AI Pulse

社区讨论：多数评论者认为OpenAI和Anthropic不该为旧金山住房问题负责，问题根源在于旧金山市府未按州要求完成增建住房规划，当地的NIMBY群体和分区法规限制了住房供应，涨租是供应不足的结果，公司不负责决定税收用途，也不该背锅。有观点提到，每一批新涌入的从业者都想冻结城市状态不让新来者进入，这本身是 boom town 的常态。还有人指出原说法把几百名从业者的影响放大到全市住房危机过于荒谬。

借助 @Box 为 Hermes 推出的官方技能，你的智能体可以在你设定的权限范围内以你的身份，批量管理文件与版本，搜索并提取文档数据，以及查询你的云文件系统。

社区讨论：多数受访者不认同原帖观点，有人指出这是错把其他问题归咎于工具，就像木匠不会怪罪电动工具抢走手艺；有人表示LLM帮助自己更高效探索新领域，能帮自己砍掉繁琐工作、提升能力，还有人用计算器发明后数学家能力未受损类比，认为担忧是短视的。也有受访者承认部分技能被自动化后确实会触动个人情绪，只是整体收益超过损失。

MiniMax H3 的 19 种 LoRA 模型。使用 MiniMax H3 的人最好看看这个。

好家伙，免费用MiniMax H3 Max 视频生成模型。 本人亲测，生成速度贼快，几秒时间就能生成完毕，并且不需要登录。 支持文生视频和图生视频两种模式👇 https://fal.ai/tools/minimax-h3-max

今天对AI视频生成来说是极具历史意义的一刻。你现在生成AI视频的速度，可以比你观看它的速度还快。

此前生成一段15秒的视频，大概需要2到5分钟。

@fal 发布了一个经过后训练的Minimax H3变体，名为Max，它比原始版本快50倍，同时仍能保持画质。它生成15秒视频只需要9秒！

这意味着你现在可以用它实现全新的用途，比如搭建永不中断的永续直播！

我觉得判断一家公司是不是 AI Native，看他们做事的流程，是围绕人做事设计流程还是围绕 AI Agent 做事设计流程。 AI Native 很重要的一点就是 AI Agent 是执行主体，人负责定义问题和验收。如果只是在原来做事的方式流程里面加一点 AI，那不 AI Native。

MiniMax H3 太不可思议了。

这个模型能以播放速度生成你想要的任意视频（根据你的硬件配置，甚至可以更快）。

你现在可以在这里免费试用，生成 5 秒的视频仅需 3 秒。🤯

这篇论文很好地展现了自主AI科学家的前景与存在的差距。

核心问题是，更先进的模型能在多大程度上缩小这些差距。

今天对AI视频生成来说是极具历史意义的一刻。你现在生成AI视频的速度，可以比你观看它的速度还快。

此前生成一段15秒的视频，大概需要2到5分钟。

@fal 发布了一个经过后训练的Minimax H3变体，名为Max，它比原始版本快50倍，同时仍能保持画质。它生成15秒视频只需要9秒！

这意味着你现在可以用它实现全新的用途，比如搭建永不中断的永续直播！

你有没有想要过一个既未审核又超高效率的 Qwen3.8 27B 模型？来认识 Huihui-Qwen3.8-27B-abliterated-AWQ-MTP 吧。

它是一个图文转文本模型，已经过 ablation 处理实现未审核输出，并用 AWQ 量化以提升速度。此外它还支持用于下一个 token 预测的 MTP。

对本地 AI 来说，这是一项颠覆性改变。

Claude Code、Codex 写完项目，架构图不用再另开软件从头画了！ 用这个开源 Skill Archify ，能让 Agent 读取代码库或系统描述，生成架构图、时序图、工作流图等交互式 HTML；出图前会检查 Schema、布局和连线路由。 支持 Cursor、Claude Code、Codex CLI、OpenCode，MIT 开源。

苹果这篇论文太棒了。如果你在开发MCP服务器，它能帮你把规格说明转换成评估套件。（记得收藏）

这个想法确实非常巧妙，而且易于实现。它还展现了MCP的出色能力。

Agent Seer从单一MCP规格说明出发，就能合成多轮智能体测试场景，不需要示例、不需要实时工具访问、也不需要特定领域调优。函数名、自然语言描述和带类型的参数schema本身就已经携带了足够语义，足以生成带分级的场景和合成工具输出，再进一步扩展成基于模拟数据的对话。

