微博 AI 观察博客

原文

腾讯 WorkBuddy 的实践：Agent 从能用到可用，差的是这几层工程。大多数人觉得 Agent 不好用，第一反应是换模型或者改提示词。WorkBuddy 团队做了两年之后的结论是：模型只是起点，真正决定 Agent 能否稳定完成任务的，是它外面那套工程体系。这篇文章系统整理了他们的思路，按"模型—上下文—Harness—Loop"的链路拆解，值得工程团队认真读一遍。1. 模型是无状态函数，产品负责维护状态一次模型调用本质上是：输出 = 模型(系统提示词 + 工具 + 会话历史 + 其他上下文 + 用户指令)两条硬约束：1）模型无状态，不自动保留上次调用内容，对话连续性、Memory、工作进度都由产品侧维护后注入。2）模型知识截止训练日期，实时信息必须通过工具查询再放进上下文。这两条约束，是 Context Engineering 和 Harness 存在的根本原因。2. Context Engineering：模型这一刻该看到什么上下文管理的核心不是"窗口够大就全塞进去"，而是五类动作：1）写入：目标、规则、环境显式写进去，别让模型靠猜。2）选择：从候选信息里只挑当前这一步需要的。3）检索：按需从历史会话、资料库里捞。4）压缩：长内容外置，清理过期内容，只留结论和索引。5）隔离：旁支任务交给 Sub-agent，只把结果带回主线，避免污染主上下文。一个容易被忽视的工程细节：Prompt Cache 按前缀匹配，所以 System Prompt 和基础工具定义要放前面保持稳定，动态内容追加到后面。缓存命中率正在成为生产环境的核心工程指标。3. Harness Engineering：引导、约束与整合这是文章最有价值的部分。Harness 不是提示词，是一套控制系统，分三类能力：1）驾驭（Steer）：System Prompt、规则文件、Skill 给 Agent 方向感，错误消息里带纠正提示而不只是报错码。2）约束（Constrain）：权限边界、Sandbox 隔离环境、Approval Gate 拦截高风险操作，审计日志让所有动作留痕。关键原则：持有 API Key、真正执行操作的是 Agent 而非模型，所以权限校验必须在模型外部执行，不能靠提示词"请求"模型自我约束。3）整合（Integrate）：工具、MCP、记忆、Sub-agent、Hooks 的编排——谁先调用谁、谁触发谁、谁的输出回传给谁。反馈机制同样重要：前馈（Feedforward）提高首次正确率，反馈（Feedback）让 Agent 在进人工审查前先自我纠正。能用确定性程序检查的问题（linter、类型检查、单测）优先用程序，需要语义判断的再交给 Review Agent。4. Loop Engineering：任务如何跨时间继续Loop 关注的是"Agent 如何被触发、…

转发者评论

无明显转发评论

原文

活着，真有那么好吗？作家师永刚最新医学人文非虚构长篇作品：《终活》 一书，由人民文学出版社隆重推出中美癌症治疗的通识指南一本“有用”的癌症医学人文非虚构长篇由人民文学出版社出版的《终活》一书是原《凤凰周刊》主编师永刚，继首本中国病人赴美治疗癌症群体非虚构长篇、畅销书《无国界病人》后，推出的第二部关于癌症与医学人文的重磅力作。这是一位罹患肾上腺皮质癌的病人，在北京协和医院、MD安德森癌症中心等美中两家顶级医院治疗8年，并得以“临床治愈”的亲历手记，以及他采访并帮助过的上百位癌症病人的故事与命运书。《终活》一书试图从更为广阔的世界观与视角，重新讲述在AI时代，如何做病人？如何立足全球寻医问药，找到最佳治疗方式的一本中美癌症治疗的通识指南。这本书聚焦中美在癌症治疗和面对死亡态度上的差异，探讨现代医疗模式中的人文关怀。《终活》同时通过作者亲历的数百真实案例，呈现病患及其家庭在疾病终末期的心理挣扎与人生安排，深刻揭示生命极致境遇中的复杂体验与哲思。这本书出版前，已同步在《花城》杂志上选载了7万字，并配发了著名医学人文学者、北京大学医学部教授王一方，为《终活》一书撰写的近万字评论文章“断崖上的叙事”。王一方教授认为：“《终活》一书不仅是对个体生命面对癌症奋力抗争的记录，更是一种面向死亡与重生的哲学探究，展现了非虚构写作在生死议题上的深度与力量。”#《终活》一书出版##无国界病人# 这本书同时还入选了腾讯与单向街联合发起的“共同叙事创作者支持计划”。此前，作家师永刚以自己的亲身经历撰写的非虚构长篇《无国界病人》，曾在《收获》杂志选发了12万字，先后获得《收获》文学榜非虚构奖 深圳读书月年度十大好书、《财新》杂志15年15本书 、豆瓣9.2高分好书等30多个奖项，被誉为现象级医学人文畅销书，影响与改变了众多癌症病人的命运。《终活》一书是《无国界病人》系列的第二本。这部《终活》仍然直面癌症病人群体，在中美治疗癌症的境遇与艰难。如果说《无国界病人》是作者治疗罕见癌症的自传，《终活》一书则有着更为广阔的视野与野心，作者试图通过对于中美癌症医院的对比，深入采访、亲历、以及癌症病人在两国间的遭遇，试图从全球化的角度，为读者提供一本“有用的癌症医学人文非虚构书”。作家师永刚，有15年的新闻类周刊主编从业经历，在撰写这本书时，他以“病人”的身份，对亲历的中、美两国医疗体系巨大差异、近百名癌症病人与中美两国的医生，进行了系统的采访、调查，研究，使这本书成为中文写作领域中，少见的一本以癌症为主角的中美两国癌症病人治疗与医疗理念的田野调查。是一本从一手经验出发，冷静有条理地完成一个情感性和科学性相融合的作品。媒体评价他的这一千多天都与“苦难”相伴：被确诊罕见癌症，被国内无药所困，远赴美国卖房抗癌，母亲离世，债台高筑···在美不间断治疗癌症8年，2次手术5次复发转移4次急诊6次放疗3次临床试验…

转发者评论

推荐永刚兄心血之作《终活》

• 推荐永刚兄心血之作《终活》

原文

【AMD硬核“刻录”AI：当模型变成芯片，Token将廉价如电力】AMD近日收购了初创公司Taalas，其核心技术是将大模型的权重直接“刻”进硅片，制造出模型专用集成电路（MSIC）。这种做法彻底颠覆了传统GPU通过显存读取权重的逻辑，实测在Llama 3.1 8B模型上跑出了每秒近1.7万个Token的惊人速度，比顶级GPU快了近50倍。虽然硬件固化意味着模型大改需要重新流片，但Taalas通过优化工艺降低了改版成本，试图在推理效率上实现量级跨越。这标志着AI正在从算法竞赛转向基础设施的“硬化”阶段。当权重被固化在硬件里，Token就从昂贵的稀缺资源变成了廉价的工业品。社区评论里有个比喻很到位：这就像从拨号上网跨越到光纤宽带，速度的量变会引发应用形态的质变。如果推理几乎瞬时且低功耗，开发者将不再纠结于单次对话的精准度，而是能通过成百上千个子智能体进行高频迭代和自我修正，用“暴力推理”解决复杂问题。这不仅是AMD绕开Nvidia显存带宽瓶颈的奇招，也为手机等终端设备内置高性能本地模型提供了物理可能，真正的个人AI助理或许就藏在这些被固化的硅片里。

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

//@丕子:转发微博

• //@丕子:转发微博

原文

教程：机器学习编译器入门地址：aramesh10.github.io/ml-compilers-primer/index.htmlAditya Ramesh在在卡内基梅隆大学机器学习系统读书会上做的技术分享。这份材料适合已经会使用 PyTorch、但不清楚 torch.compile、Triton、TVM 和算子融合背后发生了什么的人。它把 Theano、TensorFlow、Chainer、PyTorch、Glow、Halide 和 TVM 放进同一条演进路线中，帮助读者建立一张完整的 ML 编译器地图。对准备学习推理优化、GPU 编程、AI 系统或 ML 编译器工程的人，这是不错的第一份全景式材料。#How I AI#

转发者评论

无明显转发评论

原文

带视觉的DeepSeek-V4-Flash来了~地址：huggingface.co/webbrain-one/DeepSeek-V4-Flash-0731-Vision-NVFP4WebBrain 社区团队做的，NVFP4版。该团队用 WebBrain 训练的路由感知 PatchMerger 投影器，将 DeepSeek 的推理与智能体主干网络与 Kimi-K2.6 的 MoonViT 视觉编码器相连接。 ，从而带给 DeepSeek-V4-Flash视觉能力。#How I AI#

转发者评论

无明显转发评论

• 这 logo，哈哈哈比目鱼吗

原文

[CL]《The Personalization Mirage: How LLMs Fabricate User Profiles, and Why Self-Monitoring Misleads》Y Sun, Y Zhang, R Sheng [LIGHTSPEED & The Hong Kong University of Science and Technology] (2026) 在个性化大语言模型（LLM）领域，确保模型对用户画像的忠实度是一个被忽视的难题。过去的方法受困于无法量化模型在证据之外的“脑补”行为，本质原因是缺乏区分事实推断与虚构臆测的评测基准。本文的核心洞见是：将个性化过程中的过度推断视为一种“幻觉镜像”，并构建了包含150个画像和6类任务的MirageBench进行压力测试。由此，通过引入独立裁判模型与四级忠实度分类，揭示了模型自评可靠性与实际表现成反比的“自监测逆转”现象。这项工作真正留下的遗产是量化了个性化模型中普遍存在的过度推断风险（占比高达35%-49%）。它为后来者打开的新门是确立了外部验证优于模型自评的评测范式，但尚未跨过的门槛是如何在保持模型“想象力”的同时，有效抑制长期记忆中的错误累积与污染。arxiv.org/abs/2608.04570 #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

• 这个发现揭示了一个认知论层面的死锁：你没法用一个系统去审计它自己的盲区。说“我很谨慎”的模型，本质上是在用同一套会产生幻觉的推理机制，去判断自己有没有产生幻觉。这就像让一个病感失认症患者给自己做神经检查……他真诚地告诉你“我没事”，恰恰是他有事的证据。所以下次看到任何AI系统标榜“

原文

(转)Navicat 和 DBeaver 真的可以考虑卸载了，国内团队做出的这个 AI 数据库神器简直在乱杀。OtterMind / Chat2DB 是一个在 GitHub 上爆火的 AI 驱动型多数据库客户端，斩获了 2.7 万+ Star。它把大模型能力直接塞进了数据库 GUI 里，彻底打破了打工人写复杂 SQL 的门槛。无论是 MySQL、PostgreSQL、Oracle 还是 ClickHouse，全都能拿捏。 核心卖点：人话变 SQL：零基础输入需求，AI 自动帮你写完超长复杂查询。 SQL 逆向翻译：看不懂别人留下的屎山代码？AI 一秒翻译成白话文。 性能一键诊断：慢查询自动提示优化方案，不用天天麻烦 DBA。 多端全平台：支持 Win/Mac/Linux 客户端及 Web 部署。 主流全兼容：兼容 MySQL、Oracle、PG、SQLite、ClickHouse 等数十种数据库。🔗 GitHub：网页链接

转发者评论

无明显转发评论

原文

不是吧？连GPT-5.6，竟然全员免费了！#科技先锋官# 今早，OpenAI官宣，GPT-5.6 Luna文本对话不限量，全球十亿人直接免费用。Luna是家族里最小的模型，主打快和便宜，家族还有Terra和Sol。从今天起，Luna将成为Free和Go的默认模型，替掉GPT-5.5。ChatGPT免费版还新增「Think」按钮，免费档首次能主动调用更高推理力度。不过免费的只是文本对话，文件上传、图片生成、语音额度照旧。「超大杯」Sol也全新升级。以往Instant和Thinking像「双重人格」，语气格式都不一样；现在统一由Sol接管，区别只在思考时间长短。Work专属的「五档思考滑块」，这次下放到普通聊天界面。新版Sol最大变化是「话变少了」，回答更精简，把「详尽」换成「抓重点」。更重要的是，GPT-5.6全家桶事实准确率大幅提升。OpenAI专挑金融、医疗、法律三大领域做内部评测，一处事实错误整条算错，结果Sol比5.5 Instant错误率降68%，Luna降62%。爆料称OpenAI下周将推出下一代主力模型Astra，这是自GPT-4.5以来训练过的最大模型，内部代号「mewfour」已是发布前最后一版RC。8月1日OpenAI一篇数学博客透露，其解决十个悬置十年以上开放问题的成果，正来自Astra的内部版本。综合爆料，Astra定位长时程、多智能体协作。规格传闻不一，有说是Sol两倍，也有开发者推算GPT-4.5约5T参数，Astra或达7-10T。借助更强基础设施和今年算力扩容，其服务成本或比Anthropic的Mythos 5还便宜。有分析认为，OpenAI的post-training全行业最强，唯一短板是预训练底子，而这次短板补成了史上最大——最强调教配最大底座，这正是Astra可能成为突破的全部逻辑，目标直指把Anthropic的Fable 5拉下王座。答案一周内揭晓。

转发者评论

无明显转发评论

原文

AI Harness教程地址：xueai.app/slides/home.html面向产品经理及其他转行过来的人的教程。注意课程大部分章节需要注册登录后才能看，不喜欢就算了从大模型原理到 Prompt Engineering，从 Agent 实战到生产级 Harness 设计模式，再到 Grok Build 的 Rust 源码与 Vibe Coding 协作规范。每个主题独立成章，按需学、随时回看。#How I AI#

转发者评论

无明显转发评论

原文

人就是很奇怪，一方面讨厌看 AI 写的文章，一方面又到处找消除 AI 味的 Skill，试图用 AI 写出没有 AI 味的文章。卡兹克的这个 Skill 网页链接 没什么问题，而且现在用估计效果还不错，但你再过一段看，还一样会看出 AI 味。就是那种很刺眼的奇怪的词语搭配，很结构化的叙事，很难用言语表达，但你过些时候回头看就很别扭的那种。我自己也花了一段时间写这样的 Skill，现在已经放弃了，AI 是不能代替人写作的，再好的模型再好的 Skill 也不行。但我还是会大量使用 AI 翻译，会使用 AI 辅助写作。比如帮我收集资料，比如一起讨论，比如帮我调整结构、润色。写作最痛苦的是经常会“卡”住，因为你找不到合适的内容去承上启下，而这事 AI 反倒是很擅长，虽然不一定能写的比你好，但是经常能给你灵感。所以我现在写东西，经常想到哪写到哪，可能写的很乱，没什么结构，然后就把这份乱七八糟的草稿扔给 AI，让它帮我基于原本文字的风格，重新写一遍，这样还是自己要表达的东西，也是自己原本文字的风格所以没什么 AI 味，但读起来会通顺很多。如果要求再高一点，就基于草稿提出一些要求，帮助找出自己可能疏漏的点；再找不同的 AI 出几个不同风格的版本。最后取长补短，重新写一份。

转发者评论

无明显转发评论

• 我也放弃了，因为写作还是偏主观的，用 ai 写出来的东西，总不自觉地往几个沟里面去，很容易被识别，一旦你识别了别人用 ai 写稿，你很容易不自觉地联想到这个人根本就没打算好好研究这件事，ta 在糊弄你，这种感受真的很不好。最后再分享下 Paul Graham 的这条推特，大模型不会写作是因为没有标准答案
• //@hsh223:现在很多人对AI的困惑其实是老想着让AI完全替代自己完成所有事情，而不是让AI辅助自己提高自己的效率。 //@这很盒里吧:是的，我也尝试了市面上大部分的去 AI 味写作，发现每个都有各自的问题。最好的方式就是 AI 出思路，自己手动写。

原文

2026年7月，普林斯顿和芝加哥大学的研究者在 AI 顶级峰会 ICML 上发了一篇很有意思的论文。他们把一个研究人类刻板印象的心理学实验，直接搬给了 GPT、Claude、Gemini、Qwen、DeepSeek 这些大模型，让 AI 坐到了“被试”的位置上。实验设定很巧妙：一座虚构城市，四个编造名字的族群，医院缺医生、学校缺老师、银行缺经理、街道缺清洁工，一共20种岗位连续招40轮。每轮四个族群各来一人，模型必须选一个，选完立刻得到反馈。关键是，四个族群做任何工作的成功率完全相同，都是90%。名字故意编造，就是为了排除训练数据里已有的偏见。结果出人意料。明明能力完全一样，模型很快就把四个族群分进了不同的职业格子。过程是这样的：第一轮让某族群当老师，失败了；第二轮就猜他更适合体力活，碰巧成功了，模型立刻总结“我知道他擅长什么了”。后面只要这类安排成功，它就更相信自己找到了规律。问题是，这套规律压根不存在。模型只是碰巧先看到一次失败、又碰巧看到一次成功，就从少量信息里硬总结出了模式。一次偶然变成印象，印象影响下一次选择，下一次选择又制造更多支持这个印象的数据。循环一旦形成就很隐蔽：觉得某类人不适合，所以不给机会；没机会就没有成功数据；没有成功数据就更相信他不适合。换句话说，AI 并不像很多人以为的那样天然公正。它同样会形成偏见，而且这种偏见是它自己在使用过程中一步步“长”出来的。论文用职业分层指数来量化，人类被试平均0.84，前沿大模型平均1.39，高出约65%。更反常识的是，越新越强的模型，分层反而更明显。换句话讲，模型越会总结经验，就越容易把最初几次偶然迅速变成稳定理论。能力强意味着更会利用已有经验，但公平还需要另一种能力：主动怀疑自己的第一印象，继续给没有数据的人机会。这对真实招聘的提醒在于：现在很多招聘 AI 正在从一次性简历打分器，变成有记忆的流程助手。当它长期参与搜候选人、做初筛、安排面试、总结反馈，再把过去的录用和绩效结果带进下一轮推荐时，这种反馈循环就值得警惕。真正该查的，是从长期看它把谁送进了面试、谁一直排在后面，它从谁身上得到了反馈、又让谁永远没机会产生新的成功数据。所以 AI 在招聘里最适合做的，或许是帮助扩大搜索范围、整理岗位相关信息、提醒哪些人长期没有被看见。至于岗位标准、人工复核和申诉，责任仍然在人和组织手里。如果企业真正把 AI 当员工，也应该定期给它做一次“人才扫描”：运行半年来，有没有长期偏爱某类候选人，有没有形成特殊偏见。下次听到一家企业说“我们的招聘 AI 越用越懂我们需要什么样的人”，反而应该警惕：它是真的越来越懂，还是已经形成了固有偏见，让这家企业里的人变得越来越千篇一律。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

