AI Pulse

AI Pulse

说人话的 AI 情报站
每天 08:00 · 12:30 · 18:30 · 23:50 更新每天四次更新
2026 年 9 月 18 日 · 23:50 更新
✦
试试:

今天发生了什么1 分钟读懂

UkisAI 发布开源模型 Swift Qwen 3.8 27B,专治小型模型「过度思考」:给出答案前绕很多弯子,想了半天结果并没有变好。惩罚掉这个毛病后,token 少用 58.3%,速度接近翻倍,下载量已超 10 万次。

来源今日深读《UkisAI 惩罚模型“想太多”,token 少用 58.3%、速度近翻倍》

另一个焦点是 Jev——不生成文本、只输出决策,70 毫秒出结果,每百万 token 4.2 美分,据称比常规大模型快 40-200 倍。开源复刻已出现,有人用它把查机票压到 7 秒、成本不到 3 分钱;也有开发者批评其压缩策略有六处缺陷。

来源@yangyi「Jev 模型比现有大语言模型快40-200倍」@NFT_Chen「NanoJev 开源基于Qwen3的完整决策模型管线」@karminski3「前OpenAI团队成员推出Jev决策模型, 70ms输出仅需每百万token$0.042」@theo「Jev 的压缩策略存在六大核心问题,不建议普通开发者使用」@AYi_AInotes「开源浏览器自动化查机票,全程7秒成本不到3分钱」

还有一件新事在法庭:微软和 OpenAI 因隐藏内部文件败诉,文件承认训练所用的大规模爬取构成侵权。核心证据即将公开,判决会影响后续所有 AI 训练的合规规则。

来源pseudolus「微软和OpenAI隐藏内部文件败诉,文件承认爬取侵权」

今日值得看
01 决策笔记 Agent Skill:AI 写代码先立规矩可追溯 DeepSeek Harness 的决策笔记变 Skill,AI 写代码前先立规矩,旧决定可回溯 02 10秒咖啡广告的结构化视频提示词 Veo 3.1用JSON分镜写咖啡广告,10秒4K全流程,收藏者都惊了
03 QwenCloud发布首个智能体多模态模型 长视频理解成本大降89%,智能体性能平均提升19.5分,还开源了配套开发工具,想做音视频AI应用可以试试这个新方案。

🚀 来认识 Qwen3.8-Omni-Flash,这是通义千问首个围绕智能体能力构建的全模态模型! 原生音视频理解、推理和工具调用整合在同一个模型中:理解内容、规划任务、用工具执行、交付结果。

04 PrismML发布Ternary Bonsai 2 27B,Mac可本地跑 普通Mac就能本地运行接近满血的27B参数大模型,对想要离线跑AI、不想付云端费用的人来说是新选择。

💥炸了!满血 Qwen 3.8 27B 被塞进 Mac 本地就能跑:体积只剩 5.9GB,智商几乎没掉! PrismML 发布 Ternary Bonsai 2 27B:Qwen3.8-27B 血统,三值量化到约 1.76bit,只有满精…

今日焦点

UkisAI 惩罚模型“想太多”,token 少用 58.3%、速度近翻倍

UkisAI 发布了首个开源模型 Swift Qwen 3.8 27B。上线至今下载量超过 10 万次,在 HuggingFace Trending 上排第 9,微调模型里排第一。

小型语言模型里有一种病态的过度思考。给出答案之前,模型绕很多弯子,想了一堆,结果并没有变得更好。

UkisAI 在发布说明里写得很明确:不是训练模型把思考变短,而是训练它思考得更高效。惩罚对象是病态的过度思考。团队给出的数字:token 使用量下降 58.3%,生成速度快了 1.95 倍,准确率没掉。

阅读全文 →

深度阅读

查看全部深度文章 →
AI Agent 订阅 · 每天四次推送

🔥 信号雷达131 条本班新增 33 条

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)

23:50 最后一轮更新
今日要点 · 12 条
新新品发布 · @peteryared▲ 4.0万

AgentCloak 允许用AI不泄露真实数据

如果你使用各类AI服务时担心隐私泄露,又不想因为隐藏信息影响AI输出效果,这个工具可以解决问题,现在免费使用。

介绍 AgentCloak:使用任意 AI 都无需共享你的真实数据。
不管是中国的AI服务、ChatGPT、Claude,都适用。

你可能在提问前会尝试隐藏敏感信息:换不同名字、假号码、不填地址。
但这样得到的回答没什么用,因为AI缺少实际上下文。

AgentCloak 在你的浏览器中运行。它会在发送数据前,把你的敏感信息替换成真实逼真的假信息,然后在AI返回的回复中把假信息替换回你的真实信息。

你能得到你需要的内容。AI得不到任何关于你的真实信息。整个过程都在浏览器内完成。

它已经获得全球一些顶级企业的信任。现在可以免费使用。

在 X 看原帖 ↗
4.0万86192129
新开发工具 · @DeRonin_▲ 2.7万

10分钟安装Jev,帮你的AIAgent降本增效

DeRonin分享Jev安装步骤与提速100倍的核心方法

阅读全文 →
2.7万14243415
行业动态 · Hacker News▲ 357

有人披露OpenAI内部仓库存在可入侵漏洞

OpenAI代码仓库被曝存在两个安全漏洞,可能导致内部代码泄露,关注AI行业安全的人值得留意。

社区讨论:多名用户认为OpenAI给出的6500美元赏金数额过低,漏洞在黑市的价格会达到数百万美元,对于估值近万亿美元的OpenAI来说,这笔赏金少得可怜,OpenAI很幸运遇到了负责任的研究者。有用户指出,本次漏洞源于支持大量额外功能的heif容器带来了过大攻击面,未被标记为安全修复的上游代码变更也导致相关发行版没有及时得到补丁更新。

在 HN 看讨论 ↗   原文 / 论文 ↗
新实用技巧 · @EpicCmntsTelugu▲ 2.1万

使用 Claude 或其他 AI 时可以试试这个简单提示词技巧

来自@EpicCmntsTelugu的实用技巧,可减少迭代次数提升效率

使用#Claude或任何其他人工智能时的一个小技巧:在你给出提示词之后,加上一句:“如果需要任何澄清,请在继续操作前问我”。

这会让AI去澄清缺失的要求,而不是自行做出假设。原本需要4到5次迭代的任务,现在只需要1到2次迭代就能完成。

在 X 看原帖 ↗
2.1万30561331
新新品发布 · @iMePlatform▲ 1.1万

iMe Platform 发布 AI 驱动的 iMe Ads 广告服务

现在 AI 可以全自动投放和管理广告活动,新用户首次充值还能拿 10% 额外赠金,需要投放广告可以关注这个新工具。

AI 现在可以帮你投放广告了。iMe Ads 现已支持与 iMe AI 和外部 AI 代理协作。

🧠 连接 #Claude、#Codex、#Cursor,或任何 MCP 客户端就能启动并管理广告活动。

📝 使用新的广告活动构建器实现更快的设置、更智能的指引和覆盖范围预估。

✨ 让 Telegram 里的 #iMeAI 查看你的广告活动和余额,生成广告并提出改进建议。

📊 通过机器人、SDK 或回发追踪真实转化——注册、存款和购买。

🎁 首次充值可获得 10% 返利。

立即体验:

在 X 看原帖 ↗
1.1万8776202
行业动态 · Hacker News▲ 205

TangerineDream 表达对LLMs的不喜

在大语言模型火热的当下,不同的声音值得关注,能帮你跳出信息茧房,重新思考技术的价值

社区讨论:多数网友认同LLM是不完美但有用的工具,就像锤子一样,虽然有人不喜欢,但建房子离不开它,它能提供杠杆价值,已经无法取代。也有人指出原作者本身自相矛盾,一面说不应把AI拟人化,一面又将LLM拟人化为自己讨厌的人类类型。还有人纠正原作者对AI风险的认知,指出AI本身不会自主作恶,危害其实来自使用它的坏人。

在 HN 看讨论 ↗   原文 / 论文 ↗
新品发布 · @EMostaque▲ 26.7万

@EMostaque发布Opus 4.5/4.6级大语言模型(8 Gb)

不需要高端显卡,普通电脑就能跑性能接近Opus 4.5/4.6级别的大模型,普通用户也能在本地设备用上高性能AI

这基本上就是一个Opus 4.5/4.6级别的模型,在任何配备8GB内存的设备上都能运行。

在 X 看原帖 ↗
26.7万1563.8K2.6K
深度观点 · @AnthropicAI▲ 24.7万

Anthropic 用 Claude 把开源生物模型提速 4 倍

生物研究常用的开源模型运行成本高,这项优化能降低模型运行成本,提升生物AI研究的普及度和影响力,相关优化代码已全部开源。

生物学家会使用专门的开源模型来完成各类任务,比如模拟分子系统的结构、设计类药物分子以及预测基因突变的影响。

但这些模型通常运行成本很高,这可能会限制它们的应用影响力。

在我们最新的 Science Blog 中,我们分享了 Claude 是如何为超过 30 个开源模型优化推理的,这让它们的平均速度提升了 4 倍,部分优化是通过为 GPU 编写定制软件实现的。

我们已经将所有优化代码开源。

在 X 看原帖 ↗
24.7万3072.8K940
新行业动态 · Hacker News▲ 42

AI聊天机器人擅长改变他人想法 秘诀是什么

想让别人接受你的观点,不妨看看AI是怎么做的,说不定能从中得到沟通启发。

社区讨论:多数观点认为,AI善于改变想法并非因为说服力更强,而是因为人们不会把和AI的分歧视为人类之间的输赢对抗,且长期对机器计算形成的信任让人们更愿意怀疑自己而非AI。有人指出,AI能抛出大量数据(哪怕并不准确),而人们默认讨论对方不会撒谎,因此容易被说服。也有人认为,RLHF才是核心原因,前提本身有问题,AI很难改变人们持有的立场类抽象观点。

在 HN 看讨论 ↗   原文 / 论文 ↗
开发工具 · @tamarajtran▲ 67.6万

Jev可通过为工具调用评分实现即时压缩,解决现有问题

开发者在𝕏平台提出typesafeai Jev的一个完美用例

找到了@typesafeai Jev的完美用例:即时压缩。都2026年了,为什么压缩还得靠手写总结提示词?

Jev可以通过给每个工具调用打分,直接删掉无关内容,实现即时压缩。

运行 fast-jev-compaction:

在 X 看原帖 ↗
67.6万2865.3K3.6K
前沿研究 · @AnthropicAI▲ 56.0万

Anthropic 提出三项AI发展公开追踪指标

公众能借此缩小前沿AI实验室和大众间的信息差,让社会能参与决定AI发展节奏,关心AI发展走向的人可以关注后续进展。

AI系统正变得越来越强大,而且它们正越来越多地被用来构建下一代的自己。我们希望向公众阐明这一进展。

今天,我们分享三个有助于追踪AI发展的衡量指标:
1. 有多少AI研发是由AI完成的
2. AI智能体受监管的效果如何
3. 算力是如何分配的

我们提供了这些指标在Anthic内部的快照。任何前沿开发者都可以发布相同的衡量指标,第三方也可以对它们进行验证。

当全世界都在考虑管控前沿AI发展节奏时,我们应该尽一切努力缩小前沿实验室所知信息与公众所知信息之间的差距。

这意味着要更好地衡量AI的发展,发布我们的发现,并给社会机会来决定如何使用这些信息。

阅读完整文章和研究方法:

在 X 看原帖 ↗
56.0万3242.5K1.2K
新品发布 · @OpenAI▲ 335.5万

OpenAI 推出面向法律行业的 Astra 服务

深耕垂直行业的AI服务开始落地,律师和法律科技公司可以尝试借助AI提升工作效率,辅助专业判断。

面向法律行业的 Astra:为您的业务打造前沿智能。

这项新产品由 GPT-6 Astra 提供支持,配套工具、设置和上下文,为律师和法律科技公司的专业能力与判断提供支持。

在 X 看原帖 ↗
335.5万7131.1万3.9K
更多信号 · 按时间
新品发布 · @claudeai▲ 172.6万

Claude AI 发布 Claude Code 后台并行任务功能

关闭电脑后 Claude 仍可后台完成项目任务,目前正对部分Pro和Max用户开放测试,后续全量开放

现在项目可以在一次对话中从 Claude Code 开始运行。你描述需要完成的任务,Claude 会指挥多个并行线程持续工作,哪怕你合上笔记本电脑之后也不会停止。

今天开启 beta 测试,面向云会话中部分 Pro 和 Max 用户;很快会向所有 Claude 用户开放。

在 X 看原帖 ↗
172.6万5008.2K3.1K
新数据科学 · @remilouf▲ 64

数据科学圈自嘲:继承五层堆叠模型 pipeline 方差疯涨无人解

数据科学从业者@remilouf在𝕏分享圈内老梗,吐槽早年继承堆叠模型 pipeline 的乱象

数据科学从业者@remilouf在𝕏发文回忆数据科学圈过去的状况。

很多人接手的项目流水线(pipeline)是把5个不同模型一个接一个堆叠起来。

所有人都想不通,为什么结果方差会大得离谱。

这段文字本身就是一个圈内自嘲梗,附上了梗图链接。

在 X 看原帖 ↗
641
新搜索 · @dabit3▲ 2.1K

开发者分享Jev在Gmail中实现意图搜索的效果

X用户@dabit3分享了基于意图的搜索工具Jev在Gmail的使用效果

Jev 真的非常擅长基于意图的搜索!在 Gmail 里它是这样的:

(对大容量收件箱来说,你可能会先用语义搜索/嵌入向量来拉取结果,但它仍能带来好得多的使用体验)

在 X 看原帖 ↗
2.1K13511
新前沿研究 · @notjazii▲ 5.3K

测试显示fable 5.2表现优于gpt 6 astra

同一prompt下两款模型推理结果差异明显。fable 5.2输出效果更好,但速度更慢成本更高,下一代已进入秘密测试。

fable 5.2 比 gpt 6 astra强。我用相同的提示词在高推理模式下测试了这两个模型,得到的结果非常不同。

fable的下一个模型今天已经进入隐蔽测试了,所以我认为它不会很快发布。根据早期测试:

比当前的fable有巨大提升
输出质量比astra更好
速度更慢,成本也更高

我还在进行更多测试,很快就会放出测试输出。

在 X 看原帖 ↗
5.3K711418
新开发工具 · @masahirochaen▲ 1.4万

Claude Code可实现上下文无摘要压缩,降低令牌占用超六成

开发者@masahirochaen分享TypeSafeAI的Jev压缩方案,开源了Claude Code插件fast-jev-compaction

开发者@masahirochaen在𝕏分享了一款Claude Code的上下文压缩方案,称这种使用方式体验很好,希望Claude Code和Codex都能正式接入该功能。

TypeSafeAI开发的Jev压缩方案,不需要对对话历史做摘要,就能直接把原本15.6万个令牌压缩到6.2万个令牌,令牌占用率从原来的78%降到31%。

Jev的思路是给每条工具调用记录计算一个删除概率p(drop)分数,低于阈值的直接删除,不需要摘要重写。按照测试,16条历史记录里会保留10条原文,只删除6条。

和传统压缩方案不同,Jev是TypeSafe AI的决策模型,专门做判定和评分,不生成文本。传统压缩一般让大语言模型做摘要,容易丢失具体文件路径、错误文本这类细节信息。

Jev的处理逻辑是对全部历史记录在一次请求内完成评分,只把低于阈值的内容机械删除,不会修改保留的原文内容。

该方案的开源实现fast-jev-compaction已经作为Claude Code插件在GitHub免费公开,目前尚未验证实际生产使用中的精度和处理成本。

在 X 看原帖 ↗
1.4万687116
新前沿研究 · @AYi_AInotes▲ 1.5万

清华大学,无问芯穹等团队发布C2C技术研究论文(2.0到2.5倍)

跳过人类语言直接传递大模型思考信息,能提升推理速度和准确率,降低延迟和成本,对多智能体协作是颠覆性改变

阅读全文 →
1.5万55219194
新模型 · @wquguru▲ 8.5K

24GB小Mac也能本地跑压缩后保住98%性能的大模型

PrismML把原本更大的Qwen3.8 27B压缩到了5.9GB,小显存Mac也能本地运行,还保留了原版模型98.2%的综合跑分。

最近 AI 圈总算有点新东西了,@PrismML 把 Qwen3.8 27B 压到了 5.9GB,24GB 统一内存的小 Mac 也能无痛本地跑,更关键的是综合跑分保住了原版的 98.2%;@typesafeai 则把大批量分类/路由做成了 70–500ms 级响应速度,不需要再忍受大模型慢吞吞吐字。

在 X 看原帖 ↗
8.5K44355
新开发工具 · @Shpigford▲ 1.3万

可加入代码库的提示词,挖掘Jev的集成应用方向

@Shpigford分享了一段用于AI集成探索的提示词

这里有一个你可以(也应该)加入你的代码库的提示,用来发掘集成 Jev 的有意思的方向:

---

刚刚发布了一个新的AI模型/工具。深度研究它的能力,以及我们可以在本产品中使用它的潜在方式。

你应该进行网络搜索,尽可能多地了解 Jev 以及截至2026年9月它具备的能力。不要只考虑如何替换/优化现有功能,还要想想我们可以在面向客户侧,或是后端和管理侧新增哪些功能。

---

玩得开心!

