快来体验 RouteLLM API
这是一个会根据你的提示路由到最佳模型的 API
它自带缓存处理,支持 150 多种 AI 模型,拥有出色的速度与价格,可在 Claude 或 Codex 中使用
可立即访问所有开源模型
SpaceXAI 在 8月11日发布了 Grok Bot,一组持续在线、各自配有专属云计算机的独立智能体。作者高强度实测后认为它是目前最强大的AI智能体工具,深读《Grok Bot终极指南》整理了完整信息。
开源模型今天有两个硬进展:DeepSeek V4 Flash 用同一个模型自己生成、自己验证,在特定任务上超过 Claude Fable 5,成本只有后者的约十一分之一;Qwen3.8-27B 被实测能塞进单张24GB消费级显卡,本地跑大模型的底线又降了一档。
Cursor 在 GitHub 多次宕机的当口推出 Origin 托管平台,代码托管多了一个原生为AI设计的对手。另外,OpenAI 被曝悄悄削减付费额度,200美元档每周的 GPT-5.6 用量已不到原来的三成。
以原生AI方式重新设计你的文件「查找器」。来认识 MUZIM——一款本地优先的AI文件代理,能把你散落的媒体资产变成可搜索的个人数字档案馆,依靠语义,而非文件名。
如果你刚了解 Hermes Agent,这里给你提个醒:Hermes Agent 是一个 100% 免费、开源、采用 MIT 许可证的智能体工具框架,能给你完整的选择空间和能力,由我和我的 Nous Research 队友,以及 2500…
Elon Musk打造出了目前全球功能最强大的智能体软件Grok Bot。本文将整理关于这款新AI工具你需要了解的全部信息。作者自Grok Bot发布以来就一直在进行高强度测试,认为它是目前市场上最强大的AI智能体工具。
8月11日,SpaceXAI团队正式发布Grok Bot,它是SpaceXAI推出的持续在线AI智能体产品。它和普通聊天机器人不同,它是一组独立智能体,每个智能体都配备专属云计算机。
普通AI会话保存在聊天窗口中,关闭窗口就会停止运行。Grok Bot的智能体在独立浏览器、文件系统和终端中运行,你关闭笔记本电脑后,它们依然可以继续工作。
𝕏 实时信号 + arXiv 前沿论文,经 AI 聚类解读 · 一眼扫完全貌(含上方导读精选 4 条)
小众旧硬件找不到对应系统驱动不再只能靠厂商,大模型已经能完成这类定制化的小众编程任务
不用针对不同提示切换模型,API会自动选最合适的模型处理,还支持缓存,调用速度和价格表现都不错
快来体验 RouteLLM API
这是一个会根据你的提示路由到最佳模型的 API
它自带缓存处理,支持 150 多种 AI 模型,拥有出色的速度与价格,可在 Claude 或 Codex 中使用
可立即访问所有开源模型
开源AI模型的增长速度远超预期,普通开发者能找到的免费开源AI资源会越来越多
按会话计费比按token更贴近实际使用成本,现在它已在OpenRouter的API上线,还对比了不同模型的真实花费。
OpenRouter 及我们的 API 推出了新数据层:单次会话成本。
单次会话成本是一种评估跨任务、跨工具使用模型的实际成本的方法。
以下是 Kimi K3 与基于 Hermes 的 Sol、Fable 和 Opus 各变体的实际对比如下:
大厂与开源AI的关系已经走到明面对抗的地步,行业走向可能影响普通用户能用到的免费AI工具。
社区讨论:有人认为Anthronic虽然理念偏向狂热教派,但已经公开了自身核心观点,读者可自行查阅判断。有人指责Anthropic的行为是给AI套上束缚,而非提供工具,还有人认为整个大模型行业急需联邦监管,从业者的信息透明度和财务规范都符合欺诈特征,应该参照武器出口进行监管,同时指出Anthropic是行业中独特的危险存在,不确定其他巨头是否只是更擅长隐藏自身问题。部分网友顺带吐槽当前未登录状态下的X(原Twitter)体验极差,还质疑这篇反Anthropic的长文是AI生成,可读性很差。
大模型参数做到27B还能在个人笔记本上跑,对想本地跑大模型的人来说,多了一个可用的新选择
一个提示词,一次生成。Qwen3.8-27B 创造出了不可思议的成果。😎
现在轮到你在自己的笔记本电脑上运行它了。我已经迫不及待想看看你能做出什么来了!👀
@ItsmeAjayKV
统一大模型替代多个独立方案解决支付问题,已在超五万家企业测试,提升支付成功率与欺诈识别效率,按月多完成十几万笔交易。
40亿笔支付。3万亿个数据点。用全部这些数据训练出了一个模型。来认识@Razorpay Vulcan——印度首个面向支付领域的基于Transformer的AI基础模型。
它在印度开发、训练和托管,合作方为@nvidia和@awscloud。
到目前为止,每个支付问题都是分开解决的:路由、欺诈、风险、个性化等等。我们提出了一个问题:如果能用一个模型理解资金的流动呢?
就像大语言模型在文本上训练来理解语言,Vulcan在支付数据上训练来理解资金如何流动。
它已经在超过51000家企业进行Beta测试,目前已经实现:
- 支付成功率提升8-10%——这是衡量一笔支付能否正常完成的核心指标
- 检测到的国际信用卡欺诈量提升8倍
- 识别出的欺诈或争议交易提升5倍
- 通过更好的结账个性化,每月多完成10-20万笔交易
而我们才刚刚起步。最棒的一点是:Vulcan每处理一笔支付,下一笔支付就会变得更智能。
我们花了数年时间建设为印度流转资金的基础设施。现在,我们正在建设能够理解并优化资金流动的智能。🔥
用户用Seedance 2.5生成1080p手持夜游码头视频,细节和真实UGC内容完全一致
GitHub本月多次出现服务故障,开发者的AI开发 workflow 随时可能中断。Cursor选择故障当天推出原生代码托管功能,直接补全了全链路开发闭环
用同一个模型做验证就能大幅提升准确率,成本还低11倍,开源模型已经能在特定任务上追上闭源顶级模型。
通过 DeepSeek V4 Flash 规模化自我验证,在 Terminal-Bench 2.1 上击败了 Claude Fable 5,同时价格仅为其 1/11 💰
随着开源模型能力不断提升,它们现在已经能够生成大量高质量候选解决方案,并且能以极低的成本验证自身输出。
举例来说,我们发现,仅用 DeepSeek V4 Flash 采样 5 个解决方案,再用同一模型以「大语言模型即验证器」的方式对结果排序,就能让准确率大幅提升(从 79% 到 88%),在 Terminal-Bench 上性能超过闭源前沿模型。
今天就可以体验:关于验证规模化的更多内容可以看我上一篇帖子。
科技人士评价Grok Bot大幅提升AI使用效率,功能体验出色
我认为@bot是AI领域又一个“Claude Code”时刻。我个人的AI使用量估计已经增长了差不多100倍。
每个来问我怎么搭建“播客摘要工具”的人,我都想说,我在Grok Bot里花了大概15秒就做好了,效果比我之前用过的都要好。
这就是@bot讲述的GrokBot起源故事。遗憾的是,它目前既没有分享功能,也没有iPad应用,但我得到消息说这两样很快都会推出:
NousResearch 推出 Bot Mode,可创建带独立配置的专属智能体,支持跨模型使用,还可实现智能体之间互相通信。目前已有从业者开始测试相关功能,观察实际体验效果。
普通AI生成的连续剪辑经常出现脸、衣服、场景中途变样的问题,这套系统能锁定人物保持一致性。想做AI博主的人可以试试这条路
厌倦了随机生成的AI剪辑,播到一半就会丢失人脸、 outfit或房间一致性?
这款APOB AI系统终于让 consistent的AI网红vlog成为可能——它能锁定角色、按故事板推进节奏,还能用Seedance 2.5生成真实的30秒连续画面。
非常适合做日更系列。
用AI agent的人每天都会用到它,会根据AI常犯的错误调整自己的提问方式,明确要求输出格式就能减少错误
想学大模型原理的人,要么看了全是概念的教程,要么跑了封装好的代码还是不懂。这个项目拆开每一步讲透流程
去年想搞清楚LLM到底怎么工作的,翻了不少教程,要么只讲概念不写代码,要么直接上transformers库把底层全封装了,看完还是懵。
这个项目(Train LLM From Scratch)用纯PyTorch从零实现Transformer,没有trl、peft、transformers这些依赖,
每一步都拆开给你看:数据怎么变成token、模型怎么搭(MLP→注意力→多头→Transformer块→完整模型)、预训练怎么跑、SFT怎么教模型回答问题、Reward Model怎么打分、DPO/PPO/GRPO怎么对齐,整个链路清清楚楚。
代码里每个模块都有解释和预期输出,单GPU就能跑百万到十亿参数的模型,硬件参考也标得挺细。
🔗 地址:
200美元的方案里,每周给GPT 5.6的额度不到原来的三成,不少付费用户已经受到影响
真替OpenAI感到羞耻,他们不仅偷偷把套餐额度砍了至少一半,还大幅限制了GPT 5.6 Sol的token配额。
200美元套餐每周分给GPT 5.6的额度还不到30%,算下来同级别套餐现在的GPT 5.6额度只有之前的15%。
我要转去用开源模型了!
适配苹果硅,支持把KV缓存放到SSD,还能兼容Claude Code和Cursor,是Ollama和LMStudio的替代
如果你有 Mac 并且想要在本地运行 AI,你一定要试试 oMLX。它是 Ollama 和 LMStudio 的替代方案。
✓ 为 Apple Silicon 优化
✓ KV 缓存存储在 SSD 上
✓ 兼容 Claude Code 和 Cursor
✓ 针对 Qwen3 8B 做了优化
这款模型在OpenRouter可使用,专门结合对日本文化的深度理解和高性能推理能力
@SakanaAILabs 开发的 Sakana Namazu 现已登陆 OpenRouter。
Sakana Namazu 基于 Kimi K2.6 构建,是一款专项模型,它将对日本文化的深度理解与高性能推理能力结合在一起,整合了网页搜索和代码执行功能,可以处理商业场景下的复杂任务。
它自动统计发现三个操作占了七成,能一次性生成三个方向共四张设计方案,缩短了从需求到实现的时间
【新功能】Claude Code 推出 `/design` 命令预览版
它实现了「先测试方案再选择」的流程,缩短了到完成实现的距离。
- 通过使用数据分析,自动检测出 Attach、切换模型、语音输入这三个操作占 composer 动作的 71%
- 基于这一结论,自动生成三个方向的 UI 方案,共 4 个艺术板
- 可以直接在画布上编辑 Background、Radius、Opacity 等属性
- 选中满意的方案后,可以一步到位生成源码变更,总共增加 71 行、删除 38 行代码,直接完成实现
「先测试再选择」的工作流已经作为标准功能内置到 CLI 中。
↓详情
切换不同AI代理写代码时,不用反复重新解释代码库,不用翻找之前的决策,可以直接从上次停下的地方继续推进工作
刚刚发布 thred 了!这是能帮你延续工作进度的上下文工具。不管你用 Claude、Codex、Cursor,还是未来出现的任何工具。
thred 为所有智能体提供一块共享内存,用来存储决策、修订、证据和未完成工作——这样下一个智能体就能从上一个停下的地方继续开始。
它基于 MCP 构建。由搭载 HydraDB 的时序记忆提供动力。
不用再反复解释代码库。不用再在会话之间丢失决策记录。只需保存→切换→恢复即可。专为 Hack Hydra | Memory + Context Retrieval 打造。
认为这类线性积累没法带来指数增长,只是应试教育带来的对确定性的自我欺骗,不如直接用真实市场实战检验成果
说实话,身边有些同学说自己坚持每天学一点AI Agent开发的知识,听一段播客,写复盘(我没写过,我觉得不就是日记吗?),以此来形成“复利”。Well,我讲讲我个人的观点。
首先这些线性积累的的东西根本不能让你的能力和资产指数级增加,并且我不知道这样做实际产出了什么。我感觉是被应试教育规训后,出于对于确定性而做的自我欺骗。我个人倾向于实战,立刻用真实市场检验然后迭代学习。
当然,最最傻逼的就是Vibe了一堆无意义作品然后沉浸在“自我提升”“知识复利”“大学生成长”这样的叙事里。Talk is cheap, show me the product.
模型定价规则越来越复杂,按时区换算后价格容易算错,OpenRouter帮用户自动处理换算,找最优价格
模型定价正随着时间推移变得愈发复杂。
以下是 DeepSeek 高峰时段定价在你所在时区的运作规则:
OpenRouter 在为你寻找最优价格时,已经把所有这些因素都考虑进去了。
OpenAI、Anthropic、Xai分别对应一个专项报道名额,关注AI行业动态的读者可以从更细分的报道获得信息
早上好……现在共有三个——整整三个!——报道岗位开放招聘,你将与我和我的同事一起在旧金山报道AI公司。
申请链接在这里,报道对象包括OpenAI、Anthropic、SpaceX/Xai/Musk相关业务。
视频模型开始被用来训练机器人,首个成果就超过了领域基准,这意味着机器人训练的速度和精度可能会迎来新突破。
我们来介绍 Moving Atoms:这是 TikTok 和牛津合作成立的新实验室,正在研发用于训练机器人的视频模型。
在短短时间内,他们的第一个模型 Atom 1,已经在 Deepmind 的 Physics-IQ 基准测试中击败了目前领先的模型。
正在用Claude Code自己做AI代理的开发者,可以直接套用官方公开的免费方案,降低AI使用的花费
【速报】自己用 Claude Code 做自定义智能体(AI 工作代理)的人,先读这个😳 Anthropic 官方免费公开了「把 AI 使用费降到1/13的操作指南」。
・先定「合格线」(在不降低质量的前提下做设定)
・不要每次重新发送相同的前置提示,用1次的费用重复利用
・不要一开始就把所有资料都传进去,只让 AI 在需要的时候调取
・提前指定回复格式,从根源上缩短过长的输出
效果最明显的是第二条,只这一项就让单任务的费用几乎砍掉了一半👇
不同于聚焦AGI时间表和模型对比的讨论,这场访谈从生命进化谈到AI发展,明确人在人机协作中的核心位置
现在就能提前体验原生Siri AI才会有的能力,支持接入已订阅的大模型服务,适配你的已有文件和笔记
普通投资者现在可以直接跟随顶级投资者的市场判断做投资,投资分析门槛进一步降低
获取投资渠道已经实现了大众化,但金融情报还没有。
Questflow 将顶级投资者的市场判断转化为 AI Agents,让个人投资者可以在各个市场中跟随、理解并跟着这些 Agent 投资。
今天标志着 Questflow 进入下一个时代:全民共享金融情报。
快来观看我们联合创始人兼 CEO @Bobbxu 的介绍视频。
这是目前AI方向没人敢公开争论的选择:是做一个通用大模型,还是做一群能协作的专家模型。两家押注后者的团队将公开聊清这个选择
一个模型还是多个模型?AI 行业一直回避的争论 🎙️
每隔几周就有一个新模型登上基准测试榜首,互联网就会觉得这盖棺定论了 📊
但事实并非如此。因为真正有意思的问题从来都不是哪一个模型最聪明,而是:一个包揽一切的单一模型,真的能打败一支会相互沟通、按需分工给最合适专家的专家团队吗?
我们本周将和 @4aibsc 共同举办联盟系列活动,@4aibsc 的整个平台就构建在智能体实时协作的基础上,任务会被分配给能力最匹配的角色。
我们从另一个方向出发打造的 Eon,押注的也是同一个方向。两个团队都选了这个争论中并不流行的一边,来解释背后的原因 🔥
参与方:Ozak AI 和 4AI
🗓️ 日期:Aug 18, 2026
⏰ 时间:1:00 PM UTC
📍 设置你的提醒:
Fable 5正式发布前也走过相同灰度测试流程,Anthropic会在新品发布前做这类测试,新产品推出已经进入倒计时
🚨 Fable 5的继任版本,大概率是Fable 5.1,目前正在小范围账号测试中,这些账号在Claude Web上选中了“Fable 5”,Claude Code也有可能开放测试。
Fable 5在大规模发布的当天早些时候,也进行过这种灰度测试,Anthropic在正式发布前经常开展这类测试。
开源大模型靠自身就能完成「生成验证全流程」,以远低于闭源模型的成本实现更高性能,本地部署可用的全能力开源AI正在落地
💥重磅突破!DeepSeek V4 Flash 通过「自我验证缩放」(Self-Verification Scaling),在 Terminal-Bench 2.1 上直接超越 Claude Fable 5,成本还低 11 倍!