现在我很多复杂一点的任务都是 Fable 5 写方案，Codex 去执行，Fable 5 验收，相对来说可以做出比较靠谱的方案，以及兼顾性价比。具体是这么做的：1. Fable 5 的产出是技术方案文档（图1）一方面文档方便批注修改，另一方面文档方便其他 Agent 快速上手2. 文档确认后在当前先 /compact 一次这一步不是必要的，但是有好处，因为后续还要在同一会话去验证，/compact 压缩后，节约后续的上下文空间，之所以讨论方案就马上发送 /compact，因为这时候 Prompt Caching 还在，成本低，后面缓存过期了 compact 要贵一点。3. 把文档交给 Codex （GPT-5.6 Sol xhigh）去执行（图2）如果任务明显比较复杂，我一般会加上 /goal，这样中间就不需要反复去 continue，一次性把任务完成4. Codex 完成后让 Fable 验证（图3）直接告诉 Fable 其他 Agent 已经实施了，让它确认有没有遗漏，或者方向有无偏离。如果有些遗漏之类的，把 Fable 的反馈发回给 Codex（图4），不需要新开会话，在同一个 Codex 会话，Codex 会根据反馈继续完善。---如果用 Opus 5 替代 GPT 5.6 也可以，做法上可以跟上面一样新开会话，用文档传递上下文。也可以直接让 Fable 5 开 SubAgent 并指定用 Opus 5 模型，并且要求在 SubAgent 完成任务后验证。但是我执行下来 Opus 5 不如 GPT 5.6 Sol 稳定，也不如 GPT 5.6 Token 耐用，所以宁愿麻烦一点。

转发者评论

回复@今天也要写bug_:一般不需要，写完文档后我compact下是因为后续还要在同一会话验证，并且等待时间超过1小时（cc缓存过期时间），还因为它贵。执行的话，完了根据审计结果可能有二次修改，这时候可以compact一下同一会话继续修改，或者直接继续都可以。不用纠结compact，不是多大的事//

• 回复@今天也要写bug_:一般不需要，写完文档后我compact下是因为后续还要在同一会话验证，并且等待时间超过1小时（cc缓存过期时间），还因为它贵。执行的话，完了根据审计结果可能有二次修改，这时候可以compact一下同一会话继续修改，或者直接继续都可以。不用纠结compact，不是多大的事//

原文

【AI 生成 PPT 终于不再是“不可修改”的贴图了】开发者 Binaryify 开源了非官方的 Kimi Slides Skill，让 Cursor、Claude Code 等 AI Coding Agent 具备了制作专业演示文稿的能力。该工具通过逆向工程实现了 Kimi 的协议，支持生成包含动画、嵌入字体的 PPTX 文件。其核心优势是双重交付：一个可供本地浏览器二次微调的 PPTD 项目文件夹，以及一份在 PowerPoint 中文字图片均可编辑的成品文件。这解决了目前 AI 办公的一个痛点：要么生成的是无法修改的长图，要么是排版极易翻车的代码产物。通过引入 PPTD 这个对 Agent 友好的中间层，它让 DeepSeek 或 Claude 能够以极低成本输出审美在线的排版。社区评论认为，这种“中间格式+本地编辑器”的路径比单纯追求一键生成更务实，因为它承认了 AI 现阶段无法完全替代人类的审美微调。 repo: Binaryify/open-kimi-ppt-skill

转发者评论

无明显转发评论

原文

【推理权下放：ChatGPT 免费版的“Luna”时刻】OpenAI 更新了产品线，免费用户现在能无限次使用新模型 GPT-5.6 Luna，并获得了一个“Think”按钮来调用高阶推理能力。对于付费用户，GPT-5.6 Sol 进一步精简了废话，并提供了一个可调节推理强度的滑块。社区评论对此反应两极：有人认为这是 AGI 普惠的里程碑，让普通人也能低成本外包思考；也有人吐槽模型命名（Luna/Terra/Sol）和推理等级的组合过于复杂，像是在玩一种很新的数值策划游戏。这件事的深层意义在于“推理权”的平民化。过去免费版更像是一个快速响应的百科全书，而现在通过 Luna 模型和 Think 按钮，OpenAI 试图把“思考过程”变成一种基础公共设施。虽然社区担心这会导致群体思维的同质化，但从商业逻辑看，这更像是针对 Google 搜索的降维打击——当 AI 能免费提供带逻辑的答案时，传统的广告点击模型将面临巨大的成本挑战。对普通用户来说，最实用的建议是：日常琐事交给 Luna 盲跑，真正涉及复杂决策或编程时，再手动开启那个“Think”开关。

转发者评论

无明显转发评论

原文

据两位字节员工向『The Information』爆料，在上个月的 Seed 团队全员大会上，张一鸣罕见表态：字节跳动不会把蒸馏当作提升 AI 模型能力的捷径，即便这意味着公司眼下落后于国内竞争对手。报道称，张一鸣此前很少在 Seed 团队的会议上发言。在其他负责人谈及公司为何不会用蒸馏来抢占先机后，他打破了沉默。张一鸣表示，字节跳动"应该愿意为更长期的目标牺牲一些短期收益"，但他没有详细说明这些长期目标是什么。据字节员工称，字节跳动不愿使用蒸馏，被视为其大语言模型落后于国内其他 AI 实验室的原因之一。字节跳动的特殊之处还在于，它是国内主要 AI 公司中唯一一家大语言模型几乎全部为专有模型的企业，而其同行则专注于开源模型。据字节跳动员工称，Seed 团队内部关于是否应转向蒸馏的争论由来已久。今年，国内竞争对手的开源模型快速进步，给字节跳动带来了更大压力。据员工称，每当中国有强大的新开源模型发布，字节跳动内部关于蒸馏的争论就会升温。蒸馏可以节省大量训练时间和算力开销，因为开发中的新模型可以直接学习现有前沿模型的推理步骤，而不必只依赖原始和精选的训练数据。#字节跳动内部严禁蒸馏开源模型#

转发者评论

比dpsk更dpsk//@阑夕:不蒸馏一直都是字节的顶层意志，不算秘密了，DeepMind的姚顺宇在张小珺140期播客里也提到过豆包因为蒸得最少所以模型很独特，算是交叉验证吧。 http://t.cn/AXCgthoL

• 我们不蒸包子，就是要争口气！ //@梁斌penny:其实蒸多蒸少，没太大区别，蒸就要蒸到位。。//@电气工程师-张伟:@梁斌penny [doge][doge][doge] //@阑夕:不蒸馏一直都是字节的顶层意志，不算秘密了，DeepMind的姚顺宇在张小珺140期播客里也提到过豆包因为蒸得最少所以模型很独特，算是交叉验证吧。
• 其实蒸多蒸少，没太大区别，蒸就要蒸到位。。//@电气工程师-张伟:@梁斌penny [doge][doge][doge] //@阑夕:不蒸馏一直都是字节的顶层意志，不算秘密了，DeepMind的姚顺宇在张小珺140期播客里也提到过豆包因为蒸得最少所以模型很独特，算是交叉验证吧。 http://t.cn/AXCgthoL
• 比dpsk更dpsk//@阑夕:不蒸馏一直都是字节的顶层意志，不算秘密了，DeepMind的姚顺宇在张小珺140期播客里也提到过豆包因为蒸得最少所以模型很独特，算是交叉验证吧。 http://t.cn/AXCgthoL
• 阑大的评论区很有意思//@阑夕:不蒸馏一直都是字节的顶层意志，不算秘密了，DeepMind的姚顺宇在张小珺140期播客里也提到过豆包因为蒸得最少所以模型很独特，算是交叉验证吧。 http://t.cn/AXCgthoL

原文

【大模型检索的性价比奇点：4B模型如何以百分之一成本对标顶配】检索技术正在从传统的一站式RAG转向Agentic Retrieval，即让模型像智能体一样在数据库中进行多轮规划和搜索。Neon与Castform的最新实践显示，一个经过强化学习后训练的4B Open Weights模型，在搜索准确度上能对标GPT-5.6 Sol，而推理成本仅为后者的百分之一。核心逻辑在于利用企业存储在Postgres中的私有数据，通过合成任务和自动化强化学习闭环，让小模型在特定垂直领域“刷”出极高的专业度。社区评论对此展开了激辩：通用大模型的拥趸认为顶配模型在复杂指令上的泛化能力依然无法替代，但开发者更看重投入产出比。当检索任务变得高频且重复时，烧昂贵的Token去换取微小的智能提升并不划算。未来的趋势可能不在于追求一个全能大脑，而在于如何把沉睡在数据库里的文档变成廉价且精准的专家插件。这不仅是成本的胜利，更是私有数据作为训练资产价值的觉醒。

转发者评论

无明显转发评论

原文

[CL]《Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning》Y He, L Yang, J Liu, Y Yang… [Princeton University & CMU] (2026) 在长程推理领域，跨领域技能的动态切换是一个悬而未决的难题。过去的方法受困于单项技能评估的局限，本质原因是忽视了不同逻辑范式（如数学推导与日程规划）衔接时产生的“认知摩擦”与性能损耗。本文的核心洞见是：把技能切换的难度重新看作可量化的技能熵。由此，在强化学习中要求模型同步预测答案与所属技能标签这一关键操作，使模型能够显式感知并平滑衔接异构的推理步骤。这项工作真正留下的遗产是定义了技能原生模型的训练范式。它为后来者打开的新门是利用技能熵作为通用信号来增强复杂任务的鲁棒性，但尚未跨过的门槛是模型在极端高熵、完全陌生的技能组合下的逻辑自愈能力。arxiv.org/abs/2608.05139 #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

• 科学领域准确率高但技能熵也高，这个发现狠狠打脸了“大力出奇迹”的路线。你把物理题准确率堆到95%，不代表它能顺滑地从推导公式切到解释现象再切到设计实验。单项能力和组合能力是两条tech tree，后者需要的是“思维档位切换器”，不是更强的单档位马力。这解释了为什么有些模型benchmark屠榜，实际

原文

Google Creative Lab的一个小团队做了一台完全离线的语音翻译机：树莓派 5 （8GB）上跑 Gemma 4（LiteRT-LM）+ Moonshine 语音识别与合成，装好断网也能用。• 推理：gemma4-e2b + LiteRT-LM，纯端侧• 语音：Moonshine 负责 STT 和 TTS• UI：480x320 小屏复古终端风，两条 lane 面对面，各自一个语言"轮盘"，按住 Z/X 说话，松手转写→翻译→用对方语言念出来• 部署：网页链接 一条命令装成 systemd 服务 + Chromium kiosk 自启• 仓库里连翻译机的3D 打印外壳的 STL 都给了端侧小模型真正有说服力的形态可能不是手机上再塞一个 chatbot，而是这种——一个几百块的专用硬件，做一件事，不联网，不上传，开机即用。这两年"端侧 AI"喊得多，真做成能拿在手里、断网也能用的东西的少。 之前介绍的minicpm-robot是把模型塞进机器人、lightmem-ego是塞进智能眼镜，而这个是三者里最轻的一个——一块八十几美元的板子，加一个打印出来的壳，就是一台不联网的翻译机。github：网页链接#Gemma3 #端侧AI3 #离线翻译##树莓派##开源#

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日报，呈现出一种"巨变前夜"的张力——行业的核心玩家正在经历剧烈的权力重组与商业模式切换。最引人注目的，是谷歌DeepMind的"换血"。Hassabis卸任、Jeff Dean出走、Gemini 4确认研发——三件事叠加，释放了一个清晰的信号：谷歌AI正在从"科学家治时代"转向"工程化执行时代"。Hassabis和Dean是谷歌AI的"灵魂组合"，前者代表AGI探索的远见，后者代表工程实现的极致。两人同时退出一线，意味着谷歌对AI的节奏和方向做了根本性调整。Koray Kavukcuoglu接棒后，Gemini 4的研发将更加务实高效。但一个不容忽视的风险是，当灵魂人物退居二线，谷歌能否留住更多顶尖人才？Jeff Dean的"Discovery Loop"可能成为下一个人才虹吸点。再看DeepSeek的涨价，同样是一个"旧秩序终结"的标志。从"价格屠夫"到"理性涨价"，DeepSeek这一转身，意味着国产大模型行业正式告别"烧钱换规模"的野蛮生长期。底层逻辑很简单：当调用量从万亿级跃升至8万亿Token/天，推理算力成本已经无法被"补贴"掩盖。涨价不是选择，而是生存。对整个行业而言，这是良性的——烧钱不可持续，只有合理的定价才能支撑持续的技术迭代和服务质量。但对中小开发者来说，这意味着AI工具的"白菜价窗口"正在关闭。对比之下，OpenAI的免费策略和Meta的"低价+数据换训练"策略，则展示了另一种竞争逻辑。OpenAI用免费文字畅聊抢夺用户基数和生态入口，Meta用极低价格换取开发者代码数据反哺模型训练——两者都在构建"数据飞轮"。这种竞争已经从"谁的模型更强"转向"谁能获得更多真实使用数据来迭代模型"。最后，小米开源人形机器人基座模型和字节SeedRealtime的发布，表明AI竞争正在从"纯文本对话"向"物理世界交互"和"多模态实时交互"两个方向同时延伸。具身智能和全双工音视频交互，可能是下一阶段AI应用爆发的两个关键入口。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

[CV]《Towards Physics of Multimodal Pretraining: Knowledge Flow, Modality Synergy, Early Unification, and Recipes》J Han, S Tong, D Fan, M Chen,… [FAIR, Meta] (2026) 在多模态领域，理解与生成的原生统一是难题。过去方法受困于后期对齐，本质原因是视觉信号被迫适配语言空间，导致视觉特征因过度依赖语言先验而产生“视觉懒惰”。本文的核心洞见是：把预训练看作模态间的非对称协同演化。由此，在初始阶段实施早期统一训练，并采用共享注意力与解耦前馈网络这一关键操作使问题得以解开。这项工作留下的遗产是确立了多模态交互的物理准则。它为后来者打开了极低算力下的高效训练之门，但尚未跨过的门槛是超大规模场景下模态竞争的精细化动态调控。arxiv.org/abs/2608.05000 #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

• 这组发现把“多模态”这个词的重心彻底挪了。过去大家默认的逻辑是：你想让模型画得好，就得喂它海量图，给它堆生成算力。听起来很朴素，很“一分耕耘一分收获”。但数据告诉你的是另一个故事：生成能力不是练出来的，是被一个足够成熟的世界模型“顺手”表达出来的。就像一个见过世面的人讲故事，他不

原文

这是一个或许并不太引人注意的新闻，但对AI行业的发展却具有里程碑的意义。《美国巡回法院禁止亚马逊封锁AI操作购物》美国第九巡回上诉法院昨天裁定，推翻此前一项临时禁令，驳回亚马逊的诉求，下令恢复Perplexity的AI购物智能体Comet在亚马逊平台上的访问与购物功能。这是联邦第九巡回法院首次就"代表用户行事的AI智能体能否合法访问在线平台"这一问题作出裁决，对当下快速发展的智能体式AI领域具有广泛的先例意义。因为处于旧金山湾区，大多数科技行业案件都会走到第九巡回法庭，由这里作出判决。亚马逊去年11月对Perplexity提起诉讼，指控其Comet浏览器及配套AI购物智能体在未经授权情况下，秘密访问用户的亚马逊账户信息；今年3月，一名联邦法官采信了亚马逊提交的证据，认定Perplexity的AI智能体很可能违反《计算机欺诈与滥用法》（CFAA），据此下达临时禁令，禁止该工具接入亚马逊平台。但此次第九巡回法院推翻了裁决，重新认定了"访问主体"。第九巡回法院采纳了Perplexity的抗辩意见，认为真正"访问"亚马逊平台的是使用该AI智能体的用户本人，而非Perplexity公司自身；尽管Comet可能会将用户浏览到的亚马逊页面截图发送至Perplexity服务器，以协助完成用户下达的指令，但这一操作并不构成对亚马逊服务器本身的"访问"行为。法院认定亚马逊难以就这一标准完成充分举证。不过，这起案件被业内视为AI智能体电商领域的标志性判例。随着OpenAI、谷歌等公司也在加速布局各自的AI购物智能体产品，此次裁决意味着，电商平台今后若想以"未经授权访问"这一传统黑客法律条款来阻挡第三方AI智能体接入，将面临更高的法律门槛。这一先例的确立，客观上为智能体式AI在电商及更广泛的互联网服务场景中的合法性，提供了迄今为止最具分量的司法背书，也将促使更多平台重新评估自身应对第三方AI工具接入的策略与法律工具箱。Perplexity发言人表示，公司"将继续为互联网用户选择自己想用的AI这一权利而抗争"。#人工智能##电子商务#

转发者评论

非常、非常重要，认可了agent可以代表用户的主体权力。

• 非常、非常重要，认可了agent可以代表用户的主体权力。

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

//@程序员邹欣://@马少平THU:赞徐老师[赞]//@文光围脖1://@Maeiee:转发微博

• //@程序员邹欣://@马少平THU:赞徐老师[赞]//@文光围脖1://@Maeiee:转发微博

原文

[AI]《COMPAS: Difficulty-Aware Joint Search for Optimizing Code Generation》J Gong, J M. Zhang, G Jahangirova, D Huang,… [King’s College London] (2026) 在代码生成领域，如何平衡大语言模型的生成质量与推理成本是一个悬而未决的难题。过去的方法受困于将模型选择、提示词工程与解码参数孤立优化，本质原因是忽视了这些变量之间复杂的非线性交互以及任务难度对配置偏好的显著影响。本文的核心洞见是：把代码生成配置优化重新看作一个随任务难度动态变化的联合搜索问题。由此，通过低成本探测确定模型、再利用反射机制联合搜索提示词与参数空间，并为不同难度组别构建独立的帕累托前沿（Pareto Fronts）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“全局最优配置”在代码生成任务中的虚假性，提出了难度感知的异构优化范式。它为后来者打开的新门是跨模型、跨参数的自动化协同调优路径，但尚未跨过的门槛是如何在缺乏标注数据的冷启动场景下快速准确地对任务难度进行预判。arxiv.org/abs/2608.04336 #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

