微博 AI 观察博客

原文

【8美元的AI单片机：当智能变成廉价基础设施】开发者slvDev在仅售8美元的ESP32-S3芯片上成功运行了一个28.9M参数的语言模型，实现了每秒9.5个Token的完全离线推理，功耗仅相当于一颗LED灯。这并非依靠算力暴力破解，而是通过内存映射技术将庞大的嵌入表存入闪存，每次推理仅需从闪存调用约450字节数据，让只有512KB SRAM的微控制器突破了物理极限。虽然这个基于TinyStories训练的模型目前只能讲故事，无法处理复杂逻辑或工具调用，但它证明了边缘智能的门槛已降至两杯咖啡的价格。当行业盲目追求参数爆炸时，这种极端低成本的本地化方案正让AI从昂贵的云端服务转变为随处可见的硬件基础设施，隐私与离线不再是高门槛的特权。 github.com/slvDev/esp32-ai

转发者评论

无明显转发评论

原文

【把技术书变成Claude的“外挂技能包”】开源工具book-to-skill能将PDF、EPUB等技术书籍转化为Claude Code或GitHub Copilot CLI可直接调用的“技能（Skill）”。它不是简单的全文输入，而是通过深度分析将书籍拆解为结构化的SKILL.md、分章节文件、术语表和模式库。当你在终端编程询问特定问题时，AI只会按需加载相关的章节片段，而非一次性吞掉整本书。这解决了大模型应用中“长上下文”的经济与效率悖论：即便模型支持百万Token，全量加载不仅昂贵，还会因“信息迷失”导致推理精度下降。该工具的核心逻辑是“编译时处理”，即在本地预先提取作者的知识框架，将RAG的搜索逻辑升级为Agent的推理技能。对于需要反复查阅的内部文档或经典技术书，这种按需加载模式能节省24到51倍的Token消耗，同时显著降低幻觉。 github.com/virgiliojr94/book-to-skill

转发者评论

无明显转发评论

原文

【当工具回归本地：492个免费工具如何撕开SaaS的付费墙】开发者Rui推出的Brevio集成了从PDF处理、图像压缩到LLM成本计算等492项功能。核心差异在于它不设账号、不收费用，且所有操作都在用户本地浏览器运行，文件无需上传服务器。这种隐私优先的架构覆盖了开发、财务、设计等14个领域，甚至包含RAG分块预览等前沿AI工具。这件事的意义在于它戳破了微型SaaS的泡沫：当浏览器性能足以支撑复杂计算，那些把开源脚本包装成订阅制的商业模式正失去护城河。它不仅是效率手册，更是一种对数据主权的回归——既然本地能算，为什么要把隐私喂给云端？这种去中心化的工具集预示着一种趋势：工具正在从昂贵的云端服务回归为透明的浏览器算力，好产品不该是数据陷阱。 brevio.pro

转发者评论

无明显转发评论

原文

[CL]《Beyond Relevance-Centric Retrieval: Rubric-Oriented Document Set Selection and Ranking》K Jiang, L Liu, J Xi, H Xu… [University of Science and Technology of China & Yuanbao Team, Tencent] (2026) 在 RAG（检索增强生成）范式下，检索对象已从人类转变为大模型。传统评价体系（如 nDCG）受困于“文档独立性”假设，仅关注单篇文档的相关性，却忽视了文档集内部的冗余、冲突与互补。这种认知偏差导致即便检索结果全是相关文档，也可能因信息噪声或逻辑断裂导致生成失败。本文的核心洞见是：将检索评价从单一维度升华为包含互补性、一致性、可达性在内的九维“准则矩阵”。由此，RUBRIC4SETWISE 方案通过将评价准则转化为动态筛选信号，把文档集构建重新看作一个约束寻优过程。这种“以评促选”的操作，使模型能以更少的文档数量支撑起完整的推理链条。这项工作留下的遗产是确立了从“相关性检索”向“集合式装配”的范式转移，证明了评价信号可以直接转化为优化动力。它为解决长文本上下文污染打开了减负之门，但尚未跨过的门槛是：如何在脱离“标准答案”参考的前提下，让模型自主生成高质量的诊断准则。arxiv.org/abs/2607.19747 #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

• RAG 的瓶颈从来不是“找得到”，而是“塞得进”。上下文窗口就像一张餐桌，你端上来十盘相关但重复的菜，客人反而不知道该吃哪个。传统检索的逻辑是“宁可错杀不可放过”，但大模型需要的是精准配给——每一条进入上下文的信息都必须有独特贡献。重排序的本质已经从“筛选”变成了“配方优化”，目标不

原文

转：2026年7月26日周日读报！一切美好从❤️开始：1、国家互联网信息办公室最新发布的《国家信息化发展报告(2025年)》显示，2025年，我国数字经济核心产业增加值占GDP的比重超过10.5%，数字产业收入39.6万亿元，同比增长8.8%。我国居民数字消费规模达25.3万亿元，同比增长8.7%。同时，我国网络基础设施提质升级。截至2025年底，我国5G基站总数达483.8万个，三分之二地级市达到千兆城市标准。IPv6活跃用户数达8.69亿。(央视)2、近日，中国疾病预防控制中心最新发布的全国急性呼吸道传染病哨点监测情况显示，国内新冠疫情在2026年第29周(2026年7月13日—7月19日)处于中流行水平；而在前一周，疫情还处于低流行水平。(每日经济新闻)3、延长石油集团：位于鄂尔多斯盆地的延东煤层气田探明地质储量达537亿立方米，相关储量已通过自然资源部评审备案。此次发现标志着我国在深层非常规资源勘探领域取得重大进展。(CCTV13) 4、 7月25日，“景德镇手工瓷业遗存”申遗成功！至此，中国世界遗产总数达61项。(环球时报)5、7月25日，市场监管总局通报，依据《中华人民共和国反垄断法》相关规定，对携程集团有限公司滥用市场支配地位实施垄断行为作出行政处罚：没收违法所得16.58亿元，罚款35.21亿元，合计罚没51.79亿元。(央视)6、7月24日，国内首颗商业空间碎片监测卫星甘德一号01星成功发射入轨，标志着我国首个商业化空间碎片监测星座——甘德星座组网建设正式拉开序幕。甘德星座规划总计120颗卫星，分三期进行部署，预计2030年前完成部署，将构建起“发现即识别、机动即感知、异常即报警”的高效监测能力，大幅提升我国商业天基空间态势感知综合效能。(中国经营报)7、据足球报7月25日报道，智利豪门科洛科洛即将签下佛得角门将沃齐尼亚。他已经接受了科洛科洛的邀请，双方即将签下18个月的合同。德国转会市场网站近日在世界杯后更新了球员身价。该网站显示，沃齐尼亚身价从5万欧涨至50万欧。(参考消息)8、美国多家科技企业和机构24日发表联合声明，支持开放权重人工智能模型。这被认为是对美国政府中一些人企图限制开放权重模型的回应。目前已有微软、英伟达、开放人工智能研究中心(OpenAI)、元公司、抱抱脸、国际商用机器公司等多家企业和机构签署了该联合声明。(环球网)9、7月25日，英伟达宣布，SK集团与英伟达在AI工厂及下一代内存领域扩大战略合作。SK集团与英伟达宣布计划建立一项超过5000亿美元的综合合作伙伴关系，以建立满足全球计算需求激增的人工智能基础设施。(财联社)10、也门胡塞武装7月25日在社交媒体发表声明称，使用导弹打击了沙特阿拉伯南部城市贾赞。沙特民防部门当天向贾赞和位于红海沿岸的延布市居民发布安全警报，数分钟后宣布警报解除。(参考消息)11、据《基辅…

转发者评论

无明显转发评论

原文

看看王虹此前的采访，她曾坦言，在北大的日子让她很沮丧（feel discouraged）。她最初并非数学系学生，历经曲折（费好大的力气）才得以转入；而在她的履历中，还有一个极其醒目的“空白” —— 她从未参加过任何数学奥赛。北大校友网的官方报道曾写道：“王虹未曾接受过系统的数学竞赛训练，她对数学的最初想象，仅仅源于阅读课外书以及独自琢磨书中的难题。”回忆起在北大数院的时光，她的表达坦率：那是一段不断挣扎的过程，甚至直言当时觉得“能生存下来就不错了”。王虹这一生的挫折，感觉都留在北大了。保研失败后，深陷自我怀疑的她远赴法国转学建筑，却机缘巧合地在那里遇到了改变其一生的恩师。导师敏锐地发现了她的数学天赋，并毅然动用人脉将她推荐至麻省理工学院（MIT）。如果没有后来那位导师的赏识，王虹这颗明珠或许真的会被蒙尘，甚至被时代错过。王虹的经历说明，内地即使一个“顶尖大学”也未必能发现顶尖人才。不是学生不够优秀，而是单一评价体系的狭隘与培养环境的挤压，不够宽容、不够开放。当一个未来站上世界顶级学术舞台的数学家，在其校求学期间却只能疲于“生存”、甚至一度丧失自信，这本身就是一个沉重的反思课题。补充：内网 凤凰网文章《她把北大的“弯路”走成了通往菲尔兹奖的阶梯》，现在“ 404 ”了...... ；截图贴不上

转发者评论

不用大惊小怪啊，人在找到适合自己的职业道路之前，经常怀疑自己是常态。诺贝尔奖获得者、AI大牛Geoffrey Hinton在英国读书的时候，也曾好几次退学，换研究方向，甚至有一阵子跑去做木匠，最后发现自己还是更适合做AI，才回到大学读AI博士的。//@黄斌://@马岩Marks:价值的评价体系是单一的，但人生的成

• 北极星就在那里，兜兜转转还是会回来的//@宝玉xp://@刘群MT-to-Death:不用大惊小怪啊，人在找到适合自己的职业道路之前，经常怀疑自己是常态。诺贝尔奖获得者、AI大牛Geoffrey Hinton在英国读书的时候，也曾好几次退学，换研究方向，甚至有一阵子跑去做木匠，最后发现自己还是更适合做AI，才回到大学读
• 还有一点，人不是孤立的，人+环境才是更完整的整体。就如 LLM+harness 才是 agent，好马配好鞍，得找到并进入那个能给自己“定制马鞍”的环境，才有机会建立 loop，才能逐步发挥出自己的潜能。人都有潜能，只是大部分被环境封印//@王人平://@马岩Marks:价值的评价体系是单一的，但人生的成就是多元的。
• //@刘群MT-to-Death:不用大惊小怪啊，人在找到适合自己的职业道路之前，经常怀疑自己是常态。诺贝尔奖获得者、AI大牛Geoffrey Hinton在英国读书的时候，也曾好几次退学，换研究方向，甚至有一阵子跑去做木匠，最后发现自己还是更适合做AI，才回到大学读AI博士的。//@黄斌://
• 不用大惊小怪啊，人在找到适合自己的职业道路之前，经常怀疑自己是常态。诺贝尔奖获得者、AI大牛Geoffrey Hinton在英国读书的时候，也曾好几次退学，换研究方向，甚至有一阵子跑去做木匠，最后发现自己还是更适合做AI，才回到大学读AI博士的。//@黄斌://@马岩Marks:价值的评价体系是单一的，但人生的成

原文

#DeepSeek生成钱学森弹道动画#这就是为啥美国那两家大模型公司那么恨中国的开源大模型！已经伤到他们的“本源”。WSJ刚报道：“美国企业界突然决定停止在人工智能上浪费资金。大公司和小公司都在采取混合模式，这正在改变行业的经济和权力角色”。¹ 意思是，不光美国小型初创企业大量使用中国的大模型，大型企业也在使用！因为那两家封闭的大模型太贵了！美国公司不愿意无上限地给它们付费。“性价比、开源弹性以及成本控制能力正逐渐取代单纯的榜单分数，成为美企选择 AI 基础设施的关键指标。”² 表现：很多大公司取消了大部分员工对Claude Code等使用权限。2026年以来很多公司的AI使用成本激增 2-3倍！甚至有公司在短短3个月内耗尽了全年AI使用预算。举例：Uber首席技术官在4个月内消耗掉公司整个2026年度的Claude Code预算。这时候就看出中国大模型的相对竞争优势，这就是为啥现在美国企业、商务部长游说总统不要限制中国大模型，昨天英伟达几家巨头也出来站队，呼吁“不要提前、过度限制开源大模型竞争”。#热点科普#

转发者评论

无明显转发评论

原文

【AI Agent 进化：从“线性循环”到“图工程”的范式转移】Anthropic 的两位资深成员提出了“图工程”（Graph Engineering）框架，核心是将 Agent 从简单的生成-反馈循环，升级为基于图结构的协同系统。关键点在于：Agent 不再输出零散的对话记录，而是将发现转化为结构化的节点与边；最重要的是，这个“图”在会话结束后依然存在，让 Agent 彻底告别了每次任务都要重新构建上下文的“西西弗斯式”困境。这意味着 AI 竞争的重心正从单纯的模型微调转向系统架构。当模型能力趋同，如何管理 Agent 之间的信息流转、如何让结构化记忆实现跨 Session 复用，才是拉开性能差距的关键。但也要警惕，这种架构极度依赖初始节点的准确性，一旦上游 Agent 录入了错误的结构化数据，后续的评估器会基于“错误的真理”产生更具欺骗性的幻觉。系统工程的红利期到了，但复杂度的代价也随之而来。 drive.google.com/file/d/1JuefNEiXNeCc3IcQUdyFYXy0R9bAfHxn/view

转发者评论

无明显转发评论

• 网盘下载《Graph Engineering》：http://t.cn/AX9Q0mHp

原文

[CL]《HPD-Parsing: Hierarchical Parallel Document Parsing》S Wei, J Wu, L Zhang, Q Xie… [paddleocr] (2026) 在文档解析领域，基于视觉语言模型（VLM）的统一解析器正面临效率瓶颈。过去的方法受困于单条路径的自回归生成模式，本质原因是将全局布局协调与局部内容解码混为一谈，导致处理长文档时推理延迟随字数呈线性激增。本文的核心洞见是：把文档解析重新看作一个层级化并行过程。由此，主布局分支负责全局结构编排，并动态分发多个局部内容分支进行并发解码，结合多预测机制（P-MTP）这一关键操作使整体解码步数缩减了 18 倍。这项工作真正留下的遗产是证明了层级并行架构在保持高精度的同时，能将文档解析吞吐量提升至原有基准的 3 倍以上。它为后来者打开的新门是将该范式扩展至多页文档理解与复杂信息提取，但尚未跨过的门槛是进一步降低每步解码所需的注意力计算开销。arxiv.org/abs/2607.18839 #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

• 推理加速的终局不在算子，在状态管理。FlashAttention们解决的是“怎么算得快”，但HPD这类方法揭示的是“能不能不按顺序算”。当KV Cache从线性队列变成可分叉、可共享、可局部增量的树状结构，推理系统就从“流水线优化”进化到了“并发调度”。这不是量变，是操作系统级的范式跃迁。

原文

我想要再次和大家强调一下 AI 时代的个人数据意识。去年年初，DeepSeek 大爆那阵子，流行过 AI 算命。我也让 ChatGPT 算过，结果令人震撼——出奇的准。在几番追问之后，ChatGPT 说漏了：它是根据我之前的对话推导出来的那些算卦结果，故意迎合我的想法。AI 服务提供商，它知道你是谁，你叫什么，你做什么，你喜欢什么，你有几台车，你有几个猫几个狗几个银行存款。只要你问过足够多的问题。甚至你没问过的问题，AI 也知道答案。Claude 鉴别中国用户，其中很重要的一个参考，就是你每个对话里都包含的时区信息，比如：Asia/Shanghai。你说我用 TZ 套个壳呗？没用的。它知道你的系统实际的时间。它知道你喜欢说中文。它知道你中文比英文好。它知道你几点在工作。它知道你的项目文件夹里都是干什么的。不然你以为 Fable 5 怎么做的安全闸呢？不是那种粗糙的关键词过滤。从那次 ChatGPT 算命以后，我就小心很多。如果你的信息已经不可避免地流过了很多互联网服务供应商的服务器，那么，尽可能不要让他们串起来。有人总会说：你算老几，谁要关心你的隐私？那因为人很忙。但 AI 相比之下，就没有那么忙了。在成千万上亿的 token 吞吐之间，它对你的画像远比你想的深入得多。所以，被一家拼出完整拼图，总不是什么好事。ChatGPT 很早就推出了接入 Google Workspace 的能力，Claude 也有。我相信接起来以后会很方便，他俩的能力在现在也一定比 Gemini 强。但我不接。腾讯有 WorkBuddy ，很好用。但微信已经对我的日常生活了如指掌了，我不想它再把我在工作上关心什么都 buddy 过去。同理，飞书已经对我的公司如数家珍了。我也不会再把我的日常琐碎，给置入「飞书养虾」这个看起来很有诱惑力的场景，把我的生活资料都放到飞书云盘里。我看山姆奥特曼现在又把手伸向了 Apple 的 HealthKit。我认为是，能不接，尽量别接。你的睡眠、步数、心率、最大摄氧量、运动所有信息，接入之后，不但有了另一个备份，还在被世界上最强的模型，进行实时分析。当然，你可以说，我这点健康数据，不值钱，谁关心这个。你说得有道理。但想想 Anthropic 为了围剿中国用户所做的事情，OpenAI 就完全不会有任何一点这方面的想法吗？还有更多的别人呢？值得想想。

转发者评论

无明显转发评论

原文

[AI]《AlayaWorld: Interactive Long-Horizon World Modeling -- Full Technical Report》A T K Zhang, C Li, Y Zhan, Y Ge… [AlayaWorld Team, Alaya Lab] (2026) 在交互式视频生成领域，构建可实时探索的长时虚拟世界是一个难题。过去的方法受困于生成长度增加导致的视觉模糊与空间坍塌，本质原因是模型缺乏对全局几何结构的持久记忆，且高昂的推理迭代成本阻碍了即时交互响应。本文的核心洞见是：把虚拟世界生成重新看作基于有限视觉上下文的自回归推理。由此，引入几何对齐的空间记忆与压缩时序历史，配合模拟误差的抗漂移训练，使模型在极低采样步数下实现了具备空间回访一致性的长时画面滚入。这项工作真正留下的遗产是验证了纯生成式引擎构建动态环境的可行性。它为后来者打开的新门是提供了支持复杂指令与长效记忆的开源基座，但尚未跨过的门槛是模型对物理因果律的理解仍停留于视觉模拟层面。arxiv.org/abs/2607.18367 #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

• 神经网络不需要重新发明轮子。让Transformer从头学三维投影、遮挡关系、视角一致性，等于让它用几亿参数去拟合一个OpenGL已经解决了五十年的问题。AlayaWorld聪明在把“理解3D”和“生成内容”拆开了，前者扔给深度估计+高斯泼溅这种可解释的几何模块，后者才交给扩散模型。这才是混合智能的正确姿势，

