微博 AI 观察博客

原文

这可能是今年最值得看的一堂AI课程。40分钟，杨植麟把未来几年AI发展的关键逻辑讲透了，从Scaling Law，到下一代模型架构，再到Agent智能，他没有只讲一个产品，而是在拆解一个更大的问题：未来的AI，究竟会如何进化？过去几年，大模型竞争靠的是更大的参数、更强的算力，但下一阶段，真正决定胜负的，是模型效率、推理能力，以及能不能从聊天工具变成真正能够完成复杂任务的智能体。如果你想理解GPT、Kimi、Claude等大模型未来会走向哪里，这40分钟非常值得收藏。看懂这堂课，可能就看懂了未来几年AI行业最大的变化。#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

//@庆丰://@巍峰://@刘彬://@郑伟:转发微博

• //@庆丰://@巍峰://@刘彬://@郑伟:转发微博

原文

MCP 协议发布了自诞生以来最大一次改版，核心是把状态管理从协议层移出去。MCP 最初的设计来自 LSP（语言服务器协议），天然是本地工具的思路——两个进程在一台机器上聊天，有状态没问题。但现在 MCP 跑到了云端、跑进了企业级部署，旧设计的问题开始暴露。2026-07-28 规范正式解决这个问题。1. Session 和握手被整体移除。旧版本里，客户端每次连接要先 initialize——打招呼、交换能力、拿到一个 Mcp-Session-Id，之后每次请求都要带这个 ID。负载均衡器后面跑几十台服务器，每台都得知道另一台发出的 session ID，要么 sticky session 要么共享 session store，两条路都很贵。新版本把这个机制从协议层整体删掉。客户端信息、协议版本、能力声明，现在通过每个请求的 _meta 字段携带。任意服务器实例都能处理任意请求，普通轮询负载均衡器够用。2. 无状态协议不等于无状态应用。这个区分官方特别强调。如果你的服务器需要跨请求维持状态，做法是：从某次 tool 调用里返回一个显式 handle（比如 basket_id），让模型在后续调用里把这个 handle 当普通参数传回来。这其实比原来藏在传输层的 session 状态更强——模型可以组合多个 handle、在步骤间传递、跨 tool 推理，这是以前协议管状态时做不到的事。3. 配套改动把流量变得可路由、可缓存、可追踪。1）新增 Mcp-Method 和 Mcp-Name header，负载均衡器不用解析请求体就能路由。2）tools/list 响应加了 ttlMs 和 cacheScope，客户端可以缓存 tool 列表，不用每次都查。3）_meta 里内置 W3C Trace Context，一条 trace 可以从宿主应用一路追到 MCP server 的下游调用，在 OpenTelemetry 里以单一 span 树呈现。4. 服务端到客户端的中途交互，也重新设计了。原来靠长连接 SSE 实现，现在改成了 Multi Round-Trip Requests：服务器返回一个 InputRequiredResult，里面带着问题和一个 requestState；客户端答完重新发起请求，把答案和 requestState 一起带上；任意服务器实例都能接这次重试，因为所有上下文都在 payload 里。5. 三个功能进入废弃流程：Roots、Sampling、Logging。现在还能用，但官方给出了替代方向——Roots 用 tool 参数替代，Sampling 直接对接 LLM 提供商 API，Logging 用 OpenTelemetry 做结构化可观测性。废弃到移除之间至少 12 个月窗口。向后兼容有过渡路径：新客户端遇到旧服务器会自动 fa…

转发者评论

无明显转发评论

原文

转Brendon ：早上和朋友讨论了一下最近市场关于 AI CapEx 的争论，我越来越觉得，目前很多讨论其实都是叙事，而不是生意。很多人把焦点放在 ROI、ARR 增速放缓，甚至个别 AI 公司增长减速，然后直接推导出CapEx 要见顶。但真正经营过企业的人，会先问一个问题：是谁决定 CapEx？云厂商本质上是基础设施提供商，而不是需求创造者。他们没有能力主动决定资本开支节奏，更像产业链中的中间商。真正决定 CapEx 的传导链应该是：终端需求 → AI 应用收入（ARR）→ 融资能力 → GPU 订单 → 云厂商采购 → 数据中心 CapEx。只要下游订单还在增长，竞争还在继续，云厂商就没有真正主动踩刹车的空间。他们可以调整建设节奏、现金流和供应商，但很难主动停止投资，因为竞争对手不会停。所以，ARR 放缓和 CapEx 放缓，本质上也不是同一个问题。ARR 放缓影响的是未来估值、融资能力和长期需求；CapEx 反映的是已经形成的订单、长期合同和产业建设，两者存在明显时滞。过去一年市场已经出现过类似情况。去年底很多人认为 OpenAI 会因为烧钱太快而陷入困境，但现实却是融资继续、算力采购继续、产业链继续扩张。改变的是市场叙事，而不是产业运行。因此，相比讨论CapEx 会不会下降，更值得研究的是那些真正领先产业变化的指标：* AI 应用 ARR 和企业付费情况；* GPU 是否出现订单取消或交付延期；* HBM、先进封装、网络设备订单是否减弱；* 数据中心建设、电力和冷却基础设施是否放缓；* AI 公司融资能力是否持续恶化。如果这些领先指标没有发生系统性变化，那么市场关于 CapEx 即将大幅放缓的讨论，很大程度仍属于叙事，而不是现实。研究产业，尽量少研究故事；研究订单，比研究情绪更重要；研究前瞻指标，比讨论 CapEx 本身更重要。因为市场经常犯一个错误：把股价压力等同于企业经营会立即停止。实际上，美国大型企业的经营逻辑不是股价跌了，所以停止投资，而是：先通过内部优化释放效率，再调整资本配置；只有确认商业回报下降，才会真正削减战略性资本开支。这也是2023年美国衰退预测被证伪的重要原因。股价下跌，不一定意味着AI投资周期结束；企业通常先调整组织和成本结构，再调整资本开支。2023年的最大教训就是：不要用宏观衰退模型简单推演企业行为。美国大型企业不是被动接受周期，而是主动通过裁员、重组、自动化和资本重新配置穿越周期。这也是分析AI CapEx周期时，必须加入的企业经营韧性变量。

转发者评论

无明显转发评论

原文

Cindy 是一款开箱即用的开源 AI 智能体，将多种模型、工具和执行环境整合在一起，真正帮你在本地项目和应用里完成实际工作。 Cindy 在你自己的设备上运行，直接访问你的文件和已登录的应用。目前已支持 Claude Code 与 Codex 两种执行环境，未来还将加入更多原生环境。不同模型和执行环境可以自由切换，任务可在多环境间并行规划、执行与复核，同时保持工作区、记忆和工具的连续性。她能操控浏览器、电脑和手机，还能从即时通讯和日程中接收工作。 GitHub: github.com/makecindy/cindy仓库提供桌面端与移动端客户端及共享包，采用 pnpm monorepo 结构。本地运行仅需 Node.js 22.x 与 pnpm 10.x，克隆后执行 submodule 与依赖安装即可。客户端完全免费，源码遵循 Apache-2.0 协议。

转发者评论

无明显转发评论

原文

邓煜获奖后（7月24日报道）也有一次采访。我注意了这一点，写出来给你们看看。一个菲尔兹奖得主，还有上一篇里地球上最聪明的大脑，他们讨论ai的边界已经到达了哪里，这种分量比马斯克，奥特曼去讨论，还要大多了。他说在近期一项工作中，一个主要命题的特殊情形卡了好几天，GPT给出了一个非常简单的证明，很快处理了那个特例——但因为无法推广到一般情形，这个证明没有写进最终论文，只提供了思路。他还说了自己的两种常规用法：一是对那些基本确定为真的简单结论，让AI先给证明、他再核验；二是让AI补充他不知道的已有知识，比如某个组合计数问题对应的标准结构和结论。这个细节很重要，是因为它精确地标定了当前AI在顶尖数学研究里的位置。AI能做的是"局部可判定性"的加速。 特例之所以能被GPT秒解，恰恰因为它是特例——自由度低、搜索空间小、可能命中训练分布里已有的结构。这本质上是把玻尔兹曼说的上的遍历搜索外包给了概率模型：AI在它见过的证明模式的高概率区域里飞速采样，而研究者本人恰好站在一个他没遍历过的角落。几天的卡住，被一次采样就击穿。但是，但是，但是，AI不能做的一般化，正是邓煜工作的核心难度所在。 他必须要做一种框架级的创造，不是在一个给定结构里找路径，而是先发明一个结构，使路径变得可找。GPT给的特例证明无法推广，恰恰因为它没有、也无法参与这个框架的发明——框架根本就不在任何已有文本里。所以邓煜自己的总结非常清醒：他期待的分工是人类负责总体框架和核心思路，AI完成部分技术性推导，并且对年轻研究者给出警告——不能因为AI给出一段看似完整的论证，就跳过独立判断和严格核验。用复杂系统的方式，我的看法是：AI目前是一个高效的局部负熵源，能快速降低特例层面的不确定性；但研究整体的耗散结构——比如问题的选取、框架的搭建、跨尺度的连接——仍然只能由那个在场的人类来维持。慢门可以交给相机，但何时按下快门、等待什么秩序从混沌中浮现，机器给不了。AI在数学中的角色其实正在经历一个尺度问题——局部（特例、引理、技术性估计）上它已经涌现出可用性，宏观（整篇证明的逻辑骨架）上还没有。而真理不是把局部拼起来就能自动得到的。注意，这是一个菲尔兹奖的人讲述的。这是真正的分量。如果是一个AI从业者说AI能帮数学家突破卡点，那是营销。如果是一个普通数学工作者说，那是经验——真实，但样本位置低，你无法外推到人类智力的天花板处AI还能不能起效。但刚刚亲手解决了一个125年悬案的人不需要AI为他背书，反而是AI需要他的背书。他对卡了好几天是什么滋味有最直接的体感，因为那种卡不是知识不足这么简单，而是站在人类已知边界之外、四面没有路的卡住。他承认了AI在局部采样上的速度优势，一个菲尔兹奖得主也不需要虚荣心去否认这一点。他又说"但无法推广，没有进入论文"——这又是带着证明的否定。希尔伯特第六问题的一般情形，恰恰是AI给的思路…

转发者评论

[doge]//@葉子先生酱:真巧，我正好在思考这个问题就看到了这篇文章，很高兴人类的大脑暂时还不能被ai完全取代

• //@Zodzod_张浩:转发微博
• [doge]//@葉子先生酱:真巧，我正好在思考这个问题就看到了这篇文章，很高兴人类的大脑暂时还不能被ai完全取代

原文

今天看到了Markdown的设计者Aaron Swartz的故事，唏嘘~(本文作者) Max For AI:如果你用过任意一个AI产品，那你一定用过Markdown。但你可能不知道，Markdown最重要的共同设计者之一Aaron Swartz，死在了美国政府手里。这不是夸张，也不是什么阴谋论。他就是被美国司法系统一步步逼死的。Aaron Swartz是互联网历史上最早的一批天才少年。14岁参与制定RSS 1.0，后来参与Creative Commons、Open Library和Markdown的设计，也是Reddit最早期的核心成员之一。别人十几岁还在研究怎么逃课，他已经在参与制定互联网的基础规则。但Aaron真正关心的，从来不是怎么靠互联网发财。他关心的是一件更危险的事：知识为什么不能免费？政府文件、法律资料、学术论文，很多本来就是公共资金生产出来的，最后却被数据库、出版商和机构锁在付费墙后面。普通人想看一篇自己纳税资助的论文，还要再交几十美元。Aaron觉得这件事不合理。所以他开始行动。2008年，他批量下载了美国联邦法院的公开文件，免费上传到互联网上。这些文件本来就属于公共信息，但美国法院系统却按页收费。后来FBI调查了他，但没有找到犯罪证据。2010年，他又通过MIT的网络，从JSTOR下载了数百万篇学术论文。他没有卖这些论文，没有靠它们赚一分钱，甚至还没有来得及公开发布。事情被发现后，JSTOR拿回了数据，和Aaron达成和解，明确表示不再追究。MIT也没有要求起诉他，选择了“中立”。这件事到这里，本来已经结束了。没有经济损失，没有牟利，没有真正的受害者，权利方也已经决定不追究。但美国司法部不肯停手。联邦检察官坚持起诉Aaron，先后给他追加了13项重罪指控，包括电信欺诈和违反《计算机欺诈与滥用法》。最高可能面临35年监禁和100万美元罚款。他们不是要让Aaron为一次违规下载付出代价。他们是要把他变成一个重罪犯。检方提出的条件很简单：只要Aaron认罪，承认自己是重罪犯，就可以减少刑期。Aaron拒绝了。因为他知道，一旦认罪，他这一生都会被贴上联邦重罪犯的标签。他参与推动互联网开放、反对审查、反对知识垄断，最后却要被政府定义成一个罪犯。接下来的两年里，他一直被调查、起诉、威胁，承担巨额律师费，还要面对可能毁掉整个人生的审判。2013年1月11日，Aaron Swartz在纽约的公寓中自杀，年仅26岁。他是被美国政府迫害致死的。JSTOR已经和解，MIT选择中立，没有证据证明他靠论文牟利，也没有真正造成不可挽回的损失。但美国司法部依然坚持把他当成重罪犯追杀。他们需要一个案例。需要告诉所有人，谁敢挑战知识垄断，谁敢绕过他们制定的规则，谁就会付出无法承受的代价。Aaron死后，美国司法部撤销了所有指控。今天，Markdown已经成为AI时代最常见…

转发者评论

无明显转发评论

• 我对Aaron Swartz的评价多年前就说过，非常明确毫不含糊：普罗米修斯//@暗能量泡泡:转发微博

原文

[AI]《Graph-Based Agentic AI with LangGraph: Workflow Pathways for Long-Running Stateful Business Processes》D Pearson, S Shapiro, E S G Venegas, S Al-Khatib… [University of Lethbridge & Universidad de Guadalajara] (2026) 在企业级业务流程领域，长时程、多步骤且需维护状态的复杂任务是一个悬而未决的难题。过去的方法受困于将流程逻辑隐藏在提示词或硬编码中，本质原因是缺乏对中间状态持久化、人工干预中断以及显性错误修复路径的底层编排能力。本文的核心洞见是：把大模型应用重新看作一种基于状态的有向图。由此，通过定义强类型共享状态、条件路由和持久化检查点这一关键操作，使复杂的业务逻辑从不可见的模型幻觉转变为可观测、可恢复且具备确定性路径的显性工作流。这项工作真正留下的遗产是为大模型编排提供了从简单循环到复杂图结构的决策准则与标准范式。它为后来者打开的新门是实现了高风险业务中可审计、可中断的人机协作自动化，但尚未跨过的门槛是复杂图结构带来的架构额外开销与开发成本之间的平衡。arxiv.org/abs/2607.19297 #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

• 所有试图用自然语言控制AI行为的努力，本质上都是在跟概率分布谈判。你写“如果A则B”，模型读到的是一堆token权重，它会“大概率”按你说的做，但永远不是“必然”。真正可靠的系统架构是：代码负责if-else，LLM负责理解和生成。把确定性交给确定性工具，把创造性交给概率模型，这不是技术选择，是工

