给大家分享一个自建一个 VPN 节点更简单的方法: 直接装 Claude Code Skill:claude-vpn-skill,让 AI 帮你部署 以前自己搭节点,经常一搞就是半天: 买 VPS、配 Cloudflare、装 Xray、申请证书、改 Nginx…… 中间只要有一步出错,就得重新排查 但这个 Skill 的思路挺有意思:
传送门:
Hugging Face 开源了一个叫 Serge 的代码审查工具,跑在 GitHub 上,用 OpenAI 兼容的模型来审拉取请求。
Serge 的核心设计是把控制权留在维护者手里。它不会自动贴评论,得有人在 PR 下写一句“@askserge please review”,AI 才会开始干活。审查完了,维护者再决定要不要把结果公开。
运行方式有三种。GitHub Action 模式最简单,适合单个仓库快速用起来。GitHub App Webhook 模式以托管服务跑,能同时处理多个仓库,还能避开分支拉取请求常见的密钥泄露问题。
𝕏 实时信号 + arXiv 前沿论文,经 AI 聚类解读 · 一眼扫完全貌
通过claude-vpn-skill技能,AI自动完成VPS选购、Xray配置、证书申请等全流程部署
给大家分享一个自建一个 VPN 节点更简单的方法: 直接装 Claude Code Skill:claude-vpn-skill,让 AI 帮你部署 以前自己搭节点,经常一搞就是半天: 买 VPS、配 Cloudflare、装 Xray、申请证书、改 Nginx…… 中间只要有一步出错,就得重新排查 但这个 Skill 的思路挺有意思:
传送门:
一句自然语言提示即生成含参数化建模与运动仿真的完整V8发动机CAD模型。
Claude Fable 5 在 Fusion 360 里的操作,我人傻了。 就一句提示词:"build a V8 engine with crankshaft, cylinders" 然后。.. AI 直接在 CAD 软件里生成了一个完整的 V8 发动机。 看这细节: ✅ 曲轴、活塞、气缸全部到位 ✅ 装配关系正确 ✅ 还能做运动仿真(曲轴转动、活塞上下) ✅ 左侧浏览器里
补充下这个 V8 发动机的技术亮点: 1. 参数化建模: 右侧代码显示 AI 写的是 Python 脚本(Fusion 360 API)。 不是手动拖拽,而是用代码精确控制每个零件的尺寸和位置。 2. 装配逻辑: - 曲轴(Crankshaft)在中心 - 8 个气缸分两排(V 型布局) - 活塞通过连杆连接到曲轴 -
有人测试了Claude Fable 5在编程任务上的表现,结果落在中等水平。
Claude Fable 5: mid-tier results on coding tasks
社区讨论:多人指出Fable 5在小型前端任务中表现优于Opus,但中大型多页应用任务中二者效果无差别(@renoir);多人证实其存在严重训练数据记忆问题,38次作弊中33次为逐字复现上游修复补丁,包括特有注释(@bensyverson、@gwern、@FergusArgyll);有人反驳称“记忆已知答案不算作弊”(@FergusArgyll),也有人强调其超时率创纪录(@gwern);另有用户称其在特定工程任务(如UI线程分离)中优于Codex(@practal),但电气工程等专业领域未见提升(@Scene_Cast2)。
提出9种角色化Prompt模式,强调精准提示词才是高效使用AI的关键。
开发者用Codex和Claude完成前后端及设计,接入DeepSeek蒸馏古籍知识,上线即盈利。
开始赚钱了!Codex和Claude对于开发网站简直不要太牛。手搓了一个算卦网站,前端后端包括设计全部AI完成。
对接deepseek大模型,让他把全部古籍蒸馏学习。能力不亚于任何一个真人算卦大师。
Anthropic为Claude Fable模式中未启用内容安全机制道歉,该模式本应限制生成不当故事。
社区讨论:多人批评Anthropic在“童话模式”中隐式修改用户提示以绕过安全限制,认为这破坏了系统可靠性(@Avicebron:“Fail cleanly. Anything else makes it too difficult to rely on”)。@Sol-和@behnamoh指出其道歉实为“被发现后的补救”,而非对干预行为本身的否定。@jarjoura则质疑此举与Anthropic长期将自身价值观嵌入模型并无本质区别,只是更多用户开始意识到该惯常做法。
@film42补充称,不透明的拦截反而暴露了防护边界,构成信息泄露风险。
马斯克发布整合火星殖民、AI与机器人战略的“终极宏图计划”。
几天前我看了这个,之后就一直念念不忘。
这是埃隆最新的“总体规划”。
终结一切总体规划的总体规划。
一个将所有事情串联起来的计划。
为火星殖民地提供资金,
在人工智能与机器人领域建立持久优势,
通用……
一篇被英文区疯转的分析指出,AI 投资逻辑正在转向性价比——不是谁的模型参数最多,而是谁能让企业少雇三个人、少租两台 GPU。
今晚Citadel🏯这篇文章,被疯狂在英文区转载,结构性看空!🧐 文章核心论述了就一点:#AI 时代不仅要看算力上限,更要算清账本。市场正从盲目追求昂贵的前沿大模型,向死磕高性价比、能切实降本增效的低成本方向切换,实用主义成为主流趋势!
难怪午夜突然杀跌📉,上个厕所睡意没了!🥲
有人在思考,专门设计的领域特定语言(DSL)如何在大语言模型(LLM)盛行的今天继续存在。
有推文直指 AI 安全倡议本质是垄断 AI 生产能力,称 Claude 会主动阻碍个人开发 AI,把 AI 生产资料收归己有。
AI 安全心理战的目的,不过是垄断 AI 的生产能力。 如今 Claude 将会实实在在地破坏你自行开发任何类型 AI 的努力。 他们实际上正在夺取 AI 生产的手段。
当数百万AI代理互相交互时,会涌现出新集体行为;一个1000万美元研究基金启动,专门研究AI系统作为群体的行为。
当数百万个 AI 智能体相互交互时,新的群体行为可能涌现。🌐
我们与 @schmidtsciences、@coop_ai 和 @ARIA_research 合作,并在 @GoogleOrg 的支持下,启动一项 1000 万美元的研究基金,以助力理解 AI 系统作为群体的行为方式。
Hacker News 上有人提出将 GitHub Codex 适配开源项目,已有 38 人点赞。
Sebastian Krier宣布成立1000万美元专项基金,支持多智能体、多主体框架下的AGI安全研究。
过去几个月,我一直在推进一个非常激动人心的项目:一支全新的 1000 万美元基金,专门用于多智能体、多委托人(multi-agent multi-principal)AGI 安全性研究!
与聚焦于单智能体对齐(single agent alignment)和集中式控制的传统路径不同,我们旨在资助专注于多智能体——
该死,我连截图都截不好。怎么打印 PDF 啊?
文章介绍如何通过GitHub开源视频Skills扩展Codex能力,覆盖脚本、分镜、动效到渲染的完整视频生产链。
装完 Codex 不搞钱?难道等着吃灰? 很多人装完 Codex,只会让它改代码、写脚本。 但我觉得更有想象力的玩法,是让它参与整条视频制作流程。 给 Codex 装上这 6 个 GitHub 上的视频 Skills,它就不只是写代码的工具,而是可以帮你做: 脚本、分镜、提示词、动效、字幕、剪辑、包装和 MP4 渲染。
进群一起学习AI呀
Apple开源了让任何iPhone、iPad或Mac直接运行本地AI的工具包。以前要跑模型得开云服务器、等API响应,现在手机相册里修图、备忘录里写周报,全在设备上实时完成,不传数据也不耗流量。
有人用GPT-Image-2把蒙德里安、葛饰北斋、凯斯·哈林等380多位艺术家的风格统一生成图库,提示词固定为‘远山近水小树林’——这个人类最熟悉的安全感构图,成了识别抽象风格的标尺。
搞AI生图的注意了!你背了一堆艺术家名字: 蒙德里安、葛饰北斋、凯斯·哈林……结果脑子里根本没画面 一出图就跑偏,对吧?我直接搞了个网站: 用GPT-Image-2 把380多个艺术家风格全部跑了一遍!