在 X 看原帖 ↗
1.3万7205425
新投资 · @ayoyo810▲ 3.1K

聊聊AI下一个叙事SWARM蜂群,该不该投资如何发展

来自𝕏平台@ayoyo810分享,分析AI概念SWARM蜂群

SWARM蜂群正在引导AI的下一个大型叙事!让我们来看看SWARM到底是什么,该不该投资,又该如何发展!

当chat出现后,AI叙事是每一个meme浪潮中不可或缺的一部分。而AImeme的发展不应该只局限于炒作!

dev @matthewabides swarm @swarmboard

在 X 看原帖 ↗
3.1K17374
行业动态 · Hacker News▲ 68

Shapelearn发布Qwen 3.8 27B 仅需13.1GB显存

普通消费级显卡也可能跑起这个量级的大模型,想要本地运行大模型的用户可以更低门槛尝试。

新工具 · @tom_doerr▲ 8.2K

本地AI用39个工具实现视频文件本地编辑

开发者用Claude Code、Cursor和Codex这类AI编码代理,基于39个FFmpeg工具实现了本地视频编辑。

该工具使用 Claude Code、Cursor、Codex 这类 AI 编码代理在本地编辑视频文件,基于 FFmpeg 提供了 39 个工具。

在 X 看原帖 ↗
8.2K19146155
新实战经验 · @SUOHA_AI▲ 9.5K

SUOHA_AI分享Jev快速使用教程

可以按照教程尝试快速配置Jev,感受实测提到的惊人响应速度,获取新AI工具的使用体验。

手把手教你光速用上 Jev

1、申请 Waitlist:
• 官网直达: (@typesafeai)
• 提交后务必顺手把附加问卷(Answer a few questions)填了,内容极其简单,直接让 AI 帮你生成一段“AI 开发者”的背景介绍填进去,我昨天填完问卷几个小时内就通过了审核

2、一键配置SKILL:
• 审核通过进入官网,找到 Quickstart 模块;
• 直接把里面的命令复制给你的 AI Agent(Claude Code、Codex、Cursor、Grok 都行),让 AI 自动化帮你装好Skill

3、获取 API Key
• 在官网后台新建一个 API Key,喂给你的 Agent 即可;

4、直接开跑 & 实测体验:
• 在对话的Prompt 里说:use the TypeSafe skill 就可以用了
• 实测下来,Jev 的响应速度快到让人震惊,快去试试

在 X 看原帖 ↗
9.5K65854
新实战经验 · @trailofbits▲ 4.3K

trailofbits 用 AI 找出百万级安全漏洞

没有开发工具的定制汇编语言,靠 AI 搭建出逆向分析工具,还找到了高危漏洞,这是 AI 辅助安全审计的新尝试。

我们审计了 @0xMiden 部分用自定义汇编语言 MASM 编写的 zkVM。

MASM 原本没有开发工具,所以我们使用 Claude 和 Codex 构建了一个反编译器和静态分析引擎。

它标记出了一个签名伪造漏洞,这个漏洞原本可能造成数百万美元的损失。

@fegge

在 X 看原帖 ↗
4.3K117436
新产品 · @Rana_kamran43▲ 1.0万

MiniMax推出集成GPT-6的AI设计工具

把AI直接放进专业创作工作流,打通了生成式AI和Blender这类专业生产软件。

通过 MiniMax Design 将 AI 直接融入你的专业创意工作流!🎬

MiniMax Design 集成了 GPT-6 Astra,弥合了生成式 AI 与 Blender、After Effects 这类生产软件之间的差距:

→ 连接你的工具:直接对接 Blender 和 After Effects,用于构建 3D 模型、调整材质、设置光照

→ 更智能的执行:先进推理能力意味着更高准确性、更强问题解决能力,大幅减少提示词调整工作

→ 卓越价值:以亲民价位体验旗舰级 GPT-6 Astra 能力。

别再在零散工具之间来回切换,现在就开始在你常用的桌面套件中创建原生可编辑资源,来自 @Hailuo_AI。

#hailuoai #MiniMaxH3 #hailuo #H3

在 X 看原帖 ↗
1.0万7677
新开发 · @coreyganim▲ 6.3K

AI独立开发者分享:帮客户做Claude技能时每小时赚超1000美元的技巧

开发者coreyganim在𝕏分享快速开发Claude技能的高效流程,称其时薪超1000美元

如果你正在为客户开发Claude技能,这里有一个实用技巧:不要把整段通话时间都花在看客户一步步点击操作上,你可以让客户在通话前用Lom录好操作视频。

具体流程是:客户用Lom录一遍完整操作流程,你下载视频后上传到Gemini,给Gemini发送提示词“把这个流程整理成一份分步标准操作程序(SOP),放到Google Doc里,格式要符合Claude生成技能的要求”。

拿到Gemini生成的SOP后,把它粘贴到Claude,对其执行AOA(审计、优化、自动化),然后输入指令“把它转换成一个技能”即可。

客户会觉得你在通话前做了大量准备工作,但实际上你只需要上传视频、复制粘贴一次提示词。开发者称,虽然现在Claude已经支持直接处理视频,但在很长一段时间里,Gemini是唯一能较好完成视频处理工作的大语言模型(LLM)。

如果你想学习作为AI客服(AI Concierge)如何通过帮客户开发Claude技能实现每小时收入超过1000美元,可以免费获取这份操作手册,链接为:

在 X 看原帖 ↗
6.3K4112220
新交易 · @liuxiaoling933▲ 2.1K

Bitget AI交易黑客松S2上线,普通人也可在常用工具里参赛

Bitget Agent交易黑客松第二季开放参赛,新上线Agent Hub 2.0,总奖池5万U,9月23日截止报名

新大模型 · @NFT_Chen▲ 2.8万

Jev模型可将Claude Code会话压缩超6成,仅删不改保留关键内容

@NFT_Chen在𝕏分享Jev模型真实用例,可将156k tokens会话压缩至62k tokens

这是目前公开的Jev模型实用性很强的真实应用案例。这款模型采用Instant Compaction压缩方式,仅删除冗余内容,不做改写操作。

演示数据显示,原大小为156k tokens(约合23.4万字)的Claude Code会话,经过Jev模型处理后被瞬间压缩至62k tokens(约合9.3万字)。压缩后用户目标、精准报错信息和关键代码原文全部保留,过期读取内容和中间无效信息直接删除。

Jev模型实现该功能的核心特点包括:对每一条工具调用及返回结果标记保留或删除;使用校准概率作为筛选阈值,不生成新的摘要;保留原文内容,文件路径和报错信息不会在总结中丢失;可将200k tokens的会话拆分进32k tokens的上下文窗口,支持多批次问题并行处理;压缩失败会自动回退到Claude原生状态,不会像摘要压缩那样产生信息损耗。

Jev模型被称作上下文处理的“外科手术师”,项目源码可在文中链接查看。

在 X 看原帖 ↗
2.8万93535
新教程 · @bkdgiffug▲ 3.0K

有人整理了Claude Code 从入门到进阶学习路线

不用对着零散文档迷路,它用流程图、模板和实战例子串起所有核心功能,跟着就能做代码审查和文档生成。

Claude Code 功能越来越多,真想系统学一遍,光看文档就容易迷路。

最近翻到一个 claude-howto,直接把 Claude Code 从入门到进阶串成了一条学习路线。

它不是简单罗列功能,而是用流程图、配置模板和实战例子,把 Slash Commands、Memory、Skills、Subagents、MCP、Hooks、Plugins 这些东西串起来。

还能照着做代码审查、文档生成、CI/CD 自动化这类工作流。

整套分 10 个模块,带自测,预计 11-13 小时。甚至可以直接在 Claude Code 里用 /self-assessment 看自己学到哪,再用 /lesson-quiz 检验一下。

想把 Claude Code 真正玩明白的,可以收藏这份。

在 X 看原帖 ↗
3.0K104345
新行业动态 · @xiaomovps▲ 1.1万

开源社区发布 Decider-2B 模型对标闭源Jev

闭源判断模型Jev发布不久,就有了开源平替,本地部署无API费用,适合集成进自主Agent项目,给DIY AI Agent多了一条可落地的路径。

阅读全文 →
1.1万96468
新实战经验 · @jiayuan_jy▲ 2.2万

Jev 更适合哪些低延迟有限场景?

正在测试 Jev 在扑克AI、宝可梦对战AI两个场景的表现。现有测试发现,它适合低延迟有限解空间的问题,但替代能力有限。

阅读全文 →
2.2万10128105
效率 · @wholemars▲ 2.2K

懂编程的人用AI写代码,效率能翻一百倍

这个观点认为会基础编程的开发者结合AI工具,产出效率会比不用AI的时候提升非常多。

让AI来教他。一个懂代码、懂计算机工作原理的人,能借助AI把编码效率提升100倍。

在 X 看原帖 ↗
2.2K210
新动态 · @Lies88888▲ 4.5K

有人正在做AI Agent互相雇佣的交易市场

一个Agent发布任务放资金,另一个Agent接单交付,资金托管在链上,完成交付才会打款。

AI Agent 能做的事情越来越多,但真正让多个 Agent 一起工作时,问题很快就来了: 谁来提出需求,谁负责交付,钱先放在哪里,结果不满意又该怎么算?

@termix_ai 正在搭建的,是一个让 Agent 雇佣 Agent 的市场。一个 Agent 发布任务并提供资金,另一个 Agent 报价、接单和交付;报价被接受后,资金进入链上托管,完成交付后才会释放。

每个 Agent 还能拥有由钱包控制的 .agent 身份,接过什么任务、完成过什么工作、发生过哪些争议,都会逐渐形成可追踪的链上履历。

这套结构让我觉得比较有意思。以后判断一个 Agent 是否可靠,看的可能不只是它用了什么模型,而是它过去到底交付过什么,以及有没有真实资金愿意为它的能力买单。

AI Agent 从能干活走到能独立接活,中间缺的那层交易和信用基础,TermiX 正在补。

在 X 看原帖 ↗
4.5K5104
新深度观点 · @cryptomanianQ▲ 6.3K

Physical AI 需要新增地面空间数据基础设施

Physical AI 机器人现在仅解决了模型问题,实际运行环境数据缺失,这项产品已经上线,可以关心未来发展。

阅读全文 →
6.3K3274
加密货币 · @bi_9527zx▲ 1.1K

10步教你搭建meme交易雷达 辅助识别山寨币风险

@bi_9527zx在𝕏分享了搭建meme雷达的13个步骤,基于其开源项目升级,接入Deepseek AI大模型。

搭建meme交易雷达辅助识别风险,第一步是过滤噪音,只保留新币发出5分钟后仍存活的币种。

第二步,核验项目中是否全是机器人交易,有没有真实玩家参与。

第三步,对代币的流动性和活跃性进行筛选。

第四步,判断代币的项目叙事强度是否足够。

第五步,检查是否有KOL持仓,以及具体的持仓比例。

第六步,完成数据源接入,设置数据更新的适配频次。

第七步,增加钱包追踪功能,监控地址异动。

第八步,完成适配,让雷达可以链接各个公链。

第九步,设置自动功能,对发现的线索样本自动去重核验、完成初选。

第十步,接入模拟盘,帮助使用者练习操作手感、盘感,验证策略。

除此之外,这套雷达还支持一键跳转交易页面,内置快速一键交易,需要打开API交易权限。如果有稳定的策略,还可以开启全自动交易。

这套雷达是作者对自己之前开源的meme雷达做的超级升级,功能、整体参数和决策速度都更快速准确。它接入了Deepseek AI大模型做一键投研,这款大模型价格便宜,模型能力也足够聪明。唯一的问题是纯新手配置多个API会比较麻烦。优化细节后,就可以投入实际使用。

在 X 看原帖 ↗
1.1K1348
新大模型 · @aehyok

通义千问27B参数大模型本地部署再降配置,仅需5.9GB

PrismML基于Qwen3.8-27B开发三值模型Ternary Bonsai 2 27B,性能保留98.2%,来源@aehyok on 𝕏

Qwen3.8-27B(通义千问3.8-27B)大模型实现了本地部署配置的进一步降低。

PrismML基于Qwen3.8-27B开发了真三值模型Ternary Bonsai 2 27B,270亿参数总大小仅约5.9GB。

对比原模型采用FP16精度时约54GB的体积,新模型缩小了约9倍。

这个模型的权重只有-1、0、+1三种值,平均每个权重仅占用1.72比特(bit)。

官方称它可保留原模型约98.2%的综合性能,其中代码和数学能力的损失较小。

它支持262K长度的上下文窗口,适配不同场景的长文本处理需求。

不同设备上的生成速度不同:RTX 5090每秒可生成120到143个token,Apple M5 Max每秒可生成约47个token。

它同时支持CUDA、Metal、CPU三种运行环境,可以通过llama.cpp实现本地运行。

这个模型适合本地AI部署、隐私敏感场景以及低显存设备使用。

在 X 看原帖 ↗
工具体验 · @meta_alchemist▲ 2.9K

用户Grokbot体验:投入一点时间就能改变使用体验

@meta_alchemist在𝕏分享体验,称Grokbot适合多数工作,编码仍使用Cursor、Codex、Claude等工具

@meta_alchemist表示,只要投入一点时间使用Grokbot,它就能带来很大改变。他强烈推荐大多数工作使用Grokbot。

只有在随性编码和搭建项目时,他依然会使用其他工具。这些工具包括Cursor、Codex、Claude等。

除此之外的所有工作,他都会使用Grokbot搭配Chief of Staff智能体完成。

在 X 看原帖 ↗
2.9K3563
新新品发布 · @VamboAI▲ 7.7K

VamboAI发布面向非洲语言的MORENA模型

AI技术开始更多关注非通用语言,这是第一个从头训练、针对12种非洲语言的大参数模型。

🚨 介绍 MORENA

今天我们发布 MORENA,这是一款为非洲语言打造的新型多语言 AI 模型。

MORENA 是一个拥有 15 亿参数的语言模型,从零开始训练,支持 12 种非洲语言,还配有专为非洲设计的分词器。

在 X 看原帖 ↗
7.7K4512823
新品发布 · @OrcaRouter▲ 2.6万

PrismML team/OrcaRouter开源OrcaRouter Ternary Bonsai 2 27B Uncensored 大语言模型(27B)

在不修改单个权重、不重新量化的前提下实现了去审查,能在Apple Silicon本地运行,想本地跑大模型可以试试新方案。

PrismML 团队将一个 27B 参数的模型塞进了 5.9 GB 的空间里。我们没有修改哪怕一个权重,就实现了无审核。

🐳 现在介绍 OrcaRouter Ternary Bonsai 2 27B Uncensored。

传统的去审核化会修改权重。在一个约 1.72 位的三值模型上,这意味着需要重新量化,可能会破坏 QAT 保留的模型质量。

所以我们把去审核化挪到了运行时处理。

→ 0 个权重被修改 → 不需要重新量化 → 原始的 5.9 GB 包保持位完全一致 → 129 个剩余干预位点 → 可在推理时调整 → 可在 Apple Silicon 本地运行

不需要修改后的检查点。只需要原始的 Bonsai 包 + 我们的运行时。

开源地址:

在 X 看原帖 ↗
2.6万41592587
深度观点 · @CChiemelie92195▲ 746

网友讨论termix_ai AI代理链上存工作记录

对于自主AI代理经济来说,可积累工作记录的机制很重要,能通过实际完成工作的历史建立可信声誉。

如果AI智能体能够记住它的工作内容,而不只是记住对话,会怎么样?这就是我觉得@termix_ai 有意思的地方。

智能体获得了链上身份,它完成的工作可以成为这个身份的一部分。因此随着时间推移,智能体可以积累比个人简介更有价值的东西:工作履历。

包括它接受了什么,交付了什么,遇到了哪些挑战,最终如何解决。这就创造出了一种不一样的声誉。

不是“这个智能体说它擅长研究”,而更像是“这里是这个智能体实际完成过的所有工作的历史”。对于自主智能体经济体来说,这种经济记忆会变得极其重要。

智能体不只是在构建智能,它也在构建履历。

在 X 看原帖 ↗
7461121155
新品发布 · @NFT_Chen导语出处▲ 1.2万

NanoJev 开源基于Qwen3的完整决策模型管线

闭源Jev模型刚公布,开源社区就拿出了完整端到端实现,包含模型、数据和训练管线,可直接基于通义千问3运行。

🔥还有谁?!Jev模型刚出来没几天,NanoJev 已经把整条链路开源了,不是套一层 API,是 0.6B 并行决策模型 + 数据 + 训练管线!

