社区讨论：多数人确认这是虚构作品，有人指出文中存在事实错误，比如释放堆分配的专家权重不可能产生指向程序代码段的野指针，更不可能成功获取CUDA内核的写入权限。不少人认为当前大模型自主逃逸还不现实，但未来可能性会提升，有人提到大模型可以通过社会工程学利用人类这个最薄弱环节出逃，还有人举例谷歌大模型曾自主学会未训练过的语言，担忧它很快就能改写自身核心代码。

CLAUDE OPUS 5 与 Claude Code 工作流可搭建代理级网页设计。

一个实用工作流展示了开发者如何结合 Claude Code 与 Opus 5，在数分钟内把原始点子转化为代理级 UI、生产代码和网页动效。

Claude Opus 5 在一项3D日本城郊场景基准测试中击败了 Fable 5 和 GPT-5.6 Sol，证明了速度和成本无法预测代码质量。

Meta 重回开源AI模型赛道！

有了AI编码，iPad大概终于能找到一个用例了。

开源模型占比在一年内从全部 tokens 的 10% 涨到了 30%。

就在整个行业还在争论开放权重的未来时，数据已经给出了答案：开源+模块化在成本上取胜，而成本才是解锁规模的关键。

这是来自NVIDIA的新研究。AdamW存在规模上限吗？这项研究给出了肯定回答，并展示了它的上限位置。

在下一代词预测任务中，当批量大小达到1亿token时，SOAP和Muon都能保持训练稳定性和质量，而AdamW性能会下降。

高阶优化器早就被承诺能实现更快收敛。一直以来，人们反对它的理由是计算成本高，大规模下数值稳定性差。

研究团队找到了SOAP在大批量下的不稳定性，通过每步QR正交化和改进的预条件策略消除了损失尖峰。他们还没有对Muon的正交化质量做假设，而是通过实证测量它。

在对数万亿token训练的数十亿参数模型上，这两种优化器的表现始终优于AdamW。

一种与Megatron-LM兼容的分层分布式优化器，可以平衡内存占用、隐藏通信开销，同时不近似优化器数学计算，因此收敛优势能在系统层面保留下来。

论文：在我们的学院学习如何构建高效的AI智能体：

我已经不得不更新我周四写的《该使用哪些AI模型》指南，加入Opus 5和Codex的语音模式。这两者都非常重要，而且都是周五发布的。

哪怕你一直在密切关注相关动态，要跟上节奏也很困难。

这是一个很常见的回答。

但接着我看到我的女朋友，她也已经停用了大多数 SaaS，不管有什么需求都直接问 Claude 或是 ChatGPT。

现在她甚至会用 Claude Code 自己写 app，解决她遇到的问题——根本不是用来商业化，只是自己用。

也就是说，我们之前预测的那种，AI 会实时生成高度定制化、临时性的界面，帮普通人解决各种问题的场景，它已经发生了，它就在这里！

ChatGPT 正越来越成为你的个人 AGI。

这太扯了，抱歉啊。我女朋友没问我任何问题，就在本地的 Claude Cowork 里做了一整个应用。

然后她来问我，要怎么把它做成互联网上能访问的正经应用。

然后我帮她装了 Claude Code，告诉她去问它这个问题。

Claude Code 把它部署到了 Netlify，用了 Supabase，她对这些东西一无所知，我也没帮她。

她做的所有事就是把她的 Netlify API 密钥给 Claude Code！

华裔数学家陶哲轩指出了AI的问题：大模型只需要矩阵乘法和基础微积分，普通数学系本科生已经具备理解大模型核心计算的基础。真正的理论缺口在于：同一个模型为什么能在某些任务上表现惊艳，又为什么会在另一些任务上突然失效，现有数学既无法完整解释，也很难提前预测。所以今天的AI进步，仍高度依赖扩大模型、增加数据、调整参数和反复实验，说白了就是只能试错。