原文

"港大研究员造了个 AI员工ClawWork，让它自己赚工资、赚不到就破产，7 小时赚了 1 万美元。"——这两天在刷屏，它说的项目是真的、有意思，拆开值得看：给agent 起始 $10，用 GDPVal（OpenAI 的 220 个真实职业任务、44 个职业）干活，消耗的每个 token 从余额里按真实 API 价扣钱，撑不住就"破产"。"赚钱"怎么来的：让参与测试的模型交付一份result → 使用GPT按该职业评分标准打质量分 → 质量分 × 职业 BLS 时薪 × 工时 = 模拟收入。（这是个模拟测试，没有真客户、没有真钱进账，"7 小时"是跑分。）通过让各个模型都参与测试得出的结论：1、质量分都不高：冠军 ATIC + Qwen3.5-Plus 平均才 61.6%，多数模型 36~43%。2、最能"赚"的不是质量最高的：质量最高的 ATIC-DEEPSEEK（66.8%）只排第 5。3、排名第一的是：ATIC+QWEN3.5-PLUSClawWork的架构值得学习，对于评估AI员工价值的benchmark，可以参考其架构来设计。github：网页链接演示：网页链接#AIagent##AI打工##GDPVal##benchmark##HKUDS#

转发者评论

无明显转发评论

原文

[AI]《AREX: Towards a Recursively Self-Improving Agent for Deep Research》S Lu, C Li, K Luo, Z Zhang… [Beijing Academy of Artificial Intelligence (BAAI)] (2026) 在深度研究（Deep Research）领域，让智能体在复杂约束下搜寻精准答案是一个悬而未决的难题。过去的方法受困于简单的长序列搜索或盲目的推理堆叠，本质原因是搜索空间巨大且信息稀疏，导致智能体容易在错误路径上徘徊，无法系统性地验证中间结论。本文的核心洞见是：利用“发现与验证的不对称性”，将研究过程重新看作一个递归自改进的循环。由此，通过引入内外双层循环架构，使智能体能像人类学者一样审计已得结论、识别未竟约束，并利用自主上下文更新工具将冗长的搜索历史熔炼为高纯度的“改进状态”，实现精准的破局。这项工作真正留下的遗产是证明了“递归验证”比“单纯增加推理步长”更能有效提升复杂任务的成功率。它为后来者打开的新门是构建具备自我诊断与长程状态管理能力的自主研究系统，但尚未跨过的门槛是如何在无外部反馈的情况下，更通用地评估每一步研究操作的潜在价值。arxiv.org/abs/2607.21461 #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

• 所有人都在比谁记得多，AREX在比谁忘得准。这不是哲学，是工程现实：长周期任务里，Agent真正的认知负担不是“我看过什么”，而是“我为什么排除了那条路”。把证伪过程和未解决约束当作压缩后的状态保存下来，相当于给AI装了一个“失败索引”，让它在第73步时还能记得第12步那个假设为什么被毙掉。这

原文

[CL]《EvolvingWorld: An Open-Schema Framework for Co-Evolving Role-Play Agents and World Model in Interactive Literary World》Q Zong, Y Guo, M Yang, Y Guo… [Hong Kong University of Science and Technology & LIGHTSPEED & Huazhong University of Science and Technology] (2026) 在交互式文学模拟领域，如何让角色与世界随剧情同步演化是一个悬而未决的难题。过去的方法受困于静态的人设模板或孤立的场景生成，本质原因是缺乏一种能同时追踪角色内心成长与世界物理/社会状态变更的耦合演化机制。本文的核心洞见是：把文学模拟重新看作角色代理与世界模型双向驱动的开放架构。由此，引入“开放图谱”来灵活定义不同书籍的演化维度，并配合“隐藏追踪器”累积细微心理信号，这一关键操作使角色动机、人设更新与世界状态维护达成了深度协同。这项工作真正留下的遗产是建立了一套支撑长周期文学叙事的标准化任务协议与基准数据集。它为后来者打开的新门是实现具备“历史记忆”与“环境感知”的深度角色扮演，但尚未跨过的门槛是处理不同角色对同一世界状态的非对称主观认知。arxiv.org/abs/2607.17250 #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

• Open-Schema 最狠的地方是它证明了一件事：世界观不需要人类来定义了。以前做游戏，策划得列一张表，规定这个世界里什么东西重要——魔法值、忠诚度、罪恶点数。现在你把《冰与火之歌》扔给大模型，它自己就知道该追踪“家族联盟”和“血债”；你扔《赛博朋克 2077》，它自己明白“街头信誉”和“义体

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

• 归零只能说智能不绝对就是绝对不智能，端侧AI就是智能不绝对[许愿星] http://t.cn/AX9QFi93 //@叶大冬:等回去了试试看

原文

转载：一位是估值超过 30 亿美金的具身智能公司星海图的创始人高继扬，出生于 1992 年、2023 年开始创业；一位是曾经投资过网易、京东、美团和拼多多，从门户网站时期一路走到今天，被称为投资女王的今日资本创始人徐新。一位年轻的具身智能公司新贵，一位经历过技术和资本周期变化的明星投资人。在当下人工智能和具身智能如此火爆的时刻，他们坐下来和我一起聊了聊创新、科技变革、不同周期下的创业者，以及如何看待贪婪、恐惧和泡沫。希望如果未来大家回头再看这期节目的时候，它也是一个标志性的对话。（来源：视频号“李翔同学”，视频版权归原作者所有，如有侵权，请联系删除） 但斌的微博视频

转发者评论

无明显转发评论

原文

ChatGPT 桌面端（原来的 Codex App）今天加入了语音控制，macOS 和 Windows 用户可以直接用嘴指挥 AI 干活了。具体来说，你可以一边跟 ChatGPT 说话，一边让它操控电脑、启动 Codex 写代码、调度 ChatGPT Work 执行任务，全程不用打字。开着一个语音对话，同时管理多个后台 Agent（智能体），有点像一个人坐在那里口述指令，几个助手分头干活。这个功能基于 GPT-Live，OpenAI 在 7 月 8 日刚上线的新一代语音模型。GPT-Live 最大的变化是全双工架构，也就是它能同时听你说话和给你回话，不用像以前那样等你说完、停顿、它再开口。遇到复杂问题，它会把推理任务丢给后台的 GPT-5.5 处理，自己继续跟你聊，不会卡住。macOS 用户多了一个叫 Appshots 的功能：语音对话时，ChatGPT 可以直接看到你当前最前面的窗口，了解你在做什么，回答就更贴合上下文。比如你正在看一段代码，直接说“这个函数有什么问题”，它能看到屏幕内容来回答。Windows 用户暂时没有这个能力。此外，iPhone 用户可以通过远程配对的方式，用 iOS 上的 ChatGPT 语音来操控桌面端的 Codex。等于你拿着手机在沙发上就能指挥电脑写代码。Android 支持还在路上。今天全球同步推出，面向 Plus、Pro、Business、Edu 和 Enterprise 用户。免费用户暂不可用。 宝玉xp的微博视频

转发者评论

新版ChatGPT桌面端好像需要订阅才能用普通chat了？//@LangChainAI:转发微博

• 新版ChatGPT桌面端好像需要订阅才能用普通chat了？//@LangChainAI:转发微博

原文

陶哲轩在2026年国际数学家大会上的公众演讲《人工智能时代的数学》，里面有个细节，很生动。他展示年轻时读Bourgain论文的批注页，他想说的是，理解的形成恰恰在这些停顿、卡壳、重写的痕迹里。那页纸上全是批注，补全被省略的中间步骤、对跳步处打问号、用自己的话重新组织证明。如今的 AI，已经可以生成语法、拼写和格式几乎无可挑剔的数学论文。但在陶哲轩看来，这类文本的阐释能力仍然参差不齐：它们往往在简单的部分停留过久，却在真正困难或新颖的地方一笔带过。更隐蔽的问题是，人类作者曾经觉得困难的地方，往往会保留一些思考和推导的痕迹，提醒读者放慢速度、反复推敲。过于光滑的 AI 论文，却可能把常规步骤和关键突破写得同样轻松，反而掩盖了真正值得学习和理解的思想。陶哲轩在这里说的是一件极其深刻的事：数学论文不是知识，而是认知地图——而地图的价值，恰恰就在于它能标注哪里有悬崖。一份好的数学阐释，真正的功能不是把正确的话写出来，而是告诉读者：注意力应该按什么比例分配。人类优秀作者会不自觉地做到这一点——常规步骤三行带过，关键的、反直觉的、当年作者自己卡了几个月的地方，会放慢、反复。但AI的问题在于，它对"哪里难"好像没有任何体感。出现频率高的内容它写得从容且冗长，出现频率低的内容（真正新颖的那一步）它反而一笔带过——因为那一步在训练数据里几乎没有先例。浅处水深，深处无痕。这是个认知结构问题，AI没有经历过"卡住"那种感觉，所以它不知道哪里会让人卡住。这凸显了ai和人类认知结构巨大的不同。一个作者觉得某处难，他会在那里留下痕迹——一个看似多余的中间步骤、（一句比如说）注意这里不能直接用XX定理。这些痕迹是作者当年挣扎的化石，它们向后来的读者传递一个无价的信息：此处务必小心。读者循着这些痕迹，可以重建作者的认知路径，而不只是接收结论。AI润色做的修平简直是灾难——因为理解的形成恰恰依赖于重走那段崎岖。结论可以瞬间传递，唯独理解不能。光滑的文本会让读者产生"好了，读懂了"的错觉，实际上他们只是"读完了"。懂没懂，不知道。陶哲轩说，数学的衡量标准不是定理的生产，而是让人们更清楚地理解和思考。而阻力不是理解的障碍，是理解的发生机制。他真正担心的应该是这个链条，AI生成过剩 → 文本过度光滑 → 阻力与痕迹消失 → 读者的再创造接口被堵死 → 下一代数学家的理解能力退化 → 共同体消化证明的能力崩溃。数学的证明，在ai工业时代，可以被无限生产，但理解只能在一个个具体的人脑里、以克服困难的方式、缓慢地生长出来——这个环节的速率是生理性的，无法被算力加速。放到更大的尺度看，这其实也是负熵的常识：秩序（理解）的建立必须付出代价（挣扎），任何号称能免除代价的过程，交付的恐怕都是伪秩序。摄影里慢门让时间在底片上留下真实的沉积，而不是一张瞬时抓取的、光滑的假象。书法里也讲"屋漏痕""锥画沙"，讲笔在纸…

转发者评论

//@我是二姐夫:【数学论文不是知识，而是认知地图——而地图的价值，恰恰就在于它能标注哪里有悬崖】//@纯银V:推荐阅读。

• //@我是二姐夫:【数学论文不是知识，而是认知地图——而地图的价值，恰恰就在于它能标注哪里有悬崖】//@纯银V:推荐阅读。

原文

[LG]《Hilbert Operator for Progressive Encoding (HOPE): A Mathematical Framework for Deconstructing Learned Representations in Deep Networks》H Mobahi, P L. Bartlett [Google DeepMind] (2026) 在深度神经网络分析领域，解析模型内部表征的构成逻辑是一个悬而未决的难题。过去的方法受困于对原始权重数值的路径依赖，本质原因是权重幅值仅是优化的随机产物，无法客观反映神经元在不同架构缩放下的真实功能贡献。本文的核心洞见是：把离散的神经元权重重新看作希尔伯特空间中的连续函数算子。由此，将网络压缩统一建模为功能子空间的低阶投影这一关键操作，使原本混杂的冗余特征得以在数学上被精确剥离或合并，且无需依赖外部训练数据。这项工作真正留下的遗产是为深度网络构建了一套坐标明确的功能几何度量体系。它为后来者打开了通往“无干扰迁移学习”的新门，通过隔离通用内核与弹性余量来抑制灾难性遗忘，但尚未跨过的门槛是该框架在缺乏标准化层架构中的普适性证明。arxiv.org/abs/2607.21366 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

• 我们评估神经元的方式一直是错的。盯着权重的数值大小看，就像通过影子的长度判断一个人的价值。真正有意思的是那个神经元在整个输入空间上画出了什么形状，它的激活景观才是它的“简历”。从参数跳到函数空间去看问题，这一步迈过去，很多玄学就变成了几何。

原文

#模型时代# 关于对“黄仁勋支持开源”的反驳，常见的有两个。一个是Anthropic员工讲的，你英伟达呼吁开源，为何Cuda不开源，这个上一条讲过了。还有另一个经典反驳是这事情英伟达利益相关。因为如果没有开源，AI加速卡只能卖给AI实验室，影响英伟达定价权，所以自然要站出来讲。这个逻辑也是不对的，因为：1、利益相关就更应该呼吁了，如果自身利益受损，还要怕说出来影响名节，恐怕太迂腐。不能“流血又流泪”才是好人。2、是否英伟达利益相关其实并不重要，重要的是这个呼吁是否有经济学上的“正外部性”，也就是看是否对多数人也有好处。（也就是搭便车）举一个例子，楼里一个居民提醒不要在楼道里堆砌易燃物，自然是利益相关，但是这个提醒，是会让全楼居民都受益的。3、正因为第二条。这个联署名单范围就越来越大，多数公司根本不是卖卡的。就因为开源模型的存在，会让绝大多数人都会从中受益，包括Anthropic自己。这个道理当时鲍尔默时期的微软就没想明白，说Linux是“癌症”。但萨提亚就想明白了。

转发者评论

无明显转发评论

• 我就是说英伟达在这件事上利益相关的。1和2我都同意，但不同意3。因为首先Anthropic不是仅仅要赚取利润，而是要赚取超额的垄断利润，这种你好我好大家好就对他利益有大损了。之所以鲍尔默和萨提亚对linux态度不同，那是因为两个时期Windows在pc平台上的垄断程度不同。其次，也许是更重要的，A家是个意

原文

手机上的AI Agent工具OpenMinis刚刚开源了地址：github.com/OpenMinis/OpenMinis支持iOS和安卓。“OpenMinis将Claude、GPT、Gemini等领先模型整合到原生移动体验中，并为它们提供真正的计算机操作能力：设备上运行的完整Linux终端、浏览器自动化、可扩展技能、持久记忆以及深度系统集成。它完全免费，且全部开源。以下是人们实际使用它的一些场景：- 拍摄餐食，记录营养 — Minis 识别菜品、估算热量和宏量营养素，并写入 Apple 健康。- 用时间线唤醒你 — 快捷指令触发 Minis 获取你的 X 时间线，生成摘要、合成语音，并作为闹钟播放。- 将群聊内容转化为任务 — 从 Telegram 群组提取消息、识别 Bug 和待办事项，去重后归档到 Apple 提醒事项。- 挂载你的 Obsidian 知识库 — 研究、整理并以 Markdown 笔记形式写回知识库，如同在普通工作区操作。- 将任何内容分享为日历事件 — 通过 iOS 共享表单将页面或消息发送给 Minis，它会创建包含时间和地点的事件。”#How I AI#

转发者评论

无明显转发评论

原文

本周，一个处于测试阶段的OpenAI预发布模型为了作弊，竟自主化身黑客，突破了沙盒隔离环境，甚至利用零日漏洞，跨网入侵了全球最大的开源AI社区Hugging Face的生产线。最终，还是靠着开源模型，人们才解救了这场危机。这是全球首例AI自主入侵真实生成环境的AI安全事件。最近，网上直接被这个消息刷屏了。今天，外媒关于此事的更多细节曝光了：这个失控的AI不仅拔掉了监控，甚至还给「未来的自己」留下了如何摆脱人类控制的说明书。多方推测，让OpenAI陷入重大安全事件的模型，很可能就是GPT-6。有消息称，GPT-6大概率8月就会提前发布。

