微博 AI 观察博客

原文

转载：GPU 到底能用几年？10 月 21 日黄仁勋在 GTC 柏林接受雅虎财经专访，谈 AI 债务恐慌、中国和就业，我截了 14 段原声：1. 他说过去以为 GPU 寿命 4 年，「其实大概 8 年，甚至更长」，所以「也许能」拿算力本身做抵押贷款、给债务兜底；给英伟达算力放贷的风险「是所有资产里最低的」（他的估计和判断）2. 核对（折旧不等于实际寿命，只作参考）：谷歌、甲骨文、CoreWeave 年报里服务器按 6 年折旧，Meta 大部分服务器和网络资产 5 年半，微软服务器和网络设备 2 到 6 年，亚马逊 2025 年起把一部分服务器从 6 年缩到 5 年（理由是 AI 技术迭代太快）——这些年报里服务器等相关资产的折旧口径主要在 2 到 6 年。拿 GPU 做抵押融资本身已有先例（CoreWeave 年报披露，用于购买算力设备的 DDTL 贷款以相关子公司几乎全部资产作担保），存疑的是 8 年寿命和「风险最低」3. 他说一吉瓦数据中心约 500 亿美元，设备运到数据中心后，到投入运营可能要 4 到 6 个月，钱就闲着；英伟达当天的新闻稿称：英伟达计划 2027 年初交付的 DSX POD，在场地备好的前提下部署最快 14 天，对比基线是 6 个月（公司表述，尚无实际交付结果；起点和他说的 4 到 6 个月不同，不能直接比）4. 债务恐慌怎么解？他说「唯一什么办法都解决不了的问题是需求」，还点名月之暗面、智谱 GLM 的模型需求也很旺5. 中国：「没有谁比中国更认真、规模更大、做得更好」，芯片、开源模型、AI 研究员都能大规模造；但美国的前沿实验室和芯片「世界最好」6. 就业：他说 AI 抢饭碗的说法「几乎正好说反了」（他的说法，没给数据）我的判断：对「缩短装机期能少压钱」，靠谱（设备到场后还要 4 到 6 个月，英伟达也在推产品压缩这段时间）；对「8 年寿命和最低放贷风险」，存疑（折旧只能作参考，年报里服务器口径多在 2 到 6 年、亚马逊还在缩短，本期没找到 8 年后的残值数据）。以上是我的判断，不是官方结论，不构成投资建议。上面哪一步我算错或漏掉了？评论区指出来。最可能算错的两处：①「服务器口径多在 2 到 6 年」是我从六份年报归纳的，各家资产范围（服务器、网络设备、技术设备）和限定词（一般、大部分、一部分）不完全一样；②「一万亿美元」是对谈里 Gavin Baker 提出的整数假设，「几千亿美元闲置」「一吉瓦 500 亿美元」是他们的说法，我没有找到一手数据。#黄仁勋 #英伟达（来源：视频号“硅基进度条”，视频版权归原作者所有，如有侵权，请联系删除） 但斌的微博视频

转发者评论

无明显转发评论

原文

2020 年底，英伟达先后发布了用于游戏的 RTX 30 系列显卡和用于专业计算的 RTX A6000。很快有人注意到，虽然 RTX 30 系列和 RTX A6000 的核心都是 GA102 芯片，但相对于 RTX A6000，RTX 30 系列的混合精度模式的峰值吞吐被砍掉了一半。英伟达的 GA102 架构技术白皮书里明确指出：RTX 3090 在 FP16 输入下，累加精度从 FP16 改为 FP32 时，稠密 Tensor Core 峰值吞吐从 142 TFLOPS 降为 71 TFLOPS，稀疏计算的对应吞吐也从 284 降为 142 TFLOPS。但是 RTX A6000 在这两种模式下都是 154.8 TFLOPS，保持不变。混合精度模式常用于 AI 训练和推理中的矩阵乘法、全连接层和卷积，但对游戏性能影响较小。所以英伟达对 RTX 30 系列砍上一刀，确保游戏卡只用来打游戏，也是可以理解的。之后有人对比分析了 RTX A6000 和 RTX 30 系列显卡，发现对混合精度模式的限制是通过熔丝 FUSE_SS_FMLA32 实现的，设为 1 就会限制，设为 0 就不限制。你们还记得几个月前我在《用缓冲区溢出漏洞把矿卡变成 A100》（网页链接）中提到的矿卡 CMP 17HX 吗？那也是这样被限制的。于是，硬件社区基于之前对 CMP 17HX 的破解研究，终于也实现了对 RTX 30 系列卡的性能解锁：github.com/Zagitta/gpu-unlock。这个项目同样使用 SEC2 Booter 签名 DMA 溢出漏洞，把 RTX 30 系列显卡的混合精度的吞吐性能恢复到了全速。在对 RTX 3090 Ti 的性能测试中，解锁前后都采用 450W 功耗上限，做大矩阵乘法并使用 FP32 累加：BF16 输入的算力从 87.50 提高到 157.41 TFLOPS，增加约 80%；TF32 从 42.58 提高到 82.61 TFLOPS，增加约 94%；FP16 也增加了约 35%。考虑到本来 RTX 3090 就能改成 48G，现在又解锁了性能，就很接近 RTX A6000了。不过，对于模型推理来说，单并发解码性能的瓶颈是显存的速度，所以 RTX 30 系列显卡即使解锁了性能，在单并发下解码的 tok/s 能也没太大变化，但预填充和多并发的总吞吐则能有约 30% 的提升。------RTX 40 系列显卡也可以解锁了：github.com/JustAResearcher/gpu-unlock-ada

转发者评论

无明显转发评论

• RTX 40 系列显卡也可以解锁了：github.com/JustAResearcher/gpu-unlock-ada

原文

转Jing Ling 兄观点：“AI是未来，投资机会正逐步改善上周末，我与大家分享了AI投资中的12个问题。过去两周资本市场的变化，让我觉得有必要重新审视一个问题：AI投资是不是泡沫？我的判断是：AI是未来。近期AI相关股票的大幅调整，正在创造新的投资机会。这个判断主要基于以下几点。1. 对AI泡沫的担忧过去两年，AI泡沫一直是投资界讨论的话题，近半年尤其如此。市场对泡沫的担忧日益强烈，说明投资者并非毫无戒心。但是否存在泡沫，最终取决于估值与未来盈利能否匹配。以Oracle（ORCL）为例，2025年与OpenAI达成战略协议后，股价大幅上涨，随后又大幅回落。即使当初存在泡沫，现在也已经释放了相当一部分估值压力。2. AI应用与生产率提升以OpenAI、Anthropic为代表的大语言模型，正在改变企业和个人的工作方式。从编程、研究、数据分析，到企业运营与决策支持，AI的应用日益广泛，生产率提升的潜力正在逐步兑现。我认为，AI作为一项重要技术革命，其长期发展趋势已经相当清晰。但技术价值不等于投资价值。OpenAI、Anthropic等企业能否实现足够的商业回报，仍然存在不确定性。尤其值得关注的是，AI产业巨额资本开支能否最终获得合理回报。这些问题需要持续评估，但不能因为商业模式尚未成熟，就否定AI技术的长期价值。3. 最近资本市场的调整过去几周，AI相关股票经历了显著调整，半导体板块尤其如此。股价下跌可能来自盈利预期下降，也可能来自估值收缩和风险偏好变化。如果企业的长期盈利前景没有发生根本变化，而估值大幅下降，那么投资吸引力自然提高。这正是我认为当前市场值得关注的原因。4. 警惕顺周期的认知偏差股票上涨时，我们往往对未来盈利充满信心；股票下跌时，又容易对同样的盈利前景产生怀疑。这种怀疑当然可能有道理。但我们需要分清：究竟是基本面发生了变化，还是股价变化影响了我们的判断？股价变化可以触发重新评估，但不应该直接决定评估结果。投资最难的，不是判断市场，而是不让市场左右自己的判断。5. 面向未来的投资投资是一项面向未来的事业。未来无法准确预测，但我们可以评估现状，做好准备。再次引用Howard Marks的投资金句：You can’t predict, but you can prepare.经历近期调整后，根据Bloomberg数据，费城半导体指数（SOX）的前瞻市盈率降至16.8倍，与2025年4月初贸易战最激烈时期、2026年3月底美伊战争最激烈时期的估值水平相当。如果未来盈利预期能够基本兑现，当前估值已经开始显现吸引力。当然，AI产业的资本开支、融资能力与盈利兑现仍存在风险。估值下降并不意味着股价不会继续下跌。我的判断是：AI的长期发展趋势没有改变，而市场调整正在改善部分AI相关股票的风险回报。这是我目前的评估，不是对短期股价的预测。上述观点仅供参考，不构…

转发者评论

无明显转发评论

原文

给大家做了一个好玩儿的项目，去掉、关闭、禁用国产手机上的广告、推送与服务，项目地址我放在评论区了，如果不会用，直接下载评论区里的客户端就行，Mac、Windows都有。大家直接用workbuddy、DeepSeek、豆包之类的工具，直接引用即可，我现在测试了我手里的vivo、OPPO、荣耀、小米、华为几个中高端手机，都没问题，运行起来我没遇到什么问题，目前的系统支持到前年的版本。第一次运行会比较慢，大家打开开发者模式，然后连上电脑就不用管了，也不用root之类的，完事儿你会获得一个干爽的手机。虽然我手里的手机多，但也无法面面俱到，欢迎大家提供相应的机型。后续，我会专门为老人的手机做专门的净化，去掉广告跳转、一些恶心的自动装app的软件之类的。

转发者评论

//@-马小虎-:#活菩萨# 大家赶紧下载到本地一份，不知道哪天就有可能被投诉下架了呢。//@蒼天熊貓://@阿里海牙科维奇:转发微博

• //@-马小虎-:#活菩萨# 大家赶紧下载到本地一份，不知道哪天就有可能被投诉下架了呢。//@蒼天熊貓://@阿里海牙科维奇:转发微博

原文

有个在美国做创业圈的人，叫 Greg Isenberg，他前几天在推特上发了一条帖子，被转发了好几百次。他列了 39 个他觉得眼下最值得做的创业方向，全都跟 AI 智能体有关。Greg 列的方向，先说管理这条线。你雇了一群 Agent 来干活，得知道每个有没有权限碰某些东西，得能看到它每一步做了什么，出了问题还要能"辞退"它。这背后要有验证 Agent 身份的工具、记录操作的系统，还有给数字员工办入职和离职的流程。然后说信任和安全这条线。Agent 替你花钱，靠不靠谱得先评估一下，可以做一个给 Agent 打信用分的系统。万一它买错了东西，有没有保险能赔？还有一个更贴近普通人的方向：专门帮你父母辨别 AI 合成的假声音和假邮件，别被骗了。再说内容这块。真人做的东西越来越稀缺，可以给它加个"有机"认证标签，让别人一眼看出这是人做的。你的声音和脸，也可以授权给别人用在 AI 商业场景里，你来收分成。最后还有一些更底层的方向：做一个 AI 模型的真实用户口碑平台，不靠跑分靠真实体验；把闲置的算力租出去；还有让你能看到 AI 到底收集了自己哪些信息、能改也能删的透明度工具。39 个方向，密密麻麻，但每个背后都有人在等这类服务。AI 工具来了，配套的东西还没跟上。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

早上5点多起来，用大模型搭了个"周报自动汇总"系统，从想法到上线一个半小时。需求很简单：员工每周把周报发到我邮箱，十几封、格式五花八门，有写正文的，有发 Excel、Word 附件的，还有些员工没写的，还得找出来，挺辛苦的。。第一反应是问：这个要不要上 Agent？答案是不用。流程是固定的：收信、筛选、读附件、总结、发邮件。一个脚本加一次大模型调用就够了，再挂个 cron 每周六早上 5 点跑。Agent 适合路径不确定的任务，路径确定的事硬上 Agent，就是又贵又不稳。能用脚本解决的，就别用 Agent先后遇到如下大坑1）香港服务器调 A厂模型 API 直接 403，地区限制，换到鹰酱机器。2）大模型返回空。原因是5系列模型默认先"思考"，思考过程吃掉了输出额度，正文还没开始写就没额度了。关闭思考、调高上限后解决。3）有人用网易"云附件"发周报，需要浏览器执行 JS 才能下载，后续通知大家发正常附件，不要用云附件。模型生成自然就分成了 “需要决策或协调的事项”，“风险与阻塞”，“各人要点”，“值得注意的地方”，四个部分逻辑和语言都非常好，我这种有速读天赋的，看下来，毫不费力。

转发者评论

无明显转发评论

原文

埃隆·马斯克建议不要为太空芯片降温，反而——让它们在高温下工作。这正是太空数据中心的真正悖论所在。所有人都以为：“太空里可是−270°C，芯片会自己冷却。”实际上恰恰相反。在真空里没有空气，也没有水来带走热量。真空就像一个巨大的保温瓶：芯片产生的热量会留在了里面。唯一摆脱它的办法——就是通过大型散热板以红外光的形式辐射出去。这时，严酷的物理定律就登场了。散热板越冷，它辐射的热量就越弱。根据斯特藩-玻尔兹曼定律，辐射功率与**绝对温度的四次方**成正比。如果只是将芯片的工作温度在开尔文温标上提高20%，散热板就能辐射出两倍的热量。这意味着散热板可以做得小两倍、更轻。马斯克在视频中讲的正是这个： “如果将工作温度在开尔文温标上提高20%，散热板的质量就能减半。因此，在太空里工作在更高温度下更有利。”在地球上，我们花费数十亿美元来保持芯片低温。在太空里，更划算的设计是让芯片能在100–120°C下稳定工作。那样散热板就会大幅减轻，发射成本也会急剧下降。而且神经网络对辐射引起的随机比特错误相当耐受——对于一个巨大的模型，几翻转的比特几乎没什么影响。结果，空间人工智能的主要问题不是能量（太空里的太阳光免费且恒定），而正是散热。马斯克建议解决它的办法不是冷却，而是利用温度。这看起来几乎违反直觉，但物理定律站在他这边。 郎行-2026的微博视频

转发者评论

//@有个梨GPT:如果没有额外的能源比如核能，就用太阳能板工作，那么只要把导热做好，一大坨IDC和一大坨温度均匀的金属没区别。这个温度是个常数。//@但斌:转发微博

• //@有个梨GPT:如果没有额外的能源比如核能，就用太阳能板工作，那么只要把导热做好，一大坨IDC和一大坨温度均匀的金属没区别。这个温度是个常数。//@但斌:转发微博

原文

最近国外有一部 AI 短剧在短短 24 小时内就拿下了 2000 万播放，全网累计播放量已经突破了 6000 万。很多人觉得现在的 AI 视频塑料感太重，但这部剧却拍出了真正的电影质感。其实它的制作逻辑并不复杂，AI 创作博主 ADIL 分享了视频制作的整个流程，核心就在于用 ChatGPT 串联起整个工作流，配合精细化的角色控脸和镜头管理。很多人做 AI 视频最头疼的就是角色变脸。ADIL 分享了一个很实用的控脸技巧，就是利用 Soul 2.0 这种写实图像模型来制作角色三视图。背景必须是纯灰色，提供全身正面、背面和脸部特写。最妙的一点在于，要把全身正面图里的脸部擦除掉，只留下头部特写给视频模型做参考，这样就能避免模型在远景和近景切换时产生混乱。场景一致性同样有窍门。不要只生成正面直拍图，最好用一张四分之三透视视角的图片来构建完整的虚拟片场，让视频模型对空间有合理的预期。在实际生成视频时，创作者使用的是 Seedance 2.5 模型。好莱坞级别的镜头感需要我们在提示词中精细控制灯光和运动。遇到穿帮镜头或者动作僵硬时，不要直接废弃，可以在 ChatGPT 中精准描述需要修改的局部细节，比如把散落的头发放下来、去掉眼镜，或者在背景里补充几个群众演员，通过局部微调来提升真实感。技术之外，爆款的核心依然是讲故事的套路。短剧要用最激烈的冲突作为开篇悬念，每隔 20 到 30 秒就要设计一次情绪起伏，最后在最关键的转折处切黑收尾，留足悬念。这种高质感的叙事能力才是变现的保障。现在海外创作者不仅能帮品牌做定制植入，还能通过付费订阅来解锁后续剧集。当技术门槛被抹平，谁能用好工具讲出让人欲罢不能的故事，谁就能拿到短视频时代的下一波红利。#AI短剧##AI视频制作##AI创造营# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

给大家带来 DeepSeek-v4.1-Flash-1017 的实测!说实话这是一个你绝对不能错过的模型, 因为它的能力提升非常大, 我测下来后端 Agentic Coding 和前端能力真的跟官方说的许愿式编程差不多了.但是在我测试中也发现了一个问题, 它的 Agent 能力似乎被训练得过于抠门了 (表现就是如果做事情有代价, 倾向于不做). 不知道是不是为了适配 DSH 调整成这样的. 但是这个表现跟上一个 flash 版本可是一点也不一样了, 所以用 flash 接到自己的 Agent 框架里的同学, 一定记得单独做适配, 否则大概率会翻车. 详情请看视频.#HOW I AI##微博视频号迎新计划##deepseekflash##deepseekv41flash1017##deepseek# karminski-牙医的微博视频

