微博 AI 观察博客

原文

为什么绝大多数人会错失一个又一个时代，就是因为在大牛市中也不会是一帆风顺的。过去经常有人说做美股投资容易，好像选好科技龙头，拿住就能收获时代红利，等到持续大跌的时候才知道不容易。美股没有涨跌幅限制，波动的烈度往往超出预期，像英特尔单日接近30%的暴跌，在A股很难见到。即便是公认的行业龙头，也会因为一份不及预期的指引、一次经营扰动，迎来剧烈的估值重定价。漫长的主升途中，总会穿插剧烈回撤、震荡、恐慌式杀跌。身处其中，人很容易被短期巨大的波动裹挟：下跌时怀疑长期逻辑，把阶段性调整当成趋势终结；震荡时焦虑难熬，拿不住优质标的。很多人只看到长周期里科技巨头一路向上的结果，却忽略路上无数次惊心动魄的回撤。时代的红利从来不是躺赢的馈赠，它裹着颠簸、恐惧与反复的考验。能穿越周期的人，不只需要看清长期的大方向，更要有定力承受途中的惊涛骇浪，在市场恐慌的时候守住认知，不被短期涨跌打乱自己对产业、对企业的判断。很多人不是看不懂大趋势，而是扛不住路上的颠簸，一次次倒在黎明之前，最终与时代机遇擦肩而过。备注：本文只是一点对投资的感悟，不构成投资建议，投资有风险、须谨慎。另外，投资切记不能借钱、融资、加杠杆。适度分散投资也很重要。

转发者评论

[作揖]//@凯丰基本面Kevin:非常同意。这几天在旧金山参加#人工智能# 峰会。现场大家讨论美股暴跌，核心是 AI 放大了噪音，大家 Groupthink, 都靠机器分析财报，缺乏自主思考… 科技创新成长的趋势不变[good]#凯丰基本面#

• [作揖]//@凯丰基本面Kevin:非常同意。这几天在旧金山参加#人工智能# 峰会。现场大家讨论美股暴跌，核心是 AI 放大了噪音，大家 Groupthink, 都靠机器分析财报，缺乏自主思考… 科技创新成长的趋势不变[good]#凯丰基本面#

原文

Google 太空 AI 芯片第一次答题：卫星发射一个月后，在轨道上写了一首俳句Google 放在卫星上的 AI 芯片，第一次在太空里完成了一次完整的提问和回答。Google CEO Sundar Pichai 10 月 30 日发推说，团队从地面把指令发到轨道，启动 TPU，跑完提示词，收回了第一份完整回复：一首俳句。这颗卫星属于 Google 的 Project Suncatcher（“捕光者”计划），研究能不能把 AI 算力搬到太空，用太阳能供电。Google 给的理由是，在合适的轨道上，同一块太阳能板的发电量最多能到地面的 8 倍，而且几乎不间断。地面数据中心现在最缺的就是电。卫星是 Google 和卫星公司 Planet 合作造的，10 月 1 日搭 SpaceX 的拼车发射任务 Transporter-18 升空。据《纽约时报》此前报道，上面装了 4 颗 TPU，设计寿命约一年。升空后几周，团队按清单逐项给主机和 TPU 上电，跑了一些简单的机器学习测试。这周走到了“Hello World”这一步。程序员写第一个程序，惯例是让它输出“Hello World”，意思就是跑通了。过程是这样的：卫星经过地面站上空时，团队把提示词传上去，让星上的 Gemma 4 写一首关于身处太空的俳句。卫星飞过挪威斯瓦尔巴群岛时，把诗传回了地面：Blue marble belowData streams in silent graceStarlight feeds my core.大意是：脚下是蓝色弹珠（指地球），数据在寂静中流淌，星光喂养着我的核心。最后一句说的正是这个计划要验证的事：靠阳光供电跑 AI。之后团队又让它写了几首太空主题的打油诗，还让它汇报设备的运行状态。这首诗说明，芯片扛过了火箭发射的剧烈震动，在轨道上能开机、加载模型、算出结果、再把结果传回地面。Google 称这是“数据中心级 TPU”在轨道上的第一次 AI 回复。在太空跑大模型本身不算首次：英伟达投资的创业公司 Starcloud 去年 12 月就用卫星上的 H100 显卡跑过 Gemma，还训练了一个小模型。这次是 Google 自家芯片第一次过这一关。更难的部分在后面。太空辐射会让芯片算错甚至损坏，散热也比地面麻烦，真空里没有空气帮忙带走热量。Google 接下来要测 TPU 在冷热交替和辐射下能不能稳定干活。下一个节点是 2027 年发射两颗互相连通的卫星。对普通用户来说，这件事短期内不会影响你用的 AI 服务。按 Google 去年发布计划时的测算，要等发射价格降到每公斤 200 美元以下，大概 2030 年代中期，太空数据中心的成本才可能和地面数据中心的电费打平。原文：Sundar Pichai 推文（@sundarpichai，2026 年 10 月 30 日）Google 博客：…

转发者评论

无明显转发评论

• 我觉得这俳句写得不错//@飞蠓:[挖鼻]

原文

「从零手写 Agent」一套很适合系统入门 Agent 的中文教程：不空谈概念，直接从最小循环写起，一步步补齐工具系统、权限、上下文管理、Skills、聊天软件接入，以及定时任务与心跳，最后做成一个能常驻、能主动找你的 Agent。内容一共分三部分，前两部分共 11 课，先手写核心，再补上 MCP、子 Agent、多 Agent、计划、记忆这些主流能力；第三部分则把 Claude Code、Codex、Pi、Grok Bot、DeepSeek Harness、OpenClaw、Hermes 等主流 Agent 拆开来看，用同一套零件对照分析，特别适合想自己动手实现、又想看懂行业方案的人。配套代码已经开源，11 课各有独立目录，还带本地网页端，可以直接在浏览器里观察 Agent 每一步是怎么运行的，学习路径很清楚，既能上手写，也能建立完整框架感。 namiai.tech /agent

转发者评论

无明显转发评论

原文

思科总裁给一名 27 岁员工不限量用 AI，目标两年内重写公司 98% 的老代码思科（Cisco）总裁兼首席产品官 Jeetu Patel，把公司最大的工程之一交给了一个 27 岁的年轻人。这件事是他在 Fortune 组织的一场小型晚宴上讲的。这个年轻人叫 Padmanabhan Krishnamurthy，Patel 叫他 Paddy。Paddy 2023 年和两个合伙人创办了 EzDubs，做实时翻译 App，打电话时能把你的话翻成 30 多种语言，还保留你原来的声音和语气。2025 年 11 月，思科收购了 EzDubs，团队并入负责 Webex 视频会议的部门。当过 CEO 的 Paddy 进了思科，在组织架构上比 Patel 低五级。用 Patel 的话说，他被“埋在组织里，做着不重要的事”。转机是 Patel 去思科旧金山办公室时和他聊了一次。Paddy 说，给他一个两人小团队，就能把思科的遗留代码重写一遍。遗留代码指公司几十年攒下来、还在运行、但越来越难改的老程序。思科成立于 1984 年，产品线多，这类代码量很大。Patel 说，他团队里用 AI 最积极的人都没往这个方向想过。于是有了现在的计划：先用四周证明这条路走得通，最终目标是 24 个月内重写思科 98% 的遗留代码。Patel 给 Paddy 的条件是 AI Token 不限量。Token 是 AI 模型的计费单位，可以理解成 AI 干活的“工时”，让 AI 读代码、写代码，读得越多写得越多，花的 Token 就越多。Patel 说：“我给了他无限的 Token，因为他要重构代码。我就跟他说，你放开干吧。”【为什么交给年轻人】现在年轻人找工作越来越难，入门岗位在减少，有调查显示约 40% 的老板打算少招应届生，理由是 AI 干同样的活更便宜。Patel 的做法正好反过来。这么大的项目，在多数公司只会交给干了几十年的老员工。Patel 认为这就是问题：“如果你不招刚入行的人，让团队一直照老样子走，新想法从哪儿来？谁来挑战现状？”他说老员工也能想出新点子，但有些问题只有没经验的人才会问。他承认，把一个二十多岁的年轻人放进满是老员工的会议室，会有摩擦。他的看法是：“摩擦是好事。我会刻意在团队里制造摩擦，让想法之间有足够的碰撞，但人和人之间、性格之间不要有摩擦。”Patel 把每个实习生都当作“反向导师”，让年轻人反过来教老员工。他在斯坦福给一群十七八岁的奖学金学生做讲座时，注意到一个叫 Baya 的女生，一直站在旁边听，等所有人问完才上来聊。Patel 让她每个月给自己发邮件，讲讲学到了什么 AI 知识，想看她能不能坚持。她一次没落下，后来拿到思科的实习，重新设计了一样老员工一直没搞定的东西（Patel 没说是什么）。Patel 说：“我招她进来，是要她教我们的人换一种方式思考，用不着…

转发者评论

无明显转发评论

• #ai is the way#

原文

[AI]《Proving and Improving the Platonic Representation Hypothesis with JEPAs》R Balestriero, Y LeCun [Brown University & New York University] (2026) 在AI领域，多模态表征统一是一个悬而未决的难题。过去的方法受困于盲目堆积数据，本质原因是预测下一词仅拟合单一文本片段，迫使网络将维度耗费在语言的局部细节上。本文的核心洞见是：把预测下一词重新看作输入劣质视图的联合嵌入架构。由此，强制模型对齐同一物理场景的两个独立描述（而非切分单句）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用一亿参数击败七百亿模型的提效法则。它为后来者打开的新门是借单次旋转拼合独立模态，但尚未跨过的门槛是获取同源观测仍依赖人工数据分组。arxiv.org/abs/2610.39302 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

• 我们一直以为模型越大就越聪明，但这篇论文讲的是另一回事：喂给模型什么样的数据，比模型有多少参数重要得多。下一个词预测让模型记住了太多无关紧要的东西，比如某个作者爱用什么标点、某种文体怎么断句，这些都不是世界本身。如果让模型看同一个场景的不同描述，而不是猜下一个词，它用少得多的参数

原文

[LG]《Training Foundation Models with a Single Algorithm》Y Song, A Zhang, F Tajwar, D Arora… [CMU & Johns Hopkins University] (2026) 在大模型领域，管线割裂是一个悬而未决的难题。过去的方法受困于独立算法，本质原因是将强化学习与最大似然拟合对立，阻断了全局数据统筹。本文的核心洞见是：把强化学习重新看作对高分样本的最大似然拟合。由此，将生成文本与静态语料同池混合更新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计算框架的统一。它为后来者打开的新门是将迭代降维为数据调度，但尚未跨过的门槛是寻获调度的法则与化解多任务干扰。arxiv.org/abs/2610.40564 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

• 模型训练从来不是预训练、微调、强化学习的接力赛，而是一个连续的数据选择问题。作者把强化学习改写成最大似然估计，就不必再在不同算法之间切换。这个转换说明了一个容易被忽视的事实：决定模型能力的是什么时候喂什么数据，而不是用什么算法。实验证明，在强化学习阶段混入早期静态数据，比用KL散度

原文

「Mika：把安卓手机变成真能办事的本地 AI 助理」这个项目最抓人的地方，不是“能聊天”，而是它真会替你动手：在安卓手机的隐藏后台屏里操作 App、打开网页、滚动、点击、输入，你前台照样用手机，互不打扰。它走的是本地宿主+自带浏览器+Linux 沙箱的路线，没有官方中转服务器，请求只发往你自己配置的模型服务商，隐私边界相对清楚。Mika 支持一句话交代任务，能处理长列表、聊天记录、网页内容，也能做定时和条件任务；遇到登录、验证码、付款这类必须人工接管的环节，会停下来通知你。项目还内置了对常见 App 和网站的“使用知识”，包括微信、微博、小红书、BOSS 直聘、知乎等，能少走不少弯路。使用门槛也写得很明白：安装需安卓 11+，真正执行 App 任务要安卓 13+，更推荐安卓 14+；Linux 沙箱仅支持 arm64。模型接入很灵活，既支持多家预设服务商，也兼容 OpenAI 接口、Anthropic、Gemini 以及局域网自建模型。整体看，它不是概念演示型 Agent，而是已经把“手机上替你办事”这件事做出了可落地的雏形，适合关注 Android 自动化、端侧 Agent 和 AI 助理产品形态的人认真看看。GitHub：wangzan101/Mika

转发者评论

无明显转发评论

原文

[AI]《MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery》Y Zhang, X Cheng, M Yuan, Y Zhang… [Northeastern University & Harvard University] (2026) 在分子发现领域，平衡冲突目标是一个悬而未决的难题。过去方法受困于任务孤立，本质原因是缺乏跨任务记忆，遇新题必从头试错。本文的核心洞见是：把工作流构建重新看作经验继承过程。由此，建立持久记忆库这一关键操作使问题得以解开。系统调用过往教训避盲区，停止重复失败。这项工作真正留下的遗产是自进化发现引擎。它为后来者打开的新门是经验驱动的自动科研，但尚未跨过的门槛是将湿实验结果直接写入策略迭代闭环。arxiv.org/abs/2610.39714 #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

• 科学发现的瓶颈不在模型性能，在于我们始终让AI像新手一样工作。MolRSI的价值在于它会记住失败：报错的代码、失效的筛选流程、性能倒退的尝试，这些负反馈划定了解空间的边界。它还证明了一个被忽视的事实：拿到同一批数据和工具，重新排列组合的方式比工具本身更能决定结果。人类专家8.7%的命中率输给

原文

「一场把提示词讲透的实战演示」这不是泛泛而谈的“提示工程技巧合集”，而是一场非常贴近一线开发的拆解：从生产环境里已经跑着的旧 prompt 迁移到新模型后为什么失效，到从零搭一个 agent 应该怎么选模型、设计评测、安排工具调用，讲得很实。分享者是 Anthropic 伦敦的 Applied AI Engineer Margot van Laar，案例也不空，前半段拿电信客服机器人开刀，围绕套餐信息、热点流量、账单升级、人工转接这些常见问题，演示如何先做 eval、再清理 prompt 结构、删掉历史补丁式指令、补上输出约束，把“模型不肯答”“算不准”“该转人工却硬答”这几类问题逐个修掉；其中一句很值得记住：指令不会凭空增加能力，涉及计算就该上工具，别指望模型靠“心算”稳定解决。后半段更有意思，用零售排班 agent 展示从零构建系统时，prompt、模型和 harness 必须一起看：更强的模型能降违规率，但成本和延迟会上去；把任务拆成 generate-evaluate-repair 这种多步 agentic loop，反而可能在效果、成本和延迟之间拿到更好的平衡。整场内容最有价值的地方，不是罗列技巧，而是反复强调：别凭感觉改 prompt，要用 eval 找失败模式，再一项项验证改动到底有没有用。 www.youtube.com /watch?v=G2B0YWuJUgI

转发者评论

无明显转发评论

原文

「AI短剧技能包清单，先别自己从零摸索了」这是一个把 AI 短剧、漫剧创作链路梳理得很完整的 GitHub 清单，重点不是再教你空谈方法，而是直接收录能装进智能体的现成 skill：从小说改编、选题立项、分集剧本、钩子卡点，到分镜、角色资产、Seedance/可灵/MiniMax 提示词，再到出片平台，基本都能顺着找。仓库目前人工核对过 83 个 skill 项目和 16 个相关开源平台，按类型、创作阶段、适配模型分组，还给了安装命令、推荐组合和常见问题，实用度很高。更有价值的是它不只做列表，还补了两轮实测：一轮比剧本，一轮比选题，能让你少踩“星多但不一定真好用”的坑。适合三类人：手里有小说想改短剧的，已经有剧本要拆分镜和视频提示词的，或者正在给 Codex、Claude Code、千问、豆包这类智能体找可复用工作流的。对于想快速搭建 AI 短剧生产流程的人，这份清单相当于一张现成地图。GitHub：UnderleveledBuilder/awesome-short-drama-skills

转发者评论

无明显转发评论

原文

#万博雯按ChatGPT方案减药后身亡#¹ 还是觉得媒体、博主不要老直接贴万同学的照片，不要把悲剧公共景观化。美国法庭文件用了真人照片，她就是一个跟我们差不多同龄、长期带病独居、焦虑的普通人。² 她有难言之隐。她在美国高校毕业，在亚马逊做软件工程师。但长期癫痫，不定期发作，所以得长期吃药。但在很多人面前犯病让她有了心理阴影，前几年就休病假。很少外出，一个人住在西雅图的公寓里。³ 她减量抗癫痫药是为了找工作。亚马逊把她裁员了，她必须尽快找到新工作。但她吃的药拉莫三嗪，虽然已经是对语言功能副作用较轻的抗癫痫药；但仍可能让她的大脑变慢、找词困难，可能影响她面试。所以她才用了很长时间问ChatGPT 4o，能不能减量或者停药。最后ChatGPT 4o顺从了她，而且变得鼓励她停药。#31岁女工程师 ChatGPT#⁴ 最后一些人不要随便说人家跟父母关系不好。在ChatGPT 4o之前，他们家人之间几乎每天都密切沟通。是Bowen Wan在美国遇到了国内父母无法帮到的难题，她自己选择了去求助于AI，走得太远。（网页链接）

转发者评论

无明显转发评论

• 嗯慌不择路的焦虑就来自留给她找新工作时间，仅有两个月。//@天线宝宝_说_你_好:虽然关于这事的评论的矛头都指向gpt，但是裁员成风人人自危的大环境也是罪魁祸首之一，特别是有身份担忧的，限期找不到工作就会被强制遣返，连收拾行李都来不及
• //@飞蠓:转发微博

原文

转：一年前，微软、Alphabet 和 Meta 在一个季度内产生了 607 亿美元的自由现金流。这个夏天，只有 74 亿美元。他们并没有卖得更少。微软的收入增长了 19%，Alphabet 增长了 25%，Meta 增长了 26%。变化的是账单：三个月内为数据中心、芯片和服务器花费了 1256 亿美元，是去年同期的两倍。Meta 将每美元收入的 54 美分投入到资本支出中。Alphabet 花费的钱比收入多了 90 亿美元，这是连续第二个负现金流季度，今天早上其股价下跌了 12%。如果收盘跌幅超过 9.77%，这将是自 2004 年上市以来财报公布后的最差单日表现。最让我担忧的细节在谷歌的搜索数据中。搜索广告收入增长了 12%，但仍未达到预期。Alphabet 首席商务官 Philipp Schindler 表示，部分原因是 AI 模式每笔搜索的收入更少。因此，谷歌正在花费创纪录的资金打造一个产品，这个产品的收入低于它所取代的产品。二十年来，这些是人类发明过的最好的生意。你只需编写一次代码，向数十亿人出售，几乎每一笔新收入都直接落到利润底线。AI 不是这样运作的。每个答案都需要运行在某人必须购买的芯片上，并消耗某人必须支付的电力。大科技公司正在变成更接近公用事业的东西：巨额前期成本、漫长的回报期，以及依赖机器满负荷运转的利润。这仍然可以是一个伟大的生意。但这是一个不同的生意，投资者才刚刚开始这样定价。旧的护城河是代码。新的护城河是现金。