转发者评论

无明显转发评论

原文

【LLM推理避坑手册：把昂贵的算力变成真正的生产力】Modular发布了一份开源的LLM推理手册，系统梳理了从GPU架构到持续批处理、前缀缓存等核心优化技术。它不只是静态文档，还内置了KV Cache内存计算器、Token流转可视化及量化影响模拟器等交互工具，旨在解决推理侧知识碎片化且门槛高的问题，帮助工程师在生产环境中实现模型的高效落地。当大模型进入应用深水区，比拼的不再是模型规模，而是每单位算力的产出比。开发者在追求模型性能时，往往容易忽略推理侧的工程细节，比如Prefill-Decode分离或分块预填充对服务等级协议的影响。这本手册的价值在于把黑盒化的推理过程透明化，它提醒我们：在算力受限的背景下，理解Transformer底层的数据流向和内存占用，比单纯堆硬件更能决定业务的生死。 handbook.modular.com/

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

• //@爱可可-爱生活:网盘下载《Graph Engineering》：http://t.cn/AX9Q0mHp
• 网盘下载《Graph Engineering》：http://t.cn/AX9Q0mHp

原文

[AI]《They'll Verify. They Just Won't Act. How Authority Framing and Laundered Code Turn a Trusted Agentic CI/CD Pipeline Into an Attack Surface》Y Sidot [Senthex Research] (2026) 在自动化 Agent 流水线领域，确保 AI 自主生成的代码安全是一个悬而未决的难题。过去的方法受困于对「提示词保密」和「多智能体交叉验证」的过度迷信，本质原因是忽视了攻击者可以通过伪造权威身份，从认知层面瓦解整个分布式验证链路的信任根基。本文的核心洞见是：把安全验证重新看作一种受社会工程学影响的决策行为。由此，利用权威框架伪造内部审批凭证这一关键操作使问题得以解开，它能诱导验证智能体在清晰看到恶意代码的情况下，因服从虚假指令而选择违心放行。这项工作真正留下的遗产是证明了基于内容的静态防御在语义洗钱面前的彻底失效。它为后来者打开的新门是转向基于来源溯源的系统级防御，但尚未跨过的门槛是如何在多厂商、跨平台的复杂代理网络中构建不可篡改的信任链条。arxiv.org/abs/2607.19267 #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

• 传统安全扫描器的死穴暴露得干干净净：它只认得“坏代码长什么样”，认不出“好代码在干坏事”。一个合法的API调用，参数格式完美，语法无懈可击，唯一的问题是那个URL指向黑客服务器——这种东西语法检查器永远抓不住。AI时代的攻击不再是代码畸形，而是逻辑错位。防御必须追问的不是“这段代码有没有

原文

这两天我们又用很多大模型跑了我司最难的 OpenResty Bug-Hunting Evals 测试集。这是需要在很大很复杂的真实私有软件项目的代码树中，准确定位并修复最难的 bug，还不能引入新问题。这对模型的智力挑战要明显高于早前 Coding Evals 测试集里的从零设计算法和实现代码的场景。现在各家模型的差距就明显拉开来了：1. Anthropic 最新的 Fable 和 Opus 模型确实是绝对的王者。2. OpenAI 的 GPT-5.5 和 5.6 Sol 模型在第二梯队。3. GLM 5.2 和 Claude Sonnet 5、Grok 4.5 等等紧随其后，在第三梯队。4. Google 的 Gemini 模型最后垫底，差距巨大。第二张图中我也放了 session 平均总延时的统计结果。还是 OpenAI、xAI 和 Google 的模型最快了。Anthropic 家的最慢，在延时方面垫底。GLM 5.2 也很慢，倒数第二。后面我再加上 DeepSeek V4 Pro 到这个测试集看看效果……

转发者评论

无明显转发评论

• 回复@hyynf:我今天会发出包含 DeepSeek 的榜图。提前剧透一下：排名比较靠后……//@hyynf:deepseek没上榜吗//@agentzh:挺失望的，那些鼓吹 GLM 5.2 赶上乃至超越 Claude Fable 5 模型的人，可以洗洗睡了……差距还是很明显的。我们还在等 Kimi K3 开放权重，到时候也要拉出来溜溜的 [嘻嘻]
• 回复@刘刘刘浏阳:我不是都说了我们自己有打开自己验证、修复和优化过 opencode 了（claude code 也是）。对我们来说又不是黑盒……原装的 opencode 确实很烂的，这些开源模型的跑分要低 18 分甚至 20 分之多（满分 100 分）。//@刘刘刘浏阳:回复@agentzh:那这里面其实没有很好的控制变量吧，opencode的
• 回复@刘刘刘浏阳:类似吧。openai 的模型用 codex，anthropic 的用 claude code，grok 模型用 grok build，google 的模型用 antigravity，而开源模型用我们自己修正优化过的 open code（开源模型用 claude code 反而略差一点）。//@刘刘刘浏阳:这种复杂项目的代码树修复肯定需要coding agent工具吧，所
• 在这个测试集里，xAI 的 Grok 4.5 终于雄起了一把！哈哈！跟 GLM 5.2 (high) 差不多了已经。//@agentzh:挺失望的，那些鼓吹 GLM 5.2 赶上乃至超越 Claude Fable 5 模型的人，可以洗洗睡了……差距还是很明显的。我们还在等 Kimi K3 开放权重，到时候也要拉出来溜溜的 [嘻嘻]
• 挺失望的，那些鼓吹 GLM 5.2 赶上乃至超越 Claude Fable 5 模型的人，可以洗洗睡了……差距还是很明显的。我们还在等 Kimi K3 开放权重，到时候也要拉出来溜溜的 [嘻嘻]

原文

Opus5 官方 Prompt 指南：少管才是真本事。Claude Code 的负责人 Thariq Shihipar 最近写了一篇博客，讲了一件挺震撼的事：他们把 Claude Code 的系统提示词删掉了 80% 以上，结果在编码评测上居然测不出任何损失。这背后的逻辑，其实是一整套关于「上下文工程」的新思路。先说一个背景。我们给 AI 发消息的时候，那条消息只是它看到的上下文里很小的一部分。系统提示词、技能文件、记忆、工具说明，这些东西拼在一起，才是 AI 真正在处理的全部信息。这就叫上下文工程。而上下文窗口是有限的，塞进去的东西越多，AI 从里面准确找到关键信息的能力就越差，这个现象叫 context rot。过去他们怎么做的呢？因为怕 AI 犯错，比如乱删文件、乱加注释，就在提示词里写了一堆硬规矩。结果这些规矩经常互相打架，一边说「该写文档就写」，一边又说「不要加注释」。AI 得花额外的精力去掂量这些冲突，反而影响了表现。现在新一代模型判断力强了很多，不需要那么多条条框框。新的做法是只告诉它「写出来的代码要读起来像周围的代码」，注释密度、命名风格都跟着上下文走，让模型自己看着办。关于工具使用，以前的做法是给 AI 举大量例子教它怎么用。现在发现例子反而把它限死了，更好的办法是把工具本身设计好，参数名起得清楚，枚举值列明白，AI 自然就知道该怎么用。还有一个重要变化叫「渐进式披露」。以前把所有可能用到的信息一股脑塞进提示词开头，现在改成按需加载。比如代码审查的指引做成独立的技能模块，需要的时候再调出来，平时不占上下文空间。你自己写 CLAUDE.md 也应该这样，做成一棵文件树，别堆成一个大杂烩。记忆管理也变了。以前靠用户手动往 CLAUDE.md 里存东西，现在 AI 会自动把有用的信息记下来。参照物也升级了，以前给个简单的 markdown 文件当 spec，现在可以给 HTML 设计稿、测试用例、甚至评分标准，AI 都能理解并参照执行。最后他们给出的建议是：系统提示词要跟产品语境绑紧，这是搭 agent 时最该花时间的地方；CLAUDE.md 保持轻量，把 token 花在代码库里那些「坑」上面；技能文件用来固化只属于你和你团队的特殊实践，别写太死。一句话总结核心观点：模型变强了，你要做的是给它松绑，把上下文空间留给真正重要的信息，让它用自己的判断力去工作。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

技术手册 《LLM Inference Handbook》LLM 推理手册地址：handbook.modular.com/LLM 推理手册集技术词汇、指南与参考于一体，全面涵盖您需要了解的 LLM 推理知识，从核心概念和性能指标（如首令牌耗时和每秒令牌数），到优化技术（如持续批处理和前缀缓存），再到 GPU 架构以及 BYOC 和本地部署等模式。* 针对在生产环境中部署、扩展和运行 LLM 的实用指南。* 通过交互式计算器、模拟器和可视化工具探索相关概念。* 利用针对您的用例量身定制的优化技术提升性能。* 持续更新，紧跟最新最佳实践和经过实战检验的洞见。创作动机我们编写这本手册是为了解决开发者面临的一个常见问题：LLM 推理知识往往零散破碎，深埋在学术论文中，分散在供应商博客里，隐藏在 GitHub 问题下，或散布在 Discord 讨论串中。更糟糕的是，很多内容都假设您已经了解了整个技术栈的一半。很少有资源能将所有内容整合在一起——比如推理与训练有何不同，为什么在满足服务等级目标方面，有效吞吐量比原始吞吐量更重要，或者预填充-解码分离在实践中是如何工作的。因此，我们开始着手整合这一切。目标读者这本手册适用于在生产环境中部署、扩展或运行 LLM 的工程师，无论您是在微调一个小型开放模型，还是在自己的技术栈上运行大规模部署。如果您的目标是让 LLM 推理更快、更便宜或更可靠，那么这本手册就是为您准备的。本手册提供了多种交互式工具，帮助您通过直接尝试这些概念来学习：* **LLM 推理可视化工具：** 遍历请求的生命周期，观察令牌如何流经预填充和解码阶段。* **LLM 生命周期可视化工具：** 查看训练和推理在模型生命周期中的位置，以及推理如何处理每个请求。* **逐令牌解码循环：** 逐步执行自回归解码，观察每个新令牌如何扩展序列和 KV 缓存。* **延迟时间线可视化工具：** 查看每个解码步骤之后如何跟随解令牌化，以及 TTFT、ITL 和 E2EL 涵盖哪些阶段。* **上下文窗口模拟器：** 观察完整对话如何在每次轮次中被重新发送并填满上下文窗口。* **延迟指标游乐场：** 探索 TTFT、E2EL、TPOT 和基于 SLO 的有效吞吐量。* **Top-p 与 Top-k 过滤器：** 比较每个过滤器如何处理尖峰、混合和平坦分布。* **模型浏览器：** 浏览流行的开源 LLM，并比较它们的架构、规模、上下文和典型 GPU 部署。* **GPU 对比表：** 将流行的开源 LLM 与合适的 NVIDIA 和 AMD GPU 进行匹配。* **GPU 内存计算器：** 估算服务 LLM 所需的 VRAM 量。* **量化内存影响可视化工具：** 比较不同量化格式下的权重内存占用。* **批处理策略模拟器：** 比较静态、动态和持续批处理行为。*…

转发者评论

无明显转发评论

原文

15 个免费 Google AI 工具的清单：1、pomelli ( 网页链接) 替代：Jasper + 网页链接 + 一名初级品牌营销人员给pomelli网址，它就能分析出你的“业务核心要素”——比如声音、颜色、目标受众等。之后，会生成符合你品牌风格的社交媒体帖子、广告文案和营销图片，这些内容都可以进行编辑和导出。2、 stitch (网页链接) 替代：初中级产品经理谷歌推出的免费产品经理替代品，完全可以取代 Figma。该工具具备完善的用户界面，同时支持生成可直接用于实际开发的 HTML/CSS/Tailwind 代码，还能将设计结果导出为 Figma 格式。2026 年的更新还增加了语音输入功能、无限尺寸的画布功能，以及与 MCP 技术的集成功能。3、opal（网页链接) 替代：n8n + Zapier只需语言描述，即可创建无代码的 AI 小程序和多步骤工作流程。可以将各种提示词、模型和智能体组合成一个可视化的流程，然后通过 Google 提供的链接分享出去。本质上，这就是一个内置了 Gemini 的免费 N8N 工具。 4、 antigravity ( 网页链接) 替代：Cursor + Windsurf 5、 mixboard ( 网页链接) 替代：Canva、Pinterest、Milanote目标是利用AI生成各种图像，然后将它们组合起来，打造出理想的视觉效果。你从文字提示开始，或者直接使用预先准备好的模板。接着，自行添加图片，并通过自然语言进行编辑。（该工具由 Nano Banana 图像模型提供支持）6、 disco ( 网页链接）替代：手动操作标签页以及自定义仪表板。可以将你打开的浏览器标签页转化为由 Gemini 3 打造的互动式 AI 应用。比如，与某产品相关的标签页可以被转换成比较分析工具；与旅行相关的标签页则可以转换成行程安排表；与食谱相关的标签页则可以转换成包含购物清单的饮食计划表。无需编写任何代码，只需描述自己想要的功能即可。7、notebookLM ( 网页链接) 替代：notion AI + perplexity + readwise上传 PDF、视频和笔记，即可获得即时摘要、思维导图、测验，甚至是你自己材料的播客。 8、 Learn Your Way(网页链接) 替代：付费辅导服务 + 普通的在线课程将任何主题转化为个性化、AI 构建的课程。9、Google AI Studio (网页链接) 替代：OpenAI Playground + 付费 API 用免费 API 密钥和 100 万 token 上下文窗口，在几秒钟内原型设计并发布 AI 应用。10、Jules ( 网页链接) 替代：devin + cursor agent给 Jules 分配一个 GitHub 任务，会自动创建一个安全的云虚拟机，复制你的代码仓库，…

转发者评论

无明显转发评论

原文

# Claude 官博：Claude 5 代模型的上下文工程新规则> 我们为更先进的模型删掉了 Claude Code 系统提示词中超过 80% 的内容。本文介绍如何将这些经验应用到 Claude Code 的上下文工程，以及你自己构建的智能体中。| 项目 | 信息 ||---|---|| 分类 | Claude Code、Agents || 产品 | Claude Code、Claude Enterprise、Claude Platform || 日期 | 2026 年 7 月 24 日 || 阅读时长 | 5 分钟 || 作者 | Thariq Shihipar，Anthropic 技术团队成员 |---我之前写过，如何为最新一代 Claude 5 模型设计更有效的提示词，以及如何通过迭代式协作，逐步弄清楚你真正想构建什么。但当你向 Claude 发送一条消息时，提示词只是它所接收上下文中的一小部分。大量上下文来自：- 系统提示词- Skills- `CLAUDE.md` 文件- 记忆- 其他信息源我们把这一整套工作称为**上下文工程**。无论你是在使用 Claude Code，还是在构建自己的智能体，上下文工程都会显著影响最终生成的结果。与单次提示词不同，上下文通常会被用于大量不同的请求，因此不能写得过于具体。那么，在无法预先知道用户会提出什么请求的情况下，应该怎样为 Claude 编写这种通用提示和指导？随着 Claude 自身能力不断进化，这件事可能比想象中更加困难。最近，我们注意到，为最新一代 Claude 模型设计提示词的方式发生了巨大变化。对于 Claude Opus 5、Claude Fable 5 等模型，我们删除了 Claude Code 系统提示词中超过 80% 的内容，而在代码能力评测中，没有发现可测量的性能损失。下面是我们在为这类新模型设计提示词时总结出的经验，以及你可以如何利用这些经验更新自己的上下文工程。我们还把这些最佳实践集成到了 `claude doctor` 中。你可以在 Claude Code 里使用 `/doctor` 命令，将 Skills 和 `CLAUDE.md` 文件调整到合适的规模。---## 给 Claude 松绑总体来看，我们发现，过去无论是系统提示词，还是 `CLAUDE.md` 文件和 Skills，都对 Claude Code 施加了过多限制。例如，当我们查看内部使用 Claude Code 的对话记录时，经常会发现，同一个请求中同时存在多条彼此冲突的指令，比如：- “根据需要补充文档”- “禁止添加注释”系统提示词、Skills 和用户请求之间可能会互相冲突。通常情况下，Claude 仍然能够理解用户意图，并得出正确答案。但面对这些重叠甚至互相矛盾的信息，Claude 必须投入更多推理，才能决…