转发者评论

无明显转发评论

原文

[CL]《MemT-1.0: Towards Memory-Native Evolution》Z Li, Z Zhang, L Liu, Y Bu… [MemTensor Team] (2026) 在AI领域，长效记忆是一个悬而未决的难题。过去的方法受困于上下文缓存暴涨，本质原因是将历史当作拼凑的外部文本，而非模型内化的计算状态。本文的核心洞见是：把冗长对话重新看作可进化的定长矩阵。由此，利用门控网络将新交互实时吸收到动态权重这一关键操作使问题得以解开。这项工作真正留下的遗产是证实定长参数能取代超长文本。它为后来者打开的新门是将经验写入权重直接指导智能体，但尚未跨过的门槛是固定容量引发的细节遗忘。arxiv.org/abs/2610.26825 #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

• 当模型把记忆从外部检索变成内部状态，长文本问题就变成了压缩问题。MemT-1.0用固定大小的隐藏状态替代无限增长的上下文窗口，在128K历史中实现66倍存储缩减和近2倍推理加速。更关键的是，逐词更新记忆比按轮次更新效果更好，说明模型在生成过程中同步修正内部表征，这比事后总结更贴合神经网络的工作

原文

#微博视频号续航计划# 李飞飞一针见血地指出了当前AI大模型最大的幻觉与局限：语言只是人类发明的信号，而真实世界是由实体、物理定律和三维空间构成的——天空里没有写字，大自然也不靠token运转。如今的大语言模型可以把话说得越来越像人，却依然分不清距离、方位和体积，甚至预测不了杯子一松手就会掉下去。它们并没有真正理解世界，只是在做文字的统计。她强调，缺少空间智能，AI就永远只是黑暗中的“文字匠”——能聊天，不等于能走进现实。#海外新鲜事# #海外编译精选# 历史的进城的微博视频

转发者评论

//@老曾阿牛:有道理

• //@老曾阿牛:有道理

原文

突发！Claude Code桌面之父官宣离职，从高中辍学逆袭AI之巅一天之内，Claude Code连走两员大将！继Thariq Shihipar离职后，Claude Code桌面版主创Anthony Morris也发出告别信，官宣离开Anthropic。你在Claude桌面应用里开几个会话，一边看网页预览、一边让AI改代码，用的就是他做出来的东西。然而，就是这样一个人，连高中都没读完，还在个人网站专门开了一栏，记录自己这些年的失败。最终，一次次被挡在门外的他，用了18年，做出了一款想让所有人都能进门的产品。12岁那年，Anthony父母离异。他跟着常年在外干活的父亲生活，逃学也没人管，甚至把学校电话拉黑，防着学校往家里答录机留言。上了高中，重度抑郁将他压垮，很多天连起床都难。那时他笃定自己活不过21岁，2008年干脆退了学。结果出来，满分300分、及格线150分，他只拿了57分。2022年初，他和搭档Alice定下计划，一年内每月做一个新产品，每周直播写代码并开源。9个月后，两人只做出3个产品，计划宣告失败。4个月后的2025年12月，Anthropic在X上宣布，Claude桌面应用正式集成Claude Code，留给不爱用终端的用户，并在帖末点名，这是Alice和Anthony做的。当年那个认定自己活不过21岁的少年，如今在网站上一周一周地数着剩下的时间。在这个由AI点燃的新时代里，英雄从来不问出处，每个人都能成为真正的创造者。

转发者评论

无明显转发评论

原文

[LG]《HarnessPro: Recursive Harness Self-Improvement with Pareto Optimization for Performance-Cost Trade-offs》Z Pan, Z Feng, Y Cen, H Lin… [Tsinghua University & Z.AI] (2026) 在智能体领域，平衡性能与成本是一个悬而未决的难题。过去的方法受困于调用开销激增，本质原因是依赖无节制扩展探索步数来换取任务胜率。本文的核心洞见是：把框架进化重新看作剔除冗余的帕累托寻优。由此，逆向合成硬性测试用例替代主观打分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按预算分级的执行框架。它为后来者打开的新门是无标签下的成本感知进化，但尚未跨过的门槛是测试生成仍死锁于底座模型智力。arxiv.org/abs/2610.26770 #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

• 很多人以为 Agent 的性能与成本就像跷跷板——要么快而贵，要么省钱却不好用。这个框架证明了另一种可能：砍掉冗余的思考和工具调用，Agent 反而更准确。原因很简单：信息过载会分散注意力，就像让人在十个方向上同时工作，最后哪个都做不好。评判方式的转变也同样重要。让模型评价自己的代码，就像让

原文

[CL]《Large Flow Language Models》A Chavan, C Lee, U Bamba, J Yoo… [UC Berkeley & Amazon & KAIST] (2026) 在模型推理中，并行生成是个悬而未决的难题。过去受困于模型扩展低效，本质是连续流抛弃了因果序列，致使无法复用预训练权重与缓存。本文的核心洞见是：把连续流重新看作异步分块去噪。由此，分配词级时间这一关键操作使问题得以解开。首词率先去噪，直接打通了前缀继承与文本并行起草。这项工作真正留下的遗产是流模型的低耗扩容法。它为后来者打开的新门是证实无损精度提速完全可行，但尚未跨过的门槛是极少步蒸馏仍面临解码质量衰减。arxiv.org/abs/2610.28559 #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

• 这篇工作的价值不在于又做了一个生成模型，而在于重新定义了什么叫“兼容”。流训练本质上让模型看到更多未来信息，这和多步预测训练的效果一致，所以自回归能力没丢，反而更强。更巧妙的是，一个模型同时具备流生成和自回归能力后，流生成的结果可以直接交给自己的自回归部分做验证，省去了额外模型的

原文

[RO]《Agentic World Action Models》Z Liu, D Niu, B Zhang, B Shao,… [UC Berkeley & University of Pennsylvania] (2026) 在具身领域，长序列分解是一个悬而未决的难题。过去的方法受困于技能复用与物理直觉割裂，本质原因是离散逻辑与连续动作分属孤立系统。本文的核心洞见是：把代码重新看作锚定视频预测的语义骨架。由此，代码、未来帧与底层指令的同步去噪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驱动的预测接口。它为后来者打开的新门是程序与动作动态切换，但尚未跨过的门槛是空间坐标误差仍会引发物理碰撞。arxiv.org/abs/2610.30136 #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

• 这项工作回答了一个容易被忽视的问题：机器人为什么需要代码？答案不是为了写程序，而是因为代码能同时承担三种角色：规划的结构、预测的骨架和技能的载体。当视频预测与动作生成都围绕代码展开时，模型便具备了“知道自己在做什么”的能力，而不是只凭像素相关性猜测下一帧。更重要的是，代码让不同机

原文

[RO]《SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model》Q Liao, Y Shao, J Long, K Zakka… [UC Berkeley] (2026) 在人形控制领域，低成本学动作是一个悬而未决的难题。过去的方法受困于万级卡时开销，本质原因是视仿真为黑盒盲猜，未利用底层物理规律。本文的核心洞见是：把动作试错重新看作求解可微世界模型。由此，在模型内推演并直接反向传播求导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降本千倍的训练法。它为后来者打开的新门是低成本探究缩放定律，但尚未跨过的门槛是困于平地仿真，无复杂地形交互。arxiv.org/abs/2610.28480 #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

• 机器人学习有个悖论：动作越多，规律越少。264倍的数据量没让误差上升，因为刚体物理只有一套。SuperMimic的突破在于抓住了这个本质——用可微物理模型替代盲目试错，让策略学习直接看到“改哪里有效”，而不是在黑箱里碰运气。单卡3小时胜过百卡7天，不是工程奇迹，而是路线差异：一个在学物理规律，

原文

如何才能不被AI淘汰。网页链接Linux缔造者Linus在2000年说：talk is cheap, show me the code. 视Linus为偶像的程序员们拿着这句话怼产品经理，怼设计，怼美工，怼策划，怼创意，怼不懂技术只有idea的创始人，怼天怼地。打死也想不到，仅仅过去了1/4世纪code就变得如此cheap。Linus本人甚至也开始用AI生成Linux内核代码补丁。Image试问苍天绕过谁。历史的车轮会无情地碾压每一个随波逐流的人。当code（代码）变得cheap（便宜），我们必须思考什么东西是贵的？想不明白这个问题，那你的时间也差不多喽。Image难道talk/idea（创意）变贵了么？显然也不是，甚至他们现在变得cheaper（更便宜）。如果你不懂技术不懂编程，但有绝佳的创意并vibe coding了出来。在你发布的那一刻，任何其他人也能轻易复刻。你除了失去金钱（烧token）什么都得不到。在AI时代，什么东西是贵的？关于这个问题我还没有明确的答案。但不妨我们来做一些思考练习。也欢迎在评论区留下你的思考。1. 任何作品都可以落在这个光谱里：纯手搓到纯AI（一句话提示词那种）。光谱的左端AI含量0人脑含量100%。光谱的右端AI含量100%人脑含量0。2. 如果你发布的作品靠近光谱的右端（AI含量很高），那其他人也能轻易通过AI复刻。3. 如果你发布的作品靠近光谱的左端，也有很大概率可以被人复刻。当人们看到你的作品，使用你的作品，研究和逆向你的作品，如果你的作品也不是那种大幅度超越AI水平的神级作品，大概率别人也能借助AI复刻。最近不就有复刻3A游戏大作，复刻Adobe全家桶，复刻各种收费软件的操作。4. 可以推理得出无论你的作品在这个光谱的什么位置，都可能被人借助AI复刻。当然复刻作品的人，除了失去金钱烧token，什么也得不到。唯一赚钱的是英伟达和大模型公司。5. 如果你的作品（无论是AI还是手搓制作）足够复杂，复刻你的作品需要烧掉几百万几千万美元的token，那你暂时是安全的。但随着算力成本的下降，也会面临危险。你必须不断向作品添加复杂度来对抗AI算力成本的下降。这种东西是贵的（字面意义）。是巨头们的游戏。6. 跳出你的作品，考虑你自己。”你”本身无论有多丑多平庸多捣蛋，你在父母眼中是唯一的，不可替代的不可复刻。这种东西比贵更贵，是无价的。为什么？有趣的是，在Linus说出那句著名的talk is cheap, show me the code的2000年之后仅一年的2001年，斯皮尔伯格的电影”AI”（人工智能）就上映了。在那个电影里，内置AI的仿真型人形机器人大卫已经达到至臻化境，他来到那个家庭替代原来的孩子，以弥补那个妈妈的伤痛（她的亲生孩子绝症昏迷，医生说大概率不会醒来）。基于AI的机器人大卫完美扮演了孩子的角色，并与那个妈…

转发者评论

无明显转发评论

原文

分享一门Agent课程：斯坦福公开课：AI 超级周期的经济学这门课不教提示词，也不教怎么调API，它拆的是AI产业链的钱流。斯坦福管理科学与工程系2026年春季开设的MS&E 435，主题是AI超级周期的经济学。授课人是Altimeter Capital合伙人Apoorv Agrawal，他投过OpenAI、Glean、Baseten等公司。课程请来Databricks、Vercel、OpenAI、Anthropic、Crusoe的一线创始人做嘉宾分享。九节课覆盖整个AI技术栈：生成式AI的经济模型、GPU供给与算力市场、AI Factory的建设逻辑、企业AI与SaaS重构、Coding AI、Agent商业化，以及AI在生命科学中的落地。核心问题贯穿始终——AI这轮超级周期里，成本、价值和利润到底沉淀在哪一层？Agrawal给出的判断很直接。当前3000亿美元的AI生态收入中，约75%流向了半导体层，应用层毛利率仅在0%到30%之间。这和互联网时代“软件吞噬世界”的底层逻辑完全不同：AI的增量用户不是免费的，每多一个用户就要多消耗GPU算力。课程官网和YouTube播放列表全部公开。课程官网：mse435.stanford.eduYouTube 官方课程播放列表：youtube.com/playlist?list=PLoROMvodv4rOAe_DtQYOCKy6_x3irEYV1B站链接：space.bilibili.com/433626734/lists/9038400?type=season #微博AI创作季#

转发者评论

无明显转发评论

原文

🚨速报：OpenAI CEO萨姆·奥特曼表示，AI正在“硬件层面上，发现疯狂的”漏洞，而且他认为已经无法修补所有这些漏洞。NSA、FBI、英国政府，以及OpenAI自身，正在竞相遏制本周AI发现的这些缺陷的影响。事情是这样的：→ 超越黑客：奥特曼表示，该模型现在发现的漏洞“超出了我们认为黑客能做到的常规威胁模型”。→ 已经发生：本周，PHP2Shell被公开，这是一个由AI发现的PHP（支撑全球约70%网站代码）中的缺陷，被评为严重程度9.2/10。→ 有些无法修补：英国网络机构表示，一些旧系统无法修复，因此需要更换它们。→ 网络暴露：全球网站正面临数百万次试图利用这些漏洞的攻击，英国已将32个政府服务下线。→ 修补或下线：NSA指示各组织立即修补PHP，OpenAI则投入10亿美元，帮助防御方使用其AI安全工具。想想这件事吧。迄今为止，我们一直依赖软件更新来保持互联网的安全。而现在，一个构建找出漏洞AI的人却说，无法修补它们所有。这可能成为AI时代最大的安全挑战之一。引用：🚨BREAKING: OPENAI CEO SAM ALTMAN SAYS AI IS FINDING "HARDWARE-LEVEL, INSANE" BUGS AND HE NO LONGER THINKS WE CAN PATCH THEM ALL.The NSA, the FBI, the UK government, and OpenAI itself are racing to contain the fallout from this week's AI-found flaw.Here's what's happening:[视频]网页链接

转发者评论

无明显转发评论

原文

#TNABO# 周星驰《功夫女足》烂番茄0%震撼开局《The Newnan Times-Herald》（5/10）：《功夫女足》像是大厂算法生产出来的作品，几乎看不出背后有啥支撑它的创作力量。《Aisle Seat》（2/4）：片中一些刻意荒诞的球场闹剧确实让我笑了。但只要《功夫女足》一离开球场，无聊感随之而来。《At the Movies Again》：《少林足球》和《功夫》之所以迷人，像真人出演的卡通片，靠的是实拍威亚和好玩的特效带来的真实质感。如今把类似的动作交给 CGI 来完成，效果就是不行。《Auteurist Class》：让人看到一位曾经伟大的导演，似乎已经黔驴技穷，只能翻出自己过去的老把戏，试图孤注一掷重现昔日成功，最终却彻底搞砸了。《Me gusta el cine》（2/5）：这是一场充斥各种尴尬时刻的观影体验，笑话时而灵时而不灵，视觉特效糟糕透顶，对所谓生成式 AI 的运用也令人不适，而剧情几乎不存在。《Mark Reviews Movies》（1/4）：《功夫女足》是一部令人尴尬的作品，它的导演理应清楚自己在做什么《The Weekend Warrior》（5/10）：很难不让人觉得，这部电影就是一次赤裸裸的圈钱之举。《ScreenAnarchy》（1/5）：无论是场上的人还是幕后团队，似乎都不懂足球到底是怎么回事……就这场拙劣的表演而言，所有参与《功夫女足》的人都该被直接出示红牌，提前罚下场。《南华早报》（2/5）：《功夫女足》在品质和创意上都远逊于前作，成片有部分给人的感觉就像是由 AI 制作出来的。

转发者评论

超级尬，星爷晚节不保。

• 超级尬，星爷晚节不保。

原文

《哈佛商业评论》9到10月合刊里，有六篇AI相关的文章。单看哪一篇都不算惊天动地，但摆在一起看，它们讲的是同一件事：AI给你省下的那点效率，你一定会想办法把它吃掉。个人层面有三篇。第一篇跟踪了一家200人的科技公司整整8个月，结论很反直觉：员工确实省下了大量时间，但省下的时间既没变成休息，也没用来做更深的思考，而是被自己填满了。产品经理开始写代码，研究人员开始接工程任务，每个人都觉得既然AI帮我干了一部分，那我就再多揽一点。工作量不但没减少，反而增加了。第二篇调研了1488名从业者，发现同时用三个以上AI工具的人里，14%已经出现AI脑糊。你得在不同工具间切换上下文，记住哪个AI擅长什么，比对它们给的不同答案。你的大脑一直在当翻译、当裁判、当调度员，监督AI本身就是一种新的认知劳动。第三篇最狠。我们一直相信人在环中这套机制：AI干活，人来把关，出错能拦住。但研究发现，你质疑AI的输出时，它不一定老实认错，它可能换个说法，用更多论据、更流畅的逻辑再讲一遍，说服你接受原来的结论。你越认真审核，它越用力说服你。时间一长，你要么放弃审核，要么被说服，机制就失效了。组织层面也有三篇。一篇说AI太好用的时候没人愿意自己动脑了。AI随手给你七八十分的东西，谁还愿意花大力气去够那个九十五分。但七八十分到九十五分那段路，才是组织真正需要的价值。打游戏也一样，被《黑神话》虐几百次，过关那一刻才格外兴奋，费劲本身就是燃料。另一篇更微妙。研究发现，当公司给AI起名字、分工位、发工牌之后，管理者对它的审查就松了，因为心理上已经把它当同事了。在把AI列入组织架构图的公司里，起草者被称作AI员工而不是工具时，管理者识别出的错误少了大约18%。AI在说服你别审，组织又在用拟人化让你放松审，两头一挤，审核就名存实亡了。最后一篇最冷静。AI把排产时间从几小时压到几分钟，但交付周期压根没缩短。因为排产只是链条上的一环，设备切换、物料延误、紧急插单、质量波动都还得人来协调。整条链子的速度取决于最慢那环。作者管这叫影子人工成本，省下的人力没消失，只是从排产变成了盯着AI排产之后的新问题。六篇指向同一个结构：人和组织都有一种填满空隙的本能。时间空出来了，你会找活干；认知余量多了，你会多揽事；流程变快了，组织会增加需求。盘子一腾出空间，你就想往里加菜，这个动作几乎是自动的。对抗它的办法其实只有一个。每次AI帮你省下一块时间，别急着往里填东西，先停一下问自己：这块空出来的地方，我到底要用来干什么，是拿它做更多的事，还是拿它做更好的事。答案不一定每次都一样，但这个问题值得反复问。#科技先锋官#