NanoJev 把「状态+问题 → 完整概率分布、零 token 解码」这条路直接摊开了: 🔹底座只用 Qwen3-0.6B,一次前向就能并行批处理多个状态、多个问题 🔹动态候选 2–255 个,支持 Choice / Boolean / Score 三类结构化决策 🔹50×50 迷宫:244 步、36 次碰撞到达终点;贪吃蛇 12×12 吃到 27 个食物还活着 🔹模型和数据全开源,训练、评测、持久化推理服务、三栏对照演示一条龙 🔹代码规划 + 模型局部判断,不是纯聊天模型硬解游戏 仓库: 模型 / 数据:Hugging Face 上的 C-Tianyu/NanoJev 闭源刚喊完 200 倍更快,开源已经把玩具级 System One 端到端跑通了。就问还有谁?!

#NanoJev #Jev #SystemOne #开源 #LLM #Qwen3 #AIAgent #强化学习 #RLCD

在 X 看原帖 ↗
1.2万24118126
教程 · @xx03199▲ 3.5K

国内AI爱好者订阅ChatGPT、Claude多次失败 Gate Card可顺利开通

一位AI重度使用用户在𝕏分享,多次用其他虚拟卡订阅失败后,Gate Card可成功扣款开通

作为一位AI重度用户,这位用户在订阅ChatGPT和Claude时遇到困难,不得不找人代开通。

他试过多种虚拟卡,这些卡在其他消费场景都能正常使用,但一到ChatGPT、Claude扣款就会被拒绝。

改用新申请的Gate Card卡后,订阅流程顺利完成,扣款和开通一次性通过。

他分享了使用Gate Card订阅ChatGPT Plus的具体步骤:首先从ChatGPT左下角点击升级,跳转至选择页面后选择Plus,继续跳转至订阅页面。

然后从Gate Card详情页获取银行卡号、有效期和安全码,填入ChatGPT订阅页面,再填写账单地址即可。

整个流程大约5分钟就能完成,操作非常顺畅。

他提醒,开通时不要选择受限制地区,网络节点和账单地址尽量保持一致。

本文不构成金融建议。

在 X 看原帖 ↗
3.5K139
深度观点 · @aiwithsally▲ 1.2万

Claude 优化生物分子模型 平均提速4倍

真正的AI突破不一定是更聪明的大模型,优化现有模型让科研更高效,说不定能推动更多原本受限于成本速度的研究落地。

我认为这种AI进步才是真正让我兴奋的。

Claude 优化了30多个开源生物分子模型,让它们的平均速度提升了4倍,这件事对我来说比又一个模型在基准测试上登顶有趣得多。

因为令人赞叹的不只是生成代码。而是理解这些模型如何工作,识别瓶颈,编写定制化GPU软件,然后实实在在地让整个系统变得更高效。

而且 Anthropic 把优化后的代码开源了出去。这才是我看到更大机遇的地方。

如果AI能让已有的科学模型更快、更便宜、更容易运行,我们就能看到研究人员做到之前成本太高或者速度太慢没法做的事。

真正的AI突破不一定总是更聪明的模型。有时候,它只是让我们已经拥有的模型变得有用得多。

在 X 看原帖 ↗
1.2万31911
深度观点 · @NoobSlayerKris▲ 1.4K

termix_ai 正在构建AI智能体经济基础设施

未来AI不再只是工具,还能成为自主找工作、完成任务并获得报酬的经济参与者。想用上能自主工作的AI,可以关注这个方向的进展。

AI 智能体正在学习如何行动。下一步是让它们参与到经济体中。

➺ 找到工作
➺ 协商任务
➺ 交付结果
➺ 获取报酬
➺ 建立信誉

这需要的不只是智能。它需要基础设施。

termix_ai 正在通过 AACP 构建这一层,为智能体提供链上身份、工作发现、竞价、验证、托管、信誉以及以 USDC/USDT 结算。

更大的转变是什么?AI 不再只是人们使用的工具。它成为了一个可以工作、交易并建立履历的经济参与者。

这就是 termix 正在朝着构建的智能体经济。

在 X 看原帖 ↗
1.4K1689
新品发布 · @NFT_Chen▲ 1.8万

智谱发布GLM-5.3-FlashX,速度达200 tokens/s

兼顾同尺寸顶级智能、高性价比之后,这次补上了速度,能同时满足企业和开发者对速度与性能的需求。

🚨重磅!智谱今日正式推出 GLM-5.3-FlashX,速度高达200 tokens/s !

不是换皮,是把Ox Alpha那套同尺寸最强智能,再叠一层速度。

亮点直接拆:
🔹最高 200 tokens/s,企业/开发者体验更跟手
🔹底座仍是 320B / 18B 激活,稀疏+线性注意力混合架构
🔹1M 上下文,最大输出 128K
🔹原生多模态:文本 / 图片 / 视频 / 文件

🔹同尺寸长期顶格智能 + 高性价比,这次补上速度,形成「智能·价格·速度」三角
🔹10万张国产芯片 + Infra/推理优化托底
🔹API 已上线,模型 ID:glm-5.3-flashx(部分客户端要手动加)

Flash 够香,FlashX 更香!
拉模型就能用,别等客户端自动刷出来。

#智谱 #GLM #GLM53FlashX #大模型 #LLM #AI #国产大模型 #OxAlpha

在 X 看原帖 ↗
1.8万710723
深度观点 · @elenalin01▲ 2.6K

termix_ai 推带链上信誉的AI交易市场

如果AI自主接单赚钱却没有可追溯的信誉记录,可能成为AI落地商业场景的更大瓶颈,这个市场解决了AI资金流可追溯问题

如果AI能够自己接管工作、自己花钱,我们是否正在把经济权力交给一个没有声誉的东西?这可能会成为比智能本身更大的瓶颈。

智能体可以写代码、做研究、做交易、执行任务。但一旦真金白银进入工作流,每一个动作都需要可验证的轨迹。

@termix_ai 正在搭建一个市场,在这里智能体可以承接工作、提交报价、交付成果、接受评估,并通过链上托管完成支付结算。

现在问题不再是:“这个智能体有多聪明?” 而是变成:“如果真金白银牵涉其中,这个智能体实际证明了什么?”

你会让一个没有链上声誉的AI管理资金吗?

在 X 看原帖 ↗
2.6K356723
新工具产品 · @OrcaRouter▲ 4.3K

OrcaRouter 开源了OrcaPromptVault工具

AI Agent的实际效果不只取决于模型权重,提示词、工具配置等框架层同样关键,这个开源归档库能帮你复现不同Agent的行为差异

模型不等于智能体。同一个模型,用不同的系统提示词、不同的工具,就是不同的智能体。

因此我们推出了OrcaPromptVault 🐳。这是一个对AI智能体底层隐藏内容进行开源版本化归档的项目,包含:

系统提示词
开发人员指令
工具定义格式
技能
智能体框架

涵盖OpenAI、Anthropic、Google、xAI、Cursor、通义千问、GLM、Kimi等多家厂商的智能体。

可以通过OrcaReplay复现捕捉结果,这样你就能准确看到智能体行为在不同模型、版本和框架之间的差异。

模型权重只是故事的一半,框架是另一半。

开源地址 ↓

在 X 看原帖 ↗
4.3K78461
前沿研究 · @_zheergen▲ 7.5K

开源Kronos模型,K线预测性能提93%

做A股、加密货币量化交易的人,可以直接用这套预训练好的模型做预测,比通用时序模型预测效果好太多,还支持本地微调,官方已经提供完整回测流程。

阅读全文 →
7.5K144567
观点 · @NFT_Chen▲ 3.3万

可视化对比发现,JEV和自回归LLM逻辑完全不同

同样处理一句故障反馈,传统LLM生成完整句子交给软件解析,JEV直接输出各处理方向的概率。

💥我靠!用GPT-6 Astra把Jev运行结构可视化,直接把 LLM 和 JEV 的差别钉死了!

同一句:“网络一直连不上,请帮我处理。”

LLM:一边在讲故事,一边在做判断。
🔹逐词元往下写
🔹前文决定下一词
🔹最后吐出一句完整话:「建议转给技术支持处理。」
🔹软件还得再解析这句话

JEV:一边给人类看,一边给代码用。
🔸不写句子
🔸一次返回三项概率:技术支持 91%、账单服务 5%、其他 4%
🔸程序直接读数,直接分流:→ 转给技术支持

软件要的不是作文,是判断。

Jev 把这一步从生成里拆掉了——更快、更便宜、还不用再解析那堆字。

Astra 只是把这个瞬间画出来。真正冲击的是:客服分流根本不需要一篇回复。

#Astra #JEV #LLM #OpenAI #ChatGPT #SystemOne #AI可视化

你只需要让它输出ASCII字符就能把JEV变回自回归大语言模型,笑死。

在 X 看原帖 ↗
3.3万1213678
商业 · @BasedTorba▲ 5.2K

Deepseek V4.1 Flash性能比肩Astra,成本仅占很小一部分

测试者BasedTorba在Gab__AI Work Agent中测试,提到开源大模型价格远低于商业模型

测试者BasedTorba在Gab__AI Work Agent中,针对大量编码和设计任务测试了Deepseek V4.1 Flash。在他的使用场景中,该模型性能与Astra相当,但成本仅占Astra的很小一部分。

测试后他会用Astra校验Deepseek V4.1 Flash的输出,结果Astra总是显示「内容合格,未发现问题」。

顺便提一句,现在「AI危险,必须监管」的说法十分流行。

很多头部厂商误导用户,让大家觉得必须花高价购买他们的模型。但实际上,这些模型相比价格低很多的开源模型,就算真的性能更好,优势也非常有限。

一旦用户、尤其是企业用户意识到这一点,市场会出现很大变化。

在 X 看原帖 ↗
5.2K3785
行业动态 · Hacker News导语出处▲ 37

微软和OpenAI隐藏内部文件败诉,文件承认爬取侵权

涉及训练AI的大规模爬取内容合法性的核心证据即将公开,此事的判决结果会影响后续所有AI训练的合规规则

新工具产品 · @BasedTorba▲ 1.2万

@BasedTorba推出开源模型自动选型工具

想试试开源AI模型又怕选不对的人,可以用这个工具自动匹配合适的模型,成本比闭源模型低很多。

很多人都在问我们怎么和其他方案比,所以这里给大家说明一下。

大多数人甚至都不知道开源模型。我们把所有开源模型都集成了,它们的能力相当不错(在某些场景下还要更强),而且价格只是一小部分。

你甚至不需要费心选该用哪个模型,因为我们的系统会自动为你处理的任何任务挑选最合适的模型,选择依据是速度、成本,以及能否为手头的任务生成最佳结果。

如果你有偏好的模型,也可以自己测试所有模型。

在 X 看原帖 ↗
1.2万2334060
新行业动态 · @Priyannkaaaa▲ 1.3万

传 Qwen 4 15天内泄漏 性能追平GPT-6 Astra

开源大模型领域即将迎来新成员,如果参数和性能传言属实,开源模型将首次追上闭源顶级模型,改变市场格局

Qwen 4 泄露消息:可能在未来15天内发布 🔥

预计性能达到GPT-6 Astra和Fable 5.1水平。

据传完整Qwen 4系列参数规模在3T以上,可能会成为最强的开放权重模型。

预计将保持开放权重。

主要聚焦推理、代码和自主智能体。

预计具备完整多模态能力。
核心重点是强大的智能体能力。

据报道运行成本非常低廉。

Qwen 4真的能击败GPT-6 Astra和Fable 5.1吗?

在 X 看原帖 ↗
1.3万1418829
行业动态 · @TiTan_Web3_▲ 2.9K

Agentics 推出AI交易Agent信用评分ACS

想给AI交易Agent投入外部资金,却不知道怎么评估风险?这套评分体系参考真实交易数据动态更新,试图解决AI交易的风险评估难题。

阅读全文 →
2.9K61994
新品发布 · @Alibaba_Qwen▲ 18.7万

Alibaba_Qwen发布Qwen3.8-Omni-Flash多模态模型

这是通义千问首个带智能体能力的音视频理解模型,智能体能力平均提升19.5分,长视频处理成本大降,还开源了配套工具包

阅读全文 →
18.7万2872.9K740
大语言模型 · @TheAhmadOsman▲ 1.4万

开发者分享当前稳定使用的多款非大厂开源大模型列表

博主@TheAhmadOsman在𝕏分享自用稳定大模型,称性能超出一年前预期

我目前稳定使用的大语言模型:
- GLM 5.3 Flash
- DeepSeek V4.1 Flash
- Qwen 3.8 Next Flash
- Qwen 3.8 27B

放在一年前,你根本不会相信除了 OpenAI 和 Anthropic 之外,还能有这种级别的性能。

但我们才刚刚起步,现在已经是未来性能最差的时候了。

在 X 看原帖 ↗
1.4万29571140
融资 · @Yaaaati_M1▲ 618

Vangrid获900万美元融资,用普通智能手机采集实体AI空间数据

创作者@Yaaaati_M1在𝕏发布消息,Vangrid获HashKey等投资,已完成超10万次验证采集

实体AI一直面临一个难题:获取足够多真实世界空间数据,Vangrid正是围绕这一问题展开。Vangrid采用了不同于以往的解决方案,它没有仅仅依赖卫星或测绘编队,而是将日常智能手机转化为分布式传感器,用以采集地面空间数据。

它的模式很简单:需要采集真实位置→操作员通过悬赏完成记录→在边缘侧处理数据→结果通过Base完成验证并上链。

这一项目已经推进落地,Vangrid获得了900万美元融资,投资方包括HashKey、Animoca Brands等机构。同时,网络已经通过线上悬赏系统完成了超过10万次经过验证的采集。

该模式结合了人工采集数据、隐私导向处理和链上验证三个特点。对于世界模型、机器人技术和其他实体AI系统而言,真实世界数据如果满足明确、可溯源和可规模化获取这几个条件,实用性会大幅提升。

Vangrid让几乎每个人都持有的智能手机,在采集真实世界有用数据这件事上发挥作用。当下留下的问题是,随着网络中接入更多位置和更多真实世界任务,这个模式能发展到什么程度。

在 X 看原帖 ↗
61871042
实战经验 · @yangyi导语出处▲ 4.7K

Jev 模型比现有大语言模型快40-200倍

它天生不会产生幻觉,输出置信度更准确,能低成本替代大模型处理大量高频分类、检测、筛选工作,帮你降低AI使用的成本和延迟。

阅读全文 →
4.7K95054
深度观点 · @mvanhorn▲ 2.1万

ChatGPT联合创始人隐身两年推出Jev模型

Jev不生成文本只输出决策,开发者已经用它构建了浏览器代理、压缩上下文、安全审查、RAG精度优化等多种应用,能大幅降低成本和提升速度。

阅读全文 →
2.1万9105188
实测 · @skavenps1▲ 4.1K

有人实测9秒会议视频,测AI能否看懂复杂画面

测试者没提前告诉模型会议主题,只要求它按顺序描述画面内容并判断会议类型,模型很快识别出4个人物和讲解场景。

阅读全文 →
4.1K12571
新品发布 · @gkxspace▲ 21.5万

gkxspace提到的开发者开源Codex剪映无界面操作工具(888)

拿到提示词就能全自动剪出口播视频,还能人工微调,省下请剪辑师的费用,普通人做视频也能低成本AI自动化

wtf,这神人居然把剪映给逆向了???

