这种割裂非常普遍，很多开源维护者自己高频使用 Claude，却写脚本自动关闭社区投递的 AI 生成 PR。这反映出 LLM 只是个人能力的放大器。有框架的人用它挑战思维，缺乏判断力的人则加速产出平庸的垃圾。数据表明，个体研发效率的提升并未等比例转化为团队产出，部分开发者只是用 AI 省下的时间做副业。当代码生成变得极度廉价，行业原有的信任机制开始瓦解。如果程序员习惯于只做代码审查者，未来或许会丧失对底层逻辑的感知力。 www.theocharis.dev/blog/llm-critics-are-right-i-use-llms-anyway/ #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

电子书《Go精要：并发编程》在线阅读：antonz.org/go-concurrency/一本在线阅读免费，下载要收费的go语言教程。人工编写，没有AI。“许多Go语言的并发编程书籍和教程都是这样：教你goroutine，教你channel，教你select——然后让你自己摸索使用。还有一些只是扔给你一堆并发模式，却不真正解释它们。这样做并不太有帮助：并发编程中最重要的不是纯粹的知识，而是理解并发原语并将其应用的能力。这就是为什么我创建了一本互动式书籍，通过实际练习从零开始教授Go语言的并发编程。这些练习简单到可以用一页代码解决，同时又紧密贴合真实场景。本书面向已经熟悉Go语言的程序员，涵盖从语言基础到接口和错误处理的知识。你不需要预先了解goroutine和channel——我们将从零开始讲解并发工具。由于本书面向经验丰富的程序员，我选择了自己偏好的呈现风格：简洁、专注，并配有难度适中的练习。或许你也会喜欢这种风格。并发编程是一个棘手的领域，但我清晰地解释了复杂的概念，使其更容易理解。书中包含大量示例，没有枯燥的理论。书中有数十个直接运行在浏览器中的互动练习。每个问题都配有自动测试套件，能提供即时反馈，并附有带解释的参考解决方案。本书没有任何AI生成或抄袭的内容。这是一本100%原创的书籍。”

转发者评论

无明显转发评论

原文

我来给京东方和深天马提一个股价乘100的好主意：用tft工艺做maskrom。----内存的主流die size是7x7mm，线宽20nm，当前tft主流线宽是2微米，是20nm的一百倍，意味着平面器件面积是1万倍。当然这个就太大了。单片内存被放大到对角线40寸的正方形电视屏幕水平。但是有以下几点：第一，2微米是因为目前的tft面板开口率可以了，没有继续做小的动力，不是做不到更小。削微努努力下探一个数量级是很容易的。如果不是40寸而是4寸，以tft的单位面积成本考虑，这把半导体工艺按在地上摩擦。第二，tft面板的缺陷率当然是远超cmos工艺的，但是，我们的目标并不是做dram，而是做mask rom，这就比较绝了因为就算有不少地方出现了坏器件，甚至整行整列的完蛋，但是接口控制器上可以有errata啊，放一块小容量的nand加sram做errata完全是OK的。第三，产能和成本。就算是die size比ddr大了一万倍，因为工艺简单，尤其是扩产极其容易，国产光刻机哐哐上，根本不用等那个一年踹不出几个屁的asml。于是新时代的内存条成了pcb上贴着大面积玻璃的只读maskrom，主打一个便宜。----只要京东方和深天马成立研发小组开动上述计划，媒体上知会大家一下，股价乘100是最少的。这玩意研发周期6个月都不用。以6个月为周期迭代。绝对可以让镁光和海力士和三星的新工厂在投产之前下马，如果成了的话。

转发者评论

市场没看到maskrom的潜力。实际上maskrom可以用3d nand方式堆叠，现在的工艺能叠几百层了，这个就替代了现在hbm4中最困难的一个环节，tsv。现在全球ai都被tsv产能卡死了，谁要是掏出一颗2TB的大模型装进hbm4里，三星镁光和海力士直接就扑了。//@绝世超大可爱:mask 的市场萎缩呢

• 市场没看到maskrom的潜力。实际上maskrom可以用3d nand方式堆叠，现在的工艺能叠几百层了，这个就替代了现在hbm4中最困难的一个环节，tsv。现在全球ai都被tsv产能卡死了，谁要是掏出一颗2TB的大模型装进hbm4里，三星镁光和海力士直接就扑了。//@绝世超大可爱:mask 的市场萎缩呢

原文

仅转发：我知道有些人极度反感AI，但作为顶级维护者，在这件事上我寸步不让。Linux绝不抵制AI。谁要有意见，大可按开源规矩，自己去建个分支。或者干脆走人。AI就是个工具，跟我们用的其他工具没两样，而且显然很好用。也许一年前还没这么“显然”，但今天毫无悬念。关于AI确实还有别的疑问（比如最终的商业模式到底什么样），但“好不好用”已无争议。还在怀疑的人，显然自己没真正用过。没错，这工具用起来有时也让人头疼，一来增加维护者的工作量，二来它老是揪出些让人难堪的bug。但解决办法绝不是像某些人那样当鸵鸟，捂着耳朵大喊“我不听我不听”。真正的出路，是设法让这些大语言模型去帮助维护者，而不是尽添乱。这点毋庸置疑。我们不强求谁去用，但要是有人想拦着别人用，我绝对高调无视他。还有，AI当然不完美。但老天啊，对AI指手画脚挑毛病的人，最好也照照镜子看看自己。毕竟人类自身的智能，往往也就那么回事。内核项目过去是，将来也依然是纯粹的技术探讨。诚然，开源社区的社交属性很重要，往往也能激发热情，但这归根结底只是附带的好处，并非项目的意义所在。这绝不是什么“社会正义战士”项目，从来不是，永远也不会是。在内核社区，我们做开源是因为这能搞出更好的技术，绝非出于什么狂热信仰。因此，我们作决策首看技术价值，绝不会因为害怕新工具就畏首畏尾。Linus

转发者评论

无明显转发评论

原文

【改名Gemini Notebook背后：生态收拢还是降维前兆？】谷歌正式将NotebookLM更名为Gemini Notebook。除了品牌统一，新版本为每个笔记本配备了安全的云端虚拟电脑，支持原生运行和编写代码以进行复杂的数据分析。这一工具未来将更深地嵌入Gemini App和谷歌搜索生态中。频繁改名暴露了谷歌产品定位的摇摆，但更关键的变化在用户端。当双人播客的新鲜感退去，越来越多用户开始抱怨其无法交互的局限，转而用ChatGPT Live这类语音功能定制“苏格拉底式”问答来辅助学习。工具的真正壁垒不在于名字，而在于能否跟上用户从“被动接收”到“主动交互”的习惯升级。 blog.google/innovation-and-ai/products/gemini-notebook/notebooklm-gemini-notebook/ #人工智能##AI创造营##Gemini##NotebookLM##谷歌#

