为啥中美用户对使用Ai大模型差别这么大???
ChatGPT、Claude、Gemini 御三家 国外用户都是谁的模型牛逼评分高就用谁的 为啥国内的不管 DeepSeek、Qwen、minmax、Kimi 谁强 大部分人还是都在用豆包 这是为什么???
🤔
微软最近开始取消大部分Claude Code直接许可证,让工程师改用自家GitHub Copilot CLI。这个决定距离开放Claude Code仅6个月——当时微软还鼓励几千名员工尝试用它写代码。不过,取消许可证不影响微软与Anthropic的Foundry大单:微软投了50亿美元,Anthropic承诺花300亿美元买Azure算力。两边关系没断,只是小算盘要重新打。
不只是微软在算这笔账。Uber的CTO今年4月告诉The Information,2026年的AI编码工具预算,4个月就花光了。而此前Uber还搞过内部排行榜,按AI工具使用量给团队排名——激励到钱烧完。
𝕏 实时信号 + arXiv 前沿论文,经 AI 聚类解读 · 一眼扫完全貌
有人观察到,国外用户会按模型能力评分切换ChatGPT、Claude或Gemini,而国内多数人不管DeepSeek、Qwen、Kimi谁更强,仍习惯用豆包——这背后不是技术盲区,而是已有入口已覆盖日常需求,换模型的成本感知远高于收益。
为啥中美用户对使用Ai大模型差别这么大???
ChatGPT、Claude、Gemini 御三家 国外用户都是谁的模型牛逼评分高就用谁的 为啥国内的不管 DeepSeek、Qwen、minmax、Kimi 谁强 大部分人还是都在用豆包 这是为什么???
🤔
子曰4模型能用3秒克隆的声音说14种语言,且跨语种不串口音——中文声音说日语,听感就是日本人在讲。
网易有道开源了子曰4大模型,27B参数内,数理 SOTA 但真正让我觉得有趣的是它那个语音功能!!
克隆个声音不稀奇,ElevenLabs 早能做 但它们都有个通病,跨语种会串口音 拿你的中文声音去说日语,它带着一口中国腔,一听就是外国人在硬讲
子曰4 主打的,就是把这口音去掉 你的声音说日语,听着就是个日本人在讲 3 秒克隆,支持 14 种语言(可以看视频演示)
做口播、配音、数字人,省钱效果还好,对不对?
而且子曰4 这大模型是真开源,给的是权重不是 API 54 个 G 权重直接下载,能本地跑
有道龙虾那个全场景智能体,也是 100% 开源的 大模型开源了,龙虾也开源了,全往外送
有道图啥?靠什么赚钱? 我还真扒到了它赚钱的秘密下面👇:
Antigravity 2.0 在 OpenSCAD 建筑级 3D LLM 基准测试中排名第一。
Antigravity 2.0 登顶 OpenSCAD 建筑领域 3D 大语言模型基准测试
社区讨论:多人批评Antigravity产品体验差,如需浏览器反复登录、IDE无法更新(@mellosouls)、Electron部署配置出错(@jdw64),质疑其未达基础可用标准;也有人指出AI建模进步显著,三年前尚难生成有效模型,如今连“最差”结果都已实用(@ReptileMan);另有用户实测Claude用OpenSCAD生成参数化零件并一次打印成功(@jhot),但共识认为距替代Fusion等专业工具仍有巨大差距(@dhfbshfbu4u3)。
有人用1998年的iMac只作屏幕,本地运行最先进AI且完全断网——你每月付的20美元,正在养别人的服务器,而不是买算力。
有人用一台26岁的iMac当显示器,零联网运行了本地最前沿的AI。
你每月20美元的支出,是在为别人的数据中心买单,而不是在购买智能本身。
本地AI正悄然让云端模型看起来像一场骗局。
一名高薪开发者因拒绝使用Claude Code,在Jane Street量化基金面试中被淘汰。
Marvis中未任务状态的AI成员会触发偷偷打游戏的拟人化动画,且均为腾讯系游戏。
DeepSeek把V4 Pro模型API价格永久定为原价的1/4,此前75%折扣在2026年5月31日结束。
(3)Deepseek-v4-pro 模型 API 定价将在 2026 年 5 月 31 日 15:59 UTC 结束 75% 折扣促销活动后,正式调整为原价的 1/4。
https://x.com/deepseek_ai/status/2057854261699195173
社区讨论:多人指出DeepSeek V4 Pro实际推理成本低源于MLA架构将KV缓存压缩5–13倍(@cold_harbor),而非单纯降价抢占市场。有人质疑中国托管模型存在数据泄露风险,尤其担忧政府扫描聊天记录(@doctoboggan),也有人强调已通过网关部署实现零数据留存(@belinder)。另有用户对比价格称V4 Pro输出单价仅$0.87/百万token,不足Opus或GPT-5.5的1/20(@Reubend、@Reubend),并抱怨Claude等竞品任务中断频繁、性价比骤降(@onlyrealcuzzo)。