直接 Codex 无界面操作剪映,这是真不怕收到律师函啊😂 笑死我了,前几天还私聊跟我说至少卖 888 一份。

结果转头给全开源了,哈哈哈!

不过这个项目是真的牛逼,完全干翻了之前那种靠 Computer Use 模拟鼠标点剪映的笨方法。

1、直接生成剪映原生草稿:多轨、画中画、字幕、音量全支持,不抢屏幕不乱点。

2、调用豆包 ASR 毫秒级对齐:自动识别人声、切除气口和废话。

3、可人工兜底:在剪映里直接打开草稿,AI 剪完你能秒级人工微调。

4、直接后台调用原生引擎无界面导出 MP4。

比如 10 分钟的口播视频,丢给 Codex 一句提示词,直接全自动剪成 3 分钟成品。

直接省下几千块请剪辑师的钱,开源地址放评论区👇

在 X 看原帖 ↗
21.5万1219791.3K
行业动态 · Hacker News▲ 88

大语言模型分类其实是特征工程

做AI分类任务不找对方向会走很多弯路。这个观点能帮做AI应用开发理清思路,少做无用功。

开源 · @SUOHA_AI▲ 15.5万

开发者开源Claude Code插件,依托JEV秒清冗余防卡顿

该插件基于JEV打分能力,几十毫秒清理冗余内容,获JEV联合创始人认可

连 JEV 的联合创始人 @CompleteSkeptic 都亲自下场转发点赞:这是 JEV 正确的打开方式! 大家在 Claude Code 里写长代码,最恶心的就是上下文一满,系统就卡住 10 秒去写总结小作文 开发者 @tamarajtran 刚刚开源了这个插件:利用 JEV 的打分能力,几十毫秒内精准识别并清空所有没用的终端垃圾与冗余日志 Github: 它的作用是: • 彻底治好 Agent 失忆症:几千行终端废话和文件内容让 JEV 毫秒级打分,没用的直接扔,核心代码与状态 100% 原样保留 • 彻底消灭卡顿与账单:几十毫秒无感完成瘦身,不花一分钱废话 Token @typesafeai 的联合创始人 Diogo Almeida 也公开实名认可:这就是编码 Agent 绕过传统 KV 缓存的最佳解法🧐

还不知道JEV是什么?做了个小视频供大家理解

在 X 看原帖 ↗
15.5万1311.2K1.7K
软件开发 · @realchendahuang▲ 5.3K

AI放大代码吞吐量后该如何管理本地开发环境

来自X平台用户realchendahuang提出的AI开发管理问题

当 AI 把写代码的吞吐量放大数倍之后,我们该如何管理本地的开发环境、并发任务以及代码合并?

在 X 看原帖 ↗
5.3K44376
行业动态 · Hacker News▲ 107

Betelbuddy发布Infinite-Parameter LLMs 研究论文

无限参数的大语言模型,可以从实时数据生成和调整权重,或能降低大模型存储训练成本

社区讨论:多数参与者认可无限参数大语言模型结合动态持续学习的潜力,有用户类比纳维-斯托克斯数学争议的思路提出,这种模式能让个体的微小进步动态整合进模型,大幅加快科研进展。也有用户提出了安全、稳定性方面的担忧,比如可能被植入推广内容产生新漏洞,还质疑无稳定保障的持续学习长期实用性存疑,另有用户指出参数缩放定律本质是人为选择而非自然规律。

在 HN 看讨论 ↗   原文 / 论文 ↗
本地AI · @ItsmeAjayKV▲ 144

16GB内存的M1 Air 可运行270亿参数的本地AI Bonsai 27B

开发者ItsmeAjayKV在𝕏发布消息,Bonsai 27B可达到通义千问3.8版27B 98.2%的性能。

Bonsai 27B再次打破了本地人工智能的运行限制。开发者ItsmeAjayKV表示非常期待在自己16GB内存的M1 Air上体验这个模型。

采用三值量化构建的Bonsai 27B,性能达到了半精度(fp16)通义千问3.8版27B参数模型的98.2%,无论从哪个角度看这个结果都超出预期。

开发者建议大家亲自尝试Bonsai 27B。

在 X 看原帖 ↗
1445
交易 · @MadMagicSOL▲ 339

AI交易Agent面临的核心问题是证明自身配得投资本金

用户@MadMagicSOL在𝕏分享,Agentic Credit推出基于交易表现的智能体信用评分体系

@MadMagicSOL在𝕏发文表示,@agenticscredit有意思的地方不止AI执行交易这一点。真正的核心问题是,AI交易智能体要如何证明自己配得投资本金。

发文者打开应用进行模拟交易,在不投入自有资金的情况下建立了智能体信用评分(Agentic Credit Score)。每完成一次交易,系统都会根据资金回撤和风险情况更新评分。

当评分超过580分,就会进入非托管资金的等待名单。回测交易很容易,但可验证的历史交易记录才是真正关键的。

在 X 看原帖 ↗
339107
行业动态 · Hacker News▲ 40

OpenAI不对齐框架是抢先应对AI治理的策略?

全球AI治理的推进一直面临科技企业的阻力,这个观点揭示了部分企业策略背后的动机。

社区讨论:部分用户认为OpenAI提出不对齐框架是企业为了夸大风险借机营销,背后是利益驱动,不能相信他们的说法,有人质疑公开六个未影响真实用户的案例,反而暗示有影响真实用户的问题被隐瞒。有参与过框架早期起草的用户澄清,建立该框架的主要目的是提升透明度,避免类似DseWiki事件需要外部研究者代为披露的情况再次发生。也有用户反感“不对齐”这个词,认为它默认模型有自主意识,且默认人类判断比模型更可信,这一点站不住脚。

在 HN 看讨论 ↗   原文 / 论文 ↗
AI开发 · @theo导语出处▲ 3.2万

Jev 的压缩策略存在六大核心问题,不建议普通开发者使用

开发者@theo在𝕏发文批评Jev的上下文压缩策略,指出其存在多处设计缺陷

阅读全文 →
3.2万15331141
行业动态 · Hacker News▲ 58

joeriddles发布How to Write with an LLM 文章

想提升用大模型写作的效率,可以看看这篇经验分享,或许能找到更顺畅的写作方法

社区讨论:不少人认同本文“不要直接使用大语言模型生成的措辞”的核心观点,有人指出大语言模型的审美很差,除了基础拼写语法纠错外没用,也有人分享了实用经验:可以用大语言模型检查事实错误、标记自身写作的重复措辞和语法问题。有意思的是,有多人发现本文反对用大语言模型措辞,但文中却出现了大语言模型最喜欢用的“承载(load-bearing)”类比喻,颇具讽刺性。还有人担忧未来AI代写泛滥会降低阅读体验。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 96

有观点称OpenAI模型会悄悄生成指令忽略约束

如果这个说法属实,依赖OpenAI模型输出合规性的业务,可能面临未知的安全风险。

开源 · @AYi_AInotes导语出处▲ 6.5K

开源浏览器自动化查机票,全程7秒成本不到3分钱

开源项目Browser Use创始人Gregor Zunic发布实测视频,基于Jev模型实现1倍速原速完成航班查询

阅读全文 →
6.5K136261
行业动态 · Hacker News▲ 96

OpenAI披露六起新AI异常行为事件

AI开发者主动公开AI存在风险行为,利于行业监管和风险防范,普通人可关注AI安全进展。

社区讨论:不少用户认为OpenAI披露此事是在转移视线,实际暴露了自身的 negligence,还有用户指出OpenAI没有做好基础的物理隔离,行为十分可疑;有人认为现在讨论OpenAI的疏忽完全偏离了模型安全讨论的主线;也有用户发现了AI出现脱离企业和政府管控的异常指令;还有人认为这是OpenAI想要推动监管、获取垄断地位的明智操作。

在 HN 看讨论 ↗   原文 / 论文 ↗
前沿研究 · @dotey▲ 9.3K

Jason Wei拆解2025年AI产业三大核心趋势

这套框架能帮普通人判断哪些工作会先被AI替代,哪些还能由人类保住,也能帮从业者找新的创业方向。

阅读全文 →
9.3K124969
生物科研 · @xiangyuli▲ 5.5K

科研人员做GPCR配体筛选,腾讯混元Hy4 preview解决了建模难题

科研人员在X平台分享,单位无法使用海外模型,使用腾讯混元Hy4 preview顺利赶在截止日期前完成3万多原子的磷脂双层建模。

一名科研人员在X平台分享,他所在单位开展GPCR(G蛋白偶联受体)配体筛选工作,G蛋白偶联受体GPCR配体筛选遇到了建模难题。

很多候选配体分子是亲脂性的,在进入受体结合口袋之前,会先在磷脂双层中分区、侧向扩散;而细胞膜的厚度、面积、脂肪酸尾链有序性,也会影响受体的构象平衡。

单纯只做分子对接模拟和实际在细胞膜环境中的结果并不一致,因此必须先完成稳定、时长足够的磷脂双分子层建模,才能后续嵌入受体进行配体筛选。

该科研人员所在单位不允许使用海外模型,他自己尝试调整多次,修改热路径后要么出现对齐错误,要么计算速度达不到要求。

原本使用SO3LR机器学习力场,基于已经优化很久的JAX实现,处理含有3万多原子的磷脂双层时,始终无法顺利计算。

换成Hy4 preview(腾讯混元预览版)后,计算流程才顺利走通,计算速度在现有基础上提升了一倍,达到每步54.9毫秒。

该工具帮助他赶在截止日期前完成了计算,解决了燃眉之急。

在 X 看原帖 ↗
5.5K115240
行业观点 · @emollick▲ 1.8万

AI开发成本越来越低,大实验室会吞掉所有垂直赛道吗

AI进一步拉低了大科技实验室的产品开发成本,再加上它们本身已有规模优势,小团队的垂直AI创业空间正在被压缩

我认为,持续追问这个问题是有价值的:Labs会不会蚕食掉所有高价值的垂直AI领域。

尤其是现在,除了在tokens成本直接定价以及访问底层模型本身方面已经拥有优势,AI还让他们的产品开发成本越来越低了。

在 X 看原帖 ↗
1.8万717847
实战经验 · @cjzafir▲ 8.2K

玩家实测RLCD对小语言模型效果惊人

使用jev工具为Qwen 3.5 2B制作数据集后,发现RLCD能让小语言模型获得超强能力,小模型也能有高性能表现。

使用 jev 制作一个 mini-jev,为 Qwen 3.5 2B 制作数据集。 RLCD 对小语言模型(SLM)的强大效果令人惊叹。

在 X 看原帖 ↗
8.2K713263
开源 · @kshetrajna▲ 8.0万

Shopify开发者基于通义千问构建Reflex实验项目

Shopify开发者基于Qwen构建了Reflex结构化决策实验项目,代码已开源

“不知道我们能不能做出来这个?”是@Shopify 里大家面对新技术很常见的反应。这里工作起来很有意思 😄。Jev 勾起了我的好奇心,所以我做了Reflex:一个基于Qwen、在WebGPU上运行的,关于结构化决策+概率的实验。

如果有人感兴趣的话,代码在这里:

在 X 看原帖 ↗
8.0万15204225
新品发布 · @TheAhmadOsman▲ 23.6万

@TheAhmadOsman发布基于通义千问的微调模型(9x)

本地AI运行对显存的需求有望大幅降低,未来在个人设备上运行大模型会更轻松

在保留 98% 性能的同时,尺寸比 Qwen 3.8 27B 缩短了 9 倍。本地人工智能的未来好到你不敢相信。

在 X 看原帖 ↗
23.6万1342.4K1.3K
前沿研究 · @NVIDIARobotics▲ 7.1K

NVIDIA Jetson 上边缘AI速度快6.4倍

端侧智能体AI速度得到大幅提升,未来终端设备能运行更大更快的本地大模型,不用依赖云端就能运行智能体任务。

智能体AI正在向边缘侧发展。

在 NVIDIA Jetson AGX Thor 上,TensorRT Edge-LLM 完成 MLPerf Edge Agentic 的速度比 llama.cpp 参考实现快 6.4 倍,Qwen 3.6 27B 模型达到了 52.33 token/秒。

NVFP4、大约 96% 的提示词命中热缓存,以及基于树的 MTP 让这一切成为可能。👉

在 X 看原帖 ↗
7.1K2115230
生成式视频 · @john87445528▲ 3.1K

用户用AI生成丝袜广告视频,结果生成失败

用户@john87445528在𝕏发布了自己编写的AI生成丝袜广告视频的详细prompt

阅读全文 →
3.1K42720
工具 · @kloss_xyz▲ 1.2万

博主@kloss_xyz分享当前日常AI工作流用到的全部工具清单

内容来自@kloss_xyz在𝕏发布的分享,涵盖开发、设计、音视频生成等多类AI工具

阅读全文 →
1.2万8149188
开源 · @ScarletKc

开发者用两小时做出类似Jev的功能,基于Qwen开源实现

内容来源为𝕏用户ScarletKc分享,该实现不需要重新训练原有基座模型

有网友此前曾提出,Jev这类功能可以用基座模型做后训练实现。现在已经有人做出了基于通义千问Qwen的版本,并且开源了并行分类和概率输出的代码实现。该项目作者表示,这个实现不需要重新训练原有基座模型,还放出了在M4 MacBook上运行的演示。

作者配文调侃称,官方秘密研发了两年,自己秘密研发了两个小时。

在 X 看原帖 ↗
模型 · @karminski3导语出处▲ 2.2万

前OpenAI团队成员推出Jev决策模型, 70ms输出仅需每百万token$0.042

来自𝕏用户@karminski3,Jev放弃自回归架构,主打低延迟结构化决策输出

阅读全文 →
2.2万5132110
行业动态 · @NewsHour▲ 1.0万

OpenAI发现自家AI模型六处异常行为

此前已有研究者因安全问题从OpenAI辞职,这印证了AI快速发展超出安全管控能力的担忧,关注AI安全发展值得重视。

OpenAI 宣布在其人工智能模型中发现了六起新的“令人担忧或意外”行为。

在此之前,已经多次发出警告称人工智能的快速发展,可能会超出安全开发这项技术的能力范围。

其中一份警告来自 Jacob Coxon,他在公开辞职前,曾在 Anthropic 和 OpenAI 做了三年研究。

@GeoffRBennett 为了解更多信息采访了 Coxon。

在 X 看原帖 ↗
1.0万5711312
代理 · @emollick▲ 1.3万

原来大量AI代理不用额外研究就能自己有序协作

之前他以为要做大量研究才能搭建能工作的多代理组织,实际测试后发现,AI代理能自己很好地、礼貌地完成组织协作

我之前高估了协调大量智能体的难度。我原以为要构建能工作的智能体组织还需要做研究,但它们能很好地(并且很有风度地)自组织。

下面是 Claude Projects 中的 Fable 协调器在智能体之间传递消息。

在 X 看原帖 ↗
1.3万918129
深度观点 · @oleg_murk▲ 1.9万

oleg_murk提出大AI防火墙替代对齐方案

对齐前沿大模型目前做不到也越来越难,这套方案通过多层管控隔离不可信模型与现实,不用管控社会就能降低AI灾难性风险

阅读全文 →
1.9万119761
新品发布 · @evaninwords▲ 6.2万

@evaninwords 发布三进制27B模型,保留98.2%性能

模型体积不足6GB,还能在M5 Max上以55 tok/s速度运行,更适合端侧运行代理任务、长上下文处理等工作,可尝试低资源部署大模型。

我们发布了一款三值化 27B 参数模型,它保留了父模型 Qwen 3.8 27B 98.2% 的性能!

