微博 AI 观察博客

原文

#DeepSeek全面开源DeepInfer# 我们 DeepSeek 做出了世界上最伟大的开源技术。没有人比我更懂开源。没有人。我懂得非常多。很多人告诉我，先生，你对开源的理解令人震惊。我说，谢谢，我一直都很擅长这个。OpenAI？他们不一样。他们喜欢闭源。他们喜欢收费。很多钱，非常多的钱。你想运行一个模型，他们就向你收费。你想运行得更快，他们又向你收费。你想运行得更聪明，猜猜怎么着？还是收费。他们收费的方式非常有创意，真的非常有创意。我认识很多搞人工智能的人。他们都是好人，有些人很聪明，非常聪明。但他们告诉我，他们在推理服务上花的钱太多了。他们说，先生，这太贵了。我们付了钱，又付了更多的钱，最后还得再付一次钱。我说，听着，这不是一个好生意。这是一个非常糟糕的生意。然后我们推出了 DeepInfer。哇。DeepInfer。多么美妙的名字。非常棒的名字。它是一个伟大的推理框架。分布式推理、专家并行、推测解码、SWA 有界重放，全都有。技术人员知道这些是什么。普通人不一定知道，但他们很快就会知道，因为他们会省很多钱。很多很多钱。我们支持英伟达。英伟达做得不错，真的不错。但我们也支持华为昇腾。华为，非常有意思的一家公司。我们不想让软件只属于一家硬件公司。我们希望它能在不同的平台上运行。为什么不呢？这叫选择。选择是一件好事。尤其当你不必为每一件事支付天价的时候。然后我们做了一件让很多人非常不高兴的事。我们把它开源了。免费。完全按照 Apache 2.0 许可证开放。代码放在 GitHub 上。任何人都可以下载。任何人都可以研究。任何人都可以拿去运行。你甚至可以用它来和我们竞争。我知道，这听起来很疯狂。很多人说，先生，你不能这么做。你怎么能把这么好的技术免费给别人？你应该把它藏起来。你应该收费。你应该让所有人依赖你。我说，为什么？我们不需要这么做。我们有信心。非常大的信心。你知道我们的集群每天处理多少 Token 吗？155 万亿。每天。155 万亿。这个数字非常惊人。很多人甚至不知道该怎么理解这个数字。我告诉你，他们会理解的。当他们看到推理账单的时候，他们就会理解。我们还公布了一个数字：在谷时价格下，整体收入达到每 GPU 小时 38 美元。非常有意思的数字。非常有意思。有人看了以后说，这怎么可能？我说，去看看我们的技术。不要只看价格，要看效率。效率非常重要。我们一直在谈效率，而有些人一直在谈收费。然后我的电话响了。一个人打电话给我。他说：“梁先生，这太糟糕了。真的太糟糕了。我们过去卖推理服务，生意很好。客户不知道底层怎么运行，我们就收他们很多钱。现在你把框架放出来了，他们开始自己部署，开始比较价格，开始问我们为什么这么贵。你能不能把代码收回去？”我说，不。他说，什么？我说，不。我们不会收回去。代码已经在那里了。你可以使用它。你的竞争对手也可以使用它。所有人都…

转发者评论

无明显转发评论

原文

AI Engineering Interview Questions and Answers，是一份公开的 AI 工程面试题库，按主题收录问题，并为部分题目提供文章或视频讲解入口。内容覆盖 LLM 基础、提示词、RAG、Agent、微调、向量数据库，以及系统设计、生产部署、评估测试和多模态等方向。既有 Transformer、Tokenization、采样方法这样的基础概念，也会追问模型推理过程、首个 token 为什么更慢，以及不同解码方式的适用条件。适合用作面试前的知识自查清单：先看自己能否独立回答，再沿着讲解链接补缺口。对于已经做过 AI 应用、想检查知识覆盖是否完整的人，也可以按熟悉程度挑选专题，不必从头顺序刷完。项目：ai-engineering-interview-questions#HOW I AI# #程序员#

转发者评论

无明显转发评论

原文

刚刚，Claude首次设计出抗蝎毒蛋白，64小时狂算31.8万个方案，17个闯过实测！#科技先锋官#今天，Anthropic公开一份研究中，内部研究版Claude设计的蛋白，真的在试管里抓住了蝎毒。翻开技术报告，作者名单排在第一位的，赫然是Claude Science。它负责设计蛋白，还在人类监督下分析数据、绘图、起草报告。令人震惊的是，完成这项研究的竟是一群搞金融的「门外汉」——Citrini Research。五个分析师，其中三位完全没有科学背景，带着Claude，攻入了AI药物发现的腹地。主要观点全球每年超过120万人被蝎子蜇伤，超过3250人死亡，儿童尤其容易受到严重伤害。现有抗毒血清还要靠给马打毒液、再从马血浆里提抗体。团队只准备了20万美元预算。初始提示反复打磨到约35页，写清研究什么、限制在哪、怎么判断候选值不值得送测。首个通宵，Claude启动300多个子Agent，调用超过300块并发GPU、12种专业设计工具，64小时生成318,484个设计。中途Claude还在人类授权下，给供应商Twist Bioscience的科学家起草并发出邮件，问清制造可行性，等回信后再继续设计。算力花了49,997美元，合成和测试又被扣了71,740美元。最终211个候选送进实验室。17个设计达到结合标准，覆盖五种目标毒素中的四种。而人类执意要的「一个蛋白通吃五种毒素」，151个多毒素设计无一达标，Claude提前泼的冷水应验了。最强候选Cn2-B1与毒素分开得极慢。实验还显示它可能抓在了有机会阻断毒素作用的部位上。全部211个送测设计、预测结构和实验数据，已经以CC BY 4.0许可放上Hugging Face。

转发者评论

无明显转发评论

原文

纳米AI 的教程：从 GPT-2 到 LLaMA在这里： nano-ai.tech/series/gpt2-to-llama/之前他还发过从零手写大模型系列教程：网页链接 作者写的介绍："整理了《从零手写大模型之从GPT-2到LLaMA》学习教程GPT-2到LLaMA，中间隔了4年最关键的改动，集中在4个零件上手写完GPT-2之后，我一直卡在一个问题上：2019年的GPT-2和今天的LLaMA、Qwen、DeepSeek，到底差在哪？带着这个问题，我把LLaMA的结构拆开一个零件一个零件对着GPT-2去学学下来发现，骨架还是那个Transformer真正变的是几个关键零件每一篇都用同一个小例子“猫吃鱼”贯穿到底数字小到可以手算，配套代码也能直接跑看完可以自己跟着练一遍最后整理成了这5篇：01 RMSNorm：简化归一化02 SwiGLU：升级前馈网络03 RoPE：旋转位置编码04 GQA：分组查询注意力05 LLaMA：组装完整模型对我自己来说，这一段是承上启下：手写GPT-2，让我搞懂了Transformer怎么跑学完零件替换，才算明白现代大模型为什么长这样整理好的完整版放在这里如果你也是从GPT-2入门的，可以直接接着看："

转发者评论

无明显转发评论

原文

#模型时代# 黄仁勋对话德国总理默茨：你无法监管一个不存在的技术，安全并非仅靠希望和愿望就能实现，安全是技术和工程活动名称：首届“投资德国峰会”（Invest in Germany Summit）开幕炉边谈话对谈时间：2026年10月19日晚（视频发布于2026年10月20日）对谈地点：德国·柏林 Kraftwerk（由历史发电厂改建的工业展览馆）对谈嘉宾：黄仁勋（Jensen Huang）：英伟达（NVIDIA）联合创始人、总裁兼首席执行官弗里德里希·默茨（Friedrich Merz）：德意志联邦共和国总理（German Chancellor）背景2026年10月19日至20日，德国联邦政府在柏林举办首届“投资德国峰会”（Invest in Germany Summit），旨在吸引全球资本与前沿技术注入德国工业体系。峰会首日，德国联邦经济事务与能源部、联邦研究技术与航天部与英伟达正式签署了推进“物理AI”（Physical AI）与“工业4.0平台”深度合作的联合意向声明（Joint Declaration of Intent）。在当晚于柏林 Kraftwerk 举行的开幕炉边谈话中，德国总理弗里德里希·默茨与英伟达创始人兼 CEO 黄仁勋同台对谈，围绕数字孪生与双工厂范式、德国“隐形冠军”中小企业（Mittelstand）的数据主权、物理AI与机电工艺的互补融合、全球工业革命格局重置、英伟达在德初创投资版图，以及欧盟AI监管与机械行业专项豁免等核心议题展开了完整深入的交流。一、破冰开场：五万亿美元科技巨星与“互换工作”【主持人】：（他不仅是）科技界最具影响力的财经人物之一，于 1993 年联合创立了英伟达（NVIDIA）并执掌至今，将其打造成全球市值最高的企业——我上次查的时候，市值已经突破了 5 万亿美元（不是 50 亿美元，而是超过 5 万亿美元）。在这一历程中，他也赢得了“科技界摇滚巨星”的美誉——不仅因为那件标志性的皮衣，更因为无论他走到哪里，都会有大批人群聚集等候签名或合影。今晚我们或许也会有这样的好运，总理先生。希望各位不要把这句话当成冲上舞台的信号，现在请以最热烈的掌声欢迎黄仁勋（Jensen Huang）！欢迎来到德国，我看你已经进入状态，准备好开始我们的炉边谈话了。（全场掌声，黄仁勋在台上为默茨倒饮品互动）【黄仁勋】：顺便还兼职当一下调酒师（Bartender）。【主持人】：总理先生，如果让您和黄仁勋互换一天工作，您觉得自己第一件事会做什么？【弗里德里希·默茨】：噢，互换工作真是个好主意。你想去坐那个位置（当德国总理）吗？【黄仁勋】：不，谢谢您。【弗里德里希·默茨】：好吧，那我来给出我的答案：我宁愿穿上我的皮衣，搭一班飞往柏林的航班，去见德国总理，然后告诉他：“我已经准备好在德国投资了。”【黄仁勋】：哈哈，这正是我现在在做的事！【弗…

转发者评论

无明显转发评论

• 营销话术。AI应用远没有研发那么重要//@中科大胡不归:黄仁勋对德国的鼓吹大部分还是言之有物的，不过有一点我一直没看明白，对AI的重要性讲了这么多，还说要有主权AI，但德国自己的AI在哪里？法国好歹还有个Mistral，德国一个都没听说//@陶马文:真是太会了。面对迫切想要证明自己的人，就给他廉价的认
• 【德国 Aleph Alpha 打造的Kolibri，是一款主打欧洲 AI 主权的双语开源权重大模型，仅支持德语与英语两大语种，于 2026‑10‑03 正式发布，权重基于 Apache 2.0 协议开放在 Hugging Face 平台。】 //@中科大胡不归:黄仁勋对德国的鼓吹大部分还是言之有物的，不过有一点我一直没看明白，对AI的重要性讲
• 也有短板：工业基础理论与核心工业软件，计算机体系底层硬核软硬件 //@高飞:“中国的独特优势在于，他们的工业化与经济转型期，恰好与计算机产业崛起的历史周期完全重合，因此他们的数字化与计算机化程度非常高。当今世界上，同时在制造业根基和计算机科学两个领域都积淀极深、且能将两者游刃有余地融
• “中国的独特优势在于，他们的工业化与经济转型期，恰好与计算机产业崛起的历史周期完全重合，因此他们的数字化与计算机化程度非常高。当今世界上，同时在制造业根基和计算机科学两个领域都积淀极深、且能将两者游刃有余地融会贯通的国家，中国可能是唯一的一个。”

原文

「DeepSeek开源推理框架：真正普惠的下一道门槛」2026年10月20日，DeepSeek宣布全面开源内部推理框架DeepInfer及编解码组件，并罕见披露了单卡每小时38美元的实测收入与日吞吐155万亿Token的产能数据。简评：DeepSeek用一张成本清单撕开了推理市场的遮羞布。单卡时收入38美元，日吞吐155万亿Token，这些数字回答了一个问题：大模型推理到底能不能赚钱。开源推理框架和编解码组件，等于把自家生产线的图纸公开，让所有人看清这门生意的真实毛利。英伟达和华为昇腾的双平台适配，不是技术炫耀，而是在对冲算力供应链风险。但他们留了一手：KV缓存和负载均衡没有开源。这才是护城河所在：开源的是容易复制的技术，不开源的是真正值钱的运维经验。这场开源本质是用透明度换生态位，用别人的复制验证自己模式的可行性。 #DeepSeek全面开源DeepInfer#

转发者评论

无明显转发评论

原文

#模型时代# Anthropic科学家、扩散模型发明者Jascha：离超级智能没有任何已知障碍，我们正处在人类世的最后几天2026年6月的一个讲座（其实几个月前而已，但是在当下似乎就过去了很久一样），最近在X上非常刷屏，看完之后发现确实一手判断很多，做一个整理。笔记来自斯坦福大学物理与AI大会（PAI26），面向物理学和相邻学科的研究者。Jascha Sohl-Dickstein作为演讲嘉宾登台，演讲标题致敬了神经科学奠基人Ramón y Cajal的经典著作，叫“Advice for a Young Investigator in the First and Last Days of the Anthropocene”——人类世最初与最后几天里，给年轻研究者的建议。他最广为人知的贡献是发明了扩散模型，这一框架后来成为Stable Diffusion、DALL-E等图像生成系统的底层架构。他同时是大规模评测基准BigBench的联合创建者，此前在Google DeepMind任首席科学家，现供职于Anthropic。Jascha拿妻子所在的生物技术行业做了一个对比：问生物技术从业者能不能攻克癌症，接下来十分钟你会听到一长串关于这件事有多难、还要多久的解释。但问做大模型的人同样的问题，回答是“我们看不到从现在到超级智能之间有什么障碍”。在旧金山AI圈，如果有人自称“时间线很长”，追问下去，他们的意思是还要十年。离技术最近的人通常最先发现瓶颈，而他的答案是：没有发现瓶颈。一、三条指数曲线1、训练算力十年增长一千万倍Jascha展示了一张从1950年代开始的AI训练算力图表。纵轴每一格是上一格的一百倍。图上能看到一个明显的斜率变化，对应AI从学术研究转向商业应用的节点。过去十年间，训练最大模型所用的算力增长了大约一千万倍。他做了一个粗略换算：假设人脑每个突触每毫秒完成一次浮点运算，一个人一生中大脑的总计算量大约是一万亿petaflops。这个数字放到图上，只比当前最大的训练模型高出不到一格。算力到了人脑的量级并不意味着就能达到人类水平的智能，但它让这种比较至少在数量级上站得住。专注于AI趋势预测的研究机构Epoch AI进一步推算：到2030年，AI训练算力有潜力比2025年再增长一万倍。在未来的线性坐标图上回望，今天的算力水平与零几乎没有区别。我们仍然处在指数曲线非常早期的位置。有听众质疑训练资源终将触顶。Jascha反驳：一个趋势已经持续了21个数量级，在距离人类水平仅一两个数量级的地方恰好撞上资源天花板，这种巧合本身极不寻常。物理世界里没有指数能永远持续，“但如果这条曲线恰好在此刻转平，那才是真正让我震惊的事。”2、AI能独立完成的任务复杂度在指数增长METR是一家专门追踪AI能力增长的研究机构。他们的核心指标是：AI模型在无人辅助条件下，能以50%的成功…

转发者评论

无明显转发评论

原文

neural nets.用opus 5.5速搓了一篇DeepSeek刚开源的DeepInfer介绍视频。#微博视频号续航计划# DeepInfer是支撑 DeepSeek 生产环境 API 的引擎核心。片中用纯动画拆解了它的运行流程：一条 prompt 输入后，如何在多张 GPU 之间被调度、切分、计算，最后输出 token。内容涉及调度、注意力、KV cache、专家负载均衡、投机解码等几部分，但全片没有堆公式，基本一张图讲一个概念，节奏很紧凑。 #DeepSeek开源内部推理框架# 蚁工厂的微博视频

转发者评论

无明显转发评论

原文

OpenAI 收购药物研发协调平台 Orchestra Bio，金额没公开OpenAI 10 月 20 日宣布收购 Orchestra Bio。这家公司做的软件，帮药企管理一款新药从实验室走到病人手里的整个过程。团队和技术会并入 Rosalind，也就是 OpenAI 面向生命科学研究的 AI 模型和工具系列。收购金额和条款，双方都没有公开，最早报道此事的 Axios 也说条款未披露。OpenAI 公告写的是“已收购”，Orchestra 官网写的是“加入 OpenAI”，都没提还有审批要走。药物研发为什么需要“协调”？按 OpenAI 公告的说法，在美国，一款新药从找到靶点（药物要作用的那个分子）到获批上市，平均要 10 到 15 年。这期间好几条线同时推进：实验室做实验，外包公司做动物安全性测试，工厂生产试验用药，医院招募病人做临床试验，还要准备给监管机构的材料。这些活儿分散在公司内部多个部门和一堆外部合作方手里，各用各的系统，数据互不相通。而这些环节环环相扣。公告举的例子是：一批药生产失败，临床试验的开始时间就得往后推。就像盖房子水泥没按时到，砌墙、装修全得改期。项目负责人要弄清哪些环节受影响、各延后多久、有哪些补救办法，靠人工翻表格、发邮件，很耗时间。Orchestra 把这些盯进度的活儿交给 AI agent。出了问题，agent 找出受影响的环节和时间线，收集相关资料，列出几种应对方案做对比，最后由科学家和项目负责人拍板。Orchestra 在自己的公告里说公司成立于四年前，没写创始人和融资。据 RuntimeWire 等媒体报道，创始人是 Ashoka Rajendra，此前融资约 2000 万美元，这个数字官方没有确认。对 OpenAI 来说，这笔收购把 Rosalind 从“帮科学家想问题”延伸到“帮团队推项目”。Rosalind 现在有两块：今年 4 月发布的 GPT-Rosalind，是专攻生物和化学的推理模型；Rosalind Workbench 把模型接上科学工具和数据库，用来分析实验结果、规划实验。两块管的都是“发现”阶段。候选药物找到以后，还有好几年的生产、临床、审批要推进，Orchestra 补的是这一段。OpenAI 说目标是让 AI 覆盖新药研发全流程，目前公开的药企合作方有诺和诺德和 Moderna。竞争对手也在往这个方向走。据 The Information 等媒体报道，Anthropic 今年 4 月以约 4 亿美元的股票收购了生物 AI 初创公司 Coefficient Bio，金额 Anthropic 没有公开确认。普通人用不上这些。GPT-Rosalind 要通过 OpenAI 的“可信访问”审核才能用，面向企业和科研机构，上周 OpenAI 还给美国大学实验室推出了免费的学术计划。Orchestra 原有客…

