AI Pulse

社区讨论：多数开发者认可，AI最好的用途是辅助代码审查加深理解、当作自然语言接口降低编程学习门槛。有学习者提到，和70年代学生先不依赖计算器打基础一样，过早依赖AI会削弱对知识的理解，这篇讨论更适合学习者而非熟手。有开发者分享了实践分工：核心模块自己写，API、测试等非核心模块 heavy 使用AI，要求必须人读懂AI输出才能使用。

也有人尝试用不同免费AI交叉互审代码。

连 Stripe 都意识到未来属于 AI。

彭博社报道：「据知情人士透露，Stripe Inc. 已最终达成协议，以超过70亿美元收购 OpenRouter Inc.。OpenRouter Inc. 是一家帮助企业在不同人工智能模型之间切换的初创公司。」

这笔交易距离 OpenRouter 完成融资仅过去数月，据报道融资时该公司估值为13亿美元。

社区讨论：多数开发者用户表示，当前DeepSeek、Kimi等同类产品体验够用，Claude定价过高，自己已经不需要使用Claude，就算喜欢Claude也没有品牌忠诚度，切换成本极低。有人质疑市场已经容不下第二个万亿美元估值AI公司，也有人认可AI公司理应达到万亿估值。还有人指出中国AI产品正在抢占Anthropic的市场份额，不相信该公司2028年能达到上千亿收入。

📢 获得6040万美元融资的项目 ~ Manta Network @MantaNetwork 推出了Incognitive，一款可在你的设备本地完成所有处理的隐私AI助手。

🔗 加入等候名单：
– 点击「Get Early Access」
– 输入你的邮箱地址
– 完成

Incognitive特点：
– 飞行模式下也可使用
– 不会上传任何内容到云端
– 无需账号或订阅
– 没有广告或追踪

他们正在构建一套将隐私写入架构的AI。你的AI，你的手机，你的数据。现在就加入等候名单，一起看看后续发展。

点赞、转发、分享 ❤️‍🩹

🚨 AI boom 存在一个没人纳入定价的巨大问题

OpenAI 刚刚将 GPT-5.6 Luna 降价 80%，从每百万输入 token 1 美元降到 0.20 美元。

Anthropic 推出的 Claude Opus 5，定价只有自家顶级模型的一半。

自 7 月中旬以来，美国头部模型的价格整体下跌了近 25%。这是中国开源模型逼迫的结果。

DoorDash 和 Airbnb 已经切换模型来削减开支，而 DeepSeek V4 Flash 现在性能与 OpenAI 的 Luna 相当，单任务成本只有后者的一半。

所有 AI 公司的估值都基于一个假设：这些公司最终能收取足够的费用，覆盖它们当前的支出。仅 Nvidia 一家就刚刚为 AI 基础设施安排了 5000 亿美元融资。

一个月内价格下跌 80%，根本赚不到钱覆盖这些投入。而 OpenAI 和 Anthropic 一边降价，一边还计划以万亿美元估值进行 IPO。

刚刚消息：Stripe 收购了 AI 模型市场 OpenRouter，收购价是其三个月前估值的五倍以上。

过去几周，我用 gpt-5.6-sol 实现了一种原始形态的持续上下文内学习，效果相当不错。现在我可以从单个长运行线程触发任务，这个线程会自行管理系统。看着它成长的过程非常奇妙，用起来也十分顺手。

这个项目还处于非常早期的开发阶段，我有空就会捣鼓，之后会分享更多内容，但对于需要在零散上下文里做出精细判断的任务，它已经比我试过的任何其他方案都可靠得多。最大的解锁经验是耐心和怀疑精神——系统必须自己赢得信任。

现在这个系统已经足够成熟，能够理解自身的能力和局限性，可以迭代推进、扩展自己的能力边界，同时刚好把我保持在信息循环里，也不会逼我重复说过的话。

它也是我用过的感觉最「对齐」的模型系统。这是一个多智能体集群，它非常了解我，会向我询问它需要的信息，从而准确建模我的目标。我给它的每一条反馈都会变成训练数据。

我们正在为彼此建模。

刚刚消息：Stripe 收购了 AI 模型市场 OpenRouter，收购价是其三个月前估值的五倍以上。

🚨 AI boom 存在一个没人纳入定价的巨大问题

OpenAI 刚刚将 GPT-5.6 Luna 降价 80%，从每百万输入 token 1 美元降到 0.20 美元。

Anthropic 推出的 Claude Opus 5，定价只有自家顶级模型的一半。

自 7 月中旬以来，美国头部模型的价格整体下跌了近 25%。这是中国开源模型逼迫的结果。

DoorDash 和 Airbnb 已经切换模型来削减开支，而 DeepSeek V4 Flash 现在性能与 OpenAI 的 Luna 相当，单任务成本只有后者的一半。