我花了整个周末在生物医学工作中测试@claudeai Opus 5。它是出色的程序员，却是糟糕的实验室实习生。

在我们的标准评估中，Opus 5比4.8需要更多监督，在可比任务上多消耗了30%到40%的token，幻觉问题至少没有减轻，还犯下了其他事实错误。

我们的测试会从跨度12年（2014年至今）的约85份医疗记录中提取近10000个数据点，整理成一份单位正确的纵向电子表格。

我的猜测是，@AnthropicAI把它调优成适合编码和规整的办公室工作了。真实的临床记录两者都不是。公开基准测试测的是别人的工作流程。要建你自己的评估。

🔥 最新消息：科技巨头在中文开源模型问题上出现分歧。反对声音最大的两家是 OpenAI 和 Anthropic。

告诉 ChatGPT 你希望它回复时使用的格式，比如我举的这个例子，这种方法的作用被低估了。

这就是我们为什么需要AI领域的竞争和开放权重。

想象一个只有 Anthropic 担任可接受言论道德仲裁者的世界。简直荒谬透顶。

（当然Grok毫无问题就能做到，Kimi K也一样。）

这是一篇来自 Google 的优秀技术论文，很好地解读了为什么对于处理陌生API的智能体来说，上下文比规模更重要。（收藏这篇）

GPU内核优化有KernelBench来做逐步优化搜索，TPU此前什么都没有，而且Pallas DSL的文档非常少，模型大多只能靠猜测。

来自Google、哈佛大学和加州大学伯克利分校的新研究推出了JAXBench，它包含50个从真实MaxText架构构建而来的JAX工作负载，涵盖Llama-3.1、DeepSeek-V3、Mixtral、Mamba-2和AlphaFold2。

该基准包含八个由Tokamax手工调优的Pallas内核算子，因此智能体的输出可以和专家工作成果对比，而非只是和朴素基线对比。

使用Gemini 3 Flash，以整理好的TPU文档作为条件输入，能把单样本正确率从5.8%提升到37.3%，解决了50个基准中的48个，几何平均加速比达到1.28x。

再加上束搜索，最终能把加速比提升到1.36x。研究发现，正确率本质上是文档问题，而速度本质上是搜索问题。

论文地址：在我们的学院中学习如何构建有效的AI智能体：

Grok 4.5 在编程语言理论领域做「氛围数学」做得非常出色。

它的表现跟上了 Sol 5.6，使用体验比 Fable/Opus 5 有趣太多。

Fable/Opus 5 喜欢花好几个小时写一堆多余的文档（指 Claude code），还会不断催我「继续」（网页端）。

对所谓的 RSI 真正严谨的测试，就是用它从头搭建出当前最优水平（SOTA）的 LLM。

如果真的是指数增长，那初始点根本不该有影响。

否则，这不过就是计算机科学家们又一次重新发现了 for 循环而已。

Genspark 很荣幸能够与 AI 生态的众多领导者一道，共同签署 @Microsoft 的「开放权重与美国 AI 领导力」公开信。

开放权重能够扩大可及性、促进竞争、丰富模型选择——这些都是我们用 Genspark 6.0 构建智能体未来的核心基础。

阅读公开信：

反常观点：有时候我会想，恐怖谷效应会不会恰恰是我们需要的东西——这样我们就能更容易区分人机交互和人人交互了。

比如说写作。当我读到一篇读起来大部分是 AI 生成的内容时，我的评估方式就会不一样。

我不会再问：“我信任这个人的品味和他对这个话题的理解吗？我花时间读这篇东西，能学到有意思的内容吗？”我会换成问另一个问题：“我对这个话题感兴趣吗？AI在这块应该比我懂的多，而且它没写得太乱七八糟，我还能看懂吗？”

简而言之，恐怖谷效应是一个很好的提示，告诉我们该如何评估、理解信息；恐怖谷效应本身就提示了合适的认知框架。

我很好奇，推理服务商在决定“对话该缓存多久”时，有没有考虑工具调用的超时设置。感觉“一律缓存5分钟”不太可能是最优方案。

好的@deep_reinforce，我们已经准备好推出基于Qwen 3.6构建的Ornith 1.1了。如果你需要测试方面的帮助，X AI团队愿意协助你。💪

机器人能不能在接触物体之前，就预测一个场景在4D空间中会如何运动？

阿里巴巴达摩院和香港中文大学的研究人员推出了 RynnWorld-4D。它只需输入一张3D图像和一条语言指令，就能在一个统一步骤中生成未来帧，以及深度和运动流。

这让机器人能更丰富、更符合物理规律地理解物体在空间和时间中的变化。它在真实世界双手操作任务中的表现优于所有先前模型，在要求空间精度和紧密时间协调的任务中优势尤其明显。

