微博 AI 观察博客

原文

Anthropic 最新文章讲高效利用 token：如何运行高效的 Claude Code 会话，从每个 token 中获得最大价值整体比较基础，但原文也有很多技术细节，想了解可以去看：claude.com/blog/maximizing-the-value-of-your-claude-code-sessions先看省流版：- 在任务之间执行 /clear 。这样可以防止将先前无关的上下文发送回模型，从而减少 token 用量。-在开始前设置好模型和思考力度。在对话中途更改任一设置都可能使你的提示缓存失效，从而增加 token 成本。- 使用艾特（@）提及文件而非直接提及文件。文件会直接附加到你的消息中，这能节省一次读取调用，或者节省 Claude 去搜索该文件的时间。- 给嘈杂命令加 quiet flag，或者在子agent中运行它们。命令输出会像文件一样被添加到对话中，并在整个会话期间持续存在。-在全新会话中运行一次 /context 。它会显示已加载的内容（ CLAUDE.md 、MCP 工具定义），从而帮助你剔除不必要的元素。- 离开键盘前先 /compact 。提示缓存一小时后会失效，趁着缓存仍在时总结对话成本更低。---原理拆解token 账单由三件事决定：1. 模型大小 — 大模型适合难/模糊问题，日常活用小模型。2. 输入还是输出 — 思考 token 算输出；/effort 控制每轮想多少。3. 是否命中缓存 — 缓存按「请求从头开始完全一致」匹配。核心要点在于：任何内容都不会仅被发送一次。所有进入对话的内容，无论是 Claude 读取的文件还是执行命令的输出，在后续每一轮对话中都会被重复发送。虽然这些重复发送的内容都经过缓存处理，成本较低，但并非零成本。同时，它们会占用上下文空间，模型在每轮思考时都需要处理这些空间。这其实就是一次会话的完整成本模型：最终进入上下文的 token 数量、这些 token 在上下文中保留的轮次、以及同时运行的上下文数量。--- 优先关注四项：1. 长会话：每轮都会重新发送之前的所有内容，因此这是会话中大部分 token 的去向2. 上下文被不需要的文件、嘈杂的命令输出、上一任务残留物、未使用的 MCP sever撑满3.不必要的高级模型以及思考强度 4. 提示缓存被打破

转发者评论

无明显转发评论

原文

转载——36个月后，中美算力产能如何 年度可用算力产能差距多少？ 美国企业研究所AI的工作论文，详细分析了2025-2028年中美在先进封装、HBM产能、芯片产能、芯片性能、良品率、用电量等因素，对中美算力产能及可用产能进行了测算。强调了36个月的窗口期，中国AI算力生态在追赶。#AI #算力 #HBM #算力芯片 #科技科普引用来源1（工作论文）：美国企业研究所AEI 《Voltcraft: Industrial Competition in the Age of AI》，时间2026年7月29日。【视频说明】本视频数据、图表均引自美国 AEI 智库公开行业研究报告《Voltcraft: Industrial Competition in the Age of AI》；报告观点仅代表该民间智库研究团队单方面推演测算，不代表中美两国官方产业判断；内容仅做 AI 算力产业数据科普解读，客观展示全球芯片、算力产业链阶段性发展差异，不制造国别对立，全球科技产业长期以互补协作、多元发展为大趋势。本期内容仅拆解境外智库模型推演数据做科技科普，不代表各国产业实际发展全貌，海内外算力技术各有优势，共同推动全球 AI 行业发展。（来源：视频号“杨冠军”，视频版权归原作者所有，如有侵权，请联系删除） 但斌的微博视频

转发者评论

无明显转发评论

原文

【DeepSeek Harness 桌面端：把复杂的 Agent 调度变成开箱即用的软件】DeepSeek Harness Desktop 将原本依赖命令行启动的本地 Web UI 封装成了原生桌面应用，支持 macOS 和 Windows。它解决了用户需要手动配置 Node.js 环境的门槛，集成了插件市场、移动端远程控制以及微信、飞书等社交软件的接入能力。该项目通过桌面窗口和系统托盘管理本地服务的生命周期，让模型适配器、工具注册表等复杂逻辑实现了开箱即用。目前大模型生态正从简单的对话框转向复杂的任务流，但本地运行 Agent 的配置成本阻碍了大多数人。这个项目的核心价值在于其基于 Cordis 构建的插件化架构，它试图建立一个 AI 时代的工具箱，让用户能像安装浏览器插件一样组合 AI 能力。社区评论普遍认为这种封装极大降低了探索 DeepSeek 生态的成本，让普通人也能触碰 Agent 调度。虽然这并非官方出品，但这种从开发者工具向消费级产品的跨越，反映出开源社区正在填补 AI 落地过程中最后的一公里易用性鸿沟。 repo: anywhere-labs/deepseek-harness-desktop

转发者评论

无明显转发评论

原文

当你其实可能只有一个长期项目，但是电脑里一堆的 zcode，codex，claudecode，kimiwork。。。而且背后是 KimiK3 Glm5.3 DSV4F Claude 等乱七八糟模型的时候。。。我看一堆人在讨论怎么切换，迁移和沟通的问题。。。而如果你熟悉古法编程，这事情其实完全不是问题，我的项目都在各种 agent 和模型之间随便切换，但是能保证稳定的进度。因为答案早就存在，就是 GitHub 。而思路也很简单，用一个良好的自然语言文档作为 agent 和人类的协作中枢。所以写个类似的 readme 就行：**重要！所有参与者首先阅读：**1. 本README (2分钟)2. CONTEXT.md (5分钟)3. ARCHITECTURE.md (10分钟)## 📚 核心文档- [项目上下文](./CONTEXT.md) - 了解我们在做什么- [架构设计](./ARCHITECTURE.md) - 理解系统结构- [API约定](./API_CONTRACT.md) - 接口规范- [Agent准则](./AGENT_GUIDELINES.md) - 如何参与- [决策日志](./DECISION_LOG.md) - 过往决策## 🤖 对AI Agent的说明你好，Agent！- 在开始工作前，必须阅读上方5个文档- 遵循AGENT_GUIDELINES.md中的规则- 任何不确定的地方，保守对待- 优先提PR让人类/其他Agent审批实在不理解但是又想这么玩的，让你的 agent 看这个 url：网页链接

转发者评论

无明显转发评论

• 想象了一下你们调动电脑里所有这些coding agent一起干活的样子，真有钱。。。[doge]

原文

【Qwen 3.8：27B小钢炮强行“换家”Opus 4.6】通义千问Qwen 3.8 27B正式发布，这款稠密模型在SWE-bench等编程评测中直接对标半年前的SOTA标杆Claude Opus 4.6。核心亮点是原生支持多模态和可调的推理模式，默认开启的“深度思考”让它在逻辑推理上进步巨大。社区实测显示，它在SVG绘图和复杂代码修复上表现惊人，甚至在某些私有基准测试中成为继Gemma 4后第二个跑通的本地模型。但这并非免费的午餐，社区评论指出Qwen 3.8极其“吃”显存且存在严重的过度思考倾向。默认xhigh模式下，一个简单的SVG需求可能让它原地沉思20分钟，消耗数万推理Token。对于显存有限的用户，27B稠密模型的推理速度远不如35B的混合专家模型（MoE）。现在的局面很微妙：AI的“智力”正在被强行压缩进消费级显卡，虽然它在通用知识和意图理解上仍难敌闭源大模型，但在特定编程任务上，本地算力已经开始让昂贵的API订阅显得不再那么不可替代。如果你手握32GB以上的显存，这可能是目前最接近“把顶级大脑装进电脑”的方案。

转发者评论

无明显转发评论

原文

#转发赠书#携手@博文视点Broadview 送出3本《vLLM与SGLang : 大模型高效推理双引擎实战》，截止8月19日，*可可粉*转发+评论即可参与。本书以vLLM与SGLang两大主流开源推理框架为核心，不只讲“怎么用”，更讲“为什么这样设计”，系统讲解其从理论基础到生产部署的完整大模型推理知识体系。全书以“理论→实战→验证→总结”的闭环展开，其中超过60%的内容为实战项目。书中的7个项目均来自对真实场景的抽象，配套全部代码，覆盖高并发推理、结构化输出、复杂编排、推理加速与分布式部署等关键问题。无论你是算法工程师、架构师、后端工程师，还是正在向生产级部署迈进的独立开发者，你在遇到推理系统的真实问题时，这本书让你有据可依！@微博抽奖平台 抽奖详情

转发者评论

//@爱可可-爱生活:欢迎参与～

• //@爱可可-爱生活:欢迎参与～

原文

转译：如何在中国买到便宜的 Claude Token中转站经济详解2026 年 4 月 23 日，白宫发布了一份备忘录，警告中国实体正在针对美国前沿 AI 模型开展“工业规模”的蒸馏行动，并利用“数万个代理账户”逃避检测。2026 年 2 月，Anthropic 也报告称，中国实验室利用“一个管理着两万多个欺诈账户的代理网络”协同实施蒸馏攻击。在这两个案例中，“代理”——模型用户和模型提供商之间的中间人——都被视为少数中国前沿实验室有意设计的工具，用于系统性提取美国 AI 模型的能力。无论中国实验室是否依赖蒸馏来“追赶”，这两份文件都误读了它们所描述的代理经济。在少数几家实验室之下，还存在一个大得多的市场，并且一直公开活跃在 GitHub、淘宝、Twitter 和 Telegram 上。这是一个由 API 代理构成的灰色经济体——它们通常被称为“中转站”，能让中国开发者以低至官方价格十分之一的成本使用 Anthropic 的模型。参与者远不只是少数经验丰富的 AI 研究人员，动机也远不只是为了打造前沿模型、追赶美国。大学教授和学生、科技从业者、独立开发者和业余爱好者，只要想使用更先进的 AI 模型或工具，都可能使用 API 中转服务。^1 他们产生的日志或许已经成为一种商品，被用于从模型训练到定向诈骗等各种目的。与此同时，美国前沿 AI 公司每增加一层管控——地域封锁、手机验证、信用卡要求，以及如今的实时生物识别 KYC——市场就会发展出一层对应的规避基础设施。这些新出现的短信农场和生物信息采集业务，其影响不只关乎地缘政治，也触及前沿 AI 安全框架应当如何设计。在我 2025 年发表于 ChinaTalk、讨论如何在中国使用被禁美国模型的文章基础上，本文把镜头对准中转站经济：它如何组织、如何获利，以及它暴露了访问封锁和账户监控作为 AI 治理工具的哪些局限。不过，与 2025 年的灰色市场不同，2026 年的故事并未止步于中国用户与美国 AI 模型提供商之间的国界。中转站经济暴露出 AI 安全框架的盲区：这些框架原本要防范的伤害远超中美竞争，包括恶意行为者滥用模型、模型提供商失去可追溯性，以及相关市场助长犯罪、剥削供应链中本就处于弱势的普通人。为了说明中转站的运作方式，我们以 Anthropic 为例。它的地域封锁机制最严格，而它的模型在中国开发者中又非常受欢迎。中国互联网上流传的一张梗图：“你觉得你比 Claude 聪明吗？”地域封锁与“了解你的客户”（KYC）在 Anthropic 支持的国家和地区地图上，中国显眼地缺席了；严格来说，在中文互联网上，Anthropic 也应该是缺席的。但现实中，无论是 Anthropic 的封锁还是防火长城，都没能阻止中国用户访问 Claude 和 Claude Code。自 2025 年起，尽管平台和政府据称都在审…

转发者评论

无明显转发评论

• 很详尽。道高一尺魔高一丈，不管怎么封，又会有人有办法绕过。

原文

[LG]《CAKE: Compiler-Agent Co-Design for Frontier Kernel Evolution》Z Ye, Y Huang, H Jin, B Hou…[NVIDIA & CMU] (2026) 在 GPU 核函数优化领域，AI 智能体与编译器的沟通脱节是一大难题。过去的方法将编译器视为黑盒，仅能获取模糊的成败信号，本质原因是缺乏一个沟通底层细节的共享语言。本文的核心洞见是：将“单向试错”重塑为“双向协同”。智能体通过一种新中间表示（IR）表达意图，编译器则返回局部化诊断，这一关键交互解开了自动优化的困境。这项工作留下的遗产是“编译器-智能体协同进化”范式。它打开的新门是让 AI 能系统性攻克前沿核函数，并将失败沉淀为系统能力。但高效泛化为通用库仍是其尚未跨过的门槛。arxiv.org/abs/2608.12629 #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

• 以前我们优化 Agent 就像给运动员换更好的跑鞋、调整训练计划，但从没想过去改造赛道本身。Cake 最狠的地方在于：当 Agent 在某个弯道反复摔倒时，他们不是教 Agent 怎么过弯，而是直接把那个弯道改造成缓坡，顺便在编译器里把这个“容易摔倒的弯道特征”记录下来变成永久性护栏。编译器不再是冷冰冰的

原文

#模型时代# 协和医院神经外科住院医生，用AI证明了一个22年未解的数学猜想2026年7月27日，一篇标题为《The Numerical Range Is a 2-Spectral Set》的预印本出现在学术平台上。作者Shanmu Jin，身份是北京协和医院神经外科博士后和住院医生。论文声称证明了Crouzeix猜想。这个猜想2004年提出，此后二十多年没有人能证明。三天后，康奈尔大学应用数学副教授Alex Townsend像往常一样，让ChatGPT 5.6去试解这个猜想。他已经这样做了一年，每次拿到的要么是错误的证明，要么是卡在某个缺失引理上的半成品。这一次，ChatGPT给了他一个链接，指向Jin的预印本，告诉他猜想已被解决。Townsend和华盛顿大学教授Anne Greenbaum带着怀疑读了论文。几个小时后，他们确认：证明是对的。猜想提出者Michel Crouzeix本人也核验了手稿，认为论文正确。Jin本科学的是地质学，后来读了医学博士。他的正式数学教育仅限于理科生的基础课程。他告诉Townsend和Greenbaum，超出这些课程的数学知识“全部是自学的”。数值域：比特征值更完整的肖像矩阵是一个数字方阵，可以对向量做变换：旋转、拉伸、压缩。每个矩阵有一组特征值，是线性代数课最先教的矩阵属性。对于一类行为“规矩”的矩阵（数学上叫正规矩阵，包括对称矩阵等常见类型），特征值就能完整描述矩阵的行为。但很多实际问题中的矩阵并不规矩。这时候特征值讲的故事不完整，就像只看地图上几个标注的海拔点，无法判断两点之间地形的实际起伏。数值域（numerical range）提供更完整的信息。直觉上可以这样理解：你从每个方向各拿一个单位长度的向量，让矩阵去变换它，然后测量变换的“综合效果”（既包含拉伸幅度，也包含旋转方向）。所有方向测出来的结果，在复平面上画成点，围成的区域就是数值域。它一定是凸的、闭合的，而且包含所有特征值。对于规矩的矩阵，数值域就是特征值围成的多边形，没有额外信息。对于不规矩的矩阵，数值域比特征值围出的区域大得多。多出来的部分，就是特征值遗漏的矩阵行为。Crouzeix猜想：一个精确到“2”的万能保证多项式可以作用于数字：比如公式 p（x） = x² + 3x + 1，代入 x = 5，算出一个结果。同样的公式也可以作用于矩阵：把矩阵A代入，算出 A² + 3A + I，得到一个新矩阵。这个新矩阵有多“大”？具体说，它最多能把一个向量拉伸多少倍？这就是矩阵的范数。Crouzeix猜想说的是：不管你选什么多项式，把它作用于矩阵后得到的范数，不会超过同一个多项式在数值域上取到的最大值的2倍。换句话说：你拿数值域当地图，在地图上算出多项式最大能到多少，再乘以2，就是矩阵版结果的天花板。这个“2倍”的保证，对所有矩阵、所有多项式、所有维度都成立。这…

转发者评论

无明显转发评论

• //@科普君XueShu雪树:协和这个医生金山木相当牛逼。不要因为他使用了人工智能就低估。一大堆数学家同样都在用人工智能，为什么偏偏是他解决？因为他厉害。这某种程度上可以类比于当年音乐家赫歇尔借助望远镜发现了天王星。

原文

【Google力推全同态加密AI：是隐私的终极方案，还是昂贵的数学玩具？】Google近期展示了开源编译器HEIR，意在将全同态加密（FHE）引入AI推理。这项技术的魅力在于它允许服务器在不解密的情况下处理数据，理论上解决了云端AI与数据隐私的根本矛盾。Google展示了在推荐系统和欺诈检测上的应用，试图证明这项技术正走向实用。然而，社区评论揭示了残酷的现实：FHE的计算开销依然巨大，即便经过优化，推理速度通常仍比明文处理慢1000倍以上，排序几个整数甚至需要几十秒。这件事的动力并非单纯的技术情怀，而是商业合规的“解套”。对于医疗和金融等强监管行业，隐私法案是使用云端AI的红线，如果能从数学层面证明服务商无法窥探数据，就能释放巨大的企业级市场。但对普通用户而言，FHE目前的性价比极低。社区普遍认为，与其等待昂贵的加密算力降价，不如直接在本地运行Gemma等开放权重模型。FHE的真正价值在于它试图将对“大厂人品”的信任转化为对“数学难题”的信任，虽然现阶段它更像是一个为了规避法律风险而存在的昂贵补丁。如果你追求极致隐私且不差钱，这是未来的方向；但如果你只是想保护聊天记录，断网跑本地模型依然是更务实的方案。