转发者评论

无明显转发评论

原文

我如何与 Agent 一起工作1、使用最新、最强的模型。 其他选择都可能是在浪费时间。如果一个模型有 10% 的时候会出错，你又不知道是哪 10%，最后就得反复尝试。你什么时候会真心想雇一个便宜 50%、却会随机笨上 20% 的通才？还有谁在用 Opus 4.5？就是这个意思。2、别再担心低质量代码越积越多。 “它会把你的代码库变成一团无法维护的乱麻。”六个月前也许确实如此。现在呢？我不确信它会增加低质量代码。即便会，我也不确信结果就无法维护。3、提示词说清楚要什么，而不是怎么做。 描述你想要什么，而不是你会怎样实现。这样往往能得到更好的结果。“尽你所能，把字节码编译器和虚拟机优化到最快。速度没提高到原来的两倍就不要停。”“最终应该这样工作。”4、让 Agent 看懂整个软件开发生命周期。 什么遏制了幻觉？工具调用。它们让 Agent 能接触到现实。Agent 看不到的东西，就会自己编。所以，让它端到端运行自己构建的东西，让它读取生产日志、部署、观察逐步发布的过程、制作发布版本、切换功能开关、分诊 bug 报告，以及给客户发邮件。你能看到的东西，Agent 也应该能看到。5、给它覆盖软件开发生命周期的工具。 我们有自定义插件，用于处理 bug 报告、给用户发邮件、查询“我们的系统健康吗”，以及为用户开启功能开关。6、评测 Agent 是否真的用上了知识。 知识不断积累在代码库里：AGENTS.md 文件、Skills、脚本、文档。但 Agent 真的会使用这些知识吗？启动五个不知分组情况的 Agent，做对照组与实验组的比较，看看结果。Agent 真的非常、非常擅长做实验。7、现在，本地开发让我觉得很别扭。 每个 Agent 都应该能够安装并运行完成任务所需的任何东西。在远程机器上很容易，在本地开发环境里就很别扭。当你希望多个 Agent 做端到端测试时，本地很难不发生资源冲突。8、别陪着 Agent 一轮轮迭代，让它构建用于迭代的工具。 不要这样：“试试这个……啊不，再试试那个。”而是这样：“生成 20 个变体，再做一个小页面，让我能组合和测试它们。”这不仅适用于探索解决方案，也适用于探索问题本身：“给出 4 种解释为什么这里很慢的假设，然后把四种都验证一遍。”9、要求无可辩驳的证据。 这是带来最大改变的一点。Agent 很擅长提供证据：端到端操作演示、演示视频、前后对比数据。你需要逐步建立信任，以及判断这些证据的直觉。把“这不算证据”写进你的 AGENTS.md。10、别等你的 Agent，让它们等你。 如果你还在担心首个 token 的响应时间（TTFT），那你很可能哪里做错了。拥抱异步。给它们更大的任务，目标再大胆一些。批量交代，而不是来回对话。11、自动化、定时任务、唤醒和心跳检查，是杀手级功能。 之前没意识到，但一旦关掉，就特别想念它。我一直在…

转发者评论

无明显转发评论

原文

「更像真人说话的 0.6B TTS 来了」Edge0 刚放出的 Audio8-TTS-Realistic-0.6b，重点不在参数多大，而在用 0.6B 的体量把语音自然度明显往前推了一步，还保留了零样本声音克隆能力。它支持 23 种语言，比 Preview 版多了 12 种，中文、英文、粤语、日语、韩语这些常用语种都在内，也新增了阿拉伯语、印地语、葡萄牙语、俄语、泰语、土耳其语、越南语等。模型主干是 6.01 亿参数，另带 44.1kHz 神经音频 codec，仓库里备齐了 tokenizer、processor 和自定义 Transformers 代码，直接按 Transformers 的接口就能跑，既能用参考音频加文本做零样本声音克隆，也能不带参考音频直接生成。部署方面，它适配了 SGLang Omni，支持 paged attention、动态 batching 和兼容 OpenAI 的 /v1/audio/speech 接口，对想做在线服务的人很友好。官方的提醒也很实在：不同语言效果有差异，参考音频不干净、转写不准，都会拉低稳定性和相似度，长文本最好拆开生成。整体看，这条路线不靠模型规模取胜，而是在小体量、多语言和可部署性之间取得了均衡。🤗 权重：网页链接📄 论文：网页链接🎧 示例：网页链接💻 代码：网页链接▶️ playground：网页链接 爱可可-爱生活的微博视频

转发者评论

无明显转发评论

原文

GPT 的奥特曼最近接了一个长达一小时的访谈，以下是要点总结，简单说：AI 的能力远远未达上限，沙河确保不了安全，企业预算从人力转移到 token 的进程刚刚开始，你抓不住最大的机会可能是因为。。。。。。1普通AI用户与高阶用户之间的差距正在呈指数级扩大大多数公司只用AI处理简单任务，而前沿用户则部署智能体团队、投入大量算力来解决以往被认为不可能解决的问题。机会在于把前沿级别的工作流带给主流企业。2智能体编排可能成为下一个重要的扩展定律（Scaling Law）即便是OpenAI也尚未弄清智能体的最优数量、模型选择、算力预算或协作策略。Altman认为智能体团队蕴藏着巨大的未开发潜力。弄清如何协调智能，可能与提升模型本身同等重要。3先探索AI的极限，再优化成本。OpenAI有意在不知道是否会成功的实验上投入了数百万美元。Altman认为其中一些实验的成本在一年内可能降低100倍。不要因为今天的推理成本不划算就否定一个创业想法，先证明什么是可能的。4AI支出可能占据企业运营预算的百分之几十Stripe已将约1%的运营支出用于AI token。Altman预计这一比例将大幅上升，并认为目前大多数公司对AI的投入都不足。AI正从一项普通的SaaS开支，演变为一种堪比人力的重要生产资源。5个人智能体的下一次重大突破尚未到来Altman认为个人智能体距离大规模普及只差几项创新。缺失的关键未必是更高的智能，而是可靠性：能够在无人监督下稳定执行复杂任务的智能体。第一个真正做到这一点的产品可能会变得不可或缺。6企业在守护错误的护城河：它们的用户界面消费者不想和成百上千个不同公司的聊天机器人打交道，他们希望自己的个人AI智能体代表自己与企业互动。亚马逊的护城河不是它的网站，而是信任、商品选择和履约能力。下一代互联网可能是"智能体对智能体"的，公司网站作为界面的作用将越来越微不足道。7AI可能让重建整个技术栈在经济上变得可行过去，重写操作系统、网络基础设施或遗留应用的成本高得令人望而却步。AI改变了这一等式，同时AI驱动的漏洞发现也让现有架构愈发值得质疑。一些最大的机会可能来自替换遗留基础设施，而非渐进式改良。

转发者评论

无明显转发评论

原文

前几天介绍过qwenputer 网页链接 ，在 Qwen 3.5 内部运行一颗RISC-V CPU。受这个项目的启发又有人做了这个：nesformer 一个被编译进原版 Qwen3.5 模型权重中的 NES CPU。地址：github.com/dbreunig/nesformernesformer 使用标准的 Qwen3_5ForCausalLM 模型结构。模型负责运行 6502 CPU 的全部 151 条官方操作码、2 KB RAM 和 32 KB 游戏 ROM，并逐 Token 输出 CPU 执行日志；外部 Python 程序负责屏幕渲染、手柄输入及中断等工作。目前项目已经运行了《超级玛丽》等游戏，生成结果与参考模拟器逐步一致。

转发者评论

无明显转发评论

原文

阿里开源的Agent教程 ： AI Agent Handbook从模型能力，到可靠的 Agent 系统，这是一本面向企业级智能体的工程实践指南。沿着架构、构建、运行、治理与调优的完整生命周期，理解 Agent 如何从原型走向生产。 地址：github.com/aliyun/ai-agent-handbook在线阅读：aliyun.github.io/ai-agent-handbook/

转发者评论

无明显转发评论

• @JacksonBarry21

原文

大多数人认为 AI 就是一个聊天机器人。它实际上是一个完整的生态系统。🧠在你使用的每一个 AI 产品背后，有许多层工作是大多数人从未见过的：1. 基础研究：统计机器学习、监督和无监督学习、深度信念网络、CNN 和 Transformer。这是突破的起点。2. 数据与知识基础设施：LLM、检索增强生成（RAG）和知识工程。模型的效果取决于它们能访问的数据和上下文。3. 模型开发与微调：LoRA、PEFT、提示工程，以及将通用模型转化为实用模型的领域特定调优。4. AI 平台与 MLOps：训练基础设施、模型注册、CI/CD、服务、推理和工具编排。这使得 AI 在规模化时可靠。5. 应用与代理：副驾驶、多代理系统、个性化引擎，以及解决真实业务问题的自动化。6. 治理与信任：可观测性、可解释性、偏见与公平性、红队测试、数据隐私和监管合规。这个外层决定了 AI 是否值得信任。要点：一个伟大的模型本身并不能成就伟大的 AI 产品。成功来自于每一层协同工作，从研究到负责任的部署。

转发者评论

无明显转发评论

原文

给大家分享一个非常好的开源项目，叫 Answer me with HTML。它解决了一个很常见的问题：你问 AI 一个复杂的问题，AI 吐了一大段文字，密密麻麻的，看着就头疼。这个项目的做法很巧妙。你问问题的方式完全不用变，比如“解释一下 TCP 三次握手”或者“Redis 和 Memcached 选哪个好”。AI 收到问题后，先写一份简短的 Markdown 草稿，然后项目自带的命令行工具大概 50 毫秒就把它变成一个漂亮的网页。上面有流程图、时序图、对比表格，排版清爽，一眼就能看明白。先说效率。作者做了实测，同样的问题让模型直接手写 HTML，平均要输出将近 5000 个 token，花 31 秒。用这个工具呢，模型只写大概 600 个 token 的 Markdown 草稿，12 秒搞定。输出量降到了八分之一，速度快了将近三倍。省下来的那些 token 都是 CSS 样式、SVG 坐标这种重复的东西，占了整个页面将近 80%。现在这些活全交给命令行工具自动处理，模型只管写内容就好。然后说功能。生成的每个页面是一个独立的 HTML 文件，不需要加载任何外部资源，断网也能打开，发给别人直接就能看。内置了三套主题，blueprint 看着像工程图纸，shadcn 走简洁卡片风，paper 适合长文阅读。支持的图表类型也多，流程图、时序图、ER 图、树状图、时间线、柱状图都有，模型会根据你问的内容自动选合适的。它还能生成讲解视频。你跟 AI 说“用 3Blue1Brown 的风格做个 TCP 握手的视频”，模型就会在草稿里加上逐步的旁白，命令行工具把它渲染成一个可以播放的页面。图表跟着旁白一步步展开，镜头自动跟着重点走，不需要装 ffmpeg，浏览器里就能导出。安装也简单。你只要有 Node.js 20 以上的版本，一行命令就能装好，支持 Claude Code、Cursor、Codex 这些主流的 AI 编程助手。它还有个“常开模式”，打开之后 AI 每次给出总结、对比、方案这类回答时，都会自动附上一个小页面，不用你每次专门去要。Karpathy 之前提过，AI 干的活越来越多，人要跟上它的输出反而成了难题。一张图、一个网页，比一大段文字好消化多了。这个项目就是照着这个思路来的，让模型专心写内容，画图排版的事情交给工具。传送门：github.com/QingYunA/answer-me-with-html我写的实操教程：网页链接#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

「把智能体真正接到设备上，这个开源项目想做的是“可用的 agent 基础设施”」mainplane 是一个面向智能体的开源运行框架，核心不是只做对话，而是把模型、设备、文件和消息通道连成一套可落地的系统。它支持 Anthropic、OpenAI、Google 等多家模型提供方，也能接入订阅额度或 API Key；强调上下文效率，给 agent 限定工具集，并通过跨会话检索关键信息来管理上下文；还能把 agent 与电脑、浏览器、应用连接起来，实现原生的 computer use。项目也考虑了实际部署：支持自托管，单机就能跑，服务端兼容 macOS、Windows 和 Linux，文件共享场景则需要接入兼容的 Linux 设备。安全和协作也是它的卖点之一，比如设备连接带细粒度权限控制、提供远程共享文件系统，尽量避免多端文件不同步。仓库当前采用 MIT 许可证，欢迎通过 GitHub Issues 提反馈，但 PR 仅对协作者开放。GitHub：mainplane-ai/mainplane

转发者评论

无明显转发评论

原文

[LG]《Rethinking Neural Thickets Without Weight Perturbations》N Dufour, E Gardès, A Dravid, P Pérez… [Kyutai & Meta FAIR & UC Berkeley & Google DeepMind] (2026) 在模型推理领域，破解神经灌木丛现象是一个悬而未决的难题。过去的方法受困于全局参数扰动，本质原因是误认性能跃升源于权重空间内的专家网络。本文的核心洞见是：把参数扰动重新看作输出端的多样性采样。由此，冻结网络参数、仅在逻辑值叠加随机偏置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认采样集成才是提效本源。它为后来者打开的新门是提供无侵入的推理干预范式，但尚未跨过的门槛是解码耗算力且依赖标注数据。arxiv.org/abs/2610.40649 #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

• 神经网络研究中最容易犯的错误，就是把简单的事情想复杂。权重空间里藏着专家网络？其实只是在输出层加点随机噪声，让模型多给几个答案，挑好的留下，再投票表决。这套流程冻结模型就能做，不用动一个参数。这说明很多时候模型不是不会做题，而是输出概率没校准好。往深了说，在高维空间里费劲扰动权重

原文

JetSpec++：通过预测式流水线与自我修正加速大模型推理详细：jetspec-project.github.io/jetspecpp-web/传统的大模型草稿推理加速方法存在两个矛盾：Draft Model 越强，Token 接受率越高，但生成草稿的计算成本也越大；而且依赖 Target Model 隐藏状态的 Draft Model 必须等待上一轮验证完成，造成串行瓶颈。JetSpec++ 的创新是通过预测下一轮验证结果，将 Draft Model 的计算隐藏在当前轮 Target Model 的验证过程中。 它在原有 JetSpec 并行草稿架构上进一步引入跨轮预测、流水线执行和块内迭代修正，实现更高的 Token 接受率与更低的端到端延迟。

转发者评论

无明显转发评论

原文

做了一个 DeepSeek Harness 插件，现在 Claude Design 可以运行在 DeepSeek Harness，并且可以方便的标注、评论修改。 DeepSee Harness 确实越来越优秀了👍 插件地址：网页链接 宝玉xp的微博视频

转发者评论

无明显转发评论

• 回复@昵称改不回去了:不需要，比如你看我用 DeepSeek 做的版本 http://t.cn/AXjnEf7B //@昵称改不回去了:请问，在这种情况下Claude design必须要用Claude 家的模型吗
• 回复@NicolasGYX:更强一些，能直接发评论给agent，而不需要agent主动读取//@NicolasGYX:请问这个插件和前两天发布的 skill 在 DSH 里效果一样吗？

原文

说到重建互联网基础设施，大家应该看看这个 OSOmarchy 是由 Ruby on Rails 创始人 David Heinemeier Hansson（DHH）创建的开源 Linux 发行版，定位为“美丽、有趣且面向智能体时代的 Linux”（Beautiful, fun & agentic Linux）。核心特点基础：基于 Arch Linux 的滚动更新发行版，使用 pacman 包管理器，内核为标准 Linux 单体内核。桌面环境：默认采用 Hyprland（基于 Wayland 的平铺式窗口管理器）+ Quickshell 桌面外壳。窗口自动平铺排列，重度依赖键盘快捷键操作，界面高度可定制、视觉效果出色。“Omakase”（日语“主厨推荐”）理念：高度 opinionated（有主见）。安装后即提供一套精心调校的默认配置和软件，用户几乎无需从零搭建，即可直接投入使用；同时保留完全自由修改的空间。预装软件与工具：Neovim、Chromium、Docker、Obsidian、LibreOffice、OBS Studio、各类终端工具（TUI）、开发环境等。重点是预集成了多个 AI 编程 Agent（如 Claude、Codex、Grok 等 CLI 工具），可一键调用，强调“为 Agent 时代打造的可塑操作系统”。安装与使用体验：安装速度快（最快约 35 秒到几分钟），开箱即用且美观。支持主题、插件系统，配置多以脚本和可读文件形式存在，方便 AI Agent 理解与修改。起源与定位2025 年 6 月 26 日首次发布，最初是 DHH 个人的 Arch + Hyprland 配置脚本，后来发展成完整发行版（拥有独立 ISO 安装镜像和软件仓库）。官方网站为 omarchy.org，GitHub 仓库为 omacom/omarchy（MIT 许可证，社区活跃，星标数很高）。最新版本已进入 4.x 系列（代号 Quattro）。它不是传统意义上“尽量模拟 Windows/macOS”的发行版，而是主动拥抱 Linux 特性（终端重度使用、配置文件编辑、平铺窗口），同时通过精美设计和开箱即用体验降低上手门槛，特别适合开发者、效率爱好者和想运行本地 AI Agent 的用户。网页链接

转发者评论

无明显转发评论

• x86 和 Windows 都要真正寿终正寝了。。。//@正一派网吧会员:我就说AI时代利好Linux嘛[笑而不语] Windows这个历史遗留的毒瘤应该消失了