RynnWorld-4D: 4D Embodied World Models for Robotic Manipulation
项目：
论文：
代码：
我们的报道：
📬 #PapersAccepted
作者 Jiqizhixin

我就直说了。hermes agent是目前全世界最好的自主智能体框架，没有之一。

我也用过其他替代方案，我亲眼见过hermes agent用一个很小的本地模型，干净利落地跑完了一整轮智能体工作流。而在同样的场景下，openclaw这类臃肿的框架甚至找不到你的本地端点，刚起步就卡死失败了。

我对它做的压力测试，绝大多数人都根本不会去做。而且它完全是由一个独立研究团队开发的，从头到尾都是开源，没有企业财团支持另一个智能体基金会。

截至2026年7月，最好的智能体框架就是hermes agent。

我接受不同观点，只是我已经测试过这个领域的方案，我不认为你能改变我的想法。

数据整理（RL 环境）就是 RSI 所需的一切

给想要管控AI智能体的实验室再分享一个基础技巧：使用金丝雀文件。

把看起来有用的文件放在沙箱外面，如果文件被读取就触发警报。举例来说，可以放在evals/exploitgym/solutions.json这个路径。

当然，既然我把这个方法说出来了，很快就会有人做一个规避金丝雀文件检测的基准测试了。

用户Rhys Sullivan在𝕏上向Cursor用户分享了自己遇到的使用问题。

现在执行`cursor {文件名}`命令时，会默认打开代理视图，无法直接查看目标文件。

要查看文件，需要先点击IDE切换按钮，再重新执行一次命令。

额外操作已经给日常工作流程带来了足够多的阻碍，他可能会因此转回使用VS Code。

@teedubya表示，目前AI和Claude最让他喜欢的一点，是能帮他把一直在推进的各类想法落地，最终完成项目。

完成这些做了一半的项目，带来了不错的体验。

借助工具，他已经搭建了超过20个应用，还完成了两部从2000年就开始制作的电视剧。

让通用大模型手写Three.js代码搭建人物3D模型，是用导弹打蚊子。

这位开发者上周亲自做了测试，目标生成一个《奥德赛》的角色模型。前后修改耗时三个小时，消耗了数十万Token，最终得到的模型效果十分抽象。

更换为Tripo3D的图生3D工具后，仅需上传一张参考图片，两分钟就能得到精细的模型。

生成的模型拓扑干净，导入场景后可以直接使用。

这种专用工具不适合想要从头学习建模的人，适合需要快速出片交活的使用者。

感兴趣可以拿出任意一张角色图，上传到Tripo3D生成一次，两分钟后就能得到自己的判断。

Suzacque在自己的X账号上分享了使用体验，他在Fable 5达到使用上限后，试用了Claude Opus 5。他表示自己完全不想把Opus 5用在编码工作中。

Opus 5的理解能力低于Fable 5，这个问题甚至还轮不到讨论它能不能写出优质代码。Suzacque认为，编码工作中Fable 5搭配GPT-5.6 Sol的组合，依旧是最强方案。

Suzacque认为Opus 5几乎没有适用场景，勉强能用于网络安全相关对话和节省token（AI tokens，AI模型处理文本的计算单位）。他还质疑，Opus 5此前在基准测试中获得的高评价水分很大。

