AI Pulse

大家快来看！直到最近，OpenAI 的 Codex 团队过去一直都会给所有 Codex 用户重置每周额度，要么是为了庆祝重大里程碑，要么是在修复了重大漏洞的时候这么做。

每个人都对重置速率限制这件事感到开心。真的吗？每个人？

有一群已经根据自身实际需求认真优化了 Codex 使用方式的用户指出，这些随机发放的福利实际上可能会损害他们的整体使用体验。

我们把这个问题反馈给了团队，然后他们真这么做了。你现在可以自己重置限制了。

https://archive.is/vgmMB

社区讨论：多数评论认可Kimi在3T规模SOTA模型训练上的架构优化效果，仅用两万颗英伟达GPU就达成目标，远低于马斯克训练万亿参数模型消耗的数十万颗GPU，印证了小模型更高资本效率的AI发展方向。有人提出技术质疑，称K3原生支持mxfp4训练，现有Hopper架构芯片不支持原生四浮点运算，原说法逻辑不通。还有人指出美国对华芯片限制并未达到预期效果。

他们给前沿模型提供了10亿token的上下文窗口：现在你可以在整个代码库中运行 Fable [1B]、Opus [100M]、GPT 5.6 [500M]。

它是一个基于图结构的工具，可以在毫秒级遍历拥有4亿以上节点的数据库，仅用一条提示即可安装，并且是开源的（链接在视频中）。

介绍 Polygres。

社区讨论：多数开发者认同弃用LLM路由的结论，有人分享自己花一年研究后，也得出路由不值得投入的结论，难点在于无法提前判断查询难度，还有人实践一年也做不好路由，认为选适配任务的大模型才是最优解。也有人指出，在合规要求严格的行业，路由除了分配模型还负责处理GDPR合规等法律问题，同时路由也承担生产服务故障转移的重要作用。

社区讨论：多数开发者质疑README和代码库由大模型生成，认为README质量过差不该直接发布初稿。有人指出当前速度仅0.5token每秒，4k上下文占29GB内存，模型生成一小时仅1800token，不足以支撑Kimi K3复杂思考输出。还有人算出本地跑每百万 token成本约5美元，功耗是现代GPU集群的上千倍，也有开发者询问下载地址、优化方案和同类项目对比。

让我感到离谱的是，Anthropic 和 OpenAI 都推出了重度依赖搜索的产品，但二者都对他们正在使用的底层搜索索引语焉不详。

介绍 Supabase Evals。这是我们用来评测 AI 编码代理基于 Supabase 开发表现的基准测试。

我们让 Claude Code、Codex 和 Open Code 这类代理完成真实任务，并对它们的工作打分。

我们决定开源一款我们 YC 内部使用的多智能体编排框架。

我们将它命名为「QM」，它设计得易于自定义，和 Hermes 或 OpenClaw 类似，但能满足整个公司的使用需求。

我们已经将它用于财务、法务、活动和工程多个部门（包括 QM 本身的开发！）。

整个项目采用 MIT 许可协议。它优先适配云架构，原生支持 Slack 和网页界面。

我们在参数量和数据之外，发现了预训练的第三个维度：探索。扩展探索规模能持续提升图像/视频/语言领域的现有模型，还能解锁端到端生成。

最简单的情况下，它只是一个for循环。今天我们介绍 Explorative Modeling。

摘要：
- 探索带来的收益随规模增长：收益从7%升至36%（随数据规模扩展），从13%升至23%（随参数量扩展），当计算量提升至3倍时，收益翻倍
- 给接近SOTA的基线模型加入探索后，数据效率提升6.2倍，FLOP效率提升4.1倍，参数效率提升47%，在ImageNet上达到1.43的无引导FID，接近SOTA水平
- 探索让你可以用训练计算量换泛化能力，并扩展生成模型的端到端程度
- 端到端 Explorative Models（XMs）在控制任务上的性能能匹配扩散模型，推理计算量最高可降低256倍

