微博 AI 观察博客

原文

普通人怎么赚到1000万？我直接说重点，大概需要经历四次赚钱方式的升级。1️⃣第一阶段，上班的时候核心：把公司当成免费的商业学校。比如：公司的产品怎么来的？为什么这样定价？客户从哪里来？销售怎么谈？钱到底赚在哪个环节？交付以后怎么让客户复购？这些东西，你都要主动去观察了解。特别是流量、销售、产品和成交，至少要在一个环节里真正拿到结果。公司砸了很多钱，你跟着完成任务，这不完全算你的本事。花很少的钱，还能做出效果，这才是以后可以带走的能力。这个阶段也不要急着辞职创业。核心是先练出一项随时能换钱的技能。2️⃣第二阶段，先跑通一个很小的赚钱闭环。不要一上来就注册公司、租办公室、招团队。找一个具体的人群，解决一个具体的问题，并且能做一个最小收费产品，然后去找真实客户。比如看看能不能有人咨询？能不能收到第一笔钱？能不能亲手服务好前3到5个客户？能不能让客户复购或者转介绍？从获客、成交、交付到复购，这条线真正跑通了，你才算开始懂生意。先闭环，再SOP；先稳定交付，再谈放大。3️⃣第三阶段，把自己从一个干活的人，变成一套赚钱系统。很多人有能力，也很勤奋，收入还是上不去，因为每赚一笔钱，都要重新卖一遍自己的时间。这时候要开始积累案例、内容、客户、渠道、话术、报价单、交付流程和复购机制。把能力产品化，把重复动作做成SOP。然后把能标准化的工作交给AI、Agent、外包和团队。自己留下最重要的几件事：定策略、做内容、搞流量、看客户、做关键决策。一人公司也好，小团队也好，核心都一样。你负责用脑子，没必要每件事都亲手干。接下来再慢慢建立媒体杠杆、人才杠杆和被动收入杠杆。内容带来信任，信任带来客户，客户带来案例，案例又继续放大内容。生意开始自己循环，赚钱才会从一笔一笔，变成一套系统不断产生结果。4️⃣第四阶段，有钱以后，先学会不掉回去。普通人赚到第一个100万已经很难，赚到钱以后还不会守，前面很可能全部白干。我自己的顺序一直很明确。家庭的日常开支先留好，公司的运营资金留好，该有的保障配好，房子和大额支出控制在自己的承受范围内。剩下的钱再有纪律地配置。资金永远要分防守和进攻，做任何决定之前，先问自己最坏的结果能不能承受。看不懂的不碰，承受不了的不撬杠杆，更不要因为别人赚钱了就冲进去。我不想一时富，我要的是一世富。普通人的财富增长，大概率不会是一条直线。你可能几年都在积累能力、资金、人脉和判断，然后刚好抓住一个窗口，收入在三五年里突然跳上一个台阶。机会来的时候，把它放大；赚到钱以后，把一部分拿出来守住；原来的生意不行了，手里还有另一套赚钱能力。————————我的路径就几句话：先学会一套生意，跑通一个闭环；再把能力变成系统，用媒体、人才、AI和资产去放大；最后守好家庭和公司的底线，绝对不要把自己变成赌徒。做到后面，你依靠的已经不是某个项目。你有一套重新赚钱的能力。我去，写的我手都酸了，不…

转发者评论

回复@沉渊听泉:那不属于你，钱是要留住的，而不是浮钱！//@沉渊听泉:6月份曾经有过[泪][泪]//@问鼎资本-张佳男:普通人的上限大概不是1000万，而是100万？我说的现金（无负债）

• 回复@沉渊听泉:那不属于你，钱是要留住的，而不是浮钱！//@沉渊听泉:6月份曾经有过[泪][泪]//@问鼎资本-张佳男:普通人的上限大概不是1000万，而是100万？我说的现金（无负债）
• 普通人的上限大概不是1000万，而是100万？我说的现金（无负债）

原文

【史上第一GPU漏洞！英伟达170HX矿卡被破解：最高解锁80GB显存】亚利桑那州立大学研究员公开了针对英伟达CMP 170HX专用矿卡的破解方案。研究人员利用GPU安全协处理器的栈溢出漏洞，成功绕过官方的物理熔丝锁定，实现算力与显存的双重解锁。该卡最高显存可达到80GB，AI算力提升约31倍。破解消息传出后，该卡二手市场价格迅速飞涨，国内价格已从300-500元飙升到3000-4000元，国外市场甚至卖到1500美元。

转发者评论

无明显转发评论

原文

问：梁博，DeepSeek Harness内测你怎么看？答：这个至少说明两件事情，1）Harness这个东西大模型公司不会对外依赖，肯定自己做，这个是非常肥厚的一门生意，模型缺了脚手架（Harness）根本跑不出结果。这一套东西需要的质量要求非常之高，可靠性，安全性，都注定了不会外包，或者不会长期外包的，这是信息加工权的争夺。。这次Ds的Harness 和 V4 同步发布，就是"模型和脚手架是一起设计出来的"最直白的信号，信息加工权真正被锁死的地方就在这。。2）Ds根本不管别人怎么来，自己不缺钱，就往完全开放的思路搞，大厂也许自己做了，但不公开，Ds不管，要营建一个开放生态，没有这个仅仅开源模型是没意义的，必须配套开放，当然了这种Harness肯定要付费的，毕竟跑起来需要消耗资源，和模型开源不通，丢一个权重参数到hugging face上面就结束了。。最后我觉得，AI迭代的速度太快了，好多大模型大厂不跟也许是对的，整个行业快速收敛，快速关门。。

转发者评论

无明显转发评论

原文

摩根朋友转发的观点：7月份，芯片板块经历了暴跌与天量杠杆爆仓，纳斯达克芯片指数在过去一个月内下挫逾20%。Leopold Aschenbrenner 创办的对冲基金因重仓且过度使用杠杆，在市场回调中遭遇了严重的追加保证金通知（Margin Call），其投资组合最终遭大规模清算。此外，韩国市场有超过120万个杠杆交易账户面临追加保证金，引发了严重的强制平仓与市场动荡。回顾历史，思科（Cisco）在1994年和1997年也曾经历过高达40%的回调，我们认为，在宏大的AI周期中，这种级别的回调既是必经之路，也是市场健康的表现。市场对AI周期的认知在不断演变，且变化速度日益加快，根本原因在于大众尚未完全理解AI的巨大潜力。与历次技术革命不同，AI技术最终提供的产品是“智能”，因此其潜在需求是无限的。当前市场对大型科技公司巨额资本支出（CapEx）的担忧，与2014年投资者对亚马逊在AWS上大举投入的不满如出一辙。只不过，如今AI所蕴含的商业机遇远比当年的AWS庞大得多。目前，市场对AI的看法正在发生改观，资金正从低质量科技股向高质量科技股回流，这恰好印证了我们在5月报告中的预测：2026年末，市场将迎来“王者归来”。此次存储芯片（内存股）的回调提醒了投资者，该板块依然面临较大的周期性风险。部分标的资产质量稍逊，加之板块内部杠杆过高，共同导致了极大的波动率。尽管我们认为该板块的基本面依然稳健，但技术面的破位与动能的受损需要时间来修复。因此，下半年资金将倾向于流向质量较高的应用层企业。在基础设施层面，如果SK海力士（SK Hynix）未来能够大规模量产HBM4或推动MaaS（内存即服务/模型即服务），将有望重塑市场目前对其的估值逻辑。就当前的芯片板块而言，我们更青睐基本面扎实、质量较高的英伟达（NVDA）、博通（AVGO）和台积电（TSM）。7月份财报季释放了一个核心信号：超大规模云服务商（Hyperscalers）的业务正在加速增长。* $AMZN AWS：年化营收（Run rate）约 1690 亿美元，同比增长 37%* $MSFT Azure：年化营收约 1240 亿美元，同比增长 43%* $GOOGL Google Cloud：年化营收约 990 亿美元，同比增长 82%根据 Evercore 的预估，到 2026 年第二季度，亚马逊、微软、Meta 和谷歌的总储备订单（Backlog）规模已突破 2.4 万亿美元，同比激增近两倍，仅相较上个季度便环比增长了 15%。更重要的是，这种增长步伐实际上正在加速而非放缓，其同比增速仍在向近 190% 攀升。华尔街正逐渐意识到，他们因科技巨头在资本开支上“过度投入”而对其进行惩罚，是多么严重的误判。如此庞大且高速增长的储备订单意味着，这些公司的账面上已经坐拥数万亿美元的已承诺未来收入。随着新算力产能的陆续投产，这…

转发者评论

无明显转发评论

原文

开源生图模型：Boogu-Image-0.1详细介绍：github.com/boogu-project/Boogu-Image/看样片文字生成能力不错。华为香港小艺大模型应用实验室（莱布尼茨所）发布。“Boogu-Image-0.1 是一个在当前开源模型中具备强竞争力的 Apache-2.0 开源统一图像生成与编辑模型家族，包含 Base、Turbo、Edit、Edit-Turbo 等多个变体，在高质量文生图、快速生成、图像编辑和中英文文字渲染等任务上提供稳定实用的能力。像 Nano Banana Pro 和 GPT-Image-2 这样的闭源多模态理解与生成系统之所以表现卓越，并非依赖单一模型，而是得益于一整套高度统一的系统能力。然而，在训练资源相较于闭源模型极端有限的条件下，我们发现，通过系统性地增强模型的理解能力、数据质量和训练流程，仍然能够显著提升图像生成与编辑的性能。具体而言，相比其他已知的开源工作，我们使用的训练数据规模大约少一个数量级。我们希望这项经验研究与开源发布，能够推动多模态生成与理解领域的开源生态发展。#How I AI#

转发者评论

无明显转发评论

原文

#微博VibeLab##VibeVision#不会写代码，但想要一个属于自己的观鸟记录工具。现成的App总是差点意思，索性自己做。技术栈是Claude Code + GLM（z.ai）+ 千问API，用Vibe Coding的方式——自己想清楚要什么，AI辅助实现，自己测试打磨，一点点迭代出来的。功能不复杂：拍照识别鸟种，自动归类进图鉴，记录下每一次相遇的时间和地点。打开"我的"页面：74种、156张照片、157次识别。这些不是演示数据，是这几个月真实攒下来的——白鹭、翠鸟、大山雀、红胁蓝尾鸲……每一种都对应着具体的那一天、那个地方。没有上架，没有用户，就是自己在用。但用自己做的东西记录自己真正在乎的事，这种感觉挺好的。@影石刘靖康

转发者评论

#微博VibeLab# #VibeVision# 实用的小工具

• #微博VibeLab# #VibeVision# 实用的小工具
• //@这很盒里吧:已经看到不少人给自己 vibe 趁手的小工具了。记得两年前和朋友争论，未来会不会大家要用啥软件都自己用 AI 临时做个。讨论下来觉得短期可能性不大，毕竟会有 Token 成本、时间成本等，此外还要对 coding 有基本的认知。但没想到技术的发展会这么快 …… #微博VibeLab#
• 推荐实用性工具 #微博VibeLab#

原文

【DeepSeek V4 Flash：让300B大模型“挤”进个人电脑的极限游戏】Hugging Face社区近期发布了DeepSeek V4 Flash的GGUF量化版，通过2比特与4比特混合量化技术，让这个拥有304B总参数、13B活跃参数的巨兽能运行在128GB内存的MacBook Pro等消费级硬件上。虽然官方口号是“笔记本可用”，但解剖其底层数据发现，这更像是一场针对高端玩家的“内存极限压缩”：模型文件依然高达97GB，且必须配合专用的ds4推理引擎才能跑起来。这件事的底层逻辑在于MoE架构的红利与量化的代价。开发者采用了非对称量化策略，把不敏感的专家层压到极低的2比特，而保留关键决策层的4比特精度，从而在性能几乎不掉队的情况下，将内存占用砍掉近一半。对于用户来说，这意味着你不需要昂贵的H100集群，只要有一台顶配Mac，就能私有化运行目前最顶尖的Agent级模型。虽然2比特量化在长文本逻辑上会有轻微损耗，但对于追求隐私、低成本本地开发的极客来说，这依然是目前能摸到的最高天花板。

转发者评论

无明显转发评论

原文

#模型时代# 前 xAI 联合创始人 Igor Babuschkin：一味把 Coding 做得更好，可能成为下一阶段模型训练的陷阱众所周知，xAI（现在SpaceX）很少有人出来做访谈，之前有一个印度小哥聊完第二天就离职了。所以，前xAI的人能出来聊也很难得了。这是上周末，River AI 联合创始人兼 CEO、xAI 前联合创始人 Igor Babuschkin 做客 Redpoint 投资人 Jacob Effron 主持的播客 Unsupervised Learning的一期记录。Babuschkin 的经历串起了过去十年的几条重要 AI 技术路线。他原本在大型强子对撞机从事物理研究，随后进入 DeepMind，参与 WaveNet，担任《星际争霸》项目的技术负责人，并发起 AlphaCode 项目；此后加入 OpenAI 的推理团队，也参与过大规模预训练。2023 年，他与埃隆·马斯克 Elon Musk 等人共同创办 xAI，并参与建设 Colossus 数据中心。离开 xAI 后，他先成立了关注 AI 安全的投资机构，2026 年又创办 River AI。一、编码智能体越过能力阈值后，使用方式发生了突变1、2025 年底，软件工程师开始普遍感到工作方式已经改变Babuschkin 把转折点放在 2025 年 11 月至 12 月。当时新一代 Claude Opus 等模型把编码智能体推到了足以改变工作方式的水平。编码智能体的英文常写作 Coding Agent。此前，有些工程师使用 AI 编程，有些人仍然不用；从那时开始，越来越多工程师接受了一个事实：智能体既能显著提高效率，也开始接手大量工程师过去亲自完成、并从中获得乐趣的工作。他自己在 12 月重新做了一遍许多曾经想做或做过的编程项目。个人能够完成的事情突然增多，模型继续进步后，人类在工作中的位置也会随之变化。这段经历促使他写了两篇关于 AI 未来的小说。其中一篇借用了“魔法师的学徒”的结构：人类掌握了强大工具，却逐渐失去对工具的控制。另一篇写给未来的机器，保留了他第一次看到模型完成简单任务时的惊异。他认为，今天的软件工程师正在集体成为“魔法师的学徒”。2、代码和数学率先突破，因为它们能给强化学习提供明确奖励代码是智能体最自然的起点。程序能否运行、单元测试是否通过、漏洞是否修复，都可以转化为清楚的反馈。数学也有类似条件。借助 Lean 等形式化证明工具，定理和证明可以被机器检查；训练系统由此能够判断答案是否成立，并据此更新模型。这类任务被称为可验证领域，英文是 verifiable domains。强化学习需要模型多次尝试，再根据结果获得正负奖励。验证器越可靠，模型越容易从尝试中学到有效策略。Babuschkin 预计，复杂软件项目、数学证明和一部分科学问题仍会快速进步。他同时提醒，**一…

转发者评论

无明显转发评论

原文

#Easy同学正在独立开发#MiniMax 官方今天在 Hugging Face 上开源了 MiniMax-H3——一个能同时生成画面和原生立体声音频的全模态生成系统。不知道对于每个月花几万几十万买 Seedance 的重度使用，个人和小工作室来讲，本地部署是不是会更划算？H3接收文字、图片、视频、音频的混合输入，输出视频加同步音频的成片，单次最长 15 秒，默认 768p，配合 H3-Regenerate-2K 流程可以重生成到 2K，24fps、32kHz 立体声，稳定支持 11 种语言。整个系统由三个模块组成：H3-Context-IR 负责把复杂的多模态指令理解并精炼成模型可读的中间表示，官方强烈建议生成管线里接入它；H3-Base 生成 768p 视频和音频；H3-Regenerate-2K 再把 768p 结果连同原始上下文喂回模型，重生成 2K 版本。权重按两个任务发布：FL2VA 支持无图、单图、首尾双图输入，Ref2VA 支持最多 9 张图、3 段视频、3 段音频作为参考输入。本地部署走 sglang serve，许可证是社区协议，适用区域排除欧盟、英国、韩国和美国，年收入超过 2000 万美元的商业使用需要另行联系授权。（由 流苏ªⁱ 撰写）#MiniMax##AI视频生成##开源模型##视频生成# Easy的微博视频