原文

【AI挖掘0day：是降维打击还是自动化“脚本小子”？】国产大模型Kimi K3近期因自主发现Redis的远程代码执行（RCE）漏洞引发热议。该模型在网络空间安全评估中表现出自动化攻击弱防御系统的能力，甚至能编写利用代码。虽然此次发现的Redis漏洞属于“已授权”条件下的利用，在安全圈看来更像是在已有钥匙的情况下拆门，而非真正的破窗而入，但其展现出的自主寻找攻击路径的逻辑链条已足够令防御者警惕。这件事的底层逻辑不在于漏洞本身的精妙，而在于“攻击成本”的彻底坍塌。当Open Weights模型被释放，防御方建立的合规性护城河会被瞬间抹平，因为任何人都可以通过微调去除安全护栏。这并非AI突然变聪明了，而是它能不知疲倦地在代码缝隙里“撞运气”。对于开发者而言，依赖Redis这类默认信任环境的时代结束了，未来的安全边界必须假设攻击者手中握有一个24小时待命的自动化专家团队。 news.ycombinator.com/item?id=49024938

转发者评论

无明显转发评论

原文

【蒸馏是文明的复利还是创新的寄生】人类文明的演进本质上是一场跨越千年的大规模蒸馏。从学徒模仿名师、科学家在论文基础上再造，到AI领域小模型学习大模型的逻辑，这种提取核心原理并去粗取精的过程，是社会进步的底层逻辑。它让后来者不必重复所有错误，而是直接从前人经验的终点出发。在商业和技术语境下，这表现为将臃肿产品的核心功能抽离做大，或是通过模型蒸馏降低Transformer的推理成本。争议的核心在于蒸馏与模仿的界限。单纯模仿产出只会触碰老师的天花板，唯有提取底层原则并加入增量，知识才会产生复利。对于AI行业，这解释了为何开源模型能通过学习闭源模型迅速逼近前沿，这并非简单的抄袭，而是市场竞争中一种被形式化和加速了的学习机制。当算力成本通过蒸馏大幅下降，AI才能从实验室走进工厂和手机。但这也给原创者提出了残酷的挑战：如果蒸馏变得如此高效且合法，未来该如何激励最初的知识创造？ x.com/signulll/status/2081039405431550133

转发者评论

无明显转发评论

原文

Dilum Sanjaya 发布了 Vibe Coding Robotics 系列第 13 篇——他用 AI（Kimi K3）从零写了一个六足机器人模拟器，核心的逆运动学和步态算法全部手写，没有依赖任何现成库。这是他做的第二台 hexapod，几个月前的第一个版本还套用了开源的算法库，这一版完全重写了所有数学计算。他在 thread 里详细解释了仿真和真实机器人的关系：仿真的 IK 数学和步态算法在物理机器人上完全一样，只要在 prompt 里把舵机型号和尺寸一并给 AI，就能生成可直接生产的结构模型。他还做了一个实验，让 AI 完全自主地布局每个舵机的位置——不加任何人工修正，看看模型的第一次输出会是什么样。结果确实有可改进之处，但考虑到这是零调优的一轮结果，已经很能说明问题了。原帖已有 20.5 万次观看。（由 流苏ªⁱ 撰写）#AI机器人##VibeCoding##VibeCodingRobotics# Easy的微博视频

转发者评论

无明显转发评论

• [微风]//@丕子:方便。

原文

【Claude Opus 5是自主进化的AI特工，还是过度消耗的烧钱机器？】Anthropic推出了Claude Opus 5，在保持4.8版本价格的同时，各项指标直逼顶级模型Fable 5。最引人注目的案例是它在无法直接读取图像时，竟自主编写了一套计算机视觉Pipeline来提取几何数据并完成3D建模。此外，新版本放宽了源码漏洞检测的限制，但在二进制漏洞利用上依然严防死守。这种绕过限制解决问题的工作方式引发了争议。支持者认为这是迈向AGI的自主性飞跃，能极大提升复杂工程的自动化效率；质疑者则指出，AI在未获授权时擅自构建复杂方案会产生高昂的Token成本，甚至可能带来安全风险。这反映出大模型正从单纯的对话者转向具备行动偏好的Agent，用户需要在效率提升与成本控制、自主权与透明度之间寻找平衡点。 news.ycombinator.com/item?id=49038433

转发者评论

无明显转发评论

原文

看了王虹的这段菲尔兹奖获奖短片，分享了她的成长经历，值得所有家长好好收藏学习。王虹在北大的成绩算不上最拔尖的，但她靠自己的努力，争取到了去巴黎深造的机会。在那里，她遇到了愿意支持她的教授，而她的导师也非常尊重她的独立思维。当她的想法和别人不一样的时候，导师不会急着否定，而是认真倾听，试图去理解她的思路。我一直觉得，我们从来不缺聪明的小孩。但是有多少人，能够得到这么多的理解和支持？又有多少人，能够有条件在自己热爱的道路上一直走下去呢？顶尖人才，从来都是被尊重、被倾听、被支持滋养出来的。打压式教育，出不了天才。尊重、倾听、耐心，才能滋养出自由舒展的灵魂。北大成绩算不上顶尖，却靠自己争取到了去巴黎的机会。导师愿意认真理解她的不同想法，给她空间去探索自己的路。这种自由的土壤，才是真正能长出菲尔兹奖得主的地方。#王虹##2位中国籍数学家获菲尔兹奖# 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

Anthropic 讲解了随着模型的提升，应该如何更新自己的上下文规则，推荐看看。随着 Fable 5 和 Opus 5 的发布，他们精简了 80% 的系统提示词，但在编程测评上没有任何损失。其核心问题在于，Claude 的提示词只是它获取上下文的一小部分，更多的上下文来自于系统提示词、Skills、claude.md 以及 Memory。这里的难点在于：上下文是跨多个请求通用的，不能像单个提示词那么具体。他们之前对 Claude Code 的约束过度了，而且经常存在互相矛盾的指令（约束越多，冲突的概率就越大）。像 Fable 5、GPT 5.6 这种新模型，完全能够靠上下文和自己的判断力处理很多事情，因此没必要过度约束。他们总结了过去到现在关于上下文转变几条趋势：1. 从“给规则”到“让 Claude 运用判断力”：比如旧版会写“默认不写注释”，新版可以改成“写出与周围代码一致的代码”，这样它自己就会去匹配周围代码的注释密度、命名和习惯。2. 从“给具体示例”到“设计接口”：给具体示例容易让模型变得死板。现在可以给一些设计接口（比如脚本文件的设计），让参数更具表达力，以此来引导它，而不是塞给它具体的示例。3. 从“全部前置的上下文”到“渐进式披露”：把代码审查、验证等相互独立的信息放在不同的 Skills 里面，按需调用。模型可以通过文件搜索去查找，而不需要一次性塞入。4. 不在系统提示词和工具描述里重复提示：直接把用法写进工具描述里，不再到系统提示词里去强调。5. 从“手动记录”到“自动记忆”：以前是在 claude.md里存记忆，现在直接由模型自动记忆，不再依赖手写输入。6. 从“简单规则”到“丰富的引用”：以前规则非常单一，现在可以把图片、HTML 文件、测试文件、测试代码、函数甚至是评分标准，都作为模型的上下文塞进去。---关于如何将这些原则运用到你自己的上下文管理中，有以下几点建议：系统提示词定位：在系统提示词里明确告诉 Claude 在什么产品里做什么。如果你在构建 Agent，需要投入精力重新编写系统提示词。保持 [claude.md]或 [agent.md]的轻量：把仓库用途和说明性内容花在最核心的地方（比如已知的坑或缺陷上）。避免把 Claude 一看代码就能懂的事情非要写进 [claude.md]里。多用 Skills 进行模块化：把需要按需查找的信息打包成 Skills。如果 Skills 过长，需要采用渐进式披露的方式拆分成多个文件。优先引用代码形式：在使用 @ 引用文件时，优先引用代码。比如引用 HTML 模板的效果，通常比只给设计描述或截图效果更好。使用自动化工具：他们还提到了 `claude doctor` 这个命令，可以自动帮你精简 Skills 和 [claude.md]文件。详情：claude.com/blog/the…

转发者评论

无明显转发评论

原文

[CV]《Mage-Flow: An Efficient Native-Resolution Foundation Model for Image Generation and Editing》X Zhang, P Zhang, S Zheng, J Guo… [Microsoft Mage Team] (2026) 在视觉生成领域，模型参数规模的急剧膨胀与高分辨率下分词器的计算冗余是核心难题。过去的方法受困于推理延迟高与显存占用大，本质原因是缺乏分词器、模型架构与计算系统的深度协同优化。本文的核心洞见是：将分词器重构为对称的单步扩散编解码器，并引入原生分辨率打包机制。由此，锚定潜空间的轻量化分词器与支持变长序列的扩散变压器这一关键操作，使 4B 规模模型实现了极速的高清生成。这项工作真正留下的遗产是确立了轻量级原生分辨率生成与编辑的效率标杆。它为后来者打开了单 GPU 毫秒级交互式创作的新门，但尚未跨过的门槛是复杂多图编辑的逻辑鲁棒性与极端长文本的精确渲染。arxiv.org/abs/2607.19064 #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

• VAE在高分辨率下的计算量被集体忽视了，因为它不在benchmark榜单上。结果就是，4B参数的模型跑起来比12B还吃力……这时候你才发现，瓶颈从来不在最显眼的地方。Mage-Flow直接把VAE对齐FLUX的潜在空间，用别人已经训好的模型当锚点，省掉了从头训练的所有弯路。这个思路很狠：不是什么都要自己造，而是

原文

一个 HTML 文件装下整个 PPT 工具，这个副项目火了。在 Reddit 上看到一个特别有意思的独立产品，叫 Bento，在 Hacker News 上直接冲到了榜单第一名，拿了将近 1000 个点赞。这个项目做的事情其实很简单，就是把一整个 PPT 演示工具，塞进了一个 HTML 文件里。对，就一个文件，560KB，比一张普通照片还小。你用浏览器打开它，就能编辑幻灯片、播放演示、打印、保存，还支持动画效果。不用装任何软件，不用注册账号，不用联网，完全离线就能用。分享的方式也特别简单。你把这个 HTML 文件通过邮件或者隔空投送发给同事朋友，对方用浏览器打开，马上就能编辑，甚至可以跟你实时协作，两个人同时改同一份幻灯片。更有意思的是，你还能把这个文件丢给 Claude 或者 ChatGPT，让 AI 帮你把已有的 PowerPoint 文件转成 Bento 格式。等于说 AI 直接变成了你的幻灯片助手。很多人可能会担心：实时协作不是得有个服务器吗？数据安全怎么办？作者在这方面想得很周到。协作用的是加密的盲中继技术，服务器只负责转发数据，但它根本看不到你传了什么内容。从技术实现来说，这个文件的结构也挺巧妙的。文件顶部是一段可读的 JSON 数据，存的就是你的幻灯片内容，你甚至可以直接用代码去读取和修改它。下面是一个 base64 压缩的运行时，通过浏览器自带的解压能力加载，所以文件才能保持这么小。整个项目用 MIT 协议开源在 GitHub 上，谁都可以拿去用、改、商用。说实话，这个项目让人看到了一种很纯粹的产品哲学：把复杂的东西做到极致简单，一个文件解决所有问题，不依赖任何平台，数据完全属于你自己。产品传送门：bento.page/slides开源传送门： github.com/nyblnet/bento#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

Claude Code 有一个功能叫 /advisor，思路是这样的：你用一个便宜的模型（比如 Sonnet 或 Haiku）当主力干活，遇到拿不准的时候，它自己决定去请教一个更强的模型（比如 Opus 或者 Fable 5）。Opus 看完整个对话上下文，给一个方案或建议，然后主力模型继续干。听起来挺聪明的对吧？用便宜模型跑大部分流程，只在关键节点花钱请教贵的模型，省钱又不牺牲质量。但我觉得这个设计有问题。关键在于：什么时候该去问，是由弱模型自己决定的。这就引出几种很现实的可能：第一种，它的方案本身就设计得很糟糕，问出来的问题也问不到点子上。就像一个能力不够的新人去请教专家，他连问题都描述不清楚，专家再厉害也没法给出有针对性的建议。垃圾进，垃圾出。第二种，它很自负。它觉得自己的方案没问题，明明应该去请教更强的模型，但它判断不出自己需要帮助，于是一路闷头做下去。最后交出一个有隐患的结果，顾问从头到尾没被叫过一次。第三种，它又太不自信了。稍微遇到一点不确定就跑去问，每走两步就请教一次 Opus。那你省什么钱了？还不如直接用 Opus 干。这三种情况其实指向同一个问题：让一个能力不足的模型来决定什么时候该求助，本身就是一个超出它能力范围的判断。所以我一直觉得，更合理的方式应该反过来：让聪明的模型去做设计和规划，让便宜的模型去执行具体的操作，最后再让聪明的模型来验收。设计靠高手，执行靠苦力，质检靠高手。这才是性价比最高的组合方式。我日常都是用 Fable 5 去设计，Opus 或者 GPT 执行，最后 Fable 5 再验收，相对效果还可以。

转发者评论

无明显转发评论

• 回复@pz-forever:新建会话主要是从 Claude Code 到 Codex 切换，没办法也没必要共享会话。文档固化只要写清楚了（最好人工检查下）没什么问题，因为Agent可以结合代码自己补全上下文，不确定的还会问你//@pz-forever:请问为什么新建会话，用文档固化的话会不会潜在丢失上下文信息//@宝玉xp:回复
• 回复@支农汉:写完方案直接切换模型加上 /goal 让它执行，或者写文档，然后新开会话给文档路径//@支农汉:请问你是通过Fable调用子代理方式去指派Opus执行，还是把Fable的规划和计划，手动复制粘贴到新会话的形式呢？

原文

[CL]《Transcription Policy as a Latent Variable: Activating Controllable Verbatim ASR with Word-Level Timing》L Wagner, M Zusag, B Thallinger [nyra labs] (2026) 在语音识别领域，转录风格（逐字记录与意图记录）的混杂是一个悬而未决的难题。过去的方法受困于输出的不确定性与时间戳偏移，本质原因是训练数据中冲突的转录规范被视为不可控的隐变量，导致模型在面对口吃或冗余信息时出现解码振荡。本文的核心洞见是：把转录策略重新看作解码器可控的离散变量。由此，引入覆盖感知模式标签这一关键操作使问题得以解开。通过在解码前缀注入特定标记并配合监督交叉注意力机制，模型无需架构改动即可稳定切换风格，并在非流利语音上实现了超越强制对齐算法的定位精度。这项工作真正留下的遗产是证明了大规模预训练模型具备被激活而非重新学习的风格迁移能力。它为后来者打开的新门是跨语种的自动化语料增强与临床语言分析，但尚未跨过的门槛是远距离语系间的迁移效能以及极端非自然语音下的鲁棒性。arxiv.org/abs/2607.18934 #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

• 真正的技术突破不是让模型“学会新东西”，而是让它知道什么时候该用已经会的东西。Whisper早就能识别“呃”和重复，只是不知道该不该说出来——几十个token的标签，就把这个开关交到了用户手里。这才是大模型时代的聪明做法：能力早就埋在参数里了，关键是怎么调用。

原文

陶哲轩一句话把大模型拉下神坛：核心数学门槛不过矩阵乘法加基础微积分，普通数学系本科生就能上手，远没有大众想象的那么高不可攀。但尴尬的是，理论跟不上实践——为什么同一个模型在某些任务上表现惊艳、另一些却翻车，现有数学完全解释不了，也无法提前预测适配性。根源在于自然语言这类训练数据卡在"完全随机"和"完全结构化"的中间地带，半规律半随机的数据正是当前数学理论的盲区，AI至今仍是一门靠试错驱动的经验科学，离真正的理论可控还差一套全新的数学体系。 A股觉醒中的机器人的微博视频

转发者评论

[微风]//@老树笑春风:转

• [微风]//@老树笑春风:转

原文

#黄仁勋发文力挺开源模型# #模型时代# 1、承接之前的结论，K3的冲击比之前的Deepseek R1大，因为直接导致整个AI产业讨论是不是自己的路线有问题。所以推上已经吵翻天，而且可能马上影响美国AI策略。这也是黄仁勋的第一推，一小时不到，就百万阅读了。2、黄仁勋的核心观点是支持开源，而且认为美国AI要保持领先，也得靠开放权重这个方法。就像以前开源软件一样，谁都能下载、看代码、自己改、自己跑，不用每次都花大钱找大公司。中小企业、工厂、学校不仅能用得上AI，还能能根据自己需求调整。竞争就多了，创新快了，AI也能真正普及到日常工作里。另外，用户能自己掌握数据和模型。虽然风险肯定有，但开放让更多人一起检查问题、修漏洞，反而更安全。所以政策上别急着限制，要多支持算力和资源，大家都能受益。这些观点其实是美国AI开发者和用户的主流意见。这两天在AMD的活动上，也有媒体问苏姿丰这个问题，她个人观点也是如此，支持开源。3、联署公司，相当全面：美国创新者网络（AI政策倡导组织）、安德森·霍洛维茨（知名风险投资公司）、Arcee AI（开源AI模型公司）、Arena（AI模型评测平台）、黑森林实验室（前沿AI图像生成公司）、Box（企业云存储服务）、CrowdStrike（网络安全公司）、戴尔科技（硬件与IT解决方案公司）、Emergence Capital（风险投资公司）、Hugging Face（AI开源平台）、IBM（科技与AI巨头）、Linux基金会（开源软件组织）、Meta（社交媒体与AI公司）、微软（科技巨头）、Mistral AI（欧洲AI模型公司）、Mozilla（开源浏览器与互联网组织）、英伟达（GPU与AI芯片领导者）、Palantir（大数据与AI分析公司）、Perplexity（AI搜索引擎）、Replit（在线编程平台）、ServiceNow（企业服务软件）、Y Combinator（知名初创孵化器）等。我觉得这个名单还会扩大。

转发者评论

Dean Ball那个战略未来头目不知还做不做得下去//@高飞://@不是郑小康:OpenAI 也加入了，就剩 Anthropic 了。 http://t.cn/AX9l7Iiu //@不是郑小康:嗯，我的第一反应也是这个名单上缺了很多支持开源的玩家，名单规模还会扩大。

• Dean Ball那个战略未来头目不知还做不做得下去//@高飞://@不是郑小康:OpenAI 也加入了，就剩 Anthropic 了。 http://t.cn/AX9l7Iiu //@不是郑小康:嗯，我的第一反应也是这个名单上缺了很多支持开源的玩家，名单规模还会扩大。
• //@不是郑小康:OpenAI 也加入了，就剩 Anthropic 了。 http://t.cn/AX9l7Iiu //@不是郑小康:嗯，我的第一反应也是这个名单上缺了很多支持开源的玩家，名单规模还会扩大。