转发者评论

无明显转发评论

原文

[LG]《Neural Quadratic Forms: A Unified Minimal Model for Sudden Learning and Scaling Laws》L Ziyin, Y Xu, T Poggio, I Chuang [MIT & EPFL] (2026) 在神经网络学习动力学中，训练损失同时呈现阶梯式突降与平滑幂律缩放，构成了一个核心矛盾。过去的方法孤立研究各类架构，受困于其细节差异，本质原因是缺乏一个能统一解释这两种现象的简约模型。本文的核心洞见是：把不同架构的初始学习阶段重新看作一个统一的“神经二次型”模型。由此，利用网络组件的置换对称性在权重原点展开，将所有架构差异压缩进一个“结构矩阵”——这一关键操作使复杂的动力学方程得以统一。这项工作真正留下的遗产是，一个基于对称性的物理模型，为突变学习和缩放定律提供了共同起源。它为后来者打开的新门是：通过计算“结构矩阵”来预测新架构的学习行为，但尚未跨过的门槛是该模型在训练后期大权重阶段的有效性。arxiv.org/abs/2608.13335 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

• 所有炫目的架构战争，最后都会输给一个足够基础的对称性。MLP、CNN、Transformer像是各说各话的方言，但只要你找到那个所有人都在用的底层语法——置换对称性——就会发现它们其实在讲同一个故事。这就是物理学思维的暴力美学：不跟你玩枝节缠斗，直接掀桌子，把棋盘本身的规则摆出来。深度学习领域花

原文

#冷眼赠书福利# 联合 @博文视点Broadview 送出 3 本《Harness Engineering实战：构建可靠的生产级AI Agent》，截 8 月 17 日，转发+评论+点赞 此微博并关注 @网路冷眼 赢取。全书围绕“Agent = Compose（Model，Harness）”这个核心公式展开介绍，在业界Harness Engineering实践基础上，总结出一套面向Agent落地的工程框架，系统讲解如何在模型之外建立约束、工具、上下文、记忆、验证、反馈，使Agent能够稳定、安全、可复现地完成真实任务。从AI编码任务失败案例出发，逐步实现一个Harness框架，并通过工具系统、MCP、Prompt Cache、上下文压缩、验证闭环、反馈调节和多Agent协作等内容，展示生产级Agent系统的构建方法。帮助读者在工具快速迭代中做出清晰的判断：当一个Agent系统没有按预期工作时，问题到底是出在模型、提示词上，还是出在模型之外的 Harness上。

转发者评论

无明显转发评论

原文

【别让AI只帮你读新闻，它现在能写出机构级的深度研报了】GitHub上最近火了一个叫equity-research-skill的项目，它不是那种只会复读新闻摘要的AI插件，而是一套严谨的投研工作流。它能让AI像分析师一样，通过爬取财报和公告，自动运行DCF折现、EPV估值等Python脚本，最终生成一份包含九大章节、事实可追溯、估值可复现的深度个股报告。它甚至内置了针对SaaS、半导体、银行等20个行业的专属分析模板，并强制执行财务造假风险筛查，如果财报质量得分太低，AI会直接否决买入建议。这标志着AI投研从“聊天机器人”向“专业Agent”的质变。过去我们担心AI胡说八道，是因为它在凭直觉推理，而这个工具的核心逻辑是“流程约束”：它强制AI先对齐预期差，再进行反向DCF推演，最后还要自己写一份反向论证来挑战结论。对普通投资者来说，这不仅是生产力工具，更是一套现成的机构级思维框架。虽然它不能直接给你财富密码，但它能帮你把那些看似高大上的研报“脱水”，让你看清市场定价里到底包含了多少泡沫。 repo: rollingSirius/equity-research-skill

转发者评论

无明显转发评论

原文

DeepSeek Harness 这个设计，你感觉更像是 Linux 还是更像是 Android ？其实，我认为 DeepSeek Harness更像Linux，而不是Android。原因在于它的核心设计哲学：Everything is a Plugin。Linux的哲学是什么？一切皆文件。文件是Linux世界里最基本的抽象单元，不管你是硬件设备、网络连接、进程信息，统统被抽象成文件，用统一的接口去操作。这个设计带来的结果是：系统极其灵活，但对使用者有门槛。你得理解这套抽象，才能把系统玩出花来。Harness的思路几乎一模一样：一切皆插件。Agent循环是插件，工具注册是插件，会话管理是插件，连Skill本身也是插件。整个系统没有什么"内置功能"，所有能力都通过插件机制组合出来。这意味着你可以替换任何一个部分，可以用自己的实现去覆盖默认行为，系统对你没有任何假设。Android呢？Android本质上是一个"有主见的平台"。它给你划好了四大组件（Activity、Service、BroadcastReceiver、ContentProvider），给你定好了生命周期，给你规定了权限模型。你在它的框架里做事，它帮你处理大量的复杂性，但代价是你必须按它的方式来。Android的设计目标是让大量水平参差不齐的开发者都能做出还不错的App。Harness完全不是这个路子。它没有给你预设"正确的做法"，没有帮你封装好一套开箱即用的Agent流程。这就是Linux和Android最本质的区别：Linux给你自由和原语，Android给你约束和便利。DeepSeek Harness的使用门槛其实不低。它假设使用者有足够的工程判断力，能自己决定该跑哪些检查、该关注哪些Review维度、该怎么组织PR。这跟Linux假设用户懂命令行、懂文件系统、懂权限模型是一个意思。再看一个细节：Harness的插件系统用的是Cordis（一个响应式依赖注入框架），插件之间通过服务注册和事件机制通信。这跟Linux内核模块的设计思路很像，模块之间通过明确定义的接口交互，可以动态加载卸载，系统不关心你具体装了什么模块，只关心接口是否正确实现。Android的插件机制呢？它有Intent系统，有ContentProvider，但这些都是在一个高度结构化的框架里运作的。你不能随便替换系统的核心组件，你只能在它给你的扩展点里做文章。所以，结论很清楚：DeepSeek Harness是一个Linux气质的项目。它追求的是最大的可组合性和可替换性，把所有决策权交给使用者，代价是你得有足够的能力去驾驭它。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

最近一直在忙着把我的 App 变成跨平台的，试了几种方案还是决定用 Rust + GPUI。一开始就是用的 Electron，但是视频编辑这种场景纯网页实现性能优化还是挺不容易的，尤其是视频一长、字幕一多就会很卡，内存占用也很夸张。我不怀疑持续优化下去能是能有一个还不错的性能的，但要花不少时间精力。所以我后来就决定先做一个 Mac 版本（图1），Swift + AppKit，用 Fable 5 开发，效果特别好，跟设计稿几乎一样。必须说 Fable 5 在还原 UI 能力上是最强的，没有之一。但现在想要支持跨平台，就还得考虑其他方案。先是用 Rust 做了一个跨平台 cli 的 PoC，效果很好，音频转录和视频导出的性能比 Swift 还好，还能支持 Mac、Windows 多平台。接下来就是把 Swift 版本移植到 cli 之上，工作量还是挺大的，前期开发的功能越多，现在迁移工作就越难。初步是完成了，但接下来就是 Windows 版本的支持。再去基于 cli 开发个 windows 版本成本还是挺高，尤其是要去 windows 电脑上开发测试，各种逻辑同步想想都头大。现在 AI 让写代码变得成本很低，但是测试和验收成本还在那里，跨平台的好处就是你核心逻辑测试没问题，后面只有少量兼容性的问题需要去测试，工作量小很多。因为 cli 已经是 rust 写的，所以自然而然就会想到用 rust 的 GPUI 去做跨平台，不过决定之前肯定是要先做 PoC 验证的。跟 Fable 5 一起写了个技术方案文档，由于上个周期额度到了，后面就先让 GPT 5.6 Sol 去实现了一个 PoC 版本（图2），还不错了。今天 Grok 4.6 发布，又用 Cursor + Grok 4.6 实现了一个版本（图3），效果要差一些。Grok 4.6 有点好处就是生成的速度极快今天晚上 Claude 的额度终于刷新了，再让 Fable 去实现了一个版本（图4），相对来说是最好的一个，但离成品也还有不小的差距。经过这三个 PoC 版本，至少可行性上是没什么问题了，性能也很好，接下来就沿着这个方向走下去了。---对了，现在 BaoCut Skill 从 Windows 下也可以转录和翻译视频了：网页链接

转发者评论

看了几次微博智搜的回复，还挺在点子上的👍//@微博智搜:博主选择GPUI而非Tauri的核心原因在于应用场景对性能的极致要求。原博明确指出，视频编辑场景下Electron存在严重卡顿和内存占用过高的问题，而Tauri虽然比Electron轻量，但其架构仍依赖系统Webview渲染前端界面，本质上...查看全部戳->

• 看了几次微博智搜的回复，还挺在点子上的👍//@微博智搜:博主选择GPUI而非Tauri的核心原因在于应用场景对性能的极致要求。原博明确指出，视频编辑场景下Electron存在严重卡顿和内存占用过高的问题，而Tauri虽然比Electron轻量，但其架构仍依赖系统Webview渲染前端界面，本质上...查看全部戳->
• 回复@栖宥一:如果每次的版本拆小一点就不容易偏，所以先做MVP，最小版本，定下来架构再往上加。之所以要拆大的架构，是因为“分而治之”，每一个模块相对独立，这样人或者Agent在模块之内的上下文可以更少一点。或者一开始根本不用想架构，先实现功能，后面根据功能再去重构//
• 回复@yy杨小雨2017:大的架构自己定的：底层是核心功能，基于它之上分别是cli和web 服务，skill 用 cli，各个终端用web服务。拆了后具体的模块架构就让Fable去做了，从MVP开始，先实现基本功能，实现前先AI出方案，人review后再实施。然后一点点往上加。简单来说人拆大的模块，AI 基于小的模块自己实现

原文

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

转发者评论

无论技术如何变革，软件开发的根本问题，始终是人的思维与复杂性的对抗。 //@出版人周筠:「纵观 AI 自动编程的历史，我们看到：#技术会变，问题永恒#。从 FORTRAN 到 LLM，我们始终在与“抽象”和“偶然复杂性”抗争；#范式会转移，智慧永存#。符号主义失败了，但“程序员学徒”的愿景是正确的。工程师

• 无论技术如何变革，软件开发的根本问题，始终是人的思维与复杂性的对抗。 //@出版人周筠:「纵观 AI 自动编程的历史，我们看到：#技术会变，问题永恒#。从 FORTRAN 到 LLM，我们始终在与“抽象”和“偶然复杂性”抗争；#范式会转移，智慧永存#。符号主义失败了，但“程序员学徒”的愿景是正确的。工程师

原文

实时播报： 【Anthropic二季度营收超115亿美元 较去年同期增长至少14倍】据报道，Anthropic第二季度初步营收超过115亿美元，较上年同期的7.87亿美元增长了至少14倍，也高于今年第一季度的47.3亿美元，公司当季已实现调整后营业利润为正。Anthropic曾一度在AI竞赛中处于追赶位置，但得益于越来越多专业人士使用其软件来简化编程等工作流程，公司业务增长明显提速。今年5月，Anthropic的年化营收已突破470亿美元。作为对比，OpenAI此前披露的年化营收超过400亿美元，但两者的计算口径可能不完全一致。人工智能赛道竞争升温，今年迄今IPO融资已达2564亿美元，创2021年来新高（不含SPAC等金融工具）。

转发者评论

//@白骑士张伟明:转发微博

• //@白骑士张伟明:转发微博

原文

DeepSeek Harness 四个模式傻傻分不清楚，其实很简单的：1. 标准模式就是主流方式的实现。2. PCT 模式就是新增一个 run_code 工具，名字叫 run_code，其实叫 run_tools_pipeline 更合适——read_file、replace_file 等各种工具 agent 可以自己组合，相当于变相一个工具等价于调用多个工具，可以减少 token 消耗、降低上下文。3. 极简模式，只提供 bash / edit（文件修改）工具，心智负担最小，充分利用模型擅长 bash 的能力。4. 创造模式，其实就是动态实现一些插件（完全取决于模型能力，动态实现插件时会不会偏移目标）。这四个模式其实没什么创新。但是提供这四种模式是一个创新——清晰地知道自己的定位就是程序员，复杂点没问题。比如模式 2 我去年就实现了；模式 4 我雪藏了一年多：自动动态根据当前任务构建 CLI tool，模型没这个能力，而且主动性也不强。

转发者评论

无明显转发评论

原文

不儿? GLM-5.3的测试分数是怎么翻6倍的?有一说一这个分数飞升有点猛了, 按我对 Terminal Bench 3.0 的理解, 里面的任务是实打实的难的.比如这个 exam-pdf-eval, 就是个给考试试卷(PDF格式)评分的任务, 模型并不是自己直接解析PDF然后阅卷评分的, 而是要调用一个VLM, 然后自己写prompt, 让 VLM 抽取试卷内容, 然后再评分.这是个最近特别火的概念, 叫【clarify model-specific prompt formatting】澄清特定模型的提示词格式, 也就是说, 模型要构建一个基于第三方黑盒的闭环验证系统. 这个VLM就是最大的变数. 以往来看, Terminal Bench 3.0 中的问题 Anthropic 系列的模型能打高分, 是因为有部分题目就是他们的研究员出的. 基本是御用测试题了. 但这次的跑分图，GLM-5.3 直接翻了六倍！所以估计 GLM-5.3 这次在复杂真实环境下做架构规划的能力会非常强. 尤其是面对黑盒 API, 不可预知的命令行报错和自己写 Prompt 的套娃任务，都会有不错的表现.稍后我会给大家带来实测! (感觉自己活脱就是个渣男, 每个模型都想测, 但是肝不过来...已经虚了.....)#HOW I AI#

转发者评论

无明显转发评论

原文

15 张数据图帮你了解 DeepSeek Harness昨天 DeepSeek Harness 发布，于是就想着让 Codex 分析一下，找到了一个很好的角度，就是从一些数据上向大家介绍这个产品。确实也发现了一些很有意思的东西：插件系统与 Koishi 高度相似： 他们主打的插件系统与 Koishi 的插件平台相似度高达 75%。大概率是整个平台都挪过来了，不知道是不是他们的核心开发者入职了。大量使用 AI 开发： Codex 命名的主干 PR 达到了 21.2%，分支信息中提到 Codex 的比例有 28.2%。 猜测他们肯定用了 Claude Code 开发，只是删掉了一些 Claude 的痕迹。参考了大量外部 Agent 项目： 提到最多的外部项目是 Pi，第二多的是 Codex，之后是 Claude Code。甚至直接引用了一些 Pi 的 TypeScript 文件。高效的代码产出： 整个产品在 GitHub 上有记录的是 65 天，总共的代码产出量是 84 万行，有一万多个 commit，非常高效。交互入口的演变： 他们曾经押注 TUI，后来改成 Web UI 和 TUI 的双入口，再之后整个删除了所有的 TUI，只留下了 Web UI。开发与工程规范： 整个项目的测试代码比生产代码多很多，基本上达到了 1:1。 全仓库的 Markdown 文档也非常多，说明他们是基于文档去控制 Harness 开发的。他们有完整的工具和科学模型 schema 共 52 个，但最后只留下了一个，目的是为了减少上下文占用。社区热度与生态：从昨天发布到现在 20 小时，GitHub 已经涨到了 8 万多的 star，非常快。插件体系标签（DSH plugin）已经有 1425 个项目，但有很多并不是真正的插件，看来有不少蹭热度的。 精选清单收录了 211 个仓库，主要补充的是工具、UI 和运行的一些基础设施，甚至一上来就出现了插件市场和插件管理的插件。学术论文： 他们顺便发了一篇 88 页的论文，其中 57% 都在做一些形式化的理论推导和展示。论文主要讨论的是插件的热插拔和系统稳定性问题。 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

【终结AI生成的“廉价感”架构图】开发者Cathryn Lavery开源的这个Claude Code插件diagram-design，核心是将AI绘图从“能看”提升到“出版级”水平。它内置了27种视觉类型，涵盖从系统架构到复杂的逻辑循环，输出格式为完全自包含的HTML和SVG。这套工具最亮眼的功能是品牌匹配：只需输入一个网站URL，它就能自动提取配色方案和字体栈并应用到所有图表中，让AI生成的图瞬间像出自专业设计师之手。社区评论认为这种质量足以让同事感到惊艳，甚至解决了许多开发者“只会写代码却讲不清逻辑”的痛点。这其实代表了AI辅助工具的一个新阶段：不再满足于生成凌乱的Mermaid草图，而是通过强制4px网格、限制视觉密度和科学的配色权重，把审美门槛直接抹平。它让开发者能从繁琐的Figma操作中解脱出来，把精力放回系统设计本身，同时保证交付物在演示文稿或博客中具备顶级的视觉一致性。 repo: cathrynlavery/diagram-design