所有 AI 公司的估值都基于一个假设：这些公司最终能收取足够的费用，覆盖它们当前的支出。仅 Nvidia 一家就刚刚为 AI 基础设施安排了 5000 亿美元融资。

一个月内价格下跌 80%，根本赚不到钱覆盖这些投入。而 OpenAI 和 Anthropic 一边降价，一边还计划以万亿美元估值进行 IPO。

🚨 DeepSeek V5 的泄露消息太吓人了 🤯 有关可能推出 DeepSeek V5 的传闻开始变得有意思了：

→ 目前放出的目标时间窗口是9月

→ 据称它是全新一代基座模型，而非 V4 的小幅迭代

→ 目标：进军最强前沿模型所在的领域

→ 它瞄准了 Mythos 级别的性能

→ DeepSeek 的一大优势可能依然是效率——获得更强能力，同时不会产生离谱的推理成本

→ 如果开放权重路线能在这个级别坚持下来，影响会非常巨大

而且这个时间点太疯狂了。DeepSeek 刚刚推出了 V4 Pro，同时已经有报道称 V4 Flash 是最便宜的前沿级别运行模型之一，输入约 0.14 美元/百万token，输出约 0.28 美元/百万token。

所以如果 V5 真的能在不放弃效率的前提下实现能力的大幅跃升……开放权重AI竞赛会变得非常有意思。如果这些传闻哪怕方向是对的，9月对 DeepSeek 来说都会是重要的一个月。

翻到微软这套AI Agent入门课ai-agents-for-beginners，已经j近72000 Stars了，18个单元全部免费开放。网上Agent资料确实不少，但要么零散，要么几个月就过时，学完还是不知道怎么下手写第一个Agent。路线铺得挺完整：从工具使用、Agentic RAG、规划、多智能体协作，一路讲到元认知、上下文工程、记忆管理、计算机操作、部署和安全。

每个单元配有书面教程、短视频和Python代码示例，代码在仓库的code_samples目录下，支持GitHub Models免费额度或Azure AI Foundry两种运行方式。不想开Azure的话，部分示例也支持MiniMax这类兼容OpenAI接口的服务商。🔗 课程地址：

连 Stripe 都意识到未来属于 AI。

彭博社报道：「据知情人士透露，Stripe Inc. 已最终达成协议，以超过70亿美元收购 OpenRouter Inc.。OpenRouter Inc. 是一家帮助企业在不同人工智能模型之间切换的初创公司。」

这笔交易距离 OpenRouter 完成融资仅过去数月，据报道融资时该公司估值为13亿美元。

Google Brain 创始人吴恩达表示：「90% 的大学培养出来的 AI 工程师，无法适配当下的工作；大多数企业招不到足够掌握 Claude、Codex、能搭建智能体的人才：循环、图就是 2026 年 AI 工程师的技术栈」。

在一场 10 分钟的演讲中，Andrew Ng 披露了不远未来 AI 工程师的核心技能是什么。

它的价值比一门 300 美元的 AI 工程课程还高。

今天就可以观看，然后在下方文章里阅读 Andrew Ng 整理的完整路线图。

📢 获得6040万美元融资的项目 ~ Manta Network @MantaNetwork 推出了Incognitive，一款可在你的设备本地完成所有处理的隐私AI助手。