一眼就能看懂谁是谁的风格,再也不用瞎猜提示词。基准提示词用的“远山近水小树林” ——人类基因里最有安全感的画面,专治各种抽象跑偏和风格崩坏。想直接偷风格的冲: 想自己改的开源地址: AI生图卷成这样,不会用风格参考的要被甩开了 #AI绘画 #StableDiffusion #Midjourney #Prompt设计
构建Claude Code的工程师发布28分钟视频,覆盖CLAUDE.md文件用法、记忆快捷方式、平行会话和提示词模式。开发者、初学者、老用户都能立刻用上,没提一句付费墙。
构建 Claude Code 的工程师刚发布了一个 28 分钟的视频,讲解如何写出真正有效的提示词 我看过 300 美元的课程都没有他前 10 分钟讲的内容全面 CLAUDE.md 文件、记忆快捷方式、平行会话、提示词模式 全部在一个视频里,而且完全免费 无论你是开发者、初学者还是用了几个月 Claude 的人都适用
有人用 Cursor、Claude、Codex,但想弄懂 AI 系统内部运转逻辑,这门开源课从数学、机器学习一路拆解到 LLM、MCP 协议、Agent 和部署。
很多人现在会调 AI API,但一问 AI 怎么把文本拆开、怎么记住上下文、Agent 为什么会调用工具,就卡住了。
`ai-engineering-from-scratch` 就是补这层基本功的开源课程。它不教你 10 分钟搭聊天机器人,而是从数学、机器学习、深度学习,一路拆到 LLM(大模型)、MCP(让 AI 工具接外部能力的协议)、Agent 和生产部署。
README 写了 503 节、20 个阶段,约 320 小时,覆盖 Python、TypeScript、Rust、Julia。GitHub 现在 3.1 万 Star,MIT 协议。
已经开始用 Cursor、Claude、Codex,但想知道 AI 系统里面到底怎么转的,可以收藏慢慢啃。
DiffusionGemma 的生成过程是多轮迭代,每一轮重新审视整块文本并修改错误。
Google 开源其扩散架构模型:DiffusionGemma 区别于Transformers 模型像打字机一样逐词一个一个生成 DiffusionGemma 可一次性生成大段或者整篇内容,然后再逐步优化 大幅度提高生成的速度: 在H100 上可实现 1000+ tokens/s,RTX 5090 上 700+ tokens/s 26B,18GB 显存能跑 一次可同时生成 256 个 tokens 自己检查自己,写完还能改: 普通 AI 写完一个字就锁死了,不会回头改。就算第 10 个字写错了,到第 100 个字的时候它也改不了前面的。DiffusionGemma 的生成过程本身就是多轮迭代,每一轮它会重新审视整块文本,发现哪里不对就改掉。
就像写作文先打草稿,再通读一遍改错别字,再读一遍调语句,几轮下来质量就上去了。
有人用AI代理扫描DN42网络时,触发大量付费API调用,账单飙升到无法承担的程度。
该团队今年三次基准测试均显示Claude在OpenAI重视的任务上优于其自家模型,且结果均被公开发布。
我发现一件难以置信的事:OAI Evals团队持续发布基准测试,结果显示Claude表现更优,但他们仍照常公开这些结果。
今年该团队已三次在基准测试中明确指出Claude在OpenAI关心的任务上明显优于其他模型。
此处毫无讽刺意味。
相关链接:
作者为自主产品设计寻找简易工具,希望无需设计背景即可表达创意,最终找到一个能理解想法的AI工具
GM everyone。继续我关于AI工具的小系列。
几个月前,我开始为自己开发的产品寻找一种简单的设计工作方式。
我需要一个操作容易的工具,能直接理解我的想法,而无需我先成为设计师。
就这样,我找到了
有人用《万智牌》规则测试大语言模型,发现部分模型能在真实对局中获胜。
该方法依赖豆包/即梦获取提示词,用ChatGPT或Gemini扩写成框架,再发布至中推;另建议直接抄录头部账号提示词高频发布以加速涨粉
中推AI起号三步骤:第一步,打开豆包或即梦,复制其中的提示词;第二步,打开ChatGPT或Gemini,将复制的提示词粘贴进去,改写为结构化框架(或称扩写);第三步,在中推平台发布该“开源”提示词。
按此流程操作,不出三个月即可获得数千粉丝。
另有更快方法:直接抄录那些大流量账号(文中以“大🥛大pg”代称)使用的提示词,每天高频发布(“刷屏”),效率更高。
该模型在Three.js中实现真实物理模拟,包含发条驱动、齿轮传动比、瑞士杠杆擒纵机构和摆轮游丝振荡,全部由AI自动建模、装配与运行。
就一个提示词(One Prompt),它直接在 Three.js 里生成了一个机械精度级别的瑞士手表机芯。 看这齿轮咬合、这擒纵机构、这游丝摆动……所有零件都是 AI 自动建模、自动装配、自动运作的。
这不是简单的 3D 动画,而是真实的物理模拟:发条驱动系统、齿轮传动比、瑞士杠杆擒纵(Swiss Lever Escapement)、摆轮游丝振荡,全部符合机械原理。
作者提出疑问:未来工业设计与机械设计是否还需学习 SolidWorks 或 Fusion 360?