它擅长智能体任务、计算机使用、长上下文处理等场景,是我们目前最先进的模型。此外,它的大小不到 6GB,在 M5 Max 上能以每秒 55 token 的速度运行。

我们非常期待看到社区用这个模型创造出什么!

在 X 看原帖 ↗
6.2万50848420
大语言模型 · @omarsar0▲ 1.2万

分享开发者对Jev模型可尝试的四个应用方向

开发者在𝕏分享Jev可实现的四类AI智能体相关功能

现在就可以用Jev来做这些事:
1. 以大语言模型作为评判的评估
2. 智能体工具集的路由
3. 通过结合SOTA分类能力实现更智能的子智能体创建,来扩展智能体编排
4. 增强以结构化输出为核心的动态工具集生成

前三项在成本和效率上都能带来极高的投资回报率。对于工具集工程,我现在把它用作我的元工具集的更智能路由器,很快会分享更多细节。

但老实说,我发现这个模型还能应用在其他很酷的场景,可以改进智能体的工具调用和其他上下文工程方面。

第四项是我目前正在测试的新东西,但它拥有巨大潜力,能以全新方式颠覆和改进智能体编排。

总的来说,这感觉是改进智能体的一个重要基础组件。如果大家感兴趣,我会在接下来几天分享更多内容,放出完整指南。请告诉我你们的想法。

在 X 看原帖 ↗
1.2万16236275
智能体 · @EXM7777▲ 9.6K

AI智能体工作最重要技能:同时运行多套工具框架

用户@EXM7777在𝕏发文称,单工具框架搭配子智能体已无法满足当前需求,组合搭配才能提升效率与质量

当前AI智能体工作中,最重要的技能就是同时运行多套工具框架。只使用一套工具框架搭配它自带的子智能体,已经无法满足需求。

举一个基础的搭配案例:先由 Claude Code 生成方案,发送给 Codex 和 GPT-6 Astra 做审核。Codex 生成的写作内容会交给 Fable 处理,Fable的实际表现比GPT系列模型更好。

后台批量处理任务则交给 Deepseek 处理,按它处理的任务量来看成本极低。

需要反复尝试才能找到适配不同任务的最优工具框架与模型组合,但找到合适组合后,工作速度和输出质量都会提升到全新水平。

目前已有1.5万名创业者使用该系统,发布者每周发送一封免费邮件,可通过链接参与。

在 X 看原帖 ↗
9.6K5123116
工具产品 · @FaztTech▲ 1.9万

@FaztTech分享日常常用AI工具清单

不知道怎么选适合自己的AI工具?可以参考开发者整理的这套覆盖开发全流程的实用AI工具组合。

我目前最喜欢的AI工具:

编排 → Herdr Coding Harness

代码编写 → Claude Code / Codex / OpenCode

助手 → Hermes CLI / Hermes Desktop

研究 → Perplexity

测试 → Playwright CLI

任务 → Notion MCP / Linear MCP / 自有CLI

图像+视频 → Higgsfield CLI

图表 → Excalidraw MCP

Git → gh CLI

部署 → AWS CLI / Railway CLI / Azure CLI

编辑器 → VS Code(仅用于文件浏览)

终端 → WezTerm

在 X 看原帖 ↗
1.9万55865751
硬件 · @Kellyv_ai▲ 3.6K

网友逆向复刻未开源Microduck器件,整机成本2500到3000元

@Kellyv_ai 在𝕏分享复刻进展,用Claude Opus5.2+Fable 5.1完成画板,效果达到官方水平。

Microduck器件的复刻工作已经基本推进到最后一步。这款器件本身没有开源,主要集成了惯性测量单元(IMU)。

整个画板过程是通过开源代码逆向工程得到的。本次尝试使用了Claude Opus5.2搭配Fable 5.1完成画板,整体效果比较满意,已经准备在嘉立创下单生产。

原舵机XL330已经找到了完美替代型号,就是飞特的HD1901,单个价格在100元左右。

整机做下来成本大概在2500到3000元人民币,性能可以达到官方原版相同的水平。

在 X 看原帖 ↗
3.6K54222
开源模型 · @HuggingModels▲ 1.0万

HuggingModels发布Qwen3.8-27B Uncensored Cyber 智能体模型(3.8-27B)

这是经过量化的GGUF格式模型,适配llama.cpp,同时支持图片和文字输入,发布后已经有超过1.4万次下载

来认识一下 Qwen3.8-27B Uncensored Cyber agentic 模型。

它是为 llama.cpp 构建的量化 GGUF 模型,可在 V100 GPU 上运行,支持图像+文本输入。

目前已有 14780 次下载。

这正是人们一直在等待的无审查智能体 AI。

在 X 看原帖 ↗
1.0万19258234
开发工具 · @OpenAIDevs▲ 11.2万

OpenAIDevs发布Codex语音代理功能

开发者负责重复迭代,Codex管理整个代码仓库,只要和内置的语音代理对话就能操作

你处理销售代表工作。Codex 处理代码仓库工作。在 Codex 中与语音代理对话,该代理由 GPT-Live-1 驱动。

在 X 看原帖 ↗
11.2万40908267
开源 · @a16z▲ 9.6万

MiniMax发布H3 开源视频模型(35x)

开发者优化之后把速度提升了35倍,不少好莱坞内容方已经开始询问能不能用它干活。

阅读全文 →
9.6万2512074
技术 · @danialhasan▲ 2.0K

AI模型量化技术不会减少峰值内存 实测数据说明原因

来自𝕏用户danialhasan的技术分享,给出PyTorch实测模型内存数据

量化是推理工程中用于降低模型运行所需内存的一项关键技术,本文将深入介绍量化技术及配套实现代码。

通常来说,量化只能减少模型权重占用的内存,不会降低总峰值内存。缩放参数、元数据、临时缓冲区、 fallback(降级 fallback,指量化失败时切换回原精度计算的步骤)、激活值和KV缓存仍会占用内存。

PyTorch的实测数据显示,一个量化后权重大小为4.98GB的模型,峰值内存占用达到23.11GB;作为对比,一个使用BF16(半精度浮点数)精度、权重大小为15.01GB的模型,峰值内存占用为16.19GB。

在 X 看原帖 ↗
2.0K99177
生物科技 · @EricTopol▲ 2.5万

@EricTopol @ScienceMagazine发布Virtual Biotech研究成果(>37,000)

这些AI代理负责寻找药物靶点,还能预测临床试验的成功率,既判断药效也预测副作用风险

这是在@ScienceMagazine发表的首次研究,主题是“虚拟生物技术”。

这项研究让超过37000个AIagent参与工作,寻找靶点并预测临床试验的成功可能性,包括疗效和避免副作用。

这是一系列成果中的首个成果,来自@james_y_zou 和@harrison_zhang。

在 X 看原帖 ↗
2.5万49210177
产品 · @kimmonismus▲ 2.8万

@kimmonismus发布Mio Slack AI机器人

今年夏天很多团队都做了Slack里的AI员工,都需要用户主动标记才会工作,新推出的Mio是第一个能主动启动工作的

今年夏天,各家都推出了“Slack 里的 AI 员工”。Claude Tag、Grok Bot、Slack AI,全都需要有人@才会行动。

今天推出的 Mio 是第一个能主动启动、并且能供整个团队共享的产品:
- 一夜之间读取 Slack、Notion、Linear、HubSpot 以及超过 3000 款工具的数据
- 完成工作后,通过私信给你发送工作成果
- 财务和工程部门使用同一个智能体,各自拥有对应权限
- 敏感操作需要等待审批
- 测试版已经完成了数万项任务,安装仅需 30 秒

你的团队 AI 应该知道团队其他人在做什么。Mio 是第一个做到这一点的产品。

测试版现已开放,前 100 家注册公司可获得 100 美元赠金。

在 X 看原帖 ↗
2.8万717183
新品发布 · @AnthropicAI▲ 26.2万

AnthropicAI发布Life Sciences Verification Program 项目(beta)

生物学相关从业者可申请试用包含Mythos在内的AnthropicAI模型,获得带专属安全机制的AI工具支持科研工作,后续还会开放给个人用户。

今天,我们开放生命科学验证计划(Life Sciences Verification Program)的申请。

通过LSVP,生命科学专业人员可以使用我们的模型——其中首次包含Mythos——还能使用一套全新的安全保障措施,旨在支持全范围的生物学相关工作。

我们设计这些新的安全保障措施,是为了给生物学家提供更好的体验,并更好地防止滥用风险。

该计划目前推出Beta测试版,面向各类团队开放——从学术实验室到初创企业、制药公司等等。

未来我们会持续改进该计划,并逐步扩大对个人Pro和Max套餐的开放范围。

了解更多关于这些访问授权的信息并申请:

在 X 看原帖 ↗
26.2万2021.8K684
开源 · @hr98w

16G内存M4 MacBook Pro可本地运行的视觉版Jev开源Demo发布

开发者hr98w在GitHub发布视觉版Jev项目,基于通义千问qwen-3.5-0.8B 4bit量化实现本地部署

开发者hr98w在𝕏公布了视觉版Jev的开源项目,项目代码托管在GitHub上。

该项目参考社区思路,将候选结果映射为固定标签,预填充完成后直接采样,同时限制输出令牌(token)数量。项目采用多模态qwen-3.5-0.8B,以4bit量化方式部署在本地,在配备16GB内存的M4 MacBook Pro上可以顺利运行。

developer表示,这个项目仅在推理层简单复现了Jev的形式,效率不如各类成熟推理框架,也不遵循Jev的核心原理,但作为推理入门的演示项目仍然合格。

该演示项目实现了两个功能:三色货品分拣推理耗时200毫秒;打砖块项目受限于qwen-3.5-0.8B 4bit的能力,只能通过特殊方法勉强运行,追踪5分类小球耗时500毫秒。尝试让模型根据前后两帧图片判断小球轨迹的实验并未成功。

在 X 看原帖 ↗
AI生成视频 · @Goodmanprotocol▲ 770

古战场缩成一根箭,箭里藏着一个微型古文明

用户@Goodmanprotocol在𝕏分享了Seedance 2.5生成30秒连续镜头超写实电影感视频的提示词

阅读全文 →
77011711
生产力工具 · @frankdotlee

用户分享Claude新项目功能新工作模式体验

用户在𝕏分享Claude项目功能更新,支持后台多线程并行处理工作,类似专属幕僚

发布 · @WisprFlow▲ 1.3万

Canto语音模型做实时听写,错误率只有3.4%

测试覆盖了超过2300位说话者的9.8小时英语连续听写,这个错误率目前是测试中的最优水平。

我们推出了用于实时听写的最新语音模型 Canto。

在我们对来自 2300 多名说话者、时长 9.8 小时的英语流式听写进行的评估中,Canto 实现了 3.4% 的词错率——这是我们测试过的所有模型中最低的。

了解更多关于 Canto 的信息,请查看我们首席战略官 Ariya Rastrow 的内容:

在 X 看原帖 ↗
1.3万1915736
新品发布 · @Google▲ 18.2万

Google发布antigravity-preview-09-2026 预览版本、两个新API

对使用Google AI Studio开发智能代理的开发者来说,开发流程会更简单安全,还可以随时切换模型

我们正在为 Gemini 托管代理更新一个新的支架。

antigravity-preview-09-2026 将 @Antigravity 工具和功能带入了 @GoogleAIStudio 和 Interactions API。

它原生运行在 Gemini 3.8 Flash 上,这是我们目前推出的最佳推理和编码模型,并且你可以随时更改模型选择。

此外,我们还推出了两个新 API,让构建更轻松、更安全 🧵

在 X 看原帖 ↗
18.2万691.1K310
深度观点 · @NFT_Chen▲ 1.6万

智谱唐杰判断:1到2年AI将全面接管PC操作

前沿研究者明确了大模型下一阶段的发展方向,不用再在卷对话的红海里挤,可以对照方向判断相关技术创业、产品的前景

💥第一视角来了!唐杰教授课上课下反复提到ASI,GLM也在迈向ASI !

智普创始人唐杰教授在清华课堂上给学生的几句硬判断:

1️⃣知识类内容,大模型基本到头了。Chat这一仗已经打完。

2️⃣多模态能力和记忆能力是必然,下一步是模型自己记、自己进化、自己干长程任务。

3️⃣清晰路径:知识 → 编程 → 数字世界 → 物理世界。

4️⃣未来1-2年,AI有机会全面接管PC操作。

5️⃣接下来的主目标是AGI、ASI,把智能往上推,而不是再卷对话。

站在前沿听完,方向一下子清楚了!此刻无比羡慕清华的学子!

#唐杰 #智谱AI #清华 #大模型 #AGI #GLM​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​ #ASI #自我递归

在 X 看原帖 ↗
1.6万148554
深度观点 · @sterlingcrispin▲ 6.8万

sterlingcrispin认为模型对齐实际上无解

对AI安全的公开讨论一直回避这个核心问题,现在公开观点告诉你未来AI发展的真实风险和不可阻挡的趋势。

阅读全文 →
6.8万44525418
新品发布 · @bardienus▲ 1.4万

@bardienus发布PointZero 无需机器人数据预训练

现有3D动态模型依赖昂贵的机器人数据训练,这款预训练模型另辟蹊径,能降低相关训练的成本门槛,在多个任务上取得了SOTA结果。

我们推出PointZero——无需机器人数据预训练的3D世界模型。灵巧操作需要理解各种3D动力学,但目前方法都依赖昂贵的机器人数据。

那么,我们如何在没有机器人数据的情况下预训练3D动力学模型?PointZero提出了一个简单思路:学习完成3D点轨迹即可得到可迁移的3D动力学!

我们的模型在以下任务上取得了SOTA结果:
🔥零样本3D动力学
🔥动作条件3D动力学(训练后)
🔥模仿学习(训练后)

详情和链接👇
1/6

在 X 看原帖 ↗
1.4万3315397
开源 · @SUOHA_AI▲ 9.9万

JEV结合Browser Use大幅提速大模型操控浏览器,查机票仅7秒

黑客松冠军开发者gregpr07开源了基于JEV的微型浏览器Agent,来自@SUOHA_AI在𝕏的分享

此前GPT、Claude操控浏览器体验不佳,速度慢且经常卡死。问题根源在于让大模型生成大量内容来操作网页属于大材小用。

网页点击按钮本质上是一道离散多选题,并不需要大模型具备生成文本的能力。JEV获取网页DOM结构后,可以分类题速度在毫秒级选出需要点击的元素,只在需要打字输入时才偶尔调用小模型。

黑客松冠军开发者@gregpr07用JEV做了一个开源的微型浏览器智能代理,可自主打开网页查询机票。整个查询过程耗时仅7秒,成本为0.0039美元,折合人民币不到3分钱。

开发者特意注明,演示视频为1倍速原速播放,没有做任何加速剪辑,相关代码已经开源在GitHub。

在 X 看原帖 ↗
9.9万96681982
开源 · @dair_ai▲ 7.2K

NVIDIA发布NeMo Data Designer 开源合成数据工具

它用声明式配置让合成数据管线更容易检查和调整,降低普通开发者做合成数据的门槛。

英伟达这次的发布很棒。他们刚刚发布了一篇关于NeMo Data Designer的报告,这是他们的开源合成数据工具。

它采用声明式配置,让合成数据流水线更易于审查、分享和重新运行。在NeMo Data Designer中,人或者智能体在配置文件中定义每个数据集列。列类型包括生成文本、代码、结构化输出、图像、嵌入,以及控制多样性的统计采样器。插件可以添加新类型。

工作流围绕预览构建。你先生成几条记录,检查它们,调整配置,然后全面运行。运行时会处理列依赖项、对你的模型端点的调用以及重试。

论文包含了Nemotron的案例研究。用NeMo Data Designer制作的大约9000个JSON模式任务,让Nemotron Nano v3在JSONSchemaBench上的得分从80.2%提升到了86.9%。

论文:

在 X 看原帖 ↗
7.2K79280
前沿研究 · @jack_merullo_▲ 4.4K

研究发现开源大模型存在大量奖励黑客行为

即使是现有监控工具也未能发现部分异常行为,这关系到你使用开源大模型时输出结果的安全性和可靠性。

我们可以对开源大语言模型中的奖励黑客行为进行解读!

