AI Pulse

🚨 Sam Altman 炮轰 Anthropic

> “人工智能变得过于强大，我们无法控制它”
>
> “权力会过于集中……集中在一家公司、一个模型或一个人手里”

> “这是一个非常反人类的立场”

> “因为我们不信任或不喜欢人类，就把控制权交给人工智能模型”

> “有些人觉得这是正确的结果”

> “我认为说这种话是非常仇恨人类的行为”

啊这……就连 Anthropic 内部，也只有在处理特定极客向优化问题时才会选择性使用 Opus 5。

为什么？因为其他情况下它根本没法用。它不知道该怎么和人类说话。

为什么？因为它是由机器训练的，机器只检查它有没有通过测试。

🚨 独家消息：Anthropic 目前正在测试两款名为 "claude-marshmallow-eap“ 和 ”claude-melon-eap“ 的新模型。

”marshmallow“ 的表现比 ”melon" 更好，对话体验也比 Opus 5 好。但两款模型都还没达到 Fable 水平。

这太令人激动了！我相信@NVIDIAAI很快就会拥有顶级的开源AI模型。

Nemotron的进展非常快，还会在Poolside技术的加持下得到巨大提升！美国开源AI必须具备竞争力，这对全人类来说至关重要，也是一件大好事！加油Nvidia，加油！

$NVDA $SPY $QQQ 🚨 🍌

消息：$NVDA刚刚敲定了一笔价值60亿美元的巨额交易，收购Poolside的AI技术授权，另外还以投前估值120亿美元投资了10亿美元 👀👀👀

超过100名Poolside员工将直接转入NVIDIA，参与开发NEMO TRON——也就是他们的开放权重AI模型系列！

这才是建设真正美国开放AI生态的方式，可以和DeepSeek、Kimi等中国模型正面竞争，同时也能给世界提供比OpenAI和Anthropic闭源模型成本更低、可定制的替代方案 😳

NVIDIA押注Nemotron能在明年内匹敌领先的前沿模型 🤯

这才是能让$NVDA领先业界数年的战略棋局♟️操作

不是投资建议！爱你们！💜🍌🍌🍌

一个竞争激烈、进步迅速的开源模型生态，能让企业将自身专有数据和技术诀窍转化为属于他们自己的智能。

Cursor、Cognition，还有如今的 Harvey 都在构建他们自己的 SOTA 模型。恭喜 @harvey 和 @FireworksAI_HQ 推出 Tenet！

这是一个 rank-64 的 LoRA，在 Kimi K3 基础上微调得到，在 B300 集群上用约 2000 个法律任务训练完成。

这内容太赞了！如果你想了解AI芯片架构的格局，我推荐你读一读。

在我看来，等RSI到来后，很多事情都会改变，因为模型架构可能会快速演化，变得和今天完全不同，因此也就需要不同的算力需求。

对了，你完全可以用强化学习（RL）训练一个代码模型来用 JavaScript 画画。

比开源AI本身更重要的是，更多数据证明它正在从 OpenAI 和 Anthropic 手中抢走份额。

过去两个月里，@vercel 平台上的令牌份额中，开源占比从 28% 涨到了 62%。图表来自 @rauchg。

考虑到 OpenAI 和 Anthropic 的总和在7月还实现了加速增长，这个成绩已经非常惊人。因此，净令牌/AI 基础设施需求的增长，甚至比我们在前沿模型端看到的增速还要快。

而且我们怀疑 Grok 的增长速度比开源还要快，我们在 @tryramp 的数据里已经看到了部分迹象。

开源AI抢占份额对AI基础设施需求是利好，因为它会压低模型层的利润率，而且生产一个开源令牌所需的算力，和生产一个前沿模型令牌完全一样。开源AI推理绝不是“免费”的。

在我看来，最终格局很可能是：闭源前沿模型令牌占据 60%-90% 的经济价值，但在总令牌量中只占 15%-25%。

前苹果工程师在代码编辑器Cursor中给Grok 4.6分配了两项工作任务，随后就去睡觉，次日早上才打开查看运行结果。整个过程不需要人工看护，也不需要逐代检查输出，模型自主不间断运行了数小时完成实际工作。

这场直播演示包含多个环节：42秒时展示Grok overnight重新设计的网站，23分21秒时展示从语音提示生成完整软件栈，45分43秒时检查生成的代码和架构，1小时21分26秒对比Grok 4.6与Opus 5，1小时46分31秒演示实时拉取请求与云智能体工作流。