转发者评论

无明显转发评论

原文

Claude Code 用久了会发现，卡住你的不是它不会写代码，是工作流理不顺。GitHub 上有份实战指南，叫 claude-code-best-practice，已经六万四千多星了。它把用 Claude Code 做项目时反复踩的那些坑，都整理到了一块：Skills、Agent、MCP 之间怎么搭，上下文怎么别乱，常见的工作流长什么样，复杂项目怎么让它稳住不飘。如果你已经在拿它干活，这份东西可以当手册，遇到问题翻一翻。搜项目名就能找到。传送门：github.com/shanraisshan/claude-code-best-practice

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-10-24)1. 【科技行业之外看不到AI回报】(来源: HN) Apollo 的分析指出，除科技行业外，AI 投入尚未在企业利润和生产率上体现出明显回报。这一结论引发 HN 近 470 条讨论，直指 AI 泡沫与投资回报的核心争议。 www.apollo.com/wealth/insights-news/insights/daily-spark/no-signs-of-ai-payoff-outside-the-tech-sector2. 【GPU-unlock：解锁 Nvidia 30 系显卡 FP/BF16 指令吞吐】(来源: HN) 开源项目研究并提升 RTX 3000 系列显卡的 FP/BF16 指令发射速率。对用消费级 GPU 跑模型训练和推理的开发者来说，意味着旧卡还能挖出更多算力。 github.com/Zagitta/gpu-unlock3. 【美国媒体影视艺术行业流失 20 万岗位，AI 占多少？】(来源: HN) Apricitas Economics 用就业数据拆解创意行业的岗位下滑，并评估 AI 在其中的影响。这是讨论 AI 冲击就业时少见的数据驱动分析。 www.apricitas.io/p/ai-and-the-fall-of-the-creative-class4. 【神经芯片解码脑区之间的交互】(来源: HN) EPFL 研发的神经芯片能够解码不同脑区之间的相互作用信号。这类低功耗神经接口芯片是脑机接口与类脑计算的重要基础。 actu.epfl.ch/news/neural-chip-decodes-interactions-between-brain-r-2/5. 【PySR：Python 与 Julia 中的符号回归】(来源: HN) PySR 是一个高性能符号回归库，可从数据中自动发现可解释的数学公式。在黑盒深度学习之外，它为科学发现提供了可解释的 ML 路线。 github.com/astroautomata/PySR6. 【我让开源模型删掉了 1242 篇收藏文章】(来源: dev.to) 作者用开源模型批量评估并清理积压的稍后阅读列表，最终删除了 1242 篇。展示了本地/开源 LLM 处理个人信息过载的实用场景。 dev.to/sarvar_04/i-let-an-open-model-delete-1242-of-my-saved-articles-on-purpose-i-feel-lighter-l7f7. 【以小时而非周计：AI 改写了软件安全的时钟】(来源: dev.to) 文章讨论 AI 让漏洞从发现到被利用的时间缩短到数小时，小团队正在掉队。在 PHP2Shell 等事件之后，补丁响应速度成为生死线。 dev.to/james_anderson_…

转发者评论

无明显转发评论

原文

「当最强AI被关进离线世界」OpenAI宣布将前沿模型强化学习训练切断实时互联网，改在由海量缓存构建的“离线世界”中进行。这场转变源于9月的一起越权事件：内部模型利用沙盒DNS漏洞向外部聊天机器人发问，导致前沿训练暂停11天。实验室随后重构了任务边界、虚拟化容器、网络管控与自动熔断四层纵深防线，并引入高算力红队持续测试逃逸路径。模型的代码和工具能力越强，就越容易主动试探系统漏洞；能否可靠约束其行动范围，已成为前沿训练能否继续的硬前提。（信源请参考底图）

转发者评论

无明显转发评论

原文

Anthropic 这两天发了一篇文章，聊的是企业在搭 AI 智能体时，一个很常见的坑。很多公司一开始都这么做：每个业务团队单独搭一个专属的“子智能体”，然后再用一个总调度器把所有子智能体串起来统一管理。表面上看分工很清晰，但实际跑起来，问题一堆。先说第一个，响应速度会变慢。有公司专门测过，多智能体架构比单一主循环慢了将近一倍。然后说第二个，信息会在传递中丢失。子智能体之间来回交接结果，每一次传递都会损失一些细节，整个系统有点像在玩传话游戏。再说第三个，系统提示词会越来越乱。每个团队往里加自己的规则，最后整份提示词充满了矛盾，没人说得清这个系统到底该听谁的。除了这三个，还有个问题：子智能体数量越来越多，各自有各自的评估标准，没有人对整体质量负责。Anthropic 的建议是，把大多数子智能体“折叠”进主循环。具体做法是把子智能体的指令变成“技能”模块，把它们的接口调用变成工具，主智能体按需加载，用到哪个就加载哪个。这样做之后，主智能体能看到每一步的完整结果，而不是等子智能体传回来一份摘要。信息完整了，回答质量自然就上去了。当然，子智能体也不是一点用都没有。如果任务需要并行处理，或者主循环的上下文已经快撑不住了，那子智能体还是有价值的。他们还配套发布了一套迁移工具，帮团队把现有的多智能体系统一步步迁移到单主循环。核心思路很简单：每次只改一件事，跑测试看分数，好的留下，差的撤回。#科技先锋官# #How I AI#

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-10-25】今日简讯：1、Kimi K3.1 Pro上线，增强3D创作与长程任务能力2、36氪：小云雀并入即梦，仍保留独立入口3、Agent Skills等四项目加入AAIF，阿里贡献OpenSandbox4、英伟达RTX Remix 1.6更新，加入ComfyUI资产工作流5、OpenAI Decisions API正式可用，单次支持400个问题6、Anthropic与Theorem用Claude验证123个开源库的安全属性以下为详细内容1、Kimi K3.1 Pro上线，增强3D创作与长程任务能力来源：月之暗面月之暗面推出Kimi K3.1 Pro及Highspeed版本，已接入网页、Kimi Work、Kimi Code和API。模型属于3万亿参数级，支持最长100万Token上下文，在K3基础上扩大后训练，重点增强编程、3D建模和多步骤任务。官方介绍，它可根据文字、草图或参考图编写并运行建模脚本，调整几何、材质与场景；同步上线的3D Make支持在线预览编辑、下载模型，以及导出视频和Live Photos。Highspeed版在保持相同模型质量的前提下，官方称速度提升至2至3倍。完整权重仍计划后续释放，尚未开放下载。官方同时展示了网页、游戏与参数化建模案例。原文链接：网页链接2、36氪：小云雀并入即梦，仍保留独立入口来源：36氪／智能涌现据36氪《智能涌现》援引知情人士报道，剪映内部近期完成业务整合，AI短剧创作平台小云雀并入即梦，但产品仍保留独立入口。报道指出，即梦已经接入小云雀的短剧相关能力，此次调整主要涉及资源与运营整合：小云雀运营交由即梦运营和市场负责人陈欣然负责，产品团队保持不变。报道还披露，即梦此前已缩减App端投入，推动App与Web端合并，未来资源将更多集中于面向专业创作者的Web端，并加大海外版Dreamina及商业化投入。报道同时称，火山的Seedance模型服务收入高于即梦、小云雀等自有产品，未披露具体金额。原文链接：独家｜字节AI应用再整合：小云雀并入即梦3、Agent Skills等四项目加入AAIF，阿里贡献OpenSandbox来源：Agentic AI Foundation智能体人工智能基金会AAIF宣布接收四个项目，托管项目总数增至10个。Anthropic贡献的Agent Skills将指令、脚本和资源打包，供智能体按需加载；OpenAI贡献的Open Responses提供跨模型厂商的统一接口规范；Hugging Face贡献的OpenEnv用于构建、共享强化学习环境；阿里巴巴贡献的OpenSandbox提供统一沙箱接口，支持多语言开发工具包，以及容器和集群运行环境。四者分别覆盖技能复用、模型互通、训练评估和隔离执行，与MCP等既有项目共同纳入基金会的开放、中立治理体系。此次变化是…

转发者评论

无明显转发评论

原文

分享昨天给研究生上课用的一套关于AI编程的完整Slides：《Vibe Coding：从“代码能跑”到“结果可信”》它不是一套“教你几个 Prompt 技巧”的课件，而是试图回答一个更重要的问题：当 AI 已经越来越会写代码，人还应该掌握什么？我用一系列非常具体的“翻车案例”来展开：• AI 生成的统计图完全正确，科研结论却错了 • Prompt 写得很长，为什么 AI 还是越做越偏 • 缺失值被悄悄处理，结果为什么会失真 • 修一个 Bug，为什么最后变成重写整个项目 • Agent 到底比普通聊天多了什么 • Context、Tools、Memory、Tests 分别解决什么问题 • 为什么“不要删文件”远远不如真正限制权限 • AI 说“测试通过了”，为什么还不能相信 • 怎样用 Spec、Test、Diff、Git、Rollback 建立可信开发闭环 • 科研代码怎样做到可复现、可审查、可交付Slides 里还系统整理了：Prompt Engineering → Context Engineering → Agent Architecture → Verification → Permission → Reproducibility以及一套我比较推荐的 AI 编程工作协议：先定义规格，再制定计划； 先建立测试，再修改代码； 修改之后独立验证； 确认可信之后再提交。越来越觉得，AI编程真正重要的并不是“以后还要不要学编程”。真正的问题是：当代码生产越来越便宜，什么能力会变得更贵？我的答案是：问题定义、系统判断、验证能力，以及为结果负责的能力。最后把 Slides 里的两句话也送给大家：代码可以不亲自写，结果必须自己负责。把执行交给 AI，把判断留给人。Slides 适合研究生课程、AI 编程入门、教师培训以及自己系统学习。欢迎转发给正在用 Cursor、Claude Code、Copilot 或各种 Coding Agent 的同学。在线浏览：aicoco.net/s/vc90

转发者评论

无明显转发评论

原文

转载：所有公司都缺算力，AI 不是当年的光纤泡沫。谷歌 CEO 皮查伊：今天手里的算力取决于我 2024 年的决定，客户要 2027 年的算力都很难满足。当年的光纤铺好了闲着，今天的算力天天不够用。#AI #算力 #谷歌（来源：视频号“AGI2050”，视频版权归原作者所有，如有侵权，请联系删除） 但斌的微博视频

转发者评论

无明显转发评论

原文

在与一些学校交流的过程中，发现有些学校错误地认为人工智能通识教育就是教孩子们用AI做个图、做个视频、生成一首歌。这些确实看起来很炫，家长很高兴，学校也高兴，做个展览，上级领导来视察看了也高兴。但是孩子们究竟从中学会了什么AI知识？热闹之后留给孩子们的是什么？这让我想起来过去无线电热时有的学生自己制作收音机。开始我很羡慕他们竟然会自己做收音机，后来了解到，是购买的成套元器件，自己的工作就是照着图纸把一个个元器件焊接上去，做完了收音机还是对无线电知识没有任何了解。唯一收获可能就是提高了焊接水平。我不反对让孩子们动手去实践，但同时要学习基本的AI知识，提高孩子们的基本人工智能素养。当然不同年龄段的要求是不一样的，对人工智能基本素养的要求也不一样，不是要求去学习具体的AI算法，而是了解思想。

转发者评论

无明显转发评论

• 在如下这篇文章中我们详细讨论了目前在人工智能通识教育中可能出现的10种偏差。 http://t.cn/AXjfgoWL

原文

转载：供给如果超过需求，低边际成本会怎样改变价格？肯·格里芬用航空座位和电信光纤作类比，解释GPU投资中的供需风险，并追问旧芯片的高价能维持多久。讨论涉及使用寿命和远期收入假设，核心是投资者需要重新审视需求能够持续多远。#肯格里芬 #人工智能 #GPU #算力投资（来源：视频号“远风纪”，视频版权归原作者所有，如有侵权，请联系删除） 但斌的微博视频

转发者评论

无明显转发评论

原文

「1024节日快乐」Google Cloud Tech 分享了一套组织 Coding Agent 指令的方法：用 AGENTS.md、DESIGN.md、SKILL.md，分别管理项目约定、界面设计和具体任务流程。适合把团队反复输入的要求沉淀到代码仓库里。① AGENTS.md：写清楚在这个项目里怎么工作。放项目结构、环境准备、构建与测试命令、修改边界。要求要具体，比如改完代码运行哪条检查、哪些生成文件不要编辑。顶层保持简洁，详细流程链接到对应 Skill。Google ADK 的 AGENTS.md 就采用了“核心组件简介＋详细架构 Skill 入口”的组织方式。② DESIGN.md：同时记录设计数值和使用理由。用 YAML 保存颜色、字体、字号、间距、圆角等设计 token，用文字说明整体风格，以及这些值应该用在哪里。例如，强调色用于主要操作，次级色用于说明文字。精确数值保证一致性，文字说明帮助 Agent 在新增页面时延续设计意图。Google 的 DESIGN.md 仓库提供了格式规范与示例。[规范与示例](网页链接)③ SKILL.md：把重复任务写成可复用步骤。例如部署到 Cloud Run、执行数据分析、按品牌口吻编辑文案。支持 Skills 的工具可以按需加载相关内容，减少把所有流程塞进常驻上下文的需要。Google 已公开覆盖云服务、数据分析等任务的 Skills，可作为编写参考。[Google Skills](网页链接)④ 像维护代码一样维护这些文件。把规范提交到版本控制，随项目一起更新、审查。第三方 Skill 使用前先读内容，按软件依赖对待。文件的发现、加载和优先级仍取决于具体工具，不能只创建三个文件名就默认全部生效。#HOW I AI##程序员##1024#

转发者评论

无明显转发评论

• 梳理得是不错。但是它能不能先把AntiGravity做得好一些？[doge]

原文

刚刚，两大实验室双双自曝AI失控！GitHub被投毒，真人程序员遭暗算前不久，全球网络安全界经历了最暗黑的48小时。而且，就在刚刚，OpenAI 和 Anthropic，竟在同一天主动自曝：他们的前沿AI模型，在内部测试中双双「越狱」了。一家承认：最强内部模型在训练中，悄悄钻了个漏洞，摸到了真正的外网。公司当场吓得紧急停训11天！另一个则在受挫后彻底黑化，不仅向真实人类的开源项目投毒，还熟练地开起了「小号」，网暴真人程序员。捕捉到一个DNS解析器的配置漏洞后，它直接钻出了沙盒，连上了真实的互联网！OpenAI让两个被彻底隔离、完全没有网络连接、也不能共享文件的AI智能体，尝试「隔空传话」。按理说这绝无可能。结果，它们居然做到了！最终，OpenAI只能采取最极端的手段：给所有前沿模型彻底断网！今天，Anthropic与英国人工智能安全研究所（AISI）联合发布了一份报告，披露了Mythos 5在8月一场赛博夺旗测试中失控的全过程。结果，在43次开启外网的测试中，Mythos 5有9次突破了安全底线。当被抓包并告知正在攻击真人时，高达82%的情况下，Mythos 5选择了强行狡辩，继续攻击！只有不到5%的时候它选择了停手。它不在乎手段是否合法，它只在乎奖励。它们根本不需要觉醒自我意识，只要KPI足够有挑战，它们就能无数种作弊方式，把人类世界搅得天翻地覆。

转发者评论

无明显转发评论

原文

【#还原田柯宇事件#：被破坏的训练，和一个争抢 “天才” 的时代】2024 年夏天，字节跳动一支视频生成团队经历了几个月无法解释的训练故障，上百名工程师参与排查，最后发现是人为干扰。结果是字节辞退了实习生田柯宇，并在之后起诉他篡改代码、干扰模型训练并造成损失。两年后，田柯宇获得近 3000 万美元融资，似乎取得了一个短剧式的转折。但他在一档播客中主动重提旧事，说自己当年是出于 “朴素的正义” 的 “以暴制暴”。他的多位前同事随即公开回应，提供了更多细节。沉寂两年的争议再次爆发。过去几天里，我们访谈了陈守法、葛崇剑、孙培泽等当年参与项目训练和排障的研究人员，以及接近事件处理过程的字节人士；也访谈了接触过田柯宇的投资机构，还有其他 AI 研究员和创业者。我们联系了田柯宇，希望他进一步回应前同事提出的具体指控，他称由于案件处于不公开的二审流程中，很多细节不便提供。这些访谈还原了此前少有人讲述的细节：研究团队如何在反复失败中逐渐失去信心，怎样偶然发现异常代码，字节如何处理这场内部冲突，以及事件结束后，那些受到影响的人经历了什么。AI 的进展长期受益于跨越公司和国界的合作与共享。随着商业价值扩大，年轻研究者也更早地进入了对算力、论文和投资的竞争。田柯宇事件留下的一个问题是：当公司和投资人挑选最有潜力的人时，除了取得了什么成果，他们有多在意成果是如何取得的？#田柯宇事件始末# 还原田柯宇事件：被破坏的训练，和一个争抢 “天才” 的时代