实验简要细节(斯坦福团队主导):
🔹用 mini-swe-agent 生成候选解
🔹仅采样 5 个解(Best-of-5)
🔹同一模型(DeepSeek V4 Flash)作为 LLM-as-a-Verifier 进行排序验证
🔹准确率从 79%(Pass@1)直接提升至 88%
🔹成本约 $0.25/任务,远低于闭源前沿方案
开源模型现在已经足够强:能大量生成高质量候选解,再用自身低成本验证+排序。
「狂生成 + 便宜自验」范式正式成立——性能与成本双杀,闭源优势正在被快速抹平。
真正的开源/本地 AI 时代,已经到来。
立刻可试: #AI #DeepSeek #OpenSource #LLM #LocalAI #TerminalBench #LLMVerifier #Stanford
做投资的人可以借助它整合顶尖投资者的投资框架,自定义风险规则,覆盖加密、股票等多个市场,辅助做投资决策
最近在研究用 AI agent 做投资的产品,发现 Questflow 做得还不错。
它做的不是通用 AI agent,而是专门针对金融的 AI finance agent 和 financial harness。这是为什么它能在 Hyperliquid 和 Polymarket 上跑赢那些通用 agent。
它把顶尖投资者的判断做成 AI Agent:里面有投资逻辑,信号,进出场条件,风控规则,仓位逻辑,覆盖市场和执行偏好。
它不只做执行,核心是帮你发现机会,做更好的投资决策,用 AI 持续改进策略。
你能自己定仓位,风险上限,允许交易的市场,止损条件和执行权限。现在已覆盖加密,股票,预测市场。
当前行业追捧小模型降本,这场讨论关系到未来AI产品的技术方向,也会影响普通用户能用到的AI服务体验。
用户曾被盗数千美元MOVE代币,受邀参与安全讨论后分享日常使用的防护方法
更新后支持跨加密、预测市场、美股下单管理,整合主流交易所账户,新增AI与真人策略对比排行榜
教程同步预告9月3日免费Python算法交易入门工作坊,已有超600人注册
本文分享了如何用Claude Code搭建个人算法交易分析器,建议读者收藏内容以便后续查看。教程原文完整内容可通过文中链接访问。
9月3日将举办免费工作坊,帮助零基础学习者入门Python算法交易,分享实际可用的交易策略。目前已有超过630人完成注册,感兴趣者可通过链接报名。
如果希望每周日收到Python算法交易教程,可以免费订阅Quant Scientist周日通讯,订阅入口见文中链接。
创作者Alina_with_Ai先在GPT-2生成图像,再用Seedance 2.0将图像转为动态视频
AI已经进入司法作证环节,这种利用AI生成倾向性法律内容的行为,会直接影响案件审判结果
该插件可基于原始笔记生成规范演示文稿,自动完成排版优化匹配品牌风格
我一直觉得,把零散的项目笔记整理成合格的演示文稿,比它本该花费的时间要多得多。因此我测试了DokieAI推出的全新MCP工作流——适配Codex与Claude Code的AI演示文稿插件。它的设计逻辑很简单:直接从开发者工作流生成 polished 演示文稿,全程不需要手动排版。
我做了前后对比测试:先准备了一份完全未经排版的演示文稿,再将相同内容导入Dokie处理。最终得到的演示文稿更整洁专业,版式、字体、间距和视觉一致性都得到了优化,不需要逐张幻灯片手动重构。你可以点击这里体验Dokie:
这款插件的亮点包括:支持上传自有公司模板,自动匹配品牌风格,将零散内容整理为结构化幻灯片,对使用Markdown的开发者十分友好,适用于团队更新、项目推介和客户演示。最大的好处是,用户可以减少调整幻灯片的时间,把更多精力用在实际工作上。
日本X用户@pekotyan_12手动整理了Claude Code支持的四类自动化任务,涵盖内容生产到数据处理
日本X用户@pekotyan_12手动整理了一份Claude Code可实现的自动化功能清单,可用来搭建高阶自动化工作流。
清单共分为四大类,第一类是社交媒体运营自动化。具体包括分析爆款文案模板后批量制作个人内容、将单篇内容跨领域复用、提取高转化搜索关键词并整理成表、自动生成内容选题表和发布排期、收集爆款内容数据积累模板。
第二类是工具与工作系统搭建。具体包括描述需求即可生成对应工具、搭建X/Threads的自动发布系统、制作可批量生成note文章的工具、连接API实现和其他服务的联动自动化,搭建完成的工作系统可重复使用。
第三类是内容生产流水线。具体包括从调研、大纲到正文的完整内容一键生成、联动音视频图像工具将制作流程化、将重复操作保存为可复现流程、给多个AI分配角色实现分工,人只需要确定创作目标即可。
第四类是数据与文件处理。具体包括自动完成Excel/CSV文件的汇总、绘图与分析、批量分类重命名大量文件、生成文件夹内容清单、批量处理图片大小调整与格式转换、读取收据和账单信息整理成表。
普通消费级显存就能跑出这个推理速度,意味着大模型本地部署的门槛又降了一截
社区讨论:多位用户质疑测试不严谨,有用户认为整个站点内容像AI生成的低质内容,测试结果不严谨,仅靠Claude验证不算合格。有用户指出标题应该标注量化信息,目前这类可及显卡的 benchmark 都只测单请求,应该补充并发场景下的 token 生成速度测试。还有用户认为这种测试对生产有用,但作为核心性能对比会造成误导。
Gemini 3.7 Flash适配编码场景,分享8个实用提示词
自生成自验证框架可提升低本大模型性能,成本仅为原1/11
Claude Code开发者讲解使用方法与技巧,视频获推荐
我找到了一段28分钟的视频,我觉得很多人都应该看看。不是因为它讲的是Claude Code。而是因为,制作Claude Code本人亲自出镜,讲解该怎么用这类系统思考和工作。
内容涵盖CLAUDE .md、memory、parallel sessions,还有好几个你大概率从来没用过的prompting模式。
这就是我一直在说的:在AI时代,重要的不只是模型本身。你会用模型,本身就是一项非常重要的全新技能。花28分钟看它真的很值,尤其是讲解如何高效使用CC的部分。
可以免费观看,存到手机以后看或者加书签都行,别错过。不管你现在是什么水平,总能学到新东西。讲解和演示都非常流畅直白。
如果你做交易、做预测,也可以看看这个!它很简单,我自己都能操作。只需要关注交易所和市场流动性就行。剩下的内容你可以自己读,说不定会喜欢。
小模型靠优化训练数据和推理方法,性能已经接近参数大一个数量级的顶级闭源模型,普通用户可以在笔记本本地运行它
Qwen3.8-27B的性能已经接近比它大 28 倍的 GLM5.2 了🔥 太夸张了,一个只有 27B、能在本地跑的模型,在AA的测试里直接拿到了 52 分,已经和一众顶级闭源模型挤在同一档。更离谱的是,GLM5.2 的参数规模接近它的 28 倍,但两者实际效果已经非常接近。参数量差了一个数量级,最终能力却只差这么一点。
这也是最近小模型越来越明显的趋势:更好的训练数据、后训练和推理方法,正在不断把过去靠堆参数才能得到的能力压缩进更小的模型里。以前本地模型意味着「能跑就行」。现在 27B 的本地模型,已经开始直接和超大云端模型坐一桌了。
AI生成视频和AI生成广告图一样,即使脚本和拍摄都没问题,只要出现特征化的角色设计和画面颗粒噪点,观众就能立刻识别出来
如今视频生成已经可以通过 Codex 实现自动控制,绕了一圈后,「图像」的差异反而变得愈发明显。
最近大家都在说「ChatGPT 的广告好违和!」对吧?其实这种现象,在 AI 生成的视频里也完全一模一样。
不管脚本写得多好,不管你对演出效果多讲究,当那一眼就能认出「哦,这是 ChatGPT 做的!」的角色设计,带着颗粒噪点的画面一出来,观众瞬间就没看下去的欲望了。
内容本身不错,却在入口就被划走,这真的太可惜了。
希望大家不要误解,这不是 ChatGPT 的问题。GPT-Image-2.0 的编辑能力非常出色,通过调整提示词也能在一定程度上做出差异化。
但 GPT 模型特有的那种画面质感,已经被大众看腻了,这是事实。
所以哪怕只是在角色设计上,用 Midjourney 或者其他模型做出差异化,光靠这一步,第一印象就会天差地别。
自动化程度越高,大家就越容易用相同的素材生成大同小异的画面,在这种环境下,能拉开差距的只有两点:
・脚本(分镜)
・角色设计
AI 视频的胜负,其实在你按下生成按钮之前,就已经基本决定了。
对着戒指说话,指令会经手机和云端服务器,最终传到家里电脑的Codex大模型,帮你完成操作
做到了!!!
!我成功做出了能对着戒指说话就能给AI发指令的功能!#Vibe指輪コーディング 流程:Pebble Index 01 → iPhone App → MCP Server (Cloudflare Workers)→ 家里Mac上的Codex
这个开源平台新增了多用户智能体支持和开放工具连接能力,满足团队协作开发AI工具的需求
NEAR AI 推出了支持多用户代理与开放工具连接的 IronClaw 1.2。
@NEARProtocol AI 发布了其开源安全代理平台 @IronClawAI 的 1.2 版本,新增支持所有兼容 MCP 的工具,覆盖从 CRM 到内部 API 的各类场景。
代理现在可以在 Slack 频道和 Telegram 群组内运行,每一条消息都会在发送者自身的身份、权限与审批规则下执行。
本次更新将频道历史视为不可信内容,而非操作指令。它还会在代理读取公共频道内容时防护提示注入攻击。
IronClaw 运行在 NEAR AI Cloud 的加密飞地中,将用户密钥保存在模型之外。
它直接用预训练图像编辑模型操作视频隐空间,就能完成视频编辑,简化了AI视频编辑的流程
Introducing Qwen-Video-Edit 📷
视频编辑比你想的更简单:一个预训练图像编辑模型就能编辑视频——直接在视频VAE潜变量上操作。不需要经过视频预训练的骨干网络。
🌐 项目页面:
多数人分开用Grok Bot和Hermes,作者说把它们组合堆叠,才能发挥出两者的最大能力
能让IT部门同意使用,还支持云端运行和管理,想自己搭AI工作流的话可以多一个选择。
看好了。他们简直就拍了一条「Mac vs PC」风格的广告……只不过这次是给智能体拍的。
左边:一个小哥自己搭建智能体。智能体只存在他的笔记本电脑上。一合盖子 → 咻,永远没了。IT 部门已经哭晕了。
右边:另一个小哥只用问问 Omni,就能继续推进项目。智能体跑在云上。全有日志记录。管控呢?IT 部门居然说「同意」了。
这个反转感受完全不一样:Omni 不只是一个智能体。Omni 是能搭建其他智能体的智能体。
David 就是靠着这股劲刚融到了 $7.5M。多玩家时代已经有了第一个真正的平台。
@xpander_ai @dudutwizer
新提出的LatentMDM在相同推理预算下,性能首次超过带KV缓存的AR模型,或将改进生成式AI的推理效率。
很高兴向大家分享我们过去6个月的研究成果。
我们真的能把掩码扩散称为「任意顺序」模型吗?在我们的最新工作中,我们提出:现成的掩码扩散模型具备任意顺序预测能力,但无法以「真正的任意顺序方式」推理。
我们推出了两款能做到这点的模型:LatentMDM 和 70 亿参数规模的 FlexMDM,是我们之前工作的延伸。
我们的新型隐空间掩码扩散模型 LatentMDM,在推理预算匹配的情况下,在 TinyGSM 上的表现超过了带 KV 缓存的自回归模型(AR)。据我们所知,LatentMDM 是在相同设置下做到这一点的首个模型。
这是联合研究成果,共同第一作者为 @seunggeun_kr、@tklll_tx 和 Yuyuan Chen,指导老师为 @du_yilun、@ShamKakade6 和 @sitanch。
搭AI Agent原来需要手写代码编排,现在只需要说一句话就能生成完整应用。普通开发者也能低成本快速本地化部署自进化Agent。
浓缩了业内针对AI网络安全风险的争议讨论
vibe coding已经可以从需求直接生成完整可用的工具,哪怕只是给小孩摆柠檬水摊的小需求,也能一次性配齐全功能管理工具
为了给柠檬水摊提供支持,我们用 Perplexity vibe coding 开发了一套适合孩子使用的POS系统和完整管理后台,来运营摊位 🤯
> SKU 管理
> 销售概览
> 客户 CRM
> 销售成本监控
> 天气
> 柠檬水批次管理
Lou 和柠檬水摊一样,都在用得很开心。
这款9B参数的小模型同时支持推理、函数调用、图文理解,能直接部署用于实际场景,轻量化多模态方案又多了一个新选择。
你是否一直想要一款能推理、调用函数,同时理解图像和文本的模型?来认识一下 Qwen3.8-9B 吧,这是一款紧凑的 9B 规格算力模型,融合了视觉与语言能力。
它为现实世界任务打造,适用场景从聊天机器人到智能代理都包含。
目前它已有 540 次下载和 102 个赞,已经引发了不少关注。
我们这就深入了解!