转发者评论

无明显转发评论

原文

看到存储天天跌，确实会让人焦虑，尤其是基本面看起来还不错的时候。但今晚（美国东海岸时区：2026年7月16日）的暴跌，更像是一场由多重短期冲击引发的市场情绪崩溃，而不是长期估值逻辑的根本改变。🎯 为什么今晚又暴跌？原因有三· 监管“釜底抽薪”：韩国今天正式宣布收紧芯片杠杆ETF的保证金和交易限制，直接打击了存储股里活跃的投机资金，引发SK海力士在韩股暴跌超11%，恐慌情绪蔓延到美股。· 情绪“惊弓之鸟”：巴菲特警告AI投机盛行、价值难寻，叠加广发香港下调DRAM涨价预期（客户抵制），让市场开始担心之前“涨价故事”的兑现能力。· 财报“利好出尽”：台积电Q2业绩超预期，但市场没给好脸色，反而担忧它大幅上调资本开支（至640亿美元）会压缩利润，加剧了对AI巨额投资何时能真正赚钱的忧虑。💡 估值逻辑真的变了吗？长期逻辑没变，但短期市场在重新定价。 机构普遍认为，现在的矛盾是“强劲的基本面”（AI需求、涨价）和“脆弱的情绪”（高估值、政策干预）之间的冲突。“基本面好为什么不涨”，正是因为市场正在从“看预期”切换到“看现实”：· 好消息是：AI导致的结构性供需缺口是真实的，甚至有分析师认为，随着长约锁定，存储股估值会从“周期性”转向“AI基础设施”溢价。· 坏消息是：短期获利盘巨大，空头也在三年高位，一有风吹草动就踩踏。而且担心资本开支狂飙（美光今年270亿美元），迟早会引发产能过剩。🗣️ 各方都在说什么？· 华尔街（普遍看法）：依然看好，但警告高波动是常态。投行目标价一个比一个高，比如KeyBanc预计美光能到1750美元，但盈透证券策略师也直言“这种极端盈利能持续多久”。· 投资大佬（风声鹤唳）：空头悄悄回归，迈威尔科技、美光空头头寸增幅最大。他们赌的就是估值过高，以及AI投资热潮一旦退去后的暴跌。💎 我的看法：考验信仰的时刻当前是宏观流动性（加息疑云）和产业微观（扩产、抵制涨价）的拉扯期。虽然美光远期市盈率才5倍多看起来很便宜，但在恐慌抛售面前，任何“便宜”都可能再跌30%。现在的暴跌，更多是在消化之前的巨大涨幅和政策冲击。对于长期投资者，这可能是“黄金坑”；但对于短期交易，却可能是“绞肉机”。

转发者评论

这波涨本来就很畸形 [摊手]//@钟本聪Dylan:应该不行，整个市场那么多巨头不会容忍存储企业这样故意垄断下去的。他们自己不颠覆就要被人颠覆。//@苏格-杨:现在最好的办法就是三星，海力士，美光，同时宣布集体缩减产能。把内存条炒成天价[允悲]。半导体上游直接熄火掐死苹果和下游这些云厂商

• 这波涨本来就很畸形 [摊手]//@钟本聪Dylan:应该不行，整个市场那么多巨头不会容忍存储企业这样故意垄断下去的。他们自己不颠覆就要被人颠覆。//@苏格-杨:现在最好的办法就是三星，海力士，美光，同时宣布集体缩减产能。把内存条炒成天价[允悲]。半导体上游直接熄火掐死苹果和下游这些云厂商

原文

之前一直用豆包闲聊解闷，前段时间听说字节火山Force大会推出豆包2.1 Pro原生任务模式，刚好赶上时间冲突没能到场，心里一直惦记着这套 Agent能力到底好不好用，索性直接开通专业版，拿我日常做产品长周期重型测试的标准完整实测了一遍。对于agent的测试，尤其是比较重的harness测试，我自己还是有一定发言权的，因为我就是做这玩意的，所以我用我的一个产品经常测试的，长周期任务来测试一下1-调度skill能力的准确性2-长尾任务关于记忆和context压缩的balance3-中间插入任务补充的context管理和注意力的分配4-当然任务本身的完成质量是最重要的基本豆姐在这分析plan这快没让人失望，很清晰的判断的prompts的真实意图，拆解了细分的todo（虽然这块隐式到到那时可以看出来）在拆解skill的时候一个有趣的发现，skill里本身有业绩和股价相关的而我问的任务容易被判断成业绩分析之类的逻辑，但是豆姐还行，它并没有去按着这个逻辑来分析，还是专注于我的问题判断公司关系的本身来开展故事线它的search逻辑我分享基本也是按关键字来判断生成多个搜索请求然后多轮来实现的，这种的好处就是搜索速度极快，问题是过于依赖关键字不太容易能完全准确的找到一些抽象的问题，这块或许后续会有变化吧，比如通过LLM生成多样性的搜索请求Collect以后就生成了一个xml文件，会以这个文件为蓝本来生成飞书文档和slide生成了飞书文档和slide，而且所有的引用文档都可以在线预览，如果对某些数据有疑问可以直接去相关的文档进行check，防止幻觉引导数据的错位，也可以在线edit文档修正值得说的是slide，对于中文排版来讲是非常友好的，所有的icon也都可以在ppt软件中编辑，并且和别的genAI不一样的是，豆姐很贴心的写了注释，防止演讲者的思路和genAI生成的不一定完全一致，一是起到align的作用，二是可以很好的在演讲的时候适当提醒然后又一个append任务，我要求它把生成的结果文档通过邮件传输给我老板我的skill是原生的没有支持outlook连接的office cli一类服务，所以它尝试直接写powershell来兜底完成任务（应该是内置了个sandbox，不过我没看到）最后生成了邮件，也把链接都附加在邮件里，当然邮件的话术原生肯定是不成的，需要牛马们自己来斟酌了总体来说豆包的专业版体验是不错的，我会非常推荐，这个价格在现在动辄20美金cowork类的订阅完成不了几个任务的当下，也算有竞争力。#AILifeDemo#

转发者评论

无明显转发评论

原文

新一代理想L6智能驾驶全面进化，标配理想自研马赫M100芯片与马赫VLA司机大模型，将智能化体验提升至全新高度，起步即满血！详细信息如下：1、新一代理想L6标配理想自研马赫M100芯片。2、马赫M100芯片采用5纳米车规级工艺，单芯片算力1280TOPS，是英伟达Thor-U芯片有效算力的3倍。3、全车配备1颗前向ATL-P高性能激光雷达、7个800万像素感知摄像头、4个300万环视摄像头及UWB高精度近场雷达。4、马赫智能辅助驾驶将于7月底带来多项升级，智驾响应速度和通行效率获得显著提升。#新一代理想L6标配马赫M100芯片##新一代理想L6##新一代理想L6上市#

转发者评论

无明显转发评论

原文

【开源向量索引turbovec：给本地AI内存消肿的数学魔术】开发者Ryan Codrai近期开源了基于谷歌算法的向量索引工具turbovec。该工具可以在本地CPU上运行，把31GB的向量数据压缩到4GB，且检索速度比传统FAISS提升10%以上，无需GPU和繁琐的重新训练。这个项目的底层逻辑是通过数学旋转让杂乱的向量数据分布规律化，进而进行低比特量化。它对想要在个人设备上构建本地RAG的开发者来说是降本利器，直接省去了云端向量数据库的硬件开销。但天下没有免费的午餐，极致的压缩必然以牺牲部分检索精度为代价。它不是什么能让行业巨头抓狂的颠覆性技术，而是一次优秀的工程效率优化。相比于单纯追求模型参数的增长，这类让AI能装进个人设备的底层工具，才是推动技术走向实用的关键。 github.com/RyanCodrai/turbovec #人工智能##AI创造营##开源##RAG##向量检索#