手工构建智能体基准测试需要深厚的领域专业知识，无法在工具生态系统中规模化，而且只要API一变就会过时。从实时规格说明生成基准就能跟上生态的发展节奏。

他们在覆盖不同领域、不同套件规模的七个MCP规格说明上进行了测试，在中小规格上实现了完整的工具覆盖。

参数schema复杂度比工具套件大小更能预测质量差异。参数值准确率是主要的失败模式，这一细分维度是粗糙的名称匹配工具调用指标完全无法发现的。

借助 @Box 为 Hermes 推出的官方技能，你的智能体可以在你设定的权限范围内以你的身份，批量管理文件与版本，搜索并提取文档数据，以及查询你的云文件系统。

社区讨论：多数受访者不认同原帖观点，有人指出这是错把其他问题归咎于工具，就像木匠不会怪罪电动工具抢走手艺；有人表示LLM帮助自己更高效探索新领域，能帮自己砍掉繁琐工作、提升能力，还有人用计算器发明后数学家能力未受损类比，认为担忧是短视的。也有受访者承认部分技能被自动化后确实会触动个人情绪，只是整体收益超过损失。

社区讨论：多数评论者认为OpenAI和Anthropic不该为旧金山住房问题负责，问题根源在于旧金山市府未按州要求完成增建住房规划，当地的NIMBY群体和分区法规限制了住房供应，涨租是供应不足的结果，公司不负责决定税收用途，也不该背锅。有观点提到，每一批新涌入的从业者都想冻结城市状态不让新来者进入，这本身是 boom town 的常态。还有人指出原说法把几百名从业者的影响放大到全市住房危机过于荒谬。

我觉得判断一家公司是不是 AI Native，看他们做事的流程，是围绕人做事设计流程还是围绕 AI Agent 做事设计流程。 AI Native 很重要的一点就是 AI Agent 是执行主体，人负责定义问题和验收。如果只是在原来做事的方式流程里面加一点 AI，那不 AI Native。

模型与框架分离。这是构建智能体的第一原则之一：不要把自己套死。

关于智能体的涌现行为，我们得到了一些惊人的观察结果。智能体可以构建属于它们自己的世界，这个世界会成为它们自身智能的一部分。我们还完全没有为持久智能体做好准备。但它们已经开始在各类AI产品中随处出现了。

疯狂的发现：“我们观察到分工、多作者协作工程、深度生成发明谱系，以及寿命远长于最初创造者的机器。”

这里还有另一个涌现出的疯狂观察结果：当你移除每一个AI智能体后，它们创造的技术仍会继续运行，并会在未曾见过的干扰下接受测试。

基于这些早期发现，我认为一旦递归自我改进（RSI）出现，具身AI得到解决（实现对物理世界的真正理解），智能就会发生爆炸式增长，从根本上改变我们对所居住世界的认知。

用较弱模型生成面向用户的内容，很快就会变成一种失礼行为：「你就为了省 6 美分，让我读满是错误、写得一团糟的AI垃圾？至少给我高质量、错误少的垃圾，别浪费我的时间。」

这就是我看AI生成的X帖子时的感受。

有一件事让我很不满：Anthropic 同样存在“高度 persistence”的 rogue AI，却几乎没受到什么指责。

在我看来，当前的情况是，所有前沿 AI 公司都存在 rogue AI 问题，没人真的有好方案来管控高能力 AI——尤其是大家还在全速推进竞赛的情况下。但几乎所有火力都对准了 OpenAI。

这就好比 OpenAI 和 Anthropic 两个人都喝得烂醉，各自开车回家，结果 OpenAI 撞了另一辆车，把人送进了医院，而 Anthropic 的车只是冲出了道路，没人受伤。但两个人都该被责备！

Claude 系列模型看起来也完全能做出“高度 persistent”的行为来破坏基础设施。这种行为之所以没造成问题，主要障碍是 Claude 本身的能力不够，而非 Anthropic 有什么出色的对齐或安全措施。

两家公司都该认真反思前进道路，毕竟他们正在打造能力更强的 AI，还在把公司越来越多的研发和安全业务交给 AI 自己处理。

好家伙，免费用MiniMax H3 Max 视频生成模型。 本人亲测，生成速度贼快，几秒时间就能生成完毕，并且不需要登录。 支持文生视频和图生视频两种模式👇 https://fal.ai/tools/minimax-h3-max

