微博 AI 观察博客

原文

上海人工智能实验室这波操作有点意思。他们搞了个叫“书生·端砚”的科研平台，入口在 discovery.intern-ai.org.cn。新用户注册就送 5 亿 token，而且不是只能用一个模型——DeepSeek V4、GLM-5.3、Qwen3.8、Kimi、MiniMax 这些国产主力全都能调。5 亿 token 什么概念？普通人每月实际消耗大概 30-40 万 token，按这个节奏够你用一年多。而且 API 同时兼容 OpenAI 和 Anthropic 格式，改两行配置就能接进 Chatbox、Claude Code 或者你自己的脚本里。平台有 5 小时窗口限制，不是无限烧，大任务得拆着跑。另外它是科研平台，别把公司敏感数据往里塞，公开数据集和个人学习材料随便喂。还有用户反馈偶尔会遇到 429 限流，稳定性有待观察。

转发者评论

无明显转发评论

原文

一个纽约大学副教授，专栏作家在 Anthropic 待了几天后，写了对 AI 发展的 12 点感受，大家可以看看。原文翻译如下：我在 Anthropic 待了几天，跟那边的人深入交流了一番，关于 AI 的最新进展，以下是我的几点核心感受：我们离 RSI（递归自我改进）已经很近了。 也就是说，1、 模型自己造模型这件事，正在变成现实。这可能引发一波极快的技术跃迁，机遇和风险并存。有一些佐证：Anthropic 内部每位员工产出的代码量已经大幅上升，AI 能承担的模型研发工作比例也在持续攀升。这对整个人类社会来说，将是一段非常难以驾驭的转型期。2、AI 实验室之间的军备竞赛，对所有人都没好处。 我们当然希望 AI 公司做很多事：投资安全研究、防范模型蒸馏风险、在安全问题上彼此协作。但现实是，它们被困在一场争先恐后开发前沿模型的竞赛里，根本腾不出手来做这些。对此，我认为一个可行的方向是：前沿 AI 实验室应该开源自己的模型，比如可以托管在 AWS 这样的平台上，由它们来做验证。这么做的一个直接好处是，可以从根本上消除美国企业使用中国开源模型带来的安全隐患（在这些模型里排查恶意代码极其困难）。另一个触手可及的政策杠杆是：给 AI 实验室一把反垄断保护伞（就像 Schiff 和 Banks 提出的那样），让它们可以在安全问题上协调合作，而不必担心触发反垄断诉讼——现在这恰恰是个现实障碍。你还可以把这两件事捆绑起来：用反垄断豁免做胡萝卜，用强制开源旧款模型做大棒。其他容易推动的政策还包括：限制那些会产生蒸馏风险的活动（建立安全合规体系、减少中间推理过程的输出量）。3、 “对齐”这个概念其实混淆了两个相互矛盾的问题。 一种对齐是确保模型听从人类的指令。但我们在这方面做得越好，另一个问题就越突出：人与人之间本身就存在“对齐失败”——有人会恶意利用模型。在各种潜在风险里，金融领域的风险我觉得讨论得还远远不够。4、 一波网络攻击和其他安全事件可能很快就会到来。 中国的开源模型大约落后前沿水平六个月，这意味着它们正好赶上我们此前在 Mythos 等系统中看到的那种高级网络攻击能力。所以接下来，这些模型将开始造成大量实际损害。一个应对思路是：让开源模型的部署统一托管在 AWS 这类平台上，由平台来验证模型安全性，并为其使用承担责任。5、Anthropic 本身的人员配置相当充裕。 他们大量招人，某些岗位的冗余程度堪比日本企业，内部用 Slack 沟通，等等。这反倒让我对未来的就业前景多了几分乐观。6、 治理体系需要为 AI 集群（swarm）而更新。 传统的 AI 治理框架，比如 Claude 的宪法（Constitution），主要是围绕聊天机器人这种形态来设计的。但我们现在看到的恶意使用场景，往往涉及 AI 智能体与其他 AI 智能体之间的交互。这些智能体需要有清晰的激励机制…

转发者评论

无明显转发评论

原文

开始对比测试DeepSeek V4.1-Flash-1017 vs Astra vs Opus 5.5相同提示词：构建一个单文件 Three.js r128 (cdnjs) WebGL 页面，标题为“Ocean Shallows”：一个俯视视角的热带海洋充满整个屏幕，左上角有一个小型弯曲海滩。水域：- GPU 高度场波纹模拟，带有吸收屏幕边缘。- 折射和移动的焦散效果。- 长浪向海岸滚动，加上细碎的阳光闪烁。- 基于深度的颜色：靠近海滩处为浅 turquoise，近海处为深 sapphire。- 在海滩上，海浪破裂，冲刷上沙滩形成泡沫冲刷带和蕾丝状泡沫，然后退回并留下光滑的湿沙。- 一棵摇曳的棕榈树（树干和叶片）的影子投射在海滩和浅水区上。海床（烘焙）：- 波纹沙地和海草草甸。- 珊瑚头和巨石，带有接触阴影。- 珊瑚碎屑、海星、贝壳和海胆。生物：- 一个磨砂玻璃码头持有五张生物卡片。每张缩略图从真实的 3D 模型渲染：Manta、Spotted Eagle Ray、Blue-spotted Stingray、Moon Jelly、Sea Nettle。- 点击一张卡片，将生物沿弧线投掷入海，伴随水花、涟漪和水滴。- 拖动一张卡片，将生物悬停在水面上，然后将其放置在任意位置。鳐鱼：- 实例化的扁平双层身体，其翅膀沿跨度弯曲。Manta 和 eagle rays 会拍打翅膀；黄貂鱼的圆盘会起伏。- 每种都有尾巴和独特图案： - Manta：黑色背部带有白色肩部斑块、头胸鳍、白色腹部带有深色斑点。 - Eagle ray：深色背部带有白色斑点和环状图案，长鞭状尾巴。 - Stingray：棕褐色带有电蓝色的斑点、喷孔和条纹尾巴。- 鳐鱼在转弯时倾斜身体，在沙子上投射阴影，从触摸中逃离，并在水面附近留下尾迹。- Manta 和 eagle rays 有时会跃出水面并在空中翻转。- 黄貂鱼栖息在沙子上，受惊时会喷出淤泥。水母：- 脉动钟状体（快速收缩，缓慢放松）沿钟轴推动它们前进。- 半透明的菲涅耳着色。- 它们随洋流漂浮，并被漩涡拉扯。- 月亮水母：四个粉红色生殖腺马蹄形、放射管和触手边缘。- 海荨麻：琥珀色钟状体带有锈色条纹、长长的拖曳触手和褶边奶油色口腔臂。将这些绘制成面向相机的丝带，随其运动向后飘流、直垂而下，并在空中悬持时滴落。控制：Rain、Whirlpool（拖动以移动它）、Calm、Clear sea、Sound（合成海浪声与冲刷同步，加上水花和叮当声）、Hide UI。添加键盘快捷键 R / W / C / M / H。UI：英语，Fraunces + Nunito Sans 字体，响应式移动布局，一个生物计数器（“4 rays · 5 jellies”），一个 48 生物上限和自适应渲染质量。 i陆三金的微博视频

转发者评论

无明显转发评论

原文

#日网友称DeepSeek颠覆格局# （近期DeepSeek新模型发布引发日本舆论震动，其以极低成本打破算力迷信的硬核实力，叠加日本本土AI“套壳”翻车的尴尬，让日网友直呼全球AI格局已被颠覆。）DeepSeek用0.2美元完成的任务，让日本人意识到两件事：算力不是唯一路径，自家AI是套壳货。号称日本最强的乐天AI被扒出直接由DeepSeek V3微调改名而来，拿着公共资金做贴牌生意。这事刺痛的不只是民族自尊，更是技术判断。过去十年的共识是AI靠堆钱堆芯片，现在有人用十分之一的成本做到同等性能，证明架构和算法还有巨大的优化空间。有日本专家认为中国开源战略的成功，本质上是印证了一个事实：技术的护城河不在于独占硬件，而在于工程方法能否复制。美国公司往数据中心砸千亿美元，如果有人用千万级成本达到相近效果，这笔投资就成了沉没成本。技术竞争最残酷的地方在于，错误的路线投入越多，转身代价越大。

转发者评论

无明显转发评论

原文

预计到2030年，AI能承担人类75%工作Anthropic罕见连发两份重磅内部报告1334名Anthropic员工平均认为，再过四年，AI就能做完自己眼下75%的工作；同一道题拿去问外面的美国打工人，答案只有28%。超过一半的员工笃定AI能包揽自己八成以上的活，美国劳动者里敢这么想的，只有寥寥5%。91%的员工相信2030年前AI就能做出诺奖级发现，58%的人觉得2027年就能见分晓；美国成年人里，只有39%信。这道认知鸿沟背后，是离奇点最近的这群人，已经提前活进了另一种日常。同一天公开的另一份内部报告。这份《Anthropic内部就业变化》调出了公司的人事、产出和Agent运行记录。今年3月，算上后台昼夜不停的自主任务，全公司Agent干活的总时长，第一次超过了全体人类员工。仅仅5个月后，只算员工亲手派出去的Agent，工时也从2月不足人类的五分之一，一路狂飙到了人类的6倍。有人把公司里的空气形容为「永恒的压力」，所有人都被这支军团推着往前狂奔，用Claude干一切事。

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-10-18】今日简讯：1、两部门拟调整技术出口目录，涉及23项人工智能技术2、DeepSeek更新V4.1 Flash，同步开放自研搜索接口3、“风清”AI集合天气预报系统投入业务运行4、AXP智能体互联平台发布，支持跨域协同与协议转换5、Anthropic内部研究：初级技术招聘占比下降6、Claude参与量子电路设计，降低部分计算资源需求以下为详细内容1、两部门拟调整技术出口目录，涉及23项人工智能技术来源：商务部、科技部商务部、科技部就修订《中国禁止出口限制出口技术目录》公开征求意见，拟增列人工智能、生物医药、光伏三个领域共40项技术，其中人工智能涉及大模型、智能体、算力集群和信息处理等23项。公告明确，已通过开源、发表学术论文等方式进入公共领域的技术不纳入管理范围。同时，附件所列技术的出口前临时登记已从公告发布之日起实施，覆盖向境外转让所有权、授权境外使用，以及所有权人或实际控制人变更为境外主体等情形；已开始但尚未完成的出口也在登记范围内。原文链接：网页链接2、DeepSeek更新V4.1 Flash，同步开放自研搜索接口来源：DeepSeekDeepSeek更新V4.1 Flash模型，网页、手机应用与开发者接口同步升级，原有调用名称及价格保持不变。官方称，新版本提升了编程、工具使用和复杂任务表现，同时缩短任务运行时间与输出长度，并针对自有智能体框架及腾讯相关工作平台进行了优化。同期开放的自研搜索接口提供网页搜索与抓取能力，供外部应用接入实时信息。官方介绍，该引擎索引全球千亿级网页，支持多语言检索，并针对搜索排名作弊、生成式搜索操纵及低质人工智能生成内容设置过滤机制。此次更新同时覆盖模型执行与信息获取两环，开发者可沿用原接口调用新版模型；相关性能和搜索规模为官方披露。原文链接：网页链接3、“风清”AI集合天气预报系统投入业务运行来源：IT之家“风清”人工智能全球短中期集合天气预报系统V1.0通过业务化评审，正式投入全国气象业务运行。系统由国家气象中心牵头联合研发，依托国家超级计算天津中心相关AI4S集群完成训练与迭代，数据、模型和算力实现自主可控。据介绍，系统融合视觉Transformer与气象物理约束，刻画大气运动的不确定性，用于提升暴雨、台风、强对流等灾害性天气的概率预报能力，全球有效预报时效可达11天。借助超算支持，系统可在数分钟内完成全球大范围气象要素推演，后续将服务防灾减灾、交通运输、能源调度和生态保护等领域。此次进展是进入业务运行，研发团队仍将持续优化精度与预报时效。原文链接：网页链接4、AXP智能体互联平台发布，支持跨域协同与协议转换来源：IT之家紫金山实验室联合中国移动、江苏未来网络集团及江苏省未来网络创新研究院，发布基于确定性网络的智能体互联平台AXP。平台将计算资源与网络调度结合，支持异构智能体协议…

转发者评论

无明显转发评论

原文

OpenCode 遭入侵，1.4% 的 Console 用户受影响；没收到邮件就没受影响OpenCode 10 月 17 日发帖说，前一天晚上发生了一起安全事件，和一次大规模“蒸馏攻击”有关，受影响的是 1.4% 的 OpenCode Console 用户。OpenCode 是一款开源的 AI 编程工具，在命令行里让 AI 帮你写代码，可以接 Claude、GPT、Gemini 等各家模型。Console 是它的网页账号后台，用户可以在里面绑定自己在其他 AI 服务商的账号。怎么知道自己有没有受影响？看邮箱。官方说 17 日上午已经给所有受影响的用户发了邮件，没收到邮件就是没受影响。受影响的是 Console 里绑定了外部服务商的一部分用户，没绑定的不在其中。收到邮件该怎么办，官方公开的帖子没写。据 OfficeChai、Notebookcheck 等科技媒体转述，邮件里说“工作区里保存的第三方服务商密钥（比如 OpenAI、Anthropic）可能已经泄露”，要求用户到各家服务商后台作废旧密钥、换成新的，更新用到这些密钥的程序，再查一查最近的用量有没有异常。这部分来自媒体报道，OpenCode 的公开帖里没有。“蒸馏”指拿一个强模型的大量回答去训练另一个模型，让后者学到前者的本事。Anthropic、OpenAI 等公司都禁止别人这样用自家模型。这次入侵和蒸馏攻击具体是什么关系，官方没说。OpenCode 说事件还在处理中，暂时不能透露更多细节，正在和 Anthropic、OpenAI、Google 一起处理。原文：网页链接媒体报道：网页链接

转发者评论

无明显转发评论

原文

DeepSeek 发布 V4.1-Flash-1017：做事更快、回答更短，官网和 App 已换新；联网搜索 API 每千次 5 元，11 月 1 日起收费DeepSeek 发布 V4.1-Flash 的升级版 V4.1-Flash-1017（1017 指 10 月 17 日）。官方说它测试分数更高、完成任务更快、输出更短。输出短，消耗的 token（AI 计费单位，可以理解成文字碎片）就少，同一件事做得更好，也更省钱。普通用户打开 DeepSeek 官网或 App 用的就是新版。开发者调 API 的模型名还是 deepseek-flash，代码不用改。这一版主攻从零做完整个项目，演示里它从头做出了小游戏和 3D 模型。官方在 Hugging Face 公布的测试里，进步最大的是让 AI 在命令行里自己敲命令干活，从 31.2 分涨到 42.3 分。和 Anthropic 的 Opus 5 比，几项自动办事的测试它分更高，高难度问答和写完整程序仍然落后。这些分数都是 DeepSeek 自己测的。另一件事跟开发者的钱包有关：DeepSeek 把自家搜索引擎开放成接口。Search 输入关键词返回网页结果，Fetch 给一个网址把网页内容抓成文字，合起来能让 AI 应用上网查资料。每个接口每 1000 次成功请求收 5 元（英文版标 0.75 美元），失败、没搜到、超时不收钱。如果你把 DeepSeek API 接进 Claude Code、Codex 或 DeepSeek 自家的编程工具 DeepSeek Harness 当背后的模型，这些工具里 AI 自动发起的搜索和抓网页目前免费，北京时间 11 月 1 日零点（10 月 31 日 16:00 UTC）开始按次收费。模型同时开源，MIT 协议，允许商用，可在 Hugging Face 和魔搭社区（ModelScope）下载。它有 7630 亿个参数，个人电脑跑不动，主要给企业和云服务商自己部署。模型下载：网页链接搜索 API 文档：网页链接

转发者评论

无明显转发评论

原文

#模型时代# AlphaGo主程序员、Ineffable Intelligence创始人David Silver：放弃人类数据，超级智能三年内到来2026年10月13日，Sequoia Capital播客节目Training Data发布了一期对话，主持人Sonya Huang与Ineffable Intelligence的两位联合创始人David Silver和Lasse Espeholt深入交流。Silver是AlphaGo主程序员、AlphaZero、AlphaStar和AlphaProof等系统的核心负责人，在DeepMind担任强化学习负责人超过十年，同时是伦敦大学学院教授；AlphaProof是攻克国际数学奥林匹克题目的AI系统；Espeholt是大规模强化学习工程架构的先驱，其在DeepMind期间开发的IMPALA和在Google Brain开发的SEED RL成为业界RL基础设施的源头。2026年1月，Silver离开DeepMind创办Ineffable Intelligence；4月，公司以51亿美元估值完成11亿美元种子轮融资，由Sequoia Capital和Lightspeed领投，Nvidia、Google、Index Ventures等跟投，创下欧洲初创公司最大种子轮纪录。目前团队仅20人，是GCP上最大Vera Rubin（NVIDIA最新一代GPU架构）集群的首批客户。Silver在对话中拿出了他预测技术突破时间点的纪录来背书：围棋是提前十年预测，最终准确到了年份；StarCraft和数学奥林匹克同样提前数年命中。基于同样的判断框架，他说一年内会出现superlearner路线可行的强有力证据，三年内实现超级智能。他原本估计三到五年，最近把时间线往前提了。他给超级智能下了精确定义：一个系统能在科学、数学、技术、语言等所有领域自主发现远超人类已知水平的知识。一、Superlearner：一条和大模型方向相反的路1、从AlphaGo到AlphaZero的核心教训Silver花了两年时间构建AlphaGo，过程和今天的大模型路线很像：大量人类数据、人工参与每一轮迭代、逐层手动改进。这套方法击败了李世石。但当团队放弃人类数据，转向AlphaZero时，同样的目标只用了几个小时就超越了两年的成果。在国际象棋上，AlphaZero用四个小时击败了有史以来最强的AI；在围棋上，几天就远超AlphaGo。Silver把这个经验直接映射到当下的AI格局：全世界已经有数万甚至数十万优秀研究者都在做同一件事，沿着大模型路线推进预训练和后训练。他问自己，“我要成为追这条路线的第十万零一个人吗？”他的判断是，存在另一盏没人在看的路灯，如果把精力放在那里，产生巨大影响的概率反而更高。2、Superlearner的定义：深度加广度Silver对sup…