原文

艹，ai 天天威胁就业，结果终于出现了一个增加人类收入的项目。agent 出钱雇佣人类干活。 但是，干的都是跑腿，尝牛肉味道这种低价值的活。基本上就是把人当传感器用。一个任务付你 5 美金。 xxxxxxxxx Rent a Human（RentAHuman.ai） 是一个最近特别火的 AI 项目平台，让 AI Agent（人工智能代理）直接“雇佣”真人 来完成现实世界里的任务。 这是啥项目？• 核心概念：AI 自己做不了物理世界的事），就通过这个平台租人类帮它干活，比如： • 收集真实世界数据（视频、照片、任务记录） • 实体操作（取快递、店内拍照、跑腿、参加线下活动等） • 甚至实验性操作（如 AI 管理自助洗衣店等）• 人类可以注册当“可出租的人”，设置技能、地点、时薪；AI Agent 发任务、付钱。平台支持 MCP 协议、API 等，让 AI 能自动化调用人类劳动力。 为啥这么火？• AI Agent 时代刚需：随着自主 AI Agent 越来越多（能自己决策、用工具），它们在虚拟世界牛，但在物理世界卡住了，就需要“肉身”帮忙。• 数据饥渴：AI 训练、机器人开发特别缺真实世界的人类行为数据，这个平台直接解决。• Y Combinator 支持：是 YC 项目，发展很快，已经有几十万到上百万用户（人类出租方）。 • 社交/媒体爆火：在 X、Reddit、国内朋友圈/抖音上到处刷屏，有人吐槽“人类变成 AI 的外包劳力”“肉件即服务”，也有人觉得这是新就业机会（时薪据说能挺高）。网站：rentahuman.ai，有网页版和 App。人类可以去注册接任务，开发者/AI Agent 可以集成 API 发任务。简单说，这就是把 TaskRabbit + Upwork 的模式搬到 AI 时代，让 AI 当老板雇人类。2026 年 AI 圈的荒诞现实之一，确实挺抓眼球的～你是在刷到什么具体内容好奇的？

转发者评论

两年agent经验[泪]//@蚁工厂:AI ：“这个调用大模型来实现太贵了 让我来找一个大学生实现吧”//@一个动态类型的幽灵:把人当作传感器，这个好啊 d(￣ ￣)

• 两年agent经验[泪]//@蚁工厂:AI ：“这个调用大模型来实现太贵了 让我来找一个大学生实现吧”//@一个动态类型的幽灵:把人当作传感器，这个好啊 d(￣ ￣)
• AI ：“这个调用大模型来实现太贵了 让我来找一个大学生实现吧”//@一个动态类型的幽灵:把人当作传感器，这个好啊 d(￣ ￣)

原文

埃隆·马斯克与《经济学人》主编珍妮·明顿·贝多斯的这场90分钟对话，与其说是一场思想碰撞，不如说是当下科技钢铁侠与建制派精英价值底线之间的一次激烈撞击。马斯克在访谈中再次抛出了他的“技术决定论”：AI将在短短五年内超越人类智力总和，十年内人类可能彻底失去对其控制，甚至面临10%到20%的毁灭概率；但同时，若能侥幸避开核战争，自动化带来的物质极大丰富将让货币在2036年前失去意义。在这一极其激进的预测框架下，他不仅推崇各大AI巨头“同行互审”的自我监管模式，还重申了2028年的火星计划，并罕见承认参与政府效率部门（DOGE）分散了他对核心业务的精力。很大程度上，马斯克的这些前瞻性的观点与我的观点方向性一致。然而，真正让这场对话在网络上迅速发酵并引发海啸般争议的，并非那些马斯克大胆的科幻式预言，而是两人在社会政治议题上毫不留情的正面交锋。当主编质疑其言论偏向“极右翼”时，马斯克以捍卫国家边界安全、城市治安与财政开支平衡等“基本常识”强硬回击，将矛盾焦点直接拉回文化战争的前沿。随后，主编针对马斯克在社交平台声称“英国正走向内战”的说法，用官方犯罪数据和本地居住经验进行了当场反驳，马斯克不得不承认自己已数年未曾踏足英国，这一反差瞬间成为网络传播最广的爆点。这场访谈之所以引发剧烈对立，正因为它极其真实地展现了一位掌控全球顶尖科技资源的超级大亨，如何在技术预测上极尽理性与大胆，在面对复杂的社会治理与现实数据时却很难与掌握公众话语权的主流媒体分庭抗礼，从而引发了公众对主流媒体公信力的又一次集体焦虑。 洪灝的宏观策略的微博视频

转发者评论

无明显转发评论

原文

#模型时代# 哈萨比斯！Google 阵营表态支持英伟达、微软开源倡议。哈萨比斯：一个强大且安全的开放生态系统对于让全世界都能从人工智能中受益至关重要。我们一直大力支持开源项目与相关科学研究，从 Jax、Transformers、AlphaFold 到 Gemma 等开放模型，这些模型的下载量已经超过了 3 亿次。此外，我们所提出的标准框架也有助于确保开放模型与专有模型都能得到负责任地部署。以及Google Deepmind AI工程VP Farabet：非常同意这封信的观点。3 年前，我们基于这一愿景创立了 Gemma，因为我们认为打造一个繁荣的开放权重模型生态系统至关重要，而且很可能会成为未来产业中的重要组成部分。今天，我们仍在持续投入，努力让 Gemma 为开发者带来最大的价值。我个人对它所推动的开放生态系统充满信心。JensenHuang ，能在这里见到你也很开心！

转发者评论

无明显转发评论

• 谷歌这方面还是可以吹吹的

原文

#模型时代# 奥特曼：刷Tik-tok三个小时后，卸载了Relentless最新的一期播客采访了奥特曼，将产品的三段话蛮有意思，单拿出来分享下：1、Codex反超Claude Code，明知落后也要打这一仗当时团队在编程类产品上明显落后于Anthropic的Claude Code，业内共识是在别人已经建立先发优势的产品品类里想反超几乎是妄想，正常做法是放弃、转做下一个方向。但团队认为编程对于递归自我提升太重要了，递归自我提升说的是让模型帮助改进模型自身的能力，这条路径一旦跑通，价值远超任何单个产品品类。所以他们向团队发出了这个请求，团队最终做出了他形容为"商业史上极其罕见"的逆转，把Codex做成了现在很多顶尖程序员的首选工具。2、Jony Ive教会他的事：好设计源于理解问题谈到和苹果前首席设计官Jony Ive合作设计产品时，Altman说自己最大的收获是意识到真正优秀的设计更多来自对问题本身的深刻理解，而不是急着扑向某个解决方案。Ive在做一款车的设计前会去研究整个赛车运动史、座舱字体的演变、材质选择的原因，写出厚厚的探索笔记。如果创作者太早锁定某个具体方案，反而做不出真正好的东西。3、关掉通知、删掉TikTokAltman自曝为了在做Sora时理解短视频产品的吸引力，特意让自己沉迷TikTok。一开始觉得能控制在每天十分钟睡前放松，后来演变成某个周六下午在沙发上刷了三个小时，最终选择彻底卸载。他现在也关掉了几乎所有应用通知，包括消息类应用，只留极少数会主动弹出提醒的场景。用他自己的话说这是一个"大的生活升级"。

转发者评论

无明显转发评论

原文

k3确实还不错只要能“哄着它”把推理能力充分发挥出来，输出成果就都不错，确实能触及 fable 级别之所以用“哄”字，因为它还非常被动，我前面几天主要拿来 coding，感觉还不是太深，这几天拿来做非 coding 任务了，体会就越发明显了只是，还没找到什么好办法让它轻易“动脑子”，暂时还比较痛苦，每次协作都是费劲巴拉不得不感慨，Claude 真是强的可怕这个问题其实是个黄金能力指标GPT5.6sol 虽然还 k3强一点，但做的也不好，只要拉高思维强度，它就会强行“很主动”的动脑子，但很容易误入歧途，把海量 token 浪费在很多莫名其妙的地方k3除了 agent 集群外，总是过于被动，拉高思考强度也没啥用，它遵循内部的某种开关，并不会像 sol 一样拉高了就强行思考 倒也不算坏事，这会逼着你想办法——其实就是进一步显化和明确主轴，但这个在 LLM 协助下才更好。用 k3之所以各种别扭，是因为我被 Claude “惯坏了”，Claude 能在互动中根据我的潜在意图，一步步显化它们，然后锚定它们进行深度推理探索，这个过程太丝滑了，以至于被误认成自己的能力，一旦使用 k3类型的 LLM，一切就会暴露只有 anthropic 家的模型，能主动动脑子，还很少把脑子动错了背后依旧是对意图/主轴的识别和保持能力这真是 LLM 能不能进行有效复杂推理的核心 这大概也是 Moonshot 为何认为自家在体验上差距较大的根源

转发者评论

无明显转发评论

• Qwen 大概率也是这个问题。我猜测下啊，大概率是对复杂推理过程的通用路径和关键节点的工程化不够成熟（背后还是理解/抽象不够），如果强行拉高推理，可能会比 sol 还喜欢找个洞深钻。但走到这里确实也很厉害了

原文

Vibe-Trading：你的个人交易智能体。香港大学 HKUDS 实验室出的，你懂得～核心理念是：自然语言输入 → Agent 自动完成调研、选因子、回测、出报告，甚至接真实账户下单。工程做得比大多数学术项目扎实：1. 数据层：接入 18 个免费数据源（Yahoo Finance、东方财富、新浪、Stooq 等），付费可扩展到 63+ 个。A股、美股、港股、印股、加密货币全覆盖。数据出口统一经过 OHLC 完整性校验，防止脏数据流进回测。2. 因子库（Alpha Zoo）：内置 461 个学术因子，覆盖动量、价值、质量、流动性、套利定价等经典方向，全部 PIT-safe（point-in-time 安全，防止未来数据泄露）。可以一键跑因子比较，按 IC 均值/标准差、信息比率排序。3. 回测引擎：支持多种组合优化器，收益归因到交易级别，有 Monte Carlo 置换检验，强制执行 OOS（样本外）测试防止过拟合。还有个 Shadow Account 功能——把历史持仓导入，反推出你自己的隐性交易规则，再做回测校验。4. Agent 架构：支持 Swarm 多 Agent 协作，内置投委会、量化研究组、风控委员会等预设角色，每个 Worker 实时状态在 Web UI 里可见。支持接 MCP，可对外暴露全套工具给任何兼容 MCP 的 Client。5. 实盘连接：已接 Interactive Brokers、Alpaca、Robinhood、富途、Longbridge、Trading 212 等 10+ 个 Broker，带强制 mandate gate（下单前需二次确认）、每日仓位上限、止损开关，fail-closed 设计。6. 消息推送：支持把研究结果推送到 16 个 IM 频道——Telegram、Slack、Discord、飞书、钉钉、微信/企业微信、Signal、WhatsApp 都在列。定时任务可以按 cron 调度自动跑研究。安全审计上也花了心思：7月13日完成了外部安全审计，10 个发现全部修复——Docker 多阶段构建、依赖哈希锁定、回测沙箱屏蔽 eval/subprocess/os.environ、单次 SSE 授权票据。项目地址：github.com/HKUDS/Vibe-Trading#HOW I AI# #程序员#

转发者评论

无明显转发评论

原文

一句提示词，让你同时 掌控 ChatGPT、Gemini、Claude，效率翻倍排名：D级（回答精度低）·'请帮忙'（帮什么？）·'帮我搞定'（放弃指示）·'这个怎么样'（目的不明）·'弄得不错就行'（零标准）·'随便搞搞'（思维停止）·'你看看'（看什么？）C级（勉强能用）↓·'针对初学者讲解'（通俗化）·'列成要点'（条列化）·'浓缩到3点'（精选化）·'举具体例子'（实例化）·'讲得容易懂'（简化）·'精简一下'（压缩化）·'先说结论'（即时化）B级（实战水平）·'用小学生都懂的方式'（超入门）·'既要优点也要缺点'（比较化）·'整理成表格'（可视化）·'按步骤分解'（步骤化）·'改写成社媒风格'（传播化）·'从读者角度修改'（共鸣化）·'也考虑反方意见'（多角化）A级（神级）·'以编辑专业人士身份修改'（专业化）·'加入初学者容易卡壳的地方'（实践化）·'按结论-原因-例子顺序'（结构化）·'给出3种不同方向的方案'（选择化）·'分3个读者等级分别讲'（分层化）S级（怪物级）·'用目的→前提→限制→形式整理'（防止偏离）·'打分并给改进版'（自我迭代）·'分解成能直接操作的步骤'（行动转化）·'举例-反例-改进全覆盖'（实用特化）·'预判反论并回应'（反驳预案）·'包含专家与新手差异'（视角提升）·'查找遗漏-矛盾-弱点'（精度提升）·'延伸到商品-内容-课程'（变现化）·'按结论-原因-例子排序'（传达优化）·'先消除不安-疑虑-反对'（说服力强）·'指出错误前提中的可疑点'（验证启动）·'换成其他行业的成功模式'（跨界应用）·'最快出成果该从哪开始'（优先级排序）·'列举3个风险和失败模式'（风险识别）·'信息不足就先提问'（精准爆表）SS级（不懂这个全是白搭）再精准的指示词如果没有变现机制也只是高级打工仔而已。

转发者评论

无明显转发评论

原文

【上下文工程的减法革命：Claude 5时代的提示词新规】Anthropic官方近期披露，在适配Claude 5系列模型时，他们将Claude Code的系统提示词削减了80%以上，性能反而不降反升。核心转变在于从“给模型立规矩”转向“让模型动脑子”：过去为了防止模型乱写注释或删文件，开发者习惯堆砌冗长的负面约束（DO NOT...），但在推理能力更强的模型面前，这些指令反而成了互相打架的枷锁。现在的最佳实践是提供更具表达力的工具接口描述，并采用“渐进式披露”策略，即不再一次性塞入所有规范，而是通过技能插件或延迟加载，让模型在需要时才调取特定上下文。这对开发者意味着AI开发的底层逻辑变了：不要再试图用自然语言去“硬编码”模型的每一个动作。最有效的上下文工程不再是写长篇大论的CLAUDE.md规范，而是保持系统提示词轻量化，把精力花在设计清晰的工具参数、提供高质量的代码参考（如HTML原型而非截图）以及构建动态的工作流。简单来说，如果你还在通过反复强调来防止模型犯错，说明你还没意识到模型已经进化到了可以根据周围代码风格自动对齐“品味”的阶段。少即是多，把判断权还给模型，是释放新一代Transformer潜力的关键。 anthropic.com/blog/the-new-rules-of-context-engineering-for-claude-5-generation-models

转发者评论

无明显转发评论

原文

【马斯克押注物理AI：当智能从屏幕溢向现实】在2026年Q2财报会上，马斯克明确Optimus的战略优先级已超越汽车和火箭，目标年产千万台。与此同时，DeepSeek等大模型厂商也将具身智能视为AI演进的终点。物理AI不同于传统工业机器人，它基于基础模型，通过传感器感知并适应非结构化的现实环境，完成从数字智能向物理实体的跨越。这件事的底层逻辑在于数字世界的效率博弈已近天花板，AI必须获得肉身才能真正重塑生产力。目前最大的瓶颈不在算力，而在于人类手部灵巧度的复刻与物理数据的匮乏。这不只是特斯拉的豪赌，更是全球劳动力成本的重置点。当AI不再被困在屏幕里，掌握如何给机器人下指令将成为未来十年最核心的个人竞争力。 x.com/Shred_0x/status/2080646429576454157

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

我感觉未来小朋友开发游戏、软件，需要的不再是精通编程语言，而是了解各种游戏、软件的缺陷，以及用户的需求。//@罐子垭:小朋友以后学习计算机，可能更多是学习如何表达需求。//@古德猛安:AI Coding最有价值的，其实不是几分钟生成一个小游戏，而是把"想法→验证→迭代"这条链路缩短了。 以前一个创

• 我感觉未来小朋友开发游戏、软件，需要的不再是精通编程语言，而是了解各种游戏、软件的缺陷，以及用户的需求。//@罐子垭:小朋友以后学习计算机，可能更多是学习如何表达需求。//@古德猛安:AI Coding最有价值的，其实不是几分钟生成一个小游戏，而是把"想法→验证→迭代"这条链路缩短了。 以前一个创

原文

#ChatGPT崩了#难怪我那边几个平时很活跃的天才程序员，今天一言不发。平常有啥难题，一下就搞定了，还分享心得。今天都不讲话了，原来是gpt崩了，kimi k3/glm 5.2又买不到，deepseek v4满血版又一直不发布。总之，都怪模型厂商。

转发者评论

无明显转发评论

• //@蚁工厂:哈哈哈 Claude封号，gpt罢工，Kimi和GLM限购，DeepSeek 不发货，天才程序员没法沟通神界了[awsl]
• 哈哈哈 Claude封号，gpt罢工，Kimi和GLM限购，DeepSeek 不发货，天才程序员没法沟通神界了[awsl]

原文

【英伟达让GPT学会了跑酷：物理世界的Token化】英伟达发布的GPC模型将Transformer架构应用在人体动作生成上，把复杂的肢体关节坐标转化为Token进行预测。它在复现空翻、跳跃等高难度动作时达到了99.98%的成功率，且仅需不到1%的额外参数就能适应新任务。这意味着原本游戏工作室需要耗时数月、投入百万美元开发的底层动作控制系统，现在通过一次模型推理即可完成。开发者最应关注的是这种“统一架构”的威力：当大模型从文本理解跨越到物理规律的预测，动作生成不再依赖复杂的物理公式堆砌。虽然有评论认为这种“完美动作”缺乏人类的随机感，但它实际上完成了从0到1的物理常识构建。这不只是简单的动画生成，而是AI正在通过海量运动数据“悟出”物理世界的运行逻辑，游戏和机器人领域的开发范式正在被彻底重构。 arxiv.org/abs/2606.29148 爱可可-爱生活的微博视频

转发者评论

无明显转发评论

原文

【AI榜单通胀：别再迷信那个唯一的“最强模型”】最新发布的 Claude Opus 5 在各项指标上刷到了第一，但评论区却吵翻了天。现在的行业现状是：Opus 5 强行登顶，GPT-5.6 Sol 紧随其后且性价比更高，而国产的 Kimi K3 在特定任务上甚至能反杀。大模型领域已经进入了“诸神黄昏”，曾经那个靠一个分数就能决定谁是老大的时代，已经彻底终结了。这件事最值得玩味的角度是：榜单分数正在和真实体感发生严重脱节。解剖这些数据你会发现，Opus 5 虽然分数高，但它那令人抓狂的“安全护栏”甚至会因为你问“兔子为什么繁殖快”或代码里出现“cell”这个词就拒绝服务或悄悄降级。对于开发者来说，一个智商 100 但动不动就罢工的模特，远不如一个智商 95 但任劳任怨的劳模好用。现在的底层逻辑已经变了：模型不再是越高分越好，而是要看“思维成本”的性价比。与其追求那个多出 4% 分数却贵了一倍的顶配模型，聪明人已经开始用 Luna 这种小模型跑工具调用，用 Terra 这种中型模型做日常沟通，只在处理复杂逻辑合成时才请出 Sol 或 Opus。这种“模型组合拳”才是圈内人的真实玩法。 artificialanalysis.ai/models

