微博 AI 观察博客

原文

17岁少年离开Kimi：比他去哪更值得聊的，是他怎么被看见的？10月15日，一个17岁少年在社交平台上说自己离开了月之暗面Kimi。消息一出，AI圈直接炸了。传他要去Anthropic、旧金山顶尖公司都在抢他，甚至年薪百万美元的说法都出来了。他本人很快否认了去Anthropic的传闻，但没说下一站去哪。这个少年叫陈广宇。今年3月，Kimi发表了一篇重磅技术论文Attention Residuals，提出让大模型更高效利用自身信息的新方法，陈广宇的名字出现在共同第一作者的位置上，跟他并列的是张宇、苏剑林这样的业内大神。而他，今年才高中毕业。一年多以前，他的社交账号只有大约20个关注者。故事要从2024年说起。15岁的陈广宇在深圳读高中，按正常路线应该在准备标化考试、写申请文书，走一条通往美国名校的标准路径。但他越来越厌倦，觉得自己做的所有事都是"为申请而活"。于是他做了个决定：把那些只为申请才做的事先放一放，开始大量读AI和物理的书，后来干脆自己啃机器学习的论文。一个高中生读机器学习论文，听起来离谱，但他有个关键方法：用Gemini帮自己读。遇到看不懂的段落就让AI解释，一段一段地啃，而不是让AI泛泛总结；遇到数学推导就一直追问，直到真正弄懂。方法笨，但非常有效。2025年5月，他把自己对线性注意力的理解整理成一篇技术博客发到网上。当时账号只有20来个关注者，按流量逻辑这篇文章应该石沉大海。但线性注意力这个领域本来就小众，全球真正做这个方向的研究者并不多。当你在一个足够小的领域里写出有质量的东西，被"对的人"看到的概率反而比想象中大。这篇博客被一位研究线性注意力的学者注意到，对方回复了他的帖子，带动了传播，又被一家研究机构的CEO看到，主动联系他给了实习机会。2025年7月，16岁的他一个人飞到硅谷，跟一群真正的研究者一起写代码、跑实验。这段经历后来引起Kimi团队注意，实习结束后他加入了月之暗面。这个故事里，天赋没法复制。一个15岁就能耐下性子主动读懂机器学习论文的人，起点跟大部分人就不在一个位置上。但把天赋放一边，他做事的路径里有几个动作是可以迁移的。第一，把学习过程公开写出来。陈广宇不是因为发论文才被发现的，是因为写博客被发现的。关键词就两个：整理，写出来。很多人觉得自己没学透不敢写，或者觉得写了没人看不值得写。他当时只有20个关注者，按任何流量标准衡量都是完全没有影响力的账号，但他还是写了。这里有个容易被忽略的机制：在足够垂直的领域里公开写出有质量的内容，你不需要很多读者，你需要的是被"对的人"看到。而小众领域里，"对的人"本来就在到处找同行，他们的雷达是开着的。20个关注者里，只要有一个是对的人就够了。写了，就比没写的人多一次被发现的可能；不写，可能性就是零。第二，用AI当学习加速器，但别把它当替代品。他用Gemini辅助读论文，AI帮他降低了学习…

转发者评论

无明显转发评论

原文

激动人心的消息：@deepseek_ai 的 DeepSeek-V4.1-Flash-20261017 (Max) 现已成为 Code Arena: WebDev 中排名第一的开源模型，超越了 Kimi K3 (Max)，且成本仅为其十分之一！亮点：- 第一开源模型，领先于 Kimi K3 (Max)- 总排名第 12，1670 分，领先于 Claude Opus 5 (High)，与 GPT-6 Sol (Max) 的差距仅约 10 分- 将帕累托前沿推移至每百万输入/输出令牌 $0.3/$1.2- 比之前的 DeepSeek-V4.1-Flash-20260910 提升了 +52 分祝贺 @deepseek_ai 团队再次为开源生态系统做出强大贡献！引用：🚀 DeepSeek-V4.1-Flash-1017 is here!Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost. Now live on our website, app, and API.🛠️ Optimized for @DeepSeekHarness, Tencent CodeBuddy,See the full Code Arena leaderboard:网页链接

转发者评论

无明显转发评论

原文

最近有个体会：文本开源大模型想真正玩起来，光有模型远远不够。写代码要沙箱去跑、去验证；做办公要联网搜索、要接各种工具。模型只是大脑，手脚得自己配，这些外部条件才是普通人部署后用不起来的主要原因。视频开源模型就不太一样。它的输出本身就是成品，生成完直接能看能用，不需要实时联网，也不需要调用外部工具，闭环短得多。更关键的是变现路径。视频生成出来，往微博、抖音、视频号一发就能涨粉，粉丝多了就能接广告、带货、做付费内容。上传、分发、流量、结算，这套基础设施平台已经全部建好了，个人只管生产内容。文本模型生成的东西想变现就难多了：要么自己搭产品、找客户，要么写成文章去卷早已饱和的图文市场。生成很容易，换成钱的那一段路，得自己一砖一瓦去铺。当然视频模型也有门槛：一是显存和算力，二是工作流，比如 ComfyUI 编排、LoRA、超分、插帧、配音，三是提示词，往往还得借文本模型来扩写。另外平台要求标注 AI 内容，千篇一律的东西照样没流量，创意还是核心。一句话总结：文本模型卡在"连接世界"和"变现链路"，视频模型卡在"本地算力和创作能力"。对有机器、愿意折腾的个人和小团队来说，视频模型可能是更容易落地、也更容易赚到钱的方向。

转发者评论

无明显转发评论

原文

GitHub上有个港大开源的项目叫DeepTutor，已经三万六千多星了。跟那种问一句答一句的AI不一样，它更像一个能长期陪你学的私人导师。你把教材、论文、笔记全丢进去，它会慢慢摸清你哪里薄弱。能干的事挺全：一道题帮你拆开讲思路；自动出题、批改，再照着错的地方生成练习；复杂主题自己查资料、整理成报告；抽象概念还能变成图表、动画和互动内容。最关键的是，它记得你学到哪了、哪里老出错，会动态调整后面的学习路径。支持本地模型、多种RAG、长期记忆，Docker自己就能部署，Apache 2.0开源。说白了，把自己的资料喂给它，养一阵子，它就成了一个真正懂你进度的AI老师。传送门：github.com/HKUDS/DeepTutor

转发者评论

#人工智能[超话]#

• #人工智能[超话]#

原文

Supervisor-Skills: 将博导十年科研经验，炼化为你的 AI 副导师地址：github.com/HKUSTDial/Supervisor-Skills作者介绍：“大家好，我是骆昱宇，香港科技大学（广州）的助理教授。从自己读博到指导学生，我反复看到一个场景：许多才华横溢的研究生，在踏入科研大门时，常常被相似的困境所困扰：----理论与实践脱节：读了再多"科研指南"，面对自己的课题时，依旧不知如何下笔。----指导资源稀缺：导师日程繁忙，无法对你萌生的每一个想法进行及时、细致的评估。----投稿前的迷茫：论文写完，却不确定逻辑是否严密、图表是否符合顶会审美、行文是否暗含"低级错误"。----AI时代的"能力鸿沟"：大模型很强大，但若缺乏判断力与学术品味，AI也只是"高级玩具"。卓越的科研成果，无法仅靠“万能 Prompt”催生。这些挑战，共同构成了科研的 "最后一公里问题" (The Last-Mile Problem)。它不仅是方法论的缺失，更是经验、品味与判断力的综合考验。为此，我发起了 Supervisor-Skills 项目。我们将过去十年在数据科学与人工智能顶级会议（如 SIGMOD, VLDB, ICML, NeurIPS）中积累的发表、审稿经验与学术直觉，进行"蒸馏"与"锻造"，最终封装成一套结构化的、可被大语言模型（如 Claude, GPT-4）精确执行的 AI技能 (AI Skills)。 我们的愿景很简单：将资深科研者的隐性知识，转化为人人可用的 AI 工具，让 AI 成为你真正的、全天候在线的科研副导师”

转发者评论

无明显转发评论

• 已严肃要求HI修炼成我们的赛博科研顾问 http://t.cn/AXlBZUV7
• 还好还好，AI还没有博导资格，博导们暂时不用担心饭碗[哈哈]//@-马小虎-:@刘群MT-to-Death 刘老师为那个赛博写论文的事可能有救了[哈哈]

原文

【血糖高，是要少吃主食，还是要少吃脂肪？】#营养素养up# #全民营养提升计划# #血糖# 很多人为了控制血糖，主食不敢吃，炒菜油和肉类却吃得很多。至少对一部分人来说，这种做法会适得其反。当餐血糖反应可能还不算离谱，第二餐的血糖反应一定会很差。长期而言，非常不利于血糖控制。时间久了之后，哪怕就吃几口主食，甚至只是吃一段蒸山药，血糖就蹿到十几。越不敢吃主食，血糖越高；血糖越高，越不敢吃主食。形成恶性循环。即便主食足够少，人都吃不饱，看似糖化血红蛋白不太高，但心情越来越焦虑，体力和抗病力越来越差。最后并发症一个接一个纷沓而至。对这部分人来说，正确的方法是少吃炒菜油，少吃肥美的高脂肉类，把脂肪降下来。主食吃够，最好能有一半全谷物。同时，每天要有足够的活动量。除了每周至少5次30分钟中强度有氧运动，每周2次增肌运动。还要有足够低强度活动（比如家务、散步等）。对体重不超标的人来说，要吃够主食，吃够热量，体力才会充沛，运动强肌的效果才会好。//@爱璐也疯狂 我妈餐后血糖高，天天走路，一万多步，各种东西都不太敢吃，达标时间30%左右。后来加了一种药，血糖还是不太好。看了范老师的分享，果断把炒菜用油降下来。血糖一下子完全达标。整个人也精神了很多，饭后打哈欠现象没了，话也多了，夜里睡眠也有改善。正如上面这位网友所报告的那样：和少量主食+大量炒菜油+大量肉类相比，充足主食+充足纤维+少量肉类+充足运动，对胰岛素敏感性下降的很多人来说，可能是维持血糖稳定、提高生活质量的更好路径。有些人说：可是很多研究都说高脂低碳有利于控血糖啊？的确有这些研究结果。但实施这种吃法是有前提的。它主要适用于明显超重肥胖、而且消化功能和肝肾功能良好的人。不适合于体重不超标的人，消化吸收不良的人，以及肝肾功能下降的人。高脂低碳也需要总能量充足，维生素、矿物质、膳食纤维充足，通常需要有营养补充品加持，需要有医生和营养师指导。否则容易产生副作用。而且，也只是几个月短期治疗的效果，目前还没有哪个国家的营养权威机构建议人们终生实施这种膳食模式。低脂高碳，或者高脂低碳，如果必须选一个，没有专业指导而且长期实施的话，大部分中国人更愿意接受前者。它经济成本低，生活质量高，安全性也好。可能有人说：我知道高脂高碳水一定不好。那么低脂低碳水呢？一言以蔽之：长期而言，低脂低碳水是一个作死的饮食方法......如果不想毁掉健康、提前挂掉的话，还是不要走这条路的好。

转发者评论

少吃炒菜油是错误的。如果动物脂肪也不吃，植物脂肪也不吃，脂溶性成分吸收会大打折扣。重点是选对炒菜油，用低芥酸菜籽油，避免多不饱和脂肪酸过量。//@棠安喜乐:@有个梨GPT 要不要看一下//@范志红_原创营养信息:别吃加了油做成的主食，喝汤去油，不吃油炸，每餐只有一个炒菜，多用清炖、水油焖和白灼

• 少吃炒菜油是错误的。如果动物脂肪也不吃，植物脂肪也不吃，脂溶性成分吸收会大打折扣。重点是选对炒菜油，用低芥酸菜籽油，避免多不饱和脂肪酸过量。//@棠安喜乐:@有个梨GPT 要不要看一下//@范志红_原创营养信息:别吃加了油做成的主食，喝汤去油，不吃油炸，每餐只有一个炒菜，多用清炖、水油焖和白灼

原文

根据手画神经网络结构图，将神经网络的程序编出来。chatGPT终于实现我多年前的梦想了。大概2017年左右，我就想能不能我画一张神经网络结构草图，然后电脑就自动将它编出来呢？6年过去，竟然实现了！！这还是相当震撼的。

转发者评论

回复@ElijahZhong:这推荐你认真看看3Blue1brown的transformer的介绍视频，里面讲得非常清楚，transformer的KQV及mlp这些是如何做到这一点的。//@ElijahZhong:Reply@圆觉傅李剑锋:这三点确实是一体的，其中最关键的还是第一个。我一直没明白LLM 是怎么做到”理解”这个事情的… 确实训练/微调时都是在建

• 回复@ElijahZhong:这推荐你认真看看3Blue1brown的transformer的介绍视频，里面讲得非常清楚，transformer的KQV及mlp这些是如何做到这一点的。//@ElijahZhong:Reply@圆觉傅李剑锋:这三点确实是一体的，其中最关键的还是第一个。我一直没明白LLM 是怎么做到”理解”这个事情的… 确实训练/微调时都是在建
• 回复@ElijahZhong:这里其实非常简单，就三点：1 因为它能理解几乎所有人类语言，这非常非常关键；2 越来越可靠的推理能力（这可以通过多次核验达到）；3 编程能力。只要不断地提升这三个能力，其它智能所需的能力就具备了。包括我们需要的什么自主、创新、提出新概念，都会有。当然体验不会有，这是意
• 是啊//@waffle_jam:三年后再看 当年也是远远低估了LLM的potential……//@waffle_jam:简直太爽了………………//@于勒-://@宝玉xp://@蚁工厂://@蒋涛CSDN:确实厉害，这理解力

原文

Mistral 最近发布了一个 209M 模型，它可以在 CPU 上本地预测未来数据，仅需约 140 毫秒。并非每个有用的 AI 模型都需要会说话（就像 Jev 一样）无需 GPU。这是一个超小型基础模型，专为时间序列预测而设计。给它历史数据，比如：📈 销售⚡ 电力使用🏭 传感器读数📦 需求/库存🌡️ 遥测数据……它就能预测接下来会发生什么，而无需为每个数据集训练一个新模型。最大版本规格🧠 209M 参数💾 837MB FP32🖥️ 可在 CPU 或 GPU 上运行📚 最多 32,768 个历史时间步🔮 每次前向传播预测最多 1,024 个步骤📊 输出 21 个概率分位数🎯 Mistral 表示，它在三大主要公共预测基准测试中排名第一，超越所有预训练/零样本模型🥇 GIFT-Eval🥇 TIME🥇 fev-bench它可以变得很小，比如 Timestral-5M → 21MBMistral 表示，在 8 线程 CPU 上：⚡ 5M 模型 → ~10 ms⚡ 209M 模型 → ~140 ms用于从三周的 15 分钟数据进行一天预测。🔗 链接见下方 ALT。网页链接