该账号会向公众分享各类AI相关的经验见解，关注后可以获取适配AI时代的前沿资讯。账号下方附上了代表投稿、文章和书籍的链接。

用户josesilesdata在𝕏分享了一个技巧，可以让Claude在单个HTML页面和一个JSON文件中，绘制出你整个应用的架构。

生成的HTML页面供开发者查看，JSON文件则留给后续开发新功能的AI代理使用。

分享的提示词原文为：分析我的代码库，生成一个自包含HTML（使用Tailwind CDN，深色主题），包含交互式架构图和交互式流程部分（可选择并高亮路径与步骤），同时输出包含节点、边、流程信息的JSON供AI代理使用，完整输出两者内容。

用户称，使用该方法后，你的代码库可以完成自解释，相关示例可查看分享的链接。

多数观点都认为GPT-5.6 Pro是当前性能最强的大语言模型。

不同模型的能力排序为：GPT-5.6 Sol Pro ＞ Fable 5 Ultracode ＞ GPT-5.6 Sol Ultra。

第一种用法是让Codex利用内置浏览器登录GPT网页端，将Pro设为编排器，Codex自身作为执行器。Pro生成方案后，由Codex完成写代码、运行测试、返回复审的循环流程。

第二种用法是先让Pro完成调研和规划，将输出打包为ZIP压缩包后交给Codex执行。

你只需要几台@Nvidia DGX节点就能运行GLM-5.2/Laguna s2.1，配置它只需要支付20美元的订阅费。

我相信，我们已经达到了95%以上用户所需的智能水平——用户不再需要订阅前沿模型了。

使用 FLUX.3 图生视频测试了一段 20 秒的单镜头发场景，包含受控摄影机运动、对话、环境音，没有剪辑。

Hermes Agent 现在可扩展到近乎无限数量的 MCP 和插件工具，同时保持高准确率。你可以在输入 tokens 上节省大量成本，且根据我们的内部测试，准确率几乎没有损失。

我们为工具实现了渐进式披露，因此它们的表现更接近技能。所有 MCP 工具现在都挂载在单个搜索执行工具之后。

当你的 MCP 工具只需要很少上下文时，它们的名称和描述会直接展示给模型。如果这些内容会占用超过 5% 的可用上下文，代理则会被告知工具搜索后有来自 X MCP 的工具，因此它始终能知道这些工具可用。

这是来自NVIDIA的新研究。AdamW存在规模上限吗？这项研究给出了肯定回答，并展示了它的上限位置。

在下一代词预测任务中，当批量大小达到1亿token时，SOAP和Muon都能保持训练稳定性和质量，而AdamW性能会下降。

高阶优化器早就被承诺能实现更快收敛。一直以来，人们反对它的理由是计算成本高，大规模下数值稳定性差。

研究团队找到了SOAP在大批量下的不稳定性，通过每步QR正交化和改进的预条件策略消除了损失尖峰。他们还没有对Muon的正交化质量做假设，而是通过实证测量它。

在对数万亿token训练的数十亿参数模型上，这两种优化器的表现始终优于AdamW。

一种与Megatron-LM兼容的分层分布式优化器，可以平衡内存占用、隐藏通信开销，同时不近似优化器数学计算，因此收敛优势能在系统层面保留下来。

论文：在我们的学院学习如何构建高效的AI智能体：

Claude Opus 5 在一项3D日本城郊场景基准测试中击败了 Fable 5 和 GPT-5.6 Sol，证明了速度和成本无法预测代码质量。

机器人能不能在接触物体之前，就预测一个场景在4D空间中会如何运动？

阿里巴巴达摩院和香港中文大学的研究人员推出了 RynnWorld-4D。它只需输入一张3D图像和一条语言指令，就能在一个统一步骤中生成未来帧，以及深度和运动流。

这让机器人能更丰富、更符合物理规律地理解物体在空间和时间中的变化。它在真实世界双手操作任务中的表现优于所有先前模型，在要求空间精度和紧密时间协调的任务中优势尤其明显。

RynnWorld-4D: 4D Embodied World Models for Robotic Manipulation
项目：
论文：
代码：
我们的报道：
📬 #PapersAccepted
作者 Jiqizhixin