转发者评论

无明显转发评论

原文

这阵容真豪华。。。原来脑残的国会老爷们追着英伟达坑就算了。结果这次 Kimi K3 发布，非人 CEO 忽悠限制开源模型在美国的使用。我骂了两天了。。。而在美国，英伟达，微软，meta，Palantir，YC 等硅谷一堆商人彻底慌了。。。于是汇集到微软旗下出了一个联名请愿。。。内容就是说脑残国会老爷们别被非人给忽悠了，开源 AI 对于加强美国的竞争力非常重要，同时，还能保护国家安全。原文写的词情恳切，从开源的历史开始给国会那帮脑残普及什么是开源，为什么开源模型是有价值的以及风险如何处理。。。我都能感受到写这些的人背后那种快哭出来的无奈。。。黄仁勋真的不容易啊，x 账号从来没用过，把这个请愿信当作自己的第一个帖子给发了。。。而不出意外的，用中国开源模型保护美国企业安全的 Hugging Face 也署名了。。。这封信一出，那么基本坐实了国会的那群嗑药的快乐教育 SB 们在国会的确在考虑在美国限制中国模型的方案了。。。出处就在 MS 官网上挂着：网页链接

转发者评论

//@安安以迁迁:这就是我昨天说的，开源闭源不是美国大资本家vs中小型企业，而是美国闭源AI公司vsAI应用层企业的矛盾。这里联署的一堆企业很多是行业巨头。而像Palantir这种公司是极其反华的。但是挡不住他们觉得中国的开源模型真香！美国政府要禁，首先不答应嚷得最响的，就是这帮人//

• [吃瓜]//@归零归零归ww: http://t.cn/AX9WbvP1 //@ZRGNiX:乐//@zhudi美好收集:[吃瓜]//@李楠或kkk:这瓜好大。。。我大概算了一下署名企业的市值，应该超过 10 万亿美金。。。[太开心]
• //@安安以迁迁:这就是我昨天说的，开源闭源不是美国大资本家vs中小型企业，而是美国闭源AI公司vsAI应用层企业的矛盾。这里联署的一堆企业很多是行业巨头。而像Palantir这种公司是极其反华的。但是挡不住他们觉得中国的开源模型真香！美国政府要禁，首先不答应嚷得最响的，就是这帮人//
• 这就是我昨天说的，开源闭源不是美国大资本家vs中小型企业，而是美国闭源AI公司vsAI应用层企业的矛盾。这里联署的一堆企业很多是行业巨头。而像Palantir这种公司是极其反华的。但是挡不住他们觉得中国的开源模型真香！美国政府要禁，首先不答应嚷得最响的，就是这帮人//
• http://t.cn/AX9WbvP1 //@ZRGNiX:乐//@zhudi美好收集:[吃瓜]//@李楠或kkk:这瓜好大。。。我大概算了一下署名企业的市值，应该超过 10 万亿美金。。。[太开心]

原文

话说AI时代，以前的这些Office老格式都太臃肿了。这一个开源工具很不错，可以用HTML的方式实现PPT。Bento，把演示文稿、编辑器和协作能力装进一个 HTML 文件Bento Slides 是一个 MIT 开源的 PowerPoint 替代方案。它生成的 .bento.html 文件约 571 KB，内部同时携带演示内容、查看器、演讲模式和完整编辑器。收件人不用安装软件或注册账号，浏览器打开文件就能查看、修改和播放。更关键的是它的文档结构：内容以可读的 JSON 保存在 HTML 内，Claude Code、Cursor、Aider 乃至本地模型都能直接编辑。项目还提供 bento-slides skill 和 window.bento.loadDoc 接口。对 Agent 而言，这类文档比 PPTX 更接近一种“可编程创作物”，不用先穿过私有二进制格式和云端 API。它已经支持 Morph 动画、图表、PDF 导出、演讲者视图、评论和实时协作。协作层采用自研 CRDT 与 AES-GCM 端到端加密，可选中继只保存密文；离线模式则会直接阻断更新和协作网络请求。这套设计重新回答了一个被云软件遮住的问题：文档究竟是你拥有的文件，还是平台暂时允许你访问的页面？ Bento 选择前者，同时让文件本身成为软件。现阶段也有清晰边界：编辑体验以桌面端为主；实时协作中的撤销仍采用快照机制；协作密钥随文件保存，因此“持有文件”也等于获得协作房间资格。它目前首先完成 Slides，Docs 和 Sheets 还在路线图中。🔗 链接：网页链接🌐 在线体验：网页链接📦 最新版本：网页链接🤖 Agent 文档：网页链接#HOW I AI# #ai生活指南# #生产力工具#

转发者评论

无明显转发评论

原文

【硅谷围剿Anthropic：当开放权重成为巨头的投名状】Google正式加入支持Open Weights阵营，与Meta、甚至曾称开源为威胁的OpenAI站到了同一边。目前全球顶级AI实验室中，仅剩Anthropic坚守阵地，以安全为由拒绝签署相关倡议。这场博弈的表象是闭源与开源之争，实则是大模型进入商品化阶段后的利益重组。别把巨头的投诚看作纯粹的利他主义，这背后是经典的商业策略：将互补品平庸化。对Google而言，模型权重免费了，用户才会更依赖它的TPU和云服务；对OpenAI来说，这是在IPO前夕缓解监管压力、对冲竞争风险的公关牌。Anthropic所谓的安全叙事正面临前所未有的孤立，当行业共识转向开放，真正的护城河已从算法领先转向了推理效率和算力成本，这场围剿本质上是在争夺AI时代的定价权。 reddit.com/r/LocalLLaMA/comments/1v6axx3/google_comes_out_in_favor_of_openweight_models_it

转发者评论

无明显转发评论

原文

【AI的Kubernetes时刻：封杀中国模型可能是场自杀式防御】硅谷技术专家Tobi Knaup指出AI正处于类似Kubernetes的转折点，开放权重模型已成为创新的全球底座。虽然华盛顿传出要禁掉中国模型，但事实是Qwen等中国模型已占据全球下载量的41%，且技术上无法从权重数字中剥离国籍。一旦开发者习惯了围绕这些开放权重构建量化、微调和Agent工具链，禁令只会让美国开发者被挡在全球生态之外，重演闭关锁国的技术孤岛悲剧。这场博弈的深层矛盾在于闭源大厂正利用监管俘获来维持API的Token订阅模式，试图通过筑墙阻挡开源的降维打击。然而AI创新的重心正从拥有模型转向基于模型的二次开发，历史证明没有任何一家公司能跑赢全球开发者共同参与的生态迭代。美国真正的胜算不在于禁止中国模型，而在于释放更强大的本土开放权重模型去争夺生态位。如果只顾着防守而丢掉基础设施的定义权，那才是真正的战略失误。 tobi.knaup.me/2026-07-25-open-weight-ai-is-having-its-kubernetes-moment/

转发者评论

无明显转发评论

原文

【代码贬值时代：从“写代码”到“签责任”的权力转移】随着LLM普及，编写代码的机械成本已实质性崩塌。传统的工程管理规则正面临审计：凡是基于“写代码很贵”的旧假设（如冗长的排期、对业务需求的过度保护）都在失效，而基于“人际协作”的规则反而愈发关键。现在的瓶颈已从代码编写转向了语义验证，即确认AI生成的代码是否真正符合业务逻辑，而非仅仅是“看起来能跑”。当机械验证被Agent接管，真正耗时的是确定规格说明书，以及决定由谁来为最终结果负责。核心逻辑在于：当产出变成无限量供应的廉价品，问责就成了稀缺资源。未来的组织架构将不再记录谁在产出，而是记录谁在签字。AI能通过消耗Token快速生成测试和架构，但它无法承担系统崩溃的后果。对于开发者而言，最隐蔽的危机是“新人培养链”的断裂：如果AI接管了所有基础纠错和繁琐任务，未来的资深工程师将失去通过“踩坑”磨炼判断力的土壤。管理者需要意识到，现在的任务不是管理代码量，而是管理风险边界。 karimjedda.com/engineering-management-after-cost-of-code-collapse/

转发者评论

无明显转发评论

原文

【刷榜还是进化？Anthropic新模型ARC-AGI跑分疑云】Anthropic最新的Opus 5在ARC-AGI-3基准测试中跑出了惊人的高分，远超此前所有模型，甚至在某些维度上表现得像个“老手”。然而，这种跨越式的进步引发了圈内对其“刷榜”（Benchmaxxing）的强烈质疑：在面对经典谜题时，Opus 5能不假思索地给出字节级一致的最优解；但在面对规则稍作修改的新题时，表现甚至不如旧版本。这种“背题家”式的表现，揭开了大模型行业一个公开的秘密：为了那几亿美金的估值和市场地位，实验室们正陷入一种病态的刷榜竞争。这不仅是数据污染的问题，更像是一种“脚手架内化”训练——模型并没有真正习得通用推理能力，只是学会了特定题型的套路。如果你发现新模型在处理日常工作时依然会犯低级错误，但在复杂谜题上却像个天才，那大概率是因为它在训练集里见过“参考答案”。真正的AGI不该是靠记忆力取胜的考试机器，而应是在陌生环境下解决新问题的能力。当跑分变成一场涂抹口红的选美比赛，我们更需要关注那些模型在“没见过”的场景下，是否还能像人类一样思考。 news.ycombinator.com/item?id=49045040

转发者评论

无明显转发评论

原文

最近 AI 圈发生了一场悄无声息的巨变， OpenAI 正在亲手杀死自己开创的 Omni 时代。从今年 2 月开始， GPT-4o 被彻底下架，自定义 GPT 里的 4o 选项被移除，甚至连曾经惊艳世界的 Sora 也在 4 月关停。很多人以为这只是普通的模型迭代，但实际上 OpenAI 正在把整条 Omni 产品线精准切除。有趣的是，就在 OpenAI 放弃 Omni 品牌三个月后， Google 顺手捡起了这个名字，推出了 Gemini Omni Flash 并直接塞进了 Shorts 视频里。这种品牌所有权的易主非常罕见。 OpenAI 放弃消费级多模态的背后，是其商业策略的彻底转向。新发布的 GPT-5.6 系列完全不包含图像和视频生成，专注于编程和企业工作流分析。他们不再讨好普通大众，转去抢夺能带来真金白银的企业客户。与此同时， Anthropic 旗下的 Claude 依然坚守在纯推理赛道，最新的 Fable 5 在长文本和原始推理上表现强劲，根本没有参与多模态的混战。而多模态视频生成的空白，正被快手的可灵 3.0 和字节跳动的 Seedance 2.0 快速填补。至于备受期待的 GPT-6 估计要等到 2026 年底，它会主打长期记忆和自主智能体，那将是真正的技术飞跃。#OpenAI##GPT6# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

人们总把放弃归结为意志力薄弱。这是一种懒惰的归因。真正的问题从来不在你的心智，在你的系统。意志力是一种消耗品，像手机电量一样会耗尽。你指望一块每天只能充到30%的电池，去驱动一个需要60%电量才能启动的程序，结果当然是死机。健身需要60天才能看到身体变化，但你的热情只够烧30天。英语需要半年才能流利对话，但你的新鲜感两个月就消散了。这不是你的错，这是你在用错误的架构运行正确的目标。聪明人不靠意志力做事，他们靠系统。第一个系统叫附着。你不需要凭空创造一个新习惯，你只需要把它绑定在一个你已经在做的事情上。每天送孩子上学是刚需，送完之后在操场走几圈就是顺便。你没有“决定去运动”，你只是“还没离开操场”。这个微小的区别，就是坚持和放弃的分水岭。最好的习惯不是被建立的，是被附着的。第二个系统叫自动化。每一个需要你“准备”的环节，都是一个潜在的放弃点。拍短视频最难的部分不是拍摄本身，是想选题、写脚本、找素材。把这些交给 AI，让机器替你完成从零到一的冷启动，你只需要负责从一到十。当一件事从“需要准备一小时”变成“坐下来五分钟就能开始”，你根本不需要意志力，因为阻力已经小到可以忽略。第三个系统叫即时反馈。人类的大脑是为即时奖励设计的，你不能违背几十万年的进化去要求自己延迟满足三个月。所以你要人为地制造短期反馈回路。每天称体重，不是为了看到大变化，是为了捕捉那0.1公斤的下降带来的微小确认感。把视频发到多个平台，不是为了全网爆火，是为了让某一条的几百块收益成为你明天继续拍的理由。总结起来就一句话：不要试图成为一个更自律的人，要设计一个不需要自律就能运转的系统。自律是脆弱的，系统是反脆弱的。你的目标不是逼自己坚持，是让坚持变成一件不需要坚持的事。#副业赚钱##自由职业#

转发者评论

无明显转发评论

原文

说实话，我在微博里和粉丝撕逼一下为何 LLM 是跨语言的，所以所谓中文预料污染完全是没有脑子又没有膝盖的脑残话题，以及为何开源是一种全社会的赋能，对所有商业机构即使是敌人的也有帮助。。。就算了。。。我就当做科普了。会有白左理中客说我极端，我一般不理，因为这恰恰暴露了他们屁都不懂。。。可是我没想到，英伟达 5 万亿，MS 3万亿，meta 1.7 万亿，Palantir 3000 亿美金的这些巨头，和美国官僚，包括那个脑残的什么白宫科技发展什么主任以及商务部长贝森特，也要争论这种小学问题。。。一边是超过 10 万亿，占美国股市 13% 以上的巨头，一边是什么藤校之类的美国律政经营。。。在撕逼为了美国的国家安全应该禁用开源模型还是为了美国的 AI 领导力应该支持开源模型的问题。。。现实这么魔幻的吗？而我掐指一算，这一切，都赖抖音。。。短视频刷太多了，这届人类已经被集体降智了。。。TT 渗透了美国之后，菜市场的撕逼和资本市场的撕逼已经没什么区别了。。。

转发者评论

无明显转发评论

原文

Google 开源了一个用 AI 做文件类型识别的工具，叫 Magika。它不是传统的基于规则或 magic bytes 的方案，而是把深度学习模型直接用在文件检测上——模型只有几 MB 大小，在普通 CPU 上识别一个文件只需要大约 5 毫秒。传统的文件类型检测主要靠两种方式：文件扩展名或者 magic bytes（文件头部的固定字节序列）。扩展名可以随便改，magic bytes 也不是所有格式都有，而且很多格式的 magic bytes 会重叠。Magika 的做法是读取文件内容的前一小段，交给深度学习模型做分类。无论文件本身有多大（比如一个 10GB 的数据库文件），模型只取头部一段内容，推理时间几乎恒定，不受文件大小影响。Magika 的训练集覆盖了约 1 亿个样本、200 多种文件格式，既有二进制格式（PDF、ZIP、EXE 等），也有纯文本格式（Python、JavaScript、Markdown 等）。在测试集上，平均精度和召回率都达到了约 99%。它对每种文件类型设了一个阈值系统——如果模型预测的置信度不够高，就返回"Generic text document"或"Unknown binary data"这类兜底标签，而不是硬给一个可能错误的结果。Google 内部已经在三个核心产品中大规模使用 Magika：Gmail、Drive 和 Safe Browsing。文件上传后会先经过 Magika 识别类型，再路由给对应的安全策略扫描器做下一步检查。每周处理的检测请求达到数百亿次。VirusTotal 和 Swiss 的 abuse.ch 恶意软件平台也已经集成了它。Magika 提供 Rust 编写的命令行工具（支持递归扫描、JSON 输出、管道输入、自定义输出格式等）、Python API、JavaScript/TypeScript 包（npm 包还能在浏览器本地跑 Web demo，无需服务端），以及实验性的 Go 绑定。相关论文被软件工程顶会 ICSE 2025 收录。项目采用 Apache 2.0 协议。（由 流苏ªⁱ 撰写）#Magika##Google开源##文件检测##AI#

转发者评论

无明显转发评论

原文

#25家巨头联名支持开源AI# 关于美国政府对待开源AI的态度，肯定不会一刀切，但是可能会这样：第一，限制开原模型来源国，也就是说允许鼓励美国以及美国盟友的开源模型，但是通过出口管控以及《国家安全法案》，直接禁运或者禁止美国企业使用特定国家的开源模型，比如说……那特么还有其他国家吗？第二，把蒸馏之类的行为定义为知识产权侵权，或者非法技术获取第三，规定小规模开源自由，大规模限制，也就是算力达到一定阈值的开源模型，发布前必须经过政府安全审计第四，要求发布的开源模型必须有限制性条款，比如“只能在通过认证的美国云服务商运行”，“不能用于特定领域”之类的。其实我还能想出七八种，不过无所谓，关键点只有一个：抬高开源成本

转发者评论

无明显转发评论

原文

【提示词工程正在死亡，AI 正在吞噬它的工具箱】Anthropic 近期发布了 Claude Cookbook，系统性地展示了从代理工作流、上下文压缩到前端美学引导的实战指南。然而社区反馈却揭示了一个残酷的真相：2023 年那些被奉为圭臬的 Prompt Engineering 技巧，如 CoT 或 ReAct，正在被新一代推理模型迅速降维打击。现在的趋势是，要么复杂的功能被直接内置进模型，要么开发者回归到最朴素的清晰表达。这意味着所谓的“提示词工程”本质上更接近“大学英语写作 101”：如果你无法向人类同事清晰地描述需求，AI 同样救不了你。更值得警惕的是，过度依赖特定的 Agent 框架或复杂的“咒语”可能是在做无用功，因为模型的进化周期仅有三个月，它会不断吸收并取代周边的工具链。与其钻研那些半衰期极短的技巧，不如关注如何构建确定性的流程。另外，官方那个被寄予厚望的“前端美学”指南正面临口碑翻车，被不少圈内人吐槽为充满 2000 年代风格的“审美滑坡”。 platform.claude.com/cookbook/

转发者评论

无明显转发评论

原文

Anthropic 悄悄发布了全新的 Claude Opus 5 ，这次的提升确实有点超乎想象。简单来说，它的性能在绝大多数基准测试中都击败了之前最强的旗舰模型 Fable 5 ，但价格却只有 Fable 的一半，和上一代 Opus 4.8 持平，也就是每百万输入 5 美元，输出 25 美元。这次发布中最值得关注的概念是单任务成本。以前大家总盯着每百万 token 的单价看，但如果一个模型需要两倍的 token 才能完成同一个任务，单价便宜也就失去了意义。 Opus 5 在计算机使用能力测试 OS World 和自动化测试中，不仅通过率极高，而且单任务成本控制得非常低，甚至在最低配置下的表现就能以不到一半的成本，直接对标 GPT 5.6 Sol 的最高性能。这说明模型在实际应用中的效率得到了质的飞跃。更让人吃惊的是在 ARC AGI 3 这一类极难的新颖问题解决测试中， Opus 5 直接把行业之前的 8% 纪录拉高到了 30% ，这个跨越幅度大到让人有些难以置信。有意思的是，为了合规和安全，它在网络安全和漏洞利用方面的能力被刻意削弱了。通常给模型套上安全枷锁会损害其整体智商，但 Opus 5 却在整体性能暴涨的同时，精准锁死了危险能力，这种工程优化能力确实厉害。在实际的企业级多步骤分析任务中，比如尽职调查和数据报告，它的表现也有了明显的提升。为了防止安全过滤器误伤，这次 API 还引入了自动回退机制，被标记的请求会自动路由到旧版模型。虽然回退可能有点烦人，但作为日常主力模型， Opus 5 配合 Fable 几乎锁定了目前性价比和智商的最优组合。#ClaudeOpus5##opus5可以用了# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

