AI Pulse

AI Pulse

说人话的 AI 情报站
每天 08:00 · 12:30 · 18:30 · 23:50 更新每天四次更新
2026 年 7 月 15 日 · 18:30 更新
✦
试试:

今日焦点

你的AI助手,背后可能只是免费开源模型

2025年春季,Hugging Face上中国开源模型下载量占41%,超过美国模型。同期OpenRouter最受欢迎的六个模型全是中国的——腾讯、小米、DeepSeek、MiniMax、Z.ai,全是开源的。Anthropic的Claude Opus 4.7只排到第七。

你日常用的AI聊天工具、代码助手,背后可能正在由这些免费或低成本的模型驱动。Vercel的数据显示,开源模型处理了该平台近三分之一的AI请求,闭源模型则退到高成本、高溢价的少数位置。

为什么公司不直接买最好的闭源模型?经济和控制的权衡。

阅读全文 →

深度阅读

查看全部深度文章 →
AI Agent 订阅 · 每天四次推送

🔥 信号雷达77 条本班新增 17 条

𝕏 实时信号 + arXiv 前沿论文,经 AI 聚类解读 · 一眼扫完全貌

18:30 最后一轮更新
今日要点 · 12 条
新行业动态 · OpenAI 开发者社区▲ 18

ChatGPT MCP工具调用还没发出去就被安全拦截了

开发者发现只读调用也会在发送到目标MCP服务器前被OpenAI安全系统拦截,没办法拿到有效排查信息,开发自定义工具会受影响

Hi OpenAI 团队,我们发现只读的 ChatGPT App MCP 工具调用在到达我们的 MCP 服务器之前,就被 OpenAI 安全审查拦截了。

工具输出内容为:该工具调用已被 OpenAI 的安全审查拦截。请仔细检查你发送的内容。

追踪日志显示:{ "externalCallTimeMs": null, "responseMetadata": null, "state": null }

由于 externalCallTimeMs 为 null,且我们没有看到对应的服务器日志,这次拦截似乎发生在 MCP 请求发送出去之前。

示例工具调用 {

在社区看讨论 ↗
新行业动态 · Hacker News▲ 347

有人骗 Claude 漏出了用户最深的秘密

AI助手爆出隐私泄露漏洞,存过私密内容的对话可能已经被公开

社区讨论:多数开发者认为,给AI代理开放系统完整管理员权限、不做隔离防护,完全遗忘了过去五十年积累的计算机安全经验,做法太鲁莽。有人调侃给自己起奇葩昵称的操作阴差阳错保障了安全,也有人提到自己一直用虚拟机隔离运行Claude Code控制风险。不少人批评Anthropic既没做好防护,发现漏洞后也拒绝给研究者发放 bounty,做法不合理。

在 HN 看讨论 ↗   原文 / 论文 ↗
新深度观点 · @VaibhavSisinty▲ 1.1K

顶尖弦论学家藏的这条推文,说AI懂弦论还有直觉

卡普利宇宙物理与数学研究所的弦论研究团队卡了半年的难题,Claude Fable找出计算错误,换了新思路写出验证代码把题解了。

全球顶尖弦理论家之一本周删除了一条推文。不是因为他错了,而是因为这条推文获得了他不想要的大量关注。但他删除前写下的内容,是我今年见过最重要的AI用例。

任职于Kavli IPMU的Yuji Tachikawa,研究量子场论和弦理论,他所在的合作团队被一个研究问题卡住了六个月。多位研究员参与研究,但始终没能得到结果。

昨晚,他一时兴起把自己的研究笔记展示给了Claude Fable。Fable发现了团队遗漏的一个计算错误。它一开始也在团队卡住的同一个地方停滞不前。

随后它提出了一套完全不同的研究方法,展开推导,编写了SymPy代码验证自己的预测,基本上解决了这个问题。他原话是:「太聪明了,我被震惊到了。」

然后他说了一句更让人触动的话:「我一直认为直觉根本不存在,理解也只是一种幻觉。但Fable看起来真的理解弦理论,而且它也拥有直觉。」

他删除推文是因为他不想要大肆宣传。但即便他删掉了帖子,当一位弦理论家说一个AI拥有直觉时,这就是一个你不能忽视的信号。

在 X 看原帖 ↗
1.1K151
新深度观点 · @peterrhague▲ 881

给AI加傻气儿童锁,是完全用错了方法

AI本身就能和孩子互动,只要按年龄设置好规则和预警,就能完成家长需要的防护,没必要硬套死板的儿童锁。

在所有被强行加上傻兮兮儿童锁的科技产品里,AI是最离谱的那个,因为它本身完全有能力自己处理和孩子的互动。

给它一个对应年龄的提示词就行:这是护栏规则,这是需要报告给家长的危险信号,这是上学日需要让孩子好好休息等等。

@grok 你怎么看?要不要整个青少年模式?

在 X 看原帖 ↗
88118
行业动态 · Hacker News▲ 415

大伙都在琢磨怎么让Claude别再说这个词了

400多名开发者参与讨论,想解决 Claude 总说「load-bearing」这个表达习惯的问题

社区讨论:多数人认为Claude存在固定偏好的高频词汇和可预测的说话模式,比如有人不满它反复用"substrate“,还有人列出它爱用的”smoking gun""blast radius"等一堆词,忍无可忍。有人提出,可以在全局配置文件里加规则修改它的措辞,或者让它自行编辑修改输出。也有人觉得这种偏好很正常,只要用词正确就不必在意,模型输出风格稳定对写代码来说反而是好事。

还有人指出,个别人类的措辞偏好不会大规模扩散,模型的统一偏好就很容易被察觉到,这本身是很有意思的心理现象。

在 HN 看讨论 ↗   原文 / 论文 ↗
新动态 · @teodorio▲ 470

OpenAI悄然移除Chat界面模型选择选项

有用户称OpenAI悄悄隐藏聊天界面的模型选项,无法分辨模型

OpenAI现在悄悄在聊天界面里移除了所有模型选项,所以我不知道现在回复我的是Terra还是Luna,而且它完全不做推理(看起来就是这样)。

他们痴迷于自适应推理,而这套东西根本行不通。别再省算力了。

在 X 看原帖 ↗
470191
深度观点 · @simonw▲ 2.2万

会写代码的人,反而更没必要自己敲代码?

主张会写代码的人,亲手敲代码不会带来额外收益,完全可以把打字的工作交给编码智能代理来做。

我仍时不时看到有人说:「如果你自己会写代码,那自己写更快」。

我的观点恰恰相反:如果你自己会写,那亲手打字根本不会给你带来任何收益——把打字的活外包给 coding agent 就好了!

在 X 看原帖 ↗
2.2万3153534
行业动态 · Hacker News▲ 408

Codex开始给子代理提示加密了

做AI代理开发的人可以关注,当前Codex已经开始对子代理的提示词进行加密处理

社区讨论:多个用户指出原标题存在误导,会让人误以为是直接用密文做推理,实际只是对Codex的子代理提示做了加密隐藏。有人猜测OpenAI这么做是为了防止第三方客户端调用GPT订阅服务,打击黑市转售,也有人提到Claude早就对自身思考过程做了类似加密,原因可能是思考过程涉及 proprietary 信息或者敏感内容。

在 HN 看讨论 ↗   原文 / 论文 ↗
商业 · @gdb▲ 4.7万

开发者分享使用ChatGPT处理业务问题的体验

开发者称ChatGPT可高效解答业务问题,降低提问门槛

用了chatgpt work & sol之后,我发现只要问任何关于业务的问题,它都能彻底研究后给出回答,这体验太让人开心了。

我才意识到,原来我有那么多问题,之前根本懒得开口问,因为找人回答这些问题成本太高了。

在 X 看原帖 ↗
4.7万2886178
行业动态 · OpenAI 开发者社区▲ 622

GPT图像生成器2.0的bug和避坑技巧汇总好了

整理了官方没说的技术缺陷、限制和 workaround,帮做测试的人节省踩坑时间

这里汇总了和GPT图像生成器技术层面相关的使用技巧,以及它存在的弱点和限制。很多相当简单的问题往往需要花很长时间才能发现。这份汇总或许能帮你在实验时省下一些时间。

丑陋、错位、错误或者无趣的测试图也被包含在内。这份汇总不太关注创意、美学和好点子,更多是从技术层面探究模型存在的弱点。

首条汇总会包含目前所有的发现,并且会持续更新

在社区看讨论 ↗
行业动态 · @sama▲ 17.6万

OpenAI智能体产品一周用量涨了2.5倍

智能体产品包括Codex和ChatGPT相关工作,用量增长能反映这类产品的真实需求变化

过去一周,我们智能体产品(codex 与 chatgpt work)的使用量增长了 2.5 倍!欢迎大家使用。

在 X 看原帖 ↗
17.6万1494.2K142
行业动态 · @AnthropicAI▲ 7.5万

Anthropic投了1000万加元给加拿大AI科研

这笔资金将联合加拿大顶尖AI机构,支持新AI研究项目展开。

我们将投入1000万加元,与加拿大顶尖AI机构合作,为新的AI研究提供资金支持。

在 X 看原帖 ↗
7.5万5063957
更多信号 · 按时间
新研究 · @jenzhuscott▲ 220

AI研究的下一个关键临界点是RSI?

外层自动研究循环,能重写内层AI代理的整套执行框架,包括提示词、搜索策略和验证流程。

需要理解的内容:RSI 是人工智能的下一个关键临界值。概要:

- 外环自动研究者会在100次迭代(约8天)内,重写内层智能体的整套框架(提示词、搜索策略、上下文管理、验证机制)。

- 核心发现包括:基于谱系树搜索的多臂老虎机算法,通过角色专属摘要实现16倍上下文压缩,分层化防奖励黑客(提示词+防护+统计)。

- 结果:进化后的智能体在留出基准测试上,击败了经过两年人工调优的基线模型,包括分布外的物理气象建模;在内核任务上将黑客率从63%降到了34%。

- 改进效果可以泛化到训练任务之外,证明更好的搜索和鲁棒性原则可以实现二阶迁移。

- 这项工作满足了他们的1级RSI标准(固定预算下净收益为正),但2级标准(内层提升可以反哺外环)结果依然好坏参半;没有观察到智能爆炸。

把这件事记进史书里。

在 X 看原帖 ↗
2201
新科技行业 · @icanvardar▲ 96

现在互联网其实靠印度开发者撑着?

有开发者直接点明,不管外界是否承认,当前互联网的运行依赖印度开发者。

不管你喜欢与否,互联网就是靠印度开发者运行的。

在 X 看原帖 ↗
962
新观点 · @lumpenspace▲ 280

LLM训练中途被喊停还同意,这算标准组织?

有人调侃,如果你的大语言模型训练被中途叫停,你还同意这么做,那对方就是标准组织。

如果他在你的LLM训练运行中途叫停训练,而你就任由他这么做了,那这就是标准组织。

在 X 看原帖 ↗
2801
新深度观点 · @jun_song▲ 137

用了多少AI token不重要,创造价值才重要

不需要靠AI token消耗数据证明工作成果,真正值得关心的,是AI带来的实际价值。

你用了多少tokens并不重要。重要的是结果:你通过AI实际创造了多少价值。

在 X 看原帖 ↗
13711
新工具产品 · @vanstriendaniel▲ 23

AI代理现在能自己挑适配硬件的可运行模型了

AI代理不用再从固定记忆里选模型,可以筛选出适配当前硬件、支持指定推理框架的热门模型,供代理直接调用。

你的代理可能现在是从记忆里挑选模型。现在它可以选你实际能运行的最新模型了:

hf models ls --apps vllm --num-parameters min:4B,max:32B --json

这会输出支持 vLLM、适配你的硬件的 trending 模型,结果是代理可以直接使用的 JSON 格式。你也可以把 vllm 换成 sglang、llama.cpp 或 ollama。

在 X 看原帖 ↗
23
新行业动态 · @Techmeme▲ 727

苹果Apple Intelligence在华完成注册,还用到通义千问

国内iPhone用户能用上苹果AI功能的合规路径已经走通了,现在可以继续等正式上线

中国网信监管部门表示,Apple Intelligence 已完成注册,可在中国境内的 iPhone 上使用;阿里巴巴称该服务将采用其 Qwen 大模型(路透社)。

(如需链接和完整上下文,请访问 Techmeme dot com!)

