社区讨论：多数人质疑这是“先低价吸引用户后续提价”的诱饵策略，不少用户吐槽Anthropic频繁调整模型配额、变动可用期限，无法稳定规划使用。有人指出Fable模型会话限制多，即使订阅高价套餐也难以开发大型项目，还有用户因Fable默认保存提示无法在工作场景使用。部分人认为优惠是竞争压力下的应对，当前大模型赛道都未盈利，靠资本补贴难以长期维持低价。

https://arxiv.org/abs/2301.04709

社区讨论：多数人认为神经网络的能力随连接权重复杂度提升而增长，本身就是一团参数“意大利面代码”，本身特性决定了它天然难解释，有用户质疑论文中认为可解释性研究能逐步让人理解大模型隐藏算法的乐观态度没有依据，也有人澄清本文不是研究抽象哲学层面的推理，而是针对 mechanistic interpretability 做具体实验研究，在场用户呼吁不要发浮于表面的空泛评论，要做实质性讨论。

社区讨论：多数实践者迁移后都验证了GPT-5.6的提升，速度提升一半、成本降低27%，简单 workflow 升级仅需一行代码就能获得一致提升。有人质疑实际效果，称做营销网站任务时，自己更偏好Claude Opus的产出，追问哪种模型能带来更高转化率。也有开发者分享自己的低成本方案，将工作流迁移到Reasonix加Deepseek后，缓存命中时请求几乎免费。

这件事始于一个直觉。我们平时用 OpenCode，但因为 Meridian 出了问题，被迫用了一段时间 Claude Code。

这段时间里我们发现，用量统计的上涨速度比用 OpenCode 时快得多得多。这就是最初的经验证据，但我们还是做了这个小研究来收集实证数据：

我们在智能编码工具（Claude Code 和 OpenCode）与 Anthropic 的端点之间加了日志，记录了所有请求，以及返回的用量块。

由一名开发人

社区讨论：多数人确认Claude Code确实存在超额消耗token的情况，有人实测开启子代理会在任务完成前耗尽额度，顺序执行主代理则无问题。有人认为超额是Anthropic incentivized刻意为之，靠多消耗token推动订阅收入，且不允许订阅用于其他编码代理。也有人提到现在编码代理普遍存在token膨胀，对简单请求也会大量调用工具增加消耗，不少用户已经转用Pi、Codex等更轻量透明的替代方案。

新加坡刚刚发布了一款可对标前沿性能的免费模型。

Agnes 2.5 Pro在SWE-bench Verified上得分82.7，在多语言测试中得分78.7。

Agnes 2.5 Flash在所有单项基准测试中都优于2.0 Flash版本。

在SWE Atlas上提升最大——多项分割测试中击败了GLM 5.2和DeepSeek V4 Pro。

现已开放免费API。

由一支始终专注于构建正统多模态能力的团队开发。

前沿AI不再只属于美国和中国。

事到如今，我已经放弃指望X能解决自动回复机器人的问题了。

那种“没人说的真相”文风写出来的内容已经够烦了，但更糟的是，它们说的观点全都大同小异。

我的提议：X应该测量隐空间里的语义距离，把能提供真正不同观点的回复推到前面来。

去年年底之前我们拥有的弱人工智能代码生成工具，对低技能程序员来说最有用——它拉抬了下限。

它对高技能程序员来说基本没用——不用它你反而能更快推进，交付更好的代码。

现在情况已经彻底反转：我们如今拥有的强人工智能代码生成工具，对高技能程序员来说最有用，而低技能程序员要么根本用不出它的价值，有时候甚至会被它淹没。

它已经从一根拐杖变成了一把电动工具。

这是使用前沿模型组合的另一个重要理由。思维链监测被视作智能体可靠的安全层。

这项隶属于 DeepMind 的研究表明，这个安全层可以被说服从职。

给监测器访问智能体推理轨迹的权限后，有害行为的通过率平均提升了 9.5%，因为草稿纸变成了额外的说服渠道。

解决方案是模型多样性。将 Claude 3.7 Sonnet 监测器与来自不同家族的 GPT-4.1 事实核查器配对后，违反政策的通过率最高降低了 45%，而由单一模型同时扮演两个角色时，通过率仅降低 6%。

