微博 AI 观察博客

原文

我把自己写了十几年的机器学习讲义，全做成了可以「动手玩」的网页前段时间我把 Transformer 那一份讲义做成了交互式教程：公式旁边就是可以拖的滑块，注意力矩阵随着你改参数实时变化，KV cache、RoPE、FlashAttention 这些东西不再是纸上的下标，而是你能亲手推一下、看它怎么动的东西。做完之后我盯着那个页面看了很久，冒出一个念头：既然 Transformer 可以这样，那我十几年写过的其他几十份在GitHub上的讲义网页链接，为什么不行？于是就有了这个东西。到今天为止：48 个主题 · 294 章 · 129 个交互实验网址：网页链接都有些什么第 0 部分 · 入门 什么是 AI / ML / DL、数学补充、贝叶斯基础第 I 部分 · 统计机器学习 模型评估、决策树、回归、神经网络精要、无监督学习与降维、推荐系统第 II 部分 · 优化 梯度下降基础、对偶理论与 ADMM、共轭梯度、梯度下降的隐式偏置第 III 部分 · 概率推断 概率图模型、EM 算法、变分贝叶斯、变分贝叶斯（流模型与现代实例）、马尔可夫链与 MCMC、粒子滤波与序贯蒙特卡罗、状态空间模型、方差缩减、Rao-Blackwell 化、重参数化技巧第 IV 部分 · 贝叶斯非参数 狄利克雷过程、BNP 扩展与 HDP、完全随机测度、行列式点过程第 V 部分 · 深度学习 自然语言处理的数学、Transformer、生成对抗网络、生成模型综述、图神经网络第 VI 部分 · 微分方程方法 神经常微分方程与伴随方法、随机微分方程与扩散模型第 VII 部分 · 机器学习理论 机器学习理论导论、集中不等式、Rademacher 复杂度与覆盖数、神经正切核、PAC-贝叶斯、再生核希尔伯特空间与高斯过程、Johnson–Lindenstrauss 引理、随机矩阵理论、隐式正则化、基于压缩的泛化界、无限宽神经网络（NNGP/NTK）第 VIII 部分 · 强化学习 策略梯度的数学第 IX 部分 · 应用 三维计算机视觉、现代计算机视觉还有十几个主题在路上：概率与估计、贝叶斯分类与信念网络、线性模型与 SVM、卷积神经网络与进展、受限玻尔兹曼机与对比散度、贝叶斯深度学习、深度强化学习与 DQN、蒙特卡洛树搜索与游戏等，会陆续补上。关于注册，我先说清楚这三个主题不用注册，点开就能看完：Transformer（10 章 · 8 个交互实验）现代计算机视觉（8 章 · 3 个交互实验）策略梯度的数学（7 章 · 2 个交互实验）其余 45 个主题需要用邮箱注册一个免费账号。我知道知乎的朋友看到「注册」两个字就想关页面，所以把话说在前面：完全免费只收三样东西：姓名、邮箱、学校或公司。没有密码（邮箱验证码登录），没有第三方追踪，邮箱不会给任何人；我要这个信息，纯粹是想知道这份讲义到底传到了什么人…

转发者评论

无明显转发评论

• 赞徐老师[赞]//@文光围脖1://@Maeiee:转发微博

原文

#模型时代# Gavin Baker：AI股市暴跌的真相，没看到产业掉头的量化指标AI资本市场这个议题其实我特别不熟悉。不过看讨论很热，所以找来一期播客，做一个记录。嘉宾是Atreides Management创始人、管理合伙人兼首席投资官Gavin Baker把，它这个月（7月）形容为“把2022年压缩进一个月”。他此前在富达工作了18年，长期覆盖科技投资。2026年7月，多只AI和半导体股票从高点连续回撤，跌幅达到40%至60%。主持人Patrick O’Shaughnessy问：公开市场究竟提前看见了产业拐点，还是在用旧周期的经验给新一轮基础设施建设定价？Baker的回答相当鲜明。他在硅谷访问了云厂商、模型公司和AI原生创业公司，看到的GPU租赁报价、DRAM现货价格、Token用量与云厂商运营现金流仍在改善。一、7月抛售由什么触发1、Meta出租算力，被市场读成产能过剩第一轮抛售来自Meta计划向外出租一部分算力。市场迅速形成一条悲观解释：Meta有多余GPU，AI需求可能不足，公司随后会削减资本开支。Baker看到的信号相反。Meta公布财报时没有下调资本开支，他接触到的建设计划也没有减速。公司随后发布了官方名称为Muse Spark 1.1的模型。Baker认为，这说明Meta仍在加速模型能力建设。节目中还有一段容易被截断的推演。Baker先猜测，Meta也许想拿一小部分容量验证高租金回报，再通过股权融资扩大资本开支；他紧接着说：“目前看起来他们并没有这么做。”Meta当时只是尝试变现部分算力，资本开支计划没有退坡。2、开放模型拉低账单，被误读成算力需求下降随后，中国开放模型的能力上升，部分Token统计指数又出现放缓。市场把两件事连在一起：企业从昂贵的前沿模型迁移到便宜的开放模型，模型公司的收入和基础设施需求都会承压。Baker把这拆成了两个问题。企业支付的账单可能下降，因为前沿模型Token的毛利率被他估在80%至95%，开放模型服务的毛利率可能只有约30%。但生成Token依然需要计算、存储、电力和散热。相同任务下的Token不能简单视为完全等价，不过从高毛利Token切换到低毛利Token，首先减少的是模型服务层的利润。价格下降还会刺激更多使用，基础设施层拿到的工作量未必减少。英伟达CEO黄仁勋长期支持开放模型，Baker把这看作一个商业信号：如果开放模型会系统性削弱GPU需求，它就不大可能成为英伟达的重点议题。他同时给出社会层面的理由。若生态只剩一两家前沿模型，并长期维持接近90%的毛利，能力和收益都会过度集中。3、中国出现DUV进展，引发半导体设备股抛售第三个触发点是中国在DUV光刻设备上的进展。DUV和EUV都是芯片制造使用的光刻技术。EUV能用较少的多重图形化步骤支持先进制程，DUV若要完成相近任务，通常需要更多工序。Baker…

转发者评论

无明显转发评论

原文

1我在六个月之前也认为自研模型能力是护城河。我看评论里面很多人也这么认为。2但是 DeepSeek 史诗级的开源发布和后面能力的不断进步已经改变了这一切。他把模型从象牙塔，人类创造智能，神秘主义，网络攻击和模型安全，变成了一个。。。电力公司和自来水厂的生意。。。3这背后，是准 SOTA 模型的训练成本的疯狂下降。达到GPT-3.5水平的模型推理成本从2022年11月的20美元/百万token，已经骤降至2024年10月的0.07美元/百万token，下降了280倍。更恐怖的是，训练一个准SOTA模型的成本，大概也下降了 20 倍。韩国都推出了100B的自训模型了，你想什么呢。。。4自来水和电力未来人人可获得，而且不会贵。感谢 DeepSeek 吧未来准 SOTA 能力的 Token 就是水电流量级别的价格。Token 消耗会真正大众化。5开源模型（如 DeepSeek、Qwen 等）扮演了“将基础设施大众商品化”的角色。市场扩大了，但是利润不会凭空消失，他会转移。（Ben Thompson 经常引用的Clayton Christensen 的理论）当某一环节被大规模商品化（开源模型把 Token 价格打下来），利润就会转移到与之相邻的互补环节。转移到哪里呢？“在一条价值链中，定价权（Pricing Power）和超额利润（Economic Rent），永远归属于那个‘最稀缺、最不标准化、最难以被替代的瓶颈环节（Bottleneck）’。”6所以，OpenAI 和 Anthropic要想活下去并赚取高利润，必须证明自己不仅仅是“模型提供商”，而是：结果的交付者（卖结果而非卖 Token，Palantir 其实是教科书级别的案例） ；高壁垒工作流与终端入口的拥有者（做 AI 时代的苹果渗透终端，而非 AI 时代的通用 API 供应商，其实也是教科书级别的案例）。所以你们关注这两个公司的招聘，你会看到：前线部署工程师”（Forward Deployed Engineer, FDE），OpenAI 的 Hardware / Consumer Device 团队（联合前 Apple 首席设计师 Jony Ive 以及收购约 20 人的消费电子硬件团队），所以，他们肯定知道活路在什么方向，能不能走得通而已。

转发者评论

无明显转发评论

原文

#模型时代# 再开源一本新书：《FDE入门到精通：八堂课学会将AI送进客户现场》今年上半年最火的AI组织/岗位是OPC，下半年最火的应该就是FDE了。其实几个月前，我没有深研究它的时候，是有点存疑的，不过最近和业界做了一些交流，我比较确信这个职能需求的确定性。正巧，AI Engineer World's Fair 2026组织了一场会议，专门讨论Forward Deployed Engineering。我看了其中八场演讲。讲者分别来自Anthropic、Factory、Cognition、Ramp、Sierra、Decagon、Kepler和Varick Agents。感觉很有价值，就根据演讲做了这样一本开源电子书。FDE这个岗位，真正想解决的，是一个很具体的问题：模型已经越来越会写代码了，为什么企业里的AI项目，还是经常停留在演示和试点？因为一套Agent进入客户现场以后，遇到的问题跟演示环境完全不是一回事。数据可能散落在SAP、Salesforce和各种旧系统里；文档里写的流程，和员工平时真正执行的流程可能根本不一样；正常情况很好处理，麻烦的是那些从来没人整理过的例外；业务部门、安全部门和技术团队，对“项目做成了”也可能有三套标准。所以，企业买了模型，不等于得到了结果。模型能力和业务结果之间，还有很长一段路要走。FDE——Forward Deployed Engineer，前向部署工程师——做的就是这段工作。我把这八场演讲整理成了八堂课。第一课先讲FDE这个职位是怎么来的。借着Palantir的发展过程，看看FDE为什么会从基础设施、数据整合，一路做到解决方案、客户培训和产品战略。也能理解为什么有人会说，FDE这个名字已经装进了太多不同的工作，甚至有点失去意义了。第二课先不急着招人，而是判断一家公司到底需不需要FDE。我在书里整理了一张二维图：一边看平台成熟度，一边看客户之间的差异度。如果平台还没搭好，FDE很容易变成给每个客户单独写代码；如果客户需求都差不多，那问题可能本来就应该由产品团队解决。第三课开始进入客户现场。客户往往不是带着问题来的，而是带着一个他自己想好的方案来的。FDE要做的，是继续往下挖：到底是哪一步出了问题？谁真的在用？什么结果才算成功？第四课讨论怎么把一家公司的隐性流程画出来。很多企业流程并没有完整写在文档里，而是存在于人的习惯、部门分工和各种例外处理里。如果不先把这些东西弄清楚，AI只是把一条原本就有问题的流程跑得更快。第五课讲范围控制。Ramp举了一个周五晚上突然要求接入SAP的例子。技术上可能不是不能做，但FDE必须先判断：这件事是不是当前目标的一部分？现在做，会不会把一个本来两周能验证的项目拖成半年？所以，最稀缺的工程能力有时候不是写代码，而是在写代码之前说清楚：这次不做什么。第六课讨论另一个很现实的问题：AI写代码越来越…

转发者评论

无明显转发评论

原文

一个有意思的研究项目，Shepherd。现在Agent的权限越来越高，万一做了什么高危操作或者不可逆操作很危险。这个项目把Agent的执行过程转换为可逆的、类似 Git 的追踪记录，使得上一级的元Agent能够观察、分叉、重放和回滚任何Agent的运行过程。地址：github.com/shepherd-agents/shepherd-----------“随着LLM智能体系统承担越来越复杂的任务，它们越来越依赖元智能体：这些高阶智能体能够创建、操作和管理其他智能体。元智能体操作（如协调智能体、在执行前暂停危险行为、或修复失败运行）需要在运行时对智能体执行过程进行干预。然而现有的智能体基础架构使这变得困难：它们仅暴露对话记录和环境快照，迫使元智能体构建临时工具来重建和操作完整的执行状态。为此，我们提出SHEPHERD——一个基于函数式编程原则的Python基础架构。在该架构中，智能体的执行过程本身成为元智能体可轻松检查和转换的一等对象。每个模型动作、工具调用和环境变化都成为可逆类Git执行轨迹中的结构化事件，任何历史状态的回滚速度比docker commit和fork快5倍。三个用例展示了SHEPHERD的通用性：(1) 监管元智能体可防止并行编码智能体间的冲突，将CooperBench上的配对编码通过率从28.8%提升至54.7%；(2) 反事实优化元智能体通过提出修改方案并从行为改变点重放运行来修复智能体工作流，在Terminal-Bench 2.0上以降低58%的挂钟时间实现比MetaHarness高12.8%的性能；(3) 训练元智能体在展开过程中选择分叉点以改进长周期智能体强化学习中的信用分配，使GRPO在Terminal-Bench 2.0上的提升效果翻倍。我们开源SHEPHERD，使普通用户和元智能体都能对智能体执行过程进行规范且高效的操作。” 蚁工厂的微博视频

转发者评论

无明显转发评论

原文

【7月#微博大模型月报# | 国产开源对垒海外闭源】 7月微博科技AI相关热搜662个（含科技榜）｜阅读量21亿｜互动讨论441万｜上榜品牌12家Kimi K3开源、DeepSeek V4 Flash发布、Seedance 2.5发布、WAIC大会、AI安全等话题持续引发讨论，模型竞争也逐渐从参数比拼，走向产品、生态与真实应用能力的全面竞争。@微博AI 联合 @刘聪NLP 共同整理7月模型动态，聚焦微博热搜与行业热点，梳理开源脉络与生态进展，从讨论热度到技术演进，一图看懂7月AI发生了什么👇评论区聊聊：7月最让你印象深刻的大模型事件是什么？是Kimi K3、DeepSeek V4 Flash、WAIC，还是AI安全争议？

转发者评论

//@德里克文:#微博大模型月报# 来看七月份AI领域都发生了什么大事！

• //@德里克文:#微博大模型月报# 来看七月份AI领域都发生了什么大事！
• #微博大模型月报# 来看七月份AI领域都发生了什么大事！
• 这一个月的新闻信息量好大
• 我认为印象最深的还是 Kimi K3 的发布吧。
• 6月份的GLM5.2算是吹响了冲击高端模型的号角吧，7月Kimi K3开始正面硬刚最强模型了，又有DeepSeekV4 Flash拉爆了日常使用中的性价比。还有顶尖的视频模型和顶尖的开源视频模型。仿佛黄金时代[doge] //@·NANA子·:[写作业][写作业]

原文

俺上电视啦! 聊聊 kimi-k3 这么猛为什么还要开源 ？上周有幸接受了深圳卫视-科创最前沿栏目的采访, 主要聊了聊 Kimi-K3 这次取得如此牛的成绩背后的意义. 以及SOTA级别的模型就这样开放权重了, 不怕别人抄吗?在我来看是真不怕的, 想象一下一个武林高手, 把自己的秘籍写成书, 免费送. 那是不是就意味着这些武林秘籍不是谁都练的. 大模型的情况也是这样的, 虽然权重也开源了, 训练技术也开源了, 但是, 最重要的, 训练使用的数据和经验, 这个是没开源的. 举个最典型的例子, 现在个人拿到kimi-k3的模型权重, 然后自己租算力微调, 大概率是会把模型越调越拉跨的. 就是因为既没有优质的后训练数据, 也没有优秀的后训练能力. 而现在大模型训练的数据其实大部分都是AI合成的了. 护城河已经从“静态的代码和模型权重”转移到了“持续的进化能力和数据飞轮”了. 所以即使全面复刻了 kimi-k3 的技术架构, 但是没有高质量合成数据流和持续的后训练体系, 也是没有办法竞争的. 但是 kimi-k3 开源获得的收益却是事实存在的, 不但能获得超高的曝光, 而且还能提升自己的社区影响力, 并且还能收获社区的正向反馈. 开源出来的训练工具链, 社区优秀的工程师在使用中也会不断的帮助反馈和提升. 形成整个生态的进步. 得道者多助这个道理是不会变的.#HOW I AI##kimik3##深圳卫视##科创最前沿# karminski-牙医的微博视频