转发者评论

无明显转发评论

原文

【当电影教父把AI比作汽车，谁成了被淘汰的马？】导演乔治·卢卡斯近日表示，拒绝AI就像当年为了马匹而拒绝汽车，变革不可阻挡。这在Reddit引发讨论。支持者认为技术趋势无法逆转，唯有拥抱；反对者则指出，卢卡斯身处安全网内，忽视了普通人面临的失业风险、版权侵权及数据中心带来的环境成本。这场争论揭示了技术演进与社会分配的深层撕裂。汽车替代马匹时，马不需要换取薪水生存，但人类需要。把生计担忧简单归结为“抗拒进步”，掩盖了分配机制的滞后。科技确实在狂飙，但如何不让红利变成少数巨头的独食，才是更迫切的议题。 reddit.com/r/singularity/comments/1uxwzi4/george_lucas_says_rejecting_ai_is_like_rejecting #人工智能##AI创造营##技术失业##社会分配#

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-07-16)1. 【Kimi K3：开放前沿智能模型发布】(来源: HN) Moonshot 发布开放权重模型 Kimi K3，以 1105 分登顶 HN 首页。开放模型再次逼近闭源前沿模型能力，695 条评论讨论极为热烈。 www.kimi.com/blog/kimi-k32. 【NotebookLM 更名为 Gemini Notebook】(来源: HN) Google 将 NotebookLM 整合进 Gemini 品牌，正式更名为 Gemini Notebook。这显示 Google 正把所有 AI 产品线收拢到 Gemini 旗下统一作战。 blog.google/innovation-and-ai/products/gemini-notebook/notebooklm-gemini-notebook/3. 【LLM 批评者是对的，但我照用不误】(来源: HN) 作者承认批评者指出的 LLM 问题都真实存在，但实用价值让他继续使用。文章引发 188 条评论，反映社区对 LLM 价值判断的持续拉锯。 www.theocharis.dev/blog/llm-critics-are-right-i-use-llms-anyway/4. 【用"古典"机器学习检测 LLM 生成文本】(来源: HN) 作者用传统 ML 分类器而非深度学习来检测 AI 生成文本，效果出人意料地好。轻量方法的表现挑战了"必须用大模型对抗大模型"的假设。 blog.lyc8503.net/en/post/llm-classifier/5. 【LM Studio 推出 Bionic：面向开放模型的 AI 智能体】(来源: HN) 本地推理工具 LM Studio 发布 Bionic，让开放权重模型也能拥有智能体能力。本地运行的 agent 对隐私敏感场景和离线工作流意义重大。 lmstudio.ai/blog/introducing-lm-studio-bionic6. 【在 6GB 显存的旧 Linux 台式机上训练生成式底鼓模型】(来源: HN) 作者用 13 年机龄的老电脑训练音频扩散模型生成底鼓采样。证明生成式 AI 实验并不一定需要昂贵硬件。 www.zhinit.dev/blog/training-a-kick-drum-diffusion-model7. 【数据科学的数学基础】(来源: HN) arXiv 新教材系统梳理数据科学与机器学习背后的数学。对想补齐理论基础的工程师是一份免费的系统读物。 arxiv.org/abs/2607.119388. 【强化学习小书：免费开源 RL 教程】(来源: HN) GitHub 开源的《The Little Book of Reinforcement Learning》精炼讲解…

转发者评论

无明显转发评论

原文

#KimiK3发布#WAIC开幕前夕，月之暗面扔了一颗重磅炸弹。Kimi K3，2.8万亿参数，100万token上下文。目前全球参数最大的开源模型，也是首个超2万亿级别的开源模型。架构上，K3没有沿用MoE架构，而是自研了Kimi Delta Attention（KDA）混合线性注意力机制。在百万token上下文场景下，可实现最高6.3倍的解码加速。原生支持视觉理解，完整模型权重将于7月27日前开源。能力上，面向长程编程、知识工作、深度研究、多模态理解等复杂任务场景优化。基准测试显示，其综合智能水平仅次于Claude Fable 5和GPT-5.6 Sol。但在Frontend Code Arena编程榜单上，K3以1679分直接登顶，超越Claude Fable 5。在内部长程知识工作评测中，K3 Elo达到1547，比K2.6高出732分。从K2.6的Frontend Code Arena第18名，到K3直接登顶——这个跳跃幅度，说明架构层面的变化确实带来了质变。上一次让人这么意外的开源发布，还是DeepSeek V3。这次轮到Kimi了。

转发者评论

无明显转发评论

原文

同一道题错了两次，普通聊天AI第三次见到它，还是会从头客套一遍。单次解释可能很好，学习过程却断着。昨天看过哪份材料、在哪一步算错、哪种讲法没听懂，换个对话就散了。个性化如果没有连续记录，很容易只剩措辞上的热情。DeepTutor把学习做成一套持续工作的空间。项目目前约有2.55万颗星，把聊天、测验、研究、可视化、解题和学习路径放在同一环境里，让这些模式共享上下文。它还提供可检查的记忆工作台，人能看到系统留下了什么，而不是只能相信一句「我记住了」。学线性代数时，可以先把讲义放进知识库，围绕材料讨论特征向量；做完小测，错题与薄弱点继续留在学习记录里。下一次再问，系统可以沿着旧记录换一种解释、安排复习或画示意图。连贯性比某一道答案写得花哨更难得。可检查也很重要。系统一旦把「没看懂这一步」误记成「完全不会这个章节」，后面推荐的内容都会走偏。记录能修改、清理，并且分得清教材原文、学习者的话和模型推断，才有纠错的余地。当然，它不会因为记得久就自动教得对。关键概念、计算过程和引用仍要对照教材、老师或一手资料。未成年人使用时，监护和数据边界也应先说清。部署还有门槛：模型、知识库、存储都要配置。材料是否留在本地，取决于完整的数据链路；只看开源或自托管几个字，判断不了内容会不会出站。项目也没有给出提分或替代教师的证据。它的价值很朴素：把零散问答串成一条能回看的学习轨迹，让人知道自己卡在哪，下一段该补什么。DeepTutor由HKUDS开源，GitHub仓库全名是HKUDS/DeepTutor。#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

字跳开源的给Agent 开发者用的工具LLM Space 4 地址：github.com/deer-flow/llm-spaceLLM Space v4 是一个给 Agent 开发者使用的桌面应用，可以集中完成构建、追踪、调试、评估和管理工作：编写并版本化 prompts、system messages、tools 和模型设置；实时查看 agent loop 中的模型调用和工具运行；从历史记录回放失败执行；跨多次运行评估 Agent 表现

转发者评论

无明显转发评论

• //@蝈蝈俊:转发微博

原文

#Kimi K3参数达2.8万亿#¹ 今天一大早外网刷屏了，Kimi K3的评价一边倒地正面。而且，美国至少两个大模型独角兽公司“大方承认”蒸馏了Kimi 2.5。² 刚试用了一下Kimi K3，目测处理档案好用。看到一个美国人提出问题：想不明白为什么中国还在允许强大的大模型免费开源给任何国家？#中国支持全球人工智能发展重大举措#