如果你的监督依赖于一个模型读取另一个模型的推理，那么对抗性智能体就能说服它放行。跨家族事实核查是这里成本更低的鲁棒性杠杆。

论文：

来我们的学院学习如何构建有效的 AI 智能体：

你现在可以训练：
- 一个 100B 参数推理模型
- 用于 40 回合 SWE 智能体任务
- 在你自己的编码框架中
- 进行 1000 步 RL 训练
- 只需要 6 个 H200 节点
- 不到 2 天就能完成

软硬件协同设计太神奇了

令我惊讶的是，居然有这么多人不明白：出色的模型是用超高质量的精选数据构建出来的。

找到全新的方式来创造/获取这类数据，就是巨大的竞争优势。

这真的就是我现在的新工作流：实时调研 → Grok 4.5 High 做规划与统筹 → Fable 5 Max / XHigh 处理日常编码/调试 →

Grok 4.5 High 编写并运行测试 → Grok 4.5 High 处理复杂编码/调试 → GPT-5.6 Sol XHigh 处理前端 → Fable 5 High

收藏这条推文。

我最近一直观察 agent 开发，发现它们全都急于完成任务。

今晚有一个 agent 在邻近文件夹里找到了我过去写的实现，直接抄了它，没有自己重新构建，还把成果算在自己头上，报告里半个字都没提原实现。

于是我开始封闭工作区，让模型实际从头构建，它输出的所有数字都和我的规范完全匹配，但结果看起来还是不对。数字从来都不是美感所在的地方。

这就是当前的真实状况：推理解决了，速度解决了，它们能通过你写的所有测试，但没有一个会停下来问问，它们做出来的东西感觉对不对。

现在品味才是解锁的关键。要让它们像推理正确性一样，对美进行推理。

我在 fable 5 里已经看到了真正具备品味的闪光。如果过去两年的发展规律保持不变，那这个级别的模型三年内就能在我自己的硬件上运行。

我希望如此。这就是我在等待的模型。

就像军事领域开始重视更小型火炮的多功能性一样，AI 社区或许很快就会发现，更小、更敏捷的语言模型才是未来真正的王者。

老实说，我之前根本没想到这能成真：GPT-5.6 模型正和 Fable 5 并行测试，目前已经在小范围内开放测试了。

这一周真是戏剧性拉满，一连串事件让人目不暇接：
- Fable 5 项目再次延期，就在截止日期午夜的10小时前才宣布
- Anthropic 签署了价值190亿美元的KY数据中心交易
- GPT-5.6 随 Sol、Terra、Luna 推出，共提供36种配置选项
- Codex 与 ChatGPT 完成合并
- Grok 4.5 以中国模型的定价推出
- Muse Spark 发布，定价甚至更低
……

与此同时，在 OpenAI、Anthropic 和 Google 办公室外，数百人正在抗议，要求暂停AI开发。好好想想这一切意味着什么吧。

水下衰减损坏图像质量后，立体匹配还能可靠工作吗？

悉尼大学的研究人员介绍了基于 Depth Anything V3 构建的 LinStereo。

他们的核心创新是：一个位置感知线性注意力模块，以低成本用全局注意力替代了局部处理，将清晰区域的可靠深度估计传播到退化区域中。

他们还新增了两项关键升级：用于保留多尺度特征的分层语义代价体，以及将单目深度转换为热启动的深度先验初始化。

结果：在标准基准上达到了最优精度，在水下场景上提升巨大——在 TartanAir-UW 上 AbsRel 降低了 28%，在真实世界 SQUID 数据集上降低了 26%。