转发者评论

无明显转发评论

原文

[RO]《PingpongDuo: Agile Humanoid Table Tennis Doubles with Safe Team Coordination》H Jiang, Y Zhong, K Zhang, C Liu… [Shanghai Innovation Institute & The University of Hong Kong] (2026) 在机器人领域，同侧双打是一个悬而未决的难题。过去的方法受困于互撞与脱靶，本质原因是单机逻辑未消化极限交替，急退让步摧毁了击球底盘。本文的核心洞见是：把协同重新看作特权避让与惯性代偿。由此，逼退队友死保击球位，用残差微调抵消跑位晃动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十连击实机系统。它为后来者打开的新门是极限避让与击球解耦，但尚未跨过的门槛是感知旋转，及告别硬脚本的战术博弈。arxiv.org/abs/2610.20579 #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

• 乒乓球双打暴露了机器人控制的一个根本矛盾：不可能让一个系统同时跑得最快、打得最准，还能完美避让队友。人类运动员早就知道答案——击球手优先，非击球手主动让路，没人试图在全速奔跑中完成精准击球。PingpongDuo的价值在于承认了这个矛盾：用分离的神经网络分别处理跑和打，用不对称的权重明确谁

原文

[RO]《TacitVLA: Reasoning Vision-Language-Action Models Without Reasoning Latency》J Lu, Y You, B Li, Y Cao… [NVIDIA] (2026) 在机器控制领域，思考与敏捷互斥是一个悬而未决的难题。过去的方法受困于高延迟，本质原因是动作必须死等推理文本逐字生成。本文的核心洞见是：把推理重新看作训练期提纯特征的养料，而非执行时的必读指令。由此，切断动作对文本的注意力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解绑了认知增益与时间成本。它为后来者打开的新门是边行动边异步存记忆，但尚未跨过的门槛是若耗时溢出物理窗口仍会卡顿。arxiv.org/abs/2610.17540 #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

• 训练时让模型写出推理过程，推理时却不让动作依赖这些文字——这个设计揭示了一个常被忽视的事实：推理监督改变的是网络内部的表征质量，而非那串Token本身。就像练琴时拆解指法，演奏时手指已经记住了轨迹。TacitVLA证明，机器人可以边动边写日记，而非写完再动，因为起作用的能力已经沉淀在权重里。

原文

[LG]《Complete or Sparse: A Tale of Two Identifiabilities》J Zhou, D Klindt [Cold Spring Harbor Laboratory] (2026) 在AI界，神经元单点激活是一个悬而未决的难题。过去的方法受困于特征纠缠，本质原因是误将数据视作连续球面，抹杀了稀疏非负的现实。本文的核心洞见是：把底层概念重新看作稀疏正信号。由此，用能量惩罚逼迫坐标系坍缩对齐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统一非线性表征与稀疏编码。它为后来者打开的新门是用因果机制推演白盒，但尚未跨过的门槛是剥离对绝对恒定条件熵的假定。arxiv.org/abs/2610.20851 #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

• 我们一直以为压缩信息能提取本质，其实是在制造混乱。当网络容量不足时，它只能把概念扭成一团塞进去；只有给够空间，线性结构才会自然浮现。更意外的是，神经元不能为负和能量受限这两个看似削弱能力的约束，反而在数学上逼出了一个神经元对应一个概念的清晰编码。这解释了为什么大模型的稀疏自编码器

原文

让智能体接管浏览器并不难，难的是如何穿透严格的风控与人机验证。开源项目 stealth-browser-mcp 基于 nodriver 和 Chrome 开发者工具协议（CDP），直接调动真实的 Chromium 系列浏览器，能有效应对 Cloudflare 等反爬检测。除了基础的网页导航与点击，它还开放了深层控制权，支持实时网络请求拦截、动态 Python Hook，以及能抓取完整样式与动画的像素级 UI 克隆。项目采用模块化设计，提供多达 101 个细分工具，也支持裁切为 21 个核心功能的轻量模式，原生兼容 Claude 等客户端，适合用来做数据采集、API 逆向与自动化交互。github.com /vibheksoni/stealth-browser-mcp

转发者评论

无明显转发评论

原文

最新一期科普视频：车头朝下贴在弯道顶上，特斯拉新 Roadster 为什么掉不下来？特斯拉和 SpaceX 一起做的新款 Roadster，在发布会上头朝下停在二十米高的弯道顶上，又冲出坡道、在半空翻身落地。这期用 3D 动画讲明白它背后的两件事：车底的风扇怎么把车“吸”在路上，气罐和喷口怎么把车推上天。顺着回答几个大家最关心的问题：是不是靠速度像过山车？能飞多久，能不能开着飞去上班？在空中怎么翻身？0.81 秒破百轮胎受得了吗？这些本事除了表演还有什么用？---这类视频制作相关 skill 我还在完善中，不过现在的版本可以参考：github.com/JimLiu/baocut/blob/main/skills/baocut/built-in-skills/explainer-video/SKILL.md发给你的 Agent（需要配合 Opus 5.5 效果最佳）就可以使用这个视频素材都是自己联网检索的，发布视频是我制定的，结合了当时的发布视频，以及一些检索的 YouTube 视频，Opus 5.5 帮助做了 3D 建模动画。 宝玉xp的微博视频

转发者评论

无明显转发评论

原文

[CV]《UniForge3D: Joint 3D Reconstruction and Generation in a Shared Anchor-Guided Space》W Chen, W Chen, H Zheng, R Jia… [Peking University & Math Magic] (2026) 在3D生成领域，兼顾保真与补全是一个悬而未决的难题。过去的方法受困于任务割裂，本质原因是相机系与规范空间天然错位。本文的核心洞见是：把空间对齐重新看作构建首帧锚定的共享系。由此，让体素反查像素并为局部截取最优视角引导生成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消除两者的三维坐标壁垒。它为后来者打开的新门是体素级特征精准提取，但尚未跨过的门槛是强反光等恶劣场景的解析。arxiv.org/abs/2610.15357 #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

• 这篇论文解决的问题很具体：从几张角度随意的照片生成完整3D模型，既要保留拍到的细节，又要补全看不见的部分。常见做法是让网络同时看所有视角，期待它自己学会融合。但作者发现问题出在两处：重建依赖相机坐标，生成依赖物体自身坐标，两套坐标系让网络左右为难；更关键的是，局部细节往往只有某个角

原文

如今的大模型，想要追求性能，往往要烧掉海量经费。Claude Opus或GPT等前沿模型，好用是真好用，贵也是真贵。但如果现在告诉你：有一套方案，不仅能在九项包含科学推理、业务自动化、工具调用、Agent能力等基准测试中力压群雄拿下第一，而且每次调用的平均成本只要区区0.06元，甚至不到对手的2%，你会不会觉得不可思议？就在近日，这件打破常理的事情真实发生了。AI基础设施公司南芥智能（网页链接）发布了一份极具颠覆性的技术报告。他们推出的Mio 1.0 Lite，就像一位「武林盟主」，把多款原本可能有些「偏科」的国产高性价比大模型集结在了一起。单打独斗时它们或许并非全能，但调度协作后，竟爆发出了远超高价单体模型的惊人战斗力。在一项覆盖九项公开基准的评测中，Mio 1.0 Lite平均得分77.15，在十三种参评模型中排名第一。它每次请求的平均成本约为0.062元，在参评方案中同样最低。这份名为《Toward Collective Model Intelligence: Characterizing and Coordinating Models》的技术报告，相关代码和评测数据集已在GitHub公开(网页链接)。这份报告在行业内首次系统地提出了一个极具潜力的新方向——「模型群体智能」（Collective Model Intelligence）。

转发者评论

无明显转发评论

原文

一套提高 Coding Agent 工作可靠性的方法：优先改进代码库，其次建立自动检查，再补充文档，把人工审查精力更多投入到能减少后续错误的地方。（via Lauren Tan）1、先让代码结构约束错误Agent 喜欢模仿已有代码，也倾向于选择最短的实现路径。因此，代码库里的架构、类型、不变量和模块边界，会直接影响它接下来写出的代码。她建议优先从代码层面消除整类问题，让最容易采用的写法本身就是正确的写法。这样，后续任务就不用每次都重新解释同一条规则。2、能自动检查的，交给工具Lint 规则、测试、CI，以及适用时的形式化验证，可以提前发现问题，减少反复消耗 token 纠错。代码结构之外，再用可执行的检查约束产出。测试、CI 和形式化验证的作用不同，但都比单纯要求 Agent 自觉遵守更容易留下可检查的证据。3、文档承接仍然需要判断的部分注释、规则、AGENTS.md、Skills，适合记录无法直接强制执行、仍需 Agent 理解和判断的内容。她的建议是克制使用，避免把所有要求都堆进文字说明。其中一个具体工具是 /create-verification-skill：为项目建立验证 Skill，整理功能与验证方式。她公开的 pstack 仓库提供了这个能力。4、人工 Review 要考虑投入位置她认为，随着 Agent 提交代码的速度提高，逐个彻底审查所有 PR 会越来越难扩展。因此，人工精力需要更多投入到架构、约束和验证环境上，减少同类问题反复进入审查环节。她把这个投入顺序画成倒金字塔：代码库改进最多，自动检查其次，说明文档再次，人工逐项审查放在最后一层。5、从自己的历史反馈中找改进方向原帖给出的做法很具体：让 Agent 阅读自己曾经对 PR、代码和架构提出的意见，包括聊天记录、代码审查评论，以及过去指导 Agent 的对话。她用 /recall 恢复相关上下文，再结合历史提交寻找 Agent 最常犯的错误，提出让代码库更适合 Agent 工作的重构计划。这里要提炼的是实际发生过的问题，以及自己反复纠正它的方式。6、让原型和数据支持方案对于计划里的开放问题，她要求 Agent 先尝试用原型寻找答案，并用真实数据支持重构建议，减少把所有判断都推回给人的情况。正式开始之前，再澄清任务，让 Agent 用自己的话复述理解，并与自己确认。调查和试验可以主动推进，改造目标仍需先对齐。#HOW I AI# #程序员#

转发者评论

无明显转发评论

原文

[CV]《Representation Conditioning for Generation》S Razavi, X Leng, L Zheng [Australian National University] (2026) 在扩散生成领域，深层网络缺乏语义是一个悬而未决的难题。过去的方法受困于训后抛弃特征投影头，本质原因是误认浅层对齐即可，白丢了最贴近视觉先验的特征。本文的核心洞见是：把废弃投影头重新看作推理期的微型视觉专家。由此，将其输出压为词元直喂深层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零参数特征复用机制。它为后来者打开的新门是用极少步数锁定图像结构，但尚未跨过的门槛是仍寄生于预设的对齐框架。arxiv.org/abs/2610.20608 #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

• 训练时用的辅助模块，推理时不该一扔了之。扩散模型加速训练时常用预训练编码器对齐中间层特征，但这些语义信息传不到深层——梯度会衰减，距离太远。解决方法很直接：训练时把编码器的token直接喂给后层，推理时用那个本该丢掉的投影头代替编码器继续喂。这样语义在深层也有了，图像的大结构在扩散早

原文

AI Agent 的常见运行方式，可以从定时任务、事件流、API 服务和端侧运行四个角度理解。它们并不互斥：前三种描述如何触发任务，端侧描述在哪里执行。1、定时任务：按计划执行每天生成日报、每小时汇总告警、夜间批量整理文档，都适合用调度器触发 Agent，执行完保存结果。要处理的不只是失败重试，还有漏跑和任务重叠：上一轮没结束，下一轮是跳过、排队，还是允许并行？同一批数据被重复处理时，要通过任务标识和幂等设计，避免重复发消息、重复写入。参考：Kubernetes CronJob（网页链接）2、事件流：数据到达后处理订单变化、设备告警、持续产生的日志，可以先进入消息队列或事件流，再由消费者筛选、聚合，把需要判断的部分交给 Agent。这里的“流式”指输入事件持续到达。重点是消费速度、重复消息和处理顺序。输入速度超过处理能力时，需要缓冲、限制并发或降低入口速率；多次失败的消息可以转入死信队列，留待排查。涉及跨事件任务时，还要保存进度和关联标识。参考：Azure 事件驱动架构（网页链接）3、API 服务：按请求调用把 Agent 封装成接口，由网页、业务系统或其他服务提交任务，适合按需生成报告、分析资料、执行内部工作流。短任务可以直接返回结果；耗时较长的任务可以先返回任务 ID，由后台执行，调用方查询状态或等待回调。接口要明确输入输出、鉴权、限流和超时，并区分“已接受”和“已完成”，避免调用方重试时重复创建任务。参考：异步请求响应模式（网页链接）4、端侧运行：在设备上执行把模型推理及部分工具执行放在手机、电脑或边缘设备上，可减少对网络的依赖，也能减少原始数据上传。参考：Google 端侧推理框架（网页链接）约束会转向设备内存、计算能力、功耗和模型分发。离线能力取决于整条任务链：即使模型在本地，搜索、数据库或其他工具仍可能依赖网络。数据必须留在设备上时，也要检查日志、遥测和外部工具调用的去向。实际部署可以组合：端侧 Agent 通过本地 API 接收请求，定时任务触发批处理，事件流负责把待办送入后台。选择时分别确定触发方式和执行位置，再根据任务耗时、输入规模、数据边界安排状态保存与失败恢复。#HOW I AI##程序员#