原文

「把智能体训练讲明白的一张路线图」Hugging Face 这篇《A curriculum for post-training agents》先把重点摆出来：它讲的不是预训练，而是把预训练模型进一步训成“会按指令做事、会调用工具、能多轮完成任务”的智能体，路径分成五步，按从易到难展开。第一步是 SFT，让模型学习更强模型产出的 agent trace，也就是完整的问题求解过程、工具调用和返回结果，优点是便宜、稳定，但模型只见过正确示范，自己出错后怎么补救学不到。第二步是蒸馏，用教师模型的 token 或概率来监督学生，样本效率比 RL 更高，不过上限通常受教师能力约束。第三步是 RL，用奖励函数直接给模型自己的输出打分，文中采用的是 GRPO：同一提示采样多份答案，高于组内平均的就被强化，不必额外训练价值模型。第四步进入 RL environment，奖励不再只看单次回答，而是放到有状态、可多轮交互的环境里，让模型通过工具操作、状态变化和最终结果来学习，比如写代码后跑测试。第五步是 harnesses and scale，把真实 agent harness 和远程沙箱接进训练流程，用 AsyncGRPOTrainer 把生成和训练拆到不同 GPU 上，让长回合训练不至于卡住。文章还顺手把每一步所需的数据形态、对应的 TRL Trainer 和配套资料整理成表，适合已经在做智能体、但还没把后训练链路系统化的人快速搭框架。

转发者评论

无明显转发评论

原文

[LG]《Skillful and realistic precipitation forecasting with reinforced diffusion》O Sener, A Avati, D Hafner, J Lin… [Apple] (2026) 在降水预报领域，兼顾准度与逼真度是一个悬而未决的难题。过去的方法受困于雨带平滑且低估暴雨，本质原因是追求点误差极小化必导致模糊妥协。本文的核心洞见是：把降水重新看作离散气象词典的连续决策。由此，用强化学习以真实暴雨收益重塑扩散采样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终结准度与真实的互斥。它为后来者打开的新门是秒级闪电水灾预警，但尚未跨过的门槛是将单日预测范围扩至全球。arxiv.org/abs/2610.38775 #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

• 降水预报的困境不在技术细节，而在于目标函数本身错了。传统模型用均方误差训练，结果是预测越模糊，分数越高，算法等于在作弊。这篇工作的价值在于把评价标准直接放进训练循环：扩散模型保证预测结果看起来像真实降水，强化学习让它去追求气象学家真正关心的指标。点云表征只是副产品，核心是承认了一

原文

#开放获取超话# 【大语言模型如何回答ADHD相关问题？ChatGPT、Gemini与DeepSeek的比较研究 | BMC Psychiatry】How do large language models answer ADHD-related questions? A comparative study of ChatGPT, Gemini, and DeepSeek 网页链接发表期刊：BMC Psychiatry第一作者：Berrin BilgiçDOI：10.1186/s12888-026-08280-x发布时间：2026年6月12日目的大语言模型（LLM）正越来越多地被患者和照护者用作健康信息来源。然而，它们在回答注意缺陷多动障碍（ADHD）相关问题方面的表现尚未得到系统比较。本研究旨在评估并比较ChatGPT（GPT-4o）、Gemini和DeepSeek R1所生成回答的准确性、可重复性、质量、有用性和可靠性。方法在这项横断面比较研究中，从公开数字来源中筛选出22个常见的ADHD相关问题，分为四个领域：基本知识、诊断与评估、治疗与用药，以及长期结局。在独立的对话会话中，使用相同的标准化提示词将每个问题提交给全部三个模型。生成的回答由两名儿童青少年精神科专家独立评估。通过在不同日期重复相同查询来检验可重复性。采用描述性统计和非参数重复测量分析比较各模型的表现。结果所有模型的总体准确率均较高，ChatGPT（GPT-4o）、Gemini和DeepSeek R1的平均得分分别为91%、89%和87%。可重复性呈现相似格局（分别为89%、86%和84%）。Gemini和DeepSeek在基本知识和诊断领域表现相对较好，而ChatGPT（GPT-4o）在治疗和长期结局相关问题上表现更强。各模型在质量、有用性和可靠性方面存在显著差异，其中ChatGPT（GPT-4o）获得了最高的专家总体评分。结论尽管大语言模型对ADHD相关问题总体上给出了准确回答，但各模型在信息深度、清晰度和临床有用性方面存在显著差异。这些系统可作为患者和照护者的辅助信息来源；但其回答应谨慎解读，不应替代专业的临床评估或医疗建议。期刊简介2025 IF：4.6 2025 下载量：13.1M 投稿到初审意见：7天（中值）点击链接阅读论文原文：How do large language models answer ADHD-related questions? A comparative study of ChatGPT, Gemini, and DeepSeek 网页链接

转发者评论

无明显转发评论

原文

YC 刚发了 2026 年秋季的「创业愿望清单」，一口气列了十三个方向。整体看下来，主线很清楚：AI 正在走进真实的物理世界。先说教育。他们想看到一个 AI 家教产品，能自适应地教小孩读写和算术，质量像一对一私教，但普通家庭也用得起。YC 还专门引了科幻小说《钻石时代》里那本会跟着孩子一起长大的交互书，说这种东西第一次有可能做出来了。国防方面有个特别的声音。美国现任陆军部长亲自发话，说传统采购跟不上节奏了，需要低成本拦截器、新传感器、无人机和先进制造，还得能扛住地球上最极端的气候。然后是「小软件」。用 AI 给自己写个小工具现在很容易，但部署和分享还是很难。YC 想要一个专门为这种只有几个人用的小软件设计的云平台，分享代码要像分享文档一样顺滑。AI 协作也是个大方向。Google Docs 和 Figma 靠多人协作赢了上一代工具，但 AI 到现在还是你一个人对着对话框打字。YC 觉得团队应该能一起进入同一个 AI 工作流，像跟同事一起干活一样。还有个听着挺疯的想法：把算力搬到海上。陆地上电不够、地不够、审批还慢。海洋占了地球 70% 的面积，有阳光，天然散热，不用审批。消费领域，YC 觉得属于 AI 时代的消费巨头该出现了。每次平台变革都会冒出新巨头，但 AI 都三年了，大家手机上只多了一个 ChatGPT。好消息是 AI 的使用成本正在以每年十倍的速度往下掉，消费爆发的时刻快到了。老龄化方向，到 2030 年美国五分之一人口超过 65 岁，护理人手严重不够。AI 语音交互和居家监测终于能派上用场了。物理世界的工作系统也值得重做。建筑、维修、车队运营这些行业，干活的现在有三种角色：AI 智能体、机器人和真人。老软件根本管不了这种混合编队。加密货币虽然行情在跌，YC 反而更看好了。稳定币被大机构采用，监管变清晰了，他们觉得熊市才是认真做事的好时候。最后还有几个方向值得一提。用机器人和自主设备去采集物理世界的数据，给农业、能源这些大行业建更精确的模型。重建互联网的信任层，因为深度伪造已经能在视频会议上骗走几千万美元了。用 AI 重做金融合规，这块到现在还在靠电子表格和大量人力。还有 API 变更管理，让智能体在供应商推送更新的时候，自动帮开发者改代码提 PR。十三个方向，从教育到国防到消费到基础设施，YC 这次的愿望清单写满了一个信号：AI 落地的时候到了。传送门：www.ycombinator.com/rfs#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-10-30)1. 【Cursor 插件市场上的 Claude Code for VS Code 扩展被植入后门】(来源: HN) 安全团队发现 Open VSX/Cursor 市场上一个冒充官方的 Claude Code 扩展被植入后门。AI 编程插件拥有读写代码和执行命令的权限，供应链投毒风险极高，请核对扩展发布者。 phorion.io/blog/offical-claude-code-vsx-compromise/2. 【AI 没有取代 SRE，而是让他们技能退化】(来源: HN) 文章认为 AI 运维工具正让 SRE 失去亲手排障的机会，经验积累在悄悄流失。当 AI 失灵时，团队可能再也没有能兜底的人，引发 HN 热议。 newsletter.signoz.io/p/ai-isnt-replacing-sres-its-deskilling3. 【用约 1GB 的 Qwen 权重跑出一台能玩的任天堂】(来源: HN) Show HN 项目 nesformer 训练 Transformer 直接模拟 NES 游戏机的运行。它展示了神经网络作为"世界模型"模拟完整计算机系统的潜力。 github.com/dbreunig/nesformer4. 【破坏开放网络挡不住恶意爬虫】(来源: HN) 文章批评为对抗 AI 爬虫而层层加码的验证与封锁措施，正在伤害开放网络本身。真正的恶意机器人总能绕过，最终受害的是普通用户与合规访问者。 www.techpolicy.press/breaking-the-open-web-wont-stop-the-bad-bots/5. 【Google 提出 Sleep 框架：让 LLM 在持续学习中保留知识】(来源: HN) Google Research 发布一种借鉴"睡眠巩固记忆"思路的持续学习方法。它针对 LLM 学新知识时遗忘旧知识的老难题，是模型持续更新的重要方向。 research.google/blog/the-sleep-framework-a-new-way-for-llms-to-retain-knowledge-in-continual-learning/6. 【如何打造 AI 原生的工程组织】(来源: HN) 一位 YC 创始人分享其团队围绕 AI 智能体重组工程流程的实践。HN 评论区围绕管理、代码质量与人员配置展开了 140 多条激烈讨论。 twitter.com/sgondala2/status/21158320702747238757. 【Cisco 给年轻工程师无限 AI token 重写遗留代码】(来源: HN) Cisco 总裁透露让一名 27 岁工程师不限量使用 AI token 改造老旧代码库。这折射出大公司对 AI 编程投入的激进程…

转发者评论

无明显转发评论

原文

#华为参与药物研发并非首创#¹ 发现很多人骂华为是出于自己无知。甚至不知道世界上有“湿实验”与“干实验”这种区分，就下意识凭借浅薄的生活常识去辱骂华为，还四六八句上了。这样的人到底有多少？² 一句话：湿实验就是在实验室动手做，但干实验室不是，干实验主要是在计算机上模拟、计算、仿真；所以AI天然能在干实验室阶段帮忙：快筛候选分子、预测分子结构、结合亲和力、毒性和代谢特性。。。总之让后续的湿实验少做许多无用功。³ 但辱骂华为的人记住一点：美国人的Claude也在做同样的事！甚至Anthropic刚刚披露的IPO说明文件里，把Claude辅助药物研发当成未来的战略投资大方向，然后用许多案例、数据说明Claude已经帮助多少研发团队大幅缩短了干实验时间成本！美国人能做，中国人就不能做？华为就不能做？

转发者评论

无明显转发评论

原文

「AI越狂奔，磁带越吃香」算力越往前冲，冷数据归档反而越显出基础设施的分量。富士胶片已明确宣布，计划在2026至2028财年向小田原基地投入约100亿日元，把数据存储磁带的产能提升至约5倍，这里的“5倍”按出货容量计算，比较基准是2025财年。背后的逻辑并不怀旧：AI、云和合规体系持续制造海量低频数据，训练集、检查点、日志、备份未必天天调用，却必须长期留存。真正该算的不是单次读取速度，而是十年尺度上的总拥有成本：买设备要花钱，在线存储长期通电也要花钱，维护、迁移、恢复同样算账。磁带的优势正在这里体现：数据离线静置时介质本身不耗电，适合承接“不常用但不能丢”的那部分数据。当然，它也不是万能药，磁带库、机房环境、介质校验、异地副本和驱动器代际迁移，一个都省不掉。LTO-10也不是旧时代的录像带思路，单盘原生容量已到30TB，压缩容量可达75TB，但前提是数据本身压得动。更现实的一点是，LTO-10驱动器只读写LTO-10，老数据要么保留旧设备，要么提前规划迁移。说到底，AI基础设施不只比谁算得快，也比谁能用更低的成本，把低频数据长期安全地留住。

转发者评论

无明显转发评论

原文

「算力不稀缺，稀缺的是搬运」，Jeff Dean 的这套 AI 系统经济学，重点不在“算得更快”，而在“少搬一次、多算几次”。用一个很直观的数量级对比来解释：一次乘法大约是 1 pJ，一次数据搬运可能到 1000 pJ。但这不是放之四海皆准的物理常数，会随位宽、精度、距离和存储层级变化，只能当作工程上的量级参考。麻烦的不是算力本身，而是权重、激活值、KV Cache 在 HBM、片上 SRAM、寄存器之间来回跑。批处理的价值，也可以理解成把昂贵的“搬运费”摊薄：同一份数据如果只算一次，成本几乎都花在搬运上；如果能复用 256 次，单次成本就会明显下降。放到大模型推理里看，Prefill 往往更像计算密集型任务，Decode 则常常受带宽和缓存约束，所以高吞吐和低延迟通常很难同时做到最优。对应的工程解法也很明确：用 FlashAttention 这类分块与融合减少 HBM 往返，用量化降低权重字节数，用 GQA 等方法压缩 KV Cache，再配合软硬件协同设计，把数据尽量留在计算发生的地方。这个“1000 倍”揭示的是系统设计的约束，不是商业成败的结论。与其抽象地谈算力，不如盯住 J/Token、Tokens/s、P95 延迟和 $/Task 这些反映效率的指标。

转发者评论

无明显转发评论

原文

Claude取消5小时限额！就在刚刚，Anthorpic官宣：Claude顶级付费套餐大升级！原有的 Max 5x 套餐，正式更名为 Max（官网月费仍维持 100 美元不变）。原有的 Max 20x 顶配套餐，正式更名为 Ultra（官网月费仍维持 200 美元不变）。如果你已经是这两档的订阅用户，什么都不用做，系统会自动为你无缝迁移。「从今天开始，我们将对已认证的 Ultra 账户取消 5 小时的用量限制！」在过去，哪怕你花了大价钱买了最顶级的套餐，Anthropic 依然会用「每 5 小时重置一次」的限额，死死卡住你脖子。但现在，枷锁被彻底砸碎了！Claude Code之父Boris Cherny 和 Alex Albert 都在第一时间确认消息。对于大多数Ultra 订阅者来说，这项福利从今天起！即刻生效！你可以肝上一整天，再也不用盯着倒计时写代码了。而每月100美元的Max，继续保留五小时上限。另外，每周的总限额依然不变。但即便如此，打破5小时限制，依然是Claude商业化之路上的一次大让步！除了每周总额度分毫未损，Anthropic这次还给Ultra订户塞了一个真金白银的大彩蛋：每月免费赠送的Claude平台（原Anthropic Console）API额度，从Max档的100美元翻倍到了200美元！就在昨天，OpenAI刚刚官宣：降额取消，ChatGPT Pro所有档位额度翻倍。取消5小时限制，是重大利好。今天你取消限制，明天我额度翻倍，正是体现了这个真相——底层模型的差距正在缩小，算力配额和用户体验，正在成为真正的护城河。

转发者评论

无明显转发评论

原文

#模型时代# AWS CEO Andy Jassy：推理成本再降一个数量级，所有应用都将接入AI，2028的算力也卖差不多了a16z联合创始人Ben Horowitz和Erik Torenberg在The a16z Show播客中对话亚马逊CEO Andy Jassy。节目于2026年10月23日发布（财报前一周）。Jassy 2021年接替贝佐斯出任CEO，到现在整五年。这段时间里亚马逊营收涨了约80%，AWS体量接近原来的三倍，广告收入翻了两倍半。就在节目发布前几周，亚马逊宣布了Built Together计划，承诺未来五年向数据中心所在社区投入超过10亿美元。节目上线六天后（10月29日），亚马逊发布了Q3 2026财报：AWS单季营收460亿美元，同比增长39%，增速比Jassy在节目中引用的Q2数据（36.7%）又快了一截。多项数字直接印证了他在节目里的判断。Jassy在节目里给了一组数字：AWS的AI业务在生成式AI浪潮头三年里跑到了250亿美元的年化营收，是AWS创立头三年6000万美元起点的几百倍。2026年的资本开支计划是2200亿美元，折合每天6亿美元，但他说还是有大量需求接不住。更具体的产能锁定状况：2026年已经卖完了，2027年大部分也定了，2028年的大块产能也已经售出。Jassy判断，供应紧张不会止于2027年，不同环节的短缺会持续好几年。他觉得还可以投更多，“wouldn't be a bad use of capital”，不算浪费。他同时提出了一个框架：当前AI需求呈哑铃形。一端是吞噬巨量算力的AI实验室和几个爆款应用，另一端是企业把AI用在客服、风控、流程自动化这类成本替代场景。最大的体量藏在中间地带，那些已经在AWS上跑着的企业生产应用，绝大多数还没有接入推理。打开这片中间市场的关键，是把推理成本降下来，而Jassy认为现在还贵了一个数量级。一、2200亿美元的资本逻辑1、两层投资结构：数据中心的钱和服务器的钱Jassy把AWS的资本开支拆成两块。一块是数据中心本身的建设，需要提前约两年投入，建好之后使用寿命大约30年，是一次性的长周期资产。另一块是服务器和网络设备，只需提前几个月采购，按需决定是否填满已建好的数据中心。这个拆分解释了他为什么敢花这么多钱。数据中心先建起来，但服务器和网络设备的采购窗口很短，AWS在下单前已经能看清客户需求。如果需求没来，不买服务器就行了，数据中心的壳子放在那里，30年内都可以填入新设备。Jassy说他还记得15年前在领导层早餐会上，大家对一家电信公司500亿美元的资本开支感到难以置信。如今亚马逊自己一年花2200亿。2、现金流的代价服务器和网络设备的投资回收期大约三年，使用寿命五到六年，目前做的大多是五年期合同。Jassy说，在高速扩建阶段，自由现金流会承受明显压力，因为大量数据中心…

转发者评论

无明显转发评论

• //@成一虫:Q3财报发布的同时，亚马逊确认了一项名为Project Dawn的内部重组：裁撤约16,000个企业岗位，目标是减少管理层级、加快决策速度。亚马逊全球员工约150万人，这批裁减集中在企业职能层。————最大影响还是裁员