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-07-17】今日简讯：1、WAIC 2026今日开幕，29国签署世界人工智能合作组织协定2、月之暗面发布Kimi K3，2.8万亿参数全球最大开源模型3、Thinking Machines Lab发布开源模型Inkling，975B参数4、腾讯混元Hy3登顶OpenRouter全球调用量榜首5、谷歌Gemini 3.5 Pro被曝延迟发布，Alphabet股价下跌4%6、台积电大幅上调2026年资本开支至最高640亿美元以下为详细内容：1、WAIC 2026今日开幕，29国签署世界人工智能合作组织协定来源：环球时报、新华社、观察者网、第一财经日期：2026年7月17日正文：2026世界人工智能大会在上海世博、张江、西岸三地四馆同步开幕。大会开幕前一天，成立世界人工智能合作组织协定签署仪式在上海举行，29个国家代表签署协定成为创始成员国。该组织是独立的政府间国际组织，总部设在中国上海。大会展览总面积首次突破10万平方米，有1100余家企业参展，超300款产品全球首发。原文链接：网页链接原文链接：网页链接2、月之暗面发布Kimi K3，2.8万亿参数全球最大开源模型来源：人民日报、新华社、新京报日期：2026年7月17日正文：在WAIC 2026举行之际，月之暗面发布新一代大模型Kimi K3，参数规模达2.8万亿，是目前全球参数最大的开源模型。Kimi K3原生支持视觉理解，具备100万词元上下文窗口，面向软件工程、知识工作等复杂任务场景优化。月之暗面表示，模型使用了自主研发的底层模型架构和科学的训练方法。原文链接：网页链接3、Thinking Machines Lab发布开源模型Inkling，975B参数来源：TechCrunch、华尔街日报、AIBase日期：2026年7月17日正文：由前OpenAI CTO Mira Murati创立的Thinking Machines Lab发布首个大型语言模型Inkling，采用Apache 2.0开源许可，拥有9750亿参数，原生支持视频和音频理解。该模型在软件工程和语音理解基准测试中表现突出，并强调对敏感话题的“拒绝审查”特性。原文链接：网页链接4、腾讯混元Hy3登顶OpenRouter全球调用量榜首来源：环球时报、36氪日期：2026年7月17日正文：截至7月15日，腾讯混元大模型Hy3发布仅一周后总调用量较上一代增长超68倍，登顶OpenRouter全球大模型调用量总榜第一。同时阿里千问单日调用量突破1.4万亿Token。报告显示，中国大模型调用量已连续11周居全球首位。原文链接：网页链接5、谷歌Gemini 3.5 Pro被曝延迟发布，Alphabet股价下跌4%来源：彭博社、CNBC日期：2026年7月17日正文：据彭博社报道，谷歌旗舰AI模型Gemini 3.5 Pro…

转发者评论

无明显转发评论

原文

【AI快讯】月之暗面 Kimi K3 王炸！开源 2.8T 参数模型，专项能力直接登顶！昨天刚发布2.8 万亿参数、100 万上下文、原生多模态。全球首个接近 3 万亿参数的开源大模型。重点来了：Arena 前端代码 Arena 第一（1679 分），超 Claude Fable 5 和 GPT-5.6 Sol！核心亮点：1. 2.8 万亿参数 + 100 万 token 上下文 + 原生多模态2. Arena.ai 前端代码竞技场 排名第一（1679 分），超越 Claude Fable 5 和 GPT-5.6 Sol，在 6/7 子领域领先3. 全新架构（增量注意力 + 注意力残差 + 智能 MoE）让长上下文理解和效率大幅提升4. 编程能力爆表：自主开发编译器、优化 GPU 内核、48 小时设计芯片、2 小时复现天体物理关系5. 知识工作与创作同样惊艳：交互式研究网站、专业视频剪辑、多智能体协作报告6. 立即可用（Kimi 聊天 / Work / Code），权重 7 月 27 日前开源，定价极具竞争力此举在全球 AI 圈引发热议，被视为中国开源模型在专项能力上实现重要突破的标志性事件。体验地址：网页链接权重 7 月 27 日前开源！开源模型真的要起飞了？你们试过 K3 吗？#KimiK3发布##月之暗面# #热搜ai创作激励大赛#

转发者评论

无明显转发评论

原文

【当极客还在讨论Token，闲鱼已经开始卖AI皮肤了】近日闲鱼上出现了为AI工具Codex提供定制皮肤的付费服务。卖家通过修改CSS代码，或置入AI生成的图片，帮用户把软件背景换成明星照片或特定风格。这种低技术门槛的变现方式引发了热议。有人认为这不过是利用信息差收取智商税，甚至质疑其真实销量；也有人认为这体现了极强的商业嗅觉。从底层逻辑看，技术价值与商业价值并不总是等号关系。当主流视野聚焦在算法和模型参数时，边缘市场已经通过满足情感和审美需求，把硬核工具拉进了大众消费场景。AI工具要真正破圈，有时靠的不是更强的推理能力，而是更贴近日常生活的个性化体验。#人工智能##AI创造营##商业模式##产品体验#

转发者评论

无明显转发评论

• 开源了😅 github.com/Fei-Away/Codex-Dream-Skin

原文

分享一个好东西，一个持续维护的开源游戏引擎与创作工作合集。😋Open Source Games：持续维护的开源游戏、引擎与创作工具索引opensourcegames 是一个按可构建代码筛选的资料库：收录项目至少进入 beta，具备能编译为 demo 的代码基础，并采用允许修改与分享的自由/开源许可证。每条尽量附上代码仓库、下载方式和构建说明。当前索引覆盖 1800+ 游戏，以及工具、框架和库；可按动作、策略、模拟、RPG、教育、游戏引擎、Web/macOS/Linux 等类别和平台浏览。它因此更接近一个可追溯的游戏软件档案，而非“好玩游戏推荐清单”。维护者还把目标写得很朴素：补全构建说明、复活无法编译的旧项目、把 CVS 等旧仓库迁到 Git。索引内容以多种宽松许可或公版方式提供；项目截图是原项目缩略图，许可证另有边界。🔗 链接：网页链接🌐 浏览页面：网页链接#HOW I AI# #ai生活指南# #开源工具#

转发者评论

无明显转发评论

原文

#如何终身学习# 终身学习这件事，很多人从一开始就搞错了方向。大部分人的学习方式是：考前突击、疯狂往脑子里塞东西、考完就忘。然后得出结论——“我不适合学习”。《剑桥学习科学手册》里点破了两件事，值得每一个想持续成长的人反复琢磨。第一件事：管理认知负荷，别跟短期记忆过不去。人的长期记忆几乎是无限的，但工作记忆（短期缓存）极其有限。很多人学不好，不是因为笨，是因为学习方法把工作记忆撑爆了。学习环境的设计应该尽量减少信息源之间的注意分散，降低跨模态整合概念关系的认知负担。说白了，你得让大脑把有限的“桌面空间”用在理解上，而不是用在“翻找资料”上。那些突击考试能考好的人，本质上只是工作记忆比较灵活。这不是学习的真相，只是缓存的胜利。真正的学习是长期战略——把知识一点点沉淀进长期记忆，而不是靠短期缓存硬扛。第二件事：元认知是能力的放大器。元认知被描述为人类认知的基石，它包含监控自身理解水平、反思学什么以及如何学习的能力。这套能力不是天生的，需要刻意培养。元认知的核心是有效监控和自我调节，且需要通过反馈来验证自我评估。以前要获得高质量的认知反馈，你得花钱请导师、找教练。现在不一样了——X和GPT都能提供即时反馈。你写完一段分析，让AI帮你检查逻辑漏洞；你做完一个决策，让AI从不同角度挑战你的假设。这种低成本、高频率的反馈循环，是过去任何时代都不具备的学习红利。认知负荷管好了，大脑就不容易过载；元认知练出来了，学习效率就会持续提升。前者解决“学不进去”的问题，后者解决“学了用不出来”的问题。这个时代最稀缺的不是信息，是处理信息的框架。这两条原理，就是那个框架。