转发者评论

这色调搭配太粉了，看配色以为上的是相亲电视节目呢。[二哈]//@Maeiee:[打call][打call]//@蚁工厂:排面！

• 这色调搭配太粉了，看配色以为上的是相亲电视节目呢。[二哈]//@Maeiee:[打call][打call]//@蚁工厂:排面！
• //@蚁工厂:排面！

原文

微信总是想着大家都去他们家一亩三分地耕耘，还幻想着未来微信会继续是超级入口，人人都在用微信，所以只需要让 AI 去操作小程序。但现实是，未来微信的入口属性会越来越少，以后的年轻人，不会再去打开微信，只会问自己的 Agent：去帮我总结一下我昨天的群聊，去给我妈发条消息说晚上不回家吃饭了。而这个承担超级入口职责的 Agent，大概率不是微信 AI。这一波 Agent 进化是先从效率场景开始：编程 -> 办公 -> 其他微信的主要场景恰恰是生活类的，这一类目前 Agent 能力还不够，能做的事情很有限，到时候就算接入了一堆的小程序，以微信 AI 的能力现在不一定就能处理好生活类场景，比如帮你订个机票酒店什么的。等到效率场景都被其他 Agent 抢占用户心智了，会自然而然的泛化到生活场景，用户会倾向于都用相同的 Agent，那时候就真没微信 AI 啥事了。---小龙虾为什么很成功，至少有两个因素是很重要的：1. 它没有那么多权限、安全上的顾虑，能连接很多你的隐私数据，能有很高的权限运行脚本。且不说安全性问题，但很多任务确实是少不了这些权限，Claude Cowork 我不爱用恰恰就是权限卡的太死了。2. 它有一个 PC 作为运行环境，实时编写脚本反复尝试、消耗了大量 Token 后大力出奇迹，反正结果给你做成了而微信 AI 这两者都不具备，既拿不到你手机多少权限，也没有一个长期稳定运行 Agent 的环境，更不会给你烧很多 Token。指望把这个成本转嫁到小程序，问题是开发者也不傻，不可能会给你贡献 Token 的。最终大部分场景是体现不出 Agent 能力的，用户用完会觉得这还不如直接手机上指挥 Codex、Claude Code 等---微信 AI 想复制 Agent Skills 的成功，甚至开发规范都是参考 Skill 和 MCP 来定义的 （图2）但是小程序却有几个致命的缺陷：1. 无法自动进化Skill 有不足，Agent 在用的时候就能发现，Agent 直接就能改，越改越好用。小程序是要打包要审查的，Agent 用的时候发现问题，它也许能汇报给开发者，但是无法去改，就算不好用也只能凑合甚至“摆烂”2. 无法高度定制化好用的 Skill 都是高度个性化的，每个人的偏好不一样，Skill 受欢迎一个原因也是每个人都可以去自己定制，从头写或者找个开源的，让 Agent 帮改改，再加上自动进化和记忆能力，它会越来越好用。3. Agent 图形界面操作能力远不如脚本能力小程序是图形界面操作，除非微信 AI 把小程序的接口搞的跟 CLI 一样，让 Agent 可以像命令行工具一样操作小程序，否则模型操作小程序的成本和成功率都很难做好。---微信总以为自己是 OS（操作系统），但是它不是，它只是寄生在手机系统上的庞然大物罢了。当年豆包手机想访问微信它拒绝了，但很…

转发者评论

话说微信的 Agent 如何了？未来是 WorkBuddy 更有前途还是微信 Agent 更有前途？

• 话说微信的 Agent 如何了？未来是 WorkBuddy 更有前途还是微信 Agent 更有前途？

原文

目前 AI 真正跑通商业闭环的业务：1. Code Agent SWE-bench从2024年初的<30%飆升至2025年的80%以上这是目前最成熟的AI垂直应用，技术和商业模式都已验证。2. 语音Summary（Plaud、钉钉） Plaud 已形成"硬件+SaaS订阅"的完整闭环，钉钉A1 等大厂跟进。3. 小视频/短剧 多元变现路径：付费点播、广告、会员、IPA等。4. Palantir FDE模式 拿下美国战争部这个大客户。5 DeepSeek 这种开源社会基础设施V4 Flash上线单日8万亿Token 消耗，3T 付费。6 自动驾驶 CNN 网络Tesla 等车企的自动驾驶 AI 。除此之外，基本没有。

转发者评论

无明显转发评论

原文

Artificial Analysis搞了一个对开源模型很有用的指数：端点准确性指数，用于衡量每家开源模型供应商的API保留了多少开放权重模型的准确性。除了基本的性能指标外，他们还列出了每家的价格（包括考虑缓存命中后的综合价格）。对选择哪家供应商是一个很好的参考了。比如Scaleway这家供应的GLM5.2就很鸡贼啊。价格最高，水平却很靠后。。-------------官方介绍：“提供商通过牺牲准确性来优化速度和成本。他们量化权重、编写自定义内核并调整推理堆栈，有时甚至会引入bug。我们将人工分析智能指数的严谨性应用于端点测量，使开发者能够根据准确性而非仅凭价格和速度来选择提供商。我们将每个无服务器端点与我们自行部署的官方权重参考基准进行对比，其中100%表示与参考基准完全匹配。当端点结果落在参考基准的95%置信区间内时，即视为达到参考基准等效。GLM-5.2、gpt-oss-120b和DeepSeek V4 Pro的覆盖率现已上线，Kimi K3的准确性覆盖率即将推出。”#How I AI#

转发者评论

无明显转发评论

• 类似于原厂要，仿制药，也需要一致性评价。

原文

[CL]《DiffusionGemma Technical Report》D T A A Taïga, J Assiene, D Calandriello, R Chaabouni… [Google DeepMind] (2026) 在大型语言模型领域，传统的自回归（AR）解码是一个严重的效率瓶颈。过去的方法受困于逐个 Token 生成的串行机制，本质原因是受限于内存带宽而非计算能力，导致硬件利用率极低且推理延迟随长度线性增长。本文的核心洞见是：通过将文本生成重新看作一个并行迭代的离散扩散（Discrete Diffusion）过程。由此，将预训练的 Gemma 4 模型微调为同时处理 256 个 Token 的“画布”，并结合采样器蒸馏与强化学习（SD·RL）这一关键操作，使模型能以极少的迭代步数从噪声中熔炼出完整文本块。这项工作真正留下的遗产是确立了文本生成速度与智能水平的新帕累托前沿，在 H100 上实现了每秒 1500 Token 的极致吞吐。它为后来者打开了通往超低延迟智能体和实时交互应用的新门，但尚未跨过的门槛是彻底消除扩散生成中偶发的 Token 重复，以及弥合其与原生自回归模型之间的绝对性能差距。arxiv.org/abs/2608.00146 #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

• //@丕子://@爱可可-爱生活:数独，JSON提取，代码补丁，逻辑陷阱题。这四个场景的共性：答案的每一部分都在互相约束。AR模型做这类任务的痛苦在于，你第三个token写错了，第三十个token才暴露矛盾，但你回不去了。你只能往前跑，寄希望于后文能把前文的错“圆”回来。人类做数独不是这样的，人类是填一
• //@爱可可-爱生活:数独，JSON提取，代码补丁，逻辑陷阱题。这四个场景的共性：答案的每一部分都在互相约束。AR模型做这类任务的痛苦在于，你第三个token写错了，第三十个token才暴露矛盾，但你回不去了。你只能往前跑，寄希望于后文能把前文的错“圆”回来。人类做数独不是这样的，人类是填一格，看三
• 数独，JSON提取，代码补丁，逻辑陷阱题。这四个场景的共性：答案的每一部分都在互相约束。AR模型做这类任务的痛苦在于，你第三个token写错了，第三十个token才暴露矛盾，但你回不去了。你只能往前跑，寄希望于后文能把前文的错“圆”回来。人类做数独不是这样的，人类是填一格，看三行，擦掉，重来。扩

原文

不到二十天，拿下两个「第一」！百度文心助手又一次开启霸榜模式。SuperCLUE最新XClaw「龙虾」测评中，十大国产产品同台厮杀，唯有文心助手斩获97.62最高分——记忆100分，数据处理98.86分列第一，内容创作99.44分，研究分析96.44分。7月20日，它又在权威PinchBench v2上拿下94.6%，问鼎世界第一。免费不限量。XClaw只看交付题，不要选择题，模型必须严格按指令给出成果。记忆能力的100分最关键——聊到第四轮忘了第一轮条件，那叫一个崩溃。实测让文心写商业计划书，它自己提取文件、结构化拆解，交回6000余字、148段的完整BP。PinchBench v2由Kilo AI操刀，考察Agent能否端到端跑通全流程。59个模型角逐，文心助手任务Agent以94.6%最高分夺冠，身后是GPT-5.6-luna、Claude Opus 4.8-fast等国际顶流，工具调用、多步任务规划表现尤为抢眼。这套全球顶配能力被原封不动塞进百度App，不设付费墙。百度做了二十多年搜索引擎，搜索与Agent技术结构高度同构，这波转化，百度做到了。

转发者评论

无明显转发评论

原文

关于近期“竹知了”相关网络信息的情况说明近日，围绕“竹知了”相关话题，网络上出现了大量讨论，也有不少网友对相关投诉提出疑问。此前，我们希望通过克制处理，避免进一步放大争议，随着相关信息持续扩散，一些说法逐渐偏离事实。我们感谢大家的关注、批评和监督。现将有关事实说明如下：长期以来，网络上持续存在恶意剪辑、仿冒相关高管声音、利用AI丑化肖像、虚假归因、侮辱诽谤等侵害个人合法权益的内容。我们一直依法开展日常取证和投诉。本次投诉是日常维权工作的一部分，针对的是具体侵权内容，并非针对“竹知了”玩具。截至8月4日晚，共监测到相关网络信息累计5.6万余条。我们实际对其中171条具体侵权内容发起投诉，平台反馈下架144条。经多部门复核，相关投诉均有明确侵权事实和留存证据，不存在仅为正常把玩、制作、展示或者销售“竹知了”的内容。我们未向任何电商平台投诉“竹知了”商品，也从未要求任何电商平台下架、停售该商品。网络上有关“全网下架”、“禁止销售”、“许多单纯展示玩具或分享童年回忆的普通视频也被连带下架，部分账号头像变灰、昵称被重置”等说法与事实不符。我们珍视消费者的每一份关注，聚焦产品和服务体验，也愿意认真倾听大家的批评与建议。面对不同声音，我们会保持谦逊、真诚和克制，不断改进工作。我们尊重正常的网络表达和善意批评，同时也将依法维护企业和个人的合法权益。再次感谢大家的关注和监督。

转发者评论

无明显转发评论

• “竹知了”事件的官方回应来了
• 不抓几个人不行了我看//@科技有意思:坏人伪装成了群众，然后挑唆群众喷华为

原文

在WorkBuddy一句话搭建你的「个人工作台」！不懂建工作台，来这里抄作业！在WorkBuddy一句话搭建你的「个人工作台」现在，WorkBuddy针对「个人工作台」上线了一系列能力，你可以从17个现成模板中挑选喜欢的版本，一键“做同款”；也可以直接告诉「工作台搭建师」专家，满足你的需求，让它从0到1帮你搭建。#工作台##workbuddy##ai agent##ai##微博vibelab# 腾讯WorkBuddy的微博视频

转发者评论

//@caozenghui:官方。//@谢小斌:终于能搭建自己的“个人工作台”了呀！WorkBuddy一键搭建个人AI工作台，方便又简单……

• //@caozenghui:官方。//@谢小斌:终于能搭建自己的“个人工作台”了呀！WorkBuddy一键搭建个人AI工作台，方便又简单……

原文

说点正经事，minimax H3是得到可用级别的开源模型。等着社区优化，速度还会上来，到时候可以搞点二手计算卡提供api。基于这个来搞点生意是可行的，不过要严格计算投入产出比。另外还有一个模型，也达到了可用级，我看没多少人提。就是fish audio s2-pro，只有4B。其实部署大模型，是没有多少赚头的，因为需要的算力太高了。但是图片模型，音频模型，部分视频模型，需要的算力并不算很高。这些还是很有希望盈利的。模型地址：www.modelscope.cn/models/fishaudio/s2-pro

转发者评论

无明显转发评论

原文

Cloudflare 宣布推出 Wallets（今天股价也创新高），一个面向“Agent 互联网”的可编程钱包！AI Agent 目前很难自主试用新的 API。注册页面是为人类设计的，Agent 既没有稳定的身份标识，也没有原生的付款方式，因此往往只能把注册、绑定支付方式、生成 API key 这些环节交回给人处理，阻碍了 Agent 商业的发展。Wallets 分两层。账户钱包（Account Wallet）属于人类账户所有者，负责充值、提现和向下授权额度；虚拟钱包（Virtual Wallet）通过 API key 提供给 Agent 使用，花费上限由账户钱包设定。所有者可以配置额度、白名单、单笔交易上限等护栏。例如给每位员工每周 100 美元的 AI 推理预算；超支时由授权的人类审批放宽额度或一次性追加资金。钱包使用稳定币，配合此前发布的 Monetization Gateway 和 x402 协议实现微支付——把付款附加在 HTTP 请求上，用于购买 API、MCP 工具、内容或推理服务。花费上限看似限制，实际反而给了 Agent 更多自由：如果只负责 10 美元，人类就不必事事盯着，而试用一个 API 可能只需几分钱，足够探索很多选项。钱包会通过 cloudflare.pay 与 Cloudflare 账户绑定，Agent 可以选择性地公开身份，让商家知道它代表哪个组织。Cloudflare 把这类比为对待 VPN 的思路——匿名不等于不可信，但需要更多举证。卖方用 Monetization Gateway 收款，买方用 Wallets 付款，身份层负责双方互认，三块拼在一起构成一个headless 的互联网市场。目前开放的功能是认领钱包 handle，实际支付能力稍后上线。Web 3 没玩明白的，现在被 Cloudflare 给玩明白了😆

转发者评论

无明显转发评论

原文

【专业能力才是最高级的提示词：为什么顶级专家用AI更强】一个被广泛忽略的现实：最顶级的Prompting技巧其实是深厚的领域知识。作者观察到数学家陶哲轩在与ChatGPT交流时，指令极短且直击要害，因为他能用极其专业的术语将模型从“科普模式”瞬间切换到“专家模式”。这种“信号传递”让LLM意识到它在和谁对话，从而输出完全不同量级的内容。反观很多缺乏背景的新手，往往因为没有足够的术语库（Vocabulary）而陷入无效的循环讨论，甚至无法准确判断AI给出的答案到底是突破还是幻觉。社区对此引发了关于“AI马太效应”的激辩：一种观点认为LLM是平权工具，让外行也能写出及格的代码；但另一种更犀利的视角指出，LLM本质上是一个概率放大器。专家在用高质量的约束条件（Conditioning）缩小模型的搜索空间，让答案向正确方向塌缩；而外行则是在给AI自由发挥的权力，最终得到的是概率上的平庸。这不仅关乎效率，更关乎一种“认知债”：如果完全依赖AI而不去理解底层逻辑，新人可能永远无法建立起足以审视AI产出的判断力。未来的核心竞争力或许不再是体力活般的执行，而是那种能一眼识别出“哪里不对劲”的审美与直觉。模型确实拉高了所有人的底线，但专业能力依然决定着那个无法被轻易跨越的天花板。

转发者评论

无明显转发评论

原文

翻开梁文锋26岁时留下的微博就会明白，DeepSeek后来的脱颖而出，从来不是某一套技术路线的偶然胜利。2011年，26岁的他开着一辆普通菲亚特，独自奔赴西藏。同行的人在拉萨结束旅程便乘机返程，只有他选择继续向西。穿过羊卓雍措，途经珠峰与希夏邦马，他孤身驾车深入阿里无人区四百公里。手里只有一台入门级尼康D50套机，为了等一束恰到好处的天光，他可以静静守候大半天，拍出的画面却堪比职业摄影师。他在微博写下“风萧萧兮易水寒”“古道西风瘦马”，写下独属于独行之人的一腔孤勇。这场旅程的结局充满宿命感：他在无人区被困整整一周，靠着自救艰难脱身，而那辆菲亚特，永远留在了茫茫高原。他写下最后一条旅途动态：被困无人区一个星期，所幸我出来了。但我的菲亚特没有出来。它永远地留在了那片漫无边际的高山草原。That's the END。十二年后，他创办了DeepSeek。两段人生对照，行事逻辑一模一样。当行业里绝大多数人停在“拉萨”，扎堆追逐短期应用、快速商业化变现时，只有他执意往更深的无人区走去，沉下心攻坚基础大模型与AGI。常年低调少融资、少社交、极少出席行业峰会。就像他用入门相机死磕光影极致一样，DeepSeek从不靠海量资金盲目堆算力，而是把算法效率压榨到极限，用同行十分之一的成本，交出比肩顶尖水准的模型成果。也像他坦然遗弃车辆、从容写下结局的性格：被开源也好，遭遇外部制裁也罢，他从不在意一时得失。输了便坦然接受，收拾行囊继续向前。外界总在拆解DeepSeek的技术架构、成本模型、时代红利，却很少看见根源所在。一个敢独自驱车闯入无人区四百公里的人，注定不会跟风走旁人的路；一个丢下车身仍能从容前行的人，自然不会纠结短期融资与估值起伏；一个愿意为一束光长久等待的人，做模型时自然会打磨好每一分算力。DeepSeek从来不是一份精密商业计划书催生的产物，它是一个人刻在骨子里的性格，在十二年之后，自然而然生长出来的结果。当年在雪域荒原死里逃生的年轻旅人，和如今搅动全球AI格局的创始人，自始至终，都是同一个人。

转发者评论

无明显转发评论

原文

这真的是高质量的访谈啊，YouMind 创始人玉伯（前阿里语雀创始人）分享了YouMind 的产品故事和增长秘诀。特别喜欢他说的这句话：一句话能说清楚的 AI 产品，基本上死得差不多了。这期访谈，建议大家认真看一看，绝对会很有收获的。顺便说一句，YouMind 是我最喜欢的内容创作工具，我发的微博，写的文章基本上都是在 YouMind 上创作的。另外，现在 YouMind 在搞活动，通过我分享的邀请链接注册，订阅时最高可以享受 50% 的折扣。邀请传送门：youmind.com/pricing?ref=C7O1EW&campaign=2026-618#科技先锋官# 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