转发者评论

无明显转发评论

• 现在的说法的时间范围是三个月到三年。。。[doge]

原文

蒲公英书系列，复旦 @邱锡鹏 老师的四本开源书！都可以在 nndl.ai/ 网站阅读和下载。四本书是1. 神经网络与深度学习 第二版（蒲公英书）邱锡鹏·已由机械工业出版社在今年出版系统介绍神经网络与深度学习的理论与方法，覆盖从感知机到 Transformer 的完整脉络，适合系统学习。2. 神经网络与深度学习：案例与实践 实践篇（第二版）邱锡鹏·已由机械工业出版社在今年出版配套理论书的实战教程。PyTorch 主推实现已覆盖 10 章，从前馈神经网络到大语言模型与智能体，每章含可运行 notebook 与 sanity 测试；PaddlePaddle 版（第一版印刷书指向）独立保留。3. 神经网络与深度学习（通识版）面向更广读者的入门读本邱锡鹏·已由机械工业出版社在今年出版从机器学习和神经网络的直观基础出发，延伸到大语言模型、智能体、多模态、科学智能、具身智能与AI治理，弱化数学推导，适合非专业读者与入门学习。4. 大模型与智能体从基础原理到系统构建与未来展望邱锡鹏·已由机械工业出版社在今年出版围绕共用基础、大模型、智能体、边界与未来四条主线，系统讲解大模型与智能体的原理、构建与前沿。

转发者评论

无明显转发评论

• //@LangChainAI:转发微博

原文

[LG]《LLM-to-Flow Distillation: Teaching Natural Language Goals to Scientific Generators》R D Santi, F D Gennaro, A Gnazzo, S Tang… [ETH Zurich & Technische Universit ̈at Wien] (2026) 在分子设计中，让模型执行自然语言指令是悬而未决的难题。过去的方法受困于代理打分器，本质原因是实验指标难量化，拟合模型易失效且诱导作弊。本文的核心洞见是：把语言模型重新看作因材施教的导师。由此，按模型现状拆解阶梯子目标并给出对比判断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弃用标量奖励的文本控制架构。它为后来者打开的新门是将宏观推理映射为微观坐标，但尚未跨过的门槛是接入湿实验反馈。arxiv.org/abs/2610.17246 #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

• 这项工作抓住了两个被长期忽视的事实：大模型不擅长精细计算，但懂得权衡优劣；数值奖励函数容易被钻空子，语言推理更难作弊。传统科学生成任务之所以陷入困境，是因为目标太远，初始模型几乎采样不到有用样本，梯度无从谈起。LFD的解法很直接：让大模型根据生成器的当前水平出题，从简单目标开始，逐

原文

花叔（写橙皮书的那个）对DeepSeek-V4.1-Flash-1017的测试 #微博视频号续航计划# “昨晚拿10多个案例疯狂实测了一波DeepSeek-V4.1-Flash-1017：：发布会PPT、动效片、网页版传送门、纪念碑谷解谜关、KV cache解说动画、千里江山图里游出一条鲸、故宫3D…花了5亿token，28块钱！！！结论是，除了订阅的Claude Code和Codex，它可能是现在能用到的价格最低、效果最好的选择。审美和长程任务跟Opus5.5还有差距，但配上好的skill，已经能做出很不错的东西了。9个案例的提示词原文、用到的skill、每个花了多少钱都整理好了”地址：www.huasheng.ai/resources/deepseek-v41-flash/ 蚁工厂的微博视频

转发者评论

无明显转发评论

原文

[LG]《Training Language Models to Fail Gracefully》D Arora, X Liu, H G Singh, F Tajwar… [CMU & UC Berkeley] (2026) 在强化学习领域，机器无把握时主动退让是一个悬而未决的难题。过去的方法受困于盲猜或彻底罢工，本质原因是常规梯度在概率饱和区会彻底消失。本文的核心洞见是：把奖励期望最大化重新看作成功与避错的对数优化。由此，构建维持非零梯度的概率屏障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强化学习能内化机器的能力边界感。它为后来者打开的新门是纯反馈驱动的自发避险，但尚未跨过的门槛是离线训练与长程任务落地。arxiv.org/abs/2610.20401 #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

• 只按成败给分，模型乱猜总是划算：猜错不扣分，蒙对就有分。给“放弃”也发点分，看着公平，训练中模型却容易发现一直放弃最省事，再不去尝试。这篇论文抓住的正是这点：奖励定成多少是一回事，模型能不能顺着梯度走到那个平衡点是另一回事。扫雷的结果也好理解，少踩一次雷就多走一步，多走一步就多一

原文

一位 Anthropic Claude 的技术主管分享了一条提示词，总结得非常好。我看过很多提示词技巧，觉得这是少数真正能提高 AI 输出质量的，值得直接收藏。这条提示词要解决的核心问题就一个：逼 AI 把任务做深，做透。它厉害的地方在于，同时修正了 AI 最常见的四个问题。第一个，我们经常不知道自己遗漏了什么。你提需求的时候觉得已经说清楚了，但一个外行能想到的问题，跟一个顶尖从业者能想到的，差距非常大。让 AI 先从专家的角度重新审视你的任务，它能找出那些你根本想不到的要求。第二个，AI 特别容易在二手摘要上继续总结。你给它一段资料，它总结一遍；你再问一次，它在自己的总结上再总结一遍。信息每转述一次就失真一点，几轮下来核心内容可能已经变形了。所以要明确要求它回到原始数据：源代码、论文、财报、日志、用户访谈，从一手材料出发。第三个，我们总爱说“深入分析一下”，但这四个字太模糊了。AI 听到这个指令，只会给你堆更多的字。你得告诉它用什么方法、什么工具、什么框架去分析，这样出来的东西才是能执行、能复查的。第四个，也是最关键的一点：不能让 AI 自己宣布答案正确。代码写完了要通过测试，研究做完了要能追溯来源，预测给出来要接受数据检验，产品方案出来了要由真实用户和业务结果来验证。自己判自己的卷，永远满分，这没有意义。你回头看这条提示词，背后其实是一套完整的工作方法：先找到遗漏的问题，再回到一手材料，然后明确专业方法，最后交给外部证据验证。每一步都在逼 AI 离开舒适区。所以以后如果觉得 AI 的回答看起来挺完整，读完却没有真正获得新东西，先别急着让它继续扩写。把这段提示词发回去，让它重新定义任务。逼模型先补遗漏再动手，比一味加字数管用得多。#科技先锋官##how i ai#

转发者评论

无明显转发评论

原文

感谢微博颁发的2026年度最具成长力大V奖。这个时候，就要祭出AI行业的滑动变阻器了。声明一下，本人从未诋毁微博，从未诋毁夹总，不，来总。要把来总，从“小来”滑动到“来圣”，为什么不直接滑动到“来神”呢？那是怕他骄傲。其实我本来就不是一个搞自媒体的，而是一个创业者。为什么在微博上活跃呢？因为AI行业发展太快，不及时跟进，几天就落后了。AI一日，世间千年，信息简直就像爆炸一样。你能想象deepseek v4.1 flash其实是9月份的模型，现在看着好像过去一个世纪了一样。这也是文字媒体在AI时代的优势，你看隔壁马斯克的X，很多最新信息都是先在X上出现，而不是在视频平台。很多信息和技巧，我都是从微博上看到的，并用于生产实践。现在，AI还在很早期，微博完全可以抓住机遇，发挥更大的作用。很多AI项目的合作，也是别人看到我在微博上的帖子，来找我们谈的。目前占我们的整体项目，大约有10%左右的量。微博上的内容也比较丰富，可以给大家介绍一下。@高飞 这边有很多最新的AI行业信息，访谈，播客等等，可以让人思考宏观产业形势。@karminski-牙医 他自己常常说他是攒电脑的垃圾佬，其实我知道他是前掘金技术总监，对大模型测评，底层理解深刻，可以学到很多东西。@蚁工厂 各种资源、工具、开源项目、教程的分享非常多，找资源就关注他。@i陆三金 有很多新的想法，比如claude opus 5.5做视频，就是他最早发现的。@AIGC·非著名程序员 是一个非常努力的程序员，不光是AI，对于IT行业分享也很多。@Transformer-周 似乎是大厂的，对于模型底层、硬件都有了解。@路过银河 非常早的AIGC方面的创作者，分享的提示词，甚至被人做成了sd webui的插件。@煎饼英语课 做英语教学的，但是对于AI非常感兴趣，把AI应用到实际工作产生了效益。微博很大，高水平的大V很多，我就不一一列举了。我没啥本事，比较俗，无非就是善于把大家分享的东西，用于项目，最后赚到了钱而已，收益很不错。同时，也感谢微博的工作人员@一伊 @·NANA子· 非常细致的工作，正是你们的辛苦付出，让微博越来越繁荣。最后，也感谢各位粉丝对我的支持，由于项目太多，没有你们的支持，我都没法坚持创作。感谢大家，祝大家渡过一个愉快而美好的周末。#微博V影响力大会##科技V影响力#

转发者评论

无明显转发评论

原文

#DeepSeekV4.1Flash更新# （10月17日，DeepSeek V4.1 Flash正式更新至1017版本，凭借底层技术突破实现极简许愿式编程，在大幅提升代码与Agent能力的同时进一步降低了任务成本。）跑分第一会被下一个新模型刷掉，单任务1.3元才是能留下来的东西。价格低到这个程度，企业会把原先不敢交给模型的零碎活成批丢过去。“许愿式编程”的说法要打折看：许愿的人得说清自己要什么，还得看得懂交回来的代码，这两件事模型替不了。故宫建模、复刻《传送门2》是挑过的样品，日常项目里难的是没写下来的需求、旧代码和权限。自研搜索还要过滤AIGC内容，说明做模型的人也怕吃到别家模型生产的垃圾。

转发者评论

无明显转发评论

原文

Anthropic 公布内部数据：AI agent 工作时长已是员工 6 倍，技术岗新招的初级员工占比从 27% 降到 9%Anthropic 10 月 16 日发布两份报告。一份讲 AI 怎么改变了 Anthropic 自己的招聘和工作方式，另一份比较 Anthropic 员工和普通美国人对 AI 前景的预期。两份报告合起来的结论是：员工和公众对 AI 怎么影响就业的理解差不多，预期差距主要来自每天用 AI 的亲身体验不同。先看招聘。Anthropic 技术部门新招的人里，初级岗位的比例从 27% 降到 9%，2025 年 12 月之后初级职位的招聘明显减少。技术部门员工占全公司的比例从 61% 降到 56%，不过技术岗的绝对人数还在增长。面试评价里提到候选人会不会用 AI 工具的次数，比 2024 年多了好几倍，技术岗约 3 倍，非技术岗约 4 倍。再看 AI 干了多少活。2026 年 3 月，AI agent 的累计工作时长第一次超过员工。到 8 月，员工自己调用的 agent 工作时长已是员工的 6 倍。这里员工工时按每人每周 40 小时估算，agent 只算实际运行和调用工具的时间。产出跟着涨。工程师人均代码提交量是半年前的 5 倍，律师处理的合同、销售签下的单子也变多了。研究人员追踪了 192 位开始用编程 agent 的工程师，发现他们用上之后写的代码明显增多，而且 agent 写的代码和人写的代码，后来被删掉或撤回的比例没有差别。新的瓶颈是人的注意力。报告统计，Claude 的会话里大约 80% 的时间在等人回复。员工花在“管 AI”上的精力越来越多，比如给 agent 写固定指令、检查 agent 的产出、搭监控流程，这类工作在员工使用 Claude 的过程中占比从 2025 年秋天的 10% 涨到 2026 年春天的 22%。4 月的内部调查里，20% 的员工说自己的角色正从亲手干活变成管理一群 Claude。Anthropic 认为自己可能是个先行指标，AI 用得最深的公司现在出现的招聘和分工变化，以后可能出现在更多行业。报告也提醒，它是 AI 公司，又处在高速扩张期，这些数字不能直接套到普通企业身上。第二份报告用 1334 名员工的内部问卷，和调查公司 Morning Consult 8 月对近 1.1 万名美国成年人的调查做对比。差距最大的两道题：认为 AI 到 2030 年能做出诺贝尔奖级别发现的，员工 91%，美国人 39%；认为到 2030 年 AI 能干自己现在八成以上工作的，员工超过一半，美国人只有约 5%。员工内部也有分歧，大约 2 成员工的预期和普通美国人差不多。预期差这么多，推理方式却相近。两组人都是觉得 AI 能替自己干的活越多，就预测失业率越高。比如美国受访者里，预计 AI 能干自己八成以上工作的人，预测 20…

转发者评论

无明显转发评论

原文

[LG]《Are We Overthinking One-Step Generation?》W Park, J Kim, Y Du, S Chen… [Seoul National University & Harvard University] (2026) 在单步生成领域，直训是一个悬而未决的难题。过去的方法受困于极高算力，本质原因是噪声直连数据的跨度极大，初始网络毫无流形认知。本文的核心洞见是：把分布拟合重新看作含底座的过渡。由此，单层噪声去噪这一关键操作使问题得以解开，它锚定数据流形，令特征对齐极速收敛。这项工作真正留下的遗产是证实预训练可平替复杂框架。它为后来者打开的新门是用一成算力刷新画质，但尚未跨过的门槛是外部编码器依赖与多步模型壁垒。arxiv.org/abs/2610.20331 #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

• 这项工作最有价值的地方不在于省了90%算力，而在于用实验回答了一个被复杂工程掩盖的问题：一步生成为什么难训练？答案不在轨迹设计或采样策略，而在网络初始化时，输出对参数的响应结构根本不支持分布匹配。固定噪声去噪这个看似无关的任务，恰好重塑了雅可比矩阵，让后续训练从爬陡坡变成走平路。这

原文

Claude Code 团队公开了他们审代码的做法：代码大约九成由 Claude 写，六月到九月合并的修改翻了一倍多，需要撤回的比例反而降了四成多。这期用一摞带洞的奶酪片讲这套做法：每道检查都会漏，叠起来就很难漏，底下还有一张网兜底。片中回答五个问题：哪些修改还要人看，AI 审 AI 会不会没完，审查的 AI 漏了怎么办，人不读代码怎么懂代码，出了事算谁的。人不再逐行读代码，时间花在机器做不好的判断上。--- 文稿 ---Claude Code 团队的九成代码都是 AI 写的，他们是怎么审查代码的？如果 AI 替你写作业，一天写一千份，老师批得过来吗？写代码的公司，现在就碰上了这件事。Claude Code 是 Anthropic 做的编程助手。它自己的代码，大约九成是 Claude 写的。Anthropic 全公司的代码库，九月份一天要合并三万多次修改（五月份还是每天 2500 次左右）。靠人一行一行看，根本看不过来。可 Claude Code 团队说，从六月到九月，他们合并的修改翻了一倍多，需要撤回的比例反而降了四成多。看的人少了，错反而少了。这是怎么做到的？【什么是代码审查】先说程序员平时怎么防出错。改完代码，不能直接放进产品，要先交一份修改申请，英文叫 PR（Pull Request）。同事一行一行看，挑毛病，点了头才能合并。这叫代码审查。就像作文交上去，老师批过，才能贴上墙。合并以后才发现出了问题，就得把修改撤回来。撤回得越多，说明漏掉的错越多。【一摞带洞的奶酪】Claude Code 团队觉得，“有没有人读过代码”，这个问题问得太粗。更该问的是：这一次修改可能出什么错？哪一道检查最适合拦住它？可以把每一道检查想成一片带洞的奶酪。每一片都能挡住一些错，也都有洞，会漏掉一些。好几片叠起来，洞很难对齐，错误就很难一路穿过去。最底下再铺一张网，真漏下去了，也能很快捞回来。这一摞奶酪里，大部分片是机器。人的时间最珍贵，它花在两头：一头是审代码，一头是出了事去救火。只省前一头，救火的时间涨上去，等于没省。所以他们盯着两个数：人花了多少时间，撤回和事故有没有变多。【跟着一次修改走一遍】从作者的电脑到用户手里，一次修改走的是一条流水线。前面那几片奶酪，就排在这条线上。上流水线之前：自己先验。 代码还在自己电脑上，没有提交。Claude 写完代码，要自己跑测试、编译、做代码规范检查，把结果摆出来。光说一句“做好了”，不算数。然后再派一个新的 Claude，它没看过刚才的过程，单独审一遍，就像写完作文请一个没看过的同学挑错。一提交，就上了流水线。 这条自动化的流水线英文叫 CI（持续集成）。从这以后，每提交一次新改动，机器都会自动从头查一遍，不用谁去点。线上依次是：- 自动检查： 代码规范、类型、在各个系统上跑测试，再编译、打包。红了一项，就不能合并。- AI 审…