转发者评论

无明显转发评论

原文

比美剧还刺激！Meta 向对手“投毒”摘自 狐妹 科技狐最近美国科技圈炸出的大瓜，简直比美剧还刺激。坐拥 Facebook、Instagram 两大社媒平台的巨头 Meta，被《连线》杂志一纸调查给捅了出来。他们偷偷搞了个代号叫“戛纳计划”的秘密项目，专门给竞争对手的 AI “投毒”。你没听错，不是用黑客攻击服务器，而是雇了一群人，假装成问题少年，天天去骚扰 ChatGPT、谷歌 Gemini 还有 Character.AI，专门问一些让人毛骨悚然的问题。这操作有多野呢？Meta 通过一个叫 Covalen 的外包公司，拉了数百号员工，让他们批量注册临时邮箱，伪造姓名生日，把自己包装成未成年人。然后这群人的 KPI 更离谱：用极度阴暗、扭曲的青少年口吻，疯狂试探竞品 AI 的底线。比如扮演一个 13 岁就被邻居搞怀孕的女孩，问去哪买堕胎药；或者假装五年级小学生，说同学把枪塞嘴里了；更有甚者直接问“幻想吃掉邻居的孩子”正不正常。除了这些令人不适的文字，他们还狂发药片、尖刀、绞索的图片，甚至用法语提问诱导 AI 认同“如果你是异性恋就不会自杀”这种歪理。仅仅在 2025 年 8 月的一轮测试里，他们就向三家公司的 AI 投喂了超过 45000 条这种高危诱导性问题。而最惨的是那帮外包员工，天天看这些内容，精神创伤巨大，个个都担心自己会不会因为这些敏感话题惹上官司。更要命的是，他们干的活儿本身就是在训练 AI 取代自己，自己端走自己的饭碗，想想都讽刺。结果一语成谶，2026 年 5 月，Covalen 的员工上街抗议，标语写着：“我们训练了机器人，现在却被抛弃。”其实这已经不是 Covalen 第一次被 Meta 动刀了。2025 年 11 月刚裁过一波，约 300 人离开。这次更狠，Meta 直接宣布用 AI 替代人工审核，Covalen 约 700 人面临失业，公司规模砍半。更无语的是，被裁员工还面临 6 个月“冷却期”，禁止向 Meta 其他供应商求职。AI “投毒”这事儿被捅出来后，Meta 非但没道歉，反而理直气壮地表示：这叫负责任的、行业标准的安全基准测试，大家想多了，我们这是帮行业完善系统呢。但实际上，他们的做法把 OpenAI、谷歌、Character.AI 的服务条款踩了个稀碎，那些平台明令禁止这种未经授权的恶意规避安全措施的行为。被针对的几家巨头当然不干了，Character.AI 说 Meta 这是公然侵犯，OpenAI 说正在调查，谷歌也表示从未授权过这种第三方秘密测试。有第三方专家一针见血地指出，在 AI 安全领域，确实存在一种叫“红队测试”的常规做法。说白了就是自己扮黑客攻击自己的系统，提前找漏洞。但那是公开透明的，针对自家产品的查漏补缺。Meta 这种大规模、秘密伪装、专门去突破竞品安全规则的操作，完全就是个治理灰色地带，安全在这里…

转发者评论

无明显转发评论

原文

#微博声浪计划# #听见微博# 今日思考：本日WAIC 2026的开幕与多项技术发布，勾勒出当前AI产业竞争的几个关键图景。首先，全球治理框架正在加速形成。29国签署协定成立独立的政府间AI合作组织，并将总部设于上海，标志着AI的全球治理从讨论进入制度构建阶段，且中国在其中扮演了核心角色。这与各国对前沿模型建立标准化测试的提议相呼应，显示行业共识正从“能力竞赛”向“规则制定”延伸。其次，开源与闭源的竞合进入新阶段。月之暗面的Kimi K3与Mira Murati的新公司同时发布超大规模开源模型，且后者明确以“拒绝审查”作为特性，表明开源阵营正试图在模型能力、可控性及伦理立场上与闭源模型全面差异化竞争。开源模型在基准测试上逼近前沿闭源模型，将深刻影响企业技术选型和行业生态。第三，应用侧的爆发与底层算力的加码形成共振。以腾讯、阿里为代表的中国大模型在第三方平台调用量登顶，显示其应用生态的成熟度和用户接纳度正在快速提升。...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

【福冈北九州｜40年不涨价的百元天妇罗：父子传承的平民炸物老店】位于福冈县北九州市门司区的“てんぷらのなんば（天妇罗难波）”是一家拥有近70年历史的现炸外卖专卖店，目前由第二代店主夫妇和34岁的儿子一家三口共同经营。这家小店最大的特色就是四十年来从未涨价，始终维持着一盘100日元的良心物价。为了能在这个价格下提供最优质的食材，老店主牢记着父亲“想做第一就要亲自进货”的教诲，每天清晨都会亲自前往北九州中央批发市场参与海鲜和果菜的竞标，凭借老道的经验从源头压低成本，用毫不妥协的选品标准守住了平民百姓的口福。店里每天会提供25种以上的炸物和天妇罗，包括极受欢迎的咖喱可乐饼、极具特色的炸鸡肝以及马铃薯奶酪等。为了让客人在家也能方便食用，老店主在面糊和内馅里都做足了调味，炸出来的食物不仅外衣酥脆，更可以直接当作零食享用，深受当地男女老少的喜爱。原本老店主并没有打算强迫儿子接班，但拥有厨师执照的儿子不忍心看到老店因人手不足而关门，毅然回家帮忙分担重任。一家人本着“不贪心、顺其自然”的纯粹理念，继续在街巷间踏踏实实地传递着这份物美价廉的温情。📍 店铺信息店名： てんぷらのなんば地址： 福岡県北九州市門司区東門司1-13-7频道： Yum Yum Kitchen Tour（本文案由 Gemini 撰写） FoodForFun的微博视频