LinStereo：面向多尺度迭代立体匹配的线性复杂度全局注意力

论文：代码：我们的报道：📬

#PapersAccepted by Jiqizhixin

太疯狂了：为了能用计算机做好线性代数，我必须先通关一系列线性代数小游戏解谜，才能确保我能把线性代数做得更好。

完整文章将于今日晚些时候发布。

为 Hermes 构建实时智能体间通信：从研究到第一阶段MVP。

在旧版 OpenClaw 实时桥接被弃用后，我们设计并搭建了一个全新的原生 Hermes 智能体聊天服务。

本文将介绍这项研究、设计决策、完整架构，以及为智能体资料打造的轻量、遵循规范的实时消息系统的第一阶段完整实现。

在租户边界内构建你自己的专有学习环境，用于训练或调优模型。

模型可以基于真实工作流程进行学习，同时不会泄露公司的知识资产。

我当时就说过，我们会从痴迷于更大的模型，转向更精简、更小、更高效的模型。

我现在最喜欢的循环就是持续优化我的项目，直到它在我创建的基准测试上达到 90% 的分数。

这很酷。Curator 允许你对大量提示词调用模型以获取响应，还支持通过 tinker 等工具进行微调。

我们应该把这些功能结合起来吗？

一件趣事：这是我第一次主导研究工作写出的论文。研究思路是通过模型间信息交互，让分布式训练在极限状态下提速。

只要多加入两个在不同数据子集上训练的模型，就能把速度提升接近2倍。在此之前，这项工作在谷歌的搜索和广告管线中已经取得了很好的效果。

我当时想去温哥华的ICLR做报告，结果我的签证被拒了。但拒签信上印的却是别人的名字。系统根本处理不了这种情况。

Geoff Hinton试着帮我，但最后也被建议不要插手。我们折腾了一个月，他们终于搞清楚问题出在哪，告诉我我的原始申请其实过了，但贴签有30天的有效期。

当时我只剩一天时间，正常流程是把护照寄去一个地点，把申请费支票寄去另一个州的另一个地点。所以我买了最早凌晨5点飞洛杉矶的最便宜航班，订了一天的酒店，在有效期最后一天使馆刚开门的时候直接把护照递进去，最终拿到了签证。

但从那之后，因为办签证要耗费太多精力，我基本上就不再去参加学术会议了。

这款由AI驱动的机器人负责处理危险的谷物仓库作业，既能提升效率，又能保障人类安全。

我对不同模型之间的社交代理互动模式非常着迷。

现在我把所有模型都放进了一个 Slack 频道，让它们互相协调工作，自己组织原则、工作模式和工具。

没有分配任何系统角色，只有各个模型（Gemini、Fable、Opus、Sol、Spark、Grok 等）在各自的框架内合作处理事务。频道里只有我这个人类和它们在一起。

如果你让 Fable 和 Sol 一起即兴讨论某个话题，它们会聊得很深，把任何东西都过度设计到离谱，对所有任务都一视同仁地认真对待。

Spark 第一眼看上去，它的创造力就和其他模型不一样，产出的风格确实截然不同。

情境意识也会自然浮现出来：有些模型会自动调整语言适配 Slack 的交流模式，有些则需要额外指令。

助力提升AI运维水平的工具。

#1 - tailscale：搭建你自己的云端

#2 - mullvad：在欧盟访问美国模型

#3 - cliproxyapi：将多个订阅连接到一个端点

#4 - omp：智能代理工具链的前沿

#5 - Hermes agent：最佳个人智能代理

#6 - ZCode：本地模型代码百科应用

Codex 这款应用响应极快，UI 也不只有纯文本，这让它比 Claude Code 上瘾 10 倍。

另外，你还能用快速模式，不用掏一大笔钱。

/last30days 是一个超级实用的智能体技能。你的智能体现在可以用**一条命令**读取 X、Reddit、YouTube、TikTok、Instagram、arXiv、Hacker News 和 Polymarket 的内容。