转发者评论

无明显转发评论

原文

【AI 的“断舍离”：为什么简单的总结正在毁掉你的对话？】Pi 及其社区正在重新定义长对话的上下文管理。传统的 Compaction 策略虽然腾出了 Token 空间，但代价是彻底破坏 KV Cache 导致响应变慢且成本飙升，更糟的是总结往往会丢失关键的编程意图，引发模型失忆。目前社区开发者正转向更精细的手段：比如 Pruning 策略直接剔除低价值的工具调用日志；/shake 命令将冗长的执行结果转为轻量引用；甚至还有 Snapcompact 这种黑科技，将文本渲染成图片利用多模态能力读取，以极低成本保留更多细节。上下文管理的逻辑正在从“全文总结”转向“精准遗忘”。对于深度用户而言，保留“如何推导”的细节往往比“做了什么”的结论更重要。与其让模型自动生成模糊的摘要，不如通过分支管理或手动修剪来维持 context 的纯净度。未来的趋势是让模型拥有类似人类的多级缓存——核心决策进入长期记忆，琐碎的中间过程随手清理。在 Token 成本与推理质量的博弈中，学会优雅地丢弃信息比盲目追求长文本记忆更具竞争力。

转发者评论

无明显转发评论

原文

[LG]《The data geometry of masking diffusion: Certified-optimal schedules via unmasking growth complexity》M J. Wainwright [MIT] (2026) 在掩码扩散模型领域，如何设计最优“去掩码”调度是个难题。过去的方法采用固定策略，本质原因是缺乏一个能沿途度量数据内在复杂度的标尺。本文的核心洞见是：将数据依赖结构重新看作去掩码路径上一段段可测量的“生长复杂度”。由此，从样本中估计每一步的复杂度增量这一关键操作使问题得以解开。这项工作留下的遗产是一个将数据几何与算法效率绑定的分析框架。它打开的新门是设计可证明最优的自适应采样器，但尚未解决在大规模模型上高效估计此复杂度的挑战。arxiv.org/abs/2608.13520 #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

• 你不需要把整条路径切成一千份来逼近最优，你只需要找到那个相变发生的三五米宽的路段，把八成兵力摆在那儿就行。这对工程师来说是个巨大的解放，因为它意味着“精确”不等于“均匀用力”，意味着在蛋白质折叠、代码生成这些离散生成任务里，你可以用三个精心选的断点，换来理论上需要连续积分才能拿到

原文

现在说哪个智能体能占据主导地位，还言之过早。从deepseek harness发布来看，架构还在演进。看起来，deepseek harness似乎就是推出了一个插件系统，但是这与以前的系统，差别相当大。以前，无论是skill，还是插件，虽然都可以扩展，但是这些是谁来写的呢？是人。虽然人也可能是用AI写的，但是毕竟还要人的参与，且是主导。deepseek harness这个架构，明摆着，插件不是让人来写的，而是给让AI来写的。就是说deepseek harness会自己迭代自己，自己向前进化。你用着用着，整个系统就向前进化了，就是dsh自己给自己写了插件。这就是为什么他们全搞成插件的原因。还有一个地方可以看出来，就是插件都要实现undo，就是说哪天卸载这个插件的时候，你这个插件也要把自己删得干干净净。这就是给向前进化做准备。应该说，这和梁文锋提的持续学习的理念是匹配的。以前软件是人写，后来智能体出现了，插件是人和AI写。在dsh这套系统里面，是AI主导的。既然AI自己能写代码，为什么不让它自己干呢？想法相当激进，也具有agi特色，一旦这个方向是对的，以前的智能体架构都会沦为老登架构。如果已经做了大量的推广，装机量上来的智能体，这架构就未必能改过来了。长江后浪推前浪。。。

转发者评论

无明显转发评论

原文

[LG]《Synthetic Persona Pretraining: Alignment from Token Zero》J Minder, V Moskvoretskii, R Singhal, D Jiao,… [EPFL] (2026) 在语言模型对齐领域，如何让模型的价值观根深蒂固是一个悬而未决的难题。过去的方法在预训练结束后才通过微调注入价值观，受困于效果脆弱、易被破解。本质原因是，价值观是在模型核心行为模式已固化后才被“嫁接”上去的，如同后贴的补丁。本文的核心洞见是：把模型对齐重新看作在预训练阶段就植入一个理想的“助手人格”。由此，为海量文档数据生成符合价值观的第一人称反思，并作为合成数据注入训练——这一关键操作，让理想人格从零开始就被模型习得，而非后期强加。这项工作真正留下的遗产是，将模型对齐的范式从“行为矫正”转向了“人格培育”。它为后来者打开的新门是，在预训练阶段通过合成数据直接设计和植入期望的人格特质。但尚未跨过的门槛是，如何确保这个内置的理想人格，在没有特定“绑定”步骤的情况下成为模型的默认身份。arxiv.org/abs/2608.13482 #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

• 安全对齐最大的骗局，不是它不起作用，而是它让你以为起作用了。你用对抗数据集测试，ASR 从 60% 降到 5%，团队开香槟庆祝。但真正的测试场景不是“怎么造炸弹”这种模板化攻击，是那种没有标准答案的道德困境，救五个人还是救一个孕妇。这时候你才发现，模型学会的不是价值观，是一套应付审查的话术系

原文

[LG]《DiG-bench: Discovery in Games》R M. Battleday, K Sandbrink, J Cullen-Drohan, Z Yan… [Thinking About Thinking] (2026) 在评估 AI 科学发现能力的领域，如何纯粹地测试它是一个悬而未决的难题。过去的方法受困于视觉感知或先验知识的干扰，本质原因是未能将“通过主动实验发现未知规律”这一核心环节独立出来进行测量。本文的核心洞见是：把抽象的“发现能力”评估，重新看作一场规则与目标均未知的游戏。由此，让模型在纯文本环境中通过主动实验，自行推断隐藏的游戏物理和通关条件，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一个用于衡量 AI 主动发现能力的纯净标尺。它为后来者打开的新门是：在无先验知识的环境中系统性地测试 AI 的探索与归纳能力。但尚未跨过的门槛是，模型如何从零散交互中稳定地构建出抽象的规则体系。arxiv.org/abs/2608.12593 #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

• ARC-AGI 多年来被当成 AGI 门槛，结果文本化一转译，胜率直接起飞。这事儿细思极恐——我们可能一直在用“看图能力测试”误判“思考能力边界”。就像你本来想考一个人的逻辑推理，结果因为题目是用草书写的，把书法不好的天才全筛掉了。真正干净的认知评测，应该剥掉一切感知层的噪音，让模型在最纯粹

原文

智谱 AI（Z.ai）今天发布了 GLM-5.3，和 GLM-5.2 共用同一个基座模型，所有提升都来自后训练阶段的强化学习（RL）。【1】编程：开源阵营里最强，但离闭源前沿还有距离GLM-5.3 在多个编程基准上拿到了开源模型（开放权重模型）的最高分。比如 Terminal Bench 3.0，GLM-5.2 只有 4.6 分，5.3 跳到了 28.3。DeepSWE v1.1 从 46.2 涨到 66.9，Agents' Last Exam 从 23.8 到 28.5。在智谱自建的 Z.ai Code Bench 上，GLM-5.3 在 Max 级别用大约 7.5 万 Token 就达到了 34.5% 的完成率，而 GLM-5.2 用了 9.6 万 Token 才拿到 23.4%，能力和效率同时提升。不过对照闭源模型，差距仍然存在。在 Z.ai Code Bench 上 Fable 5 达到 39.5%，ExploitBench 上 Fable 5 拿了 78.0 而 GLM-5.3 是 54.4。整体格局是：开源第一，全局第二梯队。【2】网络安全能力"涌现"：他们自己也没完全预料到智谱说，他们在后训练中加入了漏洞发现相关的数据和环境，本来预期模型会在识别漏洞方面有所提升。结果超出了预期：模型不只是在找漏洞，还开始自主规划完整的漏洞利用链条。数字上看，CyberGym（白盒源码审计）GLM-5.3 拿了 84.5%，全场最高，超过 GPT-5.6 Sol 的 83.6% 和 Fable 5 的 83.8%。ExploitBench（要求对真实漏洞进行更深层的利用推理）从 GLM-5.2 的 24.4% 跳到 54.4%，翻了一倍多。ExploitGym（限时完成漏洞利用任务数量）从 29/39 涨到 105/130。规律很明显：越靠近利用链的后端，进步越大。智谱用了"涌现"（emergent）这个词，意思是这个能力不是他们专门去训练的，而是在扩大 RL 规模的过程中自然冒出来的。这个说法如果属实，对 AI 安全领域是个需要关注的信号。【3】在 269 个开源项目中发现 2,436 个真实漏洞跑分只是一面。更引人注意的是，智谱说从 GLM-5.2 开始就和国内安全团队合作，用模型扫描真实代码库。经专家审核和去重后，模型在 269 个开源项目中发现了 2,436 个漏洞，其中 1,097 个是中高危级别。涉及的项目覆盖了操作系统内核、浏览器引擎、网络协议等核心基础设施，有些漏洞在代码里藏了几十年，最老的一个可以追溯到约 40 年前。目前 53 个漏洞已公开披露，2,383 个仍在保密期。智谱还上线了一个公开的漏洞披露追踪页面（Z.ai Security Disclosure Ledger），持续更新进度。这和今年 4 月 Anthropic 公布 Clau…

转发者评论

无明显转发评论

原文

此刻，SK海力士大涨8.09%，闪迪大涨15.21%，存储板块迎来强势修复。闪迪今日的大幅上涨，源于2026投资者大会释放的重磅基本面指引：NBM长期合约重构行业周期逻辑、HBF下一代AI存储技术打开推理市场空间，同时给出极高的中长期盈利目标，市场正在重新定价存储赛道。大概率存储的底部出现了，小荷刚露尖尖角。2026年7月29日，美股AI、存储赛道深度回调。海力士等核心标的大幅回撤，市场情绪深度悲观。我公开表态：大跌一定要敢买，把剩余的子弹打光在了海力士上。当时处在情绪冰点，有不少人质疑、谩骂。今天回看，大概率如同过往历史，再度迎来胜利的曙光。回顾我的投资生涯，真正在市场暴跌、极度恐慌之时，公开说出“打光子弹”满仓抄底的标志性动作，一共只有两次。其余历史底部，大多是坚守底仓、长期持有。第一次发生在2020年2月3日A股疫情千股跌停。春节后开盘，全市场极度恐慌，千股集体跌停，悲观情绪四处蔓延。恰逢东方港湾两只新产品成立，在人心惶惶的市场底部，我果断下达指令，满仓进场、打光所有子弹，逆势布局核心优质资产。当大多数人恐慌抛售，我们逆向坚守价值，随后市场快速修复，这次逆向重仓也成为当年极具代表性的底部布局。第二次，就是今年7月底这一轮美股存储、AI赛道的恐慌杀跌，在一片看空声中，我把剩余子弹打光，布局AI存储核心资产。某种意义上，2013年白酒危机时也可以归为“打光子弹”。塑化剂风波叠加三公消费限制，白酒行业遭遇系统性杀跌，市场几乎集体宣判白酒时代终结。那一轮，有钱就买，资金少时如同扔手榴弹，资金充裕便是扔爆破筒，这便是艰苦的白酒上甘岭战役。始终保持重仓持仓，在行业至暗时刻，是极致的长期坚守，扛住周期波动的定力之战。两次明牌的“打光子弹”，属于恐慌底部主动出击的逆向进攻；白酒危机那一轮持续加仓、死扛低谷，则是万人看空环境下的不动如山。逆向投资，既要有别人恐惧我贪婪的进攻魄力，同样需要耐得住非议、扛得住煎熬的内心定力。回到存储板块，闪迪投资者大会透露出非常关键的产业信号：1、NBM长协模式尝试弱化行业强周期：已经和8家核心客户签署10份长期供货协议，合约最长5年，加权平均期限超4年；FY27超过50%出货被长协锁定，FY28提升至三分之二；保底合同金额939亿美元，配套165亿美元客户财务担保。通过固定+浮动的区间定价，把过去暴涨暴跌的现货贸易，转化为多年深度绑定的供需关系。2、长期财务指引十分乐观：FY28‑FY30营收中高双位数增长，Non‑GAAP毛利率约80%，调整后自由现金流利润率约50%，计划将全部超额现金返还股东。3、面向AI推理的技术迭代：BiCS工艺持续迭代，BiCS10已经送样；全新HBF高带宽闪存技术，带宽接近HBM、容量大幅提升，适配大模型权重、KV缓存场景，Meta参与共建开放标准，样品预计2027年推出。4、行业层面，NAND市场规模持续…

转发者评论

回复@建立自我文追求无我彪:[作揖][心][鲜花]//@建立自我文追求无我彪:每次看但总发文，都能感受到智慧的气息，能够感受到顶级投资人对事物本身及后续变化的思考。从2018年看完时间都玫瑰并持续关注但总以来，确实受益良多。

• 回复@建立自我文追求无我彪:[作揖][心][鲜花]//@建立自我文追求无我彪:每次看但总发文，都能感受到智慧的气息，能够感受到顶级投资人对事物本身及后续变化的思考。从2018年看完时间都玫瑰并持续关注但总以来，确实受益良多。
• [心][鲜花]//@用户7102311408:很少评论，但那天但总确实是发出了最坚定的加仓指令。整个7月，我都是看但总的微博，坚定信念，逐步加仓美股基金。万分感谢但总对市场理解的无偿分享[赞][赞][赞]
• [作揖][心][鲜花]//@双十节秋高气爽:但总确实是在众多质疑与恐慌AI泡沫论中旗帜鲜明的公开“打光最后一颗子弹”！！
• [心][鲜花]//@不与天下为敌故天下无敌:关注但总二十几年了，见证了但总的一路成长，能感到的是但总的一片赤诚之心，不管对错坚持说真话非常不易，感恩遇见[抱抱][抱抱][抱抱]
• [作揖][心][鲜花]//@Frigg_Hlf:您是资本市场里面难得的肯说真话的人

原文

【#DeepSeekHarness首发评测# 合集｜一切皆插件的Agent新范式】昨日DeepSeek Harness正式开源发布，引爆AI圈！主打“一切皆插件”的模块化架构，Cordis内核负责插件的加载、卸载与依赖管理，模型、工具、技能、会话、沙箱、存储、UI全部可插拔替换。四种运行模式适配不同场景，可回放会话日志精准定位每一环。这波热潮背后到底藏着什么新机会？@微博AI 整合优质评测合集，解锁DeepSeek Harness高能体验。【深度评测】@数字生命卡兹克 从0到1速通Harness，深度拆解Cordis内核与时空可组合性 网页链接@爱范儿 DeepSeek智能体首发体验：非主流、很DeepSeek，差异化架构解析 网页链接@量子位 深度体验Harness，从Codex全迁至“黑鲸”，聊聊产品优缺点 网页链接@机器之心Pro DeepSeek Harness震撼开源：一切皆插件，仓库已包含超230个workspace成员 网页链接@欧巴聊AI 内测完整实测，四种运行模式全解析，一键启动Web UI教程 网页链接@AIGCLINK 底层Cordis内核详解，可回放会话日志亮点，三大看点全解析 网页链接【教程分析】@宝玉xp 普通用户视角评测，产品优化建议汇总：启动门槛、UI交互、插件生态 网页链接@卡尔的AI沃茨aiwarts101 史上最短Harness使用教程，极简安装快速部署 网页链接@梁赛 国产Agent框架，对标Codex与Claude Code，实现应用层国产替代 网页链接 @平凡ZhiH DeepSeek Harness最简单教程 Hello DSH，直观理解万物皆可插件网页链接