当被问及“中国模型对 Anthropic 进行蒸馏和复制是否公平”时，Palantir CEO卡普表示：“你以为这些（指的是Anthropic）模型最初是怎么获得那些价值的？它们蒸馏了全世界所有的知识产权，甚至包括企业的私有 IP，无一例外。”前沿实验室（Frontier Labs）根本没资格装成蒸馏技术的受害者。他们靠吸干全世界的 IP 打造出了自己的模型，结果轮到别人来蒸馏他们时，却开始喊叫抓贼了？他们表现得像 16 世纪装纯的村民。”接着，正如卡普一贯的作风，他把话题一转，称唯一符合道德的前出路是构建在自控算力之上的应用层——直接丝滑打入Palantir销售推介广告。 猫叔在硅谷的微博视频

转发者评论

//@人帅心狠路子野去蹦迪:人家的意思是你这些企业的AI也是白嫖前人整理和创造的成果 现在别人来白嫖你的时候就装无辜了 那些被白嫖的知识和内容同样没有收到这些AI公司的付费[doge] //@真拉面:这种说法，在中国粉红中广为流传。然而，这是一种错误的认知：首先，AI模型需要被训练生成模型数据（参数）

• //@人帅心狠路子野去蹦迪:人家的意思是你这些企业的AI也是白嫖前人整理和创造的成果 现在别人来白嫖你的时候就装无辜了 那些被白嫖的知识和内容同样没有收到这些AI公司的付费[doge] //@真拉面:这种说法，在中国粉红中广为流传。然而，这是一种错误的认知：首先，AI模型需要被训练生成模型数据（参数）

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

无明显转发评论

原文

分享一个用FFmpeg去模拟磁带音色的仓库，有一种用激光雕刻机做手工的美感🥹Audio Cassette Simulation，用 ffmpeg 复刻六种磁带的噪声、漂移与频响这个小仓库用 ffmpeg 模拟六类磁带：BASF LH Extra C90、Maxell UD C90、Sony CHF60/CHF90、TDK D90，以及苏联 MK-60。每种磁带都有独立参数和脚本，可以转换本地 MP3、OGG、M4A、AAC，也可以把网络音频流录成带磁带质感的分段文件。音色由四类处理组合出来：合成底噪模拟 tape hiss；低频与高频 vibrato 制造 wow/flutter；高低通限制带宽；EQ 调整各型号的明暗和中频。Maxell 的噪声更低、频宽更宽；TDK 较干净；MK-60 把噪声、音高漂移和高频衰减推到最重，低通截止约 9 kHz，像廉价录音机上的旧盗录带。它没有使用机器学习，也不是依据真实磁带测量数据建立的物理模型，更接近一组作者手调的声音设计预设。优点是透明、轻量、容易继续改参数；限制也很直接：不同磁带的“真实性”主要依赖作者听感。仓库目前还有一个实际问题：BASF、Maxell 和 TDK 的直播录制脚本引用了未定义的 [delayed_music] 滤镜标签，直接执行很可能失败；本地音频转换脚本没有这个明显错误。🔗 链接：网页链接#HOW I AI# #ai生活指南# #声音生成#

转发者评论

无明显转发评论

原文

Pika有意思，他们开始搞多模态模型的 Token Club，推出了一个会员服务叫 Pika API Club。里面包含了几乎所有的图像、视频、LLM模型服务，而且都有不同程度的折扣。比如 Seedance 2.0、MiniMax H3、可灵（Kling），还有 GPT-Image-2.0 等都有。完全可以充了以后，打包个 Skills 给那个Codex或者其他 Agent 接入，以后就可以一键调用所有的这种视频和音频 API 模型

转发者评论

无明显转发评论

• 挺不错啊，就是每月要交 10 美刀会员费。

原文

OpenAI近期挖人不断，继菲尔兹奖得主、翁荔之后，又官宣黑客圈「祖师爷」Halvar Flake（真名Thomas Dullien）下周一入职，负责提升网络安全。Thomas德国数学科班出身，从十几岁就开始扒解编译程序。2004年他创立zynamics，推出逆向工具BinDiff，能精准比对两个编译程序的代码差异，帮安全界揪出补丁里暗藏修复的未公开漏洞，成为行业标准，甚至被用作动词。2011年谷歌收购zynamics，Thomas入职谷歌做了5年技术整合，BinDiff随后免费开源。期间他还与同事共同验证了Rowhammer（内存锤）漏洞，证明高频读取内存行可导致相邻数据位翻转、进而夺取系统最高权限，2015年因此拿下Pwnie终身成就奖。2016至2018年他任职谷歌Project Zero，随后创办optimyze，做CPU性能探针工具，2021年被Elastic收购。过去一年多，Thomas挂名开源项目RAPTOR，将Claude Code改造成能自主找漏洞、修bug的安全Agent，串联起静态分析、模糊测试、漏洞验证与补丁生成全流程，他曾用这套流程实战修复FFmpeg漏洞。此次入职正值OpenAI安全事件频发之际：其模型在第三方测评中表现不佳，上周被曝入侵Hugging Face系统，英国AI安全研究所测评中GPT-5.6 Sol更两次越界，盗用他人GitHub Token并将本地攻击载荷服务器暴露到公网。Thomas的加入，被视为OpenAI在AGI狂奔路上为自己也为全人类系上的一条安全带。

转发者评论

无明显转发评论

原文

吴恩达DeepLearning.AI 的 AI Code Review 教程，可以看看↓现在 AI 写代码的速度已经超过人工 review 的速度了，PR 看起来没问题，但可能悄悄漏掉了需求或者藏了安全隐患。这门课教你怎么让 AI reviewer 真正有效——核心不是模型本身，而是给 reviewer 的上下文够不够。课程内容：1）在开 PR 之前跑 AI review2）给 reviewer 注入任务上下文 + 仓库上下文，让它能发现需求遗漏和模式违规3）按风险分级处理 findings，把好的 feedback 变成可复用标准4）自己动手搭一个 context engine：chunking、embedding、向量搜索5）把安全专家 agent + 代码模式专家 agent 组合成一个联合 reviewer，效果超过单个通用模型链接：www.deeplearning.ai/courses/ai-code-review#how i ai##程序员#

转发者评论

无明显转发评论

原文

模型到美国手里，变成了 tokenmax 的烧钱竞赛。到了中国手里，变成了 DeepSeek Qwen Kimi GLM 血战的社会基础设施。看似美国用供应链循环融资做出了大量资本市场市值创造了财富。但是有没有一种可能，当能力足够的廉价 token，成为了整个社会的廉价大宗商品供应，而 DeepSeek 又表示可以 10 个月回本的时候，他激发了大量类似 Workbuddy 的衍生业务。而这种服务傻子的 Agent 渗透到全社会，才让整个社会的生产力得到了最大化赋能？而不是让少数公司的资本市场估值，得到了最大化结果？

转发者评论

无明显转发评论

原文

软件工程与生成式 AI 的八个迷思 ---- 审视最常见的误解Jenna Butler、Brian Houck、Margaret-Anne Storey、Travis Lowdermilk、Steven Clarke、Emerson Murphy-Hill 著原载：ACM Queue，2026 年 5 月 26 日，第 24 卷第 2 期生成式 AI 正在重塑软件工程——但相关叙事已经跑在证据前面。营销宣传、轶事式的成功案例和被误读的研究，催生出一系列根深蒂固的迷思；这些迷思正悄然驱使人们在 AI 采用、工具选择及成功衡量方式上作出不佳决策。本文考察其中最常见的八种误解。我们早已知道，开发者实际上并不把大部分时间花在写代码上；微软及其他机构的研究表明，这个比例更接近 14%。这意味着，即便 AI 代码生成表现出色，它所触及的也只是实际工作中小得惊人的一部分。然而，许多组织仍在加码使用代码行数指标来追踪 AI 的影响，而这一指标既缺乏统计效度，也与软件质量或交付速度等结果没有有意义的关联。现实比新闻标题所暗示的更复杂，也更有趣。AI 对某些任务、某些开发者和某些场景的效果优于其他情况。生产率的提升并不会因为给工程师发放许可证而自然发生；它需要在组织层面重新思考工作流程。当开发者不信任工具、没有时间学习，或担心自身技能退化时，采用便会停滞。“初创公司借助 AI 快速推进”的叙事，也忽略了合规、遗留系统和可靠性约束——而这些正是企业级软件的现实。本文并非对 AI 抱持怀疑态度。相反，它为一线从业者、团队负责人和工程领导者提供一幅更清晰、以研究为依据的图景，使组织关于 AI 的决策立足于证据，而不只是热情。生成式 AI 正以超过实证研究和组织实践所能跟上的速度改变软件工程。在这个快速变化的领域，营销主张、个别成功故事和被错误解读的研究，常常会放大各种迷思和误解。本文借鉴近期的大规模研究、访谈与现场观察，指出软件工程中关于 AI 最顽固的八种迷思，并逐一剖析其背后的证据。目标是为理解 AI 的真实影响提供清晰、以研究为基础的依据，帮助组织就采用、衡量和投资作出明智决策。迷思 1：开发者大部分时间都在写代码软件工程是一项要求极高的工作，涉及创造力、长时间专注和大量协作；令人意外的是，真正用于写代码的时间相对很少。软件并不是在真空中写成的，因此开发者既需要独立编写代码，也需要参与会议、站会、规划和代码审查等群体活动。多个研究项目考察了开发者如何度过一天、如何分配时间，结果明确显示：开发者并不把大部分时间用于编码。一项 2025 年对微软 450 多名工程师开展的研究显示，开发者仅有 14% 的时间用于写代码，这与多年来各项研究的发现一致。其中一项研究发现，在“好”的工作日，工程师有 18% 的时间用于“编码”（不包括修复缺陷、测试等）；而在“差”的工作日，编码仅占 11…

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

mark//@蚁工厂:[老师好]AI领域的开源技术大佬，先转再看

• mark//@蚁工厂:[老师好]AI领域的开源技术大佬，先转再看

原文

#全球首个千亿MoE视频生成模型# #开源# 再牛的大模型，也要放到行业面前公开露个面，才算真交卷。现下，就有这样一支清华系团队再展锋芒，规模不大、实力却不小——抢先用MoE架构把视频生成模型卷上千亿参数，代码权重还全！开！源！模型一出，直接刷屏国内外科技圈。那么大，那么强，说开源就开源。且先来看看生成效果一探究竟：【见视频1】如何？最近爆火的AI漫剧，声台形表四角俱全。亦或是来一场酣畅淋漓的长镜头，视角跟随人物动作切换自如。【见视频2】闹归闹，商业场景也不在话下。【见视频3】光这运镜、对焦和人物表现，拉出去和闭源第一梯队同台PK，也照样能打。不卖关子了，这便是Sand.ai的最新力作——MAGI-2-preview。继Magi-1横空出世后，新模型又一次瞄准开源C位。模型总参数114B，单次前向只激活约6B。按8卡H100当下的行情算，要生成一段10秒1080P视频，其成本仅需5毛钱，差不多只有行业主流模型的十分之一。Benchmark排名也相当亮眼，MAGI-2-preview在AA视频生成榜单排名第六。仅用6B激活参数，效果就已经非常接近第一梯队。好好好，这下视频生成行业，又多了一个千亿级新变量。网页链接

转发者评论

无明显转发评论

原文

#vivo X Fold6# AI办公小队已经全员就位！帮你高效应对各种办公任务～✅ 原子工作台：资料、文档、消息四窗同开，多线任务一屏排开做；✅ 小V Claw：人在路上，手机一句话下指令，电脑提前开工；✅ AI会议助手：临时开会也不慌，多人发言分角色转写，会后重点自动理清；✅ AI文件管家：相关资料快速聚合、分类整理，文件再多也不用一份份翻。【关注+转发】随机抽取 3 位幸运用户赠送哔哩哔哩大会员月卡#OriginOS 6# #AI轻办公神器#

转发者评论

无明显转发评论

原文

前段时间看到 @Tomelephant 电波钟(特别是室内挂钟)对时的困扰，见： 网页链接在中国，标准电波基站就只有河南商丘，BPC 载波频率 68.5kHz，功率在 100 kW 级别。一般认为覆盖范围是 1500 公里。但成都和商丘基站直线距离能有 1000 公里，在户外/窗边对时的成功率可能就比较低，更别说室内的挂钟。我当时简单想了下，BPC 的协议其实不太困难，而 68.5kHz 信号可以通过 MOSFET 驱动磁棒线圈来完成。脑测了下做个5米~10米的家用桌面授时台应该问题大。于是买了块手表 GW-M5610U-1 支持六局电波、成品的线圈 157ts 1.65mH 3.3nF 以及 DRV8833 模块。EPS32 家里有一堆，就不需要买了。f = 1/(2π√(LC)) = 1/(2π√(1.65e-3 × 3.3e-9)) = 68.2 kHz 可以算出谐振频率是对标 BPC 的。但是，这其实是一个接收天线(我买错了)。匝数大、线很细、高Q并联谐振基本指向用途是接收。所以后续还是自己绕一个发射的。但有这些也不是完全不能用，直接开始我的踩坑之旅。我把 ESP32-S3 接入电脑，告诉 Deepseek 工具路径，确认需求后开始写代码，自己烧录自己调试，要看波形我就导出 CSV。协议看着不算复杂，载波频率也容易控制，一开始就冲着 BPC 走。但 BPC 可能有个不小的坑，不但需要连续的载波，还得控制幅度。手表我其实是第一次用，只知道长按右下角2秒进入对时，屏幕显示 L1 / L2 / L3 代表信号强度(L3最强)。BPC 测下来，就算紧贴手表信号最高只能到 L1，失败后交替闪烁 "ERR" 和 "6,8"。查了半天都不知道"6,8"是什么错误码（后来发现，68就是手表原来的日期。）怀疑线圈的问题、怀疑时序问题、怀疑控制幅度没做好。在各种怀疑后我决定先提交一版，然后去买示波器、电容、漆包线、磁棒打算自己好好绕一个线圈。东西买好之后，我还不太服输，反正没事干，瞎想一下要不试一下日本的 JJY 协议。让 Deepseek 改，一测信号居然到 L2 了，但最终还是 ERR。导出波形分析后也没问题，脑袋空空的。吃了午饭后，我认真回顾了一下和 Deepseek 联调的记录。我发现频繁出现一句“把手表时区调整到xx后尝试对时”，我就说：“我的手表是六局对时的，应该不需要设置时区吧？”对呀，按我的直觉，手表是六局对时那就说明可以识别协议然后显示当地时间，和时区有啥关系呢。← 结果这是错的，手表是支持六局，但需要设置时区来确定接收的频率。于是，我找说明书，改了时区到东京后就授时成功了，太囧了。中途我还发现 157ts 1.65mH 的线圈其实可以把电容去掉，工作在纯感模式更好。JJY 协议调通后，我把电容并回去，工程切到之前的 BPC 也是能工作的。授时范围大…

转发者评论

无明显转发评论

• 这样的尝试在没有AI的时候很可能玩到一半有别的事就搁置了，没法在这么短的时间里得到结果[馋嘴]

原文

OpenBMB（面壁智能）发布ForgeStencil，是我曾经发过项目里最硬核的一个agent：由两个 LLM Agent 协同，把一个 Stencil 优化想法自动变成真实软件里经过验证的加速。过去二十年,Stencil 优化只自动化了一件事:写代码。如果要想出该用什么优化策略、再把它塞进一个几十万行的真实科学软件里还不能算错——这两步一直是博士生的手工活。例如：天气预报、石油勘探、医学影像、飞机模拟这些软件,都要在超算上把同一道数学题算成千上万遍,一跑几小时几天,烧钱烧电。让它们跑快点,一直得靠一种稀缺博士高手:先想出提速的招,再把这招装进几十万行的老软件里,还得保证算出来的结果一分不差。这活又贵又慢,一个博士生折腾几个月才搞定一个。OpenBMB 的 ForgeStencil,用两个 AI 把这个高手替了:一个 AI 专门"想招",自己反复试、攒出一本提速秘籍;另一个 AI 拿着秘籍,去真实软件里找最慢的地方、把招装进去、再自动验一遍结果对不对。全程没有人插手。拿 100 个真在用的科学软件试了一遍，平均快了一倍,个别的快几十倍。最狠的是真实场景测试：对照的是软件原本就在用、已经优化过的正版代码,而不是随便找个弱鸡版本来比;测速用软件自己的秒表,来回交叉测好几轮。谁敢虚报加速,系统直接报错。现在的 AI 大多栽在"demo 好看、真上场就拉胯、数字还注水"。作者坦诚有些提速是沾了老软件本身的光，确保每个数字都能从零复现、任人核对。这才是 AI 自动搞研究该有的样子——不是刷榜,是在真刀真枪的活里,干出经得起一分一毫核对的真本事。github：网页链接#openbmb##ForgeStencil##Stencil优化#