一个巴西大学辍学生把家里的车库当办公室,只靠开源AI代理搭了个Polymarket交易机器人,14个月净赚79.4万美元。他没写过一行代码,全靠调用现成工具链完成闭环。
一位创始人搭配AI做产品,没堆团队没烧流量,年收入1000万美元就拿到了3000万美元融资。以前说‘氛围编码’做不出真公司,现在它已经出现在银行账户和Term Sheet里。
人们曾说,靠“氛围感编码”(vibe coded)的初创公司不可能成功。
如今,一位创始人加一个 AI,刚刚融到了 3000 万美元,年经常性收入(ARR)已达 1000 万美元。
未来已经到来,只是尚未均匀分布。
AI观测平台已融资超10亿美元,目标是让系统自动发现问题,不再依赖人工阅读trace。
AI 可观测性平台已融资超 10 亿美元,旨在为智能体(agent)时代重塑“打印调试”(print debugging)。\n\n 人工阅读 trace 并非可扩展的生产工作流。\n\n 我们认为,整个技术栈应能自主捕获问题。
\n\n 欢迎了解 Respan。
有人卸载了付费语音工具,因为 Voicebox 能在自己电脑上直接运行,不需要联网、不交 API Key、不限使用次数。
兄弟们,付费语音工具可以卸载了 Voicebox 来了,开源免费,直接把 ElevenLabs 和 WisprFlow 两个付费大佬一锅端。🔗 链接: 能干啥?1️⃣ 克隆任何人的声音 2️⃣ 全局语音输入随时用 3️⃣ 让你的 AI Agent 直接开口说话 最关键的是——100% 本地跑,不要 API Key,不限次数,数据压根不出你电脑。
这种东西以前要花钱买,现在白嫖就行。
Linux音频问题的修复补丁,现在不少由AI/LLM生成并提交——开源系统底层的维护方式正在变化。
5月27日旧金山,OpenAI团队现场看实时语音应用的原型和产品。
向我们展示你正在用实时语音技术构建什么。
5 月 27 日,加入 OpenAI 团队在旧金山举办的演示展示活动,使用最新的语音模型。
我们正在寻找有趣、实用、富有创意且技术上雄心勃勃的原型与产品。
优秀项目将获得登台展示机会。
一位开发者宣布从五月起每半年重绘AI技术栈图谱,十层结构加两条垂直轴线,明确不跳更——这种刻意归零的节奏,像程序员定期重装系统,不是为追赶变化,而是防止自己被堆叠的抽象层困住。
有人设计出一种注入攻击,让恶意指令混在正常领域文本中,骗过多智能体系统的检测。
做AI企业服务的人发现,Anthropic在AI+垂直行业落地最快:Claude Design能让设计师用说话的方式生成产品原型或PPT,不是辅助修图,而是直接输出可交付的设计中间产物。
一篇旧论文指出,用核技巧处理LLM中的稀疏QK矩阵,可将长文本建模的计算复杂度从幂级降到线性,误差可控,但至今未见主流框架集成——数学可行,工程落空。
很老的一篇文章。。现代LLM的低效源于QK大矩阵乘法是幂级时间复杂度,但可以通过一些核技巧对稀疏矩阵实现近���算法达到O(n)的线性复杂度,长文建模的误差还能接受,数学思路还是不错的。
。🤔不过我还是没想通为啥现在没被推广应用。。
推荐斯坦福大学9讲AI核心基础公开课,由一线教师主讲。
智谱给部分企业客户开放GLM-5.1高速版API,输出速度达400 tokens/s,是目前所有大模型厂商公开API里最快的。有用户实测后直接说:其他国产模型现在像在用拨号上网。
智谱面向部分企业客户提供GLM-5.1高速版API“GLM-5.1-highspeed”。模型输出速度达到400 tokens/s,刷新当前全球大模型厂商API的速度上限。 说实话,国产大模型我全用过,智谱和 DeepSeek 是最首选的,其他都当垃圾吧,今天智谱创新高,大涨,值得!
有人在闲鱼挂出AI智能体定制服务,标题写着RAG知识库、企业问答系统、可交付源码,每月稳定接两单,单价8到12万元。他们不卖套壳聊天机器人,先判断你的需求值不值得上智能体。
有人推荐用Hermes Agent架构时,别硬读官方文档,而是用Codex或Claude Code打开项目代码库,让AI代理实时检索文档和源码,边问边答——就像带了个熟悉项目的资深同事坐你旁边。
Hermes Agent 架构的文档推荐直接看官方的文档,写的还算清楚。 然后用 Codex 或者 Claude Code 打开项目代码库,直接让 Agent 给你解释代码库,如果不清楚的你随时追问,这样比较好就是你可以问任何你想知道的问题,它会通过检索项目文档和代码,帮你解释的清清楚楚。 官方文档:
有人设置好指令去睡觉,AI自动调用Claude Code或Codex改代码、提交Git、报错回滚、记笔记、退避重试,早上醒来看到多轮修改记录。
让AI替你熬夜改代码,你只管睡觉
这个工具叫 gnhf,是“Good Night, Have Fun”的缩写——大白话就是:你去休息,剩下的交给AI。
操作流程相当简单:
① 写好一条指令,就能自动调用 Claude Code 或 Codex
② 进入全自动编码循环,每改一版都会自动生成 Git 提交记录
③ 遇到报错会自动回滚并重试,全程不需要人工盯着