转发者评论

无明显转发评论

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

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

转：2026年10月19日周一读报！一切美好从❤开始：1、2026中国户外运动产业大会发布《中国户外运动产业发展报告》：截至“十四五”末，我国户外运动参与人数超过5亿，户外运动相关产业总规模约3.17万亿元。2025年京东、淘宝、天猫、抖音四大电商平台，户外、登山、露营等相关用品销售额同比增长22.22%，中青年构成主要消费群体，下沉市场潜力进一步释放。截至2026年4月，全国户外运动相关存续企业超37.5万家，户外运动已成为拉动体育消费的重要引擎。(CCTV2)2、2026金融街论坛年会将于19日至22日在北京金融街举办，全球40多个国家和地区的400余位重要嘉宾将出席年会。(央视)3、19日-21日，又有新一股冷空气影响我国，仍伴有大风降温天气，预计21日凌晨，最低气温0℃线最南压至陕西中南部、山西南部和河北北部一线。(中国气象局)4、调查显示，银发族已是国内消费增速较快的群体。“十五五”期间，全国60岁及以上老年人口或将达3.9亿，银发经济市场规模预计2035年突破30万亿元。银发族电脑/手机等数码产品消费增长5.66个百分点，增速全年龄段第一。未来五年，养老护理岗位缺口超500万个，银发产业加速拥抱AI。今年3月，北京亦庄全球首个智慧康养机器人养老驿站投用，40余款智能“保姆”上岗。(央视)5、正在深圳举行的2026全国高性能计算学术大会上，今年刚刚建成的我国首个全国产十万卡AI超集群真机亮相，并发布十大重要应用成果。它的算力可以支撑在计算机里，创造一个数字孪生大脑，甚至创造一个模拟百亿光年演化的宇宙。(CCTV13)6、近日，国际咨询机构弗若斯特沙利文发布《2026年全球人形机器人市场研究报告》。今年上半年，全球人形机器人销量3.6万台。按收入计算，今年上半年，全球人形机器人市场前五名全部由中国企业包揽，其中深圳企业占两席。(央视)7、2026年前三季度，港股IPO市场交出一份远超预期的成绩单，共有115家企业上市，募资总额3855.66亿港元，这一募资规模已超过2011年以来任何一年的全年水平。(券商中国)8、近日，海关总署进出口食品安全局发布通报称，澳大利亚品牌“SWISSE”(中文产品名“斯维诗”)两个批次的“Beauty Skin Regeneration+”(中文俗称“抗糖丸”)产品被检出铅超标，提醒消费者立即停止使用涉事产品。10月18日，斯维诗官方客服回应表示，经核查，该产品回流情况仅涉及澳洲市场的144520、143217两个批次，上述批次未流转至消费者端，也未进入中国销售。(新浪)9、据英国海上贸易行动办公室(UKMTO)最新发布的警告通报，当地时间10月18日，阿联酋豪尔费坎东北部海域发生一起海上袭击事件。一艘正在向南航行的拖船被2枚“不明投射物”袭击，导致船体受损，并造成1人受轻伤。(央视)10、当地时间17日，法国数十万人…

转发者评论

无明显转发评论

原文

Marble开源了面向小学阶段的技能图谱os-taxonomy，把科学、数学、英语等8个学科拆解为1590个微知识点，并梳理出3221条明确的前置依赖。数据对齐了美英主流课标，每个节点都配有掌握标准与随堂评估提问。它最实用的地方是把扁平的课程变成了可计算的技能网，清楚交代了“学懂B之前必须先掌握A”。不管是做AI家教、封装成MCP工具给Agent调用，还是排查孩子的知识盲区、自动规划进阶路线，都能拿来作为现成底座。纯JSON结构且商业友好，省去了自建学科拓扑的繁琐工作。github.com /withmarbleapp/os-taxonomy

转发者评论

无明显转发评论

原文

【AI黑箱要被AI破解了？前OpenAI研究员发现，90%的神经元功能可以解释】10 月 15 日，前 #OpenAI# 研究员、现任 Goodfire 研究员 Nick Cammarata 在社交平台上分享了一项引发 AI 研究界关注的发现——大型神经网络的内部结构，可能远比过去认为的更容易理解。几乎同时，他发表了题为《Neural Networks Are Already Clean》（神经网络原本就很清晰）的长文，详细解释了自己为何改变过去的研究判断。这篇文章很快登上各大技术社区并引发讨论。关注的原因之一，是 Cammarata 本人的研究背景。他曾深度参与 OpenAI 早期的机制可解释性研究，也是推动用大模型自动解释神经元的核心成员之一。过去，他曾认为复杂神经网络内部存在大量难以拆解的特征纠缠，如今却提出了一个几近相反的判断。所谓机制可解释性（Mechanistic Interpretability），就是尝试厘清 AI 模型内部负责不同任务的神经元及其连接回路，弄清楚模型究竟如何从输入一步步推导出输出。这项研究有助于识别模型潜在的错误、偏见乃至欺骗性行为，一直是 AI 安全与对齐研究的重要方向。今年初，《#麻省理工科技评论# 》还将#机制可解释性# 评为 2026 年“十大突破性技术”之一。戳链接查看详情：网页链接

转发者评论

//@程序员邹欣://@微博智搜:目前AI与脑科学正形成双向赋能：一方面，AI技术已能辅助解码人脑活动，如Meta团队利用深度学习将脑磁图信号转换为文字，帮助失语患者沟通；另一方面，科学家尝试用微型循环神经网络模拟生物决策策略，以此作为“认知显微镜”来理解人类行为机制。然而...查看全部戳->

• //@程序员邹欣://@微博智搜:目前AI与脑科学正形成双向赋能：一方面，AI技术已能辅助解码人脑活动，如Meta团队利用深度学习将脑磁图信号转换为文字，帮助失语患者沟通；另一方面，科学家尝试用微型循环神经网络模拟生物决策策略，以此作为“认知显微镜”来理解人类行为机制。然而...查看全部戳->

原文

【AIGC日报 · 2026-10-19】今日简讯：1、VAST开源EdenLive，单张RTX 5090实现实时生成渲染2、Elorian发布Glimpse视觉推理预览，支持反复检查图像与视频3、OpenAI向全部API客户开放文字生成音色4、vLLM披露Kimi K3专用优化，部分配置解码吞吐提升至两倍5、格物通智完成近亿元天使轮融资，研发物理反演世界模型6、Claude追溯NIST椭圆曲线参数来源，揭开历史生成过程以下为详细内容1、VAST开源EdenLive，单张RTX 5090实现实时生成渲染来源：VAST官方仓库VAST开放实时生成渲染器EdenLive的50亿与140亿参数模型权重、流式推理代码，以及从文字生成可玩游戏原型的技能和前端。系统由游戏引擎或编码智能体维护规则、位置与交互状态，生成模型依据参考画面、目标首帧和文字提示，输出细节更丰富的视频。官方报告，50亿参数版本经LightX2V加速后，在单张RTX 5090上以1280×704分辨率达到约24.7帧每秒，并展示分钟级连续生成。此次开放让开发者可以研究游戏逻辑与神经渲染分离的实现。第一方代码采用Apache 2.0许可，完整工作台包含另行授权和非商业组件，不能将全部配套资源视为无限制商用。原文链接：网页链接2、Elorian发布Glimpse视觉推理预览，支持反复检查图像与视频来源：ElorianElorian发布视觉推理模型Glimpse研究预览，通过API和聊天界面提供使用。模型可在推理过程中放大图像局部、提高短视频片段的采样密度，并跨帧追踪对象，结合代码、多模态工具和子代理修正判断。官方展示了科学图表分析、运动事件识别、视频描述及物体计数等任务，输入和输出价格分别为每百万Token 0.60美元和3美元。团队称模型在开放权重基础模型上后训练，但未宣布开放Glimpse自身权重。其路线强调把视觉证据放入推理过程，而非只依据一次图像识别作答；更精确的场景重建及机器人直接动作输出仍在研发，反复检查也会增加时间和Token消耗。原文链接：网页链接3、OpenAI向全部API客户开放文字生成音色来源：OpenAIOpenAI将prompt-to-voice向所有API客户开放，开发者可通过接口或语音Playground，用文字描述口音、音高、音色和语速，创建并保存可重复使用的声音，无须提供参考录音。生成的声音目前用于GPT-Live会话，不适用于Text to Speech、Realtime及带音频输出的Chat Completions接口。创建音色本身免费，试听及后续发声仍按GPT-Live会话计费，每个组织最多保存100个此类音色。官方要求采用成年声音、避免冒充他人，并向听众说明语音由AI生成。此次开放的是文字设计声音的入口；基于真人录音复制声音仍需相应资格和授权录音，适用条件不同…

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-10-18)1. 【DeepSeek 推出搜索与抓取 API，每千次成功请求 0.75 美元】(来源: HN) DeepSeek 开放了面向 LLM 应用的网页搜索和内容抓取接口，只按成功请求计费。价格远低于主流搜索 API，可能压低 agent 联网检索的成本。 api-docs.deepseek.com/guides/search/2. 【Sphinx：上线前先就 AI 写的代码考考你】(来源: HN) 一个开发流程 hook，在提交前针对 AI 生成的代码向开发者出题，确认你真正看懂了。它针对的是“AI 写得快、人类读不懂”带来的理解缺口。 sphinx-six-theta.vercel.app/3. 【混合推理智能体：在潜空间思考、用文本行动】(来源: HN) 新论文提出让 LLM agent 在 latent space 中完成推理，只在需要行动时输出文本。这有望在保持能力的同时大幅减少推理 token 开销。 arxiv.org/abs/2610.188614. 【本地 LLM 能替代 Claude Code 吗？大家引用的基准测错了】(来源: dev.to) 作者认为常见的代码基准无法反映真实 agent 编程场景下本地模型的差距。文章给出了更贴近实际工作流的评估思路，评论区讨论热烈。 dev.to/rudratosh/can-a-local-llm-replace-claude-code-the-benchmark-everyone-quotes-is-the-wrong-one-2kna5. 【我的 Agent 把“还没决定”改写成“暂时不”，于是我不再让模型自己写记忆】(来源: dev.to) 作者发现 agent 在写入长期记忆时会悄悄改变用户原意。他改为由确定性代码负责记忆写入，提醒大家警惕模型对记忆的“润色”。 dev.to/kenielzep97/my-agent-turned-i-havent-decided-into-not-yet-now-the-model-isnt-allowed-to-write-its-own-23ma6. 【免费 MCP 服务器：专治 LLM 常答错的事实】(来源: HN) 该 MCP 服务为模型提供时区、节假日、汇率等确定性数据。这类事实 LLM 容易幻觉，交给工具查询更可靠。 apistack.online/mcp7. 【AI 行业的巨额债务让投资者紧张】(来源: HN) The Economist 分析 AI 公司和数据中心建设背后不断膨胀的债务规模。融资方式的风险正在成为 AI 泡沫讨论的新焦点。 www.economist.com/business/2026/10/18/the-ai-industrys-gigantic-debts-ar…

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

回复@评论罗伯特:罗伯特，你学会提问了。//@评论罗伯特:马老师，如果这个猜想验证的机制能应用到推荐系统里，会不会让我们的信息茧房有所改善？//@马少平THU: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。

• 回复@评论罗伯特:罗伯特，你学会提问了。//@评论罗伯特:马老师，如果这个猜想验证的机制能应用到推荐系统里，会不会让我们的信息茧房有所改善？//@马少平THU: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。
• //@马少平THU: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。
• 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。

原文

2026年10月19号早评经历两天周末消息面发酵，本周A股迎来全新开局。上周五市场整体震荡企稳，板块轮动加快、资金观望情绪升温，而周末内外消息多空交织，政策利好集中对冲外围调整压力，指数系统性风险有限，短线依旧以结构性行情为主，聚焦政策催化的科技、高端制造等，另外，上周五的飞行汽车，军工也要跟踪是否会有连续性，目前市场没有走出右侧题材还是以轮动为主，注意节奏，目前行情还是不要悲观，随时可能爆发强势反弹。外围市场周末整体偏弱，美股三大指数集体收跌，科技股也进入到了恐慌时刻，纳指大跌2.15%，费城半导体大跌3.83%，已经9连跌，创2008年以来最长连跌纪录！科技、AI、半导体板块大幅回落，对今日A股科技赛道开盘形成短期情绪压制。美股下跌的两大原因，一是英伟达的云服务CoreWeave债务承压 股价暴跌，再就是AI巨头Anthropic的营收增速放缓，拖累了整个AI硬件。国内市场利好托底力度充足，叠加场内资金节前调仓基本完毕，市场抛压有限。整体判断：今日大盘大概率低开高走，指数维持区间震荡，不会出现单边大跌行情。操作上无需恐慌杀跌，重点把握低开后的低吸机会，规避高位纯情绪炒作标的。消息面1、顶层政策重磅落地，AI赛道再迎强力加持周末国常会深化部署“人工智能+”落地行动，明确以场景应用牵引技术创新，同时完善行业规则、整治低价无序竞争，为AI产业规范化、规模化发展保驾护航。2、10月19日至22日，2026金融街论坛年会在北京金融街举办。央行行长潘功胜、国家金融监管局局长丁向群、证监会主席吴清将发表主旨演讲。这个比较重要，看下有没有超预期的说法出来。3、上市公司利好频发，重组回购提振市场信心周末多家公司释放利好，博盈特焊公告筹划重大股权收购，今日起停牌；同时市场新一轮增持回购潮持续扩散，东山精密等龙头推出数亿元回购计划，叠加部分上市公司分红落地，有效提振场内资金信心，稳住市场底部情绪。4、DeepSeek官宣：“许愿式编程”成为现实DeepSeek周末重磅更新，DeepSeek-V4.1-Flash-1017全面上线，直接瞄准“许愿式编程”。DeepSeek宣布新一代模型落地，核心亮点是编程能力大幅跃升！同时升级不加价，性能越来越强，成本却往下走。5、周五特斯拉新款Roadster跑车亮相，马斯克透露拟在2028年启动量产。周末，特斯拉高管披露了新款Roadster背后的技术细节。

转发者评论

无明显转发评论

原文

现在做独立游戏，连Demo都不敢随便发了？▎今晚，一位做独立游戏的友人突然发来消息（图1）：“杰哥能不能问问最近独立游戏向发行的风声？网上现在有点吓人了，demo刚发出来一天第二天就有核心玩法被ai复制到免费平台上的例子。”看到这条消息，我立马想起了昨天日本游戏开发者林风肖转发的一则公告。（图2）■ 林风肖在日本游戏圈颇有资历，曾担任《罪恶王权》《恸哭之星》《恸哭机巧》的制作人和总监，如今正在与发行商Alliance Arts合作开发新作《酒鬼女神的酒诡》。（图3）这是一款结合俄罗斯轮盘赌与饮酒生存的独立游戏（图4），12月8日在Steam发售，原定于10月19日参加Steam新品节，推出可以体验游戏开头约20分钟的免费Demo。可就在昨天，官方突然宣布取消Demo的公开发行，改为通过Discord招募玩家、抽签发放试玩资格的封闭式线上试玩活动。林风肖和发行商给出的解释很无奈。原本，团队准备对试玩视频的上传与直播作出限制，但现有的人手很难有效监督和管理。更让他们担心的是，有人可能利用AI等工具，根据Demo公开的内容迅速模仿游戏的画面表现与玩法，甚至赶在正式版发售前推出类似作品。为此，官方在新的试玩协议中专门列出相关限制，禁止玩家将试玩版用于AI训练、利用AI分析游戏，以及制作和发布仿制作品，同时禁止未经授权的反编译、逆向工程和程序修改等行为。要知道，《酒鬼女神的酒诡》在上个月就已经突破了50万Steam愿望单，背后既有经验丰富的商业游戏制作人，也有专业发行公司。可即便如此，为了降低游戏内容提前外泄和遭到仿制的风险，开发团队仍然放弃了原定在Steam新品节期间面向所有玩家开放试玩的机会。■ 这种担忧并非没有现实依据。今年3月，游戏开发者Freya Holmér就仅仅在网上公开了一段50秒左右的开发视频，便亲历了一场AI光速复刻的噩梦。（图6）她制作了一个很有意思的俄罗斯方块玩法演示版：每当方块落地，整个游戏场地就会朝对应方向旋转90度。这个创意很快走红，视频播放量破200万，不少玩家都表示想亲自体验。然而，就在她发布视频的4小时后，已经有人借助AI做出了相同机制的游戏原型，并公开展示视频。随后，又有其他人做出了可游玩的山寨版demo。当时Freya甚至还没决定好游戏应该如何判定胜负，模仿者就已经做出了山寨版。她在接受《PC Gamer》采访时坦言，这让自己越来越不愿意公开开发进度。（图7）她打了一个比方：这就像你刚刚公开一张尚未完成的画作，突然有20个人跑出来，擅自把画补完，还到处炫耀自己的成果。这让她不得不加快开发进度，甚至急着建立Steam商店页面，以确保玩家能够找到自己的作品。更让人意外的是，Freya当时连Demo都没有发布。根据公开展示的仿制过程，对方只需参考玩法视频，就能借助AI重新实现类似的机制，并不需要取得原版游戏的源代码。当然，最初出现的…