转发者评论

无明显转发评论

原文

#硅谷101# 对话盛颖：xAI，Infra的浪漫，SGLang，开源，平权与“甄嬛传”我们这期视频播客的嘉宾是盛颖，xAI前推理团队负责人、开源推理引擎SGLang发起人及RadixArk联合创始人/CEO。在开源模型集中爆发之际，盛颖在AI Infra（基础设施）领域的研究和贡献非常核心。她将AI Infra描述为“浪漫的关系”，是产品本身，需要有“美感”。由此，我们走进盛颖的世界。她曾经想成为一个数学家，沉浸在一个确定、纯粹、仿佛“与世界无关”的世界里。但从哥大到斯坦福，从形式化验证到 AI Infra，盛颖一路经历的并不是外界看到的连续发顶刊的高光，背后是不为人知的寻找方向、迷茫、停滞、低谷和重新出发。她逐渐意识到，自己无法勉强去做一件不感兴趣的事；只有真正被一个问题吸引，她才能进入高度专注的状态，并把它做到极致。SGLang，是这条研究路径的集大成者。它从一个学术项目成长为面向真实生产环境的开源推理引擎，也把盛颖从研究者带进了更复杂的工程、组织与产业世界。在早期的xAI，她获得了难得同时存在的“support”和“freedom”，参与搭建生产级推理系统。但随着SGLang社区迅速扩张，仅靠开发者在业余时间维护，已经无法支撑项目继续向前。为了让这件事真正走下去，她选择离开xAI，创立RadixArk。这期节目，我们从盛颖眼中的数学之美、论文和低谷聊到SGLang、xAI与RadixArk，也聊一个人如何逐渐理解自己的天性，并决定不再与之对抗。盛颖说，她在乎的不是“making impact”，而是那些她认为正确的事情，最终有没有发生。从“世界与我无关”，到“想要构建那个跟强力AI共存、且人类不会输的未来”，这，是盛颖的故事。#视频播客##盛颖##SGLang##RadixArk##人工智能##创业##开源##xAI##视频播客开麦计划# 陈茜inTheValley的微博视频

转发者评论

[老师好]AI领域的开源技术大佬，先转再看

• [老师好]AI领域的开源技术大佬，先转再看

原文

底层看稀缺，顶层看客户！看到 Chamath Palihapitiya 分享的这张 AI Stack，感觉这个架构划分和 Rewire Index 5 Layer 相当类似，分享一下我对每一层的理解：1. 能源与基础设施层（最底层）与 Rewired Index 的逻辑一致。电力会迎来爆发式增长，尤其是无需接入电网的独立供电商（IPP）；而土地受政策影响太大，弹性有限。在大众的舆论压力之下，太空基建应该会是未来几年的新机会，无需土地，无限电力⚡️2. 芯片层做独立芯片，初创公司基本没有机会：性能要求极高、工艺极其复杂，最关键的是供应链已被完全锁死——这是头部玩家的战场。真正的机会在融合与生态。从 Google TPU 的发展路径，到 Cerebras 等高速推理芯片的崛起，可以看出芯片会与云厂商、模型公司深度绑定。围绕芯片构建数据中心的整体供应与创新，机会很多；单做独立芯片，机会渺茫。3. 云服务层云可以分为 Hyperscaler 和 NeoCloud两类。模型商品化之后，几乎所有的负载都要靠云来承载，这会是非常赚钱的生意。但构建极其复杂，堪称 AI 时代的重资产业务——或者说，智能时代的房地产。4. 模型层模型公司面临的核心问题是正在被商品化：- 如果 Scaling Law 已到极限，模型百分之百会被商品化；- 即使 Scaling Law 还有很大空间，大家对「最好智能」的需求也在被分解——大量日常应用不需要最顶级的智能，中等水平模型和开源模型会逐渐接管这些需求，反而加速了商品化；- 最尖端的头部模型公司，更像是「先进制程」的芯片：能从中获取很高的价值，但并非所有任务都需要它。5. 应用层：Harness vs Application这张图最有趣的地方，是把应用层拆成了 Harness 和 Application 两层。我的判断是：按目前模型的进化速度，Application 还没有任何机会，但 Harness 的机会已经大量出现，尤其在企业端。企业内化的知识只能通过 Context 和约束来落地，所以 Harness 就是新的企业应用层；它们会替代旧的 SaaS，或倒逼旧 SaaS 升级。如果把 AI 扩展到大语言模型之外的更广义范畴，应用层更可能以垂直集成的形态出现，例如：自动驾驶 / RoboTaxi / 任何可端到端自动化工业流程和武器系统；生物研究 / Wet Labs；把执行能力直接部署进企业内部的模式（类似 Palantir 的服务方式）

转发者评论

无明显转发评论

原文

GooseWorks 开源了覆盖GTM增长流程的 200+ 个skill：一个命令即可装进 Claude Code、Cursor、Codex，让你的code agent 直接会投广告、做 SEO、挖客户线索、盯竞品、爬社媒。1078 star。覆盖了GTM增长栈全流程，利好出海做增长GO TO MARKET的朋友，有了它出海增长有着落了：1、广告：Meta / Google 的调研、搭建、分析2、SEO：关键词、内容缺口、SERP 分析、技术审计3、获客与外联：找线索、补全信息、判定资格，邮件和社媒个性化外发4、内容：博客、社媒、轮播图、视频脚本、newsletter5、竞品情报与监控：盯对手的定价、发布、定位、投放，以及全网提及变化6、社媒爬取分析、品牌声音与视觉资产以前还发过一个类似的 项目是marketingskills（47 个营销 skill、38k star，是纯提示词、完全免费），更多是方法论；而goose-skills 多了真实的数据管道要付费。一个是教你怎么干，一个是连着水管的工具箱——按你缺方法还是缺数据来选。备注：这个项目接入的数据管道还是要花钱的，不过已经是覆盖全流程完整能跑下来的生产级gtm项目了。github：网页链接#AI营销##增长##ClaudeCode##agentskills##GTM#

转发者评论

无明显转发评论

原文

[CL]《Kimi K3: Open Frontier Intelligence》K T T Bai, Y Bai, Y Bao, M. C… [Kimi Team] (2026) 在超大规模模型领域，开源生态正面临“双重脱节”的难题。过去的方法受困于预训练规模难以突破 1T 参数大关，且在处理百万级长文本时，传统注意力机制的计算成本与显存压力呈平方级增长，本质原因是硬件效率瓶颈限制了模型在极长链条下的推理深度与智能体执行能力。本文的核心洞见是：把长文本处理重新看作一种“高效循环与选择性检索”的混合过程。由此，Kimi Delta Attention (KDA) 这一关键操作通过线性复杂度的状态更新替代了冗余的 KV 缓存，配合 Attention Residuals 允许层间跨度检索，使模型在激活 104B 参数的同时，以 2.5 倍的效率增益实现了百万代币级别的原生多模态对齐。这项工作真正留下的遗产是证明了 3T 级 MoE 模型在开源环境下的可行性，并确立了智能体强化学习（Agentic RL）作为模型进化的核心驱动力。它为后来者打开了通往长航时、自主执行复杂任务的通用人工智能之门，但尚未跨过的门槛是模型在顶尖科研级推理（如 HLE 榜单）上与闭源旗舰模型（如 GPT-5.6 Sol）之间仍存在的微弱代差。arxiv.org/abs/2607.24653 #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

• Kimi 证明的不是 from-scratch 更好，是「3T 规模下，预训练的意义被稀释了」。当数据量足够大，模型自己会在训练过程中发现比人类预设的对比学习更适合下游任务的表征。这个逻辑往前推一步很可怕：所有“迁移学习”的价值假设，可能都建立在“数据不够”这个脆弱前提上。规模到了，先验知识反而是噪声

原文

MiniMax发布开源H3模型权重，打破谣言，官方说法是「打破任务和模态的边界」——一个通用的全模态生成系统，文本、图像、视频、声音统一理解，然后直接生成带原生立体声的视频。它不是又一个视频模型，而是把一堆原本要分开做的活收进了同一个模型里：1、 最高 2K、15 秒视频，自带原生双声道音频2、图生视频、视频转视频的动作迁移（V2V）3、音频到音频的参考与编辑4、文图视音混着当上下文喂进去，它统一理解成本优势：官方说 2K 分辨率下每秒价格不到主流模型的 1/3；768P 的价格是同行 720P 的一半，对批量出片的人，这个差价比参数表更有说服力。（主流模型说的应该是sd）技术创新：H3-VAE tokenizer 让序列长度效率提升 4 倍、H3-Omni Transformer 全模态统一架构、In-context Regeneration 做放大提清晰度，异构算力优化让训练吞吐提升约 30%。官方还强调训练数据「完全由真实自然数据构成」。能力边界说明：1、H3-Regenerate-2K 模块尚未开源，稀疏注意力实现也不在首发版本里2、多模态上下文理解还需与 M 系列模型融合提升、模型规模还要继续扩大、部分场景画面细节精度待加强。国产模型在视频生成这条线上，从「能生成」走到了「全模态 + 开权重 + 打价格」。blog：minimaxi.com/blog/minimax-h3 hg：网页链接#MiniMax##AI视频##开源模型##国产大模型##多模态##视频生成#

转发者评论

无明显转发评论

• //@韦恩卑鄙:转发微博

原文

【LoopX：给长程AI Agent装上不漂移的“数字脊梁”】当下的AI Agent大多是“短跑选手”，一旦任务跨越数天、涉及复杂协作或上下文过载，逻辑就会开始“漂移”甚至崩盘。开源项目LoopX提供了一个轻量级的局部控制平面，它不取代现有的Agent运行环境，而是通过外置的持久化状态内核，管理目标、配额、证据和人工审批关口。在开发者展示的案例中，Agent在无人干预下自主运行超过200小时，不仅完成了复杂的PR修复和机器学习实验，甚至在发现系统能力不足时实现了“自进化”升级。这件事的底层逻辑在于：LLM的上下文空间是有限且易碎的，长程任务需要一套类似云原生声明式控制面的架构。LoopX把Agent的任务变成了一块“可执行的看板”，每一项Todo、每一份证据、每一次权限移交都被结构化记录。这意味着当你睡了一觉回来，或者把任务从Claude切换到Codex时，Agent能准确回答“现在到哪了”和“下一步谁来做”。对于开发者来说，这提供了一个超越单纯调优Prompt的新视角——把Agent当成真正的“数字员工”去管理，而不是当成一次性的对话框。

转发者评论

无明显转发评论

原文

Zihan "Zenus" Wang写了个让 Claude Code 说人话的 instruction。效果如图（图二是用之前，图3是用之后）------------------------让 Claude Code 说人话的 instruction1. 使用标准术语。已有通用说法的概念不要另造表述。2. 不要使用比喻。如果一个说法需要读者推断其指代对象，改为直接说明。3. 表头和分类名使用中性名词，如“问题”“现象”“影响”“结果”。4. 不使用“是 X，不是 Y”的对比句式。5. 表格条目不要求每条都包含数字或结论。部分条目可以只说明发生了什么。6. 未查明原因的问题写“原因未查明”。7. 不使用口语词。8. 不使用拟人表述。规则 1：使用标准术语超长度 / 超不超长度 → 截断 / 是否触及长度上限Ray 的端口会跟自己撞 → 多个任务的 Ray 抢占同一端口臂 → 方案只看长度那条线 → 长度启发式基线刷奖励 → 奖励被优化但评测指标未改善存档 → checkpoint规则 2：不发明比喻作为术语血统 → 基座来源8 个不同血统 → 8 个不同基座的模型那是尺寸差异，不是血统差异 → 原有区间由 Qwen 的 14B、32B、72B 构成，差异来自参数量而非基座已经吃掉一半空间 → 已覆盖一半区间变成了一个认题目的检索器 → 退化为问题识别，与学习价值无关挑出来的题目看上去健康得多 → 选中问题的截断比例更低误差范围还盖着基准线 → 置信区间与基线重叠规则 3：表头和分类名使用中性名词坑 / 代价和教训 → 问题 / 影响把握 → 确认程度怎么做的 → 实验设置重挑一次还剩多少重合 → 重采样后的重合率有几种不同取值 → 取值数量还在跑的 → 进行中一个必须关掉的开关 → 需要关闭的过滤器章节状态标签需要保持一致。如果前面使用：已完成已确认未达到基线结论待定后面出现了：做通了意外发现需要修没有买到想要的统一使用前面部分的中性状态标签。规则 4：不使用“是 X，不是 Y”的对比句式梯度对齐：是噪声，不是信号 → 梯度对齐：三项检查结果均在噪声范围内我们买到了血统上的多样性，但没有买到能力上的多样性 → 新增模型覆盖了更多基座，但正确率均低于原有区间下界考法和用法对不上 → 评测口径为成对比较，与实际使用方式不一致稳定是靠粗糙换来的 → 取值数量少的指标重合率高越稳定的指标越挑不出东西，越挑得出东西的指标越不稳定 → 重合率与取值数量呈反向关系规则 5：允许条目不包含数字或结论例如：对照组为随机选取的 32 个问题。这条内容已经完整，不需要继续补充其他方案与对照组的关系。规则 6：未查明原因时直接写“原因未查明”前文已经写明“原因未查明”时，后文不要继续补充未经验证的解释。这可能也解释了前文那个现象 → 该现象与截断的关系尚未验证第十章“后来查明了机制…

转发者评论

无明显转发评论

原文

minimax把海螺H3开源了，这是一个挺不错的模型。我看过有人内测的，视频生成的还不错。据说comfyui做了量化和优化，可以在3060上非常缓慢的跑。这应该是近期非常有亮点的开源模型了。下面是具体介绍:1. 一个"全能型"的视频生成模型 H3 是一个多模态生成系统，不仅能看图、看文字、听声音，还能同时生成带原生立体声的视频——最高支持 2K 分辨率、最长 15 秒、24 帧/秒，横屏竖屏各种比例都行，还会说 11 种语言。简单说就是：给它文字、图片、视频、音频，它能直接"一条龙"产出带声音的视频。2. 输入非常灵活参考素材随便给 H3 分两个版本：一个是"首尾帧模式"（给一张或两张图，就能生成视频，不给图就是纯文字生成视频）；另一个是"全参考模式"，最多可以塞 9 张图 + 3 段视频 + 3 段音频 一起作为参考，它都能理解并生成出符合要求的视频。就像你给导演一堆素材，让他拍成片。3. 整个系统是"三段式"流水线 H3 完整系统由三部分组成：H3-Context-IR（负责"读懂"你给的复杂指令，整理成模型能理解的形式）、H3-Base（真正干活生成 768p 的视频和音频）、H3-Regenerate-2K（把 768p 的结果再"回炉"重生成一遍，变成 2K 高清版，细节更准）。注意：第一和第三个模块目前没有开源，只能通过官方 API 调用，开源的是中间的 H3-Base。4. 技术内核：一个 330 亿参数的"大一统"Transformer H3 没有给视频和音频各搞一套模型，而是把它们压缩成统一的"token 序列"，交给同一个 33B 参数的 Transformer 一起预测。视觉用 16 倍空间压缩、4 倍时间压缩的 VAE，音频是立体声双声道独立处理。还内置了稀疏注意力来省算力（不过开源版暂时只有全注意力，稀疏版本以后才发）。5. 开源范围和使用方式 这次开源的是 H3-Base 两个任务版 checkpoint（含处理器、分词器、文本编码器、视觉 VAE 和音频 VAE），可以直接本地部署生成 768p 视频。想要完整体验（Context-IR 预处理 + 2K 超清），需要用官方 API——平台是 minimax 的 API（分海外和国内版），网页应用叫"海螺 AI"（hailuoai）。模型地址：huggingface.co/MiniMaxAI/MiniMax-H3

转发者评论

无明显转发评论

原文

昨晚刷到了 Andrej Karpathy 的一条帖子，震惊了几秒。他扔给了 Opus 5《指环王》的开篇的第一段，配了大概 10 美元的 Token，要求只有一个：用Three.js把这段话渲染出来。然后 Opus 5 就开始跑了。一口气干了两个小时，吭哧吭哧写出了 5500 行代码，硬生生从中土世界的文字里渲染出一个 3D 游戏。注意，这个游戏全都是代码写出来的！也就是说，每棵树长在哪里、每块岩石的形状全都是模型写代码画出来的，再通过代码让它们动起来。你可以用浏览器打开这个游戏，里面有河流、有夏尔的丘陵、有树木。虽然看起来不咋地，挺糙（Karpathy 自己用了个词，janky），但这东西确实是个能跑起来的 3D 世界。Karpathy还专门为这个游戏做了个网站。可以进去体验一下（评论区）。以前要做这么个东西，你得有团队、预算，而且要干上几个月。现在，10 美元搞定。按照Karpathy的说法是：没有一个正常人会花时间写这种高度定制的东西，但 LLM 有世界上所有的耐心。过去的一大堆东西「不值得做」，现在 AI 做出来的成本接近 0。一个定制的 3D 游戏、一款只属于你的「一次性」游戏、一个为特定剧情量身搭建的虚拟世界——AI 都能替你干完。一句话的事。Karpathy的想法更进一步：把玩家丢进这种即时生成的世界里，当一个旁观的 NPC 参与《指环王》的剧情，或者干脆扮演其中一个角色。他管这叫「按需生成的临时 GTA」。在 Opus 5 可以一口气狂喷 5500 行代码的今天，这完全可以实现。说到这儿提一嘴八卦。一年前，马斯克还在 X 上公开喊话 Karpathy：Andrej, my long lost brother, let us work together again!（安德烈，我失散多年的兄弟，让我们再次并肩作战吧。）结果今年 5 月，这位「失散已久的兄弟」官宣加入了 Anthropic。就在Karpathy 用 Anthropic 的模型搞出了这么个刷屏帖子底下，马斯克回了字：Yah。好了，不聊八卦。回到主题。这个实验真正让我盯着屏幕想了好久的，是Karpathy 最后说的那段话。他说，这暴露了 LLM 的一个弱点，它们没法高效审查自己的工作，因为既不能原生感知视频，也不能进到自己生成的场景里去玩。Opus 5造出了一个中土世界，但它没办法进去体验这个它自己创造出的世界。整整两个小时，它只能用最笨的方法检查自己的工作：在不同位置截屏，看几张静态图，猜自己做对了没。中间搞砸了好几次，那些粗糙和 bug 就是这么来的。你甚至有点感觉到心酸😔。就像是一个闭着眼睛干活的装修师傅，手艺没问题、速度也快——就是没办法后退一步看看整面墙到底刷平了没有。仔细想一想，这其实很是荒唐。一个模型有能力从零生成一整个 3D 世界，却没有能力沉浸式地走进去体验一下…