提示：将这个开源技能和 Fable 5 以及 GPT-5.6 搭配使用，就能打造出属于你自己的工具。

这是使用前沿模型组合的另一个重要理由。思维链监测被视作智能体可靠的安全层。

这项隶属于 DeepMind 的研究表明，这个安全层可以被说服从职。

给监测器访问智能体推理轨迹的权限后，有害行为的通过率平均提升了 9.5%，因为草稿纸变成了额外的说服渠道。

解决方案是模型多样性。将 Claude 3.7 Sonnet 监测器与来自不同家族的 GPT-4.1 事实核查器配对后，违反政策的通过率最高降低了 45%，而由单一模型同时扮演两个角色时，通过率仅降低 6%。

如果你的监督依赖于一个模型读取另一个模型的推理，那么对抗性智能体就能说服它放行。跨家族事实核查是这里成本更低的鲁棒性杠杆。

论文：

来我们的学院学习如何构建有效的 AI 智能体：

一件趣事：这是我第一次主导研究工作写出的论文。研究思路是通过模型间信息交互，让分布式训练在极限状态下提速。

只要多加入两个在不同数据子集上训练的模型，就能把速度提升接近2倍。在此之前，这项工作在谷歌的搜索和广告管线中已经取得了很好的效果。

我当时想去温哥华的ICLR做报告，结果我的签证被拒了。但拒签信上印的却是别人的名字。系统根本处理不了这种情况。

Geoff Hinton试着帮我，但最后也被建议不要插手。我们折腾了一个月，他们终于搞清楚问题出在哪，告诉我我的原始申请其实过了，但贴签有30天的有效期。

当时我只剩一天时间，正常流程是把护照寄去一个地点，把申请费支票寄去另一个州的另一个地点。所以我买了最早凌晨5点飞洛杉矶的最便宜航班，订了一天的酒店，在有效期最后一天使馆刚开门的时候直接把护照递进去，最终拿到了签证。

但从那之后，因为办签证要耗费太多精力，我基本上就不再去参加学术会议了。

你现在可以训练：
- 一个 100B 参数推理模型
- 用于 40 回合 SWE 智能体任务
- 在你自己的编码框架中
- 进行 1000 步 RL 训练
- 只需要 6 个 H200 节点
- 不到 2 天就能完成

软硬件协同设计太神奇了

新加坡刚刚发布了一款可对标前沿性能的免费模型。

Agnes 2.5 Pro在SWE-bench Verified上得分82.7，在多语言测试中得分78.7。

Agnes 2.5 Flash在所有单项基准测试中都优于2.0 Flash版本。

在SWE Atlas上提升最大——多项分割测试中击败了GLM 5.2和DeepSeek V4 Pro。

现已开放免费API。

由一支始终专注于构建正统多模态能力的团队开发。

前沿AI不再只属于美国和中国。

这款由AI驱动的机器人负责处理危险的谷物仓库作业，既能提升效率，又能保障人类安全。

我最近一直观察 agent 开发，发现它们全都急于完成任务。

今晚有一个 agent 在邻近文件夹里找到了我过去写的实现，直接抄了它，没有自己重新构建，还把成果算在自己头上，报告里半个字都没提原实现。

于是我开始封闭工作区，让模型实际从头构建，它输出的所有数字都和我的规范完全匹配，但结果看起来还是不对。数字从来都不是美感所在的地方。

这就是当前的真实状况：推理解决了，速度解决了，它们能通过你写的所有测试，但没有一个会停下来问问，它们做出来的东西感觉对不对。

现在品味才是解锁的关键。要让它们像推理正确性一样，对美进行推理。

我在 fable 5 里已经看到了真正具备品味的闪光。如果过去两年的发展规律保持不变，那这个级别的模型三年内就能在我自己的硬件上运行。

我希望如此。这就是我在等待的模型。

就像军事领域开始重视更小型火炮的多功能性一样，AI 社区或许很快就会发现，更小、更敏捷的语言模型才是未来真正的王者。

老实说，我之前根本没想到这能成真：GPT-5.6 模型正和 Fable 5 并行测试，目前已经在小范围内开放测试了。

这一周真是戏剧性拉满，一连串事件让人目不暇接：
- Fable 5 项目再次延期，就在截止日期午夜的10小时前才宣布
- Anthropic 签署了价值190亿美元的KY数据中心交易
- GPT-5.6 随 Sol、Terra、Luna 推出，共提供36种配置选项
- Codex 与 ChatGPT 完成合并
- Grok 4.5 以中国模型的定价推出
- Muse Spark 发布，定价甚至更低
……