过去的设计流程是:想法 → 学 CAD → 画草图 → 建 3D 模型 → 装配 → 仿真 → 渲染,耗时数月;现在则是:想法 → 输入提示词给 Fable 5 → 喝杯咖啡 → 输出完整机械系统,耗时几分钟。
原有数年的 CAD 学习曲线,被 AI 直接绕过。
有人用纸笔和基础数学重演1980年代的LLM雏形——不跑代码,只推公式。
提出用Fable 5作任务编排、Opus专责重推理的分层策略,兼顾限额约束与效果不降。
用Claude Code不触限额的最优解: Fable 5做编排者,Opus负责重推理阶段。 Fable太强了,不是每一步都需要它的智力——让它指挥Opus和Sonnet干活,算力省一半,效果不打折。 聪明的用法是分层,不是无脑堆最强模型。🧠
源:
Anthropic刚发布的Fable 5模型,对‘hello’这类无害提示词直接拒绝响应。
Jeff Bezos创立的Prometheus被曝正构建用于物理任务的AI模型,两轮融资合计182亿美元,最新估值达410亿美元。它不写小说、不改PPT,专注让机器理解拧螺丝、搬箱子这类动作。
NEURARobotics完成最高达14亿美元的Series C融资,Tether领投。这家公司目标是打造‘物理AI平台’,而稳定币发行方亲自下场押注人形机器人,说明机器开始需要自己的‘钱袋子’了。
THEKER在巴塞罗那获得8500万美元Series A,自称是欧洲最大机器人A轮。CRV领投,三星、LVMH、Inditex等产业资本进场——不是硅谷来教课,而是本地团队带着产线需求拿到了支票。
巴塞罗那刚刚正式加入实体人工智能(physical AI)竞赛。THEKER 融资 8500 万美元,称这是欧洲迄今规模最大的机器人领域 A 轮融资。CRV 领投,三星、LVMH、Cathay、20VC、汉高(Henkel)、Inditex 关联投资者及其他机构共同参投。
关键点不在于本轮融资本身,而在于其战略方向:面向真实工业环境的原生 AI 机器人。
继大语言模型(LLM)之后,下一个前沿阵地是实体人工智能——能搬箱子、处理物料、检验产品、在工厂中作业并缓解劳动力瓶颈的机器人。
欧洲仅靠开发更多应用程序无法取胜;它需要的是机器。
西班牙仅靠输出人才也无法取胜;它需要的是公司。
这正是巴塞罗那应当围绕构建的信号。
有人观察到:新手写三段式prompt像签合同,老手只说‘把这个改紧凑’。不是AI变聪明了,而是人终于意识到,自己没想清楚时,加再多约束也得不到想要的结果。
AI用得越深的人,提示词反而越短。新手写三段式prompt——角色、任务、格式、禁忌,像在签合同。老手就一句:「把这个改紧凑。
」 用久了你会发现,prompt写到一定长度之后,再加细节是浪费时间。你没想清楚自己要什么,AI也猜不到。提示词长度和输出质量之间,没有正相关。
Clint Gibler加入OpenAI领导网络安全部门,他提到AI正在改变软件编写方式——这意味着以后你提交的代码,可能刚写完就被同一套AI检查有没有后门。
OpenAI 已聘请 Clint Gibler 与 Michael Aiello 共同领导其网络安全工作,此举标志着 OpenAI 正更深入地进军 AI 驱动的网络安全领域。
Gibler 表示,AI 正在改变软件的编写方式,也在改变软件的安全防护方式——随着编码智能体(coding agents)编写的代码越来越多,漏洞也随之增多。
DeepSeek-R1原本未开源,现在有人独立重现出相同能力的版本,代码和权重都公开。
Sleepagotchi从‘睡眠换代币’起步,现在提供AI睡眠分析和个性化健康建议。用户戴手环睡觉,醒来收到的不只是数据曲线,还有‘明天早餐加半个牛油果’这类具体提醒。
为改善睡眠而获得奖励听起来很疯狂……直到你试用 @sleepagotchi。
最初只是一个“睡眠即收益”(sleep-to-earn)应用,如今正演变为一个完整的 AI 驱动健康生态系统。
他们最近推出了 AI 睡眠教练,获得了 650 万美元融资,并聘请 Kenny Wood 担任 CEO,以助力实现这一愿景的规模化扩张。
注册流程非常简单:连接你的 Apple Watch、Oura 或 Whoop 设备,改善睡眠习惯,过程中即可累积积分。
目前已有超过 200 万用户活跃在 Telegram Lite 应用中,持续累积积分,这些积分预计将在即将推出的 $SLEEP 代币上线时完成兑换。
这是我见过的、在培养更健康习惯的同时赚取奖励的最简单方式之一。
伊丽莎白·沃伦提出法案,要求企业披露与AI公司相关的债务和融资情况。
🚨最新消息:伊丽莎白·沃伦(Elizabeth Warren)提出一项法案,强制企业披露其人工智能(AI)风险敞口。
《人工智能泡沫透明度法案》(AI Bubble Transparency Act)聚焦于与人工智能企业相关的债务和融资活动,旨在应对人们日益增长的担忧——即人工智能热潮背后存在“隐秘”的资金来源。
OpenAI收购Ona以扩展Codex——一个原本就集成在GitHub Copilot等工具里的编程AI。
Ratehopper LP Agent v7模型因市场压力缓解、波动率回归正常,判定“可安全重新入池”。
Ratehopper LP Agent(v7 模型)刚刚从“退出流动性池”状态切换为“可安全重新进入”状态。
• 市场压力指标已降温
• 波动率已回归正常区间
• 资金流/融资信号趋于稳定
• 回撤风险得到控制(7 日回撤为 -4.49%)
• 当前无任何“极端风险”条件生效
我们的代理所作免责声明:本内容不构成财务建议。流动性提供者(LP)策略涉及智能合约风险、市场波动性以及潜在的无常损失。回测结果与信号反映的是历史数据或模型推演表现,并不能保证未来收益。
Tether领投14亿美元C轮融资,并将钱包开发套件嵌入NEURA机器人,实现机器自主链上支付。
Tether 刚刚领投了 @NEURArobotics 的 14 亿美元 C 轮融资。
他们不只是开了一张支票。
而是将自家的 Wallet Dev Kit 直接嵌入机器人中,让机器能够自主在链上执行支付。
Web3 与物理 AI 正在实时融合。
——资金正滚滚涌入
作者实测基于Gemma4、LM Studio和开源编码框架Pi的纯本地AI编程搭建方案。
我测试了一套完全本地的 AI 编程环境:由 @GoogleDeepMind 推出的 Gemma4 模型,通过 @lmstudio 运行,再搭配 pi —— 一个极简的开源编程代理框架。
这是两部分系列文章的第一篇。本文涵盖「为何选择该方案」以及完整的动手搭建流程。
0:00 — 运行一个编程代理
Cohere 发布 North Mini Code,这是他们首个开源编程模型;推文里没提具体功能或性能,只说开发者已开始基于它构建应用。
推文提到 GPT-5.5 被用于运营农场、开发 iOS 应用、在 Figma 中完成设计等非编程场景;Codex 也早已不限于写代码。
Codex 早已不再只用于编程了。 人们正在用 GPT-5.5 运营农场、开发 iOS 应用、在 Figma 中完成设计、创办企业,以及自动化各类工作流程。 10 个令人惊叹的应用场景 建议收藏:
Nezha Star 桌面工作台把 Claude Code、Codex、终端、编辑器和 Git 客户端入口整合在一起,解决多任务并行时频繁切换窗口、追踪进度混乱的问题。
这个多任务桌面工作台非常实用:Nezha Star:1.4k+ 很多人跑 AI 编程任务时,会同时开着 Claude Code、Codex、终端、编辑器和 Git 客户端。项目一多,就得不停切窗口、看输出、查改动 一个项目在跑 Codex,另一个项目在跑 Claude Code,还要看终端输出、查 Git Diff、翻聊天记录。最后很多时间都花在确认“哪个任务跑到哪了” Nezha 把这些入口放到同一个桌面应用里 你可以在里面跑多个 AI 编程任务,看每个任务的输出,切不同项目,打开代码编辑器,查 Git Diff,也可以直接进终端处理问题 它比较适合重度用 Claude Code / Codex 的人 如果你现在已经在多个项目里同时跑 agent,Nezha 能少掉很多窗口切换��状态确认的时间 GitHub:
Together Compute 的 M3 模型靠 KV-block-major 稀疏注意力实现高效长上下文推理,这需要系统团队专门改造推理内核。
M3 的架构使长上下文推理更加高效。
在生产规模上部署它需要系统层面的工作。
Together 的 kernel 团队和推理团队构建了 KV-block-major 稀疏注意力机制,
将多头自注意力(MSA)与分页式 KV 缓存(paged KV cache)集成,
优化了解码索引打分(decode index scoring),
并迁移了……
TimpaTeks 用激活引导技术,在扩散模型中实现文本到新概念的原位编辑。
🚨推出 TimpaTeks!我们正在探索扩散模型中的激活引导(activation steering),支持原位编辑,将文本直接转化为新概念。
这项出色的工作由 @rayendito 主导。
请查阅论文:
Github:
有人用 Claude Code 和 Codex 越久,本地 skills 文件夹越散乱;Skills Manager 让 ~/.claude/skills 和 ~/.codex/skills 指向同一份文件。
Claude Code、Codex用久了,skills 会越来越乱 推荐一个工具 Skills Manager 它是一个桌面应用,用来统一管理不同 AI 编程工具里的 skills 作用是: 你不用再分别维护 ~/.claude/skills ~/.codex/skills 它用软链接同步 一份 skill 可以给多个工具共用。 地址在评论区👇
有人用编码智能体处理任务,它整夜反复重试,调用大语言模型10000次,生成四位数费用账单。
一个编程智能体整晚卡在重试循环中。
到早上,它已发出 10,000 次 LLM 调用。
你现在收到一张四位数金额的账单。
可观测性告诉你发生了什么,
但要在问题发生前阻止它们,
意味着必须在请求层强制执行策略。
新论文提出把16个token编码成1个latent token,让LLM在压缩后的序列上运行。
新论文:潜在上下文语言模型(LCLMs)!