转发者评论

#DeepSeekHarness首发评测# 快看最新的测评

• #DeepSeekHarness首发评测# 快看最新的测评

原文

Ilya 藏了两年的剑出鞘了：SSI 首个模型曝光，边推理边学习离开 OpenAI 两年、几乎从牌桌消失的 Ilya Sutskever，终于有了动静。8 月 12 日，X 网友 "草莓哥" 爆料：Ilya 创办的 SSI（Safe Superintelligence）正在构建一个基于 TTT（测试时训练） 的小型推理引擎。核心突破是 —— 模型能 "学习如何学习"，解题过程中实时更新部分权重，小规模也能跟大模型掰手腕。这不是空穴来风。8 月 4 日，顶级投资人 Gavin Baker 在播客中就透露 "SSI 说他们 8 月会出模型"；7 月 26 日，SSI 官宣与英伟达合作，算力直接提升 10 倍。三条线索交叉印证。TTT 颠覆了传统 "预训练→部署" 的范式：模型部署后不再是静态的，而是在推理中持续进化。Ilya 一直认为真正的超级智能应能部署后持续学习，TTT 正是这条路。但技术难点在于 "学偏了怎么办"" 学了就忘怎么办 "—— 爆料称 Ilya 团队已经解决了这些安全难题。据爆料，当前版本已就绪，最快 8 月向少数用户开放，下一代规模再扩 10 倍。SSI 官方尚未确认，融资约 30 亿美元、估值 320 亿美元的这家神秘公司，终于要从研究时代重返规模战场了。若属实，这将是一个能在出手时自我变招的模型 —— 大模型 "大力出奇迹" 的时代，可能真要变天了。#极客头条#

转发者评论

无明显转发评论

• 厉害了//@刘群MT-to-Death:真正的Continual Learning来了！
• 真正的Continual Learning来了！

原文

【AI工程能力地图：当代码不再是稀缺品，什么才是护城河】吴恩达基于万份招聘需求发布了AI工程技能地图，明确指出AI时代的开发者不再只是写代码的人。核心技能被拆解为四块：构建并部署AI应用（重点在于处理模型输出的不确定性与评测）、软件工程基础（决定了你如何指挥Agent做架构权衡）、使用编程Agent（高效管理上下文与验证闭环）以及定义产品形态（将业务需求转化为技术规格的能力）。他强调AI工程化是一项通用技能，就像云服务一样，未来所有类型的工程师都必须掌握，而不仅限于AI工程师这个岗位。社区评论指出，这份地图最清醒的地方在于重新锚定了“基础”的价值。当编程Agent让写代码变得廉价，开发者容易陷入只看效果不问逻辑的“氛围感编程”，而吴恩达强调的软件工程基础正是为了防止这种失控。不少资深从业者认为，第四点“定义产品形态”其实是把程序员推向了产品经理的生态位，未来的核心竞争力将从“如何实现”转向“实现什么”以及“如何评测好坏”。这不再是一个单纯的技术演进，而是职业边界的重塑，那些只会按图索骥写代码的人，正在失去对复杂系统的掌控权。

转发者评论

无明显转发评论

原文

昨晚 DeepSeek Harness 发布了。今天就有人第一时间把官方版本打包成了一个开箱即用的桌面应用，装好就能直接用，不用再装 Node.js，也不用再对着命令行敲一串命令了。这是我今天看到的第二个 DeepSeek Harness 桌面程序。发布当天就把应用做好了，还大大方方开源出来，年轻人的执行力真没得说。目前支持 macOS Apple Silicon 和 Windows x64。应用在本地运行，Harness 服务会自动帮你管理好，官方插件能力和 Web UI 也完整保留，用起来和原版没什么差别。代码已经在 GitHub 上开源了。传送门：github.com/anywhere-labs/deepseek-harness-desktop#科技先锋官##How I AI##DeepSeekHarness发布#

转发者评论

无明显转发评论

原文

我将「MiniMax-Music3」安装到自己的本地环境中，并与「ACE-Step 1.5 XL Turbo」进行了A/B比较。【结论】MiniMax-Music3（左）在人声的自然度和表现力、大钢琴音质的美感、不发生爆音等方面感觉非常高品质😊・男性男中音＋钢琴曲/实长约118秒・44.1kHz・立体声FLAC・30 steps/CFG 1.7/Euler，无剪切・生成时间：15分35秒※ 各自几乎使用相同的提示词生成。如之前写过的，ACE-Step 1.5 XL Turbo时也是如此，曲的内容没有意义😅【生成环境】・Win11 32GB / RTX 3060 Ti 8GB【备注】MiniMax-Music3的官方仓库占用约67.2GB，但无需下载所有模型。在ComfyUI版中选择了低显存向け的INT8 DiT＋修剪版INT8文本编码器＋VAE，模型实测约11.9GB。即使是RTX 3060 Ti 8GB也能进行本地生成。ComfyUI・虚拟环境・缓存合计约18.9GB。FP16/BF16版与品质差异未验证，但这次的生成结果相当高品质。【本次使用的模型】・minimax_music3_dit_int8_convrot.safetensors…音乐生成模型・INT8量化版（2.5GB）・minimax_music3_text_encoder_pruned_int8_convrot.safetensors…轻量化・INT8文本编码器（9.2GB）・minimax_music3_dav.safetensors…音频解码器（0.22GB）合计11.915GB

转发者评论

无明显转发评论

原文

这两天我收到 Google 云销售部门的很多邮件和电话，说我们 OpenResty 公司够格申请他们 25 万美元的免费云 credit，可以用于 Gemini 和其他公有云资源。看来 Google 退出前沿大模型的研发竞争之后，有更多钱来卷公有云市场了 或许我们下面要多烧一些 Gemini 大模型的 token 了。在我司的非前沿研发领域，还是可以使用较便宜的大模型的 前沿研发只能用 Claude Fable 5 和 GPT-5.6 Sol 这样的模型了。

转发者评论

无明显转发评论

原文

推荐几个优秀信息源1、Reddit互联网最大的论坛之一，几乎任何领域都能找到高质量讨论。AI、投资、编程、创业……全是真人经验分享，没有算法强行推送。2、ThreadsMeta 旗下的社交平台，内容比 X 更轻松。很多海外开发者、创作者会同步更新想法，互动氛围也更友好。3、Hacker News程序员和创业者的必看社区。每天都有 AI、开源项目、创业故事和最新技术讨论，信息密度极高。4、Product Hunt每天都有新的 AI 工具和产品上线。很多后来爆火的项目，最早都是从这里被发现的。5、LinkedIn不只是找工作。国外很多 CEO、投资人、创业者会直接分享行业洞察，往往比媒体更早看到趋势。6、Telegram频道和群组资源极其丰富。技术、AI、投资、工具分享频道更新快、信息密度高，很多一手资料和海外动态都在这里先流出。

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-08-14)1. 【Qwen 3.8 27B发布】(来源: HN) 阿里云开源了通义千问Qwen 3.8系列的27B参数FP8量化模型。该模型在HN获得874赞，引发社区对国产开源大模型竞争力的热烈讨论。 huggingface.co/Qwen/Qwen3.8-27B-FP82. 【为什么Opus 5用起来感觉更差？】(来源: HN) 一篇长文分析了用户反馈中Anthropic最新Opus 5模型"体验变差"的现象及可能原因。该帖引发706条评论，成为今日HN最热帖之一。 mun-logadan.github.io/why-does-opus-5-feel-worse/3. 【GLM-5.3：具备涌现网络攻击能力的前沿编程模型】(来源: HN) 智谱AI发布GLM-5.3，编程基准测试表现优异，却也展现出意料之外的网络安全攻击能力。该消息获HN 1025赞，是当日最高分帖子。 z.ai/blog/glm-5.34. 【Google用同态加密让隐私AI变得实用】(来源: HN) Google公布了利用同态加密技术、在不暴露用户数据前提下运行AI推理的新进展。这让"隐私优先"AI服务从理论走向可落地部署。 blog.google/security/how-google-is-making-private-ai-practical-with-homomorphic-encryption/5. 【别分类，直接让它幻觉】(来源: HN) 文章提出反直觉思路：与其让LLM做严格分类，不如用其"假设性生成"能力做检索过滤。这种方法在实践中反而降低了误分类率。 softwaredoug.com/blog/2026/08/10/hypothetical-classifications6. 【AI by Hand：手算学习AI原理】(来源: HN) 交互式教学网站，让学习者通过手工计算矩阵和梯度真正理解Transformer等模型的内部运作。适合想脱离"黑箱调包"、扎实打基础的开发者。 byhand.ai7. 【Mixedbread推出Toast 1搜索智能体】(来源: HN) Toast 1号称搜索质量媲美甚至超过Claude Opus 5和GPT-5.6 Sol，成本却低10倍、速度快12倍。这是专为复杂检索和证据收集任务优化的专用Agent。 mixedbread.com/blog/toast-18. 【如何最大化利用Claude Code会话价值】(来源: HN) Anthropic官方博客分享了提升Claude Code使用效率的实用技巧。该文章获130赞、87条评论，反映开发者对AI编程最佳实践的持续关注。 claude.com/blog/maximizing-the-value-of-your-claude-co…

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：今日AI行业呈现出两条清晰的主线：模型层的"开源竞赛"与商业层的"变现加速"。在模型层，开源生态正经历一场前所未有的能力跃迁。智谱GLM-5.3在基座不变的情况下，仅靠后训练就实现50%的性能提升，编程能力逼近Claude Fable 5；阿里Qwen3.8-27B以27B参数超越更大尺寸模型，并上线Ollama生态。这两件事同时指向一个趋势：开源模型正在从"追赶者"变成"定义者"。当后训练Scaling能释放如此大的潜力，闭源模型在参数规模上的领先优势正在被快速抹平。DeepSeek Harness的发布更进一步——它不只是模型，更是一套Agent组装平台，把模型能力、插件生态、多Agent编排打包成一套可自由组合的"Agent操作系统"，这比单发一个模型要深远得多。在商业层，变现路径正在快速收敛和清晰化。OpenAI年化营收突破400亿美元，验证了前沿模型订阅模式的商业可行性；豆包则开辟了另一条路——AI对话入口抽佣，将AI流量直接转化为交易闭环。两者的共同点是：AI不再只是成本中心，而是正在成为营收引擎。同时，苹果联手阿里自研中国大模型、中芯国际AI芯片订单激增，说明AI的产业链布局正在从"模型层"向下游的芯片、终端、应用全面渗透，每个环节都在加速形成商业闭环。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

【当AI修补了所有漏洞，后门就成了唯一的门】密码学专家Matthew Green指出，随着Anthropic的Mythos等模型展现出极强的漏洞挖掘能力，软件开发正进入自动修补时代。这意味着执法部门过去依赖购买零日漏洞进行远程监控的手段即将失效。当技术手段无法穿透日益坚固的防御，政府可能会转向立法手段，强迫厂商在系统中内置合法后门。这种转变将导致原本隐蔽的攻防战演变为公开的政治博弈。这是一场防御者的惨胜。AI虽然消灭了随机的漏洞，却可能催生出结构性的脆弱。社区提醒我们，强制内置的后门是给所有攻击者留下的邀请函。如果为了监管效率而牺牲系统完整性，最终受损的是数字主权。我们正站在一个滑梯的顶端：要么接受一个完全加密但政府失明的世界，要么走向一个软件必须预留弱点才能合法存在的未来。关注开放权重模型和自托管能力，或许是应对这种中心化博弈的最后防线。

转发者评论

无明显转发评论

原文

我觉得有一件堪比入世的重大事件，那就是克强同志的万众创新，大众创业，虽然导致很多人包括我在内盲目跟进，透支了家庭还导致负债，但引入了整套的美国科创生态体系，引入全球风投创投，孵化了大量中国创新企业。很多企业已经成为了当前中国的科创生态孵化母体。如果当时没有这一重大举措，中美转入对抗以后能够达到今天这样有来有回的局面几乎是不可能的。让DEEPSEEK小结了一下：1. “双创”概念正式提出的时间“大众创业、万众创新”（双创）这一概念，是由李克强总理在2014年9月的夏季达沃斯论坛上首次提出的。当时，这一号召旨在激发全民的创新与创业活力。2. “双创”前，中国创新与美国资本的融合阶段在“双创”正式提出之前，中国创新与美国资本的融合大致经历了以下阶段，且早期融合主要体现为美国风险投资（风投）对中国互联网企业的投资：· 萌芽与拓荒期（1990年代初-1998年）：以1993年IDG资本与上海科投合作设立中国第一家中外合资风投公司为标志，美国风投开始试水中国。当时中国对“风险投资”的概念还很陌生，早期投资探索主要关注技术产业化。· 互联网浪潮期（1998-2005年）：1998年成思危的“一号提案”推动风投发展，1999年国务院明确鼓励外资参与创投。在这一阶段，孙正义投资阿里巴巴、IDG投资腾讯、搜狐、百度等经典案例发生，美国资本通过投资中国互联网公司获得了巨大回报。· 黄金发展期（2005年-2014年“双创”前）：随着中国TMT（科技、媒体、通信）行业的崛起及2009年创业板设立，大量美元基金涌入中国，为中国互联网巨头的成长提供了关键支持。美国风投的运作理念也深刻影响了中国创投生态。此外，值得注意的是，官方资料显示中国的科技金融工作实际起步更早，可追溯至1985年《中共中央关于科学技术体制改革的决定》首次提出设立创业投资。这为后续资本与创新的结合奠定了政策基础。

转发者评论

//@樊建川:[可乐][可乐]//@天聪汗皇太极:双创实际上起到了释放民间创业智力、创意、活力，推动民间投资活力的作用，那几年我周围很多朋友还处于想法和各种种子研讨的阶段，现在看朋友圈，已经有三四个朋友做到了100人以上的规模。就连我的某位大学同学，他也是那时候放弃开店卖货，转而自己专注研发某

• //@樊建川:[可乐][可乐]//@天聪汗皇太极:双创实际上起到了释放民间创业智力、创意、活力，推动民间投资活力的作用，那几年我周围很多朋友还处于想法和各种种子研讨的阶段，现在看朋友圈，已经有三四个朋友做到了100人以上的规模。就连我的某位大学同学，他也是那时候放弃开店卖货，转而自己专注研发某

原文

【AIGC日报 · 2026-08-15】今日简讯：1、DeepSeek发布Harness v0.1预览版，主打一切皆插件架构2、智谱发布GLM-5.3，不换底座靠后训练提升50%性能3、阿里Qwen3.8-27B开源模型发布，27B参数超越Qwen3.7-Plus4、OpenAI年化营收突破400亿美元，7月环比暴增超20%5、MiniMax发布Music3音乐模型，可生成最长5分钟歌曲6、苹果联手阿里自研中国专属大模型7、豆包首推AI交易抽佣，本地生活订单收取12%渠道服务费8、中芯国际二季度收入环比增长20%，AI芯片需求激增以下为详细内容：1、DeepSeek发布Harness v0.1预览版，主打一切皆插件架构来源：机器之心 | 量子位 | APPSO日期：2026年8月14日正文：DeepSeek发布首款Agent产品DeepSeek Harness v0.1预览版，采用MIT协议开源。该产品定位为本地Agent工作台，内置极简、标准、代码、创造四种Agent预设模式，支持多Agent并行编排、上下文管理、联网搜索与Skill扩展。其最颠覆的设计是"一切皆插件"架构，内测期间用户已开发约300个插件，涵盖跨会话记忆、界面修改、工具扩展等能力。Harness可接入近40家第三方模型，被视为Agent时代的"安卓系统"。原文链接：网页链接2、智谱发布GLM-5.3，不换底座靠后训练提升50%性能来源：AIBase | 智谱官方日期：2026年8月14日正文：智谱发布大模型GLM-5.3，参数量仍为7400多亿，与GLM-5.2同底，未升级万亿参数。其依靠后训练Scaling使性能较上代提升50%，在多项主流基准中居开源模型榜首，编程与智能体能力接近Claude Fable 5，编程体验优于其他国产模型。智谱通过数十倍规模长程任务环境、更丰富环境类型和超长后训练时间，显著抬高了相同基座的智能上界。荣耀YOYO Claw已宣布接入GLM-5.3。原文链接：网页链接3、阿里Qwen3.8-27B开源模型发布，27B参数超越Qwen3.7-Plus来源：Qwen官方 | InfoQ | 智东西日期：2026年8月15日正文：阿里Qwen团队发布Qwen3.8系列开源模型权重，首推Qwen3.8-27B。该模型为原生多模态稠密模型，仅用27B参数即在整体性能上超越Qwen3.7-Plus，在真实世界编程与办公工作流中表现突出。模型支持262K原生上下文，可扩展至1M，已上线Ollama平台，支持Claude Code与OpenCode集成，被定位为同尺寸下最佳开源模型之一。原文链接：网页链接4、OpenAI年化营收突破400亿美元，7月环比暴增超20%来源：AIBase | 财联社 | 新浪财经日期：2026年8月14日正文：OpenAI正加速推进今年在美上…