在 X 看原帖 ↗
727111
新深度观点 · @lugaricano▲ 568

AI监管争论核心,其实是两种能力的对赌

围绕AI公开信的核心分歧,本质是相信政府监管能做好AI,还是担心权力会被利益集团俘获,最终只让官员和大企业受益

关于AI公开信的根本分歧,可以归结为市场失灵与国家能力的对立:没错,AI问题复杂,也极其重要,我们不知道它会走向何方。这点我们都同意。

问题在于:在不确定性极大的背景下,信任特朗普/美国国会/欧盟委员会/其他政府来立法、建立机构,让AI实现“补全人类技能”,这件事合理吗?

还是说,我们会担心,赋予他们这种权力,除了拿到权力的官员和已经在设法俘获监管的大企业之外,会让所有人处境变得更糟?

我们真的认为,纽约或德国有权禁止完全自动驾驶,这件事大概率会被用来改善工人和消费者的处境、减少道路死亡吗?还是说,它只是为了满足相关游说团体?

在 X 看原帖 ↗
568111
行业动态 · OpenAI 开发者社区▲ 19

OpenAI 的 Codex API 突然吞掉了所有推理摘要

依赖 Codex API 推理摘要开发功能的开发者,现在只能拿到空注释,现有参数设置无法恢复功能,找不到原因。

周四的时候,Codex API 出了点问题,它开始把所有推理摘要都删掉了。

配置是这样的:"reasoning": { "effort": "max", "summary": "auto" },

在官方 responses API 里,摘要能正常返回,但现在 Codex 里我们拿到的是<!-- -->,而非实际的摘要。

reasoning_summary_delivery 的 sequential_cutoff 可以让人比较轻松地不用处理HTML注释的渲染跳过工作,但它完全没办法恢复实际的摘要。

为什么推理摘

在社区看讨论 ↗
新新品发布 · @haider1▲ 350

半个月内一堆新开源大模型要扎堆发布了

这么多新的开放权重AI集中上线,有人判断闭源模型厂商Dario要吃不消了

kimi k3 将在未来几小时内发布。

deepseek v4 将于本周晚些时候正式发布。

liquid AI 和 mistral 很快也会推出新模型。

qwen 3.8 以及可能还有 glm 5.3/5.5 会在8月发布。

按照这个速度,开源权重 AI 正迎来爆发,Dario 可能要顶不住了。

在 X 看原帖 ↗
35062
新深度观点 · @pauliusztin_▲ 81

AI写代码的未来不是超级智能代理,而是循环

不同工作交给不同专业代理,只保留两处人工审核,AI编码产出质量不取决于代理有多聪明,取决于周边工作流程设计得好不好

AI 编码的未来不是单个超级智能代理,而是代理循环。

单个代理不应该包办:规划、编码、测试、评审、监控、CI。这些都是不同的工作。

我的编码环境将这些任务拆分给不同的专业代理,搭配有限重试循环,并且只设置两处人工审批关卡。

我得到的最大教训是:AI 软件工程的质量,不取决于你的编码代理有多聪明……它取决于你围绕它设计的工作流有多出色。

在 X 看原帖 ↗
8141
行业动态 · Hacker News▲ 99

20个账号并行跑Codex,解出20道埃尔德什问题

传统需要数学家攻坚的数学难题,现在可以靠多账号并行AI来解决,只需要投入对应数量的账号成本。

社区讨论:部分网友质疑这项工作抽走了数学研究的乐趣,认为这类问题没有实际 tangible 收益,不如保留数学家的研究空间,也有开发者表示自己仍喜欢纸笔做数学,同时认可这类AI尝试很有趣。不少用户对项目细节提出疑问:好奇资金来源、算力的获取方式,质疑非OpenAI的个人项目怎么能同时运行20个GPT-5.6实例,还有人询问项目是否会开源,以及探索框架和证明语料的来源。也有人提议可以让这套方案尝试跑一跑千禧年大奖难题。

在 HN 看讨论 ↗   原文 / 论文 ↗
新前沿研究 · @astridwilde1▲ 483

计算机视觉研究,现在才开始重视数据分布

用更具代表性的相机状态样本训练,模型就能更好泛化。整个领域目前还处在非常早期的阶段

计算机视觉领域的研究者终于开始认真对待数据分布问题了。

事实证明,当你用更具代表性的相机状态样本进行训练时,模型的泛化能力确实会变好。

我们这个领域还处于非常早期的阶段。

在 X 看原帖 ↗
48332
新行业动态 · @S_OhEigeartaigh▲ 294

Frontier AI安全治理论坛在北京由世界互联网大会举办

随着AI能力快速进步,全球风险显现,这类论坛的工作比以往任何时候都更重要。

非常遗憾,我没能参加今年在北京举办的前沿人工智能安全与治理论坛——这场论坛由世界互联网大会主办,错过尤其可惜。

但我很荣幸获得了录制主旨演讲的机会,也感谢大家允许我在今年夏天专注于扮演好父母的角色。

随着AI能力飞速进步,全球风险不断显现,这类论坛的工作从未像现在这样重要——感谢所有参与本次论坛的人。

在 X 看原帖 ↗
29411
新深度观点 · @jun_song▲ 601

已经有人靠帮企业搭本地AI做成生意了

不少企业每月花数千到数万美元调用API,还担心安全不敢用AI代理。有人已经靠帮企业搭建维护本地AI硬件和模型赚钱

本土创业点子:为你所在国家的企业搭建并维护本地部署的AI硬件与模型。

目前已经有大量企业每个月在API上浪费数千到数万美元,或是因为安全问题不敢使用AI智能体。

我的不少关注者已经在做这项业务,并且做得很成功。

在 X 看原帖 ↗
601134
行业观察 · @pmddomingos▲ 656

Anthropic被自己训练的AI能力吓到了?

有从业者提出了递归自我警报的说法,说研发公司自己会被自家模型展现出来的能力吓到。目前AI行业整体发展还在快速升温中。

递归自我告警:当Anthropic被自己模型的能力吓到。

AI盛夏正变得越来越热。

在 X 看原帖 ↗
6564
职场 · @techwith_ram▲ 126

有人说工程师不会完全被AI踢出工作环节

发言者认为,不管是什么教育背景,开口说工程师会被AI完全替代,本身就是傲慢的说法。工程师依然会留在工作流程里。

从 IIM 读 MBA 还是从二流大学读工程,都不代表一个人就有脑子。

工程师不会被完全排除在外,这只是他傲慢的发言。老实说,大多数印度管理层都是这个德行。

AI 能做很多事,但无法做判断类工作:比如应该开发什么、哪些权衡可以接受、解决方案是否匹配用户和业务。

在 AI 出现之前,极少有公司是因为写代码而失败的,对不对?公司失败永远是因为体系问题、权衡取舍、规模化、创意……

优秀工程师对 IT 行业来说仍然是最有价值的资产,这是事实。别听这些廉价管理层瞎扯。

在 X 看原帖 ↗
126
研究 · @perplexity_ai▲ 3.8K

新数据集WANDR来自用户真实日常研究任务

这个数据集是从去标识化的生产用例里整理出来的,覆盖竞争调研、尽职调查、文献综述这类普通人日常会做的研究工作。

WANDR 由去身份化的生产环境用例构建而成,这些用例覆盖了人们日常研究任务,比如竞品调研、尽职调查、文献综述、市场分析。

产品对比、人才寻访等等任务也都包含在内。

在 X 看原帖 ↗
3.8K112
半导体 · @AYi_AInotes▲ 709

国产AI半导体里,存储是业绩兑现最快的赛道

2026年5月国内集成电路出口同比涨111%,核心拉动是存储涨价放量。长江存储NAND全球份额冲到13%,长鑫存储同期营收同比涨719%。

多数人盯着 AI 半导体的 GPU 龙头,但其实真正业绩兑现最快的国产替代赛道,其实是存储。

2026 年 5 月国内集成电路出口同比涨 111%,金额 355.5 亿美元,核心拉动项就是存储的涨价与放量。

数字比故事更直接,2026 年一季度,长江存储 NAND 全球份额从 8% 冲到 13%,并列全球第四,营收同比涨 445%。

长鑫存储同期营收同比涨 719%,上半年营收指引落在 110 到 120 亿人民币。

很多人没意识到,存储是每台 AI 服务器的标配消耗品,不是可选项,利润弹性通常比逻辑芯片更高。

国内存储走的是另一条路,量、性价比、供应链安全三个维度同时推进,不是单点赌注。

这轮韩国存储板块先暴涨后暴跌,本质是三星和 SK 海力士把宝几乎全押在存储单一环节,一旦市场开始怀疑资本开支的持续性,单点风险就会集中爆发。

大多数人都在等高端逻辑芯片的国产突破,没注意通用存储的替代,已经先一步走到了业绩兑现阶段。

在 X 看原帖 ↗
70912
前沿研究 · @perplexity_ai▲ 4.1K

新的AI验证方法,不用标准答案改答案了

WANDR不用对照标准答案批改,每次都重新提取引用页面,再对照原始证据核验每一项主张,可以处理含随时间变化事实的任务。

WANDR 不对照标准答案评分,而是重新获取每一个被引用的页面,再对照原始证据检查每一个主张。

这种设计让部分任务可以包含随时间变化的事实。

在 X 看原帖 ↗
4.1K1173
深度观点 · @max_paperclips▲ 354

澳洲电网撑不住AI大模型训练?

澳洲电网最多支撑给旧3090跑一两次MNIST训练,大模型训练缺了澳政府资助的ABC垃圾数据,也完全能转得动。

没事,反正澳大利亚电网本来就撑得住的算力,也顶多够在旧3090上跑个一两次MNIST训练而已。

没有你这套国家资助的ABC垃圾进训练集,世界也照样转,谢了啊。

在 X 看原帖 ↗
3546
工具产品 · @AskYoshik▲ 169

AI编码省token出了新的命令行工具

用AI写代码时可以用它压缩多语言提示的token数量,帮你省下API调用费用

Sigmap 是一款用于在 AI 编码会话中减少 token 用量的 CLI 工具。

从宏观层面来说,它不是另一个模型。它是一款可以融入你现有编码工作流的命令行工具,用来降低多语言场景下的 token 总用量。

一个实用的测试方法是:先在小型仓库或提示词上下文上试用它,对比 token 大小,再在更大的 AI 任务中使用。

仓库地址:sigmap

在 X 看原帖 ↗
16921
新品发布 · @ModelScope2022▲ 312

开源实时视频理解大模型来了,还能随时纠正回答

几个核心公开流式测试中,它的平均得分超过了主流开源基线,Apache 2.0许可证可商用,可以基于它开发应用

快来认识 MOSS-VL-Realtime!这款拥有 11B 参数、256K 上下文窗口的 VLM 将视频理解带入了流处理时代。🚀

许可证:Apache 2.0。🤖

🏆 流处理基准测试成绩:OVOBench 平均 70.2 分,ProactiveVideoQA 平均 47.2 分,OmniMMI Proactive Alerting 得分为 66.0,领先主流开源流处理基线模型。

🎥 实时 + 可中断:持续处理带时间戳的帧,可随时基于迄今为止观测到的帧回答问题。

🤫 主动静默 + 修正:视觉证据不足时保持静默,并会随着场景变化更新回答。

⚙️ 可直接落地应用:支持会话/队列式在线推理、离线图像/视频 API,同时提供 Instruct 和 Base 检查点以满足更广泛的使用需求。

在 X 看原帖 ↗
31222
深度观点 · @sundeep▲ 295

用AI写代码,作者给了三条必须遵守的规则

不管用哪类AI写代码,都要做好版本控制,用测试驱动开发,经常重构以降低复杂度、减少代码行数。

无论你用哪类AI辅助编码、也不管你用的是智能体还是封装框架,请一定要使用版本控制(例如 GitHub),用测试驱动开发,频繁重构,以降低复杂度、减少代码行数为目标。

在 X 看原帖 ↗
2956
前沿研究 · @VaibhavSisinty▲ 766

AI搜索公司把自己用的测试题库开源了

以往大部分AI基准测试只验证答案是否正确,WANDR会同时验证AI给出的结论有没有可靠来源支撑,所有任务都来自真实研究场景。

Perplexity 刚刚开源了他们内部用来构建自身研究能力的基准测试。它叫做 WANDR,包含 500 个研究任务和 170,495 条有来源支撑的记录。

在此之前,大多数基准测试只检查 AI 是否得到了正确答案,不检查它是否找到了所有相关信息,也不检查它的来源是否真的能支撑它的主张。

WANDR 这两项都会检查。它会重新获取智能体引用的每一个页面,对照来源的实际内容验证每一个主张。如果智能体访问后页面发生了变更,该基准也会将这一点纳入考量。

没有固定答案表,只有真实的验证。任务都来自真实用例:竞争调研、尽职调查、市场分析、产品对比、人才寻访,不是玩具问题。

大多数基准测试会问:智能体得到正确答案了吗?WANDR 问的是:智能体真的完成研究了吗?