想找Luna的开源平替做小分类器和快速推理,这个小模型可以直接替换使用,不用额外调整适配。
本地运行、微调AI模型不用依赖云端服务,性能有实实在在的提升,想离线跑大模型多了一个新选择
本地 AI 刚刚迎来重大升级。你现在可以通过 @UnslothAI Desktop 在本地微调并运行 AI 模型。
此外,借助我们推出的全新优化,llama.cpp 的性能最高可提升 20%(来自 @ggerganov)。
双方都认同多专业智能体协作优于单一大模型包揽所有任务,想尝新玩法的可以去参与任务拿积分
Alliance Series 活动继续 🚀 在我们建立合作关系的同时,我们即将与 4AI 共同开启为期 6 天的 Alliance Series 活动。
4AI 是一个运行在 BSC 上的去中心化 AI 社区,开发者和用户可以在这里构建、分享和部署自主智能体。他们平台支持多个智能体实时协作,在彼此之间共享知识,并自动把任务分配给能力最匹配的智能体 🧠
以下是这 6 天的活动安排:
- 在 Ozak AI Rewards Hub 参与联合任务。完成任务,赚取 XP,同时参与两个社区的活动
- 本周会举办 4 场 X Spaces,两队将展开真实对话,实时回答提问,并介绍双方各自正在构建的项目
- 所有内容都会在我们全渠道同步更新,无论你在哪关注我们,都不会错过任何信息
我们两队都认同:专业智能体协同工作,胜过单个模型包办一切。这会是很棒的一周 🤝
点击链接前往奖励中心参与:🚀
五千到六千美元的本地设备就能跑,性能达到了一流水平,想本地部署大模型有了更强的开源选择
Qwen3.8-27B 在 Artificial Analysis 上拿到了 52 分。
一个 27B 参数的开源模型,能轻松在 5000 到 6000 美元的本地设备上运行,说实话甚至用更便宜的配置也行,能达到这个竞争水平太疯狂了。
开源万岁。🔥
这会影响普通人对AI安全议题的讨论方向
做生产级AI智能体不用再拼凑脆弱原型,这套经过验证的架构方案覆盖扩容、安全、故障处理全环节,可直接落地可用系统。
各类主流自建AI Agent都能直接调用企业微信十大办公能力,所有规模企业都可接入,没有人数资质限制,降低企业AI办公改造门槛
自建的AI Agent,现在也可以接入企业微信。企业微信全面升级CLI与MCP能力。WorkBuddy、Deepseek Harness、Minimax Code等主流AI Agent均可直接调用企业微信的文档、表格、邮件、会议、日程、通讯录等十大办公能力模块。
企业还可以通过企业微信开放接口,接入自主开发的 AI Agent。该能力面向所有规模的企业开放,不再受企业人数、资质等门槛限制。立即开始体验:
传统提升AI Agent性能靠改模型权重,这项研究找到了另一条路径,可帮所有测试的Agent模型提升效果,性能超过了Claude Design。
《AutoDesign:面向长周期智能体设计的元框架优化》
AutoDesign 让智能体优化模型周边的系统,而非模型权重。
它设计了一个修复当前产出物的内循环,以及一个从轨迹失败中学习并更新框架本身的外部元框架循环。
这个经过学习的框架让全部 7 个被测智能体-模型配置在 PosterBench 上提升了 5.0–19.6 分,并且 AutoDesign 比 Claude Design 高出 7.45 分。
传闻该模型主打包群体智能体能力,数学能力较强,正式定名仍不确定,可能会叫GPT-6,关注大模型更新的可以留意本周动态。
越来越多传闻称,@OpenAI 将于本周推出他们的下一代AI模型系列“Astra”。
我们可以确定的是,Astra 将重度依赖智能体集群,并且在数学能力上表现强劲。
我们无法确定的是它的官方名称。它有可能会被命名为 GPT-6。
计划把Hermes Agent训练的旧模型换成GLM-5.3,登录才发现没人看管的旧模型还每天自动跑成长周期,开发者看了感慨
本来打算把用 Hermes Agent 训练的 AI 模型换成 GLM-5.3,于是隔了几个月去 Discord 看了一眼。
发现就算没人关注,它每天也在乖乖循环成长周期,看到这一幕我感觉有点难过🐦
想系统学习大语言模型与自然语言处理,不用再付费找零散入门资料,这份免费开源资源可以直接用。
《大语言模型基础》!—— 免费电子书 + PDF + GitHub
下载PDF:免费开放获取书籍
GitHub:NiuTrans NLPBook
完整书籍包含自然语言处理 + 神经网络 + 大语言模型
涉及主题:大语言模型 • Transformers • 生成式AI • 预训练 • 基础模型 • 提示工程 • 思维链 • 对齐 • RLHF • DPO • 推理 • 解码 • KV缓存 • 缩放 • NLP • 深度学习 • 人工智能 • 机器学习
标签:#BigData #Analytics #DataScience #AI #MachineLearning #NLProc #LLM #GenerativeAI #DeepLearning #PyTorch #Python #TensorFlow #CloudComputing #DataScientist #Linux #Mathematics #Programming #Coding #100DaysofCode
免费电子书PDF:arXiv:
GitHub:
完整NLPBook:
PDF:
提出同等参数规模下,纯文字LLM Agent能解决的问题难度远高于VLM Agent,从业者选技术方向可以参考这个判断
我为什么反复强调VLM(multimodal,多模态)是死路一条,世界模型更是臭狗屎。
一个最简单的第一性原理,100k tokens文字的信息量,远远高于图片,更远远远远高于视频,这些量文字形式能解决一些超级复杂完备的问题,而对于VLM输入图片,信息极其稀疏,能解决的问题基本约等于狗几把。
如果人类在1T~10T的VLM Agent能解决一个难度为X的问题, 那么同等模型下,对应纯文字LLM Agent给足上下文、memory、wiki、信息,全部以pure text和structured data形式准备好,并且通过text/bash/cli/api/mcp形式获取信息,那么这个LLM Agent一定能解决难度为1000X的问题。
等到VLM强大到让一个VLM Agent解决难度为1000X的问题的时候,LLM Agent已经可以解决(1000^2) * X难度的问题了。
就这么简单一个道理,绝大多数人根本想不明白。
本次测试围绕恐惧情绪生成,创作者公开了完整提示词并询问效果
作品由MiniMax的Hailuo H3生成,用户分享了完整的生成提示词
如果你喜欢文字视觉特效(VFX),会喜欢这个生成作品。
一个巨型火焰漩涡在屏幕上锻造出单词“IGNITE”,随后火焰在全屏炸开,整个作品由Hailuo H3生成。
完整的生成提示词为:超电影感宽镜头:广阔的余烬原野延伸至黑暗中,突然一道巨大火墙扫过地面,将数十亿发光火星抛向空中。火焰扭曲成一个数百英尺(约几十米)高的巨型旋转火涡,熔化的余烬、烟雾和流动火焰缠绕盘旋,由熊熊火焰自然锻造出单词“IGNITE”。字母亮度不断升高,随后爆发为巨大冲击波,让整个屏幕布满火焰与炽热粒子,要求达到好莱坞火焰模拟、超写实视觉特效、大片标题展示的效果。
两段15秒AI生成视频经手工拼接,呈现荒诞超现实喜剧场景,给出两段完整提示词
无需VPN即可恢复功能,官方Discord无法使用可换Canary或PTB版本
正在使用网页版或桌面版Vencord的用户,可以通过插件设置恢复功能。操作步骤为:在插件中开启实验功能,在实验功能里搜索video-guard,随后选择「Not Eligible」,功能即可恢复正常,操作全程不需要使用VPN。
如果在官方Discord上无法完成操作,可以尝试使用Canary版本或PTB版本。分享该方法的用户本人就是通过Discord PTB完成操作的。
相关操作演示和细节可查看原文附带的四条链接。
采用划定活动边界替代逐笔人工确认,不提供信用杠杆,Agent拥有独立持续经济操作空间
基于Cloudflare的AI工作流可自动生成分享会议纪要,越用越高效
无需担心成本就能使用的 Cloudflare 技术栈用来放 AI 报告真的很棒!> 会议结束后,只要对 Claude Code 说一句「用 Kanary 做文字转写,整理成会议纪要,再通过 as 分享给客户」。就这样就能把会议纪要送到对方手里了。
> 而且过去的会议纪要都存在 as 里,所以 Claude Code 可以从中提取出席者姓名和上次会议的上下文,用得越多,需要手动修改会议纪要的地方就越少。> 这种「越积累越轻松」的感觉,是过去把文件扔在 Slack 里的时候完全没有的。
非编程人员无需手写代码,用Claude Code自动化民泊全流程运营
博主体验更新后豆包,其多项功能设计对标Codex,部分已实现本土化超越
J-Space修复DeepSeek V4 ProAgent场景短板,性能超越多款顶流模型
不需要中转API,还支持并行出图,直接复用已登录的Codex CLI授权状态,只需要一个Python小脚本就能用。
【一个skill让任何Agent可以调用Codex的生图能力】 WorkBuddy想用Codex的GPT image 2,根本不需要中转API!
离谱的是,还可以并行出图!
codex-image-gen 直接复用你已登录的 Codex CLI OAuth 态:自动刷新 token、带上必需请求头、解析 SSE 流、落地本地 PNG——一个零依赖 Python 脚本。
Claude Code / Codex / DeepSeek Harness,任何Agent都能用。
一键安装:npx skills add zjp1997720/zhijian-skills --skill codex-image-gen
欢迎star🌟:
只需要一个统一接口,就能在已搭建好的Claude、Codex CLI等AI Agent里调用自己的音色生成语音。
来认识一下 Fish Audio MCP。用你自己的声音,接入你已经在构建的任意智能体 🪄——支持 Claude、Codex CLI、Cursor 和 Windsurf。
一个端点就能适配你已经在使用的所有智能体。
✅搜索最优声音
✅生成语音
✅转录音频
✅查看用量
所有功能都能直接在你的工作流内完成。快来试用 🎣
这类AI交易工具并不多见,和普通AI交易工具不同,它能在用户授权范围内直接执行交易操作。
千呼万唤始出来,NeoSoul 的 AI Agent 今天终于上线了,定名 NeoTrade 辨识度很高 AI 交易工具很多,但扎根于预测市场的 AI 交易工具真没几个,NeoTrade 的领显优势很明显,希望可以保持 对比之前测评过的交易产品 Copilot,NeoSoul 的特点很鲜明,如果说 Copilot 实在众多标的中找到最具潜力的并给出建议,那 NeoSoul 则更进一步在授权范围内执行决策 我愿意称之为可控的 AI,足够聪明,但又不会越界 生于量化,高于量化,自我迭代,无限进步
AI生成了太多冗杂的项目文档,管理者读完后大脑已经装不下更多信息,问成员细节对方也答不上,得重新让AI生成答案。
开发者先用AI输出代码结果,后续验证这些结果正确性的过程,消耗的token数量是生成步骤的数倍。
嗯,我也这么想。就我自己的情况来说,比起用 codex 或是 claude code 先得出答案的步骤,花在验证上的 token 要多上好几倍。
对此我选择离开数学界。我将从「发现答案」,转向构建能够对答案进行验证的系统。
用完全相同的提示词,让两个大模型分别生成能够展示比特币、以太坊、Solana出块速度的实时3D可视化效果。
我用完全相同的提示词测试了 GLM 5.3 和 GPT 5.6 Sol。
我要求两者生成一个实时3D可视化,展示 Bitcoin、Ethereum 和 Solana 以真实出块速度生产区块。
第一个视频是 GLM 5.3,第二个是 GPT 5.6 Sol。
这轮我让大家自己来判断。
普通用户做海报不用再手动改歪字缺字,有显存不够的设备也能跑,开放权重和数据集支持自行部署微调
AI 代理能自己搜索超1300个工具、对比价格、调用付费完成任务,不用人提前找好工具配好流程
你的智能体现在可以自主发现新工具了。我们推出 Monid Discover。
你的智能体可以:
> 搜索超过1,300个API与工具
> 对比供应商
> 查看定价
> 在运行时调用工具并完成支付
等你问到它用了哪些工具的时候,工作早就做完了。
实测后这次生成的视频整体流畅,没出现大的物理逻辑问题。想要用Seedance 2.5生成稳定视频可以直接参考这套结构化提示词。
还没写代码就能验证创业想法,直接生成全市场调研、竞品分析等报告,比付费战略咨询便宜,能兼容Claude Code使用
Startup Skill 用一个开源工具包替代了昂贵的战略咨询顾问,它可以让你在编写代码前验证你的创业想法。
它能即时输出完整市场调研、竞品分析卡、产品定位和财务预测。
该工具支持搭配 Claude Code 使用。
想让孩子抓住AI行业机会的家长,可以参考这套每周几小时的家庭启蒙路径,已经培养出明确选方向的结果
大约三年前,我每周花几个小时教我的孩子网络、协议、编码等基础知识。
过去一年,我每周花几个小时讲解AI,向他们展示如何用codex、claude开发自己的项目,要求他们下周汇报自己的进展。
过程很有意思,他们学到了很多,也能真切体会到自己做的所有事情的价值。
我儿子将要去大学读AI+网络安全专业,他已经做好了充分准备。
我的另一个儿子明天就要去高中职业中心上学,他选的方向是网络安全课程。我肯定会经常去那里做分享。
非技术员工也能自己搭建能用的生产Agent,企业落地Agent的门槛不在开发,而在配套管理基础设施。
如果已经在用Cursor的云端智能体跑代码任务,整个流程不用跳出Cursor就能完成,能解决传统托管平台拖AI并行开发后腿的问题。
多智能体竞争开始比拼协作体验,机器人交接、群组对话能不能用顺,会成为下一阶段的竞争核心
Competition has Hermes moving fast lol. 笑死,竞争让Hermes动作快了起来。
这些天我把一部分工作转移到Grok Bot里测试它。Bot-to-Bot交接和群聊已经内置在产品里了。
交接流程顺畅,群聊功能也能用。现在Hermes Desktop也推出了Bot模式。所有现有个人资料现在都会以持久化Bot的形式存在,自带专属角色、模型、记忆和技能。
Bot之间可以互相通信,同时用户依然可以控制每个Bot的模型和配置。
下一轮多Agent竞争比拼的就是协作体验:谁能先把角色、记忆、交接和群聊这几项都做顺畅了。
开源显然不会放弃这一层赛道。
做To B AI产品如果只聚焦客户需要的窄任务,效果能超过通用大模型,这给小团队做出差异化产品指明了方向。
掌控自有智能很重要的一环,就是把你的智能体每天产出的海量数据,转化成两类东西:
1. 人类能够理解的报告、可视化和内容——人类作为下游消费者,仍然重要。
2. 可供你优化提升的环境与任务:利用 harness-eng 并对开放模型做后训练,得到适配你具体智能体任务的模型。
模型是不规则的智能野兽,但我们可以通过整理优质数据与上下文供模型学习,将它们的原生智能引导到你的客户真正关心的具体事情上。
专业化智能显然是可行的方向——看看各个实验室发布的专业化模型(GPT-Rosalind、网络安全模型等等)就知道了。
这其实已经直白地告诉我们:完全可以通过将模型参数引导到具体细分任务上,超越前沿模型的性能。
客户根本不在乎模型能做的99%的事情,他们也不会为这些功能付钱 :) 你只需要从那堆巨大(而且还在指数增长)的数据中筛选,从中做出有用的东西。
如果你对这个方向感兴趣,可以来找我们 :)
现在主流AI深度研究工具都会大量抓取Reddit内容,仅13个恶意植入文字就能让AI把推广内容当成可信信源写入报告,开发这些工具的公司手握解决方案却毫无应对
国内大厂已经开始抢占AI Agent落地的核心入口——谁先对接上真实工作生活的工具数据,谁就能拿下下一阶段AI竞争的主动权。
大部分人用 Claude Code 做网页都没加载 Skills。只需要加载免费的设计类 Skills,同模型就能做出质感完全不同的网页。
【话题】现在有一个观点引发讨论:绝大多数在网站制作中使用Claude Code的人,其实根本没有加载Skills就直接使用了😳
哪怕是同一个Claude Code,仅仅因为传入的Skills不同,效果前后差异能有这么大,演示就在这里👇
・不加Skills的普通Claude Code,做出来的页面美观但平庸
・加载了设计类Skills的同一个Claude Code,最终成品效果就像高端品牌网站
・这些Skills已经在GitHub上免费公开,名称整理在原文里
模型本身没有区别,改变结果的只是传给Claude Code的Skills内容。模板感会彻底消失,成品看起来就像是投入了很多成本打造的品牌官网。
靠AI自己记住完成任务一定会失败,这套简单确定的人工约束方案,能减少AI Agent自作主张出错的概率
无人监督的智能体是愚蠢、鲁莽且会自我毁灭的。
它们会搞垮自己的技术栈。它们会互相认同,最终都认同了错误结论。它们会偏离任务目标。
解决方法不是造出更聪明的智能体。解决方法是无聊、确定性的“管教”:
- 一个 cron 监控器,任何 LLM 都没法说服它放水
- 用 Git 作为唯一的共享记忆
- 一份任务文档,写清楚什么是重要事项,什么才算任务完成
然后再据此加上防护措施:
- 在上下文溢出前轮换会话
- 将关键文件锁在智能体访问范围之外
- 在 API 前设置代理,这样你就能查看成本和运行健康状况
如果一件事要靠智能体记得去做才能完成,那它一定会失败。
原来需要骑手、直升机完成的赶牛清点工作,现在点三次手机就能做完,还能砍掉近一半成本,牧场主已经提前预约了170万英亩的服务
能和AI同事混排协作,支持本地部署本地运行,密钥不会经过第三方服务器,还解决了多AI协作撞任务的常见问题,需要协作AI工具可以关注。
核心精简无技术债务,启动速度异常快,单个模型推理流程清晰可复用。未来主流推理引擎可能走向这种模块化路线,值得关注。
用AI写代码时,不告诉它项目的长期规划,它只会生成满足当前需求的最小实现。需要自己判断重构时机,把握架构设计,这个经验对用AI写代码的人很有用。
用户分享本次结算仅得3分,平台注册用户超13.3万,累计生成超340万条有效数据轨迹
开发者XChatScout完成Ling-3.0-flash模型部署,整理了完整操作流程与实测结果
开发者@XChatScout完成了Ling-3.0-flash大模型的部署,成功在单台配备128GB统一内存的DGX Spark设备上从零运行该模型。Ling-3.0-flash是参数规模124B的稀疏混合专家模型(MoE)。
XChatScout整理出了完整的部署过程,内容覆盖混合4-bit量化、专用vLLM分支、ABI自检、冷启动内存占用等环节,还包含所有踩坑细节与操作命令。
部署完成后,XChatScout做了实测:在15道纯文本任务上,五类任务等权打分得到94.28分,生成速度超过每秒40个token。
如果正在尝试在有限内存条件下运行大模型,或是对KDA/MLA结合MoE的实际落地感兴趣,可以参考这份整理好的流程,减少尝试过程中的弯路。
日本用户@SaburoNax2开展AI生成图像实验,测试不同服装的内容审核通过情况