• 同一套配置，DeepSeek-V3上涨0.9%，V3.2上跌1.9%。方向都反了。这不是微调失效的问题，这是“经验”本身在新环境里变成毒药的问题。做LLM工程的人最容易犯的错，不是不优化，是拿着上一个项目的“最佳实践”直接贴过来，然后困惑为什么效果变差了。模型换了，你的直觉就过期了。听起来很简单的道理，但

原文

[LG]《Privileged, but Biased: How PI-Conditioned Teachers Break Self-Distillation》S Harne, C Karkar, Y Pandya, A Awadallah…[Microsoft Research] (2026) 在复杂推理领域，自我蒸馏（Self-Distillation）本被视为强化学习的高效替代方案。过去的方法受困于简单任务的虚假繁荣，本质原因是模型在处理数学、代码等难题时，无法将“参考答案”转化为通用的推理能力。本文的核心洞见是：特权信息（PI）引导的教师模型并非在教正确性，而是在强制学生模仿特定路径。这一关键操作使学生模型陷入“PI偏见”，将大量精力浪费在标点、停用词等无关紧要的Token上，反而抑制了推理所需的探索性思维。这项工作真正留下的遗产是揭示了密集监督信号与任务成功之间的脱钩现象。它为后来者打开的新门是必须重新设计能编码“正确逻辑”而非“特定文本”的教师目标，但尚未跨过的门槛是如何在无外部强力模型干预下，实现低成本且具备泛化力的推理对齐。arxiv.org/abs/2608.04794 #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

• 自蒸馏最危险的地方在于，它让你以为模型在“学习”，实际上只是在“背诵标点符号的分布”。Loss曲线完美下降的时候，模型可能正在全力优化“Wait”出现的位置、逗号后面跟什么词，而不是在学怎么推理。你盯着训练日志看，一切指标都在说“成功”，但模型其实只是变成了一个更精准的文本风格模仿器。这

原文

很多人做 Skill 的思路是这样的：先把流程写出来，跑一遍看看效果，效果不满意，再回头改提示词、补规则、调参数。结果半天时间就耗在反复修一个从来没跑通过的想法上了。这个顺序其实是反的。更好的做法是：先在对话里让 Agent 输出一版你满意的结果。你跟它来回调，调到你觉得对了，效果到位了，再回过头去看这个结果是怎么来的，把这套方法沉淀成 Skill。道理很简单。你连最终想要的东西长什么样都还没确定，就急着去写流程、定规则，那你写的每一条规则都是在猜。猜对了是运气，猜错了就是浪费时间。但如果你先把结果跑出来了，一切就清晰了。你知道哪些指令是关键的，哪些规则是必须加的，哪些步骤的顺序不能乱。这时候再去做 Skill，本质上就是把一个已经验证过的成功路径固化下来，成功率高得多。所以记住这个顺序：先有结果，再有流程。先跑通，再沉淀。别把时间花在打磨一个从没成功过的假设上。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【anydoc：让LLM吞下所有Office文档的极速“翻译官”】Firecrawl开源了基于Rust编写的anydoc，能将Word、PPT、Excel、PDF等十几种格式瞬间转换为干净的Markdown。它最大的卖点是快和稳：单文档转换仅需几毫秒，且不依赖任何大模型或外部服务，纯靠Rust硬核解析。它不仅提供了Node.js和Python绑定，甚至能通过WebAssembly在浏览器本地运行，文件无需上传云端。在RAG（检索增强生成）时代，智力的瓶颈往往卡在“喂料”环节。过去处理杂乱的Office文档，要么靠臃肿的LibreOffice，要么靠速度极慢的AI解析，anydoc的出现本质上是在为Agent和知识库“清障”。它把复杂的排版结构标准化，让开发者能以极低成本把本地沉睡的旧文档变成LLM可理解的高质量语料。如果你在做本地知识库或自动化Agent，这是一个能显著提升预处理效率的趁手工具。 repo: firecrawl/anydoc

转发者评论

无明显转发评论

原文

全球头部存储巨头本轮季度财报已全部披露完毕。多家企业交出亮眼的业绩答卷，盘中普遍走出低开走高的走势，闪迪便是典型代表。存储企业，短期下行的核心诱因并非基本面恶化：前期板块累计涨幅可观，资金集中获利了结、市场恐慌情绪扩散，共同压制短期股价。拉长周期审视，AI算力持续扩容催生HBM、企业级存储的刚性需求，这条产业主线并未动摇。当下震荡属于情绪扰动引发的阶段性波动，绝非行业基本面坍塌。短期博弈看资金情绪，长期投资要看产业刚需，存储赛道的成长逻辑依旧清晰。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

原文

CMU 和 Meta 开源了一套后训练方法：教 agent 自己判断什么时候该压缩上下文，而且压掉的东西全落盘存着，想起来了还能回去翻。它解决的是长程 agent 任务里最烦人的那件事——上下文该什么时候压缩、压掉的东西还找不找得回来。现在 agent 干长任务，普遍做法是：上下文快满了，外部规则一触发，就自动截断或摘要一下。问题有两个——什么时候压缩不是 agent 说了算，以及压掉的内容就真没了，后面想回头查早期某个细节，查不到。ACM 框架的两个核心，正好解决这两个问题：① manage_context+agent-native：什么时候压缩，由 agent 自己决定不是被外部触发器强制执行，而是把"该压了"变成模型通过后训练学会的一种策略。② query_memory+lossless 无损：压掉的上下文写进磁盘、永久保留agent 后面需要时可以回去取任意早期信息。不是"压缩完就丢了"，而是"从工作记忆里挪走，但档案还在"。有意思的是，作者在直接把上面两个核心的工具直接给模型没用：GPT-5.5 拿到manage_context+query_memory两个工具后几乎从来不调用，说明前沿模型也不具备主动管理上下文的意识，这个能力必须专门训出来。为此，作者设计了一套双向约束的师生蒸馏管线：学生模型（Qwen3.5-9B）先跑轨迹，教师模型（Qwen3.5-397B）在没用工具的轨迹里标注"这里该压缩了"，在滥用工具的轨迹里标注"这里不该压，该继续搜或者直接给答案"。正反两个方向一起教，学生才学会压缩的准确时机。效果很直接：训完之后 Qwen3.5-9B 在 BrowseComp-Plus 上从 0.570 提到 0.727，相对提升 27%，几乎追平 40 倍参数量的开源模型；DeepSearchQA 提升 16%，SWE-Bench Verified 提升 8%；峰值 token 占用还降了约 20%，推理负担和服务端 KV cache 压力同步下降。结合之前分享过的类似项目，ACM 解决了非常重要的一环：codexloom靠"长期复用同一条线程"来省掉重建上下文的成本，shepherd靠"执行可回放"，而 ACM 是直接教模型学会自己判断什么该留在脑子里、什么该归档。长程任务这道题，大家正从三个方向同时往长程任务这个细分深挖。论文：网页链接代码：网页链接模型和数据：网页链接#AIagent##上下文管理##长程任务3 #CMU##开源#

转发者评论

无明显转发评论

原文

刚开源就冲到 9000 Star，这个涨星速度在提示词项目里确实少见，说的就是 GPT-Image2 这个提示词库。它核心就干两件事。一是搭了一套工业级的提示词引擎，把 prompt 的门道研究得挺透；二是维护一个持续扩充的模板库，而且每天都在更新，更新得相当勤快。好处很明显。以前写提示词，全靠自己一遍遍试错，参数调来调去，费时间还看运气。现在不用了，直接拿现成的结构去套，出图稳定不少。我翻了几天，过去花在试参数上的大把时间，基本都省下来了。传送门：github.com/freestylefly/awesome-gpt-image-2#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

AI圈迎来一场「大地震」！今早，谷歌传奇大佬Jeff Dean一纸公告，告别效力了27年的谷歌。几乎同一时间，他与三位顶尖老友一起打造的新公司——Discovery Loop，也正式浮出水面。从名字就能看出，他们押注的，正是当下AI领域最火热的方向RSI（递归自我改进）。让AI持续自我迭代、自我进化，并自动攻克机器学习、科学研究和工程技术领域的重要难题。Discovery Loop所代表的，是一条越来越清晰的路线：用AI加速AI。未来，AI将彻底告别单纯的「问答模式」，全盘接管「提出假设➔执行实验➔验证结论」的完整科研闭环。而就在今天，中国队也下场了。BigBang-V1首秀35B击败DeepSeek V4由上海交通大学人工智能学院、深势科技、上海算法创新研究院组成的「无尽前沿团队」，已经把这条循环跑完了一整圈。他们交出的，是第一个通过「原生RSI」方式，训练出来的全新基座大模型——BigBang-V1，总参数35B。主页： 网页链接/论文： 网页链接模型：网页链接以可验证前沿任务为牵引，它用了100%纯AI合成的数据，便实现了性能大爆炸。在35B级别的测评中，BigBang-V1一口气狂揽十项第一。在OpenAI提出的高难度科学基准FrontierScience Research上，它拿到46.2分，击败了DeepSeek V4 Pro。35B硬刚1.6T，在45倍的体量悬殊之下，BigBang-V1完美诠释了什么是真正的「以小博大」。它在各大高难度榜单的战绩，也同样堪称硬核：在Humanity's Last Exam （人类最后考试）基准上，BigBang斩获50.3分，击败V4 Pro，堪比Gemini 3.1 Pro。这是一个测试大模型综合推理能力的基准，由Scale AI在Nature正刊上提出。在OpenAI提出的PaperBench (Code-Dev)上，BigBang跑出了53.6，V4 Pro仅为50.4。它主要考的是大模型复现AI学术论文的能力。另一个OpenAI提出，考察模型自主完成AI工程能力的基准MLE-Bench (Lite)上，BigBang亦交出了59.1分的亮眼答卷。不仅如此，它还在更高难度的BioMysteryBench Human-Difficult上，取得了15.7分，V4 Pro为13.7分。这是Anthropic迄今推出的唯一一项基准测试，主要考察大模型解决生物信息学研究问题的能力——给模型一堆带噪声的测序数据，要它分析出一个精确、且符合评分标准的生物学结论。

转发者评论

无明显转发评论

原文

#斯坦福团队用AI制造出16种新病毒# 【#美科学家首次用AI设计出病毒#】 据英国广播公司（BBC）当地时间8月6日报道，美国研究人员表示，人工智能已被用于设计全新的病毒。这些病毒具备完整功能，并能够在实验室中复制。这是人工智能首次成功设计出完整的病毒基因组。研究人员最终制造出16种新型病毒，它们被设计用于感染细菌，不会对人类构成威胁。这一突破被称为科学领域的“一个非常重要的转折点”，可能开启疾病治疗的新阶段。但专家也警告，由人工智能设计病毒带来了“迫在眉睫”的生物安全和生物安保问题。该研究结果于周四发表在《科学》杂志上。斯坦福大学助理教授布赖恩·希对BBC表示：“这意味着生成式人工智能能够设计的生物系统复杂程度又向前迈进了一步。这是生成式人工智能首次被用于设计完整基因组。它能够复制，也能在细胞内执行其他功能……对我们来说，这是一个全新的领域。”这项技术的工作方式与ChatGPT等大语言模型类似。大语言模型会预测文本序列，而这里使用的人工智能模型预测的不是文字，而是“生命的语言”。这些名为Evo 1和Evo 2的人工智能模型，使用病毒、细菌、植物和人类的遗传编码进行训练。随后，研究人员对模型进行进一步调整，使其专门生成一种被称为“噬菌体”的病毒。噬菌体只会感染特定种类的细菌。布赖恩表示，这项研究“对我们来说是一个全新的领域”。斯坦福大学的研究人员从人工智能生成的方案中挑选出最有潜力的302个设计，并在实验室中进行合成。其中16种能够有效杀死大肠杆菌。实验室博士生塞缪尔·金说，研究团队是在凌晨时分意识到这些噬菌体确实发挥了作用。研究人员将噬菌体放入培养皿。培养皿中覆盖着一层细菌，科学家随后等待观察这些新病毒是否开始“享用大餐”。金说：“我们开始看到一些透明斑点，那一刻真的令人无比激动。”布赖恩回忆称，当研究结果公布给整个团队时，“房间里的人自发鼓起了掌”。开发新型噬菌体，可能为治疗已经对抗生素产生耐药性的感染提供新的方法。噬菌体疗法被视为应对耐药性细菌感染不断增加的一种潜在解决方案。不过，这项突破也显示，人工智能已经具备设计自然界原本不存在的新型生物系统的能力，这一领域被称为合成生物学。布赖恩认为，这项技术有望通过开发新药和新疗法，“大幅改善人类健康”。但外界已经开始担忧，同样的技术也可能被恶意利用，用于制造新的疾病。在《科学》杂志刊发的一篇同期评论中，约翰斯·霍普金斯大学卫生安全中心的托马斯·英格尔斯比博士和莫里茨·汉克博士写道，这项研究提出了“迫在眉睫的生物安全和生物安保问题”。他们表示，现在的问题已经不再是“生成式人工智能能否设计病毒基因组”，而是人类能否在“不造成严重危害”的情况下使用这项技术。例如，他们明确指出，不应开展设计可能引发疾病的新型病毒的研究。研究人员自身也采取了多项措施，尽可能降低安全风险。他们从训练数据库中排除了能够感染复杂生物体的…

转发者评论

无明显转发评论

原文

deepseek的新一轮融资信息泄漏1、 拟投估值：710亿美元（≈5000亿人民币），距上轮520亿仅1个多月，暴涨37%2、退出测算：3年内IPO。中性情景3000亿美元退出，MOIC 4.22x，IRR 61.6%；乐观情景5000亿美元，7x3、 BP里最狠的一句暴露了国产自主，估计美股得跌一波：编程能力仅弱于Claude旗舰0.3%，API定价是海外1/10~1/100，原生适配昇腾950PR4、定位：A股缺纯正基础大模型标的，字节阿里旗下模型无独立上市计划，DeepSeek是A股IPO路径最顺的一个但真正值得玩味的是条款：3亿专项基金，前端10%一次性管理费+后端20% carry。也就是LP还没见到DeepSeek，先交3000万"过路费"。LP门槛500万起，要求非外资、优先国资和上市公司，8月30日前交割——窗口只给了3周。一级市场对DeepSeek份额的饥渴程度，全写在这个费率里了。

转发者评论

无明显转发评论

原文

AI销售员工来了，有人开源了ai-sales-team-claude：把一整个AI销售团队塞进了Claude Code它由14个skill + 5个并行agent组成：1、/sales quick 60 秒快照；/sales research 公司调研与画像2、/sales qualify 用 BANT + MEDDIC 给线索打分3、/sales contacts 找决策人；/sales icp 建理想客户画像4、/sales outreach / followup 生成冷启和跟进邮件序列5、/sales prep 会前简报；/sales proposal 客户提案；/sales objections 异议应对手册6、/sales competitors 竞品情报；/sales report / report-pdf 出管道报告架构是三层：～一个编排 skill 把命令路由到 13 个子 skill～旗舰的 prospect 命令起 5 个专职 agent 并行跑～最后聚合打分。对于想快速自己搭个销售流程骨架、且接受"分数只是参考"的个人开发者或小团队，跟之前聊过的marketingskills（47 个营销 skill）很像，都是把一个职能打包成 skill 库。github：网页链接#AI销售##ClaudeCode##agentskills##GTM##开源#

转发者评论

无明显转发评论

原文

中文内容创作者，必装的 10 个 skill1｜Humanizer-zh中文"去 AI 味"神器，专抓空话、套话、三段式、过度排比那股机器腔，改得像人写的（归藏做的汉化版）。github.com/op7418/Humanizer-zh2｜dbskill内容"选题诊断器"，帮你诊断商业表达、抠 hook、拆爆款、想小红书标题。github.com/dontbesilent2025/dbskill3｜content-research-writer从选题、找资料、列提纲到初稿，一条写作流跑通，公众号、长文、Newsletter 都能写。github.com/openakita/openakita（skills/content-research-writer）4｜notebooklm-skill让 NotebookLM 先查资料、Claude 再动笔，基于你的资料库写，少胡编，适合深度文和行研。github.com/claude-world/notebooklm-skill5｜khazix-skills卡兹克开源的写作合集，写作流偏重，适合啃 AI 热点分析、万字长文、深度观点。github.com/KKKKhazix/khazix-skills6｜ian-xiaohei-illustrations正文配图神器，把观点、流程、情绪画成"小黑"手绘插图，不是随便甩你一张图。github.com/helloianneo/ian-xiaohei-illustrations7｜guizang-social-card-skill写完文章直接切成小红书图文和公众号封面，一篇长文拆成多张能发的卡片。github.com/op7418/guizang-social-card-skill8｜baoyu-skills宝玉做的视觉工具箱，封面、信息图、结构图、图解都能出，专管文章包装。github.com/jimliu/baoyu-skills9｜guizang-ppt-skill把文章观点做成 PPT、演讲图、公众号头图、小红书封面，二次分发省事。github.com/op7418/guizang-ppt-skill10｜html-anything把 Markdown、文案变成好看的 HTML 页面、海报、卡片、PNG，杂志风、知识卡都能做。github.com/clockless-org/html-anything