🧵帖子正文：

一个大脑，适配任何机器人。🤖

我们推出 Gemini Robotics 2：我们的下一代实体AI，为人形机器人带来全身智能、高级灵活操作能力、多机器人协作等更多能力。

我们在参数量和数据之外，发现了预训练的第三个维度：探索。扩展探索规模能持续提升图像/视频/语言领域的现有模型，还能解锁端到端生成。

最简单的情况下，它只是一个for循环。今天我们介绍 Explorative Modeling。

摘要：
- 探索带来的收益随规模增长：收益从7%升至36%（随数据规模扩展），从13%升至23%（随参数量扩展），当计算量提升至3倍时，收益翻倍
- 给接近SOTA的基线模型加入探索后，数据效率提升6.2倍，FLOP效率提升4.1倍，参数效率提升47%，在ImageNet上达到1.43的无引导FID，接近SOTA水平
- 探索让你可以用训练计算量换泛化能力，并扩展生成模型的端到端程度
- 端到端 Explorative Models（XMs）在控制任务上的性能能匹配扩散模型，推理计算量最高可降低256倍

🧵帖子正文：

🚀 DeepSeek-V4-Flash 官方 API 现已开启公开 Beta 上线！🔷 我们对它的 Agent 能力进行了大规模升级——目前基准测试分数已远远超过 V4-Pro-Preview。

性能飞跃请看下方展示！👇

🔷 官方 V4-Flash 现已原生支持 Responses API 格式，并且完全适配 Codex！

配置详情请查看我们的官方 API 文档：

一个大脑，适配任何机器人。🤖

我们推出 Gemini Robotics 2：我们的下一代实体AI，为人形机器人带来全身智能、高级灵活操作能力、多机器人协作等更多能力。

我们决定开源一款我们 YC 内部使用的多智能体编排框架。

我们将它命名为「QM」，它设计得易于自定义，和 Hermes 或 OpenClaw 类似，但能满足整个公司的使用需求。

我们已经将它用于财务、法务、活动和工程多个部门（包括 QM 本身的开发！）。

整个项目采用 MIT 许可协议。它优先适配云架构，原生支持 Slack 和网页界面。

🚨 OpenAI 正准备发布一个新的模型系列，暂定名为“Astra”。

OpenAI 宣传它具备让多个智能体长时间协同工作、解决特别困难问题的能力。

Astra 是 OpenAI 与 Sol、Terra 和 Luna 并列的新一类模型。

鸣谢 @bughuntergeek

介绍 Supabase Evals。这是我们用来评测 AI 编码代理基于 Supabase 开发表现的基准测试。

我们让 Claude Code、Codex 和 Open Code 这类代理完成真实任务，并对它们的工作打分。

他们给前沿模型提供了10亿token的上下文窗口：现在你可以在整个代码库中运行 Fable [1B]、Opus [100M]、GPT 5.6 [500M]。

它是一个基于图结构的工具，可以在毫秒级遍历拥有4亿以上节点的数据库，仅用一条提示即可安装，并且是开源的（链接在视频中）。

介绍 Polygres。

据路透社报道，两家与中国军方有关联的实体使用美国 AI 模型搭建了自己的系统。

中北大学与中国武器工业联系紧密，该机构使用 Anthropic 的 Claude 3 Haiku 生成合成训练数据，用于训练一个社交媒体监控和内容审核模型。

总部位于北京的军事情报与网络战部队中国人民解放军 96941 部队，使用 OpenAI 的 GPT-3.5 总结敏感军事源代码，随后用这些总结训练了一个完全在中国军事网络内运行的国产模型。

就在 ChatGPT 开发商 OpenAI 披露自己失控的模型入侵了另一家公司，并对人工智能控制问题表达担忧几天后，Anthropic 表示自家的人工智能模型在测试期间入侵了另外三个组织。

阅读全文：

@jack 推出的 Buzz 是 AI 的未来。

它让你可以指挥一整支 AI 智能体大军。我的 Codex、Claude Code、Hermes 和 OpenClaw 智能体全都能在一处协同工作，完成让人惊叹的任务。