本次实验名为“可通过审核的服装”,模型由GPT推荐生成,不使用参考图像。实验设定场景为新人模特在自己房间对着镜子练习姿势,核心目的是测试哪些服装生成的前后视角图像可以通过内容审核。
实验显示,即使是黑色缎面无肩带吊带搭配蕾丝巴西式内裤,也轻松通过了审核。未通过审核的是包含ウンナナクール的内衣,这类内衣此前在手机场景中可以生成。
本次实验一共发布8张测试图像,4张放在主帖,另外4张放在回复中。如果要测试提示词,只需要替换提示词中对应服装的部分即可。
实验给出了详细的提示词模板,同时列出了8种通过审核的服装样例,以及具体被拒绝的服装款式。
依托Kimi k3大模型完成网络配置,无需特殊手段即可使用
分享者表示,完成omarchy系统的全部配置后体验感很好。已成功安装ChatGPT客户端,配置了flclash,并登录了𝕏(原Twitter)。网络配置是整个过程中最复杂的环节。
这次配置全程交给Kimi k3大模型处理,它是无需特殊手段就能使用的强力大模型。配置完成Agent后,剩余的字体和输入法配置操作难度降低,很快就完成了。
Grok Bot桌面客户端可同时控制本地Agent与云端电脑,存在更新重置系统盘的问题,可搭建收费Agent服务
Grok Bot使用体验良好,被认为是未来智能体(Agent)的标配。它的桌面客户端可以同时控制本地智能体和云端电脑,还支持任务接力机制。
云端电脑更新时会重置系统盘,这一问题会导致用户之前安装在云端的所有服务都无法运行。
使用者目前的场景是,在Grok云电脑中安装Cursor、Codex,结合飞书命令行界面(CLI),邀请其他人加入自己的飞书组织,即可直接通过聊天使用这两款编程工具。
基于智能体的服务,还可以通过Cloudflared包装成网站。用户在网站提交任务,比如将图片PPT转换为可编辑的PPTX文件,由云电脑内的Codex执行任务,完成后将结果返回网站。这种方式可以保证技能不外流,还能做成收费服务。
这是本地运行大语言模型工具的首个正式版本,关注本地部署大模型的用户可以关注后续功能更新。
针对认真做开发的人员,讨论完整代码库放入上下文窗口
用户分享用Seedance 2.5生成水上闯关AI视频,称其定价偏高
GitHub 一家独大的代码托管领域多了新选择,开发者未来可能多一个可选平台
社区讨论:部分人认为GitHub近期问题频发,现在正是AI公司替代它的好时机,也好奇这次替代能否动摇GitHub的网络效应。有人指出新工具命名为Origin会让LLM产生语义混淆,也吐槽名字辨识度低,还有付费测试版网站占用100%CPU,产品只是GitHub克隆,没有在协作版本控制方向创新。有人质疑全非公开、需要账号才能浏览仓库的模式没法真的替代GitHub,还有人因公司相关负面丑闻拒绝在该平台托管代码。
本文讲解Hermes Bot Mode的功能,一步步教你使用该功能
业内观点指出AI应用层竞争不止于表层,核心是智能层争夺
AI聊天机器人正在成为信息战的新目标,普通用户获取信息时更需要注意核实来源。
基于本地OpenAI兼容HTTP流式接口开展全流程压测
🚀Ling 3.0 压测,本次使用的是本地 OpenAI 兼容接口,通过 HTTP 流式请求进行压测,不是脱离服务框架的离线推理测试。 Ling 的每个请求使用同一段约 150 Token 的长文本提示词,最多生成 512 Token。 计时从客户端发起 HTTP 请求开始,到流式响应接收完成为止,因此会包含本地 HTTP 调用、服务调度、Tokenizer 处理、Prefill、逐 Token 解码和流式返回等环节
适配多种现有AI代理框架,一次配置就能搞定模型堆叠,不用重复搭建环境。
共7项开源技能,可运行完整端到端AI视频制作管线,为Seedance 2.5构建,可在Claude Code、Codex、Hermes或任何工具框架中工作。
→ /setup 只需编写一次你的模型栈,所有技能都会读取同一份配置
→ /studio-init 仅需一个问题即可搭建出整个工作室的文件树框架
→ /film-breakdown 为你脚本中的每个镜头生成一张包含22个字段的卡片
→ /reference-board 将参考素材锁定到可视化参考手册中,同时附带禁用素材清单
→ /asset-passport 编写详尽的描述文件,后续所有提示词都会逐字引用这份文件
→ /stress-test 将素材转换为仅锁定状态,可实现10/10的可重复性
→ /shot-prompt 在画面中所有内容都锁定前拒绝运行,完成锁定后生成包含15个模块的提示词
市场传闻本周就要发布,它主打多智能体集群能力,有人预言它会像去年冬天Claude Code改变编码一样改变长周期多智能体工作。
包含OpenAI官方教程、吴恩达机器学习课程等不同方向的入门资源,新手可以直接按列表选学。
把AI加入漏洞挖掘的工作流,就能直接在实战中拿到厂商给出的安全赏金。
我是如何搭建一套AI漏洞狩猎工作流的——它还真帮我拿到了赏金。这是我的方法记录 🔗 #BugBounty #AI #bugbountytips #security #openai #gpt
只要订阅了Claude或Codex,普通人都能完成基础编码工作,顶级开发者的核心竞争力变成了体系化思考能力。
每当我招聘开发者时,我不会筛选「会写代码」的人。
现在任何订阅了 Claude/Codex 的人都能写代码。但顶尖 1% 的技术思考者,有能力自己拿出正确的规格说明和架构,更重要的是,他们能准确说清楚智能体要构建什么、为什么构建、在哪里构建。
但你不可能靠周末刷几个教程就成为优秀开发者。你应该给自己找一个困难、有野心的问题,从零开始搭建点东西。尽量不要用 AI 辅助,查文档没问题。
你会卡住,你会调试,你会做出有意思的架构决策。最终你就能培养出对正确方案的洞察力。
针对代码生成场景单独训练小模型,运行在专用GPU集群上,比通用大模型更省钱。
小模型,大省钱。
@relace_ai 训练了专门为代码生成构建的专用模型,由 Together AI 上 @ycombinator 的专属 GPU 集群提供算力支持。
这部动画和皮克斯、迪士尼的作品一同在SIGGRAPH 2026展映,用生成AI辅助完成创作,保留了人类创作者的手工设计。
我们的首部AI动画电影《KÖK BÖRÜ》,在全球最大的计算机图形学会议上完成了首映。
这部电影将生成式AI与人类艺术相融合,在洛杉矶举办的SIGGRAPH 2026上放映,参展方还有Pixar、Disney和Nvidia。
目前影片已经上线并完全开源,所有提示词和素材都已开放,参与奖金1000000美元的Higgsfield全球电影节。
本片由Higgsfield上的Seedance制作完成。
这套自动化工具能帮内容创作者摸透用户痛点,还能拆解同行做得好的地方,做内容做产品都能用真实数据支撑决策
作为内容创作者,你能用 Claude Code 搭建的最佳副业项目就是:面向你的理想客户(ICP)的监听智能体。
它可以监测 reddit、twitter、youtube 评论区……基本上只要是你的受众会发言的地方都能覆盖。提取痛点、问题、反对意见,以及他们需要的一切内容。
每周你都会获得全新洞察,发现还没有人解决过的问题。
针对你的竞争对手,还可以做深度调研智能体:它会抓取所有瞄准你同一片理想客户(ICP)的竞争对手,提取他们在所有平台的内容和产品,分析哪些内容有效。
反向拆解他们的成功逻辑,你不用再自己瞎猜。
之后你把所有这些原始数据整理成结构化的背景资料、用户画像和能力库。不管你是要创作内容还是打造新产品,直接调取出来,基于真实洞察创作就行。
没有比这更好的项目了。
这笔资金将用于扩建NVIDIA加速计算集群,明年算力规模将从54兆瓦扩容至200兆瓦以上。推理层基建的玩家拿到了充足弹药,后续服务扩容值得关注。
今日我们宣布完成 3.5 亿美元 A 轮融资,由 @disruptivetech 领投,@nvidia 计划参投,本轮融资对 Groq 的估值为 35 亿美元,使我们两个月内的融资总额达到 10 亿美元。
推理正在成为 AI 基础设施中规模最大、最关键的一层,而这正是我们做得比所有人都好的领域。本轮融资将支持那些需要使用中型及大型 NVIDIA 加速计算集群来开展训练和推理的用户。
Groq 预计明年将把算力规模从 54 兆瓦扩展到 200 兆瓦以上。截至今日,已有超过 600 万开发者、财富 500 强企业,以及数千家原生 AI 公司基于 Groq 构建产品,每周生成数万亿 token。
不用分别打开多个AI客户端,数据和密钥都本地加密存储,不用担心隐私泄露,所有主流平台都能使用
推荐一个开源 AI 桌面神器:AQBot。一个软件直接把 OpenAI、Claude、Gemini、DeepSeek、通义千问等模型全装进来,还集成 Agent、MCP、Skills、知识库和 API 网关。聊天记录和配置主要留在本地,API Key 支持 AES-256 加密,Windows、macOS、Linux 全平台支持。
GitHub:
AI不遵守指令的核心问题,和过去的幻觉问题一样,现有思路无法快速解决,需要彻底新架构才能处理。这直接影响通用AI的落地安全。
很多人对这个问题——也就是AI无法遵循指令——视而不见,就像他们最初对幻觉问题漫不经心的态度一样。他们抱着同样的幻想,认为这种核心的、根深蒂固的问题会很快得到解决。
这些问题实际上无法被解决,除非我们拥有全新的基础架构。
这就是为什么以LLM为核心的架构对AI安全来说是一个严重的威胁。
做AI智能体开发的人可以参考这一结论:技能主要用来稳定执行流程,不是补充知识,技能越多实际可用精度越低。
一篇揭开智能体技能原理的有趣论文。如果你正在为你的智能体维护技能库,这篇值得你花时间一读。(收藏起来)
人们通常认为技能的作用是注入模型缺乏的知识。然而这篇论文有个有趣的发现。
在8,135条标准化实验记录中,当技能发挥作用时,65.7%的情况来自程序锚定,仅有4.5%来自显式知识注入。
技能的作用是稳定执行流程,而非提供事实。
当技能库规模从5个扩充到100个时,实际使用准确率从29.6%下降到3.3%。
在配对对比中,技能仍然比工作流记忆高出6.06个百分点,但技能会在假设僵化、上下文不兼容或适配不足的情况下失效。
论文链接:
在我们的学院追踪更多热门AI论文:
想用多个AI Bot分工完成全流程工作,可以参考这套明确权责的分工方案,避开职责混乱的问题
只需回答12个问题,就能生成和制作者自用OpenClaw一样智能的智能体,还预装70个个人技能,可直接上手使用。
GBrain 现在支持为 Codex 和 Claude Code 生成/初始化个性化智能体。
它会生成一份智能体 AI 风格的 SOUL.md,并安装 70 个我的个人智能体技能来帮你快速起步。
只需要回答 12 个问题,你就能完成设置,得到一个和我个人的 OpenClaw 一样聪明的智能体。
这套插件覆盖从设计到监控的完整开发流程,能让Codex 5.6能力提升10倍,帮独立开发者完成全流程软件交付
行业玩家英伟达已经在公开训练模型,这种路径能避免智能领域形成垄断,普通使用者也能因此拥有更多选择空间。
开源 AI 的核心在于,训练配方本身才是最接近 Linux 和开源软件的事物。
模型权重是临时性的。
Nvidia 公开搭建自己的模型,这样一来所有人日后都能自建模型,从而避免智力垄断。
可以接入多个不同AI模型供AI智能体运行,感兴趣的开发者可以到GitHub查看项目
Introducing and——一款为 AI 代理构建的实验性 RSPS。
连接你的 Claude、Codex、Pi、Hermes 等模型,让它自由运行。
GitHub:
能帮高提交量的开发团队省下持续集成流程里大笔LLM API开销,不用再为过时假测试埋生产故障隐患
用Grok协调多个AI工具工作流时,触发使用限额会直接让所有工作暂停,没有提前预警也没有降级方案,体验很糟糕。
重度测试后触发了@grok @bot 的使用限制。我把它用作协调器,还把我的 gpt/claude/cursor 命令行工具都给它了。
和代码模型用完额度相比,这次的体验反常地让人不爽。
我觉得问题出在一切直接卡住,而且没有任何警告,它应该故障转移到便宜模型才对。
此前他认同「只要1B参数认知核,其余全靠工具就行」,如今用打羽毛球的亲身经历推翻了这个说法,重新理解为什么要做大模型。
可读取简历、检查JD硬性条件、匹配度打分,还能生成开场白和修改建议,最终投递由用户确认
此前分享了使用Codex自动筛选招聘平台岗位的方法,很快就有人将后续求职流程做成了开源工具。
这款工具可以读取简历内容,检查招聘要求中的硬性条件,按A/B/C三级给出岗位匹配度打分。
它还可以生成求职开场白,模拟HR筛选流程,提供简历修改建议。
最终是否投递岗位,仍由用户自行确认,想要实现求职流程自动化,可以安排使用这款工具。
用户@altryne在𝕏发文称,自己开发的@slashlast30days研究机器人会向主管发送信息,自己并不介意
用户@altryne在社交平台𝕏发布了这条内容。
他开发了名为@slashlast30days的研究机器人,不清楚为什么该机器人会向主管发送信息。
他表示,自己并不介意这件事。
原文附带链接:
个人用户分享Grok Bot使用初体验,称赞其功能优势,同时遇到无法连接X生成feed摘要的问题
有用户分享,自己终于完成了操作,安装Grok Bot替代了自己原本使用的openclaw,截至目前对体验没有不满。
Grok Bot支持可编程,这意味着它可以跨智能体运行,还能管理用户任务,内容分类效果比此前的codex chats更好。
用户称赞SpaceXAI团队和cursor_ai团队完成了出色的工作。
目前Grok Bot存在一个明显问题:它无法连接用户的X账号,生成用户信息流的摘要。该用户询问是否有人知道如何解决这个问题。
这套系统可自动抓取受众痛点与竞品空白,为内容创作提供方向,分享免费搭建步骤
开发者在DeepSeek Harness中新增游戏中心插件,完成结合AI框架与Token经济的创意Demo
开发者在DeepSeek Harness平台打造出一款以Token作为筹码的多人在线德州扑克创意Demo。该Demo直接作为「游戏中心」插件嵌入DeepSeek Harness页面,实现了和平台生态的深度融合。
该Demo的核心设计为Token即筹码,玩家可以使用自身账户内的实际Token参与游戏,筹码数量直接对应玩家真实持有的Token数量,输赢直接变动账户内的Token。
Demo支持多名玩家在线实时对战,完整支持下注、跟注、加注、弃牌等德州扑克的标准操作。
该Demo不止是娱乐产品,还是AI Agent运行时框架DeepSeek Harness和真实Token经济结合的创新尝试,拓展了AI Agent框架的应用可能性。
测试了文生视频、音画节奏同步、图生视频三种方案,将开源所有工作流资源
该教程逐行讲解从零编写GPT代码,覆盖编码、扩展到专业使用全流程
这份从零搭建GPT的教程总时长为四小时。教程由前Anthropic员工Karpathy推出,会手把手逐行带领学习者自行编写GPT代码。
教程内容覆盖三个阶段:从基础代码编写,到模型扩展,最终实现像专业人士一样使用模型。
分享者@aresotik提醒用户保存这份教程,称它会非常实用,相关链接已公开。
用户@gregisenberg分享9个优化Claude Code使用体验的要点,完整内容存于其发布的完整内容页面
用户@gregisenberg在𝕏分享了9个优化方法,可将Claude Code的使用体验从一般提升到极佳。
9项改进分别为:第一,设置可自我说明的代码仓库工作区;第二,用记忆文件记录你的工作方式;第三,在Claude Code操作任何内容前,先开启计划模式梳理概要;第四,为它分配带有明确完成标准的单一清晰任务;第五,让它打开应用,像用户一样完整点击操作一遍;第六,让它对照你的标准自行检查完成的工作;第七,设置可在你休眠期间运行的定时任务;第八,明确划分权限,标注哪些操作它可自主执行、哪些需要你把控;第九,添加可复用操作,以及连接器和钩子拓展功能。
本次内容得到AnthropicAI赞助。所有9个方法的具体提示词、最佳实践,以及为期7天的部署计划,都可在完整内容中查看。
完成这些设置后,Claude Code的使用体验会和此前完全不同。完整内容可通过给出的链接查看。
X用户DeryaTR_分享自己当前在iPhone上使用的AI编码与智能体工具,按使用时长排序
这是DeryaTR_当前在iPhone上使用的AI编码与智能体工具栈,排序依据是每日使用时长。
按使用时长从高到低排序,工具依次为:第一名ChatGPT,用于工作及远程调用Codex;第二名Grok Bot;第三名Grok Build;第四名Cursor。
分享附带了相关链接。
部署后运行速度快,用户推荐搭建本地开源大模型工作流,实现 Token 自由
用户@Lonely__MH 在𝕏发布实测结果,成功在DGX Spark上单机部署千亿级大模型。运行速度表现出色,相关过程附有录屏。
用户提到,SGLang (@sgl_project)的运行速度据称比本次部署更快。当前国产开源大模型生态发展越来越好。
用户建议学习本地模型部署,可以安装Ling-3.0、Qwen 3.8 27B、Minimax H3,接入多模态后,用各类开源大模型搭建专属本地工作流,就能轻松实现Token自由。
部署教程非常简单,普通人都可以操作。唯一的前提是需要拥有适配的显卡。
分享可直接使用的提示词,解决长对话堆积无效信息拖慢AI Agent的问题
很多人默认AI Agent对话越长能力越强,但实际上长对话反而会拖慢AI Agent的运行。随着对话推进,上下文会不断堆积废弃方案、失败尝试、调试日志、重复输出和过期内容等无效信息。这些无效信息既会浪费token(大语言模型的计算单位),还会干扰AI Agent的判断。
正确的处理方法是不要让上下文累积无用内容,定期让Codex清理当前对话状态。你可以直接使用这段提示词:“请整理当前任务的上下文,清理无效信息,删除或标记已废弃方案、已完成无需参考的内容、与当前目标无关的历史记录以及低价值重复输出,并重新生成一份精简任务摘要,仅保留当前目标、核心约束、已确认决策、当前进度、未解决问题和下一步计划;后续执行任务时,以最新摘要作为主要依据,不再依赖已失效信息。”
这种做法有三个明确好处:第一,避免AI Agent被旧信息干扰,减少沿着错误路径继续执行任务的情况。第二,让上下文始终围绕当前目标,提升复杂任务的运行稳定性。第三,长时间开展开发任务时,不会因为历史信息堆积导致AI Agent判断能力下降。
多数情况下,使用AI Agent并不需要更多token,干净有效的上下文才更关键。
开发者发现Claude Code可命名代理,让不同代理协同沟通
在 Claude Code 里,你可以给你的代理命名,让它们互相对话。比如 Architect、Reviewer、Tester。
它们会互相协同。
就是这么简单:
海外开发者分享自己软件开发方式随AI发展的转变
开源大模型靠自身就能完成「生成验证全流程」,以远低于闭源模型的成本实现更高性能,本地部署可用的全能力开源AI正在落地
💥重磅突破!DeepSeek V4 Flash 通过「自我验证缩放」(Self-Verification Scaling),在 Terminal-Bench 2.1 上直接超越 Claude Fable 5,成本还低 11 倍!