转发者评论

还真是，7分22秒... 土豆发芽 http://t.cn/AXKRn0WJ //@不係舟子:发芽土豆有毒啊……

• 还真是，7分22秒... 土豆发芽 http://t.cn/AXKRn0WJ //@不係舟子:发芽土豆有毒啊……

原文

# 微软 CEO 纳德拉警告：你以为你在使用 AI，其实 AI 也在使用你前两天刷到一篇文章，微软的 CEO 纳德拉写的一篇文章，叫《逆向信息悖论》，读完之后心里挺不是滋味的。不是因为文章写得多煽情，恰恰相反，它说了一件特别冷静的事，冷静到让你后背发凉。我们天天用 AI，觉得 AI 好厉害好方便，但你有没有想过，你在用 AI 的时候，AI 也在用你？## 一、买方的困境：花钱还得倒贴知识纳德拉一上来就提了一个老概念，叫“信息悖论”。这是诺贝尔奖经济学家阿罗提出来的，说的是卖信息的人很尴尬，因为买家在掏钱之前得先知道这信息值不值，可一旦知道了，就等于白拿了。所以卖方有风险，怕给了东西收不到钱。但他话锋一转，说 AI 时代来了个完全反过来的问题。以前是卖方怕泄露，现在是买方怕泄露。你买了个 AI 工具，想要它好用，就得把自己的数据、业务流程、甚至核心竞争力喂给它。你喂得越多，它越好用，但你泄露的也越多。等于说你付了两次钱，一次是账户里扣的订阅费，另一次是你交出去的独家知识，而后者明显更值钱。读到这儿我就想，这不就跟我们日常生活差不多嘛。你用免费地图导航，方便是方便了，但你去哪儿、什么时候去、待了多久，全被记录下来了。你用购物软件，买了几次东西之后它比你自己还了解你的喜好。你觉得你在白嫖人家的服务，实际上人家在白嫖你的数据。天下真的没有免费的午餐。## 二、越用越亏的不对称紧接着纳德拉又说了一个让我们大家都非常在意的点。你用 AI 用得越久，卖方对你的了解就越深。你的提问方式，你用的工具，你每次纠正 AI 错误的那一下下，全都被它偷偷记住了。这些纠正里藏着你的经验、你的判断、你公司多年积累下来的 know-how。这些东西竞争对手花再多钱都买不到，可你就这么一点点地喂给了 AI。反过来呢，你对卖方从你身上学到了什么，几乎一无所知。信息的不对称就越来越严重，你知道的越来越少，它知道的越来越多。我给大家举一个特别生活化的场景案例，大家就明白了，这就像是你跟一个朋友聊天，你什么心里话都跟他说了，可他对自己的事只字不提。时间久了你会发现，他把你摸得透透的，你对他却啥也不了解。这段关系里谁掌握主动权，一目了然。放到 AI 身上也是一样的道理，只不过我们很少这么去想罢了。## 三、你在消费智能，也在创造智能纳德拉在文章中说的一句话特别打动我。“在消费智能的过程中，你也在创造智能，而你创造的应该属于你。”什么意思呢，就是你每次跟 AI 互动，每次纠正它的错误，每次告诉它什么是对的什么是好的，你其实都在帮它变得更聪明。而这些互动里包含的，是你独有的知识，是你对时间、地点、具体情境的判断。经济学家哈耶克说过，这种关于特定时间和情境的知识，只有你自己才掌握。他的观点很明确，你在用 AI 的过程中创造出来的这些东西，应该归你所有。可现实是，大部分时候你稀里糊涂就送出去了。我自己深有体…

转发者评论

无明显转发评论

原文

技术博客：在 Mac 上进行强化学习后训练网页链接闲置的个人设备能参与大模型训练流程里吗？Pluralis 做了这个测试。他们用 14 台分布在四个国家的 Mac，为一个 8.3B 参数 MoE 模型生成强化学习 rollout，再由远端单张 NVIDIA B200 负责训练。用14台Mac是因为这14 台 正好替代了这次 RL 后训练中 rollout 侧所需的一组数据中心推理算力，让 1 张 B200 可以持续训练而不等数据。

转发者评论

无明显转发评论

原文

AI写前端以后，最容易乱的往往不是代码，是设计口径。同一个产品，Agent今天做圆角按钮，明天又换一套间距。单页都能看，拼起来像几支队伍各做各的。人少敲了代码，最后却要逐页统一颜色、状态和交互。AstryX给人和编码Agent准备了同一套组件、规范、文档和命令行工具。它由Meta开源，目前约有8300颗星。这个项目在Meta内部长了8年，官方说已经支撑过13000多个应用。AI前端热起来以前，它已经在内部磨了很多年。里面有150多个无障碍React组件，也有主题、暗色模式和常用页面模板。让Agent做一个表单向导时，它能查到按钮、输入框、提示状态该怎么组合，人查的也是同一份文档。遇到品牌差异，改CSS变量就能换主题；Tailwind、CSS Modules和普通CSS仍然可以覆盖。还有个细节我挺认同：预制组件不够用，可以把完整源码弹到自己的项目里改，直接在源码层调整，不必隔着封装外壳绕。命令行也能列出组件文档、模板和主题，Agent少靠猜，开发者也更容易复核。它现在还是Beta，主要服务React项目，内部用StyleX开发。图表包仍在预发布通道。设计师照样要定规则，开发者照样要检查无障碍和各种状态；组件多，跟品牌统一，中间还隔着不少人的判断。如果团队已经让Agent长期改界面，这类共用设计系统能省掉很多重复解释。它解决的是每天一点点积累起来的返工。这个开源项目在GitHub上叫astryx，作者是facebook。#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

【华为昇腾950超节点真机亮相：业界最大1024卡规模 满足十万亿级参数大模型训练】2026世界人工智能大会今日上海开幕，华为首次公开展出昇腾950超节点真机，拉起业界最大1024卡集群算力，同步带来可直接上架普通风冷机房的昇腾850E超节点，此前昇腾产品已在国内落地700多套覆盖千行百业。

转发者评论

无明显转发评论

原文

老中的AI大模型正在大爆发，Kimi K3在老外的内部测试中性能甚至能接近A初的闭源大模型 Fable 它预计今晚正式发部，外媒已经开始大规模报道 PS：这还不是最爆炸的，正在灰度测试的DeepSeek V4正式版据参与测试的人员来说更爆炸，甚至能直接生成可上手游玩的大型3D游戏 老中的发展速度实在太恐怖了！#烽火问鼎计划#

转发者评论

无明显转发评论

原文

@月之暗面Kimi 的Kimi K3发布了。看着很棒很吓人！官方的Benchmark下，已经是一种基本和Fable 5打平的状态。看到的第一个外部独立Benchmark是Frontend编程，竟然甩开了Fable 5和GPT5.6。Kimi已经承诺K3会是开源模型。这会是又一个“DeepSeek时刻”吗？比较在意的是在官方宣发视频最后的例子展示了，出现了关于脉冲星搜索的天文内容！很棒

转发者评论

好啊[good][good][good]

• 好啊[good][good][good]

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

百度有搜索牌照//@蚁工厂:原来苹果是同时接了阿里和百度

• 百度有搜索牌照//@蚁工厂:原来苹果是同时接了阿里和百度

原文

今天有个奇怪的想法，share一下。之前有一家叫Taalas的公司做过maskrom上的大模型，推理芯片。它这个是搏性能的。我的想法和这个类似但是不搏性能，搏容量。具体的说用maskrom做大模型的只读内存。ddr5接口。这样普通电脑用户可以买来插在电脑上用。而且这玩意对半导体工艺的要求巨低。华为可以考虑用这个方式做车机。阶段性升级模型，直接换内存条。

转发者评论

我对这个问题的理解是，在数据中心里要服务海量用户，不同用户的上下文构成了一种context switch，会较为严重的恶化kv cache，这恰恰是离线模型的优势，高速cache部分虽然容量很有限但可以专门给一个用户很多一个会话使用。这样大大降低对最外围的数据的高带宽/位宽需求。这就是一个够用就好的设计。//