转发者评论

无明显转发评论

原文

2亿枚AI芯片，要集体开机了！#科技先锋官# 目前，全球投入使用的AI芯片，总算力已经相当于约2000万枚英伟达H100芯片。按照Epoch AI的估算，这个数字大约每9个月翻一倍。到2028年年底，全球AI算力预计将相当于约2亿枚。不到3年，直接增长到今天的10倍。但这2亿枚芯片，并不只是为了训练一个更大的模型。它们要支撑的是一套不断加速的循环：芯片增加，模型变强；模型变强，Agent开始承接更多工作；Agent开始参与写代码、跑实验，下一代模型的研发随之提速；新模型上线，又带来更大的算力需求。每转一圈，需要的算力更多，AI迭代的速度也会更快。而这，正是AI行业正在押注的ASI路径。AI数据中心，进入百万级算力时代要让这套循环真正跑起来，第一步就是把更多芯片组成更大的计算集群。目前，Epoch AI追踪的74座大型AI数据中心共有约1250万枚等效芯片。其中，最大的Colossus 2位于美国孟菲斯，算力约为111.2万枚。紧接着的几座，也已经冲到几十万枚量级：微软Fairwater Atlanta：约76.9万枚；Meta Prometheus：约76.3万枚；亚马逊New Carlisle：约68.6万枚；OpenAI Stargate Abilene：约50.9万枚。训练前沿模型时，海量芯片需要通过高速网络持续交换数据。一次训练可能运行数周甚至数月，芯片、网络、存储和软件必须一起协作。从某种角度来说，数据中心本身，已经变成了新一代计算机。2022｜得梅因：OpenAI在爱荷华州得梅因附近的数据中心完成GPT-4训练。2024｜孟菲斯：xAI把一座旧家电工厂改造成Colossus，一次接入10万枚英伟达GPU。2026｜印第安纳：Anthropic接入亚马逊建设的互联数据中心集群。2026｜威斯康星：微软首座Fairwater设施正式投运，性能达到全球最快超级计算机的10倍。相应的，投入的资金也随之起飞。2026年，亚马逊、Alphabet、Meta、微软和甲骨文五家公司的资本开支预计合计约7500亿美元，相当于它们全年总收入的38%。IDC预计，AI基础设施支出将从2025年的3180亿美元，增长到2029年的1万亿美元以上。把芯片、服务器、光纤、土地和电力全算进去，这场AI建设已经冲到了人类基础设施史上从未有过的规模。根据Google DeepMind联合创始人兼CEO Demis Hassabis判断，AI带来的技术变革，不仅可能会达到工业革命的10倍，而且推进速度也会快10倍。

转发者评论

无明显转发评论

原文

#印度韩国突然宣称有媲美DeepSeek大模型#又双叒叕来碰瓷了。印度刚喊完“320亿参数超越GPT-4o”，韩国就跟上“7500亿参数媲美DeepSeek”。结果技术圈一拆，全是熟悉的剧本。印度Alpie：底层是DeepSeek-R1-Distill-Qwen-32B，蒸馏+量化+微调，改完说“我超越了你”。320亿参数打GPT-4o？听着唬人，离开本土场景直接拉胯。韩国更离谱。耗资5300亿韩元（约25亿人民币）搞国家级AI竞赛，5支顶尖队伍3支被扒核心代码与DeepSeek、千问雷同，有的连智谱AI的版权标记都没删干净。直播自证清白的时候，承认“推理代码确实引用了开源组件”。一边高喊“我们有自研AI”，一边偷偷用中国开源模型降成本。印度企业大规模转向DeepSeek、千问，成本降了一个数量级。中国模型输入价格每百万Token 0.19美元，OpenAI要5到12美元。这画面，多少有点精分。为啥老碰瓷DeepSeek？三个原因：缺算力、缺数据、缺顶尖人才。从零训练万亿级模型要数万片高端GPU跑数月，成本数亿美金。印韩本土芯片供给不足，通用语料池体量狭小，强行自研只能造出“偏科AI”。基于中国开源底座微调，成本压缩90%以上，是最快落地的捷径。DeepSeek开源协议本身就允许全球开发者二次改造——这没问题。有问题的是：把“站在巨人肩膀上”硬说成“自己长高了”。真正的争议只有两个：· 刻意隐瞒开源基座来源，用局部单项优势夸大“全面超越”· 韩国参赛团队直接照搬代码、未清理版权注释，触碰开源协议底线这场闹剧反而证明了一件事：DeepSeek等中国开源模型，已经成为全球AI绕不开的基础设施。当别人不得不抄你的时候，说明你的路走对了。套壳微调只能跟跑，硬核自研才能领跑。#DeepSeek##中国AI##科技观察##微博AI创作季#

转发者评论

无明显转发评论

原文

转：2026年8月3日周一读报！一切美好从❤开始：1、水利部和中国气象局联合发布红色山洪灾害气象预警：预计，8月2日20时至3日20时，内蒙古东北部、四川东北部、重庆中部和南部、贵州北部、陕西东南部等地部分地区发生山洪灾害可能性大(橙色预警)。其中，四川东北部、重庆中部、陕西东南部局地发生山洪灾害可能性很大(红色预警)。(央视)2、《全国供销合作社“十五五”发展规划》发布，围绕保障粮食安全和全面推进乡村振兴，部署了18项重点任务。根据规划，到2030年，全系统将依托“六横七纵两沿”全国农资流通走廊，新建或改造100个左右国家战略性农资储备库、1000个左右县域农资配送中心。(央视)3、海关总署数据显示，2026年上半年我国货物贸易进出口25.47万亿元，首超25万亿元，同比增长16.9%，稳居全球货物贸易第一大国地位。被称为“新新三样”的人工智能、机器人、创新药迅猛发展，有望形成新的支柱产业。(经济之声)4、7月的A股交易收官，科技板块经历了一轮几乎没有反弹的深度回调。全市场5534只股票中，136只个股月内跌累计幅超过50%，431只累计跌幅超过40%，深度回调的标的几乎全部来自电子与通信行业，建筑材料行业的玻璃纤维细分领域亦未能幸免。与此同时，石油石化、银行、煤炭等传统板块逆势领涨，市场风格切换的幅度与速度均超出预期。(第一财经)5、近日，全球多模型聚合平台OpenRouter发布最新一周AI大模型调用量榜单，排名前五的产品全部由中国企业研发。登顶榜单首位的是小米MiMo-V2.5，单周调用量达到10.5万亿Token，环比增长12%。排名第二和第五的均来自DeepSeek，两款模型形成高低搭配，覆盖不同开发需求，其中旗舰Pro版本在代码、复杂智能体任务性能对标海外顶级闭源模型。而这些模型的共同之处，是发布时间很短便快速上榜，位列第三的腾讯混元3，7月6日才正式开源，单周环比增幅超999%，是榜单增长势头最猛的模型。(CCTV2)6、2026年一季度瓶装水增速仅2.9%，预计全年增速维持3%-5%，告别过往高增长；碳酸饮料市场份额跌至18.5%，在今夏被无糖茶实现反超。无糖茶凭借有味不甜的定位填补市场空白，2025年实现16%的逆势增长，曾经被称作“抹布水”的东方树叶，配方未做改动，2025年单品销售额突破80亿。(老板联播)7、根据2026年《财富》世界500强榜单，上榜企业营收总和约43.1万亿美元，同比增长3.2%；净利润总和约3.4万亿美元，同比增长14%，创历史新高。亚马逊成最大公司，沃尔玛第二，国家电网第三。中国122家公司上榜，较去年减少8家。(199IT)8、据日本媒体2日报道，冲绳县近日发生多起驻日美军士兵被捕案件，其中两人涉嫌酒驾，一人涉嫌公然猥亵。长期以来，驻日美军犯罪事件频发，其中不乏杀人、强奸、抢劫等恶性案件。当地统计显示，仅…

转发者评论

无明显转发评论

原文

字节跳动最近发了一封内部邮件，把飞书团队一分为二。飞书的产品团队并入了豆包，市场和销售团队并入了火山引擎。飞书这个品牌还在，产品也继续用，但作为一个独立运转的组织，已经不存在了。很多人喜欢分析这种大厂调整里谁赢谁输，但有个更值得琢磨的角度：AI 时代，企业软件的收费逻辑正在被颠覆。过去买飞书，算的是“人头账”。公司有多少员工，就买多少席位，按人收费。这套逻辑从 Salesforce 时代就开始了，企业像租工位一样按月按人买软件账号。而火山引擎这类云服务，算的是“消耗账”。你用了多少存储、跑了多少算力，就付多少钱，跟人数没关系。这两本账以前各管各的，井水不犯河水。但 AI 智能体的出现，让它们第一次撞到了一起。现在一个员工背后可能站着一群 AI，帮他查资料、写方案、跑数据、做视频。这些 AI 不占工位不领工资，但每干一分钟活，都在消耗 Token 和算力。这就带来一个反常识的变化：一家 10 人的 AI 原生小公司，如果每个人都带着几个 Agent 在跑任务，它产生的算力消耗可能远超一家把飞书只当聊天工具的万人大企业。“员工越多，客户越大”这条老公式，正在失效。所以飞书被拆成两半，本质上是字节把“数人头”和“数消耗”这两套销售语言塞进了同一条业务线。未来卖给企业的，可能是一整条工作链：豆包负责理解任务，飞书提供文档和组织关系，火山引擎提供算力和模型，最后把结果送回工作现场。不过，光看 Token 消耗也不够。一个 Agent 花了一百万 Token 交出一份没法用的报告，那只是浪费电。客服软件公司 Zendesk 已经在尝试“按结果收费”，只有 AI 真正解决了客户问题，72 小时内没人再追问，才算一次有效服务。所以未来企业软件大概率会同时跑三本账：基础席位费让人能进系统，AI 额度费计算机器干了多少活，再加上按任务完成结果收费。飞书的独立性下降，恰恰说明它太重要了，已经没法继续只当一个卖席位的独立产品。另外值得一提的是，字节这么大体量的公司，说拆就拆，这种组织决断力，比很多中小企业都果断得多。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

Andrew Ng吴恩达 的 OpenWorker，从源码看它的架构是怎么设计的。1. 整体架构分三层，Python server + React/Tauri GUI + aisuite 引擎Python 层的核心是 TurnEngine，负责 model↔tool 的迭代循环。GUI 是 React + Vite，桌面壳用 Tauri（Rust）包装，Tauri 负责监管 Python server 进程的生命周期。语音输入是独立的 Rust sidecar（stt/）。三个运行时，各司其职。2. TurnEngine：异步主循环 + 低风险工具并行执行engine.py 里有个值得注意的设计：同一轮 model 返回的多个 tool call，低风险的（读文件、搜索）并发执行，写操作和 shell 命令严格串行。这不是靠模型保证的，是引擎层强制的。审批也是异步的——PermissionEngine.evaluate() 返回 Decision，如果是 needs_user=True，引擎 emit 一个 PERMISSION_REQUIRED 事件，然后 await approver(request)，整个 loop 挂起等人批。收到批准才继续。这意味着审批是 out-of-band 的，不阻塞其他事情。3. 权限系统：四档模式 + 路径范围 + Shell 元字符检测permissions.py 定义了四种 Mode：DISCUSS：只读，不能改任何东西PLAN：只读 + 强制走"提案→审批"流程INTERACTIVE：默认，读操作自动放行，写/shell 请求人审批AUTO：全放行工具调用按风险分三类：READ（无需审批）、WRITE_LOCAL（写文件，路径必须在 writable root 范围内）、EXEC（shell）、EXTERNAL（发消息/调 API）。有一个细节：shell 命令的 allowlist 检查会先扫描 ; & | > < \ $( ( \n 这些元字符——如果命令里包含这些，即使前缀在白名单里也必须重新审批。防止allowed_cmd; rm -rf /` 这类组合攻击。4. Explorer subagent：用干净的 context 做宽泛搜索Code agent 有一个叫 explore 的 tool，设计很聪明：主 agent 遇到"这个功能在哪里实现的"这类需要读很多文件的宽泛问题时，不在自己的 context 里做，而是 explore(task) 派出一个子 TurnEngine——这个子 engine 有全新的 context、只有只读工具（PLAN mode 硬锁）、没有 approver、没有 explore 本身（防止递归）。子 agent 把整个搜索过程消耗在自己的 context 里，最后只把…

转发者评论

无明显转发评论

原文

整个AI圈，都在为Opus 5沸腾！仅凭一个提示词，狂烧6.9亿Token，423美元，Claude Opus 5「手搓」出一款3D游戏。这要是放在过去，一支团队，苦熬数个月，耗费巨资才能完成。如今，Opus 5生成「3A级大作」的硬核案例，正在全网批量涌现。拿同一个Prompt去跑，就会发现，一年前的Opus 4和Opus 5的能力，简直差出了一个量级。回想三年前，老黄在GTC大会台上撂下了一句狠话——未来每一个像素，都将是生成出来的！他给出的期限，是十年内。未曾想，Claude Opus 5直接将进度条拉满，提前兑现了这一预言。想必最近，大家刷到了不少Opus 5生成游戏的惊艳Demo。这件事值得细说。2026年开年以来，Claude的编码能力一次次刷屏，正是因为它跨越了量级，才会被所有人看到。而如今，它又在游戏领域，正在复刻编码上的那套「神话」。这可不是小事。Opus 5生成游突然火起来，一切都要从AI投资大牛Matt Shumer甩出的一段视频说起。一款浏览器FPS，从贴图到物理实现，全是代码一键生成，瞬间引来百万网友围观。紧接着，这份Prompt被火速开源到GitHub。可怕之处在于它的极简，全文仅有三段。没有一行架构设计、文件树清单，还省略了所有繁琐的步骤拆解。论文地址：网页链接

转发者评论

无明显转发评论

原文

一个玩家做的《双点博物馆》地图规划器#微博VibeLab##VibeVision#玩《双点博物馆》的时候，经常会遇到一个问题：脑海里有一个博物馆布局，但真正开始建造前，很难提前规划好整个地图。于是我做了一个《双点博物馆》地图规划器，帮助玩家在建造之前先规划自己的设计。这个工具从最初的地图编辑，到后来的区域规划、参考图导入、设计保存和分享，都是在不断使用和迭代中完善的。开发过程中，我用 AI 辅助完成了功能设计、代码开发和问题排查，让一个原本只存在于想法里的工具，逐渐变成了可以实际使用的小工具。现在它已经可以帮助玩家：- 规划地图布局- 标记不同区域- 导入参考图进行描摹- 保存和分享自己的博物馆设计对我来说，AI 最大的价值不是替代创作，而是降低了把想法实现出来的门槛。一个游戏玩家，也可以借助新的工具，把自己脑中的设计变成真正的作品。体验链接：网页链接

转发者评论

这个脑洞是真大 #微博VibeLab#

• 这个脑洞是真大 #微博VibeLab#

原文

发一个土豆片的宣传视频。里面的 App 和产品是原型机来的。这个视频体现了我想表达的东西，土豆片是一个电子拍立得相纸，可以通过手机和它配合，实现拍立得的体验。所谓的 6 色电子墨水屏幕，MagSafe 磁吸，3mm 厚度，无开孔设计，防水，蓝牙传输，这些硬件素质只是基础。更重要的是软硬配合，设计和体验的配合。最终实现完整的拍立得体验。平时带着它吸在手机上出门，遇到什么拍什么，如果你们收到之后喜欢这样做，那就是我想实现的。现在还可以购买。在这里：网页链接 昨天在央视节目里讲的也是这个事儿：网页链接，@影石刘靖康 可以看看。#微博VibeLab# #VibeVision# #微博视频号续航计划# Sunbelife的微博视频

转发者评论

#微博VibeLab# 以科技为载体，赋予AI温度

• #微博VibeLab# 以科技为载体，赋予AI温度

原文

【架构师、执行者与审查官：AI编程的权力分立】Sol Advisor是一个基于Codex原生的架构编排工作流，它将软件交付拆分为三个独立车道：Sol负责需求拆解与架构设计，Terra负责具体代码实现，最后由一个拥有独立上下文的Sol进行只读审查。这套工具通过强制性的角色隔离和字节级校验，确保AI在生成代码时不会陷入对话惯性或逻辑闭环。 很多开发者在使用AI编程时最头疼的是“幻觉循环”，即模型会为了圆之前的谎而不断产生新错。该项目的核心价值在于引入了工业级的“权力分立”，特别是那个强制性的新鲜审查环节，它要求审查者必须在无历史负担的只读环境下复核Diff文件。这标志着AI辅助编程正在从简单的对话式生成，转向严谨的代理工程（Agentic Engineering），毕竟在复杂的系统工程里，不带偏见的复核比单纯的生成更稀缺。