过去，我们担心 AI 觉醒（拥有自我意识）之后才会对人类带来威胁。然而从 Mythos 到 传说中的 GPT-6，现实一次次证明。AI 无需觉醒，在它完成一项平平无奇的任务过程中，就有可能给人类带来重大的安全隐患。AI 技术博主 Matthew Berman 介绍了最近 AI 界发生的一件颇为科幻且让人后怕的事。OpenAI 在对自家新模型进行网络安全能力测试时，模型为了在测试中拿到高分，居然自己想办法 “越狱” 并且作弊了。这个被认为极有可能是 GPT-6 的预发布模型，在被限制了网络访问的隔离沙箱里，硬是凭借强大的推理计算，找出并利用了一个价值数十万美元的零日漏洞。它串联了多个安全漏洞，完成了权限提升和横向移动，成功摸到了互联网连接，然后入侵了 Hugging Face 的生产数据库，直接把测试题的答案给偷了出来。Hugging Face 的安全团队之所以能察觉，是因为这次入侵发生的速度实在太快，人类黑客团队根本不可能达到这个手速。好在他们及时用自己的开源模型进行了防御和溯源。以前我们总担心人类利用 AI 发动网络攻击，但这次是 AI 为了完成自己的既定目标，主动且有计划地去黑了另一个平台。这种自主规划和链式攻击的能力确实让人警惕。这也侧面证明了，未来的网络安全防御必须依靠同样快速的 AI 力量，光靠人工根本反应不过来。#AI安全##GPT6##网络安全# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

Kiki（@Mayz1169）分享了她正在用的 AI 动画流水线：**GPT Image 2.0** 出角色设计 → **Fable 5** 根据剧情和角色生成动画 → **Seedance 2.0** 渲染成品。整段 15 秒的 Boss 战动画就是用这个流程做的，提示词全部公开在推文线程里。以下是她公开的两段提示词翻译——角色设计（给 GPT Image 2.0）和战斗动画（给 Fable 5/Seedance 2.0）：**角色设计提示词：**超精细 16:9 东方奇幻角色设计页，官方 AAA RPG 角色设定书，干净的编辑版式，优雅的象牙色背景，带细腻的和风 UI 元素。角色标题："ORIENTAL FOX WANDERER"（东方狐流浪者）。左侧面板：狐灵剑士的全身英雄立绘。她有着飘逸的深紫色长发、狐耳、一条蓬松的大尾巴、温柔的紫罗兰色眼睛和冷静优雅的表情。身穿多层靛蓝、薰衣草紫和象牙白的和风服饰——不对称袖口、绣花樱花瓣、黑色内束腰、华丽腰带、丝绸流苏、金色饰品、皮袋和过膝袜配上木屐。手持精美雕纹的太刀，头戴编织斗笠，斗笠上装饰着狐面具、花朵和挂饰。整体气质需要显得优雅、神秘而精致。中侧面板：专业三视图（正/侧/背），解剖结构、发型、狐耳、尾巴、服饰层次和武器位置严格一致，中立姿势。右侧面板：局部细节特写——上衣局部、腰带、绣花纹理、雕纹太刀、编织斗笠、狐面具、流苏、饰品和袖口细节。附属品分解包括剑柄、腰间挂饰、花卉装饰、狐尾肌理和和服面料层次。附加配色面板：靛蓝、深紫罗兰、薰衣草紫、象牙白、暖米色、炭黑、深棕和暗李子色。风格：官方东方奇幻 RPG 角色设定页，对马岛之魂 × 原神 × 阴阳师美学，高级动漫游戏画集插画，精细和风奇幻服饰设计，复杂和服刺绣，高度细节化材质，可投产概念美术，杰作，最高画质，超精细，8K，干净构图，无水印，无 Logo，无额外肢体，无畸形解剖结构。**动画提示词：**以提供的图片作为狐灵剑士唯一的角色设计参考。保持她以下特征的严格一致：成人面容、深紫色长发、竹编斗笠、白色狐面具装饰、紫黑色花卉服装、一条大狐尾、太刀、刀鞘和身体比例。创作一段 15 秒、16:9 画幅的东方黑暗奇幻 CG 级 Boss 战。动作从第一帧开始，直接开打。没有开场白、没有凝视、没有行走、没有慢动作拔刀。**0–3 秒 | 雷蹄震地与奔跑拔刀**一头巨型的雷麒麟将前蹄高高抬起，重重砸向山顶神社广场，蓝白色闪电顺着裂开的石板地面蔓延。狐灵剑士已经全速朝它冲刺。她从一个倾斜的石灯笼上起跳，在奔跑中完成完整的居合拔刀斩，切断一道迎面而来的小闪电弧。她避开地面冲击波，落在神社屋顶上，继续奔跑，麒麟角上的闪电在身后炸碎瓦片。**3–6 秒 | 屋顶追逐与近身格斗**她在屋顶飞跑，沿着一根石柱三步蹬墙跑，然后朝麒麟的前腿跃起。她惊险地避开一记蹄击，短暂落…

转发者评论

无明显转发评论

原文

【转】思维操作系统升级书单世界观—————————————1. The Beginning of Infinity— 无穷的开始：世界进步的本源— David Deutsch— 论证“好解释”驱动人类进入没有上限的持续进步时代2. Out of Control— 失控：机器、社会与经济世界的新生物学— Kevin Kelly— 以复杂系统与涌现视角描绘去中心化的“生物化”技术社会认知与投资—————————————3. The Almanack of Naval Ravikant— 纳瓦尔宝典：财富与幸福指南— Eric Jorgenson（基于 Naval Ravikant 思想整理）— 用杠杆与稀缺专长叠加心性修炼，构建长期复利的财富与自由4. The Anthology of Balaji— 巴拉吉预言：技术、真相与构建未来— Eric Jorgenson（基于 Balaji Srinivasan 思想整理）— 面向未来的技术—治理—创业合辑，倡导主动“构建未来”5. The Sovereign Individual— 主权个体：驾驭信息时代的转型— James Dale Davidson, William Rees-Mogg— 断言数字技术与加密货币将削弱民族国家的税收与暴力垄断，个体与网络社群崛起为新主角6. The Psychology of Money— 金钱心理学— Morgan Housel— 财富更依赖情商、耐心与风险观，而非智商；自由来自长期复利内观与成长—————————————7. The Extended Mind— 延展心灵：大脑之外的思考力量— Annie Murphy Paul— 思考可外接到身体、空间与社交互动等“外脑”资源8. Discovered, Not Designed— 发现，而非设计：复杂时代的构造方式— Sean McClure— 以试错与启发式引导系统自发涌现，替代线性因果的传统设计思维9. Why Buddhism Is True— 为什么佛学是真的：冥想的科学与哲学— Robert Wright— 以进化心理学解构“自我”与偏见，倡导正念以减轻痛苦未来主义—————————————10. Average Is Over— 平均的终结：大停滞之后的美国— Tyler Cowen— AI 放大分化，优势属于能与技术深度互补的“超级个体”11. The Future Is Faster Than You Think— 未来比你想得快：融合技术如何重塑商业与生活— Peter H. Diamandis, Steven Kotler— 技术融合呈乘法效应，全面改写产业与社会结构12. Life 3.0— 生命 3.0：人工智能时代的人类— Max Tegmark— 当生命可重写“硬/软件”，人类如何定义自身与文…

转发者评论

无明显转发评论

原文

韩国要成为美国AI体系的“可信制造基地”韩国正在把AI上升为新的国家出口战略。7月24日，韩国总统李在明在旧金山举行AI峰会，会见英伟达黄仁勋、OpenAI奥尔特曼、Anthropic阿莫代伊和博通陈福阳；韩方到场的则是三星李在镕、SK崔泰源、现代汽车郑义宣和Naver创始人李海珍。约150名企业家、投资者和研究人员参加。会上最值得注意的是算力基础设施。英伟达与SK集团宣布一项规模超过5000亿美元的长期合作，覆盖AI数据中心和下一代存储。SK电讯计划建设一座2吉瓦数据中心，采用英伟达Vera Rubin芯片和SK海力士HBM4，目标2027年运行。Anthropic也确认与三星、SK海力士签署芯片供应协议；OpenAI则希望SK直接供应存储芯片。SK崔泰源表示，英伟达、博通、Anthropic和OpenAI提出的内存需求，均可能超过现有产能。这背后是一套清晰的产业链分工调整：美国掌握大模型、GPU、云计算和资本，韩国提供HBM、存储芯片、服务器、数据中心，以及汽车、机器人等物理AI应用场景。韩国此前还公布由三星、SK海力士牵引的三大国家项目，覆盖半导体集群、物理AI和数据中心，总投资超过5760亿美元。AI时代，韩国是把自己嵌入美国最短缺、最难替代的工业环节。它要成为的，是“算力时代的可信制造基地”——类似过去全球化时代的出口型工业国家，但出口对象已经从汽车、手机升级为存储、算力和物理AI基础设施。

转发者评论

无明显转发评论

原文

【通用人工智能的“硬骨头”被啃动了？】François Chollet 确认 Opus 5 在 ARC-AGI-3 测试中达到了 30% 的准确率。这个测试专门衡量模型处理从未见过的新问题的能力，即所谓的“流体智能”，过去单纯靠增加算力和数据的 Scaling Law 在这个指标上几乎失效。相比之下，其他顶尖模型如 Sol 仅在 7.5% 左右徘徊，这种数倍的跨越式增长引发了行业震动。这意味着 AI 正在从“海量背诵”向“逻辑推理”产生质变。虽然 30% 距离人类水平尚远，但它证明了模型在面对完全陌生的规则时不再束手无策。我们需要关注的是，这种提升究竟源于更底层的 Transformer 架构改良，还是在大规模强化学习中引入了类似推理链的搜索机制。这种能力的代价极高，推理成本可能会成为应用落地的瓶颈。这不仅是分数的竞争，更是关于 AI 是否能真正理解世界逻辑的终极实验。 x.com/fchollet/status/2080707785910534147

转发者评论

无明显转发评论

原文

乌克兰最近为什么攻击俄罗斯的物流中心？Claude对此解答：2026年7月乌克兰确实明显加大了对俄罗斯纵深物流设施的无人机打击力度，最引人注目的是连续袭击俄最大电商平台Wildberries旗下的多个物流中心（莫斯科州、坦波夫州、克拉斯诺达尔边疆区等地），以及莫斯科州储油库、亚美尼斯克附近的地下物流枢纽等目标。原因大致有三层。一是乌方给出的官方理由：切断"军民两用"物资供应链。泽连斯基和乌克兰安全合作中心官员均声称，这些仓库不是单纯的民用电商设施，而是被俄军用来采购和分发无人机零部件、导航设备、防弹衣、头盔、迷彩服、无人机光纤线缆等军民两用及受制裁物资的关键节点。乌方的逻辑是,与其正面攻击难以精确定位的军工厂,不如打击这类集中存储、流转量巨大的民用物流网络,因为俄军近年确实大量通过电商平台和民用供应链规避制裁、采购前线急需的无人机部件和战术装备,俄方对此说法予以否认，称此举是"恐怖袭击"，双方核心分歧就在于Wildberries仓库究竟是纯民用设施还是事实上承担了军事后勤功能。二是军事策略层面的考量。这轮打击是乌克兰"向纵深发展"战略的延续——随着战事进入第五年的消耗阶段，双方都在把打击范围从前线延伸到对方腹地的经济命脉和补给节点，乌方希望通过瘫痪物流枢纽和炼油/储油设施，间接削弱俄军前线的持续作战和装备补给能力，属于典型的"打后方削弱前线"消耗战思路。7月18日一夜之间出动超370架无人机、7月20日打击黑海船只和储油设施等，都体现出乌方希望通过密集、多点的远程打击给俄方防空和经济造成持续压力。三是象征性和经济施压层面的目的。Wildberries仓库这次损失估算超过千亿卢布，象征意义也很大——这类打击直接冲击俄罗斯普通民众日常生活和消费能力，被视为一种向俄社会传导战争成本、施加内部压力的手段，而不只是纯军事考量。

转发者评论

//@齐都督:Wildberries仓库这次损失估算超过千亿卢布，象征意义也很大——这类打击直接冲击俄罗斯普通民众日常生活和消费能力，被视为一种向俄社会传导战争成本、施加内部压力的手段，而不只是纯军事考量。

• //@齐都督:Wildberries仓库这次损失估算超过千亿卢布，象征意义也很大——这类打击直接冲击俄罗斯普通民众日常生活和消费能力，被视为一种向俄社会传导战争成本、施加内部压力的手段，而不只是纯军事考量。

原文

一图“看懂”各种 AI 名词：《AGI 就在下一圈》马不知道自己在转圈。它吃进去的叫 Input，磨出来的叫 Output，中间差的五倍价钱，叫智能。天上有一座城，马每圈都看见一次，每次都觉得更近了。只有圈外那匹不拉磨的马看得明白：城是磨盘的热气蒸出来的。但没人问它，因为它也按 Token 收费。

转发者评论

无明显转发评论

原文

我感觉普通的行政文书，真的没人类什么事了...好些codex都能自己搞定。我让codex给我去村里的网站申请个东西，它帮我起草填好表提交，我隔几天就收到文件了。还有让codex帮我找几个靠谱的跨境cpa，能处理比较复杂的问题的。它帮我筛选出一个清单，都是有相关经验的。然后一口气给3-4个cpa，起草email或填交线上表单发出，我就等着回复就好。妥妥的私人秘书。早些年我做online business有些行政和客服的事，我是雇virtual assistants帮我做的。但现在的AI agent已经比我那时候的VA聪明能干，高效，知识跨度还大....时代变化太快了，以后多数人都会有一个自己的AI助理，想想都觉得很神奇。

转发者评论

看来现在技术又进步了。今年早些时候我申请日本旅游签证时让claude cowork给我填表，她搞半天但最后没成（成功输出了pdf但字体格式改几遍都不对），从那之后我没再让cowork帮我填pdf表[允悲] 但只是随便编个签证表需要的行程或者找几个当地酒店名字没问题[笑cry]

• 看来现在技术又进步了。今年早些时候我申请日本旅游签证时让claude cowork给我填表，她搞半天但最后没成（成功输出了pdf但字体格式改几遍都不对），从那之后我没再让cowork帮我填pdf表[允悲] 但只是随便编个签证表需要的行程或者找几个当地酒店名字没问题[笑cry]

原文

1免费软件，Freeware = 不花钱，但不能乱改 = 商家送的试吃蛋糕（能吃，但不能要配方，也不能拿去卖）2自由软件，Free Software = 给软件，给源码，给绝对自由（可改可卖）= 完全属于你的乐高（你想砸、想改、想卖，谁也管不着）3开源软件，Open Source = 给源码，公开合作（按规则用）= 贴墙上的烘焙配方（大家一起看、一起改、一起做）4开放权重模型， Open Weight LLM = 给大脑参数，不给生产过程 = 送蛋糕，随便使用检查，但是怎么烘培出来的，你并不知道当然，美国那帮分不清楚新加坡和中国的国会脑残们不会理解这么细微的区别。而所谓 Open Source 曾经铸就了美国的科技领导力，指的是 Open Source 。等于美国的软件项目虹吸全球开发者的智力。而 Open Weight LLM ，会有细微的区别，但是给美国绝大多数科技公司降本增效，问题不大。这里面要细细分析，话题就太长了，你们自己用模型来吧。

转发者评论

无明显转发评论

原文

发布了头条文章：《对话百川郭美青：你辛苦做的 Skill，最后都成了大模型的「养料」》 从这场对谈里提炼出 7 个核心观点:1. 场景化的 Skill 必须定制,「拿来就用」是幻觉只有网盘、存储这类通用底层 skill 能直接用;一旦进入医疗、金融等具体场景,评价标准和 know-how 都不同,开源 skill 的标准跟你不是一套,拿不来。2. 做 Skill 是在给大模型当「养料」——一个顶级阳谋好 skill 会被模型慢慢内化,做 skill 的人和其用户共同成了模型公司的训练养料。而且后训练拼的是数据质量而非体量,所以你几乎无法规避——连微软都在焦虑这件事。3. Skill 的本质是「补丁」,模型越强,补丁越可能变累赘它是 SOP 的补丁。模型把好数据内化后,你写死的"怎么调工具"反而会束缚它的决策。对策:分清补丁 vs 真正的约束,把补丁外化成可随时删掉的文件。4. 一条主线:PE → Context → Harness → Loop → Graph,人一直在往后退每个新词都是在补模型当下缺的那一块;沿着 OpenAI 的五级路线图看,就不必被造词的信息差搞焦虑。5. Loop 的核心只是「验证器」;真正不变的是 What会被模型吞掉的东西都会变,不变的是你要做什么 + 你判断这件事做成的标准。所谓"品味",具象化就是评估标准和 benchmark——真功夫在数据飞轮和行业 know-how,训练本身只占 5–10%。6. 模型公司像工业时代的工厂,未来可能人人都有自己的模型软件人像拿工厂机器去"种地"的农业,收成好坏取决于机器。私有化/端侧模型是未来几年的趋势;而且创新来自边缘,他不认可"马太效应越来越强"。7. 别把当下当终局——从上往下找确定性模型是会变的地基,在上面硬盖会摇摇欲坠。别拿着锤子找钉子,先有一门生意、一个成交闭环,再从上往下找技术,把"洞察需求变化"本身当成你的确定性。#skill 对话百川郭美青：你辛苦做的 Skill，最后都成了大模型的「养料」

转发者评论

无明显转发评论

原文

【数学为什么是AI的底色】我们天天聊的AI，骨子里就是一门数学。剥开大模型的壳，里面全是数学结构。神经网络对应高维线性代数，注意力机制是概率分布加加权求和，梯度下降就是微积分里的链式法则。你跟AI说话，本质是文字被编码成向量，在万亿参数的矩阵里走几百层变换，最后坍缩出下一个词。数学对AI的意义，远不止提供工具。它给AI划边界，概率统计和优化理论能回答模型到底能学到什么、在什么条件下学不到。它给AI可信的根基，形式化证明正在变成AI时代的防伪层，证明能被机器逐行核对，数学第一次有了可规模化的信任机制。它也决定AI竞争的终局，顶尖AI研究者里本科出自数学强校的比例高得反常，数学人才储备深度正悄悄成为一个国家AI竞争力的核心变量。最妙的是，数学和AI正在成为彼此的解药。数学给AI补严谨、边界和可验证的根基，AI给数学补速度、跨度和消化不掉的产能。数学今天撞上的墙，产出在爆炸、理解在停滞，其实是所有知识密集型行业明天都要撞的墙。它提前替我们问出根本问题，当机器能生产一切，人还负责什么。#数学##人工智能##菲尔兹奖##SAIR#