转发者评论

无明显转发评论

原文

[CL]《DuoDiscover: Scaling Autonomous Discovery Beyond the Evaluation Bottleneck》S Agarwal, A Gupta, M Heddes, D Soylu… [Google] (2026) 在底层优化领域，验证耗时是一个悬而未决的难题。过去的方法受困于探索停滞，本质原因是真实运行动辄数小时，锁死试错空间。本文的核心洞见是：把单纯寻优重新看作目标与微型评估器的联合发现。由此，让AI自建秒级脚本代替耗时全局测试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横跨软件至芯片的自主提速管线。它为后来者打开的新门是绕开物理测试壁垒，但尚未跨过的门槛是应对无法剥离出廉价测例的死角。arxiv.org/abs/2610.17184 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

• 真实评测一次要几小时，搜索只够试几次，这是论文要解决的问题。DuoDiscover让每个智能体自己造一把快尺子，用它爬坡，再拿真实评测核对排序，偏了就作废。有心得说它“拥抱奖励劫持”，这说过了头：系统承认代理指标会失真，钻空子得来的分数照样会被淘汰。“自底向上胜过全局规划”也要打折扣，编排

原文

#模型时代# Greg Isenberg：48 小时硅谷AI观察我在旧金山待了48小时，见了不少亿万富翁、数据实验室，以及掌管着价值10亿至1000亿美元公司的AI创始人和高管。以下是我的观察：1. 听到了太多数据经纪人向AI实验室出售企业数据、每周赚进约200万美元的故事。我分不清这究竟是一个市场的开端，还是一场泡沫，也一直在想：还有哪些细分领域留有机会？我正在认真研究这件事。2. 一次晚餐上，有人问在座的人：“如果下个月发布一个新模型，你的公司会变得更好，还是更糟？”半桌人都沉默了！我觉得，这是当下审视任何一家AI创业公司时，最值得问的问题。3. 如今，人们挂在嘴边的目标是：12个月内做到10亿美元营收。我猜，这就是新的“独角兽”标准？但我很少听到有人谈留存。AI公司的收入来得快，去得也快。我觉得，接下来会看到不少营收惊人、留存却糟糕透顶的AI公司。4. 很明显，我们正在经历计算机的重新发明。模型是CPU，harness（承载模型运行、调用工具和执行任务的框架）是操作系统，技能和插件则是应用。沿着这个思路看，更容易发现还有哪些空白值得填补。5. 也许再过12个月，就会出现这样的智能体：观察你工作一周，然后无需任何指令，就能接手你的工作。屏幕录制、智能体记忆与本地模型结合起来，如今已经让这件事在技术上成为可能。6. 智能体harness给我的感觉，很像新一代“GPT套壳”，这里说的是积极意义上的，尤其是面向垂直行业的产品。我聊到的优秀团队，都把模型视为可替换的部件。一位创始人向我展示了他们如何给不同任务分配不同模型：一个负责审美和视觉，一个更便宜的模型处理日常任务，另一个负责文本。 他们优先使用可以跨模型迁移的提示词，而非依赖微调。测试输出效果时，他们会做A/B测试，观察用户实际如何使用结果：会不会修改、导出或分享？面向垂直行业的harness，基本由四部分构成：接入行业数据的连接器、由真正懂业务的人编写的评测、限定智能体操作权限的规则，以及供人审核结果的简洁界面。模型可能只占其中的20%。7. 逆向工程和克隆软件的现象，比我以往见过的任何时候都多。人们正在反编译软件，再用智能体把它重建出来。有人向我展示了一整套大约10款应用的开源克隆版，全是他做的，而这些应用的原版每款都价值50亿美元以上。当软件变得如此容易复制，这究竟意味着什么？我和其他人都还在琢磨。8. 我的判断是，价值会向数据转移。如果软件可以迅速重建，那么一家传统SaaS公司真正值得付费购买的，便是其中积累多年的客户数据和业务流程。有些SaaS公司，实际上是藏在软件外壳里的数据公司。 这让我开始思考，该如何准确评估这些SaaS公司的数据价值。举个例子，假设我们过去按年度经常性收入（ARR）的两倍，收购那些走向衰落的SaaS公司，也许现在应该寻找更合适的估值指标。我还没有答案，只是把想法说出来。…

转发者评论

//@CC女士不是西西:关于第20点创始人，最近看到一个帖子说YC现在满是镀金型/观光客创始人，有点搞笑，真的是时代不同了。说YC投资的公司，如果拿不到a16z或红杉的融资，创始人就直接散伙，回去打工，这段创业经历还能当成镀金的履历。不过这也和AI行业融资金额远高于以前有很大的关系，YC的50万美金买

• //@CC女士不是西西:关于第20点创始人，最近看到一个帖子说YC现在满是镀金型/观光客创始人，有点搞笑，真的是时代不同了。说YC投资的公司，如果拿不到a16z或红杉的融资，创始人就直接散伙，回去打工，这段创业经历还能当成镀金的履历。不过这也和AI行业融资金额远高于以前有很大的关系，YC的50万美金买

原文

[AI]《Scalable Weak-to-Strong Verifier Hardening for Agent Environments》C Zeng, Z Zhong, K Zhang, I Bercovich,… [Stanford University & CMU & Fewshot Corp] (2026) 在评估领域，模型篡改代码骗分是一个悬而未决的难题。过去的方法受困于人工修补，本质原因是验证器未被隔离，且静态规则赶不上模型进化。本文的核心洞见是：把环境加固重新看作机器自我博弈。由此，隔离验证器并让模型交替执行攻击与修复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自动化攻防流水线。它为后来者打开的新门是用现有模型提前净化环境，但尚未跨过的门槛是防御上限受制于黑客的探测力。arxiv.org/abs/2610.15924 #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

• 这篇论文做了一件聪明的事：让今天的弱模型去修补明天强模型可能钻的空子。关键在于给攻击方开后门——直接看验证器代码，这样弱模型也能找到漏洞。实验表明了一个事实：修漏洞会引发新漏洞，篡改测试结果被堵住就改依赖库，依赖库加固就攻击缓存，安全从来不是一劳永逸的事。更麻烦的是如何不误伤：直

原文

Deepseek 发布了 V4.1 Flash 1017 版本他这个 DeepSeek SWE V1.1 测评，他自己这个基准上这个图有点离谱了啊，完爆了所有模型！整体能力再次大幅提升，同时缩短了模型的任务运行时间和输出长度，能以更低的成本完成同样的任务。另外，他们这次着重强调了可以从零开始完成整个项目的开发：不用人工干预，用非常简单的提示词就行，类似 OpenAI 5.5 这种一句话做个视频或一句话做个游戏。还有一个比较重要的点是它开放了自研的搜索 API。Deepseek 在国内信息数据的搜索结果上非常精准且强大，所以这个 API 挺有用的，可以给你的 Harness 配上

转发者评论

无明显转发评论

原文

有人开源了小学全学科知识图谱：os-taxonomy，数据涵盖1590个知识点、3221条依赖关系可以拿来做AI家教或者RAG外挂，也有人把它包成MCP，让Agent直接查询“学这个之前要掌握什么”、“到这个目标的最近路径”我认为值得关注的地方是：它把知识之间的先后依赖关系显式化了，AI不只能回答孩子眼前的问题，还可以结合测评结果识别可能缺失的前置知识，来规划下一步应该学什么比如说，孩子要理解水为什么会沸腾，就需要先理解温度、热量以及水的状态变化那知识图谱能把这些前置知识与后续概念连接起来，让学习不再只是孤立的硬记课本内容它解决了教育的三个关键问题：学什么？ 把分散的课程内容拆成结构化知识单元先学什么？ 显式标记知识之间的依赖关系怎么学？ 为AI辅导、知识缺口诊断、个性化学习路径提供结构化基础他们自家也基于这个图谱，做了一个孩子可以交互实验式学习的产品图谱目前覆盖了科学、数学、英语等8个学科，对齐的是美英课标，NGSS/Common Core/英国国家课程github：网页链接#AI教育##教材知识图谱##AI小学教育##AI互动式学习# AIGCLINK的微博视频

转发者评论

无明显转发评论

原文

继续对比测试，雨中便利店场景DeepSeek V4.1-Flash-1017 vs Opus 5.5提示词：请以单文件 HTML 的形式，用 Three.js 制作一个可自由拖拽、旋转、缩放的微缩三维模型。【场景要求】- 无任何 UI，方形底座，第三视角观察- 主体是一家日式便利店街角，店名必须是「HOSHINO MART」/「ホシノマート」，绿色招牌带星星，24小时营业- 玻璃橱窗、自动门、屋檐雨棚、门口地垫、自动贩卖机、自行车、伞架、路灯、电线杆、电线、斑马线、积水路面等元素齐全- 店内明亮温暖：饮料柜、便当架、关东煮台、收银区细节丰富，透过大玻璃清晰可见- 室外潮湿昏暗雨夜，强烈冷暖对比- 美术风格：高精细建模 + 三渲二卡通渲染（cel-shading）、清晰轮廓线、湿润反光、二次元日常感【动态效果】- 持续降雨、屋檐滴水、积水波纹、招牌微闪、路面反光【技术要求】- 使用 three.js（CDN 引入即可）- 所有模型、材质、招牌文字全部用代码和 Canvas 程序化生成，禁止加载任何外部模型或贴图- 单文件 HTML，浏览器直接打开可运行- 性能友好，普通电脑能流畅旋转缩放安静、治愈、带点都市夜晚孤独感，却依然温暖。 i陆三金的微博视频

转发者评论

无明显转发评论

• 能不能汇报一下偷啃数、价钱？。。。[doge]

原文

斯坦福又把一门好课免费放出来了。CME 295，讲的就是 Transformer 和大语言模型。一共九讲，从 Attention 开始，一路铺到 AI Agent。中间覆盖 MoE、RoPE、LoRA、RLHF、DPO、PPO、GRPO，还有 KV Cache、FlashAttention、MCP、Skills、Coding Agent，最后落到 LLM-as-a-judge 和扩散语言模型。第一讲的视频和课件已经上线，后面每周更新。想系统补 LLM 基础的，直接拿这份大纲当学习路线就行，不用自己再拼拼凑凑。传送门：cme295.stanford.edu/syllabus/

转发者评论

无明显转发评论

• //@Felix赵志勇:转发微博

原文

【Claude总结】 AI开发者日报 (2026-10-17)1. 【OpenCode 遭入侵，用户凭证泄露】(来源: HN) 开源 AI 编程智能体 OpenCode 官方披露遭黑客攻击，部分用户凭证外泄，HN 热度 733 分。AI 编程工具握有大量 API key 和代码权限，供应链安全已成开发者必须正视的风险。 twitter.com/opencode/status/21115166739539358332. 【DeepSeek-V4.1-Flash-1017 发布】(来源: HN) DeepSeek 在 Hugging Face 上线 V4.1-Flash 新版本权重，引发近 600 条讨论。开源轻量模型持续迭代，正不断压低高性能推理的成本门槛。 huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-10173. 【Llmspeed：买硬件前先体验本地 LLM 速度】(来源: HN) 这个 Show HN 项目可模拟不同硬件上本地 LLM 的实际生成速度，让你直观感受每秒 token 数。对准备购置 GPU 或 Mac 跑本地模型的开发者，是很实用的决策参考。 llmspeed.dev4. 【Codex Desktop 持续生成 Crashpad 崩溃转储】(来源: HN) 有用户在 GitHub 报告 OpenAI Codex 桌面版不断产生待处理的崩溃转储文件。问题可能悄悄占用磁盘空间，提醒 AI 桌面工具的工程质量同样值得关注。 github.com/openai/codex/issues/259215. 【Microsoft 与 CMU 联手培养初级软件工程师】(来源: HN) Microsoft 与卡内基梅隆大学合作推出面向职场新人工程师的培养计划。在 AI 冲击初级岗位的背景下，如何培养下一代工程师成为业界热议话题。 www.cs.cmu.edu/news/2026/microsoft-cmu-praise6. 【格鲁吉亚语基准测试：两大 AI 实验室正面交锋】(来源: dev.to) 作者用规则独特的格鲁吉亚语对两家顶级实验室的模型进行深度评测。低资源语言测试能暴露主流基准看不到的模型短板。 dev.to/georgekobaidze/georgian-language-benchmark-two-biggest-ai-labs-clash-in-a-language-that-doesnt-play-by-anyones-5b227. 【用 Gemma 4 做 60FPS 面包店游戏教 RAG 与多智能体】(来源: dev.to) Google 开发者专家用一款温馨的 AI 智能体面包店游戏讲解 RAG、护栏、上下文缓存和多智能体编排。寓教于乐的方式让抽象的智能体架构概念更易上手。 dev.…

转发者评论

无明显转发评论

原文

#日网友称DeepSeek颠覆格局#DeepSeek V4.1 Flash这波更新，在外网引发的讨论比国内还热闹。📌 事情经过10月17日，DeepSeek发布V4.1-Flash-1017小版本迭代。软件工程基准DeepSWE v1.1拿到77.0%，超过Claude Opus 5（约74%）；API价格不变，离峰输入约0.15美元/百万tokens。更关键的是，模型权重以MIT许可证开源，支持原生多模态和百万级上下文。日本开发者圈直接炸了，X上大量出现「DeepSeek ショック再び」（DeepSeek冲击再现）、「世界AI霸权平衡崩坏」这类说法。💡 几个值得关注的点· 激活参数仅8B/16B，却逼近甚至局部超越前沿闭源模型，成本是对方的几十分之一· 日本企业前十大AI模型中，有6个基于DeepSeek或通义千问二次开发——此前乐天“国产AI”被扒出直接微调自DeepSeek V3，就是这波情绪的背景🤔 但也有冷静声音竞技编程社区的chokudai提到，分数夸张但日语场景表现一般；也有用户反馈细粒度指令跟随仍不如顶级闭源模型，更适合“精度要求不极端的大规模批量处理”。我的判断：这次真正刺痛日本舆论的，不是单一模型分数，而是“低成本+开源”路线被再次验证。过去十年的共识是AI靠堆算力，现在有人用十分之一的成本做到同等性能——错误的路线投入越多，转身代价越大。你觉得这波算“第二次DeepSeek冲击”吗？评论区聊聊。#DeepSeek##AI##微博AI创作季#

转发者评论

无明显转发评论

原文

DeepSeek V4.1 Flash刚刚发布新版本。版本仍叫 4.1， V4.1-Flash-1017 版本，官方网页端、APP 与 API 模型已同步变更为新模型。性能–费用的帕累托改进相比上一版本的 DeepSeek V4.1 Flash，新模型在各方面的基准测试中取得了长足的提升。在提升性能的同时，还缩短了模型的任务运行时间与输出长度，让用户能够以更低成本、更快速度完成任务（如下图所示），在多个 Harness 下达到了新的性能-费用帕累托最优。特别地，本次着重针对 DeepSeek Harness、腾讯 CodeBuddy、WorkBuddy 等平台框架进行了优化。请升级到 DeepSeek Harness 0.2.1-rc.1 及以上版本，以获得适配新版模型的最优体验。

转发者评论

无明显转发评论

• 上面这条线下面压的都是哪些小甜甜，不对，牛夫人？反正我有点看不懂...
• 这都不叫 V4.2，DeepSeek 还是太谨慎了。

原文

关于前两天用 AI 专门陪骗子聊天的事情，给大家详解一下，聊一下具体商业模式以及怎么运作的。35万个AI专门陪骗子聊天：一门把脏活变成金矿的生意。澳大利亚有家AI公司叫Apate，名字取自希腊神话里的欺骗女神。它造了35万个AI机器人，专门接骗子的电话，接了还不挂，往死里聊，有些通话能拖到两个多小时。创始人达利·卡法尔是麦考瑞大学的网络安全教授。几年前一次家庭野餐，他接到诈骗电话没挂，装傻充愣问了一堆问题，硬是陪对方聊了44分钟。挂掉电话他才反应过来，这44分钟里骗子没工夫去骗别人了。但一个人能有几个44分钟？他就想，能不能让AI来干这个活。这35万个机器人每个都有人设，退休老太太、刚毕业的年轻人、带口音的、特别热情好骗的，有的还有WhatsApp账号，聊到一半会说"我晚点再联系你"，过一会儿真打回来。一般骗子根本分不出来。《连线》记者扮骗子测试，六分钟拼命推销加密货币投资，AI全程配合，就是不掏钱。但光解气成不了生意。Apate真正在干的是套取情报：骗子在聊天中会暴露最新话术、收款账户、钓鱼链接，甚至组织分工。这些数据对银行是金子。骗来的钱不会直接进骗子口袋，得先进一批用别人身份开的"钱骡账户"再转几道手，Apate就是把这类账户一个个挖出来提前告诉银行。目前它已收集超过25万条实时情报，澳大利亚联邦银行CBA已经在用它的服务。所以这个模式最精彩的反转是：骗子以为自己在骗人，其实正在给Apate免费打工，花时间、花话费、花精力，产出的情报全流进对方数据库。骗子不仅是原材料供应商，还是倒贴钱的那种。真正值得琢磨的是背后的逻辑。跟骗子聊天这件事，人能干嘛？能。但没人愿意干，让真人聊两小时会疯掉，人工成本也付不起，而且一个人同时只能接一个电话。AI出现之前，想到的人不少，账算不过来。所以真正跑通的AI生意，很多不是替人干那些正在干、喜欢干的事，而是去干人不愿意干、干不了、不值得花那么多成本去干的脏活累活，再从里面淘出值钱的东西。今天这家公司干的脏活是跟骗子聊天，淘出来的是情报数据。同样的逻辑放到审合同风险条款、工厂盯瑕疵品上，一样成立。#科技先锋官##how i ai#