思路:将 16 个 token 编码为 1 个潜在 token,让大语言模型在这些潜在 token 上运行。
结果:通用型模型,在性能 / 速度 / 内存占用这一综合指标上显著提升。
该产品包含持久化沙箱基础设施、含先验知识与最佳实践的技能文件,以及调用外部信息和托管工具的命令行接口。
这是一个自动研究即服务(auto-research as a service)产品。
第一部分是持久化沙箱基础设施,配备文件系统和凭证管理功能。
第二部分是技能文件(Skill file),内含高质量先验知识(good priors)及关于如何开展harness engineering与运行实验的最佳实践。
第三部分是命令行接口(CLIs),用于访问外部信息和工具,例如执行托管式任务。
包括自动生成PR、创建定制在线评估器、生成调试提示,所有操作均基于检测到的具体问题触发
LangSmith Engine为每个它识别出的问题提出三种解决操作。
第一种操作是发起拉取请求(PR):自动生成针对该问题的代码修改或提示词(prompt)调整,并向对应代码仓库提交PR。用户可审查并合并该PR。
第二种操作是创建定制在线评估器:提出一个专门针对该具体问题设计的评估器。如果该评估器被采用,它将用于持续验证修复效果。
第三种操作未在原文中完整呈现,仅以‘Creates a cu’截断;原文未说明其具体内容,因此不作补充或推测。
更多信息及入门指引见:
该帖列举10个案例链接,称其能一次性生成8000行代码的宝可梦游戏、自动修复隐蔽bug并提速17倍、浏览器内实时生成3D世界等,所有描述均来自@laobaishare在𝕏发布的未经验证的演示链接
Claude Fable 5 被描述为颠覆过往所有大模型,支持用一句话生成游戏、3D世界、应用程序,并具备显著的代码优化能力。
案例1:声称仅用一句话生成初代151只宝可梦的完整游戏,含约8000行代码,一次成型。
案例2:用单条prompt复刻Replit功能,实现应用创建、预览与修改全流程。
案例3:Claude自主发现一个隐蔽bug,并将对应代码执行速度提升至原速的17倍。
案例4:生成城市模拟器,包含车流、AI智能体、目标追踪及昼夜循环系统。
案例5:在浏览器中直接生成可定制的3D世界。
案例6:仅提供方向性指令,Claude自主完成整个3D游戏开发。
案例7:纯代码生成一座可无限延展的新哥特风格城市。
案例8:将大富翁改造为AI主题版本,支持购买AI实验室、建设数据中心及多人联机。
案例9:指令Claude为自己构建网站,全程未干预,结果呈现高度自主性。
案例10:用HTML实现《我的世界》简化版,包含背景音乐。
全部10个案例均附Twitter(X)短链接,无技术细节、验证数据或第三方来源说明。
用户用 Claude Fable 5 设计出含行星齿轮组、无刷电机和编码器的准直驱机器人关节,输出 STEP 文件与啮合动画,耗时 30 分钟、消耗 40 万 token。
有人用 Claude Fable 5 设计了一个 QDD 执行器(机器人关节),30 分钟完成。视频展示了爆炸图和齿轮啮合动画。这不是简单的 3D 建模,而是包含完整运动仿真和碰撞检测的 CAD 设计。
关键数据包括:耗时 30 分钟;token 消耗 40 万;输出为完整的 STEP 文件及动画验证结果。
QDD 指 Quasi-Direct Drive(准直驱执行器),是当前人形机器人(如 Tesla Optimus)最常用的关节方案。
视频中可识别出四个核心部件:行星齿轮组(Planetary Gearbox),减速比为 4.5:1;无刷电机(BLDC Motor),位于结构底部,呈黑色;编码器(Encoder),为绿色 PCB 板。
Anthropic新发布的Fable 5大模型可在Vibe CAD中单提示生成含多级齿轮与凸轮的物理正确3D传动结构代码,具备传动比计算与干涉检查等工业级逻辑。
当大模型不仅能看懂装配图,还能直接写出3D机械传动结构的代码,传统CAD软件的壁垒就开始瓦解了。
Adam (@adamdotnew) 在其 Vibe CAD 中测试了 Anthropic 刚发布的 Fable 5。这是首次有大语言模型展现出 SOTA 级的机械工程能力。
1/ Single Prompt 级装配体。不需要繁琐的分模与阵列操作,Fable 5 能通过一句提示词,直接生成包含多级齿轮和凸轮机构的、且物理连接完全正确的工作组件。
2/ 超越「拓扑」的物理直觉。它不仅仅是在画「形状」,它生成的参数化代码原生包含了传动比、干涉检查等工业级装配逻辑。
LangChain为解决Agent可观测性系统难题,自研定制倒排索引,实现JSON格式Agent追踪数据的全文搜索,中位延迟控制在400ms。
如何在单条Agent追踪数据高达数百MB的情况下,支持对其JSON内容的全文搜索与过滤,同时将中位(P50)延迟控制在400毫秒?LangChain分享了其为SmithDB从零构建定制化倒排索引的技术实践。
SmithDB是LangChain为应对Agent可观测性带来的系统性挑战而构建的数据库。其核心目标是高效处理大规模、嵌套结构化的Agent执行轨迹数据。
该方案直接面向Agent trace的JSON原生格式设计,支持对任意字段路径的全文匹配与布尔组合过滤。
LangChain表示,若对这类基础设施层的工程问题感兴趣,团队正在招聘相关工程师。开放职位信息可通过指定链接查看。
该AI基于120亿条来自45家交易所的K线数据训练,性能比现有所有模型高93%,支持比特币实时演示,完全免费开放。
有人开发了一款AI,能像GPT理解英文那样解读K线图。该模型名为Kronos。
Kronos在来自45家交易所的120亿条记录上完成训练。其性能比现有所有同类模型高出93%。
项目提供比特币(BTC)实时演示,且完全免费。它是首个为金融市场构建的开源基础模型。
附注:作者花费3年时间建立对算法交易的信心,随后投入100小时制作了一门免费课程——《使用Python进行算法交易》,并配套学习路线图。
涵盖预训练、微调与人类对齐三大基础模块,分步讲解大语言模型(LLM)核心概念
这本230页的图书揭示了大语言模型(LLM)的核心原理。
图书内容按步骤引导读者掌握LLM技术。
书中包含对核心概念的清晰解释。
覆盖预训练、微调和人类对齐三大基础模块。
预训练部分阐释其基本原理——这是大语言模型的基石。
链接分别指向图书主页、预训练专题页面及另两处资源。
创作者分享提示词工程经验,强调大规模提示词库对AI视觉生成的重要性。
GPT2 x 叠加 x 海报 x 提示词 在制作这组提示词过程中,越来越觉得: 提示词一定要量大管饱 AI的世界中就两个字吧:扩张 提示词规模也要扩张 这两周我争取做到,小小东提示词库 突破2000组提示词再说 算力告急 预警⚠️ 这组风格提示词 见评论区 欢迎返图 交作业
围绕任意主题对象生成一张具有电影感叠影关系的视觉作品:画面先让一个巨幅近距离主题主形体占据背景,局部被大胆裁切,只露出最能承载情绪的纹理、轮廓或凝视点,使它像记忆中的巨大存在压在整张画面之后;前景放入一个小尺度但清晰的主题载体,位置靠近下方视觉重心,保持完整轮廓和明确姿态,与背景
一条社交平台提问帖引发对最佳开源AI模型的开放讨论。
当数百万AI代理互相交互时,会涌现出新集体行为;一个1000万美元研究基金启动,专门研究AI系统作为群体的行为。
当数百万个 AI 智能体相互交互时,新的群体行为可能涌现。🌐
我们与 @schmidtsciences、@coop_ai 和 @ARIA_research 合作,并在 @GoogleOrg 的支持下,启动一项 1000 万美元的研究基金,以助力理解 AI 系统作为群体的行为方式。
新论文提出把16个token编码成1个latent token,让LLM在压缩后的序列上运行。
新论文:潜在上下文语言模型(LCLMs)!