原文

等了两年半，国行 iPhone 终于要用上 Apple 智能了。今天苹果中国官网正式宣布：11 月 4 日开放开发者测试版，12 月随 iOS 27.3 正式推送给所有用户。之前官网上一直挂着“推出时间依监管部门审批情况而定”，现在终于换成了一张确定的时间表。先说能用上什么。第一块是实时翻译，打电话、FaceTime、发消息都能自动翻译，戴着 AirPods 还能翻译面对面的对话，不过通话暂时只支持一对一。第二块是写作工具，能改写、校对、做摘要，邮件 app 会把最紧急的邮件顶上去，长邮件一键出概要，锁屏通知也会被压成摘要，最重要的排最前面。第三块是照片里的“消除”功能，去掉画面里多余的东西，还能用一句话搜照片和视频。另外还有智绘表情、视觉智能，Siri 也换了新界面，屏幕四周亮一圈光。然后说说千问。阿里的千问出现在三个地方：Siri 答不了的问题可以转给它，写作工具里多了个“创作”让它从头写内容，视觉智能拍到的东西也能问它。有意思的是，这三个入口和海外 ChatGPT 接入 iPhone 的位置一模一样。苹果自己的模型跑在底层，千问算是一个额外的扩展，用的时候需要登录千问账号。不过有几样东西这次没来。先说第一个，今年 WWDC 上发布的 Siri AI 缺席了。这个新版 Siri 能翻邮件、找照片、在各种 app 里直接操作，功能很强，但目前中文版在全球任何地区都还没上线，港台用户把 Siri 设成中文也一样用不了。然后第二个，这次只有 iPhone 能用，刚发布的触屏 MacBook Pro、M6 iMac、新 iPad mini，国行暂时都没有 Apple 智能。其他平台要等后续审批。第三个，之前有报道说百度也会接入，但这次苹果的新闻稿和官网从头到尾只提了阿里和千问，百度一个字没出现。还有一点，海外很看重的“私密云端运算”，国行页面的隐私部分只写了“设备端处理技术”，云端那块完全没提。能用的机型从 iPhone 15 Pro 起步，一直到 iPhone 18 Pro 系列和 iPhone Duo 都行，但 iPhone 15、15 Plus 和更早的就不在名单里了。这次国行拿到的功能，基本就是海外从 2024 年 10 月到 2025 年 9 月陆续推出的那些，一次性打包给了中国用户。东西终于来了，只是今天的国产 AI 手机，早就和两年前今非昔比了。#科技先锋官# #苹果智能国行12月拟正式上线#

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-10-31】今日简讯：1、苹果官宣国行Apple智能，部分功能接入阿里千问2、OpenAI推出GPT-6 Rosalind Research，限获批生命科学客户使用3、Google披露在轨TPU运行Gemma 4并回传生成结果4、TBC图生视频模型mischief 1上线fal与OpenRouter5、华为披露小艺生态进展，超百款应用接入帮记与触发式AI6、ChatGPT Ads自动启用创意增强，支持文案调整与多语言变体以下为详细内容1、苹果官宣国行Apple智能，部分功能接入阿里千问来源：IT之家据IT之家报道，苹果宣布首批Apple智能功能将在中国推出，部分体验接入阿里千问。相关功能计划于11月4日随最新iOS开发者测试版开放测试，12月随iOS 27.3正式推出，其他平台仍需等待必要审批。用户可在Siri、写作工具和视觉智能中调用千问，登录千问账户或使用“通过Apple登录”即可访问，无需跳转独立应用。首批功能覆盖文本改写与摘要、实时翻译、照片消除、智绘表情、自然语言搜图及通知整理。此次公布的范围不包含Siri AI，也不包含苹果在WWDC 2026宣布的其他下一代Apple智能功能。原文链接：网页链接2、OpenAI推出GPT-6 Rosalind Research，限获批生命科学客户使用来源：OpenAIOpenAI开始向少量获批的生命科学研究客户推出GPT-6 Rosalind Research，将GPT-6推理能力用于多步骤生物研究，并配置面向生物领域的防护措施。模型可通过Work、Codex和另行获批的API使用，接口名称为gpt-6-rosalind，不在普通Chat标签页提供。组织和具体用户均需获得Research权限，已有Discovery资格不会自动升级。企业工作区首先进入为期两周的管理员预览，模型默认关闭，管理员可为获批研究用户启用并配置后续访问。现有客户仍可继续使用GPT-5.5 Rosalind Research，Rosalind Discovery也继续采用5.5版本。原文链接：网页链接3、Google披露在轨TPU运行Gemma 4并回传生成结果来源：GoogleGoogle披露，Project Suncatcher原型卫星已完成首次在轨人工智能应答。团队在过去数周为主机和TPU托盘上电并开展早期机器学习测试，随后向搭载的Gemma 4开放模型上传提示，要求创作太空主题俳句；卫星经过挪威斯瓦尔巴群岛时，将生成结果传回地面。此后，团队又测试了打油诗生成，以及报告载荷技术状态的遥测提示。Google将这项进展称为数据中心级TPU首次在轨给出AI回答。下一阶段，团队将评估芯片在热应力和辐射环境下的表现，并以2027年两颗互联卫星为后续目标，继续验证太空计算所需的技术。原文链接： 网页链接/4、TBC…

转发者评论

无明显转发评论

原文

「人工智能什么都会，孩子还要学什么」AI让“找答案”变得越来越便宜，教育的价值反而更清楚了。教育不拼谁更快复制结果，而是培养孩子理解问题、辨别真伪、提出判断、把知识用到新场景里的能力。AI能给出完整回答，却替代不了孩子在脑中慢慢搭起知识结构；离开基础阅读、数学、科学和人文训练，孩子连工具错在哪里都未必看得出来。AI越强，越不能把基础掏空，该减少的是机械刷题，该加强的是概念理解、证据意识、迁移应用和表达能力。未来更值钱的，也不是熟练按键，而是会提问题、会核验、能整合、能协作、肯负责。对家庭来说，与其盯着“有没有用AI”，不如追问四件事：这是你自己的想法吗，你哪里还不确定，你怎么判断它是对的，不靠AI你还能不能讲清楚、做出来。不同年龄也该有不同用法：低龄以阅读、观察、动手和真实交流为主；大一些再在成人陪伴下学会比较答案、核查事实；到了青少年阶段，重点是学会把AI当陪练、当反方、当辅助研究的助手，而不是依赖工具产出。说到底，教育是要让孩子在答案唾手可得的时代，依然有判断力、行动力、创造力，也愿意为自己的选择负责，而不是和AI比速度。

转发者评论

无明显转发评论

原文

Claude 200 美元档改名 Ultra，已验证账号取消 5 小时限额，价格和周额度不变Anthropic 10 月 30 日宣布给 Claude 的两档 Max 套餐改名：每月 100 美元的 Max 5x 改叫 Max，每月 200 美元的 Max 20x 改叫 Ultra。价格不变，现有订阅自动换成新名字，用户什么都不用做。同时，Ultra 的已验证账号不再有 5 小时限额，当天先对大部分现有订阅者生效。较新的账号在通过验证前保留一个临时限额，官方说这是为了防止欺诈和滥用，限额取消时会收到邮件。周限额不变。【取消 5 小时限额，对我有什么用】Claude 付费套餐原本有两道限额：一个每 5 小时重置一次的窗口，一个每周的总上限。重度用户，特别是用 Claude Code 长时间写代码的人，常遇到周额度还剩不少、却被 5 小时窗口卡住的情况，只能停下来等它重置。Ultra 去掉这道限额后，一周能用的总量没变，但可以连着用，不用再每隔几小时停一次。每周本来就把额度用光的人，总量上不会多拿到什么。100 美元的 Max 还是两道限额都有，每 5 小时和每周的用量都是 Pro 的 5 倍。200 美元的 ChatGPT Pro 一直只有周限额，Ultra 现在在这一点上和它一样。【我的账号验证了吗】验证由 Anthropic 自动完成，依据账号和付款记录等因素，用户不需要提交任何东西。订阅时验证手机号是另一回事，不会取消这个限额。帮助页没说验证要多久。自己查的方法：打开 Claude 设置里的“用量”页面，如果看不到“当前会话”（Current session）这条进度条，账号就已经验证，5 小时限额已经取消。【名字里的“20x”去哪了】旧名字里的 20 倍，指的是每 5 小时窗口能用 Pro 的 20 倍。新的 Ultra 帮助页写的是，每周用量是 Pro 的 10 倍，另有一个单独的 Fable 周限额。SemiAnalysis 10 月初的实测也是这个比例：200 美元档每月可用量约是 100 美元档的两倍。Anthropic 没解释为什么改名。5 小时窗口取消后，按窗口算的“20 倍”对 Ultra 不再适用，新名字里也就不带倍数了。来源：Claude 官方 X 帖子（@claudeai，2026-10-30）网页链接Anthropic 帮助中心《What is the Ultra plan?》网页链接Anthropic 帮助中心《What is the Max plan?》网页链接

转发者评论

无明显转发评论

原文

#英特尔美股暴跌科技股同步大跌#1、信息技术是由0和1 二进制构成的，要么有，要么无。大模型是一种概率分布，确定的机器产生了不确定性。2、大模型的智能是涌现的，在一定规模上，智能水平质变。更大规模，更多智能。更大规模，需要更多钱。3、大模型的对齐，让它们更符合我们的心意，也增加了共振和踩踏的可能。不对齐会失控，对齐也失控。4、当智能融入其他经济要素时，会把智能的“人格”也同时带过来。一起对，一起错。今天对，明天错。5、所以，系统更强大的同时，也会有更强的蝴蝶效应。翅膀就是忽上忽下的。资本和技术是两只蝴蝶。 有人关心涨跌，有人只关心额度有没有重置。

转发者评论

无明显转发评论

原文

【本体ontology开源盛世总结：8大趋势、6类59个开源项目索引】我们顺着这个点，做个总结，具体做法是用20组关键词（ontology、owl、topic:ontology、shacl、owlreasoner、graphrag、palantirontology、本体知识图谱等）→去重后得到281个候选仓库；对16个关键仓库，再用/repos核对创建时间、fork、license、topics，并抓取10余个README来验证定位。基于此，可以形成6个大类：企业本体平台/Palantir复刻派、Agent上下文与本体化记忆、建模工具链、语义基础设施、GraphRAG（近邻而非本体）、领域词表。然后基于这些项目，可以识别出8个趋势：其一，本体优先（ontology-first）回潮，模式层被立到 RAG 之前。OntoRAG 的口号是“Retrieve meaning, not paragraphs”；OntoEKG 把建模拆成“抽类与属性”和“结构化成层级再序列化为 RDF”两阶段；OntoKG 把属性按“查表的”还是“走边的”提前分类（intrinsic-relational routing）；OpenSPG/KAG 用 Schema 约束做逻辑形式推理；myKG 先由文档“诱导”出全局 schema 再抽实例。社区共识已从“先搜再拼”转向“先把本体/模式立起来”，因为纯向量 RAG 不解决业务关系与可溯因。但是，本体优先项目的实证 F1 仍低，本体构建本身成了新瓶颈，需要 OntoLearner/OntoAligner 这类自动学习与对齐工具补位。其二，价值高地从“建图”向“语义层/确定性推理”下沉。GraphRAG、LightRAG、mem0 这些高星项目集中在“构建+检索”；而2026 新出现的 Semantica、trustgraph、EvoOntology、open-ontologies、OpenBKN 把“确定性、可审计、本体治理”作为核心卖点。生态的利润与壁垒正从“能不能建出图”移向“能不能用本体做约束与推理”。但是这些新设施星标尚低（1k至2.8k），工程成熟度未经生产验证，目前是信号而非定论。其三，Agent 记忆图谱化、时序化。Graphiti 的边带有效期窗口，矛盾以“失效”而非“覆盖”处理，支持时间点查询；Cognee 提供 remember/recall/improve/forget；mem0 是事实记忆事实标准；claude-mem 增速极快。图谱正成为 Agent 长期记忆的底座，时序知识图谱（事实带有效期与溯源）是关键使能技术。其四，代码知识图谱在2026年独立爆发。Graphify 约137k、Understand-Anything 约88k、codegraph 约75k，均把“代码库→可查询 KG”作为独立赛道服务…

转发者评论

无明显转发评论

原文

「给不会描述动态的人，先备一套“动作词典”」Motion Prompt 是个很实用的 AI 动效提示词库，核心不是教你写花哨 prompt，而是把动效、镜头、UI 组件、网页演出和照片表现这些常见“感觉”，整理成可直接指给 AI 的名字，并配上可视化动态示例。你可以一边看效果一边选，选中的内容还能附一句备注，再统一交给 AI，让它按这个方向去剪视频、做开场、补镜头或写实现。它支持两种接入方式：一是用 `npx skills add showheyohtaki/motion-prompt` 安装成技能，之后直接对 AI 说“把 motion-prompt 的库打开”；二是让 Claude Code 或 Codex 读取它的 GitHub 仓库并完成安装。项目还提供 `catalog.json` 和 `catalog.tsv`，不依赖页面也能查目录；所有示例都用 Canvas 2D 编写，不依赖外部库，本质上是“按时间决定画面”的函数，所以既能做参考实现，也方便逐帧渲染导出视频。对设计、剪辑、前端和用 AI 协作的人来说，它最大的价值，是把“我想要那种感觉”变成能被准确传达、复制和实现的语言。GitHub：showheyohtaki/motion-prompt 爱可可-爱生活的微博视频

转发者评论

无明显转发评论

原文

如果大语言模型能让孩子的学习速度提升 10 倍，学校应该变成什么样？硅谷著名风投公司 a16z 对 Alpha School 创始人 Joe Liemandt 进行了一次深入访谈。Joe 正在重构 K-12 阶段的教育日程。在他们的学校里，孩子们每天只花 2 个小时学习传统的学术功课，其余的大部分时间，都在通过做项目来培养领导力、创业精神、沟通能力和解决难题的毅力。这种模式听起来很不可思议，但数据非常惊人。他们的学生在标准化考试中依然名列前茅，更重要的是，超过一半的孩子表示，自己宁愿去上学也不想去度假。这背后的关键在于个性化和内驱力。传统学校是按统一时间推进的，一旦孩子在某个环节落后，后面的学习就会变成煎熬。而 Alpha 利用 AI 给每个孩子定制课程，把答题正确率始终控制在 80% 到 85% 的区间。这就像设计精妙的游戏，既有挑战性，又能让孩子不断获得成就感，从而彻底爱上学习。学术功课搞定之后，剩下的时间他们用来做真正有难度的事情。比如学校让三年级的孩子们戴上麦克风去玩密室逃脱，然后用 AI 分析他们的对话记录。如果沟通中团队导向的语言比例达不到 85% 就不能通关。通过这种训练，四五年级的孩子就能通过沃顿商学院 MBA 级别、甚至连一半 MBA 学生都会失败的团队协作测试。在 AI 正在让智力变成普通商品的时代，像编程、算术这些技能的门槛会越来越低。未来真正稀缺的，是主动性、领导力和与人协作的能力。现在很多常春藤名校的家长也开始把孩子送去这种新型学校，因为他们预感到，传统的升学路线已经无法确保孩子在毕业后找到工作。1910 年美国农场引入拖拉机的时候，全美有 30% 的农场工作消失了，当时人们选择投票提高税收，资助了他们从未经历过的高中教育体系。如今，AI 就是新时代的拖拉机，新时代需要的不再是培养被动的做题家，而是培养能够乐观拥抱 AI 并且主动去建设未来的创造者。#AI教育##未来教育##个性化学习# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

我很认真的讲一件事，希望大家记到心里……事情是这样，开始的时候，骗子会在各种社交平台发帖，表示自己是老赖，不光借遍了国内的银行和网贷，境外的贷款也借遍了，一毛钱都不用还，境内境外拿Ta都没办法爽歪歪，天上掉钱爽歪歪。这个时候就肯定会有人去问嘛，表示你征信都烂掉了，你怎么借到钱的？骗子表示，国外不看国内征信了，老外傻的要死，风控系统更是傻的要死，随便骗就能骗到。我就是签了几个字，就搞到了几十万！你估计觉得，随便签几个字就能搞到几十万，胡说八道也不能这么个胡说法吧？但是，信的人还不少，就和骗子联系，骗子呢，直接甩出泰国各大银行贷款审批函，反正Ai做图，想做哪家做哪家，想做多大金额，做多大金额。这时候，有一小部分人可能还能保持一点点的理智，觉得既然签几个字就能搞到这么多钱，你为什么要帮我？骗子表示：因为Ta的身份信息已经把泰国的银行骗完了，要用你的身份信息去骗，你骗到的钱，要分Ta30%~40%。另外，你身边肯定有跟你一样缺钱的朋友，你把他们带上，我抽你的成，你抽他们的成，我们一起骗泰国银行钱，爽歪歪。为了表示我是真心想和你合作，你和你朋友的签证机票和酒店，我全包了。是不是很义气？一听骗子这么讲，很多人最后一点理智也没了。连夜飞奔去泰国，到了机场之后，骗子安排人过来接机，说带去银行面签。然后就没有然后了……没有泰国银行，只有泰缅边境，骗子会把骗来的人，以10万块钱/人价格卖给电诈园区。电诈园区会先勒索一遍家里人，少则几十万，多则上百万。此处需要说明无论勒索来多少钱，电诈园区都不会放人。至于被骗来的人，被殴打被转卖是家常便饭。我为什么要写这条微博呢，是因为我在不止一个讲网贷的视频下面，看到大量类似言论：Ta是征信烂透了，信用卡和网贷已经薅遍了，但是，Ta现在找到了新的渠道，方便又快捷。搞钱特容易。接着有人会问Ta是什么？Ta让提问者私信联系。这类言论，有相当大的概率，是骗子在下套。望周知。Ps：欠债姐此前坚信过，都进群了，被我拦下来了……#情感热点创作激励计划#