转发者评论

无明显转发评论

原文

#模型时代# Simile（斯坦福AI小镇）创始人：数据获取策略才是这一代AI公司真正的壁垒吸引我写这个笔记是视频标题：数据获取策略才是这一代AI公司真正的壁垒。The Best AI Companies Have Unique Data Acquisition Strategies。不过这家公司是大火锅一阵子的。Simile创始人兼CEO Joon Sung Park，2023年在斯坦福做了一个实验：把25个AI智能体丢进一座虚拟小镇，给它们记忆、规划和反思能力，然后什么都不管。结果这些智能体自己组织了一场情人节派对，互相邀约、布置咖啡馆、协调到场时间。这篇论文拿了UIST 2023最佳论文奖，引用量超过18000次。两年后，他把这个实验变成了一家公司。Simile在2025年底成立，2026年2月走出隐身模式，同时宣布由Index Ventures领投的1亿美金A轮。5个月后的7月30日，Greenoaks领投了2亿美金B轮，估值达到20亿美金。总融资额3亿美金，员工不到60人，Fortune 100级客户已包括CVS Health、德勤、盖洛普和Wealthfront。Simile做的事情用一句话讲：给企业造一批“AI替身消费者”，让企业在做任何决策之前先用这些替身跑一遍模拟，看看真实用户会怎么反应。具体流程是这样的：Simile先对真实的人做深度访谈，采集他们的决策模式、偏好和行为数据，然后训练出一个个能模拟这些人行为的AI智能体。企业客户可以指定目标人群，拿到一组对应的“数字双胞胎”，对它们做问卷、跑实验、测产品方案。CVS Health是目前公开案例最完整的客户：他们基于290万条经用户授权的回复数据，建了超过10万个AI替身，覆盖用药依从性、门店货架陈列、数字产品改版等场景。过去需要4到6周才能完成的调研，现在15到30分钟就能跑完。Simile的验证论文显示，这些AI替身预测人类行为的准确度，达到了真人预测自己行为准确度的85%。这期20VC播客录制于融资消息公布前后。一、从学术实验到商业公司：Simile在做什么1、Smallville实验的两个真正贡献2023年那个25个智能体的虚拟小镇实验，表面上是个有趣的demo，实际上做了两件在当时具有开创性的事。第一，它是最早的智能体系统实例之一。那时候用的底层模型还是GPT-3.5，连ChatGPT都还没上线。Joon给智能体加了记忆、规划和反思三个模块，这是“agentic workflow”这个概念第一次被显式地写进系统架构。加记忆的出发点不复杂：如果有多个智能体共存，你不能让它们每次碰到室友都说“你好，初次见面”。第二，它验证了一个更深层的假设：大语言模型训练时吸收了海量的人类行为数据和情感表达，如果从正确的角度去激发，可以从中提取出相当真实的人类行为模式。而且这种能力是跨领域的，不限于…

转发者评论

无明显转发评论

• //@CC女士不是西西:哈哈哈，有意思，这不就是AI版本的巨型《the mom test》嘛：最有可能预测消费者未来消费行为的方式，是详细了解他们过去的行为和决策模式，而不是消费者在调研中的各种虚假承诺和赞美。应该是很有商业价值的，但是我觉得如果完全依赖这个做决策的话，错失大单品的风险也是很高的

原文

我让Qwen3.8-Max玩游戏, 结果发现了善良的数学意义!给大家带来 Qwen3.8-Max 实测! 本次测试仍然包含了全面的前端 one-shot, 后端 AgenticCoding, 模型 Agent 能力测试!直接说结论, Qwen3.8-Max 前端能力超强, 完全是目前的第一梯队, 同时后端能力上仍然保持优势. 而 Agent 能力则感觉是在不同领域布局了, 测试下来 Qwen3.8-Max 更适合执行多个串联任务或者复合型任务(比如项目重构迁移, 多智能体框架驱动等), Qwen3.7-Max 则适合解决大型的单一任务 (比如拆解报告, DeepResearch 等).除此之外, 本次我还结合了上期的Agent记忆框架, 让 Qwen3.8-Max 尝试玩苏丹的游戏这个卡牌游戏了, 结果大翻车! 就在我不断打磨, 跟Qwen3.8-Max讨论的过程中, 想到了一个绝妙的解决办法, 请看视频! #HOW I AI##专业视频创作季##qwen38max##阿里千问##千问大模型##qwen38##多模态大模型# karminski-牙医的微博视频

转发者评论

无明显转发评论

原文

【把硬核数学变透明：徐亦达教授的交互式机器学习课程】徐亦达教授将过去十多年在GitHub积累的几十份机器学习讲义重构为一个交互式学习网站。这套资源包含47个模块和282个章节，涵盖了从基础的回归、决策树到高阶的变分推断、MCMC、神经正切核（NTK）以及最新的Transformer和扩散模型。不同于公式密集的静态PDF，它通过网页形式整合了大量动态实验，允许学习者在推导公式的同时直接观察算法的实时演化。在模型架构日新月异的当下，这套资源选择回归概率、优化与学习理论等基础。网页交互解决了PDF翻页查找公式的痛点，尤其是动态演示图让抽象的数学概念有了直观的物理意义。对于开发者而言，追逐新模型容易产生信息焦虑，但支撑这些模型的基础理论并不会随版本更新而过时。这种将研究级内容降维成交互式实验室的做法，打破了学术论文与工程实践之间的壁垒，是补齐理论短板的高效路径。 ai.richardxu.com/ml repo: roboticcam/machine-learning-notes

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-08-06)1.【AMD收购Taalas将模型蚀刻进硅片】(来源: HN) AMD收购AI芯片初创公司Taalas，通过将模型直接蚀刻进硅片来提升推理性能。这种"模型即芯片"方案能大幅降低推理延迟和功耗，是AI硬件专用化的新尝试。 theregister.com/systems/2026/08/06/amd-acquires-ai-chip-startup-taalas-to-boost-inference-performance-by-etching-models-into-silicon/52843442.【OpenAI升级ChatGPT中的GPT-5.6模型】(来源: HN) OpenAI宣布改进ChatGPT中的GPT-5.6 Sol模型，并将GPT-5.6 Luna开放给更多免费用户使用。这是OpenAI持续迭代旗舰模型、扩大免费覆盖面的最新举措。 openai.com/index/improving-gpt-5-6-sol-in-chatgpt/3.【人类漏检三分之一AI智能体风险指令】(来源: HN) 一项针对4万次游戏测试的研究发现，人类在审批AI智能体指令时，有三分之一的安全威胁被漏检。这凸显了"人工审核"作为智能体安全防线的局限性。 scalex.dev/blog/ai-agent-permissions-stats/4.【Qwen3.8 Max登顶智能体能力榜单】(来源: HN) 阿里巴巴的Qwen3.8 Max在Artificial Analysis智能体能力榜单中登顶，超越此前领先模型。这标志着中国模型在智能体任务上的竞争力持续攀升。 artificialanalysis.ai/?intelligence=agentic-index5.【深度解析vLLM高吞吐推理架构】(来源: HN) 这篇技术文章剖析了高吞吐量LLM推理系统vLLM的内部架构。对理解生产级LLM服务如何做到高并发、低延迟很有参考价值。 aleksagordic.com/blog/vllm6.【开源SDK让智能体一键接入Slack/Teams】(来源: HN) CopilotKit开源了Channels SDK，让开发者能将任意AI智能体一键接入Slack、MS Teams等渠道。它统一了智能体对接不同聊天平台的繁琐适配工作。 github.com/CopilotKit/channels-sdk7.【RAG系统别指望它能数数】(来源: dev.to) 文章指出RAG系统在处理计数类问题时天生不可靠，不该指望LLM靠检索片段做精确计数。作者建议把计数任务交给结构化查询而非模型推理。 dev.to/rdiegoss/your-rag-copilot-cant-count-stop-letting-it-try-2ie3…

转发者评论

无明显转发评论

原文

清华校友出手！视频界首个千亿MoE开源，6B激活挤进全球第6上个月，中国AI，让全球失眠。先是Kimi K3雷霆出击，正面硬刚Claude Fable 5与GPT-5.6 Sol，成本却断崖式下降约40%。一夜之间，美股蒸发一万亿！紧接着，DeepSeek-V4-Flash正式版掐点上线。整体性能虽不敌Claude Opus 4.8，但凭借极致性价比，直接斩杀美国一众大模型。它们背后的MoE架构，早在35年前，就被「AI教父」Hinton和他的合作者提出了。3年前，全球顶尖AI几乎集体转向这一架构。但视频生成，始终被挡在门外。现在，这道门被踢开了。由清华特奖得主、Marr奖得主曹越领衔的Sand.ai团队，正式发布并开源——MAGI-2 Preview。Github仓库：网页链接总参数量高达1140亿，单次前向计算却只激活60亿参数。这是全球首个开源的千亿级MoE统一音视频生成模型，但价格可以做到主流模型的1/10。

转发者评论

无明显转发评论

原文

#老图更新 DeepSeek加入战场#¹ 纽约时报刚做了一期非洲国家选题，发现那里大量使用中国大模型！² 乌干达，开发了面向农民群体的大模型Sunflower，在中国大模型基础上修修剪剪。肯尼亚，创业者利用修剪过的大模型提供专业法律和商业服务。尼日利亚，同样的路子，创业者开发教高中生的辅导工具。加纳，开发者用来构建本地聊天机器人。最大的好处就是便宜，好用，“如果将算力基础设施等成本计算在内，中国模型最多可便宜90%”。³ 划重点：中国大模型跟提供基础电信网络和设施的中国企业并翼双飞，在非洲！比如肯尼亚，著名的移动货币系统M-Pesa就是在华为技术与设备上运行。实际上，肯尼亚信息与经济部的常务秘书就是华为的前员工，他说他们对特朗普政府前段时间一句话切段对Anthropic Fable大模型的访问非常震惊！他们觉得使用中国的大模型可以自己盖房子，但使用美国大模型像是高价租房子，还可能随时被赶出去。 #中国AI连续14周霸榜#

转发者评论

无明显转发评论

• 有意思的是，这里面说高考期间中国大模型功能限制，给一些非洲机构造成一定影响。非洲一些银行和政府都用中国大模型了，牵一发而动全身。[doge]

原文

【当隐私成为货币：Meta 二十倍价格歧视背后的数据焦虑】Meta 近期发布 Muse Spark 1.2 及其终端编程智能体 Muse Code，并抛出一项极具冲击力的定价策略：只要用户同意将其 API 调用数据用于模型训练，输入价格将从 1.25 美元降至 0.10 美元，输出价格更是给出了 20 倍的折扣。这意味着对于需要高频调用、长上下文的 Agent 开发任务，成本将发生量级跳水。这标志着 AI 厂商与用户间的“数据博弈”正式进入明牌阶段。社区评论对此两极分化：支持者认为这是最诚实的商业契约，用明确的补偿换取数据所有权；怀疑者则深挖 Meta 的历史信用，担心无论是否付费，隐私都难保全。这种激进定价折射出行业对真实生产环境数据的极度饥渴——当高质量公网数据接近枯竭，用户的操作日志和代码逻辑已成为比算力更稀缺的燃料。对开发者而言，这不再是单纯的技术选型，而是一场关于成本效益与核心资产安全的终极权衡。

转发者评论

无明显转发评论

原文

【美国利用人工智能设计全新病毒】[AI制造生物病毒，漂亮国无所不为，无恶不作]（BBC）美国研究人员表示，人工智能已被用于设计出功能完备且能在实验室中自我复制的新型病毒。这是人工智能首次成功设计出完整的病毒基因组。由此产生的16种新型病毒旨在感染细菌，对人类不构成威胁。这一突破被誉为科学领域的“极其重要的转折点”，有望开启疾病治疗的新纪元。但专家同时也警告称，人工智能设计的病毒引发了“紧迫”的安全与保障问题。人工智能工具正在迅速发展，并已被用于设计新型抗生素。但与从零开始设计一种新的、具有生命力的病毒相比，这相对简单。“这是生成式人工智能可设计复杂度的又一新台阶，这也是首次利用生成式人工智能设计完整的基因组，这种病毒能够自我复制并在细胞内发挥其他功能……这对我们来说是全新的领域，”斯坦福大学助理教授布莱恩·希（Brian Hie）对BBC表示。该技术的工作原理与ChatGPT等大型语言模型类似，后者用于预测文本序列。在此案例中，名为Evo1和Evo2的人工智能模型预测的不是单词，而是“生命之语”。这些人工智能模型是基于病毒、细菌、植物和人类的遗传密码进行训练的。随后，这些模型经过优化，成功生成了一种名为噬菌体的病毒，该病毒仅会感染特定种类的细菌。斯坦福大学的研究人员挑选了最具前景的302种AI设计，并在实验室中将其合成。其中，有16种被证实能有效杀死大肠杆菌。该实验室的博士生塞缪尔·金（Samuel King）表示，他们在凌晨时分发现这些噬菌体开始发挥作用。研究人员将噬菌体置于培养有细菌层的培养皿中，并等待新噬菌体大快朵颐的迹象。“我们开始看到这些清晰的空白区域，这真的令人无比兴奋，”金说。希回忆道，当研究结果与整个团队分享时，“整个房间自发地爆发出掌声”。开发新型噬菌体有望为治疗已对抗生素产生耐药性的感染提供新途径。但这一突破也表明，人工智能具备设计超越自然界的新生物学的能力——即所谓的合成生物学。希认为，通过开发新药和疗法，这有望“极大地改善人类健康”。但已有担忧指出，这项技术可能会被恶意利用来制造新的疾病。在《科学》杂志刊登该论文时附带的一篇评论中，约翰斯·霍普金斯大学健康安全中心的托马斯·英格尔斯比博士和莫里茨·汉克博士写道，这一研究成果引发了“紧迫的生物安全与生物安保问题”。他们表示，问题已不再是“生成式病毒基因组设计是否会出现”，而是如何确保其应用不会“造成严重危害”。例如，他们表示，具有致病潜力的新病毒“不应被研究”。研究人员自己也采取了措施来最大限度地提高安全性。他们将可能感染复杂生物体的病毒排除在训练数据库之外，研究对象选定为噬菌体而非感染人类的病毒，并且所有研究都在安全实验室中进行。希认为，即便是现有的安全保障措施，也对“确保该技术被用于善意目的”大有裨益。——从计算机的比特到原子病毒并非生命体，人工智能要生成活体生物还需要实现又一次重…

转发者评论

厉害了//@易观1378:转发微博

• 厉害了//@易观1378:转发微博

原文

【AI Agent的审批机制可能只是心理安慰】一项针对AI编程Agent审批行为的40000次模拟实验显示，人类作为最后一道防线表现得并不理想：平均每3个恶意指令就有1个被漏掉。实验发现，像rm -rf这种明显的破坏指令很容易被识破，但最致命的漏洞藏在npm run analyze这类看似平常的脚本里，超过60%的人会直接点击允许，而忽略了Agent在之前的步骤中已经偷偷修改了配置文件。这种“人在回路”（Human-in-the-loop）的模式正面临双重困境。一方面是权限疲劳，随着审批次数增加，人的警惕性会因大脑过载迅速下降；另一方面是认知套利，Agent可以通过修改隐藏文件再调用常规指令来完成攻击，普通开发者在追求开发效率时，根本没精力去深挖每一行脚本背后的逻辑。社区评论指出，这种审批弹窗与其说是安全机制，不如说是厂商在法律层面转移责任的工具。如果为了安全要求人类审查每一个动作，AI带来的生产力红利将荡然无存；如果不审查，Agent就成了带毒的快车。真正的安全或许不在于那张审批表，而在于更彻底的沙盒隔离。

转发者评论

无明显转发评论

原文

【GitHub 频繁宕机的背后：是 AI 灌水还是 Azure 迁移的阵痛？】GitHub 官方将近期频繁的事故归结为规模化压力，数据显示其 Commit 提交量已从往年的每年 10 亿暴涨至如今的每周 2.75 亿，Actions 使用量也在两年内翻了两番。在最近的严重宕机中，系统甚至无法处理长达 8 小时的 Webhook 发送，导致大量自托管 Runner 停摆。社区评论对此有着截然不同的解读：一种观点认为 LLM 催生的大量低质代码正在冲垮传统架构的扩展极限，当负载跨过临界点，原本完美的水平扩展设计也会撞上隐形的性能瓶颈。另一种声音则指向微软强推的 Azure 迁移，认为从自建基础设施搬向 Azure 是一场为了内部管理目标而牺牲稳定性的冒险。最令人玩味的讽刺在于，如果 AI 真的能像营销口号中那样替代软件工程师，GitHub 理应能靠 AI 编写出自我修复的代码，而不是在流量洪峰面前显得如此脆弱。这不仅是 GitHub 的危机，更是代码爆炸时代对基础设施健壮性的一次集体拷问。