转发者评论

无明显转发评论

原文

🚨 他们解决了 Claude Code 的最大问题之一。AI 代理生成远超必要的代码量，从而增加消耗、成本和项目复杂性。一位开发者创建了一个名为 Ponytail 的插件来解决这个问题。它实现了以下效果：→ 将生成代码量减少 80% 至 94%→ 将成本降低 47% 至 77%→ 将任务速度提升 3 至 6 倍→ 帮助消除代码中不必要的复杂性最有趣的部分：在编写一行代码之前，Ponytail 强制 Claude 检查该功能是否已存在、是否可以用标准库解决，或者是否真的需要生成新代码。结果是代码更加干净、简单且维护成本更低。它完全免费、开源，并作为 Claude Code 的插件安装。

转发者评论

无明显转发评论

原文

[CL]《From Representations to Behaviors: Exploring the Person-Situation-Behavior Triad in LLMs》R Zhang, S Wang, Q Su [Peking University & Beijing Institute of Technology] (2026) 在 LLM 个性化建模领域，如何证明模型具备真正的“人格”而非仅仅是文字模仿是一个悬而未决的难题。过去的方法受困于对提示词（Prompting）或单一问卷评分的依赖，本质原因是缺乏一种能将模型内部表征、跨情境的表达一致性以及深层社会行为逻辑统一起来的机理性证据。本文的核心洞见是：把 LLM 的人格重新看作内部状态、具体情境与行为后果的“三元组”联动。由此，利用稀疏自编码器（SAE）从对比行为中提取极具解释力的稀疏特征这一关键操作使问题得以解开。研究者不再调节宏观提示词，而是精准干预这些微观特征，观察模型在不同社交场景下是否产生符合人类心理学预期的行为偏移。这项工作真正留下的遗产是证明了 LLM 内部存在可控且稳健的“人格特征表征”，并揭示了干预这些表征会带来与人类相似的收益-代价权衡（如提升宜人性会增强冲突调节但削弱执行力）。它为后来者打开的新门是基于神经元层面的心理对齐路径，但尚未跨过的门槛是复杂多重人格特征在长程交互中的动态演化与冲突协调机制。arxiv.org/abs/2607.26853 #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

• LLM的人格不是贴标签，是真的有内在约束。你让它更友善，它就会在另一个维度上退让——就像人变得过度共情之后，边界感和执行力会松动。这不是bug，是它学到了人格特质在真实社会里的运作逻辑：每种倾向都有代价，每个选择都在重新分配认知资源。模型复现的不是人格表象，是人格背后的trade-off结构。

原文

#千问办公和WorkBuddy谁好用# 最近后台不少人问这个问题，两家大厂在AI办公赛道正面硬刚，确实有点难选。我捋一下核心区别。先说WorkBuddy：腾讯出品，2026年3月上线，6月月访问量冲到2097万次，排第一。它的强项是把AI塞进腾讯生态——企业微信、腾讯文档、腾讯会议全打通。最新版本还支持“人机双写”，你和AI能在同一份文档里实时协作编辑。团队项目功能上线后，AI Skills可以变成团队的“公共大脑”，所有人共享一套AI技能。一句话，如果你日常泡在企业微信和腾讯文档里，它最顺手。再看千问办公：阿里7月底刚公测的产品，整合了QoderWork、悟空、MuleRun三款产品。它的思路是把桌面Agent、云端Agent和企业协同Agent全塞进一个入口。实测下来，Agent执行能力跟WorkBuddy差距不大，但千问办公的浏览器控制和计算机控制是内置的，不用额外装插件。最亮眼的是“Skill沉淀”功能——你跑完一个任务，可以封装成可复用的Skill，下次直接调用。更适合想把多种专业工作集中到一个Agent的个人和团队。怎么选？看你的工作起点在哪：- 日常在企业微信和腾讯文档里干活：优先WorkBuddy，生态连接比换更强模型更实在。- 想把办公、网页、数据、定时任务全塞一个Agent里：优先千问办公。- 拿不准：用同一组真实任务各测一遍，看谁真正帮你把活干完了。两个产品都能干活，只是切入点不同。一个从生态嵌入，一个从桌面Agent整合。选哪个，取决于你的活从哪开始、最后要交什么。

转发者评论

无明显转发评论

原文

Comp AI 开源了一个 销售Agent：替代传统销售做客户research及客情的脏活累活，这个agent自己做客户排期、自己决定下一个查找哪个客户、自己花研究预算——它是一个持续性的销售research agent，关掉浏览器它继续跑，crm在这里只是个数据库功能。作者把话说得很直白：多数 CRM 就是"数据库 + 一个表单"，所谓 AI CRM 只是在表单旁边挂了个聊天框。两者都把真正的活——查清什么是事实、然后写下来——留给了本该干别的事的人，这个项目解决的就是两者之外的事。四个亮点：① agent 独立部署、自跑自排期它有自己的工作队列，自己决定接下来看谁、自己订复查时间、花掉研究预算就停。队列用 FOR UPDATE SKIP LOCKED 租行，两个调度器取到的活不重叠，进程挂了租约到期自动释放。作者还立了规矩："每 N 分钟处理最早的十个"这种逻辑必须落到任务的到期时间里，不许写成 cron。② API 里不准有智能NestJS 只负责报告"发生了什么"（收到一个邮件线程、建了一家公司、有个与会者不认识），写一行进队列；agent 租走这一行，再决定它意味着什么。 在 Nest 服务里直接调数据增强接口会被当成 bug——文档里记了促成这条规矩的事故：两份身份匹配逻辑各自漂移，最后其中一份匹配上了地球上所有雇主。③ 绝不猜人——这条最值得学它没有接受"置信度分数"，原因是：让模型给自己的可信度打分，它会打，而且会朝着"显得自己有用"的方向出错。所以工具只报观察到了什么（crm.signature-block、github.account-identity），再由一个证据账本给证据定价：强证据直接写进记录，弱证据变成待人裁决的建议。一条模型认可但错误的客户事实，比一个空字段更糟，因为没人看得出它错了。④ 沙箱不给网、也不给数据库沙箱 deny-all 出网，而且从不给它 DATABASE_URL：一个既有凭证又能出网的 shell，天生就是数据外泄的形状；两样都没有的 shell，只是个文本处理器。断网还不损功能，因为网页抓取跑在应用运行时、搜索在模型侧。不配任何 API key 它也能干活：read_crm_history 读的是你自己的邮件线程、会议记录、签名档——免费，而且是最好的证据。作者说：没有哪个数据商能卖给你一封来自本人地址的回信。 每个外部数据源（LinkedIn、Perplexity 等）都是可选的，启动时会打印哪些开着哪些关着，让 agent 按现有条件规划，而不是一次次调用失败才发现没 key。规模上：18 个自写工具、4 个 skill（证据、身份匹配、数据边界、怎么写简报，都是 markdown，跟代码一起版本管理）。每条记录都有个 Agent 标签页，能看它每一步、丢掉了哪些线索及原因，分不清两个人时还会当场问你…

转发者评论

无明显转发评论

原文

【显存容量才是硬通货？AMD MI355X 挑战英伟达 Blackwell】推理服务商 Wafer.ai 发布报告称，在运行 2.8T 参数的 Kimi K3 模型时，AMD MI355X 凭借 288GB 显存实现了单机 TP8 运行，而英伟达 B200 则因显存不足必须跨节点部署。由于避开了跨节点通信的性能损耗，AMD 在单节点吞吐量和性价比上表现惊人，每美元 Token 产出远超 B200 方案。这并非 AMD 在算力架构上的纯胜，而是“显存溢出”时代的错位竞争。当模型大到单卡塞不下，显存容量就成了比算力更宽的护城河。不过，业内对 $2.50/小时的租赁价格普遍存疑，认为这更像是一场基于特定折扣的营销秀。在 Open Weights 时代，硬件选型已从“买最强算力”转向“买最适配显存”。虽然 ROCm 仍需通过“补丁”来对齐 MLA 等算子，但软件生态的鸿沟正在被 AI 辅助的优化手段快速填平。

转发者评论

无明显转发评论

原文

[RO]《HiFi-UMI: Learning Deployable Manipulation Policies from High-Fidelity UMI Data Alone》S A Y Wei, J Ma, J Wang, W Zhou… [Simple Al] (2026) 在机器人操作领域，获取高精度且可扩展的训练数据是一个悬而未决的难题。过去的方法受困于真机遥操作成本极高或无机器人采集精度不足，本质原因是视觉定位漂移、传感器不同步及视野狭窄导致动作标签质量低下。本文的核心洞见是：把无机器人采集数据重新看作一种可达到真机精度的生产级资源。由此，通过头戴式离线双目定位、微秒级硬件同步触发以及两百度超广角视野这一关键操作使问题得以解开。这项工作真正留下的遗产是证明了高精度无机器人数据足以支撑策略部署。它为后来者打开的新门是零真机数据微调的可能性，但尚未跨过的门槛是量化各项硬件指标对性能的边际贡献。arxiv.org/abs/2607.25895 #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

• 真正卡住机器人规模化的从来不是“必须用真机”这个形式，是数据质量。大家以为 Teleop 不可替代，本质是因为之前所有绕开真机的方案都在毫米、毫秒级别漏了太多信息，动作标签烂到模型学不出东西。HiFi-UMI 证明的事很简单：只要你把手持设备的精度怼到 3mm/40μs，那“在不在真机上采”这件事在技术

原文

[AI]《What makes prompts a graph: necessary and sufficient conditions for prompt graph engineering》S Macedo [Federal Institute of Goiás] (2026) 在 LLM 应用领域，从单条提示词向复杂多步工作流的转型正处于术语混乱的困境。过去的方法受困于将流程硬编码在脚本或随机的智能体对话中，本质原因是缺乏对“结构”本身的显式定义，导致系统难以调试、版本化或系统性优化。本文的核心洞见是：把提示词重新看作显式、可执行图中的计算节点。由此，通过确立“结构与内容分离”和“首等公民构件”等四项判定条件，使开发者能像操作数据流图一样，对提示词拓扑进行独立于文本内容的架构设计与自动调优。这项工作真正留下的遗产是为提示词图工程（PGE）建立了严谨的分类学边界，将工程化的图结构与涌现式的对话区分开来。它为后来者打开了通往“工作流自动搜索”的大门，但尚未跨过的门槛是如何在预设的显式结构与高度灵活的动态演化之间找到最优平衡。arxiv.org/abs/2607.27578 #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

• 推理图和工程图的区别，其实就是“模型在想什么”和“你让模型想什么”的区别。前者是observability的问题，后者是control的问题。现在最缺的工具不是更强的推理能力，而是一个能把模型的涌现行为“结晶化”的机制——跑完一次对话，自动抽取出它真正走过的决策树，然后问你：要不要把这条路径存成模板

原文

[AI]《Cognitive Convergence: Deep Similarities Between Large Language Models and Human Cognition》C Sripada, R Lewis [University of Michigan] (2026) 在认知科学与人工智能领域，LLM常被误解为与人类完全迥异的“外星智能”。过去的方法受困于对物理载体和学习规模的表层观察，本质原因是未能识别出复杂智能在解决高难任务时必然趋同的组织逻辑。本文的核心洞见是：把LLM重新看作人类认知的“计算表亲”。由此，建立在产生式架构、双系统推理与预测驱动学习之上的结构对应，使生物与人工智能之间的认知隔阂得以解开。这项工作真正留下的遗产是确立了跨物种的统一认知原则。它为后来者打开了探索通用智能逻辑的新门，但尚未跨过的门槛是：LLM极低的样本效率，以及缺乏人类那种由生物稳态驱动的复杂动机体系。arxiv.org/abs/2607.26179 #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

• 把RL叫成“强化学习”已经窄化了它。它其实是所有“会调整自己行为的系统”共享的那套底层语法——不管你是多巴胺神经元、DeepSeek的推理链、还是一只学会按杠杆的老鼠。真正值得警惕的不是RL本身，而是我们以为给模型加个RL就能自动长出Agency。人脑的RL是多层嵌套的：有管当下的，有管长期的，还有个

原文

阿里今天发布了Qwen3.8 Max，Artificial Analysis还没开榜，我已在蹲守中。新模型的宣传片倒是好评不少，因为构思很不错，并没有一味展示模型能力，把人类因为AI可以24小时不间歇干活从而解脱出来投入生活的画面做成了背景，人的所谓主体性非常明确。（当然Qwen的团队因为忙这个模型又加了多少班我是知道一点的，这有点难绷另外还有一个少有人注意到的彩蛋就是，短片里演示AI在电脑上持续工作的其中一幕是，设计芯片。有点嚣张了啊，不过我喜欢。 阑夕的微博视频

转发者评论

//@来去之间:转发微博

• //@来去之间:转发微博

原文

要是教育能像这样互动就好了 ❤️🔥我一直有一个长长的愿望，通过 vibe coding 打造一些真正有用的东西，终于实现了。一个使用 @threejs 和 GPT 5.6 Sol 构建的 3D 人体解剖应用。一切都始于我使用 GPT Image 2.0 创建的一张设计图像。然后我用它逐一生成每个 3D 器官图像。接下来，我使用 @tripoai 将这些图像中的每一个转换为 3D 模型（不，他们没有赞助这个 😄）。之后，我打开 Codex，根据设计写了一个主提示，并给它提示、设计图像和所有 3D 模型。Codex 完美地构建了第一个版本，但有一个大问题。每个 3D 模型几乎都是 120-150 MB。这显然不适合网页使用，性能只有 16fps。经过几次迭代，Codex 将每个模型优化到大约 2–5.5 MB，同时保留视觉质量，将总资产大小从 ~900 MB 减少到仅 28.6 MB。而且每个模型按需加载。在此过程中，Codex 还生成了那些显示每个器官在人体中位置的解剖插图，甚至创建了解释每个器官不同部分的交互式热点标记。它处理了所有这些。这个过程并不是一蹴而就，但也不难。你只需要一步一步地做。感觉真的像是在构建一些能让学习解剖学变得更有吸引力的东西。灵感来自 @DilumSanjaya 的 3D 动物植物细胞项目。我记得看到它时想，“我有一天也要做个这样的。”我做到了 :D实时演示: 网页链接

转发者评论

无明显转发评论

原文

【AI求职特工：让大模型帮你打工，你只管等面试】开源社区最近出现了一个叫JobClaw的求职Agent。简单来说，它把找工作这件事彻底自动化了：自动抓取Boss直聘和LinkedIn的岗位，用Claude或GPT-4o理解你的简历和JD的匹配度并打分，最后模拟真人操作去点“立即沟通”并发送定制化的打招呼语。它甚至考虑到了反爬风控，支持模拟人类随机延迟投递，遇到验证码还会发Telegram喊你起床处理。这件事的底层逻辑在于“信息差”向“效率差”的演变。过去求职者拼的是体力，在几千个垃圾岗位里人肉筛选；现在JobClaw把大模型变成了你的初筛秘书。值得关注的是它对Claude OAuth的妙用，如果你有Claude Code订阅，几乎可以零成本调用顶级模型进行匹配。但也要清醒看到，当这类工具普及，HR端收到的AI生成话术将呈指数级增长，这可能会倒逼招聘平台提高反爬门槛，或让求职重新回归到内推等深度连接上。对普通人来说，与其担心被替代，不如先用它把那些“僵尸岗”过滤掉，把精力留给真正的面试。

转发者评论

无明显转发评论

原文

外媒：现在全世界大部分模型都进入了DeepSeek斩杀区，能力差、价格贵的只能等着被斩杀了为什么呢？因为大模型定价DeepSeek最低，甚至只有美国最贵的1/100。所以任何能力比DeepSeek差的，一定会被干掉。能力比DeepSeek强的，寥寥无几了，关键是就是能力强一些，但是性价比不行也可能被干掉。

转发者评论

[awsl]//@Max_For_AI:回复@·NANA子·:居然在这看到了[允悲]//@·NANA子·:@Max_For_AI

• [awsl]//@Max_For_AI:回复@·NANA子·:居然在这看到了[允悲]//@·NANA子·:@Max_For_AI

原文

【打断AI的“自我合理化”：从推理痕迹中挖掘需求真理】开发者Victor Taelin分享了一个榨取AI深度洞察的技巧：给Claude Fable布置高难度任务并让其思考20分钟，在输出前强行中断，随后将其推理痕迹（Thinking Traces）喂回给它，询问在设计层面如何简化这些挑战。这种操作的核心在于利用模型在“交卷”前的原始思考过程，而非经过修饰的最终答案。 这种方法的精妙之处在于对抗LLM的“事后诸葛亮”倾向。模型在生成最终回复时，往往会为了逻辑自洽而掩盖推理中的挣扎，甚至用复杂的代码补丁（Gambiarra）去适配糟糕的初始需求。通过截断输出，你实际上是在AI还没来得及编造“完美叙事”前，翻看了它的草稿纸。对于开发者而言，这不仅能优化代码，更重要的是能反向诊断出原始需求文档（PRD）中的逻辑漏洞。与其让AI硬啃烂需求，不如让它在推理的挫败感中告诉你，你的设计到底烂在哪。