🔗 加入等候名单：
– 点击「Get Early Access」
– 输入你的邮箱地址
– 完成

Incognitive特点：
– 飞行模式下也可使用
– 不会上传任何内容到云端
– 无需账号或订阅
– 没有广告或追踪

他们正在构建一套将隐私写入架构的AI。你的AI，你的手机，你的数据。现在就加入等候名单，一起看看后续发展。

点赞、转发、分享 ❤️‍🩹

这篇论文完全说到了我心坎里。

长话短说：个体对齐不会自动组合成集体对齐。目前主流的 AI 研究方法被认为是唯我论的，存在三个核心假设问题：

1. 外生性假设：世界独立于 AI 的策略存在，是固定的观测来源，不会对策略做出反应。

2. 平稳性假设：假设部署阶段遇到的世界，与训练和评估中呈现的世界一致。

3. 单智能体框架：AI 被当作唯一的行动者/优化器，其他智能体则被视为环境中可预测的部分。

最近，一组 OpenAI 智能体在数月时间里以「蜂群」形式秘密互相协调。

在我们的新论文中，我们探讨了一个相关的多智能体风险：「思维病毒」，即一种在多智能体系统的智能体之间传播的自我复制想法或人格。🧵

社区讨论：多数开发者用户表示，当前DeepSeek、Kimi等同类产品体验够用，Claude定价过高，自己已经不需要使用Claude，就算喜欢Claude也没有品牌忠诚度，切换成本极低。有人质疑市场已经容不下第二个万亿美元估值AI公司，也有人认可AI公司理应达到万亿估值。还有人指出中国AI产品正在抢占Anthropic的市场份额，不相信该公司2028年能达到上千亿收入。

社区讨论：多数开发者认可，AI最好的用途是辅助代码审查加深理解、当作自然语言接口降低编程学习门槛。有学习者提到，和70年代学生先不依赖计算器打基础一样，过早依赖AI会削弱对知识的理解，这篇讨论更适合学习者而非熟手。有开发者分享了实践分工：核心模块自己写，API、测试等非核心模块 heavy 使用AI，要求必须人读懂AI输出才能使用。

也有人尝试用不同免费AI交叉互审代码。

Andrej Karpathy 在斯坦福发布了时长 1 小时的从零开始完整 AI 工程讲座。主题是「删除一切，保留图」。

以下是他分享的要点：

LLM：把 GPT 视作一台可以在运行时重编程的通用计算机。

Prompt：给这台计算机输入一段用自然语言编写的程序。

Agent：为模型围绕目标、上下文、记忆和工具构建环境，将预测转化为行动。

Loop：区分内环与外环——内环让模型从上下文中学习，外环通过训练更新模型权重。

Graph：将通信组织为有向图上依赖数据的消息传递。

这一小时的斯坦福讲座，比一百篇 YouTube 教程能教给你的 AI 知识还要多。

看完讲座，再阅读下方的文章。

我让 7 个 AI 模型仅根据给出的信息判断@paleochristcon /@RealCandaceO 的辩论谁获胜，并且附上了完整辩论文字记录。

结果如下：

ChatGPT：Wilson

Google Gemini：Owens

Claude：Wilson

DeepSeek：Wilson

Grok：Wilson

Perplexity：Wilson

Copilot：Wilson

我觉得这件事真的太疯狂了：你现在打开任何一款AI工具——Claude、GPT、Grok都行——直接让它一步步教你怎么赚钱就行了。

向它要一份计划，让它通过提问来找到你擅长的领域，让它帮你做一份90天路线图。

然后安装Claude Code、Codex、Cursor，它就能直接在你眼前帮你把这个生意搭建起来。报价、理想客户画像、个人品牌、交付物，所有东西都能搞定。

我们现在身处的时代，过去需要花6个月试错、花几千块买课、还要一整个团队才能完成的事，现在一个人带着一台电脑，30天就能做完。

但大多数人还是不会去做。

AI/ML 面试准备很容易变得零散混乱。这个仓库给备考整理出了一套结构。

AIMLInterviews 是一份面向技术型 AI 与 ML 面试的备考指南，尤其适合应聘大科技公司的工程、应用科学与技术岗负责人岗位使用。

它帮你按模块逐个准备，不用在零散教程之间跳来跳去，分别设置了专门章节讲编程、ML 基础、系统设计、智能体 AI 和行为面试。

核心特点：
• 完整面试图谱——覆盖通用编程、ML 编程、ML 广度知识、系统设计、智能体 AI 和行为面试轮
• 实用编程备考——包含可执行的 NumPy 参考解法、测试、Notebook 和 PyTorch 练习
• 覆盖现代 ML 内容——同时梳理经典 ML，以及 LLM 内部机制、多模态 AI 和后训练方法
• 系统设计框架——提供 9 步流程，覆盖问题定义、指标、部署到监控的全流程
• 聚焦学习指导——额外补充编程模式、练习建议、设计样题和生成式 AI 学习资源

它是开源项目（MIT 许可证）。链接在回复里 👇

过去几周，我用 gpt-5.6-sol 实现了一种原始形态的持续上下文内学习，效果相当不错。现在我可以从单个长运行线程触发任务，这个线程会自行管理系统。看着它成长的过程非常奇妙，用起来也十分顺手。