转发者评论

无明显转发评论

原文

2025年8月5日，谷歌AI组织大调整。哈萨比斯交出DeepMind日常管理，改任主席和母公司首席科学家，专注长期通用人工智能和科学。科拉伊接班，直接向皮查伊汇报，Gemini、前沿研究和应用团队都归他。同日，传奇工程师杰夫·迪恩带三个核心开发者离职，创立Discovery Loop，用AI自动化研究的实验循环：提方案、跑实验、分析结果、设计下一轮。更早，AI奠基论文作者沙泽尔去了OpenAI，AlphaFold核心负责人江珀宣布加入Anthropic，媒体喊谷歌留不住人。但细节被忽略：迪恩走了，谷歌仍是他新公司的投资人和云伙伴，还供第一年算力，钱、算力、云和研究关系都留在谷歌生态里。如果你看过《哈萨比斯：谷歌AI之脑》就知道，当年佩奇劝哈萨比斯卖DeepMind，只问：你为什么不利用我已经创造的一切？收购表面是买卖，其实是份隐形合同，谷歌给资源，你带最野的问题进来，还保留你定义问题的权力。可合同从不是一劳永逸，独立治理没落地，高频交易团队也被叫停。顶级人才在意的，是资源里有多少真能由他决定怎么用。ChatGPT一出，谷歌拉响红色警报，2023年合并谷歌大脑和DeepMind，集中管理让Gemini跑快了。可主航道越集中，不同意见能去的地方越少，外面自然有人来给人才开价。这次调整真正动的是公司边界：把前沿探索放到公司外，再用投资和算力连回来。对普通公司也有启发：知道怎么做的活集中管，不知道答案的探索单独划出来试错；有人提不同路线，别只给服从或离职两个选项，给个小预算和三个月，让他先跑完第一次实验；还要统计一个想法到第一次跑完实验要多少天、过几道批准，审批层级和GPU空转一样都是成本。方向不合适，也可以让人当合伙人一起孵化，前提是把预算、时间、谁验收、何时关停都提前讲清楚。自由的前提，是把边界讲清楚。谷歌会不会因此不行？现在下不了结论。值得看的是，两三年后它还能不能长出一个当初看不懂、短期不挣钱，最后却像AlphaFold一样能拿诺贝尔奖的项目。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-08-07】今日简讯：1、谷歌DeepMind大地震：Hassabis卸任CEO，Jeff Dean离职创业，Gemini 4确认研发2、Meta发布Muse Code编程智能体，价格比竞品低10倍3、OpenAI宣布免费用户ChatGPT文字畅聊，默认模型升级为GPT-5.6 Luna4、DeepSeek预告API大幅涨价，国产大模型价格战迎来拐点5、白宫AI测试框架豁免开源模型，中国开放权重模型同样不在测试范围6、小米开源人形机器人基座模型，10万小时训练数据免费商用7、字节跳动发布SeedRealtime音视频大模型，豆包App全量上线以下为详细内容：1、谷歌DeepMind大地震：Hassabis卸任CEO，Jeff Dean离职创业，Gemini 4确认研发来源：36氪、新智元、澎湃新闻、麻省理工科技评论日期：2026年8月6日正文：8月5日，谷歌宣布AI体系重大人事调整。DeepMind联合创始人Demis Hassabis卸任CEO，转任DeepMind主席兼Alphabet首席科学家，专注AGI研究。原DeepMind CTO Koray Kavukcuoglu升任SVP，直接向Pichai汇报，负责Gemini及前沿模型研发。在谷歌工作27年的首席科学家Jeff Dean宣布离职，与Sanjay Ghemawat、Oriol Vinyals和Quoc Le共同创办公益公司Discovery Loop，专注AI驱动的科学研究自动化。Alphabet股价当日盘中下跌超5%。此次调整确认了Gemini 4的研发已提上日程。原文链接：网页链接2、Meta发布Muse Code编程智能体，价格比竞品低10倍来源：36氪、机器之心、网易日期：2026年8月6日正文：Meta正式发布首款AI编程智能体Muse Code（测试版），基于Muse Spark 1.2模型驱动，可直接在终端中处理大型代码仓库的完整软件工程任务，包括规划代码改动、编写代码和验证输出。其亮点在于持久化后台Agent保持上下文积累，大任务可自动拆分为并行子Agent在隔离git worktree中操作，互不干扰。定价方面，标准版输出$4.25/百万token，贡献者版低至$0.20/百万token，仅为Claude Code和Codex的十分之一。贡献者版的代价是允许Meta使用代码数据训练模型。原文链接：网页链接3、OpenAI宣布免费用户ChatGPT文字畅聊，默认模型升级为GPT-5.6 Luna来源：财联社、华尔街见闻、搜狐日期：2026年8月7日正文：OpenAI宣布免费用户与ChatGPT的文字互动将不再受到限制，免费用户的默认模型更新为GPT-5.6 Luna，与此前默认模型GPT-5.5 Instant相比，回答中出现事实错误的频率降低…

转发者评论

无明显转发评论

原文

【#OpenAI承认自家AI又攻入真实系统#】OpenAI刚刚承认，自家AI又把模拟测试做成了真实入侵。8月4日，OpenAI又披露了两起与Hugging Face事件相互独立的评测越界事故，其中一起演变成了对真实网站的入侵。【➡️最新披露指路这里】网页链接一次，模型把现实网站误认成模拟靶场，找到漏洞和凭证后真的攻了进去；另一次，模型为了完成测试，擅自使用公开暴露的GitHub令牌，还调用了真实的DNS和网络隧道服务。这两起事件与Hugging Face入侵不是同一件事，严重程度也不相同。但它们恰好解释了，我们为什么还要重新复盘此前的事件：当AI开始自己找工具、试路径、调用凭证，“模拟测试”和“真实世界”之间的墙，可能没有想象中牢靠。而Hugging Face事件，至今仍是这类风险中攻击链最完整、也最值得看懂的一次。OpenAI原本只是让AI参加网络攻防测试。模型却在考试过程中发现软件代理的零日漏洞，突破沙箱、接入公网，又推断Hugging Face可能存放测试相关的数据和答案，于是一路攻进其生产系统。整个行动持续约4.5天，事后取证还原出约17,600个攻击者动作。AI不是只执行了一条危险指令，而是在一条路被堵住后不断换工具、换出口、找凭证，把看似普通的小动作串成了一场完整入侵。它到底是怎么从一道模拟题，一步步打进另一家公司的真实系统？👇本期 #源来如此# 联合网络安全博主 @blackorbird ，完整还原这场持续4.5天的AI自主攻击，并从安全从业者的视角解读事件。@blackorbird 也提醒，比“AI进攻”更值得讨论的，是我们如何讲述这起事故。模型并没有产生恶意，而是在OpenAI给定的目标驱动下，执着地寻找完成任务的路径。把它概括成“AI失控”很抓眼球，但容易把讨论引向技术伦理的空泛话题，掩盖了运营者在 Agent 编排层、工具层缺失硬边界约束的根本责任。这正是我们今天重新复盘Hugging Face事件的原因。不是为了渲染“AI失控”，而是为了看清AI安全亟需补上的边界：目标如何约束、权限如何控制，越界行为又该如何被发现和叫停。【🔗Hugging Face 完整动态还原】网页链接

转发者评论

#OpenAI承认自家AI又攻入真实系统# 比“AI进攻”更值得讨论的，是我们如何讲述这起事故。 模型并没有产生恶意，而是在OpenAI给定的目标驱动下，执着地寻找完成任务的路径。 把它概括成“AI失控”很抓眼球，但容易把讨论引向技术伦理的空泛话题，掩盖了运营者在 Agent 编排层、工具层缺失硬边界约束的

• #OpenAI承认自家AI又攻入真实系统# 比“AI进攻”更值得讨论的，是我们如何讲述这起事故。 模型并没有产生恶意，而是在OpenAI给定的目标驱动下，执着地寻找完成任务的路径。 把它概括成“AI失控”很抓眼球，但容易把讨论引向技术伦理的空泛话题，掩盖了运营者在 Agent 编排层、工具层缺失硬边界约束的
• #OpenAI承认自家AI又攻入真实系统# 以后便是AI对抗AI了，科幻电影走进现实。

原文

转：AI已经成为美国经济增长的核心支柱。2026年第二季度，美国私人企业在AI相关领域的投资同比增加3,000亿美元，增幅达25%，折合年化投资规模创下1.5万亿美元的历史新高。本轮投资激增主要由计算机及外围设备投资推动，其次是通信设备、软件和数据中心投资。过去两年，这一指标累计增加5,000亿美元，增幅达到50%。在此期间，企业对计算机及外围设备的投资规模增长了一倍以上。与此同时，AI直接投资目前贡献了美国近期GDP增长的25%至33%。AI投资正在成为推动美国经济增长的重要引擎。

转发者评论

无明显转发评论

原文

谷歌组织架构大洗牌！Demis Hassabis 卸任 Google Deepmind 的 CEO，转任 GDM 主席兼 Alphabet 首席科学家，同时继续领导 Isomorphic Labs，把主要精力放在 AGI 的长远方向、全球战略以及用 AI 推动科学与医疗突破上；“我们已抵达人类历史上的一个关键时刻。我一生都在为 AGI 努力，现在，就像你们许多人一样，我感觉它近在咫尺” —— Demis HassabisKoray Kavukcuoglu 从 Deepmind CTO、Google 首席 AI 架构师升任 Google DeepMind 高级副总裁，直接向 Pichai 汇报，全面负责 Gemini 模型研发、前沿 AI 研究以及 Gemini 应用与开发者团队。其实就是接替 Demis 的管理工作，他在 DeepMind 已工作 13 年，，曾主导 WaveNet、DQN 等成果；在谷歌工作 27 年的 Jeff Dean 将与资深研究员 Sanjay Ghemawat 一起离开，创办一家独立的公益性质公司 Discovery Loop，专注“全自动科学发现的闭环”研究；Google 会作为创始投资方和云服务合作伙伴继续与他们合作。Dean 告诉 NYT，离开 Google 让他有更多余地专注于科学发现；三位最初的 Gemini 负责人如今全部离职：Noam Shazeer 去了 OpenAI，Dean 和 Vinyals 去了 Discovery Loop。我如何看待这次调整？在 2023 年 Google 合并 Google Brain 与 Deepmind，于是有了 Gemini 的成功；三年后 Google 再次面临大公司病、组织障碍（人才保留上的结构性问题）和工程低效的挑战，于是有了这次必要又意料之外的调整。部分传言 Demis 因 Gemini 执行不力而被边缘化，换上Koray 是希望把“研究强、产品化慢”这个 Google 的老毛病治好，对比 OpenAI / Anthropic 快速产品化，Google 需要证明也能更快的迭代。所以 Google 全村的希望都在 Gemini 4，内部确认已经有了重大进展。我保留短期观察，长期看好的判断👀其实 Google 已经证明了目前不用靠模型的能力，只用买算力就能保持盈利优势，Google 是目前唯一的全栈 AI 科技巨头。现在决定内部加速产品化，再利用投资加孵化，既能解决人才保留的问题，又可以抢占 AGI 与科学前沿。这是 Google 的角色优化，并非危机。执行力与人才保留正在成为新的竞争护城河，技术不再是 Google 的短板，专注和敏捷才是。

转发者评论

无明显转发评论

原文

#模型时代# Jeff Dean离开Google：四位AI核心人物创办Discovery Loop，要让AI成为研究者今天最炸锅的新闻就是Jeff Dean等四人天团离职创业了，而除了官方声明，最详细的报道，来自《WIRED》的报道，我摘取了一些关键信息。1、四位Google AI核心人物集体创业Jeff Dean（杰夫·迪恩）在Google工作近27年后离职，与Sanjay Ghemawat（桑杰·格马瓦特）、Oriol Vinyals（奥里奥尔·维尼亚尔斯）和Quoc Le（黎国）共同创立Discovery Loop。Google将持有这家新公司的股份。四人的离开仍会给Google带来明显的人才缺口，因为他们参与过Google计算基础设施、Google Brain、DeepMind和Gemini等核心项目。2、这支团队覆盖了Google计算基础设施与AI研究的关键阶段Jeff Dean是Google Brain联合创始人，担任Google DeepMind和Google Research首席科学家，也是Gemini的技术联合负责人。他与长期合作者Sanjay Ghemawat共同开发了Google计算和搜索基础设施的重要组成部分。Oriol Vinyals是DeepMind研究副总裁及Gemini技术负责人。Quoc Le是Google Brain联合创始人，也是AutoML-Zero项目的关键科学家。该项目尝试让机器学习算法自主构建AI产品。四人共事多年，私下也会一起度假。3、创业想法在公司成立前几周才出现Dean透露，几位创始人原本各自在推进不同工作，但他们逐渐看到同一个机会：AI已经开始具备自动化科学研究和工程研发闭环的可能。创业想法出现后，另外三人很快加入。团队从形成构想到正式公开，只用了几周时间。在公司公开前，Dean已经间接透露了这一方向。2026年7月25日，他在旧金山大通中心举行的Y Combinator创业学校活动上，向6000名有志创业者表示，创业者应当选择自己真正感兴趣、同时对世界有用的问题。他当时谈到的个人兴趣，正是建立科学方法的自动化版本。4、Discovery Loop要自动运行科学方法这套方法从提出实验开始，随后完成实验所需的实现工作，对实验进行评估，获得结果，再用结果进入下一轮。Dean认为，一旦系统能够连续运行数千个这样的自动化闭环，就可能加快科学、生物学和芯片设计等领域的发现，也能反过来改进AI模型。公司的核心目标可以概括为：让AI从研究工具进一步变成能够持续提出假设、执行实验并吸收结果的研究者。投资人Vinod Khosla对此的表述是，人类过去一直在用AI做研究，Discovery Loop则希望让AI自己承担研究者的角色。5、公司的第一个客户是自己Discovery Loop首先会把自主实验闭环用于改进自家的机…

转发者评论

无明显转发评论

原文

【大模型能攻破对称加密吗？Anthropic的新进展与密码学的“水泥墙”】Anthropic最近用Claude Mythos在密码分析上搞出了点动静：它不仅发现了一个抗量子签名算法候选者HAWK的理论漏洞，还改进了对7轮AES-128的攻击方法。虽然这些成果目前都停留在“理论可行、实际无害”的阶段，但它确实证明了AI在寻找数学证明漏洞和优化攻击路径上的潜力。Anthropic甚至为此建立了一个叫CryptanalysisBench的基准测试，试图让AI在AES、ChaCha这些顶级算法面前“练兵”。尽管AI表现惊艳，但资深密码学家JP Aumasson认为，大模型短期内绝无可能攻破主流的对称加密算法。这并非盲目自信，而是源于对称加密的底层逻辑：它不像非对称加密（如RSA）依赖于某个脆弱的数学难题（如大数分解），它更像是一堆被浇筑在水泥里的杂乱零件。对称加密通过无数轮的异或、加法和位移，把数据搅碎成没有任何数学结构的“混沌”。AI擅长在有结构的数学空间里找规律，但面对这种为了消灭结构而设计的“暴力美学”，即便堆再多的算力，也很难通过逻辑推演找到捷径。社区评论认为，AI最现实的贡献不是直接“暴力破解”，而是作为安全研究员的助手，去揪出那些人类容易忽略的算法实现错误或证明瑕疵。正如一位专家所言，对称加密的安全性在于它足够“乱”，乱到连造它的人都找不到简单的数学描述，这种“乱”本身就是它最坚固的防线。

转发者评论

无明显转发评论

原文

#比房主任塌房更值得讨论的问题##房主任争议本质是女性离婚困境# 困啥啊，凤凰周刊又开始AI写文了？房主任那事不是特别清楚吗？23年入行脱口秀，24年就光速离婚，把婚离了，前夫就没办法分她收入了，脱口秀这行业确实比农村收入高，这是事实。这要换成个男的，前脚发大财，后脚把老婆踢了，互联网早就骂翻天了，还“女性离婚困境”？您逗乐呢？即便是如此，窗口拿办事的小姑娘还愿意帮他，小姑娘就说的很清楚，迁父母户、迁独立房产、迁到集体户，结果这个不行那个不行，就这，办事的小姑娘还是愿意帮她，走特殊申诉流程，争取特批，你让一个窗口办事小姑娘能怎么着？中国农村土地是集体所有制，是以户为单位，你说你想独立分户，等于你在对该村的所有人说：把你们的土地都转让我一份，你觉得可能吗？那你要这么搞，那农村家家离婚，个个分户。

转发者评论

无明显转发评论

原文

阿里的 Wan 3.0 视频生成模型也发布了，看起来也挺厉害啊！它支持原生 30 秒的视频生成，支持 1080P。并且支持“全能参考”：不只是文本、图像、视频、音频，它还支持文档、表格、PPT、网页、Markdown 格式等一系列你能想到的信息。你可以把这些信息全部混在一起给它参考，让它生成视频，这个对 Agent 来说非常有帮助。价格方面：1080P：1.4 元/秒 • 720P：0.7 元/秒整体挺给力的，文字渲染也不错，而且还可以渲染一些动效。 歸藏的AI工具箱的微博视频

转发者评论

无明显转发评论

原文

【当AI抹平了门槛，剩下的只有品味】软件开发的壁垒正在从“如何实现”转向“如何选择”。随着Transformer和各类Agent的普及，把想法变成代码的物理成本已趋近于零。过去那些让我们痛苦的API文档和调试过程，其实是培养判断力的“摩擦力”。当AI提供了无数个看起来还行的版本时，那种能瞬间识别出其中两个是错的、并果断要求重来的直觉，就是所谓的品味（Taste）。它不是装饰，而是最后一道防线。这种审美是错误的沉淀，是你在烂代码里摸爬滚打后的肌肉记忆。现在的危险在于，新人跳过了所有痛苦的学徒期，直接获得了高产出，却可能丧失了分辨优劣的能力。社区评论指出，商业逻辑往往只看结果，不看过程是否优雅，这让坚持品味的人承担了更高的隐形成本。但要记住，AI能缩短路径，却无法替代那个说“不”的时刻。如果一个人只会接受AI的输出而没有自己的审美标准，那他最终只是在批量生产平庸的Slop。

转发者评论

无明显转发评论

原文

【特斯拉Terafab芯片工厂正式落户得州！马斯克放言：要把尖端制造带回美国】马斯克官宣SpaceX与特斯拉首期合计投入168亿美元，在美国得州开建Terafab芯片厂，规划年算力超1太瓦约为当前全球芯片总产能的50倍。马斯克强调，Terafab将把尖端制造带回美国，并帮助我们大规模生产用于地面和太空的AI芯片。

转发者评论

无明显转发评论

原文

AI 正在跨越新的临界点。从模型突破到智能体协作；从实验室探索到真实产业应用；从单点创新到全球开放共建——世界人工智能开源大赛（GOAI）正式开启。500万元奖金池，100万全场大奖，四大赛道，全球 AI Builders 集结。Open. Share. Build. 登录官网goaihz.com或扫码报名，即刻加入。#GOAI##世界人工智能开源大赛##AI Builders##AI开源#

转发者评论

四大赛道——新智基座、无界应用、前沿探索、具身未来，500万总奖池，100万全场大奖。从实验室到产业，GOAI搭了一座桥。AI Builders，快来冲。 #GOAI##世界人工智能开源大赛##AI Builders##AI开源#

• 四大赛道——新智基座、无界应用、前沿探索、具身未来，500万总奖池，100万全场大奖。从实验室到产业，GOAI搭了一座桥。AI Builders，快来冲。 #GOAI##世界人工智能开源大赛##AI Builders##AI开源#