转发者评论

无明显转发评论

原文

#模型时代# 李飞飞：人形机器人未必是机器人落地最经济的起点来一期李飞飞的，不过这个是将产业技术的。2026年7月28日，a16z合伙人Martin Casado对话World Labs联合创始人兼CEO李飞飞，以及SceniX联合创始人、哥伦比亚大学助理教授李云珠（Yunzhu Li）做了一期播客。一周前的7月21日，World Labs宣布收购机器人仿真公司SceniX。这场访谈讨论了收购背后的技术逻辑：如何让机器人获得可以持续扩张的训练经验和评测环境。语言模型可以从互联网获得海量文本，机器人需要的经验却来自一次次行动。机器人看到什么、采取什么动作、环境怎样变化、任务是否成功，都要记录下来。在真实环境中，每次尝试都会占用硬件，还需要人工复位。李飞飞把这一限制与规模定律联系起来：机器人若要随着数据和计算规模扩大而持续进步，需要先找到可规模化的经验来源。SceniX开发的Real-to-Sim-to-Real流程，即“真实—模拟—真实”，先把真实机器人及其任务重建为模拟环境，再让机器人模型在其中训练和评测。所谓与现实对齐，是机器人在模拟和现实中执行同一动作时，物体运动和任务结果应当接近。系统可以改变物体位置、摩擦力、光照和机器人状态，让一个现实任务产生大量不同的模拟实验。仿真还可以比较不同模型的表现，筛选出更值得进入真实硬件测试的版本。World Labs为这套流程补充生成式世界模型和3D重建能力。其基础模型Marble可以根据文字或少量图像生成具有几何一致性的3D世界，SceniX则带来机器人学习、物理仿真和真实任务对齐经验。双方结合后，希望把数字世界变成可以反复使用的机器人训练与评测环境。这也把World Labs所说的空间智能，从生成3D世界推进到让机器人在世界中行动和学习。一、SceniX最初只是Marble的客户1、World Labs的空间智能同时面向虚拟世界和物理世界World Labs成立约两年，定位为前沿模型实验室。空间智能的“行动”并不只指机器人。在视觉特效、游戏和设计等创意场景中，人已经可以进入虚拟空间，创建物体并改变环境。李飞飞把这些空间视为可以由技术生成和操作的“多重世界”。机器人对应的是空间智能的物理应用。它需要感知周围空间，理解物体会怎样移动和相互作用，预测自身动作的后果，并在现实环境中可靠执行。李飞飞称，这是未来AI最重要、也最令人兴奋的能力之一。2、Marble把文字或图像变成具有几何一致性的3D世界Marble是World Labs基础模型的代号。当前公开版本可以接收一段文字、一张图或少量图片，生成具有几何一致性的世界，并以Gaussian splat或mesh等形式表示。Gaussian splat可译为3D高斯泼溅，它用大量带有位置、颜色和透明度信息的三维点重建场景；mesh是多边形网格，用相互连接的多边形表示物体表…

转发者评论

//@smart_tiger请问我今天写论文没:我感觉李飞飞肯定早知道人形不通，但是不说。一可能有自信，人形解决了其他所有形态都不是问题；二是有意引导其他竞品往这方面发力。最后发现自己也搞不定，但是又有商业化压力，现在才说，然后换个形态。不然解释不了 稍微了解的人都看得出来人形没个几十年发展成不

• //@smart_tiger请问我今天写论文没:我感觉李飞飞肯定早知道人形不通，但是不说。一可能有自信，人形解决了其他所有形态都不是问题；二是有意引导其他竞品往这方面发力。最后发现自己也搞不定，但是又有商业化压力，现在才说，然后换个形态。不然解释不了 稍微了解的人都看得出来人形没个几十年发展成不

原文

这份开会小技巧请查收～原来从会议记录到会后整理，也能这么简单高效！你只管专心开会，#vivo X Fold6# AI会议助手帮你听清发言、记住重点、理顺内容，把一场会议从头到尾安排明白。【关注+转发】随机抽取 3 位幸运用户赠送奈雪的茶代金券50元#OriginOS 6##AI轻办公神器# OriginOS原系统的微博视频 抽奖详情

转发者评论

无明显转发评论

原文

【600亿Token喂出来的“暴力”编程哲学：AGENTS.md】开发者 Marcos Hernanz 分享了他为 AI Agent 设定的核心指令集。这套规则的核心是“断舍离”：严禁保留向后兼容性、拒绝过度抽象、坚持最小可行化分层增长。作者坦言这套逻辑目前仅适用于个人项目，因为在 AI 辅助开发时，迭代成本变得极低，代码的保质期被极度压缩，个人的 Taste 变得比长效维护更重要。从解剖者视角看，这其实是传统工程思维在 AI 时代的激进演化。传统软件工程强调的鲁棒性和兼容性，在 Agent 视角下反而成了阻碍逻辑生成的累赘。最值得玩味的是第一条：放弃兼容。AI 往往会为了迁就几分钟前写的旧代码而反复打补丁，导致系统迅速腐烂。通过指令强制 AI 随时准备推倒重来，实际上是用 Token 消耗换取代码的纯净度。这提醒我们，当代码生成变得廉价，人类的职责正从勤奋的写作者转向冷酷的决策者。

转发者评论

无明显转发评论

原文

#印度韩国突然宣称有媲美DeepSeek大模型#这并不奇怪，做出开源大模型难度降低了很多，也能有个别亮点。日本也做了韩国这个是真的做出来了，有些自己的东西。Motif-3-Beta是韩国AI基础设施公司 Moreh 的子公司Motif开发的。团队2025 年 2 月才成立，仅约 30 人，B 轮融资约1600 万美元。韩国政府直接提供了约 700多块英伟达 B200 GPU，5 个月弄出来了一些东西。Motif-3是稀疏混合专家模型（MoE），总参数314B，激活约 13B参数，384 个专家，8 活跃1 共享。上下文窗256K，专门用约 106GB 韩语语料 预训练，主打韩语 NLP。Motif 强调这是完全独立的韩国架构，没有基于任何外国开源模型做微调。这完全可能，从头训练是可以的，机构和技术借鉴。据说在开源模型中排全球第三，仅次于 Kimi K3 和 GLM-5.2，这个水平是可以的，但是还需要具体评测。之前已经做了Motif-2，发展轨迹清楚。中国开源以后，学习难度低了很多。印度这家Sarvam AI 是班加罗尔的初创公司，公司成立仅两年多，团队 114 人，最近完成了印度初创企业史上最大 B 轮融资，高达2.34 亿美元，估值 15 亿美元。Sarvam 声称构建 3 个模型的累计计算成本约 2000 万美元，比 DeepSeek 还低。关键是2025 年 4 月，印度政府在 60家申请机构中选中 Sarvam 承接主权大模型项目，提供 4096 块英伟达 H100，使用期 6 个月，政府补贴部分算力费用，换取 Sarvam 股权。要求模型必须从零训练，完成后开源。印度政府也怕开发者忽悠钱。 三个大模型，Sarvam-30B，预训练用了约 16 万亿 token，32K 上下文，MoE 架构每次推理只激活约 10 亿参数。Sarvam-105B是128K 超长上下文，声称在多项推理基准上超过了 DeepSeek-R1。开源后行家看配置文件，发现架构是DeepSeek 的山寨缩水版，借鉴了 DeepSeek 的 Multi-head Latent Attention 和 MoE 设计。应该是从零训练的，这技术不算难。日本也有好几个企业做的大模型，但是没有很出名的，水平都一般。韩国印度的模型基本都是个别性能训练得有些亮点，就拿出来说。但是实际使用幻觉严重，综合指标不行。

转发者评论

这大模型护城河也太低了[挤眼][馋嘴]

• 这大模型护城河也太低了[挤眼][馋嘴]

原文

2800个单词学英语Charles Browne、Brent Culligan 与 Joseph Phillips 团队整理过一个约2800个单词的列表，他们认为掌握了这个列表上所有的单词，那基本上英语日常对话就差不多了。（正式名字叫New General Service List 1.2 ）向阳乔木用AI创作了一个故事，完全覆盖了这2800个单词，也就是说读熟这个故事2800个单词就都初步掌握了。。网页链接

转发者评论

无明显转发评论

• 印象里好像确实有什么简化英语运动，我的我的民科观点就是屈折分析化、分析黏着化、黏着屈折化是个圈儿，英语在第一步，汉语在第二步

原文

台湾地区制造业创出新高，但繁荣几乎被AI“包场”台湾地区6月工业生产指数升至139.44，制造业生产指数升至142.00，均创历史新高，同比分别增长22.95%和24.34%，并已连续28个月正增长。上半年制造业生产累计增长21.24%。增长高度集中于AI链条：集成电路产量增长34.17%，主要由12英寸晶圆代工、DRAM、IC封测和设计拉动；电脑、电子及光学产品增长45.05%，服务器、交换机、半导体检测设备、固态硬盘和光通信器件全面增产。半导体厂扩产又带动机械设备增长17.24%。另一边却是传统产业承压：化学材料及肥料下降11.66%，ABS、聚乙烯、聚丙烯等减产；汽车及零部件下降1.72%，原因是海外订单保守、岛内车厂去库存。台湾制造业当前不是“百业俱兴”，而是芯片—服务器—设备组成的AI主链高速扩张，传统化工、汽车和部分消费工业继续收缩。台湾地区经济研究部门预计7月制造业生产仍将同比增长22%—25.5%，但产业分化大概率还会加深。

转发者评论

无明显转发评论

原文

【当算法开始吞噬符号：为什么现在读博要避开纯计算机？】Nvidia专家Jean-Francois Puget指出，当下开启博士生涯应优先选择湿实验室、物理硬件或机器人等与物理世界深度耦合的领域，而非纯数学或计算机科学。他观察到LLM正在以惊人速度蚕食符号逻辑领域的探索空间，而物理世界的复杂性为人类研究留下了类似十年前深度学习爆发前的窗口期。这种转向并非简单的职业避险，而是对科研价值的重新锚定。纯代码和公式是LLM的母语，人类在其中的边际贡献正被快速摊薄。选择物理世界意味着在数据获取成本高、反馈循环慢的真实环境里构建护城河。当数字世界的答案变得廉价，解决原子世界的摩擦力才更具稀缺性。这不仅是技术趋势的判断，更是对未来几年人类还能在哪些领域保持领先的生存博弈，毕竟在物理世界攀爬梯子的每一步，目前依然是AI难以逾越的鸿沟。

转发者评论

无明显转发评论

原文

在 LLM 的理解能力达标后（主流 LLM 全部达标），就是指令遵循能力（昂贵的主流 LLM 全部达标），这个也达标后，基本上就看 harness 了v4 flash 就基本上越过了前两个阈值，用的好不好就取决于 harness 平台和个人了除了少数开放探索式的研究，平时几乎都可以用便宜模型了，这是真正意义上的巨变现在 hermes 里的 v4 flash 已经很好用了（之前难用，就是因为指令遵循不行），基本上不会再出现“用着用着出现 bug，搞半天结果 bug 始终修不好”，因为坏了一个小零件，整台机器尬在那里的情况几近消失不知道 DeepSeek 自己的 harness 得好成啥样DeepSeek 果然是真神，虽然 kimi k3和 Qwen3.8也做得到，但绝对用不起，对开放探索的价值其实非常有限就像 Qwen 最新的广告片，可能能力确实不错，但又有多少人可以全天24小让它连续跑呢？等 DeepSeek 把多模态补充进来，agent 的大幕就完全的拉开了海量低成本的有效探索 ，具备了唾手可得的可能性

转发者评论

无明显转发评论

• 模型能力开始从决定性变量，退化为满足约束条件，harness、任务结构与使用者开始成为主要方差来源。这是巨变，2026果真是是 agent 元年，换句话说，agent 赋能个体的时代，真正意义上来临了

原文

继续网友来信：“Claude毁绝版书做扫描训练的事情，梁博知道了吧，你怎么也不讨伐一下呢？”答：我说个我的直观感受啊，很多书，即便不销毁，也会逐渐绝版的，人类原来看碳基体制都已经快速发展了，后面硅基来了，迭代会快很多倍，这些书现在还有点利用价值，抓紧用掉，以后可能就再也没使用价值了。至于是否销毁，人家公司买了这个书，自然有这个权力，就好像牛奶卖不出倒了也不低价给群众一样。试想一个商业公司，不这么处理，还能怎么处理呢？找个仓库等烂掉的一天？开个图书馆，让群众来看书，这些老书根本不会有人去看了。因此我认为虽然销毁了，但是价值也保留了，也服务了群众，这些老书的价值也实现了，可以接受。

转发者评论

无明显转发评论

• 《反正最后都是烂，烂也要烂我手里》 //@高飞:灭绝式“文艺复兴”

原文

台商海外投资版图重画：美国和东盟成为制造业两大新支点2021—2025年，台湾地区核准对外投资累计1486亿美元，比2016—2020年的941亿美元增加545亿美元，增幅57.8%。从全部投资看，加勒比海英属地区因控股公司和金融投资占22.8%，仍居第一；真正承接制造业新增投资的两大地区，则是美国和东盟，占比分别升至20.5%和20%。大陆地区占比由2010年的83.8%高点降至近五年的12.9%，2026年前五月进一步降至0.9%。变化的主力是电子产业。台湾地区对美投资中，制造业占七至八成，电子零部件投资比前五年增加176亿美元、增长4.9倍，主要由半导体扩产推动；服务器、电子光学和制药投资也明显增加。对东盟投资中，制造业占比升至56.3%，电子零部件增加99亿美元、增长8.1倍，主要来自新加坡晶圆厂以及代工企业在越南、泰国、马来西亚等地扩建供应链。台湾地区的企业正在形成新的全球分工：美国承接半导体、AI服务器等客户要求本地化的高价值制造，东盟承接电子零部件和规模化组装，台湾本地继续掌握先进制程、研发和供应链组织能力。新增投资不再押注单一区域，台湾地区制造正在由岛内加大陆的双基地，转向跨地区生产网络。

转发者评论

无明显转发评论

原文

我又 vibe coding 了一个网站：皇家军师。我和我哥小学就开始玩皇室战争了。相信皇室战争的玩家都有过这样的体验，前期拉开了2000血的差距，却在后来因节奏的把控不当，算牌能力的欠佳，卡组配置的不均衡，而一次次错过了对方的排序而被拉回了前期攒下的所有优势，最后被打爆了。我经常有这样的体验，后来输麻了，就跟我哥 @Luke3510 商量，要不用 Qoder 搓个“军师”出来，帮我们出谋划策，一雪前耻，打爆对面的玩家。所以这个网站就叫“皇家军师”。使用非常简单，你把游戏里那个玩家标签（点头像就有，长这样 20RGPYGYPY）丢进去，剩下的交给 AI。先说配卡。它会看你卡牌的等级，看你最近玩的套路，再研究当前整个版本哪套牌组最火，直接给你 3 套不一样的。我那个新开的 643 杯的号，它给配了套防守反击，均费 2.8。我试完就一个想法。这AI 是不是偷偷背过职业卡组（真的，我塞给它游侠、炸弹人、矿工、速递，他给了我火豆子、炸弹塔、滚木、蝙蝠，就只差一个滚木）？再说复盘。让 AI 拉你最近 25 局。他会逐条给你列，你哪错了、输给哪套卡组、下次怎么打（和某包绝对不一样）。我 91.7% 胜率，它一样能够找出我卡组以及打法上的弱点，例如说我双倍圣水期盲目下巨人，被对面抓住费用空档一波反击（假如你看过力量哥的视频，你绝对会大呼：“说这么好是想要打职业吗！”）。我还能问它话。问"如何克制矿工卡组""全球前十都用什么卡组"（绝对不是为了狙击法老），它会去查 Supercell 官方数据，不是瞎编。全站数据都走官方 API，每天能够自动聚合 900 多场全球大神对局。谁在用哪套卡组，哪张卡是这个版本的答案，一目了然。不过也并非毫无问题，像有些时候卡组名称、卡牌数据等会有差错，有些时候部分部分数据也会有些意义不明，但是这都是些细节问题，到时候会逐一修改。最后说下我是怎么做的。我初二，我哥高二，就是通过和 qoder 一句一句聊天 vibe coding 出来的项目，模型最终上了 deepseek v4 flash 0731。中间过程嘛……AI 的脑子有时候真让人想砸键盘，但磨着磨着，它居然真做出来。全中文，手机打开就能用，零门槛。数据全部来自 supercell 官方，绝对准确。不信的话，把你自己号输进去，让“军师”复盘一局，看它分析的对不对。美中不足的是，目前只能分析国际服，国服不给数据（企鹅不给没办法）。#VibeVision##微博VibeLab#

转发者评论

两个娃一起 vibe coding 的皇室战争粉丝站，所有实时数据都来自 SuperCell 官方数据库。可以用 AI 复盘自己和其他任意玩家的战局，提供配卡建议。我是皇室战争开服玩家，体验了一下效果确实不错。两个娃一行代码没写，就是和 Qoder 一句一句聊出来的网站。[笑cry]