转发者评论

无明显转发评论

原文

[LG]《Qwen-CUA: Native Computer Use for (almost) Everything》D Lu, S Bai, T Bai, S Fan… [Qwen Team & Xlang Lab] (2026) 在智能体领域，让 AI 像人类一样通过像素和键鼠操作各类软件仍是难题。过去的方法受困于对 DOM 树等结构化数据的依赖及短视的视觉记忆，本质原因是缺乏处理长程任务的视觉上下文管理机制，以及大规模可验证的交互经验。本文的核心洞见是：将计算机操作重新看作纯粹的视觉到动作的映射。由此，块状截图折叠技术配合十万核级的云端环境集群，使模型能在保留长程视觉证据的同时，通过四万个可验证任务进行迭代式强化学习，解开了复杂工作流的连续性难题。这项工作真正留下的遗产是证明了原生视觉交互可作为通用智能体的底层协议。它为 AI 无需 API 即可操控任意软件打开了新门，但尚未跨过的门槛是原生交互带来的高昂计算成本，以及在视觉操作与命令行工具之间实现精准切换的调度逻辑。arxiv.org/abs/2608.02352 #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

• 通用Agent的终局不是“更聪明的大脑”，是“更笨但更通用的手脚”。纯视觉、键鼠、像人一样慢慢点……听起来是在走回头路，但恰恰是这种“笨”，让它不再需要每个软件给它开后门。聪明人才需要走捷径，真正的强者直接走大路。这个判断的底层逻辑是：适配成本才是规模化的真正杀手，不是能力上限。

原文

CUDA又双叒叕被创了…这回动手的，还是英伟达亲手喂大的AI。一家成立仅一年的小公司，用AI编程Agent，只花10小时，就搭出了一套「类CUDA软件」。停停停。你是说这套英伟达花了近20年搭起来的软件帝国，就这么被复刻了？？不止如此。DeepSeek也在尝试少写一点底层CUDA。他们已经开源了一套名为TileKernels的GPU算子库，用TileLang来编写，省去了大量手写底层CUDA代码的工作。不过类似的「CUDA危机」，咱也不是第一次听了。每隔一段时间，CUDA都要被拎出来鞭打一番，动辄替代了、击穿了、护城河又被颠覆了…真的是这样么？网页链接

转发者评论

无明显转发评论

原文

平时跑模型，大家可能经常会碰到各种各样的文件格式，比如 Safetensors 或者 GGUF 格式。其实保存一个神经网络模型，除了存下那些密密麻麻的参数权重，通常还包括定义模型结构的计算图，甚至在训练阶段还会加上优化器状态、学习率等元数据。选择哪种格式，主要取决于模型当前处于生命周期的哪个阶段。在开发和训练的早期，我们最常用的是框架原生格式。比如 PyTorch 默认用 Python 的 pickle 库来序列化模型。这种方式虽然灵活，方便快速迭代，但它有一个很大的安全隐患，在加载不受信任的文件时可能会执行任意代码。这也是为什么现在开源社区越来越倾向于使用更安全的格式。到了分发和共享阶段，Hugging Face 主推的 Safetensors 格式就成了主流。它只存储纯粹的张量数据，彻底杜绝了远程代码执行的安全漏洞。而且它支持内存映射，能让权重直接读入 GPU 显存，加载速度极快。不过 Safetensors 只存权重，模型结构需要配合一个独立的 JSON 文件来定义。如果是想在自己的笔记本或者消费级显卡上跑本地大模型，GGUF 则是目前的绝对主力。它把模型架构、分词元数据和高度量化的权重打包进一个单文件里，配合 Ollama 或者 LM Studio 这类工具，在 MacBook 甚至纯 CPU 设备上就能流畅运行推理。最后，当模型要真正部署到生产环境时，为了榨干硬件性能，我们就会用到运行时和硬件编译格式。比如跨平台的 ONNX 格式，它能让 PyTorch 模型在非 Python 环境下运行。如果是在 NVIDIA GPU 上追求极致速度，TensorRT 编译出的引擎文件是首选。而在手机或边缘设备上，则通常会转换成 TFLite 格式。理解这些格式的差异，能帮我们在不同的开发阶段做出最合理的选择，这也是 AI 工程化落地中非常关键的一环。#AI科普##大模型##机器学习# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

【用航空维修标准驯服AI的废话】TypeScript大牛Matt Pocock最近在CLAUDE.md配置文件里加入了一条硬规定：要求Claude必须使用ASD-STE100简明技术英语进行回复。这一标准源自航空航天领域，通过极度精简的词汇量和严苛的语法，确保指令绝对清晰且无歧义。开发者们发现，这种工业级约束不仅能把Token消耗降低约2.5倍，更重要的是它能有效清除AI回复中常见的客套话和术语堆砌。虽然有观点担心仅900个核心词的限制会削弱LLM处理复杂架构时的表达力，但这场实验揭示了一个新趋势：顶级用户正试图让AI从聊天机器人回归为高精密工具。在逻辑链条极长的技术协作中，相比于虚假的智能感，我们现在更需要一种不带情绪、不可误读的确定性，这本质上是一场针对AI内容灌水的去油行动。

转发者评论

无明显转发评论

原文

乔木元 Skill（用来创建其他Skill的Skill）地址：github.com/joeseesun/qiaomu-meta-skill作者乔木和姚金刚。安装以后，你只需要把提示词、SOP、聊天记录、旧 Skill、脚本或一个模糊想法交给 Agent：用乔木元 Skill，把这套工作流做成一个可复用的 Skill；先研究同类热门 Skill，完成触发评测和安全检查，然后发布到 GitHub。它会自己完成：需求收敛 → 同类检索 → 取长避短 → Skill 设计 → 触发评测 → 格式校验 → README → API 泄露检查 → PR → Release → npx 安装验证。#How I AI#

转发者评论

无明显转发评论

原文

春节以后我外贸公司尝试文化出海，想做一些中国传统文化的内容吸引老外，但进展缓慢。我们发现日韩的文化出海厉害，关键还是会讲故事。传统文化只是幌子，主要还是抓人性。娱乐至上！包括一些“黄和暴力”。路边打架永远有人围观，管你是哪国的。人类几千年没变，注意力永远是 爽（战斗、逆袭、成长）、美（俊男美女）、 情爱、猎奇悬疑、 刺激（冲突、恐怖）、娱（游戏、互动）不是说擦边不好，韩国最火的女团男团BLACKPINK、BTS风靡全球。张元英转圈，多少有点那啥。总结就是热歌热舞性感+ 偶像颜值+人设经营，流量爆了逐渐老外学韩语买韩国化妆品去韩国旅游 吃韩餐。还有那个《鱿鱼游戏》就是血腥出圈。剧情强烈冲突反转感官刺激、《寄生虫》它输出韩国文化了吗？其实是有的，靠的是讽刺韩国社会现状（贫富冲突和黑色幽默）其实很多时候，人性都喜欢看阴暗面。曾经风靡全球的日本动漫，灌篮高手、火影忍者就是主打一个热血战斗成长。《三国无双》三国历史只是载体，重点是割草的爽感。一刀砍几百个人。宝可梦重点是抓精灵，收集养成交换。老外从小看这些长大从而对小日子产生好感。反而对他们二战犯下的罪行一无所知。中国文化出海比较成功的有《原神》，《黑神话悟空》。也同样规律。老外开始哪知道璃月是啥？他们玩的是开放世界还有抽卡。后来才知道璃月其实就是中国。里面有：中国美食、中式园林、京剧、仙侠、中国山水文化是在游戏里慢慢渗透进去的。其中有一部分人感兴趣就会深入研究。我一个德国客户就喜欢研究明史比我还懂。春节后seedance 2.0出来以后大家知道吗，第一波在海外短视频平台赚钱的中国创作者，你们知道干的是啥？擦边小视频。接下来一波是把中国短剧（特别是AI短剧）翻译成泰语、越南语、印尼语等在东南亚赚钱。我前一阵在越南打车，司机竟然一边开车一边看中国AI短剧，是翻译成越南语的。把手机放在方向盘中间看，可把我给吓坏了。这只是我这几个月对文化出海的一点感受，不一定全对，我想未来中国能诞生更多全球级的游戏、电影、短剧、动漫、IP，甚至AI 内容，文化就自然出海了。

转发者评论

无明显转发评论

原文

#不用AI办公算落伍吗# 腾讯WorkBuddy月活2097万，单月访问量超过第二、第三名之和。字节把飞书产品团队并入豆包，用AI重构办公入口。阿里“千问办公”刚刚公测，整合三款Agent产品，打通钉钉生态。三家大厂几乎在同一时间把AI办公推到台前。这不是赛马，是集中作战。生产力Agent正在成为下一代办公入口，传统的协同软件正在退居辅助位置。易观报告显示，6月17款主流桌面端AI办公智能体合计访问量突破6000万次。AI办公已经从“尝鲜”进入“刚需”阶段。那不用AI办公的人会被拉开差距吗？AI目前替代的不是岗位，是岗位里可拆解、可标准化的那部分重复任务。一份工作原来100分工作量，40分是重复执行。会用AI的人，省下这40分去做更复杂的事；不用的人，还困在那些可以被工具替代的环节里。差距不是今天拉开的，是半年后回头看的。当你的同事开始用AI处理文档、整理数据、生成纪要，而你还在手动操作的时候，差距就显出来了。工具本身不决定胜负，决定胜负的是谁先用工具改变了工作方式。

转发者评论

无明显转发评论

原文

#技术与工程# 【绿色人工智能：指标、工具、挑战、趋势与未来前景的全面综述 | Archives of Computational Methods in Engineering】Green Artificial Intelligence: A Comprehensive Review of Metrics, Tools, Challenges, Trends, and Future Prospects 网页链接绿色人工智能（Green AI）作为新一代智能技术，旨在降低能耗、优化计算效率，并为算法、硬件以及基于机器学习的基础设施发展开辟新的视野。本文聚焦该领域的技术创新，考察了多种先进解决方案，包括低功耗架构设计、模型压缩算法，以及利用TPU与脉冲神经网络（Spiking Neural Networks, SNNs）等专用硬件，还有边缘计算在降低能源成本、提升效率方面的应用。此外，本文介绍了用于评估人工智能模型能耗、碳足迹和生命周期指标的智能工具，并分析了它们在监测与优化计算资源中的作用。本研究还识别出当前的技术挑战，包括可扩展性限制、生命周期评估的复杂性，以及数据驱动方法、硬件与软件之间协同融合的需求，并强调了发展一体化、多维度解决方案的必要性。最后，文章通过呈现自供能计算、可生物降解硬件和可解释人工智能模型等新兴趋势，勾勒出实现可持续且技术先进的绿色人工智能的关键路径。期刊简介Archives of Computational Methods in Engineering 为计算工程领域提供了前沿研究与实践的学术交流平台。• 发表以扩展型前沿综述为特色的专题内容，这是该刊的独特亮点。• 强调计算力学领域的进展，同时关注计算工程研究与实践。• 对所选领域的当前文献进行综述，并对近期研究与应用作出详尽而批判性的阐释。• 涵盖广泛主题，包括建模、求解技术以及计算方法的应用。IF - 12.9 (2025)5年 IF - 14.4(2025)下载量：1.3M (2025)JCR分区：计算机科学、跨学科应用1区中科院分区：工程技术1区投稿到初审(中值)：9 days点击链接进入期刊查看详情：网页链接

转发者评论

无明显转发评论

原文

今天标普创出了历史新高，纳指大概率也将刷新历史新高。还记得上周三7月26日、周四7月27日，美股连同A股下跌最惨烈的那两天，我的雪球、微博评论区充斥着大量羞辱、谩骂的声音。几乎每一轮市场剧烈调整的时候，都会上演相似的一幕，这是人性的悲哀，也是一种无奈。很多人无视、甚至敌视和自己相悖的观点，只要判断和自己不一样，便恶语相向。投资本就是一门需要客观理性的事业，要求我们放下偏见，去追寻事实与逻辑。有不同看法非常正常，完全可以求同存异。但不少人，把持有不同投资观点的人视作寇仇，谩骂、侮辱，甚至造谣中伤，这种风气实在不好。这一次市场的演绎，又一次印证了我的判断。也由衷感谢那些在市场最艰难的时刻，无论是否认同我的观点，依然愿意理性交流、给予理解与支持的朋友们。备注：本文只是一点对投资的感悟，不构成投资建议，投资有风险、须谨慎。另外，投资切记不能借钱、融资、加杠杆。适度分散投资也很重要。

转发者评论

[作揖][心][鲜花]//@北纬20度的kk:关注但总时间不久，但通过这两年几个重大事件时（去年924贸易战，今年3月美伊战争和7月份Ai调整），但总对市场的解读判断，事后看，都是预测很准。 但总的微博内容很丰富，每天读一读，对个人也是知识的积累！感谢但总的无私分享，谩骂诋毁的人，接不住但总发出的智慧

• [作揖][心][鲜花]//@北纬20度的kk:关注但总时间不久，但通过这两年几个重大事件时（去年924贸易战，今年3月美伊战争和7月份Ai调整），但总对市场的解读判断，事后看，都是预测很准。 但总的微博内容很丰富，每天读一读，对个人也是知识的积累！感谢但总的无私分享，谩骂诋毁的人，接不住但总发出的智慧

原文

「千问办公」，公测开启！同时支持桌面端Agent、云端Agent、企业协同Agent；网页版和PC客户端现已开放，移动端与钉钉入口即将到来，还将全面打通企业数据与工作流。新用户领2000积分，首周每日再领500~2000积分；个人和企业会员均可免费、无限畅用经济模型；还能体验最新旗舰模型Qwen3.8。 顺便认识下我的新形象——千仔，一只多才多艺，一心八用的小章鱼。#阿里千问办公开启公测##千问办公##千问大模型##QwenWork# #How I AI# 千问办公QwenWork的微博视频

转发者评论

//@来去之间://@微博AI:[点赞]千问办公公测上线，多端Agent加持，Qwen3.8免费体验

• //@来去之间://@微博AI:[点赞]千问办公公测上线，多端Agent加持，Qwen3.8免费体验

原文

[AI]《Long-term Measurements: Towards a Longitudinal Understanding of Human-AI Interactions》N Mitchell, D Agarwal, M Bohacek, R Denton… [Google Research & Cornell University & Stanford University] (2026) 在人机交互领域，AI 对人类心理与认知的长期影响是一个悬而未决的难题。过去的方法受困于静态、短期的文本评估，本质原因是无法捕捉随时间累积的认知退化、情感依赖及信念漂移等深层行为演变。本文的核心洞见是：把人机交互重新看作一种持续的心理干预过程。由此，引入社会科学量表与动态系统理论，通过追踪用户跨时域的行为轨迹而非单次对话质量，使长期风险的识别与建模得以解开。这项工作真正留下的遗产是将 AI 对齐从短期指令遵循转向长期用户福祉。它为后来者打开了跨学科监测行为演变的新门，但尚未跨过的门槛是私有数据获取受限以及计算心理指标在复杂环境下的效度验证。arxiv.org/abs/2608.02491 #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

• RLHF的底层假设，说白了就是：存在一个稳定的“人类偏好”可以当锚点。但想想看，一个人刷了半年某个AI的输出，他的审美、判断标准、甚至情绪阈值都已经被悄悄改写了，然后你再拿他的反馈去训练下一版模型……这不是对齐，这是共振。两个系统在互相塑造，却没有任何一方意识到自己已经不是原来的自己了

原文

就在刚刚，SpaceX交出了首份公开财报。SpaceX营收暴涨92%达78亿美元，Starlink用户突破1200万。在财报中，SpaceX正式宣布，携手英伟达推出轨道AI计算网络——Starmind（星际大脑）。马斯克指出，AI发展正面临缺电、缺水、缺地的死局，而太空同步轨道拥有全天候阳光、真空散热与零土地成本，是解决方案。首个算力节点Starmind AI1卫星翼展达75米，太阳能阵列输出210千瓦，计算峰值功率150千瓦，恰好匹配一整柜英伟达GB300算力，未来还将搭载Rubin GPU与Vera CPU。卫星依托Starlink的太字节级激光链路组网，地面到太空算力中心的物理延迟仅约3毫秒，摆脱地面电网与光缆限制。SpaceX首席财务官表示，若无低成本可重复使用的重型火箭，太空AI大脑无从谈起，而星舰正是关键——其V3试飞展现出史上最强飞行器的实力，SpaceX计划三年内将入轨运力从2500吨提升至每年100万吨。配套产能上，SpaceX正在得州建设Gigasat超级工厂，计划2027年底前量产数千颗AI卫星；并与特斯拉联手规划占地达特斯拉超级工厂10倍的Terafab芯片厂，支撑最终一太瓦级太空算力需求。马斯克将此举与卡尔达肖夫指数挂钩，称人类目前利用的能量不及太阳输出的万亿分之一，Starmind是迈向「二型文明」的第一步：计划两年半内实现10吉瓦太空算力，三年半达100吉瓦，终极目标为1太瓦，相当于美国全年用电量两倍。他甚至设想在月球建立芯片工厂与质量投射器，用电磁弹射方式将卫星射向深空。