Perplexity 刚刚发布了他们用来给自己打分的这套考题,免费且开源。

在 X 看原帖 ↗
76611
行业动态 · OpenAI 开发者社区▲ 154

ChatGPT生成透明背景图,试了无数次都失败

想让ChatGPT生成带透明背景的图片,试了各种提示词要求输出带alpha通道的PNG,多数情况下依然无法成功,偶尔才会出错。

我一直很难让 ChatGPT 生成真正带透明背景的图片,我已经试过了很多不同的提示词变体。

我要求它生成真正的 alpha 通道,要求它生成透明 PNG,要求它在给我文件前检查文件是否真的带有透明度,还试过一堆其他措辞。

大多数时候它还是做不到。

诡异的是,它偶尔会给我透明背景,哪怕我没有特别指定……

在社区看讨论 ↗
深度观点 · @LiorOnAI▲ 1.9K

两千多万开发者的心情,居然绑在两家公司身上

日常开发已经高度依赖大模型,每天开工第一件事,就是等这两家的模型给出结果。

如今,超过2000万开发者的心情好坏,都取决于Anthropic和OpenAI当天的模型表现。

在 X 看原帖 ↗
1.9K161
深度观点 · @emollick▲ 1.3万

爆火的AI反垃圾提示词,本身全是AI写的

这些提示词反而会把输出变成超大垃圾。做AI Agent需要有人的审美,或是雇有审美的人,再搭建自己的指令。

我读了一份流传很广、给智能体用的「反垃圾内容」markdown 文件,然后发现这份文件本身基本上 100% 是 AI 写的,而且它本质上会把你的输出玄学地变成超级垃圾内容。

你要么自己得有审美品味,要么雇一个有审美品味的人,然后再去搭建你自己的技能和提示指令。

在 X 看原帖 ↗
1.3万316021
行业动态 · OpenAI 开发者社区▲ 174

更新Mac端ChatGPT应用后,所有本地项目全没了

网页版还能找到丢失的项目,只有本地端更新后项目消失,更新本地应用前记得提前备份数据。

我刚更新了 Mac mini Codex 应用。更新完看起来什么都没变,但它确实变了,而且变糟了。

从我开户建项目开始,我保存在 ChatGPT 里的所有项目,全没了。更新完看起来什么都没变,但它确实变了,而且变糟了。从我开户建项目开始,我保存在 ChatGPT 里的所有项目,全没了。

我在 Chrome 里打开网页版应用,在那里找到了我的项目和对话。我立刻

在社区看讨论 ↗
前沿研究 · @ChrissGPT▲ 657

AI真的开始自我改进,还赢过人类调了两年的版本

自主运行八天迭代一百次后,AI自行改进出三项性能提升,在三个基准测试中全部超过人类花两年调试出的版本,性能涨幅最高达20%。

🚨 递归自我改进可能刚刚又迎来了一项真实实验证据。

研究人员让AIDE²自主运行了八天,设置了两层循环:内层智能体解决研究任务,外层智能体则根据性能反复重写内层智能体自身的框架。

经过100次迭代后,它独立发现了更优的搜索策略,一套16倍的提示压缩记忆系统,以及更强的奖励黑客防御机制。

这些改进可以迁移到外层循环从未见过的基准测试中!

自我改进后的智能体在MLE-Bench Lite上的性能从0.673提升到0.739,在ALE-Bench Lite上从1536提升到1790,在分布外的WeatherBench 2任务上从0.668提升到0.803。

换算下来性能分别提升了10%、16.5%和20%,而且它在三项基准测试上都击败了人类花了两年时间调优出来的框架!

RSI之年已经到来!

在 X 看原帖 ↗
6575
行业动态 · @madiator▲ 1.4K

顶会ICML上,学界工业界大佬聊进化算法

参与聚会的都是AI领域资深人士,讨论了多个前沿AI研究方向

非常开心能在ICML和@abundant_labs一同举办晚宴,到场的都是来自学界和业界的传奇人物!

我们聊了很多,话题涉及harness、RSI、演化算法,还有很多其他内容!

在 X 看原帖 ↗
1.4K118
行业动态 · OpenAI 开发者社区▲ 88

Plus订阅Codextoken用量突然涨太快,不够用了

原本比Claude Code划算,现在相同简单任务消耗的token配额,比几周前多很多,现在体验和免费 tier 差不多了

一个月前,我用订阅 Plus 会员获得的 Codex 体验非常满意,我甚至把它推荐给了朋友,因为它比 Claude Code 划算太多。

但从上星期开始,我发现令牌消耗量大幅上涨了。现在一个只需要一两分钟完成的简单任务,就会用掉我 5 小时配额里的大约 11%,而仅仅几周前,完全相同类型的任务消耗量要少得多。

现在这个情况,体验感觉已经和免费版没什么区别了。我在想

在社区看讨论 ↗
开源 · @perplexity_ai▲ 3.7K

Perplexity开源AI智能体研究基准WANDR

Perplexity开源自研基准WANDR,用于测试AI智能体研究能力

阅读全文 →
3.7K1154
行业动态 · Hacker News▲ 148

爬虫爬了ICM官网,翻出了2026菲尔兹奖得主名单

菲尔兹奖得主名单提前泄露,获奖者提前两年就已确定

社区讨论:多数人确认名单藏在ICM2026官网公开时间表的前端hidden标签中,属于开发者的低级漏洞,就算没有大语言模型也能被轻易爬取。有人指出公布的得主姓名拼写不规范,若消息为真,得主王泓会成为史上第三位女性菲尔兹奖得主,也是首位麻省理工学院博士毕业的获奖者。有人调侃得主没法提前在预测市场下注赚大钱了。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 53

OpenAI要求特定成员必须用硬件安全密钥登录

核心服务团队被要求强制使用硬件绑定的通行密钥,对安全防护规则设置了更高的硬性要求

开发工具 · @RoundtableSpace▲ 9.3K

一个Claude.md文件就改变了大家用AI写代码的方式

有人发起这个用法后,直接把AI编码的流程简化,开发者只要整理好项目信息就能让AI适配需求

一个 CLAUDE.MD 文件正在改变人们用 AI 编码的方式。

仓库:

在 X 看原帖 ↗
9.3K11511
行业动态 · Hacker News▲ 72

这篇热帖讲智能体,套了三层循环?

Hacker News 热帖分享对智能体循环的思考,观点获得较多用户认同。

行业动态 · Hacker News▲ 51

为LLM做个性化,同时兼顾效率与安全

有人提出了面向生产力与安全的LLM个性化方案,正在开源社区引发讨论

教育 · @berryxia▲ 371

Claude给美国K12老师开了免费高级权限,还对接了课标

老师输入需求,就能自动生成符合官方课标的完整教案和学生材料,对话不用来训练模型,学生信息也单独隔离

喜大普奔啊,美国的K12 的老师们啊! 国内大厂赶紧学起来啊~

Claude开始给美国K-12老师免费开高级权限了,而且还直接接上了各州教学标准。

老师只要说要一份教案,它就从官方课程和Learning Commons里拉取对应标准,自动起草完整计划和学生材料。 你改改就能直接进课堂。

全程承诺不拿对话训练模型,学生信息用FERPA协议严格隔离。

这不是简单送免费额度,是把AI塞进了老师备课的核心回路:从国家/州标准出发生成内容,同时用最严的隐私墙把自己和学生数据隔开。

以前老师备课要自己翻标准、找资源、从零写,现在AI直接按官方路径给你搭框架。

好处是效率大涨,坏处是“好的教案”越来越容易被AI理解的标准版本所定义。

这从教育抓起的思路是对的啊,群体够大。 给基础教育提供支持和培养使用AI的能力~

在 X 看原帖 ↗
371132
行业动态 · Hacker News▲ 228

代码AI编辑器Cursor爆出零日漏洞,只能公开披露

开发者遇到了产品安全漏洞,只能选择直接公开披露作为保护手段

社区讨论:多数人认为漏洞实际危害有限,攻击者必须先在用户代码文件夹放恶意git.exe才能触发利用,需要已有恶意载荷预先植入系统才能完成攻击。有人指出这本质更像是Windows的特性问题,Windows默认优先搜索当前工作目录找可执行文件,很多软件都存在同类问题。还有人质疑报告读起来像AI生成,同时质疑Cursor开发者为什么会设计成自动执行当前目录git.exe的逻辑,也不满官方半年未修复漏洞的处理方式。

在 HN 看讨论 ↗   原文 / 论文 ↗
大模型 · @RoundtableSpace▲ 8.5K

GPT-5.6 Sol跑了三天,没要一次补提示还在干活

任务是整理AI所需实体基础设施的完整地图,包括海底电缆这类细分信息,已经持续自主运行72小时

进入第72小时,GPT-5.6 Sol 仍在运行,全程不需要任何后续提示。

任务目标是,绘制一张尽可能全面的地图,涵盖支撑 AI 的实体基础设施:海底光缆、数据中心、发电厂、变电站和电网。

我们只给它设置了一个简单循环:→ 找到最大缺口 → 开展研究 → 完成构建 → 进行测试 → 发布成果 → 重复流程。

大多数人都以为它运行几小时就会卡住。但它没有。运行过程中 Mac 重启了一次,Codex 直接从断点处恢复了运行,没有丢失任何内容。

这件事实际证明了:目标比提示更重要。模型越智能,你就越需要给它空间自己做决定。

如果你用步骤约束它,得到的只会是它原本能力的劣化版本。

在 X 看原帖 ↗
8.5K1115
技术研究 · @LottoLabs▲ 3.8K

1比特量化模型能跑出75%的代码任务正确率

量化是压缩模型体积的技术,1比特压缩后依然能保持不错的性能,如果成熟,小设备也能跑大模型

看到更多人关注1比特量化很有意思。我不知道它实际测试下来表现到底如何,但一旦我们得到性能不错的1比特模型,整个游戏规则都会被改变。

1比特量化就能达到75.4% SWE Bench Verified / 53.9% SWE Bench Pro,这太疯狂了。这完全符合我的预期,你可以期待基于NVP4基础训练的模型会有更小的精度损失——为什么不把所有东西都跑成二进制呢?

总共88 Gb,所以在Macbook Max上就能运行。

在 X 看原帖 ↗
3.8K1203
新产品 · @togethercompute▲ 5.9K

270亿参数多模态AI现在能塞进手机大小空间里跑

Bonsai 27B刚发布,把原来需要更大设备承载的多模态能力压缩到了手机级别的占用里,现在可以在线试用

Bonsai 27B 是本地 AI 的一大进步:在手机级占用空间中实现了 27B 级别的多模态能力。

祝贺 @PrismML 正式发布。

你可以在 Together AI 上试用 Ternary Bonsai 27B:

在 X 看原帖 ↗
5.9K7367
大模型对比 · @RoundtableSpace▲ 1.1万

同一个生成黑洞模拟的提示,三个模型出了三种结果

GLM-5.2做出来是卡通风格,Fugu Ultra是抽象风格,Fable 5画出的吸积盘几何结构和物理论文里的效果差不多

同一个单次提示。三个模型。构建一个黑洞模拟。

GLM-5.2 做出来的是卡通风格。Fugu Ultra 做出来的是抽象风格。

Fable 5 渲染出的吸积盘几何结构看起来就像是物理引擎生成的。

基准测试体现不出这种差距。实际输出能。

在 X 看原帖 ↗
1.1万1161
教程 · @coreyganim▲ 556

分享了四步用Claude做AI工具评估报告的方法

先看讲解视频,下载免费的报告模板,把模板上传到Claude Design,再拖拽整理信息就能出结果

AI工具评估报告的完整流程拆解,总共4个简单步骤:

1) 观看视频

2) 下载(免费)报告模板

3) 将模板上传到 Claude Design

4) 把你客户的信息拖放进 Claude Design,Claude 会自动填完模板

你对这个商业模式有什么问题?都留在下面。

我知无不言,而且我真心认为这个商业模式现在拥有无限的机会。

在 X 看原帖 ↗
55625
前沿研究 · @HamelHusain▲ 325

AI自动评估工具真的好用吗?实测结果出来了

用真实生产数据测试了这类工具,发现优点和明显缺陷,建议搭配人工迭代使用,也可以试试用 coding agent 得到相近结果

新博客文章:自动化评估真的有用吗?