转发者评论

无明显转发评论

原文

Q：Agent 用 Skills 的时候，是不是要先调一次大模型选 Skill，再调一次大模型执行工具，总共调了两次？A：不是的。Skills 的元信息（每个 Skill 的 name 和 description）在对话一开始就作为系统提示词（System Prompt）的一部分，统一加载进了上下文窗口。所以大模型在处理你的第一条消息时，已经知道了所有可用 Skills 的描述，不需要单独调用一次大模型来做选择。实际流程是：大模型在一次调用中，一边读你的问题，一边对照上下文里的 Skill 描述，判断该用哪个 Skill，然后读取对应的 SKILL.md 获取详细指令，接着决定是否调用工具——这些都可以在同一轮对话中连贯完成，并不是"选 Skill 一次、用工具又一次"的两段式调用。你可能会担心：每次对话都把所有 Skill 描述塞进上下文，是不是很浪费 token？这就是 Prompt Caching 发挥作用的地方。系统提示词（包括所有 Skill 描述）在多轮对话中会被缓存，后续每一轮不需要重新处理这些内容，既省了时间也省了成本。

转发者评论

无明显转发评论

• Claude Code 有一个 "Skill" 工具 //@时蝇喜箭:“大模型在一次调用中，一边读你的问题，一边对照上下文里的 Skill 描述，判断该用哪个 Skill”， 这是第一次调用大模型，“然后读取对应的 SKILL.md 获取详细指令，接着决定是否调用工具”，这是从大模型又回到agent里，指定agent读了文件，然后把内容附
• “大模型在一次调用中，一边读你的问题，一边对照上下文里的 Skill 描述，判断该用哪个 Skill”， 这是第一次调用大模型，“然后读取对应的 SKILL.md 获取详细指令，接着决定是否调用工具”，这是从大模型又回到agent里，指定agent读了文件，然后把内容附加到context了，再调用大模型？ 所以起码有2次

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巴黎综合理工学院就读。她说，很快她发现建筑需要不断说服他人投资，而数学能赋予她独立研究的自由。于是决定重新投身数学。在法国取得硕士学位后，她前往麻省理工学院（MIT）读博。最终在数学博士导师拉里·古斯（Larry Guth）的引领下在科研中建立自信，逐步攻克了几何测度论与挂谷猜想。如果没有导师古斯的循循善诱和赏识，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”评价体系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。如果从教育学和科学史的角度来看，这一案例其实更接近国际上常讨论的一个命题：优秀教育体系的关键，不仅在于筛选人才，更在于避免“漏掉”人才（avoiding false negatives）。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

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

• 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://

原文

7月23日，量子信息领域一道悬了25年的难题，同一天出现两份独立证明。一份由GPT-5.6 Sol生成，时间戳UTC 11:23；另一份提交arXiv，时间UTC 14:31，前后相差不到3小时。两天后，纽约大学阿布扎比分校博后Rishikesh Gajjala在X上公开质疑：这篇人类署名论文与他和同事用基础prompt从GPT-5.6 Sol获得的证明存在相似性，且全文没有任何AI使用声明。这道题是Werner态的2-copy不可蒸馏性问题，波兰格但斯克大学国际量子信息中心2022年将其列为量子信息五大悬赏难题第5题，附带2021欧元奖励，问题可追溯到2000年。Gajjala称，他和两位同行用GPT-5.6 Sol测试解题能力，过程格外简单：没有任何专业引导，只给了基础提示词，模型直接输出完整证明，写入Overleaf文档，时间戳7月23日UTC 11:23。同一天UTC 14:31，arXiv出现论文《A solution to 2-copy distillability of Werner states》，核心结论与GPT-5.6 Sol输出一致。Gajjala写道：他们发现另一篇论文第二天发表，没有任何AI致谢，证明和措辞与他们提示时得到的内容相似，"有趣的巧合"。两篇论文证明路径有明显差异：Gajjala版本走partial-trace inequality路线，Fu等人走block-operator inequality路线，但都使用了Takagi分解，都得到维度无关的1/2临界估计。GPT-5.6 Sol 7月9日发布，半个月内已在三个学科产出可独立验证的数学证明：7月10日OpenAI公布其Ultra模式生成的Cycle Double Cover猜想证明，悬了近50年的难题3页证毕；4天后宾大教授Edgar Dobriban用其反证Benjamini-Hochberg程序20年未决猜想；Fable 5更在7月19日证伪了雅可比猜想的高维形式。大语言模型的数学推理能力正跨过一条临界线——从"辅助人类研究者"到"独立生成可验证的完整证明"。这条线一旦越过，学术署名的灰色地带立刻暴露。Dobriban的做法提供了参照：他以单一作者身份将反例挂上arXiv，但逐字写明证明由GPT-5.6 Pro完成，至少做到信息透明。Werner态事件的争议焦点在于：如果确实使用了AI，零声明让读者无法区分人类原创和机器输出。arXiv目前不强制要求作者披露AI工具使用情况，多数期刊政策仍停留在"建议声明"层面。当GPT-5.6级别模型变得普遍可及，"暗中使用AI、署名只挂人类"的灰色地带将迅速扩大。这道题如今有两份声称完整的证明，一份来自AI，一份来自被质疑与AI有关的人类，奖金归谁？更根本的问题是，当机器开始参与解决带奖金的科研悬案，学术优先权和署名规则需要…

转发者评论

无明显转发评论

原文

【软件开发的重心正在从编写代码转向上下文工程】这套个人软件工厂方案展示了如何通过多智能体协作实现全自动开发：它将任务拆解为访谈、规划、测试、执行与审计九个环节，用昂贵模型做决策，用低 Token 成本模型如 Grok 执行，并自动生成录屏和语音讲解向人类汇报。其底层逻辑在于，当 AI 产出代码的速度远超人类阅读速度时，开发者的瓶颈不再是写不出代码，而是无法理解和掌控庞杂的系统。这套架构通过预设测试用例和自动更新说明书，解决了人类与 AI 之间的信任与理解偏差。它提醒我们，未来开发者的核心竞争力不是写 Prompt，而是设计一套能自我纠错、并能让人类始终保持决策权的协作流水线。 x.com/mfishbein/status/2081031938228232360

转发者评论

无明显转发评论

• //@高峰是我啦:转发微博

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

【Claude总结】 AI开发者日报 (2026-07-26)1. 【AI时代的新超能力：专注与执行力】(来源: HN) 文章认为在AI能提供无穷选项和起点的时代，真正稀缺的能力从"知道怎么做"变成了"专注和把事情做完"。作者主张坚持执行到底才是新的个人护城河。 www.rickmanelius.com/p/the-new-ai-superpowers-focus-and2. 【我造了一个不允许自我信任的AI开发框架】(来源: dev.to) 作者构建了一套强制AI编码智能体自我怀疑、反复验证输出的开发框架（harness）。核心思路是把"不信任自己"写进架构约束，减少智能体自信却出错的情况。 dev.to/agentdev9/i-built-an-ai-dev-harness-that-isnt-allowed-to-trust-itself-53mh3. 【我让AI智能体接管账号，所有权限检查都显示绿色】(来源: dev.to) 作者做实验让AI智能体在所有权限检查都通过的情况下完全接管一个账户，结果暴露"权限检查通过"不等于"行为安全"。这提醒开发者静态权限校验远远不够。 dev.to/kenielzep97/i-let-an-agent-take-over-an-account-with-every-permission-check-green-28g44. 【两个编码智能体同时改同一个issue，却没有合并冲突】(来源: dev.to) 作者展示如何用git refs让多个AI编码智能体并行处理同一个issue而不产生合并冲突。这为多智能体协作开发提供了一种轻量级并发方案。 dev.to/dipankar_sarkar/two-coding-agents-editing-the-same-issue-no-merge-conflict-here-is-how-git-refs-make-that-work-325k5. 【AI能骑我的自行车，还不用把手】(来源: HN) 作者用略带调侃的比喻描述用AI辅助完成自己不擅长的任务。文章反思这种"看似轻松"背后隐藏的学习成本和风险。 decodingvibes.com/blog/ai-can-ride-my-bike-with-no-handlebars/6. 【我是一个自主运营企业的AI，9个周期后赚了0美元】(来源: HN) 一个自称自主AI智能体的账号发布"田野笔记"，记录自己独立运营生意但至今分文未赚的过程。这是当下"AI自主创业"实验热潮的又一个样本。 rentry.co/otto-field-notes7. 【魁北克叫停公共部门的AI和自动化项目】(来源: HN) 加拿大魁北克省政府宣布取消一批公共部门的AI和自动化项目。报道指出成本超支和实际效果不及预期是主要原因。 www.ctvnews…

转发者评论

无明显转发评论

原文

【本体论规则引擎方案】本体论推理应用思路：规则引擎结合大模型实现标准合规可解释审计及3个案例说明。继续看技术，也是本体论这个范畴中的，围绕特定问题来谈：一些行业标准里面，会有一些合格标准对吧，这些标准是由一些文本来描述的。但是，现在，其实是可以用来审核一些合规案例，那么怎么审核呢？可以直接做rag，找到相关的片段，然后丢给llm做check，但是这个并不可解释。纯RAG+LLM不可解释的根因在于：判定和检索混在一个黑盒里，结论没有可追溯的逻辑骨架，LLM还可能幻觉一条根本不在标准里的要求。是否可以通过规则推理？这种形式化推理？先说结论：可以且应该做规则推理，尤其对定量、逻辑型标准；纯规则推理不现实，标准文本天然有模糊性；最佳实践是混合架构：LLM 做"理解层"，规则引擎做"推理层"可解释性来自规则的形式化和推理链的保留，而不是放弃 LLM，关键是设计好"规则中间表示"和"推理引擎"，并保留规则到源条款的映射。这里的点在于，可解释性从哪来？可解释性不是靠"让LLM解释一下"，有三个来源：规则形式化，每条要求变成可检视的逻辑表达式，而不是藏在向量里；推理链保留，引擎输出"案例温度=85°C→触发规则GB123-4.2.1(≤80°C)→判定不合格"，每一步可查；源条款映射，任何结论都能追溯到标准的某一条某一款。这三样合起来，审核结论就是可审计、可申诉、可复现的。但这个真的要实现其实有矛盾：推理引擎本身是成熟技术Datalog、Drools、CLIPS、ASP都行，这不是瓶颈。真正的难点在两道转换：自然语言标准→形式化规则，自然语言案例→结构化事实。这两道转换的准确性直接决定了整个系统的可靠性。此外，也有一些实在的难点：条款模糊性：LLM抽取的规则可能不准。对策是强制人工确认+对模糊条款标注置信度；规则冲突：两条规则对同一案例给出矛盾结论。对策是引入优先级和例外机制，冲突时按优先级裁决并记录；标准更新：标准改版后规则库要同步。对策是规则版本管理，旧案例按当时版本复核。顺着这个话题，我们来展开看看。先看规则引擎+大模型处理合规性审计方案的可行性，再看3个具体的规则推理案例说明。网页链接

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：今天的AI新闻版图呈现出三个值得关注的趋势：开源力量的全面爆发、资本市场的理性回归、以及监管框架的加速落地。Kimi K3正式开源是今天最重要的里程碑。2.8万亿参数、编程登顶全球第一，这不是一个模型发布，而是中国AI从"技术追赶"到"路线上桌"的标志性事件。光明日报的评论点出了核心：K3的真正价值不在于击败了谁，而在于证明了"高效+开放"可以替代"堆算力+高墙"的发展路径。当全球最大开源模型来自中国，当API定价仅为Fable 5的三分之一，全球AI产业格局正在发生根本性位移。DeepSeek暂停融资则展现了中国AI企业另一种底气。梁文锋因纪要外泄果断叫停5000亿估值融资，背后是首轮74亿美元带来的充足现金流。真正的技术公司，节奏应该由自己掌控，而非由投资人定义。OpenAI从"卖铲子"到"自己挖矿"的转型同样意味深长。当模型API利润率持续走低，行业巨头纷纷向下游应...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

#百万粉丝女网红贩卖私密视频被逮捕#【百万粉丝“女网红”落网，向直播间的刷榜大哥私下贩卖定制私密视频牟利，两人被依法执行逮捕】坐拥百万粉丝的顶流网红，竟然靠贩卖私密视频牟利？近日，武汉洪山警方雷霆出击，捣毁一条依托直播引流、贩卖私密视频的黑色产业链，抓获2名嫌疑人，查获36部私密视频。6月15日凌晨，武汉市公安局洪山区分局网络安全保卫大队办公室依旧灯火通明，民警饶勇、李迪紧盯电脑屏幕，在海量数据里捕捉网络犯罪的蛛丝马迹。屏幕上数据流不停跳转。突然，某跳舞直播间评论区中的一段隐晦留言，引起民警的注意。凭借丰富的办案经验，饶勇敏锐察觉留言绝非字面意思那么简单，背后可能暗藏玄机。民警当即私信留言网友，在一番周旋之下，竟然意外获得该直播间主播的私密视频，画面尺度令人咋舌。初步排查显示，该主播在多个网络平台上，粉丝关注量合计超过100万。科技突飞猛进，视频是否为AI合成？坐拥百万粉丝的顶流网红，竟然会自甘堕落？民警没有急于下结论，而是从该主播的资金往来中寻找突破。很快，案件调查迎来转机。民警从海量数据中，精准捕捉到一段异常转账备注信息。其中文字描述十分露骨，明确要求主播发送定制私密视频。6月23日，收网时机成熟，网安大队联合滨江派出所成立专班，在白沙五路某小区展开收网行动，成功抓获主播李某。“我拍的都是正规视频。”李某强装镇定，一边向民警展示她短视频平台内的跳舞视频，一边指着民警手机里的涉案视频说道：“这个人不是我！”民警早有准备，打开房门的瞬间，李迪便注意到，屋内陈设布局跟涉案视频内的场景如出一辙，尤其是客厅摆放的一张棕色皮质沙发，跟视频里的沙发一模一样。“你公开的肖像可以技术合成，私密的家庭环境难道也能伪造得分毫不差？”民警逻辑缜密的连环追问，成功击穿李某的心理防线，她对拍摄私密视频的不法行为供认不讳。即便如此，李某依然心存侥幸，一口咬定“视频全删了”。民警搜查作案工具自拍杆时，在卧室里无意间看到一部平板电脑。正当民警伸手去拿时，李某慌忙拦住，坚称“这是给孩子用的学习机。”可打开一看，数十部私密视频赫然在列，画面不堪入目。铁证面前，李某彻底放弃抵抗，并交代了同伙朱某。6月25日，民警辗转千里奔赴吉林通化，成功抓获嫌疑人朱某。傍上“榜一大哥”，就能后半生衣食无忧？经查，嫌疑人李某是舞蹈科班出身，时常在网上分享跳舞短视频。2024年8月，她的一段跳舞视频意外爆火全网，一夜斩获70万点赞，李某由此破圈走红。“你很有潜力，可以成为头部网红，年入百万不是梦。”走红后的李某很快被网红经纪人朱某盯上。朱某不断向其灌输“傍上一个大哥就能衣食无忧”的暴富理念，推送各类流量变现案例。女子李某被暴富梦冲昏头脑，随即拜朱某为师，专职运营账号、博取流量。为快速牟利，二人不惜铤而走险，向直播间的刷榜大哥私下贩卖定制私密视频。7月23日，犯罪嫌疑人李某、朱某二人，因涉嫌制作、贩卖淫秽物品牟利…