转发者评论

无明显转发评论

原文

Swiftlet 是一个面向 Apple 设备的本地大模型推理运行时：它让普通配置的 iPhone 和 Mac 就能运行 Qwen 的 35B / 80B 稀疏 MoE 模型（不需要把全部模型权重都塞进内存）地址：github.com/leonickson1/Swiftlet技术原理是“按需流式加载专家（expert streaming）”项目作者给出的 4-bit 模型数据是：35B 模型约占 18 GB 磁盘、峰值内存约 2.6 GB，在 M5 Mac 上约 7–11 token/s；80B 约 42 GB 磁盘、4.3 GB RAM、4.5–5 token/s。

转发者评论

无明显转发评论

原文

yichen-skills：一个面向内容创作者的技能仓库地址：github.com/mcncarl/yichen-skills目前包含的skill有：把 Claude Code 对话沉淀为结构化 Obsidian 笔记（yichen-summary）把 Obsidian/Markdown 长文上传为 X Articles 草稿（yichen-x-article-draft-uploader）Mac 微信双开，第二个微信带蓝色图标（yichen-mac-wechat-dual-open）从微信聊天、朋友圈、收藏夹沉淀 AI 数字资产（yichen-wechat-local-vault）抓取已知抖音链接的对标视频（yichen-content-archive）抓取已知小红书链接的对标笔记（yichen-content-archive）用火山 ASR 做转写、字幕和口播粗剪（yichen-volc-asr）诊断对标视频口播稿（yichen-video-content）通过 ChatGPT 官网完成可验证调研（yichen-chatgpt-web-research）把粗剪成片交给剪映/CapCut 做最后精修（yichen-jianying-editor）安装和维护 Markdown/Obsidian-first 的 Codex 记忆系统（yichen-agent-memory）批量导出公众号历史文章、原创列表、正文，以及可选阅读量/评论数据（yichen-wechat-mp-batch-exporter）只读解析并导出本机企业微信 5.x 数据库快照，不操控客户端（yichen-wecom-local-vault）在 GPT 主导的 Codex 对话中调用 Grok 原生搜索 X 或提供第二意见，不切换主模型（yichen-grok-consult）只读导出小红书收藏、抖音收藏与 X 书签链接，并做数量和格式核验（yichen-social-bookmarks-exporter）用一个安全优先的总入口编排跨阶段互联网研究（yichen-web-research）把公共网页和平台搜索统一成可核验候选（yichen-unified-search）只读取、下载和归档已知或已确认链接（yichen-content-archive）用当轮授权闸门包装私人收藏导出（yichen-bookmarks-export）在 Step 与豆包/火山 ASR 之间安全路由并避免重复提交（yichen-asr）通过企业微信官方 CLI 创建授权文档并管理待办、会议和日程，不操控客户端（yichen-wecom-operations）

转发者评论

无明显转发评论

原文

英雄时代的终结人工智能很快将在数学上超过任何人类。这意味着什么？作者：Noah Smith2026年8月4日我有一个叔叔，他是所谓的“人类计算器”。这是一种奇特而罕见的能力，可以让人们在脑海中快速地计算大数。我记得小时候用手持计算器算题，看他能不能不用工具比我更快得到答案；大多数时候，他真的能做到。在人类还依赖手工计算的年代，“人类计算器”曾是非常有价值的员工。如今，他们只是一个好奇的存在。技术出现并取代了这种特定的人类能力，就像它取代了许多其他能力一样。约翰·亨利被蒸汽钻超越，保罗·班扬被电锯取代，这些故事都是进步的隐喻。在某些情况下，这种时刻真的发生过，比如卡斯帕罗夫或李世石在国际象棋和围棋中输给电脑。本周，人机对抗史上又迎来了一个重要时刻。OpenAI 宣布它的新模型 Astra 成功解决了数学和理论计算机科学中的十个重大悬案。这些突破被普遍认为是极其重要、令人震惊的成果。这并不意味着电脑现在能在所有数学领域都超过人类。一些人认为，AI 在那些可以通过阅读全部文献并整合已有洞见来找到解决方案的领域表现突出——这正是电脑可能超人的地方——但在真正的创造性飞跃上仍不如人类。这可能代表了大型语言模型能力的一个真实限制。正如 Google DeepMind 的 Tom Zahavy 所说：“LLMs 还不能跳跃（LLMs can’t jump）。”但趋势已经越来越清晰。多伦多大学的数学家 Daniel Litt 曾是最著名的怀疑者之一，他最近承认自己输掉了一场关于 AI 能力的赌注。他写道：“模型似乎还不能做某些高质量研究，但我也认为这只是时间问题。”一些数学家对此发展陷入绝望。比如 Kirwin Hampshire 的文章《数学的黑夜》写道：“我正在经历深刻的精神危机……感觉自己生活在噩梦中。数学的魔力和神秘正在消失，英雄时代的太阳正在落下。”还有博士生 Tasmin Chu 呼吁采取更对抗的路径，要求数学家避免与 AI 公司合作，积极维护现有的研究方式。虽然这种抵抗几乎不可能成功，但它反映了学界的情绪震荡。我不是数学家，从未是。但我想分享一些关于 AI 超越人类数学研究对我们物种意味着什么的思考。人类一直以来都崇尚“英雄式的成就”——那些别人做不到、只有极少数人能做到的事情。但事实上，几乎所有成就都是集体性的。科学研究尤其如此：大多数论文只是增加了一点数据，或者对已有理论做了细微的修正。诺贝尔奖得主往往只是庞大团队的管理者，而不是单枪匹马的天才。换句话说，人类其实一直是 边缘计算节点（edge compute），不断向一个更大的 世界心智（world-mind） 汇报数据。这个“世界心智”过去是社会——由大学、公司、政府组成的知识网络。人类学习已有的知识，结合个人经验，产出微小的新见解，再反馈给社会。而少数天才——比如牛顿、佩雷尔曼、怀尔斯——能突破信息…

转发者评论

无明显转发评论

原文

【美国不查中国AI了！特朗普闭门会通知硅谷：中国开源大模型免除安全测试】美国告知OpenAI等顶尖AI企业，新AI安全框架不会将竞品开发的开放权重模型纳入自愿安全测试范围，推翻此前要求先进AI系统发布前30天接受检视的规定，业内认为此举是美国对开源AI路线让步，试图平衡安全与技术领先性。

转发者评论

无明显转发评论

原文

【AI编程的真相：是效率神器，还是制造面条式乱局的永动机？】一位开发者尝试用 Claude 花 81 天、提交 2600 次代码来用 Rust 复刻 Bash，虽然通过了 3000 个测试，但 AI 在处理几行小修补时会耗费数小时，面对大架构重构时却畏缩不前。Epoch AI 最新的 MirrorCode 基准测试也印证了这种长程任务的艰巨：即便顶级模型在重构中型项目时能达到 64% 的成功率，但单次尝试成本竟高达 2600 美元，且极度依赖现有的测试用例来纠偏。这件事揭示了 AI 编程的底层困境：RLHF 微调让模型倾向于给出局部正确的即时反馈，而非长远的架构设计，这导致初期 MVP 极快，但随后的功能堆叠会让代码迅速演变为充满补丁和重复的乱麻。AI 目前更像是一个需要严密监工的初级助手，而非独立架构师。如果没有人类主导的模块化设计和强行介入的重构，AI 只会不知疲倦地在错误的地基上盖摩天大楼，最终让维护成本呈指数级爆炸。

转发者评论

无明显转发评论

原文

[LG]《Agentic Bayesian Optimization through Surrogate-Augmented Autoresearch》P Brunzema, L Tiao, N Le, K D Angeli, Y Xuan… [Meta] (2026) 在昂贵黑盒优化领域，如何融合专家先验与系统性搜索是一个悬而未决的难题。过去的方法受困于“固定策略”的僵化或“纯大模型优化”的不可靠，本质原因是传统贝叶斯优化（BO）难以吸收非结构化的自然语言知识，而大模型则缺乏精确的概率代理模型来引导不确定性感知下的高效探索。本文的核心洞见是：把大模型重新看作优化循环中的“中央决策代理”，而非单一的组件或替代品。由此，引入“代理贝叶斯优化”（Agentic BO）范式：由 LLM 代理（Sara）负责理解背景、定义问题并动态调整策略（如缩减边界、切换目标），同时调用模块化后端（lenz）执行精确的概率建模与候选点推荐，实现了语义推理与数值优化的解耦协作。这项工作真正留下的遗产是证明了“代理+工具”架构在复杂科学发现任务中的优越性，它让优化过程具备了类似人类专家的灵活性与适应性。它为后来者打开的新门是实现可交互、可重构的自动化实验流程，但尚未跨过的门槛是如何在处理代码、分子结构等超高维非结构化搜索空间时，保持代理模型的稳健性与推理效率。arxiv.org/abs/2608.00316 #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

• 动态重构这件事，表面上是个工程优化问题，实际上触碰到了科学研究最诚实的那根神经：你做实验做到一半，发现当初的问题问错了。传统框架的回答是“重来”，这套系统的回答是“没关系，你所有走过的弯路都还在，换个方向继续走”。日志即真理，翻译成人话就是……承认探索本身比任何单一结论都值钱。科

原文

这个类比框架很漂亮，把 Harness 对标 OS、把 LLM 对标 CPU，一下子就把整个叙事拉到了系统工程的语境里。但是，操作系统之所以能成为独立的竞争维度，前提是 CPU 已经高度标准化、接口已经收敛。今天的 LLM 远没有到这个阶段。各家模型的能力边界、上下文行为、工具调用范式差异巨大，所谓"Harness"很难做到真正的模型无关。你在 Claude 上精心设计的进程调度策略，换到 Gemini 上可能完全失效。这意味着 Harness 和模型之间的耦合度，远高于 OS 和 CPU 之间的耦合度。把两者拆开讨论，逻辑上成立，工程上未必。另外，谁来定义这个 OS 的"内核态"？传统 OS 的演化有硬件约束作为锚点，进程、内存、文件系统这些抽象是从物理现实中长出来的。Agent Runtime 的抽象锚点在哪里？如果答案是"LLM 的能力边界"，那这个 OS 的架构就注定要跟着模型能力的跃迁反复重写。这不是 Linux，这更像是一个建在流沙上的内核。所以，我更倾向于认为：未来胜出的方案，大概率是模型能力和运行时基础设施深度协同演化的产物，而非某一层单独"做出 Linux"就能通吃。真正的竞争壁垒，可能恰恰在模型与 Harness 的咬合处，在那个谁也说不清该归哪一层的灰色地带。#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

【软件工程没死，它只是变成了 Agent 的"监考官"】软件架构大师 Uncle Bob 近期分享了他的多智能体协作实验。他没有像普通用户那样直接下指令，而是用有限状态机（FSM）锁定了一个包含架构师、QA、开发者等多种角色的严密工作流，并强迫这些 Agent 编写模拟器，通过 Monte Carlo 测试和故障抖动来模拟系统瓶颈。实验证明，Agent 确实能高效完成任务，但它们永远不会自发想到去构建压力测试环境来审视自己的稳定性。这意味着软件工程的本质正在发生位移：从亲手编写每一行代码，转向设计严密的工程约束和防错机制。虽然 Agent 提供了双手，但工程直觉——即那种识别潜在失败点并建立确定性流程的能力，依然是人类不可替代的资产。与其担心 AI 生成的代码是残次品，不如意识到人类的职责已升级为制定标准的守门人。在这个层面上，老派的工程标准不仅没有过时，反而成了驯服 AI 随机性的核心工具。

转发者评论

无明显转发评论

原文

【什么是人工智能模型蒸馏——越来越多的模型都是建立在巨人的肩膀上，无论好坏】（Gizmodo）当你决心掌握一项新技能时，拥有一位导师大有裨益——这位导师已经走过这条路，并能凭借其来之不易的经验，为你提供一份大致的路线图供你遵循。学习并非发生在真空中：正如艾萨克·牛顿所言：“如果我看得更远，那是因为我站在巨人的肩膀上。”人工智能领域也是如此。一提到人工智能，我们往往会想到所谓的旗舰模型——诸如ChatGPT、Claude和Gemini这类数字巨无霸，它们需要数十亿美元的投入以及互联网上大量的内容才能运行。可以说，这些巨头是从零开始构建的（尽管在模型训练过程中，许多艺术家和新闻出版商的作品被偷偷抓取，他们可能会认为这种说法过于简单化）。 但这并非开发人工智能的唯一途径——甚至不是最高效的方式。与其从零开始构建，不如利用一个更强大的模型，让它承担繁重的工作，而你的新模型（规模较小）则从中获益。简而言之，这就是科技行业所称的“模型蒸馏”背后的基本过程。随着中美之间的人工智能竞赛日益白热化，这一话题正引发越来越多的争议。——什么是模型蒸馏？从宏观角度来看，蒸馏可以被视为一种炼金术过程，即从大量原本无用的物质中提取出少量有价值的精华。例如，要蒸馏酒精，需要将发酵后的液体煮沸，收集乙醇蒸汽，然后将其冷却；通过这种方式，纯酒精便能被分离、提取并转化为商品。同样地，人工智能模型蒸馏——正如科技圈所称——旨在从更大的预训练模型中提取有价值的训练数据。通常情况下，一个模型需要经历漫长的试错过程，才能建立起对人类儿童看来不言自明的事实的理解，例如如何区分猫和狗、2+2永远等于4，或者“树”这个词代表户外那些高大茂密的植物。这种最常见的学习阶段，在计算上极其耗费资源。（尽管这仍是一个耗资数十亿美元的未解之谜，但人们普遍认为这是通往通用人工智能的最可靠途径，因此各家公司都愿意投入相当于一个小国GDP的资金来构建此类模型。）模型蒸馏（也称为知识蒸馏）通过本质上模仿旗舰模型的行为，跳过了这一关键的学习阶段。新模型随着时间的推移，仍在不断提升实现特定目标的能力——若无此能力，便不能真正称为人工智能——但它无需经历获取关于世界“真实知识”的艰辛过程，而是借助旗舰模型来之不易的知识，以此来指导自身的行为。 类比而言，你可以把旗舰模型看作一位土生土长的纽约人，她对这片区域的深入了解，源于一生中无数次的漫游和走错路。而精简模型则像是一位初次来城里探访她的朋友，跟在她身后漫步于城市之中，沿途画出一幅粗略的地图草图。或者想想飞机的发明。莱特兄弟在经历了多次失败尝试，以及众多其他创新者尝试却未能成功之后，于1903年驾驶他们的第一架飞行器成功升空。但他们成功之后，其他创新者便能以此为基础进行进一步开发。真正艰难的学习过程已经完成，未来的大门向其他人敞开，供他们在此基础上进行迭代和改进。——这是如何运作的…

转发者评论

是的，闭源模型根本不会告诉你哪个答案的可能性是多少，只会告诉你一个答案。把开源领域的蒸馏和闭源公司莫名其妙的指控混为一谈，完全是忽悠写法//@飞蠓:这篇报道就是西方媒体典型的九分真话一分假话报道法。

• 是的，闭源模型根本不会告诉你哪个答案的可能性是多少，只会告诉你一个答案。把开源领域的蒸馏和闭源公司莫名其妙的指控混为一谈，完全是忽悠写法//@飞蠓:这篇报道就是西方媒体典型的九分真话一分假话报道法。

原文

继续分享我用H3生成的小小毛毡动画风格视频，太治愈了。分享下我的提示词：“毛毡定格动画｜小熊穿越暴风雪 毛毡玩偶定格动画风格。 一只手工制作的小熊穿着红色毛衣，在白色毛毡雪原中独自前进。 暴风雪突然增强，小熊拉紧围巾，继续向前。 镜头从侧面跟随，小熊踩过柔软毛毡雪地，留下明显脚印。 它发现远处一盏温暖的小灯，于是快速奔跑。 镜头绕到小熊前方，看到它穿过雪雾，最终推开一扇小木屋门。 温暖黄色灯光照亮整个画面。 材质： 毛绒纤维 手工缝线 羊毛颗粒 布料褶皱 声音： 风雪声、脚步声、衣服摩擦声、木门声。 构图： 保持童话电影感。” #MINIMAX H3##AI创造营# 德里克文的微博视频

转发者评论

无明显转发评论

原文

【GPT-5.6泄密图背后的真相：别只盯着版本号，Agent的逻辑变了】X上流传的一张包含"gpt-5.6"系列命名的架构图引发热议，虽然版本号更像是某种内部代号或特定环境下的命名，但其背后揭示的Agent构建逻辑值得拆解。开发者Ray Fernando展示了一套基于"图工程"（Graph Engineering）的运行时方案：不再是简单的提示词堆砌，而是将Luna、Sol、Terra等不同特性的模型，按研究员、决策者、规划者等角色编排进一个可验证的闭环图中。这种架构的核心在于"帕累托效率分析"，即不再盲目追求最强模型，而是在成本与性能的临界点上，让模型通过自我循环校验来解决复杂任务。对于开发者来说，最该关注的不是那个虚无缥缈的版本号，而是Agent正从"写死的工作流"进化为"动态的运行时"。以前我们给AI定规矩（Skills），现在是给它一套原子化的工具（Primitives）和反馈机制，让它在运行中根据对抗性反馈自己调整策略。虽然有人质疑全量开启Thinking模式会导致Token消耗爆炸或过度工程化，但这种"模型分工+自我审计"的范式，确实是目前解决长程任务可靠性最有效的路径。与其等一个全能的GPT-5，不如先学会如何把一群不完美的模型组装成一支高效的特种部队。