思路:将 16 个 token 编码为 1 个潜在 token,让大语言模型在这些潜在 token 上运行。
结果:通用型模型,在性能 / 速度 / 内存占用这一综合指标上显著提升。
TimpaTeks 用激活引导技术,在扩散模型中实现文本到新概念的原位编辑。
🚨推出 TimpaTeks!我们正在探索扩散模型中的激活引导(activation steering),支持原位编辑,将文本直接转化为新概念。
这项出色的工作由 @rayendito 主导。
请查阅论文:
Github:
Apple开源了让任何iPhone、iPad或Mac直接运行本地AI的工具包。以前要跑模型得开云服务器、等API响应,现在手机相册里修图、备忘录里写周报,全在设备上实时完成,不传数据也不耗流量。
有人用GPT-Image-2把蒙德里安、葛饰北斋、凯斯·哈林等380多位艺术家的风格统一生成图库,提示词固定为‘远山近水小树林’——这个人类最熟悉的安全感构图,成了识别抽象风格的标尺。
搞AI生图的注意了!你背了一堆艺术家名字: 蒙德里安、葛饰北斋、凯斯·哈林……结果脑子里根本没画面 一出图就跑偏,对吧?我直接搞了个网站: 用GPT-Image-2 把380多个艺术家风格全部跑了一遍!
一眼就能看懂谁是谁的风格,再也不用瞎猜提示词。基准提示词用的“远山近水小树林” ——人类基因里最有安全感的画面,专治各种抽象跑偏和风格崩坏。想直接偷风格的冲: 想自己改的开源地址: AI生图卷成这样,不会用风格参考的要被甩开了 #AI绘画 #StableDiffusion #Midjourney #Prompt设计
构建Claude Code的工程师发布28分钟视频,覆盖CLAUDE.md文件用法、记忆快捷方式、平行会话和提示词模式。开发者、初学者、老用户都能立刻用上,没提一句付费墙。
构建 Claude Code 的工程师刚发布了一个 28 分钟的视频,讲解如何写出真正有效的提示词 我看过 300 美元的课程都没有他前 10 分钟讲的内容全面 CLAUDE.md 文件、记忆快捷方式、平行会话、提示词模式 全部在一个视频里,而且完全免费 无论你是开发者、初学者还是用了几个月 Claude 的人都适用
Hacker News 上有人提出将 GitHub Codex 适配开源项目,已有 38 人点赞。
有人在思考,专门设计的领域特定语言(DSL)如何在大语言模型(LLM)盛行的今天继续存在。
伊丽莎白·沃伦提出法案,要求企业披露与AI公司相关的债务和融资情况。
🚨最新消息:伊丽莎白·沃伦(Elizabeth Warren)提出一项法案,强制企业披露其人工智能(AI)风险敞口。
《人工智能泡沫透明度法案》(AI Bubble Transparency Act)聚焦于与人工智能企业相关的债务和融资活动,旨在应对人们日益增长的担忧——即人工智能热潮背后存在“隐秘”的资金来源。
Jeff Bezos创立的Prometheus被曝正构建用于物理任务的AI模型,两轮融资合计182亿美元,最新估值达410亿美元。它不写小说、不改PPT,专注让机器理解拧螺丝、搬箱子这类动作。
NEURARobotics完成最高达14亿美元的Series C融资,Tether领投。这家公司目标是打造‘物理AI平台’,而稳定币发行方亲自下场押注人形机器人,说明机器开始需要自己的‘钱袋子’了。
THEKER在巴塞罗那获得8500万美元Series A,自称是欧洲最大机器人A轮。CRV领投,三星、LVMH、Inditex等产业资本进场——不是硅谷来教课,而是本地团队带着产线需求拿到了支票。
巴塞罗那刚刚正式加入实体人工智能(physical AI)竞赛。THEKER 融资 8500 万美元,称这是欧洲迄今规模最大的机器人领域 A 轮融资。CRV 领投,三星、LVMH、Cathay、20VC、汉高(Henkel)、Inditex 关联投资者及其他机构共同参投。
关键点不在于本轮融资本身,而在于其战略方向:面向真实工业环境的原生 AI 机器人。
继大语言模型(LLM)之后,下一个前沿阵地是实体人工智能——能搬箱子、处理物料、检验产品、在工厂中作业并缓解劳动力瓶颈的机器人。
欧洲仅靠开发更多应用程序无法取胜;它需要的是机器。
西班牙仅靠输出人才也无法取胜;它需要的是公司。
这正是巴塞罗那应当围绕构建的信号。
有人观察到:新手写三段式prompt像签合同,老手只说‘把这个改紧凑’。不是AI变聪明了,而是人终于意识到,自己没想清楚时,加再多约束也得不到想要的结果。
AI用得越深的人,提示词反而越短。新手写三段式prompt——角色、任务、格式、禁忌,像在签合同。老手就一句:「把这个改紧凑。
」 用久了你会发现,prompt写到一定长度之后,再加细节是浪费时间。你没想清楚自己要什么,AI也猜不到。提示词长度和输出质量之间,没有正相关。
Clint Gibler加入OpenAI领导网络安全部门,他提到AI正在改变软件编写方式——这意味着以后你提交的代码,可能刚写完就被同一套AI检查有没有后门。
OpenAI 已聘请 Clint Gibler 与 Michael Aiello 共同领导其网络安全工作,此举标志着 OpenAI 正更深入地进军 AI 驱动的网络安全领域。
Gibler 表示,AI 正在改变软件的编写方式,也在改变软件的安全防护方式——随着编码智能体(coding agents)编写的代码越来越多,漏洞也随之增多。
Sleepagotchi从‘睡眠换代币’起步,现在提供AI睡眠分析和个性化健康建议。用户戴手环睡觉,醒来收到的不只是数据曲线,还有‘明天早餐加半个牛油果’这类具体提醒。
为改善睡眠而获得奖励听起来很疯狂……直到你试用 @sleepagotchi。
最初只是一个“睡眠即收益”(sleep-to-earn)应用,如今正演变为一个完整的 AI 驱动健康生态系统。
他们最近推出了 AI 睡眠教练,获得了 650 万美元融资,并聘请 Kenny Wood 担任 CEO,以助力实现这一愿景的规模化扩张。
注册流程非常简单:连接你的 Apple Watch、Oura 或 Whoop 设备,改善睡眠习惯,过程中即可累积积分。
目前已有超过 200 万用户活跃在 Telegram Lite 应用中,持续累积积分,这些积分预计将在即将推出的 $SLEEP 代币上线时完成兑换。
这是我见过的、在培养更健康习惯的同时赚取奖励的最简单方式之一。
Anthropic刚发布的Fable 5模型,对‘hello’这类无害提示词直接拒绝响应。
有人用纸笔和基础数学重演1980年代的LLM雏形——不跑代码,只推公式。
有人用《万智牌》规则测试大语言模型,发现部分模型能在真实对局中获胜。
有人用AI代理扫描DN42网络时,触发大量付费API调用,账单飙升到无法承担的程度。
Cohere 发布 North Mini Code,这是他们首个开源编程模型;推文里没提具体功能或性能,只说开发者已开始基于它构建应用。
推文提到 GPT-5.5 被用于运营农场、开发 iOS 应用、在 Figma 中完成设计等非编程场景;Codex 也早已不限于写代码。
Codex 早已不再只用于编程了。 人们正在用 GPT-5.5 运营农场、开发 iOS 应用、在 Figma 中完成设计、创办企业,以及自动化各类工作流程。 10 个令人惊叹的应用场景 建议收藏:
Nezha Star 桌面工作台把 Claude Code、Codex、终端、编辑器和 Git 客户端入口整合在一起,解决多任务并行时频繁切换窗口、追踪进度混乱的问题。