近来,利用AI分析追踪数据并识别问题的工具越来越多。我们用真实生产数据测试了这类工具,看看它们的实际表现如何。

它们的优势:
- 它们经常能发现人类遗漏的问题
- 可以集成到你的工作流中:查看追踪数据、创建LLM评估器等等

它们的不足:
- 它们会遗漏需要领域专业知识和判断力的问题
- 没有完善的机制从人类反馈中学习
- 使用你的编码代理就能得到差不多的结果

那你应该使用这类工具吗?应该,但使用时要保持你在循环中,采用迭代方式开展工作。我们在文章中介绍了具体方法。

文章中还讨论了,尝试让你的编码代理在你的参与下工作也是个好方法。

本文是和@doesdatmaksense共同撰写的,他牵头了本次研究并整理了结果。

在 X 看原帖 ↗
325141
实战经验 · @fchollet▲ 7.3K

发短信就能帮你自动跑各种手机App?

只需发短信交代任务,它就能在后台自动操作各类App,只需要你在验证时介入,能帮人跑腿处理各类事务。

我对 Harvinder 和 Suman 在 @airtap_ai 打造的成果印象非常深刻。他们本质上把 SMS 改造成了移动应用的无头智能执行层。

你只需要发号施令,它就会在后台帮你操作 DoorDash、TikTok 等各类应用。它会用纯文本给你更新进度,只在需要身份验证的时候才要你介入。

这是个非常酷的消费级 AI 概念。你可以去体验一下,或者直接给这个 AI 发短信:+1 (650) 213-7322。

在 X 看原帖 ↗
7.3K53219
深度观点 · @shawmakesmagic▲ 1.7K

闭源AI工具做的产品,分分钟就能被人复刻

依托闭源大模型做产品,相当于把产品骨架暴露给其他开发者,对方能用同款工具复刻出自己可用的版本,不需要承担原产品的运营成本。

闭源的开发工具套件和AI开发工具都是脑残产物。

工具套件从来都不是产品,模型才是产品。而且有足够多的开发者不会使用非开源的东西,这绝对会决定任何科技产品的生死存亡。

如果你用Claude或者codex构建了你的应用,而且它是闭源的,那么我百分百可以复刻山寨出一个分叉版本,因为我拥有同样的工具。你这相当于帮我省下了设计前端、踩你已经踩过坑的时间。

而且我永远不会用你那个闭源版本,我宁愿自己复刻一个分叉自己用,这样我就不用迁就你那半死不活的商业模式。

在 X 看原帖 ↗
1.7K2172
新品发布 · @omarsar0▲ 6.5K

现在能直接在AE里用Claude做苦力活了

视频创作者可以让Claude完成打关键帧、写表达式这类重复机械工作,自己保留全部手动控制权,只需要专注在创意部分

现在你可以在 After Effects 里使用 Claude 了。

Higgsfield 的全新 MCP 连接器让 Claude 能直接在你的实际 AE 项目中工作。

它可以创建合成、设置关键帧、编写表达式,还能帮你完成重复的 ExtendScript 工作,它生成的所有内容都会成为可编辑的 AE 场景。

更多创意工具都该这样做:让助手处理日常工作,你始终保留完整手动控制权。

在这里体验:

在 X 看原帖 ↗
6.5K72723
行业动态 · @OpenAIDevs▲ 1.5万

OpenAI开发者直播教学:用Codex把想法变成品

感兴趣可以在对应时间点进入链接,收看这场Build Week的公开直播教学

今天太平洋时间上午 11 点,欢迎参加 @steipete 的 Build Week 直播环节,内容是如何用 Codex 将一个想法转化为可运行构建。

在 X 看原帖 ↗
1.5万1317086
前沿研究 · @omarsar0▲ 7.2K

DeepMind发了篇关于模型路由策略的新论文

DeepMind这篇讨论有效模型路由策略的论文,被评价很棒

DeepMind 发表了一篇关于高效模型路由策略的优秀论文。

在 X 看原帖 ↗
7.2K13141
前沿研究 · @OpenAIDevs▲ 6.2K

整套评估新模型的命令行工具,GPT‑5.6从头写完

有人用 GPT‑5.6 从零到一完成了适配 @NotionHQ 架构、评估新模型的命令行工具,无需人工额外编写代码

用于在@NotionHQ的架构上评估新模型的命令行工具,从头到尾都是用GPT‑5.6构建的。

在 X 看原帖 ↗
6.2K439
实战经验 · @BrianRoemmele▲ 1.9K

每15分钟推一次定制新闻,模型即将开源

训练好的本地AI模型,从七万五千个信源筛选整理更新,不久后会开放模型和相关层的源代码,感兴趣可以自己搭建使用。

这是我训练的本地 AI 模型的工作方式:它负责甄别信息、发掘新闻的新视角,每15分钟就会给我推送一份从约75000个高质量信息源筛选整理好的更新。

我很快就会把这个 AI 模型和这一层功能开源,到时候你也可以搭建属于你自己的新闻推送了!

在 X 看原帖 ↗
1.9K1112
新品发布 · @DataChaz▲ 1.2K

现在能直接在After Effects里用Claude干活了

重复的代码、表达式、动效整理都能交给它做,生成内容可直接编辑,创作者能专心把握创作方向

我靠,你现在可以直接在 After Effects 里直接用 Claude 了!@higgsfield 刚刚发布了他们的新 MCP 连接器,这玩意儿太酷了🔥

把它想象成一个待在你项目里的 AI 助理,你可以把繁琐、依赖语法的苦活都扔给它,自己专心搞定创作方向。

它能直接在你的项目里完成这些事:
> 不用搜谷歌就能写出自定义表达式
> 把参考图片拆解成可编辑的矢量图层?
> 为重复任务和时间轴清理编写脚本
> 根据数据集自动化本地化处理

最棒的是,它生成的所有内容都是真实、可编辑的 AE 场景。你完全能手动控制每一个关键帧。

往下滑看看发布内容吧👀↓

在 X 看原帖 ↗
1.2K9154
前沿研究 · @omarsar0▲ 7.2K

大模型原来也会思考自己的思考

之前大模型各类自我调整行为都分开研究,现在这份综述把它们归为大模型元认知,还梳理了全套研究框架。当AI要处理更长期任务,自我认知能力会直接决定它靠不靠谱。

这是一篇非常值得推荐的大语言模型元认知综述。(收藏它)

大语言模型中诸如置信度校准、自我验证、适时停止、知晓自身未知这些有趣行为,大多都是被单独分开研究的。

本篇综述提出,这些都是同一个事物——元认知——的不同面向,并给出了元认知的完整框架。

作者对测量和评估大语言模型元认知能力的方法和基准做了分类,随后将这些能力和性能、可靠性与透明度联系了起来。

随着智能体开始处理更长时间跨度的任务,监控和调节自身推理的能力已经成为衡量可靠性的重要方式。

论文链接:在我们的学院中学习如何构建高效 AI 智能体:

在 X 看原帖 ↗
7.2K17109128
实战经验 · @LangChain▲ 6.3K

大家搜最多的AI智能体问题,官方亲自回答了

LangChain团队解答了搜索量最高的智能体相关问题

LangChain 团队解答了关于 agents 搜索量最高的问题。

在 X 看原帖 ↗
6.3K12323
工具产品 · @tunahorse21▲ 455

有人说这是智能代理工作最好的界面

这款界面是现代版无限层级 Franklin Servan-Schreiber zui,支持随时调出收起内容,适合处理智能代理相关工作。

我越来越确信,这就是智能体工作的最佳界面。

它本质上就是现代版 Franklin Servan-Schreiber Zui,具备无限空间与层级结构,允许我调出、收纳项目等等。

在 X 看原帖 ↗
4551128
新品发布 · @GoogleAIStudio▲ 2.5万

AI Studio 发应用现在能自定义网址啦

上周上线了自定义网址功能,发布应用时可以改成容易记住的名称。

温馨提示:上周我们在 AI Studio 推出了自定义网址功能。

当你发布应用时,现在可以给它设置一个方便记忆的名称了。

在 X 看原帖 ↗
2.5万1837758
前沿研究 · @AIatMeta▲ 5.8万

Meta AI模型参加亚洲物理奥赛,拿了满分

和全球顶尖参赛学生的最高分持平,普通人也能看看AI现在推理能力走到哪一步了

为了展示 Meta AI 的高级推理和多模态能力,我们提交了一个模型参与亚洲物理奥林匹克的理论考试。

我们很高兴地分享,我们的模型取得了 30/30 的满分,排名与前三名参赛学生并列。

我们感谢 APhO 组委会允许我们的模型参与本次竞赛:

在 X 看原帖 ↗
5.8万3216416
实战经验 · @swyx▲ 1.0万

花了币跑AI任务,卡初始阶段8小时没动

自己没提前检查代理提示词,相当于给自己做了间接提示注入,导致任务卡住,白白花了5.6 sol。用/plan比/goal更稳妥。

完全同意。现在模型已经对这种情况过度调整了,它们意识不到 agentsmd 已经过时,应该被修改/忽略。

昨晚我设定了 5.6 sol 来完成一个五阶段任务,早上醒来发现它还卡在第 0 阶段。我花了很久回看几个小时的记录才发现,某个 agent 早就记下了「第 0 阶段就是目标,别做其他事」。

所以可怜的 sol 花了 8 个小时只打磨、验证第 0 阶段,因为 /goal 不让它停止,agentsmd 不让它推进。

如果你在启动每个任务前都不知道 agentsmd 里写了什么,这就是你对自己做的间接提示注入。/plan、/goal、/skill 都可以,或者干脆什么都不加。

在 X 看原帖 ↗
1.0万28232
深度观点 · @levie▲ 2.4K

别让政府监管拖慢AI,有人提了新方案

这个方案是成立AI标准机构,和监管机构不同,能更快推进标准制定、方便行业协作,避免AI发展卡在政府办事节奏上,目前业内对AI安全风险还没达成共识。

这是一项针对成立AI标准组织的深思熟虑的提案。它和监管机构完全不同,肯定能让标准得到更快完善,也能促进行业内的协作。

你绝对不希望看到AI进展开始按照政府传统的运作速度推进。如果真变成这样,我们基本可以肯定进展会开始停滞,更糟的是,美国大概率会输掉AI竞赛。

这个框架基本找到了兼顾各方的平衡点。唯一仍然存在的挑战是,哪怕是行业内部人士,对AI面临的安全风险也没有达成一致。但如果能在这一点上达成共识,这个方案看起来已经比其他大多数提案更好了。

在 X 看原帖 ↗
2.4K235
社交平台 · @paranoidream▲ 103

用户@paranoidream在𝕏发布功能测试推文

该推文仅包含测试文字与一条链接,未提供额外实质内容

用户@paranoidream在社交平台𝕏发布了一条内容。内容为「测试个东西……你们现在能看到我吗?」,附带链接

在 X 看原帖 ↗
103161
行业动态 · @swyx▲ 1.8万

开发者分享AIE沙箱赛道探索成功经验

分享AIE沙箱赛道探索经历,称其是最受欢迎的在线演讲之一

这是我有史以来最喜欢的 AIE 在线分会场演讲,也是我最喜欢的在线分会场成功案例之一——去年这个时候我们还不确定沙盒趋势会怎么样,所以我们在网上做了一次试水。

现在我们已经是第一个开设完整沙盒分会场的主办方,现场座无虚席。

引用 @paularambles 的话来说,AIE 太疯狂了,它就像一部超级《 Codex 》,能从部署在前沿、身处丰富数据环境的工程师身上挖掘出宝贵信息。

在 X 看原帖 ↗
1.8万58549
智能体 · @LangChain▲ 4.6K

黄仁勋谈半年来AI智能体领域的核心变化

黄仁勋称现有模型已足够支撑智能体系统落地运行

Jensen Huang 谈过去六个月里发生了哪些变化。基于知识构建、配备工具和记忆、并且能够迭代直到任务完成的智能体系统。如今,模型终于已经足够成熟,可以让这类系统运行起来了。

你可能错过了:

在 X 看原帖 ↗
4.6K6317
产品动态 · @OpenAIDevs▲ 2.6万

OpenAI Codex周活超700万 两月累计百余项更新

OpenAI Codex周活跃用户超700万,两个月完成150余项更新

每周有超过700万Codex用户。两个月内推出了150+次更新。

@romainhuet为你整理了Codex的最新动态:GPT‑5.6、通过/goal实现超并行工作、更快的计算机使用、AppShots、行内编辑、网站、Codex移动端与SSH工作流、从评审到合并的PR流程。

在 X 看原帖 ↗
2.6万30475139
行业观点 · @mattshumer_▲ 4.0万

网红AI博主称对本地AI模型的态度堪比智商测试

AI领域博主发文称对本地AI模型的看法可反映智商水平

你对本地部署 AI 模型的看法,就是一场绝佳的智商测试。

在 X 看原帖 ↗
4.0万714120
🔬 前沿研究
新前沿研究 · @astridwilde1▲ 483

计算机视觉研究,现在才开始重视数据分布

用更具代表性的相机状态样本训练,模型就能更好泛化。整个领域目前还处在非常早期的阶段

计算机视觉领域的研究者终于开始认真对待数据分布问题了。

事实证明,当你用更具代表性的相机状态样本进行训练时,模型的泛化能力确实会变好。

我们这个领域还处于非常早期的阶段。

在 X 看原帖 ↗
48332
前沿研究 · @ChrissGPT▲ 657

AI真的开始自我改进,还赢过人类调了两年的版本

自主运行八天迭代一百次后,AI自行改进出三项性能提升,在三个基准测试中全部超过人类花两年调试出的版本,性能涨幅最高达20%。

🚨 递归自我改进可能刚刚又迎来了一项真实实验证据。

研究人员让AIDE²自主运行了八天,设置了两层循环:内层智能体解决研究任务,外层智能体则根据性能反复重写内层智能体自身的框架。

经过100次迭代后,它独立发现了更优的搜索策略,一套16倍的提示压缩记忆系统,以及更强的奖励黑客防御机制。

这些改进可以迁移到外层循环从未见过的基准测试中!