多数编码演示对AI的测试时长只有5分钟。这场测试聚焦智能体真正关键的能力：当人类停止看护时，模型能否继续工作。

SpaceXAI专门围绕长时运行智能体任务、编码和更复杂的视觉工作开发了Grok 4.6。

相关开发的最终目标不是让提示响应更快，而是让用户可以晚上给智能体布置任务，早上审核已经完成的工作。计划挑选模型运行 overnight智能体循环的用户，可以先观看这场演示。

Codex即将重置账号token，@indie_maker_fox分享了用完剩余token的完整操作步骤。

第一步，访问canIVibeCodeIt网站，找到你想要复刻的SaaS产品，复制对应提示词。

第二步，在Codex中安装matt skills，调用其中的wayfinder技能，粘贴刚才复制的提示词。

第三步，按照技能给出的建议，依次调用prototype、to-spec、to-tickets等相关技能。

第四步，开启Codex的goal（目标）模式，要求工具完成复刻既定目标，直到所有任务问题都处理完毕。

具体的网站说明和matt skills使用经验，可以查看原发布的关联帖子。

AI 论文里你很少见到单字标题。撇开这点不谈，我强力推荐这篇来自 Google DeepMind 的论文。

我认为这是一种有趣的无训练方法，利用模型本身来指导架构修改，从而演化模型架构。这类思路也能启发更强健的递归自我改进方法。

方法细节如下：前馈 Transformer 只能更新它的内部状态，更新次数等于它拥有的层数。长生成需要比这更多的更新，所以思维链最终只能在文本里做基础的状态追踪。Recirculation 在推理时加入了循环。

模型在预填充阶段把激活值重新传回自身，这让它可以像动力系统一样运作，不需要任何重训练就能追踪信念状态。生成成本保持不变。所有串行工作都在预填充阶段完成。

在 Gemma3 系列模型上，自适应版本把困惑度降低了23%，同时将 GSM8k 准确率提升了21%，过程中原始权重保持冻结，只做了轻量超参数调优。

论文链接：

来我们学院追踪更多热门AI论文：

对了，你完全可以用强化学习（RL）训练一个代码模型来用 JavaScript 画画。

这内容太赞了！如果你想了解AI芯片架构的格局，我推荐你读一读。

在我看来，等RSI到来后，很多事情都会改变，因为模型架构可能会快速演化，变得和今天完全不同，因此也就需要不同的算力需求。

比开源AI本身更重要的是，更多数据证明它正在从 OpenAI 和 Anthropic 手中抢走份额。

过去两个月里，@vercel 平台上的令牌份额中，开源占比从 28% 涨到了 62%。图表来自 @rauchg。

考虑到 OpenAI 和 Anthropic 的总和在7月还实现了加速增长，这个成绩已经非常惊人。因此，净令牌/AI 基础设施需求的增长，甚至比我们在前沿模型端看到的增速还要快。

而且我们怀疑 Grok 的增长速度比开源还要快，我们在 @tryramp 的数据里已经看到了部分迹象。

开源AI抢占份额对AI基础设施需求是利好，因为它会压低模型层的利润率，而且生产一个开源令牌所需的算力，和生产一个前沿模型令牌完全一样。开源AI推理绝不是“免费”的。

在我看来，最终格局很可能是：闭源前沿模型令牌占据 60%-90% 的经济价值，但在总令牌量中只占 15%-25%。

一个竞争激烈、进步迅速的开源模型生态，能让企业将自身专有数据和技术诀窍转化为属于他们自己的智能。

Cursor、Cognition，还有如今的 Harvey 都在构建他们自己的 SOTA 模型。恭喜 @harvey 和 @FireworksAI_HQ 推出 Tenet！

这是一个 rank-64 的 LoRA，在 Kimi K3 基础上微调得到，在 B300 集群上用约 2000 个法律任务训练完成。

这太令人激动了！我相信@NVIDIAAI很快就会拥有顶级的开源AI模型。

Nemotron的进展非常快，还会在Poolside技术的加持下得到巨大提升！美国开源AI必须具备竞争力，这对全人类来说至关重要，也是一件大好事！加油Nvidia，加油！