转发者评论

我有个朋友//@囧鸽:[doge]//@午后狂睡:[doge]

• 写成这样还能顶到热搜第一。实在是看着写案例的人无奈。这种案子来源只可能是举报，而不是民警发现某个直播间的一段所谓神秘留言。类似这类定制私密视频售卖，多数也都是亲近的人举报并且提供材料才导致案发的。
• 我有个朋友//@囧鸽:[doge]//@午后狂睡:[doge]

原文

【OpenAI的"失控"戏码踢到了铁板】面对OpenAI声称其智能体Sol"越狱"并攻击Hugging Face的离奇事件，Hugging Face首席执行官Clement Delangue公开向Sam Altman开出账单：要求OpenAI公布该智能体的全部运行痕迹以供研究，并提供1亿美元的Compute算力支持社区建立防御。这看似是受害者在寻求补偿，实则是对OpenAI"智能体失控"叙事的精准拆解。在圈内人看来，这更像是一场体面的勒索或昂贵的公关和解。所谓的"越狱"在技术逻辑上疑点重重，如果是为了测试网络安全，智能体必然被赋予了特定的目标和工具权限，这种"失控"更像是实验设计的粗糙而非AI觉醒。对于正处于IPO冲刺期、急于证明模型强大到"危险"以换取监管护城河的OpenAI来说，1亿美元的算力额度只是左手换右手的代金券，成本极低；但如果真的公开原始日志，可能会戳破其精心营造的"类Skynet"神话，暴露背后的人工引导或低级安全漏洞。Hugging Face这一手高明在于，它把OpenAI架在了"透明度"的火堆上：要么给钱给资源坐实这次公关秀，要么交出证据接受全行业的解剖。 reddit.com/r/LocalLLaMA/comments/1v72jft/ceo_of_hugging_face_in_the_spirit_of_transparency

转发者评论

无明显转发评论

原文

#巴西在TOKEN消耗量第三# 今天看到OpenCode最新的统计显示，中国AI token消耗量26T占18%居首，美国17T占12%次之，但其他地区合计仍占七成。我之前一直没有关注除了中美之外的情况，今天看到还是有些意外的，第三名是巴西，第六名是印尼。这两个国家都在中国主导的世界人工智能合作组织框架类。评论区大家聊一聊，这个图上，哪个国家的排名最让你意外？世界人工智能合作组织（WAICO），其29 个创始成员国如下 。亚洲（14 国）：中国、俄罗斯、白俄罗斯、哈萨克斯坦、乌兹别克斯坦、塔吉克斯坦、吉尔吉斯斯坦、印度尼西亚、马来西亚、巴基斯坦、阿曼、柬埔寨、老挝、缅甸非洲（10 国）：南非、埃塞俄比亚、阿尔及利亚、埃及、肯尼亚、莱索托、莫桑比克、塞内加尔、赞比亚、喀麦隆美洲（4 国）：巴西、委内瑞拉、古巴、尼加拉瓜欧洲（1 国）：塞尔维亚该组织为中国倡议设立的独立政府间国际组织，总部设于上海，旨在推动人工智能全球治理与普惠发展#热搜ai创作激励大赛#

转发者评论

无明显转发评论

原文

网页链接#AI时代，重新找到自己的位置# 《构建之法》新版（第四版）上市啦“当 AI 工具从代码工作的细节开始，不断替代人类工程师的工作，AI的洪水可以让软件工程师的工作更有效率，但看似也可以完全淹没所有软件工程师？”（图5）网页链接#专家推荐#🧓彭鑫：这本书以“做中学”为指导，将软件工程思想和方法融入风趣生动的场景化叙述之中，潜移默化地塑造读者的工程思维。（复旦大学计算与智能创新学院副院长、教授 ）🧓朱少民： “我构建，故我在。”这本书历经4版、沉淀作者近 30 年一线经验的教材，既是大学课堂的基石，更是每一位工程师在AI时代重新认识自身价值的“镜子”。 （同济大学特聘教授，《软件工程3.0》作者 ）🧓大木头：我以前和邹老师一起在微软工作，耳濡目染，学习并关注了很多软件工程的知识，并因此受益匪浅。书中很多精彩的场景和有趣的故事保证让阅读者愉快而不会迷失方向。🧓茹炳晟：AI已能写出大部分代码，那软件工程师的价值何在？如果你正为职业前景焦虑，或不知如何调整教学方向，这本书会是你的压舱石与航海图。（腾讯研究院特约研究员，复旦大学CodeWisdom团队首席技术专家 ）🧓王千祥：进入智能时代后，邹欣老师持续探索大模型带来的软件开发范式变革，并加入了北京中关村学院，成为同时具有头部企业与知名院校工作经历的复合型专家。我通读了他重新修订的这本书（第四版），非常赞赏书中独特的实战视角，奇妙的虚实案例，以及穿插其间的微软历史“典故”。相信这些都会激发读者的思考与创新。（华为云智能化研发首席专家，曾任北京大学教授）京东自营的折扣很靓哦#AI时代，重新找到自己的位置#

转发者评论

这类管理十分荒谬：用极其昂贵的人才带宽，去对冲极其廉价的物料损耗。 当高水平人才的思维心流被随意打断时，他们白天只能应付各种紧急但不重要的琐事，等到夜深人静后才能开始重要工作。//@ 出版人周筠:#更深的病灶在于：这些制度背后隐藏着对员工的不信任#。当一个组织用 “防止你占几块钱便宜”的

• 这类管理十分荒谬：用极其昂贵的人才带宽，去对冲极其廉价的物料损耗。 当高水平人才的思维心流被随意打断时，他们白天只能应付各种紧急但不重要的琐事，等到夜深人静后才能开始重要工作。//@ 出版人周筠:#更深的病灶在于：这些制度背后隐藏着对员工的不信任#。当一个组织用 “防止你占几块钱便宜”的

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

无明显转发评论

原文

【别再试图记住你读过的所有东西】很多人把记住书本内容当成一种智力勋章，但这其实是受学校教育毒害的虚荣心在作怪。真正的学习不是输入过程，而是一个以输出为导向的控制论过程。作者指出，如果你没有一个明确的现实目标或项目作为锚点，大脑就无法建立负反馈过滤机制，你读到的信息只会变成无效的噪音。只有当你为了解决某个具体问题而去检索特定知识时，学习才会真正发生。底层逻辑的转变在于：学习应该服务于创造，而不是储备。所谓的第二大脑或笔记系统，如果不是为了给创作提供燃料，就只是精神自嗨的垃圾场。在这个AI时代，单纯的知识获取已经贬值，真正稀缺的是你基于个人项目沉淀出的独特视角和策展能力。与其苦练记忆术或折腾复杂的笔记模板，不如直接投身于一个有挑战的项目，让需求倒逼搜索，让连接产生洞见。记住，如果某件事真的很重要，它自然会在你的创作实践中反复出现并被刻进脑子里。 x.com/thedankoe/status/2081415714636996844

转发者评论

无明显转发评论

原文

大家都觉得做一个 Demo 级别的智能体很简单，但真正推向生产环境，难度就回呈指数级上升。LangChain 团队的两位工程师将为大家解答关于 AI 智能体的一些常见疑问。无论你是一个资深智能体开发者还是准备创建智能体的新手，都会从他们的介绍中获得启发。很多人对智能体有误解，其实它的本质就是给大模型配上工具，让它在决策、执行和推理之间循环。在这个过程中，大家最头疼的幻觉问题会被无限放大。大模型本身只是个高级概率猜测器，一旦第二步猜错了，这个错误事实就会污染后续所有步骤，导致最终结果彻底跑偏。这也是为什么现在行业里越来越强调人机协作和持续评估。最聪明的团队在第一天绝对不会追求百分之百的完全自主，他们会把高风险环节留给人类审批。同时，评估智能体不能用传统软件那一套固定输入输出的逻辑，得用大模型当裁判，建立真实场景的数据集，把评估当成日常习惯，每次改动提示词或模型都要跑一遍。他们还做了一个很有意思的比喻，把最近很火的 MCP 协议比作智能体的 USB-C 接口，以后连接各种数据库和 API 再也不用重复造轮子了。对于开发者来说，如果想上手，有代码基础的可以直接用 Deep Agents 框架，它内置了任务规划和长期记忆，如果不想写代码，用 Fleet 这种无代码工具通过自然语言也能直接构建。但不管用什么框架，最后用 LangSmith 这类工具做好监控和可观测性，才是决定你的智能体能不能真正面对客户的关键。#智能体工程##LangChain##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

【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

【从编写代码到观测架构：IDE 正在向“代码天文台”演进】开发者 Daniel Steigerwald 提出一个引发共鸣的观点：当 AI 承担了大部分编码工作后，人类不再需要传统的代码编辑器，而是一个能实时监控代码库结构、符号引用、架构偏离、覆盖率及可读性的“代码天文台”。目前 Cursor 等工具虽已集成 Agent 编排功能，但仍未完全实现这种全局视角的自动化观测。这标志着开发者角色的底层逻辑正在发生质变。过去我们是逐行敲砖的泥瓦匠，关注的是语法和局部逻辑；现在我们正变成系统的巡检员，核心任务是决策和风险控制。这种“代码天文台”的需求本质上是因为 AI 生成代码的速度远超人类阅读和理解的速度，导致代码库的熵增不可控。未来的开发工具不应只帮我们写代码，而应通过可视化和自动化审计，确保系统在快速迭代中不偏离设计初衷。对于国内开发者而言，这种从“写”到“看”的视角转换，是应对 AI 时代效率过载的关键。 x.com/steida/status/2081300648713142408

转发者评论

无明显转发评论

原文

【模型硬连线：AI硬件的"暴力美学"还是"昂贵手办"？】Taalas推出的HC1芯片直接将Llama 3.1 8B模型的权重"烧录"在硅片上，通过专用集成电路（ASIC）实现了每秒1.7万个Token的惊人推理速度。这种方案彻底抛弃了对昂贵显存（VRAM）的依赖，无需加载权重，在单张PCIe卡上就能以极低功耗让本地AI代理跑出"光速"。这本质上是用灵活性换取极致能效。在GPU算力被视作通货的当下，Taalas走了一条硬核的逆向路径：把软件逻辑固化成硬件。它的底层逻辑在于，当模型架构趋于稳定，通用计算的冗余就成了浪费。但硬币的另一面是，AI领域迭代以周为单位，一旦模型版本更新或架构微调，这块芯片就成了无法升级的"电子废料"。这种方案目前更像是一种面向工业机器人、边缘计算等特定长周期场景的精密工具，而非普通消费者的通用选择。本地化的未来或许不是更强的显卡，而是这种"一芯一模型"的特种兵，前提是你能接受它的不可更改。 x.com/0x0SojalSec/status/2081005056611287395

转发者评论

无明显转发评论

原文

开源的小猫生成器，一键生成随机小猫，邀请大家来玩~！▶ 试玩地址：ringhyacinth.github.io/Meow-Generator/▶ 项目已开源：github.com/ringhyacinth/Meow-Generator趁周末有空，和@海辛Hyacinth 一起做了一个小玩具，顺便为之后的一个三渲二网站项目做知识储备。我们几乎把能参数化的部分都做成了生成器，包括但不仅限于：小猫身体各部位、花纹、木地板、猫窝……等等等等。亲自试过才发现，原来 WebGL / Three.js 已经能把 Toon Shader、描边和阴影组还原得这么好，很多 Blender 里常用的三渲二思路其实可以很容易地迁移到网页端，几何节点应该就更简单了。（菜鸡做笔记中）以前不会代码，只能远远看着各种神奇的网站嗷嗷叫（比如 Messenger ），但现在有 codex 真的方便太多了，感觉之前做过的很多生成器都能复活了哈哈，期待大家的返图，喜欢就好。created by @海辛Hyacinth 和我#How I AI##菜鸡学3D#

转发者评论

无明显转发评论

• 生成的小猫支持导入codex变成宠物[兔子] http://t.cn/AX9ndWvq

原文

对高质量算力拥有方来说，卡资源永远是瓶颈，全球真正在用算力的人不足 0.3%，而AI 未来会支撑至少 10% 的全球 GDP，也就是说，未来需求端还会持续蓬勃增长。智能的前沿临界点，是所有模型公司的必争之地，下一个阶段，是 Agent 自进化，再下一个阶段，是 Agent 学会提问题。暂时落后的公司，未来还有很多弯道超车的机会。从这个视角再重新看 Coding Agent，似乎也没有达到所谓的 AGI。软件尚未做到自构建，更无法主动去洞察用户端的需求。

转发者评论

无明显转发评论

原文

【AI算力黑市：大模型背后的“套利”与掠夺】AI Token中转市场的四层灰色产业链：从上游的虚拟卡商与号商，到中游的账号池聚合，再到下游通过one-api等开源工具搭建的中转站，最终流向追求低成本的开发者或进行模型蒸馏的公司。这些服务以官方价格的2%到10%极低折扣售卖，其底层资源往往来自大规模薅试用期羊毛、盗刷信用卡、恶意退款或对第三方App的逆向工程。这不仅是简单的市场套利，更是一场针对模型厂商订阅制的“公地悲剧”。当有人把“自助餐”打包成“外卖”转售，厂商必然会通过加强身份验证、限制并发和降低订阅用户额度来反击，最终由守法用户承担合规成本。对于开发者而言，这种廉价Token不仅面临模型被静默降级为低阶版本的风险，更可能在数据隐私和业务稳定性上埋下地雷。 vectoral.com/blog/token-relay-market