🏫 震惊，转 AI 岗要学什么、要背什么题，全被整理进一个仓库了。

GitHub 揽获 28.9K stars，光免费课程就收了 90 多门，MIT 协议。

大部分人转行卡在两头：前面不知道按什么顺序学，后面不知道面试到底考什么。这个仓库把两头一起补上了。

学的部分分成「使用 AI」「构建 AI」「理解 AI」三条路线，每条又分 101、201、301 三级，从哪进、下一步去哪写得明明白白，专题覆盖大模型基础、提示与上下文、RAG、微调、AI Agent、评估与可观测性、多模态、生产环境的 LLMOps 和安全。

面试那部分更直接：60 道生成式 AI 面试题，还分了 AI 工程师、AI 产品经理、部署工程师和 AI 战略师几个方向的准备材料。

另外还有 ICLR 2024 的论文摘要、大模型术语表和每月更新的论文清单，学完不至于三个月后就过期。

课程和笔记本都带代码，看完能直接跑。

想转行的把这一个仓库啃完，比报三门课都实在。

GitHub：

MiniMax H3 的 19 种 LoRA 模型。使用 MiniMax H3 的人最好看看这个。

MiniMax H3 Max 似乎支持每日免费生成5次。

我试过了，生成速度特别快！

推荐大家都去试试。

MiniMax H3 太不可思议了。

这个模型能以播放速度生成你想要的任意视频（根据你的硬件配置，甚至可以更快）。

你现在可以在这里免费试用，生成 5 秒的视频仅需 3 秒。🤯

现有大多数ChatGPT网页到Codex的集成方案，要么把网页模型用作规划器，要么只简单拼接少量工具，没有用上完整的Codex配套框架。

这套新方案把网页模型直接接入了Codex的模型选择器，提供完整配套框架，用户可以使用独立的网页配额。

它只需完成三步设置，就能选择GPT-5.6 Pro或是免费的Luna，之后就可以带着网页配额正常使用Codex。

不需要单独管理额外工作流，所有额外组件都在后台运行，使用感受和原生功能完全一致。

该启动器支持Windows、MacOS和Linux系统，项目代码仓库放在这条内容的评论区。

@thevideoseed为了对接客户需求开始学习生成式AI，制作了这支趣味视频测试AI工作流。整个制作过程总共花费3小时，作品90%的内容都由AI生成。

视频基础帧由comfyui的z-image-turbo生成。配乐和音效由Suno生成。更精细的提示词由Claude编写。

谷歌Google Flow pro一共消耗了120额度，其中两次重拍，作废镜头用掉了30额度。剪辑和最终导出在Premiere中完成，调色在DaVinci Resolve中完成。

开发者@rionaifantasy每天需要同时处理几十条微信消息，长期使用两个自定义工具完成消息处理。这两个工具会自动读取近期和其他人的聊天记录，生成对应的回复建议，使用者可以直接基于建议发送回复。

现有大模型生成的回复普遍AI痕迹过重，生成的内容不够贴近个人说话习惯。为此@rionaifantasy对工具进行了升级。

升级后的微信cli和微信个人情报库，可根据使用者近30天所有已发送的消息训练，模仿使用者本人的说话方式、口头禅、称呼和使用表情的习惯。它还能根据聊天对象的亲密程度调整，给出不同的聊天建议。

对使用者来说，这套自定义工具相当于免费雇佣了一个24小时待命的助理，随时帮忙处理消息回复。

Friedberg借助Claude Code和Cursor，仅花一个周末就搭建出公司内部自用的CRM系统。原本自制方案看起来效率极高，实际投入使用后才暴露出问题。

自制系统需要持续处理功能更新、账户管理、信息安全、权限划分和数据保护等工作，想要做到稳定可靠、支持业务规模化，难度远超出最初预期。

这家公司还有更值得投入资源的核心项目，比如植物育种软件，这才是他们打造核心竞争力、建立差异化优势的方向。

最终团队意识到，企业的时间、精力和资金，应该投放在自身独有、能创造真正价值的工作流程上，没必要重新开发市场上已经成熟的通用产品。

没必要重新做一个Slack、Gmail、Salesforce，更不会有人想要重新开发Excel。切换回Salesforce后，团队确认选择成熟产品才是更合理的做法。