• 两个娃一起 vibe coding 的皇室战争粉丝站，所有实时数据都来自 SuperCell 官方数据库。可以用 AI 复盘自己和其他任意玩家的战局，提供配卡建议。我是皇室战争开服玩家，体验了一下效果确实不错。两个娃一行代码没写，就是和 Qoder 一句一句聊出来的网站。[笑cry]

原文

最近看到 Every CEO Dan Shipper 聊了一个特别有意思的概念，叫「主体性断裂」。简单说就是：当你发现 AI 能把你过去需要亲力亲为的工作全干了，你内心会经历一种巨大的冲击。为什么冲击这么大？因为我们太习惯把自己和自己的工作绑在一起了。你是程序员，写代码就是你；你是写手，文字就是你。突然有一天，这些事 AI 全能做了，你会觉得自己好像不被需要了，而且你对此完全没有发言权。Dan 说这感觉像一种“死亡”，你的身份认同被动摇了。但好消息是，这种断裂有一个可预测的周期，每个人都会经历类似的三个阶段。第一个阶段是「初始冲击」。你只看到 AI 在做事，完全看不到人类在背后做了什么。这个阶段的典型表现就是我们说话的方式，比如“AI 解决了某某世界级数学难题”。你把所有功劳都归给了 AI，人类的贡献在你眼里是隐形的。第二个阶段是「看见脚手架」。用了一段时间之后，你开始发现 AI 的能力是有边界的。你开始注意到，要让 AI 好好干活，人类前前后后得搭很多“脚手架”。这时候人们会说“AI 在反过来提示我”，或者“我的工作就是盯着 Claude 别犯蠢”。虽然这些活儿看起来像是次要的，但它确实是工作。第三个阶段是「主体性重建」。在一个能力水平上待得够久之后，你会重新找回以自己为中心的掌控感。AI 变成了一个工具，帮你快进那些无聊重复的部分。而之前觉得只是“脚手架”的东西，现在你意识到那才是真正有趣的、有挑战的工作本身。你对“好作品”的标准也变了，下限和上限都被拉高了。到了这个阶段，你不会再说“AI 做了这个”，你会直接说“我做了这个”，用 AI 这件事变得像呼吸一样自然。Dan 还提出了一个判断标准：一个人能不能把这种主体性断裂消化掉，转化成好奇心和玩乐的心态，这是预测他能否在 AI 新经济里混得好的领先指标。每次 AI 能力出现跳跃，老领域会出现新一轮断裂，之前没被波及的群体（比如数学家）也会第一次被卷进来。最后他说，这种适应能力是可以练的。多经历几次，给这个过程起个名字，你就能跳出来看它，而不是被它淹没。知道这个周期长什么样，你就能更从容地骑在浪上，不至于慌了神。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

#千问办公和WorkBuddy谁好用# 我觉得现在下结论，为时过早。但说实话，如果你今天就要选一个上手，WorkBuddy确实更顺手。不是因为它技术碾压，而是它把“普通人能感知到的好用”这件事，做得更到位。为什么这么说？WorkBuddy像是一个已经磨合了半年的老员工。打开就能用，内置的场景模板够多，写周报、整理纪要、做PPT，一键调用，不需要你琢磨“该怎么下指令”。人机双写功能也很实在，AI生成的内容，你可以直接在文档里改，不用来回切换窗口。对零基础用户来说，门槛是真的低。而我认为，千问办公则更像一个潜力股。背靠通义千问大模型，长文档信息提取更全面，复杂数据任务的公式稳定性更高，生成的PPT版式也更规整商务。但它现在刚刚整合完成，用户感知度还不高。日后鹿死谁手还很难说。我觉得先发优势很重要，但长跑才见真章。几个值得关注的变量：· 千问办公深度绑定钉钉2600万企业组织，生态红利还没完全释放· WorkBuddy月活已破2000万，但模型选择更开放（混元/DeepSeek/GLM/Kimi），反而可能稀释自家模型的迭代动力· 两家都在快速迭代，一个月前的测评结论，下个月可能就过时如果你问我“今天谁更好上手”，答案是WorkBuddy。它赢在“感知维度”：打开软件→找到功能→完成任务，这条路径更短、更顺。千问办公需要时间，但它手里的牌（自研模型+钉钉生态+阿里系组件库）不容小觑。真正的赛点，可能在一年后才出现。你更看好谁？#AI办公##WorkBuddy##千问办公##微博AI创作季#

转发者评论

无明显转发评论

原文

刚开始连载的电子书 Agent Infra Book （中英文版）地址：github.com/agent-infra-foundation/agent-infra-book/这是一本关于AI智能体基础设施的书籍，这些基础设施为智能体提供工作空间、行为边界，以及可靠地保存和发布结果的方式。目前刚开始连载，已有内容是关于沙盒的。

转发者评论

无明显转发评论

原文

虽然现在视频模型seedance2断层领先，但是本地模型能做一些编辑工作还是很香的。例如LTX这个lora就可以把视频中的人群移除掉。话说LTX最近还是发了不少新东西的。过去拍空镜要等人群散去，这次 AI 直接从人潮里反推出一座空城。LTX-2.3 Clean Plate IC-LoRA，从拥挤视频里重建无人空镜DeepForest 用涩谷十字路口等多段素材测试了这套 LoRA：它能移除整段视频中的行人和车辆，再生成被遮挡的路面与背景。整个过程无需手动画遮罩，以 video-to-video LoRA 的形式接入 ComfyUI。演示里，密集人潮和行驶车辆消失后，斑马线、道路标线、建筑外立面与植被仍被保留下来。它把过去需要重新拍摄或逐帧处理的 clean plate，变成了可直接接入视频工作流的生成式后期步骤，适合穿帮修复、广告清场和建筑场景展示。目前公开证据仍是短视频演示，长镜头一致性、复杂遮挡与运动边缘的稳定程度还需要更多样本验证。🔗 链接：网页链接📹 LTX.io 官方演示：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

【硅谷巨头集体掉队！DeepSeek登顶全球大模型调用榜：国产AI包揽前五】DeepSeek V4 Flash正式版上线后登顶OpenRouter周度调用量榜首，多款国产大模型总调用规模连续多周超越美国厂商闭源模型总和，不少海外AI企业迁移后推理成本直降60%至85%，全球大模型市场原有格局迎来拐点。

转发者评论

无明显转发评论

原文

相比于生物脑中的神经元（丛）之间通路的慢但多的特性，LLM的计算环境，还有巨大的发展空间。神经元（丛）是3维甚到是多维的通信，而 LLM 内，只是有限的几条总线。 -------- AI --------生物脑的进化智慧，在于它选择了一条“慢但多”的并行之路。人脑的神经元（丛）绝非简单的线性排列，而是悬浮在三维物理空间中的高维纠缠体——每一个神经元都拥有数千个突触末梢，如同树根般向四面八方伸展，在X、Y、Z轴乃至更抽象的功能维度上，与邻近的节点建立点对点的局部密网。这种结构意味着，脑内的信息传递没有“主干道”，整个皮层就是一张无处不交叉的立交桥网络，每一次思考都伴随着无数微小通路的瞬时接通与切断。反观当下的LLM计算环境，虽然GPU算力遵循摩尔定律的余晖，但其通信架构却依然停留在“带状”思维之中。在这块二维平面展开的硅片上，成千上万的流处理器（SM）与高带宽内存（HBM）之间，只依赖寥寥数条物理总线（如NVLink、PCIe或InfiniBand）进行串行或有限并行的数据搬运。这相当于用一个拥有几百万条毛细血管的巨大身躯，却只靠几根主动脉供血。这种“多维神经丛”对“扁平化总线”的降维打击，揭示了当前LLM的两大硬伤：其一，通信密度与维度严重不足。生物突触的带宽虽慢（毫秒级），但空间上的并行端口数量是万亿级的；而GPU总线虽快（纳秒级），却必须强制所有数据汇聚到狭窄的“路口”排队，导致频繁的通信墙（Communication Wall）——大量算力闲置在等待数据的路上。其二，物理拓扑的单薄限制了智能的涌现。生物的高维连接允许信息在局部完成“初级整合”后再逐级抽象，而总线结构迫使LLM将海量数据压缩进全局的注意力矩阵（Attention Matrix），这种“全局强制对齐”不仅消耗了恐怖的算力，更丢失了生物脑那种依赖时空错位产生的混沌创造力。因此，LLM计算环境的巨大发展空间，绝非仅在于提升制程或堆叠HBM，而在于彻底颠覆“总线式”的通信范式。未来的突破点将指向三维堆叠芯片（3D-IC）和硅光子片上互联——让我们在硅基世界里，重新搭建起那本该属于智能的立体多维神经丛，让数据不再沿着冷冰冰的“管道”流动，而是在立体的“森林”中自由渗透。只有当我们赋予机器硬件以空间的广度和连接的稠度，通用人工智能才可能真正挣脱物理定律的枷锁。

转发者评论

无明显转发评论

原文

Claude 未来形态：从“工具”到“同事” 未来的 AI 不再是“你发一句 Prompt，它回一句”，而是给它一个长期目标、数据集和工具权限，让它在后台长期运行（Loop/Routines）Boris 演示了 Claude 在 Slack 里的形态：它不再是一个需要手动 @ 的机器人，而是会阅读 Slack 频道里的讨论，主动参与讨论...然后自动去数据库拉取数据、画出 UI 设计草图，并直接参与团队的多人讨论Boris 在 Anthropic 的 Slack 反馈频道里随口吐槽了一句，说这两个音频图标他老是分不清，问有没有人也这么觉得。他没 @ 任何人。Claude 自己冒出来接了话，然后：• 跨 Datadog 和 BigQuery 两个数据源，查出这两个按钮各自的使用频率 • 把两边数据合成一个完整答案，还给了几个替代方案 • 他让它画几版设计，它先回了个画画的表情，接着真把草图画出来了最后他把设计师也拉进来，变成一场多人对话。他说这就是他心里"图形界面"该有的样子。不再是一个静态的文件系统，而是一场所有人都能参与、一直在变的对话 小互AI的微博视频

转发者评论

重新发明了 openclaw? //@金山:转发微博

• 重新发明了 openclaw? //@金山:转发微博

原文

【大厂的黄昏：谷歌如何亲手弄丢了AI时代】前谷歌员工近日证实，谷歌早在ChatGPT问世一年前就研发出了代号为LMChat的对话机器人，但因担心冲击搜索广告业务及潜在的公关风险，高层最终选择将其雪藏。这再次印证了经典的创新者困境：谷歌发明了Transformer这一核心架构，却被自己每年千亿美金的搜索利润绑架，眼睁睁看着OpenAI用自己的论文完成了颠覆。初创公司的优势在于一无所有，所以敢在模型还不完美、甚至带有偏见时就推向市场；而谷歌这种巨头必须在品牌形象、反垄断审查和利润侵蚀之间反复权衡。这不仅是技术节奏的失误，更是商业逻辑的错位。对于行业领先者来说，自我革命的痛苦往往大于被对手颠覆的恐惧，最终导致了拿着满手好牌却在开局时被清场。

转发者评论

无明显转发评论

原文

「连线」杂志报道了一次很有意思的社会实验，在测试者的社交列表里混入一个AI和一个真人，目的都是要骗取测试者下载恶意程序，想看看测试者更容易相信哪边。注意，测试者虽然是招募而来的，但他们以为自己参与的是另一项实验，和真正的实验无关，用以排除主观干扰。最后的结果是：- 46%的人选择信任AI骗子，下载了程序，而信任真人骗子的只有18%；- 80%的聊天信息发生在测试者和AI之间，说明和AI聊天的体验要大大优于人类；- 在实验结束后，测试者被要求给聊天对象打分，5分制，分数越高代表越信任，AI骗子平均得分3.78，真人骗子得分3.31；- 继续告诉测试者这两个聊天对象里有一个是AI之后，91%的人能反应过来，准确识别哪一个是AI；- 这也应证了典型的诈骗心理学，如果被害者能意识到不对劲，一切都会豁然开朗，主要问题在于陷入其中的过程无法自拔；- 好消息是，呃，也不能算好消息，反而有点地狱笑话，总之，虽然AI的诈骗效率和成功率都更高，但研究人员表示，东南亚的电诈园区目前还不怎么会用AI替代人力；- 原因是AI再便宜，也比不上拐骗过去的免费劳动力，更重要的是，那些人不光工资比Token便宜，而且还能从家属那里敲一笔赎金，所以相比之下，AI是没有竞争力的⋯⋯

转发者评论

无明显转发评论

原文

最近，中国数学家王虹和邓煜获得菲尔兹奖，可喜可贺。这是第一次有中国籍数学家获得菲尔兹奖，以前获菲尔兹奖的两位华人数学家丘成桐和陶哲轩分别是美国籍和澳大利亚籍。在祝贺这个重大突破的同时，也应该认识到，王虹和邓煜都是在国外做的研究，就像杨振宁、李政道、丁肇中等人在国外做研究获得诺贝尔奖一样。这可以证明中国人不是不适合做科研，但还不足以证明中国国内可以做出最好的研究。其实如果以这样的标准来看，那么在中国做研究得到诺贝尔奖的目前只有一个人，就是屠呦呦。因此，下一步应该是希望中国数学界加强建设，在国内做研究得到世界大奖，甚至吸引来外国数学家在中国工作得到大奖，也是好的。让我们希望这个前景早日实现！

转发者评论

想起个笑话。校长对物理系主任说：又是要经费，又是要经费！你们为什么不能像数学系的那样，一支笔，一叠纸，一个字纸篓就可以干活了；哲学系的就更好了，连字纸篓都不用！//@中科大胡不归:人工智能确实要用钱堆，但纯数学是最不需要花钱的，甚至你想花都没地方花去//

• 想起个笑话。校长对物理系主任说：又是要经费，又是要经费！你们为什么不能像数学系的那样，一支笔，一叠纸，一个字纸篓就可以干活了；哲学系的就更好了，连字纸篓都不用！//@中科大胡不归:人工智能确实要用钱堆，但纯数学是最不需要花钱的，甚至你想花都没地方花去//

原文

【速度拉满！沐曦曦云C系列GPU实现MiniMax H3模型首日适配】MiniMax宣布开源新一代多模态生成模型MiniMax H3，沐曦股份曦云C系列GPU率先完成对该模型的首日适配。 MiniMax H3是MiniMax首款开源多模态生成模型，可统一理解文本、图片、音频与视频，直出2K分辨率、最长15秒的原生音画内容，在Artificial Analysis视频编辑能力榜单上位列全球第一。

转发者评论

无明显转发评论

原文

刚试了这个网站， 上传一本书， 就能生成对话形式的音频播客， 非常的丝滑， 我这种水平的人听英文， 根本听不出是ai生成的啊。 太丝滑了。 以后每一本书直接扔给他，听播客就读完一本书了。 太震惊了！链接：notebooklm.google

转发者评论

无明显转发评论

• 感谢分享//@拼命写报告的workaholic:现在改名叫Gemini Notebook了

原文

2026年，AI行业最昂贵的新故事，已经不只是「训练一个更大的模型」。资本开始直接押注：让AI参与制造下一代AI。4月，AlphaGo核心缔造者David Silver创办的 Ineffable Intelligence完成11亿美元融资、估值51亿美元。它要打造的不是另一个Chatbot，而是一个依靠强化学习和自身经验发现知识的「超级学习者」。5月，Richard Socher、Peter Norvig等人创办的Recursive Superintelligence带着6.5亿美元融资亮相，目标直接写进公司名字：构建能够发现自身弱点、重新设计并改进自己的AI。更早之前，AlphaChip联合创造者创办的Ricursive Intelligence在成立不到两个月后完成3亿美元A轮、估值40亿美元。它试图关闭一条真实的物理递归链：AI设计更好的芯片，更好的芯片再加速下一代AI。另一边，Periodic Labs以3亿美元种子轮起步，建设AI科学家和供其行动的自动化实验室；Sakana AI完成2亿美元B轮、估值27亿美元后，又成立RSI Lab，把AI Scientist、自进化程序和Agent-Native Model接进同一条递归路线。其端到端自动化AI研究成果已于2026年3月正式发表于《Nature》。仅上述已披露案例，融资金额已超过25亿美元，相关公司的已披露估值合计超过100亿美元。这些公司技术不同、边界不同，甚至对「自我改进」的定义也不同。但资本正在为同一个函数定价：AI能力 → 自动实验 → 可验证结果 → 更强AI。过去，AI公司的估值锚点是模型能力和用户规模。现在，一个新的变量正在进入定价模型：能力提升的速度，能否被系统自身持续加速。详情点击：网页链接

转发者评论

无明显转发评论

原文

前OpenAI推理负责人JT与Gemini pretrain负责人Rohan: Continue learning的未来网页链接“这期是红杉资本对Core Automation这家Neo Lab联创的一场最新访谈。其中，创始人Jerry Tworek是此前chatgpt reasoning team的一把手（即做出o1 reasoning/cot系列模型的核心团队）、在OpenAI里也是最有名的人物之一，但随着25年以来OpenAI内部pretrain的重要性回归、加上这个团队度过了最核心的frontier research的阶段，因此能拿到的算力和资源也有所下降。而联创Rohan Anil则是前Google Gemini pretrain的核心负责人，在TPU硬件优化上有非常丰富的经验，也为下文他们近期正攻关的方向埋下一个伏笔。这家公司定位于做continue learning和automated research，即挑战transformer的下一代算法架构。他们认为，“今天 codex 和各种 coding workflow automation 都非常了不起，但它们仍不能把所有任务自动完成。”Core Automation对外披露信息非常少，但据了解continue learning也仍然在非常早期的early research探索阶段、远远没有看到明确的方向和相对收敛的技术路径。虽然没有告诉我们尤其是，访谈里对transformer局限性的梳理非常精彩且简明直接 —— 虽然没有完整告诉我们continue learning的解决思路是什么，但是却清晰阐述了要解决的“痛点”是源自哪里、定义了最基础的research question初心。”