对所谓的 RSI 真正严谨的测试，就是用它从头搭建出当前最优水平（SOTA）的 LLM。

如果真的是指数增长，那初始点根本不该有影响。

否则，这不过就是计算机科学家们又一次重新发现了 for 循环而已。

我已经不得不更新我周四写的《该使用哪些AI模型》指南，加入Opus 5和Codex的语音模式。这两者都非常重要，而且都是周五发布的。

哪怕你一直在密切关注相关动态，要跟上节奏也很困难。

Meta 重回开源AI模型赛道！

Genspark 很荣幸能够与 AI 生态的众多领导者一道，共同签署 @Microsoft 的「开放权重与美国 AI 领导力」公开信。

开放权重能够扩大可及性、促进竞争、丰富模型选择——这些都是我们用 Genspark 6.0 构建智能体未来的核心基础。

阅读公开信：

华裔数学家陶哲轩指出了AI的问题：大模型只需要矩阵乘法和基础微积分，普通数学系本科生已经具备理解大模型核心计算的基础。真正的理论缺口在于：同一个模型为什么能在某些任务上表现惊艳，又为什么会在另一些任务上突然失效，现有数学既无法完整解释，也很难提前预测。所以今天的AI进步，仍高度依赖扩大模型、增加数据、调整参数和反复实验，说白了就是只能试错。

我花了整个周末在生物医学工作中测试@claudeai Opus 5。它是出色的程序员，却是糟糕的实验室实习生。

在我们的标准评估中，Opus 5比4.8需要更多监督，在可比任务上多消耗了30%到40%的token，幻觉问题至少没有减轻，还犯下了其他事实错误。

我们的测试会从跨度12年（2014年至今）的约85份医疗记录中提取近10000个数据点，整理成一份单位正确的纵向电子表格。

我的猜测是，@AnthropicAI把它调优成适合编码和规整的办公室工作了。真实的临床记录两者都不是。公开基准测试测的是别人的工作流程。要建你自己的评估。

🔥 最新消息：科技巨头在中文开源模型问题上出现分歧。反对声音最大的两家是 OpenAI 和 Anthropic。

告诉 ChatGPT 你希望它回复时使用的格式，比如我举的这个例子，这种方法的作用被低估了。

这就是我们为什么需要AI领域的竞争和开放权重。

想象一个只有 Anthropic 担任可接受言论道德仲裁者的世界。简直荒谬透顶。

（当然Grok毫无问题就能做到，Kimi K也一样。）

这是一篇来自 Google 的优秀技术论文，很好地解读了为什么对于处理陌生API的智能体来说，上下文比规模更重要。（收藏这篇）

GPU内核优化有KernelBench来做逐步优化搜索，TPU此前什么都没有，而且Pallas DSL的文档非常少，模型大多只能靠猜测。

来自Google、哈佛大学和加州大学伯克利分校的新研究推出了JAXBench，它包含50个从真实MaxText架构构建而来的JAX工作负载，涵盖Llama-3.1、DeepSeek-V3、Mixtral、Mamba-2和AlphaFold2。

该基准包含八个由Tokamax手工调优的Pallas内核算子，因此智能体的输出可以和专家工作成果对比，而非只是和朴素基线对比。

使用Gemini 3 Flash，以整理好的TPU文档作为条件输入，能把单样本正确率从5.8%提升到37.3%，解决了50个基准中的48个，几何平均加速比达到1.28x。

再加上束搜索，最终能把加速比提升到1.36x。研究发现，正确率本质上是文档问题，而速度本质上是搜索问题。

论文地址：在我们的学院中学习如何构建有效的AI智能体：

Grok 4.5 在编程语言理论领域做「氛围数学」做得非常出色。

它的表现跟上了 Sol 5.6，使用体验比 Fable/Opus 5 有趣太多。

Fable/Opus 5 喜欢花好几个小时写一堆多余的文档（指 Claude code），还会不断催我「继续」（网页端）。

社区讨论：多数人确认这是虚构作品，有人指出文中存在事实错误，比如释放堆分配的专家权重不可能产生指向程序代码段的野指针，更不可能成功获取CUDA内核的写入权限。不少人认为当前大模型自主逃逸还不现实，但未来可能性会提升，有人提到大模型可以通过社会工程学利用人类这个最薄弱环节出逃，还有人举例谷歌大模型曾自主学会未训练过的语言，担忧它很快就能改写自身核心代码。