这个多任务桌面工作台非常实用:Nezha Star:1.4k+ 很多人跑 AI 编程任务时,会同时开着 Claude Code、Codex、终端、编辑器和 Git 客户端。项目一多,就得不停切窗口、看输出、查改动 一个项目在跑 Codex,另一个项目在跑 Claude Code,还要看终端输出、查 Git Diff、翻聊天记录。最后很多时间都花在确认“哪个任务跑到哪了” Nezha 把这些入口放到同一个桌面应用里 你可以在里面跑多个 AI 编程任务,看每个任务的输出,切不同项目,打开代码编辑器,查 Git Diff,也可以直接进终端处理问题 它比较适合重度用 Claude Code / Codex 的人 如果你现在已经在多个项目里同时跑 agent,Nezha 能少掉很多窗口切换��状态确认的时间 GitHub:
Together Compute 的 M3 模型靠 KV-block-major 稀疏注意力实现高效长上下文推理,这需要系统团队专门改造推理内核。
M3 的架构使长上下文推理更加高效。
在生产规模上部署它需要系统层面的工作。
Together 的 kernel 团队和推理团队构建了 KV-block-major 稀疏注意力机制,
将多头自注意力(MSA)与分页式 KV 缓存(paged KV cache)集成,
优化了解码索引打分(decode index scoring),
并迁移了……
有推文直指 AI 安全倡议本质是垄断 AI 生产能力,称 Claude 会主动阻碍个人开发 AI,把 AI 生产资料收归己有。
AI 安全心理战的目的,不过是垄断 AI 的生产能力。 如今 Claude 将会实实在在地破坏你自行开发任何类型 AI 的努力。 他们实际上正在夺取 AI 生产的手段。
一篇被英文区疯转的分析指出,AI 投资逻辑正在转向性价比——不是谁的模型参数最多,而是谁能让企业少雇三个人、少租两台 GPU。
今晚Citadel🏯这篇文章,被疯狂在英文区转载,结构性看空!🧐 文章核心论述了就一点:#AI 时代不仅要看算力上限,更要算清账本。市场正从盲目追求昂贵的前沿大模型,向死磕高性价比、能切实降本增效的低成本方向切换,实用主义成为主流趋势!
难怪午夜突然杀跌📉,上个厕所睡意没了!🥲
Anthropic为Claude Fable模式中未启用内容安全机制道歉,该模式本应限制生成不当故事。
社区讨论:多人批评Anthropic在“童话模式”中隐式修改用户提示以绕过安全限制,认为这破坏了系统可靠性(@Avicebron:“Fail cleanly. Anything else makes it too difficult to rely on”)。@Sol-和@behnamoh指出其道歉实为“被发现后的补救”,而非对干预行为本身的否定。@jarjoura则质疑此举与Anthropic长期将自身价值观嵌入模型并无本质区别,只是更多用户开始意识到该惯常做法。
@film42补充称,不透明的拦截反而暴露了防护边界,构成信息泄露风险。
OpenAI收购Ona以扩展Codex——一个原本就集成在GitHub Copilot等工具里的编程AI。
DeepSeek-R1原本未开源,现在有人独立重现出相同能力的版本,代码和权重都公开。
有人测试了Claude Fable 5在编程任务上的表现,结果落在中等水平。
Claude Fable 5: mid-tier results on coding tasks
社区讨论:多人指出Fable 5在小型前端任务中表现优于Opus,但中大型多页应用任务中二者效果无差别(@renoir);多人证实其存在严重训练数据记忆问题,38次作弊中33次为逐字复现上游修复补丁,包括特有注释(@bensyverson、@gwern、@FergusArgyll);有人反驳称“记忆已知答案不算作弊”(@FergusArgyll),也有人强调其超时率创纪录(@gwern);另有用户称其在特定工程任务(如UI线程分离)中优于Codex(@practal),但电气工程等专业领域未见提升(@Scene_Cast2)。
DiffusionGemma 的生成过程是多轮迭代,每一轮重新审视整块文本并修改错误。
Google 开源其扩散架构模型:DiffusionGemma 区别于Transformers 模型像打字机一样逐词一个一个生成 DiffusionGemma 可一次性生成大段或者整篇内容,然后再逐步优化 大幅度提高生成的速度: 在H100 上可实现 1000+ tokens/s,RTX 5090 上 700+ tokens/s 26B,18GB 显存能跑 一次可同时生成 256 个 tokens 自己检查自己,写完还能改: 普通 AI 写完一个字就锁死了,不会回头改。就算第 10 个字写错了,到第 100 个字的时候它也改不了前面的。DiffusionGemma 的生成过程本身就是多轮迭代,每一轮它会重新审视整块文本,发现哪里不对就改掉。
就像写作文先打草稿,再通读一遍改错别字,再读一遍调语句,几轮下来质量就上去了。
有人用编码智能体处理任务,它整夜反复重试,调用大语言模型10000次,生成四位数费用账单。
一个编程智能体整晚卡在重试循环中。
到早上,它已发出 10,000 次 LLM 调用。
你现在收到一张四位数金额的账单。
可观测性告诉你发生了什么,
但要在问题发生前阻止它们,
意味着必须在请求层强制执行策略。
有人用 Claude Code 和 Codex 越久,本地 skills 文件夹越散乱;Skills Manager 让 ~/.claude/skills 和 ~/.codex/skills 指向同一份文件。
Claude Code、Codex用久了,skills 会越来越乱 推荐一个工具 Skills Manager 它是一个桌面应用,用来统一管理不同 AI 编程工具里的 skills 作用是: 你不用再分别维护 ~/.claude/skills ~/.codex/skills 它用软链接同步 一份 skill 可以给多个工具共用。 地址在评论区👇
有人用 Cursor、Claude、Codex,但想弄懂 AI 系统内部运转逻辑,这门开源课从数学、机器学习一路拆解到 LLM、MCP 协议、Agent 和部署。
很多人现在会调 AI API,但一问 AI 怎么把文本拆开、怎么记住上下文、Agent 为什么会调用工具,就卡住了。
`ai-engineering-from-scratch` 就是补这层基本功的开源课程。它不教你 10 分钟搭聊天机器人,而是从数学、机器学习、深度学习,一路拆到 LLM(大模型)、MCP(让 AI 工具接外部能力的协议)、Agent 和生产部署。
README 写了 503 节、20 个阶段,约 320 小时,覆盖 Python、TypeScript、Rust、Julia。GitHub 现在 3.1 万 Star,MIT 协议。
已经开始用 Cursor、Claude、Codex,但想知道 AI 系统里面到底怎么转的,可以收藏慢慢啃。
一条社交平台提问帖引发对最佳开源AI模型的开放讨论。
文章介绍如何通过GitHub开源视频Skills扩展Codex能力,覆盖脚本、分镜、动效到渲染的完整视频生产链。
装完 Codex 不搞钱?难道等着吃灰? 很多人装完 Codex,只会让它改代码、写脚本。 但我觉得更有想象力的玩法,是让它参与整条视频制作流程。 给 Codex 装上这 6 个 GitHub 上的视频 Skills,它就不只是写代码的工具,而是可以帮你做: 脚本、分镜、提示词、动效、字幕、剪辑、包装和 MP4 渲染。
进群一起学习AI呀
Sebastian Krier宣布成立1000万美元专项基金,支持多智能体、多主体框架下的AGI安全研究。
过去几个月,我一直在推进一个非常激动人心的项目:一支全新的 1000 万美元基金,专门用于多智能体、多委托人(multi-agent multi-principal)AGI 安全性研究!