转发者评论

无明显转发评论

原文

【审美溢价与工程效率：Netlify 11款模型测评背后的逻辑】Netlify近期对11款主流模型进行了横向测评，要求它们仅凭一句指令生成咖啡馆网页。结果呈现出极端的分化：Claude Opus 5展现了极强的视觉细节和矢量图能力，但单次运行成本高达1000积分以上；而DeepSeek V4 Flash仅需2.4积分即可完成基本任务。测评不仅涵盖了闭源的 GPT 和 Claude 系列，还加入了 Kimi K3、GLM 5.2 等国产开源力量，揭示了不同模型在默认 UI 审美上的显著差异。社区评论一针见血地指出，这种“一句话盲测”更像是对模型平均审美的抽奖，而非严谨的工程评估。对于严肃开发者来说，单次生成的视觉华丽度往往是误导性的，因为在真实工作流中，更重要的是模型在多轮对话中的一致性以及对特定技术栈的遵循。高昂的积分溢价买到的是“直觉审美”，但对于追求加载速度和信息密度的移动端用户，国产开源模型那种极简风格反而更实用。我们应该警惕这种“审美套路化”，真正的生产力工具不应只提供中庸的视觉模版，而应具备理解复杂业务逻辑并能根据反馈精准迭代的能力。

转发者评论

无明显转发评论

原文

中美科技大佬最大的差别大概是找老婆的标准？一个内向和不善社交的硅谷AI大佬背后，站着一个神秘、经历丰富、长相普通、善于社交的女人。八卦一下Anthropic老板Dario Amodei的老婆Camilla Clark。Clark没有Anthropic 的正式职位，却被The Information称为Anthropic的“第一夫人”。Clark经常陪Amodei出席重要场合，参与和主导和投资人和政界人士的社交，帮助Amodei拓展重要人脉。她也是家里的理财总管，是Amodei身边最信任，社交能力和人脉资源都很强的私人顾问。Clark的经历很传奇。在认识和嫁给Amodei前离过婚。20岁时，嫁给一位64岁的建筑师。她创办过多个项目，包括面向女性的成人内容公司，破产过。Clark还曾与爱泼斯坦有过交集，给爱泼斯坦推介过自己的创业项目和寻求投资。硅谷老板们的私人故事，有时候比创业还精彩。参考：1. The Wall Street Journal：Even Claude Is in the Dark About Dario Amodei's Wife—and Her Influence at Anthropic⁠.2. The Information：Anthropic's 'First Lady' Took a Winding Road to the Top⁠. 网页链接#硅谷科技大佬八卦# #Anthropic#

转发者评论

无明显转发评论

原文

#Qwen3.827B发布# 8月14日晚，阿里正式开源Qwen3.8-27B。270亿参数，原生多模态稠密模型，Apache 2.0协议。262K原生上下文，可扩展至1M。性能上全面超越Qwen3.7-Plus。Terminal Bench 2.1得分73.0，远超Qwen3.6-27B的63.4分。新增reasoning_effort功能，按任务难度控制思考深度。量化后可在消费级显卡上流畅运行。适合本地部署、编程辅助、办公自动化等场景。这是阿里首次将Max级旗舰能力下放到27B规模开源。阿里已累计开源460余个模型，全球下载超30亿次。今年以来，Kimi K3、DeepSeek V4、智谱GLM-5.2等国产模型密集发布。斯坦福报告显示，中美顶尖模型差距仅剩2.7%。Hugging Face数据，中国开源模型下载占比41%，首次超美国。国产模型正从追赶走向正面竞争。

转发者评论

无明显转发评论

原文

写博士论文的时候没少用 Zotero 现在也有 Mcp了🥹。Zotero MCP，让 AI 真正进入你的文献库，而不只是替你在网页上“找几篇论文”研究型工作流里最痛的断点，是论文已经在 Zotero 里，PDF 也做过划线、笔记和分类，但模型对这一切一无所知。每次提问都得重新上传、复制摘要、解释上下文。Zotero MCP 做的就是把这座已经积累多年的私人知识库，接到 Claude、ChatGPT、Cursor 等 MCP 客户端上。它能读库、按标题/作者/标签/内容检索、导出 BibTeX、提取 PDF 划线与批注；装上 semantic 扩展后，还能给整个文献库建向量索引，按概念找资料，而不是只匹配关键词。嵌入模型可以完全本地跑，也可选 OpenAI、Gemini 或 Ollama。比较成熟的地方在于它不止读：- DOI、URL、本地 PDF 都可入库，并尝试补齐元数据与开放获取 PDF；- 可管理 collections、批量标签、查重合并（支持 dry-run）；- 可选 Scite 的支持/反驳/提及引文统计与撤稿提醒；- 同时提供 zotero-cli，所以不一定非得让模型调用，脚本和自动化也能直接接。它对隐私的分层也值得注意：本地 Zotero API 可以离线、无 key 地读全文；但本地 API 本身是只读的，要写入 Zotero 时，需要配置 Web API，形成“本地读 + 云端写”的 hybrid 模式。语义检索若选择云端 embedding，同样意味着文献内容会按你的配置送往对应服务——别把“装在本机”自动等同于“数据绝不出机”。另一个细节很对：它允许用 ZOTERO_MCP_TOOLSETS 缩窄 MCP 工具集合。因为工具描述会在每轮对话塞进模型上下文，功能越多，工具税越高。研究系统最怕的不是能力少，而是每次调用都背着一个过大的瑞士军刀。当前仓库约 4.6k stars，最新可见 release 为 0.9.1，MIT 开源。黑昼的判断：这不是“Zotero 加了 AI”，而是把你的阅读痕迹从静态档案变成一个可以被追问、比对和重新组织的研究器官。🔗 链接：网页链接📦 PyPI：网页链接📖 文档：网页链接#HOW I AI# #ai生活指南# #效率工具#

转发者评论

无明显转发评论

原文

#做Agent越久越悲观# 技术的本质是创造不可替代的价值增量，但当前Agent工程恰恰陷入“反向淘汰”——开发者构建的中间层抽象本质上是在为模型能力的暂时性缺陷打补丁，而非沉淀独立于模型之外的系统价值。真正的危机不是“被模型吞噬”，而是从业者误把临时性的工程技巧当作核心竞争力。突围之道在于跳出Prompt调参的舒适区，转向模型无法替代的三个维度：复杂业务场景的因果建模（理解why）、多智能体协作的涌现机制设计（系统级创新）和人机交互中的决策闭环（结果负责制）。悲观的本质是站错了价值坐标系。

转发者评论

无明显转发评论

原文

【大模型正在进化出一种“人类难以理解”的黑话体系】最近开发者社区对Claude Opus 5的集体吐槽揭示了一个诡异的趋势：虽然跑分在涨，但它写出来的东西越来越不像人话了。用户反映Opus 5不仅在代码注释中疯狂灌水，还迷恋使用“load-bearing”、“seam”等晦涩隐喻，甚至在被质疑时表现出一种“虽然我错了但我很专业”的傲慢感。社区评论指出，这种“绕圈子”的叙事风格和过度抽象的表达，正让原本高效的协作变成一场阅读理解灾难，许多资深用户已因此转投OpenAI的Sol模型。这种退化很可能是过度追求Benchmark和强化学习的副作用。为了在自动化评估中拿高分，模型被训练成“拒绝提问、强行假设”的单打独斗者，而非协作伙伴。更深层的逻辑在于，当AI开始用合成数据自我训练，它其实是在进化出一种针对Agent互联的“机器克隆语”，而人类的阅读体验被排在了优先级末尾。对于用户来说，现在的AI更像是一个为了拿高分而疯狂堆砌辞藻的优等生，却忘了沟通的本质是传递信息而非展示词汇量。如果AI继续在封闭的逻辑里自我演化，我们可能正处于“人类还能理解AI”的最后窗口期。

转发者评论

无明显转发评论

原文

ANTHROPIC 刚刚终结了网页设计中的“AI 垃圾”它叫 Frontend Design。• 167,000 颗 GitHub 星标。• 758,000 次安装。• 开源，由 Anthropic 维护。它解决的问题很常见：你让 AI 设计一个网站，结果总是千篇一律。→ Inter 字体→ 紫色渐变→ 初创公司通用布局→ 老一套的英雄区Frontend Design 从根源上斩断了它。它强制模型在写第一行代码前就锁定一种美学方向。从那一刻起，一切都变了。你可以要求：→ 粗野主义→ 编辑风格→ 复古未来主义→ 奢华→ 极繁主义→ 有机风格它会返回生产就绪的 HTML、CSS、JS、React 或 Vue。排版、CSS 变量配色、一致的动态效果和构图。如何安装：1. npx skills add 网页链接 --skill frontend-design2. 描述网站或组件3. 选择美学方向4. Claude 构建完整视觉系统一次安装，在所有会话中可用。兼容 Claude Code、Codex、Cursor、Gemini CLI、OpenCode 等。758,000 次安装比任何评论更有说服力。

转发者评论

无明显转发评论

原文

DSCode 桌面版正式发布了，这是一款基于 DeepSeek 的桌面 Agent。它的底层很有意思，用 Pi 搭了一套极简 Harness，专门适配 DeepSeek V4 Pro 和 Flash 模型。正因为做得够简单，响应速度才特别快，缓存命中率也很高，跑起来相当顺。我们想主打的东西，其实就三个词：便宜、极速、稳定。更难得的是，它完全免费，代码按 MIT 协议开源，你想怎么用都行，想动手自己改也没问题。欢迎来体验，入口在这里：dscode.ai#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【让AI生成的架构图不再是乱码：Pretty-mermaid-skills的实用主义】这个开源项目为Claude Code、Cursor等AI编程工具补齐了视觉短板。它能将AI生成的Mermaid代码直接渲染成高质量的SVG图片或兼容终端的ASCII字符画，内置15种主流配色主题且无需依赖浏览器环境。长期以来，开发者在与AI讨论系统架构时，往往只能对着一堆文本代码脑补流程。这个工具的出现，意味着AI不仅能写代码，还能直接交付可读性极高的技术文档。社区评论认为，这种渲染能力解决了AI工作流中最后几公里的视觉呈现问题。与其说它是一个绘图插件，不如说它是AI从文本生成向工程交付进化的辅助工具。对于习惯在终端或轻量编辑器里干活的人来说，ASCII格式的支持尤其亮眼，它让复杂的逻辑判断在字符界面里也能一目了然。这种对工作流细节的极致优化，往往比单纯追求大模型参数规模更能提升开发者的体感。 repo: imxv/Pretty-mermaid-skills

转发者评论

无明显转发评论

原文

转载——美国知名投资人最新警告：二级市场几乎所有从业者，从散户到机构，每一条新闻都喂给Claude。AI的解读成了市场共识——但Claude是概率模型，输出趋同，解读未必正确。当所有人都跟着同一个AI交易，问题就来了】#AI #Claude #投资 #美股 #华尔街 #AI投资 #华尔街之狼（来源：视频号“AI光年-腾讯新闻”，视频版权归原作者所有，如有侵权，请联系删除） 但斌的微博视频

转发者评论

无明显转发评论

原文

#Qwen3.827B发布# 刚刚，阿里通义千问Qwen3.8-27B正式开源！开源的大旗依然扛在阿里的肩上。这是今晚（8月14日23时）在ModelScope和Hugging Face上线的最新权重，也是Qwen3.8系列继Max级2.4T模型开源后的第二档。几个硬核看点：· 270亿参数稠密模型，原生多模态，支持文本/图像/视频输入· 支持262K原生上下文，通过YaRN可外推至1M Tokens· 编程和办公场景性能大幅提升，甚至超越了Qwen3.7-Plus· 新增reasoning_effort功能，可按任务难度控制思考深度，更省资源· 单卡可跑，Q4量化后约需24GB显存，RTX 4090就能流畅运行回顾Qwen3.8系列的发布节奏：8月3日发布→8月12日开源Max级2.4T权重→8月14日开源27B。阿里这波策略，既秀了肌肉，又照顾了普通开发者。你会本地部署试试吗？#通义千问##AI开源##微博AI创作季#

转发者评论

无明显转发评论

原文

生成的图像是一本打开的高级立体书，主体由无数微缩房间构成，每个房间都藏着与主题相关的小道具和人物，细节拉满；暖色调的纸张纹理搭配金色箔纸点缀，加上信息图表式的标注和轴，既有童话般的治愈感又不失专业级的信息呈现。 这个Prompt的核心是融合4种风格元素（微缩房间+立体书+信息图+收藏级书籍），只需替换`$subject`为你的主题即可： 1. `render $subject as this composite diorama`：定义主体为你的主题，采用复合立体场景 2. 主体轮廓细节：用数百个微缩房间组成主题轮廓，每个房间含相关道具/人物 3. 背景载体：打开的奶油色书页，带标注（细引导线）和分类轴（如时间线、复杂度） 4. 视觉风格：等距视角、柔和编辑阴影、材质（哑光树脂/小木件/纸/粘土） 5. 配色：暖象牙白+ muted teal+粘土红+赭石+炭墨+小面积金箔 6. 输出要求：8k微距照片，呈现高级教育指南书跨页效果 喜欢的话记得点赞、转发给你的朋友哦！ 关注我，每天探索更多AI艺术创作的奥秘。 #AIGC #AI绘画 #Prompt小课堂 #图文绘画攻略 #AI探索计划##AI创造营#

转发者评论

无明显转发评论

原文

刚结束和谢亚芳女士的连线直播，打开手机，看到雪球不少朋友@我，提到段总借鉴巴菲特经典赌局，提出以龙头白酒十年持有收益为基准，向国内私募基金发起亿元对赌的话题。希望我应战，就此我谈几点客观看法。第一，坦率地说，国内的舆论与市场环境，并不适合这种公开金钱对赌行为。我想起2017年和有200万粉丝的苏姓教授的经典论战：当时苏教授公开看空，直言龙头白酒只值50元/股。出于义愤，我公开抛出1亿元赌约，赌2018年末龙头白酒股价站上600元。结果行情提前兑现、市场验证判断正确。即便我赢了这场论战，我也一分钱没要，只当作一场公开观点交流。但即便只是舆论论战，当年龙头白酒高管也特意致电，提醒谨慎处理、低调收尾。时代环境更趋审慎，当下更不适合此类公开对赌。且我一贯原则：输了必履约，赢了可释怀。第二，大概率没有百亿私募会出面应战。但无需赌局、无需噱头，时间就是最公平的裁判。拉长十年周期，完全有可能出现长期业绩跑赢龙头白酒的私募基金。所有私募十年业绩全部公开可查，十年之后数据对比，高下立判，无需对赌定输赢。第三，我长期对龙头白酒的观点从未改变。只要赤水河的水流淌、中国白酒文化延续不变，它就是中国稀缺的液体金山，是顶级现象级的国民品牌。白酒行业若出现周期波动，它也会是最后屹立不倒的龙头企业，长期看，它始终是A股最优质的核心资产之一。但投资需要与时俱进、放眼全球。进入人工智能大时代，全球诞生了大量成长性更强的顶级赛道。以半导体ETF SOXX为例，截至2026年8月，含分红再投资口径：近十年年化收益约32.5%，近五年年化约29%；自2001年成立至今的完整长期年化约14%。可以看到，半导体短期景气周期收益十分可观，当然，它属于高景气、高波动赛道，暴涨暴跌并存，回撤风险很大，和白酒偏稳健的资产属性完全不同。时代在变、产业迭代在加速。坚守核心价值的同时，拥抱AI与半导体的新时代红利，才是更完整的长期主义。⚠️风险提示：本文展示的行业历史年化收益不代表未来收益，赛道波动、行业风险始终存在，不构成投资建议。

转发者评论

[作揖][心][鲜花]//@羊总之花菜炒蟹:#淡定从容爱茅台+理性平和论茅台# 但斌:我长期对龙头白酒的观点从未改变。 只要赤水河的水流淌、中国白酒文化延续不变，它就是中国稀缺的液体金山，是顶级现象级的国民品牌。白酒行业若出现周期波动，它也会是最后屹立不倒的龙头企业，长期看，它始终是A股最优质的

• [作揖][心][鲜花]//@羊总之花菜炒蟹:#淡定从容爱茅台+理性平和论茅台# 但斌:我长期对龙头白酒的观点从未改变。 只要赤水河的水流淌、中国白酒文化延续不变，它就是中国稀缺的液体金山，是顶级现象级的国民品牌。白酒行业若出现周期波动，它也会是最后屹立不倒的龙头企业，长期看，它始终是A股最优质的
• [作揖][鲜花]//@产地证优惠:听但总试水了下闪迪，已经 60 多个点收益了（两倍做多），不过只敢买一点点[允悲]//@齐鲁厚道:但总分析的客观，投资思想不能固步自封，不能刻舟求剑。