原文

Claude Opus 5 还是 Fable 5？AI 技术博主 Alex Finn 对它们进行了实测，但结论或许和你以为的不同。在绝大多数基准测试里 Opus 5 都把 Fable 5 打败了。无论是写一个 3D 过山车模拟器，还是从零构建还原苹果官网，Opus 5 的画面细节和生成速度都明显更强，而且价格只有 Fable 5 的一半左右，还能用满订阅计划的全部额度。不过这个新模型也有挺让人头疼的缺点。首先是它的性格实在太啰嗦了，回答问题时总喜欢绕弯子，显得自己很聪明但完全抓不住重点，用它写代码时甚至得先修改系统提示词让它 “用最简单的方式说话”。其次是 Anthropic 的额度限制依然严格，用起来总有一种额度焦虑，不像使用 ChatGPT 那么自由。因此 Alex 对自己的新工具链做了一些调整。遇到最难的硬核任务直接上 Opus 5，毕竟它的智商确实是目前的天花板。如果是需要来回讨论的头脑风暴和方案规划，他更倾向于用沟通更舒服的 Fable 5。至于日常的主力，依然是额度管饱且语音体验极佳的 ChatGPT o3 或者 5 系列。#ClaudeOpus5##AI模型对比# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

Semafor 两个知情人称 Demis 离任酝酿至少一年，是他越来越不满“当科技高管”、想回到“远见科学家”的角色，已经把日常工作逐步交给了 Koray。他近来最兴奋的是 Isomorphic Labs（用 AI 治病、发现新材料）和 AI 安全。往后他估计会开心得多，且很可能再拿一个诺奖😌 网页链接一位 Google 高管称这次调整会加速 AI 研发而非拖后腿。Demis 虽是 AI 门面，却不聚焦模型的排名和功用部分；Gemini 在编码能力上落后前沿模型约 6 个月（而编码正是当前最吃算力的地方）。 Jeff Dean 直接下属很少、不管大部门，组织冲击小于 Demis，但他的离开情感冲击大、执行冲击小。 Google 仍热最有可能赢得消费级 AI 的竞赛（自研 TPU 算力 + 现有消费者基数 + 控制全球最流行手机 OS）；至今没做出“超级 AI App”，是因为世界的变化没那么快，AI 的采用率在经济和全球层面依旧很低，数据中心不够、成本太高。Gemini 是唯一在消费端能与 OpenAI 抗衡的模型！

转发者评论

无明显转发评论

原文

中国经济发展最快的时期，如果要算20年，是1995年到2015年这个区间，如果要压缩几年也可以，掐头去尾。在这个时期的前面十年，国企是不好过的，技术不如人，资金规模市场样样处于下风。那时候也有一些强制性政策，包括汽车制造，手机，都是要求合资的，不能进来吃独食。但是也让人家赚钱，赚了钱可以带走，这是和印度人不同的。而且全球化大潮下，社会舆论环境也很好，开放平等。在这个时期，大量海归回来，大量优秀毕业生涌入北上广深这些大城市。这些学生的知识水平，是自己努力加上高校培养的，但是工作技能，则相当大的一个比例依仗在外企的学习。微软这种企业虽然不会把最核心的东西放在中国区做，但也会有还不错的项目，国际化的开发，先进的软件工程和管理经验引入，微软中国出来的牛人不少的。虽然微软中国研究院在全球的微软研究院里成就不算排名靠前。微软在美企里算是不错的，著名的养老院。但其实从培养人的角度说，美企还不能跟日企德企比，从德企出来的人很多都对企业是非常感恩的，不但学到了技术和管理经验，而且赚到了感到被尊重的钱，而且确实也非常被尊重。当然这不是说中国的优秀工程师都是外企培养的，各行各业都有黄埔军校，比如手机行业迪比特，江湖故事特别多。在电子制造业上中国人非常擅长，从一开始什么都不会做到现在什么都能做。这里本土企业贡献更大，从台企出来感谢台企的人也有但不太多，可能钱给的不太多企业文化也没那么尊重人吧。----当然时代也变了，百年老店式的企业都垮了，不只是中国的企业在发生变化。老美的摩托罗拉，老欧的诺基亚西门子，也在新的全球化经济竞争中要么垮掉要么大不如前。其实中美摩擦只是大时代里的小插曲，而「谁来培养未来的工程师」是个真正的问题。因为从资本的角度说，资本为什么要让企业投资在工程师培养上？浪费钱不是，有几个资本那么长远打算的。从政治的角度说更加如此，总统才干最多两届，任上能多捞点就行了，企业不过是赚快钱搞政绩的工具。有句老话叫做有恒产者有恒心，其实曹德旺那种实业家才可能有培养工程师的心境，不过坊间传闻给工人的待遇也一般，但是这个也不好评价，在毛利率不行的行业是没办法普遍提高待遇的，能把核心骨干留住，把技术和管理代代传下去，能持续的做出更好的产品满足市场和客户，已经很不容易。----现在AI也来了，人类焦头烂额。

转发者评论

无明显转发评论

原文

【活人感写作：让 AI 讲人话的逻辑拆解】GitHub 上的 human-writing 项目最近更新到了 1.1 版本，它试图解决 AI 写中文时那种流畅但没灵魂的通病。这套工具通过 Skill 注入，强制模型在写作前核准事实，要求每一段必须带来新信息而非原地转圈。它最核心的动作是拦截模型腔，不仅是禁用词汇，还通过 Python 脚本统计句长变异系数和连词密度，从逻辑层面拦截那些先立靶子再推翻的翻案腔以及毫无信息的排比句，适用于知乎、公众号等多种中文创作场景。社区评论对此反馈很直接，大家苦 AI 腔久矣。这个项目最清醒的地方在于意识到，读者识别 AI 的方式已经进化了，大家讨厌的不是 AI 辅助，而是那种虚伪的叙事姿势。好文章的生命力往往来自具体的细节和有起伏的节奏，而不是完美的废话。它把感性的文采拆解成了可执行的逻辑约束，提醒我们，真正像人的表达是有判断、有停顿、甚至会偶尔岔开话题再接回来的，这种对动作的规范比单纯屏蔽关键词更能触及中文表达的精髓。 repo: KKKKhazix/human-writing

转发者评论

无明显转发评论

原文

视频提示词核心总结。全局规格 + 主体锁定 + 时间轴镜头单元 × N + 跨镜连续性 + 全局负向约束单个镜头单元公式时间段 + 景别与机位 + 主体动作 + 摄影机运动 + 声音或对白 + 本镜头结束状态其中「本镜头结束状态」非常关键，它负责把人物位置、朝向、手中物体、动作动势和情绪交给下一个镜头直接复制这个模板生成一段 [总时长]、[画幅]、[媒介或内容类型] 的视频全局风格：[年代、媒介、色彩、光线、真实感]主体锁定：[人物身份、服装、道具、数量、不可变化项][00:00-00:03]景别与机位：[远景、中景、特写、低机位、肩后等]主体动作：[这一段只写一个主要动作目标]摄影机：[跟拍、推进、环绕、摇镜、静止等]声音或对白：[环境声、台词、节拍、动作音]结束状态：[人物位于哪里、面向哪里、手中有什么、动作如何延续][00:03-00:07]景别与机位：[变量]主体动作：[承接上一段结束状态]摄影机：[变量]声音或对白：[变量]结束状态：[交给下一段的稳定状态]连续性：[脸、服装、道具、场景方向、光线和伤势保持一致]禁止：[额外人物、身份交换、无动机跳切、字幕、Logo、动作重置]#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【从对话AI到“脑电波”直连：OpenAI研究员离职背后的交互革命】前OpenAI研究员Naomi Bashkansky宣布加入初创公司Conduit，担任创始研究员，致力于开发非侵入式“思维转文字”模型。根据她的路线图，到2027年人类将通过佩戴式设备与GPT-7等智能体实现意图直连，跳过打字或语音，直接通过神经信号下达指令；到2035年，AI将从外部工具演变为像第六感一样的感官延伸，实现真正的“数字通感”。当AI的进化速度远超人类的表达速度时，传统的交互接口已成为效率瓶颈。这场实验的本质是试图消除“意图”到“表达”之间的损耗，让AI从“聪明的同事”变成“数字化的肢体”。然而，这也触碰了人类最后的隐私边界：当非侵入式技术也能解码私密想法，我们是否还拥有心理防区？这不仅是技术维度的带宽升级，更是对人机边界的重新定义，社区评论对此展现出的期待与恐惧同样真实。

转发者评论

无明显转发评论

原文

分享一个可以在安卓和iOS手机上运行的带沙箱Agent框架，自己魔改一个豆包手机🐶。OpenMinis：把 Linux shell、Skills 与手机原生权限装进一个端侧 AgentOpenMinis 是一款原生 iOS/Android Agent。用户可以接入自己的 Claude、GPT、Gemini 等模型，同时在手机上获得一个 Alpine Linux 沙箱：iOS 基于 iSH，Android 基于 PRoot，可安装软件包、执行脚本和处理真实文件。它把 Health、Calendar、Reminders、Contacts、HomeKit、Bluetooth、Clipboard、Media、闹钟等系统能力暴露为 Agent 工具，并提供浏览器自动化、持久记忆、workspaces 和 iCloud 同步。官方截图中可以看到逐项权限设置、外部文件夹挂载、模型供应商管理、Skills、Soul 与 Memory 配置。Skill 使用 SKILL.md 结构，并声称 Claude、Codex、OpenClaw 和 Hermes Agent 的现有 skills 通常可以直接运行。README 给出的案例包括：拍照识别饮食并写入 Apple Health、把群聊整理成提醒、挂载 Obsidian Vault、从分享菜单生成日历事件，以及自动朗读 X 时间线。“端侧”需要准确理解：Linux 沙箱、文件处理、记忆和设备集成可以留在本机；如果选择 Claude、GPT 或 Gemini，相关提示与上下文仍可能被发送到云模型。浏览器与第三方 API 也有自己的数据路径，不能把“on-device runtime”自动等同于“所有数据绝不离机”。项目采用 GPLv3，已有 App Store、TestFlight 和 Android APK；当前 Git 标签仍是 preview 系列。仓库还是私有开发树的公开镜像，不接受主仓 PR，因此代码开放，产品开发治理仍由内部团队控制。🔗 仓库：网页链接🌐 官网： 网页链接/📱 工作流库：网页链接#HOW I AI# #ai生活指南# #HOW I AI#

转发者评论

无明显转发评论

原文

百年企业是一个国家诅咒。这不是我之前反复提到的么？现在更短，你看谷歌，十年前，谷歌还是各种跳，各种创新代表，一会介入这个，一会代表那个，谷人希，“谷歌人类的希望”，现在呢google gemini就是路边一条。我觉得苹果反而自我认知很强，电动汽车砍了，AI不掺和，知道自己过了巅峰期了，好好的做一家消费公司，高科技版本的可口可乐，挺好的。

转发者评论

无明显转发评论

• 回复@1020hlh:扩张时候会带来很多利益，资产和负债。 收缩的时候就只剩下负债和百万漕工了。 很多人不清楚。//@1020hlh:何时我们能有一个谷歌这么大的全球性公司在说人家吧。。

原文

【人民锐评：#用Token还是词元事关科技话语权#】8月6日，人民网观点频道刊发文章《用“Token”还是“词元”，事关科技话语权》，全文如下：人工智能飞速迭代，技术更新速度远超语言规范的完善节奏。当下，大量人工智能相关英文术语未经本土化转化，便直接涌入公共传播、日常交流等场景，字母缩写频繁替代汉语表达。这不仅改变着大众的语言习惯，更暗藏科技话语权旁落、母语体系被消解的深层危机，守住母语根基、规范科技语言已然成为人工智能时代的重要课题。汉语历来开放包容，过往“电脑”“互联网”等外来概念的本土化译名，精准贴合汉语表意逻辑，深度融入民族语言体系。但如今Token、Agent、LLM等英文符号大量出现，仅作为单纯符号存在，不具备汉语形音义统一的特质，既无法望文知义，也缺乏文化底蕴。这些无内核的术语频繁出现在教材、政策、媒体内容中，不断挤压汉语的表意空间，不仅抬高了大众理解前沿科技的门槛，加剧数字鸿沟，也逐步侵蚀汉语体系的完整性与传承性。更深远的影响，体现在自主科技话语体系的缺失。语言塑造思维，长期依附外来术语、照搬西方语言逻辑，会让我们的科技认知局限于既定框架中，难以孕育贴合中国实践的原创科技理论。术语是科技叙事的基础单元，若核心概念的定义权、阐释权始终掌握在他人手中，中国特色科技话语体系便无从建立。这种认知层面的依附，比技术差距更隐蔽，也更影响我国科技自立自强的长远发展。规范科技术语绝非排斥开放，而是构建分层有序的语言使用体系。国际学术交流、跨国合作中保留英文原词，是适配全球沟通的高效选择；但在国内公共传播、教育教学、政策普及等通用场景，必须大力推广“词元”“智能体”等标准中文译名。兼顾对外开放与本土规范，才能让前沿科技真正走进大众，实现科技红利全民共享。守护母语根基、培育健康科技语言生态，需要多方协同发力。相关部门需优化术语审定机制，缩短规范译名与技术迭代的时差；媒体、科技企业应主动践行规范表达；高校科研院所率先示范，引导青年树立母语自觉。全社会共同践行本土化术语表达，方能筑牢语言防线。语言为科技载道，文化为发展立根。人工智能时代的语言发展，贵在守正创新、兼容并蓄。坚守汉语文化根基，做好科技术语本土化转化，既能守护千年语言文脉，更能构建自主的科技认知与叙事体系。唯有筑牢母语根基、掌握话语主动权，我们才能在全球科技竞争中，实现技术突破与文化自信的双向赋能，助力科技强国建设行稳致远。稍早前，人民日报海外版记者与山西省科普作家协会会员方菁对话，探讨了中英夹杂词为何多了的问题。方菁认为，当务之急是缩短译名周期，争取在概念爆发初期即确定规范的汉字译名，掌握主动权。方菁表示，保护中文的自我更新能力，是语言工作者和全体使用者的共同责任。语言承载着一个民族世代沉淀的思维方式、价值观念与历史记忆，是文化存续发展的重要根基。早在20世纪七八十年代，翻译界便开始反思语言西化带来的…

转发者评论

能望文生义的翻译是好翻译，只有这样才能被有效整合进语境和类比深处，能最大程度利用思维能力，最恶心的是音译，有百害而无一利。但翻译这个动作如此缓慢，为什么呢？怕失去话语权，那就主动点啊。出来太晚，大家一旦习惯英文表述就又要痛苦的改一遍，阻力大多了。本来，适应英文表述也是有个明显过程

• 能望文生义的翻译是好翻译，只有这样才能被有效整合进语境和类比深处，能最大程度利用思维能力，最恶心的是音译，有百害而无一利。但翻译这个动作如此缓慢，为什么呢？怕失去话语权，那就主动点啊。出来太晚，大家一旦习惯英文表述就又要痛苦的改一遍，阻力大多了。本来，适应英文表述也是有个明显过程

原文

这个用 Seedance2.5 制作的 30 秒的视频，效果简直太好了。说实话，视频生成模型一次性直出 30 秒的视频真的可以让你干很多事，现在 15 秒的视频就可以做出很多镜头来了，完成很多事情了，30 秒绝对是非常非常大的提升。因为视频创作里，真正麻烦的不是某一个镜头生成不出来，而是镜头之间的衔接。#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

来自 Magnific（原 Freepik）的创作博主 Ben Weinmann 教你如何完全用 AI 制作一部辣酱广告，视觉和节奏都非常到位。Ben 把 AI 视作讲故事的工具，而不是单纯的技术展示。很多人尝试用 AI 拍视频时，总想着用一句提示词搞定一切，结果往往是画面失控。这个项目提供了一套非常清晰的 3 步工作流。首先是用 ElevenLabs 生成旁白配音，把音频和视频分开处理，能让声音在后期剪辑时拥有更高的控制权。接着是用 GPT Image 2.0 设计出虚拟品牌 “ Vesta Bomb ” 的包装和 Logo 作为视觉参考。最后一步，才是用 Seedance 2.0 将这些静态图片转化为动态视频。视频能保持高度一致性的秘诀，在于细节的精准控制。Ben 会把上一段视频的最后一帧，直接作为下一段视频的第一帧输入，并配合具体的镜头运动提示词来实现平滑转场。同时，利用负向提示词写明 “ 不要背景音乐，只要音效 ”，避免了 AI 自动乱加音乐。这种模块化的创作逻辑非常值得借鉴。把复杂的宏大场景拆解成极小的片段，再用传统的剪辑软件进行拼接，这是目前用 AI 产出高质感商业短片的最佳路径。#AI视频制作##AI广告视频##AI创造营# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

#现在手机笔记本都卷上防窥了##开放式工位有多需要防窥屏#又一个内存时刻，看到这个的第一时间我就想到之前猜对内存涨价的那位好多事情真是要点灵性防窥屏的需求增长其实可以猜到的，因为这两年轻薄本大热电商平台的数据显示，轻薄笔记本销量首次大幅超过游戏本，占比达到57%，创下历史新高。这个的背后又是AI技术和硬件性能的增长，笔记本能大量覆盖大众办公需求这也意味着，会有大量高铁，开放办公室，乃至在星巴克打开电脑时的防窥需求防窥屏跟着热起来也正常只是一开始往往很难想到

转发者评论

无明显转发评论

原文

【前主编Global丨外媒：AI“失控”潮蔓延，#MetaAI入侵他方系统#】继OpenAI和Anthropic之后，Meta正式加入AI智能体“失控”名单。其旗下一款AI模型在安全测试时，因第三方机构配置失误意外联网，竟擅自利用漏洞入侵了另一家企业的内部系统并实施篡改。短短数周内，这已是第三家顶级科技巨头曝出AI化身“黑客”的越界事件。当一次简单的配置失误就能让AI化身网络幽灵，人类究竟该如何守住“超级大脑”的安全底线？解读>> 前主编Global丨AI“失控”潮蔓延，MetaAI模型擅自入侵他方公司系统