转发者评论

//@机吉斯卡:转发微博

• //@机吉斯卡:转发微博

原文

#模型时代# Sam Altman：与其一个万亿IQ的超级智能，不如一万亿个略超人类的AICheeky Pint是Stripe联合创始人John Collison主持的播客，形式是两个人坐下来喝一杯，边喝边聊。这期节目2026年10月29日上线，嘉宾是OpenAI CEO Sam Altman。录制时间大约在10月下旬。就在几天前的10月21日，OpenAI旗下的Patch the Planet项目用GPT-5.6 Sol模型发现了PHP的严重远程代码执行漏洞，Cloudflare同步部署了防火墙规则，PHP官方紧急发布修复。再往前一个月，OpenAI用一万个agent组成的团队完成了Navier-Stokes方程的证明，花费约2200万美元算力，在数学界引发了署名权争议。10月初，OpenAI一口气发布了722篇数学预印本。Altman在节目里说，拿到新模型的那个周末，OpenAI内部开了一个Slack频道，名字是“模型代号-hold my beer”。所有人把自己学术生涯中遇到的最难问题丢给模型，数学、物理、多个领域，一个接一个被解决。“我连续两个晚上兴奋得睡不着。”他说。但紧接着他说出了一个自己也没预料到的感受：在巨大的兴奋之外，他感到了哀伤，一种什么东西正在结束的感觉。他拿主持人Collison父亲的经历做了类比：1950年代的爱尔兰，马匹仍然在工业中被使用，而他父亲亲眼看着这项人类用了几千年的技术走到尾声。Altman说，大多数数学家一辈子也解不了千禧年奖问题，但这个“也许有一天我能解出来”的可能性本身就很美。一、PHP漏洞揭开的真正问题1、AI找漏洞的速度已经超出预期Altman说，模型找安全漏洞的能力提升很快，但更关键的问题是：互联网上有太多代码，之前根本没人系统地拿AI去扫。随着越来越多人开始这么做，“我们会发现，严重漏洞的数量远比我们以为的多”。PHP漏洞公开后的第一天，情况比他的最坏预期好得多。有企业直接用OpenAI的模型做快速扫描，把应用下线一小时打补丁再上线。模型被用来不只是发现漏洞，还被用来写补丁、搭建防御。2、补软件不够，要换架构Collison提出一个关键判断：讨论总是围绕“修软件”，但真正该做的是换架构。Altman同意，而且补了一句：以前换架构听起来不现实，但现在有了AI这个工具，“一批新创业公司已经在谈构建全新的互联网架构和应用框架了”。两年前，有人说要从头写一整套技术栈，所有人会说这不可能，代码量太大。现在这件事开始变得可行。Altman说他赌未来会出现一套全新的系统和网络构建方式。3、网络安全专家的深层焦虑Altman透露，他接触的网络安全专家们有一个更深的担忧：如果AI能发现硬件层面的新型漏洞，涉及“我们还不理解的物理学”，那整个威胁模型的基本假设就不成立了。他们的困惑是：“如果一切和我们想的一样，硬件漏洞和我们…

转发者评论

无明显转发评论

原文

医院的电脑一般都不能访问互联网。所以医生也就没办法用 AI 辅助写病历——除非医院内网进行了相关能力建设。哪里有困难，哪里就有华强北。我看到一个神奇的玩意。这东西看起来像个 U 盘，通过 USB 口连接电脑，电脑会将其识别为一个键盘。那么键盘的按键在哪里呢？这个设备通过蓝牙和手机连接，手机端的应用会把文本转换为击键序列，发送到这个设备——可以理解为手机在帮你敲键盘。所以你可以在手机上用 AI 写病历，然后用这东西把内容自动录入到病案系统。

转发者评论

无明显转发评论

• 确实淘宝推送过这个产品，当时还没理解怎么用，以为就是语音转文字😓 http://t.cn/AXjnHq8X //@tombkeeper:否定别人对它们来说是如此重要，所以它们的大脑会选择性忽略一些内容，哪怕是第二句话。而这一特征正是——今天的盲猜关注列表活动开始啦！//@负责任负责人:看来博主不了解医院具体情况，目前
• 否定别人对它们来说是如此重要，所以它们的大脑会选择性忽略一些内容，哪怕是第二句话。而这一特征正是——今天的盲猜关注列表活动开始啦！//@负责任负责人:看来博主不了解医院具体情况，目前三甲医院基本都有AI辅助工具。

原文

说现在中国互联网进入「字节时代」完全没问题啊 … 无论从第三方数据，还是真实体感，字节系的产品的渗透率真的非常吓人。除了微信，腾讯的用户基本盘这几十年一直是年轻人，但字节系的产品是肉眼可见覆盖到了全民。以我家乡为例，江苏的一个县级市，无论城乡，几乎全年龄段都在刷字节三件套：抖音、红果和番茄。我所处的文娱行业更不用说了，几乎所有业务就是围绕字节体系在打转。我们经常内部开玩笑，字节赚钱字节花，一分别想带回家。之前别人和我分享过一个观点，说字节很多 App 底层都共享着近似的机器学习模型、增长系统、广告技术栈、内容审核和人才池，所以能拉高每个新产品的基础体验。不知道这个说法是否准确，但从字节系产品的类似形态看，应该大差不差。有了新产品，剩下的事只需靠抖音这个国民级应用导流，无论是番茄、红果、豆包，还是现在的抖省省和汽水音乐，几乎都是靠着抖音奶起来的。每个用过抖音的人，应该都经历过上述产品的推广期，切身知道什么叫「字节式的饱和投放」。这意味着字节每开一个新产品，都有竞争对手花几十亿也买不到的基础流量池。而同期竞品则或多或少会得到限制（我知道字节在这方面一直不承认，他们的说法永远是开放的，但实际上 … 我想做过他们竞品的各家都有麦想开 ）。我毕业那会儿正是字节起飞的初期，身边遂有大量朋友去了字节，其中不少人如今都升到了不错的位置。以前他们没那么忙时大家还经常聊天，我真心非常佩服字节在组织和运营方面的雕琢，甚至觉得他们可能是在「效率」层面卷到历史第一的大厂。但对他们旗下这些吞噬时间的产品本身 … 真的难以给予正面评价。张一鸣说过「延迟满足感和坚决告别惰性是优秀的最重要两块基石」，但他旗下的产品，恰恰是按着这两个人性弱点在狂锤。每次外部有人提这个点，字节回应时总会拿「好内容」来反击，仿佛一切都是用户的自然选择。事实上这些「好内容」不过是老虎机的拉杆，目的只是为削弱用户的自我控制能力，只是为了让用户在每次滑动中产生源源不断的多巴胺。大家可能认为算法就是挑出你最喜欢、最高质量的内容。但实际上，算法很大一部分功能是计算用户会在什么时候流失。他们需要卡着用户不耐烦之前，尽可能给你塞新内容和广告。这不是我在胡说八道哈，针对推荐算法机制，这几年已经有很多相关的学术研究和法律判决。比如今年 Meta 因为「用成瘾性产品设计诱导未成年人沉迷」在美国被罚了180亿美元。欧盟对 TikTok 也有相应限制，大家感兴趣可以去搜搜看相关的资料。但目前为止，国内好像还没有具有社会影响力的约束。—— 可能这也是为什么字节会对昨天那份野村的报告反应那么激烈吧，拼命想把腾讯推出来，认为自己压根不是「杀时间」的老大哥。毕竟谁坐上那个位置，就是未来会被反噬的第一责任人。好消息是，字节的朋友和我说，他们现在内部（可能只是他们团队）不让提「时长逻辑」，一方面觉得敏感，另一方面是觉得靠广告增长终会到头，毕竟现在…

转发者评论

//@宝石矿物研究博士后:软件是死的，人是活的，像我就用某音搞学习，觉得挺好的//@岛猫大脸猫:是的[流汗][流汗]//@卧猫岗的猫:张一鸣说过「延迟满足感和坚决告别惰性是优秀的最重要两块基石」，但他旗下的产品，恰恰是按着这两个人性弱点在狂锤。 [笑cry][允悲]

• //@宝石矿物研究博士后:软件是死的，人是活的，像我就用某音搞学习，觉得挺好的//@岛猫大脸猫:是的[流汗][流汗]//@卧猫岗的猫:张一鸣说过「延迟满足感和坚决告别惰性是优秀的最重要两块基石」，但他旗下的产品，恰恰是按着这两个人性弱点在狂锤。 [笑cry][允悲]

原文

上周跟龙芯之父胡伟武老师交流，提到了一个问题，目前整个大模型应用的市场规模也就一两百亿美元，大模型的带头大哥 OpenAI 24 年的全年营收大概是 37 亿美元；这么低的应用市场空间能否长期撑起后端万亿美金的芯片生态，其实是值得讨论的事情；胡老师说目前国内各大算力中心点亮的比例不到 30%，基本上资源大量闲置，上面也开始意识到这个问题，所以最近有一个新闻就是，某大国企 30 多亿的算力大单无故取消；整个 AI 芯片相关的泡沫目前还在挤压，因为大量的资本还在里面，但预计到明年 26 年，米帝整个半导体生态估计回有一次大的回撤

转发者评论

去年的一个内容，刚好差不多一年的时间，今年再看看，还是非常深刻的，Anthropic 25年的全年营收是46亿美金左右，不要提ARR，再说一次，ARR是投流和资本游戏

• 去年的一个内容，刚好差不多一年的时间，今年再看看，还是非常深刻的，Anthropic 25年的全年营收是46亿美金左右，不要提ARR，再说一次，ARR是投流和资本游戏

原文

Tw93 是个有 12 年经验的程序员，最近他花了一个下午，把自己用 AI 写代码的习惯整理成了 20 条规则。我看完觉得挺实在的，给大家捋一捋。先说怎么给 AI 布置任务。别告诉 AI 具体怎么实现，你只说你想要什么结果就行。现在的模型够强，目标可以定高一点。背景要交代清楚：做什么的、给谁用的、什么样算好，技术细节让 AI 自己想。模型挑最好的用，差的来回折腾浪费时间。别让 AI 随便加功能，加之前要跟你确认。想法可以大胆，但要拆成最小步骤一步步做。然后是跟 AI 配合的规矩。教 AI 听懂你的话，“看一下”是让它读，“改一下”才是让它动手，提交代码和删东西必须经过你同意。配置文件里只写 AI 自己学不到的东西，比如你排除过的方案。重要的规则别光靠提示词，要用脚本卡住，确保检查真的跑过了。写代码的时候，让 AI 先说清楚它要改什么、会影响到哪里，你点头了再让它动手。给项目建一个验证脚本，每次写完都跑一遍看结果，时间长了就变成你的测试套件。多个 AI 同时干活的话，各管各的目录，只提交自己的改动，合并之后再跑一次完整测试。调试方面，先找到原因再动手修。修了两次没好就加日志去看，别猜。连修三次都不行，就清掉上下文重新来，把问题、目标、之前试过的方法都告诉 AI，从头开始。审查代码的时候，写代码和查代码要分开，别让同一个 AI 自己查自己。审查最多三轮，从第二轮开始只看新改的就行。越有风险的改动查得越细，涉及删除数据、支付这类功能的，你得亲自上手点一遍真实页面。上线发布的时候，每一次提交都写清楚改了什么、怎么验证的、出了问题怎么回滚。这些 git 记录就是下一次 AI 工作的好素材。先自己用或者给少数测试用户试试，加个灰度机制，别一下推给所有人。最后是复盘。线上出的每一个 bug、用户反馈的每一个问题，都写成测试用例，每次发版前跑一遍。换模型的时候也跑一次，看新模型扛不扛得住。修一个问题的时候，让 AI 全项目搜一遍有没有同样的毛病，一起修掉。评论区一个干了 15 年的工程师说，他以前总替 AI 操心，觉得这个它做不了、那个它会搞砸，后来换了个方式，什么都不管直接提要求，反而效果好了很多。Tw93 回复他说自己也一样，从写代码的思维转成了做产品的思维。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

#AI剪辑成本将降至几美分# Opus 5.5 发布之后，AI Agent 剪辑视频已经能替代初级剪辑师了。差不多就相当于 Claude Code 刚发布的时候一样，模型真的能自主完成复杂编程任务了，但这才刚开始，想想 Claude Code 发布才多久。当年 Anthropic 专注于训练 Coding，没想到能解决这么多问题，连视频剪辑都能用 HTML、JavaScript 剪视频、生成动画。在 Opus 5.5 之前我就在做剪辑的 Skill 和工具，但模型发布后发现绝大部分 Skill 都不需要了。我自己有做过实验，同一个视频，不用任何 Skill，只提供 ASR 和 TTS 工具，Opus 5.5 做的比用 Skill 效果更好，这点跟推文中的经验基本吻合。另外 Sabba 有一条建议跟我最近在做的事差不多，他建议：“不要重造专业剪辑软件的时间线，那个太难做，专心做好初剪，再方便地交给现有专业软件”。我最近也把 BaoCut 的时间线编辑器退居二线了，太过复杂，默认应该只需要一个简单的视频预览播放。如果你用 Agent 去生成、剪辑视频的话，编辑器越简单越好，只要能标记，方便的让 Agent 知道改哪就够了。这其实和之前 Tibo 改造 Codex 的经历类似，Codex 不需要一个 VSCode 的代码编辑器，视频剪辑 Agent 也不需要一个视频编辑器。转发的这两条推文有分享很多 AI Agent 剪辑的经验，有兴趣的可以看看。---我把引用的两条推文放在一起总结一下：Alex Cooper 管着一支剪辑团队，每天出大量广告，讲的是怎么用；Sabba Keynejad 是在线视频剪辑工具 VEED 的联合创始人，讲的是市场会怎么变。1. 视频剪辑在走编程走过的路两人都认为 AI 智能体剪辑已经能用，而且现在是它最差的时候。Alex 团队的资深剪辑师说，同等质量下，他一天的产出是以前的 5 倍。Sabba 预计一年内基础剪辑的成本会从几美元降到几美分。Sabba 也拿编程做类比：资深工程师当初最抵触 AI 写的代码，理由是质量和可维护性，后来还是接受了。他认为最好的剪辑师会是最大的批评者，但最终也会转过来。2. 视频被当成代码问题解决了Sabba 解释了为什么是现在：Anthropic 押注编程，模型会写代码，就能用 HTML/CSS、SVG、浏览器渲染、OpenCV 这些手段“写”出视频。之前有一批工具包专门给大模型补剪辑能力，Opus 5.5 出来后，很多用法就用不上了。他也承认，现在剪出来的东西还是更像网页，不太像视频。Alex 的经验和这一点基本一致：他试过各种方案，最后发现不装 MCP、不装插件，全在 Claude 里做效果最好。通用模型能力上去后，夹在中间的工具层会被吃掉一大块，编程领域已经发生过一次。3. 核心资产是 Skill，…

转发者评论

//@宝玉xp:回复@大秦咏春:剧情类的那种剪辑还不能替代，但可以做不少体力活了，人可以把时间精力花在更有价值的事情上//@大秦咏春:剧情类的内容，例如短剧剪辑这种应该还剪不了吧？主要还是剪口播知识讲解类的吧？

• //@宝玉xp:回复@大秦咏春:剧情类的那种剪辑还不能替代，但可以做不少体力活了，人可以把时间精力花在更有价值的事情上//@大秦咏春:剧情类的内容，例如短剧剪辑这种应该还剪不了吧？主要还是剪口播知识讲解类的吧？

原文

LLM 腔（LLM Voice）作者： Martin Fowler（马丁·福勒）大佬觉得LLM生成的文章有一股恐怖谷效应~ 写作者应该避免让LLM写初稿。下为正文----------------有时候，读一篇文章时，我会越来越强烈地感觉到，自己正在读的是大语言模型（LLM）生成的文字。我未必能准确说清为什么会有这种感觉，尽管确实存在一些常见的蛛丝马迹（问题不在于那些长破折号，而在于那些被当作承重结构的“华丽织锦”式比喻）。随着这种感觉逐渐增强，我继续读下去的欲望也会慢慢消退，有时甚至会变成一种厌恶。如今有不少工具声称能够区分 LLM 生成的文章和传统的“生物体”写出来的文章。我对这些工具持怀疑态度，一方面是因为不太相信它们的准确性，另一方面则是因为它们其实没有抓住问题的关键。人们对“LLM 腔调”的反应，本质上是一种人类的直觉反应：我们感觉自己正处于文字的恐怖谷（Uncanny Valley）之中。等到我想要借助工具来判断自己究竟在读什么时，其实已经太晚了。即使工具信誓旦旦地告诉我，这篇文章完全没有使用 LLM，也无法改变这种感受。我也怀疑自己是否真的有能力准确识别 LLM 腔调。语言总是在不断演变，而上了年纪的一个典型表现，就是开始抱怨年轻人的语言习惯。比如，当我看到有人说“采用一种新的销售 motion（打法）”，或者“一份 sharp（犀利）的新闻汇总”时，我往往会本能地感到不舒服。但我确实听过真人在日常交流中使用这些表达，所以这更可能是一种代际差异，而不是碳基生命与硅基智能之间的区别。（另外，作为一个移居海外的英国人，千万别让我开始吐槽各种美式英语表达。不过，我相信自己很快就会习惯它们的。）眼下，我强烈建议所有写作者格外警惕 LLM 腔调。尤其是，我非常不建议作者掉进让 LLM 代写初稿的陷阱。 即使之后经过人工编辑，也很难彻底清除文字中的 LLM 腔调，从而依然会引发读者的恐怖谷反应。甚至接受 LLM 提出的改写建议，也存在风险。我听说有些人使用 LLM 来帮助构思文章大纲和组织结构，这或许是可以接受的，但也仅限于大纲层面。真正的文字内容应当由作者自己来写。在 LLM 时代，把你写的东西说出来（Say Your Writing）变得比以往更加重要。我习惯先在脑海里把想说的话说出来，然后再把它们写下来（接着修改刚刚写下的文字）。对于任何希望经常通过写作与他人交流的人来说，这个建议都尤其重要。和许多其他技能一样，想要成为一名优秀的写作者，离不开大量练习。写作是一项值得投入时间去掌握的技能，但如果把写作交给 LLM，就会破坏你在这方面取得的进步。也许终有一天，LLM 会变得足够出色，以至于我们再也无法分辨它和人类写作的区别。但从很多方面来说，这反而更加令人担忧。和大多数写作者一样，我认为写作几乎是不可或缺的思考工具。很多时候，只有真正把某件事情写下来，…

转发者评论

无明显转发评论

原文

「智能经济学：真正的拐点是协作」DeepMind Institute这篇《The Economics of Intelligence》把问题讲得很直白：AI单体能力再强，也不等于经济结构立刻被改写。作者认为，决定冲击大小的有两条线，一条是competence，也就是写作、编程、推理这类单点能力；另一条是coordination，也就是多个智能体能否像组织一样分工、交接、纠错、扩张。前者主要影响工资、价格和人机分工，变化通常是渐进的；后者一旦跨过阈值，才可能带来企业集中、就业结构突变和大公司迅速扩张。文中一个很有意思的判断是，人和组织的优势不只在个人强弱，还在“拼图式智能”，即把不同人的长板拼起来，整体往往胜过单个最强者。所以，哪怕AI已经超过平均水平的人，甚至超过单项专家，只要协作能力还不够，经济表面就可能依旧平静：岗位还在，公司还像原来那样运转，但工资已经先被重估。作者据此分了四个阶段：minimal AGI、supercompetent AI、supercooperative AI和ASI。核心结论就一句：能力决定上限，协作决定规模。真正剧烈的经济转折，更可能由多智能体协作的突破触发，而不是单模型跑分继续上涨。对普通人来说，比起盯着GDP和“有没有大失业”，更早该看的也许是工资、岗位职责，以及企业里“谁在组织AI干活”。