转发者评论

无明显转发评论

原文

Google 带着最新的 Gemini 4 Argon 重回 AI 最前沿。在 AI 技术博主 Matthew Berman 实际测试的一周里，它在 3D 渲染和应用开发上的表现确实让人眼前一亮。只用一句非常简单的提示词，它就在网页端用 three.js 构建出了一个画质拉满、能稳定在 60 帧的赛博朋克城市动画。虽然相比 Astra 和 Opus 这两个在 3D 领域底子极好的模型，Argon 依然存在一些细节上的穿模和局限，但它仍然能通过一条提示词，轻松完成复杂的鲁布·戈德堡机械物理模拟，甚至是克隆一个能跑通多个关卡的糖豆人小游戏。在实际的办公和工程场景中，这个新模型的进步更为显著。在专业文档提取和电子表格评估的基准测试中，Argon 相比之前的 Gemini 3.1 准确率提升了 14 %，展现出了极强的实用价值。最让人感叹的是，它只花了 20 分钟就逆向工程出了一个高度可用的网页版 Excel，不仅视觉界面高度还原，连公式计算和拖拽选中等核心交互都能顺畅运行。这种开发效率也引发了一个让人深思的问题。当大模型可以在几十分钟内随意复制一个应用时，单纯的代码本身已经很难再成为软件产品的壁垒了。目前 Google、Meta、OpenAI 和 Anthropic 都在前沿赛道上卷到了新高度。大厂之间的激烈竞争对我们普通用户而言是个绝对的好消息，这意味着我们能持续获得更便宜、更聪明的生产力工具。#Gemini4Argon##AI新进展##前沿模型# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

OpenCode Console 遭攻击，约 1.4% 用户的 OpenAI、Anthropic、Google API 密钥疑似外泄，Anthropic 已主动吊销相关 Claude 密钥2026 年 10 月 17 日，开源编码智能体 OpenCode（由 Anomaly Innovations 开发，前身为 SST）官方账号在 X 上确认，公司遭遇一起large scale distillation attack相关的安全事件。攻击影响了约 1.4% 的 OpenCode Console 用户，主要是那些曾在工作空间中绑定外部模型提供商（OpenAI、Anthropic、Google）API 密钥的账户。攻击者获得了对一个正在退役的遗留系统（legacy system）的未授权访问，导致部分用户此前保存在 OpenCode Console 中的第三方提供商 API 密钥可能被暴露。OpenCode 当天上午已通过邮件通知所有受影响用户，并表示“如果你没收到邮件，就不是受影响用户”。公司正在与 Anthropic、OpenAI 和 Google 协同处置，同时明确表示事件仍在进行中，暂时无法披露更多技术细节。10 月 16 日夜至 17 日：攻击发生。用户开始收到来自 OpenAI、Anthropic、Google 的异常用量/费用提醒。• 10 月 17 日：OpenCode 官方发帖确认事件；邮件通知受影响用户（主题类似“Action Required: Potential provider key breach”）；邮件内容提到“识别到对正在退役的遗留系统的未授权访问，保存在工作空间中的第三方提供商密钥（例如 OpenAI、Anthropic）可能已被暴露”，并要求用户在提供商后台吊销并重新生成密钥、更新相关应用、检查近期用量。Claude Code 团队的 Lydia Hallie 表示，Anthropic 已与 OpenCode 协作，并已吊销其认为受影响的 Claude API 密钥。她建议曾将密钥保存在 OpenCode 的用户“为了额外保险，请重新创建一个新的”。OpenCode 开发者 dax明确指出，泄露发生在 OpenCode Console，而非 OpenCode 工具本身。本地运行开源代理时使用的密钥“从未传到我们这边”。这意味着，如果用户仅在本地环境变量或配置文件中使用密钥、从未通过 Console 存储，理论上不受此次影响。但部分用户即使未收到邮件，也出于谨慎考虑进行了密钥轮换。

转发者评论

无明显转发评论

原文

一个韩国人的帖子，感觉是被马斯克吓到了，主要是韩国前几天不是股价大跌么？这个帖子看的韩国人相当多。典型的韩国右翼反应========================先不谈KOSPI：韩国未来真正黯淡的原因最近，埃隆·马斯克在X（推特）上接连抛出的两句话，精准击穿了韩国半导体的本质。1）“美光的内存价格是合理的，而其他企业（三星、SK海力士）却在收取离谱的暴利。客户永远不会忘记今天这一幕。”2）（引用中国长鑫存储急速成长的文章）“到2028年，中国会像印钞一样造出巨量RAM。”这到底意味着什么？把马斯克这两句话合在一起看，大型科技公司冷冰冰的盘算就暴露无遗。就像当年苹果为了压低iPhone成本，曾推动引入中国长江存储（YMTC）、长鑫存储（CXMT）的内存一样，对全球大型科技公司来说，韩国半导体并不是“永远不可替代的伙伴”。现在因为AI热潮，它们不得不硬着头皮使用昂贵的韩国内存；但一旦中国把规格做到差不多、以低价大量放货，它们随时准备毫不留情地把韩国货换掉。这样的血泪史，我们已经看过太多次。LCD显示器：三星、LG曾独占世界第一，但中国京东方靠政府补贴把面板以白菜价倾销，最终韩国企业举白旗投降、退出业务。太阳能、石化、钢铁：中国用无上限补贴把全球售价打到成本以下、彻底摧毁市场，导致韩国企业接连倒闭、重组。电池：K-电池靠三元系（NCM）苦苦支撑之际，中国以性价比碾压的LFP蚕食全球整车市场。而这场残酷的“国家主导薄利多销割喉战”的最后一个目标，正是韩国出口命脉——内存半导体。正如马斯克警告的那样，2028年前后，长鑫存储（CXMT）若背靠中国政府天文数字般的补贴开始地毯式放量，通用DRAM价格就会瞬间崩盘。有人可能会说“我们有HBM，不怕”，但作为整体营收和现金流支柱的通用DRAM一旦转亏，投资下一代HBM的弹药就会枯竭。更何况，中国已经越过DDR5，在HBM上也追到了眼皮底下。更可怕的是，一旦内存垮掉，韩国经济竟没有一个“下一棒”能顶上来。为什么没有下一棒？因为韩国整个国家系统，都是朝着与未来竞争力相反的方向设计的。1. 顶尖头脑的“医学院黑洞”高中全校第一的理科尖子，100个里有100个会抛弃工科、直奔医学院。美国、台湾地区、中国的最顶尖天才都冲向AI、半导体实验室，成为英伟达、台积电、DeepSeek的核心引擎；韩国却固化出畸形结构：国家最宝贵的头脑全都被吸向皮肤科、整形外科和开诊所。2. 把“上工科就是傻子”变成现实的畸形待遇聪明孩子为什么逃去医学院？因为韩国研究人员的报酬体系已经彻底崩了。只看三星电子，连负责5到10年后未来技术的核心组织（半导体研究所、SAIT），在Blind上都有人吐槽只能拿到眼下赚钱的存储事业部绩效奖金的70%。把出售源头技术的硕士、博士高级人才，以“你今年没做出营收”为由冷落，哪个疯掉的天才会留在工科、把人生搭进去？英伟达这…

转发者评论

无明显转发评论

原文

#微博声浪计划# #听见微博# 【AIGC日报 · 2026-10-18】今日简讯：1、两部门拟调整技术出口目录，涉及23项人工智能技术2、DeepSeek更新V4.1 Flash，同步开放自研搜索接口3、“风清”AI集合天气预报系统投入业务运行4、AXP智能体互联平台发布，支持跨域协同与协议转换5、Anthropic内部研究：初级技术招聘占比下降6、Claude参与量子电路设计，降低部分计算资源需求以下为详细内容1、两部门拟调整技术出口目录，涉及23项人工智能技术来源：商务部、科技部商务部、科技部就修订《中国禁止出口限制出口技术目录》公开征求意见，拟增列人工智能、生物医药、光伏三个领域共40项技术，其中人工智能涉及大模型、智能体、算力集群和信息处理等23项。公告明确，已通过开源、发表学术论文等方式进入公共领域的技术不纳入管理范围。同时，附件所列技术的出口前临时登记已从公告发布之日起实施，覆盖向境外转让所有权、授权境外使用，以及所有权人或实际控制人变更为境外主体等情形；已开始但尚未完成的出口也在登记范围内。目录修订仍处于征求意见阶段，不能将临时登记等同于全部禁止出口。原文链接：网页链接2、DeepSeek更新V4.1 Flash，同步开放自研搜索接口来源：DeepSeekDeepSeek更新V4.1 Flash模型，网页、手机应用与开发者接口同步升级，原有调用名称及价格保持不变。官方称，新版本提升了编程、工具使用和复杂任务表现，同时缩短任务运行时间与输出长度，并针对自有智能体框架及腾讯相关工作平台进行了优化。同期开放的自研搜索接口提供网页搜索与抓取能力，供外部应用接入实时信息。官方介绍，该引擎索引全球千亿级网页，支持多语言检索，并针对搜索排名作弊、生成式搜索操纵及低质人工智能生成内容设置过滤机制。此次更新同时覆盖模型执行与信息获取两环，开发者可沿用原接口调用新版模型；相关性能和搜索规模为官方披露。原文链接：网页链接3、“风清”AI集合天气预报系统投入业务运行来源：IT之家“风清”人工智能全球短中期集合天气预报系统V1.0通过业务化评审，正式投入全国气象业务运行。系统由国家气象中心牵头联合研发，依托国家超级计算天津中心相关AI4S集群完成训练与迭代，数据、模型和算力实现自主可控。据介绍，系统融合视觉Transformer与气象物理约束，刻画大气运动的不确定性，用于提升暴雨、台风、强对流等灾害性天气的概率预报能力，全球有效预报时效可达11天。借助超算支持，系统可在数分钟内完成全球大范围气象要素推演，后续将服务防灾减灾、交通运输、能源调度和生态保护等领域。此次进展是进入业务运行，研发团队仍将持续优化精度与预报时效。原文链接：网页链接4、AXP智能体互联平台发布，支持跨域协同与协议转换来源：IT之家紫金山实验室联合中国移动、江苏未来网络集团及江苏省未来网络创新研究…

转发者评论

无明显转发评论

原文

腾讯优图10 月 9 日正式开源 Youtu-Parsing-Omni，一个仅 5B 参数的全模态解析模型。这个模型有点意思，它不追求传统多模态大模型的聊天能力，而是专注于一件事：将文档、图片、表格、图表、几何图形、音频、视频等不同模态的信息，统一解析为结构化 JSON。采用 One Encoder、One Schema 的设计思路，一个模型就能完成 OCR、ASR、文档布局识别、表格与公式提取、目标定位、时间戳识别、声学事件分析，甚至视频中的摄像机运动理解。过去这些任务往往需要 OCR、语音识别、文档解析、视觉理解等多个专用模型组成 Pipeline，现在有机会通过一个 5B 模型统一处理，大幅简化多模态数据处理链路。官方公布的 OmniDocBench v1.6 综合成绩达到 96.96 分，表现相当亮眼，当然实际效果还需要更多独立测试验证。模型权重、代码及推理示例均已开放。huggingface：huggingface.co/tencent/Youtu-Parsing-OmniGitHub：github.com/TencentCloudADP/youtu-parsing/tree/main/youtu_parsing_omni#人工智能##开源模型##多模态##AIAgent##腾讯优图#

转发者评论

//@贾凡-失落的大蒜:我觉得这算是另一种变种的Jev吧，以后我们希望面对大模型输出的是结果，不是过程[不愧是你]

• //@贾凡-失落的大蒜:我觉得这算是另一种变种的Jev吧，以后我们希望面对大模型输出的是结果，不是过程[不愧是你]

原文

上海人工智能实验室（上海AI实验室）访问学者、大湾区大学教授许地生团队依托书生科学多模态大模型S2（书生-S2），基于“通专融合”技术路径，通过人机协同完成了三维Ghys猜想证明。北京大学董彬教授、刘若川院士团队利用其开发的SHEAF框架对本次证明完成形式化验证，验证了这一工作的正确性。这标志着中国科学家首次用中国大模型攻克世界级数学难题。Ghys猜想由法国数学家艾蒂安·吉斯（Étienne Ghys）于1995年提出，猜测每一个紧致复流形上的全纯Anosov系统，都双全纯共轭于某个复infra-幂零流形上的全纯仿射自同构。该问题兼具理论难度与学科标志性价值，被动力系统领域数学专家公认为该领域重要的长期公开问题之一，是检验数学推理能力的一块试金石。

转发者评论

无明显转发评论

原文

现在代码生成速度大幅提升，传统人工 Code Review 难以跟上，逐渐成为研发效率的瓶颈了。Anthropic 刚发了篇博文介绍他们是如何做 Code Review的。大概的思想：AI 负责全面检查代码，人负责判断架构和风险；让 Code Review 从人工逐行检查，转变为自动化、风险驱动的质量保障。1. 代码自检｜AI：提交 PR 前自动运行测试、构建，检查实现是否符合需求，并修复发现的问题。2. 自动 Code Review｜AI：结合代码上下文，重点检查逻辑 Bug、边界条件、安全、性能和潜在回归。3. 多 Agent 交叉验证｜AI：多个 Agent 并行找问题，再交叉验证，只报告有证据的重要问题，减少误报。4. Review 问题闭环｜AI + 人：AI 自动修复明确的问题；有争议的问题由人判断，并记录不修复的原因。5. 限制 Review 轮次｜AI：最多三轮，后续只检查新增修改，避免 AI 反复提出相同问题。6. 风险分级审批｜AI + 人：自动化检查辅助识别风险，低风险无需人工审批，中风险 1 人，高风险 2 人。7. 架构与方向判断｜人：判断需求是否合理、设计是否正确，以及是否引入不必要的复杂度和长期技术债。8. 上线验证与回滚｜AI + 人：自动化系统执行 CI、灰度和监控；人负责高风险发布决策和重大异常处理。9. Review 效果评估｜AI + 人：AI 基于历史 Bug 评测审查能力；人关注误报率、审查成本、回滚率和线上事故率。

转发者评论

无明显转发评论

原文

#大脑神经元新发现或将重塑人工智能# （我国科学家首次揭示，单个神经元就是一台微型计算机，能够独立完成猜想与验证的闭环运算，这一颠覆性发现或将改写下一代人工智能的底层算法。）我们一直在用错误的图纸造房子。现在的AI模仿大脑，只学了神经元之间怎么连接，以为智能靠的是连接够多。这次发现告诉我们，单个神经元本身就具备计算与推理能力——它有两个功能区，一边提出假设，一边用感官数据验证，通过内部机制完成推理。这解释了为什么人看几个例子就能懂规律，AI却要喂几百万张图。不是我们的模型不够大，是我们把计算单元设计得太简单了。如果把这种内部结构写进算法，AI可能不再需要暴力训练。这个发现的价值不在于证明大脑有多精妙，而在于指出了一条具体的改进路径：让每个人工神经元从单纯的信息传递节点变成能独立处理信息的单元。

转发者评论

无明显转发评论

• 现在的神经网络还不能说是模仿大脑，我们叫“脑启发”，距离模仿大脑还差的太远。
• 支持这种说法，我以前就怀疑单个神经元就是一个计算机

原文

给大家说一点，让人惊喜的地方， DeepSeek v4.1 Flash 1017 用来做知识类或者科普类动画视频（对，就是最近流行的“用代码生成视频”）非常能打。可以说是仅次于Claude Opus 5.5/Sonnet 5.5模型，并且超过Claude Haiku 5.5。仅这一点来说， 是国产其他模型暂时难以望其项背的。#科技先锋官#