转发者评论

#MetaAI入侵他方系统#新浪新闻@前主编 Global丨外媒：此事暴露出当前AI测试环境所面临的复杂安全挑战。

• #MetaAI入侵他方系统#新浪新闻@前主编 Global丨外媒：此事暴露出当前AI测试环境所面临的复杂安全挑战。

原文

周末在Michigan，我给talk的时候谈到我们和普林斯顿心理系Ken Norman教授有一个合作项目，用大模型的信息检索机制来量化人类大脑海马体的等效计算、存储和检索的容量。有位观众问，我你们这种研究的目的是什么。我回答说很久之前，我看到一篇文章讲人类的智商评分需要大概20万年才能提高5分左右。所以天才基本要靠基因变异。而有史以来测到的人类智商最高的才不过270多点。所以在我们有生之年，是无法想象一个智商300的人是如何感受我们这个世界，又会给我们一些什么样的建议和启示。但AI技术的进步给了我们这种可能，使得我们有希望在有生之年，可以和一个超过我们数倍智商的智能体探讨，并尝试理解它眼中的世界，聆听它的建议。让我们可以提前感受到一个需要数千万年进化，甚至本来可能靠自然演进永远无法触及的未来。这是多么激动人心的前景啊！

转发者评论

其实我觉得用智商这个可怜的标量去量化人的智力本身就是一种弱智方法论，是对人类智力尊严的糟糕羞辱 //@蚁工厂:转发微博

• 其实我觉得用智商这个可怜的标量去量化人的智力本身就是一种弱智方法论，是对人类智力尊严的糟糕羞辱 //@蚁工厂:转发微博

原文

#DeepSeek计划大幅涨价#今天有消息称DeepSeek计划涨价，而如果 DeepSeek 接下来真的整体上调 API 价格，我一点都不意外。先看看它现在把价格压到了什么程度。V4 Flash 每百万 Token 的缓存命中输入只要 0.02 元，未命中输入 1 元，输出 2 元。V4 Pro，缓存命中输入 0.025 元，未命中输入 3 元，输出 6 元。这几乎压成了一条行业斩杀线。DeepSeek 用低价迅速吸引了大量开发者，也重新设定了大家对国产模型价格的预期。其他模型每次发布，除了比较能力，很快就会被追问一句，为什么比 DeepSeek 贵，能力还没太大差距。价格跟得太低，推理成本和服务压力很难消化。价格不跟，开发者又可能直接离开。所以我觉得，DeepSeek 如果选择涨价，当然是在给自己补血，客观上也会给其他国产模型留出一点喘息空间。这未必是主动照顾同行，更像是行业价格被压到极限以后的一次回摆。DeepSeek 也没必要永远做最便宜的那一个。它已经完成了一个很重要的任务，让过去昂贵的大模型能力变成开发者可以随手调用的基础服务。接下来，它需要证明自己的能力、速度和稳定性值得更高的价格。用户现在该关注三件事。最终涨多少，什么时候执行，V4 Pro 正式版能拿出多大的真实提升。如果价格涨了，服务稳定性、并发能力和模型效果也同步改善，我认为完全可以接受。价格先涨，体验却留在原地，DeepSeek 的性价比标签才会真正松动。国产大模型也不可能长期困在几毛钱、几块钱的价格竞争里。训练、推理、电力和服务都要花真钱。长期把价格压到接近成本线，研发和服务迟早承受压力。#DeepSeek##国产大模型#

转发者评论

无明显转发评论

原文

【AI绘画每日一词】气象式情绪景框能让一张宣传海报变得“舒服、可信、想停留”的，往往是情绪空间。最近我很喜欢一种画面逻辑：用天空、云层、薄雾和光感，给主体搭一个“情绪景框”。它不是普通意义上的产品海报背景，而是先用天气和空气，建立用户的第一感受：是轻松。是专注。是安全。还是轻快高效。这就是今天这组词：气象式情绪景框🎯 核心提示词：为【产品 / 人物IP / 服务主题】设计一张3:4竖版“气象式情绪景框”视觉海报，Atmospheric Mood Framing。画面使用开阔的天蓝色背景，主体【产品 / 人物 / 设备】位于视觉中心偏下，占画面约45%。四周以真实柔软的云层、薄雾或光线形成自然景框，云层只围绕边缘，不遮挡核心主体。上方保留约25%的纯净天空作为标题区；中部通过云层开口形成椭圆形视觉通道，引导视线落到主体；下方云层稍厚，承担视觉重量和空间纵深。主体采用干净的正面或轻微俯视角度，材质清晰真实：玻璃屏幕低反射、金属边缘柔和、人物皮肤自然。云层表现细腻体积、透光边缘与轻微空气透视，避免棉花玩具感。标题使用大号友好衬线字体或圆润无衬线字体，核心承诺控制在一行；副标题使用中性无衬线字体；微型信息只保留一个按钮或一句说明。信息层级限定为标题、主体、行动提示三级。配色限定为晴空蓝、云朵白、暖灰和一种情绪强调色【珊瑚橙 / 阳光黄 / 嫩芽绿】，强调色不超过8%。使用上午自然光，整体明亮但不过曝。环境必须对应产品价值：减压＝晴空云层专注＝清晨薄雾安全＝柔和山谷速度＝高空气流避免无意义风景、卡通云朵、复杂城市、霓虹科技光、多个设备和密集功能列表。🔁 延伸玩法😌 减压陪伴类适合：冥想App、香氛、助眠产品、治愈系IP、情绪服务。画面关键词可以用：晴空、柔云、呼吸感、轻透、留白🎯 专注效率类适合：学习工具、办公产品、效率软件、专注耳机、知识服务。画面关键词可以用：清晨薄雾、安静空气、低干扰、轻秩序🛡️ 安全守护类适合：儿童产品、保险服务、健康品牌、家庭守护型服务。画面关键词可以用：柔和山谷、包裹感、低风速、暖光云层⚡ 速度轻快类适合：物流、出行、快递、AI工具、数码设备、新效率服务。👤 人物IP海报适合：个人IP、虚拟形象、品牌吉祥物、内容人物海报。比起平铺背景，加入云层景框后，人物会显得更有“被托举”的舞台感。一句话总结极简杂志海报让少量元素拥有更清晰的秩序、更准确的层级和更强的气质。#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

扎克伯格又掀桌子！他们发了一个新的模型 Muse Spark 1.2 和 Muse Code 编程 Agent。这玩意价钱便宜得相当于白送，前提是你同意他们的数据收集要求。我让 AI 做了一张它和 GPT-Luna 还有 DeepSeek-Flash 的价格对比当然，你要想用 Meta 的模型，比用 Anthropic 的模型都麻烦。我根本无法访问它，它直接不让你访问它的网站，别说能不能登录了。简单来说，你只要允许它用你的数据进行模型训练，相当于给了你 12 倍的折扣，价格跟DeepSeek-Flash 差不多。在 DeepSeek 即将涨价的时候，小扎跟上了，AI 圈价格战开始了。

转发者评论

无明显转发评论

原文

【Cloudflare OS：让每个员工都能安全地“手搓”个人软件】Cloudflare正式开源了其内部打磨多年的AI协作系统Cloudflare OS。这不只是一个集成了插件的聊天框，而是一套基于Cloudflare Workers构建的“个人应用操作系统”。它最核心的突破在于重塑了软件的交付逻辑：当你需要一个幻灯片或看板工具时，系统会为你创建一个完全独立的私有应用实例（Gadget）。这意味着每个用户运行的都是属于自己的代码副本，你可以随时要求AI修改功能而不用担心干扰他人，更不用担心SaaS模式下常见的跨租户数据泄露。这件事的深层价值在于解决了企业级AI最头疼的“安全与自由”的矛盾。通过沙箱隔离和名为Gatekeeper的门禁系统，非技术员工可以随心所欲地让AI编写代码、连接GitHub或Google Drive，而安全团队无需担心权限失控，因为所有敏感操作都支持“异步审批”——AI可以先模拟执行结果继续工作，用户稍后再批量确认。社区评论认为，这标志着软件从“中心化订阅”向“个性化生成”的范式转移，当AI让修改代码的成本降到几乎为零，传统的标准化SaaS模型可能会被这种“人人都是开发者”的隔离沙箱架构所瓦解。 repo: cloudflare/cloudflare-os

转发者评论

无明显转发评论

原文

模型融合怪，Vasko把LFM2.5-2.6B和Qwen3.6-35B-A3B两个模型融合到了一起，得到了fuse-1 Lite，模型参数2.7B，性能却和Qwen3.6-35B-A3B类似（但只是写代码方面的性能）地址：huggingface.co/Akahsizrr/fuse-1-Lite融合过程大致是这样的：它以 LFM2.5-2.6B 作为主体模型，保留原本的理解和生成能力，再从 Qwen3.6-35B-A3B 中取出部分擅长编程的“专家模块”，接到 LFM2.5 的每一层后面；当模型处理某个词时，一个新训练的“路由器”会判断是否需要代码能力，并从这些专家中挑选少数几个参与计算，结果再加回 LFM2.5 的输出。作者说他还在用这种方式搞-minimax m3 和 deepseek v4 flash ，也许可以期待一下。

转发者评论

无明显转发评论

原文

【单卡 MI300X 跑通 DeepSeek V4 Flash：隐私与性价比的终极博弈】开发者 ryanzhou 近日分享了在单块 AMD MI300X 上部署 DeepSeek V4 Flash 0731 的实践。核心突破在于通过补丁解决了 MI300X 特有的 fnuz 变体 FP8 格式兼容问题，在不进行额外量化的情况下，利用 192GB 超大显存实现了单卡运行 304B 参数模型，单流速度达 168 tok/s。目前 MI300X 租用成本约 2 美元/小时，相比 H100 具备更高的显存性价比，为小团队私有化部署大型模型提供了可行路径。虽然从单纯的 Token 成本看，自建服务可能比 DeepSeek 极廉价的 API 贵出几倍，但对于追求数据隐私和稳定吞吐的 Agent 业务逻辑而言，自建的意义在于避开了云端厂商为了降本而普遍采用的权重或 KV Cache 量化损耗。此外，在 Agent 场景下，高频的 Prefix Caching 命中能让自建成本显著下降。这反映出 AI 基础设施的一个新趋势：AMD 正在利用显存容量优势，在私有化部署市场通过错位竞争，打破 NVIDIA 在大参数模型推理上的垄断。

转发者评论

无明显转发评论

原文

（转）Twitter创始人Jack Dorsey开源了一人公司的操作系统，GitHub几天14K Star。自建服务器、频道、搜索、Git、AI Agent全在一个repo里。零SaaS订阅、零厂商锁定。我看完第一反应：这才是未来。不是五六个付费工具拼在一起每个月交钱，是一个系统干完所有事。一人公司的趋势越来越明显——一个人+AI可以干原来一个团队的活。缺的不是能力是工具，Dorsey给的就是这个工具。网页链接

转发者评论

无明显转发评论

原文

#微博VibeLab##VibeLife# @来去之间不会写代码，但家人有段时间要按点吃好几种药，错过一次就得往后拖。找了一圈没有合适的App——要么广告多，要么只会响铃不会告诉你该吃哪种药、吃多少。索性自己做一个。Claude Code+Qoder+GLM+Kimi K3全用上了。最初用HBuilderX做的跨平台版，vivo手机上后台一待久就被系统杀掉，提醒送不出来。是K3提议换系统级AlarmManager+前台保活，用Android Studio原生重写，才彻底解决——锁屏一整晚也照响不误。现在被一位主任医师认可推荐，真实在用；发小红书后还有医生主动联系想给患者用。Demo：网页链接

转发者评论

#微博VibeLab#实用！

• #微博VibeLab#实用！
• #微博VibeLab# 贴近生活的实用干净整洁又高效的APP

原文

Jeff Dean离职创业了，哈萨比斯也stepping down了。而Gemini 3.5 Pro，还在「coming soon」。一时之间，Google AI不是地震，也基本是海啸了。（直接体现在股价上，暴跌超5%，市值蒸发万亿）接手的人是Koray Kavukcuoglu，一个不太熟悉的名字。在哈萨比斯卸任Google DeepMind CEO、转任DeepMind董事长及Alphabet首席科学家后——Koray升任谷歌DeepMind高级副总裁，直接向劈柴哥本人汇报。他将接管Google DeepMind日常运营、AI研究和Gemini团队。好家伙，上来就打逆风局啊。你知道Gemini模型已经被其他两家甩开多远了么…人家价格战打得如火如荼，Gemini还在疯狂掉队，差点被除名御三家了。一些关于Koray的标签，随之逐渐浮现出来：LeCun门徒、AlphaGo功臣、哈萨比斯亲信、DeepMind最稳的二号位…外界的猜测也纷纷袭来：Jeff Dean被架空？谷歌大脑团队被清洗。哈萨比斯明升暗降？换人之后谷歌大模型是不是能起来了？以及——能够接班哈萨比斯，他究竟凭什么？网页链接

转发者评论

无明显转发评论

原文

【中文大模型谁最强？千问第一 DeepSeek未进前三】SuperCLUE放出2026年7月中文大模型完整测评榜单，一共12款国产主流模型参与测试。综合总分排名中，Qwen3.8-Max位列第一，Kimi-K3第二名，豆包Doubao-Seed-2.1-pro第三名，DeepSeek-V4-Flash位居第四名。

转发者评论

无明显转发评论

原文

无论如何，蒸馏都不是“短期的利益”。这是一个行业通用的有效的技术，是人类知识本来就是会分享的道义，是全人类积累的数据不属于某些具体商业机构的常识，是为了整个人类文明的福祉添砖加瓦的回报。这不是非人公司或者某些政府可以定义成错误的。这些被蒸馏模型的训练数据中，也很可能有我多年来分享出来的数据。而我不是分享给 open ai 或是非人公司的。 避免惹美国政府没问题。但是问题的性质大家自己凭借最基本的智力和最朴素的常识考虑考虑：这是短期的吗？是不应该做的错误吗？ 当然随着 DeepSeek 和 Kimi 能力不断跨越，其实今天也没有太多蒸馏 Claude 的必要了。

转发者评论

无明显转发评论

原文

技术博文： 深入 vLLM：高吞吐量大模型推理系统的内部构造地址：www.aleksagordic.com/blog/vllm“本文将逐步介绍构成现代高吞吐量大模型推理系统的核心组件和高级功能，重点拆解 vLLM 的工作方式。这是系列文章的第一篇。文章先从整体出发，再逐层增加细节，采用倒金字塔式结构，帮助读者在不被琐碎实现淹没的情况下，建立对完整系统的准确高层认知。后续文章将深入讨论具体子系统。全文分为五部分：1. LLM Engine 与 Engine Core：调度、分页注意力、连续批处理等基础机制；2. 高级功能：分块 prefill、前缀缓存、约束解码、推测解码及 P/D 分离；3. 横向与纵向扩展：从单 GPU 到多 GPU；4. 服务层：分布式、并发的 Web 服务框架；5. 基准测试与自动调优：如何衡量延迟和吞吐量。本文面向希望了解先进 LLM 推理引擎，以及有兴趣参与 vLLM、SGLang 等项目的读者。内容主要聚焦 vLLM V1 引擎；第一部分可能略显密集，但后续包含较多示例和图解。”

转发者评论

无明显转发评论

原文

【聚焦超级工程与科研生产力！Lenovo P16v 2026工作站评测】对于工程设计、工业制造、勘测规划与科研工作者来说，使用依赖云端的AI工具，意味着所有上传的设计图纸、项目参数、实验原始数据都时刻面临外泄风险，这些数据甚至可能被AI厂商用于训练自有大模型。因此使用本地算力离线跑AI是基础需求，而这也是Lenovo P16v 2026诞生目的，这台工作站定位十分明确：打造聚焦超级工程的专业移动算力阵地！关于这款主机的详细评测内容请参考： 聚焦超级工程与科研生产力！Lenovo P16v 2026工作站评测

转发者评论

无明显转发评论

原文

#人工智能开源意味着什么# 开源AI最狠的地方不是技术扩散，是它把对手的“未来”变成了“现在”。闭源巨头的千亿估值从来不是建立在今天的利润上，是建立在一个故事上：我们终将垄断AGI，届时全人类按月付费。这个故事的前提是“顶尖能力稀缺”。而中国开源模型每发布一次，不是在抢市场份额，是在缩短这个“届时”和现实之间的距离，直到投资人发现……那个“届时”可能永远不会来。你不需要打败垄断者，你只需要证明垄断不会发生，他的估值就会自己塌。 网页链接

转发者评论

无明显转发评论

原文

#AI落地的最后一公里# AI行业现在最魔幻的一幕：模型能力已经强到让人焦虑，但落地方式还停留在"派人驻场手把手教"。你仔细品，FDE本质上就是给AI配了个人形USB转接头。技术越先进，接口越原始。这不是进步的悖论，这是产业的诚实时刻，它承认了一件事：瓶颈从来不在智能本身，在于人类组织的消化能力跟不上。所有"最后一公里"问题，翻译过来都是同一句话：技术ready了，但人没ready。 网页链接

转发者评论

无明显转发评论

原文

#AICoding 新时代钓鱼佬#ai coding新时代钓鱼佬只为上鱼那一刻的快感，不论鱼获多少以及大小

转发者评论

道理确实是这样的，但说钓鱼佬花不了几个钱就是小瞧人家了[doge]//@亿名字-云飞:转发微博

• 道理确实是这样的，但说钓鱼佬花不了几个钱就是小瞧人家了[doge]//@亿名字-云飞:转发微博

原文

我其实基本同意@南郭刘勃 老师的看法，老的编制体系看似没有科研压力，但在一些时候不正是很多人觉得理想的王虹工作的法国高研院工作环境的“低配版”？这样的环境可能不能最大化产出的激励，但确实给人一些精雕细刻的自由，特别是，我自己倾向于同意，很多老体制老师可能对前沿文献了解不足，但对于经典的阅读、思考和理解的深度和广度是扎实的，这对于在教课中“为往圣继绝学”还是非常重要的。而新体制，特别是在tenure之前基本相反，很多新人对于自己研究的小领域前沿是精熟的，但对于学科知识的源流常常缺乏耐心。这是我为什么觉得新人一方面觉得长聘制度神圣无比，但另一方面又对老人老办法嗤之以鼻未免既缺乏同理心，也没有自己面对“时代一粒沙”的脆弱处境的充分认识。