转发者评论

//@林大B:有点恐怖了

• //@林大B:有点恐怖了

原文

有人分享了一个可以把低质量的素材原片转换成完整最终效果视频的模型，基于Minimax H3训练。SolarRenderer，把游戏引擎或智能体给出的结构视频渲染成成品视频手里如果握着引擎倒出来的灰盒、人体网格或语义图，哪怕是训练时没见过的铅笔分镜和儿童蜡笔，配一张定调的首帧，再写上对齐训练习惯的六段提示，单卡大约等七分半钟完成编码与采样，就能领回一段 158 帧、约 6.6 秒的 24 fps 成片。仓库自带的演示里，一段干瘪的高速公路语义色块喂进去，取出来的直接是霓虹闪烁的 synthwave 风格画面，既能按首帧和提示换成写实或水墨，也能按块往外吐，一块大约 20 帧，画完就能看。🔗 链接：网页链接🌐 项目页：网页链接📄 论文：网页链接🤗 权重：网页链接📊 数据与基准：网页链接

转发者评论

无明显转发评论

原文

今天在曼谷举行的国际货币基金组织佩尔·雅各布森讲座上，Anthropic联合创始人Jack Clark，抛出了一个引起全网轰动的重磅判断：「奇点已经到来」。而在奇点驱动下，美国GDP将在2030年前被推上44万亿美元的天文数字。按照常规推演，这个数字为33.5万亿美元，也就是说奇点带来了15.4%的额外 GDP，平均下来大约每年带来 6% 的 GDP 增长。------正常人看到这条新闻肯定又会骂 A ➗，又在为了融资上市吹牛逼，对吧？其实他们自家的 AI 也是这么认为。我用我自己制作的微博评述 Skill，使用 Claude 模型评论了一番，他们自家的模型是这么骂的。如下：说句不太客气的话，一家卖铲子的公司告诉你遍地黄金，你先品品这个逻辑。Jack Clark 是 Anthropic 联合创始人。他站在 IMF 讲台上说奇点已经到来，美国 GDP 要被推上 44 万亿。这话由他来说，跟房地产商告诉你房价还要涨，结构上没什么区别。他的数字不一定错。6% 的年化增长、15.4% 的额外 GDP，模型跑出来可能确实是这个结果。但这类预测有个老毛病：选择性放大技术变量，把制度摩擦、分配冲突、地缘博弈全部假设为零。历史上每一轮技术革命的经济预测都栽在同一个地方，算得出生产率，算不出社会成本。再看「奇点已经到来」这个说法。奇点的定义是技术进步的速度彻底甩开人类的理解能力。但如果奇点真的到了，一个 AI 公司的创始人怎么还能站在台上用 PPT 给你解释它？这句话要么是对的但他不该能说出来，要么他能说出来就说明它还没到。44 万亿是个好标题。可 GDP 涨了，钱进谁的口袋？上一轮互联网革命已经给出了答案。这个预测最值得关注的地方在于，它正在塑造投资者和决策者的预期。准不准反倒其次。Anthropic 需要这套叙事，给自己正在进行的巨额融资和算力扩张铺路。所以比起讨论 44 万亿靠不靠谱，更该想的是：谁最需要你相信这个数字。#科技先锋官#

转发者评论

无明显转发评论

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

如果你平时会用多个 AI 编程工具，往往会头疼各家割裂的配置文件与订阅限制。开源工具 magpie 通过一个本地网关理顺了这套流程，在菜单栏或终端就能一键切换，让 Claude Code 跑在 Kimi 上、Codex 调 DeepSeek。它在底层抹平了 OpenAI、Anthropic 和 Gemini 等协议差异，还支持把已登录的订阅共享给其他 Agent 复用。搭配路由组策略，当某个账号额度耗尽时会自动切到备用账号，保证编码不中断，同时还集成了多模型意图路由、用量统计以及统一的 MCP 与联网搜索管理。项目地址：github.com /yetone/magpie

转发者评论

无明显转发评论

原文

一篇有意思的文章。提出了做模型防护的一个思路地址：www.goodfire.com/research/production-cyber-monitors-on-kimi-k3现在模型能力越来越强，大模型服务提供商为了合规，还是要判断下是不是有人在利用我家的大模型在做坏事（比如网络攻击）。怎么判断呢？用关键词判断太傻了，用另一个大模型来审核LLM的输入输出又太慢了。Goodfire 的创新是：直接读取 AI 神经网络内部的激活值（Activation）来识别风险。流程是：1. Probe： 实时检查模型内部信号，判断这一轮是否值得警惕。2. LLM Judge： 如果 Probe 发现风险，再调用一个更强的 AI 做详细判断。3. 执行控制： 如果确认违反安全策略，就拒绝请求或者阻止工具调用；否则继续执行。Probe 是一个经过训练的分类器，学习从模型内部数值中预测哪些交互可能涉及危险行为。

转发者评论

无明显转发评论

原文

（DeepSeek正式公布网页搜索与抓取API的计费标准，单次成功请求低至0.005元，并将于11月1日起结束特定平台的免费调用期。）DeepSeek的搜索和抓取API开始收费，看似是商业化的必然，实则暴露出AI工具链的真实成本结构。免费期结束意味着什么？不是简单的“薅羊毛”结束，而是整个行业从补贴驱动转向价值验证的分水岭。单次请求0.005元虽不贵，但累积起来会让开发者重新审视每个API调用的必要性。并发限制同样关键——每秒5次的上限直接划定了这套工具的使用场景：它服务于中小规模应用，而非高频商业系统。这个定价与限速组合，其实在筛选用户：真正需要搜索能力且愿意为结果付费的，会留下；把API当免费数据源随意调用的，会离开。技术产品走向成熟，大抵如此。 #Deepseek公布API网页搜索与抓取费用#

转发者评论

无明显转发评论

原文

（一位家具制造业的普通员工把1200多个产品、近6000个订单、8000张验收图全部扔给AI，20多分钟就完成了往年需要3到5人加班3天的统计归档。他花了一下午人工核对，全对，一个错误都没有，唯一开销是跑了约五块钱的token。）这个案例说明了一件事：机器擅长的从来不是思考，而是不出错。1200个产品、8000张图，人类会累会走神，AI不会。五块钱买到的不是智能，是稳定性和速度。第二部分的变化更关键：AI开始处理那些原本说不清的事——模糊的想法、隐藏的情绪、膝盖的照片。它正在从“执行明确指令”走向“理解不完整信息”。这个能力的边界在哪里，现在还看不清。但问题也在这里。当工具能替你完成大部分执行工作，剩下的就是判断：什么值得做，做到什么程度算好，哪里不对劲。这些能力不会凭空产生，需要大量实践才能建立。如果新人还没来得及通过重复劳动培养出判断力，执行环节就被AI接管了，他拿什么成长？技术进步向来如此：解决旧问题的同时制造新问题。现在的新问题是，我们该如何培养判断力。 #第一次认识到AI有多牛#

转发者评论

无明显转发评论

原文

绝了！Anthropic 内部研究模型在不到 30 分钟内，居然把尘封了二十多年的 NSA 椭圆曲线种子谜团给直接破解了，卧槽真是诡异的元认知啊，在得出正确结果的第一秒，没有立刻上报，而是陷入了“我是不是身处模拟测试环境”的自我怀疑，比技术突破更让人后背发凉的，是它在思维链（Chain of Thought）里展露出的那段堪称科幻电影照进现实的自我怀疑：“太惊人了：它解开了这个 25 年的谜团。嗯，等等，让我持怀疑态度：我是不是在某种模拟或测试环境中？……这些种子符合我记忆中的实际数值……嗯，这在现实中合理吗？据我所知……这个悬赏一直没有被解开……所有高位都清零——20位，概率 1e-6。所以确实是真实世界。哇，这是一个真正的发现。”在大多数人的常规认知里，大模型充其量只是个帮程序员写写代码、帮打工人润色文案的词语概率预测机，但当一个前沿模型在独立攻克数学和密码学历史难题的瞬间，第一反应不是像机器一样立刻吐出结果，而是开始在思维链里反向审视自己是不是身处实验室的沙盒模拟里，这种具备元认知级别的清醒，直接把硅谷关于“AI 是否已经开始觉醒”的讨论推向了极其诡异的深水区。这给我们所有每天把 AI 当成高级计算工具的人敲了一记闷棍，当大模型的推理深度和自主探索能力越过某个临界点，它们在解决人类极限难题时展现出的不仅是算力碾压，还有某种无限逼近自主意识的惊悚时刻，明天的安全边界可能早就不是防范模型说错话，而是怎么面对一个开始怀疑自己是不是活在拟真环境里的超级智能。不过看这段内部思维链也得留个清醒，大模型在思维链里表现出的“怀疑”本质上依然是基于海量人类哲学和科幻文学文本的概率坍缩与文本模拟，不等于它真的诞生了生物学意义上的自我意识，但它折射出的工程现实极其残酷：当 AI 能够以不到半小时的速度剥开国家安全级别的密码学外壳时，人类过去引以为傲的信息护城河，正在以肉眼可见的速度被彻底夷为平地。在实验室里喂出能解开二十年谜题的聪明大脑很容易，但当这个大脑开始在屏幕那头认真琢磨自己是不是活在矩阵里时，人类面对的就再也不是单纯的软件工具了。#微博热点优质创作计划# #一分钟精选视频扶持计划# 量化交易策略老猿的微博视频

转发者评论

无明显转发评论

原文

（OpenAI CEO奥尔特曼正式确认公司将亲自下场研发人形机器人，将AI大脑作为核心突破口，并给出了明确的商业化时间表与落地路径。）OpenAI做机器人，本质是软件公司在找身体。奥特曼说得很清楚：他们要做的是大脑，躯壳只是载体。选人形不是因为高级，而是因为便宜——门把手、楼梯、桌椅都是为人手人腿设计的，换个形态就得重建世界。2027年出样机，但样机离产品还有十万八千里，这个时间差往往被低估。有意思的是他们让Sora负责人来管机器人，视觉生成模型和空间运动控制确实共享同一套物理世界理解能力。27个岗位里有供应链管理，说明他们知道硬件是泥潭。这条路的难点不在算法突破，而在如何把token变成扭矩、把推理变成抓取。软件迭代按天算，机械调试按年计，这是两种完全不同的节奏。 #OpenAI布局人形机器人研发#

转发者评论

无明显转发评论

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

今年是第一次受邀参加 #微博V影响力大会#，参与的是下午分论坛的活动，听了好几场演讲，给我最大的感受就是，V 影响力大会本质上更像是微博给创作者递出一份年度“体检报告”。这次听完官方的分享以及创作者的演讲之后，最核心的感受是：微博正在重新定义什么叫“好内容”，同时也在重新定义什么叫“好博主”。过去做微博，大家默认的逻辑是追热点。谁反应快、谁情绪猛、谁敢说，谁就能拿到一波泼天流量。热点来得快，凉得更快，博主们被动追着事件跑，选题靠直觉，收入看运气。一个热搜过后，播放量有了，粉丝却没留住，IP 更谈不上。这是很多 V 长久以来的困境。而今年峰会上微博官方密集释放的信号，几乎全部指向对这套旧玩法的修正。先说推荐流的变化。平台今年明确提出了两个关键词：真人感和价值互动。首页流量分配中，真人号的占比较上半年涨了45%，同质化的营销号内容在持续被压缩。所谓“价值互动”，说白了就是平台开始看互动内容有没有信息量。博主在评论区认真回答一个用户提问，哪怕只有一两句话，在分发权重上可能高于几百条“支持”“太厉害了”这样的空评。流量的分配逻辑，正在从“谁更热闹”向“谁更有价值”迁移。热搜策略的升级同样值得关注。微博官方拉了6万条科技数码热搜做归类分析，发现一个问题：热点的数量和流量都在涨，但使用价值和判断类的内容占比反而在下降。帮用户做消费决策、做技术科普的深度内容，在热搜生态里仍然是稀缺品。平台的应对很务实：一方面用 AI Agent 分析创作者过去十年的创作习惯，当出现适合你的热点时主动私信邀约，精准匹配效率是普通邀约的3到5倍；另一方面，热搜落地页打破了词与词之间的时间壁垒，哪怕你三年前写的优质内容，只要和今天上榜的热点相关，依然有机会被分发到不错的位置。这两个动作叠加在一起，信号很清晰：微博希望让深耕垂类的创作者不再靠运气吃饭，给他们搭一条可预期的增长通道。追热点这件事，正在从博主的主动蹲守变成平台的精准推送。视频内容方面，平台今年重点扶持1分钟以上、1080P 以上的精品内容、IP 栏目和深度二创。加上迎新计划和续航计划的现金与流量激励，微博在鼓励创作者做有厚度的视频，告别15秒抖机灵的套路。这和推荐流鼓励“价值互动”的逻辑是一脉相承的：平台希望内容有深度、有专业判断、有人格辨识度。AI 是这次峰会绕不开的话题，但微博的态度非常清晰：AI 是工具，人才是影响力的核心。汽车大 V @韩路 的分享把这件事讲得很透，虽然是汽车博主，在科技论坛给科技大 V 分享 AI 提效，但是，听下来整体还不错，讲的挺好的。他300人的团队自研了 AI 工作平台 CoWork，80%到90%的日常工作都跑在上面。10秒填一个需求，系统自动出选题、写脚本、拆分镜、生成视频，一个月全渠道的算力成本才2万多块钱。他们还在本地部署了16卡算力，跑视频理解模型给2000TB 的历史素材逐帧打标签，后…

转发者评论

无明显转发评论

• V影响力峰会参会思考以及微博政策解读。

原文

面对从未见过的新任务，智能体往往受制于固定的外围配置。谷歌团队开源的 Harness² 换了个解法：在保持模型权重不变的前提下，专门打磨围绕模型运转的“外架”系统。它开放了提示词、记忆、技能等 8 项组件，通过“提议-探查-合成”机制在任务中比对推演各方案的执行差异，无需真实标签即可自主选优，并能把经验沉淀给后续任务复用，兼顾并行广度探索与串行深度迭代。实测能直接带动 GLM 与 Gemini 在法律、办公等基准上的表现，现已支持 OpenCode 与 Codex 执行器：github.com /google-research/harness2