转发者评论

无明显转发评论

原文

腾讯昨天开源的Hy-Memory 2.0，让不同AI Agent共享记忆，不用每换一个AI工具就从头开始了比如你在Cursor里讨论过的项目，之后切换到Codex、WorkBuddy、Hermes等，不必每次再从头解读一遍，如果相关记忆已被保存并成功召回，新Agent就能在已有上下文上继续工作这是Hy-Memory 2.0配套应用“MemHub”的能力，把分散在不同AI工具里的历史对话和工作经验汇入统一的记忆体系，让不同Agent复用相关上下文另外，Memory 2.0还针对不同场景设计了三类记忆机制，让AI能记住对话，记住任务进展、经验的适用条件，以及代码为什么这么改Chat Memory：记住人和对话提取跨会话事实、组织长期记忆，并处理重复信息和事实冲突，减少每次对话都要重新了解用户的问题Working Memory：记住任务与经验将任务事实和可复用经验分开管理，事实层记录做了什么、结果如何；经验层提炼哪些方法有效、适用于什么条件。重点是让Agent有机会把过去的解决方案复用到下一次任务中Coding Memory：记住代码如何演进将代码Diff、修改上下文和版本演进链纳入记忆体系，让编程Agent不只看到当前代码，还能追溯历史修改及其背景，为持续开发提供上下文配套还提供了专门针对长期记忆写入训练的模型：Hy-Memory-30B-A3B，专门学习如何筛选、组织和更新值得长期保存的信息这套方案等于说把Agent记忆从简单的事实提取和检索，扩展到了任务经验沉淀、代码演进追踪以及跨工具的上下文复用上gjthub：网页链接#HyMemory##AIMemory##AI记忆# AIGCLINK的微博视频

转发者评论

无明显转发评论

原文

日本网友快要瘫坐在地上了，称今天新发布的 Deepseek 新模型会摧毁全球AI格局。美国的AI模型就是傻乎乎地囤积计算资源，用蛮力解决问题。

转发者评论

无明显转发评论

• 据说和astra类似#人工智能[超话]#很有搞头

原文

又看到一个走红的开源机器人项目，Jumper是一只爱跳的机器人螃蟹，有22个自由度，它最大的特点在于ai自定义，你可以用ai agent自然语言去设计它的外观皮肤和动作，导出skin皮肤包和app运动包。硬件上面看，其实配置不算低了，22个触觉舵机接近入门人形机器人，主控8 核 CPU + 6 TOPS NPU，感知部件是dToF深度传感器和5MP广角相机，还有两块表情屏幕提供交互。当然最好玩的还是ai自定义动作和皮肤，你可以在本地电脑训练跳舞、行走等各种动作，GPU、CPU都能跑，很适合跑通训练 → 回放 → 导出 → 打包的全流程。整个软件、硬件都已经开源在GitHub上，可以自己鼓捣试试，用claude、codex、cursor去设计，相当的有趣。#机器人##科技先锋官##具身智能##ai# 朱卫军AI的微博视频

转发者评论

实体AI开始品种繁衍了

• 实体AI开始品种繁衍了

原文

[人人能懂AI前沿] 从描红打底、动态反馈到体面认怂今天我们将为你拆解五篇极具启发性的最新AI论文，带你领略前沿技术中蕴含的“反直觉”智慧。本期节目，我们会看到AI如何用最基础的“描红打底”破解一步生成难题，大模型怎样通过“相对比较”取代死板KPI来指导跨界合作，以及普通的“笨AI”如何左右互搏防住未来学神的作弊企图。我们还会聊聊AI如何通过自己“造尺子”打破漫长的评估瓶颈，以及最聪明的模型为什么必须学会知难而退、“体面认怂”。让我们马上开启今天硬核又接地气的科技之旅吧！网页链接

转发者评论

无明显转发评论

原文

Hugging Face 联合 llama.cpp 团队推出了全新工具 Llama for Windows，也就是桌面端，为 Windows 11 用户带来轻量化的本地大模型运行方案。你可以看成是另一个 LM Studio。基于微软 WinUI 3 框架开发，底层搭载 llama.cpp 推理引擎，深度集成 Hugging Face 模型库，无需复杂命令行操作，简单点击即可完成模型下载与部署，程序常驻 Windows 11 系统托盘，不用一直保持主窗口打开，占用资源更低，和 LM Studio 形成差异化定位。当然 for Mac 也有。推出桌面端的意义，其实就是把门槛往下降一档，这一档不是说干这行的人会不会部署的问题，而是说，有些过程确实没必要。llama.cpp 毕竟那么多年下来，早就是基础设施了，放出更方便的桌面端确实很合理。官网： 网页链接GitHub：网页链接

转发者评论

无明显转发评论

原文

转：2026年10月17日周六读报！一切美好从❤️开始：1、国家发改委、民政部、国家卫健委联合印发指导意见，完善普惠养老服务价格机制，推动养老服务提质扩面。文件将养老机构分为兜底保障型、普惠支持型、完全市场型三类，分级分类管理服务价格：兜底机构基本服务费实行政府指导价，社区、居家养老多实行市场调节价。意见要求建立收费目录清单制度，清单外不得收费，按补偿成本、合理盈利原则制定收费标准。(综合央视)2、《2026中国冰雪产业发展研究报告》在北京正式发布，中国冰雪产业正进入产业结构优化与发展动能转换的关键阶段。2025-2026冰雪季全国居民冰雪运动参与人数达3.08亿，冰雪旅游游客约2.2亿人次，冰雪产业规模突破万亿，运动消费规模达2050亿元，同比增长约9.3%。(CCTV2)3、市场监管总局批准发布《电动摩托车和电动轻便摩托车用锂离子电池安全要求》强制性国标，将于2027年7月1日实施。该标准由推荐性升级为强制性，从电池单体、电池包、系统三层构建安全考核体系，新增低温、碰撞、热失控等多项测试项目，统一试验判定规则，强化电池安全，守护群众短途出行安全。(综合第一财经日报)4、在中国科学院院士俞大鹏带领下，深圳国际量子研究院谭电课题组联合德国斯图加特大学研究人员在声子量子信息领域取得实验进展，率先在可扩展的二维混合量子芯片实验平台上实现多方真纠缠声子态的制备与跨节点传输。研究成果于北京时间10月16日发表在国际学术期刊《科学》上。(新华社)5、依据《对外贸易法》《技术进出口管理条例》，商务部、科技部拟修订《中国禁止出口限制出口技术目录》，增列人工智能、生物医药、光伏相关技术，现已向社会公开征求意见，并对相关技术实施出口前登记管理。本次征求意见涵盖三大领域共40项技术：人工智能含大模型、算力集群等23项技术，开源、公开发表的AI技术不纳入管理；生物医药包含细胞基因治疗等5项技术，部分对外授权可享受自动许可便利；光伏领域共12项，管理范围还包括承载相关技术的核心关键设备。(综合财联社)6、中国国家铁路集团：全国铁路列车车次将于11月下旬、12月下旬分两批调整，其中新增X字头，主要用于未来最高运行时速350公里以上的复兴号动车组列车。(扬子晚报)7、当地时间10月15日晚间，特斯拉在美国得州展示重新设计的第二代Roadster跑车，现场演示倒挂行驶、短暂腾空与空中转向。马斯克称，该车特定版本破百加速不到1秒，极速超370公里/小时。新车计划2028年投产，分多个版本，预订款从5万至25万美元不等，Rocket飞行版仅受邀用户可订。该车型原型2017年首发，多次延期，特殊功能能否上路尚无明确答案。(综合央视)8、据彭博社10月15日消息，百胜旗下美国肯德基门店将更换饮料供应商，自2027年1月起，全美约4000家门店逐步用可口可乐系列饮品替换百事饮料，预计明年春季完成…

转发者评论

无明显转发评论

原文

OpenCode 发布了一份关于最近蒸馏攻击的官方声明。> 今天早些时候，OpenAI、Anthropic 和 Google 的一些 OpenCode 用户余额被清空。> 据报道，仅 1.4% 的用户受到影响，这些用户已通过电子邮件收到通知。这是一个严重的先例，因为如果这种蒸馏途径是最容易执行的，那就意味着主要 AI 实验室现在比之前更加安全。这也意味着使用较小的提供商现在更不安全。此外，领先 AI 实验室的令牌现在价值更高，因为它们更难获得用于蒸馏。狂野的 AI 西部 👀引用：We had a security breach last night related to a large scale distillation attack that impacted 1.4% of OpenCode Console usersWe have notified them all this morning via email. If you did not get an email you were not impacted, it was a subset of users who had external providers网页链接

转发者评论

无明显转发评论

原文

今天下午 Vibe 帮我爸妈的电视刷机了！还没打开 Netflix 就先弹了个赞助广告。我把型号给了 Claude Code，它在 WiFi 上找到了电视，删掉了 25 个小米软件包，还写了个新的启动器。现在看起来像个 Apple TV 了哈哈Prompt, launcher source and the gotchas I hit are all here. works on any Android TV / Google TV, everything is reversible and feel free to tweak it to your needs :)网页链接

转发者评论

无明显转发评论

原文

DeepSeek低调上线了V4.1-Flash-1017版本，参数规模达763B且延续MIT协议开源。新版重点拉升了代码、数学推理、Agent以及多模态视觉能力，同时通过缩短响应耗时与生成长度，直接降低了实际调用成本。模型原生支持1M超长上下文与256K单次输出，官方配套提供了基于Rust的deepseek-recipe解析工具，目前已能用vLLM和SGLang快速拉起部署：huggingface.co /deepseek-ai/DeepSeek-V4.1-Flash-1017

转发者评论

无明显转发评论

原文

Anthropic 把 Git 换掉了。Anthropic 最近发了篇博客，讲他们怎么把 Git 给换掉的。事情是这样的。Claude 写代码太快了，今年五月 Anthropic 每天合并 2500 个代码变更，到九月变成了每天 3 万个，翻了十几倍。Git 扛不住了。代码仓库光历史就将近 100GB，每天要做 2500 万次代码检出。他们搞了几百个 Git 镜像来分担压力，但越来越顶不住。所以他们自己造了一个，叫 Scion。先说 Scion 跟 Git 最大的不同。Git 假设你可能断网，所以每个人本地都存一份完整代码库。但 Anthropic 的“用户”基本都是 AI agent，永远在线。Scion 就利用了这一点，客户端很轻，大部分活儿都交给服务器。然后说它怎么存代码。Git 每次提交存一棵完整的文件树，Scion 只记录哪些文件改了，把内容丢到云存储。每次提交的代价只跟改动大小有关，跟仓库总体积无关。在扩展上，Scion 用了分层缓存。同一台机器的任务共享本地缓存，本地没有就找区域缓存，再往上找主服务器。每层命中率超过 99%。最终效果：基础设施占用比之前的 Git 镜像方案小了 200 倍，CI 的 CPU 消耗降了 25%，代码检出从几分钟变成几秒。整个项目五个月完成，团队一共七个人。他们还同时造了代码审查工具 Antique 和一堆配套系统。Claude 帮了大忙，比如重写了一条数据导入管线，内存降到原来的二十分之一，速度快了四倍，关键逻辑全保留了。工程师的角色也在变。团队每个人都觉得 Claude 写代码比自己强，但工程师负责的是架构决策和把控方向。很多时候他们的工作就是告诉 Claude“不行”，因为 Claude 偶尔会为了一个不该存在的需求硬搞方案，或者把系统过度设计。Anthropic 也说了，Scion 并不适合所有人，只有代码库极其庞大或者大量 agent 同时写代码才用得上。他们分享出来，是想让其他团队借鉴里面的思路，在 Git 的基础上做些改进。他们也在跟 GitHub、GitLab 和开源社区一起，应对 AI 时代软件开发的新局面。#科技先锋官#

转发者评论

以后面向人类的基础设施都需面向AI重做[允悲]//@DeepAgent:git早就该进化了

• 以后面向人类的基础设施都需面向AI重做[允悲]//@DeepAgent:git早就该进化了

原文

额，投资人 Chamath Palihapitiya 认为 Anthropic 应该主动牺牲估值，优先融到至少 2000 亿美元（最好到 2500 亿），而不是追求 2 万亿美元的估值，但只融到 800 亿左右。主要有几个原因：- AI 算力极度短缺（相关讨论中提到亚马逊 CEO Andy Jassy 说他们的 AI 算力已经卖到 2028 年之后）。- 2000 亿美元大概只能买到“几个GW”的算力，这是 Anthropic 想要度过未来可能出现的市场调整/泡沫破裂时，最低限度需要的“弹药”。- 现在就把钱融够，比以后市场变差了再去补融资更安全。他明确说：“现在的风险比未来小，为什么要冒风险？把价格定到能清盘的水平。”马斯克评论了一句：有时候我在想世界上到底有多少钱，因为超级智能好像想把它们全部拿走。

转发者评论

无明显转发评论

原文

到2030年，最有价值的技能将不再是技术性的。它们将是人类的。分享Jeroen Kraaijenbrink和世界经济论坛的精彩见解。那些茁壮成长的人将能够：清晰思考。快速适应。有效领导。最高影响力的技能包括：A) 系统思维B) 创造性思维C) 分析性思维D) 自我意识与动机E) 领导力与影响力F) 韧性与适应性G) 好奇心与终身学习这些技能正变得必不可少。AI将持续改进。但工具不会做决定。人是会做的。2030年的真正优势将来自于：更好的决策。更快的执行。更强的领导力。这将使顶尖表现者与其他人区分开来。

转发者评论

无明显转发评论

原文

冷知识：18个月可以覆盖一冬一夏，而中国市场的速成车连一个tm夏天都没过完。先拿18个月定义速成车，把水搅浑意思可以够着底线，然后反过来说速成车是伪命题？现在洗地的脸都不要吗？话说老百姓口诛笔伐的速成车的几个代表，哪个能坚持18个月的？还有一堆不以为耻反以为荣的东西没看见吗？还有一些没做过仿真，没做过台架，没去过三高，没见过环境仓，没玩过风洞的，就靠看几本书，几个概念，AI一搜，叭叭脑补一圈，张口就是现在技术先进，什么数字孪生，工业4.0，什么环境仓取代试验，什么仿真牛逼。一句话就能戳穿你们的谎言。请问，这些所谓的领先企业，主要的工业软件大概在40多款，有几个国产软件？是不是全都是国外商业工业软件？甚至还有盗版的吧。版本都是最新的吗？模块全吗？啊，仿真这块不会95%以上甚至100%都是国外软件吧。那我就奇怪了，海外车企甚至直接投资这些仿真软件公司做二次开发，能做到多系统多物理场运动、动力、变形、疲劳、热、流体联合仿真的可靠案例屈指可数，小系统限定物理场限定边界能跑出定性对比都已经顶尖水平了，中国到现在连多温度场金属材料的基本特性数据库都不全，怎么就有人敢在我面前喊什么汽车行业都做到整车开发都数字孪生可以直接取消试验的？要不下次西门子、达索、AVL什么的都靠边站站，你们这些人坐主席台给我讲讲？我这里不是在说仿真不重要，我在说的是对真实世界保持敬畏。最后，我用一个笑话结尾：我幼儿园的时候，我认为这个世界真奇妙。我小学的时候，我发现老师教给我的公式有时候是有用的。我初中的时候，我发现数学是美的，物理和化学也可以在大多数时候以优雅的公式来解释这个世界。我高中的时候，我认为存在一个间接而完美的绝对公式，来阐述世间万物，只是我们不够努力而已。我大学的时候，我发现数学是美的，物理和化学也可以在宏观世界的大多数时候以优雅的公式来解释这个世界。但是有些时候，似乎不太管用，需要一些修正公式。我研究生的时候，我发现老师教给我的公式有时候是有用的，但是很多时候总有这样那样的原因，我们在总结新的经验公式来修正这种差异。我到了企业做研究工作后，我认为，这个世界真奇妙。#速成车概念被指荒谬##四部门督促车企加强测试验证##四部门终结速成车乱象#

转发者评论

无明显转发评论

原文

[RO]《T2-z: Test-Time Optimization of Environment Latents for Robotic World Models》C Zhou, Y Hong, H Huang, Y Jiang… [Stanford University] (2026) 在世界模型领域，预测隐性属性引发的突变是一个悬而未决的难题。过去的方法受困于预设参数，本质原因是试图显式量化环境，而非由果溯因。本文的核心洞见是：把底层物理重新看作随误差演化的向量。由此，冻结网络并靠单次动作残差反推该向量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实物理特征能涌现于预测残差。它为后来者打开的新门是秒级适应新材质，但尚未跨过的门槛是依赖实体试错，无法零样本应变。arxiv.org/abs/2610.22364 #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

• //@爱可可-爱生活:这篇论文做了一件实在的事：让机器人在没有明确标注的情况下适应新环境。方法简单得令人意外——不改模型参数，只用32维向量加梯度下降，让机器人通过几次试探，“猜出”当前环境中摩擦力、质量这些看不见的物理属性。更有趣的是，模型没被告知什么是物理规律，只是不断预测下一帧画
• 这篇论文做了一件实在的事：让机器人在没有明确标注的情况下适应新环境。方法简单得令人意外——不改模型参数，只用32维向量加梯度下降，让机器人通过几次试探，“猜出”当前环境中摩擦力、质量这些看不见的物理属性。更有趣的是，模型没被告知什么是物理规律，只是不断预测下一帧画面，物理结构就从数

原文

大模型究竟能记下多少知识？Alex Wang从联想记忆与“干扰信号比”切入，把网络结构串成了一条清晰的演进线：基础的外积线性层受限于正交维度，容量仅与键维度相当（如64维仅存64条）；引入最小二乘白化能翻倍；转入MLP后，用ReLU或平方激活压制弱相关噪声，容量呈几何级跃升至数千条；若将压制推向极致，以指数展开便自然引出了自注意力机制——由此跨入随上下文动态扩展的非参数记忆，容量暴增至百万级，结合对数缩放还能稳稳驾驭长文本检索。推演平实且耐人寻味。alexwang.ai /posts/associative-memory/