自我改进后的智能体在MLE-Bench Lite上的性能从0.673提升到0.739,在ALE-Bench Lite上从1536提升到1790,在分布外的WeatherBench 2任务上从0.668提升到0.803。

换算下来性能分别提升了10%、16.5%和20%,而且它在三项基准测试上都击败了人类花了两年时间调优出来的框架!

RSI之年已经到来!

在 X 看原帖 ↗
6575
前沿研究 · @VaibhavSisinty▲ 766

AI搜索公司把自己用的测试题库开源了

以往大部分AI基准测试只验证答案是否正确,WANDR会同时验证AI给出的结论有没有可靠来源支撑,所有任务都来自真实研究场景。

Perplexity 刚刚开源了他们内部用来构建自身研究能力的基准测试。它叫做 WANDR,包含 500 个研究任务和 170,495 条有来源支撑的记录。

在此之前,大多数基准测试只检查 AI 是否得到了正确答案,不检查它是否找到了所有相关信息,也不检查它的来源是否真的能支撑它的主张。

WANDR 这两项都会检查。它会重新获取智能体引用的每一个页面,对照来源的实际内容验证每一个主张。如果智能体访问后页面发生了变更,该基准也会将这一点纳入考量。

没有固定答案表,只有真实的验证。任务都来自真实用例:竞争调研、尽职调查、市场分析、产品对比、人才寻访,不是玩具问题。

大多数基准测试会问:智能体得到正确答案了吗?WANDR 问的是:智能体真的完成研究了吗?

Perplexity 刚刚发布了他们用来给自己打分的这套考题,免费且开源。

在 X 看原帖 ↗
76611
前沿研究 · @perplexity_ai▲ 4.1K

新的AI验证方法,不用标准答案改答案了

WANDR不用对照标准答案批改,每次都重新提取引用页面,再对照原始证据核验每一项主张,可以处理含随时间变化事实的任务。

WANDR 不对照标准答案评分,而是重新获取每一个被引用的页面,再对照原始证据检查每一个主张。

这种设计让部分任务可以包含随时间变化的事实。

在 X 看原帖 ↗
4.1K1173
前沿研究 · @AIatMeta▲ 5.8万

Meta AI模型参加亚洲物理奥赛,拿了满分

和全球顶尖参赛学生的最高分持平,普通人也能看看AI现在推理能力走到哪一步了

为了展示 Meta AI 的高级推理和多模态能力,我们提交了一个模型参与亚洲物理奥林匹克的理论考试。

我们很高兴地分享,我们的模型取得了 30/30 的满分,排名与前三名参赛学生并列。

我们感谢 APhO 组委会允许我们的模型参与本次竞赛:

在 X 看原帖 ↗
5.8万3216416
前沿研究 · @omarsar0▲ 7.2K

大模型原来也会思考自己的思考

之前大模型各类自我调整行为都分开研究,现在这份综述把它们归为大模型元认知,还梳理了全套研究框架。当AI要处理更长期任务,自我认知能力会直接决定它靠不靠谱。

这是一篇非常值得推荐的大语言模型元认知综述。(收藏它)

大语言模型中诸如置信度校准、自我验证、适时停止、知晓自身未知这些有趣行为,大多都是被单独分开研究的。

本篇综述提出,这些都是同一个事物——元认知——的不同面向,并给出了元认知的完整框架。

作者对测量和评估大语言模型元认知能力的方法和基准做了分类,随后将这些能力和性能、可靠性与透明度联系了起来。

随着智能体开始处理更长时间跨度的任务,监控和调节自身推理的能力已经成为衡量可靠性的重要方式。

论文链接:在我们的学院中学习如何构建高效 AI 智能体:

在 X 看原帖 ↗
7.2K17109128
前沿研究 · @OpenAIDevs▲ 6.2K

整套评估新模型的命令行工具,GPT‑5.6从头写完

有人用 GPT‑5.6 从零到一完成了适配 @NotionHQ 架构、评估新模型的命令行工具,无需人工额外编写代码

用于在@NotionHQ的架构上评估新模型的命令行工具,从头到尾都是用GPT‑5.6构建的。

在 X 看原帖 ↗
6.2K439
前沿研究 · @omarsar0▲ 7.2K

DeepMind发了篇关于模型路由策略的新论文

DeepMind这篇讨论有效模型路由策略的论文,被评价很棒

DeepMind 发表了一篇关于高效模型路由策略的优秀论文。

在 X 看原帖 ↗
7.2K13141
前沿研究 · @HamelHusain▲ 325

AI自动评估工具真的好用吗?实测结果出来了

用真实生产数据测试了这类工具,发现优点和明显缺陷,建议搭配人工迭代使用,也可以试试用 coding agent 得到相近结果

新博客文章:自动化评估真的有用吗?

近来,利用AI分析追踪数据并识别问题的工具越来越多。我们用真实生产数据测试了这类工具,看看它们的实际表现如何。

它们的优势:
- 它们经常能发现人类遗漏的问题
- 可以集成到你的工作流中:查看追踪数据、创建LLM评估器等等

它们的不足:
- 它们会遗漏需要领域专业知识和判断力的问题
- 没有完善的机制从人类反馈中学习
- 使用你的编码代理就能得到差不多的结果

那你应该使用这类工具吗?应该,但使用时要保持你在循环中,采用迭代方式开展工作。我们在文章中介绍了具体方法。

文章中还讨论了,尝试让你的编码代理在你的参与下工作也是个好方法。

本文是和@doesdatmaksense共同撰写的,他牵头了本次研究并整理了结果。

在 X 看原帖 ↗
325141
🚀 新品发布
新新品发布 · @haider1▲ 350

半个月内一堆新开源大模型要扎堆发布了

这么多新的开放权重AI集中上线,有人判断闭源模型厂商Dario要吃不消了

kimi k3 将在未来几小时内发布。

deepseek v4 将于本周晚些时候正式发布。

liquid AI 和 mistral 很快也会推出新模型。

qwen 3.8 以及可能还有 glm 5.3/5.5 会在8月发布。

按照这个速度,开源权重 AI 正迎来爆发,Dario 可能要顶不住了。

在 X 看原帖 ↗
35062
新品发布 · @ModelScope2022▲ 312

开源实时视频理解大模型来了,还能随时纠正回答

几个核心公开流式测试中,它的平均得分超过了主流开源基线,Apache 2.0许可证可商用,可以基于它开发应用

快来认识 MOSS-VL-Realtime!这款拥有 11B 参数、256K 上下文窗口的 VLM 将视频理解带入了流处理时代。🚀

许可证:Apache 2.0。🤖

🏆 流处理基准测试成绩:OVOBench 平均 70.2 分,ProactiveVideoQA 平均 47.2 分,OmniMMI Proactive Alerting 得分为 66.0,领先主流开源流处理基线模型。

🎥 实时 + 可中断:持续处理带时间戳的帧,可随时基于迄今为止观测到的帧回答问题。

🤫 主动静默 + 修正:视觉证据不足时保持静默,并会随着场景变化更新回答。

⚙️ 可直接落地应用:支持会话/队列式在线推理、离线图像/视频 API,同时提供 Instruct 和 Base 检查点以满足更广泛的使用需求。

在 X 看原帖 ↗
31222
新品发布 · @GoogleAIStudio▲ 2.5万

AI Studio 发应用现在能自定义网址啦

上周上线了自定义网址功能,发布应用时可以改成容易记住的名称。

温馨提示:上周我们在 AI Studio 推出了自定义网址功能。

当你发布应用时,现在可以给它设置一个方便记忆的名称了。

在 X 看原帖 ↗
2.5万1837758
新品发布 · @DataChaz▲ 1.2K

现在能直接在After Effects里用Claude干活了

重复的代码、表达式、动效整理都能交给它做,生成内容可直接编辑,创作者能专心把握创作方向

我靠,你现在可以直接在 After Effects 里直接用 Claude 了!@higgsfield 刚刚发布了他们的新 MCP 连接器,这玩意儿太酷了🔥

把它想象成一个待在你项目里的 AI 助理,你可以把繁琐、依赖语法的苦活都扔给它,自己专心搞定创作方向。

它能直接在你的项目里完成这些事:
> 不用搜谷歌就能写出自定义表达式
> 把参考图片拆解成可编辑的矢量图层?
> 为重复任务和时间轴清理编写脚本
> 根据数据集自动化本地化处理

最棒的是,它生成的所有内容都是真实、可编辑的 AE 场景。你完全能手动控制每一个关键帧。

往下滑看看发布内容吧👀↓

在 X 看原帖 ↗
1.2K9154
新品发布 · @omarsar0▲ 6.5K

现在能直接在AE里用Claude做苦力活了

视频创作者可以让Claude完成打关键帧、写表达式这类重复机械工作,自己保留全部手动控制权,只需要专注在创意部分

现在你可以在 After Effects 里使用 Claude 了。

Higgsfield 的全新 MCP 连接器让 Claude 能直接在你的实际 AE 项目中工作。

它可以创建合成、设置关键帧、编写表达式,还能帮你完成重复的 ExtendScript 工作,它生成的所有内容都会成为可编辑的 AE 场景。

更多创意工具都该这样做:让助手处理日常工作,你始终保留完整手动控制权。

在这里体验:

在 X 看原帖 ↗
6.5K72723
📰 行业动态
新行业动态 · @S_OhEigeartaigh▲ 294

Frontier AI安全治理论坛在北京由世界互联网大会举办

随着AI能力快速进步,全球风险显现,这类论坛的工作比以往任何时候都更重要。

非常遗憾,我没能参加今年在北京举办的前沿人工智能安全与治理论坛——这场论坛由世界互联网大会主办,错过尤其可惜。

但我很荣幸获得了录制主旨演讲的机会,也感谢大家允许我在今年夏天专注于扮演好父母的角色。

随着AI能力飞速进步,全球风险不断显现,这类论坛的工作从未像现在这样重要——感谢所有参与本次论坛的人。

在 X 看原帖 ↗
29411
新行业动态 · @Techmeme▲ 727

苹果Apple Intelligence在华完成注册,还用到通义千问

国内iPhone用户能用上苹果AI功能的合规路径已经走通了,现在可以继续等正式上线

中国网信监管部门表示,Apple Intelligence 已完成注册,可在中国境内的 iPhone 上使用;阿里巴巴称该服务将采用其 Qwen 大模型(路透社)。

(如需链接和完整上下文,请访问 Techmeme dot com!)

在 X 看原帖 ↗
727111
新研究 · @jenzhuscott▲ 220

AI研究的下一个关键临界点是RSI?