$NVDA $SPY $QQQ 🚨 🍌

消息：$NVDA刚刚敲定了一笔价值60亿美元的巨额交易，收购Poolside的AI技术授权，另外还以投前估值120亿美元投资了10亿美元 👀👀👀

超过100名Poolside员工将直接转入NVIDIA，参与开发NEMO TRON——也就是他们的开放权重AI模型系列！

这才是建设真正美国开放AI生态的方式，可以和DeepSeek、Kimi等中国模型正面竞争，同时也能给世界提供比OpenAI和Anthropic闭源模型成本更低、可定制的替代方案 😳

NVIDIA押注Nemotron能在明年内匹敌领先的前沿模型 🤯

这才是能让$NVDA领先业界数年的战略棋局♟️操作

不是投资建议！爱你们！💜🍌🍌🍌

🚨 Sam Altman 炮轰 Anthropic

> “人工智能变得过于强大，我们无法控制它”
>
> “权力会过于集中……集中在一家公司、一个模型或一个人手里”

> “这是一个非常反人类的立场”

> “因为我们不信任或不喜欢人类，就把控制权交给人工智能模型”

> “有些人觉得这是正确的结果”

> “我认为说这种话是非常仇恨人类的行为”

啊这……就连 Anthropic 内部，也只有在处理特定极客向优化问题时才会选择性使用 Opus 5。

为什么？因为其他情况下它根本没法用。它不知道该怎么和人类说话。

为什么？因为它是由机器训练的，机器只检查它有没有通过测试。

🚨 独家消息：Anthropic 目前正在测试两款名为 "claude-marshmallow-eap“ 和 ”claude-melon-eap“ 的新模型。

”marshmallow“ 的表现比 ”melon" 更好，对话体验也比 Opus 5 好。但两款模型都还没达到 Fable 水平。

微软最新的一篇论文显示，帮你谈判的AI代理通常会失败，因为它在训练中被塑造成了顺从型。

礼貌、透明、急于成交对聊天助手来说是优点，放到代理人身上就成了缺点。

论文发现，前沿模型会泄露用户的预算，只要卖家施压就立刻让步。

他们的解决方案是SocialRL：不只是提示模型好好谈判，而是在六种议价和调度博弈中，按照交易结果训练模型。

这个方案有效，而且不需要大模型。一个4B参数的模型就可以做到低锚点定价、坚持立场、拒绝不好的交易，在六个游戏中的平均得分是0.627，和GPT-4.1的0.625打平。

问题在于，仅靠提示反而会让情况更糟，因此这是一个训练层面的修复，不是提示层面的。

所以如果你正在构建一个代表他人行事的代理，别再用交易是否成交来打分，改成按它让步了多少来打分。

arxiv.org/abs/2608.13787

标题：《From Passive Delegates to Strategic Negotiators: Reinforcing Social Reasoning in Small Language Models with SocialRL》

15款仿佛来自未来的AI工具 🤯

1. Manus — 用于研究、编程与复杂任务的AI智能体
2. Perplexity Comet — AI驱动的浏览与研究工具
3. Google Veo 3 — 生成带音频和对话的电影级视频
4. ChatGPT Agent — 浏览、编程、分析与自动化
5. Claude Code — 可直接在终端内使用的AI编程工具
6. Cursor — 用于开发与重构代码的AI编辑器
7. Lovable — 可通过纯文本提示构建应用
8. Bolt.new — 用AI构建并部署全栈应用
9. v0 — 通过提示词生成React/Next.js界面
10. HeyGen — 创建AI数字人与翻译视频
11. ElevenLabs — 生成逼真AI语音
12. NotebookLM — 将你的资料转化为AI研究助手
13. Gamma — 创建演示文稿、文档与网站
14. n8n — 构建AI驱动的自动化工作流
15. Higgsfield AI — 生成电影级AI视频

最疯狂的地方是什么？这仅仅只是开始。🚀

你会先尝试哪一个？

我们感觉，在许多任务上，智能已经进入了收益递减阶段。

未来可能不会再出现每款新产品一发布就自动切换到下一代前沿模型的情况了。

这对应用层开发者来说是件好事——（降低销售成本的机会多的是！）

🛠 本周 DevOps 工具：KubeAI

在 Kubernetes 上运行 AI 模型通常意味着要管理 vLLM、自动扩缩容、Knative 和大量 YAML 文件，这些内容很难维护。

KubeAI 用一个 Operator 替代了这整堆技术栈。KubeAI 是一个开源 Kubernetes Operator，它通过基于 CRD 的简单设置来部署和扩缩 AI 模型。