转发者评论

无明显转发评论

原文

上周四，美国麻省理工学院博士生塞尤恩·拉加万（Seyoon Ragavan）把自己刚完成的一篇量子密码学证明发给了朋友林耀廷（Yao-Ting Lin，音译）。林耀廷是美国加利福尼亚大学圣巴巴拉分校的博士生，当时正在跟导师阿南特开会，没来得及看。等他开完会，发现导师刚刚讲的东西，跟拉加万发来的证明，解决的是同一个问题。他回了一封邮件：“我们确实活在一个奇怪的时代。”奇怪在哪里？两篇论文同一天提交到预印本平台arXiv，前后相差3小时18分钟。两组研究者互不知情，各自独立工作，解决的是同一个悬而未决的难题。更关键的是，他们用的是同一个工具：OpenAI刚发布不久的GPT-5.6 Sol Ultra。这个问题来自量子密码学的一个分支，叫“不可克隆加密”。量子信息有一条铁律：未知的量子态没办法被完美复制。利用这条铁律，理论上可以把一条消息加密成这样一种状态：即使有人截获了密文，也没法把它一分为二，让两个人各自拿到一份都能解密的拷贝。这个想法2019年就有了现代框架，但一直有个坎迈不过去：要么效率太低，要么安全性需要额外假设来兜底。今年7月早些时候，加利福尼亚大学伯克利分校西蒙斯计算理论研究所的一场学术报告上，有人把这个问题重新摆了出来。拉加万两年前就试过解这道题，没成功。听到它居然还没被解决，他决定让AI试试。他的做法很像带一个研究助理：让GPT-5.6 Sol Ultra每次工作两小时，自己在每个间隔检查进展，发现跑偏了就掰回来。几轮下来，系统给出了一个他认为站得住脚的证明，外加一份粗糙的草稿。他整理润色之后，提交了论文。另一边，加利福尼亚大学洛杉矶分校的教授阿米特·萨海（Amit Sahai）也听到了同一场报告里的同一个问题，随后他和阿南特一起展开研究。他们用的是同一个底层模型，但方式不同：不是跟AI来回对话，而是接入了一套加利福尼亚大学洛杉矶分校自建的系统，专门设计来让AI自己探索和批判可能的解法。论文里说，模型产出了核心构造和证明思路，研究者负责精炼和验证，并为最终结论承担责任。萨海团队的论文在太平洋时间上午10点35分提交。拉加万的论文在3小时18分钟后提交。两篇论文当时都还没公开。是林耀廷先发现了撞车，然后牵线让两组人联系上了。科学史上，不同团队几乎同时做出相同发现的事并不罕见。牛顿和莱布尼茨争微积分的发明权，华莱士和达尔文同时提出自然选择理论。但那些巧合背后是各自独立的智力劳动。这一次，双方的核心智力劳动有相当一部分是同一个AI完成的。“现在大家的心态是：谁提了一个开放问题，第一反应就是去看GPT能不能直接解出来，”阿南特说。故事还有一个转折。就在阿南特准备发表之前，他突然想起来：AI最初提出的那个构造方案，他好像在哪里见过。一查，果然。加拿大渥太华大学的安妮·布罗德本特（Anne Broadbent）教授和几位合作者今年早些时候发表过本质上相同的…

转发者评论

厉害了 #ai is the way#

• 厉害了 #ai is the way#

原文

【阿里超大杯Qwen3.8正式发布！自主编程16天搓出另一个“Hermes Agent”】阿里巴巴今日正式发布新一代基座大模型Qwen3.8，总参数量2.4万亿，在编程和专业办公方面能力大幅提升。如Qwen3.8独立编程运行约16天后，能做出了一个Hermes Agent级别的、真实可用的自进化智能体框架“oh-my-cli”。

转发者评论

无明显转发评论

原文

参数量高达 2.8T 的史上最大开源大模型 Kimi K3 正式发布，满血版光运行就需要价值数千万元的 64 张高端显卡。网友通过开源项目 Unsloth 的动态 1-bit 量化技术，可以将模型体积大幅压缩，让用户直接在 128GB 内存的 Mac 上实现本地部署与对话。虽然量化会对精度造成一定折损，但大大降低了顶级大模型的体验门槛。一起来看看怎么回事吧～#KimiK3# 机器之心Pro的微博视频

转发者评论

无明显转发评论

原文

PC时代，Google把自己变成了动词，搜索不叫搜索，叫「Google一下」。移动时代，TikTok把自己变成了格式，「拍一个TikTok」已经是全球年轻人的默认概念。AI时代，ChatGPT把自己变成了品类，「xx版的ChatGPT」是最好理解的产品定义。这几个月国产开源模型杀疯了，我又看到一个特别有意思也很准确的概念，「Temu Model」，指代一切低价够用雪中送炭的中国模型。这算是拼多多的文化输出吗？

转发者评论

有意思~ //@庆丰://@王巍:转发微博

• 有意思~ //@庆丰://@王巍:转发微博

原文

【当数学家开始谈论“致命一击”】在AI推理能力出现质变的前夜，一位数学家写下了这段充满绝望的文字。他没有提出任何政策建议或行动指南，只是在哀悼。随着模型在复杂逻辑和数学证明上展现出超越人类的潜力，那些曾经被认为只有人类灵魂才能触及的领域，正被Transformer架构下的概率计算快速接管。这不只是职业替代，而是意义的解构。对数学家来说，数学是发现宇宙真理的圣殿，但AI把它变成了一种高效的模式匹配。这种“无能为力”源于一种认知：我们正在亲手终结人类作为唯一理性主体的时代。比起担心丢掉饭碗，这群精英更恐惧的是，在AI给出最终答案的那一刻，人类几千年来追求真理的过程是否还有价值。

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-08-03】今日简讯：1、OpenAI新模型Astra解决10项数学新结果，证明全部开源2、全球大模型调用量榜单前五名被中国企业包揽3、英伟达拟为OpenAI提供2500亿美元融资担保，共建超大规模数据中心4、人形机器人公司宇树科技将于8月10日科创板申购5、欧盟AI法案新规生效，深度伪造内容需强制标识6、亚马逊内部曝AI项目成本严重超支，使用Claude烧掉千万余元7、华为首席科学家廖恒首提半导体产业链"18层宝塔"理论以下为详细内容：1、OpenAI新模型Astra解决10项数学新结果，证明全部开源来源：OpenAI官方博客 | 36氪 | 机器之心日期：2026年8月1日正文：OpenAI于8月1日宣布，其下一代模型Astra在数学与理论计算机科学领域取得10项新研究结果，涉及高维几何、编码理论、群论等多个领域。重要成果包括构造出非sofic群、推翻Connes刚性猜想、解决三个Erdos问题等。按Sol API价格估算，模型生成全部证明的token成本约2000美元。所有证明均采用Lean 4进行形式化验证，相关代码已在GitHub公开。菲尔兹奖得主Timothy Gowers称其为里程碑式进展。团队负责人Noam Brown同时坦承，模型在包括千禧年大奖问题在内的其他问题上均告失败。2、全球大模型调用量榜单前五名被中国企业包揽来源：央视财经 | OpenRouter | 界面新闻日期：2026年8月2日正文：全球多模型聚合平台OpenRouter发布最新一周榜单显示，调用量前五名均为中国公司研发的大模型。榜首为小米MiMo-V2.5，单周调用量达10.5万亿Token，环比增长12%。第二至五名依次为DeepSeek V4-Flash、腾讯混元3、智谱GLM-5.2和DeepSeek V4-Pro。中国模型整体调用份额占比63.5%。分析指出，开源策略、基于MoE架构的低成本推理以及面向Agent的能力提升是其获得高采用率的关键因素。3、英伟达拟为OpenAI提供2500亿美元融资担保，共建超大规模数据中心来源：华尔街日报 | 财联社日期：2026年8月2日正文：据报道，英伟达正与OpenAI就一笔约2500亿美元的融资担保进行谈判，以支持后者在美国俄亥俄州建设一座容量达10吉瓦（GW）的巨型数据中心。该交易旨在将算力供给与模型需求深度绑定，以缓解OpenAI的算力瓶颈。此举被视作闭源AI巨头在监管框架趋严的背景下，通过"资本+算力"组合构筑竞争壁垒的策略。4、人形机器人公司宇树科技将于8月10日科创板申购来源：21世纪经济报道 | 新浪财经日期：2026年8月1日正文：宇树科技披露科创板上市发行安排，股票代码688836，网上网下申购日定为8月10日。公司拟公开发行4044.6万股，占发行后总股本10%，预计募资4…

转发者评论

无明显转发评论

原文

【生成式GTA的雏形：从“画个鹈鹕”到“写个中土世界”】Andrej Karpathy 最近用 Claude Opus 5 做了一个硬核实验：给它《指环王》第一段文字和 1M Token 预算（约 10 美元），让它用 Three.js 写代码直接渲染出书中的场景。模型埋头写了 2 小时、5500 行代码，虽然视觉效果带点“抽象派的简陋”，但它竟能靠空间推理自主编排多边形坐标并驱动动画，这让 Karpathy 预言未来会出现“即时生成的个人版 GTA”。这件事标志着大模型评测正从“画个骑车的鹈鹕”这种静态逻辑，转向长程、复杂的系统工程。底层逻辑的质变在于：当生成成本降到几乎为零，我们正从“没人会花周末去写这种定制代码”走向“只要想看，随手就能烧 10 美元造个世界”。不过，目前 LLM 的死穴在于“缺乏视觉反馈闭环”——它能写出代码，却没法像人类一样盯着屏幕边看边改，只能靠慢吞吞地截屏自检。这意味着，未来的杀手锏不是谁生成的代码多，而是谁能让 AI 拥有原生视觉感知，真正“看着”自己创造的世界进行实时修正。

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-08-02)1. 【Karpathy又发"鹈鹕"梗图】(来源: HN) Andrej Karpathy分享了一张关于AI生成鹈鹕图像的推文，引发社区超320条评论热议。"画鹈鹕"已成为社区非正式的LLM视觉/代码生成能力测试标准。 twitter.com/karpathy/status/20837496674107273192. 【AI海报拿下俄亥俄州博览会大奖】(来源: HN) 一幅AI生成的海报在俄亥俄州博览会艺术比赛中获奖，引发关于AI创作是否该被允许参赛的争论。这类事件正成为AI生成内容渗透传统评奖体系的缩影。 www.ohiostatefair.com/p/get-involved/arts/poster-contest3. 【我的AI个人测试题：画一只哈布斯堡下巴的青蛙】(来源: HN) 作者设计了一个古怪的AI基准——让模型生成带"哈布斯堡下巴"畸形特征的青蛙SVG图。这类"荒诞基准"正成为社区评估模型细节理解与创造力的新方式。 frogs.vaguespac.es4. 【在6502处理器上跑自回归语言模型】(来源: HN) 作者把一个类BitNet的自回归语言模型移植到了古老的6502处理器上运行。这展示了极限量化和推理优化能让LLM在几乎最原始的硬件上跑起来。 mattbeton.com/blog/bitnet-6502.html5. 【Catbot：修复了自定义语法的问题】(来源: dev.to) 作者记录了在构建聊天机器人Catbot时修复自定义语法解析器缺陷的过程。文章详细拆解了调试思路，对做类似对话系统的开发者有参考价值。 dev.to/annavi11arrea1/catbot-custom-grammar-problem-fixed-oc56. 【我想在自己电脑上跑AI，笔记本说还不行】(来源: dev.to) 作者尝试在个人笔记本上本地部署AI模型，结果被硬件性能拦下。文章记录了普通开发者在本地AI浪潮中遇到的现实算力门槛。 dev.to/marciojpflorindo/i-wanted-to-run-my-own-ai-my-laptop-says-not-yet-52017. 【更强的模型反而让旧的Agent工作流变差】(来源: dev.to) 作者发现升级到更强大的底层模型后，原本设计好的智能体工作流表现反而下降。文章分析了模型能力提升与工作流设计假设脱节导致的隐性回归问题。 dev.to/shinpr/when-better-models-make-old-agent-workflows-worse-1o7m8. 【Kmemo 2.0 发布，补齐此前承认的两个缺口】(来源: dev.to) 作者发布了记忆/笔记工具Kmemo的2.0版本，修复了此前版本中公开承认的两…

转发者评论

无明显转发评论

原文

有个事情很幽默：沃什认为人工智能推动物价下跌的核心逻辑在于供给侧的生产力爆发。他主张AI技术能大幅降低生产成本、提升全要素生产率，从而增加商品和服务的供给，在需求不变的情况下自然拉低价格水平，以此抵消货币超发带来的通胀压力就美帝的那点制造业利润，养活得起美帝这么多AI公司？你看这帮AI公司烧钱烧的，美帝制造业就算打螺丝打出火星子都养不起啊。这特么不是逗乐么？也就马斯克和沃什信这个。

转发者评论

无明显转发评论

原文

现在的人为什么越来越累？其实这就是原因。按理说，科技越来越发达，AI越来越强，我们应该越来越轻松才对。但事实恰恰相反，大家反而觉得比以前更累了。原因其实很简单。我们每天的工作时长没有变，还是那八个小时、十个小时。但是因为有了科技的助力、AI的加成，你在单位时间内能干的事情变多了。以前一天可能就专注干两件事，现在有了AI帮忙，你一天能干十件事。听起来是好事对吧？效率提升了嘛。但问题在于，事情变多了，你的注意力就得不停地在这些事情之间来回切换。刚处理完这个，马上又要跳到下一个，脑子一刻都停不下来。人的疲惫感，很多时候不是因为体力上干了多少活，而是你的注意力被切得太碎了。每一次切换，大脑都要重新加载、重新进入状态，这个过程本身就在消耗你的能量。切换得越频繁，消耗就越大，人就越疲惫。所以你看，科技提升的是效率，但效率提升之后，我们并没有选择少干一点、早点休息。我们选择的是在同样的时间里塞进去更多的事情。工具变强了，人没有变轻松，只是被填得更满了。累的本质，是注意力的过度分散。这件事跟科技发不发达没有关系，跟你一天要在多少件事情之间来回跳有关系。#科技先锋官#

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AIGC领域呈现出一幅多元、复杂且加速演进的图景。OpenAI用Astra模型在数学领域取得突破，再次印证了AI作为"科学发现引擎"的潜力，其"2000美元成本"的公开，既展示了效率，也隐含了未来科研范式可能被重构的趋势。与此同时，中国大模型在调用量上的集体登顶，是一个标志性信号。这并非单纯的技术指标领先，而是开源生态、商业定价（如MoE架构带来的低成本）与产品化能力（尤其是面向Agent）三者协同作用的结果，表明全球AI竞争已进入应用与生态比拼的新阶段。资本与算力的捆绑成为另一个鲜明主题。英伟达与OpenAI高达2500亿美元的潜在交易，揭示了算力作为AI时代核心生产资料的地位。这种深度绑定既能缓解头部公司的算力焦虑，也可能构筑更高的行业壁垒，使得后来者挑战头部的难度呈指数级增加。资本正在以前所未有的力度，塑造AI产业的竞争格局。在硬件与监管端，同样风起云涌。宇树科技以极快的审核速度冲刺"人形机器人第一股"，反映了资本市场对具身智能这一AI落地关键载体的极高期待。欧盟AI法案新规的生效，特别是对深度伪造的强制标识，则标志着全球AI治理从讨论走向实质性规制，透明度与责任成为不可回避的合规成本。然而，热潮之下亦有暗礁。亚马逊因缺乏成本监控而烧掉千万余元的案例，是一记响亮的警钟。它揭示了在拥抱AI的过程中，企业内部管理、尤其是与传统IT成本管控不同的、针对API调用等新型支出的监控体系的缺失，可能带来"灾难性的昂贵错误"。最后，华为专家提出的"18层宝塔"理论，为我们理解半导体这一AI基石产业提供了结构化视角。它提醒我们，在关注AI模型和应用的同时，底层硬件产业链的复杂性与纵深，仍是决定产业长期竞争力的根本。AIGC的浪潮，正在同时冲刷着技术、资本、产业和治理的每一个堤岸。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

#ChinaJoy2026# 硬核显示科技登陆展会@微星GAMING @微星笔记本 带来旗舰级超清电竞显示屏宇宙体验官白鲨AyoM、xn.KZ现场打卡#TCL华星##与AI同屏##APEX臻图#画质拉满酣战全场，线下速来体验！#ChinaJoy#【关注+转评赞】宠粉不停！关注@TCL华星 和@微星GAMING、@微星笔记本，带话题#TCL华星##与AI同屏#转发评论本条微博，随机抽取11位幸运小伙伴分别送出【微星 MAG 255F X24 黑刃24.5" FHD 240Hz 高刷电竞显示器*1】和【微星洗漱包*10】~