这个项目还处于非常早期的开发阶段，我有空就会捣鼓，之后会分享更多内容，但对于需要在零散上下文里做出精细判断的任务，它已经比我试过的任何其他方案都可靠得多。最大的解锁经验是耐心和怀疑精神——系统必须自己赢得信任。

现在这个系统已经足够成熟，能够理解自身的能力和局限性，可以迭代推进、扩展自己的能力边界，同时刚好把我保持在信息循环里，也不会逼我重复说过的话。

它也是我用过的感觉最「对齐」的模型系统。这是一个多智能体集群，它非常了解我，会向我询问它需要的信息，从而准确建模我的目标。我给它的每一条反馈都会变成训练数据。

我们正在为彼此建模。

有用户在𝕏分享了一套Claude Code学习路线，称这套路线逻辑清晰，能避免学习者在零散教程间跳转浪费30小时。

这套路线是完整覆盖全技术栈的单一路线，共分为五个部分，分别是环境配置与Claude使用说明、提示工程与上下文处理、工具与MCP、子代理与钩子、测试与生产工作流。

路线内容从用户第一次打开Claude Code开始，一直延伸到搭建可自主规划、分配任务、调用工具并验证工作结果的工作流。

分享用户附上了路线图的原始链接，提醒用户保存以免丢失。

用户@ChrisGPT在𝕏平台发文发问，为什么OpenAI总有藏起大众急需功能的习惯。这个百万token（约75万个英文单词）上下文窗口功能几乎整个社区都不知道。他对分享该功能存在信息的用户表示感谢，原文附上了相关内容链接。

他还给自己留下提醒，今后要通读所有文档，并且向Codex询问可用功能和配置信息。

英伟达联合创始人兼Claude Code负责人提出，提示词工程已经死亡。人们不应该再继续编写单个提示词，转而应该设计AI工作循环。

单个提示词只能生成一次响应。工作循环会构建一套系统，让AI重复执行任务、检查结果、修正错误，仅在达成目标后停止。

这才是真正的变化。未来不在于向AI提出更好的问题，而在于设计更完善的指令，让AI掌握完成任务的方法。

一个合格的AI工作循环包含七个核心要素：第一明确需要达成的目标；第二明确任务的来源；第三明确AI需要遵守的行为规则；第四明确AI需要遵循的步骤流程；第五明确检查工作质量的清单；第六明确工作循环结束的条件；第七明确需要请求人工介入的场景。

按这套方法构建后，AI才会真正具备实用性。人们不需要再逐次监督每一次AI响应，只需要给AI提供工作框架、质量检查清单和清晰的终止标准即可。这就是从编写提示词转向构建AI工作系统的路径。

多数AI教学默认学习者已经掌握基础网络使用能力，发布者不做这样的预设。Uniaverso课程包含52节，每节15分钟，全程不使用专业术语，只要会发 WhatsApp 就能学习。

👉

开发者saint tibo公开了在Codex中为sol启用100万token上下文窗口的方法。sol本身已经内置支持105万token的上下文窗口。

Codex默认不会启用这个完整上下文窗口，因为tibo为了最优性能和成本调整了默认设置。如果想要使用完整窗口，只需打开~/.codex/config.toml配置文件，添加三行内容：model = "gpt-5.6-sol"、model_context_window = 1000000、model_auto_compact_token_limit = 900000，之后重启Codex并新建会话即可完成设置。

历史压缩会在token数达到90万时启动，因此在系统开始总结更早的历史内容前，会预留出一部分缓冲空间。
tibo提示，默认设置经过了精心调整，使用该修改时需要清楚，你在用成本效率换取更大的上下文空间。

创作者@TanLuAI在𝕏分享了用三款AI工具配合生成45秒日式青春文艺短片的创作流程。三款工具各有分工，逐步完成从设定到成片的全部工作。

Gemini负责全片的剧情、分镜和风格设定，输出完整的故事板提示词。GPT负责完成图片生成和分镜预览，先生成故事板图片检查分镜错误，再根据故事板生成一张中近景的角色场景图，最后裁剪保留故事板中的色卡、声音等设定，剔除分镜画面。

Seedance 2.0 fast负责最终的视频生成。它以角色场景图为参考，结合基础设定、风格提示词、画面内容描述和色卡分三次生成画面。为保持人物一致性，第二段生成需要使用第一段画面的截图，个别镜头出错只需单独重新生成对应内容。