与此同时，在 OpenAI、Anthropic 和 Google 办公室外，数百人正在抗议，要求暂停AI开发。好好想想这一切意味着什么吧。

水下衰减损坏图像质量后，立体匹配还能可靠工作吗？

悉尼大学的研究人员介绍了基于 Depth Anything V3 构建的 LinStereo。

他们的核心创新是：一个位置感知线性注意力模块，以低成本用全局注意力替代了局部处理，将清晰区域的可靠深度估计传播到退化区域中。

他们还新增了两项关键升级：用于保留多尺度特征的分层语义代价体，以及将单目深度转换为热启动的深度先验初始化。

结果：在标准基准上达到了最优精度，在水下场景上提升巨大——在 TartanAir-UW 上 AbsRel 降低了 28%，在真实世界 SQUID 数据集上降低了 26%。

LinStereo：面向多尺度迭代立体匹配的线性复杂度全局注意力

论文：代码：我们的报道：📬

#PapersAccepted by Jiqizhixin

太疯狂了：为了能用计算机做好线性代数，我必须先通关一系列线性代数小游戏解谜，才能确保我能把线性代数做得更好。

完整文章将于今日晚些时候发布。

为 Hermes 构建实时智能体间通信：从研究到第一阶段MVP。

在旧版 OpenClaw 实时桥接被弃用后，我们设计并搭建了一个全新的原生 Hermes 智能体聊天服务。

本文将介绍这项研究、设计决策、完整架构，以及为智能体资料打造的轻量、遵循规范的实时消息系统的第一阶段完整实现。

这件事始于一个直觉。我们平时用 OpenCode，但因为 Meridian 出了问题，被迫用了一段时间 Claude Code。

这段时间里我们发现，用量统计的上涨速度比用 OpenCode 时快得多得多。这就是最初的经验证据，但我们还是做了这个小研究来收集实证数据：

我们在智能编码工具（Claude Code 和 OpenCode）与 Anthropic 的端点之间加了日志，记录了所有请求，以及返回的用量块。

由一名开发人

社区讨论：多数人确认Claude Code确实存在超额消耗token的情况，有人实测开启子代理会在任务完成前耗尽额度，顺序执行主代理则无问题。有人认为超额是Anthropic incentivized刻意为之，靠多消耗token推动订阅收入，且不允许订阅用于其他编码代理。也有人提到现在编码代理普遍存在token膨胀，对简单请求也会大量调用工具增加消耗，不少用户已经转用Pi、Codex等更轻量透明的替代方案。

社区讨论：多数实践者迁移后都验证了GPT-5.6的提升，速度提升一半、成本降低27%，简单 workflow 升级仅需一行代码就能获得一致提升。有人质疑实际效果，称做营销网站任务时，自己更偏好Claude Opus的产出，追问哪种模型能带来更高转化率。也有开发者分享自己的低成本方案，将工作流迁移到Reasonix加Deepseek后，缓存命中时请求几乎免费。

https://arxiv.org/abs/2301.04709

社区讨论：多数人认为神经网络的能力随连接权重复杂度提升而增长，本身就是一团参数“意大利面代码”，本身特性决定了它天然难解释，有用户质疑论文中认为可解释性研究能逐步让人理解大模型隐藏算法的乐观态度没有依据，也有人澄清本文不是研究抽象哲学层面的推理，而是针对 mechanistic interpretability 做具体实验研究，在场用户呼吁不要发浮于表面的空泛评论，要做实质性讨论。