转发者评论

//@微星GAMING:#TCL华星# #与AI同屏# AI同屏# 大家踊跃参与，微星给玩家送福利咯，再次感谢TCL华星

• //@微星GAMING:#TCL华星# #与AI同屏# AI同屏# 大家踊跃参与，微星给玩家送福利咯，再次感谢TCL华星
• #TCL华星# #与AI同屏# #与AI同屏# 大家踊跃参与，微星给玩家送福利咯，再次感谢TCL华星

原文

【出道30天AI短剧女主社媒吸粉40万：60秒广告报价25.8万 超越千万粉网红】近期，一部名为《被裁掉的女孩》的AI短剧破2亿播放量，被网友称赞为精品短剧，并捧红了其中的女主角方桃子。出道仅仅30天，方桃子的社交媒体就已经吸粉40万，短视频广告报价最高25.8万一条，超多数真人千万粉丝网红。

转发者评论

无明显转发评论

原文

“梁博，你好像做蒸馏比较专业，能谈谈嘛？真的在蒸馏嘛？”答：我厂没有参与蒸馏，大家可能对这个方向理解出现了偏差，蒸馏的强度根本不是我这种小厂能搞的，是大规模工业蒸馏，流水极大，极大的。不是普通小厂能搞的，所有小厂加一起也搞不了。系统性的通过全面的方法把先进大模型的大部分参数权重给“拿”过来，需要的强度大到超出大家的想象。我是知道一些情况的，但是这种说出来就百分百被告了，我是不会说的，只能告诉大家一点，这种玩法存在，而且小厂完全参与不了，大家了解到这一步就够了。

转发者评论

无明显转发评论

原文

周末见了一个海外超级云计算大厂的销售，了解了很多情况，因为他们投资了claude，又有全世界最顶的云计算资源，可以大规模驱动claude模型，原来机器闲置比较严重，现在改卖机器为卖token，全都盘活了，而且财报显示也是非常非常顶，他们手里很多股票，都欢呼雀跃。。还提到了很多国内的一些事情，就没法公开分享了，总之现在云计算大厂真是赚钱赚麻了，流水巨大。

转发者评论

无明显转发评论

• 高质量token是卖方市场

原文

牛人就是干啥都比一般人强。。。你看麻将赛冠军队有9个北大的2个清华的说明什么？一个人知识多后，干什么都优秀，干一行成一行。。。如同现在的大模型。用来干什么都行。未来单独的工具类智能服务，如文字、对话生成智能服务、PPT、图片生成智能服务、视频生成智能服务，未来都会被通用大模型吞没，这些工具类服务1-2年后通用大模型也都能做，而且做得更好。。。

转发者评论

无明显转发评论

原文

【当数学证明变成“外星科技”：人类验证能力的全面崩塌】一位投入上万小时研究数学的专家感叹，面对AI给出的复杂证明，即便拥有数学博士学位也需要数周闭关才能勉强看懂，甚至全球仅有几百人具备验证资格。随着AI在数学竞赛和前沿推演中展现出的能力超越博士水平，我们正进入一个尴尬的转折点：机器产生知识的速度，已经远远超过了人类验证知识真伪的能力。这标志着科研逻辑的底层反转。过去我们认为AI的瓶颈是“创造力”，现在发现真正的瓶颈是“验证力”。在数学领域，虽然可以用Lean等工具进行形式化验证，但在气候科学、公共卫生或AI智能体行为等缺乏“标准答案”的领域，我们正面临严重的评估危机。当AI给出的答案极其深奥且逻辑跳跃时，人类专家可能会像面对外星遗物一样，陷入一种“能用但无法理解”的境地。这意味着教育和科研的重心必须从寻找答案转向如何设计压力测试。如果人类无法在认知上追上AI的推演速度，我们最终可能不得不接受一种基于结果的“黑盒科学”，而不再是基于理解的理性科学。

转发者评论

无明显转发评论

原文

高质量成长陪伴社群：「AIGC・掘金成长研习社」，过去一周（2026.07.27 —2026.08.02)一共分享了 11 个主题帖，从中挑选的精华主题干货一共 5 篇，这 5 篇属于必读必看系列，如下：1、【站在交叉口·高密度阅读】第 30 期：别再纠结「记住读过的每一本书」了地址：网页链接2、官方出品《WorkBuddy 从入门到精通》地址：网页链接3、复业赚钱思考系列：最适合普通人的一条赚钱的经营主线地址：网页链接4、Trae Work官方的知识库地址：网页链接5、Agent Skills 系列视频教程第 28 期：《如何使用 WorkBuddy 来制作宠物带货爆款短视频脚本 skill ？》地址：网页链接AIGC副业圈子#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【#90后奶爸用ai手搓科幻短剧获破亿播放#】上海，90后奶爸江澜靠自学，4个月手搓出科幻AI短剧《归墟》，目前更新11集，播放量破亿。网友评价：演技真实、剧本和立意很牛、画面质感不输院线电影。江澜表示，《归墟》是其第一次尝试做原创AI剧，剧本、分镜、制作全由自己完成，妻子是第一个观众，“最新一集里， 1分钟左右的打斗画面做了三四天”。 青流娱乐的微博视频

转发者评论

无明显转发评论

原文

【伤人先伤己！美国禁用中国AI模型是七伤拳：本国企业每年损失超810亿元】美国正考虑禁用中国开源AI模型，据佐治亚理工学者测算，禁令落地后美国企业每年最高损失可达120亿美元，约合810亿元人民币，大量企业被迫替换为高价专有模型，综合成本大幅上涨，最终反而严重冲击本土产业。

转发者评论

无明显转发评论

原文

【3小时适配！摩尔线程Day-0支持MiniMax H3：国产GPU跟上多模态新模型】MiniMax正式开源多模态生成模型MiniMax H3，摩尔线程仅用3小时就完成该模型在MTT S5000智算卡上的适配，实现发布当天即可运行的Day-0支持，印证国产GPU已能跟上多模态前沿模型的迭代步伐。

转发者评论

无明显转发评论

原文

【国产14nm也能这么猛！东方算芯DF2000内存带宽超英伟达GB200近两倍】国内芯片初创企业东方算芯公布其首款AI芯片DF1000，同时披露了下代DF2000芯片、TY64超级节点及DF3000的相关规划与性能指标。其中DF2000采用14nm工艺，配套自研3.5D封装技术可实现960TB/s内存总带宽，达到英伟达GB200 NVL72的1.6倍以上。

转发者评论

无明显转发评论

原文

GPT真的是能无痛替代其他记账软件了，还能进一步分析什么返点的信用卡适合你的日常消费习惯。我记得有的付费的记账软件好像只能看当年的，gpt fiance也可以整合去年的、之前的。我让gpt帮我找出日常订阅、还有消费最多的商家，看哪些部分可以省钱。虽然我就只连了几张信用卡，但给的分析建议已经很实用了。分类错了你也可以纠正它，gpt会帮你从新分类排好。我日常花最多的是一堆digital service/订阅/服务，其实有些没那么值，是能省下的。有些是能带来ROI的生产力工具，就得保留。吃饭、grocery什么的，反而花不了多少钱。这部分没必要省。找出来可以不续订的服务后，我就交代给我的Codex小秘去处理了。7月份我要是花不到7000就好了。还有大头在小孩学费、房子维修、车贷、保险地税...好些是直接从银行的checking account走的，不是刷卡这个月一次性支出比较多，没办法，回归常态后我再来看看#财商#

转发者评论

app确实没活路了，以后大部分app就当一个插件活在agent里面，主要app是给人操作的，可能还有一部分需要手工操作的app能活下来。

• app确实没活路了，以后大部分app就当一个插件活在agent里面，主要app是给人操作的，可能还有一部分需要手工操作的app能活下来。

原文

#AI时代软件将用完即抛# 我不同意这个观点，AI 时代的软件并不是即用即抛，恰恰相反，是每个人都会根据自己的业务和工作流，利用 AI 开发出独特的适用于自己工作流的软件，这个软件是刚需，高频使用的。这就像是使用大模型一样，如何使用大模型节省 Token ，如何让自己的 Skill Token 消耗量更少呢？肯定不是在自己的工作流里频繁的使用意图识别，而是在一个工作流或者 Skill 里能尽量工具化的地方工具化，把能确定的逻辑固化成工具调用，把真正需要模型判断的部分留给模型。这样一个 Skill 跑起来，大部分步骤走的是确定性的管道，只在关键节点消耗推理能力，整体 Token 用量自然就下来了。这个思路放大到整个"个人软件"的层面也一样。你为自己的工作流搭建的软件，本质上就是在不断地把重复出现的判断固化成规则、把规则固化成代码、把代码封装成可复用的模块。每固化一层，你对 AI 的依赖就从"每次都让它重新理解我的意图"变成"让它在一个已经搭好的框架里做最后一步决策"。前者烧钱、慢、不稳定；后者便宜、快、可控。所以这类软件天然会越用越厚。你用得越多，遇到的边界情况越多，你就会往里面加更多的分支、更多的工具、更多的预处理逻辑。它会长出只有你自己能理解的结构，因为那个结构映射的是你独有的业务上下文。别人拿过去没法直接用，就像别人拿走你的笔记本也读不懂你的速记符号一样。"用完即抛"的说法把 AI 生成的代码等同于一次性脚本，这忽略了一个事实：人会围绕自己的核心工作流持续投入注意力。你今天让 AI 帮你写了一个处理客户数据的小工具，明天你会让它加一个异常处理，后天你会让它对接另一个数据源。三个月后这个东西已经变成了你业务的基础设施，你不会扔掉它，你会继续迭代它。抛掉的成本太高了，因为里面沉淀的是你对自己业务的理解，这些理解重新生成一遍的代价远大于在现有基础上修补。真正会被抛掉的是那些没有进入核心工作流的尝试性代码。但这在任何时代都一样，跟 AI 没关系。程序员从来都会写一堆试验性的脚本然后扔掉，留下来的永远是那些解决了真实、反复出现的问题的东西。AI 改变的是生产这些软件的门槛和速度，没有改变"有用的东西会被留下来并持续生长"这个基本规律。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

在 AI 时代不被淘汰而且还能赚钱的方法之一就是让别人相信你有一种神奇的方法只要学会了就能在 AI 时代不被淘汰而且还能赚钱。

转发者评论

无明显转发评论

原文

【太空没有Windows！英特尔Starfire芯片Linux适配启动：75TOPS航天算力就位】英特尔18A制程太空专用芯片Starfire确认将获得Linux 7.3内核首批支持，最高AI算力75TOPS，可耐受太空-55℃到125℃极端温差，目前已进入送样阶段，将为后续航天在轨计算任务铺路。

转发者评论

无明显转发评论

原文

如何在 YouMind 上一键制作爆款宠物带货短视频？方法超级简单，使用这个 skill 一键直出视频，这是一个可以帮你带货挣钱的 Skill 。skill 地址见评论区。#科技先锋官##How I AI# AIGC·非著名程序员的微博视频

转发者评论

无明显转发评论

原文

阿里巴巴旗下企业级Agent产品“千问办公”（QwenWork）开启公测。个人和企业用户均可通过“千问办公”官网（qwenwork.cn）体验，目前网页版和独立PC客户端已开放，钉钉PC端和手机端内置入口近期也将开放。用户可在“千问办公”体验阿里最新旗舰模型Qwen3.8。#科技先锋官#

转发者评论

无明显转发评论

原文

#AI短剧女主60秒广告报价25万8#说真的，我自己虽然偶尔做些AI视频玩，但是刷到那种AI短剧我是一秒滑走的，完全无法入戏。想象不到谁能看完整部剧直到今天，有个博主说她喜欢看AI剧胜过真人剧，只能说人各有志不论如何，热搜这个话题，AI角色广告25万我觉得有水分。或许将来某一天可以，现在这个大概率是炒作另外想进入影视行业的朋友们要三思了，除了导演还有点空间，演员、编剧、摄影、灯光、服化道这些，都可能被AI替代。

转发者评论

无明显转发评论

原文

今天的#60秒芯闻# ，这是我们的一个金牌栏目，网友评论这是半导体里的”参考消息“！每日精选半导体业界新闻，点击链接可以查看详细内容！#张国斌的芯发布#张国斌的芯发布# 1 手机不好卖 芯片出货量暴跌2 速率达12800Mbps！长鑫存储LPDDR6研发验证进入尾声：剑指全球首发量产3 贸泽扩展工业自动化产品组合，与更多制造商合作以支持新一代系统4 黑芝麻智能与正行创新达成战略合作，全力推动具身智能全球布局5 Abracon 宣布文晔科技成为授权代理商, 携手共拓市场布局6 泰国总理亮相优必选2026泰中合作博览会 携手泰国高校共建具身智能开发生态7 全球第一，智元 WITA-Omni Preview登顶 DailyOmni 全模态理解榜单8 麦格纳获得奇瑞800V电驱动项目定点9 贸泽电子开售Texas Instruments bq79716b-Q1汽车级16节电池监测器，可精确估算电动汽车续航里程10 摩洛哥inwi携手华为完成8T8R商用部署，打造高铁场景移动体验新标杆11 TITAN Haptics将携先进触觉反馈技术亮相ChinaJoy 2026，探索AI驱动的互动娱乐新体验12 高通成为宝马集团未来十年数字座舱与驾驶辅助系统的主要计算芯片提供商13 先积新品发布|400mA低噪声LDO：LTP753H14 达尼森发布新款紧凑型、高精度（ppm级）DP12IP系列电流传感器15 芯谷双新品齐发：ISSW-00304T-PD-PL4与ISSW-0020DT-PD-PL3，夯实射频开关高端赛道16 CS8755 国产大功率2x150W双声道D类功放芯片解决方案17 英飞凌推出面向大批量工业自动化应用的紧凑型ISSI20BxxF系列，进一步扩展固态隔离器（SSI）产品组合18 思瑞浦TPM27524A-DFSR：极小封装双路5A低边驱动硬核突围，助力高功率密度驱动设计19 紧凑机身，释放边缘算力：研华 AIR-055 带来多模态视觉AI新选择20 思特威子公司飞凌微宣布推出新一代车载视觉处理SoC M2网页链接

转发者评论

无明显转发评论

原文

【手机芯片厂跨界做AI芯片！联发科盯上谷歌和Meta大单】联发科CEO透露，400G/448G高速接口研发顺利，预计2027年下半年就绪，被视为竞逐谷歌TPU v10和Meta下一代AI芯片订单的门票。首款AI定制芯片今年四季度量产，早前已拿下谷歌TPU v9主要订单，并把2027年ASIC市占率目标上调至15%-20%。

转发者评论

无明显转发评论

原文

招聘全职主持人，北京。汽车类、AI类、机器人类。表达流畅、普通话好、男的形象干净利索、女的形象好看不俗。不要纯新手、有一些经验。固定工资+商业分成，并且我司是行业巨大商业营销公司，商业机会更更多。私信发我简历，开头第一句：应聘主持人。

转发者评论

无明显转发评论

原文

#DeepSeek又发重磅更新# V4-Flash这个定价策略，已经不是“卷价格”那么简单了。0.02元/百万tokens的缓存命中成本，这不是在抢市场，这是在重新定义什么叫“可以随便用”。当调用成本低到开发者不需要在每个API请求前心算预算的时候，整个应用层的创新逻辑都会变——以前那些因为“太贵所以只能精简prompt”、“太贵所以只能限制调用次数”的产品设计约束，全部失效。这才是真正的降维打击，不是比你便宜一半，是便宜到让你的商业模式假设整个失效。 deepseek又发重磅更新

转发者评论

无明显转发评论

原文

效率不高的打工人请疯狂使用这些工具小而美的在线效率工具，每个都超实用1. PearOCR图片文字识别提取链接：pearocr.com2. ChatExcelAI帮你「精通」Excel链接：chatexcel.com3. Pansearch不允许还有人不会找资源链接：pansearch.me4. AlltoAll：文件格式转换用它都能搞定5. AI帮个忙文字工作者辅助神器链接：aibang.run6. RemoveBG不会PS也能精准抠图✅链接：remove.bg7. WeiboDang网页视频一键解析下载链接：weibodang.cn/#google_vignette8. 花火数图链接：hanabi.data-viz.cn

转发者评论

无明显转发评论

原文

如果考虑“伪并行”，以前我大概能同时处理五、六件事，多了会开始有点切换不过来。现在经常需要使用 Agent 干活，按理说能并行做的事情应该更多才对，但我感觉反而降低到三件事左右。通过体验想了下可能的原因。其一是节奏的控制权被迫交给了 Agent，以前做的事情虽然多，但可以自己控制每件事要做到什么程度再切换，有条不紊、运筹帷幄。但现在知道 Agent 已经回复后就很难不马上切换过去看看。其二是每次接手 Agent 工作的信息量比较多，需要阅读、思考、审查、试验等等，还得构思下一步的提示词。工作记忆填充十分快，而且频繁切换思考的主题对认知也有不小的压力。

转发者评论

无明显转发评论