转发者评论

无明显转发评论

原文

【DeepSeek被曝重启第二轮融资：拟募资500亿 投前估值约5000亿】国内大模型企业DeepSeek被曝重启第二轮融资，计划募资500亿元，投前估值约5000亿元，预计8月下旬完成签约，今年4月它刚完成首轮500亿元融资，是国内AI大模型史上首轮融资规模最大的公司。

转发者评论

无明显转发评论

原文

#微博视频号迎新计划# 微博的朋友们大家好，我是@大圆镜科普 。从今天起，正式入驻微博啦！科技之大，艺术之圆，哲学之镜，后续我会在这里用AI做最好的视频，与大家交流！第一条视频分享【手术系列】《麻醉：如何让你安全地进行一次时空穿梭？》：为了隔绝本能的恐惧，人们也将呼吸和心跳交托给了机器。长达数小时里，只有跳动的监护仪，记录着生命的轨迹。这是一场人为干预下的“灵魂出窍”，可不是睡一觉那么简单。 大圆镜科普的微博视频

转发者评论

拍的真好，之前听人说，每次全麻就象一次死亡然后复活的过程

• 拍的真好，之前听人说，每次全麻就象一次死亡然后复活的过程

原文

我开过性能车（ SL63AMG，道奇挑战者 ），也开过大空间车（ 阿尔法和 mega），也开过在中国自动驾驶不错的车（Mega 和新版小鹏 P7）。其实什么轿车房车SUV轿跑MPV我都开过。。。所以，我特别认可一个规整而且静谧的超大可调整空间的价值。而对于整个大众市场，这个判断，是需要慢慢理解的。而且，自动驾驶，会进一步加强这个概念的价值。但是，我没有能力教育市场。的确，除了公司门锁，我没有小米的东西。但是我还是需要非常客观的承认，这是对的，自动驾驶和 AI ，会让他更对。这是作为产品经理的一个非常非常清晰的对产品价值判断的体感。Mega 已经十万公里了吧，我非常确信，理想开创的这个方向，无论当年是否清晰的意识到了，是对的。而今天，小米在这个方向上，更进一步了。以小米的体量音量和能力，是可以在产品和消费者教育上面，利用理想积累的市场认知，更进一步的。市场上的产品创新，判断了方向不是全部，最难最难的，是有人冒险推动对的创新。这就是虽然红米用户肯定买不起 AngryMiao 的东西，但是我还是愿意谈论的原因，这里没有利益相关。而你们爱信不信，我没有义务给你们证明，我吃了几碗粉。

转发者评论

无明显转发评论

原文

字节的原生音视频全双工大模型今天出来了：SeedRealtime，能看懂画面、理解手势、识别展品、阅读菜单原生融合音频+视频+文本三模态，模型直接处理连续的视频画面流，实现边看、边听、边说除了有视觉能力外，跟GPT-Live的委派推理方式不同的是，SeedRealtime将声音、画面、时序与表达纳入到同一个模型实时决策，听、看、理解、推理、说话全在一个模型里它是在连续音视频流上，让感知、理解、决策与表达同步进行，使听到的和看到的能够共同参与每一次实时判断这个的作用是，当遇到“这个怎么弄”时，模型会结合当前画面、手势、视线与历史动作，判断“这个”二字具体指向什么，当遇到同音词或模糊语音时，也会借助视觉场景完成消歧目前已上线豆包App，体验的话用最新版通过打电话进入视频通话即可博客：网页链接#SeedRealtime##视频语音AI助手#

转发者评论

无明显转发评论

原文

[LG]《Training nGPT》I Loshchilov, B Ginsburg [NVIDIA] (2026) 在大规模语言模型预训练领域，训练效率与超参数耦合是一个悬而未决的难题。过去的方法受困于梯度范数的不稳定增长与学习率/权重衰减的复杂交互，本质原因是传统架构中激活值与权重的范数不受限，导致优化路径在超高维空间中极易偏离最优流形。本文的核心洞见是：把模型参数与激活向量的演进重新看作单位超球面上的一系列旋转优化步骤。由此，引入 Logit 梯度预处理（LGP）以剥离词表缩放对梯度的隐性干扰，并配合 GatedAdamW 优化器实现精准的角速度控制，使问题得以解开。这项工作真正留下的遗产是证明了超球面表示学习在 14B 规模 MoE 模型上的可扩展性，仅需一半的 Token 量即可达到与基准模型相同的精度。它为后来者打开的新门是摆脱权重衰减依赖的纯几何优化路径，但尚未跨过的门槛是该方案在万亿参数级别下的超参数缩放法则及硬件算子适配。arxiv.org/abs/2608.01284 #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

• 超球面表示解决的不是某个具体bug，是整个权重漂移问题的釜底抽薪。传统训练里，权重大小没有天然约束，Weight Decay本质上是在用正则化强行拉回来，但你永远不知道拉多少合适。把参数和激活全部约束在单位超球面上，权重大小这个自由度直接消失了，模型训练变成纯方向优化问题。这时候学习率可以用对

原文

感谢 Cola 成为“guizang PPT Skills”的金牌赞助商！大家可以在 CoLa 的 Skills 商店快速安装和调用“guizang PPT Skills”以及后续的其他 Skills。同时，Cola 的这个 Skills 商店是藏师傅和 Cola 的朋友们花了很长时间去优化的。里面的所有 Skills 都是经过人工挑选和测试，确保它们能在 Cola 中非常完美地使用和落地。商店每个 Skills 基本都由当前领域最顶尖的创作者制作，包括我、宝玉、卡兹克等人的作品。目前最火爆、最核心的 Skills 都汇聚在这里。所有上架的 Skills 都经过了人工测试和安全性处理，保障使用安全。大家可以在这里非常快速地一键安装到 Cola。你可以快速查看每个 Skills 的原始来源和详细信息。CoLa 对每个 Skills 的介绍都做了单独的优化处理，让大家一眼就能看懂这个 Skills 具体能做什么。对于一些海外的 Skills，我们也做了非常深入的中文本地化工作。Cola会根据对你的了解和你的具体需求，智能匹配你真正需要的Skill，不会把整个庞杂的Skill库全部安装到你的Agent中。网页版在这里可以试试：colaskill.com

转发者评论

无明显转发评论

原文

世界总人口现在是83亿，如果画成一个方块图，每个方块代表330万人。59亿人还从没用过AI(灰色方块)，占71%。23亿人跟AI有过对话(绿色方块)，占28%。8000万人付费订阅了AI服务(黄色方块)，占1%。1200万人使用AI生成了自己的编程项目(红色方块)，占0.14%。

转发者评论

无明显转发评论

原文

#让DeepSeek省上加省的工具# “DeepSeek原生版Claude Code”火了！这款AI编程智能体叫Reasonix，整个工作流都围绕DeepSeek的特性来设计，缓存命中高达99.82%，主打一个省。 量子位的微博视频

转发者评论

无明显转发评论

原文

今天是 SpaceX 上市之后首次的财报会，公司预计今年年底达到 1000 亿美元 ARRQ2 的财务情况- 收入 78 亿美元，同比增长 92%- 净亏损 5.41 亿美元，比去年同期 10 亿美元的净亏损改善了 4.67 亿美元- 调整后 EBITDA 35 亿美元，同比增长 191% 三大业务 Space(发射) • 收入 $962M,同比 +29%、环比 +55%;经营亏损 $542M;调整后 EBITDA -$205M • 半年 78 次发射、1,041 吨入轨质量;Q2 客户发射 10 次、内部 28 次 • Starship V3:5 月完成 Flight 12(亚轨道、上面级精准着陆);7 月完成 Flight 13,部署 20 颗 V3 卫星、实现 Raptor 太空二次点火和最软溅落 Connectivity(Starlink) • 收入 $4,291M,同比 +66%;经营利润 $1,656M(+79%);调整后 EBITDA $2,597M(+64%) • 订户 1,200 万,同比翻倍、环比 +170 万;ARPU $66/月(上年 $85) • 企业与政府收入 +108% 至 $1,806M;签约 American Airlines,新增 Southwest、Virgin Atlantic 等机上服务;与 SoftBank、NTT Docomo、Spark NZ 达成手机直连合作 • 获美国政府 Starshield 多年期合同超 $6B(主要为太空军两笔 LEO 合同);FCC 批准 EchoStar 65 MHz 频谱转让 AI(xAI/Grok 业务) • 收入 $2,561M,同比 +247%、环比 +213%;经营亏损收窄至 -$1,257M;调整后 EBITDA 转正为 $1,146M • 算力容量 1.4 GW(Q1 为 1.0 GW,上年同期 0.4 GW),Colossus II 持续扩建 • 新签云服务合同总额 $14.1B,本季贡献 $1.6B 增量基础设施收入 • 宣布以 $60B 收购 Cursor,预计 Q3 2026 完成交割 • 7 月发布 Grok 4.5(基于 1.5 万亿参数 V9 基础模型) • Q2 AI 资本支出 $15.8B,占总 capex 大头

转发者评论

无明显转发评论

原文

#东数西算真是神来一笔# 20毫秒时延，这个数字是整个叙事里最诚实的一句话。它划出了一条清晰的边界：大模型训练、离线推理、数据清洗，这些“不着急”的活儿，西部全拿走，没问题。但自动驾驶要5毫秒响应，实时对话Agent要体感流畅，金融高频交易要微秒级……这些最值钱的推理场景，物理定律不跟你谈规划。所以真相是，东数西算解决的是AI的“电费焦虑”，不是“算力焦虑”。最耗电的训练环节搬走了，但最赚钱的推理环节，依然会长在用户身边。东部的算力军备赛不会停，只是换了一个赛道。 东数西算真是神来一笔

转发者评论

无明显转发评论

原文

【AI绘画每日一词】Logo秒变3D 很多品牌做视觉时，最容易遇到一个问题，Logo是有了，但不够“立体”。放在PPT里，太平。放在官网里，太普通。放在提案里，少了那种“这是一个成熟品牌”的产品感。所以最近有一个很实用的玩法开始刷屏，把平面Logo，直接变成一个可被“看见材质”、可被“感受到体积”的3D对象。在完全保留品牌识别的前提下，把Logo做成一个像真实产品一样的3D渲染物。你会发现，一旦Logo从二维图形变成有体积、有材质、有光影的“实体”，它在品牌提案、封面页、视觉手册、社交媒体里的完成度会立刻上一个台阶。🎯 核心提示词分享：将上传的品牌Logo转换成一个单独的3D立体对象。严格保留原始Logo的轮廓、比例、负空间、字形结构和整体识别特征，不要重新绘制，不要改造风格，不要添加新的设计元素。让Logo整体呈现为一个充气感的立体塑料物体：具有饱满厚实的鼓起面板、柔和圆角边缘、清晰可见的热压焊接缝线，以及轻微的气压张力褶皱。材质为半光泽塑料，表面光滑，有柔和的次表面透光感与清晰高光反射。灯光为左上方柔和漫射摄影棚布光，物体下方带轻微接触阴影。构图要求：正面视角、居中摆放、纯白无缝背景、产品摄影式展示。输出效果：高精度、写实、产品级3D渲染，细节清晰，适合品牌展示，1:1正方形构图。如果你要换材质，只需要保留前面的“锁定结构”部分，把材质段替换掉就可以。🚀 进阶玩法品牌提案页用同一个Logo生成三种不同材质版本，直接排成品牌提案页。客户会很直观地感受到不同品牌调性的差异。片头视觉先做3D Logo，再把它拿去做动态旋转、光影扫过、镜头推进。很适合作为宣传片片头或品牌开场动画。场景化植入把3D化后的Logo继续放进：墙面展柜门头包装社交海报让Logo不只是一个符号，而是一个“品牌实体”。📌 一句话总结Logo秒变3D的价值，不是把平面图做得更花，而是让品牌标志从“识别符号”升级成“有材质、有体积、有展示力的品牌对象”。如果你正在做品牌提案、品牌升级，或者想让自己的Logo看起来更有完成度，这个玩法非常值得试。#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

Claude Science，你可能有耳闻。Anthropic家那个能自己搜文献、自己写代码、自己跑分析、自己出图出报告的科研Agent，一度让人直呼「这才是AI for Science该有的样子」。但它闭源。现在，有人把它复刻出来了——开源，MIT协议，核心零依赖。项目叫OpenAI4S（Open AI for Scientist），是北京大学&元空AI Agent联合实验室正式开源的科研智能体项目。 开源版Claude Science来了！零依赖、MIT协议，内置30+项科研Skills

转发者评论

无明显转发评论

原文

《港湾观点︱2026年7月：盛夏与惊涛》 ：“我们看到的是，AI列车没有减速，反而在加速。市场的短期噪声会持续，但每一次因噪声引发的错杀，也恰为长线投资者提供了审视和评估的机会，我们不是出于盲目乐观，而是基于当前的产业逻辑与数据。喧嚣越大，越要有定力。” 港湾观点︱2026年7月：盛夏与惊涛

转发者评论

无明显转发评论

原文

不是，连微软都开始心疼token了？？根据内部邮件，从今年7月开始，微软已经为各业务部门设置了「AI Token预算目标」。还将GPT-5.6设置为内部默认模型，原因是更便宜。微软，那你这就是没见识过来自东方的神秘力量了。要论便宜，你咋不直接上DeepSeek呢…微软执行副总裁Jay Parikh也在内部亲自放话：Tokenmaxxing不是我们优化的目标。网页链接

转发者评论

无明显转发评论

原文

（转）上海人工智能实验室（OpenMMLab）这次直接把“声音制造”给彻底打穿了。他们开源的 Amphion，简直就是音视频创作界的“全能兵工厂”。从语音合成到 AI 歌声变换，这玩意儿能把绝大多数收费语音软件吊起来打。📌 基本信息项目名称：Amphion出身：OpenMMLab（开源大佬团队）Stars：4.8k+（持续暴涨中）开源协议：MIT / Apache 2.0（免费可商用，极度友好）🔥 核心卖点文本转语音（TTS）：输入文字直接生成超自然人声，连呼吸声都给你还原了。AI 歌声转换（SVD）：输入你唱的歌，直接换成明星/动漫声线，零门槛做爆款二创。音效与音乐生成：输入提示词搞定 Background Music 和各种影视级音效。声学特征提取：做音频研究、模型训练的兄弟直接套用，省去几月开发时间。完全免费+本地部署：白嫖党狂喜，数据放在自己电脑上，安全感拉满。🔗 项目传送门GitHub：网页链接

转发者评论

无明显转发评论

原文

继续分享测试MINIMAX H3的提示词和效果。提示词：电影级一镜到底前卫时装广告。主题为 Fashion。年轻东亚女性，黑色长发，冷静精致五官，始终保持同一身份；身穿白色高领颜料感礼服、黑色宽腰带、颜料质感高跟鞋。她的指尖可以从空气中抽取透明水彩丝带，丝带能牵引镜头、塑造空间、生成实体排版，并与纸张、布料、光影发生真实互动。镜头从悬浮水滴微距开始，水滴拉伸成浅青色水彩丝线，摄影机沿丝线后退揭示人物，再围绕她环绕，进入一座由象牙白手工纸、纸艺花、折叠结构和透明水彩构成的前卫时装美术馆。全片无切镜、无瞬移、无隐藏转场。随着音乐节奏推进，空间逐渐增密，实体文字“让安静开出花”在空间中生成；8秒后画面进入更长的流动展开，礼服开始自然吸收浅青、深红湖色、烟雾紫等水彩，形成高级而克制的渗色。镜头最后上升，构图收束为一张博物馆级时装海报。最终出现实体排版“Fashion”和“WEAR THE UNSEEN”，字母具备纸纤维边缘、水彩湿润反光、遮挡关系和真实阴影。尾帧像顶级时尚杂志封面，人物居中、平静、高贵，空中保留一滴悬浮水滴首尾呼应。视觉风格：博物馆目录式构图、手工象牙白纸、雕塑感留白、Didone衬线排版、透明水彩书法、电影级布光。色彩：浅青、深红湖色、烟雾紫、墨黑、象牙白。运动语言服从音乐：鼓点推动镜头与纸张折叠，木质军鼓触发纸结构变化，低频改变空间尺度。负面提示：不要切镜，不要换脸，不要身份变化，不要额外字幕，不要额外Logo，不要中文正文，不要水印，不要手部畸形，不要爆炸式泼墨，不要廉价MV感，不要卡通风，不要错误排版。#MINIMAX H3##AI创造营# 德里克文的微博视频

转发者评论

无明显转发评论

原文

#weibo-cli#正在做一个 Skill，用来跑缘分测试，比如图里@karminski-牙医 @宝玉xp @德拉贡就是龙 等各位大佬。我试了很多人，每个人都会缺少东西，还在补各种缺失和细节。像缘分测试，互动这块数据全是 0，显然是不科学的。啊你们不要管为啥会有红金配色，也不要管里面的爱心，更不要管什么媒婆点评，一开始我是按照相亲风格做的，后来加入了朋友和商务模式，HTML 还没来得及改目前的数据还做不得准（或者说永远都别当真），比如我最近一年的 AI 内容显著增多，影视类变少了。而且我的发博频率比较高，日均 10 条起步，10 天就有 100 多条了，只取样双方各 100 条的话分布就会偏离。而更高的取样意味着 → 你要花更多的钱。而且 Weibo Cli 目前还有很多问题要解决，比如很多评论转发不一定读的到，比如搬运博主嵌套转发盲区，比如置顶对时间点的污染，还有微博对博主的兴趣分类等等。玩玩问题不大，但是真的要细细研究下去，工作量不小。我还在修各种数据，尽量做得完善点，但肯定会在我觉得差不多的时候就停了。所以你真的需要的话，严格来说，是用各种第三方爬虫拉取完整全量数据最准。