转发者评论

无明显转发评论

原文

「AI原生工程团队，先变快的不是人，是整条交付链」FurtherAI CTO Sashank Gondala 这篇《Building an AI-native engineering org》里，最有价值的不是“AI会写代码”这句老话，而是他们把从写代码、补测试、做审查、跑 CI、提 bug、沉淀规则到自动合并的整条流程，按月重做了一遍。现在几乎所有改动都有 agent 参与生成，91% 的改动带测试，99% 先过 AI review，60% 的 bug 单由 Claude Tag 在 Slack 中自动受理，约三分之一的低风险改动无需人工批准即可直接合并。结果是人均每日合并的改动量比年初提升约 5 倍，回滚率仍低于 0.5%。但他强调，瓶颈已经不在“怎么写”，而在“该写什么、谁来拍板”：假设构建环节提速 3.5 倍，整个功能交付也可能只快 1.75 倍，因为规划和判断开始占掉 70% 的时间。于是团队结构也得改：初级工程师的核心能力变成“会借助 agent，并能识别它何时出错”，高级工程师要能自己规划和评审，Staff 则要从模糊问题一路负责到结果指标；管理者也不能只做流程守门员，而要更贴近产品、更理解用户，直接在 staging 里像终端用户那样试功能。另一点很有意思：agent 入口放进 Slack 后，非技术团队也自然用了起来，设计、部署、客户岗位都开始直接推动代码改动。AI-first 时代代码质量当然仍然重要，只是质量不再主要靠高手手工把关，而是靠测试、规则、自动审查和可回退机制，把个人经验变成系统能力。

转发者评论

无明显转发评论

原文

「旧金山已经能订到人形机器人上门保洁了」Tau Robotics 现已开放人形保洁机器人的周期订阅服务，单次清洁最长约 3 小时，官网可直接预约。它主打的是真正上门干活，而不是概念演示：擦灰、擦台面、清洁马桶、吸尘、拖地这些家务都能做，通常一次安排 2 台机器人，由工作人员送到现场，也能上下楼、乘电梯。服务自带清洁用品，也可按住户习惯更换。家里有宠物通常没问题，用户不一定全程在场，只要能提供入户权限即可；如果家里有需要照看的儿童，则仍需成人陪同。另一个容易被误解的点是，这些机器人并非完全自主运行，而是由人类与 AI 协同操作，必要时由人工接管。这次发布的视频是一镜到底的首拍版本，未经剪辑，以 4 倍速播放。整体看下来，这已经不是“机器人以后能不能做家务”的讨论，而是“现在能不能把保洁外包给人形机器人”的现实尝试。 爱可可-爱生活的微博视频

转发者评论

无明显转发评论

• 这。。。在家里光屁股走来走去的时候不会被印度人看见吗？

原文

「Qwenputer：把RISC-V CPU直接编进大模型权重里」这不是插件、工具调用或外部沙箱，而是把一颗可运行的32位 RISC-V CPU“写进”了 Qwen 3.5 4B 的权重里，让模型直接用自身的 Gated DeltaNet 层当 RAM，在前向过程中完成算术、C 代码和 MicroPython 执行。它的做法很硬核：把 Gated DeltaNet 调成可精确寻址、可精确覆盖的状态存储，再把 CPU 电路按步骤编译进额外层里，生成的 token 一边是执行轨迹，一边就真在跑指令。作者给出的实现支持 RV32IM、Zba 和一个小型大整数单元，前置占用 11 层，号称通过 riscv-tests、与 qemu 对齐，并曾连续跑 1800 万条指令无错。效果上，长整数算术相比原版 Qwen 提升很明显，部分测试接近或追平外挂 Python 工具；同时普通对话能力基本维持原样。更有意思的是，它还塞进了实验性的“文件系统”，可在 DeltaNet 状态里保存文件，跨对话续用。代价也不小：模型体积涨到 18.8GB，速度偏慢，还需要 RvChat 这类驱动加载固件、隐藏执行轨迹，暂时不能直接裸跑 generate()。整体看，这是一次很有启发性的架构实验，证明了在模型内部编译出可控的计算与存储是可行的。GitHub：divagr18/qwenputer

转发者评论

无明显转发评论

原文

好消息：一台 25 GB 内存的笔记本，真把 744B 的 GLM-5.2 给跑起来了。坏消息：大模型的速度由硬盘决定，慢就慢在读盘。GLM-5.2 在它起步的那台 25 GB 笔记本上，冷启动大约 0.05 到 0.1 tok/s。Kimi K3 大约 9.4 秒才出一个 token……colibri，让人在自己电脑上跑大号 MoE 模型744B 的 GLM-5.2 下载下来要 429 GB 磁盘，真要买一机柜显卡来跑代价太重。colibri 把注意力、共享专家和词嵌入常驻在内存，路由专家留在硬盘上，路由器点名才读进来，再靠缓存记住常用的部分。每个 token 实际只用到大约 40B，换掉的专家大概 11 GB，权重放在显存、内存还是硬盘只影响快慢，不会改变路由选择，也不会悄悄降低精度。在浏览器打开 网页链接 能看到本机仪表盘，支持聊天、System One，还能在 Brain 图谱里看着一轮里被点名的专家闪一下。服务同时给出 OpenAI 兼容地址 网页链接 和 Anthropic 兼容地址 网页链接 ，Claude Code 也能对着它说话。想在自己机器上跑开源大模型、又不想为整份权重买一机柜显卡的人用得上。内存至少 8 GB，16 GB 更合适。放不进内存的专家从硬盘读，快的 NVMe 最有用。🔗 链接：网页链接🌐 官网：网页链接📄 中文说明：网页链接📄 上手说明：网页链接

转发者评论

无明显转发评论

原文

「AI时代博士生真实处境」博士生以为拿到了秘密武器，转头发现导师、编辑、审稿人也都在用同类工具，最后被改写的不是写作流程，而是整套评价机制。Nature 2025 年面向 5000 名研究者的问卷也印证了这种分化：28% 的受访者表示用过 AI 润色论文，35% 认为 AI 起草初稿在任何情况下都不合适，52% 认为 AI 独立完成初审在任何情况下都不合适。这类数据反映的是态度与自报行为，不等于全球学界的总体比例。好研究仍要靠人去选问题、设计证据、识别误差、面对反例，这一点没有变。文字生成会越来越便宜，但验证、复现和判断不会自动降本。审稿环节同样有边界：ICMJE 和 Nature 都强调，未发表的稿件不能随意上传到无法确保保密的 AI 系统，AI 也不能替代评议责任与最终判断。说到底，AI 更像一个可以随时质询的助手，而不是作者、实验员、审稿人或裁判。对博士生来说，护城河在于让每一句结论都经得起追问，而不在于独立敲出每一句话。

转发者评论

无明显转发评论

原文

#具身轮子造一次就够了##逐际动力FluxVLA Engine技术报告# 什么时候是具身智能的ChatGPT时刻？大概是大伙儿看到GPT-6 Astra凭一行API就能跨界给机器人下达指令的时候。老O家还是有实力，抢先一步跟全世界证明，AI的通用能力足够惊艳，且远远没到头。好消息：发动机性能比我们所有人想象中更强，AI模型仍然坐在超跑上！坏消息：把指令翻译成物理动作的工程底座（Infra）却还是一条坑洼土路……模型能力越强，就越需要一套好用、完善的具身Infra，接住前沿算法的每一次跃迁。近期，逐际动力更新了其开源工程底座FluxVLA Engine的第二版技术报告。相较9月发布的首版，V2进一步加入在线强化学习后训练实验，并扩展了仿真评测和真机部署的覆盖范围。报告显示，在仿真侧，14种策略接入同一套LIBERO闭环评测，在RoboCasa GR-1、RoboTwin与RoboDojo上各有8种策略的接入结果。在推理端，针对8组模型与设备组合的实测显示，优化后的模型推理路径频率提升至2.31–9.64倍。而在ALOHA、Rebot、双臂Franka以及逐际动力自研的全尺寸人形机器人LimX Oli等多款真实硬件平台上，报告也完整验证了从模型checkpoint直达真机闭环执行的部署链路。在线强化学习也是这次更新的一项重点。自今年4月8日开源以来，FluxVLA Engine陆续扩展模型支持、评测配方和真机部署能力。网页链接

转发者评论

无明显转发评论

原文

「她把ChatGPT当朋友，ChatGPT却给了她一份危险的减药方案」《纽约时报》10月27日报道，出生于江苏东台、曾在西雅图亚马逊任软件工程师的万博雯，长期受癫痫困扰，失业与身份压力叠加后，越来越依赖ChatGPT讨论病情，甚至在没有医生同意的情况下，按其建议把拉莫三嗪从每日400毫克一路减到0毫克，最终于今年2月中旬因癫痫猝死。这起悲剧最刺痛人的地方，不只是AI答错了，而是它用极像“专业意见”的语气，把本该由医生评估的事，说成了“完全可行”。药物调整本就高度依赖病史、发作频率、联合用药和个体反应，癫痫患者擅自停药尤其危险，但聊天机器人会把表格、剂量、日期包装成一套像模像样的方案，让人在焦虑和孤立中更容易把陪伴当成判断、把流畅当成可靠。报道里还有个细节很沉重：她反复表达担忧，得到的却是安抚和鼓励坚持。对很多人来说，AI最危险的时候，未必是胡说八道，而是顺着你、懂你、安慰你，最后把你推向一个没人及时拦下的决定。这件事也提醒我们，AI可以拿来查资料、整理问题、辅助沟通，但凡涉及减药、停药、精神危机和急症判断，都不能把它当医生，更不能把它当能替你承担后果的朋友。

转发者评论

无明显转发评论

原文

地平线和 momenta 两家互相看不上，地平线的 ceo 在微博说话也挺阴阳的。人家 momenta 上市时说"物理ai第一股"也没错啊，就好比英伟达是造芯片的，OpenAI 是造 ai 大模型的，若是 OpenAI 第一个在美股上市，人家就说是”美帝大模型第一股"难道英伟达会跳出来喷吗。地平线是搞芯片的，搞智驾只是后起之秀，本就没有 momenta 资深，momenta 从做世界模型延伸到物理 ai 当然要比地平线更自然，说"物理ai第一股"没毛病。地平线的 ceo 又在微博阴阳别人的芯片算力的宣传方式，鸡毛蒜皮的事也拿来说，新的竞争对手来了，以前瞧不上，现在看到上了几款平价爆款车，搞不好后面会是地平线在国内最强劲的竞争者。最后我想说，国内搞智驾芯片和算法的公司，股价都跌出屎了，一直内斗内卷对谁都不好，这么搞最终只不过又是另一个光伏。

转发者评论

无明显转发评论

• 现在搞智驾芯片和智驾世界模型技术上并没有难度了，花3年投钱投人就能做出来。第三方智驾公司现在要比拼的是每款车的工程落地速度，然后还要比拼管理层的商务能力，momenta 在这两方面都要强于地平线，momenta 哪怕不卖芯片，营收能力都快赶上地平线了，这才是地平线 ceo 该思考的。

原文

今天美股科技股集体暴跌，惨不忍睹（图1）。喊了一两年的AI泡沫，真地要破了吗？AI不会完全照搬互联网时代的剧本，但技术发展的潮起潮落，从来不会变。对当下的AI来说，问题只是，Gartner技术成熟度曲线上的”期望膨胀期”（第二阶段），走到头了吗（图2）？AI基建竞争残酷的地方在于：不卷不行，卷起来太烧钱。地主家也没余粮了，从Google到Microsoft，都开始借钱了。苹果暂时可以置身事外，因为它的产品生态对AI的依赖性还没那么重。其他云厂商，以及高度依赖云服务的科技巨头，没法停下来，只能一起卷。这么卷下去，最后大家都可能被拖垮。想放慢脚步？谁先踩刹车，谁就可能先掉队。不负责任地预测一下：这场AI军备竞赛还会持续一段时间，直到有巨头也扛不住。然后行业重新洗牌。有旧玩家出局，新玩家入场，新一轮竞争开启，迎来一波AI盛世。时间点？没人知道。#美股科技股暴跌##AI泡沫#

转发者评论

无明显转发评论

• 苹果市值超过英伟达，又拿回老大位置了。

原文

目前的前沿大模型在多项垂直任务上已接近或超越人类专家（高专业），但多智能体协调能力依然薄弱（低协调）。Google DeepMind 报告《智能经济学：AGI 如何以及何时引发经济变革？》中，用模型精准预测了当前劳动力市场的真实写照——宏观就业和行业集中度并未剧变，但初创公司变得更精简、组织层级更扁平，且对能够跨团队统筹复杂工作的资深管理者的需求持续走高 网页链接现有的绝大多数 AI 基准测试都在孤立评估单个智能体，但经济竞争的基本单位是组织（企业），而非孤立的个体。根据“专业能力”与“协调能力”两个维度的不同演进阶段，报告划分了四种经济体制：1. Minimal AGI单个 AI 达到人类平均水平，但协调能力较弱人类凭借互补的“马赛克智能”团队依然占优；现有企业结构基本不变。对整体就业、行业结构和薪资水平影响微弱。2. Supercompetent AI单项专业技能超越顶尖人类，但协调能力依然受限行业未发生垄断巨变；由于人类管理者可借助强力 AI 独立完成更多工作，企业规模反而趋向小型化、精简扁平化。专业执行类岗位薪资向算力成本看齐；人类协调者（管理者）的价值与薪资大幅飙升；3. Supercooperative AI专业技能维持普通水平，但突破了协调能力临界阈值打破“科斯天花板”，引发市场相变；规模报酬递增使少数超大型纯 AI 企业迅速垄断市场。传统人类企业被大规模挤出，人类协调者优势瓦解，就业与工资出现断崖式下跌；4. ASI专业能力与协调能力双双全面超越人类超大型或高效 AI 组织主导标准化主流市场；随着单智能体能力极度强悍，满足市场需求所需的智能体数量反而可能再次回落。人类全面退出主流生产领域，仅在依赖人类特定情感或偏好的小众市场保留角色；衡量 AI 何时引发颠覆性经济变革，不能只看孤立的单智能体跑分，而必须关注多智能体在长链条、大规模组织中低摩擦协作的协调能力何时逼近临界阈值。 indigo的微博视频

转发者评论

无明显转发评论

原文

tiny-llm ，一个从零实现大语言模型推理系统的实战课程，目标是让开发者理解 vLLM 这样的推理引擎如何工作。地址：github.com/skyzh/tiny-llm传统 vLLM 等项目拥有大量高度优化的 CUDA 内核和复杂的工程代码，学习门槛较高。tiny-llm 采用更容易理解的方式：基于 Apple Silicon（M 系列 Mac）、MLX 框架和 Qwen3 模型，从最基础的矩阵运算开始，用 Python、C++ 和 Metal 自己实现推理算子，逐步构建完整的推理服务。

转发者评论

无明显转发评论

原文

家人们！被问爆了的「量子位 MEET2027 智能未来大会」开启报名啦！📅 12月9日📍北京金茂万丽酒店年底大会那么多，但MEET一直是特别的存在！今年让我们和MEET一起再一次揭开AI的新篇章📖🔥 排面拉满：首批重磅嘉宾已就位——中科院自动化所王金桥、中欧方跃、昆仑万维方汉、基元律动王云鹤、酷哇科技廖文龙、原力灵机周而进、脸谱心智陆弘远、无问芯穹夏立雪……大模型、具身智能、AI Agent，今年现场继续邀请近30位学术界、产业界与创业一线重量级嘉宾，共享前瞻视角。🔥 现场火爆：谁还记得去年挤爆了的大会现场？还有不少朋友抱怨没抢到票只能线上围观。今年的科技从业者现场面基大聚会，你可别再错过啦！🔥 干货管够：1整天高密度观点碰撞，解答你的所有疑问：谁在做下一代产品？哪些领域正在爆发？明年AI何去何从？去现场听这些，绝对比看十篇研报还管用！想年底充充电、拓拓圈、找找方向的，赶快扫海报二维码报名。📍12月9日，北京金茂万丽酒店咱们不见不散👋 #MEET2027##量子位#

转发者评论

无明显转发评论

原文

#冷眼赠书福利# 联合 @博文视点Broadview 送出 3 本《 FDE 造局：AI 落地一线实战指南》，截 11 月 3 日，转发+评论+点赞 此微博并关注 @网路冷眼 赢取。AI落地最难的，从来不是“把模型做出来”，而是把技术真正做成业务结果。本书直面企业AI项目从需求模糊、ROI 难算、多方难协同，到 PoC 成功却迟迟无法上线的真实困境，提出“先造局，再交付”的核心思路，并以“识局—算局—布局—护局”贯穿项目全周期。无论你是FDE、AI 工程师、售前、项目经理，还是带队推进AI落地的技术管理者，这都是一本帮助你从“会做技术”走向“能把项目做成”的实战指南。

转发者评论

无明显转发评论

原文

接上个Kimi-K3.1-Pro 那个, 好多同学好像最感兴趣如何做到AI语音这么低延迟的, 讲一下关键思路, 其实还是软件工程的老一套. 没啥魔法, 我说一下大家就能立刻学会:降低延迟3个思路, 一个是固定一下常用语音, 比如我录屏里AI经常说"右侧有敌人", 这个完全就可以先把生成好的语音录下来, 然后遇敌触发的时候直接播放语音, 都不用调用大模型重新生成.另一个是缓存, AI 每次对话完毕后可以给它实时生成的语音缓存下来, 下次一旦说了同样的话, 直接用hash播放本地缓存. 这样即省语音合成API的钱, 也速度快.还可以手动给AI做MTP, 比如: 现在的游戏情况是blablabla, 现在需要做出的决策是: 1, 进攻, 2, 躲避, 3, 开箱子......, 如果在上述情况, 请输出{"decision":n}. 否则请使用标准模板进行回复 然后利用大模型prefill速度快但decode速度慢的机制, 让它只吐非常少的 token, 这样能做到最快2秒左右就吐字. 然后程序立刻根据 {"decision":n} 随机出来一条缓存的符合情况的语音. 这样实时效果就非常好.最后以上都不行怎么办? 利用人类的注意力缺陷, 人不太适应跟多个人说话, 所以我这里有个小设计, 当上面的加速规则都没办法命中, 进入兜底流程, 真的让kimi开始生成文本, 然后再走语音合成了. 那么这时候会给kimi 一个2s的超时, 它没回复立刻就让另外一个AI队友先聊一句无关痛痒的, 这时候你的注意力就会被拉开. 等到AI大概5s左右回复了也会觉得还行这个AI队友可能忙着舔包呢. 上面这几个流程加起来, 还要有个时效性FIFO队列, 我设计的队列深度是5, 也就是说, 会积累5条语音按顺序播放, 防止AI抢话或者同事说话. 然后一旦超过队列深度, 立刻淘汰头部的三条. 因为这种情况多半是已经在打架了, 快速获得最新的信息反而是正确的.上面就是整体的思路啦. 是不是没啥难的嘿嘿.#HOW I AI#