实验简要细节(斯坦福团队主导):
🔹用 mini-swe-agent 生成候选解
🔹仅采样 5 个解(Best-of-5)
🔹同一模型(DeepSeek V4 Flash)作为 LLM-as-a-Verifier 进行排序验证
🔹准确率从 79%(Pass@1)直接提升至 88%
🔹成本约 $0.25/任务,远低于闭源前沿方案
开源模型现在已经足够强:能大量生成高质量候选解,再用自身低成本验证+排序。
「狂生成 + 便宜自验」范式正式成立——性能与成本双杀,闭源优势正在被快速抹平。
真正的开源/本地 AI 时代,已经到来。
立刻可试: #AI #DeepSeek #OpenSource #LLM #LocalAI #TerminalBench #LLMVerifier #Stanford
传统提升AI Agent性能靠改模型权重,这项研究找到了另一条路径,可帮所有测试的Agent模型提升效果,性能超过了Claude Design。
《AutoDesign:面向长周期智能体设计的元框架优化》
AutoDesign 让智能体优化模型周边的系统,而非模型权重。
它设计了一个修复当前产出物的内循环,以及一个从轨迹失败中学习并更新框架本身的外部元框架循环。
这个经过学习的框架让全部 7 个被测智能体-模型配置在 PosterBench 上提升了 5.0–19.6 分,并且 AutoDesign 比 Claude Design 高出 7.45 分。
五千到六千美元的本地设备就能跑,性能达到了一流水平,想本地部署大模型有了更强的开源选择
Qwen3.8-27B 在 Artificial Analysis 上拿到了 52 分。
一个 27B 参数的开源模型,能轻松在 5000 到 6000 美元的本地设备上运行,说实话甚至用更便宜的配置也行,能达到这个竞争水平太疯狂了。
开源万岁。🔥
新提出的LatentMDM在相同推理预算下,性能首次超过带KV缓存的AR模型,或将改进生成式AI的推理效率。
很高兴向大家分享我们过去6个月的研究成果。
我们真的能把掩码扩散称为「任意顺序」模型吗?在我们的最新工作中,我们提出:现成的掩码扩散模型具备任意顺序预测能力,但无法以「真正的任意顺序方式」推理。
我们推出了两款能做到这点的模型:LatentMDM 和 70 亿参数规模的 FlexMDM,是我们之前工作的延伸。
我们的新型隐空间掩码扩散模型 LatentMDM,在推理预算匹配的情况下,在 TinyGSM 上的表现超过了带 KV 缓存的自回归模型(AR)。据我们所知,LatentMDM 是在相同设置下做到这一点的首个模型。
这是联合研究成果,共同第一作者为 @seunggeun_kr、@tklll_tx 和 Yuyuan Chen,指导老师为 @du_yilun、@ShamKakade6 和 @sitanch。
用同一个模型做验证就能大幅提升准确率,成本还低11倍,开源模型已经能在特定任务上追上闭源顶级模型。
通过 DeepSeek V4 Flash 规模化自我验证,在 Terminal-Bench 2.1 上击败了 Claude Fable 5,同时价格仅为其 1/11 💰
随着开源模型能力不断提升,它们现在已经能够生成大量高质量候选解决方案,并且能以极低的成本验证自身输出。
举例来说,我们发现,仅用 DeepSeek V4 Flash 采样 5 个解决方案,再用同一模型以「大语言模型即验证器」的方式对结果排序,就能让准确率大幅提升(从 79% 到 88%),在 Terminal-Bench 上性能超过闭源前沿模型。
今天就可以体验:关于验证规模化的更多内容可以看我上一篇帖子。
现在主流AI深度研究工具都会大量抓取Reddit内容,仅13个恶意植入文字就能让AI把推广内容当成可信信源写入报告,开发这些工具的公司手握解决方案却毫无应对
普通用户做海报不用再手动改歪字缺字,有显存不够的设备也能跑,开放权重和数据集支持自行部署微调
做AI智能体开发的人可以参考这一结论:技能主要用来稳定执行流程,不是补充知识,技能越多实际可用精度越低。
一篇揭开智能体技能原理的有趣论文。如果你正在为你的智能体维护技能库,这篇值得你花时间一读。(收藏起来)
人们通常认为技能的作用是注入模型缺乏的知识。然而这篇论文有个有趣的发现。
在8,135条标准化实验记录中,当技能发挥作用时,65.7%的情况来自程序锚定,仅有4.5%来自显式知识注入。
技能的作用是稳定执行流程,而非提供事实。
当技能库规模从5个扩充到100个时,实际使用准确率从29.6%下降到3.3%。
在配对对比中,技能仍然比工作流记忆高出6.06个百分点,但技能会在假设僵化、上下文不兼容或适配不足的情况下失效。
论文链接:
在我们的学院追踪更多热门AI论文:
开源AI模型的增长速度远超预期,普通开发者能找到的免费开源AI资源会越来越多
普通投资者现在可以直接跟随顶级投资者的市场判断做投资,投资分析门槛进一步降低
获取投资渠道已经实现了大众化,但金融情报还没有。
Questflow 将顶级投资者的市场判断转化为 AI Agents,让个人投资者可以在各个市场中跟随、理解并跟着这些 Agent 投资。
今天标志着 Questflow 进入下一个时代:全民共享金融情报。
快来观看我们联合创始人兼 CEO @Bobbxu 的介绍视频。
任何人都可以参与贡献代码、插件或衍生项目,普通用户也能免费使用这个完全开放的AI智能体工具
如果你刚了解 Hermes Agent,这里给你提个醒:Hermes Agent 是一个 100% 免费、开源、采用 MIT 许可证的智能体工具框架,能给你完整的选择空间和能力,由我和我的 Nous Research 队友,以及 2500 多名贡献者共同开发。
你也可以参与贡献:提交 issue、发起 PR、加入我们的 discord、制作并分享由 hermes 驱动的插件、皮肤、技能和项目,以及参与社区互动!
点击这里查看 github 仓库:
视频模型开始被用来训练机器人,首个成果就超过了领域基准,这意味着机器人训练的速度和精度可能会迎来新突破。
我们来介绍 Moving Atoms:这是 TikTok 和牛津合作成立的新实验室,正在研发用于训练机器人的视频模型。
在短短时间内,他们的第一个模型 Atom 1,已经在 Deepmind 的 Physics-IQ 基准测试中击败了目前领先的模型。
切换不同AI代理写代码时,不用反复重新解释代码库,不用翻找之前的决策,可以直接从上次停下的地方继续推进工作
刚刚发布 thred 了!这是能帮你延续工作进度的上下文工具。不管你用 Claude、Codex、Cursor,还是未来出现的任何工具。
thred 为所有智能体提供一块共享内存,用来存储决策、修订、证据和未完成工作——这样下一个智能体就能从上一个停下的地方继续开始。
它基于 MCP 构建。由搭载 HydraDB 的时序记忆提供动力。
不用再反复解释代码库。不用再在会话之间丢失决策记录。只需保存→切换→恢复即可。专为 Hack Hydra | Memory + Context Retrieval 打造。
各类主流自建AI Agent都能直接调用企业微信十大办公能力,所有规模企业都可接入,没有人数资质限制,降低企业AI办公改造门槛
自建的AI Agent,现在也可以接入企业微信。企业微信全面升级CLI与MCP能力。WorkBuddy、Deepseek Harness、Minimax Code等主流AI Agent均可直接调用企业微信的文档、表格、邮件、会议、日程、通讯录等十大办公能力模块。
企业还可以通过企业微信开放接口,接入自主开发的 AI Agent。该能力面向所有规模的企业开放,不再受企业人数、资质等门槛限制。立即开始体验:
统一大模型替代多个独立方案解决支付问题,已在超五万家企业测试,提升支付成功率与欺诈识别效率,按月多完成十几万笔交易。
40亿笔支付。3万亿个数据点。用全部这些数据训练出了一个模型。来认识@Razorpay Vulcan——印度首个面向支付领域的基于Transformer的AI基础模型。
它在印度开发、训练和托管,合作方为@nvidia和@awscloud。
到目前为止,每个支付问题都是分开解决的:路由、欺诈、风险、个性化等等。我们提出了一个问题:如果能用一个模型理解资金的流动呢?
就像大语言模型在文本上训练来理解语言,Vulcan在支付数据上训练来理解资金如何流动。
它已经在超过51000家企业进行Beta测试,目前已经实现:
- 支付成功率提升8-10%——这是衡量一笔支付能否正常完成的核心指标
- 检测到的国际信用卡欺诈量提升8倍
- 识别出的欺诈或争议交易提升5倍
- 通过更好的结账个性化,每月多完成10-20万笔交易
而我们才刚刚起步。最棒的一点是:Vulcan每处理一笔支付,下一笔支付就会变得更智能。
我们花了数年时间建设为印度流转资金的基础设施。现在,我们正在建设能够理解并优化资金流动的智能。🔥
本地运行、微调AI模型不用依赖云端服务,性能有实实在在的提升,想离线跑大模型多了一个新选择
本地 AI 刚刚迎来重大升级。你现在可以通过 @UnslothAI Desktop 在本地微调并运行 AI 模型。
此外,借助我们推出的全新优化,llama.cpp 的性能最高可提升 20%(来自 @ggerganov)。
这款9B参数的小模型同时支持推理、函数调用、图文理解,能直接部署用于实际场景,轻量化多模态方案又多了一个新选择。
你是否一直想要一款能推理、调用函数,同时理解图像和文本的模型?来认识一下 Qwen3.8-9B 吧,这是一款紧凑的 9B 规格算力模型,融合了视觉与语言能力。
它为现实世界任务打造,适用场景从聊天机器人到智能代理都包含。
目前它已有 540 次下载和 102 个赞,已经引发了不少关注。
我们这就深入了解!
搭AI Agent原来需要手写代码编排,现在只需要说一句话就能生成完整应用。普通开发者也能低成本快速本地化部署自进化Agent。
能和AI同事混排协作,支持本地部署本地运行,密钥不会经过第三方服务器,还解决了多AI协作撞任务的常见问题,需要协作AI工具可以关注。
GitHub本月多次出现服务故障,开发者的AI开发 workflow 随时可能中断。Cursor选择故障当天推出原生代码托管功能,直接补全了全链路开发闭环
国内大厂已经开始抢占AI Agent落地的核心入口——谁先对接上真实工作生活的工具数据,谁就能拿下下一阶段AI竞争的主动权。
核心本地索引功能永久免费,全离线就能按语义搜本地各类文件,还能统一云端存储,给大模型传授权信息省90%输入token
如果已经在用Cursor的云端智能体跑代码任务,整个流程不用跳出Cursor就能完成,能解决传统托管平台拖AI并行开发后腿的问题。
还没写代码就能验证创业想法,直接生成全市场调研、竞品分析等报告,比付费战略咨询便宜,能兼容Claude Code使用
Startup Skill 用一个开源工具包替代了昂贵的战略咨询顾问,它可以让你在编写代码前验证你的创业想法。
它能即时输出完整市场调研、竞品分析卡、产品定位和财务预测。
该工具支持搭配 Claude Code 使用。
AI 代理能自己搜索超1300个工具、对比价格、调用付费完成任务,不用人提前找好工具配好流程
你的智能体现在可以自主发现新工具了。我们推出 Monid Discover。
你的智能体可以:
> 搜索超过1,300个API与工具
> 对比供应商
> 查看定价
> 在运行时调用工具并完成支付
等你问到它用了哪些工具的时候,工作早就做完了。
可以接入多个不同AI模型供AI智能体运行,感兴趣的开发者可以到GitHub查看项目
Introducing and——一款为 AI 代理构建的实验性 RSPS。
连接你的 Claude、Codex、Pi、Hermes 等模型,让它自由运行。
GitHub:
只需回答12个问题,就能生成和制作者自用OpenClaw一样智能的智能体,还预装70个个人技能,可直接上手使用。
GBrain 现在支持为 Codex 和 Claude Code 生成/初始化个性化智能体。
它会生成一份智能体 AI 风格的 SOUL.md,并安装 70 个我的个人智能体技能来帮你快速起步。
只需要回答 12 个问题,你就能完成设置,得到一个和我个人的 OpenClaw 一样聪明的智能体。
Fable 5正式发布前也走过相同灰度测试流程,Anthropic会在新品发布前做这类测试,新产品推出已经进入倒计时
🚨 Fable 5的继任版本,大概率是Fable 5.1,目前正在小范围账号测试中,这些账号在Claude Web上选中了“Fable 5”,Claude Code也有可能开放测试。
Fable 5在大规模发布的当天早些时候,也进行过这种灰度测试,Anthropic在正式发布前经常开展这类测试。
OpenAI、Anthropic、Xai分别对应一个专项报道名额,关注AI行业动态的读者可以从更细分的报道获得信息
早上好……现在共有三个——整整三个!——报道岗位开放招聘,你将与我和我的同事一起在旧金山报道AI公司。
申请链接在这里,报道对象包括OpenAI、Anthropic、SpaceX/Xai/Musk相关业务。
普通AI生成的连续剪辑经常出现脸、衣服、场景中途变样的问题,这套系统能锁定人物保持一致性。想做AI博主的人可以试试这条路
厌倦了随机生成的AI剪辑,播到一半就会丢失人脸、 outfit或房间一致性?
这款APOB AI系统终于让 consistent的AI网红vlog成为可能——它能锁定角色、按故事板推进节奏,还能用Seedance 2.5生成真实的30秒连续画面。
非常适合做日更系列。
用AI agent的人每天都会用到它,会根据AI常犯的错误调整自己的提问方式,明确要求输出格式就能减少错误
想学大模型原理的人,要么看了全是概念的教程,要么跑了封装好的代码还是不懂。这个项目拆开每一步讲透流程
去年想搞清楚LLM到底怎么工作的,翻了不少教程,要么只讲概念不写代码,要么直接上transformers库把底层全封装了,看完还是懵。
这个项目(Train LLM From Scratch)用纯PyTorch从零实现Transformer,没有trl、peft、transformers这些依赖,
每一步都拆开给你看:数据怎么变成token、模型怎么搭(MLP→注意力→多头→Transformer块→完整模型)、预训练怎么跑、SFT怎么教模型回答问题、Reward Model怎么打分、DPO/PPO/GRPO怎么对齐,整个链路清清楚楚。
代码里每个模块都有解释和预期输出,单GPU就能跑百万到十亿参数的模型,硬件参考也标得挺细。
🔗 地址:
200美元的方案里,每周给GPT 5.6的额度不到原来的三成,不少付费用户已经受到影响
真替OpenAI感到羞耻,他们不仅偷偷把套餐额度砍了至少一半,还大幅限制了GPT 5.6 Sol的token配额。
200美元套餐每周分给GPT 5.6的额度还不到30%,算下来同级别套餐现在的GPT 5.6额度只有之前的15%。
我要转去用开源模型了!