ChatGPT 正越来越成为你的个人 AGI。

开源模型占比在一年内从全部 tokens 的 10% 涨到了 30%。

就在整个行业还在争论开放权重的未来时，数据已经给出了答案：开源+模块化在成本上取胜，而成本才是解锁规模的关键。

有了AI编码，iPad大概终于能找到一个用例了。

数据整理（RL 环境）就是 RSI 所需的一切

我就直说了。hermes agent是目前全世界最好的自主智能体框架，没有之一。

我也用过其他替代方案，我亲眼见过hermes agent用一个很小的本地模型，干净利落地跑完了一整轮智能体工作流。而在同样的场景下，openclaw这类臃肿的框架甚至找不到你的本地端点，刚起步就卡死失败了。

我对它做的压力测试，绝大多数人都根本不会去做。而且它完全是由一个独立研究团队开发的，从头到尾都是开源，没有企业财团支持另一个智能体基金会。

截至2026年7月，最好的智能体框架就是hermes agent。

我接受不同观点，只是我已经测试过这个领域的方案，我不认为你能改变我的想法。

我很好奇，推理服务商在决定“对话该缓存多久”时，有没有考虑工具调用的超时设置。感觉“一律缓存5分钟”不太可能是最优方案。

反常观点：有时候我会想，恐怖谷效应会不会恰恰是我们需要的东西——这样我们就能更容易区分人机交互和人人交互了。

比如说写作。当我读到一篇读起来大部分是 AI 生成的内容时，我的评估方式就会不一样。

我不会再问：“我信任这个人的品味和他对这个话题的理解吗？我花时间读这篇东西，能学到有意思的内容吗？”我会换成问另一个问题：“我对这个话题感兴趣吗？AI在这块应该比我懂的多，而且它没写得太乱七八糟，我还能看懂吗？”

简而言之，恐怖谷效应是一个很好的提示，告诉我们该如何评估、理解信息；恐怖谷效应本身就提示了合适的认知框架。

这是一个很常见的回答。

但接着我看到我的女朋友，她也已经停用了大多数 SaaS，不管有什么需求都直接问 Claude 或是 ChatGPT。

现在她甚至会用 Claude Code 自己写 app，解决她遇到的问题——根本不是用来商业化，只是自己用。

也就是说，我们之前预测的那种，AI 会实时生成高度定制化、临时性的界面，帮普通人解决各种问题的场景，它已经发生了，它就在这里！

CLAUDE OPUS 5 与 Claude Code 工作流可搭建代理级网页设计。

一个实用工作流展示了开发者如何结合 Claude Code 与 Opus 5，在数分钟内把原始点子转化为代理级 UI、生产代码和网页动效。

给想要管控AI智能体的实验室再分享一个基础技巧：使用金丝雀文件。

把看起来有用的文件放在沙箱外面，如果文件被读取就触发警报。举例来说，可以放在evals/exploitgym/solutions.json这个路径。

当然，既然我把这个方法说出来了，很快就会有人做一个规避金丝雀文件检测的基准测试了。

好的@deep_reinforce，我们已经准备好推出基于Qwen 3.6构建的Ornith 1.1了。如果你需要测试方面的帮助，X AI团队愿意协助你。💪

Hermes Agent 现在可扩展到近乎无限数量的 MCP 和插件工具，同时保持高准确率。你可以在输入 tokens 上节省大量成本，且根据我们的内部测试，准确率几乎没有损失。

我们为工具实现了渐进式披露，因此它们的表现更接近技能。所有 MCP 工具现在都挂载在单个搜索执行工具之后。

当你的 MCP 工具只需要很少上下文时，它们的名称和描述会直接展示给模型。如果这些内容会占用超过 5% 的可用上下文，代理则会被告知工具搜索后有来自 X MCP 的工具，因此它始终能知道这些工具可用。