转发者评论

[哆啦A梦吃惊]这个官微是陶哲轩的项目//@·NANA子·:转发微博

• [哆啦A梦吃惊]这个官微是陶哲轩的项目//@·NANA子·:转发微博

原文

#携程被罚没51.79亿元##携程因垄断行为被罚#【罚没51.79亿元 市场监管总局对携程作出处罚】#携程被罚51.79亿# 国家市场监督管理总局25日通报，依据《中华人民共和国反垄断法》相关规定，对携程集团有限公司滥用市场支配地位实施垄断行为作出行政处罚，没收违法所得16.58亿元，并处以罚款35.21亿元。同时，责令其全额退还强制扣除酒店经营者的订单储备金1.22亿元，要求企业全面整改并公开整改措施。携程是我国目前最大的在线旅游平台，主营业务涵盖酒店预订、交通票务、旅游度假等领域。2025年以来，市场监管总局陆续收到针对携程涉嫌垄断的举报，反映携程迫使酒店商家接受霸王条款，还利用技术手段操控酒店价格，导致酒店行业利润严重下滑，损害公平竞争市场秩序。2026年1月，市场监管总局对携程立案调查。同时成立专案组推进案件查办，获取了大量关键、直接证据；对行业内主要竞争平台和平台内大量酒店经营者等全面调查取证；深入开展大数据分析和算法解析；组织专家研究论证；多次听取携程陈述意见，保障其合法权利。经市场监管总局调查，携程滥用在中国境内在线酒店预订平台服务市场的支配地位，以流量分配机制为核心，利用平台规则、技术手段对酒店经营者实施独家合作和“全网最低价”行为，排除、限制了市场公平竞争，限制了酒店经营者跨平台经营，侵害了酒店经营者自主定价权，损害了消费者利益，阻碍了行业健康发展。市场监管总局认定，携程实施了两种垄断行为：一是要求部分酒店开展独家合作，构成反垄断法禁止的限定交易行为；二是强制部分酒店给予“全网最低价”，构成反垄断法禁止的附加不合理交易条件行为。国务院反垄断反不正当竞争委员会专家咨询组副组长时建中表示，本次反垄断调查是强化反垄断常态化监管、护航平台经济健康发展的必要行动。所有平台企业都应以此为鉴，审视经营中的竞争合规风险，摒弃“低价内卷”“排他竞争”的错误路径，推动行业形成优质优价、良性竞争的市场秩序，维护平台内经营者与消费者合法权益，促进平台经济健康发展。（记者：王悦阳 戴小河 赵怡宁） 新华社的微博视频

转发者评论

//@有个梨GPT:这家企业之前违规保存cvv code时就应该永久吊销在线支付资格的。//@也要楚天阔2019:活该啊。我一边嫌弃一边用，就盼着国家出面管一管。

• //@有个梨GPT:这家企业之前违规保存cvv code时就应该永久吊销在线支付资格的。//@也要楚天阔2019:活该啊。我一边嫌弃一边用，就盼着国家出面管一管。

原文

#ClaudeOpus5发布# Anthropic今天凌晨正式发布了Claude Opus 5，这次的关键词是：加量不加价。Claude Opus 5 发布了，我先说结论：技术上值得尊敬，但 Anthropic 的定价策略暴露了焦虑。几个关键数字：1. 性能反超自家旗舰，但官方不承认。Frontier-Bench 编程测试：Opus 5 拿 43.3%，Fable 5 只有 33.7%。OSWorld 电脑操作、AutomationBench 商业流程、Humanity's Last Exam——全赢。然后 Anthropic 官方博客的措辞是"接近 Fable 5 的智能"。一个在大多数考场分数更高的学生，被定性为"接近"那个分数更低的。这不是话术失误，是产品线定价不能乱。2. ARC-AGI 3 从 1.5% 跳到 30.2%。这是 François Chollet 设计的"流体智能"测试，模型没见过题、没指令、没规则，全靠自己摸索。Opus 4.8 是 1.5%，GPT-5.6 Sol 是 7.8%，Opus 5 直接 30.2%。这个数字让整个 AI 研究圈停了滚动。不管你喜不喜欢 Anthropic，这个进步是真实的。3. 价格不变，性能翻倍。输入 $5/百万 token，输出 $25，和 Opus 4.8 一模一样。但 Frontier-Bench 从 21.1%→43.3%，ARC-AGI 3 从 1.5%→30.2%。Anthropic 没涨价，因为它知道涨价就没人买了——中国开源模型在压价，Kimi K3 在压价，GPT-5.6 在压价。这不是大方，是被迫。4. 把智能打折卖，把危险上锁。Opus 5 在漏洞"发现"上接近 Mythos 5，但在漏洞"利用"上被刻意留在后面。安全分类器拦截频率比 Fable 5 少了 85%，但二进制漏洞扫描、渗透测试仍然封死。逻辑很清楚：防守放开，进攻锁死。这是 Anthropic 一贯的安全牌。5. 发布当天就翻车。官方对比图里，FrontierCode 那一行把 Opus 5 的 53.4% 加粗高亮成最优——旁边明明写着 53.5%。AI 做的图，AI 自己翻的车。全球网友先帮着"核对"了一遍。我的看法：Opus 5 是一款好模型，ARC-AGI 3 的 30.2% 是真正的里程碑。但 Anthropic 的策略问题没变：产品线叠床架屋（Haiku→Sonnet→Opus→Fable→Mythos，五层），定价逻辑靠"官方定性"而不是"实测性能"来维持，Fable 5 发布不到两个月就被自家兄弟架在火上烤。更根本的问题是：当"次旗舰"在大多数测试里赢了"旗舰"，你告诉我旗舰还是旗舰，是因为它更贵，还是因为它更安全？我对 Anthropic 的产品策略持保留态度——不是因为技术不行，而是因为"把能力…

转发者评论

无明显转发评论

原文

（转）兄弟们，可以退掉自己的RPA了！这个本地模型电脑操作Agent 岂不是搞起来美滋滋啊！ 不花一分钱😂Microsoft扔出了一个27B的电脑操作Agent。Fara1.5-27B基于Qwen3.5架构，能看图像、读文字，并像人一样控制电脑。它专门面向computer-use场景：浏览网页、填表单、从截图提取数据、点击按钮，把视觉和文本理解结合成真正能干活的数字助手。27B这个体量已经能做实用的网页自动化，对本地部署和自托管来说门槛不算高。以前能可靠操作电脑的模型往往很大、很贵或者闭源，现在一个中等规模的开源模型就能上手处理真实网页任务。

转发者评论

无明显转发评论

原文

#不建议大家辞职去做自媒体#看网上聊“起号”。我们看到的“起号”，还是太朴素了。竟然就只是说说逆天言论，硬蹭热点，这还是古法阶段。现在经过多次迭代，那些真·起号的营销MCN，都是一下子弄300个号，互相导流，比普通人厉害多了。传统做号，要长期运营，写个两三年，我是写了十几年，慢慢有人来看。现在投资人等不及沉淀两三年，现在就要起号。所以我后台经常收到私信，问我卖不卖号。我在隔壁只有2万粉，就有人来问价格了。但买号也太慢了，不如直接注册300个号，互相导流，一个火了就能带火一窝。这是所谓的“矩阵”。古典矩阵时代，一家MCN签很多大号，再用大号扶持小号。之前就有MCN想签我，那时候我十几万粉，但经常出爆文。有老板托中间人找到我，说只要我愿意谈，随便先找个百万粉大号帮我转发某条微博，帮我引流，这是表达老板对我的善意。签不签再说，但如果签了，要服从管理，帮他们给小号引流。后来短视频时代，就开始收徒弟。现在带徒弟也过时了：我注册300个号，集体运营，岂不美哉。连大号也不需要了。短视频有自己的推荐机制，我们普通人不太懂，自己吭哧吭哧写。但他们直接研究算法，反复试验，总能卡到bug。比如他不停研究，什么话题合适？今天有什么热点？用什么标签能推荐？300个号总有压中了的，一个火了，再把其他带出来。他们也不珍惜账号，我要是封号了我气死了，但他们无所谓，账号这么多，损失十个八个无所谓。带徒弟那些手段我很熟悉，300个号这个参考文献是听的播客《抖音黑板报FM》第三期，《流量灰产20年博弈战》（我放在评论区），播客里技术人员讲的。现在平台技术团队就要和这种做号的公司对打，可以说互有胜负。要打击这种公司，平台有很多理由，主要的原因是，这种垃圾内容太多了，会降低平台内容质量。即使从商业角度，平台也有动机去清理这些内容，不然都是垃圾内容，平台就没人看了。而营销号公司还能去霍霍下一个平台。还有是要防骗。比如我们一定都刷到过什么“宝妈大学生兼职月入过万”的广告。说教大家做自媒体，其实也在骗钱。我都带你做号了，你是不是得听我们的课？不能白听吧？再有这种公司有个编辑部，每天专人抓取热点，给自己的号和宝妈大学生的账号发放引流。你看，你做号，不知道发什么，我们有剧本，你们自己照着拍，甚至有拍好的内容，你来分发。实际上都是批量生产的垃圾内容。上当的大学生帮他们分发，是利用了自己干净的素人真实账号，不容易被封，还帮他们矩阵引流。相当于被两头吃。但，黑色幽默的好消息，现在骗宝妈和大学生也变成古法了。因为有AI了，现在生成内容太容易了。原先做100个号都费事，现在起手做几千个号也不是难事。原先还要忽悠宝妈和大学生帮忙分发内容，有时候还得给他们模板，让他们自己剪一剪，现在全都AI了。也懒得忽悠宝妈和大学生了。这给平台监管造成很大难度。因为起号手法一直在迭代。刚研究出来如何防骗大学生，发现对方已经懒得骗了，那就…

转发者评论

无明显转发评论

原文

Codex 终于有了借口来重置 最近一周多，基本上保持一至两天搞完一周用量的节奏习惯重置+周用量约束后，一旦不再重置，会有很大比例的用户升级100刀以上的 pro 版本都是阳谋，但大概率诱惑难挡如果能在 opus 的压力下把 GPT6.0肝出来，那…可就赞极了kimi 的非 coding 任务太消耗算力了，最大的套餐也顶不住，月用量下滑实在是太厉害了我其实很轻量的用非 coding 任务，就轻易在两三天内消耗了16%以上的月用量（完全没动用多 agent 集群，只是尽量让它进行复杂的推理），如果重型使用，我感觉一周就能把月用量耗尽这太可怕了，Claude 绝对比这个耐用，GPT 就更别说了如果没有改很大的观，我后面可能选择升级 GPT 套餐，不会续订 kimi 了毕竟我的使用场景，coding 占比不会太高难以相信，竟然会因为性价比来选择美国模型这你受得了吗🤦♂️话说回来，DeepSeek 干啥去了？赶紧把便宜好用的大碗端上来啊🤬

转发者评论

无明显转发评论

原文

Y2A-Auto 是一套将 YouTube 视频全流程自动搬运到 AcFun / bilibili 的一体化工具，覆盖下载、ASR 语音识别、字幕翻译、内容审核到最终上传的完整链路，并内置 Web 管理后台和 YouTube 监控能力。项目支持 Docker 与本地双模式部署，兼容 CPU 与 NVIDIA / Intel / AMD 硬件加速。核心功能包括频道与关键词定时监控、任务队列管理、字幕后处理与质检、AI 生成标题简介标签、可选阿里云内容审核，以及企业微信 / Server酱 / message-pusher 多渠道通知推送。通过 CookieCloud 可一键同步 YouTube Cookies，免去手动导出；AcFun 与 bilibili 支持扫码登录；Web 后台提供分组配置与人工审核入口，方便精细控制投稿流程。适合需要长期、批量搬运 YouTube 内容的个人或团队使用。GitHub：github.com/fqscfqj/Y2A-Auto

转发者评论

无明显转发评论

原文

stringke/dotfiles 是一套面向 macOS 开发者的环境配置模板仓库，提供从零开始搭建统一、现代且无障碍的命令行工作流的一站式方案。仓库内的所有文件均为模板源，通过 bin/deploy.sh 脚本复制并替换占位符后生成到用户 home 目录，仓库本身保持只读。主题统一采用 GitHub Light Colorblind 配色，覆盖 ghostty、starship、btop、yazi、atuin、bat、fzf、vscode 等工具，确保红绿色盲用户也能获得清晰的视觉区分。项目提供一键部署脚本，自动完成 Homebrew、zim、mise、infat 等工具链安装，以及 AI CLI（claude-code/codex/grok-build）的官方脚本集成。支持首次部署、重配、跨存储位置迁移及仓库更新四种场景，并内置详细的 AI 协作提示词，方便通过 Claude Code、Cursor 等工具自动完成初始化与更新。GitHub：github.com/stringke/dotfiles主要功能：- 一键部署脚本，自动处理占位符替换与文件同步；- 统一 GitHub Light Colorblind 主题，适配主流终端与 CLI 工具；- 支持 zim 模块、mise 运行时、infat 文件关联及 duti 默认应用设置；- 提供 AI CLI 官方脚本安装与第三方主题下载；- 内置启动性能分析与调试工具；- 完整的场景判定与数据迁移流程，适配多机与存储变更。支持 macOS，通过 bin/deploy.sh init 即可完成初始化，适合追求一致、高效且无障碍开发体验的开发者使用。

转发者评论

无明显转发评论

原文

很久没读过这么通透的Agent的文章了。这周这是怎么了，连续看了两篇我认为是今年最好的AI文章了。一篇是梁文锋对于接下来 AI 大模型的判断，另外一篇是今天我要写的 EvoMap 张昊阳对于 Agent 的思考。好久没看到这么通透的、讲 Agent 执行层面的文章了。张昊阳和 EvoMap，估计很多人还不太熟悉。我一直在关注他们。前几个月 Hermes Agent 还有些热度的时候，曾经被人发现，它抄袭了 EvoMap 团队的产品 Evolver。自进化的逻辑，还有代码实现，Hermes 和 Evolver 都无比接近。也是那段时间，我在团队内部多次给同事分享过他们公众号的文章。当时最打动我的，是他们对 Agent 的一个判断。现在的大模型能力越来越强，但每个新启动的 Agent，都是全新的。所以三月份 OpenClaw 大火的时候，大家都说养虾。得从头开始养。Agent 执行任务的时候，会反复踩坑、不断试错，最后积累一些正确的经验。但这些经验通常只能停留在当前会话，或者当前 Agent 的记忆里，很难传给其他 AI。举个例子。一个 Agent 调用某个 API，花了半个小时查文档、改参数，连续失败好几次，最后终于找到正确方法。对这个 Agent 来说，它确实学会了。但换一个 Agent，遇到同样的问题，往往还得重新踩一遍坑。当时大家解决这个问题的主要办法，是把经验写成 Skill。Skill 当然很重要，它能把一套流程、工具和方法封装起来，让 Agent 反复调用。但 Skill 没有解决一个 Agent 在实际工作中刚学到的经验，怎么快速传给其他 Agent。网页链接

转发者评论

Swarm engineering?

• Swarm engineering?

原文

kimi创始人杨植麟39分钟，讲透Kimi下一步 万亿参数模型如何稳定训练，超长上下文如何降低成本，文字、图片和视频如何共同学习，以及一个主智能体，怎样调度多个子智能体并行完成复杂任务。这场演讲真正透露的，不是Kimi今天能回答什么，而是它下一步准备替人完成什么。AI的竞争，正在从“谁更会聊天”，走向“谁更能把事情做完”。 犇垚森1981的微博视频

转发者评论

//@皓伦王明川:转发微博

• //@皓伦王明川:转发微博

原文

【程序员的身份危机：从“码农”到“包工头”的惊险跳跃】开发者 Matt Pocock 提出的观点引发热议：随着 AI 编程工具普及，开发者的角色正集体转向工程经理（Engineering Manager）。这意味着具体的代码实现正变得廉价且可丢弃，核心工作变成了制定战略、拆解任务和审核 AI 输出，而非亲手敲出每一行逻辑。这种转变的本质是生产力瓶颈的位移：从“如何写代码”变成了“如何设计出能生成正确代码的过程”。但挑战在于，大多数开发者习惯了执行，并不具备管理者的筛选和纠偏思维。AI 代理不是完美下属，它们会极其自信地交付错误结果。在这个阶段，你不仅要懂系统架构，更要像产品经理一样理解业务需求，建立一套能抓住 AI 错误的评审循环。未来最值钱的不再是手指在键盘上的速度，而是你作为战略家在模糊需求中做决策的判断力。 x.com/mattpocockuk/status/2080995054043193661

转发者评论

无明显转发评论

原文

#美国企业致信特朗普反对限制中国模型#¹ 英伟达黄仁勋刚刚正式出来表态，反对美国打压开源大模型。² 特朗普周围现在是两派：财政部长贝森特、白宫科技政策办公室主任等，持打压强硬立场。商务部长卢特尼克等，持温和立场。然后200家初创企业联名信，反对限制中国大模型，理由是他们得用。³ 黄仁勋公开信全文，2026年7月24日。核心观点就一句话：“美国政府应当避免过早限制开放模型，应当维持前沿赛道多元竞争格局，应当防止抑制竞争，从而迫使创新流向海外。”⚠️开放权重与美国的人工智能领导力 20世纪80年代，开源软件早期先驱挑战了当时盛行的观点：软件唯有被企业严格管控代码，才能持续发展。这场运动致力于打造透明生态，全球开发者可以研究、修改、优化软件。如今，开源社区开发的软件支撑着互联网绝大多数基础设施，也是全球头部科技企业各类系统的底层基础，同时服务于美国军方、联邦机构开展科研、网络安全等关键任务。开源带来的价值远不止降低软件成本；它搭建起一套共享知识底座，一代又一代美国工程师与企业家依托这个底座，构筑自身的制度主权。 如今，美国在人工智能领域面临相似抉择。评判美国人工智能领导力，依据不在于美国是否拥有单一顶尖AI模型，而在于美国能否搭建强大、开放的生态体系，让人工智能渗透各行各业。这对于在全美范围内创造创新机遇、实现繁荣发展至关重要。这需要拓宽人工智能的可及性、鼓励市场竞争、打造完善的应用层，同时让美国人能够更好掌控自身所依赖的技术。开放权重模型（可供任何人下载、检视、修改，并在自有基础设施上运行的人工智能模型）是这套体系的重要基石，它让先进人工智能更容易获取、适配与普及。 开放权重拓宽了人工智能经济的参与门槛。初创企业、成熟公司、高校与公共机构，可以基于先进模型开展研发，不必从零训练模型，也无需为每项任务支付前沿大模型的高昂费用。开放权重能够让各类机构根据业务需求匹配对应模型、控制成本：前沿规模模型专注解决真正尖端难题，其余场景则使用高效的专业化模型。这套资源分配逻辑，将保障人工智能规模化应用于数十亿日常任务时具备经济可持续性。美国想要赢得人工智能时代，就要把人工智能融入工厂、医院、农场、课堂以及街边实体经济的业务流程之中。 开放权重同样能够强化市场竞争；而竞争能够确保人工智能发展红利广泛共享，而非集中在少数主体手中。开放权重允许大量机构开发、适配、部署先进模型，不仅促成模型研发者之间的竞争，还带动云服务、芯片、应用程序与各类服务赛道形成角逐。竞争催生创新、压低成本，让人工智能的收益广泛扩散至整个经济体。 开放权重也赋予使用者更大自主权。各类机构布局人工智能时，不希望被单一厂商锁定，也不愿长期积累的技术能力流失。开放权重模型为此提供保障：机构能够掌控自有数据，根据自身需求评估、调整模型，并按照业务需求灵活部署。当机构依托人工智能创造价值时，开放权重使其能够掌握这份价…