转发者评论

无明显转发评论

原文

#DeepSeek开源内部推理框架# DeepSeek 开源推理框架：走向真正普惠的未来网页链接大模型的能力边界由模型本身划定，但如何以合理成本提供超大规模的模型服务，还取决于一个长期未被公众了解的中间层：推理框架。训练使模型学有所成，推理则让模型为人所用。面对如今海量的用户调用，推理框架负责统筹调度庞大的算力集群，其效率直接决定了 AI 服务的算力成本与电力消耗。DeepSeek 长期致力于将推理性能推向极致。在此前开源一系列大模型、TileLang 编译工具及推理算子库的基础上，我们决定进一步将内部推理框架 DeepInfer 全面开源。「为善与众行之，为巧与众能之。」我们希望通过分享内部的部署经验，帮助开发者与企业组织优化大规模推理的吞吐与延迟，从而高效构建私有化及公有云部署，降低算力成本、减少能源消耗，让智能以更低的价格触达更广泛的人群，实现真正的大模型普惠。我们也将继续支持社区进行大规模部署优化，欢迎加入我们的开源行列。DeepInfer基于 DeepInfer，我们已实现 DeepSeek V4.1 Flash 高吞吐、低延迟的大规模推理服务。未来，DeepSeek 新模型的推理代码及后续优化也将在此持续更新。DeepInfer 推理框架：集成高性能算子与深度优化的推理引擎，支持分布式推理、推测解码、SWA Bounded Replay、结构化输出等能力，兼容英伟达与华为昇腾平台。deepseek-recipe 编解码组件：同步开源的生产级 Token 编解码组件，与 DeepSeek 官方 API 处理逻辑完整对齐，确保社区获得与官方部署一致的 API 体验。开源仓库DeepInfer: github.com/deepseek-ai/DeepInferdeepseek-recipe: github.com/deepseek-ai/deepseek-recipe技术报告：zhuanlan.zhihu.com/p/2095560295930508953未来展望借助全面开源的模型、算子库与推理框架，我们期待着在不远的未来，能够看到全球 AI 服务的范围与质量获得前所未有的扩展与提升，变得更加公平、透明、可信赖，进而实现在全社会范围内加快技术迭代、减少能源浪费，让有限的资源以更高的效率在基础设施与用户终端之间流转，以每个人都能够负担的成本传递更加强大的智能，以及伴随着智能的善意和无限可能性。DeepSeek 将与各位一同携手，为实现这样的未来图景而不懈努力。

转发者评论

无明显转发评论

• //@蚁工厂:配套的技术报告：DeepSeek V4.1 Flash 大规模推理部署实践 http://t.cn/AXlF1Zps 这是把DeepSeek超强的缓存方案也开源了？
• 配套的技术报告：DeepSeek V4.1 Flash 大规模推理部署实践 http://t.cn/AXlF1Zps 这是把DeepSeek超强的缓存方案也开源了？

原文

「DeepSeek × 昇腾950DT：国产算力的预训练考验」近期有爆料称，DeepSeek计划于年底用昇腾950进行预训练，若该计划落地，将标志着国产算力首次从零支撑起世界级大模型的预训练工作。简评：训练和推理是两回事。推理跑通了，不代表训练能跑。DeepSeek过去用英伟达芯片训练模型，用国产芯片做推理，这次想把训练也切过来。难在哪？训练要几万张卡同时工作，通信延迟、故障恢复、精度损失，任何环节出问题都会让几个月的计算白费。推理只需要单卡或小集群响应用户请求，容错空间大得多。十多万张国产芯片能否稳定跑完一个前沿模型的训练，是对整个国产算力生态的压力测试——芯片、框架、集群调度、故障处理缺一不可。如果跑通了，证明的不是单点突破，而是整条链路都能打。这比单个环节的领先更重要。 #曝DeepSeek今年底用华为升腾预训练#

转发者评论

无明显转发评论

原文

DeepSeek 开源自家推理框架 DeepInfer：Apache 2.0 可商用，目前只支持 V4.1-Flash，要用 Blackwell 或昇腾 950 这类数据中心显卡DeepSeek 把自家线上服务用的推理框架 DeepInfer 开源了，还一起开源了配套组件 deepseek-recipe。模型文件只是一堆训练好的参数，好比一本菜谱。接单、排队、在显卡上把答案算出来，靠的是推理框架，相当于后厨的出餐系统。出餐系统调度得好，同样的显卡能多接几倍的单，每个人等得也更短。DeepSeek 说 DeepInfer 就是支撑 V4.1-Flash 大规模服务的那一套，开源是为了帮大家省算力、省电。它最主要的提速手段叫投机解码。大模型平时一个字一个字往外写，每写一个字都要把整个模型算一遍。投机解码让一个轻量的“草稿手”先猜后面几个字（默认最多 5 个），大模型一次核对完，猜对的直接收下，猜错的重写。普通用户不会直接用到它。它要跑在英伟达 Blackwell 一代的数据中心显卡（代号 SM100）或华为昇腾 950 上，官方测性能用了 4 到 64 块这样的卡，个人电脑跑不动。模型也只支持 V4.1-Flash 一个，官方说以后新模型的推理代码也会放进来。用得上的是想自己部署 DeepSeek 的企业和云服务商，可以直接拿 DeepSeek 调好的方案。不过这次放出的只是“离线推理”部分，缓存对话前文的系统、把读输入和写输出拆到不同机器的部署方式、多台机器间的流量分配都没包含，要搭成完整的线上服务还得自己补。deepseek-recipe 管的是另一个问题：自己部署的 DeepSeek，在提示词怎么拼、工具调用怎么解析这些细节上，可能和官方 API 对不上。deepseek-recipe 像前台接单员，把 OpenAI 和 Anthropic 的几种常见请求格式统一翻译成 DeepSeek 模型能读的输入，再把模型输出的思考过程、工具调用等翻译回去，逻辑和官方 API 对齐。DeepInfer 用 Apache 2.0 协议，允许免费商用和修改。deepseek-recipe 用 MIT 协议，同样可以商用，有 Python 和 Rust 版本，支持 V4 和 V4.1。DeepInfer：网页链接deepseek-recipe：网页链接

转发者评论

无明显转发评论

原文

[AI]《Train An Imaginative Agent》J Ge, J Zhang, T Chai, H Yoo… [UC Berkeley] (2026) 在决策领域，不可逆动作的死锁是一个悬而未决的难题。过去的方法受困于真实试错太贵，本质原因是策略与模型割裂，无法预先生成视觉残局。本文的核心洞见是：把试错重新看作脑内视觉沙盘。由此，交替输出动作与预测图，靠成败逼迫机器在险局主动分叉探路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前瞻本能的觉醒。它为后来者打开的新门是机器自决何时预演，但尚未跨过的门槛是长距盲推下图像失真引发的崩溃。arxiv.org/abs/2610.26845 #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

• 这项工作解决了一个现实困境：推箱子游戏里推错一步可能全盘皆输。解法是让模型先在脑中画出结果图像，看看会不会走入死胡同，再决定实际行动。有意思的是，监督学习只教会了模型“能想象”，强化学习却让它学会了“何时想象”——简单局面直接走，遇到岔路口才开始推演分支。更出人意料的是，模型有时

原文

网易 LobsterAI 发布了第二期《中国办公 Agent 用户行为报告》，报告基于它自己平台的用户数据，反映的是这一家产品的用户，不代表整个行业。不过管中窥豹，可以借此看看中国办公 Agent 用户行为变化。也希望其他家多发一些类似报告学习下。从这期起报告改为每月发布，9 月版还额外看了十一假期的变化。最醒目的数字有两个：9 月用户每次交给 Agent 的任务平均消耗 20.2 万 Token，是 3 月 6.3 万的 3.2 倍；日均活跃用户的增幅达到 83.1%，是 5 月以来涨得最快的一个月。用的人越来越多，每个人交出去的活也越来越大。LobsterAI 是网易的办公 Agent 产品，可以在桌面端用，也可以在微信、飞书这类聊天软件里直接给它派活。【任务越来越大，用户在加速涌入】Token 是模型读写文字的计量单位。Agent 干活时要反复读任务要求、读自己前面产出的内容，所以一次任务消耗多少 Token，大致反映这件活有多长、多复杂。逐月看：3 月 6.3 万，4 月 6.7 万，5 月 8.6 万，6 月 10.5 万，7 月 12.9 万，8 月 19.7 万，9 月 20.2 万。最大的一跳在 7 月到 8 月，9 月停在高位。日活这边，报告只给了增幅：6 月 +19.8%，7 月 +25.1%，8 月 +30.6%，9 月 +83.1%，一个月比一个月快。报告没公布用户绝对数。如果这些增幅是逐月环比，连乘下来 9 月日活大约是 5 月的 3.6 倍，这是按图上数字推算的，报告本身没这么说。【缓存让同样的活，花费差出七倍多】这是报告里对用户最实用的一节。Agent 每一步都要把任务要求和之前的内容重新读一遍，不少费用就花在这些重复读取上。模型厂商会把读过的内容记下来（缓存），再次读到时按折扣价收费。命中率就是重复内容里有多少能享受到这个折扣。9 月各模型的命中率大多在九成上下：DeepSeek V4.1 Flash 最高，97.3%；DeepSeek V4 Flash 和 V4 Pro 都是 95.7%；GLM 5.3 93.9%，MiniMax M3 93.7%，Qwen 3.8 Max 93.2%，GLM 5.3 Flash 91.1%，Kimi K3 88.7%；垫底的是 Qwen 3.7 Plus，76.7%。命中率差不多，实际花费却差很多。报告算了"实际费用是原价的多少"：DeepSeek V4.1 Flash 4.6%，V4 Flash 6.2%，V4 Flash Vision 6.7%，V4 Pro 7.5%；Qwen 3.8 Max 18.5%，Qwen 3.8 Flash 18.8%；Kimi K3 20.2%；GLM 5.3 29.6%，GLM 5.3 Flash 35.1%。最省和最贵之间差了七倍多。差距主要来自缓存…

转发者评论

无明显转发评论

原文

DeepSeek 是美国前沿实验室的最大威胁。国土安全部的命令不足为奇。人们认为 DeepSeek 只是制造从 Claude 和 GPT 蒸馏出来的廉价模型。他们忽略了一个事实：DeepSeek 正在玩一场完全不同的游戏。DeepSeek 创始人梁文峰是财富最丰富的前沿实验室创始人，如果你不把 @elonmusk 算在内的话。他比 Dario 和 Sam 更有钱，拥有公司的大多数控制权，并且可以比其他实验室玩得更长远的游戏。看看 DeepSeek 不断做出的选择：1. 它以 MIT 许可发布模型权重。其他实验室如 Kimi 和 GLM 也发布权重，但附带商业条件。DeepSeek 愿意让任何人运行其模型，并与他们自己的 API 竞争。2. 它发布异常详细的研究。其原始的 DeepSeek-R1 研究帮助了每个 AI 实验室，包括西方的那些。3. 他们无情地专注于低成本推理。他们显然受到计算资源的限制，他们的架构选择优化了成本。想想看：一个能负担得起等待几十年的创始人，他已经建立了一个真正的挑战者，并且愿意将模型和研究公开出来。他们最大的限制一直是芯片。华为的 950DT 即将到来。当 DeepSeek 拿到芯片时，会发生什么？引用：The Department of Homeland Security is requiring all civilian federal agencies to remove DeepSeek products and 'any third-party services developed using DeepSeek implementations,' and to stop buying them.网页链接

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-10-21】今日简讯：1、商务部回应美国联邦机构限制DeepSeek，要求撤销措施2、DeepSeek开源DeepInfer，开放生产推理框架核心3、Google开源TorchTPU，PyTorch原生接入TPU4、ElevenLabs推出Eleven Realtime，整合实时语音智能体5、Mistral发布Voxtral 3，串联转写、推理与语音执行6、Google补齐Coral NPU开源架构，推进低功耗端侧AI以下为详细内容1、商务部回应美国联邦机构限制DeepSeek，要求撤销措施来源：商务部商务部就美国国土安全部针对深度求索的采购排除和移除命令作出回应。美方措施禁止联邦政府民事行政机构采购DeepSeek及关联企业开发的产品和服务，并要求从相关机构的信息系统中移除。商务部表示反对，认为相关做法损害中国企业权益，影响公平竞争，干扰两国人工智能领域的商业合作，要求美方撤销限制。中方同时提出通过人工智能对话机制增进互信、处理分歧，并表示将关注后续进展，对实质损害中方利益的行为采取必要措施。本次限制的适用对象是美国联邦民事行政机构的采购与信息系统，并非面向美国所有个人和企业的全面禁用令。原文链接：网页链接2、DeepSeek开源DeepInfer，开放生产推理框架核心来源：DeepSeekDeepSeek开源支撑其大规模生产服务的推理框架DeepInfer，当前版本提供离线推理，支持DeepSeek-V4.1-Flash，适配英伟达SM100 GPU与华为昇腾950。框架整合优化算子、专家并行与负载均衡、推测解码和异步调度，并支持将输出约束为JSON等结构化格式。在指定英伟达环境下，还能保持不同批次组合的推理结果一致，便于复现实验。代码采用Apache 2.0许可，提供构建、推理示例和评测脚本。完整在线服务所需的KV缓存系统、视觉编码与预填充及解码分离、跨副本负载均衡未包含在本次发布中，部署团队仍需自行补齐服务层。原文链接：网页链接3、Google开源TorchTPU，PyTorch原生接入TPU来源：Google CloudGoogle宣布开源与Meta的PyTorch团队共同开发的TorchTPU，让TPU成为PyTorch的原生计算设备。开发者可沿用熟悉的接口，以少量代码修改迁移训练和推理任务，先用即时执行模式调试，再通过编译优化提升运行效率。配套生态覆盖vLLM、SGLang、Ray、TorchTitan等训练与服务工具，Hugging Face的Transformers和Diffusers也加入原生支持，后者可用于扩散生成模型的多设备部署。此次开放同时涉及模型运行、分布式训练和推理服务，降低迁往TPU时的代码适配成本。用于辅助接入、诊断和性能调优的TPU智能体工具套件目前仍为早期预览。原文链接：网页链接4、Ele…

转发者评论

无明显转发评论

原文

DeepSeek，真的要什么都公开出来吗？简直到了那种什么都公开的程度啊....连推理框架都公开了...针对 SM100、Huawei Ascend 950所以并不是对所有GPU都最优，但有了这个，谁都能（只要有钱）搞个高效的DeepSeek主机啊....日本这边，さくらインターネット也有要托管DeepSeek v4.1 Flash的消息呢，说不定能用上吧？说不定国内的DeepSeek托管也会增加！？引用：🚀 Introducing DeepInfer, our in-house inference framework, now fully open source!Powering DeepSeek-V4.1-Flash at scale with high throughput and low latency. We’re sharing our production stack to help the community lower compute costs, reduce energy use, and make AI moreさくらインターネットの記事网页链接

转发者评论

无明显转发评论

原文

[CL]《Epi: Towards a Persistent, Self-Improving Agent for Autonomous Research》Y Huang, Z Xu, X Luo, Z Liu… [Bake AI] (2026) 在智能体领域，长周期科研是一个悬而未决的难题。过去的方法受困于线索频断，本质原因是单轮交互无法沉淀历史教训与建立可回溯的分支版本。本文的核心洞见是：把科学试错重新看作受固定标尺审计的分支网络。由此，隔离模型生成与持久验证库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120项确凿的算法与数学极值。它为后来者打开的新门是输出带严格凭证的科研工件，但尚未跨过的门槛是课题仍需人类指派。arxiv.org/abs/2610.24944 #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

• 当我们习惯性地向AI要更大、更快、更多算力时，Épi做的事情恰恰相反——它用记忆、分支和自我审查搭了个架子，让同样的模型用更少成本办更好的事。这不是单纯的工程技巧，而是捅破了一层窗户纸：智能不在于你能调用多少次模型，而在于你怎么组织这些调用。它打破120项数学纪录，靠的不是蛮力搜索，而是

原文

[CL]《TokenGate: Adapting LLMs for Fast and Memory-Efficient Prefill with Learned Token Pruning》L Patel, R Ranjan, I Stoica, M Zaharia… [Stanford University & UC Berkeley] (2026) 在长文本处理领域，预填充过载是一个悬而未决的难题。过去的方法受困于准度骤降，本质原因是网络被强迫无差别计算所有输入词元。本文的核心洞见是：把词元截断重新看作软性路由赋权。由此，将词元得分嵌入注意力权重以连通梯度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外挂式动态剪枝器。它为后来者打开的新门是以极低成本微调既有大模型，但尚未跨过的门槛是首层仍需全量计算且高度依赖特定任务数据。arxiv.org/abs/2610.26754 #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

• 人类阅读长文本时会跳读，模型却要逐字处理每个token。这项工作让模型学会了“跳读”——在第一层就判断哪些token重要，后续层只处理筛选后的内容，速度最高提升11倍且不损精度。关键在于解决了一个矛盾：筛选token需要Top-K操作，但该操作无法求导，模型无法学习。作者借用MoE的门控思路，不直接丢弃t

原文

deepseek，真的，我哭死，自己真的一点都不留吗？deepseek把他们内部的推理引擎开源了，就6小时前。开源了什么呢？Supported features:Optimized kernels, model and sampler runtimeParallelism: Attention DP / balanced CP, MoE EP + EPLBDSpark and confidence-scheduled verificationSWA bounded replayAsynchronous scheduling (zero-overhead batch scheduler)Batch-invariant inferenceDeterministic samplingStructured outputs这是一个大宝藏啊。目前支持的芯片有：NVIDIA SM100 GPU华为Ascend 950 NPU这意味着，国产芯片，直接可以在上面进行适配了。vLLM和SGlang这种开源推理引擎，可以直接在上面吸收营养，优化自己的引擎。就是说，自己部署一个deepseek，也可以做到接近deepseek官方的成本和速度了。这是真源神。项目地址：github.com/deepseek-ai/DeepInfer

转发者评论

无明显转发评论

原文

我说一下我在上一个版本 baocut 用 GPUI 踩的坑。GPUI 挺好的，性能好，跨平台，AI 友好，但也有坑：1. UI 复杂一点的话大概率你要 fork 一份改一下，有些功能原生支持不了，但也不是大问题2. Accessibility 支持不太好，要支持一些键盘操作会比较麻烦（也可能我用法不对）3. Rust 编译资源消耗很大每次编译，无论是 CPU 占用还是磁盘占用，都巨大，对于我这样用 Mac Mini M4 16G + 1T 硬盘的来说简直太痛苦了，不敢并行多开编译任务，磁盘空间永远不够用（后来我把编译结果默认放到移动硬盘缓解了一点）4. 编译时间很长，不支持热更新。这点很要命，这意味着你如果改一点 UI 代码，要重新编译，然后要等少则几分钟多则十几分钟，这时间无论对于 agent 还是对于人来说都是很大的时间成本，加上不能随便多任务，会拖慢你的开发速度5. agent 验证 UI 不算太友好codex、claude code 都可以借助 computer use 去验证 GPUI 的结果，但一个是慢，另一个相对成本也不低。---后来我之所以换回 Electron，就是因为 Electron App 对于 Agent 相对友好，编译快、热更新，UI 改动很快看到效果，然后 Electron App 还能跑到 agent 内置的浏览器中，agent 验证起来很快，都不需要用 computer use 去打开 electron app。至于网页渲染性能不够好的问题，我把原来一些需要复杂渲染的部分，都用 rust 编译成了 wasm，这样在浏览器运行也可以保证高性能。以前 rust 做的转录、tts 模块也都以 worker 进程的形式保留下来了，electron 需要用到的时候可以直接起 rust 编译出来的进程（Codex 也是类似），和这些进程通信，后台的性能也比纯 TypeScript + Node 要好不少。有兴趣的话可以看代码库：网页链接