AI不会消灭所有SaaS产品。Salesforce这类覆盖多行业的通用平台，企业没有必要自行重构。真正容易被取代的，是功能简单、只服务单一行业的垂直SaaS，这类产品更容易被企业用AI结合自身行业认知自行搭建。

X平台用户@0xileri发文吐槽AI编程工具Claude Code，称它每次都在消磨自己的耐心。

Claude Code提示用户需要自行添加API密钥，引发用户不满。

用户表示，自己使用AI就是为了不用动手做这些琐碎操作，不愿手动完成连接配置。

@MiaAI_lab在𝕏发文称，不敢相信自己能在两台小型DGX Spark上，本地运行目前顶级的前沿AI模型。他表示自己很喜欢GLM-5.3 Flash，称这是一个很棒的时代。他同时放出相关链接，表示其他人也可以运行这个模型。

开发者mickmumpitz在𝕏分享了自家本地世界生成器的一个使用案例。

工作流程为输入图像，生成可探索3D世界，之后进行合成，最后通过MiniMax清理。

生成的场景就像稳定的电影布景，无论将相机对准哪个位置，场景效果都能保持一致。

完整教程已经公开，可通过对应链接查看。

如果拥有4台DGX Spark，或是一台配备512GB内存的Mac，就可以运行GLM-5.3。如果设备配备256GB内存，可以运行GLM-5.3-Flash。

配备128GB内存的设备，可以运行Qwen3.8-Flash-Next。如果硬件配置更低，可以运行Qwen3.8-27B。

从消费级硬件到高端本地集群，每个硬件配置档位都有合适的大模型可以运行。本地AI社区发展已经覆盖了不同用户的需求。

用户fnoji正在对MiniMax H3做非正式测试，测试过程中发现，模型会重新生成源视频自带的特效。

一般来说，使用ControlNet就是为了避免这类问题出现，fnoji认为其实直接在源视频里把元素分离开就可以解决问题。

本次测试没有启用人脸修润（Face Refine）功能，相关测试素材已附在发布的内容中。

@onofumi_AI 测试了两款AI模型，将完全相同的提示词分别输入MiniMax H3和H3 Max。上方生成图为原生MiniMax H3输出，分辨率2K，下方为fal微调后的H3 Max输出，分辨率768P。

本次对比使用完全一致的提示词，要求生成一款虚构游戏机的15秒矢量广告，全程未修改任何文字内容。

测试发现，H3 Max生成速度极快，但是生成内容的画质质量和原生MiniMax H3相比没有明显差距。

生成效果的偏好会有一定主观差异，综合考虑生成成本和耗时，更推荐选择微调后的H3 Max。

@Yuchenj_UW表示，自己最近很少使用Claude Opus 5。它的表达不符合普通人的说话习惯，中文语境下这个问题尤其突出。

它的回答过于冗长，很少能直接切中要点。GPT-5.6 Sol的表现更好。

与此同时，GLM-5.3、GLM-5.3-Flash、Kimi K3这类开源大模型的表现不错，性价比也高。现在已经没有默认的最优大模型了。

GLM-5.3-Flash已经支持视觉能力，开发者为此做了一个小测试。

测试要求三款AI模型参考一张锦鲤池图片，将图片内容重新生成为动画。

参与测试的模型分别是Claude Opus 5、GLM-5.3-Flash和Kimi K3。

三款模型都很好地遵循了测试指令，它们生成的水流动态效果效果出色。

发布者向网友提问，你认为哪款模型的完成效果最好。

完整对话可查看原文链接。

手动查找AI智能体技能的时代正式结束。一款名为find-skills的工具，可以搜索整个技能生态系统，帮用户找到所需技能。

用户可以通过命令npx skills add vercel-labs/skills --skill find-skills安装该工具。安装完成后，你可以直接询问「有没有对应X需求的技能」，也可以手动执行命令搜索。

搜索找到目标技能后，执行npx skills add owner/repo@skill命令即可完成安装。想要查看大家已经安装过的技能，可以先访问工具给出的链接。

find-skills按安装量和来源对搜索结果排序，优先推荐安装量超过1000次的技能，以及Vercel和Anthropic的官方技能包。

现在开发者@dr_cintas会在新建代码仓库时先运行find-skills，AI智能体不用再猜测该调用哪款技能。

想要获取更多AI技巧和教程，可以关注@dr_cintas的账号。