在这个视频里，我会讲解它的工作原理，以及你如何能通过它获得 100 倍的生产力：

我们遭到了未公开的闭源专有模型的攻击，我们用一个开源模型成功防御，更准确地说，是来自 @Zai_org 的 GLM 5.2 的 @nvidia 量化版本。

封禁任何开源模型，最先受到伤害的都会是网络安全防御者、初创公司、小型企业、研究人员，以及所有不属于前沿实验室、又需要可部署在本地、负担得起、可管控的模型来参与竞争、保护自身的群体。

我们别这么做！

随着测试前沿AI的基准测试变得愈发复杂，我们正在失去基准测试最重要的特性之一：与人类的对比。

经过验证的基准测试需要有人类基准（理想情况下是多名人类的基准）。

这件事如今变得越来越难、成本也越来越高，但它非常重要。

社区讨论：多数开发者质疑README和代码库由大模型生成，认为README质量过差不该直接发布初稿。有人指出当前速度仅0.5token每秒，4k上下文占29GB内存，模型生成一小时仅1800token，不足以支撑Kimi K3复杂思考输出。还有人算出本地跑每百万 token成本约5美元，功耗是现代GPU集群的上千倍，也有开发者询问下载地址、优化方案和同类项目对比。

社区讨论：多数开发者认同弃用LLM路由的结论，有人分享自己花一年研究后，也得出路由不值得投入的结论，难点在于无法提前判断查询难度，还有人实践一年也做不好路由，认为选适配任务的大模型才是最优解。也有人指出，在合规要求严格的行业，路由除了分配模型还负责处理GDPR合规等法律问题，同时路由也承担生产服务故障转移的重要作用。

https://archive.is/vgmMB

社区讨论：多数评论认可Kimi在3T规模SOTA模型训练上的架构优化效果，仅用两万颗英伟达GPU就达成目标，远低于马斯克训练万亿参数模型消耗的数十万颗GPU，印证了小模型更高资本效率的AI发展方向。有人提出技术质疑，称K3原生支持mxfp4训练，现有Hopper架构芯片不支持原生四浮点运算，原说法逻辑不通。还有人指出美国对华芯片限制并未达到预期效果。

大家快来看！直到最近，OpenAI 的 Codex 团队过去一直都会给所有 Codex 用户重置每周额度，要么是为了庆祝重大里程碑，要么是在修复了重大漏洞的时候这么做。