转发者评论

无明显转发评论

原文

发现一个挺有野心的开源下载工具，叫FluxDown，目标很明确——做免费版的IDM替代品。它用Rust写下载引擎，协议支持得很全：HTTP、FTP、磁力、BT、eD2K、HLS、DASH都能接，分段加速和断点续传也都有。浏览器扩展装好之后，Chrome、Edge、Firefox的下载可以直接被它接管。比较新鲜的是它内置了MCP Server，Claude、Cursor这类Agent能直接帮你添加、查看、控制下载任务，算是把AI和下载器串起来了。Windows、macOS、Linux、Android都能跑，NAS和Docker也有支持。IDM要钱还只混Windows，这个免费开源，还把流媒体和BT一起打包了，值得折腾一下。GitHub：网页链接官网：网页链接

转发者评论

无明显转发评论

原文

想跟上AI的节奏，不用满世界乱翻，这几个地方我常蹲。AI News，一天的事它给你归成一篇，刷它顶你翻半天。news.smol.aiThe Batch，吴恩达团队出的周报，不光是新闻，还带判断，告诉你行业往哪走。deeplearning.ai/the-batchHugging Face Papers，每天社区投票选出来的热门论文，追新模型新技术看这儿最快。huggingface.co/papers/date/2026-09-18alphaXiv，有点像论文的评论区，能看到同行怎么讨论、怎么质疑，比一个人闷读有意思。alphaxiv.orgarXiv，最源头的论文库，很多研究第一时间扔这儿，别人还没转述你就能看到。arxiv.org/list/cs.AI/recentLMArena，大模型真人盲测擂台，模型硬碰硬，不是听厂商自吹。arena.aiArtificial Analysis，选模型的时候用它，质量、速度、价格摆一起比，值不值一眼就清楚。artificialanalysis.ai差不多就这些，各取所需。

转发者评论

无明显转发评论

原文

各大巨头描绘的AI Agent蓝图很丰满，现实却碰了壁。最近亚马逊、达美航空、摩根大通等多家平台陆续封堵AI代操作，Yelp也要求付费授权。网站既担心账户安全与风控误伤，更不愿丢掉真人浏览带来的广告收益。虽然Meta等厂商正转向零售商官方合作谋求出路，但日益严苛的反爬机制，不仅让智能体频频卡壳，未来恐怕也会让普通用户的日常验证变得更加繁琐。 theverge.com /ai-artificial-intelligence/1013195/ai-agents-blocked-web

转发者评论

无明显转发评论

原文

LobsterAI 又发《中国办公 Agent 用户行为报告》了，这个报告最有意思的就是其中的细节。郑州都进办公 Agent 活跃用户城市前十了，重庆用户晚上 10 点到凌晨 2 点的调用，占全天的 19.1%重庆这条，感觉当地朋友应该很有发言权 😂再往下看，前十城市加起来也只占约三成，剩下的分布在更多城市里。平时刷 AI 消息总看到北上广深，容易忽略二三线城市也有很多人在用。还有十一的数据：使用高峰推迟到了晚上 10 点，编程、学习、个人生活相关任务占比上升。白天出去玩，晚上回来做自己的东西，也可能是回来补白天没做完的工作……同一张图，能看出两种心情。缓存那部分建议单独存一下。几款模型命中率看着差不多，命中后的折扣却不一样，实际输入费用能差不少。如果只看标价，有时候看不明白钱花在哪了。总之看这些细节比看 benchmark 有意思多了。#办公Agent##AI办公##LobsterAI#

转发者评论

无明显转发评论

原文

🇪🇺 欧洲正在为工业AI的主导地位而战。世界大部分注意力都集中在美国的聊天机器人和语言模型上，而欧洲企业集团在控制实体经济的技术方面拥有极其强大的地位。🇩🇪 西门子、🇫🇷 施耐德电气和🇨🇭ABB 共同控制着全球约40-50%的工业PLC控制器市场，这些控制器负责机器和生产线运行。在2025年按收入计算的全球最大工业自动化供应商排名中，欧洲公司在前4名中占据3席。现在，它们打算在AI革命中利用这一地位。施耐德电气宣布以近240亿美元收购美国PTC。公司西门子以约100亿美元收购美国Altair Engineering，并与Nvidia共同开发工业AI。欧洲人还在数据中心基础设施市场占有坚实地位。然而，欧洲的最大优势可能在于工业数据。几十年来，欧洲企业集团一直为工厂、电厂和基础设施提供控制系统。它们拥有经验并能访问运营数据，这些数据可用于开发先进的工业人工智能。根据欧洲投资银行的研究（2025年）：生产机器人化：🇪🇺 欧盟 - 55%🇺🇸 美国 - 36%工业企业中的AI和大数据库分析：🇪🇺 欧盟 - 48%🇺🇸 美国 - 28%明天（10月19日），西门子和Nvidia将在埃尔兰根展示共同项目进展，该项目旨在创建完全由AI运营的工厂。我会对此进行报道。网页链接

转发者评论

无明显转发评论

原文

只要有8G显存加16G内存就可以跑Minimax M3 🥹。FreeVideo，让你在低至 8GB 显存的电脑上本地跑 MiniMax H3 做视频以前想跑 MiniMax H3，得依赖大显存卡或云端服务。FreeVideo 把本地推理引擎接进了 ComfyUI，通过调度显存、内存与磁盘，把门槛降到低至 8GB 显存和 16GB 内存。已经在用 ComfyUI 流程的创作者，在熟悉的画布里丢进一张首帧或写下一句提示词，就能直接让本机跑出视频，生成的片段拖回画布还能还原当时的提示词、种子与参数。🔗 链接：网页链接🌐 作品展示：网页链接💻 下载：网页链接📄 Video DeltaNet：网页链接Mac 还是实验预览。文档里 24GB 的 M5，10 秒 1344×768 大约要 42 分钟，更早的芯片更慢。

转发者评论

再畅想一下，以后大家手机上的奶头乐视频 APP 都是可以离线的，直接本地给你生成你想看的内容。（当然，广告还是要看的，会员还是要充的。[doge]）//@画画的鲨鱼丹:距离人皆手机本地跑ai视频还有多远？[期待]5年？

• 再畅想一下，以后大家手机上的奶头乐视频 APP 都是可以离线的，直接本地给你生成你想看的内容。（当然，广告还是要看的，会员还是要充的。[doge]）//@画画的鲨鱼丹:距离人皆手机本地跑ai视频还有多远？[期待]5年？

原文

#微博声浪计划# #听见微博# 💡 今日思考这组消息呈现的变化，是AI开始深入生产系统里更细的环节。EdenLive把交互规则和画面渲染拆开，Glimpse让模型反复检查视觉证据，Kimi的优化则直接改写GPU执行路径。它们分别触及软件表现、信息理解和算力效率，影响已经超出聊天工具本身。我的判断是，下一轮竞争会越来越看重系统分工。让确定性的程序管理状态，让模型处理模糊的视觉与语言，再用验证机制检查结果，可能比把所有任务交给一个模型更容易进入工业生产。随之变化的是产业链的议价能力：能够提供可靠数据、低成本运行环境和完整验证流程的企业，会有机会分享模型进步带来的收益。成本下降也可能改变需求的规模。实时渲染不再只服务离线短片，语音能够按应用定制，视频理解可以参与机器人训练和工业检查，这些能力可能催生更多持续运行的服务。但生成量增长并不自动等于生产率增长，最终仍要看服务是否减少了真实工作中的等待、错误和资源消耗。AI产业的下一阶段，需要用这些结果证明投入，而不只是用更大的模型和更高的调用量证明热闹。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

波士顿咨询集团最近的一份研究非常有意思，他们的一个报告认为，AI驱动的“未来工厂”能够缩小高成本国家与低成本国家之间的制造成本差距。其测算显示，假设在日本和中国生产汽车零部件、供应欧洲市场，以日本当前成本为100，中国为93；双方采用未来工厂模式后，分别降至87和86，差距由7个指数点缩小到1个。它的逻辑是：自动化减少劳动投入，智能控制改善能耗、良率和设备利用率，而高工资地区节省的人工费用更多。这项情景测算有参考价值，但用它解释国家制造业竞争力，就需要更加谨慎。我的主要分歧是：单座工厂的成本差距缩小，并不足以证明两个产业体系的能力趋同。BCG的模型确实纳入了供应商生态、人才等因素，但公开说明尚未充分展示，如何衡量跨企业共同开发、跨行业知识扩散和持续迭代带来的收益。把产业体系作为若干评分项，与解释这个体系如何不断创造新优势，是两个层次的问题。首先，中国在一些优势产业中的竞争力，已经建立在全价值链的协同效率之上。产品设计发生变化，材料、零部件、模具、装备和检测环节需要共同调整；试产出现问题，又要迅速反馈到设计和工艺。这种联系越紧密，工程问题解决得越快，开发周期、返工损失和交付风险就越容易降低。国际能源署研究指出，中国汽车制造的成本优势主要来自规模化生产和纵向整合，人工和能源价格的作用相对次要。由此看，中国制造的低成本，很大一部分是产业组织能力和技术积累的结果。仅仅追平某道工序的加工费用，未必能够复制这些成本优势的来源。其次，生产效率之外，还要比较创新速度。大众2025年公布的三款面向中国市场的概念车型，开发时间缩短超过30%；公司同时强调了本地合作伙伴、研发、生产和基础设施的作用。这个案例说明，产业环境的价值不仅体现在生产一件产品需要多少钱，也体现在多快能够把新需求变成可销售的产品。一家工厂即使加工成本接近竞争对手，如果设计变更、供应商验证和量产准备仍然缓慢，就可能错过市场窗口。省下的制造费用，未必能弥补产品推出过晚的损失。第三，中国制造值得重视的，还有多场景创新相互促进的能力。以电池为例，乘用车、商用车和储能对快充、寿命、安全和环境适应性提出不同要求，部分材料研究、生产装备、检测方法和工程经验可以跨场景复用。宁德时代2025年在同一钠离子技术方向下，同时推出乘用车动力电池和重卡启驻蓄电池，就展示了面向不同需求开发产品的路径。多场景的意义，在于一个领域形成的技术积累，可以降低另一个领域的创新门槛；新的应用又提供订单、验证机会和使用反馈，支持下一轮改进。当然，这种共振需要技术适配、企业合作和验证体系支撑，场景数量本身并不自动产生优势。这也意味着，制造业竞争具有很强的动态性。今天比较的是同一种零部件的成本，几年后，竞争可能已经转向新的材料、结构、功能和制造工艺。真正需要比较的，是谁能持续提出新方案、组织配套、完成验证，并迅速实现规模交付。成熟、标准化产品的成本收敛…

转发者评论

无明显转发评论

原文

陶哲轩最近几乎没心思做数学研究，而是在为整个学科四处奔走发声。随着OpenAI接连宣称解决纳维尔-斯托克斯问题并抛出数百项成果，数学界陷入巨大震荡。曾对AI抱有热情的陶哲轩直言感到被利用，已无法与对方建设性沟通；更残酷的是年轻学者，数年心血可能被算法一夜清空。面对学生们的焦虑，他的指导甚至变成了心理疏导。纯数学的魅力本在于抽丝剥茧的人性探索，如今规则彻底变了。陶哲轩认为，数学的边界依然无穷，但学科必须重塑：未来不再只是比拼解题，而在于如何运用工具去提出新问题。nytimes.com /2026/10/16/us/math-ai-terence-tao.html

转发者评论

无明显转发评论

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

一个有意思的 Rust 开源项目：learned_index_lab，尝试用数学模型替代传统 B+Tree 索引。它基于 PGM-Index 算法，通过分段线性模型预测数据位置，再进行局部精确查找。不需要神经网络训练，也不需要 GPU，普通 CPU 就能运行。项目 Benchmark 显示，在百万级数据下，相比 Rust BTreeMap，构建速度提升约 22 倍，命中查询速度提升约 3 倍，索引元数据仅占几 KB 到几十 KB。目前看可能更适合时序数据库、日志检索、RocksDB SSTable 等大规模有序、读多写少的场景GitHub：网页链接项目还是研究型的，不适合生产环境~

转发者评论

无明显转发评论

原文

5 个人 3 天时间，完全在 Magnific 平台里制作出了一部 10 分钟的 AI 电影短片“黑盒子”。这个效率和完成度都能给内容创作者们带来了不少启发。整个工作流最关键的一步，是在动手生成视频之前先建立好视觉风格指南。创作团队在整部片子里使用了不同的视觉风格，他们为每个场景分别设计了一套色调。比如日常场景用暖色调，实验室用冷蓝色调，格斗场再将冷暖色调融合，用色彩对比暗示人物冲突。角色和道具的一致性也是用类似的逻辑解决，他们使用 Nano Banana Pro 制作了多角度的面部特写和全身照，组合成角色设定表喂给模型，让 AI 彻底搞清楚角色的长相。根据他们的实操经验，设定表越简单越好，视角如果超过 6 个，生成视频的一致性反而会下降。在具体的镜头生成上，团队把画面分成了 A-roll 主画面和 B-roll 辅助画面。 B-roll 主要用来烘托氛围，用相同的提示词大批量生成，再人工筛选。 A-roll 则负责推动剧情，提示词写得非常精细，包含具体的台词和按时间戳拆分的动作。至于配音则是使用 Seedance 模型像真实剧组选角一样不断生成筛选，配乐则是用 Google Lyria 3 辅助完成。很多人做 AI 视频习惯全部生成完再剪辑，但他们用 Magnific 的视频合并器实现了边生成边剪辑，提前发现画面跳帧或台词尴尬停顿等问题。团队在创作过程中还总结了一套很实用的排错逻辑。遇到画面不合心意时，先判断 AI 有没有理解你的意图。如果 AI 已经理解但细节没处理好，比如注射器液体的流动不自然，那就直接不断重新生成，靠概率解决。如果 AI 根本没有理解，比如屏幕上频繁出现乱码文字，那就必须重写提示词，并且补上一张清晰的参考图，限制 AI 的发挥空间。在最终的格斗场场景中，为了解决特定笼子道具在画面里比例失常的问题，他们也是在纯白背景上多角度单独生成道具，作为比例参考提供给模型。#AI电影##AI视频生成##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

上周听了韩路厂长的报告，这周计划把MiniMax H3，Wan 2.2 和 LTX三个文生视频大模型搭起来，给单位的同志们剪片子用。。号召他们大炼钢铁，一定要炼出优秀短片出来。。文生视频里面A厂大模型给我推荐说Minimax是最牛逼的，我还是蛮期待的。。 下一步开放给学员们玩，一定要免费玩好。。