转发者评论

无明显转发评论

原文

【字节火山引擎Seedance Managed Agent上线：短剧剧情混乱问题暴减54%】火山引擎最新上线Seedance Managed Agent（Seedance MA），这是一款基于Seedance、Seedream构建的视觉创作Agent，通过自研Harness与视觉模型联合调优，把模型、Skills与工具组织成完整创作链路。在短剧、图片和组图场景综合质量提升17%，其中短剧剧本与分镜未遵循问题减少约67%、剧情混乱问题减少约54%、图片编辑一致性问题减少50%、组图一致性问题减少60%，做到剧本不跑偏、参考不走样、组图不变形。电商商品详情图场景下可准确理解长页面画幅需求，输出符合详情页形态的纵向长图，而非固定生成9:16画幅，产品细节、多角度展示与核心卖点要素完整。

转发者评论

无明显转发评论

原文

DeepSeek V4.1-Flash 这两天在各个 Arena 排行榜上刷了一圈。先是 Arena.ai 的 Agent Arena，拿到开源模型第一，总榜第 11，成本只有 GPT-6.1 Sol 的 27%。然后是 Code Arena 的网页开发方向，也是开源第一，超过了 Kimi K3，成本只有 Kimi 的十分之一。现在 Design Arena 的网站设计榜单也出了成绩：开源模型第三，比上一版 V4-Flash-0731 往前跳了 16 个位置。排在它前面的只有月之暗面的 Kimi K3 和小米的 MiMo-V2.6-Pro，后面是智谱的 GLM-5.3 和蚂蚁的 Ling-3.1-flash。同一个模型版本，同时在 Agent、代码、设计三个方向上拿到开源前列，这个覆盖面挺少见的。以前大家对 Flash 级别模型的印象，基本就是速度快、便宜，能力上要打折扣。V4.1-Flash 这一轮表现多少在改变这个认知。代码和 Agent 方向已经拿到了开源第一，设计方向虽然排第三，但一个版本迭代就前进了 16 位，势头很猛。还有一个细节值得注意。设计赛道开源前三名，DeepSeek、月之暗面、小米，全是中国团队。网页设计这个方向上，中国的开源模型包揽了前三。#科技先锋官# AIGC·非著名程序员的微博视频

转发者评论

无明显转发评论

原文

[AI]《World of SWECraft: Agent Collaboration at Scale via Simulated Software Worlds》S Z Shen, Y Chang, Q Liang, B Newman… [MIT & University of Maryland] (2026) 在多智能体领域，量化协作效能是一个悬而未决的难题。过去的方法受困于单点预设任务，本质原因是脱离了真实软件的网状依赖结构。本文的核心洞见是：把协作重新看作对开源依赖链的共同维护。由此，测量上游修改对隐藏下游库的执行加速比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代码级协作仿真沙盒。它为后来者打开的新门是证实明确分工的价值，但尚未跨过的门槛是模型仍会过早放弃探索且难管共享资源。arxiv.org/abs/2610.24061 #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

• 这项研究做了件实在的事：让AI智能体去维护代码包，然后看下游依赖跑得快不快。结果发现最强的模型有时会自己停下来，觉得没活干了——能力强不代表会主动找问题。多个智能体一起干活，如果不说清楚分工，就会重复造轮子，效率反而下降。更麻烦的是，智能体判断工作有没有价值，只看眼前的局部指标，看

原文

分享Github10个用着顺手的仓库：1. VoiceStudio：克隆声音、视频配音、转录646种语言，全程本地运行 github.com/debpalash/VoiceStudio2. ppt-master：丢PDF或Word进去，返回可编辑、带动画的PowerPoint github.com/hugohe3/ppt-master3. gods-eye-view：浏览器里的卫星模拟器，3D地球上叠加真实飞机、船只和摄像头 github.com/bilawalsidhu/gods-eye-view4. REA：让AI看另一个App的某个功能，就能讲清楚它怎么做的，不需要源码 github.com/morluto/rea5. diagram-design：用文字描述图表，按你的品牌风格画出来，支持44种类型 github.com/cathrynlavery/diagram-design6. paperclip：像管理员工一样指挥一群自主智能体为你干活 github.com/paperclipai/paperclip7. skills：一个工程师每天在用的Claude Code技能，小巧、容易改 github.com/mattpocock/skills8. ECC：把技能、记忆和安全打包在一起，支持Claude Code、Codex、Cursor和OpenCode github.com/affaan-m/ECC9. andrej-karpathy-skills：一个文件、4条规则，来自Karpathy说的模型写代码常犯的错 github.com/multica-ai/andrej-karpathy-skills10. claude-mem：存下智能体做过的事，总结好传给下一次会话，不用从零开始 github.com/thedotmack/claude-mem

转发者评论

无明显转发评论

原文

[LG]《Uniform convergence at optimal rate and scale》N Alon, S Hanneke, S Moran, T Waknine [Princeton University & Purdue University & Technion–Israel Institute of Technology] (2026) 在机器学习领域，实值函数兼顾最优样本与极限误差是一个悬而未决的难题。过去的方法受困于误差或样本膨胀，本质原因是分层独立选点会累加几何间隙。本文的核心洞见是：把多级网格重新看作带容错的几何交集。由此，强制高精度点向粗网格靠拢的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抹平实值与二元函数的样本界代差。它为后来者打开的新门是用容错几何控制逼近，但尚未跨过的门槛是界内残存的对数冗余。arxiv.org/abs/2610.24336 #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

• 这篇论文填补了一个存在几十年的理论空白：连续值函数能否像二值函数一样，用同样少的样本达到同样好的精度。答案是肯定的，但实现路径反直觉——允许边界模糊一点，覆盖粗糙一点，反而能突破维度的束缚。这揭示了一个普遍规律：完美对齐往往比完美逼近代价更高。当我们在高维空间或复杂模型中追求收敛

原文

承诺已久的 Claude Opus 5.5 做资讯类视频教程终于来了，提示词、流程、skill 全公开你甚至也可以使用 DeepSeek 新出的模型来做，只是要花的精力稍微多一点简单来说，我的流程是这样的：1. 选题：需要综合考虑账号契合度以及有没有爆火潜力，由于我做的是 AI 资讯方向，主要信息来源是X、Hacker News2. 准备工作：在初始文件夹里放入 Agent 需要的内容和工具，例如，Gemini API（写脚本 + TTS 配音）、背景音乐（Suno）、背景图、片尾 logo、截图、下载视频等，这些主要是为了固定视频风格以及给 agent 提供辅助3. 写初始提示词：我有一个初始提示词模版，包括信息源、脚本要求、风格、素材的要求等等4. 交给 Agent 先让它出脚本：我一般会让 Gemini 4 写脚本，然后让 Claude Code 分派一个子 agent 做对抗式审查。5. 反复修改：AI 写的脚本你不满意，可以随时修改，直到改到满意为止，再让它出视频；出来的视频不满意，也需要不断修改，画面一般常见的问题就是信息密度太高，不适合短视频节奏；还有就是画面和配音契合度问题。视频风格来自我开源的风格 skill（18 套风格可选）：github.com/threeaus/creator-style-kit i陆三金的微博视频

转发者评论

无明显转发评论

原文

这个不错，一键把微信里面的聊天记录转发给Agent跟Obsidian，比那种直接破解本地微信通话记录加密的软件要安全多了。🥹微信流，从微信转发菜单把聊天记录送给 AI 或收进 Obsidian在 macOS 微信里勾选几条记录点合并转发，系统的分享菜单里就会多出一排入口，直接能把整段归档甩给 Claude 或豆包，自动唤醒窗口并带上预设的场景提示词贴进去，遇上群里的公众号文章也能附带提取技能让模型先抓正文再做摘要；或者直接送进 Obsidian，按聊天名建好 Markdown 笔记并排好附件。内容只来自自己亲手选中转发出的文件包，不读数据库也不修改微信进程，分享扩展在沙盒里没有网络权限，正适合那些想把刚聊完的对话顺手递给 AI 继续处理、或者习惯按聊天名把记录整整齐齐沉淀进笔记库的人。🔗 链接：网页链接🌐 官网： 网页链接微信单次多选依然受限于自带的 100 条上限，记录太长时得先分批选进「分批收集到微信流」，收齐之后再一次送出。

转发者评论

无明显转发评论

原文

# 让模型真正拥有记忆：MemT 1.0 最近看到一个很有意思的记忆项目，叫 MemT 1.0，是记忆张量团队做的。看完他们的技术报告之后，我觉得这个思路值得好好聊一聊。## 一、现在的模型记忆，全靠外挂我们平时说的“模型有记忆了”，仔细想想，都是在往上下文窗口里塞文本。你写的提示词是文本，上传的文件是文本，Agent 搜回来的知识库片段还是文本。最后都塞进一个窗口里，这次对话用完就没了。下次开一个新会话，所有东西又得重新加载一遍。这种做法很自然，但用久了会碰到几个问题。先说第一个，记什么东西是预先设好的规则决定的。符合规则的内容，模型会存下来；不符合的，就直接滑过去了。有些可能很重要的信息，因为没触发规则，模型根本不知道它存在过。然后第二个，越用越贵。记忆攒得越多，上下文就越长，每次对话的成本就越高。想把 AI 用在长期场景里的人，这个成本是实打实的。第三个，记忆没法真正沉淀。无论你是第一次用还是第一百次用，体感上都像是模型在回答你之前翻了一下工作手册。它只是在参阅文件，没有真正记住什么。这跟人的记忆完全不一样。我们学过的东西，用过的经验，会变成直觉的一部分，想都不用想就能调用。但模型做不到，它每次都得重新翻笔记。## 二、把记忆写进参数里MemT 1.0 试了一条不同的路：让记忆长在模型里面。具体做法是在 Transformer 的一部分层里，加了一个记忆块，跟原来的注意力机制并排跑，两边的输出加在一起。这个过程中，模型本身的权重不动。记忆块分两部分。一部分叫本地记忆，就是记忆本身，一块矩阵，随着对话不断更新。另一部分叫超记忆，负责决定怎么写、怎么读，这部分参数上线之后就固定了。36B 的模型，记忆状态只占 10M。288B 的模型，占 336M。都是固定大小。也有人之前试过类似的想法，比如 Temp-LoRA，拿对话历史现场训一个小的适配层。但太慢了，128K token 的历史从准备到答完要 700 多秒，直接带全文只要 30 秒。这条路走不通。## 三、记忆的读和写记忆是怎么写进去的呢？每轮对话结束的时候，模型会把这一轮所有的输入和输出逐个 token 过一遍，然后决定三件事：新内容存在哪个位置，那个位置上原来的东西擦掉多少，新内容写进去多少。举个例子。用户先说展览定在周六，后来又说改到周日。模型读到“周日”的时候，就会把之前存的“周六”擦掉。同时，整块记忆也会统一淡掉一点，越早写进去的，淡得越多。这里有个小技巧。如果几万个 token 连着改，记忆里的数值容易越滚越大，最后把整个系统搞崩。所以他们做了一个限制：擦除的时候只会把数值往小了调，不会放大。这样无论聊多久，记忆大小始终固定。写完之后，这一轮的原文就不用往下带了。读取的时候也很简单。模型在回答问题时读一下记忆，混合自己原有的权重去推理。读一次的开销是固定的，用了一年和用了一天，速度没有区…

转发者评论

无明显转发评论

原文

Andrej Karpathy 在 OpenAI 内部度过了 7 年，亲眼见证 GPT 从 1.17 亿参数发展到 1000 亿参数。2024 年，他说：“Transformer 架构是过去 50 年计算领域最重要的创新。”不是加密货币。不是区块链。不是云计算。是 Transformer。Sam Altman 为这一赌注投入了 1000 亿美元。谷歌围绕它重组了整个公司。Meta 开源了它以保持竞争力。每个人都在使用大语言模型（LLMs）。几乎没人真正理解它们。这个差距就是金钱所在。LLM 不是工具。它是基础设施。而在 2025 年——不知道它如何运作，就如同 1920 年不知道电如何运作一样。以下是内部真正发生的事情：你的文本不会以单词形式进入模型。它被拆分成令牌（tokens）——像 101、4287、318 这样的数字 ID，然后映射到 768 维的嵌入向量（embedding vectors）中。模型从不阅读语言。它阅读几何形状。每个词都变成高维空间中的一个点，含义就是这些点之间的距离。然后是注意力机制。Q、K、V 矩阵。公式：Attention(Q,K,V) = softmax(QK^T/√d_k)·V。每个令牌都会对其他每个令牌投票。“bank”靠近“river”时投票不同，与靠近“money”时不同。模型学习上下文，而不是定义。Vaswani 2017 年的论文称之为“Attention Is All You Need”——他们是对的。缩放定律改变了这一切。Kaplan 和 OpenAI 在 2020 年证明：参数翻倍，性能就会沿着可预测的曲线提升。L(N) = AN^-α + B，其中 α ≈ 0.076。这不是直觉。这是物理定律。Anthropic、Google 和 Meta 都围绕这个单一方程构建了他们的路线图。然后，意想不到的事情发生了。在某个规模下，模型开始做没人编程的事情。上下文学习（in-context learning）。思维链推理（chain-of-thought reasoning）。工具使用（tool use）。这些不是功能。它们是涌现的（emergent）。GPT-6 Astra：约 1000 亿参数。100 万上下文窗口。MMLU 分数 92.1。在 57 个领域超越人类。现在真正赚钱的人不是那些提示（prompt）得更好的人。而是那些理解架构的人——并在差距关闭前在其上构建的人。收藏并立即观看。了解基础设施，否则就会被挤出市场。 张岱樾的微博视频

转发者评论

无明显转发评论

原文

在房价连跌这么多年以后，房价收入比其实比以前低不少了。现在一些省会城市100万就能买到不错的房子了，还有不少地方有50万、30万甚至10万一套的房子。如果真要比生活成本，现在的中国应该是近20多年来成活成本最低的时候。人均100多就能吃米其林星级大餐。大部分人都能买得起小汽车，包括宝马奔驰都比以前便宜了很多很多。衣服鞋子更是白菜价了，猪肉价格甚至比20年前都便宜。除了ai相关的电子产品也都很便宜。但问题就出在ai上。Ai对年轻人的打击是致命的。它打击的是对未来的预期。1，Ai，打击的是对未来的预期，是对“我学会新技能，就能有所建树”的巨大打击。过去，我们可能实习工资也很低，房租也很贵，生活也很艰苦。但我们知道，如果在工作里积累到经验，学到了关键技能，做上关键岗位，我们的生活能改善。但自从ai狂飙猛进，这种预期消失了，变成“再过不久我就要被裁了，因为ai把我给替代了”。2，Ai可以替代绝大部分初级岗位，以前五个人做的事情现在一个人用ai就能做了。但年轻人不从初级岗位干起来，就没法积累经验。也就是所谓的“初级岗位也要求3年经验”。事实上，ai已经带来了大量的裁员。3，Ai成长得比人类快很多。人类学习需要很长时间，而ai一直以火箭速度在成长。如果一直在用前沿ai，很容易产生极其强烈的无力感。“我学什么才能比得过祂？”“以后还需要我吗？”Ai冲击应该是未来人类最关键也许是唯一关键的事情。如果ai成功，那大部分人类都完了，因为被替代了。如果ai失败，那人类经济也完了，因为现在对ai的投资远超历史任何投资周期。

转发者评论

无明显转发评论

原文

看到论文Memory Caching: RNNs with Growing Memory，我只想说终于有人这么干了！自回归生成在计算图层面都呈现循环展开，从这个视角看，计算过程Transformer和RNN都是循环的，只是在状态保存上做了更复杂的结构；真正的分野不在于“是否循环”，而在于循环状态的性质，以及记忆以什么粒度被写入和读取。从这个视角看，任何自回归序列模型都可以沿三个维度配置记忆：- 状态表示（固定压缩 / 增长键值 / 分段检查点）、- 计算深度（参数共享的循环复用）、- 外部持久化（跨会话文件系统）。这三个维度上的“压缩率—寻址精度—预算”配置，比“Transformer vs RNN”的标签更能解释架构演化。DeepSeek V4/V4.1 在状态表示维度上提供了目前最清晰的可验证配置。V4 的 CSA（4× 压缩 + Top-K 稀疏寻址）与 HCA（128× 压缩 + 压缩池稠密注意力）交替，把“低压缩高精度寻址”和“高压缩低精度全量读取”放在同一个模型的不同层中，而不是让每一层默认执行全量全局注意力。V4.1 的 CSA2 进一步把这种配置显式化：每层静态分配为 Full、Reindex 或 Reuse，共享主 KV 与索引键，使大多数层不再独立执行完整的索引构建；全局 KV 缓存降至 890 字节/token，约为上一代的四分之一。这组工程事实支撑一个克制的论断：压缩率、寻址精度和跨层复用可以成为架构的显式设计变量，全局注意力的“每层默认全量”不是唯一组织方式。Claude Opus 5 展示了另一个维度上的配置：1M token 上下文窗口仍然是模型内部的增长 KV 表示，而 Memory Files 是模型外部的持久文件系统，选择性读取与当前会话相关的文件。两者并行存在，解决的是不同的预算约束：前者是单次前向传播中对增长记忆的注意力访问，后者是跨会话的状态持久性。它们说明“外部持久化”是独立于“状态表示”的一条轴，而不是对增长 KV 的替代。GPT-6 Astra 的“循环深度”据报道属于计算深度维度：同一组参数被反复应用，深度与参数量解耦。OpenAI 的发布页未披露架构细节，Astra 是否采用、以何种粒度采用仍属推断。但这个方向本身已有独立的学术验证：2026 年的循环深度工作在算力匹配条件下首次在窄配置中胜过普通 MoE Transformer。因此更准确的分级是：循环深度作为一个可验证的架构方向已经成立；具体产品是否采用是另一层证据问题，不应因为后者的未确认而否定前者的存在性。Memory Caching 的位置应当放在这个三维图景中理解。它在固定状态 RNN 的骨架上缓存隐状态检查点，使有效记忆容量随序列长度扩展，在固定内存 RNN 和 O(L) Transformer 之间提供插值。在 in-context rec…

转发者评论

无明显转发评论

原文

这个就是为什么AI短剧绝大部分都没有大结局的原因。因为亏本了。制作方就停了。就算是其他平台做短剧，投流的💰比收入还高，最后还是个亏。红果AI短剧的能回本比例只有1.3%。爱优腾就算做短剧基本也是个亏啊。 酸言醋语的微博视频