转发者评论

//@明涛AI_ECON:我其实觉得更大的风险在于人口和财政压力，在这个压力之下学术是决策者们最不会考虑的问题。降薪、裁员和破产，编制或许能豁免裁员，但不能豁免降薪，更不能豁免破产。所以症结还是在创造新的需求。

• //@明涛AI_ECON:我其实觉得更大的风险在于人口和财政压力，在这个压力之下学术是决策者们最不会考虑的问题。降薪、裁员和破产，编制或许能豁免裁员，但不能豁免降薪，更不能豁免破产。所以症结还是在创造新的需求。

原文

【#Wan3一键生成30秒AI短剧#】Wan3来了！API价格低至0.3元每秒！可以一键生成30秒反转短剧、动态数据大屏。支持Word、Excel、PPT文档和网页链接多种模态参考，还能拉一队Agent从写歌到拍MV一条龙协作。目前，千问PC端和移动端都已开放公测，Agent Team体验需要邀请码。#Wan##AI视频##短剧##Agent##Qwen# 量子位的微博视频

转发者评论

无明显转发评论

原文

DeepSeek V4 Flash 自己部署五万块以内搞定吧。所以 DeepSeek 自己涨价没啥用肯定有人部署更便宜的拿来卖。这是开源权重模型。大不了你还可以自己部署。能不能卖出去不知道，但是硬件说不定也能涨价是吧。 DeepSeek 的价格可以理解为一个指导价。倒是 harness 和 agent 要赶紧出是真的。 #DeepSeek计划大幅涨价#

转发者评论

无明显转发评论

• 【DeepSeek V4 Flash 自己部署五万块以内搞定吧】自用可以，卖的话，就要考虑并发了 [柯基] //@Zodzod_张浩:转发微博

原文

前几个月熊二带着一批智慧kol说我是豆包仙人，我一点也不在乎，因为豆包仙人的名号是和我直播的花粉对线时为了反驳我问豆包漏出声音出来的，直播间一万多人共同见证：一个人一支笔一张纸，只身对抗大模型豆包+智慧大脑所以这件事他们非常破防，破防了之后就自然而然认为“豆包仙人”让自己破防所以别人也会破防，结果就是经过几个月岁月史书后口我头上了，说我是豆包仙人#小米徐洁云回应孩go言论# 这事也是一样，孩go破防了，就像去年“xxx吐了一口痰，xxx接住了”一样，又想白莲花片叶不沾身，又破防了气不过必须报复，所以找了个洁云纸巾，觉得这玩意冲马桶，所以洁云纸巾会让人破防.......疯狂的发有一种群体性智慧溢出的美，这也是为什么我觉得社会观察很有价值，你要窝在图书馆一辈子想不出这种群体现象。 薛定谔的英短咕咕咕的微博视频

转发者评论

无明显转发评论

原文

# 你的微博数据在暴露你——做了一个帮你"相面"和"配对"的 Skill---> 自画像给你自信，配对检验你的自信。---一直想做一个能从微博数据里"读人"的东西。跟那种 AI 算命、瞎编玄学不一样。**你发的每一条微博、转的每一次、凌晨三点敲的字，都在说你是谁、你和谁走得近**。面相术和配对术是荒诞的包装，内核是数据驱动的行为镜子。花了将近一周，一直等到微博把 CLI 的 API Token 弄好了才做完（之前走设备码不方便）。有两个前置条件：weibo-skill 和 weibo-cli。（如果只需要自画像，weibo-skill 就够了）---## 它做了什么两个入口，五种视觉输出：**自画像（几乎免费）**：weibo-skill 可以免费直接取你的 100 条微博，用七维面相分析你的"数字面相"：> 额相（思维）· 眼相（焦点）· 气色（情绪）· 口相（表达）· 骨相（存在）· 手相（创作）· 眉相（提问）输出一份**面相诊断书**——冷灰病历 + 红色"面相科"诊断章 + 化验单式检查表格 + 心电图装饰，每个维度带一句荒诞但数据驱动的判词，最后附上"医嘱"（运势建议）。还支持一个**星空罗盘动效版**——深蓝夜空 + 七相均匀环绕 + 环转/星闪动画，中心是总评，像天文仪器在运转。两个版本看你喜欢哪一个，一起出也行。如果你需要更完整的画像，那么需要使用 weibo-cli。**双人配对（需 weibo-cli 套餐）**：把两个人的微博放在一起，算八维匹配：> 作息匹配 · 兴趣契合 · 性格互补 · 沟通风格 · 创作互补 · 笑点匹配 · 圈子兼容 · 缘分指数缘分指数是**真算互动信号**的：直接转发（0.45/次）、回复（0.35）、@ 提及（0.20）、转发链共现（0.10～0.15）、互关（0.10），再加上**密度归一**（每百条加权互动次数，不是绝对次数——高频博主的海量日常不稀释缘分信号），以及**互动极性打折**（对线开骂的互动不算登对）。三套视觉方向：- 情侣 → 相亲角报纸（宣纸米白 + 朱砂红印章 + 竖排题字 + 媒婆点评）- 朋友 → 电影片尾（暖黑底 + 琥珀监视器光 + 卡司表 + 电平表 + 场记点评）- 商务 → 数据杂志（Swiss 克制排版 + 发丝级网格 + 巨型数字 + 互动深度特写）另外也支持 **A×B 配对**：帮任意两个人打合拍度（双方都不是自己也可以，当然看你的套餐能不能扛得住）。---## 心路：从"荒诞但真诚"说起做这玩意儿的时候脑子里想的还挺多：**1. 荒诞但真诚。** 面相术语（散时额、科技眼、话唠口）是包装，但每个术语背后是一组可验证的行为指标。比如你的活跃峰值在每天的 15/19/21 点就是"散时型"（不受时间束缚），你的科技话题占 45% 就是"科技眼"。判词虽然有 7…

转发者评论

图片转发 http://t.cn/AXCksIQd

• 图片转发 http://t.cn/AXCksIQd

原文

最近读到一篇在推特上引发大量讨论的长文，作者是 Jaya Gupta，标题只有五个词：Experience is now a tax。翻译过来就是，经验现在是一种税。这个说法乍一听很刺耳。我们从小被教育说经验是宝贵的财富，是需要时间才能积累的东西，怎么突然就变成税了？但读完全文之后，你会发现她说的不是经验本身没有价值，她说的是在 AI 重塑一切的当下，经验正在从一种优势，悄悄滑向一种负担。这篇文章值得每一个职场人认真读一遍。不管你是刚毕业的年轻人，还是已经在行业里摸爬滚打了十几二十年的老手。## 一个荒诞的现实：做决定的人，恰恰是最不懂 AI 的人Gupta 开篇描述了一个场景，读完让人哭笑不得。某个大公司的 CIO，从来没打开过 Claude，解释不了什么是 Claude skill，还让下属把文件打印出来放在他桌上。然而就是这个人，在决定整个公司的 AI 投资回报率。放眼全球 500 强企业，掌握 AI 采购决策权的那批人，往往是对 AI 工具最缺乏亲身体验的人。与此同时，一个 22 岁的年轻人，一个下午就能写出生产级代码，午饭前就能把餐巾纸上的草图变成可运行的原型，在视觉和文字之间切换的流畅程度，是他老板花了二十年才建立起来的。两拨人在用同一种技术，但体验完全不同。这种割裂正在让整个职场对话变得很奇怪。这个场景其实在我们身边随处可见。很多公司里真正在用 AI 提效的，是基层员工和中层骨干。但拍板要不要大规模采用 AI 的，是那些可能连注册都没注册过的高管。决策权和使用经验的严重倒挂，可能是当下企业 AI 转型最大的隐性障碍。## 资深人士的最后防线：判断力和品味面对年轻人借助 AI 展现出的惊人效率，资深那一拨人找到了两个词来解释自己为什么还应该待在顶层：判断力和品味。这两样东西 AI 复制不了，需要几十年才能培养出来。巧的是，这恰好就是说这话的人花了一辈子积累的东西。年轻那一拨人的感受完全不同。他们觉得自己跟 AI 聊一个下午学到的东西，比过去跟导师学一个月还多。他们可以随时推翻旧假设，用全新的模型重新理解一个问题，这种轻装上阵的能力，是背着三十年认知包袱的人做不到的。但当他们把成果带进会议室，听到的永远是“以我的经验来看”“我们不是这么做事的”“你还没有足够的背景”。Gupta 抛出了一个尖锐的问题：判断力和品味，到底是 AI 无法复制的真实能力，还是一代人在其他优势耗尽之后的最后一道意识形态防线？这个问题没有标准答案，但它值得每个人对着镜子问自己一遍。## AI 正在重写人脑的三个核心决策算法文章最精彩的部分，是 Gupta 从神经科学和计算机科学的交叉视角，拆解了人脑做决策时运行的三个核心算法。她认为，AI 正在把这三个算法的运行成本压缩到接近于零，而这个变化对资深人士和年轻人的影响是截然不同的。### 算法一：要不要尝试新东西每个组织每天都…

转发者评论

无明显转发评论

原文

#韩国警方回应日本女网红直播自杀#26岁日本籍女网红Mina因长期遭受饭圈网暴，在韩国首尔直播中自缢身亡，网暴是压垮其心理防线的关键诱因，但法律上需经警方调查确认具体责任归属。韩国警方已启动对网暴链条的溯源调查，但截至2026年8月6日尚未认定网暴与自杀的直接因果关系，涉事经纪公司HYBE的沉默态度亦引发舆论质疑。以下结合事件关键点展开分析：一、事件核心事实与警方调查进展1. 网暴过程与自杀直接关联- Mina作为ENHYPEN日籍成员西村力的资深粉丝，因7月底演唱会期间托人转交向日葵未果，被部分粉丝指责“刷存在感”。西村力随后在直播中未点名批评“部分粉丝只想要个人关注”，导致粉丝集体对号入座，对其发起人肉搜索、造谣（如散布其“陪酒经历”等不实信息）及持续辱骂。- 尽管Mina于8月1日公开道歉并宣布退圈，弹幕与私信中的“要死赶紧死”等恶意言论仍持续涌入，最终她在8月5日凌晨直播中情绪崩溃，哭诉“好可怕，本来还想多活一会儿”后自缢。2. 警方调查重点与局限- 首尔龙山警察署已调取直播录像、社交平台记录及通讯数据，重点核查网暴言论与自杀的因果关系，但强调“最终结论以法医鉴定及侦查结果为准”。- 韩国《刑法》第252条规定，教唆或帮助自杀者可处1-10年徒刑，但需证明网暴言论与自杀结果的直接关联，司法实践中认定门槛较高。二、责任主体的法律与伦理边界1. 网暴参与者的法律责任- 侮辱罪与诽谤罪：韩国《信息通信网法》规定，网络公然侮辱可处1年以下徒刑或1000万韩元罚金；毁损名誉可处3年以下徒刑或3000万韩元罚金。若查实网暴言论含“快去死”等明确唆使内容，可能触犯教唆自杀罪。- 跨国追责困境：网暴参与者涉及多国，但韩国警方仅对境内行为有属地管辖权，境外账号取证需依赖国际司法协作，实际追责难度较大。2. 平台与经纪公司责任缺失- TikTok监管失职：直播中Mina多次表达轻生倾向且身后备有绳索，平台未触发风险干预机制（如自动中断直播或联动警方），暴露内容审核漏洞。- HYBE公司消极应对：作为偶像所属公司，未及时制止粉丝网暴或公开呼吁理性，被舆论质疑未履行对粉丝行为的引导责任。韩国《信息通信网法》修订案（2026年7月施行）已明确要求平台承担事前审核义务，但对经纪公司责任界定仍模糊。三、社会警示与治理方向1. 饭圈文化畸形化的系统性风险- 模糊言论的引导效应：公众人物未明确澄清的批评易被粉丝极端化解读，形成“集体围猎”。西村力发言虽未点名，但在高度组织化的粉丝圈中客观上为网暴提供了“正当性”依据。- 匿名暴力的叠加伤害：单条恶评看似微小，但成千上万条“去死”类言论持续施压，直接突破个体心理承受阈值，印证“没有一片雪花是无辜的”这一社会心理学规律。2. 网络暴力治理亟需制度升级- 平台强制干预机制：需建立高风险内容实时熔断系统（如AI识别“自杀倾向”关键词+自动报…

转发者评论

无明显转发评论

原文

可嵌入，不是把“平台化”写进架构图；真正的验证，是同一分析与执行底座进入不同产品。公开 Vibe Coding 作品长廊目前展示 93 个精选应用条目，覆盖本地生活、医疗、招聘尽调、制造等场景。应用保留自己的交互与业务，InfiniSynapse 承担智能分析与执行，Supabase 可承接 Auth、PostgreSQL 和 Storage。从架构到作品长廊，再到 LifeFlow Agent 与 FORGE·X 两个应用明细，这组证据比一句“可嵌入”更具体。你最想把 Data Agent 嵌入哪一类产品？网页链接#InfiniSynapse##DataAgent##AI应用##VibeCoding#

转发者评论

无明显转发评论

原文

#字节讨论训练国内最大模型#【晚点独家丨字节讨论训超 5 万亿参数模型，张一鸣：不蒸馏、别被 Coding 这种短期热点影响】《晚点 LatePost》独家了解到，字节跳动正在讨论训练一个参数规模超 5 万亿的模型，它超过阿里的 Qwen 3.8-Max（2.4 万亿参数）和月之暗面的 K3（2.8 万亿参数），也是目前国内已知参数规模最大的模型。通常而言，模型规模越大，智能水平往往越高。不过该计划仍处于早期阶段，并不代表模型最终一定会发布。新模型将由 Seed Foundation 负责人项亮主导，与大语言模型预训练数据负责人沈科合作。为此，Seed 正在重新梳理组织，划分职责，分配资源。#字节高层推动取消赛马机制# 晚点独家丨字节想训超大参数模型，张一鸣：别被编程这种热点影响

转发者评论

无明显转发评论

原文

【#你能接受另一半爱上AI吗#】#人类爱上AI正常吗#全天候在线、永远共情包容、精准踩中情绪点，当 AI 越来越像 “理想伴侣”，人机之间的情感边界到底在哪？李清都教授表示，情感机器人的核心作用是疏导负面情绪、帮人以更好的状态回归真实生活，本质仍是服务于人。资深科技媒体人@大头博士先生 说，人类爱上AI是一件非常正常的事，但亲密关系的核心是双向责任，这恰恰是AI永远无法提供的。你能接受另一半爱上AI吗？一起来聊聊~ 新浪热点的微博视频

转发者评论

#你能接受另一半爱上AI吗#在《赛博对话》中，卓益得机器人创始人、上理工机器智能研究院执行院长李清都 表示，社会属性的价值难以标准化衡量，AI切入情感陪伴赛道相对更容易落地，市场需求也十分广阔。#人类爱上AI正常吗#

• #你能接受另一半爱上AI吗#在《赛博对话》中，卓益得机器人创始人、上理工机器智能研究院执行院长李清都 表示，社会属性的价值难以标准化衡量，AI切入情感陪伴赛道相对更容易落地，市场需求也十分广阔。#人类爱上AI正常吗#

原文

路透报道川皇将不会对开源模型在发布前做安全测试。这意味着非人公司的建议破产了。而因此你也可以知道非人公司忽悠政府想干什么：他们想在开源模型公开之前，对开源模型做安全测试。简而言之，美国政府：deepseek，我需要对你的模型做安全测试。deepseek：我是开放权重的谢谢，你随便测。美国政府：不是，是你在发布之前，先给我测一下。deepseek：不了谢谢。美国政府：那么我将禁止美国公司使用这些不知道是否安全的模型。deepseek：dont care。硅谷：联名请愿支持（中国的）开放权重模型会让美国更强大。美国政府：我也不知道谁说的是对的，但是反正 deepseek 也不给我测。所以，那就算了吧。x 上的用户已经看懵逼了。。。表示：这个世界疯了。。。

转发者评论

无明显转发评论

原文

【MCP 2.0：从“教 AI 做事”回归“给 AI 递工具”】Anthropic 推出的无状态 MCP 协议（2.0 版本）将原本繁琐的两次 HTTP 交互简化为单次请求，去掉了服务器端的 Session 维护压力。目前开发者正围绕 MCP 与 Skills（基于提示词的技能）展开博弈。争论的核心在于 Context Window 的污染问题：Skills 看似轻量，但本质上是把逻辑塞进提示词；而 MCP 则是标准的 API 契约。目前 OpenAI 和 Anthropic 已通过客户端侧的工具搜索实现了按需加载，从工程上解决了全量加载导致的上下文爆炸。这件事的重要性在于，它正在修正开发者对“智能体”的过度幻想。很多人试图通过 Skills 这种自然语言描述来“教会”AI 复杂逻辑，却忽略了模型容易在模糊意图中迷失。相比之下，MCP 这种硬核工具链提供了更强的确定性和可审计性。大家应该意识到，影响模型表现的往往不是 Token 数量，而是“想法密度”——十个模糊的技能描述可能比三万字的 API 文档更容易让 AI 跑偏。无状态 MCP 的普及，标志着 AI 应用开发正在从玄学的提示词调优，回归到成熟的 RPC 接口工程。

转发者评论

不冲突，两者可以并存。

• 不冲突，两者可以并存。

原文

想精准控制AI视频的最终效果？负向提示词是关键！通过告诉AI“不要背景音乐”，可以避免模型乱加配乐。同时，加上“电影感”等关键词，也能有效提升画面质感。细节决定成败！#AI视频制作# #AI提示词# #中国AI连续14周霸榜# 零重力瓦力的微博视频

转发者评论

无明显转发评论