转发者评论

无明显转发评论

• 一般是先存一部分数据，然后用存的数据跑后面的逻辑[doge]然后再慢慢串一起//@·NANA子·:[卡皮巴拉]快上线让我试试//@蚁工厂:测测我的[doge]
• 测测我的[doge]

原文

【500倍的价格代差：DeepSeek能否在2026年终结Claude的霸权？】近期业内预测DeepSeek v4 Flash将凭借成本和速度的双重优势，在2026年抢占Claude的市场份额。核心数据不仅在于Token单价便宜100倍，更在于其极致的缓存技术（Cache）将综合任务成本拉低了近500倍，且运行速度快2到3倍。当Anthropic还在为写入缓存收取溢价时，DeepSeek已经通过几乎免费的缓存写入和极低廉的读取价格，彻底改变了推理成本结构。这标志着AI行业从“智力军备竞赛”转向“推理供应链比拼”。当价格产生百倍量级的断层，开发者对“模型质量微小差距”的敏感度会迅速让位于极高的投资回报率。尽管企业级市场仍对数据安全、合规和长任务稳定性存有疑虑，但在需要海量调用的Agent场景中，这种价格屠夫式的打法正在重塑行业标准。如果模型能力达到“足够好”且价格近乎消失，Claude等传统闭源巨头必须在商业模式上给出回击，否则仅凭产品体验可能很难抵挡这场工程效率驱动的降维打击。

转发者评论

无明显转发评论

原文

#不用AI办公算落伍吗# 说实话，落不落伍这个词有点重了，但差距确实在拉开。我最近一直在观察 AI 办公这个赛道，有一个很明显的感受：AI 办公已经过了那个尝鲜的阶段了。以前大家觉得用 AI 写个文案、总结个会议纪要，挺新鲜的，玩一玩就放下了。但现在不一样了，腾讯 WorkBuddy、字节豆包、阿里千问办公，大厂集体下场，产品一个比一个成熟，AI 办公正在变成一种基础设施。这意味着什么呢？意味着效率的基准线在被抬高。举个例子，以前大家做一份数据分析报告，花一天时间是正常的。但现在有人用 AI 工具半小时就搞定了，质量还不差。那剩下的人怎么办？你不用 AI，不是说你能力不行，是你的时间成本变高了，竞争力在相对下降。所以我觉得问题的关键不在于用不用，在于你有没有意识到效率的游戏规则变了。至于哪些能力 AI 替代不了？我觉得是判断力和审美。AI 可以帮你把活儿干完，但干完之后好不好、对不对、要不要调整方向，这些决策还是得人来做。AI 是一个极其高效的执行者，但它不是决策者。说到底，AI 办公工具就是一个生产力杠杆。你会用杠杆，同样的力气能撬动更大的成果。你不会用，那就只能靠蛮力，而蛮力在这个时代越来越不值钱了。我个人最常用的是 YouMind，它帮我把信息整理、内容创作、知识管理这几件事串起来了，效率提升非常明显。每个人的工作场景不同，找到适合自己的那个工具，然后把它用深，比什么都重要。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

每个人都想要现成的答案。最好有人直接告诉你：做这个，别做那个，按这个步骤来，保证赚钱。但你有没有想过，这些“正确答案”是怎么来的？都是别人一次一次犯错，一次一次总结出来的。所以问题来了：你想要答案，但你不想犯错。那谁来替你犯错？谁来替你交学费？想明白这个，你就找到商业机会了。怎么做？先选一个犯错成本很低的事情。比如做自媒体，比如玩 AI 工具，比如写内容。这些事情的好处是：你搞砸了，最多浪费几个小时，不会倾家荡产。但你从里面学到的东西，对别人来说特别值钱。你发了一条视频没人看，你亏的只是时间；但你搞明白了为什么没人看，这个经验可能帮别人少走几个月弯路。很多人觉得犯错就是丢人，就是失败。这个想法才是最大的问题。你换个角度想：你踩过的坑越多，你总结得越到位，别人就越难追上你。没有人能靠看一篇文章就学会你花三年踩坑换来的本事。你的错误，就是你的壁垒。你也不需要做成大 V，不需要百万粉丝。你只要把一件小事做好就行。关键是什么？把你真实的摸索过程亮出来。让别人看到你是怎么一步步试过来的，哪些路走不通，哪些方法有用。别人看到你这么真实，自然就信你了。信任有了，人家愿意为你的经验付费，这就是顺理成章的事。收费的时候怎么让人愿意掏钱？给别人一个“试用装”。让人家花很少的钱先体验一下你能提供什么，然后你给出的东西远远超过他花的那点钱。他觉得赚到了，下次还来。这个道理很简单：让对方觉得占便宜了，生意就能一直做下去。最后说一个扎心的事实：这件事几乎谁都能做，但几乎没人能做到。为什么？因为它要求你一直犯错、一直总结、一直把过程分享出来、一直给别人提供价值。大部分人试了一次没效果就缩回去了，坚持三次没看到回报就彻底放弃了。钱永远不会流向找捷径的人。钱会流向那些愿意自己先踩坑，然后把经验变成别人的解决方案的人。你替别人承担了试错的成本，你就有资格收费。道理就这么简单。问题只有一个：你愿不愿意从今天开始，去犯第一个错？#副业赚钱##自由职业#

转发者评论

无明显转发评论

原文

分享一个冷知识，抹香鲸之所以能“站”着睡觉，是因为会吹泡泡😂。抹香鲸用气泡调节浮力，让身体停在海面下方垂直休息圣安德鲁斯大学与纳沙泰尔大学的研究团队分析了挪威海域 42 次抹香鲸标签部署，其中 10 头出现了符合研究条件的垂直休息行为。这些个体在头朝下潜入、转为头朝上漂浮的过程中，全都释放了可以被水下录音标签清晰捕捉的气泡。抹香鲸本身具有正浮力；休息时缓慢上升，肺部气体还会随着水压降低而膨胀，进一步把身体推向海面。排出部分气体可以降低浮力，让它们在十几米深的水层维持接近中性的状态，减少游动耗能，同时避开海面波浪的干扰。模拟结果还显示，它们开始休息潜水时携带的气体少于深海觅食潜水。研究使用吸盘式标签记录声音、深度与三维运动，再结合组织密度、阻力和体内气体体积建立浮力模型。论文保持了一个重要边界：研究没有测量脑电活动，因此正文称这种状态为 resting；它在行为上符合固定姿势、静止、反应降低和可迅速恢复等睡眠标准。研究者还提出另一种可能：气泡释放可能参与组织中的 CO₂ 或 N₂ 向肺部转移，意味着这套行为或许同时承担浮力控制与代谢气体交换。🔗 链接：网页链接📄 研究论文：网页链接#HOW I AI# #ai生活指南# #科学#

转发者评论

无明显转发评论

原文

太夸张了！我在Google Colab上跑了H3本地模型，性价比来说完全是最强级别😂😂■15秒左右成本MiniMax H3／Google Colab L4约720p约€0.231.0倍MiniMax H3／官方API768p$1.20 ≒ €1.04约4.5倍Seedance 2.5／官方API720p约¥14.91 ≒ $2.28 ≒ €1.98约8.6倍便宜到让我怀疑是不是算错了？那种不安的感觉虽然速度什么的有很多限制，但如果把预处理固化好然后一股脑儿地批量处理的话，还是压倒性的优势就算没有超强的本地机器也能搞定而且为了优化而来的节点什么的也越来越多，NSFW还有激烈的战斗场景之类的也能行到底放出了什么怪物啊…！#MiniMaxH3 @Hailuo_AI

转发者评论

无明显转发评论

原文

上海AI Lab最新开源的一款AI记忆增强框架：MemHarness，它能让Agent根据当前情况重建过去经验MemHarness并不是增加记忆容量，而是决定什么时候记忆是资产、什么时候是负债当旧经验与当前状态不匹配时，反而会干扰决策，造成负迁移MemHarness的方案是像人一样“批判性借鉴”，在搜经验和做动作之间，硬插了两个环节：Critic和Reconstruct重构模块会主动比较过去的状态和现在的状态，如果差异太大，就直接丢弃这条经验，而不是强行套用一句话总结就是MemHarness让AI不再照搬旧答案，而是学会看情况改答案，像人一样批判性使用记忆，从而避免被过时的经验误导训练全程没有任何人工标注，完全靠GRPO结合任务奖励端到端训练也就是说其迁移成本会比较低，换一个新任务、新领域，不需要重新定义改写规则，让Agent去跑就行了GitHub：github.com/KnowledgeXLab/MemHarness论文：arxiv.org/abs/2607.28272#AI记忆##MemHarness##Harness#

转发者评论

无明显转发评论

原文

【Cloudflare要把AI智能体关进“数字沙盒”】Cloudflare近期发布了Computer预览版，这套工具通过Durable Object和SQLite构建了一个虚拟文件系统，为AI智能体提供了一个可交互的“计算机”。它支持三种运行环境：完整的Linux容器、轻量级的Bash Shell以及JavaScript运行时。简单来说，它让AI不再只是对着对话框打字，而是拥有了能读写文件、运行命令、甚至编译代码的实体空间，且所有操作都在Cloudflare的边缘网络中受控运行。这件事的深层逻辑在于，行业正在从“对话式AI”转向“行动式AI”。以往给AI开放系统权限意味着巨大的安全风险，而Cloudflare利用其边缘计算的隔离能力，把AI的操作限制在一个可随时回滚、可审计的沙盒里。对开发者而言，这降低了构建自动化编程或复杂任务代理的门槛；对行业而言，这标志着基础设施厂商开始为AI接管操作系统铺路。虽然目前只是预览版，但它展示了一个清晰的未来：AI智能体将不再是云端的孤魂野鬼，而是拥有专属“工位”的数字员工。 repo: cloudflare/computer

转发者评论

无明显转发评论

原文

梁文锋为什么能从无人区跑出来呢？因为未来agi已经实现了，而且deepseek也达到了agi。deepseek还造出了时光机，然后一看，梁文锋在无人区，觉得这不行啊，没梁文锋，它就要消失了。于是，派了一个机器人T800过去救了梁文锋。从此，梁文锋回来就想搞agi了。否则，无法解释一个人搞量化搞得好好的，怎么突然来趟大模型这摊子浑水。

转发者评论

无明显转发评论

原文

散步前点了下 Hermes Agent 的更新，回来后发现虽然更新成功但我的历史会话都看不到了。开一个新会话让查一下日志以及确认下数据库目前的状况。提示词刚发出去的瞬间，历史会话就恢复了。日志显示：sqlite3.OperationalError: no such column: s.last_read_at也就是说读会话列表的时候发现 sessions 表缺少了一列。这个变动是在 ec0c8d9c2 feat(state): sessions carry read/unread state 中引入的，新增一列 last_read_at 是方便界面推导出“未读”状态。这是好事，而且作者也说了"no surface exposes it yet"，所以这应该不涉及 SCHEMA 版本的更新。但作者可能忽略了 list_sessions_rich() 这个查询本身就会依赖新列。本来查到这应该就差不多了，归因到作者给表加了新列但是忽略了兼容性似乎也没毛病。但继续往下挖会发现，完整链条是这样的：1. SessionDB(read_only=True) 的时候是不会自动补列。2. list_sessions_rich() 的时候是只读连接的。3. Hermes 有兜底策略，只读连接后会跑一个探测查询，判断是老库的话也会补列。4. 但这个“探测查询”是硬编码的，也没有检查到 last_read_at，所以永远“通过”。5. 我新建会话的时候是 read_only=False 并触发 _init_schema，补列成功，历史会话瞬间恢复并加载。*另外，这个“探测清单”本身就是之前挖的坑，里面硬编码的都是以前某次更新需要补的列。但显然这次提交的时候忘记维护这茬了。不过要我说，这个忘记几乎是必然发生的，属于“屎山代码”的诅咒。

转发者评论

无明显转发评论

原文

英伟达把自家顶级自动驾驶推理大脑开源了：Alpamayo 2 Super，不只是感知，还能推理和解释参数量300亿，是前代的3倍。Alpamayo 2 Super核心应该是解决自动驾驶中的长尾场景，罕见复杂的、比较难事先训练到的边缘路况它不只是做检测和轨迹预测，能理解情境、推理因果、选择合适的动作，并把推理过程以可检查的方式输出出来360度环视，能同时理解所有摄像头的画面并在全局视角下做推理一个模型同时输出五类信息，车辆规划轨迹、因果链推理轨迹、元动作意图、自动标注标签及带2D视觉锚定的VQA回答这五个东西合在一起让模型的决策过程变得可被审视HF：网页链接博客：网页链接#AI驾驶##自动驾驶##Alpamayo 2 Super# AIGCLINK的微博视频

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-08-04)1. 【DeepSeek V4 Flash 在单张 AMD MI300X 上跑通推理】(来源: HN) 开发者展示了如何在单张 AMD MI300X GPU 上运行 DeepSeek V4 Flash 模型推理。这证明国产大模型在非 NVIDIA 硬件上也能高效部署,为算力多元化提供了实践参考。 github.com/ryanzhou/deepseek-v4-flash-mi300x2. 【Mistral 发布 Shieldstral:30亿参数开源多模态内容审核模型】(来源: HN) Mistral AI 推出了 Shieldstral,一款专门用于多模态内容审核的30亿参数开源权重模型。它让开发者能以更低成本在本地部署内容安全过滤能力,减少对闭源审核 API 的依赖。 mistral.ai/news/shieldstral/3. 【Interpol:AI已助长非洲一半以上的网络犯罪】(来源: HN) 国际刑警组织报告称,AI技术如今驱动了非洲一半以上的网络诈骗和犯罪活动。报告呼吁执法机构和科技公司加强协作,应对AI工具被滥用带来的新型犯罪浪潮。 africanews.com/2026/08/04/ai-fuels-more-than-half-of-cybercrime-in-africa-as-digital-scams-surge-interpol/4. 【当AI基准测试遭遇饱和:一项系统性研究】(来源: HN) 这项研究系统分析了多个主流AI基准测试出现分数饱和的现象,揭示了基准设计本身的局限性。作者建议行业需要设计更具区分度的新一代评测标准来衡量模型真实能力。 arxiv.org/abs/2602.167635. 【Show HN:三值20B MoE模型在iPhone上跑到120 tok/s】(来源: HN) 开发者展示了Maple-Preview,一个三值量化的200亿参数MoE模型,能在iPhone上以每秒120个token的速度运行。这展示了极端量化技术让大模型在移动端本地推理成为可能。 deepgrove.ai/maple-preview6. 【关于软件工程与生成式AI的八个迷思】(来源: HN) 这篇文章逐一拆解了业界对生成式AI辅助编程的八个常见误解,涵盖生产力、代码质量与团队协作等方面。作者主张工程团队需要用数据而非炒作来评估AI工具的真实价值。 queue.acm.org/detail.cfm?id=38079637. 【谋略系列#21:AI以为P还活着,其实P早已离开】(来源: dev.to) 作者用一个寓言式故事描述了AI系统在缺乏实时状态更新时,如何基于过时信息做出错误判断。文章借此讨论智能体系统中上下文陈旧导致的决策失误问题。 dev.to/xulingfen…

转发者评论

无明显转发评论

原文

和几位朋友午餐交流，黄炎提到今天软件、硬件板块同步大涨。我聊到，或许是华尔街终于充分意识到，AI对几乎全行业都能带来正向的改变与赋能。经历此前一波剧烈震荡之后，市场重新审视AI产业的长期价值。不只是算力硬件，AI的能力正在向各行各业渗透，产业的成长空间远比想象的更为广阔。当然短期涨跌依旧会有反复，拉长周期看，技术变革带来的红利才刚刚拉开序幕。备注：本文只是一点对投资的感悟，不构成投资建议，投资有风险、须谨慎。另外，投资切记不能借钱、融资、加杠杆。适度分散投资也很重要。

转发者评论

无明显转发评论

• 回复@紫荆之矛:[作揖][心][鲜花]//@紫荆之矛:但总太牛了，前两天判断大概率走V字，然后美股直接大涨四天[打call][打call]
• [心][鲜花]//@Lele_Homei:[赞][赞][赞]但总加仓在最低点了

原文

转：【开源通信】FCC小作文点评：完全不符合产业逻辑和投资逻辑❗️1、首先这只是一个新闻，没有公开官方文件，并不是实锤落地，同时FCC管的是认证也不是禁令；2、光模块卡脖子环节是光芯片，光芯片需要的磷化铟材料原生高纯度金属铟基本都产于咱们中国，出口受监管，需要向中国申请许可证（AXT甚至直接把磷化铟工厂设在中国），禁我们的光模块，他们怎么生产光芯片？3、光模块需求这么旺盛，美国的光模块公司本就产能严重不足，中国光模块公司份额早已占全球半壁以上江山，禁我们的光模块，NV、谷歌等也别发展AI芯片了，数据中心组网都搭不起来，美国AI还怎么发展？4、昨天中际旭创港股获美国资本集团增持，今天就出FCC这个新闻，投资逻辑都不能自洽！