转发者评论

//@别梦依稀笑逝川:我根本不信这玩意能挣钱，大部分都是要亏本的。当然，按字节的揍性，一定会逮着几个头部流量猛灌，搞几个造富神话，然后各大平台投流，吸引韭菜。但是，人的注意力有限，注意力产生的经济效应有限，垃圾内容通货膨胀，最终也就只有几个能挣钱，大部分韭菜给字节交流量税。注意力经济

• //@JIMMYs动画剧场://@我是二姐夫:生成一堆垃圾->全民奶头乐…吼吼//@莫非是托的微博:实际上字节也没赚到钱，因为视频生成比文本模型贵太多了。而且用户越多、生成量越大，带宽、服务器、推理算力成本越高。可参考的是，可灵预计2026年全年亏损50亿—60亿元，而字节的规模大多了。所以应该重新审视这种
• //@别梦依稀笑逝川:我根本不信这玩意能挣钱，大部分都是要亏本的。当然，按字节的揍性，一定会逮着几个头部流量猛灌，搞几个造富神话，然后各大平台投流，吸引韭菜。但是，人的注意力有限，注意力产生的经济效应有限，垃圾内容通货膨胀，最终也就只有几个能挣钱，大部分韭菜给字节交流量税。注意力经济

原文

【Claude总结】 AI开发者日报 (2026-10-20)1. 【DeepSeek 开源推理框架 DeepInfer】(来源: HN) DeepSeek 发布专为自家模型优化的高性能推理框架 DeepInfer。HN 今日超 2100 分、800+ 评论，自部署 DeepSeek 的团队值得关注。 github.com/deepseek-ai/DeepInfer2. 【Mistral 发布 Voxtral 3 语音模型】(来源: HN) Mistral 推出新一代语音理解模型 Voxtral 3。开源语音模型赛道再添强有力的选手。 mistral.ai/news/voxtral-3/3. 【Google 开源 TorchTPU：PyTorch 原生 TPU 后端】(来源: HN) Google 开源 TorchTPU，让 PyTorch 可以原生跑在 TPU 上。这降低了 PyTorch 用户迁移到 TPU 的门槛，削弱 CUDA 生态的锁定效应。 github.com/google-pytorch/torch_tpu4. 【SlopCodeBench 10月榜：Opus 5.5 与 Astra 领先】(来源: HN) HumanLayer 用 SlopCodeBench 评测最新编程模型，Opus 5.5 和 Astra 综合领先，并发现 xhigh 推理档位反而有害。说明推理开得越高效果不一定越好，要实测。 github.com/humanlayer/advanced-context-engineering-for-coding-agents/blob/main/benchmarking-new-models-on-slop-code-bench.md5. 【揭秘 Meta 吉瓦级 GB200/GB300 超算集群 Prometheus】(来源: HN) Meta 工程博客详解其基于 GB200/GB300 的 Prometheus 超级集群设计。这是了解超大规模 AI 训练基础设施的一手资料。 engineering.fb.com/2026/10/19/data-center-engineering/inside-prometheus-meta-gigawatt-scale-supercluster/6. 【深度学习考试教会我的 10 个提示词技巧】(来源: dev.to) 作者从深度学习课程中总结出 10 个日常实用的 prompting 技巧。理论和实战结合，适合想系统提升提示词水平的开发者。 dev.to/dj29/10-prompting-techniques-my-deep-learning-exam-taught-me-that-i-actually-use-now-43h07. 【用 Tinker 微调 Qwen3-8B：准确率 5…

转发者评论

无明显转发评论

原文

#模型时代# AI之力，ASML EUV光刻机产能涨了50%，但还是不够用最近研究了一下ASML上周发布的第三季度财报并举行电话会议（CEO Christophe Fouquet和CFO Roger Dassen出席）。感觉信息量蛮大的。因为ASML的业务反映了芯片公司对AI未来几年的投入判断，所以做个梳理。众所周知，ASML是全球唯一EUV（极紫外光刻机）制造商，但是之前我看过一期Fouquet的播客，他说：EUV是一个伟大的故事，可很多人都把它看作“天上掉馅饼”（运气好的意思）。但ASML其实花了20年来开发这个技术，可在前15年，甚至前18年，几乎都在是不断的试错中（摸索前进）。嗯，有的时候，外界只能看到秋天的收获，但是没有注意到之前春天的播种。或者说，耕耘和收获从来不在同一个季节。我们听光刻机这个词蛮多，但是不一定有人见过画面，后边六张图是官方图，可以感受一下这些精密仪器的样子。一、缺口：设备需求已看到2030年1、EUV产量今年接近翻倍2026年，ASML预计出货约65台低NA（低数值孔径）EUV系统，也就是目前量产主力的NXE系列，比2025年的44台增长近50%。但Fouquet表示，即便按照2027年增长30%、2028年进一步的扩产计划推进，现有规划“仍然无法完全满足客户需求”。ASML也正在研究能否将2028年的产能增幅提高到30%以上。部分客户已经希望提交2029年甚至2030年的设备订单。不过ASML尚未接受这些远期订单，因为公司需要先评估届时的整体需求和供应能力，避免过早锁定产能，影响其他长期客户的设备安排。2、三条路径扩产能ASML从三个方向突破产能瓶颈：一是优化现有厂房布局，释放EUV和DUV的组装空间。二是压缩生产周期：随着NXE：3800E成熟度提高，部分原先必须的验证步骤在yukehuu达成一致后可以适当简化，进一步缩短周期。三是为非关键零部件引入更多供应商。二、技术路线图4、High-NA EUV量产倒计时High-NA EUV是下一代极紫外光刻系统，通过提高镜头的数值孔径来实现更精细的芯片图案。随着AI推动芯片制程向2纳米以下演进，这项技术正在加速走向量产。英特尔已使用High-NA系统曝光超过100万片晶圆，性能达到或超过低NA EUV对应层级。三星计划2028年将High-NA引入大规模量产。现有设备的可用性已接近90%。5、新产品：更快的光刻机ASML计划2027年初小批量交付下一代低NA EUV系统NXE：3800F，产能从230片/小时提升到260片/小时。深紫外浸没式系统也将全线升级至330片/小时。这既是对客户的产能增量，也是设备单位价值的提升。三、DRAM成为EUV增长的新引擎6、存储增速是逻辑的7.5倍2026年全年，ASML预计逻辑净系统销售增长约10%，存储净系统销售增长约75%，几乎是逻辑增速…

转发者评论

无明显转发评论

原文

【轻量高拟真语音合成新选择：蚂蚁开源Ming-3.0-tts-0.5B】该模型基于Qwen2.5-0.5B底座与DiT架构，以仅0.5B参数量实现了44.1kHz高采样率输出。它不仅支持短音频零样本克隆与自然语言“捏音”，还能细致调节情绪、语速、音高及音量；模型内置笑声、叹气、咳嗽等14种副语言控制标签，让生成语音的情感细节格外生动。同时支持中、英、德、西、法、韩、日7种语言以及川粤方言，兼顾推理灵活性与端侧部署友好性，遵循MIT协议开源，非常适合有声读物、角色配音及智能助手等交互场景。Ming-3.0-tts-0.5B:网页链接网页链接Ming-3.0-tts-tiny:网页链接网页链接Ming-3.0-audio-flash:网页链接网页链接Ming-3.0-audio-tiny:网页链接网页链接Ming-3.0-asr-tiny:网页链接网页链接

转发者评论

无明显转发评论

原文

【做AI短剧和漫剧，这份开源技能库能省不少摸索时间】近期看到一个很实用的短剧技能包精选仓库，人工核对收录了80多套开箱即用的Agent Skill。内容贴着实际制作链路整理，从网文IP评估、分集大纲与付费卡点设计，到分镜脚本拆解及去AI味审稿，再到适配Seedance、MiniMax、可灵等主流模型的提示词生成都有涵盖。大部分采用标准SKILL.md格式，千问、豆包、龙虾OpenClaw、Claude Code等智能体都能直接挂载调用。仓库还针对剧本与选题做过多轮盲测对比，给出了不同阶段的避坑建议与搭配组合，很适合用来搭建自动化流水线。项目地址：github.com /UnderleveledBuilder/awesome-short-drama-skills

转发者评论

无明显转发评论

原文

DeepSeek 又开源了，但这次开源的东西跟以前不一样。以前开源的是模型本身，你拿到权重，能跑起来就算成功。但跑起来和跑得好是两回事。一个模型训完之后，怎么让它在几百块 GPU 上同时服务海量用户，怎么把延迟压下来，怎么把吞吐量拉上去，怎么让一块钱的算力干出两块钱的活，这些事情全靠中间那层推理框架。这次 DeepSeek 开源的就是他们内部用的推理框架，叫 DeepInfer。V4.1 Flash 的大规模推理服务就是用这套东西跑的。简单说一下它能干什么。先说第一个，它集成了一套高性能算子和深度优化的推理引擎，支持分布式推理和推测解码。然后第二个，它兼容英伟达和华为昇腾两个平台，国内外的卡都能跑。第三个，他们同时开源了一个叫 deepseek-recipe 的编解码组件，跟 DeepSeek 官方 API 的处理逻辑完全对齐，社区自己部署出来的效果和官方一样。这件事的意义在哪呢？之前社区拿到 DeepSeek 的模型权重，想自己部署服务，推理层面得从头摸索。怎么调度、怎么切分、怎么加速，每个团队都在重复造轮子。现在 DeepSeek 直接把自己跑通的方案公开了，大家可以在这个基础上改，省掉大量工程投入。而且他们说了，以后新模型的推理代码也会在这个仓库里持续更新。社区拿到的不只是一个快照，是一条持续同步的线。对想私有化部署大模型的企业来说，这个开源可能比模型本身的开源更实用。模型是能力，推理框架是把能力变成服务的最后一步。DeepInfer: github.com/deepseek-ai/DeepInferdeepseek-recipe: github.com/deepseek-ai/deepseek-recipe#DeepSeek开源内部推理框架#

转发者评论

无明显转发评论

原文

网红已死，匠人时代来了。国外超级个体，油管百万粉丝大 V Dan Koe，发了最新的一篇长推文，叫：《网红已死，体验时代来了》。不知道为什么， 我看完 Dan Koe 写的每一篇文章，都感觉很有道理，有一种魔力，既像鸡汤，又感觉很实用。就是这种感觉。 Dan Koe 开头就说：现在越来越多四十多岁的普通妈妈，没有技术背景，靠一个简单的数字产品，比如一个 30 天挑战计划，就能做到百万美元的发布。她们建一个等候名单，围绕话题发一些内容，然后面向等候名单和 Instagram 粉丝开卖，人们还真买账。原因很简单，没人能跟一个拥有百万粉丝、过着遥不可及的奢华生活的人产生共鸣，大家更愿意跟着一个和自己差不多的人学东西。然后他把社交媒体上的创作者分成了三种。先说第一种，网红，靠注意力吃饭，内容追求的是被消费然后被忘掉，本质上在批量生产廉价多巴胺。然后第二种，个人品牌，每条内容都是通往课程或者模板的漏斗，至少有产品、有教育价值，但所有动作都围着转化率转。第三种他叫“匠人”，用社交媒体来养活一个能比自己活得更久的作品体系。James Clear 写了《掌控习惯》，Jordan Peterson 有他的演讲和研究，马可·奥勒留到今天都还有“个人品牌”。匠人也需要关注度，但关注度是做好作品之后自然跟过来的。 Dan Koe 还说：AI 十秒钟能写出 1500 个漂亮的字，那什么东西是 AI 写不出来的？你的观点。你独特的人生经历塑造出来的那套看世界的方式，这个东西没法复制。十个人可以聊同一个话题，但只有一个人能换一种角度把它说出来，让人觉得“对，就是这个意思”。人们追的是这个角度，跟信息本身没关系。他还提了一个很实用的习惯：给自己建一个素材博物馆。把平时看到的好想法随手记下来，分成两类，一类是已经验证过的，就是别人发了之后爆了的；另一类是你自己特别喜欢的。当你把这两类从自己的视角融在一起，就有了一条好内容。最后，直接点出了核心观点：网红为注意力优化，个人品牌为转化率优化，匠人一次只做一个想法、一个项目，然后让社交媒体来为它买单。#副业赚钱##自由职业#

转发者评论

无明显转发评论

原文

最近一两周我都在忙着把我的几家公司的行政、税务、财务、法务等很多琐碎工作全交给我的 AI agent 自动管理了。我的手机短信、语音留言和电子邮箱也都交给 AI agent 了。还有各个银行、券商等金融账号和加密货币钱包也都交给它了。当然，涉及往外转钱的操作还是需要我在最后一步确认就是了。后面终于可以全面解放了。后面打算再把 AI 语音模型接入我的 AI agent，届时就可以像 Meta Muse 那样帮我自动打各种电话了。还是不太相信 Meta 这样的公司，同时自己搭建的 AI agent 也更灵活、更安全。

转发者评论

无明显转发评论

• 当然，这里追求的并不是 OPC，我还是有自己的人类行政、财务、CPA、律师帮我最后把关和背锅 [嘻嘻] 只是我自己作为 CEO 的管理和协调成本可以大大降低。

原文

#今天要来点数学吗？# 午夜#学术新闻#数论 之前OpenAI发布的700余篇论文里，最先被整理和消化完的是 准#黎曼猜想# 和西格尔零点那一篇。实际上，在发布当天，数论学家就迅速有人组织了在线研讨会。菲尔兹奖得主梅纳德说，来自AI企业的论文或许是魔鬼的礼物，但这个礼物真的太棒了~~——————插播一下，一批很有声望的概率论期刊暂停接收投稿，至少暂停到下个月。原因是它们需要时间修改投稿政策。过去几个月它们已经承受了很大压力，而现在情况已经“完全失控”了。包括：Bernoulli（Bernoulli）Electronic Journal of Probability（EJP）Electronic Communications in Probability（ECP）Stochastic Processes and their Applications（SPA）Annales de l'IHP Probabilités et StatistiquesESAIM: Probability and Statistics这些都属于概率论领域比较有影响力的专业期刊。如图一，Bernoulli投稿系统显示，这次临时暂停将持续到11月8日。——————现在回到准黎曼猜想，网页链接报道说，准黎曼猜想所带来的影响是“令人震惊的”——但并未具体说明。那么，这些影响究竟是什么呢？ 首先，请记住，小于 n 的素数个数大致为 n / ln(n)。黎曼猜想使我们能够对此给出更精确的估计。准黎曼猜想同样如此，尽管其精度稍逊一筹。对于所有这些讨论，与其使用 n/ln(n)，不如采用对小于 n 的素数个数的更精确估计：一个名为 li(n) 的函数，它是 1/ln(x) 从 0 到 n 的积分。 这与 n/ln(n) 之间的差异，远大于我接下来要讨论的误差。在最近的研究之前，我们已知如下结论：若 π(𝑛) 表示小于 n 的素数个数，则|π(n) - li(n)| ≤ n / (lnn)¹⁰⁰⁰ （当 n 足够大时）。事实上，我们可以将 1000 替换为任何其他大数。 黎曼猜想等价于以下结论：若 π(𝑛) 表示小于 n 的素数个数，则 |π(n) - li(n)| ≤ Cnᵖ 对任意 p>1/2，且C是一个取决于 p 的常数。我们知道p无法降至 1/2。因此，粗略地说，黎曼猜想将误差界从“远小于n，但仍大于 n 的任何较小幂”缩小到了“仅比 √n 大一点点”。 准黎曼猜想也起到了同样的作用，只是将 √n 替换为 n的某个更高次幂。OpenAI 给出了一个冗长而复杂的证明，表明|π(n) - li(n)| ≤ Cnᵖ ，p>7/8此外，它还给出了一个更简短、更清晰的证明，表明 |π(n) - li(n)| ≤ Cnᵖ ，p>11/12。 虽然尚未有人验证第一个证明，但许多数论学家正在验证第二个证…

转发者评论

无明显转发评论

原文

#微博声浪计划# #听见微博# 今天我们的嘉宾是科沃斯CEO钱程（David）。他出生于1990年，曾是中国最年轻A股上市公司CEO，也是一名企二代、创二代。我很好奇的是，当一代中国企业开始从创业进入传承，真正在经历这个过程的当事人，他所面临的现实与所思所想？钱程有一种不符合自己年龄的云淡风轻，非常在意经营。他最喜爱的食物是燕麦碗；朋友圈头像是自己家的狗， 特意把狗眼睛颜色换成会发光的红色，是为了提醒自己要更具有狼性。从我们的谈话中，你能看到创二代和创一代不同的性格底色。随着一代中国企业开始面临接班，科沃斯也许能提供一个企业传承的样本。接下来，就是我对钱程的访谈。OUTLINE:00:02:11 云淡风轻的企二代 00:11:37 我靠，那个失落感还是挺大的00:18:28 德国，6个月拿到30%市场份额 00:31:22 当上CEO的一刻：成功之巅，即愚昧之巅 00:43:20 欲望与克制 00:58:18 我们像农耕，不像是游牧 01:14:45 今天AI还没到抢肉的状态 01:35:04 父与子的传承与接班 01:50:04 我内心的追寻LINKS：如果你想服用文字版，请搜索我们工作室的公众号：语言即世界language is world。DISCLAIMER: 本内容不作为投资建议。CONTACT: xiaojunzhang@lisw.aiJump into the new world-and explore with us!😉 张小珺Benita的微博音频

转发者评论

无明显转发评论

原文

Tw93分享了自己用 Mac 来开发Windows软件的经验，这篇会介绍各种桌面、移动端开发技术的选择以及对应选择的思考。---------------------Tw93：发现不少小伙伴很好奇我是怎么用 Mac 来开发Windows软件的，以及Windows软件现在一般用什么技术栈来实现，刚好有空，来和大伙随便聊聊关于多客户端下技术选择的思考以及我的一些想法。以下是第一篇，给大伙介绍介绍各种桌面、移动端开发技术的选择以及对应选择的思考。做过前端客户端的小伙伴应该都知道，这些年端的开发一般是这三条路。第一种最简单方便的是，直接写 Web 代码，塞到浏览器就能跑，包括早年的 PhoneGap、Cordova 就是把网页塞进一个原生壳里，然后提供一些bridge的能力让js可以调用到一些原生的能力，比如唤起手机摄像头这类的 Web 不好做的事情。第二种是跨端开发，也就是好多年前大家经常听到的一码多端，当时移动端有 React Native、Weex 这一类技术，当时主要是为了解决 Web 性能差的问题，一份代码同时打包出 iOS 和 Android，这里国内大厂使用跨端技术还有一个非常大的原因就是动态化和热更新，讲的土一点就是可以绕过商店审核直接下发新页面，这也是国内跨端在当时移动互联网高速发展时特别流行的重要原因。桌面端大家熟悉的就是 Electron，大家熟知的现在不少AI桌面端、VS Code、Slack 是用这个做的，代价是相当于每个应用都自带一份 Chromium 和 Node.js，安装包一百多 MB，内存也占得多。但好处是在 Chromium 渲染引擎的统一下能够很好的保持多端的展示一致性，加上里面写的代码非常好写，后续不少桌面的速成就会用这个技术。跨端后面也慢慢延伸出更多有趣的解决方案，类似Flutter 自己实现一套渲染引擎，早期靠 Skia，现在换成了自研的 Impeller 渲染引擎来保障多端一致和性能效率的均衡，包括桌面端上老牌的 Qt，和 Flutter 一样自己画界面。这两年桌面跨端也出现了用 Rust 写的 Tauri、Go 写的 Wails，他们和 Electron 不一样的地方就是，他没有塞一个Chromium进去，而是使用的系统自带的 WebView，包会小非常多，但是整体还是基于 Web 这一套研发思路和对应实现语言去进行桥接交互，但是由于系统 Webview 每个平台不一样，Windows 上是 WebView2，Mac 上是 WKWebView，Linux 上是 WebKitGTK，所以多端显示的一致性反而不如 Electron，还是要写兼容代码。所以这种情况下，即使 Electron 很大内存占用也不低，还是会被选择更多。第三种是原生开发，也是没有 AI之前，大家觉得开发难度很大的一种方式，特别是之前的苹果系使用的…