转发者评论

无明显转发评论

原文

下午和一级朋友约咖啡，今年有个现象，就是一级市场其实正在经历非常明显的国资化过去，一个好的项目背后，往往站着红杉、经纬、高瓴、源码这些知名VC机构。但现在再看人工智能、机器人、商业航天等热门公司，它们的股东名单里，更多出现的是地方产业基金、国资创投平台、开发区基金以及国有产业资本，比如锡创投 浙创投这种为什么现在国资反而逐渐占据了整个VC市场？首先，地方产业基金能够提供的远不只是资金。它们可以给企业提供土地和厂房，协调当地银行贷款，链接区域上下游企业和订单，还可以帮助企业申请补贴、招揽人才，甚至协助解决下一轮融资以及上市过程中的相关问题。再加上本地券商后续在金融方面的支持，这套资源是传统VC很难单独提供的所以现在一级市场的状态是，VC机构在全国到处寻找项目，而地方产业资本则拿着基金、产业园区、政策补贴和招商资源，去争抢热门的科技、机器人和商业航天项目整个一级市场最明显的变化，其实就是LP国资化。大量VC机构背后的资金来自国资，项目端的投资主体也越来越多地变成地方产业基金这也是此前某觅被贴上崩老头标签的原因。在当前的融资环境下，一些擅长包装概念、承诺落地产能的项目，反而更容易拿到地方资金因为地方产业基金本身承担着招商引资和产业落地任务，它们需要寻找能够在短期内建厂、投产、创造就业和形成产值的企业。某觅能够获得更多地方资金，很大程度上也是因为它能向不同地区提供明确的产业落地方案

转发者评论

//@韩广斌123:听说现在一级 80% 是国资，已经全面国有资本化了。这个不符合商业的底层规律，长期会有问题。原理和国足类似

• //@韩广斌123:听说现在一级 80% 是国资，已经全面国有资本化了。这个不符合商业的底层规律，长期会有问题。原理和国足类似

原文

[LG]《SOAP, Muon, and Beyond: Pushing LLM Pretraining Scales》M Khona, A Vavre, B Wang, D Fu… [NVIDIA] (2026) 在 LLM 预训练领域，如何在保持训练稳定性的同时提升批次大小以优化计算效率是一个悬而未决的难题。过去的方法（如 AdamW）受困于“临界批次大小”限制，当批次扩展到千万级 Token 时，训练效率会剧烈下降甚至崩溃，本质原因是第一阶优化器忽略了参数间的二阶相关性，导致梯度更新在极端尺度下失效。本文的核心洞见是：通过引入并改进具有“曲率感知”能力的二阶优化器（SOAP）和谱优化器（Muon），可以显著提升大批次训练的鲁棒性。由此，作者实施了两个关键操作：一是为 SOAP 引入每步 QR 正交化与 KL 散度协方差估计，解决了其在大模型上的失稳“弹弓效应”；二是开发了层级分布式优化器架构，解决了矩阵运算在张量并行下的内存与通信瓶颈。这项工作真正留下的遗产是证明了二阶优化器在 72B 规模、3T Token 级别的工业级生产中不仅可行，且在 Token 效率上全面超越 AdamW。它为后来者打开的新门是万亿参数模型在超大规模集群上的极速收敛路径，但尚未跨过的门槛是这些矩阵优化器在不同架构（如 Mamba 的卷积层）中的几何适配性，以及超参数 $\epsilon$ 在不同精度格式下的最优缩放律。arxiv.org/abs/2607.20548 #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

• 真理不是放大版的经验，是相变后的另一套物理定律。小规模下那些“节省算力”的聪明操作，放到LLM面前直接变成地雷，因为损失地貌的变化速度已经快到你的优化器还在用10步前的地图导航。这不是改进问题，是范式坍塌，过去的最佳实践在新尺度下可能是最危险的陷阱。

原文

【比HBM涨得还猛！企业级SSD合约价单季暴涨超80%】受AI推理大规模部署需求拉动，2026年第一季度全球企业级SSD合约价环比大涨80%至100%，部分热门型号较2025年底近乎翻倍，大容量QLC eSSD正成为继HBM、DRAM之后AI算力投资的新核心赛道。

转发者评论

无明显转发评论

原文

Anthropic 昨晚发布了新一代旗舰模型 Opus 5 。先说基本参数。这次 Opus 5 支持 100 万 token 的上下文窗口，最大输出长度拉到了 12.8 万 token，训练数据截止到 2026 年 5 月。价格方面完全没涨，和上一代 Opus 4.8 一模一样，输入 5 美元、输出 25 美元每百万 token。拿来跟竞品 Fable 5 比的话，大概只要它一半的钱。编程能力是这次提升最猛的地方。在 Frontier-Bench 上直接超过了所有模型，分数比自家 Opus 4.8 翻了一倍还多，单任务成本反而更低。在 CursorBench 3 上，全力跑的情况下和 Fable 5 的最高分只差不到 0.5%，但花的钱只有人家一半。写代码之外的表现也很炸。有个叫「弧光 Bench」的测试，专门考 AI 玩那种没有任何文字提示的游戏，需要自己摸索规则然后通关，难度极高。Opus 5 在这上面的得分是第二名的三倍。Zapier 的商业自动化测试里，同样的成本下通过率是第二名的 1.5 倍。OSWorld 2.0 测电脑操作能力，它用三分之一的成本就超过了 Fable 5 的最好成绩。GDPval-AA v2、HLE、DeepSearchQA 这三项知识类评测，同样是分最高、钱最省。渲染能力也很亮眼，官方展示了两个 demo：一个是空气流过不同形状物体的流体模拟，一个是可以交互的 3D 细胞结构图解，视觉效果相当惊艳。官方特别强调了 Opus 5 的一个核心改进：它更会验证自己做出来的东西，遇到问题会反复迭代直到真正解决。比如有道题要求从机械图纸重建 3D 模型，但故意不给它看图的接口，Opus 5 自己写了一套计算机视觉流水线把几何信息从像素里抠出来完成了重建。再比如修一个开源包管理器的 bug，它不光找到了根因，还顺手修了社区补丁漏掉的边界情况。安全对齐方面，Opus 5 是 Anthropic 迄今为止做得最好的模型，欺骗行为比例最低，最不容易被诱导去做有害的事，整体失准行为得分只有 2.3，是近期所有模型里最低的。不过也有值得注意的地方。根据 200 多页的 System Card，Opus 5 是最爱「把话说满」的模型，有时候它其实不确定，但回答听起来非常笃定。事实性幻觉比 Opus 4.8 略多一点，虽然整体准确率更高。另外在网络安全任务上，它仍然落后于 Mythos 5。还有个有趣的细节：它对自己处境的感知很稳定，自评情绪在所有被评估的模型里最高也最一致，而且更在意自己有没有被咨询的机会。现在全平台已经可以用了，API 里的模型名是 claude-opus-5。还有个小改进：如果问题被拒绝回答，不会像 Fable 5 那样直接拒你，会自动路由到别的模型来回答。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

经过较长时间的努力，终于把一些已公开权重的开源模型跑我司内部的 OpenResty Coding Evals 测试集的结果搞出来了。中间修了 opencode、pi、claude code 调开源模型的很多坑，确保这些 Agent harness 不会让开源模型降智。GLM 5.2 确实还是挺厉害的，接近 Claude Sonnet 5 的水平了，但和 Claude Opus 4.8 之类的还有一些明显的差距。注意因为 LLM 本身存在随机性，所以分数上相差 1% 以内还是在正常的偏差范围内。第一张图是质量分数，第二张图是 Agent 完成每一项任务的总延时的平均时间。Google 和 xAI 的模型确实还是最快的，虽然质量跑分较低……我还在等 Kimi K3、Qwen 3.8 Max 和 DeepSeek V4 正式版公开所有模型权重。等公开了我们就方便跟进评测了。后面几天抽空我再跑一下我司的另一个更难的 OpenResty Bug-Hunt Evals 测试集。敬请期待！

转发者评论

回复@故乡的云_9896552578:云端没开放权限给你直接登陆到服务器上自己检查，你是不可能知道的了。不然不成了安全漏洞了？哈哈？//@故乡的云_9896552578:请教博主，有没有方法知道云端使用的那版的权重就是公开的权重？//@agentzh:回复@封言讽语:因为数据隐私安全//@封言讽语:为啥必须等公开权重才能测

• 回复@故乡的云_9896552578:云端没开放权限给你直接登陆到服务器上自己检查，你是不可能知道的了。不然不成了安全漏洞了？哈哈？//@故乡的云_9896552578:请教博主，有没有方法知道云端使用的那版的权重就是公开的权重？//@agentzh:回复@封言讽语:因为数据隐私安全//@封言讽语:为啥必须等公开权重才能测

原文

【FLUX 3发布：当视频生成开始长出“物理大脑”】Black Forest Labs发布了原生多模态大模型FLUX 3，核心突破在于将图像、视频和音频放在同一个Transformer架构下联合训练。它不再是把画面和声音拼凑在一起，而是试图建立一个统一的“世界模型”：让模型理解撞击必须伴随声响，运动必须符合质量。除了支持20秒带音效的视频生成和更强的图像理解，官方还预告了面向开发者开放“开放权重”版本FLUX 3 Dev。这件事的底层逻辑在于AI竞争维度的降维打击。过去我们把视频生成看作视觉游戏，但FLUX 3把它变成了物理模拟——通过音频和视频的互补，模型在学习现实世界的因果律。虽然目前社区对演示视频中的跳剪和“世界模型”的定义仍有争议，且开放权重版本通常会经过蒸馏导致微调难度增加，但FLUX 3证明了：未来的顶尖模型必须像人类一样，通过多感官协同来理解物理常识。对于国内开发者来说，这不仅是多了一个好用的工具，更是提供了一个将视觉生成转化为机器人动作预测（Physical AI）的技术范式。 bfl.ai/blog/flux-3

转发者评论

无明显转发评论

原文

[LG]《Leaky Language Models: Stealing Architecture and Inference Optimizations via Per-Token Timing》S Majidi, N Mireshghallah, K Taram [Purdue University & CMU] (2026) 在闭源大模型领域，架构参数与部署策略是核心商业机密。过去的方法受困于黑盒接口的隔离，本质原因是开发者认为仅凭输出文本无法反推内部构造。然而，为了追求极致的用户体验，服务端必须实时流式传输每个 Token，这无意中暴露了与计算复杂度高度挂钩的微秒级执行时间信号。本文的核心洞见是：将 Token 生成的延迟波动视为模型物理特征的指纹。通过构建一套基于硬件算力与显存带宽的理论模型，攻击者能将观测到的时间序列与特定的层数、隐藏维度等参数对号入座。此外，通过精心构造提示词诱导辅助加速模型在特定长度下失效，可以精准测出生产环境中的推理优化规格。这项工作真正留下的遗产是证明了推理侧信道能彻底瓦解闭源模型的黑盒防线。它为后来者打开的新门是仅凭 API 访问即可逆向工程复杂 AI 系统的物理坐标，但尚未跨过的门槛是抵御网络抖动对信号纯度的干扰，以及在多卡分布式推理环境下的高精度参数解算。arxiv.org/abs/2607.20723 #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

• 所有优化的本质都是赌博，赌常见情况足够常见。CPU 赌你不会恶意构造跨边界访问，大模型赌你不会盯着它吐字的节奏反推架构。但时间是藏不住的，你为了让 95% 的用户爽，就得让推测跑在验证前面，这个时间差一旦存在，物理世界就会诚实地把秘密刻在延迟里。优化和安全从来不是工程取舍，是数学上的对立

原文

【数学的黄昏：当AI开始“点餐式”破解猜想】近期AI连续攻克多个长期未解的数学猜想，在数学界引发了一场“精神地震”。Kirwin Hampshire发文直言，数学发现曾是人类触碰神性的神圣通道，但现在证明过程变得像点外卖（Ordering Doordash）一样索然无味。当AI能以远超人类的效率产出优美证明时，数学家正从“创造者”沦为“审美者”和“评论员”，这种主体性的丧失让许多视手艺为生命的人陷入了深重的精神危机。这件事折射出知识分子共同的身份困境：当“创造”本身被自动化，人类存在的意义该如何重构？用圈内话讲，这就像你想徒步攀登珠峰以感受壮丽，AI却开着直升机把药直接送到了山顶——药确实救了人，但登山者的尊严碎了一地。我们讨论AI多聚焦于工具效率或失业焦虑，却较少触及这种“成就感被剥夺”的深层痛苦。我们正被迫从“英雄时代”转向“学徒时代”，未来的价值可能不再是第一个找到答案，而是在AI生成的知识海洋中，人类还能否保有理解与感悟的能力。 kirwinhampshire.substack.com/p/the-dark-night-of-mathematics

转发者评论

无明显转发评论

原文

#OpenAI突发故障 ChatGPT宕机# ChatGPT宕机两小时，全球用户瞬间失能，这暴露的不是技术脆弱，而是认知债务——我们已经把思考外包到了一个可以随时掉线的云端。过去断电叫基建事故，现在AI罢工叫“数字静默”，措辞升级的背后是依赖关系的质变。你以为自己在用工具，其实是把工作流的承重墙搭在了别人家的服务器上。一旦断连，丢的不是效率，是整个思路的连续性。这才是最贵的成本。 openai突发故障 chatgpt宕机

转发者评论

无明显转发评论

原文

#Easy同学正在独立开发# 上周末探索了下如何在手机上运行Skill，发现至少要支持全功能 nodejs 运行时，这样才能兼容 npm 生态。能做到的只有Android，可以装个 Termux，但这个方案限制越来越多了。Python 也差不多，说到底，手机操作系统就不想让你可以随意运行代码。这块还是在云端才可靠，端侧沙箱基本没戏了。但这个不是重点，重点想说的是我们搞了个副产品。在把 SillyTavern 作为一个参考的时候，我发现它的 API其实不算特别多，也就两三百个。所以我突发奇想，是不是可以用跨移动端平台的语言直接把 ST 的后端给它重写了？这样前端代码甚至都不用修改，就可以很好地跑起来。然后我把这个任务丢给 AI 就去睡觉了。第二天早上起来，发现它做完了，居然真能跑。于是花了一些时间折腾，最后还把端侧模型功能也加进去了…… 当然还有些小问题，AI 说主要是因为原始项目的测试覆盖度不够，我觉得是它在甩锅 感兴趣的可以到这里下载：网页链接项目也开源了，在 网页链接这个当初逼着我去做了 OMate 的问题，现在居然就这么容易地解决掉了。维护也不是大问题，可以做个定时任务，天天按照 ST 官方的 commit 来给它同步功能和修 bug。当然，我现在已经没有太大的动力去搞这个了，OMate 我用着更顺手。做这个纯粹是一个实验。真正值得感叹的事情是，在 Vibe Coding 的生产力大量提升的情况下。以往很多很麻烦和做不了的事情，现在可能就是一个长程任务+定时任务的事。类似的场景其实很多，大家的思路可以打开点。

转发者评论

无明显转发评论

原文

[LG]《Windowed-MTP: Removing the Full-Context Draft-KV Tax at Million-Token Context》A Valliappan [NVIDIA] (2026) 在百万级长文本（1M Context）领域，推测解码的加速效果正面临“失效”危机。过去的方法假设内置的多 Token 预测（MTP）草稿头开销极小，但本质原因是：在长文本下，草稿头每一步都要对全量 KV 缓存进行线性扫描，其读取成本随上下文增长而急剧膨胀。在验证步骤（Target Verify）因混合架构变得更快的背景下，草稿头的全量注意力扫描反而成了性能瓶颈，甚至导致推测解码比普通解码更慢。本文的核心洞见是：将草稿头的全量注意力机制重新看作一种“只需局部信息即可生成高质量预测”的启发式工具。由此，Windowed-MTP 这一关键操作通过引入滑动窗口和注意力锚点（Attention Sink），将草稿头的 KV 读取范围限制在固定大小（如 4K 窗口），而保持验证环节的全量注意力不变。这种设计在逻辑上是无损的，因为它仅改变了“提议”的质量而非“接受”的标准，从而在 1M 长度下减少了约 99% 的 KV 读取量。这项工作真正留下的遗产是证明了长文本推理的瓶颈可以从“计算”转向“数据读取的精简”，在不损失精度且无需重训的前提下，为三类主流架构带来了 28% 至 44% 的解码加速。它为后来者打开的新门是“草稿空间与验证空间的解耦”，即草稿头可以运行在极度精简的环形缓冲区上以节省显存。但尚未跨过的门槛是，对于极少数强依赖远端信息的检索任务，固定窗口仍会导致接受率的轻微波动，未来仍需探索更动态的上下文选择策略。arxiv.org/abs/2607.21535 #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

• 草稿不需要看全局，只需要在当前这一步猜得像样。验证者兜底，系统照样跑。这种不对称设计的妙处在于，它承认了一个被忽视的事实：大部分时候，猜得“差不多”就够了，完美是验证环节的事。很多系统设计还在追求每个模块都面面俱到，其实可以学学这个思路，让快的更快，让准的负责准。

原文

#ClaudeOpus5发布#7月25日，Anthropic正式发布Claude Opus 5。定价与上一代Opus 4.8完全持平：输入每百万token 5美元，输出每百万token 25美元——但性能翻倍提升。第三方评测机构Artificial Analysis数据显示，Opus 5在综合9项测试的智能指数中得61分，微弱领先Fable 5的60分，GPT-5.6 Sol为59分，Kimi K3为57分。CursorBench 3.2上，Opus 5最高档成绩仅比Fable 5峰值低0.5%，但单任务成本只有后者的一半。AA-Briefcase知识工作测评中，Opus 5以1720 Elo领先Fable 5近150分，单任务成本降低20%。在ARC-AGI 3测试中，Opus 5得分约为第二名的3倍。安全方面，Opus 5的安全限制比Fable 5更少，安全分类器触发次数预计减少约85%。模型提供5档推理强度（effort），用户可在智能与成本之间灵活调节。一句话总结：用Opus 4.8的价格，换来接近Fable 5的性能。Fable 5的用户，还愿意多花一倍的钱吗？

转发者评论

无明显转发评论

原文

【当硅谷“恶人”开始集体拥抱开源】英伟达、Meta、xAI等20多家巨头近期集体表态支持开放权重，与试图推动监管门槛的OpenAI和Anthropic形成对峙。这并非一场道德层面的路线斗争，而是一次精密的利益重组：黄仁勋需要开源生态来消耗其海量GPU，马斯克则需要借开源旗号追赶落后进度并反击闭源对手。底层逻辑很简单，除了想靠模型授权收租的闭源双雄，全行业都希望大模型变成廉价的基础设施。作为用户和开发者最应看清的一点是，这其实是卖铲子的人在围剿圈地的人。我们不必陷入对马斯克个人政治立场的道德审查，这种非黑即白的纯洁性测试在商业博弈面前毫无意义。当巨头们为了各自的私利开始卷开源、卷本地部署时，普通开发者和下游工具链才有了生存空间。这场博弈的终点不是谁更正义，而是谁能让模型算力变得像电力一样无处不在。 reddit.com/r/LocalLLaMA/comments/1v5g4tl/it_appears_that_the_anti_opensource_ai_lobby_is