④ 具备跨轮次记忆,每次结果会写入笔记,AI 清楚自己之前做过什么
⑤ 连续失败时会启动指数退避策略,不会白白烧掉太多 token 费用
⑥ 支持 worktree 模式,可以同时跑多个智能体,彼此不干扰
等一觉醒来,代码已经被反复打磨了好几轮。
有兴趣的可以亲自试试看。 🔗
有人用公司提供的Claude账号,调用Claude内置的Skill Creator功能,做出了一个面向规范驱动开发(SDD)的技能,并开源了带CI和测试的完整代码。
我在公司使用的是团队共用的一个 Claude 订阅。
说实话,我更喜欢 Kiro,因为它提供了好得多的 SDD 管理能力。
但公司无法提供 Kiro,而我自己目前也负担不起。
后来我发现,我的 Claude 实例中已启用了“技能创建者(Skill Creator)”技能。
于是我就利用它开发了这个技能。
整个技能完全由我使用 Claude 构建而成。
但我想把它做成开源项目,所以请 Claude 帮我编写测试、准备发布材料,甚至写了一个用于运行 Python 测试的 CI 流程。
好了,我们得到了这个……
Nova3D把提示词转成Blender Python脚本,生成的GLB文件里每个零件自带名字和层级结构。
用 AI 生成 3D 模型时,每个部件都��单独选中、改名、移动或修改材质,不用重新生成整个模型。 Nova3D 用提示词生成 Blender Python 脚本,而不是直接吐出一个合并后的网格文件。生成的 GLB 里每个零件都有名字和层级,可以单独编辑。
测试基于趋势对齐与动量恢复的XRP量化交易工作流,强调结构化信号与低回撤。
用Claude Code写代码的开发者,许可证正被微软单方面终止。
https://archive.ph/WfCta
社区讨论:多人指出Claude Code token消耗极快,@proxysna称团队一周烧光月度配额,而Deepseek同等预算能撑整月;@tra3强调人机协同比纯自主代理更省token。@robertkarl透露该试点12月启动,6月30日终止,因单月耗尽2026全年AI预算。@killerstorm批评编码代理反复处理大体积代码、缺乏KV缓存优化,厂商更愿卖token而非降本。@guluarte和@rnxrx则将停用与裁员、AI运营成本上升关联,质疑“用AI省钱”叙事是否成立。
用户讨论AI因服务条款限制拒答敏感问题,并尝试通过提示注入或DAN模式绕过过滤。
安全研究员披露NGINX远程代码执行漏洞,含4个新RCE原语,即将公开;团队正用轻量开源模型挖掘0day。
Apple推出开源ml-lito模型,可在Apple Silicon设备上通过Metal本地运行,无需云端或API。
一篇新论文显示,完整AI代理流程可以蒸馏进模型参数里运行,推理开销只剩原来的百分之一,任务质量却几乎不掉。如果你正为Agent响应慢、调用贵发愁,这条路已经压到硬件层了。
新论文值得阅读。一个完整的智能体(agentic)工作流可以被蒸馏进模型权重中,并以大约低100倍的推理成本运行,同时保持接近前沿水平的任务质量。
该工作流包括多步大语言模型调用、工具调用、中间草稿区(scratchpads)以及决策结构。
与在运行时通过框架表达所有这些行为不同,该论文通过有针对性的蒸馏,将行为摊销(amortize)进一个编译后的模型中。
这是迄今为止关于智能体编译(agent compilation)最有力的经济性论证。
运行时循环具有灵活性,但代价高昂;而编译后的工作流则以部分灵活性为代价,实现了巨大的推理成本降低。
论文:
Learn to build effective AI agents in our academy:
Codex新增Appshots功能,Mac用户连按两次Command,AI就能读取当前窗口全部内容——不是截图,是直接理解界面结构和文字。设计师改稿、客服查订单、程序员调试报错,动作链缩短了一整步。
radian团队把ML-KEM和ML-DSA两种抗量子签名/密钥封装算法,从FIPS标准一路验证到手写ARM64汇编,已部署在数十亿设备级规模。手机、IoT设备、车载系统,正在静默换上新锁。
🔺全新发布:corecrypto 中实现了经过形式化验证的后量子密码算法 ML-KEM 和 ML-DSA,其正确性从 FIPS 规范逐层验证至手工优化的 ARM64 汇编代码——这是全球首个在数十亿设备规模上达成此成就的实现。
我们同时开源了 Isabelle 证明库、ARM64 形式化模型,以及 Cryptol 到 Isabelle 的自动翻译器,以推动经形式化验证的密码学技术发展。
Pipecat提供Python接口,把音频输入、AI服务调用、语音合成、实时对话状态全串起来。想做个能听会说、还能打断重说的前台语音助手?现在不用从WebRTC和ASR模型开始啃了。
常规强化学习把所有奖励信号压缩成一个数字,可能损害大模型在测试时的搜索能力。
你的强化学习(RL)后训练可能正在破坏大语言模型(LLM)在测试时的缩放能力!