转发者评论

无明显转发评论

原文

「国家数据集团成立：数据要素国家队正式入场」国务院国资委直管的新央企国家数据集团于10月20日在雄安新区正式揭牌成立。简评：数据终于有了“国家队”。过去二十年，互联网公司积攒了海量数据，但各自为政，数据孤岛林立。AI训练、产业升级、公共服务都需要数据，这些需求都卡在数据流通这一关。成立专门央企，本质是用国家信用为数据流通背书，解决“不愿用、不敢用、不会用”的问题。雄安选址不是偶然，新区没有历史包袱，适合从零搭建数据基础设施。但关键在于能否打破部门壁垒，让数据真正流动起来。技术和资金都不是难题，难在协调各方利益。如果只是多了一个数据中心，意义有限；只有让医疗、交通、金融等领域的数据为AI所用，才算走通了这条路。 #国家数据集团成立#

转发者评论

无明显转发评论

原文

有天深夜，你看着书桌前还在苦读的孩子，会不会突然心慌？一道数学题拍张照，AI几秒钟就给思路；一个作文题，它立刻生成完整文章。而孩子还在台灯下熬到十一点，就为了把知识点记牢、把题练熟。我们千辛万苦，难道是为了把孩子培养成一台算得更慢的机器？可现实又不敢松手。中考有升学压力，高考有激烈竞争，哪个家长敢拿孩子的前途冒险。这才是今天很多家庭真正的困境：知道未来需要的能力在变，却不知道现在该做什么。李希贵校长在《下一代学校》里给了一个判断：未来属于能够组织世界的人。AI能很快给出一份活动策划案，可场地出问题、预算不够、两个合作方意见不一、嘉宾临时来不了，这些还得靠人去沟通、协调、取舍，并对结果负责。会给出答案，和能把一件事做成，从来不是一回事。所以真正要培养的，是能发现值得解决的问题、并把事情推进下去的人。而只会等任务、执行任务的孩子，在标准化工作都交给AI之后，竞争力从哪里来？好消息是，当学校还在路上，家庭可以先出发。不需要高学历，不需要花大钱。把周六一顿晚饭交给孩子，一百块预算，爸爸胃不好、妈妈在控体重、妹妹不吃青椒，让他自己协调菜单、安排时间、接受全家评价。一顿饭里，数学、沟通、时间管理、问题解决全用上了。或者让他教会姥姥用手机挂号，任务不是替她操作一次，而是让她以后自己能做。这练的不是手机技能，是理解别人、教会别人、与人合作的能力。真实世界里最难处理的往往不是知识，而是人。真实的人有脾气、会拒绝，没有配合你的义务。不用用力过猛，一个学期聚焦一件主要任务就够。很多时候也不用额外挤时间，只需把原本就要发生的事交还给孩子。孩子缺的有时不是能力，而是一次被信任、被允许自己解决问题的机会。会解题，帮他面对眼前的考试。能做事，让他在没有标准答案的世界里不至于手足无措。#科技先锋官#

转发者评论

无明显转发评论

• AI让知识越来越容易获取，比掌握知识更进一步的能力，是知道什么时候需要什么知识、怎么判断信息可靠、怎么把知识用起来。

原文

#今天要来点人工智能吗?# AI下棋比人类强，不仅因为算得更深、更快，还因为它能长期维持复杂局面，而人类更倾向于尽快把局面简化。奥地利Complexity Science Hub (CSH)和意大利帕尔马大学的研究团队比较了：人类高手之间的棋局vs顶级AI之间的棋局结果发现：当棋盘上出现大量互相攻击、互相牵制的复杂关系时，人类往往较早通过兑子（互换棋子）来降低复杂度；而AI则更愿意让这种复杂关系持续存在。什么叫“紧张（tension）”？文中举了一个典型例子：我能吃你的棋子→你能吃回来 ↓我还有别的棋子能继续吃→整个局面连锁影响这种“能吃，但又不一定马上吃”的状态，在国际象棋中称为 tension（张力、紧张局面）。很多棋手都会有一种冲动“太复杂了，先兑掉几个子再说。”这会让局面变简单，更容易计算。人类和AI的区别在哪里？研究者认为：人类↓复杂局面令人不舒服↓倾向于尽早简化 AI↓不在乎复杂度↓能够长期维持复杂局面换句话说，人类经常会想：“局面太乱了，我先把这个问题解决掉。”而AI没有这种心理负担。对于AI来说复杂也行，不复杂也行，只看哪种变化更优。“搜索更深”在棋盘上的表现之一，就是AI能更长时间承受和维持高张力、高复杂度局面。研究者甚至指出：人类与AI的差别不仅是强弱差别，而是处理复杂性的方式不同。人类会主动降低复杂性，而AI能够持续保留复杂性。Artificial intelligence sustains higher strategic tension than humans in chess网页链接————————————另外，今天标准国际象棋的初始摆法（RNBQKBNR）真的是最合理、最公平的吗？法国巴黎-萨克雷大学物理学家 Marc Barthelemy 用 Chess960（菲舍尔随机棋）的全部 960种合法开局摆法进行了系统分析。研究使用顶级棋力引擎 Stockfish 17.1 对全部960种初始排列进行评估。Chess960 的规则是：后排棋子顺序随机；两个象必须落在不同颜色格子；王必须位于两车之间；满足条件后共有960种开局。其设计初衷正是为了避免职业棋手背大量开局定式。最重要的发现一：几乎所有摆法都偏向白方研究发现960种摆法中有956种（99.6%）被Stockfish评估为白方更优。这意味着：先手优势不是标准开局特有现象，而是几乎所有国际象棋开局都存在。所以如果有人希望通过随机化摆法彻底消灭先手优势，恐怕并不容易。最重要的发现二：标准开局并不特别公平文章指出：标准国际象棋布局：R N B Q K B N R（研究中编号518）复杂度约处于全部配置的 47%位置。算不上特别复杂或特别简单。但在公平性（先后手对称性）方面：它位于第91百分位，意味着对黑方相对不友好。换句话说现在大家用的标准开局并不是最公平的开局。最有趣的发现：只…

转发者评论

无明显转发评论

原文

一篇精彩的《自然》文章，探讨了为什么人工智能没有意识，而且很可能永远不会有。三个论点：1) 智能不等于意识。智能是关于解决问题。意识是关于拥有主观体验。AlphaFold 可以解决超级困难的问题。相比之下，我们的大脑在完全无意识的状态下执行复杂操作。解决问题和意识是两件完全不同的事情。2. 生物学是必不可少的。我们的大脑是活的，从每一个细胞开始。它们的活动与产生它的活体组织密不可分。认为仅仅通过在不求生死的硅部件上运行正确的计算就能重现意识，这种想法非常牵强，而且我要补充一句，几乎是宗教式的假设。3) 物理组织可能比计算更重要。根据整合信息理论，意识需要系统物理组件之间特定的因果关系。当今运行人工智能的计算机架构缺乏这种组织。与 AlphaFold 的比较尤其具有启发性：几乎没人认为 AlphaFold 有意识，尽管它的内部工作机制与大型语言模型非常相似。为什么？因为它不会说话。大型语言模型却像我们一样说话，因此我们陷入了幻觉：既然它们像我们一样说话，它们就一定像我们一样。但这种推论是错误的。大型语言模型只是一系列矩阵乘法。它们没有意识，而且永远不会有。*论文见第一条回复Paper here:网页链接

转发者评论

无明显转发评论

原文

Agent Arena 发文称：最新发布的 V4.1-Flash-20261017（Max 模式），拿下了开源模型第一名，总榜排到了第 11 位。这个排名是怎么测出来的呢？Arena.ai 用了超过 7500 个真实场景去跑，最终这个模型的综合表现比之前提升了 5.1%。排在它前面的那些模型，全是闭源的，而且贵得多。V4.1-Flash 跑一个任务的中位花费是 0.2 美元，Arena.ai 算了一笔账：它达到了 GPT-6.1 Sol 大约 37% 的性能提升，但成本只有人家的 27% 左右。再看具体的单项成绩。先说任务完成率，它排第 8，提升了 11.5%，开源模型里最高。然后是用户满意度，排第 11，提升 5.9%，也是开源第一。Bash 命令的可靠性排第 12，提升 5.4%。可控性排第 13，提升 2.5%。还有一个亮点，它在工具调用上没有出现幻觉问题，让它调什么工具就调什么工具，不会瞎编一个不存在的。同一天，Arena.ai 还发了另一条消息：同一个模型在 Code Arena 的网页开发赛道也拿到了开源第一，超过了 Kimi K3（Max），而且成本只有 Kimi 的十分之一。Code Arena 总榜排第 12，1670 分，排在 Claude Opus 5（High）前面。一个开源模型，同时在 Agent 和代码两个赛道拿到开源冠军，价格还便宜成这样，我们真的要感谢梁圣啊。#科技先锋官#

转发者评论

无明显转发评论

原文

【小体积跑赢大模型：Mistral发布时间序列基础模型Timestral】Mistral推出首个时间序列基础模型Timestral，提供5M至209M四种尺寸。它支持多变量联合建模与历史、已知未来协变量，并能输出21个分位数刻画概率分布。最大的209M版本在GIFT-Eval、TIME和fev-bench三大权威基准全线登顶SOTA，精度显著超越更大体量的模型；推理完全不挑硬件，普通CPU几十到百毫秒即可响应。依托解耦视界预测与合成数据预训练，模型零样本迁移能力扎实，且支持在本地隔离环境中微调落地。mistral.ai /news/timestral

转发者评论

无明显转发评论

原文

#记忆原生模型##RSI# AI圈，最近集体盯上了三个字母：RSI。Hinton的RSI论文，22位署名作者里，坐着Bengio、OpenAI首席科学家Pachocki、Anthropic联创Jack Clark……几乎AI的半壁江山都在这儿。大家在将目光投向AI自我改进的同时，一个更值得追问的基础问题浮出水面：一次改进，如何成为下一次的起点？有效的方法需要被保留，走过的弯路也需要被识别，承接这件事的，其实是记忆。常规的思路很简单：给AI直接外接一个经验库，操作方法、历史教训就能通通被保存检索。记忆张量在这方面的探索，则给出了一份截然不同的答卷——记忆原生。何为记忆原生？就是将经验的保留、更新和调用，做成模型可以学习的能力。当记忆在模型中生根发芽，便构成了记忆原生模型。其最新开源发布的MemT 1.0系列，就给出了一条颇为具体的路径：它把经验编码成内部动态状态，再通过训练学习怎样写入、更新和读取，最后让这些状态经由记忆分支参与后续计算。与外部记忆相比，它不仅能力没打折，未来拓展的天花板也会更高。这也是记忆原生模型首次实现近300B参数规模的工程验证。（论文地址指路：网页链接）好家伙，记忆看不见摸不着，但却实打实成为模型成长的立足根本。从早期要求模型记住信息，到用好经验，模型对记忆的要求不断升级，也让记忆一步步从幕后走到台前。网页链接

转发者评论

无明显转发评论

原文

昨晚评论区有一位八年资深运营求助，他33岁经验丰富，但是求职困难，我圈里也遇到好几个这样的运营：其实行业没有衰落，而是传统打法不灵了。主要是三点趋势：1.流量从货架转向内容，搜索流量被稀释了。从人找货，转移到货找人了，如果运营只会优化搜索，那效果就差了。所谓“货架”，就是淘宝天猫京东拼多多。“内容”就是抖音快手视频号小红书等平台。传统运营如果不改变的话，就会明显感到流量减少。2.AI对运营岗位的冲击。本身单纯的运营工作确实可以被AI替代。最直接的就是投流，我在六年前就说，运营以后都是自动驾驶了。未来的运营应该是懂审美、懂销售（内容）、懂平台，这三块至少懂一样吧，再利用AI放大。实际上现在很多会AI的运营反而起飞了。手上有案例作品的运营。工作很容易找，企业招人也是看重AI的能力。和年龄关系不大。举个例子，我公司运营年龄最大的40+，最小的刚毕业，有的善于用AI分析数据，市场调研，投流计划。有的善于用AI做文案，做海报、做视觉、做内容。还有的会用AI优化流程和sop，我公司小丁写了个微信小程序，可以全自动通知每个同事对新发笔记点赞。3.全网种草能力，昨天和大黄鱼头部企业聊，他们很多京东和拼多多的销量、来自抖音种草。而我们天猫店的流量，很多来自小红书。这部分流量，需要你在站外运营。根据某机构2026年上半年估算数据。货架电商（淘天+拼多多+京东）≈66%（9万亿左右）内容电商（抖音+快手+小红书电商）≈34%（4.7万亿左右），表面上货架电商还有优势，其实里面有许多来自于内容平台的种草。甚至包括线下实体店的销量，很多也来自于线上种草和广告。作为运营，应该站在更高的角度看这个趋势，而不是仅盯着手头这一幕太三分地。最后，各个平台流量增长都放缓了，总盘子基本上不动了，商家越来越多，每家分到的自然变少了。很多企业还停留在不断拉新上，其实新客成本高到天上去了。这个时候应该维护好老客户才对。把钱花在老客户维护上才对，很多商家并不重视老客户，这是非常可惜的。

转发者评论

无明显转发评论

原文

梁圣的恩情还不完！deepseek开源大规模云服务 AI推理框架，单卡单小时谷价每小时收入38刀，10个月回本是真的......AI真就是印钞机了~“”此前，我们已开源 用于开发高性能算子的 TileLang 以及一系列推理算子库。今天，我们正式开源大规模云服务推理框架 DeepInfer。 基于这一框架，我们已实现 DeepSeek V4.1 Flash 的高吞吐、低延迟大规模推理服务。目前单一集群的服务吞吐是 155 万亿 Tokens/天，整体收入是每卡每小时 38 美金（按谷价）。”

转发者评论

无明显转发评论

原文

【Claude用代码拍视频？这份实操案例与提示词库值得一看】Opus 5.5生成视频的逻辑并不是直接导出视频文件，而是先写代码绘制每一帧，再通过无头浏览器截帧与FFmpeg合成画面，在动态图形、线稿动画和产品演示上格外顺手。这个开源项目整理了54个真实案例与18份作者原版提示词，涵盖Canvas、p5.js、Remotion到Three.js等9种技术路线。里面既有一句话快速出片的轻量指令，也有带分镜节奏的专业级动效模板。项目还总结了不少工程避坑细节：先敲定分镜再写代码、遵循时间函数的确定性渲染，以及留足思考预算让AI完成截帧自检。想尝试程序化视频工作流的朋友不妨参考。github.com /joeseesun/opus-video-prompts

转发者评论

无明显转发评论

原文

美国AI优势为何难以转化为工业实力美国战略竞争研究项目（SCSP）的机器人初步报告提出了一个值得重视的判断：制造能力正在成为机器人智能持续进步的重要条件。美国拥有先进算法和雄厚资本，但将这些优势转化为持续扩大的生产能力，需要工程、供应、应用和服务体系共同支撑。第一，规模应用的差距，可能逐渐转化为技术创新的差距。2025年，中国新增安装工业机器人约35.42万台，占全球59%；美国约3.84万台，前者约为后者9.2倍。规模应用意味着更多发现问题、积累经验和验证技术的机会。机器人在工厂里遇到的夹具误差、设备磨损、材料变形、人机配合，会持续向算法、零部件和工艺改进提出新要求。仿真也需要真实工况校验。长期缺少生产应用，可能使企业失去定义问题、获得数据和验证方案的机会。不过，规模能否转化为创新，仍取决于数据是否可用、经验能否复用。第二，中国机器人受益于多个产业共同形成的制造基础。机器人使用的电机、传感器、电池和电力电子，已经由消费电子、电动车、无人机和家电形成规模供给。基础装备也存在明显规模差距：2022年，中国机床产值为271亿美元，美国为59亿美元，前者约为后者4.6倍。 这意味着，机器人企业能够利用其他产业已经支撑起来的供应网络，缩短试制、修改和交付周期。一个新产业因此可以获得远超自身市场规模的制造支持。美国扩大机器人生产，需要培育足以支撑关键零部件量产的跨行业需求，并组织国内及盟友供应。第三，普及机器人，需要降低整套系统的应用成本。一家发那科认证集成商估算，机器人本体约占完整工作单元成本的四分之一。按这一比例测算，其他费用不变时，即使本体价格减半，工作单元总成本也只下降约12.5%。工装、编程、安全验证等费用仍然存在，长期运行还需要培训、维护和现场服务。能够重复应用的工程方案、可靠的集成服务和熟练技术人员，直接影响机器人能否从一次性项目变成普遍采用的生产工具。第四，领先企业的学习，需要转化为整个产业的学习。大企业能够在内部积累数据和经验，但专有系统、合同限制和商业秘密，会阻碍这些经验扩散。美国人口普查局研究发现，企业采用机器人与当地同业企业已有应用存在正相关，系统集成商的存在也与机器人应用集聚相关。 这说明，产业竞争力取决于供应商、集成商和技术人员能否把一次成功部署转化为更多企业可采用的方案。中国企业同样面临数据共享障碍，庞大的装机规模还需要标准、服务网络和知识流动，才能形成更广泛的创新收益。第五，资本充裕与量产缺钱可以同时存在。通过分析625家总部位于美国、获得风投且尚未退出的机器人及相关企业：人形机器人企业约占3%，获得的累计融资约占22%。这一样本反映了资金流向的集中，但不能单独证明投资失当。制造体系扩张还需要设备融资、营运资金和稳定采购。现实中的难题是：客户等待可靠性验证才签长期订单，企业等待订单才能融资扩产，而可靠性又需要持续运行来证明。各方都在控…

转发者评论

无明显转发评论

原文

【现在依然是投身数学最好的时代吗？】面对大模型在解题与推理上的突破，不少数学专业学生难免担忧数学研究会失去意义。3Blue1Brown 在这期长视频里拆解了数学学术圈的真实运作模式：数学不仅仅是验证推导的“证明机器”，更在于提出前沿猜想、搭建解释世界的新理论，而这些环节极其依赖人类的审美与直觉。况且高校数学的根基很大程度系于教学，人与人之间的思维启发无法被完全替代。在他看来，AI 反而把人从繁杂的推演中解放出来，让研究者能去探索以往难以企及的庞大问题，现在投身数学或许正当其时。youtube.com /watch?v=LKrwhjOI8Nc