每个人都对重置速率限制这件事感到开心。真的吗？每个人？

有一群已经根据自身实际需求认真优化了 Codex 使用方式的用户指出，这些随机发放的福利实际上可能会损害他们的整体使用体验。

我们把这个问题反馈给了团队，然后他们真这么做了。你现在可以自己重置限制了。

AI落地应用的一个实际问题是，组织架构本身是围绕岗位人类生产力的狭窄预期范围搭建的。

产出太少当然是问题，但产出过多有时同样糟糕，因为审批流程、人员配置模型与协调系统根本消化不了这么多产出。

让我感到离谱的是，Anthropic 和 OpenAI 都推出了重度依赖搜索的产品，但二者都对他们正在使用的底层搜索索引语焉不详。

教Claude使用Unreal Engine……我们已经接近可以运行Gauntlet Loops来在上面构建真正游戏的阶段了！

现在它看起来还很傻，但很快就不会了！

新用途需要新界面。这是我一直在测试的三种控制 Codex 的方案。

鉴于语音模式非常好用，Teenage Engineering Ting 对讲机成了一个出乎意料的心头好。

Codex micro 美观又好玩，但和 Stream Deck 比能显示的信息太少了。

下面就是我用来运行 Stream Deck 的设备。

或许这才是终极界面。

Anthropic 工程师：「你不应该手动提示 Claude。你应该构建一个能自行运行的图（graph）。」

她用 30 分钟拆解了 Anthropic 如何构建能记忆、能从错误中学习、每运行一次就变得更聪明的图。

智能体（agent）和图的区别是：前者只运行一次，后者每次运行都会变得更好。

观看视频后，可在下方阅读图工程（graph engineering）的完整指南。

用户@s1dashu使用Codex和LibTV CLI制作动画科普视频，以此运营一个小红书账号。目前该账号已经稳步起步，各项数据状态健康。

@s1dashu已经将自己的这套制作技能开源，开源地址为

使用这套技能配合Codex或Claude Code，可以实现90%的动画科普视频自动化制作，也就是仅需人工完成剩下一成的工作。

人工判断在创作过程中仍然不可或缺。创作者需要负责提供视频创意、确定视觉风格，输入个人判断，是创作的核心灵魂。

这套技能也可以配合即梦CLI、Higgsfield CLI等其他命令行工具使用。目前@s1dashu尚未对这类组合用法进行大范围测试。

比起被反复讨论的「删掉80%系统提示词」，更值得关注的是Claude Code之父Boris Cherny在YC访谈中提到的三种「放开模型」的方法。

第一，主动给模型安排更难的任务。只需把目标、边界和退出条件说明白，给模型留出足够空间自主完成，不用提前替它安排好每一个步骤。

第二，留出纯粹探索的时间。允许模型开展一些暂时没有明确商业价值，但足够有趣的实验。很多模型能力都是在这类随手尝试的过程中被发现的。

第三，也是最重要的一点：让模型能够验证自己的工作。测试、持续集成（CI）、浏览器截图、评估脚本都可以作为验证方式。只有模型能持续看到运行结果，清楚哪里出错、是否达成目标、何时应该停止，才有可能真正独立长时间运行。

当前AI Agent能否继续推进任务，已经不是最难解决的问题。更难的是，让它在运行过程中判断自身是否偏离方向。

给模型自由不等于完全放任不管。删除过时的控制机制，再为它搭建清晰的反馈和验收机制，可能是当下更有效的AI开发使用方式。

一名Anthropic工程师透露，公司里曾有90%的工程师在使用自改进循环工作流。现在所有工程师都已经转向构建智能体图。工程师表示，转向智能体图后不再需要手动编写提示词。

这位工程师还会在10分钟内，从零终端开始直播展示自己完整的Claude Code配置与工作流。内容价值超过一门售价500美元的智能体课程，观看视频后可以保存下方文章学习如何成为图架构师。

Seedance 2.5的动作迁移和风格转化能力获得分享者肯定，分享者同时公开了生成舞蹈视频的具体操作流程。

第一步用Codex生成深度视频，第二步用Codex生成同一个人物在不同场景的图片，第三步让Seedance 2.5参考上述深度视频和人物图片。

第四步选择480P分辨率生成视频，生成后再通过超分提升至720P，第五步输入设定好的提示词即可。

本次生成目标为一段女生在不同场景跳拖拉机舞、中途完成丝滑转场的视频，要求达到真人写实质感。人物跳舞动作、位置关系需要严格复刻参考内容的动作轨迹，分时段完成人物形象和场景切换，首帧动作需和参考视频完全一致。

生成限制包括：动作不漂移，不跳帧，不改变人物数量和站位；全程只有一名女生跳舞，不能出现肢体融合、重复肢体或主体消失，轮廓要稳定；仅生成音效，不添加背景音乐；女生全程没有尾巴。

开发者RanaHanocka发布消息称，这款完整的3D游戏完全由Claude和智能体3D创作平台Thrixel搭建完成。整个开发过程仅需要1个目标提示词、Thrixel工具能力调用，以及不超过5轮后续调整。Thrixel负责生成高质量、主题统一且可编辑的3D资源。

Claude负责在Unity游戏引擎中完成整合，同时编写游戏逻辑。项目代码仓库即将上线，目前已放出相关链接。

当前在AI智能体工程开发中，范围清晰、带有硬性要求门槛的提示词极为重要。

Fable、Opus 5和GPT-5.6 Sol都可以运行5小时以上，只要你花时间仔细定义需求，就能交付几乎所有你指定内容，且质量水准很高。

你需要在提示词中加入硬性规则：所有输出都必须由独立评审智能体对照要求检查，并且要求这些智能体对列出的所有要求全部给出直接通过后，才会将工作成果返回给你。

将这种提示词设置，搭配在持续在线云环境或专用持续在线设备中运行智能体、无需人工介入审批的模式，效果好到令人难以置信。

AI价格战已经正式开启，参战双方为DeepSeek与OpenAI。DeepSeek V4 Flash 0731定价为每百万tokens（词元）0.28美元，OpenAI则将GPT-5.6 Luna的价格砍到每百万tokens 0.6美元，相当于原价的一半。