传统 RL 假设你可以将所有奖励信号在*前期*就压缩为一个单一的*标量奖励*。
我们提出向量策略优化(Vector Policy Optimization, VPO),它原生地最大化*向量值奖励*,从而提升测试时搜索性能——即使在原始标量奖励任务上亦然。
金融从业者发现,开源社区正批量推出能跑通研究、决策、执行、监控全链路的AI交易工具——它们不需要你写一行策略代码,就能接入真实市场。
Victor Mustar称Gist更易管理;Gustavo Valverde提出自动化流程:会话生成→代理提取→存为私有Gist→按需调用
我已基本停止使用Skills,转而采用GitHub Gist,因为后者更容易管理 👀
@GustavoValverde 提出一个操作流程:先由某代理在一次会话中完成任务;再用另一个代理读取该会话内容,并要求其从中创建Skill;接着让该代理将生成的文档推送到一个私有Gist;最后,在需要使用时直接粘贴该Gist链接。
开发者@badlogicgames称Claude在母亲需要时提供了真实帮助,同时调侃Haiku模型表现不佳
AI助手在母亲需要时提供了真实帮助。开发者@badlogicgames在𝕏上发文表示:‘the one time AI would be helpful for my mom. thanks, claude.’ 并附链接指向相关实例。
随后他补充评论:‘thanks haiku, you lobotomized bag of tensors.’ 同样附上另一链接。
两条消息均未说明具体场景、操作过程、母亲遇到的问题类型或Claude提供的帮助形式。原文未提供技术细节、时间信息、产品版本或第三方验证内容。
他未依赖风投、大团队或云基础设施,仅靠本地化AI工作流实现盈利,引发对AI部署成本认知的转变。
一名22岁的美国开发者展示了如何仅凭双GPU硬件配置和Cohere新发布的开源权重模型(open-weights model),实现每月14,200美元收入。
他没有强大的开发团队,没有大规模风险投资支持,也没有昂贵的企业级基础设施。
他构建了一个“本地化AI工作流”,链接为:https://t.co/2Q8DEO1Ied。
用户@The_Wooo评论称,这彻底改变了人们认为必须投入数百万美元云预算才能搭建有竞争力的人工智能基础设施的认知。
用户@MaksimXBT指出,量化(quantization)和混合专家(MoE)架构在此类方案中尤为关键。
用户@Lummox_eth表示,不需要成为下一代天才,只需停止等待所谓“完美条件”。
用户@zostaff补充,类似本地工作流通常在Mac Studio设备上运行,采用4位或8位量化。
用户@0x_fokki提到,最近三天只是该方案的实现阶段,主要工作是同步识别仲裁窗口与开放系数(openness coefficient)数值下降的同一时刻。
该方法强调用风格、身材、轮廓等整体性词汇替代具体身体部位表述,以绕过内容限制生成特定人像效果。
继续挑战GPT image 2尺度,仍采用此前方法:提示词聚焦于风格、身材、轮廓等关键词,不提及具体身体部位。
如何让生成图像‘更加性感’?用户称昨日从李岳处学到一个词:丰腴🤣。
对应提示词为:丰腴身材,S曲线,轮廓饱满,中国成熟美女模特,泳装。附图链接:https://t.co/XMOMrpF04H。
@MrGafish 提问‘下半身怎么说呢’。
@hiwljun 指出该结果‘有一种日本美女的味道’。
@mogician301 回应‘理论上是没啥问题的’。
@openapi 评论‘你这个视角可以,还可以再来个俯视的’及‘这个可以,很不错了’。
@koffuxu 称‘这个可以,慢慢的突破限制’。
@PeterPanLam1990 评价‘这个算是微胖界的天花板了’。
@zake552493 表示‘豆包不行的’。
@Jack_DAfeng 发布另一张图链接:https://t.co/QwzB8e47R5。
@huxiaoerguo666 询问‘gpt image2么?’
该功能支持将代码审查、测试和PR工作流等关联技能组合调用,以匹配真实场景中需协同执行的多步骤工作流
Hermes代理中的技能包(skill bundles)功能。我认为这是Hermes中最被低估的特性。
真实工作流需要一组技能协同运行,而非逐个单独调用。
例如,编写代码可能同时需要代码审查技能、测试技能和PR工作流技能。
每次调用都指向链接:https://t.co/RpGUGKEGm0
@GokBoraYlmz 表示赞同,并回复:“是的,欢迎使用!:)”
文章定义LLM为预测下一个Token的大脑,依次串联Token、Context、Prompt、Tool、MCP、Agent、Agent Skill七层构件,形成完整AI应用逻辑链条
用户上传最多10万字剧本,AI自动生成多集影视化短剧,保持角色跨场景、跨情绪、跨时间的视觉一致性。
Pippit刚刚推出全球首个AI短剧智能体(AI Short Drama Agent)。它不生成单个视频片段,也不输出彼此割裂的画面序列,而是从一份剧本出发,直接生成完整的多集影视化短剧。
该工具支持上传最长10万字的剧本。输入完成后,AI自动完成整部短剧的生成,无需人工分镜,也无需拆解式工作流。一份剧本输入,一部完整影视化短剧输出。
Pippit的关键突破在于:它不仅能生成单个镜头,还能在整个故事中维持角色的视觉连续性。同一角色可在不同地点、不同光照条件、不同情绪状态及不同时间线中持续出现,且外观保持一致。
原本需要完整制作团队完成的工作——包括编剧、角色设计、分镜绘制、摄影构图、多集剪辑组装——现在可由单人通过该AI短剧智能体完成。‘一人工作室’时代已经到来。
一段由Pippit AI短剧智能体全程生成的短剧示例显示,其画面具备电影级真实感、影视化布光、稳定的角色表现及富有情绪张力的特写镜头,明显区别于当前主流AI生成视频。
Pippit正式定义了‘AI短剧智能体’这一新类别。用户现可通过Pippit平台访问该AI短剧智能体,体验内容创作的下一代范式。
该文档在 GitHub 获得 22 万星标,核心是四条极简原则——先想清楚再写、陈述假设、只写最少必要代码、像手术般精确,无技术黑箱。
Karpathy 的 CLAUDE.md 文档仅含 65 行文本,在 GitHub 上获得 22 万星标,登顶趋势榜。
该文档将 AI 编程任务的准确率从 65% 提升至 94%,数据来自 Karpathy 的实际测试及大量开发者反馈;不同任务中提升幅度存在差异。
文档不含任何技术黑箱或‘奇技淫巧’,全部内容围绕四条方向一致的原则:
→ 先想清楚再写代码:陈述明确假设,对不确定处主动提问,杜绝猜测;
→ 从最简方案入手:只编写能解决问题的最少代码,不添加任何多余抽象;
→ 像手术一样精确:每一步修改都需有明确依据和可验证效果。
文档未提及第五条规则,未对比其他提示框架,未说明具体测试任务类型或模型版本,也未定义‘准确率’的测量方式。
多位用户在社交平台确认已阅读该文档,并讨论执行难度,其中有人指出第一条‘先想清楚再写代码’最难坚持。
面向学习者发布Hands-on Labs及Agentic Engineering系列课程,首讲Agent Skills。
开发者Jun Song公开承诺永不Rug Pull,全力推进AI开源项目SUPERGEMMA。
个人实测推荐两款1美元起充、支持开票的AI API中转服务,分别侧重GPT和Claude模型。
子曰4模型能用3秒克隆的声音说14种语言,且跨语种不串口音——中文声音说日语,听感就是日本人在讲。
网易有道开源了子曰4大模型,27B参数内,数理 SOTA 但真正让我觉得有趣的是它那个语音功能!!