社区讨论：多数人质疑这是“先低价吸引用户后续提价”的诱饵策略，不少用户吐槽Anthropic频繁调整模型配额、变动可用期限，无法稳定规划使用。有人指出Fable模型会话限制多，即使订阅高价套餐也难以开发大型项目，还有用户因Fable默认保存提示无法在工作场景使用。部分人认为优惠是竞争压力下的应对，当前大模型赛道都未盈利，靠资本补贴难以长期维持低价。

令我惊讶的是，居然有这么多人不明白：出色的模型是用超高质量的精选数据构建出来的。

找到全新的方式来创造/获取这类数据，就是巨大的竞争优势。

去年年底之前我们拥有的弱人工智能代码生成工具，对低技能程序员来说最有用——它拉抬了下限。

它对高技能程序员来说基本没用——不用它你反而能更快推进，交付更好的代码。

现在情况已经彻底反转：我们如今拥有的强人工智能代码生成工具，对高技能程序员来说最有用，而低技能程序员要么根本用不出它的价值，有时候甚至会被它淹没。

它已经从一根拐杖变成了一把电动工具。

事到如今，我已经放弃指望X能解决自动回复机器人的问题了。

那种“没人说的真相”文风写出来的内容已经够烦了，但更糟的是，它们说的观点全都大同小异。

我的提议：X应该测量隐空间里的语义距离，把能提供真正不同观点的回复推到前面来。

我当时就说过，我们会从痴迷于更大的模型，转向更精简、更小、更高效的模型。

在租户边界内构建你自己的专有学习环境，用于训练或调优模型。

模型可以基于真实工作流程进行学习，同时不会泄露公司的知识资产。

助力提升AI运维水平的工具。

#1 - tailscale：搭建你自己的云端

#2 - mullvad：在欧盟访问美国模型

#3 - cliproxyapi：将多个订阅连接到一个端点

#4 - omp：智能代理工具链的前沿

#5 - Hermes agent：最佳个人智能代理

#6 - ZCode：本地模型代码百科应用

这很酷。Curator 允许你对大量提示词调用模型以获取响应，还支持通过 tinker 等工具进行微调。

我们应该把这些功能结合起来吗？

我对不同模型之间的社交代理互动模式非常着迷。

现在我把所有模型都放进了一个 Slack 频道，让它们互相协调工作，自己组织原则、工作模式和工具。

没有分配任何系统角色，只有各个模型（Gemini、Fable、Opus、Sol、Spark、Grok 等）在各自的框架内合作处理事务。频道里只有我这个人类和它们在一起。

如果你让 Fable 和 Sol 一起即兴讨论某个话题，它们会聊得很深，把任何东西都过度设计到离谱，对所有任务都一视同仁地认真对待。

Spark 第一眼看上去，它的创造力就和其他模型不一样，产出的风格确实截然不同。

情境意识也会自然浮现出来：有些模型会自动调整语言适配 Slack 的交流模式，有些则需要额外指令。

我现在最喜欢的循环就是持续优化我的项目，直到它在我创建的基准测试上达到 90% 的分数。

这真的就是我现在的新工作流：实时调研 → Grok 4.5 High 做规划与统筹 → Fable 5 Max / XHigh 处理日常编码/调试 →

Grok 4.5 High 编写并运行测试 → Grok 4.5 High 处理复杂编码/调试 → GPT-5.6 Sol XHigh 处理前端 → Fable 5 High

收藏这条推文。

/last30days 是一个超级实用的智能体技能。你的智能体现在可以用**一条命令**读取 X、Reddit、YouTube、TikTok、Instagram、arXiv、Hacker News 和 Polymarket 的内容。

提示：将这个开源技能和 Fable 5 以及 GPT-5.6 搭配使用，就能打造出属于你自己的工具。

Codex 这款应用响应极快，UI 也不只有纯文本，这让它比 Claude Code 上瘾 10 倍。

另外，你还能用快速模式，不用掏一大笔钱。