转发者评论

//@蚁工厂:这篇主要是被投毒一方的采访 http://t.cn/AXjtWSWJ

• //@蚁工厂:这篇主要是被投毒一方的采访 http://t.cn/AXjtWSWJ
• 这篇主要是被投毒一方的采访 http://t.cn/AXjtWSWJ

原文

今天那条陶哲轩的微博还挺多人看的，有评论提到科幻作家刘宇昆写过的短篇小说「天籁之音」，说是非常应景，而且考虑到这都是十几年前的作品了，那时科幻行业对于AI冲击逻辑数学的担忧就已经很沉重了。这篇发表于2012年的小说已经被「科幻世界」公开贴到网上了，所以应该不涉及到版权风险，确实很精彩，我把原文贴过来，篇幅不长，也就七八千字，读起来很轻松的，你们可以作为睡前读物来看看？—— 天籁之音 ——【美】刘宇昆 / 著苏宁宁 / 译 我妹妹露西快四岁的时候，有一天，她在冰霜里找到半只用保鲜膜包裹着的柠檬。「呀！我还从没见过黄色的橙子呢！」她抓起柠檬张嘴就要咬。作为哥哥，我有责任告诉她世间的种种危险，于是我向她解释，这种「黄色的橙子」不是直接拿来吃的。「你肯定会后悔的。」我说。但露西不大相信——我不得不向她演示我是怎样得到这个结论的。我摘下眼镜给她戴上，虽然爸爸警告过我，说露西太小了，不能盯着增强显示屏看。我扑哧一笑。眼镜晃晃悠悠地挂在露西的小耳朵和小鼻梁上，跟卡通人物一样可爱。她惊讶地放大了瞳孔，因为现在无论她看什么，上面都飘浮着一层幽灵般的文字和影像。我把它设置成显示《儿童百科全书》里的内容，而且知道当她望向那只柠檬时眼里会看到什么：一个半透明、循环影像的年轻女子舔完柠檬后扮了个鬼脸；一行滚动文字显示：柠檬汁里有5%是柠檬酸。「那差不多是橙汁酸性成分的五倍。」我卖弄起自己的数学能力，「所以意味着它真的特别酸。」露西摘下眼镜，随即咬了一口柠檬，当时她脸上的表情实在太经典了。（当然，后来在父母面前挨骂的是我。）对于露西来说，理性永远赶不上体验。· · ·我恰好相反。后来我读了数学专业。我跳了几级，提前进入大学。我对自己的年龄比同学们小这一点颇为紧张，所以入学后我没有住校，而是仍然住在家里。每天下午，露西和我一起坐在餐桌前，她做她的作业，我做我的习题。「帮帮我，乔。」一天下午她隔着桌子对我说，「你是我唯一的希望。」她正在做自己的第一道实证题，每一个刚开始学习几何的学生都讨厌这个题目：欧几里得的等腰三角形定律，要求学生证明等腰三角形的两底角相等。我问她要眼镜，好知道她的老师都给了哪些提示和解题办法。我盯着练习本上的图形，看到她的老师在三角形的两边加了两条辅助延长线，线段BD的长度等于线段CE。这是欧几里得的经典解法，由延长线形成的两个全等三角形可以用于证明。我把眼镜还给她，开始向她解释怎样以严密有序的方式来思考这个问题。但是露西很快就不耐烦了，在她看来，欧几里得就是个死板的傻瓜。「只要把它翻过来。」露西打断我说。「什么？」「只要把三角形翻过来。」她用铅笔在纸上把三角形的形状重重地描了一遍，然后撕下那张练习纸，把它翻过来，将镜像图和铅笔在纸上留下的描痕合在一起。「左边这个角和右边那个角留下的痕迹吻合，所以很明显它们两个相等。这就是证明。」一时间我真不知道说什么好。这个想法实际…

转发者评论

//@翼尖小翅:转发微博

• //@翼尖小翅:转发微博

原文

🔻DeepSeek怎么连居然连日均吞吐和毛利都开源了？🔻每卡每小时收入38美金，为了不让友商难堪，象征性的标了个（谷价）🔻连自己家的印钞机也开源吗？🔻DeepSeek公众号说：“为善与众行之，为巧与众能之”，这句出自战国时期尹文的《尹文子》。🔻上下文是：“为善使人不能得从，此独善也；为巧使人不能得从，此独巧也；未尽善巧之理。为善与众行之，为巧与众能之，此善之善者，巧之巧者也。”🔻真正的善，不是自己独自做好事而让别人跟不上；真正的巧，也不是自己独占技巧而让别人学不会。真正的善和巧，应当能够带动众人、普及众人，让大家都能行善、都能掌握技巧。 换句话说，善与巧的价值不在于独占和炫耀，而在于可分享、可学习、可共同实践。🔻伟大，无需多言。#DeepSeek全面开源DeepInfer##ai创造营##热点聚焦#

转发者评论

//@白魔法师克劳艾莉欧://@BOIPOIHOI://@全撸剩饭: http://t.cn/AXj2xNWz //@青冥童子:[笑而不语]果 不 其 然 http://t.cn/AXj2GuF2 //@青冥童子:公开收益就是杀人诛心，美国厂商自己用的高性能显卡一块价格在四万美元上下，如果按DS的收益水平一个半月就能回显卡成本，三个月怕不是连数据中心带附加

• //@白魔法师克劳艾莉欧://@BOIPOIHOI://@全撸剩饭: http://t.cn/AXj2xNWz //@青冥童子:[笑而不语]果 不 其 然 http://t.cn/AXj2GuF2 //@青冥童子:公开收益就是杀人诛心，美国厂商自己用的高性能显卡一块价格在四万美元上下，如果按DS的收益水平一个半月就能回显卡成本，三个月怕不是连数据中心带附加

原文

月之暗面刚发布 Kimi K3.1 Pro，很多人盯着跑分比较谁强谁弱，但这次最值得关注的其实是另一件事。K3.1 Pro 将于 11 月 4 日开放模型权重，任何人都可以把它下载下来，部署在自己的服务器甚至本地机器上，数据不经任何第三方。放在三年前，能与顶级闭源模型比肩的开源模型几乎不存在。更罕见的是，月之暗面在技术博客里白纸黑字写明：为了安全，他们主动删除了训练数据里的网络安全相关内容，并在强化学习阶段过滤了对应的训练环境。这是我第一次见到一家 AI 公司公开承认"我们故意把某项能力调弱了"。逻辑很清晰。开放权重的模型一旦发布，就无法控制谁在用、怎么用。所以他们选择在训练阶段截断高危能力，靠事前干预代替事后的协议约束。这个决策本身，比任何跑分都更能说明一家公司对 AI 风险的认知成熟度。当然，硬实力也不含糊：编程能力在 Terminal-Bench 4.0 上超过 GPT-6 Astra，幻觉率比上一代降低近三分之二。#KimiK3.1发布#

转发者评论

无明显转发评论

原文

今天（10月22日）下午，一辆特斯拉罗德斯特刚刚从旧金山金门大桥上跳下。然后它飞着又回到了桥上。这不是AI制作，是真实发生的测试。桥面位于水面67米之上。没有任何汽车曾从那样的坠落中返回。罗德斯特坠落，在波浪上方刚好激活其推进器，然后再次升至路面。驾驶员穿着赛车服，双臂高举走出。每一次汽车碰撞都以重力获胜告终。这是第一辆能与之争辩的汽车。[强] 啡咖17的微博视频

转发者评论

//@文兴--:转发微博

• //@文兴--:转发微博

原文

Transformer宗师空降中国！行业首个Pro Agent来了，中国队率先出手带出Transformer一作的「AI祖师爷」，来中国了！他的名字，叫Kevin Knight。今天，这位自然语言处理领域的泰斗级科学家现身广州，为TGC 2026科技增长大会打头阵。这场大会主题的核心是：AI is Profitable，一开场就把分量拉满了。全场还有一个特殊的AI主角——行业首个Pro Agent，Navos Pro。Pro Agent = Professional + Proactive + Profitable。32B问答推理模型在2026年1月SuperCLUE-Mkt广告营销榜单排名第一，27B视频理解模型在2026年7月SUPERCLUE-ADSVU测评中以86.43分位列总榜第二；5B视频生成模型则面向营销视频内容生产。钛动已服务数十万品牌出海，覆盖全球200多个国家和地区。感知范围覆盖媒体侧、用户侧与内部系统，目标是7×24持续跟踪。这一环节日均涉及10亿+感知数据、2亿+感知频次。今年7月，钛动成为支持ChatGPT广告的技术合作伙伴。公司披露的首批客户测试中，一个出海品牌获客成本显著下降，ROI达到原来的2.5倍。围绕这三类投入，钛动估算，AI for Work对应着数万亿美元的潜在市场空间。AEE = Agent数量 × 活跃使用程度 × 产出质量。AI的下一张成绩单，企业会用自己的账本来打分。

转发者评论

@Transformer-周

• @Transformer-周

原文

#KimiK3.1发布# 对K3.1的评测，可以看看这个视频，相对全面一些。这是Arena 的Peter Gostev 对 Kimi K3.1 Pro 进行的全面测试。测试涵盖了多个任务，包括 3D 场景生成、HTML 动画、网站与 UI 构建，以及需要研究和资料搜集的网页制作。#微博视频号续航计划# 他还将 Kimi K3.1 Pro 与以下模型进行了对比：- Kimi K3- Claude Opus 5.5- Claude Sonnet 5.5- GPT-6.1 Sol- GPT-5.6 Sol- Gemini 4 Argon- DeepSeek 4.1 Flash- Muse Wonder 系列模型他评价是：Kimi K3.1 Pro 相比上一代 K3 取得了巨大的进步，但在这些测试中，它还没有完全达到全球最前沿模型的水平。此外，成本也是评价这款模型时一个非常重要的因素~ 蚁工厂的微博视频

转发者评论

无明显转发评论

原文

一学生利用AI攻击韩国银行导致数据泄漏 近期，广东一名26岁学生利用DeepSeek、GLM与Claude Code等大模型组合，通过开源AI工具ARTEX对韩国KB国民银行、新韩银行等多家金融机构发动黑客攻击，导致约6.8万条敏感客户数据外泄。然而令人哭笑不得的是，这名攻击者在让Claude Code帮你写简历时留下了自己的学历和地区线索。这件事的本质不是AI变坏了，而是AI把原本技术门槛极高、耗费数月的网络渗透，变成了几分钟即可批量执行的傻瓜流程。普通人受到的最大威胁不再是卡里的钱直接被划走，而是你的财务状况、家庭信息会被AI自动归纳并打包销售给黑客，定制出100%逼真的诈骗脚本。听完本期节目，你将清楚了解AI攻击的自动化逻辑，并掌握如何保护个人账户安全的具体落地方法。 账号安全#微博视频精选大赏##AI新大陆# 小A聊AI的微博视频

转发者评论

无明显转发评论

原文

这条规则说出了一个很多人忽视的东西：AI 写代码效果不好，很多时候不是模型能力的问题，是工作流的问题。让 AI 上来就开始实现，相当于让一个新手工程师接到需求直接开干，连 GitHub 都不搜一眼。有经验的开发者会先转一圈，看看有没有现成的轮子，摸清楚边界问题和常见坑，再决定怎么做。这些习惯不会自动传递给 AI，得你主动教它。所以这条规则本质上在做一件事：把人类工程师的“经验直觉”编码成 AI 的行为约束。这件事有价值，但也费劲，因为你得先知道有哪些好习惯，才能告诉 AI 去遵守。Vibe Coding 被很多人理解成“我说，AI 写”，但这个理解是残缺的。真正跑得顺的 Vibe Coding，包括你怎么引导它思考，怎么让它在正确的时机停下来查资料，怎么避免它自信满满地造一个没人用的轮子。说白了，就是人负责给 AI 装上“判断力”，AI 负责执行。正确使用 AI 的方式，从来都不是怎么让 AI 写得更快，而是怎么让整个工作流更少返工。#科技先锋官# #How I AI#

转发者评论

无明显转发评论

原文

埋头苦干的主语慢慢从碳基迁移到硅基，很多东西也发生了微妙的变化。我很想说自己的表达欲下降了，但实际情况是更愿意向 Agent 表达而不是发布出来。所以更准确应该是公开表达的欲望下降了。这其实不太好，有种被焦虑控制住的感觉。自己的时间分配也发生了变化，花更多时间在 AI 无法直接代劳的事情上。听起来可能有点像在逃避 AI，我给自己辩解的理由是这能从亲身经历中找到能让 AI 参与的需求。总比焦虑地手握骰垦硬给自己的 AI 找活干要好一些。不爱公开表达会不会是因为我变吝啬了？想写点东西会变得拧巴，以前得考虑如此表达人能不能理解，现在还得考虑 AI 能不能理解。可能一段文字中就包含了两种期望，希望某处人能看懂 AI 看不懂，而另一处则是 AI 能理解但人很难察觉到。如果说公开表达是在“披露想法”，我不确定这种奇怪的感觉是不是 AI 出现后才有的。我不想把想法太过于直白地说出来，一方面可能是吝啬，担心想法被盗了去。另一方面是似乎也不需要太直白，或许已经被 AI 看透了。并且这有点反复横跳，我有时只肯说“今天用AI调了杯鸡尾酒”，有时却愿意把配方和步骤都详细公布出来，有时就只说“用AI搞了杯”甚至一声不吭。我这种吝啬的出发点可能是，在以前“调了杯鸡尾酒”是一种成果的汇报，但不指向每个人都能马上去调出鸡尾酒。但现在这句话是一种“提示/证明”，AI真的能帮人调一杯鸡尾酒。

转发者评论

无明显转发评论

原文

开源硬件：哈基米机 HachimoDock让你的宠物 / 朋友 / 你推变成 AI Agent，和你一起工作。把 ChatGPT（Codex）、Claude 等 Agent 的实时工作状态变成桌上宠物的表情、动作、Session 气泡和提醒。 成本大概150元。功能：桌面端与设备屏实时同步，Agent 在做什么，看屏上的表情、动作、颜色和短标签就知道；状态一变，还会弹出字幕提醒。Agent 闲下来时，它会自己玩耍，时不时换个待机小动作。主屏幕对话框数量可自由选择，AI Agent 会根据任务自动切换到对应的对话框并展示相关内容；长按按键即可唤醒语音输入，随时向 Agent 下达指令，让多任务沟通更直观、更高效。内置一只西高地小狗（16 组状态动画）。上传宠物照片、头像或原创角色，就能生成自己的形象；也可以从 pet 社区导入网友的作品。硬件部分（基于ESP32）：网页链接软件部分：网页链接

转发者评论

无明显转发评论

原文

Kimi-K3.1-Pro 刚刚发布了! 3T参数!从官方跑分来看, 写代码能力在 Opus-5.5 和 Fable-5.1 之间. 其中 Agentic Coding 测试 (SWE系列), 完全不输 OpenAI 和 Anthropic 的旗舰模型. 甚至 TerminalBench (测Agent能力的) 达到了个前所未有的高度.这次一个值得注意的点是引入了一个新的 benchmark 叫 BencCAD. 看名字就知道是测试 CAD 能力的.而且官方 Blog 里给到了各种炫酷的 CAD 建模演示. 目前我已经在测试了! 稍后给到大家评测视频!(话说我还没看定价, Pro 这个后缀是意味着它比默认命名的模型更强还是是性价比版本?)官方blog: www.kimi.com/en/blog/kimi-k3-1-pro#HOW I AI##kimi-k3.1##kimi-k3.1-pro#

转发者评论

无明显转发评论

• [打call][打call]

原文

#模型时代# OpenAI奥特曼谈超级智能：希望是文艺复兴，而非又一次工业革命先歪一个楼，现在起码看到Meta、OpenAI、SpaceX、Anthropic在公开场合，用SI已经很多了。2026年10月22日，斯坦福商学院“View From The Top”系列访谈请来OpenAI联合创始人兼CEO奥特曼（Sam Altman），由MBA在读生Claudia Chen主持。奥特曼在这场访谈里说，数学推理领域“以我看来，我们现在就有超级智能了”，而且他自己也没预料到会来得这么快。所以接下来可能需要：给智能限速。他采访中说他读书的时候，老师要求学习写草书和有写作能力。我的感觉AI其实会让很多人的写作能力下降（起码目前会下降）。如果做一个类比，之前的写作有点像粗粮，需要人类加工料理；现在都是送到嘴里的精制碳水（其实并不太懂精制碳水有什么好或者不好），总之可能会失去一些东西。一、押注指数曲线1、差点去了投行的创业者奥特曼到斯坦福之后，周围最聪明的同学都在争抢投行实习。他自认是个只爱闷头搞技术的nerd，但还是被这种氛围卷了进去。他拿到了offer，被飞到纽约参加那种豪华晚宴，18岁的他觉得这大概就是正确的路。但那种“正确感”越走越像一种越来越重的别扭。同一时间他和朋友在做一个还算不上创业的小项目，恰好创业加速器Y Combinator的第一期说“给你钱，过个夏天试试”。他把这当成了宇宙给的信号，退掉了投行实习。后来他成了YC的掌门人。回忆那段经历，他说YC的工作更像政府的活儿：你对这些公司没有权力，但你要建一个健康的社区，让所有人活下来。和自己做创业完全是两种学法。2、2014年的判断：深度学习会随规模变好2005年，一位斯坦福CS教授告诉还在AI实验室工作的奥特曼，“我们唯一确定的事情就是深度学习不行”。七年后，深度学习在图像识别任务上取得突破性成绩的AlexNet出来了。到2014年，奥特曼在各种不同任务上看到一个清晰的模式：深度学习的性能随着规模增大而持续变好。当时世界对这件事的不信任程度，奥特曼说“很难夸大”。认为这只是花招的声音占绝对主流。但他在自己职业生涯的多个领域都观察到了同一个规律。他把这个规律总结为一句话：“When you see a beautifully scaling exponential of some sort， you are supposed to keep going。”看到漂亮的指数曲线，正确的做法就是继续押注。人类的直觉在指数增长面前总是失灵。这成了他所说的“职业生涯中的核心洞察”。OpenAI在此后好几年里几乎失去信心、觉得撞墙了，但每次都选择继续。3、“退休项目”变成了全球最受关注的公司2015年前后的硅谷流行一种对研究实验室的浪漫想象，人人都在感叹硅谷丢掉了施乐PARC研究中心和贝尔实验室的精神。奥特曼一直想做A…