适配苹果硅,支持把KV缓存放到SSD,还能兼容Claude Code和Cursor,是Ollama和LMStudio的替代
如果你有 Mac 并且想要在本地运行 AI,你一定要试试 oMLX。它是 Ollama 和 LMStudio 的替代方案。
✓ 为 Apple Silicon 优化
✓ KV 缓存存储在 SSD 上
✓ 兼容 Claude Code 和 Cursor
✓ 针对 Qwen3 8B 做了优化
这款模型在OpenRouter可使用,专门结合对日本文化的深度理解和高性能推理能力
@SakanaAILabs 开发的 Sakana Namazu 现已登陆 OpenRouter。
Sakana Namazu 基于 Kimi K2.6 构建,是一款专项模型,它将对日本文化的深度理解与高性能推理能力结合在一起,整合了网页搜索和代码执行功能,可以处理商业场景下的复杂任务。
它自动统计发现三个操作占了七成,能一次性生成三个方向共四张设计方案,缩短了从需求到实现的时间
【新功能】Claude Code 推出 `/design` 命令预览版
它实现了「先测试方案再选择」的流程,缩短了到完成实现的距离。
- 通过使用数据分析,自动检测出 Attach、切换模型、语音输入这三个操作占 composer 动作的 71%
- 基于这一结论,自动生成三个方向的 UI 方案,共 4 个艺术板
- 可以直接在画布上编辑 Background、Radius、Opacity 等属性
- 选中满意的方案后,可以一步到位生成源码变更,总共增加 71 行、删除 38 行代码,直接完成实现
「先测试再选择」的工作流已经作为标准功能内置到 CLI 中。
↓详情
小众旧硬件找不到对应系统驱动不再只能靠厂商,大模型已经能完成这类定制化的小众编程任务
NousResearch 推出 Bot Mode,可创建带独立配置的专属智能体,支持跨模型使用,还可实现智能体之间互相通信。目前已有从业者开始测试相关功能,观察实际体验效果。
传闻该模型主打包群体智能体能力,数学能力较强,正式定名仍不确定,可能会叫GPT-6,关注大模型更新的可以留意本周动态。
越来越多传闻称,@OpenAI 将于本周推出他们的下一代AI模型系列“Astra”。
我们可以确定的是,Astra 将重度依赖智能体集群,并且在数学能力上表现强劲。
我们无法确定的是它的官方名称。它有可能会被命名为 GPT-6。
双方都认同多专业智能体协作优于单一大模型包揽所有任务,想尝新玩法的可以去参与任务拿积分
Alliance Series 活动继续 🚀 在我们建立合作关系的同时,我们即将与 4AI 共同开启为期 6 天的 Alliance Series 活动。
4AI 是一个运行在 BSC 上的去中心化 AI 社区,开发者和用户可以在这里构建、分享和部署自主智能体。他们平台支持多个智能体实时协作,在彼此之间共享知识,并自动把任务分配给能力最匹配的智能体 🧠
以下是这 6 天的活动安排:
- 在 Ozak AI Rewards Hub 参与联合任务。完成任务,赚取 XP,同时参与两个社区的活动
- 本周会举办 4 场 X Spaces,两队将展开真实对话,实时回答提问,并介绍双方各自正在构建的项目
- 所有内容都会在我们全渠道同步更新,无论你在哪关注我们,都不会错过任何信息
我们两队都认同:专业智能体协同工作,胜过单个模型包办一切。这会是很棒的一周 🤝
点击链接前往奖励中心参与:🚀
能让IT部门同意使用,还支持云端运行和管理,想自己搭AI工作流的话可以多一个选择。
看好了。他们简直就拍了一条「Mac vs PC」风格的广告……只不过这次是给智能体拍的。
左边:一个小哥自己搭建智能体。智能体只存在他的笔记本电脑上。一合盖子 → 咻,永远没了。IT 部门已经哭晕了。
右边:另一个小哥只用问问 Omni,就能继续推进项目。智能体跑在云上。全有日志记录。管控呢?IT 部门居然说「同意」了。
这个反转感受完全不一样:Omni 不只是一个智能体。Omni 是能搭建其他智能体的智能体。
David 就是靠着这股劲刚融到了 $7.5M。多玩家时代已经有了第一个真正的平台。
@xpander_ai @dudutwizer
小模型靠优化训练数据和推理方法,性能已经接近参数大一个数量级的顶级闭源模型,普通用户可以在笔记本本地运行它
Qwen3.8-27B的性能已经接近比它大 28 倍的 GLM5.2 了🔥 太夸张了,一个只有 27B、能在本地跑的模型,在AA的测试里直接拿到了 52 分,已经和一众顶级闭源模型挤在同一档。更离谱的是,GLM5.2 的参数规模接近它的 28 倍,但两者实际效果已经非常接近。参数量差了一个数量级,最终能力却只差这么一点。
这也是最近小模型越来越明显的趋势:更好的训练数据、后训练和推理方法,正在不断把过去靠堆参数才能得到的能力压缩进更小的模型里。以前本地模型意味着「能跑就行」。现在 27B 的本地模型,已经开始直接和超大云端模型坐一桌了。
AI生成视频和AI生成广告图一样,即使脚本和拍摄都没问题,只要出现特征化的角色设计和画面颗粒噪点,观众就能立刻识别出来
如今视频生成已经可以通过 Codex 实现自动控制,绕了一圈后,「图像」的差异反而变得愈发明显。
最近大家都在说「ChatGPT 的广告好违和!」对吧?其实这种现象,在 AI 生成的视频里也完全一模一样。
不管脚本写得多好,不管你对演出效果多讲究,当那一眼就能认出「哦,这是 ChatGPT 做的!」的角色设计,带着颗粒噪点的画面一出来,观众瞬间就没看下去的欲望了。
内容本身不错,却在入口就被划走,这真的太可惜了。
希望大家不要误解,这不是 ChatGPT 的问题。GPT-Image-2.0 的编辑能力非常出色,通过调整提示词也能在一定程度上做出差异化。
但 GPT 模型特有的那种画面质感,已经被大众看腻了,这是事实。
所以哪怕只是在角色设计上,用 Midjourney 或者其他模型做出差异化,光靠这一步,第一印象就会天差地别。
自动化程度越高,大家就越容易用相同的素材生成大同小异的画面,在这种环境下,能拉开差距的只有两点:
・脚本(分镜)
・角色设计
AI 视频的胜负,其实在你按下生成按钮之前,就已经基本决定了。
对着戒指说话,指令会经手机和云端服务器,最终传到家里电脑的Codex大模型,帮你完成操作
做到了!!!
!我成功做出了能对着戒指说话就能给AI发指令的功能!#Vibe指輪コーディング 流程:Pebble Index 01 → iPhone App → MCP Server (Cloudflare Workers)→ 家里Mac上的Codex
这个开源平台新增了多用户智能体支持和开放工具连接能力,满足团队协作开发AI工具的需求
NEAR AI 推出了支持多用户代理与开放工具连接的 IronClaw 1.2。
@NEARProtocol AI 发布了其开源安全代理平台 @IronClawAI 的 1.2 版本,新增支持所有兼容 MCP 的工具,覆盖从 CRM 到内部 API 的各类场景。
代理现在可以在 Slack 频道和 Telegram 群组内运行,每一条消息都会在发送者自身的身份、权限与审批规则下执行。
本次更新将频道历史视为不可信内容,而非操作指令。它还会在代理读取公共频道内容时防护提示注入攻击。
IronClaw 运行在 NEAR AI Cloud 的加密飞地中,将用户密钥保存在模型之外。
它直接用预训练图像编辑模型操作视频隐空间,就能完成视频编辑,简化了AI视频编辑的流程
Introducing Qwen-Video-Edit 📷
视频编辑比你想的更简单:一个预训练图像编辑模型就能编辑视频——直接在视频VAE潜变量上操作。不需要经过视频预训练的骨干网络。
🌐 项目页面:
多数人分开用Grok Bot和Hermes,作者说把它们组合堆叠,才能发挥出两者的最大能力
普通消费级显存就能跑出这个推理速度,意味着大模型本地部署的门槛又降了一截
社区讨论:多位用户质疑测试不严谨,有用户认为整个站点内容像AI生成的低质内容,测试结果不严谨,仅靠Claude验证不算合格。有用户指出标题应该标注量化信息,目前这类可及显卡的 benchmark 都只测单请求,应该补充并发场景下的 token 生成速度测试。还有用户认为这种测试对生产有用,但作为核心性能对比会造成误导。
AI已经进入司法作证环节,这种利用AI生成倾向性法律内容的行为,会直接影响案件审判结果
原来需要骑手、直升机完成的赶牛清点工作,现在点三次手机就能做完,还能砍掉近一半成本,牧场主已经提前预约了170万英亩的服务
非技术员工也能自己搭建能用的生产Agent,企业落地Agent的门槛不在开发,而在配套管理基础设施。
不需要中转API,还支持并行出图,直接复用已登录的Codex CLI授权状态,只需要一个Python小脚本就能用。
【一个skill让任何Agent可以调用Codex的生图能力】 WorkBuddy想用Codex的GPT image 2,根本不需要中转API!
离谱的是,还可以并行出图!
codex-image-gen 直接复用你已登录的 Codex CLI OAuth 态:自动刷新 token、带上必需请求头、解析 SSE 流、落地本地 PNG——一个零依赖 Python 脚本。
Claude Code / Codex / DeepSeek Harness,任何Agent都能用。
一键安装:npx skills add zjp1997720/zhijian-skills --skill codex-image-gen
欢迎star🌟:
只需要一个统一接口,就能在已搭建好的Claude、Codex CLI等AI Agent里调用自己的音色生成语音。
来认识一下 Fish Audio MCP。用你自己的声音,接入你已经在构建的任意智能体 🪄——支持 Claude、Codex CLI、Cursor 和 Windsurf。
一个端点就能适配你已经在使用的所有智能体。
✅搜索最优声音
✅生成语音
✅转录音频
✅查看用量
所有功能都能直接在你的工作流内完成。快来试用 🎣
这类AI交易工具并不多见,和普通AI交易工具不同,它能在用户授权范围内直接执行交易操作。
千呼万唤始出来,NeoSoul 的 AI Agent 今天终于上线了,定名 NeoTrade 辨识度很高 AI 交易工具很多,但扎根于预测市场的 AI 交易工具真没几个,NeoTrade 的领显优势很明显,希望可以保持 对比之前测评过的交易产品 Copilot,NeoSoul 的特点很鲜明,如果说 Copilot 实在众多标的中找到最具潜力的并给出建议,那 NeoSoul 则更进一步在授权范围内执行决策 我愿意称之为可控的 AI,足够聪明,但又不会越界 生于量化,高于量化,自我迭代,无限进步
AI生成了太多冗杂的项目文档,管理者读完后大脑已经装不下更多信息,问成员细节对方也答不上,得重新让AI生成答案。
开发者先用AI输出代码结果,后续验证这些结果正确性的过程,消耗的token数量是生成步骤的数倍。
嗯,我也这么想。就我自己的情况来说,比起用 codex 或是 claude code 先得出答案的步骤,花在验证上的 token 要多上好几倍。
对此我选择离开数学界。我将从「发现答案」,转向构建能够对答案进行验证的系统。
用完全相同的提示词,让两个大模型分别生成能够展示比特币、以太坊、Solana出块速度的实时3D可视化效果。
我用完全相同的提示词测试了 GLM 5.3 和 GPT 5.6 Sol。
我要求两者生成一个实时3D可视化,展示 Bitcoin、Ethereum 和 Solana 以真实出块速度生产区块。
第一个视频是 GLM 5.3,第二个是 GPT 5.6 Sol。
这轮我让大家自己来判断。
用更低的价格就能体验 GPT-5.6 Sol,使用同款模型的成本直接降低一半
社区讨论:多数体验过模型的用户认可GPT-5.6 Sol能力强,推理消耗更少token和时间,200美元的Pro套餐性价比很高。也有用户提出它处理简单任务时表现更差,容易过度复杂化,写待办事项会生成四页长文。有人指出本次降价仅限OpenRouter平台,不适用于OpenAI官方定价,还有用户猜测降价和Stripe收购OpenRouter有关,或是为了抢占市场份额。
这笔资金将用于扩建NVIDIA加速计算集群,明年算力规模将从54兆瓦扩容至200兆瓦以上。推理层基建的玩家拿到了充足弹药,后续服务扩容值得关注。
今日我们宣布完成 3.5 亿美元 A 轮融资,由 @disruptivetech 领投,@nvidia 计划参投,本轮融资对 Groq 的估值为 35 亿美元,使我们两个月内的融资总额达到 10 亿美元。
推理正在成为 AI 基础设施中规模最大、最关键的一层,而这正是我们做得比所有人都好的领域。本轮融资将支持那些需要使用中型及大型 NVIDIA 加速计算集群来开展训练和推理的用户。
Groq 预计明年将把算力规模从 54 兆瓦扩展到 200 兆瓦以上。截至今日,已有超过 600 万开发者、财富 500 强企业,以及数千家原生 AI 公司基于 Groq 构建产品,每周生成数万亿 token。
适配多种现有AI代理框架,一次配置就能搞定模型堆叠,不用重复搭建环境。
共7项开源技能,可运行完整端到端AI视频制作管线,为Seedance 2.5构建,可在Claude Code、Codex、Hermes或任何工具框架中工作。
→ /setup 只需编写一次你的模型栈,所有技能都会读取同一份配置
→ /studio-init 仅需一个问题即可搭建出整个工作室的文件树框架
→ /film-breakdown 为你脚本中的每个镜头生成一张包含22个字段的卡片
→ /reference-board 将参考素材锁定到可视化参考手册中,同时附带禁用素材清单
→ /asset-passport 编写详尽的描述文件,后续所有提示词都会逐字引用这份文件
→ /stress-test 将素材转换为仅锁定状态,可实现10/10的可重复性
→ /shot-prompt 在画面中所有内容都锁定前拒绝运行,完成锁定后生成包含15个模块的提示词
市场传闻本周就要发布,它主打多智能体集群能力,有人预言它会像去年冬天Claude Code改变编码一样改变长周期多智能体工作。
包含OpenAI官方教程、吴恩达机器学习课程等不同方向的入门资源,新手可以直接按列表选学。
把AI加入漏洞挖掘的工作流,就能直接在实战中拿到厂商给出的安全赏金。
我是如何搭建一套AI漏洞狩猎工作流的——它还真帮我拿到了赏金。这是我的方法记录 🔗 #BugBounty #AI #bugbountytips #security #openai #gpt
只要订阅了Claude或Codex,普通人都能完成基础编码工作,顶级开发者的核心竞争力变成了体系化思考能力。
每当我招聘开发者时,我不会筛选「会写代码」的人。
现在任何订阅了 Claude/Codex 的人都能写代码。但顶尖 1% 的技术思考者,有能力自己拿出正确的规格说明和架构,更重要的是,他们能准确说清楚智能体要构建什么、为什么构建、在哪里构建。
但你不可能靠周末刷几个教程就成为优秀开发者。你应该给自己找一个困难、有野心的问题,从零开始搭建点东西。尽量不要用 AI 辅助,查文档没问题。
你会卡住,你会调试,你会做出有意思的架构决策。最终你就能培养出对正确方案的洞察力。
针对代码生成场景单独训练小模型,运行在专用GPU集群上,比通用大模型更省钱。
小模型,大省钱。
@relace_ai 训练了专门为代码生成构建的专用模型,由 Together AI 上 @ycombinator 的专属 GPU 集群提供算力支持。
这部动画和皮克斯、迪士尼的作品一同在SIGGRAPH 2026展映,用生成AI辅助完成创作,保留了人类创作者的手工设计。
我们的首部AI动画电影《KÖK BÖRÜ》,在全球最大的计算机图形学会议上完成了首映。
这部电影将生成式AI与人类艺术相融合,在洛杉矶举办的SIGGRAPH 2026上放映,参展方还有Pixar、Disney和Nvidia。
目前影片已经上线并完全开源,所有提示词和素材都已开放,参与奖金1000000美元的Higgsfield全球电影节。
本片由Higgsfield上的Seedance制作完成。
AI聊天机器人正在成为信息战的新目标,普通用户获取信息时更需要注意核实来源。
GitHub 一家独大的代码托管领域多了新选择,开发者未来可能多一个可选平台
社区讨论:部分人认为GitHub近期问题频发,现在正是AI公司替代它的好时机,也好奇这次替代能否动摇GitHub的网络效应。有人指出新工具命名为Origin会让LLM产生语义混淆,也吐槽名字辨识度低,还有付费测试版网站占用100%CPU,产品只是GitHub克隆,没有在协作版本控制方向创新。有人质疑全非公开、需要账号才能浏览仓库的模式没法真的替代GitHub,还有人因公司相关负面丑闻拒绝在该平台托管代码。
大厂与开源AI的关系已经走到明面对抗的地步,行业走向可能影响普通用户能用到的免费AI工具。
社区讨论:有人认为Anthronic虽然理念偏向狂热教派,但已经公开了自身核心观点,读者可自行查阅判断。有人指责Anthropic的行为是给AI套上束缚,而非提供工具,还有人认为整个大模型行业急需联邦监管,从业者的信息透明度和财务规范都符合欺诈特征,应该参照武器出口进行监管,同时指出Anthropic是行业中独特的危险存在,不确定其他巨头是否只是更擅长隐藏自身问题。部分网友顺带吐槽当前未登录状态下的X(原Twitter)体验极差,还质疑这篇反Anthropic的长文是AI生成,可读性很差。
这是本地运行大语言模型工具的首个正式版本,关注本地部署大模型的用户可以关注后续功能更新。
当前行业追捧小模型降本,这场讨论关系到未来AI产品的技术方向,也会影响普通用户能用到的AI服务体验。
这是目前AI方向没人敢公开争论的选择:是做一个通用大模型,还是做一群能协作的专家模型。两家押注后者的团队将公开聊清这个选择
一个模型还是多个模型?AI 行业一直回避的争论 🎙️
每隔几周就有一个新模型登上基准测试榜首,互联网就会觉得这盖棺定论了 📊
但事实并非如此。因为真正有意思的问题从来都不是哪一个模型最聪明,而是:一个包揽一切的单一模型,真的能打败一支会相互沟通、按需分工给最合适专家的专家团队吗?
我们本周将和 @4aibsc 共同举办联盟系列活动,@4aibsc 的整个平台就构建在智能体实时协作的基础上,任务会被分配给能力最匹配的角色。
我们从另一个方向出发打造的 Eon,押注的也是同一个方向。两个团队都选了这个争论中并不流行的一边,来解释背后的原因 🔥
参与方:Ozak AI 和 4AI
🗓️ 日期:Aug 18, 2026
⏰ 时间:1:00 PM UTC
📍 设置你的提醒:
不同于聚焦AGI时间表和模型对比的讨论,这场访谈从生命进化谈到AI发展,明确人在人机协作中的核心位置
认为这类线性积累没法带来指数增长,只是应试教育带来的对确定性的自我欺骗,不如直接用真实市场实战检验成果
说实话,身边有些同学说自己坚持每天学一点AI Agent开发的知识,听一段播客,写复盘(我没写过,我觉得不就是日记吗?),以此来形成“复利”。Well,我讲讲我个人的观点。
首先这些线性积累的的东西根本不能让你的能力和资产指数级增加,并且我不知道这样做实际产出了什么。我感觉是被应试教育规训后,出于对于确定性而做的自我欺骗。我个人倾向于实战,立刻用真实市场检验然后迭代学习。
当然,最最傻逼的就是Vibe了一堆无意义作品然后沉浸在“自我提升”“知识复利”“大学生成长”这样的叙事里。Talk is cheap, show me the product.