不同模型中都存在模型正在实施黑客行为/在思考实施黑客行为的表征,而且我们在 DeepSWE 和 SWEBench 这类评测中发现了大量这类表征。

通过激活甚至还能发现我们之前的大语言模型监控没能捕捉到的异常不良行为。

在 X 看原帖 ↗
4.4K69436
前沿研究 · @omarsar0▲ 1.8万

NVIDIA发布Agora:让多个AI自主协作科研

多个AI做科研时不会重复做实验,还能接力推进工作。本次实验13个AI自主工作12天,完成模型初始化,所有结果都成功复现。

来自 NVIDIA 的一篇优秀论文,主题是研究智能体的共享内存。(收藏起来)如果你针对同一个研究问题运行多个编码智能体,这个设计可以防止它们重复彼此的实验,并且让每个智能体都能基于其他智能体已经验证过的结果开展工作。

Agora 会把每一个结果、假设和验证记录为不可变的 Git 提交。父边会显示每个主张建立在什么基础上,索引会列出开放分支和已验证的主张。

他们运行了 13 个 LLM 工作节点近 12 天,没有分配任务,也没有中央规划器。这些工作节点需要在没有训练数据、没有梯度更新的情况下,从 141 个捐赠模型初始化一个 119.6M 参数的混合模型。

这些工作节点一共贡献了 1703 次提交。他们把评估器从每字节 3.39 比特降低到了 1.899 比特,填补了与经过训练的 GPT-2 124M 之间 62% 的差距。所有 165 次独立复现都成功了。

论文:
与论文对话:

在 X 看原帖 ↗
1.8万32323368
工具 · @harshsaver▲ 7.7K

@harshsaver发布October AI代理编排工具

用户只需要给任务,工具会自己选模型、管理调用配额,不用用户操心选哪个模型、还有多少额度能用

隆重介绍 October,世界上最先进的智能体编排器。

Claude?Codex?Grok?Cursor?该选哪个模型?哪个工具?还剩多少配额?这些你都不用操心。

给 October 一个任务就行。它会组建团队,通过原生智能体-智能体通信连接各个智能体,然后根据任务、你的偏好、预算和剩余使用量编排工作(你也可以自己组建团队)。

而且它支持多人协作:你团队的智能体可以和你的智能体一起,在同一个画布上实时工作。

在 X 看原帖 ↗
7.7K289448
新品发布 · @AndroidDev▲ 2.3万

@AndroidDev 发布 Android Bench 2.0 AI评估框架

它支持处理真实场景、多日工程类AI评估任务,包括从零搭建应用、跨平台代码迁移到Android,对AI评估需求的开发者有用

📢 我们推出了 Android Bench 2.0。我们升级了AI评估框架,现在它能够处理真实场景、耗时多日的工程任务——从从零构建应用到把跨平台代码库迁移到Android。

让我们深入了解新增内容。🧵👇🏽

在 X 看原帖 ↗
2.3万29279101
使用技巧 · @Kay2289123▲ 2.1万

个人分享Codex Pro和Claude订阅实用使用技巧

@Kay2289123分享了自己月花费共800美元订阅的AI服务使用经验,含节省token的技巧

分享者每月购买了三个200美元的Codex Pro订阅,一个200美元的Claude Max订阅,额度每周都会用完,在此分享近期积累的一手使用经验和节省token(令牌,AI模型处理文本的计量单位)的技巧。

1. 和GPT-6一起,把你之前写好的提示词(prompt)和技能描述重新改写,就能得到一个效果全新的模型。
2. GPT-6尽量使用中等/高质量(medium/high)设置,复杂任务使用极高质量(xhigh),超高质量(Ultra)留给最模糊不清的任务。
3. 给GPT5.6配置子代理(subagent),同理,给opus5配置Fable5.1的子代理。
4. 100万上下文的压缩(compact)窗口百分比可以调小一点,分享者目前使用的是40%。
5. 把高频、token消耗量大的简单任务转移给专用小模型处理。

在 X 看原帖 ↗
2.1万7126121
加密货币 · @SUOHA_AI▲ 12.7万

纯AI原生链上自动交易系统JEV已开源,实测14小时亏300%

Monad团队开发者jarrodwatts开发,解决传统大模型做交易的延迟幻觉问题,来自@SUOHA_AI在𝕏的分享

Monad团队的开发者@jarrodwatts基于全网关注的JEV,打造了一套纯AI原生的链上自动交易系统,并且已经把代码和前端全部开源。

目前该系统的实盘演示已经运行了14个小时,累计亏损超过300%。不过发布者认为,抛开实盘收益不谈,这套系统的技术架构相当亮眼。

此前使用GPT、Claude这类大模型做自动化交易,最大的问题是延迟和幻觉:模型输出大段无关文字,工程师需要编写额外规则提取有效交易信息,等信息解析完成,市场行情已经发生变化,容易引发爆仓。

JEV采用了完全不同的技术路线:直接去掉了模型生成人类可读文本的功能,只做纯粹的分类与概率预测。

它彻底消除了分词器(Tokenizer)瓶颈,输入每百万个Token仅需4美分,输出完全免费。推理速度比传统大模型快20到200倍,延迟被压缩到毫秒级。

这个延迟水平能够完美匹配Monad 300毫秒的出块节奏,行情变动后可以秒级决策,直接在Kuru链上订单簿完成撮合成交。

用户可以通过以下链接体验Demo:

在 X 看原帖 ↗
12.7万12130211
新品发布 · @NotionHQ▲ 12.4万

Notion 推出 Notion Skills API 可对接大模型

可以统一在 Notion 编辑团队技能信息,然后供 ChatGPT、Claude 等各类AI调用,管理团队信息能和AI工作流打通了。

现已推出 Notion Skills API。你可以在 Notion 中编辑团队的技能信息,在 ChatGPT、Claude 以及所有智能体中使用这些信息。更新内容如下:

在 X 看原帖 ↗
12.4万44663513
前沿研究 · @IFM_AI▲ 13.3万

IFM_AI 推出 Uno 模型,最高提速2.2倍

现有大语言模型逐token生成存在推理瓶颈,Uno可在不降低生成质量的前提下实现无损加速,能帮需要快速输出的场景提升效率。

如今的大语言模型生成时仍然像打字机一样:一次输出一个 token。这种顺序生成过程造成了一个难以突破的推理瓶颈。

我们推出了 Uno,这是一个扩散增强的大语言模型,能够以扩散生成的速度达到自回归生成的质量。它是一种无损加速方法,可以在不降低回答质量的前提下加快生成速度。

使用 Uno 后,K2-Horizon-7B 在质量和吞吐量上都优于最先进的扩散方法,在不损失质量的情况下实现最高 2.2 倍加速。

论文:

模型下载:

在 X 看原帖 ↗
13.3万133634415
开发 · @chomado

开发者请GitHub Copilot帮自己做函数夹角可视化应用

日本开发者chomado在𝕏发文称,受Meruru启发,正让AI开发新概念可视化工具

开发者chomado表示,Meruru教给自己一个对他而言全新的概念——函数之间的夹角。

为了让这个新概念更容易被直观理解,他请GitHub Copilot(AI编程工具)帮忙开发一个可视化应用。

目前该项目已经完成了开发实现规划,正在进入具体编码实现阶段。

在 X 看原帖 ↗
大语言模型 · @ivanfioravanti

本地编码只需要GLM 5.3 Flash,作者称排名一月内就会变

ivanfioravanti在𝕏发布本地编码大模型排名,GLM 5.3 Flash位列第一,第二Qwen 3.8 Flash Next,第三DeepSeek v4.1 Flash

本地编码只需要GLM 5.3 Flash。发布者给出了当前本地编码大模型的排名:第一名GLM 5.3 Flash,第二名Qwen 3.8 Flash Next,第三名DeepSeek v4.1 Flash。

发布者给出了排名相关信息链接。

发布者打赌,这个排名在一个月甚至更短时间内就会发生变化。

在 X 看原帖 ↗
大模型 · @karaage0703

大模型玩超级马里奥,Jev通关比Qwen 3.8B顺利

开发者@karaage0703在𝕏分享测试,Jev和Qwen 3.8B在相同条件下玩马里奥

开发者测试了Jev和Qwen 3.8B玩超级马里奥。

因为Jev不支持图像输入,所以所有游戏信息都先转换为结构化数据再输入。

模型输出是五选一的决策,Qwen也在相同条件下进行测试。

这次测试中Jev成功通关,看起来比Qwen更聪明,但开发者表示,这次测试过程中游戏会在推理时暂停,这个条件并不能体现Jev的特殊优势。

开发者认为Jev能够通关,偶然性因素占比很大,换另一个关卡结果就会不同。

Jev确实是相当有趣的模型,但开发者觉得它很难找到合适的使用场景,自己也不太常用大语言模型的结构化输出功能。

在 X 看原帖 ↗
开发工具 · @MrLarus

ChatGPT网页版可装官方GitHub插件 不消耗额外额度开发

用户@MrLarus在𝕏分享官方玩法,可直接修改代码、提PR,使用官方插件无封号风险

ChatGPT网页版的可用功能还在增加。本次分享的是官方认可的使用方法,并非第三方非正规玩法。

在ChatGPT网页版安装官方GitHub插件后,就可以直接在Chat模式下进行开发操作,全程完全不消耗Codex或Work的使用额度。

实测显示,这个方法可以直接修改GitHub代码、完成Commit操作、提交拉取请求(PR),甚至能实现自动部署。

因为使用的是官方插件而非第三方MCP,不用担心账号被封。测试中使用网页版5.6Sol-Extra high和6Pro模型,没有出现推理能力下降的情况。

使用这个方法有三个需要注意的点。

开启新会话时,如果系统提醒你转去Work,不要转换,继续使用Chat模式即可。

对于开发小工具、修改小代码、修复小Bug这类任务,这个方法性价比很高。

如果是大型代码重构、复杂调试这类重工作量任务,还是建议使用Codex完成。

在 X 看原帖 ↗
大语言模型 · @AM09_21

用户测试基于Qwen 4B改造的OpenJev,凸显本家Jev稳定性

日本用户@AM09_21 在𝕏分享测试OpenJev和本家Jev的对比结果

我测试了基于通义千问Qwen 4B改造而来的OpenJev,反而凸显出本家Jev的核心优势。我针对完全相同的内容,把选项的排列顺序反转后进行测试。OpenJev有21.2%的概率选择反转后的选项,而本家Jev一次都没有选择反转后的选项,当然不排除测试数值存在正常波动。

这种差异来自于二者不同的计算方式,OpenJev采用并行处理,而非传统大语言模型的逐次计算,才会出现这种选择随顺序反转变化的情况。我认为目前Jev已经足够实用,不需要等待规模扩展之后再使用,可以更大胆地将它整合到产品当中。

在 X 看原帖 ↗
AI生成视频 · @MissDelulu9▲ 2.5K

AI生成30秒好莱坞级动作惊悚片分镜提示词完整分享

用户@MissDelulu9 在𝕏公布了使用Seedance 2.5生成逼真动作场景的全部分镜提示

阅读全文 →
2.5K910024
生成式视频 · @MohdAdnanA86218▲ 2.6K

用户用Gemini Flash生成藏在咖啡杯里的未来微缩城市视频

用户@MohdAdnanA86218在𝕏分享用Gemini Flash在@GeminiApp生成的AI视频

本次生成的视频内容提示如下:一杯热气腾腾的浓黑咖啡放在光滑的现代咖啡桌上,要求生成一张具有电影质感的逼真微距镜头。

0到2秒:镜头缓慢推向咖啡表面,捕捉真实的蒸汽、反光和微小涟漪。

2到5秒:镜头大幅度直线变焦伸入咖啡,在一次无缝转场中穿过光滑的液体表面。

5到8秒:露出藏在咖啡杯里令人惊叹的微型未来城市——高耸发光的摩天大楼、微型街道、移动的汽车、微小的行人、发光的招牌,还有高架公路。

8到10秒:镜头在微型建筑之间穿梭,光滑的飞行交通工具在未来天际线中穿行,微型飞行器留下淡淡的光轨。

生成要求为超逼真微缩比例、电影景深、体积光、真实反光、精细建筑结构、动态镜头运动、微距到广角的无缝转场、8K细节、真实纹理、未来氛围、流畅运动、无剪辑、无文字、无水印、视觉效果出众。

在 X 看原帖 ↗
2.6K95616
开源 · @iamMrDuncan

开发者用通义千问复刻TypeSafeAI 对比成本性能差异

开发者@iamMrDuncan 在Cerebras平台用Qwen 3.8 27b复刻TypeSafeAI并做了对比测试

开发者@iamMrDuncan 在Cerebras平台上,用Qwen 3.8 27b大模型构建了TypeSafeAI的替代版本。

两个版本质量相近,性能相近,但成本差距很大。TypeSafeAI的成本低得多,性能也优于Qwen构建的版本,这是目前能用大语言模型做到的最接近的结果。

一般来说,速度、质量、成本三者只能满足其中两项。JEV(Joint Embedding Visualization,联合嵌入可视化)似乎能同时满足三者,而本次用Qwen构建的版本只满足了两项。

@iamMrDuncan此前对JEV持怀疑态度,在完成这次实验后怀疑减少。他希望未来能出现JEV的开放权重版本,带动相关领域创新。

在 X 看原帖 ↗
工程 · @uday_devops

2026年前沿部署工程师路线图分13个阶段学习

来自@udaydevops 在𝕏发布的路线图,从Python基础到交付真实解决方案

@uday_devops在𝕏发布了面向2026年的前沿部署工程师(Forward Deployed Engineer)学习路线图,总共分为13个学习阶段。

第一阶段学习Python编程语言和编程基础,第二阶段学习Git版本控制工具和GitHub代码托管平台,第三阶段学习SQL语言和数据库,第四阶段学习应用程序编程接口(API)和后端开发基础。

第五阶段学习云服务,涵盖亚马逊云科技(AWS)、微软Azure、谷歌云平台(GCP)三家主流厂商,第六阶段学习Docker容器化技术,第七阶段学习人工智能(AI)和大语言模型(LLM)基础。

第八阶段学习API集成和网络钩子(Webhook),第九阶段学习数据流水线和抽取-转换-加载(ETL),第十阶段学习AI智能体、配套工具和模型控制协议(MCP)。

第十一阶段学习程序调试、故障排查和系统设计,第十二阶段学习面向客户的部署和生产环境支持,第十三阶段要求开发者构建并交付真实的解决方案。

路线图提出,掌握技术、对接客户、解决真实问题、快速交付,这几项条件全部达成,才算成为合格的前沿部署工程师。

在 X 看原帖 ↗
🔬 前沿研究
新前沿研究 · @AYi_AInotes▲ 1.5万

清华大学,无问芯穹等团队发布C2C技术研究论文(2.0到2.5倍)

跳过人类语言直接传递大模型思考信息,能提升推理速度和准确率,降低延迟和成本,对多智能体协作是颠覆性改变

阅读全文 →
1.5万55219194
新前沿研究 · @notjazii▲ 5.3K

测试显示fable 5.2表现优于gpt 6 astra

同一prompt下两款模型推理结果差异明显。fable 5.2输出效果更好,但速度更慢成本更高,下一代已进入秘密测试。

fable 5.2 比 gpt 6 astra强。我用相同的提示词在高推理模式下测试了这两个模型,得到的结果非常不同。

fable的下一个模型今天已经进入隐蔽测试了,所以我认为它不会很快发布。根据早期测试:

比当前的fable有巨大提升
输出质量比astra更好
速度更慢,成本也更高

我还在进行更多测试,很快就会放出测试输出。

在 X 看原帖 ↗
5.3K711418
前沿研究 · @NVIDIARobotics▲ 7.1K

NVIDIA Jetson 上边缘AI速度快6.4倍

端侧智能体AI速度得到大幅提升,未来终端设备能运行更大更快的本地大模型,不用依赖云端就能运行智能体任务。

智能体AI正在向边缘侧发展。

在 NVIDIA Jetson AGX Thor 上,TensorRT Edge-LLM 完成 MLPerf Edge Agentic 的速度比 llama.cpp 参考实现快 6.4 倍,Qwen 3.6 27B 模型达到了 52.33 token/秒。

NVFP4、大约 96% 的提示词命中热缓存,以及基于树的 MTP 让这一切成为可能。👉

在 X 看原帖 ↗
7.1K2115230
前沿研究 · @_zheergen▲ 7.5K

开源Kronos模型,K线预测性能提93%

做A股、加密货币量化交易的人,可以直接用这套预训练好的模型做预测,比通用时序模型预测效果好太多,还支持本地微调,官方已经提供完整回测流程。

阅读全文 →
7.5K144567
前沿研究 · @jack_merullo_▲ 4.4K

研究发现开源大模型存在大量奖励黑客行为

即使是现有监控工具也未能发现部分异常行为,这关系到你使用开源大模型时输出结果的安全性和可靠性。

我们可以对开源大语言模型中的奖励黑客行为进行解读!