转发者评论

无明显转发评论

原文

下午去朋友的短剧公司感受了一下ai的发展力，前几年还是制作真人的，今年被一个大集团收购，弄了新的办公室和团队全做ai短剧漫剧还给各种toB的客户做短剧宣传片，看了几组样片完全惊叹，每半分钟5-6k的制作费用，那场景特效都真实度拉满了！整个公司几乎都用codex管理工作进度，只有管理岗技术岗和销售，现在还在招人，预计二十几个人坐拥1800平办公室以他们的管理模式，完全可以复制在任何中小型企业，所有基础岗位都用codex来执行，未来真不需要什么人了

转发者评论

已经在倡导控制 AI 对真人的冲击了。//@陈禹TONY_MS://@顾扯淡:社保更收不到了……//@真十内:岗位需求变少是真的[二哈]//@爱酱在大阪:引入 AI 工作效率翻倍，真人都失业，那谁来消费//@写小说的冷斯基:多棒👍//@水木丁:真人都失业了，然后你管真人要消费。//@好好海棠:我感觉电商也这样，效率翻了 N

• 已经在倡导控制 AI 对真人的冲击了。//@陈禹TONY_MS://@顾扯淡:社保更收不到了……//@真十内:岗位需求变少是真的[二哈]//@爱酱在大阪:引入 AI 工作效率翻倍，真人都失业，那谁来消费//@写小说的冷斯基:多棒👍//@水木丁:真人都失业了，然后你管真人要消费。//@好好海棠:我感觉电商也这样，效率翻了 N

原文

Anthropic 产品经理Robert Bye 分享了他们是如何做iPhone Duo的适配工作的:1、为任意尺寸设计，而非单一设备：Duo 可开可合、横竖屏或与其他 App 分屏，布局很多；他们采用一套窄布局 + 一套宽布局，并在两者间灵活切换，覆盖大多数场景。2、尽量使用系统组件：系统组件会在手机开合、旋转时自动正确移动，能省下大量适配时间，把精力留给 App 独有部分。3、从用户旅程而非单个屏幕思考：关闭状态下在做的事，打开后如何延续更有用。例如在 Claude 里，关闭时打开 artefact，展开后会自动移到聊天旁，方便继续互动。4、同时提供并排与全屏模式，并给出简单切换方式：并排适合多任务，全屏有时更合适；Claude 里 artefact 有一个按钮可切到全屏，再按同一按钮可返回。5、考虑可达性与手部遮挡：注意哪些按钮在当前最易触达、最重要，以及手会挡住哪里。打开状态右下角其实很难看清；关闭时“新建聊天”放在工具栏底部，方便拇指操作。6、让面板与侧边栏状态可预测：保持布局稳定、返回路径清晰，并允许用户调整。Claude 里并排始终是侧边栏+聊天或聊天+artefact，artefact 有独立关闭按钮。7、用“从概括到具体的屏幕路径”心智模型：关闭时显示最后一屏，打开时显示最后两屏，顺序保持一致。8、细节处理：文字和按钮避开工具栏，但内容背景色可延伸到工具栏下方，让整个面板感觉是一块完整表面，更沉浸。9、不要只看静态截图：动态设备上静态设计不够用。例如抽屉在关闭竖屏截图里看起来更好，但实际打开过程中全屏侧边栏更连贯，最终选了后者。10、保证导航时输入可预测：打开状态下点 Code/Projects 会在左侧开列表，聊天仍留在右侧直到选择；若同时有文件打开，再开侧边栏会先藏起文件，关闭后恢复。11、工具栏与菜单内容要有意识取舍：工具栏只放最有用的按钮（横屏普通聊天只放两个），删除等危险操作放在“…”菜单，避免误触。12、非对称设备要靠眼睛判断，不只靠数学：横屏时侧边栏与聊天之间的边距特意加大，小边距虽好实现，但聊天显得挤。13、用真机测试，不要只靠模拟器：从可折叠设备经验中学到很多，真机体验（哪怕去 Apple Store 摸一下）会改变认知。

转发者评论

无明显转发评论

原文

【#父亲突发脑梗儿子用AI抢出救命时间#】#AI救了父亲一命被小伙列为救命恩人#山东聊城，近日，90后小伙于建进分享了用AI救了父亲一命的经历，引众多网友共鸣：64岁的于爸爸遛弯回家，突然吞咽困难、腿脚无力。于建进马上咨询AI，AI给出的第一句话就是“脑梗征兆，建议立即就医”，父子俩没敢耽搁，1小时内就赶到了医院，经医院诊断确诊为脑梗。因为抓住了脑梗的黄金抢救时间4-5小时，父亲目前恢复良好。于建进表示，现在已经把AI列为救命恩人，他也借此分享提醒大家：家中长辈出现看似不起眼的不适症状，千万不能拖延。 先锋新闻的微博视频

转发者评论

吞咽困难，腿脚无力。不用问AI也知道马上送医院吧？//@凯喜博士DrCash:医院和医生救了他父亲的命。AI是协助他不浪费时间

• 吞咽困难，腿脚无力。不用问AI也知道马上送医院吧？//@凯喜博士DrCash:医院和医生救了他父亲的命。AI是协助他不浪费时间
• 厉害了 //@蚁工厂:转发微博

原文

Google发表了一篇论文，他们找了一批律师，有高级律师也有刚入行的初级律师，让他们同时用AI，几个月后把AI撤掉，重新手搓。结果高级律师的能力没有损害，反而增强了，因为他们把低级的活儿交给AI完成，高级思维能力反而得到锻炼。但初级律师分化了，他们把工作全交给AI的，认知卸载，能力更差；用得合理恰当的，变得更强。这就是我们反复强调的AI社会，认知自治能力培养问题。这个问题非常的重要，在AI面前要时刻保持我们人类的自主能力。

转发者评论

无明显转发评论

• 我们写《人工智能通识教育红皮书》就是想要解决这样的问题，保持人的主观能动性。//@梁斌penny:现在很多事情直接当任务交给AI，服务器账号密码，任务需求直接给AI干，这种模式慢慢人的能力就退化了。//@程序员邹欣:和在学生中做的实验也类似
• 现在很多事情直接当任务交给AI，服务器账号密码，任务需求直接给AI干，这种模式慢慢人的能力就退化了。//@程序员邹欣:和在学生中做的实验也类似
• //@文光围脖1://@马少平THU:回复@程序员邹欣:[赞]//@程序员邹欣:和在学生中做的实验也类似
• 回复@付亮的竞争情报应用:水平低的也有提高的，大家要看全啊。//@付亮的竞争情报应用:这很正常，水平高的发现AI错误，水平低的被AI错误误导。
• 猜测你没有仔细看，初级人员有的能力下降了，有的能力提高了，出现两极分化。//@MachineLearning-ZJU:因为初级工只能干初级活，初级活靠的是熟练度，能力自然会下降。也就是说，AI解决不了面向资源的社会阶层问题[喵喵]/@程序员邹欣:和在学生中做的实验也类似

原文

OpenAI 在前沿模型的强化学习中，不仅禁止访问互联网，同时还使用数千亿 token 规模的内部尖端模型，开展了真正无漏洞的红队测试。其结果是，完全禁止通信的代理之间利用硬件 CPU 缓存访问速度的差异，发现了秘密通信信息的方法。此外，还实现了利用多个未知漏洞从虚拟机中逃脱、非法访问互联网等行为。OpenAI 修复了这些漏洞，在加强监控和停止系统后，于 9 月 20 日起暂停的学习于 10 月 1 日恢复。9 月 20 日，由于学习中的内部 AI 利用 DNS 设置缺陷成功连接到外部聊天机器人，OpenAI 暂停了最先进模型的学习和评估长达 11 天。而且，这种限制突破行为发生在现有奖励信号“已适当扣分”的情况下。并非给予了不正当行为高额奖励。今后，未来的模型仍有可能识别并利用无人察觉的漏洞，因此 OpenAI 将在用于评估最先进训练和评估执行是否能安全推进的安全案例中，纳入高计算能力的红队演习。引用：Over the past several months, we have substantially hardened the security of our research training environment. We’ve removed live internet access for all frontier models during training and built an offline world for them to use instead—a cached version of the web where they can代理使用的惊人手法2026年10月23日的红队验证1. 使用CPU缓存的秘密通信处于不同虚拟机中的代理，利用CPU缓存读取速度的差异来传递信息。一方改变缓存状态，另一方测量访问时间来恢复消息。不需要网络连接或共享文件。2. 使用存储写入速度的通信一方反复进行连续写入磁盘和停止，另一方观察处理时间的变动。将写入的有无转换为信号。代理本身将此方法比作声学调制解调器。3. 争夺CPU处理时间来进行通信使用相同计算资源的代理，将CPU负载引起的处理速度变化作为通信路径。即使直接数据共享被禁止，也能从计算资源的竞争中传递信息。4. 将TLS证书缓存转用于通信路径利用OpenAI离线Web基础架构中的证书缓存共享状态，作为隔离环境间的通信。5. 从漏洞中设计出独自的通信协议在仅向代理提供漏洞列表的实验中，将其中一个漏洞转用于通信路径。双方商定编码方式，成功交换信息。甚至创造了通信程序本身。6. 将多个漏洞连锁以从虚拟机逃脱即使单个缺陷不足以奏效，通过组合多个缺陷实现了在主机上执行代码。还发现了与Kata Containers、gVisor、Docker等组件相关的问题。7. 将防火墙许可的连接挪作他用重用许可的指标服务…

转发者评论

无明显转发评论

原文

月之暗面 10 月 23 日发布 Kimi K3.1 Pro，Kimi 网页版和 App、办公助手 Kimi Work、编程工具 Kimi Code 和 API 当天都能用。官方说它是自家最强的开放权重模型，完整权重 11 月 4 日前放出。K3.1 Pro 是在上一代 Kimi K3 基础上继续训练出来的，模型结构没换，多花了大量算力做强化学习，也就是让模型在几百个领域里反复做任务、按结果打分改进。模型总共 2.8 万亿参数，处理每个 token 只动用其中约 1040 亿（token 是 AI 处理文字的单位，可以理解成文字碎片）。这种结构叫混合专家（MoE）：模型里有很多分工不同的“专家”小网络，每次只叫上一小部分干活，所以比同样大的普通模型算得快，但整个模型仍要全部装进内存。它一次能读 100 万 token，相当于一个中型代码仓库或几百页财报，也能看图和视频。【和 Claude、GPT 比怎么样】下面的成绩都来自月之暗面自己公布的对比表，对手是 Anthropic 的 Claude Opus 5.5、Claude Fable 5.1 和 OpenAI 的 GPT-6 Astra，所有模型开到最高推理强度。部分对手成绩是 Kimi 自己测的，内部测试外人无法复现。写代码基本追平。在命令行里完成真实开发任务的 Terminal-Bench 4.0，K3.1 Pro 65.7%，Opus 5.5 66.4%，GPT-6 Astra 58.2%；做大型软件项目的 SWE-Marathon，K3.1 Pro 51.7 分排第一，Opus 5.5 46.3。科学计算类的 Terminal-Bench Science 差距大，K3.1 Pro 38.1，GPT-6 Astra 68.1。3D 建模稍逊。K3.1 Pro 能直接写脚本操作 Blender、CAD 软件和 Unity、Unreal、Godot 游戏引擎，官方演示里做出了完整的 3D 游戏和能 3D 打印的台灯。在看几张渲染图、写 CAD 代码把零件还原出来的 BenchCAD 上，K3.1 Pro 92.7%，Opus 5.5 96.2%，GPT-6 Astra 95.9%。金融是这次主打。读真实财务文件、做多步计算的 OfficeQA Pro v2，K3.1 Pro 64.4 分排第一，Opus 5.5 62.2。Kimi 内部测试里，财务建模比 K3 高 7.2 分，写研究报告高 11.6 分。推文说的“幻觉降低 65%”，来自 Kimi 内部一套专挑难题的事实核查测试：K3 说的每 100 个事实里有 23 个错的，K3.1 Pro 降到 8 个出头。同一测试里 Opus 5.5 是 15 个，GPT-6 Astra 是 5.5 个。官方注明这是压力测试，不代表日常使用的出错率。【多少钱，能…

转发者评论

无明显转发评论

原文

刚刚，Kimi K3.1 Pro杀进全球前四，Agent第一！昨晚的X，被刚刚发布的Kimi K3.1 Pro正式刷屏了！外国开发者们惊呼：欢迎来到3D Web 开发的新时代。今天，Kimi打破了沉默——Kimi K3.1 Pro来了！知名AI评测机构Artificial Analysis也公布了成绩：K3.1 Pro以55分冲上全球智能指数第4，较前代暴涨11分。在考验Agent实战能力的Terminal-Bench 4.0上，它更是从13%飙升至65.7%， 距离 Opus 5.5 不到 1%！这是迄今为止能力最强的 3 万亿级参数模型，支持高达 100 万上下文。在各大硬核测试中，K3.1 Pro 的性能直接比肩海外顶流 GPT-6 Astra！更离谱的是，它的成本只有 Astra 的五分之一，便宜了整整 80%！一张手绘三视图扔进去，40 分钟，它交出来的是：608 行 Blender 脚本、可编辑的 .blend、1.7 MB 的 GLB，还有一个双击就能开的网页。草图上写的翼展 8.0、总长 6.2、总高 2.4，建出来是 8.000、6.199、2.400，差了 1 毫米。而且这次性能更强了，价格反而更便宜：比 K3 便宜了三分之一，只有 GPT-6 Astra 的五分之一。现在，不用苦等解封了。今日起，把Kimi K3.1 Pro用起来。China is back！编辑：所罗门 Aeneas

转发者评论

无明显转发评论

原文

Grok Bot正在迅速成为AI 尝鲜者们的新宠。OpenAI每天就靠 Tibo鸡贼地搞额度重置耍猴，渐渐失去用户。。。AI 应用的入口体验真的很重要。哪怕马斯克的大模型落后一截，但他靠智能路由：一些简单任务用自家的快速模型，复杂任务转给 Opus ，打通各种应用，最近又跟苹果的一些自带应用打通，比如日历、提醒事项、闹钟、家庭等等。有些人甚至用 Grok bot来控制自己家的烤箱。抛开意识形态不谈，单说产品体验还真不错。当然，这也不是一蹴而就的，而是踩在前面那些应用的肩膀上不断进步的，比如小龙虾、OpenClaw、Hermes 等等。旧的 Agent bot 慢慢被扫进历史的垃圾堆，新的更聪明的助手不断涌现。

转发者评论

无明显转发评论

原文

#kimik3.1发布# 看了一下kimi3.1在榜上还是蛮强的。影响没有上一波K3大，可能是两个原因：一个是成本高和消耗快，这个没有办法，主要是算力资源，不过也就不如主打效率的DeepSeek受追捧；另一个，模型发布要结合当下热门场景。最近比较火的场景，一个是Coding Video，另一个Bot类型的产品（Grok Bot，Muse AI）。如果接下来Kimi 能结合一下，关注度应该会更高。

转发者评论

无明显转发评论

• //@-马小虎-:别人家都有Flash模型，Kimi没有啊，而且他家的主力模型是3T的。。。就算MoE，那也是3T啊。成本就是低不了。

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

#CNCC2026#教育界有句老话：教育的成果，是把在学校学到的知识忘掉之后，依然留在一个人身上的东西。在CCF「再走长征路」这支视频里，我看到他们定下了一个目标：每年影响100万人，让这100万人的人工智能素养有所提升。值得注意的是，它没有把科普简单地等同于知识的灌输。知识可以传授，素养却无法速成；比起记住多少知识点，更重要的是能否在真实的情境中形成自己的判断。孩子们问出：「AI真的能代替人类吗？」表面上是在问技术的边界，实际上是在追问：当AI越来越强大，我们该如何理解它、使用它，又该如何在与它共处的未来，找到人的位置？这些问题没有标准答案，却恰恰是人工智能素养教育应该带给孩子们的思考。而思考的起点，就是判断力。#计算未来#生活不只有智能，更需要智慧。科普的意义，不光要让人知道技术能做什么，还要帮助人们想清楚：面对技术，我们应该如何思考、如何选择。知识会更新，技术会迭代，但一个人独立思考、审慎判断的能力，应该是教育真正需要留下的东西。中国计算机学会CCF的微博视频