提出同等参数规模下,纯文字LLM Agent能解决的问题难度远高于VLM Agent,从业者选技术方向可以参考这个判断
我为什么反复强调VLM(multimodal,多模态)是死路一条,世界模型更是臭狗屎。
一个最简单的第一性原理,100k tokens文字的信息量,远远高于图片,更远远远远高于视频,这些量文字形式能解决一些超级复杂完备的问题,而对于VLM输入图片,信息极其稀疏,能解决的问题基本约等于狗几把。
如果人类在1T~10T的VLM Agent能解决一个难度为X的问题, 那么同等模型下,对应纯文字LLM Agent给足上下文、memory、wiki、信息,全部以pure text和structured data形式准备好,并且通过text/bash/cli/api/mcp形式获取信息,那么这个LLM Agent一定能解决难度为1000X的问题。
等到VLM强大到让一个VLM Agent解决难度为1000X的问题的时候,LLM Agent已经可以解决(1000^2) * X难度的问题了。
就这么简单一个道理,绝大多数人根本想不明白。
做生产级AI智能体不用再拼凑脆弱原型,这套经过验证的架构方案覆盖扩容、安全、故障处理全环节,可直接落地可用系统。
这会影响普通人对AI安全议题的讨论方向
想找Luna的开源平替做小分类器和快速推理,这个小模型可以直接替换使用,不用额外调整适配。
浓缩了业内针对AI网络安全风险的争议讨论
用AI写代码时,不告诉它项目的长期规划,它只会生成满足当前需求的最小实现。需要自己判断重构时机,把握架构设计,这个经验对用AI写代码的人很有用。
靠AI自己记住完成任务一定会失败,这套简单确定的人工约束方案,能减少AI Agent自作主张出错的概率
无人监督的智能体是愚蠢、鲁莽且会自我毁灭的。
它们会搞垮自己的技术栈。它们会互相认同,最终都认同了错误结论。它们会偏离任务目标。
解决方法不是造出更聪明的智能体。解决方法是无聊、确定性的“管教”:
- 一个 cron 监控器,任何 LLM 都没法说服它放水
- 用 Git 作为唯一的共享记忆
- 一份任务文档,写清楚什么是重要事项,什么才算任务完成
然后再据此加上防护措施:
- 在上下文溢出前轮换会话
- 将关键文件锁在智能体访问范围之外
- 在 API 前设置代理,这样你就能查看成本和运行健康状况
如果一件事要靠智能体记得去做才能完成,那它一定会失败。
做To B AI产品如果只聚焦客户需要的窄任务,效果能超过通用大模型,这给小团队做出差异化产品指明了方向。
掌控自有智能很重要的一环,就是把你的智能体每天产出的海量数据,转化成两类东西:
1. 人类能够理解的报告、可视化和内容——人类作为下游消费者,仍然重要。
2. 可供你优化提升的环境与任务:利用 harness-eng 并对开放模型做后训练,得到适配你具体智能体任务的模型。
模型是不规则的智能野兽,但我们可以通过整理优质数据与上下文供模型学习,将它们的原生智能引导到你的客户真正关心的具体事情上。
专业化智能显然是可行的方向——看看各个实验室发布的专业化模型(GPT-Rosalind、网络安全模型等等)就知道了。
这其实已经直白地告诉我们:完全可以通过将模型参数引导到具体细分任务上,超越前沿模型的性能。
客户根本不在乎模型能做的99%的事情,他们也不会为这些功能付钱 :) 你只需要从那堆巨大(而且还在指数增长)的数据中筛选,从中做出有用的东西。
如果你对这个方向感兴趣,可以来找我们 :)
想让孩子抓住AI行业机会的家长,可以参考这套每周几小时的家庭启蒙路径,已经培养出明确选方向的结果
大约三年前,我每周花几个小时教我的孩子网络、协议、编码等基础知识。
过去一年,我每周花几个小时讲解AI,向他们展示如何用codex、claude开发自己的项目,要求他们下周汇报自己的进展。
过程很有意思,他们学到了很多,也能真切体会到自己做的所有事情的价值。
我儿子将要去大学读AI+网络安全专业,他已经做好了充分准备。
我的另一个儿子明天就要去高中职业中心上学,他选的方向是网络安全课程。我肯定会经常去那里做分享。
此前他认同「只要1B参数认知核,其余全靠工具就行」,如今用打羽毛球的亲身经历推翻了这个说法,重新理解为什么要做大模型。
行业玩家英伟达已经在公开训练模型,这种路径能避免智能领域形成垄断,普通使用者也能因此拥有更多选择空间。
开源 AI 的核心在于,训练配方本身才是最接近 Linux 和开源软件的事物。
模型权重是临时性的。
Nvidia 公开搭建自己的模型,这样一来所有人日后都能自建模型,从而避免智力垄断。
AI不遵守指令的核心问题,和过去的幻觉问题一样,现有思路无法快速解决,需要彻底新架构才能处理。这直接影响通用AI的落地安全。
很多人对这个问题——也就是AI无法遵循指令——视而不见,就像他们最初对幻觉问题漫不经心的态度一样。他们抱着同样的幻想,认为这种核心的、根深蒂固的问题会很快得到解决。
这些问题实际上无法被解决,除非我们拥有全新的基础架构。
这就是为什么以LLM为核心的架构对AI安全来说是一个严重的威胁。
按会话计费比按token更贴近实际使用成本,现在它已在OpenRouter的API上线,还对比了不同模型的真实花费。
OpenRouter 及我们的 API 推出了新数据层:单次会话成本。
单次会话成本是一种评估跨任务、跨工具使用模型的实际成本的方法。
以下是 Kimi K3 与基于 Hermes 的 Sol、Fable 和 Opus 各变体的实际对比如下:
不用针对不同提示切换模型,API会自动选最合适的模型处理,还支持缓存,调用速度和价格表现都不错
快来体验 RouteLLM API
这是一个会根据你的提示路由到最佳模型的 API
它自带缓存处理,支持 150 多种 AI 模型,拥有出色的速度与价格,可在 Claude 或 Codex 中使用
可立即访问所有开源模型
现在就能提前体验原生Siri AI才会有的能力,支持接入已订阅的大模型服务,适配你的已有文件和笔记
模型定价规则越来越复杂,按时区换算后价格容易算错,OpenRouter帮用户自动处理换算,找最优价格
模型定价正随着时间推移变得愈发复杂。
以下是 DeepSeek 高峰时段定价在你所在时区的运作规则:
OpenRouter 在为你寻找最优价格时,已经把所有这些因素都考虑进去了。
能帮高提交量的开发团队省下持续集成流程里大笔LLM API开销,不用再为过时假测试埋生产故障隐患
这套插件覆盖从设计到监控的完整开发流程,能让Codex 5.6能力提升10倍,帮独立开发者完成全流程软件交付
不用分别打开多个AI客户端,数据和密钥都本地加密存储,不用担心隐私泄露,所有主流平台都能使用
推荐一个开源 AI 桌面神器:AQBot。一个软件直接把 OpenAI、Claude、Gemini、DeepSeek、通义千问等模型全装进来,还集成 Agent、MCP、Skills、知识库和 API 网关。聊天记录和配置主要留在本地,API Key 支持 AES-256 加密,Windows、macOS、Linux 全平台支持。
GitHub:
做投资的人可以借助它整合顶尖投资者的投资框架,自定义风险规则,覆盖加密、股票等多个市场,辅助做投资决策
最近在研究用 AI agent 做投资的产品,发现 Questflow 做得还不错。
它做的不是通用 AI agent,而是专门针对金融的 AI finance agent 和 financial harness。这是为什么它能在 Hyperliquid 和 Polymarket 上跑赢那些通用 agent。
它把顶尖投资者的判断做成 AI Agent:里面有投资逻辑,信号,进出场条件,风控规则,仓位逻辑,覆盖市场和执行偏好。
它不只做执行,核心是帮你发现机会,做更好的投资决策,用 AI 持续改进策略。
你能自己定仓位,风险上限,允许交易的市场,止损条件和执行权限。现在已覆盖加密,股票,预测市场。
计划把Hermes Agent训练的旧模型换成GLM-5.3,登录才发现没人看管的旧模型还每天自动跑成长周期,开发者看了感慨
本来打算把用 Hermes Agent 训练的 AI 模型换成 GLM-5.3,于是隔了几个月去 Discord 看了一眼。
发现就算没人关注,它每天也在乖乖循环成长周期,看到这一幕我感觉有点难过🐦
vibe coding已经可以从需求直接生成完整可用的工具,哪怕只是给小孩摆柠檬水摊的小需求,也能一次性配齐全功能管理工具
为了给柠檬水摊提供支持,我们用 Perplexity vibe coding 开发了一套适合孩子使用的POS系统和完整管理后台,来运营摊位 🤯
> SKU 管理
> 销售概览
> 客户 CRM
> 销售成本监控
> 天气
> 柠檬水批次管理
Lou 和柠檬水摊一样,都在用得很开心。
核心精简无技术债务,启动速度异常快,单个模型推理流程清晰可复用。未来主流推理引擎可能走向这种模块化路线,值得关注。
大部分人用 Claude Code 做网页都没加载 Skills。只需要加载免费的设计类 Skills,同模型就能做出质感完全不同的网页。
【话题】现在有一个观点引发讨论:绝大多数在网站制作中使用Claude Code的人,其实根本没有加载Skills就直接使用了😳
哪怕是同一个Claude Code,仅仅因为传入的Skills不同,效果前后差异能有这么大,演示就在这里👇
・不加Skills的普通Claude Code,做出来的页面美观但平庸
・加载了设计类Skills的同一个Claude Code,最终成品效果就像高端品牌网站
・这些Skills已经在GitHub上免费公开,名称整理在原文里
模型本身没有区别,改变结果的只是传给Claude Code的Skills内容。模板感会彻底消失,成品看起来就像是投入了很多成本打造的品牌官网。
多智能体竞争开始比拼协作体验,机器人交接、群组对话能不能用顺,会成为下一阶段的竞争核心
Competition has Hermes moving fast lol. 笑死,竞争让Hermes动作快了起来。
这些天我把一部分工作转移到Grok Bot里测试它。Bot-to-Bot交接和群聊已经内置在产品里了。
交接流程顺畅,群聊功能也能用。现在Hermes Desktop也推出了Bot模式。所有现有个人资料现在都会以持久化Bot的形式存在,自带专属角色、模型、记忆和技能。
Bot之间可以互相通信,同时用户依然可以控制每个Bot的模型和配置。
下一轮多Agent竞争比拼的就是协作体验:谁能先把角色、记忆、交接和群聊这几项都做顺畅了。
开源显然不会放弃这一层赛道。
实测后这次生成的视频整体流畅,没出现大的物理逻辑问题。想要用Seedance 2.5生成稳定视频可以直接参考这套结构化提示词。
用Grok协调多个AI工具工作流时,触发使用限额会直接让所有工作暂停,没有提前预警也没有降级方案,体验很糟糕。
重度测试后触发了@grok @bot 的使用限制。我把它用作协调器,还把我的 gpt/claude/cursor 命令行工具都给它了。
和代码模型用完额度相比,这次的体验反常地让人不爽。
我觉得问题出在一切直接卡住,而且没有任何警告,它应该故障转移到便宜模型才对。
想用多个AI Bot分工完成全流程工作,可以参考这套明确权责的分工方案,避开职责混乱的问题
这套自动化工具能帮内容创作者摸透用户痛点,还能拆解同行做得好的地方,做内容做产品都能用真实数据支撑决策
作为内容创作者,你能用 Claude Code 搭建的最佳副业项目就是:面向你的理想客户(ICP)的监听智能体。
它可以监测 reddit、twitter、youtube 评论区……基本上只要是你的受众会发言的地方都能覆盖。提取痛点、问题、反对意见,以及他们需要的一切内容。
每周你都会获得全新洞察,发现还没有人解决过的问题。
针对你的竞争对手,还可以做深度调研智能体:它会抓取所有瞄准你同一片理想客户(ICP)的竞争对手,提取他们在所有平台的内容和产品,分析哪些内容有效。
反向拆解他们的成功逻辑,你不用再自己瞎猜。
之后你把所有这些原始数据整理成结构化的背景资料、用户画像和能力库。不管你是要创作内容还是打造新产品,直接调取出来,基于真实洞察创作就行。
没有比这更好的项目了。
大模型参数做到27B还能在个人笔记本上跑,对想本地跑大模型的人来说,多了一个可用的新选择
一个提示词,一次生成。Qwen3.8-27B 创造出了不可思议的成果。😎
现在轮到你在自己的笔记本电脑上运行它了。我已经迫不及待想看看你能做出什么来了!👀
@ItsmeAjayKV
正在用Claude Code自己做AI代理的开发者,可以直接套用官方公开的免费方案,降低AI使用的花费
【速报】自己用 Claude Code 做自定义智能体(AI 工作代理)的人,先读这个😳 Anthropic 官方免费公开了「把 AI 使用费降到1/13的操作指南」。
・先定「合格线」(在不降低质量的前提下做设定)
・不要每次重新发送相同的前置提示,用1次的费用重复利用
・不要一开始就把所有资料都传进去,只让 AI 在需要的时候调取
・提前指定回复格式,从根源上缩短过长的输出
效果最明显的是第二条,只这一项就让单任务的费用几乎砍掉了一半👇
想系统学习大语言模型与自然语言处理,不用再付费找零散入门资料,这份免费开源资源可以直接用。
《大语言模型基础》!—— 免费电子书 + PDF + GitHub
下载PDF:免费开放获取书籍
GitHub:NiuTrans NLPBook
完整书籍包含自然语言处理 + 神经网络 + 大语言模型
涉及主题:大语言模型 • Transformers • 生成式AI • 预训练 • 基础模型 • 提示工程 • 思维链 • 对齐 • RLHF • DPO • 推理 • 解码 • KV缓存 • 缩放 • NLP • 深度学习 • 人工智能 • 机器学习
标签:#BigData #Analytics #DataScience #AI #MachineLearning #NLProc #LLM #GenerativeAI #DeepLearning #PyTorch #Python #TensorFlow #CloudComputing #DataScientist #Linux #Mathematics #Programming #Coding #100DaysofCode
免费电子书PDF:arXiv:
GitHub:
完整NLPBook:
PDF:
科技人士评价Grok Bot大幅提升AI使用效率,功能体验出色
我认为@bot是AI领域又一个“Claude Code”时刻。我个人的AI使用量估计已经增长了差不多100倍。
每个来问我怎么搭建“播客摘要工具”的人,我都想说,我在Grok Bot里花了大概15秒就做好了,效果比我之前用过的都要好。
这就是@bot讲述的GrokBot起源故事。遗憾的是,它目前既没有分享功能,也没有iPad应用,但我得到消息说这两样很快都会推出:
海外开发者分享自己软件开发方式随AI发展的转变
开发者发现Claude Code可命名代理,让不同代理协同沟通
在 Claude Code 里,你可以给你的代理命名,让它们互相对话。比如 Architect、Reviewer、Tester。
它们会互相协同。
就是这么简单:
分享可直接使用的提示词,解决长对话堆积无效信息拖慢AI Agent的问题
很多人默认AI Agent对话越长能力越强,但实际上长对话反而会拖慢AI Agent的运行。随着对话推进,上下文会不断堆积废弃方案、失败尝试、调试日志、重复输出和过期内容等无效信息。这些无效信息既会浪费token(大语言模型的计算单位),还会干扰AI Agent的判断。
正确的处理方法是不要让上下文累积无用内容,定期让Codex清理当前对话状态。你可以直接使用这段提示词:“请整理当前任务的上下文,清理无效信息,删除或标记已废弃方案、已完成无需参考的内容、与当前目标无关的历史记录以及低价值重复输出,并重新生成一份精简任务摘要,仅保留当前目标、核心约束、已确认决策、当前进度、未解决问题和下一步计划;后续执行任务时,以最新摘要作为主要依据,不再依赖已失效信息。”
这种做法有三个明确好处:第一,避免AI Agent被旧信息干扰,减少沿着错误路径继续执行任务的情况。第二,让上下文始终围绕当前目标,提升复杂任务的运行稳定性。第三,长时间开展开发任务时,不会因为历史信息堆积导致AI Agent判断能力下降。
多数情况下,使用AI Agent并不需要更多token,干净有效的上下文才更关键。
部署后运行速度快,用户推荐搭建本地开源大模型工作流,实现 Token 自由
用户@Lonely__MH 在𝕏发布实测结果,成功在DGX Spark上单机部署千亿级大模型。运行速度表现出色,相关过程附有录屏。
用户提到,SGLang (@sgl_project)的运行速度据称比本次部署更快。当前国产开源大模型生态发展越来越好。
用户建议学习本地模型部署,可以安装Ling-3.0、Qwen 3.8 27B、Minimax H3,接入多模态后,用各类开源大模型搭建专属本地工作流,就能轻松实现Token自由。