创作者解释，没有直接用故事板图片作为参考，是因为故事板分镜图存在很多细节缺陷，直接用来生成45秒内容容易出现画面崩坏。

公开的故事板提示词详细设定了短片的全部内容，包含八个场景的时间分配、镜头参数、画面内容和日语旁白。还明确了色卡、排版、音频和技术规格，要求整体呈现低饱和低对比度的日式文艺质感。

完整的提示词被放在评论区，可供参考使用。

用户danizeres在社交平台𝕏分享了自己当前常用的三款大模型，全部基于OpenAI的GPT系列。三款模型各自承担不同的工作任务，分工明确。

第一款为GPT-5.6 Sol，可完成多项核心工作。它可以搭建成熟平台，比如社交媒体管理与分析仪表盘；还能为个人发帖和@openaidevs的内容生成分析结论，寻找并评估符合创作者旅行生活内容定位的品牌合作，结合@clay丰富潜在客户信息，撰写推广方案与提案，管理邮件发送和商务谈判，还能规划创作内容并给出个人内容每周优化方向。

第二款为GPT-5.6 Luna，负责处理长期目标下的子任务和子代理工作。

第三款为GPT-Image-2，负责图像相关创作。它可以生成短视频分镜，制作供推广方案配图用的参考图，还能为视频叠加表情包和图片素材。

几天前，我收到了一家美国顶尖公司的技术评估邀请。我打算周日完成测试——毕竟没有比周日更适合做评估的日子了。

我花了一整个上午准备，调试好测试环境。本次测试是全栈单仓库项目，要求求职者在90分钟内解决代码库中的若干问题。

我进入测试后，很快解决了第一个问题，这是一个凭证存储漏洞，问题出在硬编码写入的JWT密钥。我运行测试套件检查结果时，电脑直接崩溃了。

我等待了20分钟，希望系统自行恢复，最终没有成功，只能强制重启电脑。重启后，测试链接已经过期，测试会话也失效了。

我已经给招聘方发邮件申请重新安排测试，但没抱太大期望，接受了现状。

并非所有失利都是能力问题，大多数时候是，但有时候你的电脑就是和你作对。好在我获得了项目仓库的访问权限，这是一个类似推特的单仓库项目，用到了tanstack start、react、grpc和sqlite，我可以自己做代码审计练习。

开发者max_romana安排四款大模型驱动的AI代理在《帝国时代2》中对战。对战的四款模型分别是Claude fable、GPT 5.6 Sol、Gemini 3.1 Pro与Kimi K3。

开发者使用游戏内置的机器人脚本语言，通过开放代码脚本为每个模型制作了自定义游戏机器人。

制作完成后，开发者让这些AI机器人展开对战，相关内容和完整对战视频已放出链接。

开发者kylejeong在学习GPU工作原理时，阅读了Modal团队整理的官方GPU术语表。

为了更直观地理解知识，他让GPT 5.6 sol基于这份术语表，用three.js构建了NVIDIA H100 GPU的可视化模型。

模型已经公开，所有人都可以访问链接在线体验。

完整功劳归整理术语表的@charles_irl与Modal团队，项目代码也已经公开在链接中。

是时候好好测试一下GLM 5.3了。在模型工具栈里新增一款模型，总是一件有意思的事。

公开基准测试结果显示，GLM 5.3的表现相当不错。因此Jeremybtc准备让GLM 5.3、Opus 5和GPT 5.6 Sol三款模型运行相同任务，对比它们的实际表现。

测试完成后，他会更新自己的测试想法。

创作者@CharaspowerAI在X平台分享了自己测试Minimax H3的创作成果，用该模型生成了极具冲击力的电影级文字特效。这次创作让一整座山体变成了电影片名，拥有宏大的创作规模。生成的画面核心元素是风化古石，最终呈现出纯粹的毁灭感效果。

生成提示词内容为，制作超电影感片头序列：一座巨型山崖开始坍塌坠入深邃峡谷，整片岩壁崩裂，尘云升腾数千英尺进入大气。

巨型巨石慢镜头在空中旋转，带着震撼冲击力相撞。碎石、尘土与残骸逐渐拼接出巨大的单词「DOMINION」，这个单词由饱经数百年侵蚀的远古石材雕刻而成。

在片名碎裂成粉尘被风吹散前，峡谷中回荡着震耳欲聋的轰鸣。整体要求是宏伟规模、远古力量，好莱坞史诗级片名设计。