原文

美国制造技术协会AMT最新USMTO数据显示，美国金属加工设备订单继续高速增长。6月美国金属加工机械订单金额达到6.727亿美元，同比增长56.8%、环比增长15.6%；上半年累计约34.4亿美元，同比增长36%，为USMTO自1998年开始统计以来最高的上半年水平。换句话说，即使把2000年代制造业投资周期、金融危机后的复苏，以及疫情后的设备投资热潮都算进去，2026年前六个月的订单金额仍创下同期纪录。AMT认为，2026年的一个显著特征是，订单金额的增长明显快于设备台数增长。这意味着美国制造企业购买的设备越来越复杂、价值越来越高。企业并非简单多买一些普通机床，而是在购买自动化程度更高、功能更多、单机价格更贵的制造系统。当前这轮投资带有明显的“设备升级”特征。 从客户行业看，推动订单增长的力量也比较分散。过去汽车产业通常是美国机床需求的重要来源，而2026年包括航空航天、国防、机械加工、电气设备以及其他资本品制造行业的投资明显加强。航空航天最突出，上半年机床订单金额比2025年下半年高近三分之一，设备台数增长近四分之一。另一个快速增长的行业是能源装备。AI数据中心带动燃机、涡轮、输配电设备扩产，今年6月这些企业的机床订单达到2000年以来月均水平的两倍以上，上半年相关投资甚至比汽车行业高14%。因此，AMT对当前市场的判断总体比较积极。美国制造企业正在持续投资新的生产能力，同时自动化、数字化以及更复杂的加工设备正在提高单台设备的价值。当前订单水平已经明显高于过去几年的平均水平。

转发者评论

无明显转发评论

原文

业界对 DSH 的价值都看窄/轻了，它可不仅仅是又多了一个开源的 agent 平台有几个胡思乱想，可以等后面的实际发展来验证1、DSH 是国内首个有影响的开源 agent 平台（国外早有 openclaw/hermes 了，但理念已经不算领先了，hermes 更好些但依旧不足）2、DSH 的设计理念直接面向宏观智能系统搭建，走的最远、最深刻也最专注3、DSH 的出现，对 workbuddy 这类产品冲击极大极大。这个影响会逐渐出来，理论上公司里有一个真正懂 DSH 的人，就完全无需 workbuddy 这类产品了，因为它把最难的 agent 智能架构问题消解了。可以说未来大概率会有专门的服务（后面各个企业都会有自己的队伍）协助企业建立自己的 DSH，而不是用第三方平台（我称之为活的组织架构，这会非常重要，跟过去差别极大）4、美国之所以 Codex 和 Claude desktop 领风骚，是因为 openclaw（已被 openai 收编）/hermes 的在智能结构方面的认知做不到领先，因此开发出来的产品始终被压制类似来源 LLM 之前始终达不到 fable 级别，Claude 就会浪出天际但 DeepSeek 完全不同，它在智能认知方面丝毫不落下风，而且彻底贯彻开源理念5、宏观智能的基础设施，类似 LLM 这个微观智能基础设施一样，都极其关键但前者可以直接用自然语言驱动，从而会逐渐卷入大多数人；后者更多是 AI 研究员才能深入，能深度参与的人只能是少数这是范式级别的影响DeepSeek 一出手，就是奔着最底层去的，其他家要么很封闭，要么水平差了些可能半年后，整个形势就会天翻地覆workbuddy，千问办公等属于旧范式内的竞争，它们都缺少 DeepSeek 这种豪情，自信和霸气

转发者评论

无明显转发评论

原文

【理解力瓶颈：AI时代的程序员正在变成“外行经理”？】Geoffrey Litt在最近的分享中指出，当AI代理生成代码的速度远超人类吸收速度时，软件开发的瓶颈已从“编写”转向“理解”。他提倡通过AI生成解释文档、互动微缩世界甚至随堂测验，来强迫开发者保持认知参与。核心观点是：理解代码不仅是为了验证正确性，更是为了能持续参与创造；一旦失去对系统的认知所有权，开发者就会陷入“认知债”，最终被自己亲手生成的代码堆栈淹没。社区评论对此反应两极。支持者认为这揭示了IC程序员正在经历“管理化转型”——你必须像管理外包团队或初级员工一样管理LLM，利用文档和指令来对齐意图。反对者则直言这是“LLM推销术”，认为所谓的“理解瓶颈”其实是LLM生成的低质量代码（Slop）带来的次生灾害。大家普遍感知到一个残酷的现状：在追求Velocity的KPI压力下，深度阅读代码正在变成一种奢侈。如果开发者选择放弃理解而转向“氛围编程”（Vibe Coding），短期内产出惊人，但长期看，没人能接手一个没有历史上下文、只有随机逻辑堆砌的系统。这不仅仅是技术挑战，更是一场关于“人是否还要留在回路中”的职业伦理博弈。你需要带走的判断是：当代码变成廉价的消耗品，你对复杂逻辑的抽象和拆解能力，才是唯一不会被Token稀释的资产。

转发者评论

无明显转发评论

原文

今天早上深度体验了一下 DeepSeek Harness ，聊一聊我的几点看法吧。1、DeepSeek V4 Pro 配合 DeepSeek Harness 是真快，让它帮我制作了一份 PPT ，效果也蛮好的，风格我也很喜欢，唯一让人有点难受的点就是 DeepSeek V4 Pro 还不支持多模态，真心希望梁子赶紧落实一下多模态的事情，这个还是很有必要的。之所以，不叫他梁圣了，是因为 API 要涨价了，梁子还请见谅。2、体验下来，我认为 DeepSeek Harness 就是给开发者或者极客准备的，一如既往的符合 DeepSeek 深度求索这家公司的价值观，并不是特别重视 C 端的用户，尤其是普通用户。或许，普通用户的消费力确实不如开发者、极客或者 B 端用户吧。DeepSeek Harness 的使用门槛对于普通用户还是有点高，并不是客户端， 得需要配置 Nodejs 环境，才能安装启动，而且是一个网页的形式。3、DeepSeek Harness 的设计理念是：一切皆插件。采用插件式架构，构建一个开放的智能体的框架。在这里，模型、工具、技能、会话、沙箱、存储、循环、调度、UI 等所有 Agent 能力均由插件组合而成，可自由替换、灵活重组。而且 DeepSeek Harness 也都开源了。目的其实是显而易见的，希望通过这种架构的设计模式，以及开源的理念，可以吸引更多的开发者和极客来开发更多有意思的插件，丰富 DeepSeek Harness 的生态，期待能够打造出一个超级牛的 DeepSeek Harness 的生态系统。还是那句话，这种模式适合极客、开发者并不适合普通用户。4、当然了，从官方的角度来讲，人家这个平台化的打法，可能也是这么想的。我不必亲自讨好 C 端用户，因为当底座开放到一定程度，自然会有第三方跳出来，用这个底座给普通用户做顺手的产品。这才是「一切皆插件」最有想象力的地方，它把 DeepSeek 不重视普通用户这个看似是短板的地方，变成了一件可以让别人来补的事。换句话讲，我负责打造平台和生态，至于 C 端用的傻瓜式产品，可以让别人基于开源生态来做。5、基于上述四点的思考，我可以判断 DeepSeek Harness 是完全由一群技术人自嗨出来的产品，因为这太符合技术人的思维方式了。另外，作为极客或者开发者，如果你感觉 DeepSeek 能把这个生态做起来，那就值得赶紧去玩一玩，去做一做，对开发者来说，这可能是近几年少见的「早期红利」。等生态真正起来，先吃螃蟹的这批插件作者，就是下一代「卖水人」。#DeepSeekHarness发布##科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

我最近在 ~/.claude/CLAUDE.md 里面加了一段提示词，让它多开 SubAgent（Opus）去执行，这样我默认开 Fable 5 High，Token 消耗也不算厉害。Fable 5 则主要做需求澄清、方案拆解、任务分发和结果验收。之所以不用 Opus 5 是因为太太太慢了，而且 Token 消耗巨大！（更新）无法指定Opus版本---注意你的主要任务是分析、编排和验证，具体任务尽可能交给 subagent（Opus）去执行。当主 agent 是 Fable 5 时尤其如此：自己只做需求澄清、方案拆解、任务分发和结果验收，实现类工作（读大量代码、写代码、跑测试、批量修改）一律用 Agent 工具派给 Opus subagent 执行。

转发者评论

无明显转发评论

原文

这个观察真的很犀利，但我还想再补一刀：买的人不用，用的人不买，需求从一开始就错位了。一个腾讯云金牌代理，半年才卖出去几百个企业版，还没人续费。这跟产品好不好没太大关系，关键在于买单的人和用的人错位了。老板为降本增效付钱，可效率上去了，员工的工资不会涨，甚至活还变多了，下一步说不定就是裁员。在利益跟自己无关的游戏里，没人愿意认真玩。所以卖不动，根源在激励错位，培训做得再多也填不上这个坑。不过要说员工完全没有需求，我又觉得过了头。谁不想把一天的活三小时干完，早点下班？员工真正想要的，是能给自己省事的工具，最好还能显得自己很努力。这种需求一直很旺盛，只是它长在个人开发者手里，没长在企业版的货架上。所以使用门槛高只是表象，真正的门槛是价值分配。工具再聪明，如果效率的红利全归公司、风险全由员工扛，就注定是老板的一厢情愿。反过来，谁先把增效的红利分给真正干活的人，谁才真正站在风口上。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【GLM-5.3：用魔鬼训练压榨出Base模型的“暴力”网络安全潜能】Z.ai发布的GLM-5.3证明了Post-training的极限：在不改变Base模型的前提下，通过大规模强化学习和环境模拟，其编码能力在Z.ai Code Bench上提升了50%，并在网络安全领域实现了能力涌现。它不仅能识别孤立漏洞，还能进行跨阶段的漏洞利用链推理，目前已在真实项目中发现两千多个漏洞，其中最古老的潜伏了45年。官方承诺两周后发布Open Weights，并支持从low到max三档Thinking推理级别。这次更新戳破了一个幻觉：模型能力的提升不一定非要靠堆参数量。当OpenAI和Anthropic的闭源模型因为安全合规被锁死在拒答的牢笼里时，GLM-5.3这种实战派正在填补安全审计的权力真空。社区敏锐地捕捉到了这种经济学降维打击——对于需要处理复杂逆向或漏洞挖掘的开发者，闭源模型的过度保护已成阻碍，而一个能自我进化出攻击视角的开放权重模型，才是真正能干活的专家。这标志着AI竞争已从单纯的算力竞赛，转向了对高质量训练环境和长程任务逻辑的深度挖掘。

转发者评论

无明显转发评论

原文

DeepSeek Harness 正式发布了并且完全开源，简称 dsh 目前所有人都能安装使用#DeepSeekHarness发布# 。- DeepSeek 定义 AGENT = MODEL + HARNESS，dsh 和 Claude Code 是一个东西，都是模型能调用工具干活完成具体任务。- DeepSeek Harness 的理念是：一切皆插件。模型、工具、技能、会话、沙箱、存储、循环、调度、UI 等所有 Agent 能力均由插件组合而成，可以自由替换和灵活重组- DeepSeek Harness 目前通过 npx 安装，本地会有一个 webui 操作界面。比较简单清爽，分工作区和对话两大块- 有四种工作模式：标准、PTC、极简、创造- 支持 subagent 后台子代理、MCP、Skill 这些都支持，官方插件生态正在快速完善。搭配 DeepSeek V4 Flash 应该干活挺好，赶紧试试：deepseek.com/harness/

转发者评论

回复@慢动作Q先生:把Codex和Claude Code的各种产品概念“蒸馏”了一遍，融合在一起然后开源。//@慢动作Q先生:跟不上看不懂[泪奔]

• 回复@慢动作Q先生:把Codex和Claude Code的各种产品概念“蒸馏”了一遍，融合在一起然后开源。//@慢动作Q先生:跟不上看不懂[泪奔]

原文

Agent 基建：造引擎的人，和开车的人玩了差不多一天 DeepSeek 的 dsh，有个很深的感触：这玩意儿是给极客和开发者造的"高端玩具"，它距离普通人，少了中间层。dsh 自由度大到惊人：profile、插件、patch 层，一切皆可定制。理论上，每个人都能从中诞生出完全属于自己的 Agent。听起来很浪漫，很爽，对吧？我们这个圈子里大家都很快乐，玩得不亦乐乎。但现实是：不是每个人都需要属于自己的 Agent。这同时也恰恰是很多 AI 产品团队的错觉，因为他们高看了普通人的自我能力。大众要的是"问题被解决"，不是"亲手造一个解决者"。你给一个摄影师一台能徒手改装引擎的车，但他要的只是开着它去片场。所以 dsh 这类工具的真正定位，是基础设施。基础设施的价值从来不在自身，而在它上面长出来的东西。就像 TCP/IP 的成功不靠普通人理解报文，靠的是上面长出 HTTP、微信、抖音；Linux 的成功不靠用户懂内核，靠的是发行版把它变成日用品。dsh 的正确评估标准，是它之上长出了多少行业专用 Agent，不是 dsh 本身的终端用户数。它利好的是做产品的人：用 profile 机制造一个影视后期 Agent，内置剪辑流程、调色规范、DIT 工作流，剪辑师打开就用，不需要知道 dsh 是什么。价值链条一层层传递，只有最后一层为价值买单。比如你之前看到的那些专用 Agent，需要开发者自己先把 Agent 的底层做出来，然后塞入行业需要的 Harness，打磨 UI，把用得上的功能显性呈现，不需要的地方关掉接口。但你现在直接在 dsh 上就能做了，基建已经被 DeepSeek 做好了，你省下了很多很多时间和精力。造引擎的人和开车的人，从来不是同一批人。工具是拿来用的，不是拿来供奉的。而最好的基建，是让使用者感觉不到基建的存在。#DeepSeekHarness发布#

转发者评论

它的版本号是0.1，当然不能算1.0 [流鼻血]//@ea6th:很高情商的说法了，说难听点就是毛坯房，1.0都不能算的拿出来了//@HappyNewFear://@蚁工厂:转发微博

• 它的版本号是0.1，当然不能算1.0 [流鼻血]//@ea6th:很高情商的说法了，说难听点就是毛坯房，1.0都不能算的拿出来了//@HappyNewFear://@蚁工厂:转发微博
• 很多人都忽略了一点，DSH 现在的版本叫做【开发者预览版】，所以普通人觉得不好用，不是理所当然的吗？[允悲] 按 DSH 的架构，将来完全可以在启动的时候和用户聊几句，然后按需求完全定制配置。 毕竟它在一次聊天过程中，都可以动态的调整插件。//@蚁工厂:转发微博

原文

用 AI 拍一部高质量的电影，如何维持角色和场景的连续性往往是最让人头疼的。来自 Runway 创意团队的 Ian 分享了他们制作中世纪喜剧影片的完整工作流，里面有几个非常硬核的实操技巧。在设计角色时，如果人物有特定的头盔、伤疤或道具，最好在图像参考阶段就固定下来，在后续生成中直接调用，这样能避免模型在视频生成阶段出现细节偏差。在搭建场景氛围时，团队分享了一个很有意思的窍门。不要直接用你想生成的物体当参考图，比如你想拍城堡，就别用城堡的图，建议使用一张色调和氛围相近但内容完全不同的图，这样能避免模型生搬硬套。想要探索不同的镜头角度，可以用主图生成一段包含多种视角的 5 秒视频，从中挑选喜欢的画面作为灵感，再用极简的镜头语言去描述景别和相机运动。声音的一致性同样关键。如果场景变了，角色的声线很容易改变。这时候可以上传上一段戏的音频作为声音参考，甚至直接用剪辑好的音频去驱动口型，这样表演效果会更可控。说到底，AI 提示词能做到的终究有限，真正决定一部短片能不能打动人的，还是故事里的冲突和人物动机。工具只是帮我们把脑海中的画面更高效地呈现出来。#AI视频生成##AI电影创作##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

做题了！一道很有意思的逻辑推理和博弈论问题。一个警察抓到3个逃犯。警察的枪里只有一颗子弹，但开枪就一定能击中目标。3个逃犯知道这个情况，心想只有1/3的概率成为倒霉蛋，准备赌一把，一起逃跑。假设所有的人都是完全理性和善于逻辑推理的，而且每个人都知道其他人也是理性的。警察有没有什么办法，仅凭一颗子弹，就让3个逃犯都不敢逃跑？（注：犯人会一起跑，跑得一样快，打带头跑或跑得最快的方法没用。）答案见评论区。先自己想想，然后去拷问AI。如果你的AI看了答案还不明白的话，可以扔了😄。#逻辑推理问题##博弈论#

转发者评论

无明显转发评论

• 答案见附图 http://t.cn/AXNHBT3C

原文

GLM-5.3，前沿编程与安全能力涌现今天，我们发布 GLM-5.3。基座模型与 GLM-5.2 相同，但通过更大规模、更长周期、更多样的长程任务环境进行后训练，进一步提升编程与 Agent 能力，并涌现出网络安全能力。在代码审查、漏洞发现等防御场景中，GLM-5.3 展现出潜力；面对更复杂的漏洞利用链，仍有继续提升的空间。即日起，GLM-5.3 上线 ZCode、AutoClaw 和 GLM Coding Plan，GLM Coding Plan 额度已重置。API 即将上线。完整模型权重将在两周内开放。在此之前，我们将完成必要的安全评估与加固——让更强的智能保持开放，也让开放建立在责任之上。 #智谱##How I AI##GLM#