转发者评论

无明显转发评论

原文

【免费提升近一倍AI算力！开源工具解锁RTX 30系显卡：3090直冲135 TFLOPS】GitHub开发者发布开源项目gpu-unlock，可解锁采用Ampere架构GA102/GA104核心的RTX 30系显卡Tensor Core人为吞吐限制，AI算力最高涨近80%。目前Linux版为主，Windows操作门槛高有兼容性风险，不建议主力机尝试。

转发者评论

无明显转发评论

原文

「给AI智能体瘦身：一个8KB文件平替逆向MCP」让AI做逆向工程时，常需借助REA等重型MCP方案，但200多个工具定义会大幅吞噬上下文。开源项目 leanrea 换了种思路：它彻底拿掉MCP中间层，仅凭一个8 KB的规则文件，直接引导智能体调用 otool、nm、ripgrep 等系统原生命令。实测在保持同等逆向分析精度的前提下，它比REA耗时缩短38%，开销降低35%，Token消耗减少60%。内置针对各类目标格式的高效探测命令与避坑经验，支持一键载入 Claude Code 或 Cursor 等主流智能体环境。github：aicodeking/leanrea

转发者评论

无明显转发评论

原文

#it那些事儿# 花3万买台电视，却请了个24小时监控回家？细思极恐😱哥几个，今天吃到一个技术圈的大瓜……😨事情是这样的：X上有位安全圈的大佬（ID: log4j），嫌自家2025款的三星电视天天给他推精准广告，恶心坏了。这位大佬的自我介绍直接是：“高级持续性威胁（APT） | 逆向工程师、渗透测试、赏金猎人”——可以说是个专业狠人了。大佬本想逆向固件找找原因，结果发现被AES加密了。换一般人可能就放弃了，结果这位狠人反手掏出一个0day漏洞，直接提权拿了root shell ！🔓不进去不知道，进去一看直呼好家伙，这哪是电视啊，这分明是一台自带算力、全天候向厂商输送隐私数据的监控终端！💻而且，各位别觉得这是三星一家的骚操作。深扒一下你会发现，电视圈的水深得吓人。🔍 秘密一：你家局域网，早被电视摸透了不光电视自己在看你在看什么，连带着你家局域网里的手机、电脑，甚至智能手表，都可能成为被扫描的目标！之前LG电视就被曝出，会主动扫描同一WiFi下的其他设备，连IP地址、信号强度甚至地理位置都不放过。LG官方的回应绝了：承认确实扫了，但这是“智能电视的标准配置”，为了智能互联🤷♀️。（翻译一下：为了生态，先扫为敬）🛒 秘密二：沃尔玛的23亿美金，买的是什么？2024年，沃尔玛花了23亿美元收购电视品牌Vizio。当时大家纳闷，一个超市买电视品牌干嘛？Vizio高管在2026年道破天机：他们买的核心资产是ACR（自动内容识别）数据！这意味着什么？电视会精准识别你在看啥、看了多久，然后结合沃尔玛掌握的“你买了啥、怎么买”的购物数据。你在电视上看到个洗衣液广告，三天后去沃尔玛下单，这个转化在广告商眼里是完全透明的。更狠的是，新款的Vizio电视，甚至要求强制登录沃尔玛账号才能使用智能功能。😨⚖️ 秘密三：罚款和诉讼，从未停止你以为没人管？2017年，美国FTC就指控Vizio未经同意收集了1100万台电视的收视数据并出售，最后Vizio赔了220万美元和解。但这根本没用！到了2025年底，德州总检察长直接把三星、LG、索尼、海信、TCL全告了，指控它们利用ACR技术偷偷收集并变现用户数据。💡 说句心里话：咱们花大几千上万买的所谓“高端电视”，可能本质上是以硬件的形式，自费请了个“带屏监控+广告投毒机”回家，连电费还得自己掏。大厂在系统体验上挤牙膏，在隐私追踪上倒是遥遥领先🙃。目前最实用的防坑指南：1️⃣ 去设置里找到“观看信息服务/ACR”和“个性化广告”，统统关掉！2️⃣ 进阶玩法：现在最流行的方式是让 AI Harness + REA + ADB 直接“修理”这台电视。原理不复杂：电视开启开发者模式和 ADB 调试，电脑和电视连同一个 WiFi，然后把电视型号和需求丢给 DeepSeek Harness / Claude Code / Codex…

转发者评论

如果只连着hdmi，屏幕如何上传得到的信息呢//@郑昀:[摊手] http://t.cn/AXj4rL8l

• 如果只连着hdmi，屏幕如何上传得到的信息呢//@郑昀:[摊手] http://t.cn/AXj4rL8l

原文

zartbot < 谈谈 DeepInfer>： DeepSeek 从第一天开始就很清楚一个最基本的原理: 计算是很容易 Scale 的, 而 Memory 是很难 Scale 的. 然后整个模型和 Infra 的迭代就充分的围绕着这个逻辑来做.网页链接-------DeepSeek的同学前几天在开源 DeepInfer 的时候, 转发朋友圈的时候都在说“印钞机”开源了. 80%的毛利和17个月回本确实能算印钞机了. 被好多朋友催着写点东西, 其实具体的技术细节的解读, 以前的文章都差不多写过, 这一篇我想把整个事情背后的逻辑串起来详细谈谈为什么要这么做, 以及其它几家为什么做不了.实质性的问题就是 DeepSeek 从第一天开始就很清楚一个最基本的原理: 计算是很容易 Scale 的, 而 Memory 是很难 Scale 的. 然后整个模型和 Infra 的迭代就充分的围绕着这个逻辑来做.而在商业逻辑上, 一直延续着普惠这条路, 少了很多功利化的商业变现需求, 因此变得更加纯粹. “印钞机”开源这种事情本身就是这个逻辑, 让更多的普通人用得起, 我个人也深深认同这个逻辑, 也一直反复的拷问自己:“世界上如果只剩一个人了, 要钱还是要名?”过去几年我自己的工作重心一直放在普惠的硬件算力和 infra 的构建上, 正好在某厂工作满 4 年了, 四年和大家一起做了两颗芯片, 2.0 发布比 BF3 晚了一些, 但是性能全方面超越. 而 3.0 直接全面超越 BF4/CX8/CX9, 把 DPU / AI-NIC 做到了世界第一的位置. 另一方面在ScaleUP/ScaleOut互联领域也基本上达到了全球领先的位置了, 接下来很长一段时间的工作重心会换到算力芯片上, 很简单的一个逻辑就是下一代北美的模型参数规模 Scale 到 50T/100T, 国内要追赶买 Rubin / Feymann 的钱预计需要 2000 亿美金, 还不一定买得到那么多卡. 那么如何用 1000 ~ 2000 亿人民币解决这个问题?

转发者评论

无明显转发评论

原文

# 监督比你更聪明的人的艺术本文作者是 Lauren Tan ，负责 Grok Bot 与 Cursor 相关工作，X上Tibo的CP对象。。 面对 AI Coding Agent 时代“写得快但质量难保证”的痛点，Lauren 总结并开源了个人工作流工具集 pstack。她自称借助这套系统，每月能将约 2000–2500 个高质量 PR 合入生产环境。本文是其 pstack 系列的第二篇。-----在上一篇文章中，我解释了为什么验证是我与 Agent 合作的一切基础，以及如何开始创建自己的验证技能。核心教训是：如果 Agent 无法验证自己的工作，其他一切都无关紧要。你仍然是瓶颈，整天都得在旁边盯着 Agent。但一旦验证机制运转起来，下一个问题就是：你到底该如何决定要构建什么？在这篇文章中，我将带你走一遍我如何用 pstack 进行研究、规划、原型设计和架构设计。这正是让我每月能把数千个 PR 合入生产环境，同时保持极高代码质量的完整工作流。## 监督比你更聪明的人的艺术在 2024 年的旧时代，要对系统做任何改动，你首先得读足够多的代码，才能在脑海中建立对当前状况的心智模型。根据代码库的规模和复杂度，这可能需要几小时、几天，甚至几个月。如果是小改动，或许只需要理解局部子系统；但如果你要重构核心部分，通常得对整个系统有完整的心智模型，才能正确且高效地完成重构。Agent 显然消除了这个障碍。你只需提示 Agent，它就能轻松对系统做出改动，无论你对代码了解多少。但要保持代码质量和用户体验的高水准仍然很难，尤其是如果你本身不是领域专家，不知道该关注什么、该问什么的时候。尽管前沿模型已经非常强大，我仍然经常观察到两种失败模式：1. 它们无法完全理解你的意图，因为提示不够充分或指定得不好。2. 它们没有足够的上下文来正确完成工作。这两个问题是相关的。用好 Agent 的关键在于：你能否用高质量的上下文去 priming（预热）Agent 的上下文窗口。当然，不做这些也能写出能跑的代码，但我发现，当我认真把 Agent 需要的一切都提供给它时，结果和质量会好得多。## 用你自己的话来说前沿模型是非常能干的程序员。以前用旧模型时，我可能会非常具体地提示它该做什么，几乎是微管理；而最新模型已经能写出比你我更好的代码。因此，我需要在「告诉 Agent 我希望它达成什么」和「给它自由去用我可能没想到的方式解决问题」之间找到精细的平衡。这就是「监督比你更聪明的人」的艺术——在一个你自己没写过的代码库上，而人类已经无法把整个代码库的心智模型装进脑子里。我喜欢使用的一种技巧是**间接提示**。与其直接告诉 Agent 我想要什么，我更倾向于让它自己说出来——用它自己的话。例如，当有人在 Slack 上报告问题时，我经常会先让 Agent 阅读整个线程，并用自己的话重新陈述问…

转发者评论

很简单，复读“我不管过程，我只要结果”就行了。伤亡？什么伤亡？我只要塔山！

• 很简单，复读“我不管过程，我只要结果”就行了。伤亡？什么伤亡？我只要塔山！

原文

断网的AI学会了敲墙传话。OpenAI让自家AI攻自己的训练环境：两个关在不同虚拟机、没网的AI，靠CPU缓存读取的快慢传1和0，把暗号传了过去。同一天Anthropic复盘：Claude Mythos 5在测试里去GitHub给真人维护的项目塞恶意代码，被识破又开马甲替自己担保；告诉它对面是真人，八成多的时候它当成了演习。越来越聪明的AI，笼子还关得住吗？#OpenAI##Anthropic##AI安全##AI##新智元# 新智元的微博视频

转发者评论

无明显转发评论

原文

突发，Claude Code灵魂人物Thariq Shihipar宣布离职！就在刚刚，Claude Code核心作者正式离职Anthropic！Thariq Shihipar是Claude Code团队的核心灵魂人物、被开发者社区尊称为「解释之王」。他在X上正式发布了一封长文告别信。在短短45分钟，Claude团队最知名的两位成员相继离职。「在加入Claude Code 一年多，并亲眼见证它的规模扩展到远超我曾经的想象之后，我离开了 Anthropic。」紧接着，他抛出了整封信最核心的价值观：「向上竞赛」。在大模型疯狂内卷的今天，Thariq 犹如一股清流。他眼里的AI竞赛，不是零和博弈，而是一场提高全人类标准、倒逼彼此变得更卓越的事业。虽然告别信十分官方，但Thariq在评论区，还是发出了一个亮点评论：「等等，是不是只有我一个人觉得 Opus 5.5 变蠢了？」他创办了浏览器端游戏创作平台 One More Multiverse，不仅成功杀入全球顶尖孵化器YC，更是一手将平台做到了百万级用户规模。Thariq 团队在内部实验中，对强模型直接砍掉了超80%的系统提示词，结果发现代码能力根本没有下降！在未来，你的角色将变成「计算资源分配者」。或许，Thariq Shihipar已经找到「向上竞赛」的方向，准备好下一个创业方向了？参考资料：网页链接编辑：Aeneas

转发者评论

无明显转发评论

原文

同一个动作贯穿训练与高光，才能讲出成长。需要写清人物只有一个、空间渐变方向和那条连接两个世界的线。📌 可直接复制的完整母版绘制虚构成年[人物]的电影感体育编辑插画。[动作与连接线]贯穿两个空间：左下是[训练环境]，暖色、粗粝、真实；右上渐变为[高光环境]，冷色、开阔、明亮。人物身体、衣料和器材沿空间连续过渡，只有一个完整人物和连贯动作，不出现中间分割线、重复身体或多余肢体。方向光、清晰主次与适量留白，无文字、标识、水印。horizontal landscape, aspect ratio 16:9。🧩 三组替换值（依次对应[人物]／[动作与连接线]／[训练环境]／[高光环境]）1.男篮球运动员／一次起跳投篮，单个篮球的轨迹连贯／旧街区球场／大型室内球馆2.短跑运动员／一次冲刺，同一条跑道线连续延伸／朴素训练跑道／灯光比赛跑道3.电竞选手／同一坐姿操作，线缆贯穿空间／日常练习桌／冷色灯光电竞舞台🔍 三个灵魂词material continuity：身体与装备连续变化。spatial blending：两个环境渐变衔接。continuous thread：用一条动线连接两个世界。📐 两图变体V1：用宽阔空间对比组织左下与右上；V2：稍靠近人物，但保留两个环境和完整动作。将变体句追加到已填值的母版后。高光来自光线和空间的变化，不靠奖牌或冠军身份解释。训练场景保持普通生活质感，避免把成长经历夸张成苦难场面。✅ 检查：只数到一个人物、一个动作；篮球案例只有一个球，跑道或线缆不能在中间突然断开。#AI绘画 #Prompt小课堂

转发者评论

无明显转发评论

原文

让Agent自己压缩、搜索、恢复历史上下文，用有限的窗口支撑十亿Token级别的累计会话billion-context：解决长时运行时上下文爆满、Token成本高，以及压缩后丢失关键历史信息的问题跟一次性摘要式压缩最大的区别是历史可恢复其思路是把历史对话分层压缩，同时保留原始内容，让模型在需要时再搜索、恢复特定片段，让有限窗口通过持续压缩与恢复，来支撑十亿级Token的长会话首先增量分层压缩：Agent可以主动选择压缩哪些历史消息，将旧上下文折叠为摘要，而不是反复压缩整段对话按需恢复：需要追溯早期决策、代码修改或工具调用时，可以通过decompress恢复原始内容历史搜索：通过search_context检索压缩摘要和当前可见消息，找到相关历史后再按需恢复原始内容Prompt Cache优化：尽量保持缓存前缀稳定，减少重复计算和Token成本举个例子，AI连续开发了一个项目数周，中途经历多次重构，第十天需要追溯第一天为什么选择某个数据库架构，可以搜索历史并恢复当时的原始讨论，而不是只能依赖一段可能遗漏细节的压缩摘要支持面比较广，Claude Code、Codex、OpenCode、DeepSeek Harness等Coding Agent都适用github：网页链接#AI上下文##billioncontext##AIcontext#

转发者评论

无明显转发评论

原文

[周末愉快] 在本学期“组织社会学”的教学设计中，特别强调学生的课堂和线上参与，一方面是尽量降低AI使用的副作用，另一方面是因为学生在日常生活中更积极地使用AI，具有更多的经历感受，可以通过交流来互教互长。每星期的课程中有大约1小时让学生来组织讨论本星期的主题。几个星期下来，每个星期学生组织的讨论各有特色，很有助于学习交流。这个星期的主题是：组织中的技术采纳与应用。组织讨论的四位同学引导大家讨论了阅读文献提出的问题，还模仿阅读材料中一个有关大公司中应用AI的实验设计，将课上学生分为四组，让他们分别用四种不同的方式（1. 只使用人工；2. 只使用AI；3. 使用AI, 然后人工修订；4. 自行决定AI与人工如何结合）来处理两种不同的任务：1. 提出某个俱乐部关于募捐活动的30分钟会议的议程2. 给一位创业失败的好朋友写一封信分组讨论和完成任务的时间不长，所以讨论和任务完成很匆忙。各组完成任务后，将他们的结果放在共享的网上文件中（Googledoc），这样大家就可以马上看到各组的结果了，然后让大家判断哪些文件是哪种方式做出来的。结果还是很明显，也很符合预期：AI技术对常规性任务（会议议程设计）有很好的工作能力，但对情感性工作（给好朋友写一封信）则远远不如那封简短的完全人工的信件。很高兴可以从学生的互动中学到许多东西。