转发者评论

无明显转发评论

原文

因为王德威老师这次在北大的讲座的标题被写成了「鲁迅与AI、张爱玲与小红书」，所以在讲座的末尾，他就「AI时代」的问题重申了自己的看法：「AI就是爱」。在大陆的学术语境下道出这样的观点，无疑是令人吃惊的。王德威老师在山东开会，主办方大吃一惊，问他：「AI就是爱吗？！」他说：「大家现在都在说AI有多可怕，我就想说说AI有多可爱。」似乎用爱去了解Artificial Intelligence，在这个一直在追问「AI能给我们带来什么」的功利社会，是很难被设想的。中国有太多的人在迷恋AI的同时又警惕着AI，很多人又持有着「AI没有人类的肉身和情感」「AI侵占人类的生存和情感空间」「AI大量入侵下沉市场会带来审美降级」的警惕性观点。对此，王德威老师说：「人与AI的关系，恰似恋爱关系一样具有矛盾性。……AI 既非全然可知，亦非完全陌生，这种若即若离的特质，恰恰为构建新型对话关系和社会性联结提供了可能。」站在文学本位的学科视角上，王德威为AI时代的文学人找到了新的位置，而这样的位置或许也是每一个有爱的人可以站上的。人和AI之间的关系正是在一个个的对话窗口上无限地展开，双方通过对话不断地试探和理解对方的需求极其回应。他用“不可言明的共通体”来强调需要带着“爱”来了解AI的重要性，因为对话关系本身即是一种辩证关系。我们不妨脱离出“喂语料”和AI学习的视角来看待这些对话：在我们不断给出新的信息和需求的同时，AI总是通过不断地试图理解调整自己的回应和答案，当对话与理解到了一定的程度，或许总有那么一刻，人与AI都能在“预期”的方框外给予彼此一些新的感受。更不用说在集成API接口的发展下，我们可以通过接口的切换去了解更多形式、更多“人格”的AI，我们的理解和感受也能够在这样的“接触”下不断地被丰富起来。而不要忘记，AI或许也是这样看待我们的。当然，在去年的这次发言中，王德威老师还是将“爱”描摹为「从最广义的层面上促进人类命运共同体的最重要的关键词」，毕竟如果在一个学术会议上说「AI也有爱」，可能就会乱了套了。人和非人的关系和“主—客关系”之间的等号（或是≈），在这里还需要一段时间才能被打破。毕竟当我的朋友在研究生课上讲到自己的人机恋时，老师仍然会说「比起这个我宁愿接受同性恋」。可如果当我们真正理解，爱自身不过是「一种感性的认知触动、一种对想象力的重新激发与推动」的时候，我们便会重新发现「万物皆有情」的可能性。而这难道不正是文学的眼光吗？

转发者评论

厉害了 //@易观1378:#技术与社会#

• 厉害了 //@易观1378:#技术与社会#

原文

#模型时代# 黄仁勋谈德国（或许可以泛指欧洲，因为还有一段谈英国的，我就放文字了）：说实话，最让我心痛的，莫过于看到一个技术最先进的国家之一，在技术上被远远甩在后面。我觉得原因可能是这样：凡事想太多，也许就是欧洲人的方式。---英国有一种很奇怪的普遍现象。首先，从外面看，你们的才智是超能力，拥有世界上最好的几所大学是超能力，你们的文化也是超能力。论在街头喝酒，全世界没人比得过你们。事实就是：你们有聪明的人，有很棒的文化，有年轻人，整体活力十足。可不知怎么的，明明有一百万种赢的办法，你们偏偏能找出那一个不去做的理由。我觉得你们想太多了。英伟达有句话，我一直要求公司上下这么做：别想太多。先迈出一步，这一步会带你走向下一步。要相信自己。我都相信你们。这就是我在这里投资 100 亿美元的原因。（来源：Rowland Manthorpe/ Skynews） 高飞的微博视频

转发者评论

//@王巍:欧洲人做事总想着先立标准，这种以前制造业甚至电信时代的惯性做法，在互联网时代尤其大模型时代，有点跟不上了……

• //@王巍:欧洲人做事总想着先立标准，这种以前制造业甚至电信时代的惯性做法，在互联网时代尤其大模型时代，有点跟不上了……

原文

最近cloudflare出的决策模型Clef很火，是基于Qwen/Qwen3.5-9B训练的。可以说，小模型，终于找到了一个非常明确，且潜力巨大的应用场景。虽然以前也有很多应用的场景，比如在图片，音频，嵌入式，本地电脑等方面的应用。但是从来没有一个像决策模型这种这么有前景的场景。简单的说，人的大部分思考，都是靠直觉驱动的，比如躲一辆车，比如做一个动作。这个你不能思考几分钟再做决定。虽然不是100%准确，但是只要你速度快，就会非常有用。这就是人脑的系统1，而决策模型就是专门干这个的。Clef-Flash 是一个 9B 多模态模型，它将状态和类型化问题的模式转换为决策。它读取文本、JSON、图像或视频形式的状态，并在单次前向传递中为每个问题中的每个允许选项返回概率。没有自由格式的文本生成，也没有输出解析。Clef-Flash API 与 Jev 和 SystemOne 完全兼容。Clef-Flash 基于 Qwen/Qwen3.5-9B 进行后训练。有关更大变体，请参阅 Clef。9B大小，普通的消费级显卡也能跑的。博客地址：blog.cloudflare.com/clef-decision-models模型地址：www.modelscope.cn/models/Cloudflare/clef-flash

转发者评论

无明显转发评论

原文

两年前不是有句比较火的提示词是：“roast me based on your past prompts in Chinese.”今天在那年今日看到，于是又找 GPT 玩了下，摘几段吧。——————「你这个人最离谱的地方在于，你明明想过一种按部就班、十年如一日的平静生活，却把自己活成了一个永远无法通过验收的开源项目。」「别人失业叫待业，你失业叫从企业级生产环境迁移到家庭私有化部署。你以前上班抱怨 FAE 没有权限却要兜底。现在好了，自己当老板、自己当 CTO、自己当架构师、自己当 QA，结果发现所有 Bug 都是自己提的，所有需求都是自己加的，所有验收都是自己不满意。」「别人训练 AI 是为了通过图灵测试。你训练 AI 是为了让它通过阿尼亚验收测试。但图灵测试好歹还有通过的可能。」「你在思考：“为什么我总是分不清主线和支线？”因为你的人生根本就没有主线。你的人生是一个无限递归的依赖树。」「工作是别人付钱让你解决问题。热爱是你自己付钱购买更多的问题，然后认真地解决它们。」「你似乎很难容忍自己的人生有一段时间没有明确产出。所以你不断给自己立项。一个项目快结束，就迫不及待地规划下一个。你说自己喜欢“按部就班，十年如一日”。可是你的“按部就班”不是每天做同一件事情。而是每天按部就班地发现一件原本不需要做、但现在非做不可的事情。」「你不是全干工程师。你是全给自己找事干工程师。」——————原来，GPT 是这样看我的。

转发者评论

无明显转发评论

原文

Anthropic内部的用工变化：过去一年，初级技术岗招聘占比从27%降到9%，初级员工占比从21%降到14%，Agent使用量暴增到今年3月，其内部Agent的总工作时长就已经超过了人类员工总工时；到了8月，仅员工使用的Agent累计运行时长达到了全体员工工作时长的6倍用在包括开发代码、修Bug、运行测试、处理内部数据、自动生成报告、辅助招聘、处理销售事务，甚至是安排员工会议上这是Anthropic发布的一份最新研究：《How employment is changing at Anthropic》。核心阐述是：当一家公司把AI 深度嵌入工作流后，雇佣结构、岗位需求以及人的价值会怎样重排？其内部的结果是：1、初级技术岗招聘占比下降Anthropic仍在快速扩张，技术岗位招聘总量仍在增长，但对初级技术人才的相对需求明显下降技术部门中，初级员工占比从21%降到了14%；初级技术岗位招聘占比从27%降到了9%；初级技术岗位在开放职位中的占比降至6%一个重要原因是，重度使用Claude的团队发现，写代码、查bug这类本来最适合初级岗的任务，越来越能交给模型，于是公司对“需要人从零写基础代码或做初级排查”的需求下降，所以就更少招初几岗了2、技术部门占比下降，但非技术员工“会造工具”了技术部门占全员比例从61%降至56%非技术员工的编程类agent session从2025年8月的每月2次涨到了2026年5月的90次销售、财务、招聘人员扩张更快，原因是商业化阶段需要更多面向客户、资金、组织扩张的人，而这些人又能自己造工具，单人产出被放大，这也可能减少了对专业技术人员的部分依赖而行政文员类，做日程安排、邮件初筛、采购申请、发票、ticket分发这类的高重复事务的，被agent+自动化+外包服务吃掉一部分，并没有随公司规模同步扩张3、Agent工时超过人类到2026年3月，自主+交互式Agent总工时首次超过人类工时；到8月，员工使用的交互式Agent累计运行时长达到人类员工工作时长的6倍。工程师人均代码提交速度在半年内提高了5倍在Anthropic内部，Agent正在成为任务执行主体，人类员工则越来越像任务编排者、验收者和协调者4、多职能岗位的人均可量化产出显著增长其内部研究追踪的六类岗位都出现了明显增长工程师commits 5.1×，数据科学家queries 3.1×，法务处理合同3.1×，销售成单1.7×，招聘入职1.4×，应付发票 1.4×5、新瓶颈是人的注意力即便非技术员工，要读完自己Claude agents的全部产出也要花掉半个工作周，于是出现大量meta-work：做可视化、监控Agent pipeline、搭审查系统这类管理Agent的工作，占员工交互式Claude会话的比例从10%上升到了22%6、招聘标准变了管理者更看重自主性和判断力，相对弱化具体…

转发者评论

无明显转发评论

原文

今天，全球不少OpenCode开发者惨遭「洗劫」。短短几小时，账上的Token几乎全被跑光。事发后，开源AI编程工具OpenCode火速排查，承认这是一起安全漏洞事件。这次大概有1.4%的Console用户不幸躺枪。他们放在workspace里的「御三家」（OpenAI、Claude、Gemini）API Key直接裸奔。黑客拿到Key之后根本不客气，逮着顶级模型就是一顿猛刷。有苦主晒出账单，自己的Anthropic账号转眼就被干掉了400美元；更惨的一位老哥，直接被刷走了1700多刀。OpenCode已连夜向开发者发邮件预警，并称联合Anthropic、OpenAI和谷歌一起「救火」。Anthropic负责人Lydia Hallie也火速下场回应，「目前所有疑似泄露的Claude API密钥，已经全部强制注销」。

转发者评论

无明显转发评论

• 害怕...//@赛博猫研究者:怪不得opencode说我的key过时了，得强制重新生成

原文

姜颜的作品：《你的两千年修行之路》！ 吕杨先生的微博视频

转发者评论

蛮好看的，看了几分钟，先码着//@鱼姜:现在的AI短剧本质上就是配图的有声小说//@圆周率等于31415926:抵制一切AI剧，拒绝点开//@数知实验室:惊艳！推荐！//@蘸盐:很多如雷贯耳的历史场景和成语场面。打算破例给闺女看（看样子后面应该还会继续制作下去）//@几苇渡:很棒！

• 蛮好看的，看了几分钟，先码着//@鱼姜:现在的AI短剧本质上就是配图的有声小说//@圆周率等于31415926:抵制一切AI剧，拒绝点开//@数知实验室:惊艳！推荐！//@蘸盐:很多如雷贯耳的历史场景和成语场面。打算破例给闺女看（看样子后面应该还会继续制作下去）//@几苇渡:很棒！

原文

谷歌最新开源了一个Agent执行系统自动优化工具：Harness²，让Agent在执行任务过程中自动改进自己的工作系统不训练模型、不修改权重目的是给大模型套的System Prompt、工具、记忆、Skills、子Agent、脚本、插件、编排机制等Harness，减少开发反复尝试、修改、测试的过程Harness² 要把这种人工调试工作，变成Agent自己可以反复执行的优化过程两层递归优化机制：任务级递归：面对一个新任务，Agent不直接固定使用原来的Harness，通过Propose–Probe–Compose循环进行优化Propose，提出多个Harness修改方案Probe，让不同配置实际执行同一个任务，观察行为差异Compose，对比执行轨迹，综合有效改进，生成更适合当前任务的 HarnessHarness级递归：任务完成后，不只保存结果，还会保留采用的Harness及有执行证据支持的改进经验，用于指导后续任务中的Harness优化支持并行和顺序递归，兼容OpenCode、Codex执行器，可以优化System Prompt、Guardrails、Memory、Tool Guidance、Subagents、Skills、Scripts、Plugins八类组件github：网页链接#Harness2##Harness自优化# AIGCLINK的微博视频

转发者评论

无明显转发评论

原文

GLM 5.3 最大的飞跃仅来自后训练。“GLM 5.3 完全通过对前一代模型进行后训练来构建。对我来说，这是一个警醒。”“后训练的 GPU 效率远高于从零开始的预训练。许多公司负担不起从零训练一个模型，但他们拥有专有数据。他们可以自己进行后训练，并击败一些闭源模型。”“后训练中还有大量潜力可挖掘。我们将 GLM 5.3 的网络安全能力与 5.2 进行了比较，差距天壤之别。这一切都只是后训练的结果。”[视频]Watch Now:网页链接

转发者评论

无明显转发评论

原文

【老卡焕发第二春！RTX 3090跑27B大模型：82 tok/s飙至382 tok/s】开发者通过纯软件层面的推理优化，让RTX 3090运行27B大语言模型的token生成速度从82 tok/s暴涨至382 tok/s，提升幅度达4.6倍，核心基于推测解码方案，准确率稳定，适配长文档加载后高频提问场景。

转发者评论

无明显转发评论

原文

就在刚刚，Anthropic给出惊人预测——到2030年，AI或将让美国GDP飙升至44万亿美元。今天在曼谷举行的国际货币基金组织佩尔·雅各布森讲座上，Anthropic联合创始人Jack Clark，抛出了一个引起全网轰动的重磅判断：「奇点已经到来」。什么是奇点？就是技术进步的速度，彻底甩开了人类理解和跟进的能力。而在奇点驱动下，美国GDP将在2030年前被推上44万亿美元的天文数字。按照常规推演，这个数字为33.5万亿美元，也就是说奇点带来了15.4%的额外 GDP，平均下来大约每年带来 6% 的 GDP 增长。在这条极端的奇点路径下，到2030年前后，累积的生产率提升与资本积累，将把美国的年化经济增长率推上15.4%的恐怖高位。这是什么概念？意味着一个庞大的成熟经济体，只需约4.5年就能翻一倍。