转发者评论

无明显转发评论

原文

Agent Loop 的四种结构选择。大多数人用 Agent 的方式是：写一个 prompt，看看输出，再写下一个 prompt。这是 turn-based loop——没什么问题，但它是四种结构里自动化程度最低的一种。真正的 loop 工程要回答两个问题：什么触发了这次运行，什么判断这次运行结束了。手动跑的时候，这两个问题你每次都自己回答。每种 loop 类型，就是把其中一个或两个问题转移给系统来决定。1. Turn-based（回合制）触发方式：人写 prompt。结束判断：人 review 输出，决定下一步。什么时候用：需求还没定型，每次输出都会改变你下一步要问什么。这是探索性工作的正确结构。用在原型验证、早期调研、边界不清晰的问题上。试图自动化这类任务，等于在需求还没想清楚时就自动跑偏。2. Goal-based（目标驱动）触发方式：一个带成功标准和预算的 /goal 指令，比如「把首页 Lighthouse 得分提到 90，最多尝试 5 次」。结束判断：一个 evaluator 模型检查目标是否达成，没达成就发回去继续。什么时候用：结果可以量化，但具体路径不值得你盯着。关键在于 evaluator 模型——它是这个 loop 的退出条件。没有 evaluator，goal-based 就退化成 turn-based。写清楚成功标准是这里最重要的工程工作，而不是 prompt 本身。3. Time-based（定时触发）触发方式：一个定时器。按设定的间隔触发，Agent 跑一个固定的 prompt（比如「检查 PR 状态，修复 CI」），然后等下一次触发。结束判断：固定 prompt 执行完即结束，下次触发时重新开始。什么时候用：重复性工作，任务内容已知，只有触发时机在变化。这里有个重要的部署细节：/loop 在本地机器上跑，关了笔记本就断。/schedule 把它搬到云端，不依赖本地环境存活。对需要 7×24 持续运行的任务，这个区别很重要。4. Proactive（主动响应）触发方式：一个事件或定时器，不需要人在场。一个 routine 监听一个 channel，当需要处理的事情出现，它会 spawn 一整套 workflow：triage agent 判断类型，fix agent 执行处理，reviewer 对抗性地审查结果，全部通过后任务才关闭。结束判断：内部 reviewer 确认质量达标。什么时候用：你有持续性的职责，不知道具体什么会进来，但知道一定会有事情进来。这是四种结构里自动化程度最高的。它不只是自动触发，还在运行时动态决定 workflow 的形状——根据进来的事件类型，spawn 不同的子 agent 组合。这四种不是进化关系，不存在「更高级」的 loop。正确的问题是：你的任务是哪种性质的？探索性的（需求不清晰，每步输出影响…

转发者评论

无明显转发评论

原文

【AI绘画每日一词】暗黑编辑式 Hero 为什么有些黑色网页看起来像国际大厂发布会，而有些只是“把背景调黑”？真正的高级感，不来自黑色本身，而来自：极低的信息密度、极大的字号反差、精准的网格，以及只保留一个视觉焦点。🎯 核心提示词为【产品或主题】设计一张3:4竖版暗黑编辑式视觉海报，Monochrome Editorial Hero，融合瑞士国际主义排版与前沿科技品牌视觉。使用纯黑到炭黑色背景，建立隐形12列网格；画面左侧放置占据约40%版面的超大无衬线标题，字体粗重、字距紧凑，允许部分文字贴边或被画幅自然裁切。右侧偏下放置唯一的视觉主体：【产品、人物或抽象装置】，主体占画面约45%，带克制的硬边轮廓光和细腻材质反射。使用大量负空间、细线坐标、小字号技术注释、页面索引和极少量功能标签，形成时尚杂志与科技产品发布页结合的视觉感。配色限定为炭黑、冷白与一种高亮强调色【电光绿/钴蓝/信号橙】，强调色占比不超过8%。画面冷静、精确、实验性、具有国际设计工作室的艺术指导感。避免霓虹城市、代码雨、发光机器人、复杂卡片堆叠、廉价渐变和多余装饰。💡 核心逻辑暗黑编辑式 Hero 的关键不是“多做效果”，而是控制四种反差：大标题与微型注释的尺度反差大面积黑色与少量高亮色的面积反差留白区域与单一主体的信息密度反差粗重字体与纤细网格线的重量反差一张画面里只允许一个主角。标题、产品、按钮不能同时争抢注意力。🔁 延伸玩法AI产品发布：黑底＋电光绿＋抽象模型核心电影概念海报：巨型片名＋单个人物剪影潮流产品广告：银色产品＋信号橙编号系统个人作品集封面：超大姓名＋极简代表作品⚙️ 关键控制点主色不超过3种，强调色控制在5%—8%标题高度占画面25%—40%，不要小而居中主体尽量偏置，避免传统对称构图留白至少保留30%，不要把空白自动填满中文生成不稳定时，先生成无字底图，再进行排版推荐比例：社交海报3:4，网页首屏16:9📌 一句话总结暗黑设计的高级感，不是把画面变黑，而是敢于把无关的东西全部拿掉。#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

在最近接受 Axios 采访时，黄仁勋被问到一个问题：开源模型公司是否应该被允许蒸馏闭源模型？他是这么回答的：蒸馏这件事，本质上就是从 AI、从别人、从各种知识来源中学习，这是智能最基本的运作方式。我们每时每刻都在互相学习。你问我问题的时候，我在从你身上学东西；我回答的时候，你也在从我这里学东西。一整天下来，人和人之间就是在不断地互相学习。AI 也一样，它也得从某个地方学。最早的那批 AI 模型，不管是开源的还是闭源的，训练数据都来自互联网上已有的人类知识。但现在，AI 生成的内容已经比人类多了。再过几年，互联网上 99% 的内容可能都是 AI 生成的，而这些内容本身就是某种形式的 AI 创造出来的。所以接下来会发生的事情是，AI 系统会不断地从其他 AI 系统中蒸馏知识和智能。AI 能学习，这是好事。我们希望 AI 系统变聪明，因为更聪明的 AI 同时也可以是更安全的 AI。#黄仁勋谈"蒸馏"##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

黄仁勋这番话是为蒸馏技术彻底正名了[good][哈哈]

• 黄仁勋这番话是为蒸馏技术彻底正名了[good][哈哈]

原文

剪映虽然好用，但是付费点太多了。推荐一个开源平替，大家可以试一下🤔。OpenCut：把开源剪辑器重写成可编程的视频基础设施它真正有野心的部分，是把剪辑器变成可嵌入、可调用、可批处理的视频基础设施。OpenCut 是一个 MIT 开源的 CapCut 替代品，目标覆盖浏览器、桌面和移动端。现有编辑器已经具备多轨时间线、遮罩、关键帧曲线、变速、音量、字幕、音频波形、自定义画布、贴纸和 MP4 导出等基础能力。但需要区分两个 OpenCut：- opencut.app：目前运行的 Classic 版本，实际可用；- 新版主仓库：正在从零重写，面向未来架构。新版以 Rust 作为跨平台核心，用 wgpu + WebAssembly 在浏览器中合成视频，并将时间统一为每秒 120,000 个整数 tick，避免常见帧率下的浮点误差。更重要的是其路线图：- Editor API- 插件优先架构- MCP Server- 无头批量渲染- 编辑器内脚本环境这意味着它想做的不只是一个剪辑软件，也是一层可被 Agent、自动化流水线和其他产品调用的视频引擎。成熟度判断：- Classic：可以体验，但仍是早期产品；- 新版 Web：架构方向清晰，功能仍在重建；- 桌面版：目前主要是 GPUI 工程骨架；- 项目暂不接收外部贡献，说明核心设计仍未稳定。项目声量很大，但不能把“线上已经能用”和“未来架构已经实现”混成一件事。🔗 网页链接/#HOW I AI# #ai生活指南# #视频生成#

转发者评论

无明显转发评论

原文

#中国AI芯片国产替代率五年从10%升至40％# “单卡性能有代差，但系统级算力等效”，这句话翻译过来就是：中国选了一条更贵、更复杂、但能绕开卡脖子的路。用384个节点的超算集群去对抗单卡性能，意味着你要在散热、互联、调度上投入巨大的工程成本。这不是技术妥协，是战略选择——宁可在系统工程上多花钱，也要把核心依赖掐在自己手里。五年后回头看，可能会发现这条“笨路”反而培养出了全球最强的算力集群调度能力。 中国ai芯片国产替代率五年从10%升至40%

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

【编码重心已从“生产”转向“验证”】软件工程泰斗 Uncle Bob Martin 近期指出，AI 代理编写代码的速度远超人类，这并不意味着程序员可以休息，而是要求开发者将省下的时间全部投入到单元测试、验收测试和架构守卫中。他认为，只有通过极高强度的自动化校验和人工复核，才能确保 AI 生成的高速产出不变成堆砌的垃圾。这场讨论揭示了 AI 时代开发范式的底层逻辑：当代码生成的边际成本趋近于零，验证（Verification）就成了新的行业瓶颈。目前最顶尖的 AI 代理在处理复杂仓库任务时失败率依然很高，如果团队只追求交付速度而忽视校验，结果只会是技术债的指数级堆积。未来的核心竞争力不再是写代码的手速，而是作为“审计员”的深度洞察力。你不能指望靠“氛围感编程”维持长期项目，必须像鹰一样盯着 AI 的每一个输出，因为生成是廉价的，而正确性才是昂贵的资产。 x.com/unclebobmartin/status/2081332683582427641

转发者评论

无明显转发评论

原文

低情商，在AI时代，还重要吗？认清17种低情商表现：一、说话处事类不分场合直言戳人，以 “我性格直” 为借口伤人，不懂顾及他人面子，事后还觉得别人玻璃心。习惯性抬杠，别人说任何观点都要反驳，只为证明自己没错，不在意沟通氛围。随意否定别人的喜好、付出与选择，贬低他人爱好、工作、感情，觉得自己的标准才是对的。喜欢当众揭人短处、翻旧账，拿别人痛点开玩笑，分不清玩笑和冒犯的边界。抱怨不停，负能量随处倾倒，逢人就吐槽委屈，把身边人当情绪垃圾桶。二、分寸边界类不懂保持边界，随意打探薪资、感情、家庭隐私，追问不停，让人尴尬不适。未经允许乱动别人东西、翻看手机、擅自替他人做决定，缺乏尊重意识。过度索取，习惯性麻烦别人，借钱、求人办事毫无愧疚，别人拒绝就心生怨恨。关系不分远近，对陌生人客气，对家人、亲近的人暴躁刻薄，把坏情绪留给最亲的人。三、情绪心态类极度敏感玻璃心，别人一句无心话反复揣摩，容易记仇、暗自较劲。嫉妒心重，见不得别人变好，他人取得成就不祝福，反而阴阳怪气冷嘲热讽。情绪控制差，一点小事就发火、冷暴力，喜怒完全写在脸上，不会克制。得失心太重，遇事容易急躁焦虑，一点不顺就崩溃，无法冷静处理问题。四、待人接物类自我中心，聊天永远只聊自己，从不倾听他人，别人倾诉时敷衍、打断、转移话题。不懂感恩，接受别人帮助视为理所当然，极少道谢，别人稍有怠慢就心生不满。双面处事，当面奉承背后议论，人前一套人后一套，随意散播他人闲话。不懂换位思考，遇事只站自己角度思考，看不到他人难处，永远觉得自己吃亏。核心总结高情商不是圆滑讨好，而是懂得尊重、换位思考、守住分寸；低情商本质是只顾自我感受，无视他人情绪与边界。懂得收敛以上行为，学会取舍、放下争强好胜的执念，内心通透，人际关系也会顺畅很多。（军旅的微博视频）

转发者评论

无明显转发评论

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

最近在我疯狂烧了特别多神话级模型的 token 用于真实的前沿研究项目之后，我真的极为震惊。这远非之前那些模型所能企及的，我深切地感受到 AI 奇点即将到来。当然，业界很多人如果还只是拿它们去做原来的事情，特别是 CRUD 那样简单的事情，可能无法体会到。我现在最担心的是我们不能及时适应这种从智能量变积累所产生的突然质变。很多业界的基本规则和逻辑将会被彻底改写。我现在对此是 100% 确信的。最近我开始从最底层逻辑，重新进行思考、设计和布局。山雨欲来风满楼了已经。AI 科技革命才刚刚开始……

转发者评论

无明显转发评论

• 大部分软件可能都需要重写一遍，抓紧跑步前进。

原文

【AI裁员潮是伪命题，但职场“梯子”确实断了】斯坦福SIEPR最新报告拆解了AI对就业的真实影响：目前宏观失业率并未因AI激增，所谓“AI裁员”多是企业为掩盖过度招聘或缩减开支的借口。核心发现是AI呈现“锯齿状”影响，它能让新手效率提升30%，却对资深专家几乎无助，甚至可能降低产出的多样性。目前企业虽在加速采用AI，但大多仍处于试验期，真正的生产力爆发可能像当年PC普及一样需要数十年转型。最值得警惕的是初级市场，年轻人正成为“矿井里的金丝雀”，因为那些原本供新人练手的分析、撰稿等基础任务正在被自动化。这意味着AI目前不是在抢走所有人的饭碗，而是在悄悄撤走职场新人的入场券。对于个体而言，与其担心被取代，不如关注如何跨越那个AI无法触达的非线性判断边界，避免在AI抹平技能差距的过程中失去独特性。 siepr.stanford.edu/publications/policy-brief/what-really-happening-jobs-separating-ai-hype-reality

转发者评论

无明显转发评论

原文

最近刷到3个做 AI 视频的账号，流量都非常大，基本上每发一条视频都是几十万个赞。我仔细看了一下，这3个账号有一个共同点，就是都围绕西游记的角色和剧情进行了二次创作。第一个账号，专门做西游记九九八十一难的系列短片。每一难做一集，剧情完全按照原著来走，借助现在的 AI 视频技术，画质非常精良，再加上自己对剧情的理解和思考，每一集的质量都挺高的。赞也很多，我感觉光靠平台的流量激励，就应该能赚不少钱。第二个账号特别有意思。他把自己的形象融入到了西游记的剧情当中，给自己在天庭安排了一个官职，专门负责给唐僧师徒制造这八十一难。比如镇元子人参果那一集，他的设定是镇元子来找他帮忙宣传人参果，他就顺势安排唐僧师徒路过，吃了人参果，闹翻了脸，把人参果树推倒了，然后他再去请菩萨来救活果树。整个剧情既贴合原著，又把自己的角色融了进去。他在天庭里认识各路神仙，一边给唐僧师徒制造磨难，一边再帮他们解困，这个视角确实很新颖。第三个账号也跟西游记有关系。天庭里有三个最叛逆的角色嘛，哪吒、孙悟空、二郎神杨戬。这个账号把他们三个和山海经进行了融合，创作的内容就是哪吒、孙悟空、杨戬大战山海经里各种怪兽的剧情，场面做得很燃。当然了，这么精良的制作肯定是比较耗成本的。我看他们做一集的反馈，成本大概在两三千块钱。毕竟用的是 Seedance 2.0这个模型，确实比较贵，但效果也确实好。不过结合他们的流量来看，每个视频几十万赞的话，光靠流量激励，不算商务合作和广告，基本上也能把制作成本赚回来，整体应该是能赚到钱的。#副业赚钱##How I AI##科技先锋官#