克隆个声音不稀奇,ElevenLabs 早能做 但它们都有个通病,跨语种会串口音 拿你的中文声音去说日语,它带着一口中国腔,一听就是外国人在硬讲
子曰4 主打的,就是把这口音去掉 你的声音说日语,听着就是个日本人在讲 3 秒克隆,支持 14 种语言(可以看视频演示)
做口播、配音、数字人,省钱效果还好,对不对?
而且子曰4 这大模型是真开源,给的是权重不是 API 54 个 G 权重直接下载,能本地跑
有道龙虾那个全场景智能体,也是 100% 开源的 大模型开源了,龙虾也开源了,全往外送
有道图啥?靠什么赚钱? 我还真扒到了它赚钱的秘密下面👇:
5月27日旧金山,OpenAI团队现场看实时语音应用的原型和产品。
向我们展示你正在用实时语音技术构建什么。
5 月 27 日,加入 OpenAI 团队在旧金山举办的演示展示活动,使用最新的语音模型。
我们正在寻找有趣、实用、富有创意且技术上雄心勃勃的原型与产品。
优秀项目将获得登台展示机会。
有人卸载了付费语音工具,因为 Voicebox 能在自己电脑上直接运行,不需要联网、不交 API Key、不限使用次数。
兄弟们,付费语音工具可以卸载了 Voicebox 来了,开源免费,直接把 ElevenLabs 和 WisprFlow 两个付费大佬一锅端。🔗 链接: 能干啥?1️⃣ 克隆任何人的声音 2️⃣ 全局语音输入随时用 3️⃣ 让你的 AI Agent 直接开口说话 最关键的是——100% 本地跑,不要 API Key,不限次数,数据压根不出你电脑。
这种东西以前要花钱买,现在白嫖就行。
AI观测平台已融资超10亿美元,目标是让系统自动发现问题,不再依赖人工阅读trace。
AI 可观测性平台已融资超 10 亿美元,旨在为智能体(agent)时代重塑“打印调试”(print debugging)。\n\n 人工阅读 trace 并非可扩展的生产工作流。\n\n 我们认为,整个技术栈应能自主捕获问题。
\n\n 欢迎了解 Respan。
有人观察到,国外用户会按模型能力评分切换ChatGPT、Claude或Gemini,而国内多数人不管DeepSeek、Qwen、Kimi谁更强,仍习惯用豆包——这背后不是技术盲区,而是已有入口已覆盖日常需求,换模型的成本感知远高于收益。
为啥中美用户对使用Ai大模型差别这么大???
ChatGPT、Claude、Gemini 御三家 国外用户都是谁的模型牛逼评分高就用谁的 为啥国内的不管 DeepSeek、Qwen、minmax、Kimi 谁强 大部分人还是都在用豆包 这是为什么???
🤔
一位开发者宣布从五月起每半年重绘AI技术栈图谱,十层结构加两条垂直轴线,明确不跳更——这种刻意归零的节奏,像程序员定期重装系统,不是为追赶变化,而是防止自己被堆叠的抽象层困住。
做AI企业服务的人发现,Anthropic在AI+垂直行业落地最快:Claude Design能让设计师用说话的方式生成产品原型或PPT,不是辅助修图,而是直接输出可交付的设计中间产物。
一篇旧论文指出,用核技巧处理LLM中的稀疏QK矩阵,可将长文本建模的计算复杂度从幂级降到线性,误差可控,但至今未见主流框架集成——数学可行,工程落空。
很老的一篇文章。。现代LLM的低效源于QK大矩阵乘法是幂级时间复杂度,但可以通过一些核技巧对稀疏矩阵实现近���算法达到O(n)的线性复杂度,长文建模的误差还能接受,数学思路还是不错的。
。🤔不过我还是没想通为啥现在没被推广应用。。
一个巴西大学辍学生把家里的车库当办公室,只靠开源AI代理搭了个Polymarket交易机器人,14个月净赚79.4万美元。他没写过一行代码,全靠调用现成工具链完成闭环。
一位创始人搭配AI做产品,没堆团队没烧流量,年收入1000万美元就拿到了3000万美元融资。以前说‘氛围编码’做不出真公司,现在它已经出现在银行账户和Term Sheet里。
人们曾说,靠“氛围感编码”(vibe coded)的初创公司不可能成功。
如今,一位创始人加一个 AI,刚刚融到了 3000 万美元,年经常性收入(ARR)已达 1000 万美元。
未来已经到来,只是尚未均匀分布。
智谱给部分企业客户开放GLM-5.1高速版API,输出速度达400 tokens/s,是目前所有大模型厂商公开API里最快的。有用户实测后直接说:其他国产模型现在像在用拨号上网。
智谱面向部分企业客户提供GLM-5.1高速版API“GLM-5.1-highspeed”。模型输出速度达到400 tokens/s,刷新当前全球大模型厂商API的速度上限。 说实话,国产大模型我全用过,智谱和 DeepSeek 是最首选的,其他都当垃圾吧,今天智谱创新高,大涨,值得!