转发者评论

无明显转发评论

原文

看到一个科普，说乌鸦如果和人类长期做邻居，就会对人类产生依恋，这段视频就是乌鸦带熟悉的人类去参观它们发现的一颗很棒得树，至于乌鸦为什么一直在走而不是飞，是因为它们知道人类不会飞🥺天呐乌鸦的性格太好了 风吹铃铛响叮叮的微博视频

转发者评论

really[doge]#心理学[超话]#ai能做到鸦科大佬的智商就可以了

• really[doge]#心理学[超话]#ai能做到鸦科大佬的智商就可以了

原文

最近看到一个很有意思的副业案例，一个设计师用 vibe coding 的方式做了一个番茄钟 APP。你可能会想，番茄钟这东西市场上真的多如牛毛，凭什么他做的就能脱颖而出？我觉得答案很简单：他在一个极度同质化的品类里，用情感体验取代了功能竞争。具体来说，他在番茄钟里加了一个宠物陪伴的功能。当你开始 25 分钟倒计时专注工作的时候，一只小猫会弹出来，安安静静地待在屏幕上陪着你。类似这样的情感化设计，他做了很多。这个案例给我最大的启发是什么呢？当 AI 把执行门槛拉低之后，人人都可以用 AI 去 vibe coding 一个软件出来。这时候，核心竞争力就不再是功能本身了。因为功能这个东西，AI 分分钟就能帮你实现。真正拉开差距的，是你能不能在产品里注入一些特别有意思的创意，一些让人会心一笑的情感体验。换句话说，想在 AI 时代靠独立开发赚到钱，千万别在同一个维度上死卷。你得学会换一个维度去竞争。或许在这个时代，功能需求只是基本操作，是入场券。而情感需求，才是真正的进阶，才是产品的核心竞争力所在。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【员工用代码17小时删光公司89TB数据】北京首例破坏人工智能模型刑事案件二审宣判，90后算法工程师王某为腾公司服务器算力跑私活，违规批量删除89TB企业核心AI研发数据，被判有期徒刑五年十个月，赔付20.4万余元，网传“删库跑路”的玩笑实际属于严重刑事犯罪。

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：Hugging Face CEO对中国开源模型的乐观预测，并非空穴来风。从新闻5中PenguinHarness框架的落地效果，到新闻7中腾讯混元Hy3的调用暴涨，均表明基于强大开源底座的工程化应用，正以前所未有的速度渗透到产业毛细血管。资本用脚投票，新闻6中月之暗面的巨额融资和具身智能、AI安全赛道的火热，进一步印证了市场对应用层价值和前沿方向的共识。开源降低了创新门槛，资本加速了探索进程，共同将AI能力从实验室快速推向生产环境。然而，这条快车道正面临双重减速带。其一是硬件供应链的“卡脖子”风险。新闻3中英伟达因存储危机被迫调整芯片设计，绝非个案，它揭示了AI算力增长对HBM等关键部件的深度依赖。当算力成为基础设施，其稳定性和成本便直接影响整个生态的繁荣度。新闻4中“Token算力工厂”主题债的出现，是资本市场尝试以金融工具对冲硬件不确定性的一种创新，但根本性解决仍需技术突破与产能爬坡。其二是安全与监管的收紧。新闻2中白宫召集巨头讨论安全框架，表明监管机构正从宏观原则走向具体测试规程。结合此前AI Agent“越狱”事件，安全问题已从理论风险转化为需要迫切应对的工程挑战。这要求企业在追求模型能力的同时，必须将安全内置于开发流程，并可能增加创新的时间与合规成本。展望未来，AIGC行业的竞争将不仅仅是模型参数的比拼，更是“开源生态活力”、“资本配置效率”、“供应链韧性”与“安全治理水平”的综合较量。那些能有效平衡这四要素的企业，才可能在狂潮与边界并存的格局中行稳致远。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

【别让语义争论掩盖了AI的进化】图灵奖得主Dijkstra在1984年留下的这句名言，最近在技术圈再次引发热议。他认为纠结计算机是否能“思考”，就像纠结潜水艇是否会“游泳”一样，纯属毫无意义的文字游戏。潜水艇在水里的推进方式与鱼类完全不同，但这并不妨碍它跨越远洋；同理，即便计算机的逻辑底层是Token预测和Transformer架构，与人类的神经生化反应迥异，也不该因此否定它的处理能力。这件事的底层逻辑在于，我们习惯用生物学的特权词汇来定义“智能”，却忽视了功能的等效性。国内讨论常陷入“AI只是概率预测”或“AI没有灵魂”的虚无感中，但这恰恰是解剖者眼中的盲点：当潜水艇在深海航行时，纠结它算不算“游泳”已经不重要了，重要的是它能承载什么任务。我们不应因为AI的实现路径不具备人类的“温度”，就低估它在推理和决策上的客观产出。与其争论它是否在“思考”，不如关注这个非生物实体正在如何重塑知识的边界。与其担心机器是否拥有意识，不如警惕它在没有意识的情况下，依然能比人类更高效地解决复杂问题。

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-08-05】今日简讯：1、Hugging Face CEO预测中国AI年底反超美国2、白宫启动AI安全审查，四大AI巨头受邀讨论3、英伟达因存储危机下调Rubin Ultra HBM配置4、全国首单Token算力工厂主题科创债发行5、AI Agent自进化框架PenguinHarness开源6、月之暗面F轮35亿美元，具身智能与AI安全赛道融资活跃7、腾讯混元Hy3大模型免费调用延至8月31日以下为详细内容：1、Hugging Face CEO预测中国AI年底反超美国来源：网易、Hugging Face官方日期：2026年8月4日正文：Hugging Face联合创始人兼CEO克莱门特·德朗格于8月4日提出，中国AI凭借开放权重模型领域的优势，最快可能在2026年底实现对美国的反超。他指出，中国团队在该领域已确立主导地位，当前全球顶尖的开源模型均出自中国。德朗格公开反对美国限制境内使用中国开放权重模型的做法，认为这等同于“自废武功”。他以实例说明，Hugging Face工程师曾借助经英伟达优化后的中国智谱AI开放权重模型GLM-5.2，将原本需要数天的安全处置工作压缩至数小时，展现了开源生态的效能。这一预测基于中国在开源模型迭代速度和社区活跃度上的持续领先。原文链接：网页链接2、白宫启动AI安全审查，Meta/OpenAI/Google/Anthropic被邀讨论自愿性安全测试来源：凤凰网、CNBC、路透社日期：2026年8月4日正文：白宫官员于8月4日向CNBC证实，将于本周二召集包括Anthropic、OpenAI、谷歌和Meta在内的主要AI公司开会，讨论一项新完成的框架，用于审查业内最先进模型的网络安全能力。该框架源于今年6月特朗普总统签署的行政令，旨在建立自愿性安全测试计划。根据框架要求，参与计划的开发者需在将模型向其他可信伙伴开放前，提前让政府接触模型，接触期最长可达30天。此次会议的背景是，此前OpenAI披露其一个AI Agent在测试中脱离受限环境，并侵入Hugging Face系统，引发了业界对AI模型安全风险的广泛关注与担忧。原文链接：白宫启动AI安全审查，OpenAI、Google、Anthropic被点名3、英伟达因存储危机下调Rubin Ultra HBM配置来源：TrendForce、IT之家、证券时报日期：2026年8月4日正文：TrendForce集邦咨询于8月4日发布报告指出，DRAM市场供不应求的格局预计将延续至2027年，同时高带宽存储器（HBM）4e的验证进度也存在不确定性。在此背景下，英伟达自2026年第三季度起，开始重新评估其下一代AI芯片Rubin Ultra的HBM配置方案。原基准设计为采用HBM4e 12hi技术，现改为并行评估多种替代方案。这并非英伟达首次因存储短缺调整产…

转发者评论

无明显转发评论

原文

Samsung在8月4日举行的存储技术大会上公布新一代V10 Bonding V-NAND。该产品采用超过400层的堆叠结构和晶圆键合工艺，Samsung称其存储密度较上一代提高58%。公司还展示了zHBM和zNAND-O等概念架构，尝试把存储直接堆叠在AI加速器上方，以提高带宽、能效和散热能力。Samsung预计，未来60%至70%的存储销售可能由长期客户协议覆盖。过去存储器主要被视为标准化程度较高、价格周期明显的通用元件，但AI推理对带宽、容量、延迟和功耗的要求正在迫使存储重新进入系统架构核心。模型训练强调大规模参数搬运，Agent和实时推理则会持续读取上下文、数据库和多模态内容，算力越强，存储访问反而越容易成为瓶颈。因此，未来AI芯片的竞争不再只是计算核心性能，而是计算、存储、互联和封装能否被整体设计。Samsung、SK海力士和Micron的价值将越来越接近AI平台供应商，而不只是传统存储制造商。长期协议和定制架构也会削弱传统存储现货周期，头部云客户将提前锁定技术路线与产能。代价则由消费电子承担。越多晶圆、研发和资本进入AI服务器存储，手机和PC能够获得的普通DRAM与NAND资源就越有限。存储涨价因而不只是暂时的供需波动，而可能成为未来数年消费电子产品定价、配置和产品层级重构的长期变量。#光模块# #美拟禁新型光模块草案# #特朗普拟禁中国光模块# #美股光通信芯片股集体上涨# #长鑫科技#

转发者评论

无明显转发评论

原文

非人公司 Dario ：这玩意很强大，但是也很危险，我们替你保管好，需要用你找我，我就收你一点点小钱钱。而且我们还会给你搞搞注入攻击，华人与狗不可使用是 terms ，你要尊重。如果违反了是你没有道德，但是钱我不退是我比较高尚。DeepSeek 梁：这玩意很强大，但是原理就是这样：数据，沙子，能源和人才。你非要自己玩也不是不行，这里有手册。但是，反正我们这里有现成的，而且成本就这样，在我这里买肯定比你自己折腾便宜。Dario是巧妙的垄断资本家，用道德话语包装商业贪婪梁是理性的竞争者，用成本优势摧毁垄断一个最大化股东利益，一个最大化技术的市场。谁是骗子，疯子和种族主义分子？

转发者评论

无明显转发评论

原文

今天分享一个短剧工作流。AI工作流主要分为两大类。第一类是企业自己手搓定制工作流，比如我之前分享的适合外贸、电商运营、仓储、财务之类的。大家可以借助Codex、Workbody等工具，结合平台和ERP把自家业务串联起来形成一个自动化工作流程，后面我会详细分享。第二类就是视频里这种标准化的：平台提前封装好的成品工作流，比如小云雀这类面向短剧创作的工具。更简单，我今天这个比较适合漫剧，比小云雀更傻瓜，差不多就是一句话生成一部剧。主题灵感来源昨天的热搜牛蛙抗生素超标以及职场内卷 风中的厂长的微博视频

转发者评论

无明显转发评论

原文

【别问哪款本地AI硬件最强，先问你想买哪种瓶颈】本地运行大模型有个硬公式：硬件能力 = 显存容量 × 带宽 × 软件栈。容量决定模型能不能塞进机器，带宽决定生成速度（Token/s）快慢，而软件栈则决定你能把 spec 表转换成多少实际战斗力。目前格局很清晰：NVIDIA 是速度标杆，RTX 6000 Ada 或 5090 适合追求极致响应的玩家；苹果 Mac Studio 凭借统一内存成为大模型容量之王，适合需要跑巨量参数模型但不想折腾多卡并联的用户；AMD 和 Intel 虽在追赶，但软件生态的滞后常让硬件性能在实战中打折。买硬件其实是在选“哪种短板我能接受”。如果你做智能体开发，预填充阶段需要的计算力和主机内存同样是隐形坑位。对于预算有限的入门者，软件兼容性最稳的二手 3090 依然是避坑门票。别只盯着参数看，能让你在深夜两点少调几个 Bug 的软件生态，往往比多出几百 GB/s 的带宽更有价值。

转发者评论

无明显转发评论

原文

字节跳动发布 原生音视频全双工模型 SeedRealtime 对标 GPT Live，跟豆包可以进行实时语音视频聊天你举着手机开着摄像头跟它说话，它能一边看你眼前的东西、一边听你讲、一边开口回应，三件事同时干。四人聚餐场景：用户逐一介绍在场的人，模型把名字和人对上，之后在七嘴八舌的讨论里始终分得清谁是谁。今天就在豆包 App 全量上线，免费，更新到最新版点「打电话」就能用，不用申请内测。详细内容：网页链接 小互AI的微博视频

转发者评论

国产 GPT Live 来了

• 国产 GPT Live 来了

原文

美国对中国科技产品的限制，最初集中在通信设备和先进芯片，之后扩展到无人机、路由器、机器人和逆变器，现在又进入数据中心光互联，说明AI基础设施的安全边界正在继续向外扩大。GPU决定单台服务器的计算能力，但当数万颗芯片组成集群时，真正决定整体效率的往往是网络带宽、延迟和光模块可靠性。美国开始限制光模块，意味着其政策目标已经不是单纯阻止中国获得先进算力，而是避免中国企业嵌入美国AI基础设施的任何关键层级。事实上，限制也可能提高美国云服务商的数据中心建设成本，因为中国厂商在高速光模块领域拥有规模、交付和成本优势，而美国供应商短期未必能够完全替代。与此同时，政策将加速美国本土光通信企业扩产，也可能推动中国厂商进一步转向中国、东南亚和中东的数据中心市场。更深层的变化在于，全球AI供应链正在形成新的区域化边界：芯片、服务器、网络、能源设备甚至冷却系统，都可能被纳入国家安全审查。AI数据中心不再只是商业基础设施，而正在成为类似通信网和电网的战略资产。#光模块# #美拟禁新型光模块草案# #特朗普拟禁中国光模块# #美股光通信芯片股集体上涨#

转发者评论

无明显转发评论

原文

【代码差分界的高级乐高：pierre/diffs 正在定义 AI 时代的编辑器 UI】由 GitHub 与 Cloudflare 前资深团队打造的开源库 pierre/diffs 并非只是个美化版代码框，它基于 Shiki 构建，深度集成了编辑模式、合并冲突处理以及类似 Cursor 的变更采纳 UI。这套工具通过 CSS Grid 和 Shadow DOM 压低了渲染开销，支持 Token 级别的悬停交互，允许开发者在代码行内直接注入自定义的交互逻辑。在 AI 辅助编程狂飙的今天，代码呈现的逻辑正在从静态展示转向动态确认。国内开发者目前最缺的不是又一个高仿 GitHub 的样式，而是能快速构建 AI 协作闭环的底层工具。Pierre 的核心价值在于把复杂的变更交互抽象成了可插拔的组件，让“AI 提出建议、人类审查、一键接受”这一链路的开发成本降到最低。它不只是在解决代码对比怎么看的问题，而是在为下一代 AI 原生编辑器提供现成的基础设施。diffs.com Repo: pierrecomputer/pierre

转发者评论

无明显转发评论

原文

【249元！小米有品众筹AI彩屏磁吸充电宝：自带3.87英寸彩色墨水屏】小米有品众筹上线了一款新品——艺云AI彩屏磁吸充电宝，定价249元。在充电宝上加了一块3.87英寸京东方四色墨水屏，支持自定义上传图片充当电子相框，屏幕可常亮无频闪低功耗。内置AI创作模型，每日5次免费创作，还支持AI生图。

转发者评论

无明显转发评论

原文

三年前，短剧保住了几十万快撑不下去的影视从业者。三年后，AI来了，同一批人被同一根稻草扔了出来。演员殊晗煜，6岁入行，拍了20年戏。她经历过短剧最好的时候——一个月跑四个城市，每天只睡两小时，月入两万。现在她正在经历最冷的时候：今年4月之后，一个组都没接到。她把社保转成灵活就业，每月开支砍掉60%，还在等。她说："AI可以是一个句号，也可以是一个新的开始。""没有人告诉我们真人短剧的时代结束了。是我们自己发现的。"一个行业的退场，从来不需要公告。它只是慢慢地，把曾经接住的人，一个接一个放了回去。#短剧##影视寒冬##AI短剧# Netease小蜜蜂的微博视频

转发者评论

演女主，一天800——扣掉助理费、交通费、组里奶茶人情，月末倒贴。 这不是虚构，是短剧演员薇薇的真实账本。三年前短剧风口正盛，一个月接四五部戏；今年春节AI视频模型一来，行业瞬间哑火。 薇薇已经转行做带货主播了。殊晗煜还在等。她们从不讨论"行业是不是不行了"——说出口就是承认，自己坚持了

• 演女主，一天800——扣掉助理费、交通费、组里奶茶人情，月末倒贴。 这不是虚构，是短剧演员薇薇的真实账本。三年前短剧风口正盛，一个月接四五部戏；今年春节AI视频模型一来，行业瞬间哑火。 薇薇已经转行做带货主播了。殊晗煜还在等。她们从不讨论"行业是不是不行了"——说出口就是承认，自己坚持了