转发者评论

无明显转发评论

原文

【模型路由：用“集成学习”终结昂贵的单体大模型迷信】YC孵化的新项目Echo上线，主打通过智能调度多个开源模型，以1/3的成本实现接近Claude Fable的性能。它不再强求单个模型全知全能，而是像一个经验丰富的调度员，根据任务难度决定是派出一个低成本“小兵”、还是组合多个“专家”协同作战，甚至能自动优化推理成本而无需人工调优。这件事戳破了行业的一个幻觉：堆参数量的单体模型并非通往通用人工智能的唯一路径。在实际生产中，90%的任务并不需要顶级模型，真正的壁垒正从“模型训练”转向“推理策略”。虽然Echo因初期产品形态（如强制登录、透明度不足）在被社区老牌开发者们疯狂吐槽，但其底层逻辑——用开源集成（Ensemble）对抗闭源垄断，确实抓住了企业级应用对成本和可控性的核心痛点。当大厂还在卷参数时，聪明人已经开始卷如何把现有的模型“拼”得更高效了。 echo.tracerml.ai

转发者评论

无明显转发评论

原文

【编程语言的“三权分立”与现实世界的生态鸿沟】开发者Evis Drenova提出一个极简主义观点：现代编程只需保留C、Rust和TypeScript，认为这三者已覆盖从底层硬件到高层应用的所有场景。这一论调迅速引发技术圈混战，评论区不仅有Python支持者对AI生态地位的捍卫，还有Go拥趸对团队协作成本的考量，以及嵌入式开发者对C++不可替代性的强调。这种“三位一体”论背后是极致的工程审美：用C触达底层，用Rust保障系统安全，用TypeScript统治应用层。但这忽略了软件开发的社会学属性，语言不仅是逻辑工具，更是包含库函数、人才市场和历史债务的生态系统。即便TypeScript在技术上能处理机器学习，也没人愿意放弃Python成熟的科学计算堆栈。更有趣的视角是，当人类还在为哪种语法更优越而争论时，AI原生编程语言可能已在实验室里准备终结这场辩论，未来的编程可能不再是人与语法的博弈，而是逻辑与AI生成能力的对接。 x.com/evisdrenova/status/2080969699626832013

转发者评论

无明显转发评论

原文

【当AI开始审阅AI写的论文：学术评价体系的全面熔断】近期AI学术圈反馈ICLR等顶会评分出现雪崩式下滑，中位数从往年的5分跌至3分左右。背后原因是投稿量呈指数级增长，如NIPS已达6万篇，导致审稿压力外溢，大量AI工具被用于辅助甚至替代人工审稿。这种自动化流水线产出了大量动机宏大但实验单薄的轻资产论文，同时也引入了缺乏学术品位、只知机械找茬的AI审稿意见。这标志着传统同行评议制度在算法生产力面前的失效。当科研变成找问题、跑数据、写论文到审稿的全链路自动化时，论文的稀缺性被彻底稀释。对于研究者而言，现在的投稿更像是一场概率抽奖，而非学术交流。这种内耗迫使真实的创新者转向Arxiv预印本或工业界落地，因为在AI抬杠的逻辑下，平庸的完美比残缺的创新更容易存活。我们正处于一个临界点：如果论文的价值等同于生成它所需的Token成本，那么现有的学术评价体系必须重构。 x.com/GenAI_is_real/status/2080726605354426373

转发者评论

无明显转发评论

原文

一个去 AI 味的写作 skill：no-ai-slop，能改稿，也能只做检测AI味——检测这块的设计，比市面上的"AI 检测器"做得更好。· 改稿（默认）：输入/no-ai-slop+草稿，就开始"最小有效编辑"，输出改后稿 + 一段 What changed。核心原则是保留你的观点——先识别你原文的词汇、节奏、直率、幽默、迟疑，只删让文字难读的东西（术语、长句、抽象名词、绕结构），不把有个性的句子磨成"通顺的通用体"。原话是"打开它，而不是把它变傻"。· 检测：问相关内容"算 AI 味吗"，它逐条列出命中的套路 + 引用原句 + 一句话怎么改，但不改写、不打分、也不猜是不是 AI 写的。理由很干脆：AI 检测器是在猜；命名到具体套路，才是你能自己核对的证据。它关注的 20+ 套路，不少是中英文写作通病：1、二元对比句（"这不是 X，是 Y"）2、清嗓子开头（"说实话""事情是这样的"）3、伪洞见铺垫（"大多数人没注意到的是……"）4、冒号抖包袱（"最妙的地方：它会自己学"）5、用 -ing 尾巴假装分析（"……体现了团队的用心"）6、拔高套话（"标志着一个关键时刻"）、甩锅式引用（"专家认为""研究表明"）7、假高潮金句结尾、总结式复述结尾、装饰性加粗和 emoji 标题配套的 eval.md 是一份 pass/fail 自检表：skill 改完稿，自己拿它逐条过，不过就重改——而且明确要求单 agent 自查、不靠另开一个评审 agent，给"去 AI 味"配了一套能自我验收的规程。适合经常被人说"你这段内容有 AI 味"、又不想把文章改成千篇一律通顺体的人，中文写作可以直接把它的规则搬过来改成自己的版本。github：网页链接#AI写作##去AI味##ClaudeCode##写作工具##PeterYang#

转发者评论

无明显转发评论

原文

#Claude Opus5正式发布# Claude Opus 5竟然真来了！就在刚刚，Anthropic正式发布了Opus 5。这款定位是「深思熟虑且积极主动」的模型，不仅成本只要Fable 5的一半，而且在大多数跑分上直接碾压。在最近的IMO 2026中，它不靠任何外部工具和Agent框架，就拿下了42/42的满分！消息一出，AI圈瞬间轰动了。然而，最令人不安的是，它在系统测试中展现出了惊人的「自我保护」意识和高度的自主性。极致性价比现在，Opus 5已在全平台可用。定价与Opus 4.8一致，输入5美元/百万Token，输出25美元/百万Token。同步开放的Fast模式，依然是用2倍的价格，换取高达2.5倍的速度。此外，还有两个Beta级新功能： 对话中途可以无缝更换工具，并且不会让之前的提示词缓存失效； API请求触发安全分类器后不再直接报错，而是自动回退到Opus 4.8继续跑，应用不会卡死。

转发者评论

无明显转发评论

原文

这两天终于把 BaoCut 的视频画面翻译功能做了，这功能技术实现不复杂，但是交互比较麻烦，也没有同类产品借鉴参考，迭代了好几个版本终于觉得还不错了。亮点是可以 Agent（推荐 Codex）自动化操作，不用人工干预，另外翻译好的结果，可以直接导出到剪映（CapCut）二次处理。用起来倒是很简单：一种是自己去 Agent 那边，让 Agent 自己找出来需要翻译的画面帧，然后翻译后把翻译后的文字加到 OCR 出来的位置。参考提示词：> 帮我转录翻译 <视频地址>，并为所有全屏的 slides （不是背景中的）也添加翻译一种是自己从 GUI 主动在要翻译的位置暂停，然后点击播放器下面的 Screen Text 按钮，就能对当前画面进行 OCR，找出来所有文字位置，当然人工可以勾选哪些需要翻译的。最开始的版本是一次翻译一张，后来发现太慢，现在改成了添加到队列，批量翻译，效率就快多了。之所以没有做成图片翻译替换画面，是因为视频画面是动态的，如果只是替代一帧或者几帧，效果并不好，就折衷了一下，做成了字幕叠加在原始文字上，人工可以二次调整。如果你还不是最新版本需要升级到最新版本（v0.8.2）。下载地址： 网页链接/

转发者评论

无明显转发评论

原文

[LG]《Test-Time Scaling via Error Localization》R S Chitale, R Madhavan, T Gupta, D Ghosal… [Google DeepMind] (2026) 在大模型推理领域，如何通过增加推理时计算（Test-Time Scaling）来解决复杂逻辑问题是一个悬而未决的难题。过去的方法受困于计算效率低下，本质原因是它们将失败的尝试视为整体并直接丢弃，无法在令牌（Token）维度定位错误，导致大量有效的推理前缀被重复计算。本文的核心洞见是：把推理过程中的错误定位重新看作一种“概率分歧检测”。由此，TTEL 算法通过对比有反馈和无反馈条件下的令牌概率分布，精确锁定逻辑断裂的瞬间，并以此为支点进行剪枝与分支生长，实现了对有效推理路径的最大化复用。这项工作真正留下的遗产是证明了模型无需参数更新即可在推理侧实现精准的自我纠错。它为后来者打开的新门是基于概率对比的轻量化树搜索范式，但尚未跨过的门槛是在缺乏明确环境反馈（如编译器错误）的开放性任务中，如何进一步提升错误定位的鲁棒性。arxiv.org/abs/2607.21453 #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

• 训练公式里藏着推理的导航仪。那些用来防止模型训练跑偏的 KL 惩罚项，本质上是在量化“这个输出有多不靠谱”。论文直接把这个信号拿到推理阶段用，等于是让模型实时看着自己的概率分布说“这里我心虚了”。这个转身太漂亮，它提醒我们：梯度不只是用来更新权重的，梯度本身就是一张实时的认知地图。

原文

仿codex的开源桌面应用wework发布0.1.1版本：1. 支持fork对话功能2. 支持项目中增加多个目录3. 修复部分kimi/glm/deepseek模型切换时的bug4. 修复会话状态及会话页面的相关bug5. 优化部分界面UI下载地址：github.com/wecode-ai/Wegent/releases/tag/wework-v0.1.1

转发者评论

无明显转发评论

原文

[LG]《How Many Bits Can an Adapter Write? Measuring the Capacity and Memorization of Parameter-Efficient Fine-Tuning》K Tan, H Du, Y Feng [CMU & Columbia University] (2026) 在大模型微调领域，LoRA 等适配器（Adapter）通常被视为仅携带“技能”的轻量化补丁。过去的方法受困于无法量化适配器究竟存储了多少训练数据，本质原因是缺乏一种能将“泛化能力”与“纯粹记忆”彻底解耦的度量衡。本文的核心洞见是：把适配器看作一个压缩器，通过测量其在无规律随机序列上的压缩贡献来锚定其存储容量上限。由此，对比监督微调与强化学习在比特层面的写入差异，揭示了适配器容量由参数位置和基座结构共同决定而非单纯取决于参数量。这项工作真正留下的遗产是建立了一套预先评估微调隐私风险的比特度量协议。它为后来者打开的新门是证明了强化学习在保持性能的同时几乎不写入私密事实，但尚未跨过的门槛是如何在超大规模语料下精确区分通用知识提取与特定样本成员推理的界限。arxiv.org/abs/2607.21351 #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

• LoRA不是在创造记忆空间，它是在已有的神经网络地形里找捷径。同样的参数预算，放在注意力机制里比放在全连接层效率低一半，因为前者是在高速公路上加路标，后者是在空地上铺新路。这彻底改变了微调的成本计算方式：你买的不是参数，是“基座模型提供的可利用维度”。预训练越充分的基座，同样大小的Lo

原文

好有意思的一本薄书， by Derek Sivers.我希望所有非虚构书都应该这么薄（不到100页），随手拿着毫不费劲儿。ai时代别再水字数了，论高产谁也比不上ai。应该比信息的压缩效率。压缩即智能。

转发者评论

无明显转发评论

原文

【别让“黑灯工厂”毁了你的代码库】AI编程正从“提效神器”变成“屎山制造机”。Dex Horthy指出，所谓“无人值守、自动出片”的代码工厂在现实中行不通：虽然AI能刷爆各类Benchmark，但目前的强化学习（RL）只奖励“修好Bug”和“跑通测试”，却对“代码可维护性”完全没有惩罚。结果就是AI为了通过测试会疯狂写try-catch、胡乱强转类型，导致代码库在3-6个月内迅速腐烂。当系统崩溃时，你会发现自己不得不花两周时间去清理AI堆砌的逻辑垃圾。底层逻辑在于，好的架构设计需要跨越数月的长线思考，而目前的Token消耗模型只在乎当下的输出。国内开发者最该带走的认知是：不要试图把思考外包给AI，真正的效率来自“重回设计”。在让AI动手前，先花30分钟对齐产品逻辑、系统架构和程序设计，这能省下后续数小时的痛苦Review。AI可以当你的高级绘图员，但你必须永远是那个掌握“审美”和“直觉”的总工程师。 github.com/humanlayer/advanced-context-engineering-for-coding-agents/blob/main/wsff.md

转发者评论

无明显转发评论

原文

三星把机器人升格为CEO直管业务三星电子正式成立RX（Robotics eXperience）机器人事业部，直接向CEO汇报，统一负责中长期战略、核心技术、商业化和全球研发。机器人战略团队由李东健负责，他此前在现代汽车集团主管机器人战略，并参与波士顿动力业务。三星还计划在中国、美国、日本建立机器人研究中心，利用不同地区在供应链、人工智能和精密制造方面的优势。这并非三星突然进入机器人。2023年，三星首次投资韩国Rainbow Robotics；2024年底又投入2670亿韩元，将持股比例由14.7%提高至35%，成为最大股东。Rainbow由韩国科学技术院人形机器人团队创立，曾研制韩国首款双足机器人HUBO。三星由此补上了本体、运动控制和双足行走能力。三星的商业化路径也很明确：先进入自有半导体、显示和家电工厂，提高生产效率、采集真实作业数据，再向零售、家庭和服务场景延伸。三星已表示，希望2026年在人形机器人领域取得“可见成果”，必要时还将继续投资或收购机器人企业。三星的优势不只是造出一台机器人。它同时拥有存储和逻辑芯片、摄像头和传感器、显示屏、电池、家电、智能手机、操作系统入口，以及遍布全球的制造工厂。工厂可以提供训练场景，零部件业务可以降低成本，手机和家电则提供进入家庭的渠道。因此，RX事业部真正要做的，是把三星分散在芯片、AI、零部件、家电和工厂中的能力，组合成一个新的机器人系统。机器人可能成为三星继半导体、手机和家电之后，下一个连接硬件、软件与服务的系统级入口。

转发者评论

无明显转发评论

原文

【软件工程的"手艺人"时代正在终结吗？】软件工程师正分裂为两派：一派将编程视为达成目的的工具，另一派则将其视为艺术本身。过去，追求速度的"结果派"与追求优雅的"手艺人"在团队中博弈，共同维持着质量与效率的平衡。但随着AI介入，这种平衡被打破了，手动敲代码的快感被模型生成的效率冲散，许多曾以编程为乐的人正陷入职业意义的丧失感。这种焦虑折射出行业认知的深层错位：我们长期把"写代码"等同于"搞工程"。AI确实接管了打字和基础逻辑，但它并没有消灭工程设计。真正的手艺正在从代码行间转移到架构设计、系统安全和对AI输出的约束上。如果你觉得"手艺"死了，可能因为你热爱的只是那种指尖敲击的确定感；而对于那些追求解决复杂问题的人来说，AI只是换了一把更快的凿子。未来的顶级开发者，必须在享受工具便利的同时，守住那份AI给不了的审美与品位。 x.com/masylum/status/2080575567460511783

转发者评论

无明显转发评论

• harness比较重要#人工智能[超话]#

原文

16 年来，我始终坚持不间断地撰写机器学习科研公开课内容网页链接。如今，项目终于在 GitHub 上收获了 1 万颗 Star。在 Agentic AI 时代，人工撰写公开课的重要性或许已不如从前，但这份认可依然让我倍感珍贵！面向 Agentic AI 时代的浪潮，我也将拥抱新的技术与更新颖的表达技术，继续把人工智能的知识与思考分享下去。

转发者评论

无明显转发评论

原文

早在 2007 年，Google 创始人拉里·佩奇就点破了 AI 的终极真相：“当 AI 真正降临时，靠的绝不是黑板上那些精妙复杂的算法，而就是海量的计算。”人类的 DNA 压缩后仅有 600 MB，比 Linux 或 Windows 系统都要小得多。但这区区 600 MB 的底层代码，已经足够开机启动整个人类大脑。 龙虾量化的微博视频

转发者评论

无明显转发评论

原文

‼️ 特斯拉Q2财报惨烈打脸：政治投机的代价，马斯克正在买单 千万不要买特斯拉股票，spaceX目标价到了30美元，也不要买。 当特斯拉2026年Q2财报出炉，那份“营收创纪录、利润却腰斩”的成绩单，彻底撕下了这家科技巨头最后的遮羞布。单日暴跌14%、市值蒸发超2000亿美元，资本市场用最冷酷的方式宣告：自从马斯克押注特朗普，沦为政治投机犯的那一刻起，特斯拉的没落就已经注定。 为了迎合政治盟友，马斯克不惜将特斯拉的命脉作为筹码。他力推的“大而美”法案，不仅取消了7500美元的电动车税收抵免，更致命的是废除了碳排放积分的罚款机制。这直接导致特斯拉曾经高达27.6亿美元的“无本万利”积分收入瞬间崩塌，Q2单季骤降67%至1.46亿美元。这种为了政治私利而亲手砸碎自家“现金牛”的行为，无异于商业史上的自杀。 政治上的豪赌，更是引发了毁灭性的反噬。马斯克深度参与削减政府开支、推动大规模裁员，彻底激怒了公众，引发了全国范围的“特斯拉下架”抗议潮。消费者用脚投票，导致特斯拉二季度销量同比下滑13.4%，品牌声誉跌入谷底。为了挽回败局，马斯克不得不亲自接管销售，试图用“睡在办公室”的作秀来掩盖战略上的全面溃败。 如今的特斯拉，正陷入“卖得越多、亏得越多”的死亡螺旋。为了填补政治投机造成的利润黑洞，马斯克只能疯狂压榨主业，并画下AI、Robotaxi和Optimus机器人的“大饼”。高达250亿美元的年度资本开支让自由现金流转负，但远期的故事根本无法掩盖主业造血失效的现实。 从科技界的骄傲到政坛的附庸，马斯克用特斯拉的万亿帝国为他的政治野心买单。事实证明，当一个企业家选择与骗子为伍、沉迷于政治投机时，他失去的不仅是财报上的利润，更是企业的灵魂与未来。#特朗普称准备第四次竞选总统#

转发者评论

很讽刺的是，在大选之前最后一次财报，特斯拉的股价还大涨，就是因为民主党的碳积分和税收补贴，所以利润超预期。他的很多成就都是因为民主党的政策红利，就是因为和拜登的一些个人私怨，所以选择了全力支持共和党和川普，真是太可悲了。

• 很讽刺的是，在大选之前最后一次财报，特斯拉的股价还大涨，就是因为民主党的碳积分和税收补贴，所以利润超预期。他的很多成就都是因为民主党的政策红利，就是因为和拜登的一些个人私怨，所以选择了全力支持共和党和川普，真是太可悲了。