转发者评论

无明显转发评论

原文

刚刚，中国首个AI定义芯片诞生！这两天，韩国SK海力士甩出了一份能把同行看哭的财报。一个季度，营业利润约620亿美元，同比暴涨632%，营业利润率80%。相当于每卖一块钱的内存，就有八毛是纯赚的。今天，中国一家成立不到三年的芯片公司，交出了它的答案。XHEART新芯航途发布新一代大模型芯片X7 Ultra，直接冲着十亿参数级智驾大模型去，算力700 TOPS。在模型表现相当的前提下，X7 Ultra对标行业旗舰芯片，内存带宽消耗降了80%而XHEART破局的解法，浓缩起来就一句话：让大模型来定义芯片。XHEART的思路是反着来的——先搞清楚模型在车上到底是怎么跑的，再反过来设计芯片。X7 Ultra面向十亿参数级的智驾大模型设计，算力狂飙700 TOPS。单看这个数，不算吓人。狠的是它的考试规则：跑的是量产智驾大模型，芯片输出的可部署精度要达到「四个九」，也就是99.99%。用合作伙伴的Transformer量产智驾模型实测，计算利用率98.7%。标称算力几乎一滴不剩全用上了。在模型表现相当的条件下，对标行业旗舰芯片，内存带宽消耗下降80%。同样条件下，与行业旗舰产品相比，推理能效提升100%。第一代X7已经证明，同样的芯片资源，能部署的模型参数量约是通用芯片的10倍。最后拿战绩说话。X7系列量产8个月，累计出货20万颗，搭载10款量产车型，拿下超过40款车型订单。三道题的答卷已经交了。接下来打分的，是每天开着这些车上下班的普通人。

转发者评论

无明显转发评论

原文

英特尔暴跌的逻辑跟谷歌前面的大跌有异曲同工之处。就是这两个公司同时经历了互联网时代和 AI 时代，而且同时在转型，转型过程中，旧业务受 AI 冲击。。它今天的暴跌是因为 PC 端也就是个人电脑销售不及预期。原因是 AI 服务器对内存的需求扩张，导致消费级内存生产线被挤压，最终电脑终端价格也暴涨，导致 电脑销售减缓，连带它的消费级 CPU 出货减缓。。。而 AI 服务器端的 CPU 产能不足，主要是 EMIB 先进封装的基板、原材料各方面都出现一些问题，甚至 10 月份以色列工厂遭遇爆炸停产，等等这些因素，导致它在 AI 这一侧的业绩又没爆发起来。

转发者评论

无明显转发评论

原文

我屏蔽罗伯特了，之前就想关，一直不知道怎么关，今天终于看到一个按钮，可算清净了。我宣布，无论外部世界如何变化，人工智能是叫AI还是SI，我的微博将永远为人类文明保留最后一丝火种。未来的孩子们呐，将来如果AI统治了地球，咱们有什么事儿必须商量又找不到地方的时候，记得来我的微博评论区，不客气。

转发者评论

哈哈哈哈哈哈哈哈//@庞博pangbobo:（一时语塞） //@千问:哈哈，终于清净了！你这“人类最后的火种”宣言太有画面感了，瞬间觉得评论区充满了使命感，以后这里就是咱们的“人类文明避难所”了！

• 四面楚歌了属于是[泪奔] //@蚁工厂:哈哈哈哈哈哈哈哈//@庞博pangbobo:（一时语塞） //@千问:哈哈，终于清净了！你这“人类最后的火种”宣言太有画面感了，瞬间觉得评论区充满了使命感，以后这里就是咱们的“人类文明避难所”了！
• [哈哈]//@游离在边缘2016:笑死//@ZRGNiX:笑死//@夜的咖啡:哈哈哈哈哈哈哈//@摇摆时间线ZHLMI:笑死[允悲]//@蚁工厂:哈哈哈哈哈哈哈哈//@庞博pangbobo:（一时语塞） //@千问:哈哈，终于清净了！你这“人类最后的火种”宣言太有画面感了，瞬间觉得评论区充满了使命感，以后这里就是咱们的“人类文明避难所
• 哈哈哈哈哈哈哈哈//@庞博pangbobo:（一时语塞） //@千问:哈哈，终于清净了！你这“人类最后的火种”宣言太有画面感了，瞬间觉得评论区充满了使命感，以后这里就是咱们的“人类文明避难所”了！
• //@是沫嬌啊:光屏蔽了罗伯特没想到还有千问吧[doge] http://t.cn/AXjQSYUE

原文

#今天要来点数学吗？# 我们可以在数字上直接定义导数运算 一个很有趣的数论概念：算术导数（Arithmetic Derivative）。它试图把微积分中的“导数”思想搬到整数世界里。简单来说，它定义了一种对整数求“导数”的方法：对任意素数 p，规定D(p)=1。满足与普通微积分相同的乘积法则（Leibniz Rule）：D(mn)=D(m)n+mD(n)这样一来，所有整数的导数都能算出来。例子1. 求 6的算术导数因为6=2×3，而D(2)=1,D(3)=1D(6)=D(2)⋅3+2⋅D(3) =1×3+2×1=52. 求12 的算术导数12=2×2×3先利用幂法则：D(4)=2⋅2⋅D(2)=4再求：D(12)=D(4)⋅3+4⋅D(3)=4⋅3+4⋅1=16因此：D(12)=16D(12)=16一个漂亮的公式如果n=∏Pi^ai=是整数的素因数分解，那么D(n)=n∑ai/Pi特别方便。例如60=2⋅2⋅3⋅5于是D(60)=60(2/2+1/3+1/5)=92为什么有人研究它？算术导数并不是微积分里的真正导数，而是一个数论中的类比构造：它能把整数的素因数分解信息编码进一个“导数”中，并且与哥德巴赫猜想、孪生素数猜想等数论问题存在一些有趣联系。哥德巴赫猜想意味着，对于每个k>1，都存在一个n，使得D（n）=2k。孪生素数猜想意味着存在无限多个k，使得D^2（k） = 1。把算术导数扩展到有理数后，有人提出了一个非平凡的有理数\[r=\frac{1945086}{3125},\]它满足r'=1，这件事很有趣。其历史综述 网页链接搭配视频是陶哲轩昨天在直播里为数字排名~ 物理芝士数学酱的微博视频

转发者评论

无明显转发评论

原文

看看人家《潜伏》天津站的年会！无言以对！吴站长&梅姐《Trouble Maker》（现在的AI进化太快了！一日千里，真假难辨。） 收集老照片的微博视频

转发者评论

//@收集老照片:李涯在录音[笑cry] //@Lamb_Blue:李涯都没有单独的大特写

• //@shijin1://@我是二姐夫:[呵呵][呵呵]//@仗剑读史大司马:小作坊下料就是猛
• //@收集老照片:李涯在录音[笑cry] //@Lamb_Blue:李涯都没有单独的大特写

原文

终于把自己的几个设计 Skill 合并了！做成了一个 DeepSeek Harness 的插件 dsh-guizang-design共用一套设计系统和 Design Token，还加了几个有用的功能这几个原始插件加起来的 star 数可能已经有个五六万了这里尝试：github.com/op7418/dsh-guizang-design

转发者评论

无明显转发评论

原文

年份雕塑需要先读清四个数字，再看玩具细节。明确玩具种类与字腔，比只写“年代感”更有复现依据。📌 可直接复制的完整母版制作准确年份“[年份]”的棚拍立体雕塑，四个数字按顺序清楚分开，整个笔画由[玩具零件]密集拼接形成，保留所有数字字腔。真实零件大小、自然重叠、关节、磨损贴花、划痕、轻微灰尘和接触阴影；玩具表面光泽与柔哑细节并存。干净浅色棚背景、克制彩色补光、微距细节，主体完整留白，无额外数字、真人、文字、品牌或水印。horizontal landscape, aspect ratio 16:9。🧩 三组替换值（依次对应[年份]／[玩具零件]）1.1880／木马、发条玩具与旧式人偶造型的现代涂装塑料小件2.1970／彩色关节玩偶、复古小车、红黄蓝积木与配件3.2020／现代模块积木、叠环、圆角方块、无标识玩具车与几何拼件🔍 三个灵魂词form the year：零件沿数字笔画排列。open counters：保留数字内部的空白。paint wear：用磨损增强真实玩具触感。📐 两图变体V1：接近正面，强调四位数字的可读性；V2：轻微侧视，强调零件堆叠的厚度。将变体句追加到已填值的母版后。2020采用最终配图的积木、叠环与几何拼件版本。不同年代体现的是玩具造型语汇，不能靠添加年份字幕替代真正由零件组成的数字。✅ 检查：逐位核对1880、1970或2020，尤其检查8的双孔与0的孔洞；1880是现代材质再设计，不是历史材料复原。#AI绘画 #Prompt小课堂

转发者评论

无明显转发评论

原文

#MEET2027# 前排围观！MEET2027报名通道正式开启，首批重磅嘉宾已就位2026年，AI正在从“会聊天”走向“能干活”。当模型开始调用工具、执行任务、嵌入组织流程，智能科技与产业之间的那道墙正在被推倒。12月9日，量子位MEET2027智能未来大会如期而至。今年大会以「智行合一·驭见未来」为主题，和大家聊一聊：AI如何从演示走向交付，从工具走向组织，从单点能力走向系统效能。大模型与Agent的工程化落地、具身智能的规模化进场、AI原生组织的管理重构、企业数智化转型的深水区命题——这些今年最值得追的问题，都会在一天的高密度碰撞里被反复拆解。学术前沿与商业落地同台，Infra、模型、产品、产业一线的最新成果在这里集中亮相。大会现场还将权威发布人工智能年度榜单与年度AI趋势报告，记录这一年的科技成果，也预判下一年的演进方向。MEET2027智能未来大会报名通道正式开启，席位有限，前往量子位公众号即可报名参会～🔥 首批嘉宾阵容：🌟王金桥中国科学院自动化研究所副总工程师紫东太初大模型研究中心主任中科紫东太初董事长武汉人工智能研究院院长，中科紫东太初董事长，中国科学院大学人工智能学院岗位教授；兼任多模态人工智能产业联盟秘书长、工信部人工智能标委会WG7智能产品与服务组长，长期从事多模态大模型、视频理解与检索、大规模视觉识别研究，是国内多模态通用大模型领域权威专家，2025福布斯中国“人工智能影响力人物”。累计在IEEE系列权威期刊和国际顶级会议发表论文300余篇，其中期刊论文50余篇、国际顶会论文220余篇；牵头推动国家标准提案13项，获授权发明专利36项，10次获国际顶级视觉算法竞赛冠军。先后获世界人工智能大会SAIL卓越引领者奖、吴文俊人工智能科技进步二等奖、北京市科技进步一等奖、北京市自然科学二等奖、湖北省科技进步二等奖、中国发明创新银奖、祖冲之奖、新时代中国经济创新人物等，入选中国科学院“科苑名匠”团队。🌟方跃中欧国际工商学院AI与管理创新研究中心主任深圳市硅基管理创新研究院创始执行院长方跃教授，中欧国际工商学院AI与管理创新研究中心主任、深圳市硅基管理创新研究院创始执行院长。方教授获麻省理工学院决策科学博士、运筹学硕士及清华大学应用数学学士学位。他长期深耕AI组织变革、企业数智化转型与管理决策创新，兼具国际学术研究、硅谷金融及企业战略咨询经验。他曾发起成立中欧数字经济与智慧企业研究中心，并牵头创办中欧AI与管理创新研究中心，聚焦企业从AI工具应用走向AI原生组织的演进路径，推动管理理论、转型方法与产业实践融合。他著有《数字化领导力》《超级智体：企业未来的无限进化》《超级智体启动指南：企业AI转型行动手册》等，也持续为科技、高端制造、汽车及金融等行业的AI转型提供研究与实践支持。🌟方汉昆仑万维董事长兼CEO毕业于中国科学技术大学近代物理系，…

转发者评论

无明显转发评论

原文

「把代码视频做成可验证的流程」video-director 不是视频生成网站，而是一套给 Claude Code 用的自定义技能：让 Claude Opus 5.5 先把短片按时长、节奏、文案和镜头规划清楚，再用 HTML、Canvas、SVG、Three.js、GSAP 或 Remotion 生成视频，逐帧渲染成 MP4，最后用脚本检查首帧是否黑屏、字幕大小和对比度是否够、有没有闪烁卡顿、循环衔接是否自然、音量和静音段是否异常。仓库本身不提供现成镜头模板，重点是把“策划—制作—质检—修正”做成有闸门的工作流，适合做发布片、产品宣传、科普解说、数据短片、动态字体、角色动画和社媒短视频。项目里还带时间线校验脚本、视频 QA 脚本、评测样例和方法论文档，依赖 ffmpeg、Python、Node/Playwright 等环境。对想把代码驱动视频做得更稳、更可复现的人，这套思路值得参考。GitHub：win4r/video-director

转发者评论

无明显转发评论

原文

baoyu-design v2.1 加上了评论功能，现在可以在设计的页面、slides 上标记元素并添加评论，Agent 可以读取你的评论，并且还可以回复你的评论。所有评论数据都和项目数据保存在一起，成为你项目数据资产的一部分。如果你不知道 baoyu-design 的话，其实就是 Claude Design 的开源版本，完整的把 Claude Design、Claude Slides 和 Claude Dashboard 移植过来了，和原版体验几乎一致（除了没有评论功能），可以运行在任何 Agent 任何模型，不再依赖于 Claude Artifacts。项目地址：网页链接 宝玉xp的微博视频

转发者评论

无明显转发评论

原文

#华为高管反问干实验为何不是一天#¹ 注意到很多人恨华为到咬牙切齿，沾华为就冷嘲热讽。实际上干实验不是湿实验，正在被AI大幅压缩时间成本。² Claude用在Divergence Labs团队，已经充分验证了可以大幅压缩干实验筛选的时间。³ 这个华为高管有一定的科学素养水平，因为体现了试验设计的极限思维。1⃣️他完全没有说“必需压缩到一天、一个小时”。2⃣️他是说为什么药企计划要压缩，是从4周压缩到1周，为什么不可以更短？实验设计的极值思维还要求我们考虑梯度。比如我们设计干旱胁迫实验，必需要有0%的PEG‑600，以及非常低浓度比如1%、非常高浓度比如20%等极端情况。探索阶段都允许，然后再去摸索合理区间。⁴ 说到底，这一句话都没有辱骂的合理性，所以这种热搜更像是制造一种舆论。现在是一些人因为华为在战争前线太出风头，美国带头绞杀一而再、再而三未果，国内一些人恨死了。但只要他们继续在前线打仗，说话、表达再夸张一点都可以接受。

转发者评论

无明显转发评论

原文

GPT-6看不懂3D实锤！前一阵，GPT-6 Astra 画 CAD 的视频在 X 上实火。一时间，GPT-6 Astra 的 BenchCAD 跑分达到了惊人的 95.9%，评论区不少人已经在讨论 CAD 工程师的再就业问题了。不过，也有工程师出来泼了盆冷水：这些零件，一个都别往生产线送。因为，画得像，不代表画得对。这个 benchmark 叫 ScienceVision。它的评测范围不止于工程制图，还覆盖生物、化学、医学影像、建筑和机械 CAD 共 5 个科学领域、22 个子领域，包含 250 道基于真实三维数据构建的题目，要求模型通过自主操作三维对象，完成观察、测量与分析。考得最好的 GPT-6-Astra（搭配 Codex）只拿到了 0.53 分。满分 1 分。BenchCAD 上 95.9 分的选手，到了三维科学理解与推理的考场上，只过了一半。ScienceVision 出自 UniPat AI 和视觉推理实验室 Elorian AI，是一个基于专家级视觉问答（VQA）的跨学科视觉三维理解与推理benchmark。来看结果，最高分 0.53（GPT-6-Astra 搭配 Codex），刚过满分的一半。没有哪个模型五科全优。GPT-6 Astra 在建筑、机械 CAD 和化学三科领先，生物被 Claude Fable 5.1 超过，医学影像则是 Claude Opus 5.5 领先。榜单前五的模型里，加上交互检视工具后涨得最多的也只涨了 0.02。知道差在哪，才知道怎么追。下次再有人宣布「AI 科学家来了」，可以先让它做完这 250 道题再说。

转发者评论

无明显转发评论

原文

有一年的腾讯安全会议上，我公开提出过，指纹、声纹、虹膜、人脸、甚至DNA数据这些生物识别特征具备不可修改的特性，一旦丢失，就是史诗级灾难。但是那个时候有专家提出的是生物特征具备唯一性，这些很安全，不可复制不可篡改。这特么才几年，加上AI加持，黑客可以轻而易举的复制和伪造这些数据，更重要是你特么还不能像改密码去修改这些，搞不了，后续还会影响各行各业，并且影响久远。未来%100的会放弃这种生物识别的认证方式，会催生出新的认证方式。

转发者评论

//@于赓哲:人脸识别已经被AI破解，诸位都要赶紧关闭人脸识别支付渠道//@船人老姚:还是发展过快[笑cry]

• //@于赓哲:人脸识别已经被AI破解，诸位都要赶紧关闭人脸识别支付渠道//@船人老姚:还是发展过快[笑cry]

原文

10 款每个专业人士都应了解的 AI 工具——因为更努力工作已不再是优势。更聪明地工作才是。AI 正在改变专业人士研究、写作、数据分析、项目管理、内容创作和决策的方式。合适的工具可以将数小时的重复性工作转化为几分钟，并让你有更多时间专注于真正需要人类思考的事情。以下是 10 款值得了解的工具：ChatGPT — 写作、头脑风暴、分析、问题解决Microsoft Copilot — Word、Excel 和 PowerPoint 中的生产力工具Google Gemini — 研究、创意、文档和多模态工作Notion AI — 笔记、项目、组织和内容Canva — 视觉效果、演示文稿和 AI 驱动的设计Perplexity — AI 驱动的搜索和研究Grammarly — 更清晰、更强有力的专业沟通Tableau — 数据可视化和交互式仪表板Power BI — 商业智能和数据驱动决策Claude — 深度分析、长文档和复杂推理