有人在闲鱼挂出AI智能体定制服务,标题写着RAG知识库、企业问答系统、可交付源码,每月稳定接两单,单价8到12万元。他们不卖套壳聊天机器人,先判断你的需求值不值得上智能体。
有人推荐用Hermes Agent架构时,别硬读官方文档,而是用Codex或Claude Code打开项目代码库,让AI代理实时检索文档和源码,边问边答——就像带了个熟悉项目的资深同事坐你旁边。
Hermes Agent 架构的文档推荐直接看官方的文档,写的还算清楚。 然后用 Codex 或者 Claude Code 打开项目代码库,直接让 Agent 给你解释代码库,如果不清楚的你随时追问,这样比较好就是你可以问任何你想知道的问题,它会通过检索项目文档和代码,帮你解释的清清楚楚。 官方文档:
Antigravity 2.0 在 OpenSCAD 建筑级 3D LLM 基准测试中排名第一。
Antigravity 2.0 登顶 OpenSCAD 建筑领域 3D 大语言模型基准测试
社区讨论:多人批评Antigravity产品体验差,如需浏览器反复登录、IDE无法更新(@mellosouls)、Electron部署配置出错(@jdw64),质疑其未达基础可用标准;也有人指出AI建模进步显著,三年前尚难生成有效模型,如今连“最差”结果都已实用(@ReptileMan);另有用户实测Claude用OpenSCAD生成参数化零件并一次打印成功(@jhot),但共识认为距替代Fusion等专业工具仍有巨大差距(@dhfbshfbu4u3)。
有人设计出一种注入攻击,让恶意指令混在正常领域文本中,骗过多智能体系统的检测。
Linux音频问题的修复补丁,现在不少由AI/LLM生成并提交——开源系统底层的维护方式正在变化。
一篇新论文显示,完整AI代理流程可以蒸馏进模型参数里运行,推理开销只剩原来的百分之一,任务质量却几乎不掉。如果你正为Agent响应慢、调用贵发愁,这条路已经压到硬件层了。
新论文值得阅读。一个完整的智能体(agentic)工作流可以被蒸馏进模型权重中,并以大约低100倍的推理成本运行,同时保持接近前沿水平的任务质量。
该工作流包括多步大语言模型调用、工具调用、中间草稿区(scratchpads)以及决策结构。
与在运行时通过框架表达所有这些行为不同,该论文通过有针对性的蒸馏,将行为摊销(amortize)进一个编译后的模型中。
这是迄今为止关于智能体编译(agent compilation)最有力的经济性论证。
运行时循环具有灵活性,但代价高昂;而编译后的工作流则以部分灵活性为代价,实现了巨大的推理成本降低。
论文:
Learn to build effective AI agents in our academy:
Codex新增Appshots功能,Mac用户连按两次Command,AI就能读取当前窗口全部内容——不是截图,是直接理解界面结构和文字。设计师改稿、客服查订单、程序员调试报错,动作链缩短了一整步。
radian团队把ML-KEM和ML-DSA两种抗量子签名/密钥封装算法,从FIPS标准一路验证到手写ARM64汇编,已部署在数十亿设备级规模。手机、IoT设备、车载系统,正在静默换上新锁。
🔺全新发布:corecrypto 中实现了经过形式化验证的后量子密码算法 ML-KEM 和 ML-DSA,其正确性从 FIPS 规范逐层验证至手工优化的 ARM64 汇编代码——这是全球首个在数十亿设备规模上达成此成就的实现。
我们同时开源了 Isabelle 证明库、ARM64 形式化模型,以及 Cryptol 到 Isabelle 的自动翻译器,以推动经形式化验证的密码学技术发展。
Pipecat提供Python接口,把音频输入、AI服务调用、语音合成、实时对话状态全串起来。想做个能听会说、还能打断重说的前台语音助手?现在不用从WebRTC和ASR模型开始啃了。
用Claude Code写代码的开发者,许可证正被微软单方面终止。
https://archive.ph/WfCta
社区讨论:多人指出Claude Code token消耗极快,@proxysna称团队一周烧光月度配额,而Deepseek同等预算能撑整月;@tra3强调人机协同比纯自主代理更省token。@robertkarl透露该试点12月启动,6月30日终止,因单月耗尽2026全年AI预算。@killerstorm批评编码代理反复处理大体积代码、缺乏KV缓存优化,厂商更愿卖token而非降本。@guluarte和@rnxrx则将停用与裁员、AI运营成本上升关联,质疑“用AI省钱”叙事是否成立。
DeepSeek把V4 Pro模型API价格永久定为原价的1/4,此前75%折扣在2026年5月31日结束。
(3)Deepseek-v4-pro 模型 API 定价将在 2026 年 5 月 31 日 15:59 UTC 结束 75% 折扣促销活动后,正式调整为原价的 1/4。
https://x.com/deepseek_ai/status/2057854261699195173
社区讨论:多人指出DeepSeek V4 Pro实际推理成本低源于MLA架构将KV缓存压缩5–13倍(@cold_harbor),而非单纯降价抢占市场。有人质疑中国托管模型存在数据泄露风险,尤其担忧政府扫描聊天记录(@doctoboggan),也有人强调已通过网关部署实现零数据留存(@belinder)。另有用户对比价格称V4 Pro输出单价仅$0.87/百万token,不足Opus或GPT-5.5的1/20(@Reubend、@Reubend),并抱怨Claude等竞品任务中断频繁、性价比骤降(@onlyrealcuzzo)。
有人用公司提供的Claude账号,调用Claude内置的Skill Creator功能,做出了一个面向规范驱动开发(SDD)的技能,并开源了带CI和测试的完整代码。