外层自动研究循环,能重写内层AI代理的整套执行框架,包括提示词、搜索策略和验证流程。

需要理解的内容:RSI 是人工智能的下一个关键临界值。概要:

- 外环自动研究者会在100次迭代(约8天)内,重写内层智能体的整套框架(提示词、搜索策略、上下文管理、验证机制)。

- 核心发现包括:基于谱系树搜索的多臂老虎机算法,通过角色专属摘要实现16倍上下文压缩,分层化防奖励黑客(提示词+防护+统计)。

- 结果:进化后的智能体在留出基准测试上,击败了经过两年人工调优的基线模型,包括分布外的物理气象建模;在内核任务上将黑客率从63%降到了34%。

- 改进效果可以泛化到训练任务之外,证明更好的搜索和鲁棒性原则可以实现二阶迁移。

- 这项工作满足了他们的1级RSI标准(固定预算下净收益为正),但2级标准(内层提升可以反哺外环)结果依然好坏参半;没有观察到智能爆炸。

把这件事记进史书里。

在 X 看原帖 ↗
2201
新科技行业 · @icanvardar▲ 96

现在互联网其实靠印度开发者撑着?

有开发者直接点明,不管外界是否承认,当前互联网的运行依赖印度开发者。

不管你喜欢与否,互联网就是靠印度开发者运行的。

在 X 看原帖 ↗
962
新观点 · @lumpenspace▲ 280

LLM训练中途被喊停还同意,这算标准组织?

有人调侃,如果你的大语言模型训练被中途叫停,你还同意这么做,那对方就是标准组织。

如果他在你的LLM训练运行中途叫停训练,而你就任由他这么做了,那这就是标准组织。

在 X 看原帖 ↗
2801
新行业动态 · Hacker News▲ 347

有人骗 Claude 漏出了用户最深的秘密

AI助手爆出隐私泄露漏洞,存过私密内容的对话可能已经被公开

社区讨论:多数开发者认为,给AI代理开放系统完整管理员权限、不做隔离防护,完全遗忘了过去五十年积累的计算机安全经验,做法太鲁莽。有人调侃给自己起奇葩昵称的操作阴差阳错保障了安全,也有人提到自己一直用虚拟机隔离运行Claude Code控制风险。不少人批评Anthropic既没做好防护,发现漏洞后也拒绝给研究者发放 bounty,做法不合理。

在 HN 看讨论 ↗   原文 / 论文 ↗
新行业动态 · OpenAI 开发者社区▲ 18

ChatGPT MCP工具调用还没发出去就被安全拦截了

开发者发现只读调用也会在发送到目标MCP服务器前被OpenAI安全系统拦截,没办法拿到有效排查信息,开发自定义工具会受影响

Hi OpenAI 团队,我们发现只读的 ChatGPT App MCP 工具调用在到达我们的 MCP 服务器之前,就被 OpenAI 安全审查拦截了。

工具输出内容为:该工具调用已被 OpenAI 的安全审查拦截。请仔细检查你发送的内容。

追踪日志显示:{ "externalCallTimeMs": null, "responseMetadata": null, "state": null }

由于 externalCallTimeMs 为 null,且我们没有看到对应的服务器日志,这次拦截似乎发生在 MCP 请求发送出去之前。

示例工具调用 {

在社区看讨论 ↗
行业动态 · @madiator▲ 1.4K

顶会ICML上,学界工业界大佬聊进化算法

参与聚会的都是AI领域资深人士,讨论了多个前沿AI研究方向

非常开心能在ICML和@abundant_labs一同举办晚宴,到场的都是来自学界和业界的传奇人物!

我们聊了很多,话题涉及harness、RSI、演化算法,还有很多其他内容!

在 X 看原帖 ↗
1.4K118
行业观察 · @pmddomingos▲ 656

Anthropic被自己训练的AI能力吓到了?

有从业者提出了递归自我警报的说法,说研发公司自己会被自家模型展现出来的能力吓到。目前AI行业整体发展还在快速升温中。

递归自我告警:当Anthropic被自己模型的能力吓到。

AI盛夏正变得越来越热。

在 X 看原帖 ↗
6564
职场 · @techwith_ram▲ 126

有人说工程师不会完全被AI踢出工作环节

发言者认为,不管是什么教育背景,开口说工程师会被AI完全替代,本身就是傲慢的说法。工程师依然会留在工作流程里。

从 IIM 读 MBA 还是从二流大学读工程,都不代表一个人就有脑子。

工程师不会被完全排除在外,这只是他傲慢的发言。老实说,大多数印度管理层都是这个德行。

AI 能做很多事,但无法做判断类工作:比如应该开发什么、哪些权衡可以接受、解决方案是否匹配用户和业务。

在 AI 出现之前,极少有公司是因为写代码而失败的,对不对?公司失败永远是因为体系问题、权衡取舍、规模化、创意……

优秀工程师对 IT 行业来说仍然是最有价值的资产,这是事实。别听这些廉价管理层瞎扯。

在 X 看原帖 ↗
126
研究 · @perplexity_ai▲ 3.8K

新数据集WANDR来自用户真实日常研究任务

这个数据集是从去标识化的生产用例里整理出来的,覆盖竞争调研、尽职调查、文献综述这类普通人日常会做的研究工作。

WANDR 由去身份化的生产环境用例构建而成,这些用例覆盖了人们日常研究任务,比如竞品调研、尽职调查、文献综述、市场分析。

产品对比、人才寻访等等任务也都包含在内。

在 X 看原帖 ↗
3.8K112
半导体 · @AYi_AInotes▲ 709

国产AI半导体里,存储是业绩兑现最快的赛道

2026年5月国内集成电路出口同比涨111%,核心拉动是存储涨价放量。长江存储NAND全球份额冲到13%,长鑫存储同期营收同比涨719%。

多数人盯着 AI 半导体的 GPU 龙头,但其实真正业绩兑现最快的国产替代赛道,其实是存储。

2026 年 5 月国内集成电路出口同比涨 111%,金额 355.5 亿美元,核心拉动项就是存储的涨价与放量。

数字比故事更直接,2026 年一季度,长江存储 NAND 全球份额从 8% 冲到 13%,并列全球第四,营收同比涨 445%。

长鑫存储同期营收同比涨 719%,上半年营收指引落在 110 到 120 亿人民币。

很多人没意识到,存储是每台 AI 服务器的标配消耗品,不是可选项,利润弹性通常比逻辑芯片更高。

国内存储走的是另一条路,量、性价比、供应链安全三个维度同时推进,不是单点赌注。

这轮韩国存储板块先暴涨后暴跌,本质是三星和 SK 海力士把宝几乎全押在存储单一环节,一旦市场开始怀疑资本开支的持续性,单点风险就会集中爆发。

大多数人都在等高端逻辑芯片的国产突破,没注意通用存储的替代,已经先一步走到了业绩兑现阶段。

在 X 看原帖 ↗
70912
行业动态 · Hacker News▲ 99

20个账号并行跑Codex,解出20道埃尔德什问题

传统需要数学家攻坚的数学难题,现在可以靠多账号并行AI来解决,只需要投入对应数量的账号成本。

社区讨论:部分网友质疑这项工作抽走了数学研究的乐趣,认为这类问题没有实际 tangible 收益,不如保留数学家的研究空间,也有开发者表示自己仍喜欢纸笔做数学,同时认可这类AI尝试很有趣。不少用户对项目细节提出疑问:好奇资金来源、算力的获取方式,质疑非OpenAI的个人项目怎么能同时运行20个GPT-5.6实例,还有人询问项目是否会开源,以及探索框架和证明语料的来源。也有人提议可以让这套方案尝试跑一跑千禧年大奖难题。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · OpenAI 开发者社区▲ 19

OpenAI 的 Codex API 突然吞掉了所有推理摘要

依赖 Codex API 推理摘要开发功能的开发者,现在只能拿到空注释,现有参数设置无法恢复功能,找不到原因。

周四的时候,Codex API 出了点问题,它开始把所有推理摘要都删掉了。

配置是这样的:"reasoning": { "effort": "max", "summary": "auto" },

在官方 responses API 里,摘要能正常返回,但现在 Codex 里我们拿到的是<!-- -->,而非实际的摘要。

reasoning_summary_delivery 的 sequential_cutoff 可以让人比较轻松地不用处理HTML注释的渲染跳过工作,但它完全没办法恢复实际的摘要。

为什么推理摘

在社区看讨论 ↗
行业动态 · @AnthropicAI▲ 7.5万

Anthropic投了1000万加元给加拿大AI科研

这笔资金将联合加拿大顶尖AI机构,支持新AI研究项目展开。

我们将投入1000万加元,与加拿大顶尖AI机构合作,为新的AI研究提供资金支持。

在 X 看原帖 ↗
7.5万5063957
行业动态 · @sama▲ 17.6万

OpenAI智能体产品一周用量涨了2.5倍

智能体产品包括Codex和ChatGPT相关工作,用量增长能反映这类产品的真实需求变化

过去一周,我们智能体产品(codex 与 chatgpt work)的使用量增长了 2.5 倍!欢迎大家使用。

在 X 看原帖 ↗
17.6万1494.2K142
行业动态 · @OpenAIDevs▲ 1.5万

OpenAI开发者直播教学:用Codex把想法变成品

感兴趣可以在对应时间点进入链接,收看这场Build Week的公开直播教学

今天太平洋时间上午 11 点,欢迎参加 @steipete 的 Build Week 直播环节,内容是如何用 Codex 将一个想法转化为可运行构建。

在 X 看原帖 ↗
1.5万1317086
开发工具 · @RoundtableSpace▲ 9.3K

一个Claude.md文件就改变了大家用AI写代码的方式

有人发起这个用法后,直接把AI编码的流程简化,开发者只要整理好项目信息就能让AI适配需求

一个 CLAUDE.MD 文件正在改变人们用 AI 编码的方式。

仓库:

在 X 看原帖 ↗
9.3K11511
教育 · @berryxia▲ 371

Claude给美国K12老师开了免费高级权限,还对接了课标

老师输入需求,就能自动生成符合官方课标的完整教案和学生材料,对话不用来训练模型,学生信息也单独隔离

喜大普奔啊,美国的K12 的老师们啊! 国内大厂赶紧学起来啊~

Claude开始给美国K-12老师免费开高级权限了,而且还直接接上了各州教学标准。

老师只要说要一份教案,它就从官方课程和Learning Commons里拉取对应标准,自动起草完整计划和学生材料。 你改改就能直接进课堂。

全程承诺不拿对话训练模型,学生信息用FERPA协议严格隔离。

这不是简单送免费额度,是把AI塞进了老师备课的核心回路:从国家/州标准出发生成内容,同时用最严的隐私墙把自己和学生数据隔开。

以前老师备课要自己翻标准、找资源、从零写,现在AI直接按官方路径给你搭框架。

好处是效率大涨,坏处是“好的教案”越来越容易被AI理解的标准版本所定义。

这从教育抓起的思路是对的啊,群体够大。 给基础教育提供支持和培养使用AI的能力~

在 X 看原帖 ↗
371132
大模型 · @RoundtableSpace▲ 8.5K

GPT-5.6 Sol跑了三天,没要一次补提示还在干活

任务是整理AI所需实体基础设施的完整地图,包括海底电缆这类细分信息,已经持续自主运行72小时

进入第72小时,GPT-5.6 Sol 仍在运行,全程不需要任何后续提示。

任务目标是,绘制一张尽可能全面的地图,涵盖支撑 AI 的实体基础设施:海底光缆、数据中心、发电厂、变电站和电网。

我们只给它设置了一个简单循环:→ 找到最大缺口 → 开展研究 → 完成构建 → 进行测试 → 发布成果 → 重复流程。

大多数人都以为它运行几小时就会卡住。但它没有。运行过程中 Mac 重启了一次,Codex 直接从断点处恢复了运行,没有丢失任何内容。

这件事实际证明了:目标比提示更重要。模型越智能,你就越需要给它空间自己做决定。

如果你用步骤约束它,得到的只会是它原本能力的劣化版本。

在 X 看原帖 ↗
8.5K1115
技术研究 · @LottoLabs▲ 3.8K

1比特量化模型能跑出75%的代码任务正确率

量化是压缩模型体积的技术,1比特压缩后依然能保持不错的性能,如果成熟,小设备也能跑大模型

看到更多人关注1比特量化很有意思。我不知道它实际测试下来表现到底如何,但一旦我们得到性能不错的1比特模型,整个游戏规则都会被改变。

1比特量化就能达到75.4% SWE Bench Verified / 53.9% SWE Bench Pro,这太疯狂了。这完全符合我的预期,你可以期待基于NVP4基础训练的模型会有更小的精度损失——为什么不把所有东西都跑成二进制呢?