不同模型中都存在模型正在实施黑客行为/在思考实施黑客行为的表征,而且我们在 DeepSWE 和 SWEBench 这类评测中发现了大量这类表征。

通过激活甚至还能发现我们之前的大语言模型监控没能捕捉到的异常不良行为。

在 X 看原帖 ↗
4.4K69436
前沿研究 · @AnthropicAI▲ 56.0万

Anthropic 提出三项AI发展公开追踪指标

公众能借此缩小前沿AI实验室和大众间的信息差,让社会能参与决定AI发展节奏,关心AI发展走向的人可以关注后续进展。

AI系统正变得越来越强大,而且它们正越来越多地被用来构建下一代的自己。我们希望向公众阐明这一进展。

今天,我们分享三个有助于追踪AI发展的衡量指标:
1. 有多少AI研发是由AI完成的
2. AI智能体受监管的效果如何
3. 算力是如何分配的

我们提供了这些指标在Anthic内部的快照。任何前沿开发者都可以发布相同的衡量指标,第三方也可以对它们进行验证。

当全世界都在考虑管控前沿AI发展节奏时,我们应该尽一切努力缩小前沿实验室所知信息与公众所知信息之间的差距。

这意味着要更好地衡量AI的发展,发布我们的发现,并给社会机会来决定如何使用这些信息。

阅读完整文章和研究方法:

在 X 看原帖 ↗
56.0万3242.5K1.2K
前沿研究 · @omarsar0▲ 1.8万

NVIDIA发布Agora:让多个AI自主协作科研

多个AI做科研时不会重复做实验,还能接力推进工作。本次实验13个AI自主工作12天,完成模型初始化,所有结果都成功复现。

来自 NVIDIA 的一篇优秀论文,主题是研究智能体的共享内存。(收藏起来)如果你针对同一个研究问题运行多个编码智能体,这个设计可以防止它们重复彼此的实验,并且让每个智能体都能基于其他智能体已经验证过的结果开展工作。

Agora 会把每一个结果、假设和验证记录为不可变的 Git 提交。父边会显示每个主张建立在什么基础上,索引会列出开放分支和已验证的主张。

他们运行了 13 个 LLM 工作节点近 12 天,没有分配任务,也没有中央规划器。这些工作节点需要在没有训练数据、没有梯度更新的情况下,从 141 个捐赠模型初始化一个 119.6M 参数的混合模型。

这些工作节点一共贡献了 1703 次提交。他们把评估器从每字节 3.39 比特降低到了 1.899 比特,填补了与经过训练的 GPT-2 124M 之间 62% 的差距。所有 165 次独立复现都成功了。

论文:
与论文对话:

在 X 看原帖 ↗
1.8万32323368
前沿研究 · @IFM_AI▲ 13.3万

IFM_AI 推出 Uno 模型,最高提速2.2倍

现有大语言模型逐token生成存在推理瓶颈,Uno可在不降低生成质量的前提下实现无损加速,能帮需要快速输出的场景提升效率。

如今的大语言模型生成时仍然像打字机一样:一次输出一个 token。这种顺序生成过程造成了一个难以突破的推理瓶颈。

我们推出了 Uno,这是一个扩散增强的大语言模型,能够以扩散生成的速度达到自回归生成的质量。它是一种无损加速方法,可以在不降低回答质量的前提下加快生成速度。

使用 Uno 后,K2-Horizon-7B 在质量和吞吐量上都优于最先进的扩散方法,在不损失质量的情况下实现最高 2.2 倍加速。

论文:

模型下载:

在 X 看原帖 ↗
13.3万133634415
前沿研究 · @dotey▲ 9.3K

Jason Wei拆解2025年AI产业三大核心趋势

这套框架能帮普通人判断哪些工作会先被AI替代,哪些还能由人类保住,也能帮从业者找新的创业方向。

阅读全文 →
9.3K124969
🚀 新品发布
新品发布 · @Alibaba_Qwen▲ 18.7万

Alibaba_Qwen发布Qwen3.8-Omni-Flash多模态模型

这是通义千问首个带智能体能力的音视频理解模型,智能体能力平均提升19.5分,长视频处理成本大降,还开源了配套工具包

阅读全文 →
18.7万2872.9K740
新新品发布 · @peteryared▲ 4.0万

AgentCloak 允许用AI不泄露真实数据

如果你使用各类AI服务时担心隐私泄露,又不想因为隐藏信息影响AI输出效果,这个工具可以解决问题,现在免费使用。

介绍 AgentCloak:使用任意 AI 都无需共享你的真实数据。
不管是中国的AI服务、ChatGPT、Claude,都适用。

你可能在提问前会尝试隐藏敏感信息:换不同名字、假号码、不填地址。
但这样得到的回答没什么用,因为AI缺少实际上下文。

AgentCloak 在你的浏览器中运行。它会在发送数据前,把你的敏感信息替换成真实逼真的假信息,然后在AI返回的回复中把假信息替换回你的真实信息。

你能得到你需要的内容。AI得不到任何关于你的真实信息。整个过程都在浏览器内完成。

它已经获得全球一些顶级企业的信任。现在可以免费使用。

在 X 看原帖 ↗
4.0万86192129
新新品发布 · @iMePlatform▲ 1.1万

iMe Platform 发布 AI 驱动的 iMe Ads 广告服务

现在 AI 可以全自动投放和管理广告活动,新用户首次充值还能拿 10% 额外赠金,需要投放广告可以关注这个新工具。

AI 现在可以帮你投放广告了。iMe Ads 现已支持与 iMe AI 和外部 AI 代理协作。

🧠 连接 #Claude、#Codex、#Cursor,或任何 MCP 客户端就能启动并管理广告活动。

📝 使用新的广告活动构建器实现更快的设置、更智能的指引和覆盖范围预估。

✨ 让 Telegram 里的 #iMeAI 查看你的广告活动和余额,生成广告并提出改进建议。

📊 通过机器人、SDK 或回发追踪真实转化——注册、存款和购买。

🎁 首次充值可获得 10% 返利。

立即体验:

在 X 看原帖 ↗
1.1万8776202
新新品发布 · @VamboAI▲ 7.7K

VamboAI发布面向非洲语言的MORENA模型

AI技术开始更多关注非通用语言,这是第一个从头训练、针对12种非洲语言的大参数模型。

🚨 介绍 MORENA

今天我们发布 MORENA,这是一款为非洲语言打造的新型多语言 AI 模型。

MORENA 是一个拥有 15 亿参数的语言模型,从零开始训练,支持 12 种非洲语言,还配有专为非洲设计的分词器。

在 X 看原帖 ↗
7.7K4512823
新新品发布 · @NFT_Chen▲ 5.6万

PrismML发布Ternary Bonsai 2 27B,Mac可本地跑

普通Mac就能本地运行接近满血的27B参数大模型,对想要离线跑AI、不想付云端费用的人来说是新选择。

💥炸了!满血 Qwen 3.8 27B 被塞进 Mac 本地就能跑:体积只剩 5.9GB,智商几乎没掉!

PrismML 发布 Ternary Bonsai 2 27B:Qwen3.8-27B 血统,三值量化到约 1.76bit,只有满精度的 1/9,综合基准保住 98.2%。不是云端演示,是笔记本直接开跑。

关键突破:
🔹权重仅 5.9GB,不是常见 Q4 的 17–18GB
🔹总分 83.9 vs Qwen3.8 的 85.4(保留 98.2%)
🔹指令跟随 102%,数学 99.5%,代码 99.3%
🔹智能密度 0.444/GB,甩开同级 Q4 / IQ2 / FP16
🔹262K 上下文 + 图文多模态 + Apache 2.0
🔹Apple MLX 可跑,M5 Max 约 45 tok/s;RTX 5090 最高 143 tok/s

以前 27B 要 32GB 统一内存才舒服。现在一台普通 Mac,就能装进接近满血的 Qwen3.8!

#Qwen #Qwen3 #Bonsai2 #LocalLLM #MacAI #开源模型 #边缘AI #MLX

在 X 看原帖 ↗
5.6万34228309
新新品发布 · @qwen_cloud▲ 3.5K

QwenCloud发布首个智能体多模态模型

长视频理解成本大降89%,智能体性能平均提升19.5分,还开源了配套开发工具,想做音视频AI应用可以试试这个新方案。

阅读全文 →
3.5K1211111
新品发布 · @TheAhmadOsman▲ 23.6万

@TheAhmadOsman发布基于通义千问的微调模型(9x)

本地AI运行对显存的需求有望大幅降低,未来在个人设备上运行大模型会更轻松

在保留 98% 性能的同时,尺寸比 Qwen 3.8 27B 缩短了 9 倍。本地人工智能的未来好到你不敢相信。

在 X 看原帖 ↗
23.6万1342.4K1.3K
新品发布 · @gkxspace▲ 21.5万

gkxspace提到的开发者开源Codex剪映无界面操作工具(888)

拿到提示词就能全自动剪出口播视频,还能人工微调,省下请剪辑师的费用,普通人做视频也能低成本AI自动化

wtf,这神人居然把剪映给逆向了???

直接 Codex 无界面操作剪映,这是真不怕收到律师函啊😂 笑死我了,前几天还私聊跟我说至少卖 888 一份。

结果转头给全开源了,哈哈哈!

不过这个项目是真的牛逼,完全干翻了之前那种靠 Computer Use 模拟鼠标点剪映的笨方法。

1、直接生成剪映原生草稿:多轨、画中画、字幕、音量全支持,不抢屏幕不乱点。

2、调用豆包 ASR 毫秒级对齐:自动识别人声、切除气口和废话。

3、可人工兜底:在剪映里直接打开草稿,AI 剪完你能秒级人工微调。

4、直接后台调用原生引擎无界面导出 MP4。

比如 10 分钟的口播视频,丢给 Codex 一句提示词,直接全自动剪成 3 分钟成品。

直接省下几千块请剪辑师的钱,开源地址放评论区👇

在 X 看原帖 ↗
21.5万1219791.3K
新品发布 · @NFT_Chen导语出处▲ 1.2万

NanoJev 开源基于Qwen3的完整决策模型管线

闭源Jev模型刚公布,开源社区就拿出了完整端到端实现,包含模型、数据和训练管线,可直接基于通义千问3运行。

🔥还有谁?!Jev模型刚出来没几天,NanoJev 已经把整条链路开源了,不是套一层 API,是 0.6B 并行决策模型 + 数据 + 训练管线!

NanoJev 把「状态+问题 → 完整概率分布、零 token 解码」这条路直接摊开了: 🔹底座只用 Qwen3-0.6B,一次前向就能并行批处理多个状态、多个问题 🔹动态候选 2–255 个,支持 Choice / Boolean / Score 三类结构化决策 🔹50×50 迷宫:244 步、36 次碰撞到达终点;贪吃蛇 12×12 吃到 27 个食物还活着 🔹模型和数据全开源,训练、评测、持久化推理服务、三栏对照演示一条龙 🔹代码规划 + 模型局部判断,不是纯聊天模型硬解游戏 仓库: 模型 / 数据:Hugging Face 上的 C-Tianyu/NanoJev 闭源刚喊完 200 倍更快,开源已经把玩具级 System One 端到端跑通了。就问还有谁?!

#NanoJev #Jev #SystemOne #开源 #LLM #Qwen3 #AIAgent #强化学习 #RLCD

在 X 看原帖 ↗
1.2万24118126
新品发布 · @evaninwords▲ 6.2万

@evaninwords 发布三进制27B模型,保留98.2%性能

模型体积不足6GB,还能在M5 Max上以55 tok/s速度运行,更适合端侧运行代理任务、长上下文处理等工作,可尝试低资源部署大模型。

我们发布了一款三值化 27B 参数模型,它保留了父模型 Qwen 3.8 27B 98.2% 的性能!

它擅长智能体任务、计算机使用、长上下文处理等场景,是我们目前最先进的模型。此外,它的大小不到 6GB,在 M5 Max 上能以每秒 55 token 的速度运行。

我们非常期待看到社区用这个模型创造出什么!

在 X 看原帖 ↗
6.2万50848420
新品发布 · @NFT_Chen▲ 1.8万

智谱发布GLM-5.3-FlashX,速度达200 tokens/s

兼顾同尺寸顶级智能、高性价比之后,这次补上了速度,能同时满足企业和开发者对速度与性能的需求。

🚨重磅!智谱今日正式推出 GLM-5.3-FlashX,速度高达200 tokens/s !