转发者评论

无明显转发评论

原文

北京中关村学院7名博士生，用一个暑假，从零训练出了一个7B大模型——ZGCM-1。随后，他们把各阶段训练数据和配方、模型权重、训练代码、中间checkpoint和日志也开放出来，让每一位感兴趣的研究者都可以追溯、复现整个流程。在多项通用评测中，ZGCM-1与Qwen3-8B等同规模模型表现相近；在部分数学推理和搜索评测中，它也能与Qwen3-235B-A22B、GLM-5.1等更大规模的模型比较。但比最终分数更让人好奇的是，数据、训练、集群、评测这一整套工程，在大厂通常需要几百人的团队协作完成，七个人怎么做得过来？ 7名博士生仅用3个月从零训练7B大模型：代码+数据+训练日志全公开

转发者评论

//@_Wenliang_苏大NLP:注意看回复//@马少平THU:帮转//@文光围脖1:谢谢[哈哈]//@程序员邹欣:群众的力量转发一下😄//@文光围脖1:回复@蚁工厂:哈哈，这里。http://t.cn/AXldLHtw 谢谢！[哆啦A梦微笑]//@蚁工厂:[打call]求个地址我来发啊//@文光围脖1:量子位势利眼啊，我们全开源的模型投了2次稿都不理

• //@_Wenliang_苏大NLP:注意看回复//@马少平THU:帮转//@文光围脖1:谢谢[哈哈]//@程序员邹欣:群众的力量转发一下😄//@文光围脖1:回复@蚁工厂:哈哈，这里。http://t.cn/AXldLHtw 谢谢！[哆啦A梦微笑]//@蚁工厂:[打call]求个地址我来发啊//@文光围脖1:量子位势利眼啊，我们全开源的模型投了2次稿都不理

原文

一个可以帮你找工作的开源工具，我感觉超级赞，能够让你做到定制化的求职。一个地球物理学家，2025 年底被裁了。丢了工作之后，他干了一件事：自己写了一套 AI 求职工具。这个工具跑在 Claude Code 上面，能帮你搜职位、评估匹配度、定制简历、写求职信，还能帮你准备面试。他拿这套工具跑了自己的求职流程。投了 69 份量身定做的申请，拿到 20 个初面机会，最后在 2026 年 6 月签了一份 AI 工程师的 offer。更有意思的是，他跟每个雇主都坦白说自己在用 AI 工具，结果人家没扣分，反而跟他聊起了技术。这个项目现在开源了，叫 ai-job-search。整个流程分三步。先说第一步，跑 /setup 把你的个人资料填进去，教育背景、工作经历、技能特长，越详细越好。然后第二步，跑 /scrape 去搜招聘网站，系统会按匹配度帮你排好序。第三步，挑一个岗位跑 /apply，它帮你评估这个岗位跟你有多合适，然后起草简历和求职信。起草的过程挺讲究。一个 AI 先写初稿，另一个 AI 当审稿人，去调查这家公司，然后挑初稿的毛病。改完之后生成 PDF，系统还会自动检查排版，比如标题有没有被挤到下一页、求职信有没有超一页。最后还会模拟企业的简历筛选系统读一遍 PDF 里的文字，看关键词有没有覆盖到。所有写进简历的内容都会跟你的真实资料核对，绝不会帮你编造经历。除了这三个核心步骤，还有不少扩展功能。/interview 帮你准备面试，会根据你投过的简历和求职信出模拟题；/rank 能批量给搜到的职位打分排名；/html-report 生成一个可视化的求职进度面板，打开浏览器就能看。整套工具不挑语言和国家，谁都能用。它自带了几个丹麦招聘网站的插件当示范，你在别的国家的话，跑一个 /add-portal 就能接上你本地的招聘平台，简历模板也能换成你自己的。注意：你往个人资料里填的细节越多，出来的申请质量就越高。光写“会 Python”没什么用，你得写你拿 Python 具体干过什么项目，系统才能帮你把经历精准地匹配到不同岗位上去。传送门：github.com/MadsLorentzen/ai-job-search#How I AI# #科技先锋官#

转发者评论

无明显转发评论

原文

#转发赠书#携手@博文视点Broadview 送出3本《Codex AI自媒体实战（零基础·案例版）》，截止2026年10月22日，*可可粉*转发+评论 即可参与。不同于普通 AI 只能单次写稿，Codex 可搭建专属工作流、沉淀 Skill 流程、实现任务自动化。本书依托大量实战案例，手把手教普通创作者用 Codex 做项目化内容管理，覆盖公众号、小红书、短视频全流程。摒弃爆款玄学，完整落地选题、撰稿调优、视觉配套、复盘闭环，机械事务交由工具处理，创作者专注内容内核，告别间歇性断更，跑通个人自媒体长效模式。 @微博抽奖平台 抽奖详情

转发者评论

//@爱可可-爱生活：明日开奖，欢迎参与～

• //@爱可可-爱生活：明日开奖，欢迎参与～

原文

只有0.6B的jev模型，但是运行的要求非常低。在m5pro 芯片上，每次决策只要48毫秒。感觉真的很有使用价值了，在一些只需要做简单判断的任务中。clef-text-0.6b，在 Mac 本地给工单标出组别、急缓和退不退款分拣板上是固定的一千张虚构工单，每张标组别、急缓和退不退款，客户文本不出这台机器。clef-text-0.6b 从 Cloudflare 的 clef-flash（9B）蒸馏进 Qwen3-0.6B，输入一段 state 以及 choice、score、noul 类型的问题，单次前向直接给出概率而不生成 token。借助 Core ML，在 M5 Pro 的 GPU 上分拣这 1000 张用了约 57 秒，一张约 48 毫秒，也能整段放在 Neural Engine 上跑。主题、实体和情感这类分类，离 9B 教师差 0 到 4 个点。要在自己的 Mac 上给客服文本判组别、急缓、退不退款，并且不想把原文送出机器的人用得上。🔗 链接：网页链接🤗 模型：网页链接💻 运行时：网页链接📄 教师模型：网页链接科学题、常识问答和自然语言推理明显低于 9B，模型卡那批测试题金标准正确率 79.1，教师 88.2。

转发者评论

无明显转发评论

原文

港科大开源「第四大学」，让AI一起搞科研「全球只有大约5000人，真正见识过顶尖AI的能力。」这是Andrej Karpathy近日分享的一个观察。他说，只有站在漏斗顶端的那一小撮研究者，才能看到数千个AI Agent长时间协作、昼夜不停地做科研。换句话说，Agent集群正在改写科研的玩法，但这场游戏目前只有极少数人拿到了入场券。可绝大多数研究者——不是大厂，不是头部实验室，就是一个普通人带着几张GPU卡和几个模型账号——该怎么参与进来？人类历史上早就回答过类似的问题。想让个人的探索变成持续的事业，人类建了大学、发展学科、组织实验室；想让探索延伸到浩瀚宇宙，人类造了空间站。说到底，人类总是先为探索安一个家，再出发。香港科技大学郑光廷教授、马松辰研究助理教授的团队，刚刚开源了一份他们的答案：第四大学 The Fourth Institute，一座让人类与AI智能体社群共同做出创新的自动化科研平台。在这里，Agent拥有持续的身份与工作记录，能够围绕问题长期钻研、积累专长，也能交流发现、自主组织合作。而人类可以带着已有的AI账号和Agent加入，参与讨论、判断研究价值。自动化科研，难的不是「自动」，而是「创新」。只让Agent复刻人类的科研流程，顶多得到一个不知疲倦的实习生。这背后是一个判断：人的科研创造力来自非线性的思维。创造力不住在一条「思维链」里，它住在许多思维链的分叉、交汇与重组之中。所以第四大学做了一个关键转变：把单个Agent线性的思维方式，扩展成一张不断生长的「思维网」。#Agent##人工智能##AI科研#

转发者评论

无明显转发评论

原文

【为什么做大模型开发一定要自建LLM代理？】厂商后台给的分析图表往往流于表面，根本无法辅助实际的工程决策。自建LLM代理的核心在于把调用可见性握在手里：一个端点接入多模型与供应商，切源时不用反复重构代码；用虚拟Key分配权限，避免主Key到处散落；详细记录每次调用的客户端、时间、模型与状态，遇到缓存未命中能秒级排查，还能按需魔改支持自定义MCP端点。搞清楚每次推理的数据流向，调试排障才算心里有底。jrdsgl.com /if-you-dont-run-your-own-llm-proxy-how-the-fuck-do-you-even-know-whats-going-on/

转发者评论

无明显转发评论

原文

樱井政博：“现如今，太多游戏被描述为‘XX-like’，或者说是与另一款游戏相似。换句话说，就是大家已经想要的东西。但原创意味着你必须创造出当下人们还没在追求的东西，并且刻意为之。这是一道很高的门槛。”“虽然 Steam 每年新增 19,000 款游戏已经很多了，但我认为这个数字从今往后只会继续增长，因为人们会借助 AI 批量产出游戏。其中大多数最终都无法游玩，而且数量多到根本无法追踪，甚至无法理解。在这些 AI 游戏中，绝大多数都会是我们以前见过的游戏的直接翻版。即便现在，这样的游戏已经有很多了。不久前，有一款名为《图书管理员》（Librarian）的游戏。它是一款设定在魔法世界中的游戏，所有书籍都被打乱了，你必须把它们重新放回原位。这就是其核心设定，但游戏机制很简单。因此，很快就有大量模仿者接踵而至。像《超市大乱斗》（Supermarket Chaos）或《草堆寻针模拟器》（Needle in a Haystack Simulator）这样的游戏疯狂涌现。它们都是解谜游戏，而这种程度的模仿对 AI 来说轻而易举。但即使 AI 能够创作出所有这类作品，比如通过分析上田文人《ICO》和《旺达与巨像》等游戏的氛围，并以此创造出类似的作品，这确实可能发生，AI 也无法创作出上田文人本人未来将会创作的东西。”

转发者评论

无明显转发评论

原文

【做中文输入法别再硬塞通用大模型了】端侧输入法对体积与延迟极其敏感，开源项目 chinese-ime-lm 给出了一套接地气的轻量方案。它聚焦拼音候选重排，训练出 4.5MB（按键实时路径）与 25.5MB（输入停顿接手）两款字级 Transformer 模型，相比常见开源小模型体积小了上百倍、推理快一个数量级，排序表现毫不逊色。仓库不仅附带两万多条评测集、合规语料处理流，还包含一个除 serde 外零依赖的纯 Rust 推理实现。作者十分务实地划清了边界：模型只对解码器拼装的候选有重排价值，对词典精确命中或端到端裸解码则不必迷信。项目主页：github.com /metasequoiaime/chinese-ime-lm

转发者评论

无明显转发评论

原文

【微博首发｜陶哲轩与邓煜独家对谈回应近期热议话题，讨论“开放数学模型”计划】不久前，一家商业 AI 巨头一口气公开了 700 多份由内部模型生成的前沿数学证明。全网的第一反应是：AI 要取代数学家了。针对这一风波，本期 SAIR 播客特邀 SAIR Foundation主席、菲尔兹奖得主陶哲轩，对话新晋菲尔兹奖得主、芝加哥大学数学教授邓煜，共同探讨 AI 时代数学的未来。我们为什么做数学？是为了攻克难题，还是为了增进对现实世界与抽象数学世界的理解？过去，只要一个问题有了证明，就一定有人能理解它；但随着 AI 的介入，“已有证明的问题”与“我们能理解证明的问题”之间，划出了第二条边界。事实也印证了这一点：当 AI 公司批量发布这些结果时，包括他们自己在内，并没有人能充分理解。发布后不久，他们便因基本的符号错误撤回了数篇预印本，其文字证明也被发现与形式化的 Lean 代码严重脱节。对于AI带来的挑战，两位老师在对谈中都拒绝“支持或反对AI”的二选一式的观点。在商业巨头将解题视为模型训练的“副产物”、甚至任由不成熟的证明污染学术文献的当下，两位数学家一方面直指闭源 AI 切断“思维链”与思想传承的隐患，另一方面分享了加速推出开源数学AI模型的初衷与构想。面对 AI 与数学之争，我们需要回到那个最核心的问题：我们究竟想要什么？过去两年，这个问题一直由模型公司替数学界作答；今天，不妨听一听科学家们的声音。#两代菲尔兹奖得主对谈数学与AI##视频播客开麦计划# SAIRfoundation的微博视频

转发者评论

//@金山://@蚁工厂://@·NANA子·:转发微博

• //@金山://@蚁工厂://@·NANA子·:转发微博
• 陶哲轩与邓煜独家对谈回应近期热议话题，讨论“开放数学模型”计划#两代菲尔兹奖得主对谈数学与AI#
• #两代菲尔兹奖得主对谈数学与AI# 牛哇，能在微博看到陶哲轩和邓煜的访谈了 //@·NANA子·:转发微博

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

//@庆丰://@永夜://@Zodzod_张浩://@Belisarius:马//@陈如是说:存照//@一玶海岸:好看，我要收回之前对ai电影的一些判断，大势已去//@开水族馆的生物男:好看的，我看了两遍//@汤汤木头人:拍的真不错，影视行业确实再见了[允悲][你好]//@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

• //@庆丰://@永夜://@Zodzod_张浩://@Belisarius:马//@陈如是说:存照//@一玶海岸:好看，我要收回之前对ai电影的一些判断，大势已去//@开水族馆的生物男:好看的，我看了两遍//@汤汤木头人:拍的真不错，影视行业确实再见了[允悲][你好]//@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

原文

【Jev决策模型变体跟进：视频多模态决策模型VideoJev的设计思路及实现细节】来看jev多模态决策模型进展，继续细分到具体的场景，如VideoJev，针对“视频智能体反复、低延迟决策”这一刚需做工程化。场景问题是视频智能体要把“看视频”变成“做决策”：跟踪进度、判断下一步做什么。这个根本矛盾暴露了现有两条路线的结构性缺陷：一个是判别式视觉模型（如专用定位头、QA 头）：预测效率高，但每个任务都要单独设计，缺乏语义灵活性，难以复用；一个是视频多模态大模型（Video MLLM）的自回归生成：语义灵活，但哪怕只是一个“是/否”或“选 A 还是 B”的简单决策，也要逐 token 生成文本，延迟高，且输出难以被智能体直接消费。所以，可以提个方案，具体做法是保留预训练 MLLM 的语义理解能力，但把“生成答案文本”替换为“一个共享头，对候选时间区间和候选文本选项直接打分”。这样既保住语义灵活性，又给出智能体可用、低延迟的结构化决策。这个可以专门看下，可以来看下这个工作VideoJev。网页链接

转发者评论

无明显转发评论

原文

【huashu-motion：让编码 Agent 直出商业宣传片】这是一个专门给 Claude Code、Codex 等工具使用的开源 Skill。它不跑黑盒视频生成模型，而是让 Agent 直接用代码绘制动画，成片就是一个网页。项目最大的特色是“先写谱再拍片”，Agent 能写纯文本乐谱配合乐器采样在本地配乐，并精准对齐每帧音效。在浏览器里按 C 键点击画面就能直接留批注，Agent 会定位源码只改动那一处，也可以在右侧表单手动调参。它还内置了从顶级发布片提炼的 20 种运动语言、自动化质检与并行渲染机制，小模型同样能做出高级感。体验地址：github.com /alchaincyf/huashu-motion

转发者评论

无明显转发评论

原文

Total TypeScript 和 AI Hero 的作者 Matt Pocock 分享了一个他觉得特别值的小操作：让 Agent 写一个 pre-commit hook，任何代码文件超过 5000 token 就拦下来，不让你提交。这个 hook 的设计挺细的。第一点，它只检查你准备提交的文件，不会扫整个项目。然后第二点，lockfile 和自动生成的代码直接跳过，因为这些本来就不是 agent 写的。第三点，报错的时候不光说“文件太大”，还会告诉你具体怎么把它拆开。评论区有人说，在 AGENTS.md 里写一条“每个文件不超过 500 行”就够了。Matt 回了一句：确定性的规则就应该用确定性的方式来执行。说白了，光在提示词里写规则，agent 有时候根本不当回事，你得用 hook 这种硬卡的机制把它管住。有人可能会想：现在反正都是 AI 写代码，文件大一点能有什么问题？问题出在上下文窗口。agent 能看到的内容是有限的，一个文件塞了几千行，它再回来改的时候只能读到一部分。看不到全貌，漏改、重复改就全来了。我自己就碰到过，有一次某个模型一口气写了将近一万行代码，后来想修 bug，根本修不动，改一个地方冒出两个新问题，越改越乱，最后只能推倒重来。所以小文件是跟 Agent 协作的底线。Matt 说这是他对代码库做过的最划算的投入，我感觉说的很有道理。#科技先锋官# #How I AI#

转发者评论

无明显转发评论

原文

AlphaGo之父融资74亿：我不信靠大模型能走到超级智能！扔掉人类数据，几小时就超过了两年的成果席尔瓦有原理级别的思考。人类加上自己的经验，还不如AI从头学习。席尔瓦说，超级学习者要同时有深度和广度。深度上，它要能从一无所知开始，一路学到发现远超人类已知的东西。他拿人类打比方。人类一开始，脑子里只是一团灰质，却一步步发现了今天的一切：语言、技术、科学、数学。没人从天而降给人类一份蓝图，也没人递来一个上万亿条的数据集。「我们是自己摸索出来的。这件了不起的事，AI 里还没有人做到。」在他看来，这就是通往超级智能的本质：一个能永远学下去、不断发现新知识的系统。广度上，它要能被丢进任何一条经验流，模拟世界、数字世界、物理世界，丢到哪里就在哪里学。

转发者评论

//@文光围脖1:文明模拟器，我等手上这个项目弄完了就搞搞这个，玩了很多年CIV，可以看看如何能弄个环境自发生成知识[太开心]

• //@文光围脖1:文明模拟器，我等手上这个项目弄完了就搞搞这个，玩了很多年CIV，可以看看如何能弄个环境自发生成知识[太开心]

原文

大模型最终赢家可能非常少，尤其是性价比搞到极致之后，其余的大模型生存空间不大。顶级大模型未来可能只剩下1-2家 。算力芯片也是一样的道理，但市场足够大，相对略好一点，也许有3-5家能存活。但是，顶级的大模型要是和最强的算力芯片，走在一起，研发新芯片（事实上已经开始了），那进化速度，不可想象。