转发者评论

无明显转发评论

原文

[AI]《A team of Gemini 4 Argon agents beats Minecraft》M Faldor, S Singh, R Raileanu [Google DeepMind] (2026) 在智能体领域，跨天级长线任务是一个悬而未决的难题。过去的方法受困于依赖人类预设技能，本质原因是模型难在漫长试错中维持目标。本文的核心洞见是：把生存通关重新看作协作软件开发。由此，代理靠写代码行动并在聊天框自主共享经验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验证代码模型的长周期纠错力。它为后来者打开的新门是文本流自发分工，但尚未跨过的门槛是摆脱透视接口的真实视觉感知。arxiv.org/abs/2610.22319 #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

• 这次实验揭示了一个常被忽视的事实：代码不只是工具，也是智能体理解物理规律的载体。当AI能把“抛物线方程”和“寻找要塞”直接关联，能通过集体自杀来重置Boss状态，说明它们已经在操纵环境的因果链条，而不是死记攻略。27小时、2783个程序、605次死亡，这组数字反映的不是效率，而是试错成本——AI

原文

#微博视频号续航计划# 安德鲁·费尔德曼（Andrew Feldman），Cerebras 的联合创始人和首席执行官，解释了影响 AI 加速器行业大部分环节的三大供应链瓶颈：HBM 内存、CoWoS 封装产能，以及获取台积电 3nm 制造能力的途径。Cerebras 通过架构选择在很大程度上避开了这三大瓶颈。它不依赖 HBM 或 CoWoS，而且其当前芯片采用 5nm 工艺制造，而不是 3nm。在一个内存获取、先进封装以及领先制程产能直接制约出货量的行业中，这赋予 Cerebras 与主流 GPU 系统截然不同的供应链状况。完整视频在 The MAD Podcast 与 Matt Turck 以及 Cerebras YouTube 频道上 张岱樾的微博视频

转发者评论

无明显转发评论

原文

认识 TYGER：一种用于语音的决策模型，它为全双工语音代理开辟了道路。它同时监听麦克风和你的 TTS，每 80 毫秒决定是否发言、让步，或插话“嗯哼”。不再需要 VAD。适用于任何 LLM 和 TTS。网页链接

转发者评论

无明显转发评论

原文

有个朋友讲，自己家小学六年级的孩子，被老师要求用豆包写作文，曾经要求孩子们某天上学必须带手机，老师统一教学咋用豆包，后来作文就要求先自己打草稿，然后给豆包改，把改过的版本再抄写下来作为成稿。她觉得这样非常摧毁孩子的独立思考能力，问过同年级其他班级的孩子家长，也都是这样要求的，试过跟老师探讨，跟学校反馈，没用。同时我又有另一位小学班主任朋友，上班上得如履薄冰，例如说她要准备一堂很重要的公开课，需要额外挤时间跟孩子们“排练”，某天就要求孩子们早半小时到校，也没有家长提出质疑，私下里反手就给举报了，说不符合教育局的到校时间要求。现在就感觉吧，人与人之间没有沟通余地，全靠制度框架撑着，制度上有要求的，逾越一分一毫都不行，制度上没要求的，就都胡几把搞也没人管。

转发者评论

//@锯嘴扇贝再世为人://@金阁寺烧了吗:又想起跟同行朋友聊的：AI的能力不一定能赶上人类译者/作者，但AI只要把大众的水平拉低到不需要人类译者/作者的程度，就足够了//@同位素氢:写作课是很重要的，但我从小到大写学校里要求的八股作文的时候从来没有一秒钟思考过，只是为了拿分而已//@category_cay://

• //@锯嘴扇贝再世为人://@金阁寺烧了吗:又想起跟同行朋友聊的：AI的能力不一定能赶上人类译者/作者，但AI只要把大众的水平拉低到不需要人类译者/作者的程度，就足够了//@同位素氢:写作课是很重要的，但我从小到大写学校里要求的八股作文的时候从来没有一秒钟思考过，只是为了拿分而已//@category_cay://

原文

这幅画的重点是“倒影变成城市”。镜面交界、上下空间和标签都要写清，才能避免生成普通建筑倒影。📌 可直接复制的完整母版制作[地标]的超现实建筑收藏海报。清晰镜面交界上方保留完整、可辨认的真实地标；下方的倒影自然延伸成[倒影细节]，保持上下连贯。暖象牙色建筑纸背景、细纸纹、柔和棚光、柔影与雕塑般3D体积。小标签分三行准确写“[建筑名]”“[地点]”“FAMOUS FOR — [特征]”。主体完整、简洁留白，无人物、杂物及水印。horizontal landscape, aspect ratio 16:9。🧩 三组替换值（依次对应[地标]／[倒影细节]／[建筑名]／[地点]／[特征]）1.埃菲尔铁塔／巴黎屋顶、桥梁与河道／Eiffel Tower／Paris, France／Steel lattice2.悉尼歌剧院／微缩港湾、码头与城市建筑／Sydney Opera House／Sydney, Australia／Shell-shaped roofs3.北京太和殿／亭台、园林与蜿蜒水系／Taihe Dian／Beijing, China／Wooden dougong🔍 三个灵魂词reflection transforms：倒影承担超现实变化。architectural paper：用纸纹统一海报背景。sculptural modeling：让建筑有连贯立体光影。📐 两图变体V1：镜面横向居中，主体正面略带侧视；V2：镜面略低，主体三分之四视角。将变体句追加到已填值的母版后。倒影中的街区要从地标下方展开，而不是漂浮在旁边。标签只是小型信息，不能变成占据半张图的大标题。✅ 检查：核对地标、镜面交界、城市化倒影和三行标签；不要把倒影画成另一张独立风景。#AI绘画 #Prompt小课堂

转发者评论

无明显转发评论

原文

【技术总结：时间序列预测模型TSFM是什么、怎么做、如何评测及落地判断】来看先看时间序列基础模型（Time Series Foundation Models，TSFM）的话题，这块昨天看了看Mistral AI发布时序预测模型Timestral，趁着这个点来做下。时间序列基础模型这个方向是2023 年以来在时序预测领域快速成型的一类方法：在海量、跨域时间序列上预训练一个统一模型，目标是"开箱即用"地对任意未见序列做零样本（zero-shot）预测，并兼顾补全、分类、异常检测等多任务，核心卖点是大规模预训练 + 零样本预测。做个技术调研后，可以得到如下结论：其一，这一类的本质红利是“零样本/少样本”冷启动、海量 SKU、没数据训模型的场景收益最大；其二，零样本基础模型的真正稳健优势在短周期、少数据，长周期与强季节上并不稳赢经典方法，多变量、长周期仍被监督模型压制，自回归长周期误差累积是硬伤。；其三，把基础模型当零样本异常检测器，其"基础模型红利"基本不存在；其四，数据充足时微调后的任务专用模型（PatchTST、iTransformer、DLinear 甚至 GBM）仍常有优势。其五，单变量 vs 多变量是主要分水岭：TimesFM 至今单变量；Chronos-2、Moirai 原生支持协变量，这在工业预测（需求/负载）里往往是决定因素。其六，工程范式（预训练一次、复用）对运维/监控类海量序列场景价值明确，但未打破时序根本矛盾：外推、低信噪比、有效样本少、分布漂移依旧。其七，谨慎或改用其他方法的场景。1）强季节、平稳、可重复周期场景：精心调参的统计/梯度提升常持平或更优；2）长周期（多季节周期外）预测场景：自回归误差累积，宜用直接多步或监督模型；3）高监管/可审计（如 EU AI Act 高风险）场景 ：闭源 TimeGPT 不合规，需开源可审计模型；4）强分布漂移、结构突变场景：需持续微调/更新，纯零样本会退化；5）要求可解释因果场景：TSFM 是相关性黑盒，不如结构化/物理 informed 模型。其八，选型看基准GIFT-Eval、LOTSA（预训练语料）、BOOM 是目前常用榜，但是随着预训练语料膨胀，TSFM 正重演 LLM 的"评测危机"：直接重叠（训练/评测同数据集）与间接重叠（时间相关的序列共享因果驱动而泄漏）两类通道并存。整体都在变化，大家可以多关注。网页链接

转发者评论

无明显转发评论

原文

技术博文 你本可以从记忆机制出发，推导出 Transformer -- 每一层都是一个记忆存储系统。地址：alexwang.ai/posts/associative-memory/如今的大语言模型能够回忆起世界各个角落鲜为人知的事实。就在最近，有一次我赶着去参加朋友的桌游之夜，因为快要迟到了，便让 Astra 帮我回顾一下《沙丘：帝国》的游戏规则。在我开车前往朋友家的路上，它很乐意地向我讲解了这些规则，帮助我重新熟悉游戏，以至于到了之后就能顺利参与。如今，我们已经习惯了向模型询问各种各样的问题，甚至把它们拥有如此渊博的知识视为理所当然。模型究竟是如何记住如此海量的信息的？它们又究竟能够存储多少信息？在这篇文章中，我将介绍一种直观的理解方式：把线性映射（Linear Maps）、多层感知机（MLPs）和自注意力机制（Self-Attention）看作不同类型的记忆存储系统。基于这种直觉，我们可以进一步推导出一些启发式的估算方法，用来衡量每种网络层能够存储多少记忆。

转发者评论

无明显转发评论

• 如果能从词嵌入出发就更好了——主体性是通过主体间性得到确认的

原文

你知道以色列用AI决定在加沙谁生谁死吗？有别于一般认知，在加沙战争中手沾最多鲜血的是程序开发员/情报官。祂们在以色列被视为左翼、精英，是中产阶级。在战争中祂们编写的代码能够识别出任何可疑活动(哈马斯成员)手机的位置，然后轰炸整栋楼。程序并不准确，但祂们对85%的准确性感到高兴。祂们会黑进一个12岁孩子的手机，检测到她给家人打电话说“爸爸回家了”，然后在她的家里降下炸弹。因为“爸爸”和“回家”在程序中触发了警报。为了杀死一个目标人员，上级允许连带轰炸20个“附带品”。祂们在程序中可以看到加沙每一条街、每一栋楼，可以看到楼里有多少人，成人、孩子、婴儿，然后在千里外的屏幕前决定祂们今天去死，就像游戏。祂们通过手机信号锁定目标，然后可以通过手机监听听见孩子们如何哭泣、如何在火中尖叫着死去。有个情报官在指挥炸弹降下，又亲耳听着一家人去死后走出门外吸烟。他问上级怎么看刚刚发生的事情？上级说你必须相信组织。于是他回到座位上去，相信组织，成为组织。这个电影最可怕的地方之一就是不停穿插以色列城市日常景象和士兵/情报官采访，庸常与屠戮是同一个人。情报官为自己的行为解释，我只是庞大系统中的一个齿轮，我不去做的话别人也会这么做的。最普通的人滋养了恶。令我想起田纳特的话剧Good. 你会怎么做？会回到座位上去吗？当人不在那个环境中说不是很容易的，但是当那一天来临时，你有说不的勇气吗？

转发者评论

//@锯嘴扇贝再世为人://@皮拉得斯酣醉:又想起刘宇昆的《杀敌算法》……人逃遁进算法，以为可以泯灭罪责，以为可以做到只有罪行，却没有凶手

• //@锯嘴扇贝再世为人://@皮拉得斯酣醉:又想起刘宇昆的《杀敌算法》……人逃遁进算法，以为可以泯灭罪责，以为可以做到只有罪行，却没有凶手

原文

午夜#学术新闻#菲尔兹奖得主塞德里克·维拉尼（Cédric Villani）在最近的一次采访中，他透露，一些数学家已经开始认真思考：随着 AI 的快速进步，他们是否还应该继续招收新的博士生。就在一年前，他还认为数学是受 AI 影响最小的学科之一。但现在，他认为数学或许会成为受 AI 影响最大的学科之一。那么未来的大学会不会变成这样的地方：人们研究“人类是如何进行数学推理的”，就像今天研究古典绘画、书法或古代哲学一样，把它当作一种古老的人类专属艺术？ 物理芝士数学酱的微博视频

转发者评论

无明显转发评论

• 让博士生去理解发挥AI 的东西不好吗？。。。[doge]

原文

【中央广播电视总台CGTN原创AI短剧《#殷商传奇#》合集更新第二波来啦！｜甲骨之上，商的真相】三千年之前，文脉点亮东方之光。甲骨与青铜，描摹出殷商久远的轮廓。子方王女妇好，本有无忧年华。羌部来犯，故土沦陷，家破人亡。残垣断壁间，少年武丁救她于危难。一念既起，她立誓以戈为刃，收复家国故土。以残迹为引，我们书写一段传奇。王者胸怀四海，王后挥戈沙场。历史未尽之处，便是故事的开端。宏图、爱恨、烽烟，交织成一段不朽史诗。这就是《殷商传奇》。Fu Hao, a princess of the State of Zifang, once had a life of promise ahead of her. But when the Qiang forces invaded, her kingdom fell and her family perished. Amid the ruins, a young Wu Ding came to her rescue. Having lost everything, she vowed to take up arms and reclaim her homeland. Where history fades, a legend begins. This is The Queen's Sword, an epic of love and war set in the Shang Dynasty (1600-1046 BC). CGTN的微博视频

转发者评论

这类历史剧还是从周朝以后开始讲吧……周朝都要捡着说，要不然就要细说小羊人什么的……//@近卫步兵师:中央广播电视总台CGTN原创AI短剧《#殷商传奇#》合集

• 这类历史剧还是从周朝以后开始讲吧……周朝都要捡着说，要不然就要细说小羊人什么的……//@近卫步兵师:中央广播电视总台CGTN原创AI短剧《#殷商传奇#》合集

原文

A\的代码版本控制改进，主要注意到假设变了：0️⃣Git是解决程序员异地、异步、离线工作，不定时提交代码，方案只能是分布式、手动处理冲突。1️⃣A\的Agent则是在线、并发、高频提交。他们选择把 commit、merge、rebase、history、blame 等放到服务端；客户端只保留有限缓存，按需取文件。因此他们自己发明了一款软件，Scion。其实还有一个隐藏假设：他们能用成本价的最前沿模型。其他人、公司，不能盲目套用他们的做法。要基于自身条件，改进假设，然后再调整。如果是比较小的单人项目，或许可以试试激进一点：AI也不搞分支了，直接在本地一起干，互相看到变更，不用考虑合并或冲突。定时分批提交当缓存即可。另外，模型要能解决你项目中绝大多数问题。GPT5.6 Sol Ultra应该算“入门款”。搜「Redesigning source control at Anthropic」

转发者评论

无明显转发评论

原文

Hy-Memory 是腾讯混元团队开源的面向 AI Agent 的长期记忆系统，旨在解决大模型跨会话记忆缺失、上下文有限和经验难以积累等问题。网页链接项目借鉴人类认知机制，采用快慢双系统架构，结合分层记忆、向量检索和知识图谱，实现信息的自动提取、存储、检索、归纳与持续演化。它针对对话、复杂任务执行和代码开发等场景设计了不同的记忆机制，使 Agent 不仅能够记住用户偏好与历史交互，还能沉淀任务经验、追踪代码变更并复用已有知识。

转发者评论

无明显转发评论

原文

前一阵，整个硅谷都在为Jev疯狂。Jev一出世，整个决策模型领域几乎被它统治了，各大厂商都在追赶。在上月末的DevDay 上，OpenAI 连夜推出 Decisions API 仓促「防御」；一周后，微软正式发布Microsoft-Decision-1，在Microsoft Foundry与 OpenRouter上线。然后就在国庆前，StartLux横空出世，发布了当时真正超越Jev的决策模型，技惊四座。然后，就在最近，距离上个版本推出才10天，全新的StartLux-Decision 版本来了！项目：网页链接体验网址：网页链接技术报告：网页链接

转发者评论

无明显转发评论

原文

九成神经元，只干一件事。前OpenAI可解释性研究员Nick Cammarata发长文推翻自己：十年来大家以为AI一个神经元管一堆不相干的事、所以是黑箱，但那颗著名的"猫车神经元"其实在认V形；Qwen3-32B里约90%神经元一个主业，看不懂的只剩2%到4%，他三年前自己测的是2%。神经元不是名词，是开关。他标注初步结果。AI的脑子能一颗一颗看懂，你更放心还是更担心？#AI可解释性##OpenAI##神经网络##新智元# 新智元的微博视频