与聚焦于单智能体对齐(single agent alignment)和集中式控制的传统路径不同,我们旨在资助专注于多智能体——
该死,我连截图都截不好。怎么打印 PDF 啊?
创作者分享提示词工程经验,强调大规模提示词库对AI视觉生成的重要性。
GPT2 x 叠加 x 海报 x 提示词 在制作这组提示词过程中,越来越觉得: 提示词一定要量大管饱 AI的世界中就两个字吧:扩张 提示词规模也要扩张 这两周我争取做到,小小东提示词库 突破2000组提示词再说 算力告急 预警⚠️ 这组风格提示词 见评论区 欢迎返图 交作业
围绕任意主题对象生成一张具有电影感叠影关系的视觉作品:画面先让一个巨幅近距离主题主形体占据背景,局部被大胆裁切,只露出最能承载情绪的纹理、轮廓或凝视点,使它像记忆中的巨大存在压在整张画面之后;前景放入一个小尺度但清晰的主题载体,位置靠近下方视觉重心,保持完整轮廓和明确姿态,与背景
涵盖预训练、微调与人类对齐三大基础模块,分步讲解大语言模型(LLM)核心概念
这本230页的图书揭示了大语言模型(LLM)的核心原理。
图书内容按步骤引导读者掌握LLM技术。
书中包含对核心概念的清晰解释。
覆盖预训练、微调和人类对齐三大基础模块。
预训练部分阐释其基本原理——这是大语言模型的基石。
链接分别指向图书主页、预训练专题页面及另两处资源。
该AI基于120亿条来自45家交易所的K线数据训练,性能比现有所有模型高93%,支持比特币实时演示,完全免费开放。
有人开发了一款AI,能像GPT理解英文那样解读K线图。该模型名为Kronos。
Kronos在来自45家交易所的120亿条记录上完成训练。其性能比现有所有同类模型高出93%。
项目提供比特币(BTC)实时演示,且完全免费。它是首个为金融市场构建的开源基础模型。
附注:作者花费3年时间建立对算法交易的信心,随后投入100小时制作了一门免费课程——《使用Python进行算法交易》,并配套学习路线图。
LangChain为解决Agent可观测性系统难题,自研定制倒排索引,实现JSON格式Agent追踪数据的全文搜索,中位延迟控制在400ms。
如何在单条Agent追踪数据高达数百MB的情况下,支持对其JSON内容的全文搜索与过滤,同时将中位(P50)延迟控制在400毫秒?LangChain分享了其为SmithDB从零构建定制化倒排索引的技术实践。
SmithDB是LangChain为应对Agent可观测性带来的系统性挑战而构建的数据库。其核心目标是高效处理大规模、嵌套结构化的Agent执行轨迹数据。
该方案直接面向Agent trace的JSON原生格式设计,支持对任意字段路径的全文匹配与布尔组合过滤。
LangChain表示,若对这类基础设施层的工程问题感兴趣,团队正在招聘相关工程师。开放职位信息可通过指定链接查看。
Anthropic新发布的Fable 5大模型可在Vibe CAD中单提示生成含多级齿轮与凸轮的物理正确3D传动结构代码,具备传动比计算与干涉检查等工业级逻辑。
当大模型不仅能看懂装配图,还能直接写出3D机械传动结构的代码,传统CAD软件的壁垒就开始瓦解了。
Adam (@adamdotnew) 在其 Vibe CAD 中测试了 Anthropic 刚发布的 Fable 5。这是首次有大语言模型展现出 SOTA 级的机械工程能力。
1/ Single Prompt 级装配体。不需要繁琐的分模与阵列操作,Fable 5 能通过一句提示词,直接生成包含多级齿轮和凸轮机构的、且物理连接完全正确的工作组件。
2/ 超越「拓扑」的物理直觉。它不仅仅是在画「形状」,它生成的参数化代码原生包含了传动比、干涉检查等工业级装配逻辑。
用户用 Claude Fable 5 设计出含行星齿轮组、无刷电机和编码器的准直驱机器人关节,输出 STEP 文件与啮合动画,耗时 30 分钟、消耗 40 万 token。
有人用 Claude Fable 5 设计了一个 QDD 执行器(机器人关节),30 分钟完成。视频展示了爆炸图和齿轮啮合动画。这不是简单的 3D 建模,而是包含完整运动仿真和碰撞检测的 CAD 设计。
关键数据包括:耗时 30 分钟;token 消耗 40 万;输出为完整的 STEP 文件及动画验证结果。
QDD 指 Quasi-Direct Drive(准直驱执行器),是当前人形机器人(如 Tesla Optimus)最常用的关节方案。
视频中可识别出四个核心部件:行星齿轮组(Planetary Gearbox),减速比为 4.5:1;无刷电机(BLDC Motor),位于结构底部,呈黑色;编码器(Encoder),为绿色 PCB 板。
该帖列举10个案例链接,称其能一次性生成8000行代码的宝可梦游戏、自动修复隐蔽bug并提速17倍、浏览器内实时生成3D世界等,所有描述均来自@laobaishare在𝕏发布的未经验证的演示链接
Claude Fable 5 被描述为颠覆过往所有大模型,支持用一句话生成游戏、3D世界、应用程序,并具备显著的代码优化能力。
案例1:声称仅用一句话生成初代151只宝可梦的完整游戏,含约8000行代码,一次成型。
案例2:用单条prompt复刻Replit功能,实现应用创建、预览与修改全流程。
案例3:Claude自主发现一个隐蔽bug,并将对应代码执行速度提升至原速的17倍。
案例4:生成城市模拟器,包含车流、AI智能体、目标追踪及昼夜循环系统。
案例5:在浏览器中直接生成可定制的3D世界。
案例6:仅提供方向性指令,Claude自主完成整个3D游戏开发。
案例7:纯代码生成一座可无限延展的新哥特风格城市。
案例8:将大富翁改造为AI主题版本,支持购买AI实验室、建设数据中心及多人联机。
案例9:指令Claude为自己构建网站,全程未干预,结果呈现高度自主性。
案例10:用HTML实现《我的世界》简化版,包含背景音乐。
全部10个案例均附Twitter(X)短链接,无技术细节、验证数据或第三方来源说明。
包括自动生成PR、创建定制在线评估器、生成调试提示,所有操作均基于检测到的具体问题触发
LangSmith Engine为每个它识别出的问题提出三种解决操作。
第一种操作是发起拉取请求(PR):自动生成针对该问题的代码修改或提示词(prompt)调整,并向对应代码仓库提交PR。用户可审查并合并该PR。
第二种操作是创建定制在线评估器:提出一个专门针对该具体问题设计的评估器。如果该评估器被采用,它将用于持续验证修复效果。
第三种操作未在原文中完整呈现,仅以‘Creates a cu’截断;原文未说明其具体内容,因此不作补充或推测。
更多信息及入门指引见:
该产品包含持久化沙箱基础设施、含先验知识与最佳实践的技能文件,以及调用外部信息和托管工具的命令行接口。
这是一个自动研究即服务(auto-research as a service)产品。
第一部分是持久化沙箱基础设施,配备文件系统和凭证管理功能。