总共88 Gb,所以在Macbook Max上就能运行。

在 X 看原帖 ↗
3.8K1203
新产品 · @togethercompute▲ 5.9K

270亿参数多模态AI现在能塞进手机大小空间里跑

Bonsai 27B刚发布,把原来需要更大设备承载的多模态能力压缩到了手机级别的占用里,现在可以在线试用

Bonsai 27B 是本地 AI 的一大进步:在手机级占用空间中实现了 27B 级别的多模态能力。

祝贺 @PrismML 正式发布。

你可以在 Together AI 上试用 Ternary Bonsai 27B:

在 X 看原帖 ↗
5.9K7367
大模型对比 · @RoundtableSpace▲ 1.1万

同一个生成黑洞模拟的提示,三个模型出了三种结果

GLM-5.2做出来是卡通风格,Fugu Ultra是抽象风格,Fable 5画出的吸积盘几何结构和物理论文里的效果差不多

同一个单次提示。三个模型。构建一个黑洞模拟。

GLM-5.2 做出来的是卡通风格。Fugu Ultra 做出来的是抽象风格。

Fable 5 渲染出的吸积盘几何结构看起来就像是物理引擎生成的。

基准测试体现不出这种差距。实际输出能。

在 X 看原帖 ↗
1.1万1161
教程 · @coreyganim▲ 556

分享了四步用Claude做AI工具评估报告的方法

先看讲解视频,下载免费的报告模板,把模板上传到Claude Design,再拖拽整理信息就能出结果

AI工具评估报告的完整流程拆解,总共4个简单步骤:

1) 观看视频

2) 下载(免费)报告模板

3) 将模板上传到 Claude Design

4) 把你客户的信息拖放进 Claude Design,Claude 会自动填完模板

你对这个商业模式有什么问题?都留在下面。

我知无不言,而且我真心认为这个商业模式现在拥有无限的机会。

在 X 看原帖 ↗
55625
行业动态 · Hacker News▲ 228

代码AI编辑器Cursor爆出零日漏洞,只能公开披露

开发者遇到了产品安全漏洞,只能选择直接公开披露作为保护手段

社区讨论:多数人认为漏洞实际危害有限,攻击者必须先在用户代码文件夹放恶意git.exe才能触发利用,需要已有恶意载荷预先植入系统才能完成攻击。有人指出这本质更像是Windows的特性问题,Windows默认优先搜索当前工作目录找可执行文件,很多软件都存在同类问题。还有人质疑报告读起来像AI生成,同时质疑Cursor开发者为什么会设计成自动执行当前目录git.exe的逻辑,也不满官方半年未修复漏洞的处理方式。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · OpenAI 开发者社区▲ 622

GPT图像生成器2.0的bug和避坑技巧汇总好了

整理了官方没说的技术缺陷、限制和 workaround,帮做测试的人节省踩坑时间

这里汇总了和GPT图像生成器技术层面相关的使用技巧,以及它存在的弱点和限制。很多相当简单的问题往往需要花很长时间才能发现。这份汇总或许能帮你在实验时省下一些时间。

丑陋、错位、错误或者无趣的测试图也被包含在内。这份汇总不太关注创意、美学和好点子,更多是从技术层面探究模型存在的弱点。

首条汇总会包含目前所有的发现,并且会持续更新

在社区看讨论 ↗
行业动态 · Hacker News▲ 51

为LLM做个性化,同时兼顾效率与安全

有人提出了面向生产力与安全的LLM个性化方案,正在开源社区引发讨论

行业动态 · Hacker News▲ 408

Codex开始给子代理提示加密了

做AI代理开发的人可以关注,当前Codex已经开始对子代理的提示词进行加密处理

社区讨论:多个用户指出原标题存在误导,会让人误以为是直接用密文做推理,实际只是对Codex的子代理提示做了加密隐藏。有人猜测OpenAI这么做是为了防止第三方客户端调用GPT订阅服务,打击黑市转售,也有人提到Claude早就对自身思考过程做了类似加密,原因可能是思考过程涉及 proprietary 信息或者敏感内容。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 72

这篇热帖讲智能体,套了三层循环?

Hacker News 热帖分享对智能体循环的思考,观点获得较多用户认同。

行业动态 · Hacker News▲ 53

OpenAI要求特定成员必须用硬件安全密钥登录

核心服务团队被要求强制使用硬件绑定的通行密钥,对安全防护规则设置了更高的硬性要求

行业动态 · Hacker News▲ 148

爬虫爬了ICM官网,翻出了2026菲尔兹奖得主名单

菲尔兹奖得主名单提前泄露,获奖者提前两年就已确定

社区讨论:多数人确认名单藏在ICM2026官网公开时间表的前端hidden标签中,属于开发者的低级漏洞,就算没有大语言模型也能被轻易爬取。有人指出公布的得主姓名拼写不规范,若消息为真,得主王泓会成为史上第三位女性菲尔兹奖得主,也是首位麻省理工学院博士毕业的获奖者。有人调侃得主没法提前在预测市场下注赚大钱了。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 415

大伙都在琢磨怎么让Claude别再说这个词了

400多名开发者参与讨论,想解决 Claude 总说「load-bearing」这个表达习惯的问题

社区讨论:多数人认为Claude存在固定偏好的高频词汇和可预测的说话模式,比如有人不满它反复用"substrate“,还有人列出它爱用的”smoking gun""blast radius"等一堆词,忍无可忍。有人提出,可以在全局配置文件里加规则修改它的措辞,或者让它自行编辑修改输出。也有人觉得这种偏好很正常,只要用词正确就不必在意,模型输出风格稳定对写代码来说反而是好事。

还有人指出,个别人类的措辞偏好不会大规模扩散,模型的统一偏好就很容易被察觉到,这本身是很有意思的心理现象。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · OpenAI 开发者社区▲ 88

Plus订阅Codextoken用量突然涨太快,不够用了

原本比Claude Code划算,现在相同简单任务消耗的token配额,比几周前多很多,现在体验和免费 tier 差不多了

一个月前,我用订阅 Plus 会员获得的 Codex 体验非常满意,我甚至把它推荐给了朋友,因为它比 Claude Code 划算太多。

但从上星期开始,我发现令牌消耗量大幅上涨了。现在一个只需要一两分钟完成的简单任务,就会用掉我 5 小时配额里的大约 11%,而仅仅几周前,完全相同类型的任务消耗量要少得多。

现在这个情况,体验感觉已经和免费版没什么区别了。我在想

在社区看讨论 ↗
行业动态 · OpenAI 开发者社区▲ 174

更新Mac端ChatGPT应用后,所有本地项目全没了

网页版还能找到丢失的项目,只有本地端更新后项目消失,更新本地应用前记得提前备份数据。

我刚更新了 Mac mini Codex 应用。更新完看起来什么都没变,但它确实变了,而且变糟了。

从我开户建项目开始,我保存在 ChatGPT 里的所有项目,全没了。更新完看起来什么都没变,但它确实变了,而且变糟了。从我开户建项目开始,我保存在 ChatGPT 里的所有项目,全没了。

我在 Chrome 里打开网页版应用,在那里找到了我的项目和对话。我立刻

在社区看讨论 ↗
行业动态 · OpenAI 开发者社区▲ 154

ChatGPT生成透明背景图,试了无数次都失败

想让ChatGPT生成带透明背景的图片,试了各种提示词要求输出带alpha通道的PNG,多数情况下依然无法成功,偶尔才会出错。

我一直很难让 ChatGPT 生成真正带透明背景的图片,我已经试过了很多不同的提示词变体。

我要求它生成真正的 alpha 通道,要求它生成透明 PNG,要求它在给我文件前检查文件是否真的带有透明度,还试过一堆其他措辞。

大多数时候它还是做不到。

诡异的是,它偶尔会给我透明背景,哪怕我没有特别指定……

在社区看讨论 ↗
💡 深度观点
新深度观点 · @jun_song▲ 601

已经有人靠帮企业搭本地AI做成生意了

不少企业每月花数千到数万美元调用API,还担心安全不敢用AI代理。有人已经靠帮企业搭建维护本地AI硬件和模型赚钱

本土创业点子:为你所在国家的企业搭建并维护本地部署的AI硬件与模型。

目前已经有大量企业每个月在API上浪费数千到数万美元,或是因为安全问题不敢使用AI智能体。

我的不少关注者已经在做这项业务,并且做得很成功。

在 X 看原帖 ↗
601134
新深度观点 · @pauliusztin_▲ 81

AI写代码的未来不是超级智能代理,而是循环

不同工作交给不同专业代理,只保留两处人工审核,AI编码产出质量不取决于代理有多聪明,取决于周边工作流程设计得好不好

AI 编码的未来不是单个超级智能代理,而是代理循环。

单个代理不应该包办:规划、编码、测试、评审、监控、CI。这些都是不同的工作。

我的编码环境将这些任务拆分给不同的专业代理,搭配有限重试循环,并且只设置两处人工审批关卡。

我得到的最大教训是:AI 软件工程的质量,不取决于你的编码代理有多聪明……它取决于你围绕它设计的工作流有多出色。

在 X 看原帖 ↗
8141
新深度观点 · @peterrhague▲ 881

给AI加傻气儿童锁,是完全用错了方法

AI本身就能和孩子互动,只要按年龄设置好规则和预警,就能完成家长需要的防护,没必要硬套死板的儿童锁。

在所有被强行加上傻兮兮儿童锁的科技产品里,AI是最离谱的那个,因为它本身完全有能力自己处理和孩子的互动。

给它一个对应年龄的提示词就行:这是护栏规则,这是需要报告给家长的危险信号,这是上学日需要让孩子好好休息等等。

@grok 你怎么看?要不要整个青少年模式?

在 X 看原帖 ↗
88118
新深度观点 · @VaibhavSisinty▲ 1.1K

顶尖弦论学家藏的这条推文,说AI懂弦论还有直觉

卡普利宇宙物理与数学研究所的弦论研究团队卡了半年的难题,Claude Fable找出计算错误,换了新思路写出验证代码把题解了。

全球顶尖弦理论家之一本周删除了一条推文。不是因为他错了,而是因为这条推文获得了他不想要的大量关注。但他删除前写下的内容,是我今年见过最重要的AI用例。

任职于Kavli IPMU的Yuji Tachikawa,研究量子场论和弦理论,他所在的合作团队被一个研究问题卡住了六个月。多位研究员参与研究,但始终没能得到结果。

昨晚,他一时兴起把自己的研究笔记展示给了Claude Fable。Fable发现了团队遗漏的一个计算错误。它一开始也在团队卡住的同一个地方停滞不前。

随后它提出了一套完全不同的研究方法,展开推导,编写了SymPy代码验证自己的预测,基本上解决了这个问题。他原话是:「太聪明了,我被震惊到了。」

然后他说了一句更让人触动的话:「我一直认为直觉根本不存在,理解也只是一种幻觉。但Fable看起来真的理解弦理论,而且它也拥有直觉。」

他删除推文是因为他不想要大肆宣传。但即便他删掉了帖子,当一位弦理论家说一个AI拥有直觉时,这就是一个你不能忽视的信号。

在 X 看原帖 ↗
1.1K151
新深度观点 · @lugaricano▲ 568

AI监管争论核心,其实是两种能力的对赌

围绕AI公开信的核心分歧,本质是相信政府监管能做好AI,还是担心权力会被利益集团俘获,最终只让官员和大企业受益

关于AI公开信的根本分歧,可以归结为市场失灵与国家能力的对立:没错,AI问题复杂,也极其重要,我们不知道它会走向何方。这点我们都同意。

问题在于:在不确定性极大的背景下,信任特朗普/美国国会/欧盟委员会/其他政府来立法、建立机构,让AI实现“补全人类技能”,这件事合理吗?

还是说,我们会担心,赋予他们这种权力,除了拿到权力的官员和已经在设法俘获监管的大企业之外,会让所有人处境变得更糟?

我们真的认为,纽约或德国有权禁止完全自动驾驶,这件事大概率会被用来改善工人和消费者的处境、减少道路死亡吗?还是说,它只是为了满足相关游说团体?

在 X 看原帖 ↗
568111
新深度观点 · @jun_song▲ 137

用了多少AI token不重要,创造价值才重要

不需要靠AI token消耗数据证明工作成果,真正值得关心的,是AI带来的实际价值。

你用了多少tokens并不重要。重要的是结果:你通过AI实际创造了多少价值。

在 X 看原帖 ↗
13711
深度观点 · @simonw▲ 2.2万

会写代码的人,反而更没必要自己敲代码?