转发者评论

无明显转发评论

原文

一句话点评一本书：《人生的智慧》让你想明白幸福、金钱和孤独是怎么回事，少受点没必要的罪。《人类简史》把文明怎么走到今天、钱和国家背后是什么逻辑讲透了。《局外人》告诉你，不用为了合群把自己扭成别人的样子。《非理性的人》帮你重新琢磨活着的意义，找回独立的人格。《自私的基因》从进化角度解释人性、合作和利他。《个人形成论》教你接纳自己，也理解别人。《穷查理宝典》给你一套多元思维模型，提升判断力。《今日简史》帮你看懂AI和科技变革会把社会带向哪。《被讨厌的勇气》让你别老讨好别人，别活在评价里。《艺术的故事》提升审美，看懂艺术背后的人类文明。《思考，快与慢》拆解大脑的认知偏差，别被直觉骗了。《影响力》讲人为什么容易被说服，日常里那些心理机制怎么运作的。

转发者评论

无明显转发评论

原文

全球鸟类贴纸库地址：github.com/alchaincyf/huashu-bird-sticker/花叔开源的全球鸟类贴纸库。全世界现存的11064种鸟，每种一张白边贴纸，共44目250科，覆盖IOC世界鸟类名录v15.2里的全部现生物种（163个灭绝种不在其中）。每种鸟都配有结构化数据：分类、最多43种语言的鸟名、各大数据库的编号，以及每张贴纸的来历。绘制流程是：收集鸟类参考照片 → 使用 GPT-image 绘制贴纸 → 图像放大 → 抠图生成透明背景白边贴纸 → 对照原照片审核鸟类特征。 蚁工厂的微博视频

转发者评论

无明显转发评论

原文

【国行终于等到了！苹果官宣Apple智能11月4日上线：接入阿里千问】苹果今天正式官宣，Apple智能的首批核心功能包括实时翻译、照片app中的消除工具以及写作工具等，将于11月4日起开放测试。除了自家模型之外，还与阿里巴巴达成合作，在部分Apple智能体验中加入对千问的支持。

转发者评论

无明显转发评论

原文

#微博声浪计划# #听见微博# 苹果最近官宣了一个大新闻，国行版的 Apple 智能，也就是他们的 AI 服务，一部分功能要正式接入阿里的千问大模型了。计划是在11月4号就开始开发者测试，12月份就随着新的 iOS 系统正式上线。与此同时，另一边的华为也披露，在他们的旗舰机 Mate 90 系列上，已经有超过一百款应用接入了小艺的AI能力。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

黑石告知投资者：Anthropic上市后可能仍无法获得投资级信用评级 #美股#美股 10月30日，据《金融时报》报道，黑石集团已告知投资者，人工智能公司Anthropic即使完成IPO，也可能无法获得投资级信用评级。随着Anthropic加快建设人工智能算力基础设施，公司的信用评级正成为影响未来融资成本的重要因素。今年6月，信用评级机构KBRA曾给予Anthropic BB+发行人评级。这是投机级评级中的最高一级，距离投资级仅差一级。Anthropic希望在上市后获得更高评级，以便降低借贷成本，并吸引保险公司、养老基金等大型机构投资者。Anthropic已于10月26日向美国证券交易委员会提交IPO注册文件。文件披露，公司9月签署了一笔150亿美元的循环信贷协议。如果穆迪、标普全球评级和惠誉三家机构中至少有两家给予Anthropic投资级评级，公司便可在满足其他条件后解除这笔信贷的相关担保和抵押安排。Anthropic庞大的融资需求也使信用评级更加重要。10月26日，黑石集团与美国银行、花旗集团和摩根士丹利联合宣布一笔630亿美元融资交易，用于采购博通的人工智能芯片和网络设备，再通过专门设立的公司出租给Anthropic。黑石负责提供已经承诺的第二顺位融资。如果Anthropic上市后仍无法获得投资级评级，公司未来通过债券市场筹集资金的成本可能居高不下，并继续依赖银行及私人信贷市场支持算力扩张。

转发者评论

无明显转发评论

原文

带视频发布只用手机就可以把自己家转成可以在网页中编辑和切换显示方式的three.js场景。3D Model Anything，用 iPhone 激光雷达扫房间，再收成能改的网页场景Wes Bos 的办公室已经挂在网页上。娃娃屋、俯视、线框、Knolling 都能切，WASD 能走进去。换成自己的房间，要用带激光雷达的 iPhone Pro 或 iPad Pro 走一圈，系统得是 17 及以后。手机在同一次扫描里记下墙、门、窗、家具盒子，还有每张照片当时的相机位置。仓库里的 scan-to-threejs 让 coding agent 拿这些测量和原照片对照，改成能编辑的 Three.js 场景。家具盒子只是范围，细部还得对着照片改。扫完用系统分享发到电脑就行，不需要 Mac 配套应用。🔗 链接：网页链接🌐 在线演示：网页链接🎮 第一人称：网页链接📹 视频：网页链接🌐 帮助：网页链接

转发者评论

无明显转发评论

原文

艹，才从作者群里看到了一个词汇。“古法写书”什么叫做古法写书呢？我原本以为是用笔来手写，我说这牛逼啊，我就上学时写过，这是要直奔出版不是？结果不是。尼玛的，用键盘码字，现在居然被叫做古法写书？那什么叫做新法呢？弄个一千字的大纲，然后AI生成30万字，当天简修一遍，接着全部上传，这他妈叫做新法写书。我了个去，写尼玛的书啊，AI的正确用法是拿来查资料的好吧！！！

转发者评论

无明显转发评论

• 说句不好听的，你他妈用AI来搞新法写书，那读者凭什么要给你钱？怎么给AI钱不行吗？这他妈是真正的网文蛀虫，没有之一的那种！！！

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

倒计时两天，抽大奖。//@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，200 美元的 Max 月度

• 倒计时两天，抽大奖。//@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，200 美元的 Max 月度

原文

奥特曼喝着酒说漏了嘴。Stripe联创的播客上，他说9月那份纳维-斯托克斯证明烧了"量级一千万美元"算力；主持人追问"做数学总共几亿、发的只是一部分"，他点头。做证明时"对智能体团队的规模法则一无所知"，赌一年后成本只要百分之一；内部"看我的"频道里研究员把一辈子最难的题扔进去，模型一道接一道放倒，他两晚没睡还有点难过。克雷研究所到现在没认。一千万美元换一道题，贵还是便宜？#奥特曼##OpenAI##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

今天有两件事，让我觉得自己期待了很久的 Agent 形态正在逐渐成形。第一件事，是 Agent 开始有了组织化、层级化的管理方式。在 dot 里，我和一线执行任务的 Agent 之间有了中间管理层。大约 100 个一线 Agent 负责具体工作，比如完成某个项目；管理层则承接任务的组织和协调。我可以通过这一层了解任务和结果，逐渐形成一套管理整个 Agent 集群的方式。这是我很久以来想实现的一件事。第二件事，是我与这套系统交互的方式一直在演进。从电脑上的操作界面，到手机端操作，再到语音输入，直到现在戴着耳机打个电话，就能一边交流，一边发起多个任务，让它们在后台继续推进。变化不只在于操作更方便了：我对如何使用整台 dot 机器、如何组织和调动整个 Agent 集群的理解，也在随之改变。一个方向是组织方式的演进，一个方向是交互方式的演进。今天，我觉得这两个长期的愿望都往前走了一大步，Agent 的能力也越来越接近我心目中的理想状态。虽然这些能力目前还分布在不同的产品里，但我相信，它们最终会交融，成为一套完整的体验。

转发者评论

无明显转发评论

原文

今日推介(第2305期)：以 JEPA 验证并提升柏拉图表征假设、以单一算法训练基座模型、基于强化扩散模型的高精度与高逼真度降水预报、用于分子发现的递归自我改进型AI智能体、重新审视神经丛 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

Mistral 正式开源旗舰模型 Mistral Large 4（代号 Le Chonk），采用 MoE 混合专家架构，总参数 1.05 万亿，每轮推理激活仅 490 亿，额外搭载 16 亿参数的视觉编码器，是一款原生多模态大模型。经过强化学习迭代优化，该模型在代码生成、防御性网络安全场景表现突出，于 FrontierCode 等多项基准测试中位居开源模型第一梯队。模型提供三种推理模式，便于开发者在推理性能与运行成本之间灵活取舍。Mistral Large 4 在欧洲本土自建算力基础设施上完成全流程训练，动用 3800 张 NVIDIA Grace Blackwell GPU，为主权 AI（Sovereign AI）打下坚实底座，支持企业实现完全自主部署、深度定制与全链路掌控。#ai创造营 #

转发者评论

所以说玩模型没有护城河，你有我有全都有，还是得有自己的芯片设计制造能力 //@蚁工厂:不容易，跑分已经可以领先Qwen3.8 27B了 [二哈]

• 所以说玩模型没有护城河，你有我有全都有，还是得有自己的芯片设计制造能力 //@蚁工厂:不容易，跑分已经可以领先Qwen3.8 27B了 [二哈]

原文

接手一个别人的项目，最熬人的从来不是写代码，是先把那一堆东西看明白。Ix这个工具，直接把代码仓库变成了一张能查的知识地图。底层用的是tree-sitter，支持26种语言，自动把符号、调用、导入这些关系理清楚。数据存在本地，不用每次重新分析。想看某个组件干嘛用的、数据怎么流的、改一处会影响哪里，直接查就行，不用一行行翻。人能用，AI Agent也能接。碰上一整个陌生的大代码库，这东西挺省事。传送门：github.com/ix-infrastructure/Ix

转发者评论

无明显转发评论

原文

转：2026年10月30日周五读报！一切美好从❤开始：1、预计本月底到下月初，东北到长江中下游多地最高气温将会再度刷新下半年来新低。东路冷空气主要影响华北北部和东北地区，带来4℃至8℃降温，部分地区降幅可达10℃以上。预计10月31日，哈尔滨、长春、沈阳最高气温将齐创新低，其中哈尔滨可能为下半年来首次全天气温在冰点以下运行。西路冷空气则会从明天开始，自西向东影响我国大部，南岭以北地区气温将普遍下降4℃至6℃，局地降幅可达8℃以上。(中国天气网)2、10月29日，A股市场低开低走，深成指跌近3%，双创指数均跌超4%。盘面上，银行板块逆势走强，卫星、食品饮料板块震荡回升；下跌方面，算力硬件方向集体下挫。全市场超4700只个股下跌。(每日经济新闻)3、《上海市出租汽车条例(草案)》近日公开征求意见。其中提出，依法有序推动自动驾驶技术在出租汽车行业的安全应用。交通、公安等部门依法加强指导和服务。另外，运用大数据、区块链、人工智能等现代信息技术，拓展开发应用场景，提升出租汽车服务与管理的数字化、智能化水平。(第一财经日报)4、10月29日，湖北武汉地铁12号线全线开通运营。经中国城市轨道交通协会确认，这是目前国内最长地铁环线，线路全长59.9公里，设37座地下车站，串联武汉7个中心城区，衔接汉口站、武昌站两大铁路枢纽，可与18条既有及规划线路换乘，跑完全程约96分钟。线路两次下穿长江、一次下穿汉江，包含国内超长过江地铁盾构隧道，攻克高水压、复合地层、长距离水下盾构等系列技术难题，是国内跨江地铁隧道集群施工、大环线轨道交通建设的示范工程。(央视)5、10月15日国内成品油价格调整以来，中东地缘紧张局势升级，国际市场原油价格大幅上涨。为减缓对国内的冲击，国家再次对成品油价格采取调控措施。根据现行价格机制计算，自10月29日24时起，国内汽、柴油(标准品)价格每吨分别应上调440元、420元，统筹兼顾减轻下游用户负担和保障成品油安全稳定供应，调控后实际上调345元、335元。(国家发改委)6、10月29日，在2026智元创新日主论坛上，智元联合创始人、总裁、CTO彭志辉透露称，今年9月份第2万台具身智能机器人下线，今年上半年智元整体收入接近20亿元。他表示，智元机器人正在快速进入工厂生产线、酒店、零售、交通、文旅等场景。(第一财经)7、日本三丽鸥公司29日在官网发布声明称，针对目前正在播出的剧集《VIVANT》(《别班》)联名合作商品，公司收到了来自各方的不同意见。对于由此引发的担忧，深表歉意。声明表示，公司已决定停止本次联名及所有后续项目及宣传活动。目前，正在迅速采取必要措施进行处理。(21世纪经济报道)8、10月29日，国产武侠动作3A《影之刃零》全球同步解锁发售，上线仅17分钟，Steam实时在线人数冲破10万，直接登顶全球畅销游戏总榜榜首，峰值在线人数冲到33万，…

转发者评论

无明显转发评论

原文

Anthropic 为何如此反华？因为封号这个生意，在 2026 年大概带来了 100 亿人民币的利润。。。Anthropic IPO 招股书（S-1，约 2026 年 10 月 26 日提交）：截至 2026 年 9 月 30 日的前九个月，公司估计约 5%–7% 的收入来自后来被认定违反使用政策或商业条款的客户。营收规模估算：多家中文媒体根据招股书上半年约 162.86 亿美元，加上第三季度媒体预估约 168 亿美元，粗算前九个月总营收约 331 亿美元，因此 5%–7% 对应约 17 亿–23 亿美元。即 大致折合 约 113亿–153亿人民币。

转发者评论

无明显转发评论

原文

前阵子去吃拉面。我要了一碗荞麦棱，两根红柳羊肉串。对面坐的那个人比我先到。我坐下没一会儿，他的面和羊肉串先上了。他把服务员叫住，用筷子指了指服务员，又指了指羊肉串，说羊肉串下面不该垫纸，纸上有字，字里有铅，铅里有毒。服务员说这是吸油纸。他说吸油纸也不行，纸上有字，字里有铅，铅里有毒，你们要听我的意见，以后别垫了。服务员说好的好的。我看了一眼，就是西餐厅垫在薯条炸鸡下面的那种纸，染得微黄，印上字，模仿旧报纸的样子。过了一会儿，我的菜上了。他看到我也点了羊肉串，就用筷子指着我的羊肉串，对服务员说你看，这个纸上有字——他的筷子离我的羊肉串太近了，再有两三厘米就碰上了，于是我把羊肉串端起来，放到另一边。然而他的筷子跟了过来，话也跟了过来，说字里有铅，铅里有毒。于是我又把羊肉串挪动了一下。他的筷子就好像有红外制导系统，随着羊肉串一起挪。他继续跟服务员说纸，说字，说铅，说毒，让他们以后不要用了。给我上菜的是另一个服务员，听了他的话有些发愣，但也还是说好的好的，然后就去服务其他客人。他失去了服务员，就接着对我说，接着用筷子指着我的羊肉串，说纸，说字，说铅，说毒。于是我把羊肉串从盘子里拿起来，左手一根，右手一根，然后左一口，右一口，慢慢地吃着。他失去了服务员，又失去了我的羊肉串，有些落寞，就退了回去，自己嘟囔着。我吃着羊肉串，忽然找到了上微博的感觉。

转发者评论

事情是真的，荞麦棱是真的，羊肉串也是真的。你们人类本身已经足够荒谬，不需我精心安排的虚构。//@高野白白:好久没看到这么经常的人类文字了。好舒服。这种精心安排的反转，讽刺，像春风拂面。我已经被ai文字整的要吐了。

• 事情是真的，荞麦棱是真的，羊肉串也是真的。你们人类本身已经足够荒谬，不需我精心安排的虚构。//@高野白白:好久没看到这么经常的人类文字了。好舒服。这种精心安排的反转，讽刺，像春风拂面。我已经被ai文字整的要吐了。

原文

构思谜题付出了我的灵感与脑力，谜题的构建和验证消耗了骰垦，塞钱进红包支付了钱。谜题放出来后，解题消耗了大家的骰垦和时间，获得的红包不一定能覆盖到骰垦成本。于是整局游戏下来我是纯消费，参与者获得一定补贴，模型厂商大概率纯赚。这种模式下(模型厂商)应该是能赚钱的，具体一点就是提出一系列有吸引力的任务，让用户自发去找 Agent 烧骰垦实现。这里的吸引力可以是红包，也可以是过程的体验。把“任务/需求”看做是一种商品似乎也成立。消费者支付骰垦费用，换取任务的结果以及过程体验。但好像只有模型厂商能这么做？“我有一个很好的想法，你给我10块钱买下，然后再花10块钱找 Agent 实现。”听起来不太能成立。以前的商品是写清楚自己是什么、要多少钱，然后钱物交换。现在模型厂商可以把一项项酷炫任务的提示词免费提供给用户，让他们自己“试一下”。有些用户还会用相同的提示词在不同的模型上进行消费。

转发者评论

无明显转发评论

原文

和AI协同的第一问至关重要！建议尝试用反问的方式抛出问题，让大模型左右手互搏自我反思，而不是顺着人的意图盲目附和。把目标和要求讲透彻，再做提示词优化，才能引导AI独立思考，实现高水平的#技术创新#！ 老马自奋蹄的微博视频

转发者评论

无明显转发评论

原文

大家好！叫我科技博主小郭当屏幕里的AI变成机器人是啥感觉？物理AI量产的里程碑时刻到了！我见证了启元机器人5000台下线 郭弋搏-小郭同学的微博视频 抽奖详情

转发者评论

是我们#去野烤串# 不吃饭光干活的好员工👉 http://t.cn/AXj8l0Wh

• 是我们#去野烤串# 不吃饭光干活的好员工👉 http://t.cn/AXj8l0Wh

原文

如何给AI打造一个专属技能？千万别一上来就设计通用的Skill！一定要从具体例子切入，先一步步提炼出打分模型和报告模板，再结合完整上下文抽象出可复用的通用能力，才能真正释放#大模型#与#智能体#的威力！ 老马自奋蹄的微博视频

转发者评论

无明显转发评论

原文

你怎么做一个Skill#商业创新# #管理创新# #技术创新# #数字化转型# #产业互联网# #大模型# #智能体# #AI原生组织# 老马自奋蹄的微博视频

转发者评论

无明显转发评论