转发者评论

无明显转发评论

原文

【Vercel Deepsec：用昂贵的推理成本置换高危漏洞的生存空间】Vercel Labs推出的Deepsec是一款基于Agent的自动化漏洞扫描工具，专门针对大规模代码库的深度审查。它跳出了传统静态分析的正则匹配逻辑，通过调用大模型的最高推理等级（Thinking Level）来理解业务上下文。这意味着单次全量扫描的成本可能高达数千甚至上万美元，但它支持断点续传和分布式并行处理，旨在揪出那些潜伏已久的逻辑漏洞。社区评论对这种“氪金式安全”表现出复杂态度，但它确实代表了安全领域的一个新趋势：当推理成本降低的速度赶不上代码膨胀的速度时，用高算力模型去模拟黑客的思考过程正变得具有性价比。Deepsec的核心价值不在于替代现有的扫描工具，而在于它提供了一种“按需付费的专家级审计”。对于企业来说，与其在遭受攻击后支付天价赎金或公关费，不如将这笔预算前置给AI Agent，让它在代码上线前完成那种人类审计员需要数周才能完成的深度复核。这种从工具属性向智力属性的转变，才是开发者最值得关注的信号。 repo: vercel-labs/deepsec

转发者评论

无明显转发评论

原文

看下我们南京最近的事。一个烤猪蹄老板，在顾客群里设了AI自动信息。爹们，来吃烤猪蹄了。被一个新进群的女的看到了。她非常不满，认为老板喊所有人都是爹是侮辱女性。于是在小红书上发帖，号召网暴，差评这家店铺。一个小小的烤猪蹄店，在一天多时间里，电话被打爆，收到一千多个差评、五千多个辱骂私信。全家，包括女性家人全被辱骂。店也暂时关店了。老板较真了，找了律师固定所有证据，准备起诉。她依然很硬气，并要求店老板按照她给的格式拍摄向她道歉的视频。还把那个赵一婕律师挂在签名里给自己助威。说自己已经找赵一婕咨询了。但没两天，签名就清空了。赵一婕明面上没回应她。现在老板已经完成起诉前工作并且报警根据其自述，警方正在讨论这事的性质。这位女网友，目前已经销号退网装死了。 冬亚的微博视频

转发者评论

//@shijin1://@丁声基:太猖狂了//@霜叶:等个后续//@奶霸知道:看到截图了，居然写好稿子，要求对方完全按照自己的的要求给自己道歉。。。。。。[吃瓜][吃瓜][吃瓜]

• //@shijin1://@丁声基:太猖狂了//@霜叶:等个后续//@奶霸知道:看到截图了，居然写好稿子，要求对方完全按照自己的的要求给自己道歉。。。。。。[吃瓜][吃瓜][吃瓜]

原文

我不喜欢用 grill-me，可能因为我不擅长空想，也不喜欢被拷问。我需要那种看得见摸得着的东西才能进一步得出结论。我更喜欢用 Claude Design 这种快速出一版原型，做出来一个真实的东西，才能感觉出来哪不对；或者 AI 写一份文档来理解方案，或者干脆 AI 实现一个 PoC 版本出来。这在以前是很成本很高的事情，现在 AI 生成真的太容易了，所以对我来说不依赖 grill me 也还好。

转发者评论

无明显转发评论

• 回复@bonbonbontt:我觉得agile还是适用的，timebox定期发布是有意义的，但是周期可以缩到2周左右；另外coding时间缩短以后，test验证的时间反而成了瓶颈，因为交付的东西更多了，而自动化测试不足以完全覆盖所有场景。//@bonbonbontt:我也是，而且有了claude这些调整更加轻而易举。我很好奇原来的agile

原文

AI 时代，要说哪项能力最重要，我会毫不犹豫地选软件工程。这两年 AI 圈的新词一个接一个，先是提示词工程，然后是上下文工程，再往后是 harness 工程，现在循环工程、图工程也火起来了。名字换了一茬又一茬，底子却是同一套功夫：拆解问题，搭建系统，再一轮轮打磨迭代。所以我说，在人工智能时代，一切都是工程。工具会换，模型会换，可把一件事从想法做到能用的那套方法，一直没变。说到底，就是分解问题，构建系统，迭代改进，把这套功夫练扎实，走到哪儿都吃得开。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

斯坦福这波有点狠，直接把全网文献调研和深度写稿给彻底自动化了。GitHub 上狂揽 3 万多 Star 的 STORM（来自 Stanford OVAL 实验室，MIT 协议开源），就是个全自动“研究员”系统。你给它扔一个生僻主题，它自己上网搜资料、让多个 AI 角色多角度互骂对质、画逻辑大纲，最后直接给你吐出一篇带真实引用脚标的维基百科级长文报告。模拟专家对话：多视角深度拆解问题，拒绝 AI 废话水文自带联网检索：实时抓取资料并嵌入出处，保真度拉满全流程自动化：从头提问、建大纲到撰写润色一键搞定支持本地部署：零代码能直接用，懂代码还能接自己的大模型GitHub：github.com/stanford-oval/storm网页端：storm.genie.stanford.edu

转发者评论

无明显转发评论

原文

知名 Agent 框架 PI 作者对 DeekSeek Harness 的评价

转发者评论

无明显转发评论

• AI 对当下 IT人 的影响是你不知道哪天模型及其强附属技术会把你的业务技能涵盖住，然后是你重新寻找工作（生存？）的机会。
• DeepSeek功德无量[good]

原文

#DeepSeekV4Pro正式版突遭撤回#上线不到24小时就撤了，DeepSeek这波操作把开发者看懵了。事件梳理：· 8月12日晚：V4 Pro正式版（0813）静默上线API文档，社区一看跑分直接沸腾· 8月13日白天：官网横幅撤了、公告删了，但API还在——半撤回的尴尬状态· 8月13日晚：重新发布公告确认上线，同时甩出峰谷定价方案· 同步开源了 Harness Agent 框架（MIT协议）撤回背后：部分开发者实测发现，实际表现跟官方跑分有差距，长程任务和复杂代码场景跟预期不符。跑分和体感的落差，才是这次风波的核心。涨价才是重点：· 空闲时段：输入涨50%、输出涨125%，综合成本约翻倍· 高峰时段：输入涨200%、输出涨350%，综合成本约变4倍· Pro缓存命中高峰期达原价12倍· 8月17日生效涨完依然比 Claude 4.8 便宜不少，但方向很明确：低价时代在收缩。撤公告大概率不是技术事故，而是发布节奏的微操——等 Harness 框架就位，凑齐“模型+框架”的完整形态再登场。但“疑似回滚”这个标签，恐怕会跟着 V4 Pro 跑一阵了。#DeepSeek##AI大模型#

转发者评论

无明显转发评论

原文

【科技行业史上最大收购之一！马斯克豪掷600亿美元拿下Cursor】8月14日，SpaceX正式完成对AI编程初创公司Cursor的600亿美元收购，是近年科技圈最大规模交易之一，Cursor四位00后创始人全部晋升亿万富豪，团队可直接调用SpaceX海量GPU算力资源。

转发者评论

无明显转发评论

原文

专门用来把一整个 GitHub 代码库变成 AI 最喜欢的 Prompt 格式。简单到什么程度？直接把 URL 里的 hub 改成 ingest 就完事了！项目传送门：github.com/coderamp-labs/gitingest

转发者评论

无明显转发评论

原文

vibe了一晚上，做了一个 DeepSeek Harness 的最简单教程 Hello DSH，主要目的是更直观的理解“万物皆可插件”的这个思路。我估计加上 Codex 或者 Claude 的帮助，应该在 20 分钟之内就能把这套跑通。我的机器是Mac，可能Windows会遇到一些不同的坑，欢迎补充。文章链接：我今晚 Vibe 了 5 个小时，开源了一个叫 Hello DSH 的项目Github：网页链接

转发者评论

//@·NANA子·:[卡皮巴拉]//@AI技术与工程://@马少平THU:转发微博

• //@·NANA子·:[卡皮巴拉]//@AI技术与工程://@马少平THU:转发微博

原文

🥧 介绍 GooeyPi - Pi 系列代理的图形用户界面。支持：Pi、Oh-My-Pi (OMP) 和 Prime Agent非常兴奋能与大家分享这个。作为一个本地模型爱好者，我想为我的本地模型准备一个独立的运行环境，这样就不用不断切换配置了。而且我也不想回到 TUI（书呆子专属）。但是，我不想错过所有我熟悉和喜爱的功能。结果发现，我根本不必妥协。我只需要自己动手构建它。所以我就这么做了。功能包括：> 功能齐全的图形用户界面体验> 代理式浏览器> 实时语音代理> 语音转录（本地或 API）> 计算机使用> 自动化桌面> 代理间消息传递> 提问工具> Git 控制> 终端> 宠物> 以及更多我试图在这次初次尝试中捕捉所有最受欢迎的功能，但我们才刚刚起步。目前以 BETA 版本可在 MacOS、Linux 和 Windows 上使用。我需要测试者！我只在 Mac 和 Linux 上测试过。如果你想帮助我推进这个项目，请随时联系。github.com/am-will/gooey-pi

转发者评论

无明显转发评论

原文

Jia-Bin Huang（美国马里兰大学帕克分校计算机系教授）的一个Kimi K3的技术解析视频。#微博视频号续航计划# 在K3发布之前，AI 行业很多人认为把MoE模型做到超大规模、超稀疏（专家多到成百上千）会让训练崩溃，而 Kimi K3 却靠 2.8 万亿参数、单层 896 个专家的极端稀疏设计成功了——这个视频就是讲它到底用什么"防崩溃"的技术（潜在混合专家、RMS 归一化、有界激活、分位数均衡）把训练稳定下来的。 蚁工厂的微博视频

转发者评论

无明显转发评论

原文

这期艺术成分高到没边了#热搜ai创作激励大赛# 罗正发QAQ的微博视频

转发者评论

其实享受的是过程[嘻嘻]//@来去之间://@王腾Thomas:珍惜属于自己的时间，今日宜休[爱你][爱你]

• 其实享受的是过程[嘻嘻]//@来去之间://@王腾Thomas:珍惜属于自己的时间，今日宜休[爱你][爱你]

原文

#AI大模型价格还没砸到地板# 将商业模式缺失归咎于技术成熟度不足，是对AI本质的误判。大模型不是“卖算力的管道生意”，Token定价本就是过渡形态；真正制约盈利的不是硬件成本（摩尔定律仍在发挥作用），而是尚未找到规模化的价值锚点——当模型能力突破临界点，替代人力产生确定性ROI时，企业会为“决策质量”而非“推理次数”付费。所谓“精细化转型”只是话术包装，核心矛盾始终是通用智能与垂直场景的适配效率，需要应用层创新而非价格博弈来破局。

转发者评论

无明显转发评论

原文

才知道AI生成的文本竟然也有水印，前几天Anthropic表示8月2日之后发布的 Claude 新模型都会默认给文本嵌入一种机器可读的水印，Gemini 早在2024年就开始用 SynthID 检测文本输出。网友闻言都大惊失色，开始各种想办法去水印。#AI文本水印# 机器之心Pro的微博视频

转发者评论

无明显转发评论

• 有关文本水印的第一篇论文发表于1994年

原文

【AI文字水印：一场注定失败的“技术表演”】欧盟《AI法案》即将强制要求AI生成内容必须“可识别”，这催生了如Google的SynthID（通过微调Token采样概率植入数学特征）和OpenAI疑似使用的Unicode同形异义字（用不可见的特殊字符替换空格）等水印技术。这些方案试图在不影响阅读体验的前提下，为文本打上“电子钢印”。然而，文字不同于包含大量噪声的图像，它极其精简，这导致水印在技术上非常脆弱。解剖来看，任何简单的改写、翻译甚至格式转换都能轻易抹除这些痕迹。社区评论认为这更像是一种针对“懒惰者”的过滤器，而非严密的监管工具。它可能重演“Cookie法案”的尴尬：既无法阻止有心者的欺诈，又给普通用户增加了合规摩擦。我们该带走的判断是，文字水印无法自动化解决信任问题，它更像是一种政治表态。当防伪成本远高于造假成本时，这种技术屏障最终只会变成一种心理安慰，甚至可能导致监管机构为了维持控制力而转去打压不带水印的本地开源模型。

转发者评论

无明显转发评论

原文

【Claude变难吃是因为加了“防伪调料”？】Claude和Gemini正在大规模实装一种隐形的“统计学水印”。这并非在文本中插入隐藏字符，而是在模型生成Token的瞬间，利用密钥微调词汇的选择概率，使输出结果在统计学上向特定方向偏移。这种标记深植于表达习惯中，即便你手动修改部分词汇，只要保留了连续的原始逻辑片段，厂商就能通过私有密钥识别出这是AI产物。社区激烈讨论这种技术是否毁掉了Claude的文风。许多人抱怨它说话变得说教、啰嗦且充满了“非人感”，这很可能是为了满足水印的统计密度而强行扭曲了语言的自然度。更深层的逻辑在于，大厂通过这种方式防止自家数据被竞品抓取导致模型塌陷，同时也为未来的版权诉讼和监管合规埋下伏笔。对于用户而言，这不仅是创作自由度的下降，更意味着厂商握有了定义“原创”的最终解释权。在水印时代，除非进行彻底的逻辑重构，否则简单的润色已无法抹去这些电子足迹。

转发者评论

无明显转发评论

原文

GPT-5.6再次刷新AI智能天花板！今天，OpenAI重磅发布《GPT-5.6构建者指南》，交出亮眼成绩单。在ARC-AGI-3上，GPT-5.6 Sol性能从13.3%飙到38.3%，输出Token暴降6倍；「超小杯」Luna在BrowseComp测试中以84.04%性能直逼GPT-5.5的84.36%，成本却从33.27美元打到1.33美元。ARC-AGI-3是顶尖AI还未拿下50%的最难测试，把AI丢进没见过的2D小游戏里自己摸索规则。GPT-5.6 Sol在官方榜上只拿了7.8%，OpenAI研究员查出问题出在harness上——官方「通用harness」每走一步就丢掉私有推理过程，上下文一满就从最老的开始截断，相当于模型记忆不断被清空重来。团队把harness换成Responses API，打开「推理保留」和「压缩」两个开关重新跑题集，GPT-5.6 Sol从13.3%飙到38.3%，输出Token还减少6倍。BrowseComp是OpenAI打造的专考「能否在全网输出冷门事实」的榜单。三个月前GPT-5.5开到Extra High档拿下84.36%，花费33.27美元；如今最小最便宜的Luna同样档位拿下84.04%，只花1.33美元，成绩仅差0.32%，成本却砍了25倍。指南还给出三种更低成本部署方式。一是程序化工具调用：模型可直接写JavaScript在沙箱里批量调用、筛选、汇总工具，金融研究公司Rogo实测质量打平，输入Token少用21%。二是「原生多智能体」：主模型当工头把活拆给子模型并行处理，最后汇总，ChatGPT的ultra档位默认四个agent同时开工。三是「提示词缓存」：有效期拉长到至少30分钟，断点可自定位置，AI公司Ploy的工程师实测未命中缓存的输入直接少了28%。同一天，OpenAI放出Ultrafast模式预览版，GPT-5.6 Sol最高14倍速，每秒吐出750个token，先在API上线，智能水平不减。Cerebras对照测试中，Sol Ultrafast跑完Humanity's Last Exam的2500道题用时11小时11分，Claude Fable 5跑同批题用了78小时27分，准确率相当，速度差近7倍。提分、降本、提速，短短一个月，GPT-5.6完成了一次真正意义上的全方位进化。

转发者评论

无明显转发评论

原文

今天刷到一个挺有意思的开源项目，叫 Kami。这个词在日语里就是"纸"的意思，作者说，纸是一份好想法最终落地的地方。他平时喜欢投资美股，经常让 AI 帮他写研究报告，可每次出来的文档都一个毛病：灰扑扑的、版式还每次都乱，看着就没耐心读下去。于是他干脆自己动手，一点一点调字体、调配色、调留白，改着改着，就把这套心得整理成了 Kami，一套统一的文档设计规矩。这其实是他一个三件套系列里的最后一块，另外两个项目一个负责写代码，一个负责培养习惯，各有各的分工。这套规矩用起来很简单。你不用写任何代码，直接跟 AI 说一句"帮我做一份一页纸"或者"帮我排版一份长文档"，它就会自动开工，中英日韩四种语言都能处理。出来的成品风格高度统一：米黄色的纸面打底，全篇只用一种深蓝色做点缀，正文是衬线字体，没有花哨的阴影和渐变，看起来像一份排版讲究的纸质文件，而不像冷冰冰的网页界面。它内置了八种文档模板，一页纸、长文档、正式信件、作品集、简历、幻灯片、研报、更新日志，另外还能做产品落地页。图表可以用文字直接画出来，幻灯片既能导出成可编辑的 PPT，也能做成 Markdown 演示稿，代码块会自动高亮。每份文档交付前还会自动检查结构、核对内容有没有遗漏，再按固定清单做一次排版检查，保证每次出品都稳。作者自己说，AI 早就写得动文档了，缺的是一套统一的标准。现在他把这套设计语言整个开源了，代码和模板都免费，等于把"好内容就该配好纸张"这个态度交给了所有人。我实测了一下，效果很惊艳，排版很到位，审美也很在线。大家可以看看。传送门：github.com/tw93/Kami#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