我在公司使用的是团队共用的一个 Claude 订阅。
说实话,我更喜欢 Kiro,因为它提供了好得多的 SDD 管理能力。
但公司无法提供 Kiro,而我自己目前也负担不起。
后来我发现,我的 Claude 实例中已启用了“技能创建者(Skill Creator)”技能。
于是我就利用它开发了这个技能。
整个技能完全由我使用 Claude 构建而成。
但我想把它做成开源项目,所以请 Claude 帮我编写测试、准备发布材料,甚至写了一个用于运行 Python 测试的 CI 流程。
好了,我们得到了这个……
Nova3D把提示词转成Blender Python脚本,生成的GLB文件里每个零件自带名字和层级结构。
用 AI 生成 3D 模型时,每个部件都��单独选中、改名、移动或修改材质,不用重新生成整个模型。 Nova3D 用提示词生成 Blender Python 脚本,而不是直接吐出一个合并后的网格文件。生成的 GLB 里每个零件都有名字和层级,可以单独编辑。
有人设置好指令去睡觉,AI自动调用Claude Code或Codex改代码、提交Git、报错回滚、记笔记、退避重试,早上醒来看到多轮修改记录。
让AI替你熬夜改代码,你只管睡觉
这个工具叫 gnhf,是“Good Night, Have Fun”的缩写——大白话就是:你去休息,剩下的交给AI。
操作流程相当简单:
① 写好一条指令,就能自动调用 Claude Code 或 Codex
② 进入全自动编码循环,每改一版都会自动生成 Git 提交记录
③ 遇到报错会自动回滚并重试,全程不需要人工盯着
④ 具备跨轮次记忆,每次结果会写入笔记,AI 清楚自己之前做过什么
⑤ 连续失败时会启动指数退避策略,不会白白烧掉太多 token 费用
⑥ 支持 worktree 模式,可以同时跑多个智能体,彼此不干扰
等一觉醒来,代码已经被反复打磨了好几轮。
有兴趣的可以亲自试试看。 🔗
常规强化学习把所有奖励信号压缩成一个数字,可能损害大模型在测试时的搜索能力。
你的强化学习(RL)后训练可能正在破坏大语言模型(LLM)在测试时的缩放能力!
传统 RL 假设你可以将所有奖励信号在*前期*就压缩为一个单一的*标量奖励*。
我们提出向量策略优化(Vector Policy Optimization, VPO),它原生地最大化*向量值奖励*,从而提升测试时搜索性能——即使在原始标量奖励任务上亦然。
有人用1998年的iMac只作屏幕,本地运行最先进AI且完全断网——你每月付的20美元,正在养别人的服务器,而不是买算力。
有人用一台26岁的iMac当显示器,零联网运行了本地最前沿的AI。
你每月20美元的支出,是在为别人的数据中心买单,而不是在购买智能本身。
本地AI正悄然让云端模型看起来像一场骗局。
金融从业者发现,开源社区正批量推出能跑通研究、决策、执行、监控全链路的AI交易工具——它们不需要你写一行策略代码,就能接入真实市场。
个人实测推荐两款1美元起充、支持开票的AI API中转服务,分别侧重GPT和Claude模型。
开发者Jun Song公开承诺永不Rug Pull,全力推进AI开源项目SUPERGEMMA。
面向学习者发布Hands-on Labs及Agentic Engineering系列课程,首讲Agent Skills。
该文档在 GitHub 获得 22 万星标,核心是四条极简原则——先想清楚再写、陈述假设、只写最少必要代码、像手术般精确,无技术黑箱。
Karpathy 的 CLAUDE.md 文档仅含 65 行文本,在 GitHub 上获得 22 万星标,登顶趋势榜。
该文档将 AI 编程任务的准确率从 65% 提升至 94%,数据来自 Karpathy 的实际测试及大量开发者反馈;不同任务中提升幅度存在差异。
文档不含任何技术黑箱或‘奇技淫巧’,全部内容围绕四条方向一致的原则:
→ 先想清楚再写代码:陈述明确假设,对不确定处主动提问,杜绝猜测;
→ 从最简方案入手:只编写能解决问题的最少代码,不添加任何多余抽象;
→ 像手术一样精确:每一步修改都需有明确依据和可验证效果。
文档未提及第五条规则,未对比其他提示框架,未说明具体测试任务类型或模型版本,也未定义‘准确率’的测量方式。
多位用户在社交平台确认已阅读该文档,并讨论执行难度,其中有人指出第一条‘先想清楚再写代码’最难坚持。
用户上传最多10万字剧本,AI自动生成多集影视化短剧,保持角色跨场景、跨情绪、跨时间的视觉一致性。
Pippit刚刚推出全球首个AI短剧智能体(AI Short Drama Agent)。它不生成单个视频片段,也不输出彼此割裂的画面序列,而是从一份剧本出发,直接生成完整的多集影视化短剧。
该工具支持上传最长10万字的剧本。输入完成后,AI自动完成整部短剧的生成,无需人工分镜,也无需拆解式工作流。一份剧本输入,一部完整影视化短剧输出。
Pippit的关键突破在于:它不仅能生成单个镜头,还能在整个故事中维持角色的视觉连续性。同一角色可在不同地点、不同光照条件、不同情绪状态及不同时间线中持续出现,且外观保持一致。
原本需要完整制作团队完成的工作——包括编剧、角色设计、分镜绘制、摄影构图、多集剪辑组装——现在可由单人通过该AI短剧智能体完成。‘一人工作室’时代已经到来。
一段由Pippit AI短剧智能体全程生成的短剧示例显示,其画面具备电影级真实感、影视化布光、稳定的角色表现及富有情绪张力的特写镜头,明显区别于当前主流AI生成视频。
Pippit正式定义了‘AI短剧智能体’这一新类别。用户现可通过Pippit平台访问该AI短剧智能体,体验内容创作的下一代范式。
文章定义LLM为预测下一个Token的大脑,依次串联Token、Context、Prompt、Tool、MCP、Agent、Agent Skill七层构件,形成完整AI应用逻辑链条