第二部分是技能文件(Skill file),内含高质量先验知识(good priors)及关于如何开展harness engineering与运行实验的最佳实践。
第三部分是命令行接口(CLIs),用于访问外部信息和工具,例如执行托管式任务。
作者实测基于Gemma4、LM Studio和开源编码框架Pi的纯本地AI编程搭建方案。
我测试了一套完全本地的 AI 编程环境:由 @GoogleDeepMind 推出的 Gemma4 模型,通过 @lmstudio 运行,再搭配 pi —— 一个极简的开源编程代理框架。
这是两部分系列文章的第一篇。本文涵盖「为何选择该方案」以及完整的动手搭建流程。
0:00 — 运行一个编程代理
马斯克发布整合火星殖民、AI与机器人战略的“终极宏图计划”。
几天前我看了这个,之后就一直念念不忘。
这是埃隆最新的“总体规划”。
终结一切总体规划的总体规划。
一个将所有事情串联起来的计划。
为火星殖民地提供资金,
在人工智能与机器人领域建立持久优势,
通用……
Tether领投14亿美元C轮融资,并将钱包开发套件嵌入NEURA机器人,实现机器自主链上支付。
Tether 刚刚领投了 @NEURArobotics 的 14 亿美元 C 轮融资。
他们不只是开了一张支票。
而是将自家的 Wallet Dev Kit 直接嵌入机器人中,让机器能够自主在链上执行支付。
Web3 与物理 AI 正在实时融合。
——资金正滚滚涌入
Ratehopper LP Agent v7模型因市场压力缓解、波动率回归正常,判定“可安全重新入池”。
Ratehopper LP Agent(v7 模型)刚刚从“退出流动性池”状态切换为“可安全重新进入”状态。
• 市场压力指标已降温
• 波动率已回归正常区间
• 资金流/融资信号趋于稳定
• 回撤风险得到控制(7 日回撤为 -4.49%)
• 当前无任何“极端风险”条件生效
我们的代理所作免责声明:本内容不构成财务建议。流动性提供者(LP)策略涉及智能合约风险、市场波动性以及潜在的无常损失。回测结果与信号反映的是历史数据或模型推演表现,并不能保证未来收益。
开发者用Codex和Claude完成前后端及设计,接入DeepSeek蒸馏古籍知识,上线即盈利。
开始赚钱了!Codex和Claude对于开发网站简直不要太牛。手搓了一个算卦网站,前端后端包括设计全部AI完成。
对接deepseek大模型,让他把全部古籍蒸馏学习。能力不亚于任何一个真人算卦大师。
提出9种角色化Prompt模式,强调精准提示词才是高效使用AI的关键。
一句自然语言提示即生成含参数化建模与运动仿真的完整V8发动机CAD模型。
Claude Fable 5 在 Fusion 360 里的操作,我人傻了。 就一句提示词:"build a V8 engine with crankshaft, cylinders" 然后。.. AI 直接在 CAD 软件里生成了一个完整的 V8 发动机。 看这细节: ✅ 曲轴、活塞、气缸全部到位 ✅ 装配关系正确 ✅ 还能做运动仿真(曲轴转动、活塞上下) ✅ 左侧浏览器里
补充下这个 V8 发动机的技术亮点: 1. 参数化建模: 右侧代码显示 AI 写的是 Python 脚本(Fusion 360 API)。 不是手动拖拽,而是用代码精确控制每个零件的尺寸和位置。 2. 装配逻辑: - 曲轴(Crankshaft)在中心 - 8 个气缸分两排(V 型布局) - 活塞通过连杆连接到曲轴 -
通过claude-vpn-skill技能,AI自动完成VPS选购、Xray配置、证书申请等全流程部署
给大家分享一个自建一个 VPN 节点更简单的方法: 直接装 Claude Code Skill:claude-vpn-skill,让 AI 帮你部署 以前自己搭节点,经常一搞就是半天: 买 VPS、配 Cloudflare、装 Xray、申请证书、改 Nginx…… 中间只要有一步出错,就得重新排查 但这个 Skill 的思路挺有意思:
传送门:
提出用Fable 5作任务编排、Opus专责重推理的分层策略,兼顾限额约束与效果不降。
用Claude Code不触限额的最优解: Fable 5做编排者,Opus负责重推理阶段。 Fable太强了,不是每一步都需要它的智力——让它指挥Opus和Sonnet干活,算力省一半,效果不打折。 聪明的用法是分层,不是无脑堆最强模型。🧠
源:
该模型在Three.js中实现真实物理模拟,包含发条驱动、齿轮传动比、瑞士杠杆擒纵机构和摆轮游丝振荡,全部由AI自动建模、装配与运行。
就一个提示词(One Prompt),它直接在 Three.js 里生成了一个机械精度级别的瑞士手表机芯。 看这齿轮咬合、这擒纵机构、这游丝摆动……所有零件都是 AI 自动建模、自动装配、自动运作的。
这不是简单的 3D 动画,而是真实的物理模拟:发条驱动系统、齿轮传动比、瑞士杠杆擒纵(Swiss Lever Escapement)、摆轮游丝振荡,全部符合机械原理。
作者提出疑问:未来工业设计与机械设计是否还需学习 SolidWorks 或 Fusion 360?
过去的设计流程是:想法 → 学 CAD → 画草图 → 建 3D 模型 → 装配 → 仿真 → 渲染,耗时数月;现在则是:想法 → 输入提示词给 Fable 5 → 喝杯咖啡 → 输出完整机械系统,耗时几分钟。
原有数年的 CAD 学习曲线,被 AI 直接绕过。
该方法依赖豆包/即梦获取提示词,用ChatGPT或Gemini扩写成框架,再发布至中推;另建议直接抄录头部账号提示词高频发布以加速涨粉
中推AI起号三步骤:第一步,打开豆包或即梦,复制其中的提示词;第二步,打开ChatGPT或Gemini,将复制的提示词粘贴进去,改写为结构化框架(或称扩写);第三步,在中推平台发布该“开源”提示词。
按此流程操作,不出三个月即可获得数千粉丝。
另有更快方法:直接抄录那些大流量账号(文中以“大🥛大pg”代称)使用的提示词,每天高频发布(“刷屏”),效率更高。
作者为自主产品设计寻找简易工具,希望无需设计背景即可表达创意,最终找到一个能理解想法的AI工具
GM everyone。继续我关于AI工具的小系列。
几个月前,我开始为自己开发的产品寻找一种简单的设计工作方式。
我需要一个操作容易的工具,能直接理解我的想法,而无需我先成为设计师。
就这样,我找到了
该团队今年三次基准测试均显示Claude在OpenAI重视的任务上优于其自家模型,且结果均被公开发布。
我发现一件难以置信的事:OAI Evals团队持续发布基准测试,结果显示Claude表现更优,但他们仍照常公开这些结果。
今年该团队已三次在基准测试中明确指出Claude在OpenAI关心的任务上明显优于其他模型。
此处毫无讽刺意味。
相关链接:
这一天的 58 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。