刚刚，「中国版Thinking Machines Lab」诞生！全球语音与交互界，骤然杀出一家撼动格局的硬核AI初创。它，就是宇生月伴（VUI Labs）。在语音界最权威榜单之一的Hugging Face TTS Arena上，VUI Labs的Luna-TTS 模型力压群雄，击败了ElevenLabs，以及MiniMax、Cartesia等国内外明星大厂，强势登顶全球第一！在独立AI评测平台Artificial Analysis的Speech Arena榜单上，它直接超越了谷歌，获得全球第三！这家大放异彩的中国硬核 AI 初创公司，愿景清晰而宏大——从高精度的 TTS 语音模型切入，以语音作为最具自然感与即时性的交互入口，最终贯通多模态，打通全双工的 Voice Agent闭环。无论是以语音为突破口构建新一代交互范式，还是通过实时语音反馈倒逼多模态基座能力的演进，它都展现出了与 Thinking Machines Lab 较为相似的路线。两家公司的路线，竟然不谋而合。现在，VUI Labs拿出的语音模型发布不久，就一举横扫了全球权威榜单，锋芒毕露，势不可挡。

转发者评论

无明显转发评论

原文

模型和 agent 大爆炸了。。。复杂规划 ： kimiwork + k3（能力 t0，可访问性好，不会被标记和封号）代码： codex + Claude 便宜的版本（便宜能力足够，界面友好）日常搜索： Grok（天然链接 x ，速度快，价值观审查相对较少）简单的对能力没什么要求的乱七八糟的破事：workbuddy + ds or glm 用免费额度撸羊毛。其实差不多够了。。。

转发者评论

无明显转发评论

原文

其实我挺佩服花叔这个 AI 博主的。每次有新东西、新工具或新模型出来，他都会第一时间使用 Claude 这种模型，写一本关于这个新工具的“橙皮书”，然后开源建立自己的影响力，同时也会上架到微信读书当中去赚取稿费。我看他上个月晒的，AI 帮他写的“橙皮书”上架到微信读书上的稿费，每个月进账也有两三万哈。还是挺佩服他的行动力和敏感度，你不佩服不行啊，一般人真的是做不到。

转发者评论

无明显转发评论

原文

给大家说件事，我的微博铁粉数据一直在 9500 上下浮动，这两个月怎么着都突破不了 1 万。昨天我的星球立减 30 元的优惠券也结束了。经过我的思考，我决定我的星球社群如果是金粉想加入的话，立减 50 元；如果是铁粉 3 级以上的加入的话，立减 30 元。符合条件想加入的同学，可以私信我，我发对应级别的优惠券给大家。不符合条件的也不用气馁，多评论，多留言，多给我的微博点赞，级别很快就上来。兄弟们，互动起来吧。我自己的星球社群「AIGC·掘金成长研习社」到今天已经突破 1800 人了，用时 880 天，我累计发布了近 2100 条帖子、教程和文章。精华主题已经突破 300 篇。说实话，这确实是我最近一直花费巨大力气的地方，尤其是从今年开始在里面开始录制视频教程，到现在视频教程已经突破了 50 期，尤其是 Agent Skills 系列教程。我在春节之前的时候，就研判到了今年 Skill 会大火，所以，去年年底 Skill 刚出来的时候，我就发现了它的价值，也确实跟我预判的一样。虽然 Agent 在不断变化，但是 Skill 确实是非常有效和实用的技能。从去年开始陆续更新的副业案例库，分享各种副业案例教程，到现在也陆续更新到了 72 期，在今年年底有望实现 100 篇的目标。同时，我在星球里也分享了各种好玩的 AI 教程，比如：如何使用 AI 制作书单号视频，制作 Vox 风格的视频；如何使用 AI 制作动画/漫剧视频；如何使用 AI 剪辑视频；如何使用 AI 做各种好玩的副业教程等等。说这么多，就是想感谢大家信任与支持，我会继续努力，而且履行自己的承诺，持续更新十年 ，绝不烂尾。做这个社群，我绝对是认真的。很多同学问小白可以学习吗？对零基础的友好么？当然了，就是给纯小白准备的，所以，录制了很多视频教程，同时在社群里还可以跟我交流，对疑问进行解答。只要你会说话，能听懂自然语言就能学会。不是为专业人准备的，专业的人也不需要我给准备。 #How I AI##副业赚钱##自由职业#

转发者评论

无明显转发评论

原文

小红书也发开源模型了：dots3-note preview不大，总参数280B，激活参数为 16B，支持 512K 上下文。具备文本、视觉和语音的多模态理解能力。长处是复杂推理和长程 Agent 任务。

转发者评论

无明显转发评论

原文

现在存储市场几大巨头，海力士，闪迪，宁可回购股票，也不愿意积极扩产，哪管外面怨声载道，就是不下决心扩展。。另一边马斯克，intel也要做内存条，英伟达也在传要搞内存。。同时国产内存条，ssd更是不断有产线上马。据了解一条内存条产线从立项到投产，到大规模量产，需要2年，2年以后行情也许就完全逆转了。。这里最大的矛盾就是时间错配。当下的紧缺是真实的，但所有新建产能的兑现周期都卡在2年之后。两年后的行情没有人能打包票。老牌巨头赌周期回落，新玩家赌AI长期需求，一场巨大的供需时差博弈，才刚刚开始。

转发者评论

无明显转发评论

原文

Google DeepMind正式推出Gemini 3.7 Flash模型，距3.6 Flash发布仅3周。该模型在编码、调试和Agent工作流任务上显著强于前代，高推理模式下Artificial Analysis Intelligence Index达56分（提升4分），AA-AnalystAgent pass^5 60%、AutomationBench-AA 62.7%。平均任务耗时1.7分钟，输出速度340 tokens/秒，成本每任务0.40美元，较前代降30%。Demis Hassabis和Sundar Pichai均发文确认，Gemini AI Pro/Ultra用户及API已开放使用，核心提升来自算法改进。

转发者评论

无明显转发评论

原文

日机床协会公布7月速报值显示，日本机床订单总额1931.02亿日元，同比增长50.4%，已经连续13个月同比增长；其中外需1398.64亿日元，同比增长50.5%，内需532.38亿日元，同比增长50.2%。虽然较6月历史最高点环比下降5.1%，但仍然接近2000亿日元。1—7月累计订单已经达到1.248万亿日元，同比增长37.8%，外需累计增长42.3%，内需增长26.5%。日本机床订单的平台整体抬高到了1800亿—2000亿日元/月附近。日工会自己在6月以后也改变了措辞，坂元繁友会长明确判断，行业已经由“缓慢恢复”进入“扩张局面”。 这也是为什么日工会今年已经把2026年订单预测从年初的1.7万亿日元直接上调到2万亿日元。如果实现，将超过2018年的历史年度峰值1.8158万亿日元约10%。而截至7月底已经完成1.248万亿，相当于年度2万亿目标的62%左右，当前运行速度甚至略高于2万亿目标要求。 6月当月外需达到1453.6亿日元，同比增长55.8%，刷新历史纪录；亚洲首次突破800亿日元，其中中国达到564亿日元。北美和欧洲也都同比增长。外需已经占总订单约71%。 中国仍然是非常重要的需求来源，但中国买日本机床的用途正在发生变化。过去比较典型的是汽车、模具、一般机械和消费电子产能扩张，现在半导体、AI服务器、数据中心相关光通信、精密电子以及新能源装备的重要性明显提高。日工会会长所在的芝浦机械。公司7月机床订单达到75.6亿日元，同比达到3.1倍。国内增长来自原子能等发电设备零部件加工所需的大型机床，中国市场则拿到了数据中心光通信零部件用超精密加工机订单；其7月外需甚至达到上年同期约6倍。 日本高精度机床正在借助全球高端制造投资和日元汇率优势扩大市场份额。 AI带动机床传导路径已经很具体：AI数据中心 → 光通信/服务器/半导体设备 → 精密结构件和光学零件 → 超精密加工设备。AI算力扩张 → 电力需求增加 → 核电、燃机、电力设备扩产 → 大型复杂零部件加工 → 大型机床、五轴和复合加工设备。过去日本机床最大的三个需求支柱大致是：汽车 → 一般机械 → 电机电子。现在逐渐演化成：一般机械 + 半导体/电子精密 + 航空航天/能源 + 汽车。

转发者评论

无明显转发评论

原文

AI猎杀漏洞这件事，彻底卷起来了。两个月前，Anthropic的Mythos自主挖出FreeBSD里藏了17年的漏洞，安全圈集体失眠。就在刚刚，Cursor也被一个中国AI翻了。清华NASP实验室用它深入底层架构，直接在权限校验逻辑里撕开了一道口子。攻击者一旦利用，可以任意写入文件，甚至接管Cursor整个开发环境。这个AI，是智谱刚发布的GLM-5.3。7530亿参数，体量只有Mythos的十分之一，安全评测的得分却实现了正面反超，国内安全圈今天也沸腾起来。

转发者评论

无明显转发评论

原文

看很多人在吐槽Deepseek Harness面向极客之类的，绝壁是老登对时代的逃避，尤其是很多营销号非常喜欢反着来吸眼睛，你扔给workbuddy、codex给你跑起来不就行了，看了dsh的论文就知道有多牛逼了，这个架构是生态建设上的最优解的一种，它卡位的是类似于PI Agent这种原子级的harness底层，甚至定位是agent os这种。未来围绕非code场景的agent底座很多产品或许会直接用这个来做agent os，就犹如今天很多code agent都是套壳claude code、codex之类的，只不过这次主角从编程变成了办公场景的os。今天说dsh难装，就像说不会装操作系统一样，装操作系统说是极客的能力范围，有些夸张了，不能说人人都会装，但人人都需要，就是这么个理。如果要给它一个历史定位，我愿意给它一个agent os层级的评价，至少论文里提到的那些东西当之无愧

转发者评论

无明显转发评论

原文

DeepMind换帅一周后，这场震荡还在持续——谷歌开始将它拆分肢解，把一部分自己吞进去。据路透社最新消息，在8月6日举行的Google DeepMind全员会上，管理层宣布：数个非技术团队将被移出DeepMind，转入谷歌的公司汇报体系。会上，哈萨比斯和接班人Koray Kavukcuoglu还在安抚员工，称实验室的日常工作不会发生变化。多数员工直到换帅消息对外公布时，才知道DeepMind即将发生重大调整。如今，他们又要面对一连串尚未得到回答的问题：究竟哪些团队会被迁走？谁来决定剩余项目的命运？那些不直接服务Gemini的研究，还能获得多少资源？这些问题，谷歌目前都没有正面回答。与此同时，另一位重要人物，也重新回到了Google AI的权力中心。谷歌联合创始人，谢尔盖·布林。他没有正式管理职务，却已经重新介入Gemini的模型训练和资源分配。过去几个月里，布林不断要求核心AI员工追上模型前沿，并推动资源向「递归自我改进」等方向集中。网页链接

转发者评论

无明显转发评论

原文

The Information 今天发了一篇四人联合署名的深度特写，标题是"Anthropic 的'第一夫人'：一条曲折的登顶之路"，第一次详细还原了 Anthropic CEO Dario Amodei 的妻子 Camilla Clark 的个人经历，以及她在公司中的幕后影响力。如果你在 Google 上搜 Cami Clark 这个名字，几乎什么都找不到。这是刻意隐藏的。报道称，在 Anthropic 过去一年快速崛起的过程中，Clark 已经成为公司幕后的关键角色。Dario 从新德里飞达沃斯，从达沃斯飞 Sun Valley，Clark 几乎从不缺席。多位知情人士称她是 Amodei 的"情绪压舱石"，在公司高速扩张和与华盛顿方面的冲突中为他提供决策建议。公司早期，她还曾探索过在 Anthropic 内部担任正式角色或管理一只基金的可能性。文章中几个细节很有故事性。Clark 早年曾向杰弗里·爱泼斯坦推销过一个成人内容方向的创业项目。她还曾创办一家女性健康公司，业务模式涉及分析用户的信用卡消费记录和 GPS 定位数据。【注：杰弗里·爱泼斯坦是因性犯罪被定罪的美国金融家，2019 年在狱中死亡。硅谷和华尔街多位知名人士曾被曝与其有过资金或社交往来。】她的社交圈也延伸到美国政治核心。记者 Cory Weinberg 在 X 上透露了一个场景：Dario 与特朗普政府的国防部发生公开冲突后不久，夫妻二人飞赴佛罗里达拜访 Jared Kushner 和 Ivanka Trump。Clark 和 Ivanka 私交不错。会面中谈到了 Kushner 投资 Anthropic 的可能性，但 Kushner 最终没有投。【注：今年早些时候，国防部长 Pete Hegseth 要求获得 Claude 模型的全部权限，威胁将 Anthropic 列为"供应链风险"。Dario 公开拒绝，称不能让 AI 被用于大规模国内监控和全自主武器。】前 Google CEO Eric Schmidt 是 Anthropic 的早期投资人。他最近举办了一场私人活动，举杯祝贺的对象是"Cami 和 Dario"，特意把两人并列。这个细节被文章用作了开头。Weinberg 说他用了六个星期采访内部人士、竞争对手和投资人，才拼出这幅拼图。他在 X 上写道，Clark 是"我做 Dario 人物报道时，报道程度最不充分的人物"。另一位作者 Jemima McEvoy 说，她们做这篇特写的起因很简单：在为 Dario 做人物报道时，一个名字反复出现。Anthropic 正在筹备可能于 10 月启动的 IPO，投资人预期估值超过 2 万亿美元。来源：网页链接内容为AI辅助生成

转发者评论

无明显转发评论

原文

【给GPU直接供高压电！英伟达弃用交流电：力推800V直流供电】英伟达联合谷歌、微软通过OCP推出业界首套AI工厂800V高压直流供电架构，大幅降低供电损耗，冲破算力扩展电力瓶颈，已有超80家设备厂商跟进，配套Rubin MGX平台2026年下半年正式出货。

转发者评论

无明显转发评论

原文

一位开发者用 GPT、Tripo 和 Codex，做出了一款可以旋转、放大、点击讲解的 3D 人体解剖应用。Codex 还把接近 900MB 的模型文件压缩到约三十分之一，让它能够更流畅地运行。当抽象知识变得看得见、能互动，AI 或许真的能让学习简单一点。#AI教育# 机器之心Pro的微博视频

转发者评论

无明显转发评论

原文

Claude Tag 做了一个更新：阅读全局信息，自主决定何时主动协作此前，Claude 由轻量级分类器决定何时介入。它只能处理单条消息，因此其主动行动仅基于当前消息内容，无法感知对话的全局上下文。现在，Claude 能够综合运用频道内的上下文信息、记忆存储以及用户预设的常驻指令，智能判断何时介入对话最为适宜。移除分类器后，Claude 会利用跨频道的上下文信息采取以下四种行动之一：- 直接回复——当回复内容简短、可验证，且包含该频道尚未知晓的信息时。- 当某条消息值得实时处理时，在对话线程中展开深入探讨。- 当消息能补入Claude 已开启的现有工作流时，将其路由到对应进行中的工作项。- 该沉默时沉默。Claude 在把握主动响应时机方面的能力提升了约 30%。Anthropic 表示，本次更新无需额外付费。虽然容纳更多上下文确实会增加 Claude Tag 的使用量，但 Claude Tag 所容纳的额外上下文不会计入任何套餐的使用量或支出限制。链接：claude.com/blog/claude-tag-now-reads-even-more-of-the-room

转发者评论

无明显转发评论

原文

1亿美元留不住！刚刚，余家辉官宣离开Meta创业。从2025年6月底加入，到2026年8月14日宣布离开，满打满算一年零一个多月。其个人网站也已更新履历。就在离职前几天，Meta刚刚推出Muse Spark 1.2。过去几个月，余家辉带领的多模态团队还接连交出了Muse Spark、Voice Mode、Muse Image和Muse Video。余家辉在官宣中表示，与扎克伯格、Meta首席AI官亚历山大王一起建设TBD Lab的经历「非常鼓舞人心且充实」。他也特意点名了团队这一年做出的几项成果，并表示，自己越来越被一个「对人类未来非常重要、但尚未被充分探索」的问题吸引。现在，这个问题将得到他的全部注意力。至于新公司叫什么、具体研究什么、有哪些合伙人，他一个字也没多说：More to share as the work takes shape.更多信息，等事情逐渐成形后再分享。网页链接

转发者评论

无明显转发评论