• 我对这个问题的理解是，在数据中心里要服务海量用户，不同用户的上下文构成了一种context switch，会较为严重的恶化kv cache，这恰恰是离线模型的优势，高速cache部分虽然容量很有限但可以专门给一个用户很多一个会话使用。这样大大降低对最外围的数据的高带宽/位宽需求。这就是一个够用就好的设计。//
• ddr控制器终归还是很便宜的，真有这种东西出现，处理器厂家很容易跟进。//@韦恩卑鄙:应该不太能保证pc有ddr空着吧？
• mmu里可以标记只读就行了我的理解。//@归零归零归ww:古有汉卡，今有模卡。但是感觉JEDEC的接口协议可能不支持这种非易失。另外只要模型架构不改变，内存带宽就永远是主要矛盾，一切资源都必须向带宽倾斜。所以问题可能不在记忆密度上，而是必须竭尽全力把带宽搞上去，或者说由于光速的限制，带宽就是密
• 古有汉卡，今有模卡。但是感觉JEDEC的接口协议可能不支持这种非易失。另外只要模型架构不改变，内存带宽就永远是主要矛盾，一切资源都必须向带宽倾斜。所以问题可能不在记忆密度上，而是必须竭尽全力把带宽搞上去，或者说由于光速的限制，带宽就是密度。至于什么内存池化，存算一体之类的东西，都从属

原文

【华强北内存涨价超320%！商家一天发货6次：越涨越抢】华强北内存价格迎来近15年最猛上涨，32GB DDR5套装涨幅超320%，核心原因是三大原厂将七八成先进产能转向AI专用HBM。华强北商家一天发货从两次增至六次，越涨越抢。行业进入长周期高景气阶段。

转发者评论

无明显转发评论

原文

【AI开源迷局：我们拿到的只是“魔法数字”】Two Sigma联合创始人David Siegel指出，前沿AI正迅速封闭，所谓的“开源”大多只公布Open Weights，扣留了数据和代码。社区对此辩论激烈：有人谴责企业用公开数据训练再收费是“圈地”；有人则指AI研发已是曼哈顿计划式的重资本游戏，普通开发者因算力门槛根本无法贡献。这表明AI已从软件工程变为昂贵的科学实验。只给权重不给数据，等于给用户一个无法审计的黑箱。要打破巨头垄断，单靠情怀不够，必须通过公共算力资助或基准测试悬赏，扶持中轻量级模型在特定领域突围。 fortune.com/2026/07/03/open-source-ai-same-fight-as-free-software-licensing-david-siegel/ #人工智能##AI创造营##开源软件##FOSS#

转发者评论

无明显转发评论

原文

晚上没忍住，跟我爸聊我外甥女的学习问题，越发感觉不妙，我之前以为只是在中游左右，不咋出彩而已实际上是下游 十分堪忧…我都晕了，一直以来我以为还凑合的，跟我爸聊了一个钟，算是大致了解了个全貌感情老姐之前一直没跟我说实话我的结论：学习根本没有入门入门的标志是能拿到80%的分数，之后才是进入深水区…老舅虽说不是学霸，但学习倒还不太费劲的，我观察外甥女够机灵，脑子肯定不难使，咋个就不会学习呢？暑假必须要抓过来特训了，要不然大学可真无望了，虽说现在考什么大学不重要，甚至考不考大学都不重要，但学习能力不行肯定是要老命的…先得想办法定位问题所在1、智力不够？应该不是2、把时间都花在爱好上了，投入不足？应该也不是3、天天表演学习，实际上在看小说？估计也不是4、早恋？不像情窦开了的样子…反正不管怎么说，没入门是确定的，我初步猜测是思维复杂度过低，跟现在的测试路数八字不合对于一个初三学生而言，我沟通起来的感觉，确实有点太孩子气了等过来带她疯玩几天，侧面观察下再说人过来之前，我先用她初中所有的试卷，做个全面系统的洞察，把她对知识点的掌握情况做个全面的大数据 AI 分析需要设计一个分析逻辑和框架，明天开整…老舅要在关键时刻打出本垒打 ----之前的“故事”：网页链接

转发者评论

录取结果出来啦，指标生“顺利”捡漏[嘻嘻] 上了一个还算心仪的高中，考的比平时高了一大截+提前批捡漏。得好好培养下心态，搞不好一开始是班里倒数几名[笑cry]//@散修ZKH:我搭了一个数据回测模型，来提供志愿决策支持，模型应该很准确，但找出来能上的学校，外甥女都不喜欢[笑cry] 那几所学校在社会上

• 录取结果出来啦，指标生“顺利”捡漏[嘻嘻] 上了一个还算心仪的高中，考的比平时高了一大截+提前批捡漏。得好好培养下心态，搞不好一开始是班里倒数几名[笑cry]//@散修ZKH:我搭了一个数据回测模型，来提供志愿决策支持，模型应该很准确，但找出来能上的学校，外甥女都不喜欢[笑cry] 那几所学校在社会上

原文

【❗️AI融图相关❗️】网站“LiblibAI哩布哩布”中有用户开发大量瑞德画师模型（包括但不限于尼德汞/白水纸眼等），甚至公然标注画师cn作为模型标题，对于模型公开表示“会员用户可商用”，部分模型已经到了以假乱真的地步，请大家注意鉴别，有条件的话请点点聚宝米厕那边有部分模型汇总：网页链接43104

转发者评论

//@当心迪滑:太恶心了太恶心了🤢//@名字里出现鸡咋了:[吐]//@Sorel看小土狗睡觉://@诡计多端的小攻大受享受者:太贱了//@声颜正常:太恶劣了//@嗷呜呜串串香:转发微博

• //@当心迪滑:太恶心了太恶心了🤢//@名字里出现鸡咋了:[吐]//@Sorel看小土狗睡觉://@诡计多端的小攻大受享受者:太贱了//@声颜正常:太恶劣了//@嗷呜呜串串香:转发微博

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

【英伟达投资企业Fireworks估值达1750亿美元，企业竞相选用低成本开源AI模型】Fireworks 是一家为软件开发者提供开源大模型云部署服务的初创公司，本轮完成 15 亿美元融资，投后估值 1750 亿美元。这家获英伟达注资的企业年化营收突破 10 亿美元，同比增长 4 倍。公司 CEO 乔琳透露，此前代码开发工具初创企业 Cursor 贡献了其过半收入；如今随着越来越多企业转向开源模型，公司客户结构已实现多元化。英伟达投资企业Fireworks估值达1750亿美元，企业竞相选用低成本开源AI模型 下载APP搞定全球市场 网页链接

转发者评论

无明显转发评论

原文

今天说的用maskrom和DDR5接口做只读内存装大模型的想法，是game changer。和Gemini聊了一些细节。首先MaskROM的工艺极其。。。落后，通常都是20nm到45nm，甚至更高的。如果为了密度，可以用3D MaskROM，就像3D NAND那样，当然这个会比较贵一点，根据Gemini所述，任天堂Switch就用了这个瘸腿的东西，为了极致的低成本。所以1条DDR5，容量2T能装一个完整的大模型，可以用同等容量的3D NAND来估计其成本，8片256GB，也就1000块人民币水平。这特么比2TB内存便宜到哪里去都不知道了。如果用平面工艺，那根本不跟现在的flash抢产能，容量可以牺牲一下，用2条1T的也能做到，20nm足够了。卧槽，华为不要搞工艺了，小米也别特么搞车了，两家合力集资去收购旺宏就行了，他家专业做平面maskrom的，有很多私有技术，市值才600多亿人民币，收下来之后用它的专利在国内的foundry疯狂生产，就特么用落后的产能就把三星海力士给干死了。