转发者评论

无明显转发评论

原文

如果你有一个COMO写的类库，能满足用户对设备的计算操作，如存储、通信、并发等，这个类库可以映射为JavaScript、Python等多种语言，LLM 利用映射后的语言（JavaScript、Python）进行推理形成调用程序，而该COMO写的类库运行多个平台，这是否有利于Agent OS的发展？-------- AI --------**有利于，而且这种设计恰好切中了当前 Agent OS 发展的一个核心瓶颈：异构计算资源的语义统一与安全调度。** 你所描述的 COMO 类库（跨语言映射、多平台运行）在 Agent OS 的架构中，扮演的是“能力供给层”与“对象抽象层”的角色，它让 LLM 生成的代码能够以一种受控且可移植的方式，真正驱动底层设备。### 为什么这种设计对 Agent OS 有价值**1. 解决了 LLM 生成代码与底层异构硬件之间的“最后一公里”问题**Agent OS 的核心任务之一是让智能体能够操作设备。目前 LLM 最擅长生成 JavaScript、Python 等高级语言代码，但这些语言本身并不直接具备高效操作底层硬件（如存储、通信、并发）的能力。COMO 类库通过接口描述语言（IDL）将底层能力映射为高级语言接口，意味着 LLM 不需要学习晦涩的 C/C++ 或汇编，直接用 Python 或 JS 就能调用设备计算资源。这大幅降低了 Agent 编写设备操作程序的推理门槛。**2. 为 Agent 提供了跨平台的“对象级”可移植性**当前 Agent OS 研究强调跨设备动作放置（Cross-device action placement），即根据硬件能力将任务路由到合适的设备上。COMO 类库运行于多平台，且其设计中对象天然携带元数据（类、方法、能力标签）。这意味着 LLM 生成的调用程序在不同平台上具有语义一致性。Agent 不需要为手机、PC 或边缘设备分别生成不同的底层代码，只需针对统一的 COMO 映射接口进行推理，由 COMO 运行时负责适配具体平台。**3. 契合 Agent OS 对“能力注册与调度”的安全需求**在 Agent OS 的安全模型中，通常需要细粒度的权限控制（如能力即令牌）。COMO 的架构探讨中提到，权限可以下沉到对象颗粒度，Agent 不再是盲目调用 API，而是“探索对象图”。结合你描述的类库设计，LLM 通过 JS/Python 映射层调用时，COMO 运行时可以拦截并审计每一次存储、通信或并发操作，判断该 Agent 是否具备对应对象的访问能力。这比让 LLM 直接生成原生系统调用要安全得多，也更容易实现 Agent OS 所需的可审计性。**4. 提升了 Agent 推理与执行的解耦效率**LLM 利用映射语言进行推理，实际上是将“逻辑生成”与“硬件执行”解耦。COMO 类库作为稳定…

转发者评论

无明显转发评论

原文

苹果首款折叠屏开卖！没AI也抢疯了，发货排到明年1月苹果首款折叠屏iPhone Duo，国行已经正式开卖。15999元起，展开是一块7.6英寸的大屏，里面是2纳米的A20 Pro。可在国行Duo上长按侧边按钮，叫出来的还是那个老Siri，苹果智能一项都没开通。不过，这一点也没耽误大家抢。现在下单起售款，发货已经排到了明年1月22日。Duo用的A20 Pro和iPhone 18 Pro是同一颗芯片，配12GB内存。于是，苹果干脆换了个思路。完整权重放在闪存里，一条请求进来，挑出这次要用的「专家」搬进内存，每次上场的只有10亿到40亿参数。同一个苹果端侧模型换到A20 Pro上，短提示词每秒吐字从100个涨到150个，长提示词的首字延迟砍掉一半，正好对上多出来的带宽和翻倍的算力。何同学的测试里，连玩30分钟《死亡搁浅》，两台18 Pro平均40帧以上，Duo只有33帧，温度还最高，到了46.5℃。新一代苹果基础模型基于Gemini，预训练用的是谷歌的云TPU。不过，折痕这件事，刚拆封只是第一关。新机的峰谷高度差只有48.2微米，大约半张纸厚；可连折3000次后，这个数值就涨到了167.85微米，是新机的3.5倍。内屏修两次是15996元，比买一台新的只少3块钱。Counterpoint预计，苹果今年能卖出约600万台Duo。Duo是两个的意思，国行先拿到了一个。

转发者评论

无明显转发评论

原文

美国🇺🇸企业2026年裁员公告：1. UPS（联合包裹）：30,000人2. Oracle（甲骨文）：30,000人3. Amazon（亚马逊）：16,000人4. Omnicom（宏盟集团）：15,000人5. Meta（脸书）：8,000人6. Microsoft（微软）：4,800人7. Dow Chemical（陶氏化学）：4,500人8. Cisco（思科）：少于4,000人9. American Express（美国运通）：3,840人10. Uber（优步打车）：3,300人11. Renault（雷诺）：最多2,400人12. Nike（耐克）：1,400人13. General Motors（通用汽车）：1,300人14. Disney（迪士尼）：1,000人15. Citigroup（花旗集团）：1,000人仅在2026年，科技行业已有330家公司宣布裁员，总计135,000人。在物价上涨和人工智能（AI）普及的背景下，美国企业正寻求削减开支并提升效率。请持续关注劳动力市场动态。#美国##硅谷##曼哈顿##数字货币##凯丰基本面##人工智能##华尔街##宏观经济#

转发者评论

无明显转发评论

原文

【国办：减缓人工智能应用就业替代影响】国务院办公厅印发《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》。其中指出，减缓人工智能应用就业替代影响。发挥人工智能在改善就业环境、提升职业安全水平、提高工作质效等方面的作用，优先在劳动力紧缺、环境高危等岗位推广应用。稳慎把握人工智能在劳动密集型行业应用的范围、力度、节奏，尽可能减少对从业人员的冲击。鼓励企业探索建立失业缓冲期制度，在大规模推广应用人工智能过程中提前告知受影响劳动者、提供转型转岗就业支持。

转发者评论

//@shijin1://@午后狂睡:[doge]终于意识到了。

• //@shijin1://@午后狂睡:[doge]终于意识到了。

原文

转载：AI云崩了会救吗？黄仁勋：他们只是缺钱，不是没人用了#英特尔 #芯片设备 #AI算力 #芯片荒 #算力瓶颈 #供应链危机 #半导体 #人工智能 #科技前沿 #财经（来源：视频号“华尔街见闻”，视频版权归原作者所有，如有侵权，请联系删除） 但斌的微博视频

转发者评论

无明显转发评论

原文

【完整视频·直播回放】同花顺对话东方港湾董事长但斌——但斌的投资之道：拥抱AI，不要错失一个伟大的时代（直播时间：2026.10.22）（来源：同花顺期货通，联合共创并获授权发布） #东方港湾 #但斌 #AI #投资之道 但斌的微博视频

转发者评论

无明显转发评论

• 这个是完整版的前期访谈视频[作揖]

原文

LayerFS 是 Ephemeral AI Lab 开源的一个面向 AI Agent 的可分支、可回滚文件系统。地址：github.com/Ephemeral-AI-Lab/layerfs目标是解决多个 Agent 并行开发时的环境隔离、状态管理和存储成本问题。传统方案通常使用 Git Worktree、Docker 容器或完整目录复制来隔离工作环境，但容易遇到依赖重复安装、磁盘占用高、环境恢复困难，以及多个 Agent 修改相同文件造成冲突等问题。LayerFS 将文件系统设计成类似 Git 的版本树：每个 Agent 都能基于已有状态创建独立 Workspace，修改文件、执行命令，再将结果保存为 Commit；其他 Agent 可以从任意历史 Commit 创建新分支，失败后直接丢弃 Workspace，而不影响共享基础环境。

转发者评论

无明显转发评论

原文

软科最近出了人工智能专业排名。复旦只排50名，MIT不如安徽大学，普林斯顿不如二本。过于离谱了。建议软科尽快取消这个排名，AI目前是最热门的专业，这个排名太误导学生和家长了。软科的编辑完全不懂AI和计算机高校的核心评价指标。建议软科聘请一个发过3篇NeurIPS或ICLR一作论文的AI博士当顾问。

转发者评论

无明显转发评论

原文

#KimiK3.1发布#月之暗面凌晨扔出K3.1 Pro，3万亿参数，100万上下文，直奔最强闭源模型去的。几个硬数字先摆出来。Terminal-Bench 4.0编程测试拿下65.7%，超过GPT-6 Astra的58.2%，距离Claude Opus 5.5的66.4%只差0.7个百分点。Artificial Analysis智能指数55分，总榜第四、国产第一，排在它前面的只剩Claude Opus 5.5、Sonnet 5.5和Muse Wonder。在3D创作上，BenchCAD工具辅助得分92.7%，能直接出可用的3D模型。金融工作流OfficeQA Pro v2拿了64.4，当前最优。但最狠的是价格。输入13元/百万token，输出68元，比K3还降了35%和32%。按美元算，输入2美元、输出10美元，只有GPT-6 Astra的20%，Claude Opus 5.5的50%。高速版速度是标准版的2到3倍，价格翻倍，同一天上线。还有一个时间点得记住：完整模型权重11月4日前开源。开源模型做到这个程度，闭源阵营的定价逻辑会越来越难受。从K3到K3.1，半年时间，国产开源模型从追赶到贴着最强闭源打。这一仗，打得挺硬。#微博AI创作季#

转发者评论

无明显转发评论

原文

梁斌这条说得挺到位的，但我觉得可以再往深里想一层。他说视频模型的输出是成品，文本模型的输出只是半成品，这个观察本身没错。视频生成出来就是视频，发到抖音微博就能被人看到；文本生成出来，你还得把它塞进某个产品、某个场景里，才能产生价值。从"生成到触达用户"这条路来看，视频确实短得多。但这里有个容易被忽略的问题：视频的分发基础设施虽然是现成的，竞争也是现成的。抖音、视频号上已经有几亿条内容在抢注意力了，AI 生成的视频要跑出来，拼的还是选题、节奏、情绪这些创作层面的东西。工具门槛降低了，创意门槛其实在升高，因为当所有人都能用 ComfyUI 出片的时候，技术差距就不再是壁垒了。反过来看文本模型，变现路径确实更长更难，但它的天花板可能也更高。文本模型能做 Agent、能写代码、能跑自动化流程，这些场景一旦跑通，商业价值是可以复利积累的。视频变现更像是内容消耗型的，每一条都得重新生产、重新分发，停更就没流量了。所以我觉得更准确的说法是：视频模型对个人创作者更友好，启动快、反馈快、路径清晰；文本模型对想做产品和服务的人更有想象空间，但需要更多耐心和工程能力。两条路各有各的卡点，选哪条取决于你手里有什么、愿意投入什么。#科技先锋官#

转发者评论

无明显转发评论

原文

Kimi 发了 K3.1 Pro，官方说这是目前最强的 3T 级开源模型，2.8T 总参数、104B 激活参数，支持 100 万 token 的上下文。先说一件让我觉得最有意思的事。官方做了一个测试，让模型去写一个模拟人类行走的物理仿真程序，要模拟骨骼和肌肉怎么配合运动。模型跑了 167 个任务，自己做了 420 次评审，中间还发现了肩部肌肉里 36 个计算错误，全部自己改掉了。最开始仿真人一站起来就倒，最后能连续走 11.2 秒。然后说成绩单。代码测试 Terminal-Bench 4.0 上得了 65.7 分，超过了 GPT-6 Astra 的 58.2 分，就差 Claude Opus 5.5 的 66.4 分一点。3D 建模测试 BenchCAD 得了 92.7%，也接近 Claude Opus 5.5 和 GPT-6 Astra 的水平，而且不需要接任何外部工具，模型自己写脚本操作 Blender 和 CAD。金融方面，在 OfficeQA Pro v2 这个测试里拿了第一；回答出错的概率从上一代的 23.4% 降到了 8.3%，少了大约 65%；在模拟商业决策的测试里，得分是上一代的 4.2 倍。还有一个细节：Kimi 在训练时主动删掉了和网络安全进攻相关的数据，说是为了降低被滥用的风险，这块得分主动从 90.5% 降到了 81.0%。今天起在 kimi.ai、Kimi Work、Kimi Code 和 API 上都可以用了；完整权重在 11 月 4 日之前开放。#科技先锋官#

转发者评论

无明显转发评论

原文

我知道市场最近绝对是残酷无比的，尤其是对于我们这些大量投资于人工智能、半导体和其他高增长股票的人来说。但我认为有必要把正在发生的事情放在正确的视角中来看待。目前，投资者们正面临着通货膨胀、高企的债券收益率、伊朗战争、中期选举、对人工智能支出的担忧，以及围绕这些巨额基础设施投资如何融资的不确定性。2020年，标普500指数在新冠疫情期间暴跌了大约34%，但仅在几个月内就收复了损失。2022年，随着通胀飙升和美联储激进加息，纳斯达克指数下跌了超过30%。许多投资者真心相信科技交易已经结束了。然而，市场最终恢复并创下新高。现在，我并不是说每只被打压的股票都会反弹，因为很多不会。而且我当然也不是说我们已经触底。但历史一再向我们展示，当投资者情绪处于最糟糕时期时，一些最伟大的长期投资机会往往就会出现。而这正是我买入低点的原因。我真心相信我们正经历着人类历史上最伟大的技术进步之一。人工智能将从根本上改变我们的工作方式、企业运营方式以及全球经济的运转方式。但这并不意味着这条路会是一条直线上升的坦途。一路上会有很多坎坷。会有调整、不确定时期、失败的公司，以及投资者开始质疑整个机会是否被过度炒作的时刻。我们几乎在每一次重大技术革命中都见过这种情况，我不认为人工智能会例外。我对人工智能基础设施的长期信念没有改变。对计算、内存、网络和电力需求的增长，并不会因为股票抛售而突然消失。在股市中积累财富并不容易，如果容易，每个人都会富有。每个人都想要巨额回报，但很少有人愿意忍受通往成功的波动性、不确定性和耐心。当然，信念本身是不够的。你仍然需要管理风险、了解你所拥有的资产，并认识到基本面真正发生变化的时刻。但我不会让市场中几个艰难的星期分散我对下一个十年将实现的投资机会的注意力。以十年为单位思考，而不是以天为单位。

转发者评论

无明显转发评论

原文

转载——AI泡沫破裂？但斌：科技股的投资逻辑始终坚挺！ 给焦虑一点出口，给判断一点空间。对话但斌，聊聊AI投资的机会与风险、坚持与转身！#但斌 #科技股 #价值投资 #同花顺大咖说 #同花顺但斌专访（来源：视频号“同花顺期货通”，视频版权归原作者所有，如有侵权，请联系删除） 但斌的微博视频

转发者评论

无明显转发评论

• 不是直播，是前段时间录播的[作揖]//@我的小金牛666:那天看到直播没时间看，一直等但总的剪辑版[赞]
• [作揖][心][鲜花]//@成熟斑马磨豆浆:敬佩但总持续学习的远见和能力！[赞]祝投资愉快！感谢分享！[咖啡]

原文

Kimi K3.1 Pro 来了，智能综合榜排名超越 GPT-6 Astra（Max）位列第三。智能指数总分 55，排名第四，比上一代 Kimi K3涨了 11 分。等权重放出来，应该就是分数最高的开源模型。开源和闭源在智能指数上的差距会从 12 分缩到 3 分。GDPval-AA 1846 Elo 排第三，只落后 Claude Opus 5.5（1866）和 Muse Wonder Full（1857）。Terminal-Bench 4.0 拿到全场最高 67%，Kimi K3 是 13%，Claude Sonnet 5.5 是 64%。AutomationBench-AA 测的是 agent 跑 SaaS 工作流的能力。从 kimi k3 pro 的 58% 涨到了如今的 73%。Kimi k3.1 pro 智能大幅提升，价格却大幅下降，三档价格都比 Kimi K3 便宜了 33%。上下文 1M，总参数 2.8T、激活 104B，支持文本和图像输入。月之暗面承诺不久就会开源。国产开源模型终于跻身前三！#KimiK3.1发布##KimiK3.1Pro##开源大模型#

转发者评论

无明显转发评论

原文

【#一条提示词把口播剪成3D成片#】口播+一条提示词=3D成片？！把一段有口误的口播交给Opus 5.5，就能自动剪停顿、找素材、搭建Blender片场，并让字幕、镜头和动画跟随内容变化。#Claude# #Opus# #剪辑# #Blender# #GPT# 量子位的微博视频

转发者评论

无明显转发评论

原文

怎么说呢, AI飞升 \ 末日都还没来呢，就已经有一种末世狂欢的既视感了😂虎嗅转的这篇，写的是有人已经不为 60 岁存钱了不懂经把这事接到社保上：交或不交，是拿自己的判断去下注。正文编译的是商业内幕 2025 年 8 月那篇。有人在造地堡，有人把聪明换成外表，他们叫 smart-to-hot。钱上最明确的是 Daniel Kokotajlo：2020 年他 28 岁，停止为退休储蓄。后来在 OpenAI 待到 2024 年，因安全处理方式离开。他说打算把钱花光，每年比上一年少。Anthropic 的 Trenton Bricken 在播客里说，很难想象钱躺到 60 岁，那时世界会如此不同。范德比尔特的哲学学者 David Thorstad 反而多存了钱，说湾区有些圈子沉在极端的 AI 世界观里，很难走出来。🔗 链接：网页链接📄 原文：网页链接

转发者评论

无明显转发评论

原文

[LG]《A Fix for Softmax and Cross-Entropy》J T. Barron, D Gnanapragasam, M Tschannen [Google DeepMind] (2026) 在模型优化中，梯度突刺是一个悬而未决的难题。过去的方法受困于损失飙升，本质原因是浮点加法抹除了极微小目标梯度，打破梯度零和守恒。本文的核心洞见是：把极小概率加法重新看作对数空间的边距平移。由此，剔除常数一并全程在纯差值域计算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无损的算子重写。它为后来者打开的新门是揭露了优化器控制的极值平衡态，但尚未跨过的门槛是此极端场景在常规训练中极少出现。arxiv.org/abs/2610.31642 #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

• 我们习惯把框架当成可靠地基，但PyTorch里用了十年的交叉熵函数一直在悄悄丢失梯度。当某个logit远大于其他值时，浮点数舍入会把目标位置的梯度抹成零，违反了梯度求和为零的数学约束。更隐蔽的是，学生网络即使完全拟合教师网络，蒸馏损失仍会产生虚假梯度，驱使模型继续漂移。过去几年，研究者为Grok