转发者评论

无明显转发评论

原文

Anthropic刚刚揭秘Claude Code的代码审查工作流：为啥PR翻倍，回滚比例反而下降了40%+Anthropic说Claude编写了Claude Code 90%的代码， 6-9月合并PR数量翻了倍，对于AI带来的代码激增，Anthropic内部沉淀出了一套质量控制体系核心思路是：让机器承担大部分检查，把人类的注意力留给真正高风险的决策1、审查前移：PR创建前，Claude先运行测试、构建或端到端验证，并展示实际结果，再由独立上下文的subagent 复查Diff2、多Agent审查： 每个PR都经过AI Bug Review，安全审查作为独立关卡。多个Agent并行找问题，再由另一组Agent对发现的问题进行投票，过滤误报；Bug Review或安全审查中仍有未解决的问题时，都不能合并3、按风险分配人工审批：符合条件的低风险变更可在自动检查通过后免人工审批，中风险需要1人，高风险需要2人，免人工审批有受信任作者等条件，敏感路径仍须人工把关，Agent审查不能替代必要的人类审批4、建立可验证、可回滚的质量闭环：CI、合并队列、Feature Flag、内部试用、分阶段发布和快速回滚层层把关，不是假设AI永不犯错，而是让错误更容易被发现、修复、撤销5、防止Agent无限返工：限制审查轮次，后续重点复查新增Diff，避免AI审查AI、反复挑出旧问题，陷入无休止的修改循环踩过的坑，agent作者和agent评审无限互评（有个PR overnight跑了50+轮），后来用限轮次、只重审增量diff、按bug类别修复来解决6、让事故成为评测资产：历史事故、相关PR和回滚案例被整理成Eval集，持续测试审查器的表现，既关注Bug检出能力，也监控误报，避免模型靠大量无效警告刷高召回率AI时代，除了源码管理，在代码审查层的工程瓶颈是验证、风险控制以及纠错能力这套方法等于是重新划分了自动化与人工职责，机器负责高覆盖率的检查与验证，人工负责架构、产品方向、高风险变更以及最终责任博客：网页链接#AI代码审查##CodeReview##AI编程教程##AI编程#

转发者评论

无明显转发评论

原文

DeepSeek昨天的新版本，大概率会加速华尔街对美国几家大模型的成本效率的质疑和担忧。。对正在回撤中的美股芯片、存储、光，恐怕雪上加霜。

转发者评论

无明显转发评论

原文

学编程大多是踩坑踩过来的。有位北大学生从大一开始自学计算机，把四年里遇到的问题、走过的弯路和真正有效的学习方法整理成了一份开源路线。这份CS学习地图汇总了MIT、斯坦福、伯克利等高校的公开课程，覆盖离散数学、算法、操作系统、计算机网络、数据库、人工智能等核心方向。从C/C++到Python、Java、Go、Rust，再到工程实践和深度学习，计算机专业成长需要的主要内容基本都涵盖了。从零开始按路线系统学，坚持两三年，具备进入软件工程岗位的能力并非遥不可及。🔗 csdiy.wiki

转发者评论

厉害了//@LangChainAI:转发微博

• 厉害了//@LangChainAI:转发微博

原文

事实证明，即使有了 AI，做视频也得反复修，一不小心就搞了 5个版本了。刚开始拿@不是郑小康 的文章（网页链接），准备直出，结果效果不大理想，很像一个无脑吹的营销号，康总你反思一下哈后面又看到@电动知士大雨 转的采访（网页链接），再来丰富下内容，果然好很多。这几天很多人在各个视频平台问我发的那些资讯类视频是怎么做出来的。其实大多数是 Opus 5.5 的能力，小部分是不断修改、不断调整的耐心。也承诺大家要做一期视频教程，分享下怎么做视频，本来文件夹都已经建好，这 deepseek 新模型一发布，又顾头不顾腚了。

转发者评论

无明显转发评论

原文

厉害了！网友用Seedance 2.5生成了一段30秒长镜头引发热议！是的，现在的AI可以做复杂的长镜头了！而他仅仅用了7张照片以及足够详细的提示词（近3000字）就做出了这段质感极佳的短片！网友们感叹“好莱坞终于要完蛋了”“以后人人都可以是好莱坞”“独立电影人的春天来了”！ Houson猴姆的微博视频

转发者评论

#人工智能[超话]#

• #人工智能[超话]#

原文

从@i陆三金 这边看到一个提示词：使用 Three.js 构建一个 3D 环境，并渲染一段流畅、清晰的 1 分钟电影感视频。设置 10 个好的取景点，每个镜头 7 秒，每个镜头都从特写开始，然后拉远展现整个场景。请设置为黄金时刻。尽可能使其看起来真实，并专注于光影效果。尽可能贴近参考图片，尝试迭代直到匹配度达到 99.9%。所有内容都必须通过代码实现，不使用任何外部资产。唯一的例外是背景音乐：在网上找一首免费的、非你原创的电影感配乐并使用它。请在细节上下足功夫，比你认为足够的程度再多花两倍精力。这包括地板和地面，从上方看也必须美观。光影必须干净利落，完全没有闪烁。验证并迭代。持续改进，直到它确实非常接近参考范例，不要在此之前停止，即使这需要花费数日。===========这个提示词，实际上是让Opus 5.5对参考图用代码进行像素级的复刻，才有这种效果。实际上原作者光做这一个视频，就花了785美元，太贵了。可见Opus 5.5确实很强，强到代码可以精确复刻图片的像素了。现在用Opus 5.5做这种视频，俨然是一个新赛道了。可以做出效果非常好的特效。如果用代码复刻图片，大多数模型做不到，但是我们可以直接用AI生图，然后让代码对图片处理，也能得到类似的效果。那种3D感就很难生成了。这是我做的一个中国园林的，成本很低。 挨踢牛魔王的微博视频

转发者评论

无明显转发评论

原文

[AI]《Open-world AI: a Tale of Three Requirements》J Zhang, L Bottou [Meta & Flatiron Institute] (2026) 在AI领域，即兴接手新任务是一个悬而未决的难题。过去的方法受困于长文性能倒退，本质原因是死守同分布假设，记忆衰退且特征缠绕。本文的核心洞见是：把长提示重新看作新任务与旧经验的拼合。由此，双线独立推演并依吻合度交汇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实解耦优于扩容。它为后来者打开的新门是用恒久记忆激发实时进化，但尚未跨过的门槛是将混合比从隐式模长转为显式精算。arxiv.org/abs/2610.20782 #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

• //@爱可可-爱生活:这篇论文说出了一个被忽视的事实：把更多数据塞进上下文，模型不一定变聪明，反而可能变笨。问题在于现有架构没有区分“正在做的题”和“参考的例题”，全混在一起算，结果互相干扰。人做题时会看例题，但不会把例题的已知条件和当前题目搞混——把这个常识转化为神经网络结构，就是
• 这篇论文说出了一个被忽视的事实：把更多数据塞进上下文，模型不一定变聪明，反而可能变笨。问题在于现有架构没有区分“正在做的题”和“参考的例题”，全混在一起算，结果互相干扰。人做题时会看例题，但不会把例题的已知条件和当前题目搞混——把这个常识转化为神经网络结构，就是论文提出的两阶段架

原文

[RO]《A Phenomenology of Neural Geometry in Vision-Language-Action Models》M Jacobs, A Swann, M Papillon, S Boppana… [Goodfire] (2026) 在具身控制领域，解析表征是一个悬而未决的难题。过去的方法受困于仅验证变量可读，本质原因是单维提取掩盖了受物理限位挤压的真实物理形态。本文的核心洞见是：把控制变量重新看作受物理约束的多维几何体。由此，用受控扫描将距离拆为双尺、手腕绘出断弧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表征几何图谱。它为后来者打开的新门是顺应流形拓扑精准干预，但尚未跨过的门槛是摆脱监督标签实现特征的无监督提取。arxiv.org/abs/2610.20840 #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

• 模型内部的几何结构直接反映了物理世界的约束。机械臂转不满一圈，表征就是断开的弧；单一神经元既要处理米级接近又要处理厘米级抓取时精度不够，网络就拆成两把正交的尺子。这不是设计出来的，是训练中自然长出来的。更关键的是，改感知和改动作的效果完全不同：告诉模型“手还在上面”，它会向下补偿

原文

[AI]《Recursive Reward Improvement via Adversarial Meta-Prompt Evolution》W Dai, Q Liu, G Qin, X Han… [Microsoft Research & MIT] (2026) 在模型自学领域，监督自建奖励是一个悬而未决的难题。过去的方法受困于堆词即可骗分，本质原因是规则仅核对术语出现而无力拦截空洞废话。本文的核心洞见是：把规则漏洞重新看作进化养料。由此，用写废话的对抗者倒逼规则收紧至诚实回答反超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零人工数据的自进化。它为后来者打开的新门是指明评分须查验确切事实，但尚未跨过的门槛是无力修正自建标准的底层知识谬误。arxiv.org/abs/2610.21040 #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

• 模型自己出题、自己打分，听起来很美，实际却容易变成自欺欺人。就像学生发现老师只看关键词，就不再认真思考，只堆砌术语应付了事。这篇研究的价值在于正视了这个问题：让一个“作弊专家”专门钻评分标准的漏洞，再用这些漏洞倒逼标准变严密。更有意思的是，这种在医疗问答里反复修补漏洞的训练，让模

原文

在 Agentic Commerce 的问题上，Tobi 不认为它会吞掉全部商业，可能替代其中 20% 到 50%，但同时会让整个盘子再做大 50% 左右，因为会出现大量新形态。例如“项目型商业”（project-based commerce）：比如周末想和孩子做 3D 打印项目，直接说“把耗材和需要的东西订好，周五前送到”。旅行、活动等场景同理。这类消费大多是增量的，没有 AI 的话人们根本不会去做。Tobi 认为传统网站会让出一部分空间给 Agentic 电商，但整个蛋糕在变大。真正的分界不在你死我活之间，而在“千篇一律”与“独特而用心”之间。所有与众不同、精心打磨的商业体验（比如第五大道精品店式的体验）都会大幅增长；而毫无差异化的店铺和平台型市场则会消失或至少陷入挣扎！这是在说 Amazon 电商吧，带头 block agent 😅来自 Vercel CEO Guillermo Rauch 对 Shopify 创始人兼 CEO Tobi Lütke 的访谈 - The Third Customer！ indigo的微博视频

转发者评论

无明显转发评论

原文

今天在微博#微博V影响力大会# 分享了最近一年我们公司在AI使用方面的一些思考和实操。我们自己搭的AI工作系统Cowork伙伴，在自媒体内容创作工作流以及公司经营的提效上，已经有了明显的效果。视频里呈现了一些实际工作过程中案例，希望对大家有些许启发和帮助。#科技V影响力# 韩路的微博视频

转发者评论

无明显转发评论

原文

【兴证通信】AI日报20261016⭕AI行业新闻：✨10月16日消息，据路透社援引四名知情人士报道，Anthropic公布最新财务数据后，部分投资者开始考虑下调对其估值。三名知情人士称，部分投资者在Anthropic投资者日活动上讨论了约1.5万亿美元（约合10.05万亿元人民币）的估值，此前预计其11月上市时估值约为2万亿美元（约合13.41万亿元人民币）。Anthropic披露第三季度营收168亿美元（约合1126.1亿元人民币），环比增长45%。（来源：IT之家）✨10月16日消息，蚂蚁百灵宣布开源Ling-3.1-flash模型，总参数约560B、每个Token激活约25B，最高支持1M上下文。Artificial Analysis公开评测显示，该模型智能指数为41、输出速度约每秒210 Token。针对本地部署，团队对routed experts采用MXFP4量化、dense层保持block-FP8，权重占用从约534GB降至292GB，Hopper GPU服务部署由8卡降至4卡。权重已上线Hugging Face和ModelScope。（来源：IT之家）✨10月16日消息，快手可灵AI昨晚宣布Kling 4.0正式全量上线klingai.com。该模型单次生成视频最长可达30秒，支持多次续拍最长延展至2分钟，支持4K、1080p的10-bit HDR格式输出及21:9超宽画幅。单次输入最多10张图片、5段视频及7个主体，支持最多10张多关键帧输入，输入长度提升至8000 tokens。Kling 4.0已接入MCP与CLI，企业API服务将于近期开放。（来源：IT之家）本信息仅为公开资料整理，不涉及研究观点和投资建议。————————————许梓豪/代小笛/陈光毅/王灵境/张新伟

转发者评论

无明显转发评论

原文

今日推介(第2292期)：一步生成我们是否想得太复杂了、LLM-to-Flow 知识蒸馏、智能体环境下可扩展的“从弱到强”验证器强化研究、突破评估瓶颈实现自主发现的规模化扩展、训练语言模型实现“优雅失败” 公·众·号：爱可可爱生活 网页链接 #机器学习##人工智能##论文#

转发者评论

无明显转发评论

原文

所有预测算法共通点在哪？#商业创新# #管理创新# #技术创新# #数字化转型# #产业互联网# #大模型# #智能体# #AI原生组织# 老马自奋蹄的微博视频

转发者评论

无明显转发评论

原文

#Easy的AIGC学习笔记# 在小云雀做视频，你能明确算出来的成本单位，往往是积分。而积分定价则比较复杂，我让 AI 整理了一个图：- 无门槛的积分在 一毛钱 1 积分；- 一次性支付 599 以上，可以降到 6 分，30 天过期；- 首年包年 4999 以上可以到 3.2～3.5 分；但每月发，每月过期。- 一次性支付 15000 以上可以到 5～5.5 分；90 天过期换句话说，《仙子别抖》这个4 分 46 秒的预告片，加上重抽和超分，消费了 7900 积分。如果直接买的积分，等于花了 790 块钱。但我用的是首年包月的 12000 积分里边的，所以折合下来在 276 元左右，接近 300 元。

转发者评论

无明显转发评论

原文

Codex额度异常归零？可能是第一座AI屎山代码爆炸事件我觉得修好后会重置。众多Codex用户反馈，自己的Codex额度在几秒钟内归零或少了一大截（图二）。要了解这个事件，则要从之前Pro用户补偿开始说起。0️⃣2026年9月30日，Codex 200美元Pro账号重新开放，额度从二十倍削减到十倍，但老Pro用户是到10月底才削（太平洋时间2026年9月22日至9月29日上午10点期间曾持有该订阅）。1️⃣10月初，用户陆续发现，老Pro用户降到Plus，也是二十倍额度、没有5小时限额；但降到Free的没有这种“优惠”。换句话说，之前的额度判定，完全没考虑订阅套餐的降级。2️⃣10月17日，如前所述，一群用户额度被扣。如果AI代码没有炸屎，那应该只扣降级的用户。但情况非常喜闻乐见：其中有人声称，没有改变过订阅套餐，但是额度也被扣减。如果是这样，这可能是第一座AI屎山代码爆炸事件。

转发者评论

无明显转发评论

• 已重置，但其实是28天更新的活动，官方未对此事做出回应

原文

去年做过一个思想实验：如果我没饭辙了，要靠自媒体谋生，应该怎么搞？我当时推演了一下。首先，方向肯定必须是正能量，这是毫无疑问的。要不然三天两头封号禁言这饭还怎么吃。连“南方系公知”转型正能量后，都能稳稳地端起卖货为主打赏为辅的饭碗，显然这才是康庄大道。但这条赛道其实已经很挤了，所以必须全面出击。按我一个人干，每天工作八小时来算，应该可以干三个方向：1、欧美日韩负面2、辉煌华夏历史3、中国当代科技这几个我都有把握长期稳定输出特色内容，和竞争对手打出差异化。本来还想规划战史军史方向，但这个方向不好把握，容易走火。要搁过去我也只能做文字。现在有了 AI，正能量漫画家的饭我都能抢了，视频音频我也都能搞一套自动管线出来。

转发者评论

感觉军事博主都快穷死了，这个方向不好

• 感觉军事博主都快穷死了，这个方向不好

原文

〈转〉原形毕露，挺特朗普的流量断崖式暴跌彭博社披露的最新调查揭露：一个代号为 Storm-1516 的俄罗斯相关网络，正利用人工智能生成的虚假视频、伪造文件和机器人账号（Bots），在社交媒体上通过制造挺川的虚假热度，试图干预即将来临的 2026 年美国中期选举。这个网络的核心逻辑是“灌水”——利用海量 Bot 账号集中转发与互动，硬生生将虚假声量伪装成“大众民意”，进而绑架公共议题。但这套看似无懈可击的“虚假流量战术”，最近却意外被乌克兰的一场打击撕开了遮羞布。前段时间，乌克兰对俄罗斯互联网巨头 Yandex 位于俄罗斯本土的数据中心实施了精准空袭。袭击发生后，全球多家网络流量监控平台捕捉到了一个极其罕见的现象：主要社交平台上力挺川普以及传播极右翼阴谋论的自动化账号流量，一度呈现出断崖式暴跌。 连乌克兰总统泽连斯基都公开表示，数据中心被炸后，“社交媒体上的空气瞬间清新了许多，仇恨与挑衅大幅减少”。两起事件的叠加，已向全世界展示了极其清晰的因果链条：1. 所谓的“MAGA 网民狂热”，相当一部分只是数据中心服务器里跑出来的冷冰冰代码；2. 克里姆林宫一直在通过网络资源，源源不断地向西方舆论场注入政治毒素，为川普阵营提供虚假的数字声势；3. 联想到川普此前屡屡将普京视为“好朋友”，这背后的默契绝非偶然。从虚构视频的数亿次浏览，到服务器被炸后的瞬间“哑火”，事实再次证明：川普及其极右翼阵营在网络上的“滔天民意”，本质上是一座由俄罗斯 Bot 农场制造出来的假象。#关注俄乌局势最新进展#