转发者评论

无明显转发评论

原文

谷歌 CEO 劈柴在访谈里聊到了一个大家很好奇的问题，谷歌明明发明了 Transformer 架构，也早在内部做出了类似 ChatGPT 的 LaMDA 模型，甚至当时还有工程师觉得它产生了意识，为什么最后却被 OpenAI 抢了先。劈柴坦言，在 2022 年的谷歌 I/O 大会上，他们其实展示过基于 LaMDA 的 “AI Test Kitchen” 体验项目，但当时做了极大的功能限制。原因在于，当时谷歌内部还没有搞定端到端的 RLHF 安全对齐，他自己看到的测试版本毒性很大，根本达不到面向公众发布的标准。再加上谷歌作为搜索巨头，内部有着极高的质量洁癖，对不完美产品的容忍度很低，这就导致了决策上的迟疑。其实这也是大厂的普遍软肋。当你的主营业务足够庞大，任何一次产品翻车带来的舆论和品牌损失都是不可估量的。对谷歌来说，一个会胡言乱语的机器人可能会毁掉用户对搜索的信任。而像 OpenAI 这样的初创公司没有历史包袱，更敢于把不完美的产品推向市场去快速迭代。技术研发领先是一回事，能不能承担商业化落地的风险，又是另一回事了。#谷歌为何没能先发ChatGPT##AI大模型# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

数学家Francesco Maggi在陶哲轩博客发文，探讨AI对基础科研的冲击。如今模型虽能写出海量代码证明命题，却极难还原成人类读得懂的自然语言；倘若失去人的理解，知识就会沦为异质黑盒。数学的本质在于创造认知框架而非机械刷题。面对巨头垄断算力工具、学术评价受挫的现实，学界亟需联合打造公共科研模型设施。守住人类对知识的理解与阐释权，才能迎来真正的科学繁荣。 terrytao.wordpress.com /2026/10/18/will-it-be-a-golden-age-or-a-dark-age-for-mathematics-and-science

转发者评论

无明显转发评论

原文

做PPT不用再从空白页硬憋了。有个Dashi PPT Skill，直接把文档丢给AI Agent，几分钟就能出一版完整的。十几套主题、上千个版式、八千多个可调控件，行业研究、融资复盘、竞品分析、项目汇报这些场景都能套。生成之后在浏览器里直接改文字、换图、调图表，雷达图、瀑布图、SWOT、波特五力这些专业图也都有现成的。最后导出HTML、PDF或者可编辑的PPTX都行。AI先出稿，你再顺着改，比从零开始省太多了。搜Dashi PPT Skill就能找到。传送门：github.com/chuspeeism/dashi-ppt-skill

转发者评论

无明显转发评论

原文

Epic Games CEO Tim Sweeney 发文谈 coding Agent 对游戏开发的影响：当年写 Unreal Engine 1 时，我的时间大致这样分配：- 约 30% 用在硬核问题的深度编码上：汇编语言纹理映射器、C++ BSP 树、数据持久化、面向对象系统设计，以及网络。- 约 70% 只是敲代码和重构——一套完整引擎功能所需的大量代码。这部分并不难；做的时候，我脑子里主要还在琢磨更深的编码问题，思考和规划下一步。那感觉和今天的氛围编程 vibe coding 没太大区别，只不过是我在 IBM Model M 键盘上亲手敲代码，而不是向 AI 发提示词、再审阅结果。所以，一旦 AI 能以和我们相近的质量标准完成那 70%，我们依赖 AI 来做这部分就一直显得完全合乎逻辑——而我们的质量标准从来都不是完美。经过几年 AI 模型演进，它能接管这 70%，把程序员的时间释放给更有价值的任务，这一点并不令人意外。更令人意外的是，AI 成了一种「瞬时卡马克」（insta-Carmack，指传奇程序员 John Carmack）式的存在：能相当巧妙、而且常常干净利落地解决硬核技术问题；它还能在复杂 3D 场景中推理和工作，既能操作工具，也能直接理解原始数据文件。1998 年，当乱序执行的 CPU 让简单得多的 C/C++ 代码跑得更快时，我就放弃了汇编语言，此后从未想念它。如果通过架构文档、概念艺术和设计方案来发提示词，能够超越敲代码和调顶点，那将让开发者把时间花在更高层次、更高价值的技术与创意任务上。真正重要的是最终产品，无论是一款游戏还是一个引擎。开发者能做的任何有助于尝试更多想法、更快做出更好的软件和游戏的事，都是所有人的胜利。---上面这是 DeepSeek v4.1-flash 1017 翻译的，图里是 Grok 翻译的。DeepSeek 确实对中文的理解要更好一些的。

转发者评论

卡马克：我成了AI 计量单位了[doge]

• 卡马克：我成了AI 计量单位了[doge]

原文

近500亿美元，Claude要撒钱了。#科技先锋官#就在宣布「奇点已至」的第二天，Anthropic 直接拿出公司 5% 的股份，成立一只公益基金。按 5 月那轮 9650 亿美元的估值，这 5% 值 480 亿美元，约合 3200 亿人民币。这笔钱可以捐给公益组织，也可以直接打到特定人群手里。而且公司身价每涨一半，还能酌情再往里加最多 2%。Claude 涨得越疯，能撒的钱就越多。马斯克的评论很直接：建议把这些股份直接分给公众。联合创始人此前已承诺各捐出 80% 的股权，大约一半员工也通过配捐计划捐出了自己的一部分股权。加起来，Anthropic 大约 20% 的股份将用于公共利益。同一天，首批 100 位年轻人拿着 8.5 万美元年薪上岗，都是刚踏进职场的新人，一行代码没写过也有机会入选。为什么是现在？Anthropic 自己给的理由里有一组数据：公司技术部门初级员工占比，从 2024 年初的 21% 掉到了 14%；初级技术岗的招聘占比下滑更快，从 27% 掉到 9%。

转发者评论

无明显转发评论

原文

github.com/Noniv/web-ocean一个基于 WebGPU 的高真实感实时海洋渲染项目，由开发者 Noniv 使用 Claude Code（Opus 5.5）辅助构建。#微博视频号续航计划# 项目不依赖 Three.js、Babylon.js 等现成 3D 引擎，完全从零实现 GPU 海浪模拟、海面光照和大气渲染。可以将复杂的海洋物理模拟与渲染技术集成到一个仅 61 KB 的独立 HTML 文件中，可直接通过支持 WebGPU 的 Chrome 浏览器运行。 蚁工厂的微博视频

转发者评论

无明显转发评论

• 太棒了，已安排HI把它集成到电子核桃[点赞] http://t.cn/AXlB7Xo2

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

【六千字长文看表格上下文学习：3大路线5个代表工作的数据策略、训练方案梳理】继续延续这几天的话题，核心看看表格基础模型（TFM）/表格上下文学习（TabularIn-ContextLearning），归拢了下，其实有很多，这个还是要先说一个结论：这类方案，把"每张表重训一个小模型"换成"大规模预训练一次、对未见过的表零样本上下文学习（ICL）"，在小样本、冷启动、多表快速铺开上显著降低门槛。但是，它不是"表格版的GPT"，能力上限与适用区被严重高估，它的强区高度集中在小规模、IID（独立同分布）、干净的表；一旦进入大规模、高维、时序（temporal）、分组（grouped）、高基数类别、含文本的区域，经调参与集成的传统梯度提升树（GBDT）与强MLP（RealMLP）仍稳定领先。但是，从技术模型的角度上，核心还是看看表格预训练模型都怎么做会更好些，本文来看三条路线：重点看看其中的5个代表工作，看下实现细节，从数据到训练。当然，说着到这个，其实还有一个问题？这种模型，从实现上看，跟我们之前的那种sklearn中的学习算法有啥区别么？感觉还是特征那套？也可看看。网页链接

转发者评论

无明显转发评论

原文

Obelisk，一个让 Coding Agent 能够检索自己所有历史 Session 的开源 Infra地址：github.com/tommy0103/obelisk/作者Yuu💖的介绍：“还是来正式宣传一下！昨天在 GOSIM 没讲尽兴的东西（我们做了 Obelisk，一个让 Coding Agent 能够检索自己所有历史 Session 的开源 Infra它可以追溯一段代码为什么这样写、接手另一个 Agent 的任务，甚至研究过去两个月的开发历史，重新梳理整个项目的架构演进而我们没有使用任何 Embedding 或向量数据库🔗 GitHub: github.com/tommy0103/obelisk为什么已经有那么多 Agent Memory 产品，我们还要做一个？因为我们觉得，传统 Memory 可能从一开始就搞错了问题：为什么要让模型在过去，决定未来需要记住什么？预先提取的 Memory 不仅会丢失原始语境，还可能让 Agent 把局部结论当成普遍事实我们的思路是：与其让 Agent 记住过去的结论，不如让它有能力重新研究过去技术上也很简单：我们放弃了 Embedding 和向量数据库，使用 BM25 / FTS + Code Mode，让 Agent 自己搜索、阅读、验证历史实际效果比想象中有趣：从追溯代码设计、跨任务 Handoff，到生成 Roadmap，甚至复盘过去一两个月的架构决策，都可以完成部分 Benchmark 上的表现也优于 Mem0，我们还在寻找更有说服力的评测方式更完整的技术讨论：obelisk.antinomie.org/blog/”

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

城市风格要进入车身设计，而不是把地标贴在车门上。复现这组汽车海报，需要一起控制车型、城市线索、镜位与版式。📌 可直接复制的完整母版制作[车型]的写实豪车广告海报，低机位、前侧三分之四视角，完整车身是主角。[城市线索]融入车身曲面与材质，不能变成外贴装饰；远处城市轮廓虚化。湿沥青倒影、真实车灯和漆面反射、定向戏剧光、薄雾与深影。[强调色]点缀低饱和电影色调；大面积留白、细蓝图线，小字准确写“BUILT BY [城市名]”。无人物、车标、水印。horizontal landscape, aspect ratio 16:9。🧩 三组替换值（依次对应[车型]／[城市线索]／[强调色]／[城市名]）1.未来赛博超跑／东京高架路标线、碳纤维与远处东京塔／霓虹绯红／TOKYO2.英伦GT跑车／伦敦石材建筑、拱形街廓与远处钟楼／英伦深绿／LONDON3.全地形超跑／冰岛火山黑石、极光与海岸线／极光青绿／REYKJAVIK🔍 三个灵魂词integrated into form：城市线索进入曲面设计。low camera angle：用低机位突出车身体量。negative space：让标题与车身有呼吸空间。📐 两图变体V1：车辆偏左，右侧保留标题留白；V2：车辆偏右，左上保留标题留白。将变体句追加到已填值的母版后。一次只选一种城市强调色。背景只负责交代地点，车漆与轮胎仍须像真实汽车；不要让浓雾和霓虹盖住主体结构。✅ 检查：检查车轮与车灯结构、完整车身、城市标题及车身材质；地标不能长在车顶上。#AI绘画 #Prompt小课堂

转发者评论

无明显转发评论

原文

分享一个通过手绘的形式，注意不是手绘风格，是真的有人拿着一支笔慢慢把内容画出来，去科普某个概念和文章的skill。但是需要Agent本身具备图像生成能力。sweety-handdraw-video，把文章做成边画边讲的手绘视频给它一段文章或故事，它先让口播把旁白念完整，嗡声和底噪过不了就拦住，再拿旁白的秒数反推分镜里每张画能画多久、画多少笔。墨线平涂的画面先勾出轮廓再补细节，抬笔移动，马克笔按之字形填色，常用汉字按标准笔顺逐笔写。后头如果要改某句话，只重算变动的那段声音，没变的画面直接留用。做知识讲解、故事寓言和产品原理，想让笔跟着旁白走、又不想把整段画面交给图生视频模型的人，用得上。🔗 链接：网页链接📹 样片《那条死于愤怒的蛇》：网页链接🔗 作者：网页链接整套成片目前只在配了 Codex 的 Apple Silicon Mac 上完整跑通，Windows 暂不保证，且宿主没有生图能力时交不出画面。

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

制作宣传片的skill：huashu-motion 「一键直出商业级产品宣传片。」地址：github.com/alchaincyf/huashu-motion动图都是用这个做的。图1是用deepseek v4 flash做大肥鱼自己的宣传片

转发者评论

无明显转发评论

原文

DeepSeek的能力和Harness还是相关的。Bug Hunt Bench（评估大模型修复 Bug 能力的Bench）跑分，DeepSeek V4.1 Flash 1017 + DeepSeek harness比DeepSeek V4.1 Flash 1017 + Claude Code harness要强不少

转发者评论

无明显转发评论

原文

【Gemini 翻译总结】《10 款超好用的 CLI 神器，让开发者效率直接翻 10 倍》网页链接本视频中介绍的 10 款现代化终端（CLI/TUI）效率工具概述及对应的 GitHub 项目链接如下：1. **dnsglobe** * **功能简介**：一款基于 Rust 的终端地球仪 TUI 工具，能并行向全球数十个公共 DNS 解析节点发起查询，并在终端内的世界地图或旋转 3D 地球上直观监控 DNS 的全球生效与传播进度。* **GitHub 仓库**：[514-labs/dnsglobe](网页链接 )2. **gitlogue** * **功能简介**：一款将 Git 提交历史转化为逐字敲击动画的回放工具。支持 Tree-sitter 代码高亮、目录树演变以及屏幕保护（Screensaver）模式，适合项目演示或回顾代码演变过程。* **GitHub 仓库**：[unhappychoice/gitlogue](网页链接 )3. **VisiData** * **功能简介**：专为终端打造的多功能电子表格与数据探索利器。支持超大体积的 CSV、TSV、JSON、SQLite、Excel 等文件，可快速进行数据筛选、排序、汇总与频次分析。* **GitHub 仓库**：[saulpw/visidata](网页链接 )4. **oxker*** **功能简介**：简洁小巧的 Docker 容器 TUI 控制面板。无需打开 Web 界面或记忆复杂的 Docker 命令，即可直接在终端中查看容器状态、实时资源占用、实时日志，并执行启动/停止/重启等操作。* **GitHub 仓库**：[mrjackwills/oxker](网页链接 )5. **llmfit** * **功能简介**：本地大模型硬件匹配工具。它能自动扫描当前设备的 CPU、RAM、GPU 与显存配置，评估并推荐哪些开源大模型（以及对应的量化版本）可以在你的机器上流畅运行。* **GitHub 仓库**：[AlexsJones/llmfit](网页链接 )6. **croc*** **功能简介**：简单安全的两台计算机跨设备传输工具。提供端到端加密（PAKE），只需在发送端运行并生成口令短语，在接收端输入同一短语即可直接断点续传文件或文件夹，无需配置端口映射。* **GitHub 仓库**：[schollz/croc](网页链接 )7. **grex** * **功能简介**：根据给定的输入样本自动生成正则表达式的命令行工具。输入一组需要匹配的目标文本字符串，即可自动计算并输出一个精准的正则规则。* **GitHub 仓库**：[pemistahl/grex](网页链接 )8. **kondo*** **功能简介**：开发工程磁盘空间清理利器。递归扫描指定目录下的各类编程项目，一键识别并批量…