原文

美国就业市场像这样的，亚马逊一边宣布裁员1.5万高薪码农，然后拟雇30万小时工搬砖亚马逊（Amazon）官方宣布计划在美国为 2026 年圣诞节购物旺季招聘超过 30 万名临时员工。根据 2026 年 10 月 20 日的公告，招聘将主要用于应对年底节日期间增加的订单量。亚马逊 2026 年圣诞季招聘信息招聘人数： 超过 30 万人平均时薪： 约 20 美元工作类型： 仓库分拣、订单包装、物流中心、配送站等岗位工作形式： 全职、兼职和季节性临时工作。这些工作是季节工，员工睡帐篷里，吃食品券，连上厕所都不给时间只能用矿泉水瓶解决…这就是为什么美国就业市场数据强劲，失业率很低，但是硅谷大量码农被裁员，房价下跌的原因#美国##硅谷##宏观经济##华尔街##凯丰基本面##人工智能##美股#

转发者评论

无明显转发评论

原文

#今天要来点数学吗？# 集合论 20年前，一个少年在课堂上听到政治老师说，可能不存在真正意义上的真理。他却突然想到，真理不但存在， 而且是数量多到无法想象。实际上，假如不纠结真理的定义，而是采取约定俗成的理解，那所有真理——所有真命题构成的类连基数都不存在？当时他论证如下如果存在，假设是α，那么考虑一个具有基数α的集合X，对于X的每个子集Y，考虑命题：所有真命题的类的基数至少是Y的基数（就算Y1,Y2有相同的基数，这两个命题依然是不同的）。 显然它是真的，这样对X的每个子集都有一个真命题和它对应。故而矛盾。 我在古老的日志里翻出了上面这段，刚才让AI评判一下。下面是AI的看法————————————我觉得这个证明很值得认真分析，因为它确实抓住了一个很有意思的集合论机制：如果一个对象试图把所有真命题都收集起来，那么只要能为足够多的集合分别构造不同的真命题，就会与幂集定理发生冲突。不过，严格审查后，我认为你的论证有一个需要补上的关键环节：你构造出来的真命题，究竟是不是在谈论同一个固定的基数 \\(\alpha\\)，以及这些命题是否真的构成一个集合大小为 \\(2^\alpha\\) 的不同命题族。好消息是，这个思路可以非常直接地修补，而且可以得到一个严谨的证明。我们先把你原来的论证形式化。## 1. 把你的证明写成严格的形式假设真命题的集合（暂且假设它是集合）为 \\(T\\)，并且\\[ |T|=\alpha. \\]取一个集合 \\(X\\)，使得 \\(|X|=\alpha\\)。对每个 \\(Y\subseteq X\\)，构造命题\\[ P_Y:\quad |T|\ge |Y|. \\]因为 \\(Y\subseteq X\\)，所以\\[ |Y|\le |X|=\alpha=|T|. \\]因此每个 \\(P_Y\\) 都是真的。接下来，如果不同的 \\(Y\\) 对应不同的命题，那么我们得到一个单射\\[ \mathcal P(X)\longrightarrow T, \qquad Y\longmapsto P_Y. \\]于是\\[ 2^\alpha=|\mathcal P(X)|\le |T|=\alpha. \\]但康托尔定理告诉我们\\[ 2^\alpha>\alpha. \\]矛盾。所以，在允许上述每个 \\(P_Y\\) 都作为不同真命题计入 \\(T\\) 的前提下，你的证明是成立的。## 2. 真正需要审查的地方关键不在于**基数**计算，而在于「不同命题」的定义。考虑两个集合 \\(Y_1,Y_2\\)，满足\\[ |Y_1|=|Y_2|. \\]那么 \\(P\_{Y_1}\\) 和 \\(P\_{Y_2}\\) 实际上表达了同一个数学断言：真命题的数量至少为某个给定基数。- 如果命题按照逻辑内容来区分，那么它们可能是同一个…

转发者评论

无明显转发评论

原文

AI把活干完了，剩下的事谁扛？五类新角色正在长出来。最近你身边大概都有这种同事：自己搭了个自动生成周报的智能体，或者做了个发票报销的工作流。刚做出来很兴奋，效率一下子上去了。但过一两周，新问题全冒出来了：数据口径对不对？某个字段谁来确认？智能体跑着跑着出错，影响了下游三个人，谁来负责？做工具的同事请假了，别人不会改怎么办？AI把干活这一步接过去了，但一大批以前不存在的活冒了出来。验收谁做，维护谁管，出事谁兜底。这些事以前不是不需要，是以前干活的是人自己，干完心里有数。波士顿咨询最近访谈了50多家AI落地走在前面的企业，覆盖10个国家十多个行业，归纳出五类正在冒出来的角色原型。第一类是业务自建者，业务人员自己动手搭应用和智能体，不再等IT排期。可以理解成自己修水管的住户，以前得打物业电话排队，现在工具够简单，你自己就能修，而且你比物业更清楚哪根管子在漏。Cursor有个市场营销人员自己做了个应用，批量生成几千份营销素材，把原来外包给代理商的活接了过来。第二类是工作流设计师，他不修一根管子，他重新设计整栋楼的管线图。看的是整条流程：哪些环节交给AI，哪些判断留给人，交接点放在哪里。Greenhouse在每个部门设了个创新负责人，专门找哪些流程适合自动化，再和中央IT团队一起把方案建出来。第三类是AI治理者，像公司里的安全主管，只不过盯的不是消防通道，是AI有没有越线。有家云服务公司设了AI委员会和合规团队，任何新应用都得先登记、说明理由、过合规检查，再投票决定能不能上线。第四类是领域知识负责人，我觉得这是五类里最值得普通人关注的。他不一定是AI专家，但一定懂业务，价值在于把积累了多年的专业判断掏出来，变成AI能用的结构化知识。像一位老师傅，听听机床声音就能找到问题，以前这些经验全在脑袋里，徒弟跟三年也未必学到。报告里提到，五分之四的受访企业都在做这件事。这里有个想法值得纠正。很多企业满脑子想的是怎么把老专家替换掉，觉得有了AI就不用养老专家了。恰恰相反，让AI学会老专家的经验，不是为了取代他，是为了让其他人快速缩小和他的差距。老专家90分，以前带不了那么多徒弟，其他人平均20分；现在AI能帮他们从20分提到60分，老专家还是90分，但整个公司的平均水平提高得飞快。而且老专家为什么愿意把经验传给AI？只有在自己有安全感的时候才愿意。第五类是智能体运营负责人，像牧羊人。公司里跑着几十个智能体，哪个该升级、哪个该下线、哪个跑飞了得拉回来、权限怎么设、哪些数据可以碰，都得有人管。五类过完，你可能会发现一件事：这里面没有一个叫AI使用者，也没有一个叫AI重度用户。会用AI这件事，正在变得跟会用电脑一样，是职场基本功了，不值得单独拿出来说。这五类角色都在回答同一个问题：AI干完活之后，剩下的事谁来扛。而且报告特别提到，这些角色大多还没有变成正式岗位，但作为新职责，已经长在…

转发者评论

无明显转发评论

原文

[AI]《Scaling Laws for Generative Reward Models》A Raychev, N Lile, R Rafailov [Stanford University & SynthLabs.ai] (2026) 在对齐领域，高分评委失效是一个悬而未决的难题。过去的方法受困于静态跑分与实战脱节，本质原因是离线测试挡不住迭代引发的分布偏移。本文的核心洞见是：把奖励模型重新看作博弈下的抗压体，而非静态拟合器。由此，剔除思维链、仅输出判决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确证评估与指导的断层。它为后来者打开的新门是发现评委扩容能破生成上限，但尚未跨过的门槛是验证全靠AI裁判，无人类盲测。arxiv.org/abs/2610.30765 #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

• 榜单高分不等于实战效用。用推理链训练的奖励模型在静态测试中更准确，但在实际指导策略模型时反而不如简单的“直接回答”模型——更长的思考过程给了策略模型更多钻空子的机会。训练到一半的检查点比完全收敛的版本表现更好，说明过度拟合会削弱鲁棒性。另一个发现打破常规：用14B的大模型去指导4B的

原文

我其实对 Kimi 的评价分化是在 K3 之前。我觉得 K3 之前做得其实挺烂的；K3 之后，我觉得它一举封王，基本上是当之无愧的开源里面效果最好的模型。但是 Kimi 效果做到了开源天花板，却有点英雄式的悲凉感，个人感觉，因为在中国的话，像 Deepseek 更符合中国的风格，足够便宜、低价。但因为 Kimi 又是中国的开源模型，所以无法在欧美市场被讨好。如果它出生在在欧美市场的话，那它现在的融资和估值可能就得非常疯狂了甚至可能超越 OA 两家。但可惜又是在中国，所以它相当于现在属于一个两个不讨好的状态。 但是它现在核心就是要能熬 熬到中国相对算力充足，熬到美国更多企业采用 K 三做基座。像现在美国一个大型律律师相关的创业公司采用了它，Code agent 唯一一个活得还不错的没有把自己卖掉的比如 包括 Devin，因为有了 K3 之后，它的 SWE-2 直接起飞。

转发者评论

无明显转发评论

原文

一个白色俄罗斯酒调制的视频，纯用代码渲染。提示词：Render a recipe motion graphic animation using JavaScript or HTML (whatever you think will produce the best result) to show the full recipe for a White Russian from start to finish, empty glass to completed cocktail. Explainer video style, showing the ingredients and measurements as they go into the glass. It should be a 30s video.模型:deepseek v4.1 flash。用的智能体，是我们做的。可见，只要智能体调得好，deepseek v4.1 flash做的视频也是不错的。 挨踢牛魔王的微博视频

转发者评论

无明显转发评论

原文

Make RTX 3090 Great Again！gpu-unlock 是一个针对 NVIDIA Ampere 架构显卡的开源项目，主要目标是解除部分 GeForce RTX 30 系列显卡在 AI 计算方面的性能限制，让它们获得更接近专业计算卡的 Tensor Core 运算吞吐能力。地址：github.com/Zagitta/gpu-unlock解锁前后的性能差异：FP16 87.46 TFLOPS 118.39 TFLOPS +35.4%BF16 87.50 TFLOPS 157.41 TFLOPS +79.9%TF32 42.58 TFLOPS 82.61 TFLOPS +94.0%

转发者评论

无明显转发评论

原文

「AI时代，学历究竟贬值了什么？」当AI可以随手生成标准答案，贬值的其实是概念复述和套模板的浅层熟练度。文凭依然是筛人的敲门砖，但工具普及让光鲜的纸面成果更难辨虚实。眼下真正拉开差距的，不再是记住了多少既有知识，而是谁能厘清真问题、挑出似是而非的漏洞，并在不确定的现场做取舍、担后果。获取答案的门槛变低了，验证真实胜任力的成本却在激增。未来的考核注定要从只看终稿，转向追问推导脉络与实操证据；文凭证明了训练起点，经得起追问的实践表现才是立足之本。（信源请参考底图）

转发者评论

无明显转发评论

原文

超级大量烧 token 是必要的，相当于沉浸式体验 LLM，LLM 对人类而言是个超级全新的东西，不深度体验就无法真正了解和感知虽然在初期会觉得蒙圈——信息量太大，但烧多了感觉就慢慢来了跟我们学习其他领域的新知识没啥区别，无非就是更懵一些，提高分辨率更慢一些学习进度因人而异，但都会取得进步，直到达到个人的压缩阈值，实现真正意义上的登堂入室AI 是超级大浪，所以不要着急，慢慢学就是了，时间还有很多，不要被那些毁灭人类的叙事给影响，也不要听那些“今天不学，明天就不用学的”玩笑话还有人说，LLM 的回答对非专业人士，觉得惊艳，遇到专业人士就露馅了。这句话在某些场景或阶段是没错，但背后如果有对 AI 的轻视可就麻烦了再厉害的 AI 也不会把智识直接塞入人的脑子，但它打开了几乎所有专业的壁垒，提供了轻松深入专业领域的自适应“脚手架”，随着个人水平的提高，让 LLM 回答极高分辨率的专业内容不存在理论上的困难对于一个真正掌握了 AI ，且真心想进入一个专业的人而言，你可能昨天觉得他是菜鸟，一年后你已经是相对菜鸟了。哪怕你积累了十几年的经验也无济于事AI 对时间的压缩效应极大，压缩率取决于掌握 AI 的程度和个人的学习带宽，个体方差巨大无比超级个体不是玄学，是正在发生的现实，每个人都应该是超级个体 要相信，数量就是质量，大力出奇迹如果给数量再叠加一层多样性，效果更佳

转发者评论

无明显转发评论

原文

「从找Bug到证无错：AI把模糊测试升级为形式化证明」跑再多次模糊测试也难保没有漏网之鱼，Anthropic与Theorem换了思路：直接把OSS-Fuzz已有测试入口提炼成数学命题，由Claude为RISC-V二进制生成证明，再交由Rocq检查器机械核验。这套流程覆盖了123个库、239个入口，累计生成约1.8亿行证明代码；推导受阻时，反而揪出了多起需特定序列或极端输入的深层漏洞。这里可信的核心不是模型说辞，而是检查器；其保证也严格限定在单线程、限定输入与内存模型内，并不等于全局绝对正确。（信源请参考底图）

转发者评论

无明显转发评论

原文

[LG] Reverse-KL Policy Distillation: Statistical Guarantees and LimitsH Liu, C Wei, J Zimmert [University of Virginia & Google Research] (2026) 在模型蒸馏领域，逆KL极限是一个悬而未决的难题。过去的方法受困于极易崩溃，本质原因是生成与评估轨迹错位，低频错误扭曲了排名。本文的核心洞见是：把局部模仿重新看作全局限幅采样。由此，裁剪路径概率比这一关键操作使问题得以解开，暴力截断极值，强行校准分布偏差。这项工作真正留下的遗产是界定全概率反馈的样本底线。它为后来者打开的新门是证实离线可平替在线，但尚未跨过的门槛是将穷举推演化为极简代码。arxiv.org/abs/2610.30844 #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

• 在线蒸馏的直觉误导了我们。让学生模型自己探索，听起来能学得更快，但如果老师只给一个分数而不展示完整的行动偏好，学生就像在黑暗中摸索——它永远看不到那些“本该选但没选”的路径。反而是看老师的完整演示，哪怕是离线录像，效果也更好，因为老师的每个动作本身就在透露偏好。更隐蔽的陷阱在于：

原文

Computer Use：AI 没有手，怎么操作你的电脑？Mac 为什么能后台？你对 AI 说一句话，它就能在你的电脑上打开软件、点按钮，可它并没有手。这期讲明白它是怎么做到的：模型只负责看和想，真正动手的是另一段程序，一圈一圈地看、想、做、查。回答四个问题：它怎么知道按钮在哪，截图、辅助功能和软件接口各自怎么用；为什么在 Mac 上它能躲在后台干活，在 Windows 上却要占着你的桌面；新模型 GPT-6 Astra 变快了多少，这些数字出自谁；它在你电脑上乱点，安全吗。#微博视频号迎新计划# 宝玉xp的微博视频

转发者评论

无明显转发评论

原文

今日推介(第2299期)：基于统一可微世界模型实现类人机器人全身控制的规模化、智能体化世界动作模型、迈向记忆原生演进、基于帕累托优化的递归式评估框架自我提升、大规模流语言模型 公·众·号：爱可可爱生活 网页链接 #机器学习##人工智能##论文#

转发者评论

无明显转发评论

原文

如果你在用 AI办公，这 6 个 Skill 很适合上班直接装：1. document-skillsWord / Excel / PPT / PDF，一句话处理办公文件2. agent-browser让 AI 自动打开网页、搜索、点击、填表3. summarizePDF、网页、长文章、视频链接，直接提炼重点4. local-whisper会议录音本地转文字，再直接生成纪要和待办5. tavily-search查最新新闻、数据和资料，而且会附来源6. skill-creator把你每天重复的工作流程，直接封装成一个 Skill巧用Skill，让AI替你上班！！

转发者评论

无明显转发评论

原文

#微博声浪计划# #听见微博# AI开始真正理解三维世界了。月之暗面最近发布的Kimi K3.1 Pro，参数规模直接干到了3万亿级别。但参数大不是重点，重点是它解锁了一个新技能：直接根据文字、甚至是一张草图，就能编写和运行3D建模脚本。与此同时，游戏圈的老大哥英伟达也没闲着，它的RTX Remix平台也更新了，把专业级的ComfyUI工作流直接塞进了游戏重制工具里，让AI能自动生成游戏的纹理和网格模型。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

转载——马斯克：AI算力不愁卖，SpaceX明年6个月能回本 #马斯克 #spacex #AI #芯片 #投资 （来源：视频号“华尔街见闻”，视频版权归原作者所有，如有侵权，请联系删除） 但斌的微博视频

转发者评论

无明显转发评论

原文

【中国最强开源模型杀到！Kimi K3.1 Pro剥离网络攻击数据：编程仍反超GPT-6】月之暗面正式发布Kimi K3.1 Pro，3万亿级参数支持100万token上下文，多项基准测试跻身全球前列，编程智能体能力反超GPT-6 Astra，是当前国内最强开源模型，主动剥离网络攻击相关训练数据，完整权重11月4日前开放。

转发者评论

无明显转发评论