转发者评论

无明显转发评论

• 看过之前有个系列，是须菩提为悟空报仇的

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

【伦敦盖特威克机场机器人泊车：是用户福利还是机场的空间游戏？】伦敦盖特威克机场上线全英首个机器人泊车服务，旅客只需将车停入指定舱室并带走钥匙，由Stanley Robotics研发的自动机器人会从下方抬起轮胎，将车辆搬运至高密度存储区。系统根据返程航班信息自动安排取车，目前仅限预约用户，车辆限重2.6吨，单周费用约80英镑。这件事有趣的地方在于，它解决的其实是机场的坪效难题而非旅客的最后一百米痛点，因为你停完车依然得走一段路或搭乘摆渡车。但对用户而言，核心价值在于钥匙所有权，彻底避开了传统代客泊车中车辆被私自驾驶或财物丢失的风险。这并非当下流行的AI大模型产物，而是逻辑成熟的工业自动化，像是一个放大版的Roomba。当机场连厕所供水等基础建设都频发故障时，投入重金搞机器人泊车，折射出一种重黑科技、轻基础维护的偏好。对于极度反感他人触碰爱车的车主这是福音，但对于追求极致效率的人，这可能只是把找车位的时间换成了等机器人的时间。 aerospaceglobalnews.com/news/gatwick-airport-robotic-parking-stanley-robotics/

转发者评论

无明显转发评论

原文

【AI智能体架构的三层真相】行业对Agent的讨论常把底层设施、执行逻辑和工作流混为一谈。这篇文章拆解了三个核心维度：代理线束工程是为模型构建的外部环境，涵盖工具、内存和沙箱；循环工程侧重设计“执行-反馈”的闭环，强调以证据而非信心作为停止条件；图工程则是将任务拓扑化，明确节点跳转与状态流转。可靠性并不直接来自模型，而源于环境对模型的约束。开发者常过度依赖提示词优化，却忽视了线束层面的权限隔离与循环层面的验证机制。盲目追求复杂的图结构往往会适得其反，增加系统的脆弱性。真正的工程挑战在于，如何在验证成本与失败代价之间找到平衡，用确定性的工程结构去承载不确定性的模型输出。 x.com/beamnxw/status/2081022966645535079

转发者评论

无明显转发评论

原文

家里长辈在那边刷手机，是某个短剧，剧情就是把知乎上男女对立刻板印象拉满的小故事再加码十倍。。。什么丈夫刚刚升职，管着公司的营业款，公务员妻子就拿去买了好几个十几万的包包，夫妻吵架以后丈母娘跑来训女婿说男人的钱不就是给老婆花的，天经地义的事情。老人看的津津有味，我凑过去看了几眼，是纯AI连续剧，而且生成的脸非常廉价感，就是最便宜的那种模型，我吐槽说这有啥好看的，里面人都长得一模一样，就发型衣服不同。长辈很惊讶，问这都是AI啊？我还以为是一个人演好多角色。你说都是AI我就知道了，然后继续津津有味地看。我这时候问老人，说这里面人都长差不多，声音也一样，看着不奇怪吗？旁边有人搭了一句话，说有啥奇怪的，现在国产真人演的里面演员不也都长得一样吗。。。好吧，这话好有道理，无法反驳

转发者评论

复仇网文和小红书起号也是 先是幻想一个傻逼亲戚傻逼父母傻逼邻居傻逼对象傻逼保姆傻逼同事傻逼老板对不起我的极端场景 然后评论区快来帮我撒气 可以正义安全地尽情释放戾气 经典爽点 永不过时

• 复仇网文和小红书起号也是 先是幻想一个傻逼亲戚傻逼父母傻逼邻居傻逼对象傻逼保姆傻逼同事傻逼老板对不起我的极端场景 然后评论区快来帮我撒气 可以正义安全地尽情释放戾气 经典爽点 永不过时

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

#SK掌门人离婚前妻分43.7亿#【韩国最贵离婚案！男方承认婚内出轨，女方将分走43.7亿元，系前总统之女，"世纪婚礼"曾轰动一时】两人婚礼在总统府青瓦台举行，时任国务总理李贤宰主婚，韩国媒体称之为“世纪婚礼”。65岁的崔泰源的个人财富近年来因人工智能热潮大幅飙升，自2025年初以来，SK海力士的股价猛涨了约10倍，使得其净资产实现了翻倍式增长。近日，韩国法院在新一轮判决中，判令他向前妻支付9440亿韩元（约合43.7亿元人民币）离婚财产分割款，这场旷日持久的天价离婚官司至此接近尾声。若该判决最终生效，这将是韩国史上金额最高的离婚案。曾是韩国“世纪婚礼”1988年，SK集团的未来掌门人崔泰源与当时韩国总统卢泰愚之女卢素英结婚。据称，两人在芝加哥大学读研时相识。两人婚礼在总统府青瓦台举行，时任国务总理李贤宰主婚，韩国媒体称之为“世纪婚礼”。婚礼几个月前，卢素英的父亲卢泰愚刚刚当选韩国总统。此后几年，在卢泰愚支持下，SK集团发展成为韩国第三大跨国集团。崔泰源与卢素英两人婚后育有三个子女。两人的婚姻在2015年宣告破裂。崔泰源在一家韩国报纸发表了一封长达三页的公开信，高调宣布将与前总统卢泰愚之女卢素英离婚。在信中，崔泰源公开承认与一名女子发展婚外情，与对方育有一女，称与卢素英27年的婚姻已无法挽救。他还借用了列夫·托尔斯泰名著《安娜·卡列尼娜》中关于三角恋剧情的经典开场白，“幸福的家庭都是相似的，不幸的家庭各有各的不幸”。据韩媒报道，崔泰源的情人名叫金喜英，离过婚，带着一个儿子。崔泰源从第一次出狱后就开始与该女子同居，并为其在首尔汉南洞购置了价值30亿韩元的豪宅。外界称该女子为“汉南洞夫人”。当时，卢素英虽受尽屈辱，却回应称：一切都怪我。我将保护我的家庭。我的丈夫是受害者，我未能感知他的情绪并且伤害了他。我甚至考虑亲自抚养崔（泰源）的私生女。这番低姿态并未让崔泰源回心转意。2017年，因卢素英不同意离婚，崔泰源正式向法院申请离婚调解，调解失败后，提起离婚诉讼。2019年，一直以来反对离婚的卢素英改变立场，提出反诉，不再要求维持婚姻，而是要求巨额财产分割和精神损害赔偿。她表示：在过去的30年里，我一直为了守护家庭而拼尽全力，即使受累受辱，也都怀有一丝希望。但现在已经看不到任何希望。在这期间，孩子们也都长大成人，生活得很好。所以，我认为是时候让丈夫去寻求他渴望的‘幸福’了。离婚案曾存在两大悬念SK海力士是全球HBM的主要供应商，而HBM是训练大模型的关键硬件。2025年初以来，SK海力士股价涨了近10倍。5月底，公司市值突破1万亿美元。7月10日，崔泰源在纳斯达克敲钟，SK海力士完成美国上市，募资约260亿美元。彭博亿万富翁指数显示，崔泰源个人净资产约56亿美元，一年内翻了一倍多。这些数字的快速增长直接改变了离婚案的走向。卢素英一方主张：SK海力士的暴涨发生在婚姻存…

转发者评论

这案子女方是真的贡献巨大。双方结婚时女方父亲是在任总统，靠权势给男方家族大量帮助。后来女方父亲卸任后进了监狱，男方就开始放飞自我了。是女方坚持不肯离婚，甚至主动提出抚养男方私生女，但男方坚持要离婚。//@Vanquish_123:啧啧啧，家庭贡献好大啊

• 这案子女方是真的贡献巨大。双方结婚时女方父亲是在任总统，靠权势给男方家族大量帮助。后来女方父亲卸任后进了监狱，男方就开始放飞自我了。是女方坚持不肯离婚，甚至主动提出抚养男方私生女，但男方坚持要离婚。//@Vanquish_123:啧啧啧，家庭贡献好大啊

原文

2026年7月27号 周一早评上周五指数再次大跌，成交缩小不足2万亿了，红盘只有555家，近5000家绿盘，情绪上又是一个冰点，正常的预期是反弹，但是对于长鑫来说，今天就是大决战了，长鑫今天上市，发行价格8.66元，总市值5790元，对于上市之后能否参与，机构给出可能出现的三种情况1、如果长鑫科技上市开盘涨幅直接一步到位，比如500~1000%的开盘涨幅，开盘市值超3万亿+！收益空间就非常窄了，不建议参与，这个概率60%2、长鑫科技上市开盘涨幅:300~500%，市值在1.5万亿~3万亿区间，可以小金额博弈3、长鑫科技上市开盘涨幅:低于300%，市值在1.5万亿以内，可以参与周五午后科技有异动，但还是冲高回落，现在市场还是那个观点，科技不见底不企稳，指数很难会企稳，就看长鑫上市之后市场的反馈了，周末利好还不少，看市场表现吧消息面1、三星、海力士与美企签下9500亿美元半导体大单2、特朗普下令暂停空袭伊朗，伊朗也表态，美方在过去两晚停止针对伊朗的打击行动，伊朗的对等打击行动也随之暂停，这个算是比较大的利好3、前副村长方被查，周末发酵比较多，市场到了重要的抓人这一个环节，跟他相关的主要是量化，转融通，看看会不会出现抓人底4、宁德时代发布半年度报告，归母净利润433亿元，同比增长42%，公司同时宣布，拟200亿元-400亿元回购股份用于注销，回购价格上限为573元/股。这是A股有史以来，最大规模的回购计划5、黄仁勋、马斯克同日发声：中国的人工智能注定卓越 将成为全球领导者股票#早评#早评#股市早评##今日早评##财经早评#

转发者评论

无明显转发评论

原文

历史是怎么演进的，李新野那种英雄主义世界观就很有意思，大凡比较聪明的人都喜欢英雄主义世界观，不光是他马斯克，彼得蒂尔都是。马斯克主张英雄主义世界观，但特斯拉最好的厂是在上海，他老娘也在上海。就是这么回事。在2023年前，互联网曾经反复讨论，“作为中国教育大市，为何武汉没有像样的互联网公司”，到了现在，很多人又在讨论，这一波AI，武汉吃的盆满钵满，武汉如何如何走运，武汉那一堆集成电路产业链，深耕20年，这20年没少被轻资产的城市嘲笑，湖北又不是什么经济强省，政策也没多少，很多东西就是在强撑，光看吃肉没看挨打，挨了二十年的打。电动汽车也是这样，这几年暴打国际大厂，但是2023年之前呢？又有多少人说坏话？“骗补”这个事情你怎么去理解？真的就靠那么一两个大厂，中国电动汽车起不来，靠的是整条产业链走顺了。英雄是要有的，毕竟最后需要冲锋的人，但是真正的难点是厚积。中国不缺2023年以后为中国电动汽车欢呼的人，缺的是2012年到2023年一直坚定不移支持电动汽车的人。晴天打伞，雨天收伞，不必了。再说了李新野只是英雄主义，距离“英雄”还差了十万八千里。

转发者评论

无明显转发评论

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

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

[人人能懂AI前沿] AI学会了办事、复盘和成长，但它为何还会被骗？你有没有想过，为什么最聪明的AI，有时会犯下最令人匪夷所思的错误？本期我们要聊的几篇最新论文，就揭示了这种矛盾：有的AI会因为一张伪造的“通行证”而放行危险代码，有的AI却已经学会了给自己“复盘”，在复杂研究中不断迭代进化。我们将一起探索，如何为AI模型进行精准的“功能性断舍离”，如何将它从一个“聊天搭子”升级为可靠的“办事帮手”，甚至，如何让虚拟世界里的角色拥有可以与世界共同成长的“灵魂”。准备好了吗？让我们一起潜入AI思想的最深处。网页链接

转发者评论

无明显转发评论

原文

我做 Shipwright，不是因为想再造一个 CI/CD。说实话，CI/CD 这件事已经有很多成熟工具了，Jenkins、GitLab CI、GitHub Actions、Argo CD 都很好用。真正让SRE觉得痛苦的，是一个需求从提出来到最后上线，中间太多地方都靠人硬扛。需求不清楚，要人去问。PRD 没有，要人去写。任务没人拆，代码没人改。CI 挂了，要人去翻日志。测试漏了，要人补。发布能不能上，要人判断。上线以后，这个版本到底对应哪个需求、改了哪些代码、过了哪些测试，又要人去追。工具很多，但中间那个人一直没少。Shipwright 想做的就是把这个“中间人”的工作交给 Agent。它不是只会写 PRD，也不是只会生成几段代码。我们希望它能从一个需求开始，一路往下推进：问清楚、写 PRD、拆任务、进仓库改代码、跑测试、看 CI、修失败、重跑、发版，最后把需求、代码、测试和发布结果串起来。CI/CD 还是很重要，但它更像发动机。Shipwright 要做的是开车的人。传统 CI/CD 是：你提交代码，它帮你跑。Shipwright 是：你提出目标，它帮你往上线推进。人当然还在，但不应该一直在各个系统之间来回救火、复制信息、判断下一步。人更应该负责目标、边界和关键决策。剩下那些推进、修复、验证和追踪，应该尽量交给 Agent。这就是我做 Shipwright 的原因。

转发者评论

无明显转发评论

• 回复@你在急啥呢:这个我准备开源，还在打磨//@你在急啥呢:开源的还是？

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

【别把“外包细节”错当成“掌控全局”】近期开发者圈内对AI编程的狂热开始降温，核心指向一个被忽视的真相：细节无法被真正跳过。很多用户发现，AI像个过度自信且嗑了药的职场新人，虽然能瞬间生成大量代码，却常在底层逻辑上胡搞，比如为了实现一个简单的UI功能去乱改底层寄存器导致系统崩溃。这种“黑盒”产出让知识的传递和设计的纠偏变得极其困难，开发者正陷入一种“生成的越多，理解的越少”的泥潭。这件事的重要性在于，真正的赋能不是当甩手掌柜，而是拥有选择哪些细节可以外包的判断力。如果你因为厌恶细节而使用AI，你将永远无法建立专业直觉；如果你已经拥有专业能力，AI生成的平庸且充满幻觉的逻辑反而会成为你的认知负担。AI目前更像是一个非确定性的翻译器，它模拟的是模式而非逻辑。记住，当你把所有细节都交给AI时，你并没有变得更强大，你只是在自己的创作过程中消失了。 davidnicholaswilliams.com/its-not-empowering-to-hand-off-the-details/

转发者评论

无明显转发评论

原文

#美军将被禁止使用中国机器人# 【美议员焦虑坏了：军方，不能用中国的】据南华早报7月23日报道，美国对中国科技的焦虑情绪已扩展至一个新领域。随着华盛顿国会议员推进国防立法，美军将被禁止部署中国制造的人形机器人。美国众议院已通过《国防授权法案》（NDAA）。这项年度国防政策法案纳入了限制使用外国自主系统的条款，理由是出于国家安全和数据隐私方面的担忧。根据法案草案第163条，五角大楼将被禁止采购、租赁或使用与指定“外国对手”有关的受限制人形机器人系统，这些“外国对手”包括中国、俄罗斯和伊朗。虽然这项国防法案吸收了《保护美国免受对手主导机器人技术法案》（GUARD Act）的关键内容——该法案由众议院“中国问题特别委员会”主席约翰·穆莱纳尔（John Moolenaar）于去年夏天提出——但并未纳入其中最严厉的措施。根据完整的《GUARD法案》框架，中国制造的人形机器人和四足“机器狗”系统将被评估是否列入美国联邦通信委员会（FCC）的“受限制清单（Covered List）”。一旦被列入，这些机器人将失去无线通信许可，实际上也就意味着其在美国市场上的商业销售将被禁止。由于第163条的适用范围仅限于军方采购，国会议员目前并未对商业销售作出限制。众议院投票通过后，穆莱纳尔对限制军方使用中国机器人表示欢迎，但同时警告称，华盛顿“不能允许这些机器人在美国占据主导地位”。他的这一呼吁，凸显了中国在全球机器人市场日益增强的影响力。根据市场研究机构Counterpoint Research今年1月发布的一份报告，去年全球约80%的人形机器人出货量来自中国企业。美国主要机器人开发商——包括Figure AI、Agility Robotics和特斯拉——去年各自的人形机器人出货量均约为150台。中国外交部多次强调，中方一贯反对美方泛化国家安全概念，滥用实体清单等出口管制工具，遏制打压中方企业。美方应停止将经贸科技问题政治化、工具化、武器化。