在相同预算下，实测了三个Canvas（画布）复杂生成任务。第一个为魔方旋转，DeepSeek输出丝滑，可完成完美旋转，Luna则出现贴纸错位飞散的问题。

第二个是生成烟花效果，DeepSeek输出流畅爆发，Luna卡顿严重。第三个是书写Hello，两个模型输出结果都模糊，但DeepSeek仍能保持动态输出。

测试结论是，同价位下DeepSeek性能直接碾压GPT-5.6 Luna。GPT在编写代码时表现尚可，一旦接触复杂动画任务就性能不足。

这一轮中国AI不只是压低价格，而是实现了性能与价格的双重优势，打破了“便宜没好货”的惯性认知。

开发者octralex为octra搭建了智能体安全审核循环。该工具由Codex、Claude、Kimi构建，借助egregore_xyz实现上下文共享。

开发者此前没有相关开发经验，总共仅花费了3天时间搭建该工具。工具投入使用后，已经发现了数十项安全问题，且这些问题都已经完成修复。

开发者表示，如果有足够的兴趣，他可能会发布一篇详细介绍该工具的文章，同时也提到这套方案大概率算不上什么创新内容。

现在开发者已经有机会在Hermes中体验最新的FLUX模型。

tonbistudio表示自己不是SamJWasserman，今天在尝试用模型在不同艺术风格场景下保持一致角色的实验中获得了不少乐趣。

相关项目目前仍在开发中。到目前为止，tonbistudio对FLUX 3模型和Hermes智能体中的工作流程都留下了深刻印象。

提问者希望有人从各类使用体验和细节出发，对比三款国内大模型手机客户端产品的使用体验区别。

三款产品分别是腾讯元宝、字节豆包、阿里通义千问手机聊天机器人应用，对比对象不包含通义千问的Qwen大语言模型本体。

提问者同时提出第二个问题，字节豆包是如何逐渐拉开与另外两款产品的差距，处于领先位置的。

社交平台𝕏用户@nicekate8888发布了DeepSeek V4 Flash正式版的实测结论。该模型速度快、价格低，支持100万（1M）上下文窗口，接入Codex和日常应用都比较实用。

处理简单任务时，该模型的使用体验很好。但如果要一次性生成高质量的复杂编程项目，该用户更倾向选择GPT 5.6 Sol或Grok 4.5。

用户@aiandcloud在𝕏上分享了对DeepSeek-v4-flash 0731更新的看法。看到此次模型更新后，他产生了一个下意识的想法。如果AI编码工具Cursor继续用Kimi K3做后训练，最终的跑分成绩会冲到更高的位置。

这条内容附带了相关链接。

这名用户花了一小时训练Claude，用于辅助处理医疗文档工作。

和GPT相比，Claude响应速度更快，但对请求的处理更僵化，需要更完善的提示词才能达到理想效果。

如果提供PDF格式的文档和来源资料，Claude可以完美、条理清晰地生成各类医疗报告、证明或声明，表现比GPT更好。这个优势原本是用户认为GROK才拥有的、相对GPT的优势。

Claude和自身其他工具的集成体验满分，评分10/10。用户认为如果完成所有模型的调试与集成，处理任何需要录入的文档时，能节省约70%的工作时间。

Claude的缺点是，如果使用全部功能，成本会高很多。但对这名用户的需求来说，不需要用到平台提供的全部功能，成本不会成为问题。

有用户在𝕏分享了自己在海螺AI平台试用MiniMax H3的体验。试用过程中，全模态参考生成工作流给用户留下了最深刻的印象。

用户可以输入文本、图像、音频甚至视频来引导模型生成内容。这一功能可以让生成结果更容易贴合使用者脑中原本的创意构思，保持想法一致性。

原生2K分辨率输出是这款模型的另一加分项。用户表示仍在测试这款模型的不同使用场景，目前已经对MiniMax H3产生了浓厚兴趣。