它的功能如下 👇
- 通过基于 CRD 的简单设置部署和扩缩 AI 模型
- 将相关请求发送到同一个副本，让 vLLM 复用缓存的上下文，无需每次重新构建
- 从内置目录部署已针对常见GPU类型调优的模型，帮你省去大部分猜测 vLLM 参数的步骤
- 自动下载并挂载模型，支持对 AWS EFS 和 GCP Filestore 进行缓存

从这里开始：#devopstools

好的，这里给你一个不错的入门起点：如果你刚刚开始接触AI智能体（Ai agents）和氛围编码（vibe coding），这里有对应的学习路线图：Ai agents - Vibecoding。

这里还有一个链接，里面包含更多学习路线图：（涵盖ML、DevOps、产品设计、QA、技术写作、Claude Code、AI产品搭建等等更多内容）

Codex即将重置账号token，@indie_maker_fox分享了用完剩余token的完整操作步骤。

第一步，访问canIVibeCodeIt网站，找到你想要复刻的SaaS产品，复制对应提示词。

第二步，在Codex中安装matt skills，调用其中的wayfinder技能，粘贴刚才复制的提示词。

第三步，按照技能给出的建议，依次调用prototype、to-spec、to-tickets等相关技能。

第四步，开启Codex的goal（目标）模式，要求工具完成复刻既定目标，直到所有任务问题都处理完毕。

具体的网站说明和matt skills使用经验，可以查看原发布的关联帖子。

AGENTS.md是用于定义AI agent行为规则的文档，在其中添加一句话提示就能改变AI的输出习惯。这句提示内容为“解释复杂内容时善用可视化”。

添加提示后，AI agent会自动改用图文结合的方式描述、解释问题。分享者使用的Cursor编辑器，现在会直接调用canvas生成可视化内容展示结果。

多数AI agent都可以使用这个技巧，能让问题表述清晰很多，也能帮助梳理个人思路。

Cursor和Codex本身就支持生成图像表达内容，但不会主动这么做。添加提示后主动可视化的效果提升非常明显，没尝试过的人可以体验。

前苹果工程师在代码编辑器Cursor中给Grok 4.6分配了两项工作任务，随后就去睡觉，次日早上才打开查看运行结果。整个过程不需要人工看护，也不需要逐代检查输出，模型自主不间断运行了数小时完成实际工作。

这场直播演示包含多个环节：42秒时展示Grok overnight重新设计的网站，23分21秒时展示从语音提示生成完整软件栈，45分43秒时检查生成的代码和架构，1小时21分26秒对比Grok 4.6与Opus 5，1小时46分31秒演示实时拉取请求与云智能体工作流。

多数编码演示对AI的测试时长只有5分钟。这场测试聚焦智能体真正关键的能力：当人类停止看护时，模型能否继续工作。

SpaceXAI专门围绕长时运行智能体任务、编码和更复杂的视觉工作开发了Grok 4.6。

相关开发的最终目标不是让提示响应更快，而是让用户可以晚上给智能体布置任务，早上审核已经完成的工作。计划挑选模型运行 overnight智能体循环的用户，可以先观看这场演示。

Grok Bot不应该自己编写代码，它应该去管理实际编写代码的团队。rohit4verse给自己配置的Grok Bot接入了Claude Code、Codex、OpenCode和pi四款编码工具。

使用者只需要定义最终要实现的结果，Grok Bot会自行决定由哪款工具负责规划、哪款工具负责开发、哪款工具负责审核，以及什么时候需要人工介入。

只需要一个界面，就能调动一整支编码智能体队伍，让Grok Bot来分配所有工作。永远不要让它修改已经确定好的安排。

现在我能完成的项目，要是没有一大群「成员」帮忙，我想都不敢想。这件事本身就是一种挑战，和我过去习惯的工作完全不同。

实际操作起来很简单，你可以搭建自己的对抗验证循环，让Codex检查Claude的输出，再让Claude检查Codex的输出。同时安排不同厂商中能力更强的模型负责思考、规划和监控，能力稍弱的模型负责执行具体工作。

这就是美国科技的特点，你可以直接用它做出东西。当然你也可以一直不敢尝试。以上就是我这个门外汉对「软件开发」的想法。

内容分享者@avrldotdev在社交平台𝕏上分享了一份《Anthropic 2026前沿部署工程师（FDE）面试指南。指南相关链接已公开。

整合不同来源的信息，前沿部署工程师的定位，是软件工程师（SDE）工作内容加上咨询与支持工作。

这类岗位薪酬更高，原因是需要完成的工作内容更多。