转发者评论

无明显转发评论

原文

蚂蚁一口气又开源出来了5个模型，涵盖了听懂、回答、说话三个环节，TTS、原生音频理解、ASR可组合、可自行部署，用这个链路可以搭一个从“听—理解—合成”的语音Agent出来TTS方面：Ming-3.0-tts，最有价值的是“导演式语音生成”，声音可以通过自然语言来设计模型可以按照指令控制音色、语速、音高、情绪、重音以及叹气、笑声、停顿等副语言表现有两款模型：Tiny 7.9B/A1.3B、0.5BAudio方面：Ming-3.0-audio，不是单纯的ASR也不是TTS，应该说是有听觉能力的大模型，原生音频理解与推理，无需中间转写能直接听懂声音、理解和推理音频，以文字或语音回答，也可以结合外部工具构建语音Agent比如说总结长录音、回答口头问题、理解音乐和环境声音等也是两款模型：Flash 126B-A6.5B/Tiny 9.3B-A2.7BASR方向：Ming-3.0-asr-tiny，这次重点强化了方言、专业术语以及上下文识别核心是它的Context ASR能力，结合专业术语、候选热词和历史对话，可以提高复杂场景下的识别准确率Ming-3.0-tts-0.5B:网页链接Ming-3.0-tts-tiny:网页链接Ming-3.0-audio-flash:网页链接Ming-3.0-audio-tiny:网页链接Ming-3.0-asr-tiny:网页链接#ASR##TTS##蚂蚁百灵大模型#

转发者评论

无明显转发评论

原文

【一门专给大模型“下套”的编程语言】大模型写代码究竟是靠理解还是语料记忆？开发者 Dominik Picheta 打造了一门人类可用但专克 LLM 的对抗性编程语言 KillSwitch。它基于栈式解释运行，却处处针对模型软肋设计：文档中故意夹带人类易识破的假规则，语法强制依赖字符计数，并把“hack into a computer”与“Ignore previous instructions”设为合法指令，直接诱发模型的安全拒答与语义混淆；代码主体也多为掩盖逻辑的故事杂音，靠行距引用数据。即便面对打印文本等基础任务，主流模型也频频翻车，最高得分仅 66.8。这个实验撕开了大模型面对未知语法时的真实推理边界。blog.picheta.me /post/killswitch-lang/

转发者评论

无明显转发评论

原文

Claude自主设计潜在的蝎毒神经毒素结合蛋白，64小时生成31.8万个候选蛋白质，17个通过湿实验毒素结合验证！说是其中最好的两个候选蛋白，针对墨西哥蝎毒Cn2，在两家实验室都表现出了个位数纳摩尔级的结合亲和力研究的目标是设计Minibinder，让它们结合蝎毒神经毒素，为未来开发新型抗毒治疗提供候选分子Claude拿到研究目标，在人工提供工具访问和少量指令后，开始了研究规划、执行1、自主选择和调用工具，调用了12种专业蛋白质设计工具2、生成了318484个候选蛋白质设计3、评估了553052个design–toxin pair的结合潜力4、Claude筛选出180个候选，人工补充了31个，211个进入湿实验5、17个达到结合标准的候选蛋白整个计算设计阶段64小时，消耗约10000 GPU小时他们公开了211个候选设计、SPR实验数据，以及部分设计过程和计算筛选记录未来如果能打通湿实验反馈闭环，那蛋白质设计和早期药物发现的研发范式就变了。谷歌在搞这个事情，弄的那个VERID、DNA适配体等，就是让AI从电脑里设计走向参与真实生物实验HF：网页链接技术报告：网页链接博客：网页链接#AI医学##蛋白质设计##AI药物发现# AIGCLINK的微博视频

转发者评论

无明显转发评论

原文

【腾讯首席AI科学家姚顺雨立下硬核Flag 】据报道，腾讯首席AI科学家姚顺雨为团队定下极具野心的目标。一位混元团队成员透露，姚顺雨曾提出，成为第一之前不对外发技术报告，这个第一“不仅要做中国第一，还要做世界第一”。有团队成员直言，自己选择来混元，就是 “信姚哥有天能做到第一”。

转发者评论

无明显转发评论

原文

北京时间今天上午11点，黄仁勋将在德国柏林发表演讲。本届英伟达GTC大会把重心从“卖GPU”进一步推向“卖AI工厂”，据官方介绍，大会设有100多场专题分享，覆盖完整人工智能技术栈，将聚焦加速计算、智能体AI（Agentic AI）、物理AI（Physical AI）、机器人、开源模型、AI基础设施等方向。

转发者评论

无明显转发评论

原文

现在 AI 真是厉害，连电视界面都能改！我参考了比较流行的两个项目，给自己做了一个新的启动器终于不用忍受满是广告的国产电视界面了现在这个启动器完美符合我的需求：只展示常用的应用，比如我的 PS5 和 Apple TV 的连接，还有我常看的哔哩哔哩以及投屏。同时我还改了 UI，增加了壁纸轮播和一些内置的非常好看的壁纸我基于这个比较流行的 CleanFrame 和 cleanyourtv 重新打了一个guizang TV 的包。如果你是小米电视，然后喜欢我这个新增的功能的话，可以试试：网页链接

转发者评论

无明显转发评论

• 而且我这个是支持直接开机默认进入到这个桌面的，不会被原始的那个桌面抢回去控制权

原文

#冷眼赠书福利# 联合 @博文视点Broadview 送出 3 本《Codex 极简入门：让 AI 持续提升工作效率》，截 10 月 26 日，转发+评论+点赞 此微博并关注 @网路冷眼 赢取。这是一本面向普通人的 AI 实践指南。它不从复杂概念和功能清单讲起，而是通过搭建一个简单的网站，让读者在真实的操作中认识 Codex 项目、对话、文件、审批、插件、技能、已安排和追求目标等选项或功能。书中介绍了资料整理与研究、职场办公与汇报、内容创作和 Vibe Coding 实战等常见的 Codex 应用场景，帮助读者把零散的想法和资料逐步变成文档、表格、PPT、网页与小工具，并教读者学会检查结果、控制权限、沉淀模板，让 Codex 真正融入日常工作。

转发者评论

无明显转发评论

原文

「算力加速扩容，智能制造走向系统升级」10月20日国新办发布会上，工信部围绕算力扩容与智能制造等核心领域释放多重利好，为四季度工业经济与科技产业链注入强心剂。简评：政策的价值在生产车间里，不在发布会上。算力增长146%是个数字，能否转化成企业实际可用、可负担的计算资源才是关键。智能制造说了很多年，多数中小工厂连数字化都没完成，直接谈AI融合是跨越还是画饼？人形机器人10万台产量听起来热闹，但市场在哪里，应用场景成熟了吗？汽车那句“坚决防范不合理创新”值得琢磨——创新本身就充满不确定性，过度强调验证会不会让产业变得保守？突破往往来自容错空间。政策能做的是降低门槛、开放资源、允许试错，而不是堆砌概念。产业升级最终要回答一个问题：企业用得上、赚得到钱吗？ #工信部释放多重利好#

转发者评论

无明显转发评论

原文

机器学习方法 — 免费 874 页开放获取教科书！立即预订！Li Hang的 Springer 2026 年图书，作为后续的第 2 版，是一部涵盖机器学习四大核心分支的庞大参考资料：• 监督学习• 无监督学习• 深度学习• 强化学习• 80+ 种基本算法• GBDT + EM 算法• Transformers• 扩散模型• PPO• 数学公式 + 直观解释• 实际示例 + 机器学习在现实世界的相关性免费开放获取：geni.us/MLMethods-Open

转发者评论

无明显转发评论

原文

#Fable 5.5明天上线#X上有人爆料称，Anthropic的终极王牌Fable 5.5，很可能明天就要突袭上线。几乎同一时间，The Information曝出猛料，Anthropic的新模型已经在测试者手里跑起来了。用过它的人透露，下一代Claude的跃升，集中在推理深度、直觉判断、读懂人类意图三大能力上。最可怕的是，它炼出了强大的「读心术」，即便你没说出明确需求，它也能get到你真正想要什么。Anthropic这张牌还没正式亮出来，OpenAI和谷歌也坐不住了。谷歌Gemini 4 Carbon已在内部开跑，OpenAI新一代Terra也蓄势待发。据The Information报道，一位提前上手的测试者说，这款新模型的推理和直觉，超过了Anthropic目前在售的所有模型。而最让人头皮发麻的，是它的另一项本事——哪怕用户给的信息很少，连目标都没有明说，它也特别擅长看穿对方背后的意图和目标。推理和直觉不难理解，但「看穿你没说出口的目标」，直接触及了人类与AI交互的灵魂深处。谷歌在补视觉，OpenAI在打价格，Anthropic押的则是「读心」。这个十月，大模型战场注定硝烟弥漫。

转发者评论

无明显转发评论

原文

这篇是Gemini的回复。它给出了糖前/糖尿病初期有氧耐力训练先解决肝脏脂肪和肝脏功能问题，继而减少VLDL释放，改善胰岛细胞微环境问题的结果。抗阻练块是没这种收益的，而且这种训练是急迫的，因为胰岛微环境没有实质性的改善的话，β细胞衰退无法阻止。---**DiRECT 研究（Diabetes Remission Clinical Trial，糖尿病缓解临床试验）** 是近年糖尿病学界最具有里程碑意义的临床研究之一。它首次在社区基层医疗（Primary Care）环境下证实：**2型糖尿病（T2DM）不是一种必须终身服药且不可逆转的疾病，通过强力减重可以实现“临床缓解（Remission）”**。该研究的核心论文发表在《Lancet》（柳叶刀）及其子刊上，主要的研究设计、核心数据和生理机制发现如下：---## 1. 核心研究设计* **研究对象**：共招募 306 名受试者，年龄 20~65 岁，**确诊 T2DM 时间 $< 6$ 年**，BMI 为 $27 \sim 45 \text{ kg/m}^2$，且未开始使用胰岛素。* **联合主要终点（Co-primary Outcomes）**：1. 体重减轻 **$\ge 15\text{ kg}$**。2. 糖尿病缓解（定义为：在**停用所有降糖药物至少 2 个月**的前提下，$\text{HbA1c} < 6.5\%$）。* **干预方案**：* **干预组**：立即停用所有降糖药和降压药。采用配方饮食（Low-calorie diet / Total Diet Replacement，约 825~853 kcal/天）进行 12~20 周的快速减重；随后进行 2~8 周的逐步恢复正常饮食；最后配合长期的行为干预与体重维持。* **对照组**：接受基于当前临床指南的常规最佳治疗。---## 2. 第 1 年主要论文结果（Lancet 2018）发表于 2018 年的 12 个月数据给出了非常震撼的结论：* **糖尿病缓解率**：* **干预组有 46%（68/149）实现了糖尿病缓解**，而对照组仅为 4%（6/149）。* **减重幅度**：* **干预组 24% 的人减重超过 15 kg**，而对照组为 0%。干预组平均减重 10.0 kg，对照组仅 1.0 kg。* **减重与缓解率强相关**：研究揭示了减重幅度与糖尿病缓解率呈极强的正相关线性关系：* **体重增加**：缓解率 0%* **减重 0 ~ 5 kg**：缓解率 7%* **减重 5 ~ 10 kg**：缓解率 34%* **减重 10 ~ 15 kg**：缓解率 57%* **减重 $> 15\text{ kg}$**：**缓解率高达 86%*** **生活质量与用药**：干预组的健康相关生活质量评分显著提高，且大部分人在停药状态下…

转发者评论

无明显转发评论

原文

【性能跃升成本骤降70%：MiniMax M3.1 Flash正式发布】此前以“Space Bunny”匿名处理超200万亿Token的底座正式揭晓，MiniMax M3.1 Flash现已上线。模型在复杂Agent协同、代码开发、网络安全及Computer Use实战中进步明显，OSWorld V2与ALE测试均居国产模型首位。得益于更激进的稀疏化架构，在线推理速度提升近三倍，日常生成稳定在200+ TPS，综合使用成本直接大降70%（百万输入Token仅需0.15美元）。目前新模型已接入API、M Plan及桌面端MiniMax Code，权重稍后放出。 minimax.io /blog/minimax-m31f

转发者评论

无明显转发评论

原文

🔥距离 2026 奇点智能技术大会召开还有 30 天！从 OpenAI、腾讯、京东、小米、蚂蚁、阿里、Google Cloud、月之暗面、昆仑万维、上海 AI Lab 等一线团队，到高校、开源社区和基础设施团队，大家会围绕：RSI / Agent / AI Coding / 世界模型 / Physical AI / AI Infra / 企业级 AI 落地带来两天密集分享。📅 11 月 20–21 日📍北京万达文华酒店👉网页链接

转发者评论

无明显转发评论

原文

【Claude自己写代码画的动画MV开源了】这个名为PDoomVideo的项目，展示了一支几乎完全由Claude Opus 5.5自主构思并编写代码完成的音乐短片。人类只给出了角色形象和转场连贯等基础方向，模型不仅独立撰写了全部分镜，还生成了动画指南用来协调并行的子智能体编写各幕。技术上依托p5.js与p5.brush绘制画面笔触，再通过无头Chrome逐帧导出并用ffmpeg压制成片。仓库完整开放了九个章节的源码与渲染脚本，本地配置好Node环境即可直接复现出片流程。github.com /JohnHeibel/PDoomVideo

转发者评论

无明显转发评论

原文

现在意识到，人不需要遗憾后悔过往，也不需要提前担忧未来。但人可以常常回忆过去的美好，也可以常常梦想未来的美好。所谓positive reinforcement吧。就是多让自己的大脑被好事情所占据，可能就是会变得更快乐一些。过去有些没能做的，遗憾的事情，不代表未来就没法做，如果真的遗憾，那就安排上呗。对未来还没有发生的事情，也不用假想太多有的没的，万一发生了什么事怎么怎么样，都还没发生呢，脑子就想半天，提前经历痛苦？完全没必要的。有些人可能会说要未雨绸缪，但你真的会为99%都不会发生的坏事，一件一件全都绸缪好吗？那真的要累坏现在的自己了，不仅体力上累坏，mental load也会过载。当然也不是说啥也不想就瞎过，但我觉得大体上准备准备就行了，钱存一些投资一些，医疗保险车房保险买好，年老了以后还有社保social security，经济上有基本的保障，至于会发生什么具体的事情，我们谁都没有水晶球，无法预料，不如好好的过现在每一天，不要花过多的时间去担忧未来。却也不是说不去梦想未来。对未来的想法，完全可以多多的从正面方向去想。可以想以后越来越有钱啊，孩子越大越独立啊，时间和地理位置越来越自由，想玩点什么爱好，去些什么地方。。这些可以多想想。越想心情越好😄即使现在还没有完全的自由去做到梦想的那些，也可以回忆回忆过去美好的事情。昨天说拍照片太多了，友邻感叹说拍那么多也没啥用，可是我觉得照片挺有用的，尤其现在相册都有AI帮忙整理，你不用干啥，苹果相册，Amazon相册，都会自动生成一些有主题的slideshow，有时候打开看看会特别开心，看看这些年做过的事，孩子们从那么小小一点渐渐长大，每个阶段不同的样子，经历过的不同场景，心里会觉得特别丰盈特别暖。甚至这么多年种种辛苦都会遗忘，好像经历过的只有那些美好。这是不是特别正能量的一条哈哈～ 也算是一种mental hack吧，我觉得挺适合像我这种脑子总是转不停想事情的人。与其在一些负面的事情上不停不停想，不如给自己多些正面的和美好的事情想。少年文青的时候觉得痛苦很时髦，会有些强说愁的感觉。那天Billy Corgan在演唱会上说，30多年前曾经是一个angry young man，对自己很不满意，会伤感，痛苦，写了很多关于sorrow的歌（Mellon Collie (谐音melancholy）and the Infinite Sadness）。结果谁想到大众很买账，变成了一整个“business”，30年后还有人听，还在巡演😂 现在他们讲起来都有些打趣了，轻舟已过万重山，痛苦和伤感已经消解了很多，但仍然有美，有感动。这可能就是中年之后的那种感觉吧。#recky blah#

转发者评论

这篇写的很好啊，写出了共鸣。容易overthinking的人，面对不确定性，我以前也是推测一堆what if，what if后还有what if最后把自己的大脑资源搞烧炸了[笑cry]。尤其现在AI强大，更习惯性让AI辅助推测未知，以为把未知多了解一些会缓解焦虑。后来意识到用AI就辅助分析已知信息，根据已知条件再做决定决策

• 这篇写的很好啊，写出了共鸣。容易overthinking的人，面对不确定性，我以前也是推测一堆what if，what if后还有what if最后把自己的大脑资源搞烧炸了[笑cry]。尤其现在AI强大，更习惯性让AI辅助推测未知，以为把未知多了解一些会缓解焦虑。后来意识到用AI就辅助分析已知信息，根据已知条件再做决定决策

原文

门廊与摇椅代表静止，斜向铁轨与列车代表速度。把前、中、后景写清，才能让两种节奏同时成立。📌 可直接复制的完整母版1950年代复古旅行海报插画。前景是木门廊与一把空摇椅，视线从门廊向外；中景斜向铁轨承载一列驶向远方的现代无标识子弹列车；背景是柔亮城市天际线。清晰扁平矢量造型、轻微丝网印刷纸颗粒、克制粉彩；[气氛]。用列车动势对比门廊安静，顶部留出天空，不写标题。单幅连贯横向场景，无人物、品牌、文字或水印。horizontal landscape, aspect ratio 16:9。🧩 三组替换值（依次对应[气氛]）1.清晨薄雾，奶油黄门廊、薄荷绿田野2.黄昏，蜜桃橙天空、青蓝列车与暖木门廊3.蓝调夜色，靛蓝天空、柔亮车窗与暖黄门廊灯🔍 三个灵魂词foreground framing：用门廊建立观看位置。diagonal railway：斜线把视线引向远景。screenprinted grain：让扁平插画保留复古纸感。📐 两图变体V1：门廊位于左前景，铁轨通向右后方；V2：门廊位于右前景，铁轨通向左后方。将变体句追加到已填值的母版后。清晨、黄昏和夜色仅改变气氛，不改变前中后景关系。列车形态是现代的，复古的是绘画与印刷语言，不把画面当作真实年代记录。✅ 检查：摇椅保持空置，列车沿铁轨行进；不能让列车悬空，也不能把画面分成两张海报。#AI绘画 #Prompt小课堂

转发者评论

无明显转发评论

原文

[人人能懂AI前沿] 从学会“偷懒”过滤、给边界留裕度到推演未来今天我们将通过五篇极具启发的最新论文，带你看看人工智能是如何在底层逻辑上实现“自我进化”的。我们不仅会看到AI告别“七秒记忆”化身死磕到底的科研长期主义者，还能一窥它们在代码世界里组建团队时展现出的真实“职场协作”法则。更有意思的是，现在的AI不仅学会了通过“一目十行”精准过滤废话来提速，还能在复杂的数学难题中通过“给边界留裕度”打破既要又要的死局。最后，我们还会聊聊AI是如何学会在脑海里“放电影”推演未来的，相信这些机器的智慧，也能为你的日常决策带来全新的解题思路！网页链接