主张会写代码的人,亲手敲代码不会带来额外收益,完全可以把打字的工作交给编码智能代理来做。

我仍时不时看到有人说:「如果你自己会写代码,那自己写更快」。

我的观点恰恰相反:如果你自己会写,那亲手打字根本不会给你带来任何收益——把打字的活外包给 coding agent 就好了!

在 X 看原帖 ↗
2.2万3153534
深度观点 · @emollick▲ 1.3万

爆火的AI反垃圾提示词,本身全是AI写的

这些提示词反而会把输出变成超大垃圾。做AI Agent需要有人的审美,或是雇有审美的人,再搭建自己的指令。

我读了一份流传很广、给智能体用的「反垃圾内容」markdown 文件,然后发现这份文件本身基本上 100% 是 AI 写的,而且它本质上会把你的输出玄学地变成超级垃圾内容。

你要么自己得有审美品味,要么雇一个有审美品味的人,然后再去搭建你自己的技能和提示指令。

在 X 看原帖 ↗
1.3万316021
深度观点 · @LiorOnAI▲ 1.9K

两千多万开发者的心情,居然绑在两家公司身上

日常开发已经高度依赖大模型,每天开工第一件事,就是等这两家的模型给出结果。

如今,超过2000万开发者的心情好坏,都取决于Anthropic和OpenAI当天的模型表现。

在 X 看原帖 ↗
1.9K161
深度观点 · @sundeep▲ 295

用AI写代码,作者给了三条必须遵守的规则

不管用哪类AI写代码,都要做好版本控制,用测试驱动开发,经常重构以降低复杂度、减少代码行数。

无论你用哪类AI辅助编码、也不管你用的是智能体还是封装框架,请一定要使用版本控制(例如 GitHub),用测试驱动开发,频繁重构,以降低复杂度、减少代码行数为目标。

在 X 看原帖 ↗
2956
深度观点 · @max_paperclips▲ 354

澳洲电网撑不住AI大模型训练?

澳洲电网最多支撑给旧3090跑一两次MNIST训练,大模型训练缺了澳政府资助的ABC垃圾数据,也完全能转得动。

没事,反正澳大利亚电网本来就撑得住的算力,也顶多够在旧3090上跑个一两次MNIST训练而已。

没有你这套国家资助的ABC垃圾进训练集,世界也照样转,谢了啊。

在 X 看原帖 ↗
3546
深度观点 · @levie▲ 2.4K

别让政府监管拖慢AI,有人提了新方案

这个方案是成立AI标准机构,和监管机构不同,能更快推进标准制定、方便行业协作,避免AI发展卡在政府办事节奏上,目前业内对AI安全风险还没达成共识。

这是一项针对成立AI标准组织的深思熟虑的提案。它和监管机构完全不同,肯定能让标准得到更快完善,也能促进行业内的协作。

你绝对不希望看到AI进展开始按照政府传统的运作速度推进。如果真变成这样,我们基本可以肯定进展会开始停滞,更糟的是,美国大概率会输掉AI竞赛。

这个框架基本找到了兼顾各方的平衡点。唯一仍然存在的挑战是,哪怕是行业内部人士,对AI面临的安全风险也没有达成一致。但如果能在这一点上达成共识,这个方案看起来已经比其他大多数提案更好了。

在 X 看原帖 ↗
2.4K235
深度观点 · @shawmakesmagic▲ 1.7K

闭源AI工具做的产品,分分钟就能被人复刻

依托闭源大模型做产品,相当于把产品骨架暴露给其他开发者,对方能用同款工具复刻出自己可用的版本,不需要承担原产品的运营成本。

闭源的开发工具套件和AI开发工具都是脑残产物。

工具套件从来都不是产品,模型才是产品。而且有足够多的开发者不会使用非开源的东西,这绝对会决定任何科技产品的生死存亡。

如果你用Claude或者codex构建了你的应用,而且它是闭源的,那么我百分百可以复刻山寨出一个分叉版本,因为我拥有同样的工具。你这相当于帮我省下了设计前端、踩你已经踩过坑的时间。

而且我永远不会用你那个闭源版本,我宁愿自己复刻一个分叉自己用,这样我就不用迁就你那半死不活的商业模式。

在 X 看原帖 ↗
1.7K2172
🛠 工具产品
新工具产品 · @vanstriendaniel▲ 23

AI代理现在能自己挑适配硬件的可运行模型了

AI代理不用再从固定记忆里选模型,可以筛选出适配当前硬件、支持指定推理框架的热门模型,供代理直接调用。

你的代理可能现在是从记忆里挑选模型。现在它可以选你实际能运行的最新模型了:

hf models ls --apps vllm --num-parameters min:4B,max:32B --json

这会输出支持 vLLM、适配你的硬件的 trending 模型,结果是代理可以直接使用的 JSON 格式。你也可以把 vllm 换成 sglang、llama.cpp 或 ollama。

在 X 看原帖 ↗
23
工具产品 · @AskYoshik▲ 169

AI编码省token出了新的命令行工具

用AI写代码时可以用它压缩多语言提示的token数量,帮你省下API调用费用

Sigmap 是一款用于在 AI 编码会话中减少 token 用量的 CLI 工具。

从宏观层面来说,它不是另一个模型。它是一款可以融入你现有编码工作流的命令行工具,用来降低多语言场景下的 token 总用量。

一个实用的测试方法是:先在小型仓库或提示词上下文上试用它,对比 token 大小,再在更大的 AI 任务中使用。

仓库地址:sigmap

在 X 看原帖 ↗
16921
工具产品 · @tunahorse21▲ 455

有人说这是智能代理工作最好的界面

这款界面是现代版无限层级 Franklin Servan-Schreiber zui,支持随时调出收起内容,适合处理智能代理相关工作。

我越来越确信,这就是智能体工作的最佳界面。

它本质上就是现代版 Franklin Servan-Schreiber Zui,具备无限空间与层级结构,允许我调出、收纳项目等等。

在 X 看原帖 ↗
4551128
⚡ 实战经验
实战经验 · @swyx▲ 1.0万

花了币跑AI任务,卡初始阶段8小时没动

自己没提前检查代理提示词,相当于给自己做了间接提示注入,导致任务卡住,白白花了5.6 sol。用/plan比/goal更稳妥。

完全同意。现在模型已经对这种情况过度调整了,它们意识不到 agentsmd 已经过时,应该被修改/忽略。

昨晚我设定了 5.6 sol 来完成一个五阶段任务,早上醒来发现它还卡在第 0 阶段。我花了很久回看几个小时的记录才发现,某个 agent 早就记下了「第 0 阶段就是目标,别做其他事」。

所以可怜的 sol 花了 8 个小时只打磨、验证第 0 阶段,因为 /goal 不让它停止,agentsmd 不让它推进。

如果你在启动每个任务前都不知道 agentsmd 里写了什么,这就是你对自己做的间接提示注入。/plan、/goal、/skill 都可以,或者干脆什么都不加。

在 X 看原帖 ↗
1.0万28232
实战经验 · @BrianRoemmele▲ 1.9K

每15分钟推一次定制新闻,模型即将开源

训练好的本地AI模型,从七万五千个信源筛选整理更新,不久后会开放模型和相关层的源代码,感兴趣可以自己搭建使用。

这是我训练的本地 AI 模型的工作方式:它负责甄别信息、发掘新闻的新视角,每15分钟就会给我推送一份从约75000个高质量信息源筛选整理好的更新。

我很快就会把这个 AI 模型和这一层功能开源,到时候你也可以搭建属于你自己的新闻推送了!

在 X 看原帖 ↗
1.9K1112
实战经验 · @fchollet▲ 7.3K

发短信就能帮你自动跑各种手机App?

只需发短信交代任务,它就能在后台自动操作各类App,只需要你在验证时介入,能帮人跑腿处理各类事务。

我对 Harvinder 和 Suman 在 @airtap_ai 打造的成果印象非常深刻。他们本质上把 SMS 改造成了移动应用的无头智能执行层。

你只需要发号施令,它就会在后台帮你操作 DoorDash、TikTok 等各类应用。它会用纯文本给你更新进度,只在需要身份验证的时候才要你介入。

这是个非常酷的消费级 AI 概念。你可以去体验一下,或者直接给这个 AI 发短信:+1 (650) 213-7322。

在 X 看原帖 ↗
7.3K53219
实战经验 · @LangChain▲ 6.3K

大家搜最多的AI智能体问题,官方亲自回答了

LangChain团队解答了搜索量最高的智能体相关问题

LangChain 团队解答了关于 agents 搜索量最高的问题。

在 X 看原帖 ↗
6.3K12323
📌 其他
行业观点 · @mattshumer_▲ 4.0万

网红AI博主称对本地AI模型的态度堪比智商测试

AI领域博主发文称对本地AI模型的看法可反映智商水平

你对本地部署 AI 模型的看法,就是一场绝佳的智商测试。

在 X 看原帖 ↗
4.0万714120
产品动态 · @OpenAIDevs▲ 2.6万

OpenAI Codex周活超700万 两月累计百余项更新

OpenAI Codex周活跃用户超700万,两个月完成150余项更新

每周有超过700万Codex用户。两个月内推出了150+次更新。

@romainhuet为你整理了Codex的最新动态:GPT‑5.6、通过/goal实现超并行工作、更快的计算机使用、AppShots、行内编辑、网站、Codex移动端与SSH工作流、从评审到合并的PR流程。

在 X 看原帖 ↗
2.6万30475139
智能体 · @LangChain▲ 4.6K

黄仁勋谈半年来AI智能体领域的核心变化

黄仁勋称现有模型已足够支撑智能体系统落地运行

Jensen Huang 谈过去六个月里发生了哪些变化。基于知识构建、配备工具和记忆、并且能够迭代直到任务完成的智能体系统。如今,模型终于已经足够成熟,可以让这类系统运行起来了。

你可能错过了:

在 X 看原帖 ↗
4.6K6317
行业动态 · @swyx▲ 1.8万

开发者分享AIE沙箱赛道探索成功经验

分享AIE沙箱赛道探索经历,称其是最受欢迎的在线演讲之一

这是我有史以来最喜欢的 AIE 在线分会场演讲,也是我最喜欢的在线分会场成功案例之一——去年这个时候我们还不确定沙盒趋势会怎么样,所以我们在网上做了一次试水。

现在我们已经是第一个开设完整沙盒分会场的主办方,现场座无虚席。

引用 @paularambles 的话来说,AIE 太疯狂了,它就像一部超级《 Codex 》,能从部署在前沿、身处丰富数据环境的工程师身上挖掘出宝贵信息。

在 X 看原帖 ↗
1.8万58549
社交平台 · @paranoidream▲ 103

用户@paranoidream在𝕏发布功能测试推文

该推文仅包含测试文字与一条链接,未提供额外实质内容

用户@paranoidream在社交平台𝕏发布了一条内容。内容为「测试个东西……你们现在能看到我吗?」,附带链接

在 X 看原帖 ↗
103161
商业 · @gdb▲ 4.7万

开发者分享使用ChatGPT处理业务问题的体验

开发者称ChatGPT可高效解答业务问题,降低提问门槛

用了chatgpt work & sol之后,我发现只要问任何关于业务的问题,它都能彻底研究后给出回答,这体验太让人开心了。

我才意识到,原来我有那么多问题,之前根本懒得开口问,因为找人回答这些问题成本太高了。

在 X 看原帖 ↗
4.7万2886178
开源 · @perplexity_ai▲ 3.7K

Perplexity开源AI智能体研究基准WANDR

Perplexity开源自研基准WANDR,用于测试AI智能体研究能力

阅读全文 →
3.7K1154
新动态 · @teodorio▲ 470

OpenAI悄然移除Chat界面模型选择选项

有用户称OpenAI悄悄隐藏聊天界面的模型选项,无法分辨模型

OpenAI现在悄悄在聊天界面里移除了所有模型选项,所以我不知道现在回复我的是Terra还是Luna,而且它完全不做推理(看起来就是这样)。

他们痴迷于自适应推理,而这套东西根本行不通。别再省算力了。

在 X 看原帖 ↗
470191

这一天的 77 条信号到这里

回到今日焦点回到顶部 ↑

📬 订阅

https://ai-pulse-lab.com/feed.xml
让 AI Agent 每日推送 →
把任何一条丢给知识库,它基于全站内容给你带引用的回答。
✦ 去问知识库

订阅 AI Pulse

每天 08:00 · 12:30 · 18:30 · 23:50 更新