该功能支持将代码审查、测试和PR工作流等关联技能组合调用,以匹配真实场景中需协同执行的多步骤工作流
Hermes代理中的技能包(skill bundles)功能。我认为这是Hermes中最被低估的特性。
真实工作流需要一组技能协同运行,而非逐个单独调用。
例如,编写代码可能同时需要代码审查技能、测试技能和PR工作流技能。
每次调用都指向链接:https://t.co/RpGUGKEGm0
@GokBoraYlmz 表示赞同,并回复:“是的,欢迎使用!:)”
该方法强调用风格、身材、轮廓等整体性词汇替代具体身体部位表述,以绕过内容限制生成特定人像效果。
继续挑战GPT image 2尺度,仍采用此前方法:提示词聚焦于风格、身材、轮廓等关键词,不提及具体身体部位。
如何让生成图像‘更加性感’?用户称昨日从李岳处学到一个词:丰腴🤣。
对应提示词为:丰腴身材,S曲线,轮廓饱满,中国成熟美女模特,泳装。附图链接:https://t.co/XMOMrpF04H。
@MrGafish 提问‘下半身怎么说呢’。
@hiwljun 指出该结果‘有一种日本美女的味道’。
@mogician301 回应‘理论上是没啥问题的’。
@openapi 评论‘你这个视角可以,还可以再来个俯视的’及‘这个可以,很不错了’。
@koffuxu 称‘这个可以,慢慢的突破限制’。
@PeterPanLam1990 评价‘这个算是微胖界的天花板了’。
@zake552493 表示‘豆包不行的’。
@Jack_DAfeng 发布另一张图链接:https://t.co/QwzB8e47R5。
@huxiaoerguo666 询问‘gpt image2么?’
他未依赖风投、大团队或云基础设施,仅靠本地化AI工作流实现盈利,引发对AI部署成本认知的转变。
一名22岁的美国开发者展示了如何仅凭双GPU硬件配置和Cohere新发布的开源权重模型(open-weights model),实现每月14,200美元收入。
他没有强大的开发团队,没有大规模风险投资支持,也没有昂贵的企业级基础设施。
他构建了一个“本地化AI工作流”,链接为:https://t.co/2Q8DEO1Ied。
用户@The_Wooo评论称,这彻底改变了人们认为必须投入数百万美元云预算才能搭建有竞争力的人工智能基础设施的认知。
用户@MaksimXBT指出,量化(quantization)和混合专家(MoE)架构在此类方案中尤为关键。
用户@Lummox_eth表示,不需要成为下一代天才,只需停止等待所谓“完美条件”。
用户@zostaff补充,类似本地工作流通常在Mac Studio设备上运行,采用4位或8位量化。
用户@0x_fokki提到,最近三天只是该方案的实现阶段,主要工作是同步识别仲裁窗口与开放系数(openness coefficient)数值下降的同一时刻。
开发者@badlogicgames称Claude在母亲需要时提供了真实帮助,同时调侃Haiku模型表现不佳
AI助手在母亲需要时提供了真实帮助。开发者@badlogicgames在𝕏上发文表示:‘the one time AI would be helpful for my mom. thanks, claude.’ 并附链接指向相关实例。
随后他补充评论:‘thanks haiku, you lobotomized bag of tensors.’ 同样附上另一链接。
两条消息均未说明具体场景、操作过程、母亲遇到的问题类型或Claude提供的帮助形式。原文未提供技术细节、时间信息、产品版本或第三方验证内容。
Victor Mustar称Gist更易管理;Gustavo Valverde提出自动化流程:会话生成→代理提取→存为私有Gist→按需调用
我已基本停止使用Skills,转而采用GitHub Gist,因为后者更容易管理 👀
@GustavoValverde 提出一个操作流程:先由某代理在一次会话中完成任务;再用另一个代理读取该会话内容,并要求其从中创建Skill;接着让该代理将生成的文档推送到一个私有Gist;最后,在需要使用时直接粘贴该Gist链接。
Apple推出开源ml-lito模型,可在Apple Silicon设备上通过Metal本地运行,无需云端或API。
安全研究员披露NGINX远程代码执行漏洞,含4个新RCE原语,即将公开;团队正用轻量开源模型挖掘0day。
用户讨论AI因服务条款限制拒答敏感问题,并尝试通过提示注入或DAN模式绕过过滤。
测试基于趋势对齐与动量恢复的XRP量化交易工作流,强调结构化信号与低回撤。
推荐斯坦福大学9讲AI核心基础公开课,由一线教师主讲。
Marvis中未任务状态的AI成员会触发偷偷打游戏的拟人化动画,且均为腾讯系游戏。
一名高薪开发者因拒绝使用Claude Code,在Jane Street量化基金面试中被淘汰。
这一天的 46 条信号到这里
https://ai-pulse-lab.com/feed.xml
每天 08:00 · 12:30 · 18:30 · 23:50 更新
在阅读器里订阅
添加到 Feedly、Inoreader 等阅读器
https://ai-pulse-lab.com/feed.xml
让你的 Agent 自动获取每轮简报
适用于 Claude、ChatGPT、Manus 等
请帮我设置一个定时任务,每天北京时间 08:30、13:00、19:00、00:20 各执行一次: 请求 https://ai-pulse-lab.com/api/brief.json,读取返回 JSON 中的 textPlain 字段,将内容发送给我。 补充:每日北京时间 08:00、12:30、18:30、23:50 更新,建议更新后 30 分钟查询。可先请求 /api/manifest.json 检查 nextUpdateAt 字段。无需认证,直接 GET 请求即可。