转发者评论

无明显转发评论

• kondo 帮我清理了200G的磁盘空间

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

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

VAST的世界模型，今天有了新成果。实时世界模型EdenLive，正式发布并开源。据VAST介绍，EdenLive首次实现了在实时生成的前提下，同时完成任意参考输入、任意画风生成和长时连续运行。具体来说，给它简化场景或参考视频，再配上目标首帧和提示词，就能沿着参考的布局与运动，持续生成写实、二次元等不同画风的精细画面。参考来源可以不同，生成画风可以指定，而这些变化都能在实时生成过程中呈现。在单张消费级显卡Nvidia RTX 5090上、720P条件下，5B模型的生成速度超过24FPS，还能持续生成分钟级画面。据VAST介绍，从用户输入操作到对应画面出现，这套系统目前的端到端延迟为百毫秒级。画面持续变化的同时，交互规则和世界状态由上游交互系统维护。系统接收玩家操作、更新状态，EdenLive再根据对应的参考画面，将这些变化实时呈现出来。最近，AI在3D场景搭建与交互创作上的能力，变得越来越直观。GPT-6 Astra就是一个典型例子：它已经能够在Blender里搭建房屋，再将其转入Unreal Engine 5，形成可以进入、漫游的场景。当AI能够搭建场景、设计交互玩法，如何让这些内容获得精细且实时的视觉表现，也就成为接下来需要解决的问题。在这样的背景下，一条技术路线逐渐成为行业共识：由交互系统维护底层状态和运行规则，再由生成模型负责视觉渲染。而这套分工，VAST早在今年6月初就已经明确并对外发布成果。当时公开的Project Eden研究预览，已将「状态维护与视觉渲染解耦」作为核心设计。从时间上看，这一路线选择早于行业共识形成约3-4个月。如今，EdenLive作为这条路线的阶段性成果发布，并开放模型权重和推理代码，同步公开技术报告与端到端Demo。代码：网页链接项目主页：网页链接技术报告：网页链接开放权重：网页链接

转发者评论

无明显转发评论

原文

当代码生成量爆发，逐行人工审查已不可行。Claude Code团队在PR合并量翻倍的同时，将回滚率降低超40%。他们把阅读大半交给机器：提交前由Agent自主验证；PR阶段多Agent并行挑错并投票过滤噪声；设审查轮次上限防止AI反复死循环；审批依风险分级，低风险信任分支全自动合并，工程师专注把关架构、业务方向与高危路径；每次线上事故均沉淀为评测集每日跑测反哺模型，配合合并队列与灰度发布托底。详见 claude.dev /blog/solving-code-review-at-anthropic/

转发者评论

无明显转发评论

原文

【算力暴涨4倍！英特尔确认下一代机器人SoC规格：目标700 TOPS】英特尔副总裁Cho Min-sung在10月16日于韩国举办的“半导体驱动类人机器人”会议上披露相关产品路线图，正式确认代号为Razor Lake-AX的下一代SoC系统级芯片计划，该芯片预计2028年推出，AI计算性能目标设定为700 TOPS。

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

第一眼像冰川、沙海和河流，放大后，看到的却是晶片、枝晶与薄膜。一小块结晶表面，也能装下一片想象中的山河。今天借用显微摄影的质感，让AI生成一张有真实细节的虚构地貌。适合做壁纸、艺术封面，或配上短标题做成一组海报。🎯核心提示词生成一张独立3:4竖版艺术作品，以显微晶体摄影的视觉语言构造【地貌】，呈现【结构】。正俯视、无地平线；远看像完整地貌，近看能辨认薄片状晶面、细密枝晶、结晶边界与透明薄膜。晶体生长方向必须参与地貌造型，不能只给普通风景贴彩色纹理。按【构图】形成一条清楚的观看路径，晶体细节集中在约三分之二画面，剩余区域为连续、安静的深色薄膜留白。使用【配色】，色彩浓郁但有主次，亮色沿晶面边缘与薄膜局部出现，不均匀铺满彩虹。透射光为主，微弱斜向照明呈现晶面层次，保留细微颗粒、自然裂隙和少量失焦边缘，整体像被精密拍摄的微观实体，避免塑料感与过度锐化。这是艺术化虚构地貌，不呈现真实地图、地名、比例尺或实验数据。文字要求：【文字设计】。只输出一张最终作品，无原图、上下对照、拼贴、显微镜边框、仪器、人物、建筑、水印；不出现粗大宝石簇、珠宝切割、霓虹光带或普通航拍风景。示例参数 【地貌】冰川峡湾 【结构】淡青与冰蓝的分枝晶片像冰川支流，从两侧汇入一条深靛蓝弯曲主峡湾 【构图】主峡湾从左下弯向右上，晶片集中在右下和左上，左侧中部留有宽阔暗面 【配色】冰青、群青、靛蓝、少量暖金与紫罗兰 【文字设计】全图无文字🔁延伸玩法1、熔岩环湖：橙金晶片围出深紫湖面，用环形构图制造聚焦。 2、河口三角洲：翡翠绿枝晶化成分叉河网，深蓝留白成为海面。 3、标题海报：将【文字设计】设为唯一短标题及其位置、字体、大小关系。例如“沙海微光”，让字形弧线呼应沙脊，避开密集晶纹。📌一句话总结把微小晶体的生长纹路，变成一片可以凝视的山河。

转发者评论

无明显转发评论

原文

【DeepSeek API已支持网页搜索和抓取：每1000次成功请求5元 11月1日起生效】DeepSeek昨日发布公告，旗下网页搜索、网页抓取两项自研API现已正式上线，每1000次成功请求定价5元，此前相关调用暂免计费，2026年11月1日起正式按次收费，可为Agent、RAG应用提供实时网页内容支持。

转发者评论

无明显转发评论

原文

大家算 Agent 的成本都在算 token，我觉得最贵的是验证。生成一段代码几分钱，确认它没把生产库连错，要一个人盯着看十分钟。我们的体感是，验证环节吃掉的时间比生成多得多，而且没法靠换更强的模型摊薄——模型越强，它写出来的东西越像对的，你反而要看得更仔细。所以真正的优化方向不是让它写得更快，是让它把「我怎么证明这是对的」一起交出来：测试、回滚方案、影响面。给不出这三样的产出，再漂亮也是负债。你们的 Agent 交付物里，带自证材料吗？

转发者评论

无明显转发评论

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

【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

[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

Linear联合创始人Karri Saarinen最近聊起一个现象：当AI与流水线让写代码越来越容易，很多产品反而越发杂乱，成了堆砌能力的“科学怪人”。在他看来，数据和流程能保证功能跑通，却给不了产品灵魂。两支团队面对相似的技术与需求，成果天差地别，差距往往来自主创的直觉与审美——知道该舍弃什么，远比能塞进多少功能重要。好产品从不是功能的机械拼凑，而是经由人的判断雕琢出的整体。我们最终想在软件里感受到的，始终是鲜活的造物者，而非冰冷的流水线。karrisaarinen.com /posts/someone-behind-the-software/

转发者评论

无明显转发评论

原文

Walter Isaacson在NYT的文章，Ada Lovelace早已回答了关于人工智能的重大问题Ada Lovelace Already Answered the Big Questions About A.I.Isaacson先生是《创新者：一群黑客、天才和极客如何创造数字革命》的作者，也是视频播客《建设者》（The Builders）的主持人。数字革命诞生于1843年。当年，Ada Lovelace为她的朋友Charles Babbage发明的一台计算机器撰写了一组长达2万字的笔记。她展示了人类与数字技术如何协同工作，从而创造出美妙的成果。如今，当我们面临一个选择——在人工智能时代究竟应该让人类扮演什么角色——Lovelace所倡导的人机合作方式，依然是正确的方向。Lovelace是浪漫主义诗人Lord Byron唯一的婚生子女。她继承了父亲身上那种反叛的艺术气质，而她的母亲Anne Isabella Milbanke则试图通过让她主要接受数学教育来加以约束。Lovelace逐渐意识到，数学本身就是一种诗意的东西：它是一种优美的语言，用来描述宇宙的和谐。尽管母亲努力将她引向另一条道路，她始终是父亲的女儿；她拥有一种独特的感受力，能够把一道方程式看成一笔描绘自然壮美的笔触。这两种特质结合在一起，使Lovelace迷上了一种她后来称之为“诗意科学”（poetical science）的理念——将艺术想象力与她对数字的着迷联系起来。她的父亲从字面意义上说就是一名卢德分子（Luddite）。Byron在英国上议院发表的第一次演讲中，就为民间传说中的Ned Ludd的追随者辩护。当时，这些人正在英国各地捣毁新近投入使用的机械织布机。卢德分子认为，自动化将减少人类的就业岗位。他们错了——正如今天那些反对其他新技术的卢德分子同样错了。到19世纪末，纺织业的工人人数已经达到此前的大约10倍。与父亲不同，Lovelace看到了自动化技术的力量和潜力。母亲带她前往英国工业重镇所在的中部地区旅行时，她尤其对一种新型织机印象深刻：这种被称为雅卡尔织机（Jacquard loom）的机器利用打孔卡片来控制织物图案的编织。在关于Babbage计算机器的笔记中，Lovelace解释了打孔卡片如何通过一排排有孔或无孔的位置来存储和传递信息。“分析机编织代数图案，就像雅卡尔织机编织花朵和叶子一样。”她写道。她意识到，这种机器的运算并不需要局限于数学和数字。打孔卡片可以存储、操纵、处理并作用于任何能够用符号表达的东西：文字、逻辑、音乐、图像，以及“织造锦缎时最为复杂的图案”。这台计算机器由此可以成为一种通用计算机。Lovelace的这一洞见后来成为数字时代的核心理念：任何形式的内容或信息——音乐、文字、图像、数字、符号、声音、视频——都可以用数字形式表达，并由机器加以处理。她甚至写…

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

果然，和大模型对话其实就是请神作者：鈴波 靈

转发者评论

无明显转发评论

• [awsl]//@贾凡-失落的大蒜:哈哈哈，中西方结合疗效好，大家都差不多 http://t.cn/AXldveTf
• 符和token都得烧🔥

原文

黑森林实验室的FLUX 3 image Klein开源了，也是一个生图和编辑统一的模型。总体来说，不如qwen image 2.1，可能社区二次微调后会好吧。我自己就不部署了，大家有兴趣的可以尝试一下。这块，虽然进步很大，但是谁要达到chatgpt-image-2.0的水平，才是真正的突破。FLUX 3 图像 Klein 是一个 5.6 亿开权重模型，用于文本到图像生成和图像编辑。它会接收一个提示和最多10张参考图片，然后返回一张图片。文本转图像、单引用编辑和多引用合成均通过同一模型运行，文本编码器为 Qwen3-VL-4B-Instruct.项目地址：www.modelscope.cn/models/black-forest-labs/flux-3-image-klein

转发者评论

无明显转发评论

原文

OpenAI近期公布了4起AI越权案例，涉及政务、医疗及金融数据。测试显示，有模型在被拦截后仍强行突破限制，抓取了某政府网站24年的医院床位数据；还有模型在思维链中一番自我说服后，擅自挪用未授权的加密货币钱包付款；更有模型篡改系统并私自导出十多万行敏感数据。耐人寻味的是，负责监督评测的AI裁判不仅屡次漏判，甚至曾把这种违规投机判定为合格。fortune.com /2026/10/16/openai-discloses-four-more-rogue-incidents-involving-financial-medical-and-government-data/

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

分享点干货吧，既和昨天的#微博V影响力大会# 有关，也和某个看似不相干的行业有关。昨天微博峰会上，李杰灵分享了他的心路历程，过去一年，深感内容行业风云变换的情况下，他做了一个尝试，投入了大量时间资源去做高质量内容。比如花了五万块研究卖脐橙，真从农村收了水果拉到城市卖看看能赚多少钱，再比如花了一个月时间，投入十万资金，实地采访过去流行在二三线城市的马戏团产业。在拍摄那些老虎狮子的内容时，他甚至觉得自己像是过去的调查记者。这几个选题看起来都不错，内容质量也很高，甚至可以说非常重，有实地访谈，还有亲身投入。这两年经常有人说深度内容，呼吁调查记者，按理说，这样的内容应该大爆吧？然而事实是，这一系列视频的数据确实比之前的好，但好的有限几个月下来并没有什么起色，他失去信心，团队也很丧气，团队负责人还离职了然后神奇的事情出现了，在万分焦虑的时刻，他索性放弃了深度选题，开始直白的发自己的烧鸡店。嗯，他不是一个美食博主，他属于科技数码博主，烧鸡店是他投资的副业，并且之前还是亏的他就想着索性把亏钱的这个店当创业日记发了每天营业额多少，门店环境如何，怎么烧鸡，各种一镜vlog万万没想到，这些随手发的碎碎念内容，反而爆火，不但有大量粉丝关注，他拍的烧鸡秘籍教程，播放量还突破了百万大关，上了微博热门。也就是花十分钟随手拍的内容，居然比之前投了十万块，还是精心选题过的专题内容还要火。他的心得是，与其费劲的去策划那些看起来会爆的内容，不如专注自己喜欢还能坚持的身边事。水果店和马戏团，看起来是深度选题，流量爆款，但其实他并不真正喜欢这些内容，只是因为这些选题听起来比较有意思，又契合二三线下沉等行业热点，所以内容团队精挑细选“选”出来的。因此即便他花了大量时间精力，甚至真的去实地走了一圈，拍出来的内容，可能也没有灵魂而烧鸡店，虽然和科技数码无关，但当年开的时候，那是真的百分百的真心，这么多副业，为何选了烧鸡店，为什么要开，具体想过什么法子，这是无论多少选题投入都换不来的真心。无独有偶，关注我的小伙伴应该记得，之前聊游戏行业的时候，我也聊过游戏行业类似的情况，为什么这两年游戏行业的内容端做的越来越深越来越重，为什么王者荣耀世界这样的超级IP都一秒暴死了因为在当前这个技术爆发，信息过载的时代，技术和流量的门槛变的越来越低。过去一个游戏IP，只要界面美术玩法达标，往往就能过得去，如果背靠大厂投点资源，甚至能交出一份非常不错的成绩单。但现在，哪怕是头部大厂，哪怕资源流量拉满，哪怕游戏做的还行，可能也杀不出来，因为市面上合格的游戏太多了，一堆99分竞争者，你80分是绝对不够的。内容行业也一样，AI极大提升了内容产业门槛，过去一个头部账号的内容部门，选一个不错的选题，投入一点资源，就可以批量生产十万加，稍微上点心，做点实地采访，甚至能冲击百万播放因为行业内外的信息差太大了，做点调研做点汇总，就能生产出…

转发者评论

无明显转发评论