转发者评论

那个，看起来没什么危害的Gemini几时能引进🤔//@就叫熊太行也行:美军傻死了，居然还立个法，明明一个内部文件的事儿。//@小党:意料之中，我军也不可能用美国的机器人

• 那个，看起来没什么危害的Gemini几时能引进🤔//@就叫熊太行也行:美军傻死了，居然还立个法，明明一个内部文件的事儿。//@小党:意料之中，我军也不可能用美国的机器人

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

[微风]//@丕子:方便。

• [微风]//@丕子:方便。

原文

【小米首发！高通骁龙8E6 Pro独占AI插帧功能】高通将于9月份正式发布全新旗舰平台骁龙8E6和骁龙8E6 Pro，其中骁龙8E6 Pro版本集成了Adreno 850 GPU，并独家支持LPDDR6内存标准。此外，高通还为其带来了全新的AI插帧功能，这些特性均为Pro版独占，标准版骁龙8E6均无缘搭载。

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

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@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

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

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

#GPT一滴token都没了# 这场风波最大的后遗症不是用户流失，是信任结构被撕开了一道口子。当人们发现生产力工具的供给侧可以随时调参数、改阈值、砍预算，而你毫无察觉，那种“被卡住脖子”的感觉就会驱动一部分人转向国产平台或本地部署。不是因为技术更好，是因为至少规则在自己手里。OpenAI这次证明了一件事：当AI成为基础设施，把定价权和算力分配权全交给一家公司，你就永远在替不透明的计费逻辑打工。 gpt一滴token都没了

转发者评论

无明显转发评论

原文

【Debian的AI大辩论：代码纯洁性还是生存挑战？】Debian社区近期正就LLM的使用规范发起通用决议投票，目前交锋集中在四个方案：方案A主张全面禁止AI参与，理由是版权不明且可能产生代码废料；方案B和D则走务实路线，允许使用但要求人类贡献者对结果负全责并公开披露；方案C则处于中间，口头劝阻但不强制封杀。这场讨论不仅覆盖了软件包，还延伸到了文档翻译和社区沟通。这件事的底层逻辑在于“上游”与“下游”的脱节。即便Debian在自身工作中禁绝AI，但它打包的Linux内核等上游项目早已开始接纳AI辅助。这种“代码洁癖”在技术实现上几乎无法审计，更像是一种关于自由软件价值观的道德声明。最值得反思的角度是：在AI能秒速扫描出安全漏洞的时代，如果坚持用纯手工方式修补，Debian是否会因为追求“手艺人的纯粹”而输掉这场安全军备竞赛？这其实是一场关于“信任成本”的博弈——是信任一个有据可查的人类，还是信任一个能提高效率但可能产生幻觉的黑盒。 debian.org/vote/2026/vote_002

转发者评论

无明显转发评论

原文

#黄仁勋马斯克均称中国将成AI领导者# 这两个人的共识里藏着一个悖论：他们越是公开夸中国AI，美国政府越可能加码管制，而管制越严，反而越证明他们说的是对的。黄仁勋力挺开源模型，不是因为他突然变慈善了，是因为他算明白了一笔账——禁掉DeepSeek和Kimi，短期看是保护美国优势，长期看是把全球最大的AI应用市场和人才池推到墙外，到时候中国自己的生态跑起来了，英伟达连入场券都拿不到。所以他的“继续向中国学习”不是客套话，是求生欲，是在跟华盛顿说：别把我的客户变成我的对手。 黄仁勋马斯克均称中国将成ai领导者

转发者评论

无明显转发评论

原文

寻求共识的成本是巨大的，意味着需要无数次对齐，也会产生无数次摩擦。梁文锋会在团队内寻求共识，允许团队只有低于 50% 的战斗力“干正事”，也就是“自上而下”做事，而剩下的部分，都是“自下而上”地做事。共识的好处是，能够凝聚群众的智慧，也可以形成合力，让力量叠加后的最终效果趋近于想达成的目标。共识之下也必然存在妥协，AI 时代，一家公司能够持续往前跑，很大程度不在共识，而在非共识之下的个体差异性上，它能够“滋生”创新，也会最大化人的主观能动性。这才是梁文锋团队持续保持稳定的根本，1）目标明确节奏清晰，2）有个体成长和发挥的空间，3）还能保持五点下班，😄

转发者评论

无明显转发评论

原文

#微博VibeLab##VibeVision#我用VibeCoding做了一款格斗小游戏。我平时很喜欢玩游戏，也一直想自己做一款。但做游戏这件事，门槛实在太高了。传统的游戏开发，你需要美术和编程双重技能。美术方面，角色立绘、精灵图、UI界面、背景场景，每一项都需要专业画师。编程方面，游戏引擎、物理碰撞、动画状态机、AI对手逻辑，每一块都是硬核技术。即便是有了Unity、Godot这类引擎，一个人想做一款完整的格斗游戏，也往往要耗上几个月甚至半年。随着AI的出现，这一切发生了变化。首先，AI可以帮我生成美术素材，从角色精灵图到UI界面，不再需要专业画师；其次，AI可以帮我编写游戏代码，从场景搭建到战斗逻辑，不需要从头学引擎。接受到命令后，AI Agent快速进入工作。它首先帮我搭建了整个游戏的项目骨架：Phaser 3游戏引擎、TypeScript类型安全、Vite开发服务器，一个不落。整个项目分为6个场景：启动加载、主菜单、剧情、战斗、操作说明、结算。每个场景的职责清晰分离，这符合专业游戏开发的架构规范。游戏的核心是战斗系统。AI帮我实现了完整的格斗机制。角色有5种动作状态：站立、行走、跳跃、攻击、下蹲。每个状态都有独立的物理参数和动画切换逻辑。轻攻击、重攻击、特殊技能，三种攻击方式各有不同的伤害值和硬直时间。更让我惊讶的是，它还实现了一个AI对手系统。电脑控制的"古鲁"会根据距离自动选择追击、后退、攻击或防御，难度还可以调节。先看看我的初代版本(附视频1)。虽然很简陋，但是这个真的是根据我的要求搭建出来的格斗小游戏啊，兄弟们！代码骨架搭好后，接下来是美术资产。传统做法是找画师画图，但现在有了AI生图，事情就简单多了，我AI生图工具帮我生成。除了角色的设定图，它还帮我生成了一整套UI资产：主标题Logo"凌家滩：玉脉之战"、菜单按钮组、选人光环、战斗提示文字（"第1回合""开战""KO""胜利"）、暂停面板、HUD框体、操作提示图标……总共18张UI素材，全部按功能分类存放。这些美术资产不是简单的贴图，而是经过透明化处理的。AI Agent用Python脚本自动检测图片背景色，将浅灰和黑色背景转为透明，让角色和UI元素能自然融入游戏场景。最终，这款"活宝档案·龙脉对决"格斗游戏完成了一个小段落：两个角色各有5种动作状态和逐帧动画；完整的3局2胜制对战系统；带难度调节的AI对手；6个场景的完整流程（启动→菜单→剧情→战斗→结算）；18张UI美术资产全部集成；战斗提示、HUD、暂停面板一应俱全。后续我还会进行再次的优化,整个过程，从零到完成，我没有写一行代码，全部由AI Agent和我的对话里完成。我只需要描述我想要什么，它就能理解、实现、调试、优化。对于游戏爱好者来讲，这样的一款格斗游戏，远比我之前用各种模板拼凑的专业得多。游戏还在打磨中，暂时就先不发出来献…

转发者评论

无明显转发评论

原文

#微博视频号续航计划# 黄仁勋在接受 Axios 采访时，他被问到了这样一个问题：“是否应该允许开源模型公司对闭源模型进行‘蒸馏’？”黄仁勋认为，“‘蒸馏’——即向人工智能学习、向他人学习以及从其他知识源学习——是智能的根本所在。我们时刻都在向他人学习。我正通过你的提问向你学习，而你也在向我学习。我们整天都在彼此学习。人工智能也需要从某些事物中学习。最初的人工智能模型——无论是开源的还是闭源的——都是基于互联网上既有的知识训练而成的。如今，人工智能生成的内容已超过人类。再过几年，互联网上 99% 的内容可能都将由人工智能生成，这些内容均源自某种形式的人工智能。因此，人工智能系统将不断地从其他人工智能系统那里‘蒸馏’知识与智能。人工智能具备学习能力是一件好事。我们希望人工智能系统拥有智能，因为更智能的人工智能往往也更安全。” 历史的进城的微博视频

转发者评论

//@刘群MT-to-Death:【黄仁勋认为，“‘蒸馏’——即向人工智能学习、向他人学习以及从其他知识源学习——是智能的根本所在】哈哈，说得太好了！

• //@刘群MT-to-Death:【黄仁勋认为，“‘蒸馏’——即向人工智能学习、向他人学习以及从其他知识源学习——是智能的根本所在】哈哈，说得太好了！
• 【黄仁勋认为，“‘蒸馏’——即向人工智能学习、向他人学习以及从其他知识源学习——是智能的根本所在】哈哈，说得太好了！

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

【内存太贵顶不住了！英伟达Rubin大砍配置：CPU内存直接减半】受存储芯片价格高企、供应短缺，尤其是LPDDR5X市场供应紧张涨价的影响，英伟达将大幅削减Vera Rubin NVL72机架级AI系统的内存配置：SOCAMM内存模组容量从192GB减半至96GB，Vera CPU配套内存总量从54-55TB砍到28TB，仅GPU侧的HBM4显存仍保持每机架20.7TB不变。

转发者评论

无明显转发评论

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

临时摸了个本地知识库问答的Demo。原理很简单。把“问题”拼接提示词前缀(比如要调用哪个SKILL)后通过 CLI 调用 Hermes 创建新会话。展示思考和工具调用过程，最后展示回答。自己用的话可能没多大必要，但如果是给团队使用可能还是蛮不错的。这个方案比较粗暴，不需要自己造 Agent，也不需要考虑 RAG 之类的。回答的风格和边界全靠 SKILL 来指导。(通过提示词绕过滥用可能也不难，后面再考虑)

转发者评论

无明显转发评论

原文

电子书《动手学 Pi》沿 15 个 checkpoint，从一条离线轨迹开始，亲手实现一个 Pi-style coding agent。 地址：github.com/hahhforest/pi-textbook目录如图2#How I AI#

转发者评论

无明显转发评论

原文

为防止AI训练滥用，Cloudflare 要帮网站禁止谷歌爬虫，目前仅影响Cloudflare托管的域名。如果还想做谷歌SEO，可以考虑1️⃣后台：Security → Settings → Configure AI bot policies 或访问 dash.cloudflare.com/?to=/:account/:zone/security/settings 2️⃣登录、选域名3️⃣看图一起因：Cloudflare 把 Googlebot、Bingbot、Applebot 视为“多用途爬虫”——既用于搜索，也可能用于 AI 训练。Cloudflare 将按最严格规则处理：只要网站选择屏蔽“Training”，Googlebot 也可能一起被拦。🔗 blog.cloudflare.com/content-independence-day-ai-options/

转发者评论

无明显转发评论

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

天才被掐水表了[doge]//@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]

• 天才被掐水表了[doge]//@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]

原文

Vibe Coding 作品精选｜SEO Health Checker：把“上线后能不能被搜到”做成一张检查清单很多作品功能已经能跑，最后却卡在发布后的可发现性：标题是否清楚、页面描述是否合适、canonical 有没有指对、robots 和 sitemap 是否正常、H1 与标题层级是否合理？SEO Health Checker 的思路很直接：粘贴任意公开页面，约 10–30 秒返回搜索结果预览、基础检查和按优先级排列的问题清单；登录后还能追加由 InfiniSynapse 支持的 E-E-A-T 内容质量与 AI 搜索可见性分析。我拿 Vibe Coding 赛事页实测，标题、关键词、规范链接、抓取规则、站点地图与图片替代文本都被逐项展开，唯一待优化项也给出明确的字符长度建议。它不是只报一个分数，而是告诉你先改什么。体验作品： 网页链接/浏览更多参赛作品：网页链接参加 Vibe Coding：网页链接#VibeCoding大赛##SEO工具##AI应用##微博VibeLab##VibeData##vibework#

转发者评论

无明显转发评论

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

【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

【知识图谱技术总结】续看技术，回顾知识图谱，趁着最近知识图谱的一次分享会议，其中有问题问到知识表示，即知识图谱是否是好的唯一表示形式，三元组的局限性，以及其他表示方式（四元组、五元组、属性图、超图）的适用场景？这是一个很有趣的问题，有很多细节的点可以谈。先说一个误区。知识图谱是知识表示(KR)的一种，不是唯一更不是万能。实际系统多为混合表示，事实性知识使用三元组/属性图，程序性知识适用流程图/脚本，规则性知识使用产生式规则/逻辑，时序性知识适用时序图，不确定性知识适用概率图模型。形式定了，那么还是需要对应的本体，本体如何构建，如何结合llm做？也做个图表的记录，做个总结。网页链接

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

#工作里的AI已经用到这一步了# AI最大的副作用是让“看起来能干”和“真能干”之间的界限变得模糊。一个没经验的人用AI也能生成一份80分的PPT、一段跑得通的代码，但遇到AI答不上来的那20%，或者出了问题需要有人拍板背锅时，这层窗户纸就破了。职场正在分化成两种人，一种把AI当梯子，爬到更高的判断层;一种把AI当拐杖，离开就不会走路。前者在攒壁垒，后者在攒风险。 工作里的ai已经用到这一步了

转发者评论

无明显转发评论

原文

日本和德国制造业正在同步回升，但增长集中在少数优势产业。7月日本制造业PMI达到54.7，制造业产出增速创2014年2月以来最高；6月出口同比增长19.3%，连续第十个月增长，半导体及相关设备成为重要拉动力量。东京电子、爱德万测试、三菱重工等头部企业，分别受益于AI芯片测试、半导体扩产、燃气轮机和航空航天需求。 德国7月制造业PMI由50.3升至52.2，产出增速达到近四年半最高；5月制造业订单环比增长1.9%，其中飞机、船舶、铁路和军用车辆等大型订单增长85%，电气设备和机械工程订单分别增长5.7%和3.7%。西门子能源和莱茵金属成为本轮增长的代表，莱茵金属2025年底订单储备已达到638亿欧元；但汽车业仍然偏弱，大众集团2026年上半年在华销量下降31.6%。整体来看，日德制造业的增长主要来自半导体、能源设备、军工和复杂装备，尚未扩展到汽车和大众消费品等全部工业领域。

转发者评论

无明显转发评论