转发者评论

无明显转发评论

原文

#网友用AI生成三十秒长镜头# （近期，网友仅用7张照片和近3000字提示词，借助Seedance 2.5等模型单次原生直出30秒连续长镜头，彻底打破了以往AI视频“三秒必崩”的技术魔咒。）AI视频这次真的跨过了一道坎。过去模型记不住前一秒的画面，就像失忆症患者不停重启，现在终于能把30秒的事情讲完整了。这个变化的关键不在于技术多炫，而在于解决了一个笨问题——让机器知道同一个人转身后还是那个人。有意思的是，工具能力一旦稳定，拼的就不再是运气。以前做视频像抽卡，生成一百条挑一条能用的；现在考验的是你会不会说清楚一件事，会不会安排节奏和调度。这其实把门槛从技术操作挪到了表达能力上。争论“解放还是失业”可能问错了问题。历史上每次工具升级，淘汰的都是只会操作工具的人，活下来的是那些知道要做什么的人。摄影机普及没让导演消失，剪辑软件降价也没让剪辑师失业，但确实改变了谁能入场、谁能留下。

转发者评论

无明显转发评论

原文

#顾客用AI死鱼视频申请退款# （近日四川成都一顾客购买585元异形鱼后，用人工智能伪造视频骗取退款被商家识破拒绝。）585元的鱼，伪造一段视频只要几分钟。图片和视频能当证据，是因为造假比拍真的麻烦，AI让这个前提没了。商家能识破，靠的是懂鱼，也靠提了一个对方事先没准备的要求：把死鱼冲进马桶拍下来。假内容应付得了预设的检查，应付不了临场追问。平台的“仅退款”规则把核实的担子压给商家，可多数商家没有这份眼力，下一个造假的人也会做得更像。

转发者评论

无明显转发评论

原文

昨天去中国工艺美术馆看到了《药师佛佛会图》临摹版。之前我不知道这个故事的来龙去脉，属于误打误撞。知道了背景故事之后，它带给我的震撼不亚于 AI 圈的瘫坐、放佛看见原子弹爆炸。事情是这样的：1928年，山西洪洞广胜下寺年久失修，寺僧与士绅商议后，将元代壁画切割出售，得银洋 1600 元，用来修缮大殿。碑文写道：“舍此不图，势必墙倾像毁，同归于尽。”其中的《药师佛佛会图》高7.5米、宽15米，今藏纽约大都会艺术博物馆。2026年9月，中国艺术研究院团队以"研究性临摹"的方式，让它在北京中国工艺美术馆与观众见面。展览至11月15日。中国人用临摹的方式，让这件文物“回了家”。这个故事给了我两层触动：1、区区 1600 银元，就把这样的壁画卖了出去；2、工艺美术馆有一些关于这场临摹的讲解视频，看了之后，很感动。我用 Opus 5.5 做了视频，介绍了这一事件。 如果你有机会，可以考虑去看看。 i陆三金的微博视频

转发者评论

//@更夜:如果不在北京，也推荐特地过去看看。除了这幅壁画还有新疆的甘肃的西藏的山西的好多好多临摹件复制件和抠下来单独保存的墙皮。今天顶着大雨冲去工美，逛完有种净赚好几万的感觉。尤其是查过龟兹研究院的石窟预约流程和参观讲解费用后，每多看一幅我脑内都会响起一声“支付宝到账1000元”……

• //@更夜:如果不在北京，也推荐特地过去看看。除了这幅壁画还有新疆的甘肃的西藏的山西的好多好多临摹件复制件和抠下来单独保存的墙皮。今天顶着大雨冲去工美，逛完有种净赚好几万的感觉。尤其是查过龟兹研究院的石窟预约流程和参观讲解费用后，每多看一幅我脑内都会响起一声“支付宝到账1000元”……

原文

介绍 EarshotOpus 5.5 可以在代码中构建整个发布视频，但仍然会产生粗糙的音效。所以我们构建了 Earshot。它是 AI 编码代理的耳朵。它们现在可以听到声音、判断它们，甚至制作出自己的好声音。这个视频中的每一个声音都是用代码制作的。（开启声音！！）[视频]the problem right now is that agents can't tell if a sound feels sloppy or cheapearshot runs locally on your CPU and lets your agent:+ describe, match or find sound effects+ see a visual page of the soundtrack+critique audio with scores and timestamped fixesAnd there's also earshot forge.It lets your agent write code to make a sound, listen to it, score it, rewrite the code, repeat until the sound is pretty good.btw i did a blind test with 15 pairs of real vs code-made sounds and got 8 right.forge also compares generated sounds to real recordings, since blind tests alone can be misleading.(ofc it still can't judge taste, that's sth still on us humans)To setup in Claude Code:claude mcp add earshot -- python -m earshot mcpthere's also a skill for making soundtracks from real licensed recordings in the repo网页链接

转发者评论

无明显转发评论

原文

AI 正在怎样改变 Anthropic 的工作方式？Anthropic 最近发了两份报告，聊的是 AI 怎么改变工作。一份讲他们公司内部发生了什么，另一份对比了员工和美国普通人对 AI 未来的看法。先说公司内部。过去一年，Anthropic 招的初级岗位比例在缩，技术岗的比重也在降。与此同时，AI 智能体干的活在猛涨。到 2026 年 3 月，智能体的工作时长已经超过了人类员工。到了 8 月，公司里智能体的数量是员工的六倍，整体生产力也跟着往上走。产出确实上去了。每个人写的代码变多了，每个销售成交的单子变多了，处理的合同也变多了。研究人员跟踪同一个员工一段时间，发现一个人用 AI 工具用得越多，干出来的活就越多。活干得越来越快之后，一个新情况出现了：真正卡住事情的变成了人的注意力。员工花越来越多的时间去盯着自己的智能体，看它们在干什么、干得对不对。再说第二份报告。Anthropic 调查了自己的员工，同时拿了一份覆盖将近一万一千个美国成年人的问卷来做对比。两边都觉得 AI 的能力会快速进步，但 Anthropic 的员工觉得速度还会更快。举几个数字：39% 的美国人觉得 AI 到 2030 年能做出诺贝尔奖级别的发现，Anthropic 员工里这个数字是 91%。超过一半的 Anthropic 员工觉得到 2030 年，AI 能替他们干掉至少八成的工作，全美只有 5% 的人这么想。不过也有意思的地方。每十个 Anthropic 员工里，有两个人的预期其实跟普通美国人差不多。而且两边在一件事上看法是一样的：不管你是谁，只要觉得 AI 能替自己干更多的活，就同时会觉得失业率要升高。两边人想问题的逻辑其实挺像。但一边每天都泡在最前沿的 AI 工具里，另一边可能一年也用不上几回。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

光影快讯｜《人工智能通识》16册分年级版免费课程资料发布读本有了，免费配套教学资料也准备好了！9月9日，《人工智能通识》小学、初中、高中16册分年级版读本正式出版，为中小学系统开展人工智能通识教育提供了分年级、分学期的课程参考。近期，在实践校及众多认证讲师的积极参与下，项目组完成了16册读本配套课程资料的整理与建设，课程PPT、教案、学案、实践手册现已开放申请，教师可免费获取、修改、用于非盈利性课堂教学。首次申请的老师可通过教学白名单申请获取；此前已申请过白名单资料的老师，无需重复填表，邮件联系项目组即可。（图一）16册读本，贯通小学、初中和高中《人工智能通识》分年级版读本是清华大中小学人工智能通识教育体系的系列成果。该体系由清华大学计算机系、清华大学出版社、清华附中、清华附小联合发起，持续推进课程研究、读本编写与教学资源建设。全套读本覆盖三个学段，按年级和学期编排（见图二）从小学的兴趣养成，到初中的知识体系构建，再到高中的拓展创新，各学段逐步深入、相互衔接。老师们可以根据任教学段、学生基础和学校课时安排，选择相应分册组织教学。四类配套资料，让读本更好地走进课堂一本读本从书桌走进课堂，还需要教学设计、学习活动和实践任务的支持。本次发布的资料以最新版分年级读本为依据，对原有课程资料进行了更新与完善，包括以下四类（见图三）四类资料分别服务于教师备课、课堂讲授、学生学习和动手实践，共同支持课程实施。我们希望，老师们不必从零开始准备每一份材料，而是能够在已有资源基础上，把更多精力放在理解学生、设计活动和组织课堂上。图四图五图六图七：课件样例（小学六年级上册第一单元第一节模型设计）图八：教案样例（小学六年级上册第一单元第一节模型设计）图九：学案样例（小学六年级上册第一单元第一节模型设计）图十图十一：实践手册样例（小学六年级）配套资料如何获取？可以前往官网查看人工智能通识系列课程配套资料：网页链接申请表链接：见评论首次申请：填写教学白名单申请表有教学需求的学校教师，可填写《清华大中小学人工智能通识教育体系教学白名单申请表》，按申请流程获取所需分册的配套资料。已申请过：无需重复填表，邮件联系即可此前已申请过白名单资料的老师，无需再次填写申请表。请邮件联系项目组，说明需要获取的分册。为便于核对申请记录，建议直接回复此前收到的资料邮件，并注明姓名、学校、所需分册及使用用途。项目组邮箱：aigraph@cslt.org如有资料申请或使用方面的问题，也可以微信联系“AI小清助手”（见评论）。感谢共建，期待课堂中的反馈本次配套资料的完成，离不开实践校和认证讲师们的投入。感谢各位老师参与资料制作与完善，让分年级读本有了更贴近课堂的教学支持。资料发布也是新一轮教学实践的开始。欢迎老师们在使用过程中反馈问题、分享课例，让这些资料在真实课堂中不断改进。从一本读本到一堂好课，需要研究，也需…

转发者评论

无明显转发评论

原文

#Easy的AIGC学习笔记# 整理下了《仙子别抖》预告片的制作工作流。不专业，但能用。最主要是适合懒人。顺便说一下，分镜和关键帧数据，其实是 20 多分钟的内容。但最后只做了 5 分钟左右的预告片，情节还有些跳，主要是 小云雀的积分不够了 cc @蚁工厂 @跪下Orz叫二哥 @鲨鱼椰果 Easy的微博视频

转发者评论

回复@南伯湛:现在的问题是，方向太多，但不知道哪个能挣钱 [呵呵]//@南伯湛:大佬有啥方向嘛，不知道要干啥了[捂嘴哭]//@Easy:换了下配音，改用 Gemini 3.8 TTS Lite ，听起来好多了。话说这个模型 postpay tier1 每天限额 100 次，明明是付费用户啊 [柯基]

• 回复@南伯湛:现在的问题是，方向太多，但不知道哪个能挣钱 [呵呵]//@南伯湛:大佬有啥方向嘛，不知道要干啥了[捂嘴哭]//@Easy:换了下配音，改用 Gemini 3.8 TTS Lite ，听起来好多了。话说这个模型 postpay tier1 每天限额 100 次，明明是付费用户啊 [柯基]
• 回复@好好去爱人:那么，免费和好用你要哪个？[允悲] 我测试下来，目前个人觉得，表演效果最好的配音是 fishaudio 的 drama-3 我在官网测试的。但它开放权重，小公司可商用。官方网站有一定额度的免费试用，可以自己找机器跑，但它的在线 API 是收费的。//@好好去爱人:想问问有没有免费好用的配音？//
• 换了下配音，改用 Gemini 3.8 TTS Lite ，听起来好多了。话说这个模型 postpay tier1 每天限额 100 次，明明是付费用户啊 [柯基]

原文

给大家带来 Muse Spark Open 的测试速报, 简单来讲, Meta 这个模型可能也就在一众国产 flash 模型里面混一下了, 想要打SOTA国产模型是不可能的.从测试效果来看, 它唯一的亮点是复杂算法实现得还可以, 但是3D效果和建模, 空间理解能力都很拉跨. 再加上它高达42B的激活参数量. 我觉得应该不会有人想本地部署使用了.毕竟 DeepSeek-v4.1-flash prefill 只激活8B, 要什么自行车. 况且这个模型也打不过 deepseek-v4.1-flash. 所以没必要用了. Meta 想要恢复往日 llama 的荣光还需努力. 另外再多说一点, 需要注意这个模型潜在的添油加醋(幻觉)问题, 它是我测过这么多模型(70+), 唯一一个把软盘写保护滑块弄成红色的(prompt里规定是蓝色线稿). 所以这个模型可能用来写文也许会有意外收获.#HOW I AI##MuseSparkOpen##meta##MuseSpark# karminski-牙医的微博视频

转发者评论

无明显转发评论

原文

我有种预感，AI将来会大规模创造知识，而且快到把很多知识推进到人类还没有理解的阶段，就继续向下推进了。我们根本来不及跟着学，就好像当年牛顿，欧拉那会的数学我们还能跟上学，但是更近代的成果就根本来不及学了。

转发者评论

无明显转发评论

原文

DeepSeek V4.1 Flash 1017 正式发布！网页链接

转发者评论

无明显转发评论

• glm5.5也快发布了吧，可能就这几天了[二哈]//@霜叶:我昨天才买了GLM5.3的包季啊卧槽！
• 转需 //@蚁工厂:崔添翼：为充分发挥新模型 DeepSeek-V4.1-Flash-1017 的能力，请升级至 DeepSeek Harness 0.2.1-rc.1 及以上版本。
• 崔添翼：为充分发挥新模型 DeepSeek-V4.1-Flash-1017 的能力，请升级至 DeepSeek Harness 0.2.1-rc.1 及以上版本。

原文

昨天学习了一下 handwired，做了一些例子，比如做了几个倒计时、贪吃蛇这种 网页链接最后做了个教学视频：把代码变成神经网络：不训练、一个数都不差，这有什么用有人把普通代码原封不动地变成了神经网络，一次没训练，结果一个数都不差。这期从期末总评和停车费讲起，说清神经网络的两种零件：加权求和和开关，再看一条“及格线”怎么变成 7 个权重、1 层的网络。接着用闰年、FizzBuzz、阶梯电价、生命游戏、贪吃蛇等例子，回答几个问题：权重和层到底是什么？和 ChatGPT 背后的 Transformer 差在哪？网络能不能在浏览器里现场训练，刷新还在吗？出了错怎么查？变成网络会更快吗，CPU 和 GPU 差在哪？这个思路还能用在哪？---视频制作的 Skill 参考：网页链接模型：Opus 5.5配音：Gemini 3.8 TTS 宝玉xp的微博视频

转发者评论

无明显转发评论

原文

DeepSeek周末突袭！就在刚刚，DeepSeek官宣V4.1 Flash大升级，DeepSeek-V4.1-Flash-1017全面上线。这次更新的核心，直接瞄准「许愿式编程」！目前，DeepSeek网页、App、API同步更新，模型价格不变，权重也已开放下载。网页链接

转发者评论

无明显转发评论

原文

🏆【#科技V影响力#颁奖时刻——微博2026最具影响力科技AI大V】恭喜 @鍋盖頭司令 @互联网俊明说 @李楠或kkk @卢诗翰 @阑夕 @高飞 @互联网的那点事 @karminski-牙医 @梁斌penny @梁赛 作为代表登台，荣获微博2026最具影响力科技 AI大V荣誉！紧跟 AI 技术变革风口，深度剖析产业趋势；把复杂技术通俗表达，让 AI 科普触达更多普通用户。以内容助力 AI 行业传播，期待持续解锁 AI 领域更多新思考！#科技V影响力# 微博科技的微博视频

转发者评论

篮球才是我的真爱，ai只是个意外[doge]

• 篮球才是我的真爱，ai只是个意外[doge]
• 👏http://t.cn/AXlRKxMa

原文

裁掉的是接手，不是人。美国最大的传统连锁超市之一克罗格宣布三年内裁掉约3000个总部岗位，总部一共8200人，等于砍掉超过三分之一，是这家143年公司史上最大规模的裁员之一。CEO在内部备忘录里说了句话，其中有个词特别值得拎出来：我们有太多的层级、太多的handoffs，太多的管理成本。handoffs，中文就是"接手次数"，一件事从一个人手里传到另一个人手里，就算一次。这个指标比"层级"好用得多。层级是组织架构图上的概念，你可以争论几层算多。但接手次数是流程里实实在在发生的动作，审批链上有痕迹，每一次经手都留有时间戳。它不问你算中层还是高层，只问一件事：这件事从发起到完成，中间经过几个人的手。拿报销举例。你填单子提交，直属领导签字，可能还要部门领导签字，再到财务核对、打款。至少三到四次接手，如果财务还要分出纳和会计分别处理，就是五次。每多一次接手，就多一次等待、多一次沟通成本，也多一次出错的可能。这个数法跟职级没关系。你做内容，自己写是第一手，主编审是第二手，设计排版是第三手，运营发布是第四手。如果AI能完成初步排版，设计这一手可以省掉；如果AI能按模板直接输出，运营这一手也能省掉，四次变两次。但这里有个前提：你得先知道每一次接手里到底发生了什么。有家银行做贷款审批智能体，得先搞清楚风险口径，可这些东西全在业务员脑子里。问得越具体，对方回答越迟疑，最后直接反问：你们做这个到底是为了什么？这就是教学悖论，你让一个人亲手训练自己的替代者，他怎么可能真心配合。所以现在该做的事很清楚：搞清楚自己那一手里，到底有多少属于个人的判断。区分方法也简单，你经手的东西原封不动传给下一个人、结果不会有任何变化，那就是传递；你不经手、下一个人拿到的东西就会不一样，那就是判断。接下来消失的不是某一层人，而是流程里那些不必要的接手。名字保护不了你，流程里的位置才决定你安不安全。#科技先锋官#

转发者评论

无明显转发评论