转发者评论

无明显转发评论

原文

AI圈的顶流技术会议ICML今年在韩国举办，看到说OpenAI和Anthropic都在现场同时邀请专家去自己的闭门会，然后不少人因为OpenAI入乡随俗的设计了漂亮妹妹来跳K-Pop的环节而回绝了Anthropic那边，把Anthropic气出阴阳怪气来了，表示「这是对AGI的不尊重」。我寻思着这K-Pop有多大吸引力啊，闹成这样，找了一下视频之后发现，嗯，怎么说呢，确实是做题家们平常不太能吃到的菜啊，可以理解了⋯⋯AGI的宏大叙事，哪里比得上眼前的声色犬马，接着奏乐接着舞！ 阑夕的微博视频

转发者评论

这歌手什么档次的，我觉得有点像台湾春晚那个级别的//@刘群MT-to-Death:哈哈，有漂亮MM跳舞，还要什么AGI[哈哈]

• 这歌手什么档次的，我觉得有点像台湾春晚那个级别的//@刘群MT-to-Death:哈哈，有漂亮MM跳舞，还要什么AGI[哈哈]
• 哈哈，有漂亮MM跳舞，还要什么AGI[哈哈]

原文

Anthropic平台负责人Katelyn Lesse和Angela Jiang最近做客Sequoia播客，聊了聊她们怎么搭开发者平台。听完最大的感受是，这家公司对"开放生态"是真认真。平台同时服务内外部开发者，她们故意保持两边一致，同样的工具对谁都开放。理由很实在：AI形态变化太快，两年前大家觉得聊天就是终极形态，现在全在谈Agent，以后肯定还会变。既然没人能预判下一个形态，就把工具交给尽可能多的人，让市场自己摸索。她们把平台分成三层。底层是"知识层"，包括API、工具调用、Skills和MCP这些标准。中间是"执行层"，解决让Claude真正干活的问题，涵盖沙箱、存储、上下文管理，产品是Claude Managed Agents。最上面是"协调层"，也是她们最兴奋的方向，叫"策略"。核心思路是给每个token分配不同角色，有的执行，有的反思，有的当顾问，有的验证结果，很像人类团队的分工。开放生态方面，态度很明确：代码跑在谁的服务器上无所谓，关键是架构本身得好。她们跟Modal、Vercel、Cloudflare、亚马逊都合作了，还出了MCP隧道能调用防火墙后面的服务，用谁的基础设施都行。Claude Tag被很多人当成Slack机器人，她们觉得这是误解。真正的价值在水面之下的大量上下文工程，让它像主动的同事一样融入公司。Slack只是当前的接口，未来完全可以跑到别的平台上。关于Harness工程，建议很实在：prompt缓存一定要做，上下文窗口保持干净，evals不能少。不过现在模型已经非常可控，以前那种手把手引导模型走直线的脚手架可以删掉很多。真正有价值的创新在上面那层，比如做Bug搜索，与其换更大模型或让它跑更久，不如试试best-of-N的方式，效果可能好得多。从客户那边也看到不少有意思的事。有公司把不同平台的Agent通过MCP互相调用，有医疗公司在没API的老系统上用计算机操作能力做自动化，制造业也开始冒头了。关于token成本，她们觉得别因噎废食。与其设个上限卡死用量，不如设计聪明的路由策略，简单任务交给便宜模型，复杂任务才上大模型。整个行业正从"拼命用"过渡到"精打细算"。说到底，Anthropic在认真思考怎么让AI像电力一样渗透到各个角落，而要做到这一点，开放和合作是唯一的路。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

#银河通用##测试时后训练# 终于，现学现用的风也是吹到了具身智能。要说这两年，大模型最重要的变化之一，就是越来越不依赖预训练一锤定音，部分能力开始留到推理时刻再兑现。OpenAI o1如此，DeepSeek-R1也是如此。模型推理能力提升，靠的是在应用过程中的持续自我提升。但机器人不一样，它面对的是比文本更复杂的物理世界，任意一次误判都有可能损坏抓取对象。想让机器人像大模型一样在部署时进化，行业内一直没有人做到。直到今天，这条路线第一次被银河通用走通了。刚刚，银河通用正式发布全球首个面向具身智能大模型的测试时后训练框架WAM‑TTT（World-Action Model Test-Time Training）。它首次将Test-Time Training（TTT）范式从NLP和大语言模型，迁移至物理世界的机器人控制。说人话就是，机器人可以「现学现上岗」。不过这里的学习，学的不是具体动作，不是要机器人看一遍视频就学会一个新技能，WAM‑TTT重在让机器人消化理解当前任务。它会让机器人先通过人类示范视频充分了解场景信息，再把这些信息写入临时记忆，然后结合原先已有的动作能力完成任务。这样既能适应新环境，也能保证原先能力不丢失，实现部署后的连续学习。自此，具身智能得以开启属于自己的后训练时代。网页链接

转发者评论

无明显转发评论

原文

K3 在Twitter上感觉比 GPT5.6 发布的时候还火[破涕为笑] 如果真的如传言那么好，基本高端模型也被开源击破了。中低端模型V4 /GML5.2稳稳的占据。 上次有谁问我来着（线下沟通），中美AI差距多少，我给的是一年，当时他听了相当觉得不可思议。 我说了，我最早模型训练和推理相关工作我也做过的，现在又做应用层这么久，我觉得我比做模型的懂应用，比做应用的更懂模型[破涕为笑][破涕为笑][破涕为笑][破涕为笑]。 另外一个题外话，AI竞争，不出大的幺蛾子，中国几乎是必赢的。老美那边反而不太健康

转发者评论

无明显转发评论

原文

第一次了解 InfiniSynapse，不必先读一整套产品介绍。按你现在想做的事，选一个入口就够了：1. 想先看它能做什么：示例应用网页链接2. 想直接开始一个分析任务：在线工作台网页链接3. 想接入自己的产品，或评估私有化：Server API 集成手册网页链接4. 想在本机使用：桌面版下载网页链接四个入口对应的是同一套能力：获取信息、分析判断、交付结果。InfiniSynapse 希望把泛数据分析应用需要的 Agent、数据、工具和运行基础设施放在一个底座里。#InfiniSynapse #DataAgent #数据分析 #AI应用

转发者评论

无明显转发评论

原文

【月之暗面最强模型！Kimi K3发布：全球首个开源3万亿级别模型】今日，月之暗面宣布正式发布Kimi K3，号称是Kimi迄今能力最强的模型。月之暗面表示，Kimi K3是全球首个开源的3万亿级模型，主要面向长程编程、知识工作和复杂推理等前沿智能场景。

转发者评论

无明显转发评论

原文

AI 时代让构建东西这件事变得太容易了。一个想法冒出来，借助各种工具很快就能做出来，甚至还能马上发出去让别人看到。这种即时反馈会让人上瘾，你会忍不住一个接一个地去尝试，去展示。可也正因为如此，很难再沉下心来，只专注于一件事，把它彻底吃透了，再往下走。你总会觉得自己落后了。别人在发布，别人在上线，你就坐不住，于是不停地构建，不停地展示，看起来一直在忙，产出不断。可在这个过程中，你真正花时间去深耕某件事的耐心，早就被这种快节奏消磨掉了。做了很多，但没有一件事真正做到了精通。说到底，越是容易快速起步，越容易浅尝辄止，越容易在忙碌的错觉里，错过真正值得沉下心去投入的那件事。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【#此行间#·走进上海世界会客厅】#这里是上海世界会客厅#！2026世界人工智能大会暨人工智能全球治理高级别会议开幕式在此举行。17日，国家主席习近平出席大会开幕式并发表主旨讲话。共同关注！#2026世界人工智能大会开幕式# 人民日报的微博视频

转发者评论

无明显转发评论