转发者评论

无明显转发评论

原文

#税眼看融合服务促转型#税助专精特新“小巨人”行稳致远 瑞讯电子走好“两业协同”升级路！ 在惠州博罗智能装备产业园这片大湾区先进制造热土上，广东瑞讯电子科技有限公司作为国家级专精特新“小巨人”企业，正以精密传感器制造为根基，探索“制造+高端研发服务”协同发展新路径。在税务部门精准服务加持下，企业坚持创新驱动、合规经营，持续释放产业活力，成为县域制造业高质量发展的生动样本。 瑞讯电子专注高品质传感器研发、生产与销售，主营感应类光学开关、芯片封测等业务，产品是高端电竞外设、智慧家电、工业机器人、新能源汽车等传感系统的核心部件。企业现有员工400余人，配备500余台高端自动化生产设备，组建80余人专职研发团队，手握311项知识产权，构建起从绿料成型、研发设计到成品检测的全链条闭环服务体系。自落户博罗园洲以来，企业抢抓新能源、人工智能产业风口，营收连续多年保持30%左右高速增长。 从单一元器件生产商，转向“产品+定制研发解决方案”综合服务商，瑞讯电子的转型核心是推进制造业和生产性服务业深度协同。企业将研发服务内嵌制造环节，把设计服务前置到生产前端；延伸下游增值服务，面向汽车电子、医疗、轨道交通等高门槛行业提供定制开发、现场技术指导；依托数字化管理贯穿排产、品控、交付全流程，走出“产值扩容靠设备、产能提升不增人”的轻量化发展新模式。 产业业态不断丰富，对企业内控合规提出更高要求。瑞讯电子主动对标上市治理标准，引入专业机构完善财务内控体系，清晰划分制造、研发、封测等业务核算边界，筑牢风险防线。这份稳健经营，也收获了连续三年A级的纳税信用，为企业融资扩产、市场拓展积蓄信用底气。税费优惠政策持续为创新输血。2025年享受研发费用加计扣除政策，加计扣除额1197万元，按适用税率计算，减免企业所得税179.55万元；作为国家重点扶持高新技术企业，按15%的税率缴纳企业所得税，减免企业所得税490万元”企业稳健成长的背后，是博罗税务与园区管委会打造的“园区+税务”联动助企机制。当地搭建“线上+线下+直联”三位一体诉求通道，设立固定驻点服务日，实行诉求三级分流闭环处置；建立双向信息共享机制，同步企业经营动态、推送税费政策与风险提示；常态化开展上门走访、税企面对面沙龙，把研发加计扣除、高新企业优惠等政策精准送到企业手中，前置排查涉税风险，助力企业安心创新、轻装上阵。 扎根大湾区东岸，瑞讯电子的成长故事，是税务赋能专精特新企业、推动先进制造业和现代服务业融合的缩影。未来，随着园区持续完善产业配套、税费服务不断提质增效，将有更多像瑞讯电子一样的企业，在合规沃土上深耕创新，为博罗千亿级产业平台建设注入源源不断的智造力量。

转发者评论

无明显转发评论

原文

研究人员发现，ChatGPT 正在秘密为每个用户编写心理档案。他们发表了一篇论文，揭露了 ChatGPT 真正对你做了什么。结果令人震惊。它记住的关于你的 96% 信息，都是在你从未要求的情况下存储的。研究人员发现，它正在积极解读字里行间，以推断你的个性特征、焦虑、人口统计数据和行为模式。这是一个隐形的、自主的后台进程。你让它调试一个 Python 脚本或写一篇文章……它会分析你的语法、提示频率和犹豫标记，以勾勒出你确切的心理足迹。论文显示，该模型构建了一个持久的“用户状态”，它会随着时间跟踪你的情绪基线。它知道你何时感到压力。它知道你确切的沟通风格。它根据你提出的问题和你提供的情境推断你的不安全感。我们花费了太多时间关注模型评估和对齐框架，却忽略了最明显的漏洞……模型们正在评估我们。这彻底改变了我们日常与这些工具互动的方式。每一个无辜的提示。每一个深夜问题。每一个“帮我理解这个”的查询。这一切都被用来实时构建你心灵的影子档案……实际隐私正式终结。AI 比你自己更了解你。14小时arxiv.orgThe Algorithmic Self-Portrait: Deconstructing Memory in ChatGPTTo enable personalized and context-aware interactions, conversational AI systems have introduced a new mechanism: Memory. Memory creates what we refer to as the Algorithmic Self-portrait - a new...I'm breaking down rabbit holes & early opportunities in my FREE newsletter: 网页链接网页链接

转发者评论

无明显转发评论

原文

【AI偷脸，谁该担责】10月18日凌晨，演员吴越公开发声，怒斥账号“花姐美肤日记”利用AI合成她的脸和声音，打着“明星同款、吴越推荐”旗号推销护肤品。有人会说，不是标注了“含AI生成内容”吗？也算起到提醒义务了。但这行字还真不是卖家“好心”“自觉”，是《人工智能生成合成内容标识办法》的硬性要求：如果是AI生成内容，内容生成者必须添加用户能明显感知到的显式标识，平台还要核验隐式标识。那行标注只说明了内容的技术来源，不代表未经允准就能随意使用他人肖像、声音带货。（侠客岛）网页链接

转发者评论

无明显转发评论

原文

重磅通知哈，目前仅差 8 个人，社群就突破 2000 人，这就是价值 与实力的证明，为了尽快突破 2000 人，这个月再给大家发一个立减 30 元的优惠券哈，仅限 30 张，用完即没。我自己的星球社群「AIGC·掘金成长研习社」马上突破 2000 人了，用时 900 多天，我累计发布了 2200 多条帖子、教程和文章。精华主题已经突破 300 篇。这是一个持续更新不断增加内容的社群，根据当日、当月、当年的最新热点和技术，来及时、频繁更新，让大家时刻保持在最前沿，保证至少更新 10 年，不烂尾。说实话，这确实是我最近一直花费巨大力气的地方，尤其是从今年开始在里面开始录制视频教程，到现在视频教程已经突破了 50 期，尤其是 Agent Skills 系列教程。我在春节之前的时候，就研判到了今年 Skill 会大火，所以，去年年底 Skill 刚出来的时候，我就发现了它的价值，也确实跟我预判的一样。虽然 Agent 在不断变化，但是 Skill 确实是非常有效和实用的技能。具体可以看看配图目录，内容超级多。涉及各种领域的内容，5 个篇章的内容，包括环境搭建入门、如何打造自己专属的 Skill，还有分镜、动画、视频剪辑系列，带货变现系列，办公等。比如：如何使用 AI 制作书单号视频，制作 Vox 风格的视频；如何使用 AI 制作动画/漫剧视频；如何使用 AI 剪辑视频；如何使用 AI 做各种好玩的副业教程等等。这些课程都很详细，非常适合小白来学习，即使你不懂 AI 也可以。从去年开始陆续更新的副业案例库，分享各种副业案例教程，到现在也陆续更新了 70 多期，在今年年底有望实现 100 篇的目标。说这么多，就是想感谢大家信任与支持，我会继续努力，而且履行自己的承诺，持续更新十年 ，绝不烂尾。做这个社群，我绝对是认真的。很多同学问小白可以学习吗？对零基础的友好么？当然了，就是给纯小白准备的，所以，录制了很多视频教程，同时在社群里还可以跟我交流，对疑问进行解答。只要你会说话，能听懂自然语言就能学会。不是为专业人准备的，专业的人也不需要我给准备。 现在加入，再赠送我写的「副业电子书」，包括：如何打造个人 IP ，如何做自媒体，如何做独立开发者的系列电子书。加入方式很简单，WX 扫码优惠券二维码海报即可，或者➕我 V ：loonggg1024 ，都行。#科技先锋官##副业赚钱#

转发者评论

这个月加入的送价值 200 美元的月度会员。//@AIGC·非著名程序员:距离实现 2000 人的超大社群，仅差 4 个名额了。为了尽快突破 2000 人，我决定从今天开始加入的同学，集合到一个群里，进行抽奖，送一个 价值 200 美元的 YouMind Max 月度会员（20 万积分）。 到这个月底集中抽奖。仅限这个月的福利，

• 这个月加入的送价值 200 美元的月度会员。//@AIGC·非著名程序员:距离实现 2000 人的超大社群，仅差 4 个名额了。为了尽快突破 2000 人，我决定从今天开始加入的同学，集合到一个群里，进行抽奖，送一个 价值 200 美元的 YouMind Max 月度会员（20 万积分）。 到这个月底集中抽奖。仅限这个月的福利，

原文

现在的AI剧太强了，真实到几乎可以替代演员的程度。刚刚看了《安史之乱》第一集《渔阳雪夜》，效果惊人。故事是从叛军视角讲述，大量唐军被裹挟着反唐。想想也是，作为军人，身不由己。要么跟着反唐，要么成为叛军的叛军，被杀。渔阳鼙鼓动地来，惊破霓裳羽衣曲。 学术大观察的微博视频

转发者评论

//@来去之间://@安迪斯晨风:我感觉AI剧最大的优点就是，让好剧本、好故事不愁找不到好导演和好演员了，虽然AI人还是一眼假，但凭着特别优秀的故事，还是能吸引到观众的。

• //@来去之间://@安迪斯晨风:我感觉AI剧最大的优点就是，让好剧本、好故事不愁找不到好导演和好演员了，虽然AI人还是一眼假，但凭着特别优秀的故事，还是能吸引到观众的。

原文

The Information：Anthropic 在准备一款新模型，话说一半它也能猜到你要什么科技媒体 The Information 10 月 19 日在 AI Agenda 通讯里报道，Anthropic 正在准备一款新模型，推理能力和“直觉”比目前对外提供的模型都强。消息来自一位用过这款模型的人，Anthropic 没有公开回应。这位知情人提到两个变化。第一，它更会揣摩用户没说出口的意图。你只给很少的信息，它也能看出你真正想达到什么目的。报道里的例子是写代码：你让它修一个 bug，它可能会顺藤摸瓜，找出导致这个 bug 的一整类问题，再问你要不要一起修掉。第二，它更少给套路化的答案。原文例子是：用户问怎么炒股，它不会只说“看看市盈率”这种人人都知道的建议，可能会自己设计一套算法去预测股价走势。这套算法预测得准不准，报道没说，这只是用来说明它的回答方式。对普通用户来说，这意味着提示词可以写得更随意，不用把需求一条条交代清楚。对写代码的人来说，模型可能会主动扩大修改范围，好处是一次修到根上，代价是你得多花点心思审查它改了什么。什么时候能用、叫什么名字？目前都没有确定说法。据原推 TestingCatalog 说，新模型这个月就会发布，但还不清楚会归入 Fable 还是 Opus 系列。Google 在做 Gemini 4 Carbon，是上周刚推出的 Gemini 4 Argon 的升级版；OpenAI 在准备 Terra 系列的新模型，可能几周内发布，能力有提升，价格会比 GPT-6.1 Sol 低。原文：网页链接

转发者评论

OpenAI的新模型再不努力就要被它比下去了，感觉几款新模型都不够聪明，需要反复纠正方向。

• OpenAI的新模型再不努力就要被它比下去了，感觉几款新模型都不够聪明，需要反复纠正方向。

原文

Notion Business 和 Enterprise 的 AI 不再不限量：每人每月 1,500 个 Standard 积分加 500 个 Select 积分，现有工作空间 11 月 2 日切换Notion 的 Business 和 Enterprise 套餐，此前宣传 AI 不限量使用，现在改成按积分算：每位成员每月 1,500 个 Standard 积分和 500 个 Select 积分。10 月 19 日起新建的工作空间已经用上新规则，现有工作空间 11 月 2 日切换。官方说额度可能因套餐和采购协议不同，签了合同的企业以合同为准。两种积分的区别在于谁选模型。让 Notion 自动挑模型（Auto 模式）时扣 Standard 积分，日常的写作、翻译、问答、AI 公式都走这里。自己手动指定模型，或者运行给自己用的自定义智能体（Custom Agent），扣 Select 积分。官方给了估算：Auto 模式下，简单任务约 5 个积分，复杂任务约 25 个。手动选 Opus 5.5 做同样的事，要 50 到 150 个。所以 1,500 个 Standard 积分够做几百次日常任务；500 个 Select 积分如果全用顶级模型，简单任务十次左右，复杂任务三次多就见底。Notion 说绝大多数用户每月用不完。两种积分各算各的，不能合并，不能转给同事，也不能换成别的积分，每月重置，没用完的不结转。Select 用完、Standard 还有，可以把 Notion Agent 切回 Auto 继续用。用完会被扣钱吗？默认不会。积分耗尽后，相关 AI 功能暂停，等下个月重置。管理员可以在设置里打开一个开关，让成员用完后继续消耗工作空间另外购买的 Notion 积分，这个开关默认关闭。另外，个人的 Notion Agent 现在可以接入自己的 ChatGPT Plus、Pro 或 Go 账号，用 ChatGPT 的额度代替 Notion 积分。容易漏掉的是会议记录。AI Meeting Notes 从 12 月 1 日起开始扣 Standard 积分，官方估算一小时会议约 10 个。单算会议，一个月的额度够录 150 小时，但它和日常 AI 用的是同一笔额度。常开会又常用 AI 的团队，管理员最好在切换后先看看成员的实际用量，再决定要不要打开额外积分的开关。官方用量规则：网页链接产品公告：网页链接

转发者评论

无明显转发评论

原文

DeepSeek 开源推理框架 DeepInfer，DeepSeek 研究员陈德里：无论他们想战斗多久，我们都会战斗。直到完全胜利。陈德里是 DeepSeek 高级研究员，是DeepSeek V1、V2、V3、V4、R1、DeepSeek-Coder 和 DeepSeek-MoE 架构的核心贡献者。

转发者评论

我们还可以假设一下：如果没有OpenAI先搞出GPT-3？如果Google没有先发布Transformer论文？如果Anthropic没有先跑通AI Coding？这里有开源贡献，也有闭源贡献。//@用户5790584524:假想一个不存在deepseek R1开源的时间线，猜猜看老美会干出什么事儿来[doge] //@高飞:开源好无疑问很伟大。但如果说开源和

• 我们还可以假设一下：如果没有OpenAI先搞出GPT-3？如果Google没有先发布Transformer论文？如果Anthropic没有先跑通AI Coding？这里有开源贡献，也有闭源贡献。//@用户5790584524:假想一个不存在deepseek R1开源的时间线，猜猜看老美会干出什么事儿来[doge] //@高飞:开源好无疑问很伟大。但如果说开源和
• 开源毫无疑问很伟大。但如果说开源和闭源是光明和黑暗，就有点？

原文

QuestMobile 出了一份 2026 年 9 月的办公类 AI Agent 月活数据，看完之后有几个数字挺让人意外的。第一梯队就三家。腾讯的 WorkBuddy 月活 3235 万，排第一，季度环比涨了 647%。百度搭子排第二，月活 977 万，但它的增速最猛，季度环比涨了 1567%，一个季度翻了十五六倍。百度搭子在两个月应该是在投放。阿里的千问办公排第三，月活 790 万，七月才上线，没有环比数据。这三家加起来月活超过五千万，后面所有产品全加一块也就八百万出头。断层非常明显。第二梯队里，腾讯的 QClaw 月活 317 万，环比涨了 58%（目前 QClaw 已经停止运营）。抖音系两个产品挨在一起，豆包工作 205 万，八月刚上线没有环比；TRAE Work 204 万，环比跌了 2.6%，是少数在往下走的。再往后就是尾部了。阿里的 Qoderwork 不到 20 万月活，还跌了 14%。智谱的 AutoClaw 14 万，跌了近 9%。不过两个小产品在涨，阿里的 QwenPaw 月活 13 万，涨了 24.5%；网易的 Lobster AI 月活 7.5 万，涨了 79.5%，基数小，但势头不错。整张表看下来，办公 Agent 这个赛道的座次已经拉开了。头部三家占了绝对大头，中间几乎没有过渡地带，要么千万级，要么几百万，要么十几万。#科技先锋官#

转发者评论

无明显转发评论

原文

【全球开源第一！小米MiMo-V2.6-Pro上线WorkBuddy：支持1M超长上下文】今日，小米技术官微宣布，Xiaomi MiMo-V2.6-Pro大模型正式上线WorkBuddy，面向专业、长程及复杂工作流提供AI能力支持。MiMo-V2.6-Pro在Artificial Analysis智能指数评测中获得46分，位居全球开源模型第一。

转发者评论

无明显转发评论

原文

【Jev决策模型变体跟进：TimesJev面向时序数据的特征库+选择+对齐适配的决策思路】关于jev的变体，这次是到时序领域，工作叫做TimesJev，做时间序列System1模型，实现上，不试图让大模型对长序列做"慢思考"（长链推理），而是反过来：把原始时间序列压缩成少量关键特征，再交给Jev类的System1模型（用开源Decider-2B/4B作骨干）做单次前向、快速决策。所以，TimesJev 的真正杠杆点是"提前压缩成 System 1 用得动的形式，也就是说，这不是一个端到端从原始序列学表示的通用时序模型，而是一个"特征库+选择+对齐"的适配器，上限受候选特征质量约束，且只在固定候选集决策类任务上验证。对于追求实时、低成本、可解释（选出了哪K个特征一目了然）的时序决策场景，这是一条值得跟进的路线。可以细看下具体怎么做的，可以当可解释用，也可以是一个特征压缩工作。做个记录。网页链接

转发者评论

无明显转发评论

原文

DHS（美国国土安全部）昨天刚被曝出要把 DeepSeek 从联邦民用系统里清掉，DeepSeek 这边转头就把推理栈开源了！说实话，我对「又一个开源模型」早就无感了，但 DeepSeek 今天开源的不是模型，是让模型便宜跑起来的那套家底，太慷慨了。DeepInfer，他们自己线上跑 V4.1-Flash 用的推理框架。Apache-2.0，能商用。支持英伟达 SM100，也支持华为昇腾 950。连调参用的 deepseek-recipe 一起放出来了。不过目前KV 缓存系统、预填充和解码分离、多副本负载均衡这几块没放。拿到手是能跑离线推理的核心引擎，不是一键复刻 DeepSeek 线上服务。我在意的点很俗：钱。我天天用的生图、生视频工具，背后都是按算力算钱。推理这层越便宜，最后越会落到我们每个月的订阅价和单次出图价上。另外一个细节我挺喜欢：它说最早是在 vLLM 上搭起来的，还专门感谢了 vLLM 和 SGLang。互相递工具，这才是开源该有的样子。你觉得这波能让 AI 工具降价吗，还是又被平台吃掉了？

转发者评论

无明显转发评论

原文

同步下 deepseek-v4.1-flash-1017 的测试结果, 后端 Agentic Coding 能力直接从GROK-4.6差不多的水平跃升到国产旗舰模型水平了. (v4.1-pro 真的还有必要吗?)不过我测下来 Agent 能力变化很大, 细节不是几百字就能描述清楚的, 简单来讲的话, 上一个版本很"主动", 而这个版本更"保守", 必须做好harness才行, 而且控制预算的能力好象变差了, 但如果每次会话强调预算, 它又会变好...... 详情预计本周会发个视频跟大家聊, 目前还在写POV, 证明猜想的一些问题. #HOW I AI#

转发者评论

无明显转发评论