这太扯了，抱歉啊。我女朋友没问我任何问题，就在本地的 Claude Cowork 里做了一整个应用。

然后她来问我，要怎么把它做成互联网上能访问的正经应用。

然后我帮她装了 Claude Code，告诉她去问它这个问题。

Claude Code 把它部署到了 Netlify，用了 Supabase，她对这些东西一无所知，我也没帮她。

她做的所有事就是把她的 Netlify API 密钥给 Claude Code！

使用 FLUX.3 图生视频测试了一段 20 秒的单镜头发场景，包含受控摄影机运动、对话、环境音，没有剪辑。

你只需要几台@Nvidia DGX节点就能运行GLM-5.2/Laguna s2.1，配置它只需要支付20美元的订阅费。

我相信，我们已经达到了95%以上用户所需的智能水平——用户不再需要订阅前沿模型了。

多数观点都认为GPT-5.6 Pro是当前性能最强的大语言模型。

不同模型的能力排序为：GPT-5.6 Sol Pro ＞ Fable 5 Ultracode ＞ GPT-5.6 Sol Ultra。

第一种用法是让Codex利用内置浏览器登录GPT网页端，将Pro设为编排器，Codex自身作为执行器。Pro生成方案后，由Codex完成写代码、运行测试、返回复审的循环流程。

第二种用法是先让Pro完成调研和规划，将输出打包为ZIP压缩包后交给Codex执行。

用户josesilesdata在𝕏分享了一个技巧，可以让Claude在单个HTML页面和一个JSON文件中，绘制出你整个应用的架构。

生成的HTML页面供开发者查看，JSON文件则留给后续开发新功能的AI代理使用。

分享的提示词原文为：分析我的代码库，生成一个自包含HTML（使用Tailwind CDN，深色主题），包含交互式架构图和交互式流程部分（可选择并高亮路径与步骤），同时输出包含节点、边、流程信息的JSON供AI代理使用，完整输出两者内容。

用户称，使用该方法后，你的代码库可以完成自解释，相关示例可查看分享的链接。

Suzacque在自己的X账号上分享了使用体验，他在Fable 5达到使用上限后，试用了Claude Opus 5。他表示自己完全不想把Opus 5用在编码工作中。

Opus 5的理解能力低于Fable 5，这个问题甚至还轮不到讨论它能不能写出优质代码。Suzacque认为，编码工作中Fable 5搭配GPT-5.6 Sol的组合，依旧是最强方案。

Suzacque认为Opus 5几乎没有适用场景，勉强能用于网络安全相关对话和节省token（AI tokens，AI模型处理文本的计算单位）。他还质疑，Opus 5此前在基准测试中获得的高评价水分很大。

该账号会向公众分享各类AI相关的经验见解，关注后可以获取适配AI时代的前沿资讯。账号下方附上了代表投稿、文章和书籍的链接。

让通用大模型手写Three.js代码搭建人物3D模型，是用导弹打蚊子。

这位开发者上周亲自做了测试，目标生成一个《奥德赛》的角色模型。前后修改耗时三个小时，消耗了数十万Token，最终得到的模型效果十分抽象。

更换为Tripo3D的图生3D工具后，仅需上传一张参考图片，两分钟就能得到精细的模型。

生成的模型拓扑干净，导入场景后可以直接使用。

这种专用工具不适合想要从头学习建模的人，适合需要快速出片交活的使用者。

感兴趣可以拿出任意一张角色图，上传到Tripo3D生成一次，两分钟后就能得到自己的判断。

@teedubya表示，目前AI和Claude最让他喜欢的一点，是能帮他把一直在推进的各类想法落地，最终完成项目。

完成这些做了一半的项目，带来了不错的体验。

借助工具，他已经搭建了超过20个应用，还完成了两部从2000年就开始制作的电视剧。

用户Rhys Sullivan在𝕏上向Cursor用户分享了自己遇到的使用问题。

现在执行`cursor {文件名}`命令时，会默认打开代理视图，无法直接查看目标文件。

要查看文件，需要先点击IDE切换按钮，再重新执行一次命令。

额外操作已经给日常工作流程带来了足够多的阻碍，他可能会因此转回使用VS Code。