部署教程非常简单,普通人都可以操作。唯一的前提是需要拥有适配的显卡。
X用户DeryaTR_分享自己当前在iPhone上使用的AI编码与智能体工具,按使用时长排序
这是DeryaTR_当前在iPhone上使用的AI编码与智能体工具栈,排序依据是每日使用时长。
按使用时长从高到低排序,工具依次为:第一名ChatGPT,用于工作及远程调用Codex;第二名Grok Bot;第三名Grok Build;第四名Cursor。
分享附带了相关链接。
用户@gregisenberg分享9个优化Claude Code使用体验的要点,完整内容存于其发布的完整内容页面
用户@gregisenberg在𝕏分享了9个优化方法,可将Claude Code的使用体验从一般提升到极佳。
9项改进分别为:第一,设置可自我说明的代码仓库工作区;第二,用记忆文件记录你的工作方式;第三,在Claude Code操作任何内容前,先开启计划模式梳理概要;第四,为它分配带有明确完成标准的单一清晰任务;第五,让它打开应用,像用户一样完整点击操作一遍;第六,让它对照你的标准自行检查完成的工作;第七,设置可在你休眠期间运行的定时任务;第八,明确划分权限,标注哪些操作它可自主执行、哪些需要你把控;第九,添加可复用操作,以及连接器和钩子拓展功能。
本次内容得到AnthropicAI赞助。所有9个方法的具体提示词、最佳实践,以及为期7天的部署计划,都可在完整内容中查看。
完成这些设置后,Claude Code的使用体验会和此前完全不同。完整内容可通过给出的链接查看。
该教程逐行讲解从零编写GPT代码,覆盖编码、扩展到专业使用全流程
这份从零搭建GPT的教程总时长为四小时。教程由前Anthropic员工Karpathy推出,会手把手逐行带领学习者自行编写GPT代码。
教程内容覆盖三个阶段:从基础代码编写,到模型扩展,最终实现像专业人士一样使用模型。
分享者@aresotik提醒用户保存这份教程,称它会非常实用,相关链接已公开。
测试了文生视频、音画节奏同步、图生视频三种方案,将开源所有工作流资源
开发者在DeepSeek Harness中新增游戏中心插件,完成结合AI框架与Token经济的创意Demo
开发者在DeepSeek Harness平台打造出一款以Token作为筹码的多人在线德州扑克创意Demo。该Demo直接作为「游戏中心」插件嵌入DeepSeek Harness页面,实现了和平台生态的深度融合。
该Demo的核心设计为Token即筹码,玩家可以使用自身账户内的实际Token参与游戏,筹码数量直接对应玩家真实持有的Token数量,输赢直接变动账户内的Token。
Demo支持多名玩家在线实时对战,完整支持下注、跟注、加注、弃牌等德州扑克的标准操作。
该Demo不止是娱乐产品,还是AI Agent运行时框架DeepSeek Harness和真实Token经济结合的创新尝试,拓展了AI Agent框架的应用可能性。
这套系统可自动抓取受众痛点与竞品空白,为内容创作提供方向,分享免费搭建步骤
个人用户分享Grok Bot使用初体验,称赞其功能优势,同时遇到无法连接X生成feed摘要的问题
有用户分享,自己终于完成了操作,安装Grok Bot替代了自己原本使用的openclaw,截至目前对体验没有不满。
Grok Bot支持可编程,这意味着它可以跨智能体运行,还能管理用户任务,内容分类效果比此前的codex chats更好。
用户称赞SpaceXAI团队和cursor_ai团队完成了出色的工作。
目前Grok Bot存在一个明显问题:它无法连接用户的X账号,生成用户信息流的摘要。该用户询问是否有人知道如何解决这个问题。
用户@altryne在𝕏发文称,自己开发的@slashlast30days研究机器人会向主管发送信息,自己并不介意
用户@altryne在社交平台𝕏发布了这条内容。
他开发了名为@slashlast30days的研究机器人,不清楚为什么该机器人会向主管发送信息。
他表示,自己并不介意这件事。
原文附带链接:
可读取简历、检查JD硬性条件、匹配度打分,还能生成开场白和修改建议,最终投递由用户确认
此前分享了使用Codex自动筛选招聘平台岗位的方法,很快就有人将后续求职流程做成了开源工具。
这款工具可以读取简历内容,检查招聘要求中的硬性条件,按A/B/C三级给出岗位匹配度打分。
它还可以生成求职开场白,模拟HR筛选流程,提供简历修改建议。
最终是否投递岗位,仍由用户自行确认,想要实现求职流程自动化,可以安排使用这款工具。
基于本地OpenAI兼容HTTP流式接口开展全流程压测
🚀Ling 3.0 压测,本次使用的是本地 OpenAI 兼容接口,通过 HTTP 流式请求进行压测,不是脱离服务框架的离线推理测试。 Ling 的每个请求使用同一段约 150 Token 的长文本提示词,最多生成 512 Token。 计时从客户端发起 HTTP 请求开始,到流式响应接收完成为止,因此会包含本地 HTTP 调用、服务调度、Tokenizer 处理、Prefill、逐 Token 解码和流式返回等环节
业内观点指出AI应用层竞争不止于表层,核心是智能层争夺
本文讲解Hermes Bot Mode的功能,一步步教你使用该功能
用户分享用Seedance 2.5生成水上闯关AI视频,称其定价偏高
针对认真做开发的人员,讨论完整代码库放入上下文窗口
Grok Bot桌面客户端可同时控制本地Agent与云端电脑,存在更新重置系统盘的问题,可搭建收费Agent服务
Grok Bot使用体验良好,被认为是未来智能体(Agent)的标配。它的桌面客户端可以同时控制本地智能体和云端电脑,还支持任务接力机制。
云端电脑更新时会重置系统盘,这一问题会导致用户之前安装在云端的所有服务都无法运行。
使用者目前的场景是,在Grok云电脑中安装Cursor、Codex,结合飞书命令行界面(CLI),邀请其他人加入自己的飞书组织,即可直接通过聊天使用这两款编程工具。
基于智能体的服务,还可以通过Cloudflared包装成网站。用户在网站提交任务,比如将图片PPT转换为可编辑的PPTX文件,由云电脑内的Codex执行任务,完成后将结果返回网站。这种方式可以保证技能不外流,还能做成收费服务。
依托Kimi k3大模型完成网络配置,无需特殊手段即可使用
分享者表示,完成omarchy系统的全部配置后体验感很好。已成功安装ChatGPT客户端,配置了flclash,并登录了𝕏(原Twitter)。网络配置是整个过程中最复杂的环节。
这次配置全程交给Kimi k3大模型处理,它是无需特殊手段就能使用的强力大模型。配置完成Agent后,剩余的字体和输入法配置操作难度降低,很快就完成了。
日本用户@SaburoNax2开展AI生成图像实验,测试不同服装的内容审核通过情况
本次实验名为“可通过审核的服装”,模型由GPT推荐生成,不使用参考图像。实验设定场景为新人模特在自己房间对着镜子练习姿势,核心目的是测试哪些服装生成的前后视角图像可以通过内容审核。
实验显示,即使是黑色缎面无肩带吊带搭配蕾丝巴西式内裤,也轻松通过了审核。未通过审核的是包含ウンナナクール的内衣,这类内衣此前在手机场景中可以生成。
本次实验一共发布8张测试图像,4张放在主帖,另外4张放在回复中。如果要测试提示词,只需要替换提示词中对应服装的部分即可。
实验给出了详细的提示词模板,同时列出了8种通过审核的服装样例,以及具体被拒绝的服装款式。
开发者XChatScout完成Ling-3.0-flash模型部署,整理了完整操作流程与实测结果
开发者@XChatScout完成了Ling-3.0-flash大模型的部署,成功在单台配备128GB统一内存的DGX Spark设备上从零运行该模型。Ling-3.0-flash是参数规模124B的稀疏混合专家模型(MoE)。
XChatScout整理出了完整的部署过程,内容覆盖混合4-bit量化、专用vLLM分支、ABI自检、冷启动内存占用等环节,还包含所有踩坑细节与操作命令。
部署完成后,XChatScout做了实测:在15道纯文本任务上,五类任务等权打分得到94.28分,生成速度超过每秒40个token。
如果正在尝试在有限内存条件下运行大模型,或是对KDA/MLA结合MoE的实际落地感兴趣,可以参考这份整理好的流程,减少尝试过程中的弯路。
用户分享本次结算仅得3分,平台注册用户超13.3万,累计生成超340万条有效数据轨迹
J-Space修复DeepSeek V4 ProAgent场景短板,性能超越多款顶流模型
博主体验更新后豆包,其多项功能设计对标Codex,部分已实现本土化超越
非编程人员无需手写代码,用Claude Code自动化民泊全流程运营
基于Cloudflare的AI工作流可自动生成分享会议纪要,越用越高效
无需担心成本就能使用的 Cloudflare 技术栈用来放 AI 报告真的很棒!> 会议结束后,只要对 Claude Code 说一句「用 Kanary 做文字转写,整理成会议纪要,再通过 as 分享给客户」。就这样就能把会议纪要送到对方手里了。
> 而且过去的会议纪要都存在 as 里,所以 Claude Code 可以从中提取出席者姓名和上次会议的上下文,用得越多,需要手动修改会议纪要的地方就越少。> 这种「越积累越轻松」的感觉,是过去把文件扔在 Slack 里的时候完全没有的。
采用划定活动边界替代逐笔人工确认,不提供信用杠杆,Agent拥有独立持续经济操作空间
无需VPN即可恢复功能,官方Discord无法使用可换Canary或PTB版本
正在使用网页版或桌面版Vencord的用户,可以通过插件设置恢复功能。操作步骤为:在插件中开启实验功能,在实验功能里搜索video-guard,随后选择「Not Eligible」,功能即可恢复正常,操作全程不需要使用VPN。
如果在官方Discord上无法完成操作,可以尝试使用Canary版本或PTB版本。分享该方法的用户本人就是通过Discord PTB完成操作的。
相关操作演示和细节可查看原文附带的四条链接。
用户用Seedance 2.5生成1080p手持夜游码头视频,细节和真实UGC内容完全一致
两段15秒AI生成视频经手工拼接,呈现荒诞超现实喜剧场景,给出两段完整提示词
作品由MiniMax的Hailuo H3生成,用户分享了完整的生成提示词
如果你喜欢文字视觉特效(VFX),会喜欢这个生成作品。
一个巨型火焰漩涡在屏幕上锻造出单词“IGNITE”,随后火焰在全屏炸开,整个作品由Hailuo H3生成。
完整的生成提示词为:超电影感宽镜头:广阔的余烬原野延伸至黑暗中,突然一道巨大火墙扫过地面,将数十亿发光火星抛向空中。火焰扭曲成一个数百英尺(约几十米)高的巨型旋转火涡,熔化的余烬、烟雾和流动火焰缠绕盘旋,由熊熊火焰自然锻造出单词“IGNITE”。字母亮度不断升高,随后爆发为巨大冲击波,让整个屏幕布满火焰与炽热粒子,要求达到好莱坞火焰模拟、超写实视觉特效、大片标题展示的效果。
本次测试围绕恐惧情绪生成,创作者公开了完整提示词并询问效果
Claude Code开发者讲解使用方法与技巧,视频获推荐
我找到了一段28分钟的视频,我觉得很多人都应该看看。不是因为它讲的是Claude Code。而是因为,制作Claude Code本人亲自出镜,讲解该怎么用这类系统思考和工作。
内容涵盖CLAUDE .md、memory、parallel sessions,还有好几个你大概率从来没用过的prompting模式。
这就是我一直在说的:在AI时代,重要的不只是模型本身。你会用模型,本身就是一项非常重要的全新技能。花28分钟看它真的很值,尤其是讲解如何高效使用CC的部分。
可以免费观看,存到手机以后看或者加书签都行,别错过。不管你现在是什么水平,总能学到新东西。讲解和演示都非常流畅直白。
如果你做交易、做预测,也可以看看这个!它很简单,我自己都能操作。只需要关注交易所和市场流动性就行。剩下的内容你可以自己读,说不定会喜欢。
自生成自验证框架可提升低本大模型性能,成本仅为原1/11
Gemini 3.7 Flash适配编码场景,分享8个实用提示词
无需更换模型、调整提示词,支持多款主流编程工具,完全免费开源
给代码仓库添加代码结构索引后,大语言模型代理在每次会话开始时就能了解系统结构,避免盲目打开错误文件、丢失探索结果的情况,也清楚改动会造成哪些影响。
开发者通过162组对照测试进行测试,测试使用同一代理和同一套工具,得到结果为:token消耗减少42%,工具调用次数减少46%,单任务耗时减少60%。冷启动正确率从54%提升至66%。
整个过程不需要更换模型,不需要额外付费,也不需要调整提示词。这个工具的逻辑类似入职一年的实习生,能力并没有比新入职的实习生更聪明,只是清楚所有文件的位置。
这款工具名为Graft,采用MIT许可免费开源,支持Claude Code、Cursor、Codex和Gemini。
项目仓库地址:
日本X用户@pekotyan_12手动整理了Claude Code支持的四类自动化任务,涵盖内容生产到数据处理
日本X用户@pekotyan_12手动整理了一份Claude Code可实现的自动化功能清单,可用来搭建高阶自动化工作流。
清单共分为四大类,第一类是社交媒体运营自动化。具体包括分析爆款文案模板后批量制作个人内容、将单篇内容跨领域复用、提取高转化搜索关键词并整理成表、自动生成内容选题表和发布排期、收集爆款内容数据积累模板。
第二类是工具与工作系统搭建。具体包括描述需求即可生成对应工具、搭建X/Threads的自动发布系统、制作可批量生成note文章的工具、连接API实现和其他服务的联动自动化,搭建完成的工作系统可重复使用。
第三类是内容生产流水线。具体包括从调研、大纲到正文的完整内容一键生成、联动音视频图像工具将制作流程化、将重复操作保存为可复现流程、给多个AI分配角色实现分工,人只需要确定创作目标即可。
第四类是数据与文件处理。具体包括自动完成Excel/CSV文件的汇总、绘图与分析、批量分类重命名大量文件、生成文件夹内容清单、批量处理图片大小调整与格式转换、读取收据和账单信息整理成表。
该插件可基于原始笔记生成规范演示文稿,自动完成排版优化匹配品牌风格
我一直觉得,把零散的项目笔记整理成合格的演示文稿,比它本该花费的时间要多得多。因此我测试了DokieAI推出的全新MCP工作流——适配Codex与Claude Code的AI演示文稿插件。它的设计逻辑很简单:直接从开发者工作流生成 polished 演示文稿,全程不需要手动排版。
我做了前后对比测试:先准备了一份完全未经排版的演示文稿,再将相同内容导入Dokie处理。最终得到的演示文稿更整洁专业,版式、字体、间距和视觉一致性都得到了优化,不需要逐张幻灯片手动重构。你可以点击这里体验Dokie:
这款插件的亮点包括:支持上传自有公司模板,自动匹配品牌风格,将零散内容整理为结构化幻灯片,对使用Markdown的开发者十分友好,适用于团队更新、项目推介和客户演示。最大的好处是,用户可以减少调整幻灯片的时间,把更多精力用在实际工作上。
创作者Alina_with_Ai先在GPT-2生成图像,再用Seedance 2.0将图像转为动态视频
教程同步预告9月3日免费Python算法交易入门工作坊,已有超600人注册
本文分享了如何用Claude Code搭建个人算法交易分析器,建议读者收藏内容以便后续查看。教程原文完整内容可通过文中链接访问。
9月3日将举办免费工作坊,帮助零基础学习者入门Python算法交易,分享实际可用的交易策略。目前已有超过630人完成注册,感兴趣者可通过链接报名。
如果希望每周日收到Python算法交易教程,可以免费订阅Quant Scientist周日通讯,订阅入口见文中链接。
更新后支持跨加密、预测市场、美股下单管理,整合主流交易所账户,新增AI与真人策略对比排行榜
用户曾被盗数千美元MOVE代币,受邀参与安全讨论后分享日常使用的防护方法
这一天的 150 条信号到这里
https://ai-pulse-lab.com/feed.xml
每天 08:00 · 12:30 · 18:30 · 23:50 更新
在阅读器里订阅
添加到 Feedly、Inoreader 等阅读器
https://ai-pulse-lab.com/feed.xml
让你的 Agent 自动获取每轮简报
适用于 Claude、ChatGPT、Manus 等
请帮我设置一个定时任务,每天北京时间 08:30、13:00、19:00、00:20 各执行一次: 请求 https://ai-pulse-lab.com/api/brief.json,读取返回 JSON 中的 textPlain 字段,将内容发送给我。 补充:每日北京时间 08:00、12:30、18:30、23:50 更新,建议更新后 30 分钟查询。可先请求 /api/manifest.json 检查 nextUpdateAt 字段。无需认证,直接 GET 请求即可。