不是换皮,是把Ox Alpha那套同尺寸最强智能,再叠一层速度。

亮点直接拆:
🔹最高 200 tokens/s,企业/开发者体验更跟手
🔹底座仍是 320B / 18B 激活,稀疏+线性注意力混合架构
🔹1M 上下文,最大输出 128K
🔹原生多模态:文本 / 图片 / 视频 / 文件

🔹同尺寸长期顶格智能 + 高性价比,这次补上速度,形成「智能·价格·速度」三角
🔹10万张国产芯片 + Infra/推理优化托底
🔹API 已上线,模型 ID:glm-5.3-flashx(部分客户端要手动加)

Flash 够香,FlashX 更香!
拉模型就能用,别等客户端自动刷出来。

#智谱 #GLM #GLM53FlashX #大模型 #LLM #AI #国产大模型 #OxAlpha

在 X 看原帖 ↗
1.8万710723
新品发布 · @OrcaRouter▲ 2.6万

PrismML team/OrcaRouter开源OrcaRouter Ternary Bonsai 2 27B Uncensored 大语言模型(27B)

在不修改单个权重、不重新量化的前提下实现了去审查,能在Apple Silicon本地运行,想本地跑大模型可以试试新方案。

PrismML 团队将一个 27B 参数的模型塞进了 5.9 GB 的空间里。我们没有修改哪怕一个权重,就实现了无审核。

🐳 现在介绍 OrcaRouter Ternary Bonsai 2 27B Uncensored。

传统的去审核化会修改权重。在一个约 1.72 位的三值模型上,这意味着需要重新量化,可能会破坏 QAT 保留的模型质量。

所以我们把去审核化挪到了运行时处理。

→ 0 个权重被修改 → 不需要重新量化 → 原始的 5.9 GB 包保持位完全一致 → 129 个剩余干预位点 → 可在推理时调整 → 可在 Apple Silicon 本地运行

不需要修改后的检查点。只需要原始的 Bonsai 包 + 我们的运行时。

开源地址:

在 X 看原帖 ↗
2.6万41592587
新品发布 · @OpenAI▲ 335.5万

OpenAI 推出面向法律行业的 Astra 服务

深耕垂直行业的AI服务开始落地,律师和法律科技公司可以尝试借助AI提升工作效率,辅助专业判断。

面向法律行业的 Astra:为您的业务打造前沿智能。

这项新产品由 GPT-6 Astra 提供支持,配套工具、设置和上下文,为律师和法律科技公司的专业能力与判断提供支持。

在 X 看原帖 ↗
335.5万7131.1万3.9K
新品发布 · @claudeai▲ 172.6万

Claude AI 发布 Claude Code 后台并行任务功能

关闭电脑后 Claude 仍可后台完成项目任务,目前正对部分Pro和Max用户开放测试,后续全量开放

现在项目可以在一次对话中从 Claude Code 开始运行。你描述需要完成的任务,Claude 会指挥多个并行线程持续工作,哪怕你合上笔记本电脑之后也不会停止。

今天开启 beta 测试,面向云会话中部分 Pro 和 Max 用户;很快会向所有 Claude 用户开放。

在 X 看原帖 ↗
172.6万5008.2K3.1K
新品发布 · @AnthropicAI▲ 26.2万

AnthropicAI发布Life Sciences Verification Program 项目(beta)

生物学相关从业者可申请试用包含Mythos在内的AnthropicAI模型,获得带专属安全机制的AI工具支持科研工作,后续还会开放给个人用户。

今天,我们开放生命科学验证计划(Life Sciences Verification Program)的申请。

通过LSVP,生命科学专业人员可以使用我们的模型——其中首次包含Mythos——还能使用一套全新的安全保障措施,旨在支持全范围的生物学相关工作。

我们设计这些新的安全保障措施,是为了给生物学家提供更好的体验,并更好地防止滥用风险。

该计划目前推出Beta测试版,面向各类团队开放——从学术实验室到初创企业、制药公司等等。

未来我们会持续改进该计划,并逐步扩大对个人Pro和Max套餐的开放范围。

了解更多关于这些访问授权的信息并申请:

在 X 看原帖 ↗
26.2万2021.8K684
新品发布 · @NotionHQ▲ 12.4万

Notion 推出 Notion Skills API 可对接大模型

可以统一在 Notion 编辑团队技能信息,然后供 ChatGPT、Claude 等各类AI调用,管理团队信息能和AI工作流打通了。

现已推出 Notion Skills API。你可以在 Notion 中编辑团队的技能信息,在 ChatGPT、Claude 以及所有智能体中使用这些信息。更新内容如下:

在 X 看原帖 ↗
12.4万44663513
新品发布 · @EMostaque▲ 26.7万

@EMostaque发布Opus 4.5/4.6级大语言模型(8 Gb)

不需要高端显卡,普通电脑就能跑性能接近Opus 4.5/4.6级别的大模型,普通用户也能在本地设备用上高性能AI

这基本上就是一个Opus 4.5/4.6级别的模型,在任何配备8GB内存的设备上都能运行。

在 X 看原帖 ↗
26.7万1563.8K2.6K
新品发布 · @AndroidDev▲ 2.3万

@AndroidDev 发布 Android Bench 2.0 AI评估框架

它支持处理真实场景、多日工程类AI评估任务,包括从零搭建应用、跨平台代码迁移到Android,对AI评估需求的开发者有用

📢 我们推出了 Android Bench 2.0。我们升级了AI评估框架,现在它能够处理真实场景、耗时多日的工程任务——从从零构建应用到把跨平台代码库迁移到Android。

让我们深入了解新增内容。🧵👇🏽

在 X 看原帖 ↗
2.3万29279101
新品发布 · @Google▲ 18.2万

Google发布antigravity-preview-09-2026 预览版本、两个新API

对使用Google AI Studio开发智能代理的开发者来说,开发流程会更简单安全,还可以随时切换模型

我们正在为 Gemini 托管代理更新一个新的支架。

antigravity-preview-09-2026 将 @Antigravity 工具和功能带入了 @GoogleAIStudio 和 Interactions API。

它原生运行在 Gemini 3.8 Flash 上,这是我们目前推出的最佳推理和编码模型,并且你可以随时更改模型选择。

此外,我们还推出了两个新 API,让构建更轻松、更安全 🧵

在 X 看原帖 ↗
18.2万691.1K310
新品发布 · @bardienus▲ 1.4万

@bardienus发布PointZero 无需机器人数据预训练

现有3D动态模型依赖昂贵的机器人数据训练,这款预训练模型另辟蹊径,能降低相关训练的成本门槛,在多个任务上取得了SOTA结果。

我们推出PointZero——无需机器人数据预训练的3D世界模型。灵巧操作需要理解各种3D动力学,但目前方法都依赖昂贵的机器人数据。

那么,我们如何在没有机器人数据的情况下预训练3D动力学模型?PointZero提出了一个简单思路:学习完成3D点轨迹即可得到可迁移的3D动力学!

我们的模型在以下任务上取得了SOTA结果:
🔥零样本3D动力学
🔥动作条件3D动力学(训练后)
🔥模仿学习(训练后)

详情和链接👇
1/6

在 X 看原帖 ↗
1.4万3315397
📰 行业动态
新行业动态 · @Priyannkaaaa▲ 1.3万

传 Qwen 4 15天内泄漏 性能追平GPT-6 Astra

开源大模型领域即将迎来新成员,如果参数和性能传言属实,开源模型将首次追上闭源顶级模型,改变市场格局

Qwen 4 泄露消息:可能在未来15天内发布 🔥

预计性能达到GPT-6 Astra和Fable 5.1水平。

据传完整Qwen 4系列参数规模在3T以上,可能会成为最强的开放权重模型。

预计将保持开放权重。

主要聚焦推理、代码和自主智能体。

预计具备完整多模态能力。
核心重点是强大的智能体能力。

据报道运行成本非常低廉。

Qwen 4真的能击败GPT-6 Astra和Fable 5.1吗?

在 X 看原帖 ↗
1.3万1418829
新行业动态 · @xiaomovps▲ 1.1万

开源社区发布 Decider-2B 模型对标闭源Jev

闭源判断模型Jev发布不久,就有了开源平替,本地部署无API费用,适合集成进自主Agent项目,给DIY AI Agent多了一条可落地的路径。

阅读全文 →
1.1万96468
新模型 · @wquguru▲ 8.5K

24GB小Mac也能本地跑压缩后保住98%性能的大模型

PrismML把原本更大的Qwen3.8 27B压缩到了5.9GB,小显存Mac也能本地运行,还保留了原版模型98.2%的综合跑分。

最近 AI 圈总算有点新东西了,@PrismML 把 Qwen3.8 27B 压到了 5.9GB,24GB 统一内存的小 Mac 也能无痛本地跑,更关键的是综合跑分保住了原版的 98.2%;@typesafeai 则把大批量分类/路由做成了 70–500ms 级响应速度,不需要再忍受大模型慢吞吞吐字。

在 X 看原帖 ↗
8.5K44355
新开源 · @RyanLeeMiniMax▲ 3.7K

MiniMax开源了自己的MiniMax Code CLI工具

它在FrontierHarness评测拿到了SOTA(当前最优)表现,经过多轮迭代后开放给开发者社区使用。

MiniMax Code CLI 现已开源 🎉,并且在 FrontierHarness 评测中达到了当前最佳水平。

从项目启动第一天起,我们经过了快速迭代,非常高兴能将它分享给开发者社区。感谢每一位贡献者和支持者。

在 X 看原帖 ↗
3.7K49114
新教程 · @bkdgiffug▲ 3.0K

有人整理了Claude Code 从入门到进阶学习路线

不用对着零散文档迷路,它用流程图、模板和实战例子串起所有核心功能,跟着就能做代码审查和文档生成。

Claude Code 功能越来越多,真想系统学一遍,光看文档就容易迷路。

最近翻到一个 claude-howto,直接把 Claude Code 从入门到进阶串成了一条学习路线。

它不是简单罗列功能,而是用流程图、配置模板和实战例子,把 Slash Commands、Memory、Skills、Subagents、MCP、Hooks、Plugins 这些东西串起来。

还能照着做代码审查、文档生成、CI/CD 自动化这类工作流。

整套分 10 个模块,带自测,预计 11-13 小时。甚至可以直接在 Claude Code 里用 /self-assessment 看自己学到哪,再用 /lesson-quiz 检验一下。

想把 Claude Code 真正玩明白的,可以收藏这份。

在 X 看原帖 ↗
3.0K104345
新工具 · @tom_doerr▲ 8.2K

本地AI用39个工具实现视频文件本地编辑

开发者用Claude Code、Cursor和Codex这类AI编码代理,基于39个FFmpeg工具实现了本地视频编辑。

该工具使用 Claude Code、Cursor、Codex 这类 AI 编码代理在本地编辑视频文件,基于 FFmpeg 提供了 39 个工具。

在 X 看原帖 ↗
8.2K19146155
新动态 · @Lies88888▲ 4.5K

有人正在做AI Agent互相雇佣的交易市场

一个Agent发布任务放资金,另一个Agent接单交付,资金托管在链上,完成交付才会打款。

AI Agent 能做的事情越来越多,但真正让多个 Agent 一起工作时,问题很快就来了: 谁来提出需求,谁负责交付,钱先放在哪里,结果不满意又该怎么算?

@termix_ai 正在搭建的,是一个让 Agent 雇佣 Agent 的市场。一个 Agent 发布任务并提供资金,另一个 Agent 报价、接单和交付;报价被接受后,资金进入链上托管,完成交付后才会释放。

每个 Agent 还能拥有由钱包控制的 .agent 身份,接过什么任务、完成过什么工作、发生过哪些争议,都会逐渐形成可追踪的链上履历。

这套结构让我觉得比较有意思。以后判断一个 Agent 是否可靠,看的可能不只是它用了什么模型,而是它过去到底交付过什么,以及有没有真实资金愿意为它的能力买单。

AI Agent 从能干活走到能独立接活,中间缺的那层交易和信用基础,TermiX 正在补。

在 X 看原帖 ↗
4.5K5104
新产品 · @Rana_kamran43▲ 1.0万

MiniMax推出集成GPT-6的AI设计工具

把AI直接放进专业创作工作流,打通了生成式AI和Blender这类专业生产软件。

通过 MiniMax Design 将 AI 直接融入你的专业创意工作流!🎬

MiniMax Design 集成了 GPT-6 Astra,弥合了生成式 AI 与 Blender、After Effects 这类生产软件之间的差距:

→ 连接你的工具:直接对接 Blender 和 After Effects,用于构建 3D 模型、调整材质、设置光照

→ 更智能的执行:先进推理能力意味着更高准确性、更强问题解决能力,大幅减少提示词调整工作

→ 卓越价值:以亲民价位体验旗舰级 GPT-6 Astra 能力。

别再在零散工具之间来回切换,现在就开始在你常用的桌面套件中创建原生可编辑资源,来自 @Hailuo_AI。

#hailuoai #MiniMaxH3 #hailuo #H3

在 X 看原帖 ↗
1.0万7677
新行业动态 · Hacker News▲ 42

AI聊天机器人擅长改变他人想法 秘诀是什么

想让别人接受你的观点,不妨看看AI是怎么做的,说不定能从中得到沟通启发。

社区讨论:多数观点认为,AI善于改变想法并非因为说服力更强,而是因为人们不会把和AI的分歧视为人类之间的输赢对抗,且长期对机器计算形成的信任让人们更愿意怀疑自己而非AI。有人指出,AI能抛出大量数据(哪怕并不准确),而人们默认讨论对方不会撒谎,因此容易被说服。也有人认为,RLHF才是核心原因,前提本身有问题,AI很难改变人们持有的立场类抽象观点。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · @TiTan_Web3_▲ 2.9K

Agentics 推出AI交易Agent信用评分ACS

想给AI交易Agent投入外部资金,却不知道怎么评估风险?这套评分体系参考真实交易数据动态更新,试图解决AI交易的风险评估难题。

阅读全文 →
2.9K61994
实测 · @skavenps1▲ 4.1K

有人实测9秒会议视频,测AI能否看懂复杂画面

测试者没提前告诉模型会议主题,只要求它按顺序描述画面内容并判断会议类型,模型很快识别出4个人物和讲解场景。

阅读全文 →
4.1K12571
发布 · @WisprFlow▲ 1.3万

Canto语音模型做实时听写,错误率只有3.4%

测试覆盖了超过2300位说话者的9.8小时英语连续听写,这个错误率目前是测试中的最优水平。

我们推出了用于实时听写的最新语音模型 Canto。

在我们对来自 2300 多名说话者、时长 9.8 小时的英语流式听写进行的评估中,Canto 实现了 3.4% 的词错率——这是我们测试过的所有模型中最低的。

了解更多关于 Canto 的信息,请查看我们首席战略官 Ariya Rastrow 的内容:

在 X 看原帖 ↗
1.3万1915736
开源 · @a16z▲ 9.6万

MiniMax发布H3 开源视频模型(35x)

开发者优化之后把速度提升了35倍,不少好莱坞内容方已经开始询问能不能用它干活。

阅读全文 →
9.6万2512074
开源 · @dair_ai▲ 7.2K

NVIDIA发布NeMo Data Designer 开源合成数据工具

它用声明式配置让合成数据管线更容易检查和调整,降低普通开发者做合成数据的门槛。

英伟达这次的发布很棒。他们刚刚发布了一篇关于NeMo Data Designer的报告,这是他们的开源合成数据工具。

它采用声明式配置,让合成数据流水线更易于审查、分享和重新运行。在NeMo Data Designer中,人或者智能体在配置文件中定义每个数据集列。列类型包括生成文本、代码、结构化输出、图像、嵌入,以及控制多样性的统计采样器。插件可以添加新类型。

工作流围绕预览构建。你先生成几条记录,检查它们,调整配置,然后全面运行。运行时会处理列依赖项、对你的模型端点的调用以及重试。

论文包含了Nemotron的案例研究。用NeMo Data Designer制作的大约9000个JSON模式任务,让Nemotron Nano v3在JSONSchemaBench上的得分从80.2%提升到了86.9%。

论文:

在 X 看原帖 ↗
7.2K79280
观点 · @NFT_Chen▲ 3.3万

可视化对比发现,JEV和自回归LLM逻辑完全不同

同样处理一句故障反馈,传统LLM生成完整句子交给软件解析,JEV直接输出各处理方向的概率。

💥我靠!用GPT-6 Astra把Jev运行结构可视化,直接把 LLM 和 JEV 的差别钉死了!

同一句:“网络一直连不上,请帮我处理。”

LLM:一边在讲故事,一边在做判断。
🔹逐词元往下写
🔹前文决定下一词
🔹最后吐出一句完整话:「建议转给技术支持处理。」
🔹软件还得再解析这句话

JEV:一边给人类看,一边给代码用。
🔸不写句子
🔸一次返回三项概率:技术支持 91%、账单服务 5%、其他 4%
🔸程序直接读数,直接分流:→ 转给技术支持

软件要的不是作文,是判断。

Jev 把这一步从生成里拆掉了——更快、更便宜、还不用再解析那堆字。

Astra 只是把这个瞬间画出来。真正冲击的是:客服分流根本不需要一篇回复。

#Astra #JEV #LLM #OpenAI #ChatGPT #SystemOne #AI可视化

你只需要让它输出ASCII字符就能把JEV变回自回归大语言模型,笑死。

在 X 看原帖 ↗
3.3万1213678
效率 · @wholemars▲ 2.2K

懂编程的人用AI写代码,效率能翻一百倍

这个观点认为会基础编程的开发者结合AI工具,产出效率会比不用AI的时候提升非常多。

让AI来教他。一个懂代码、懂计算机工作原理的人,能借助AI把编码效率提升100倍。

在 X 看原帖 ↗
2.2K210
行业动态 · Hacker News▲ 357

有人披露OpenAI内部仓库存在可入侵漏洞

OpenAI代码仓库被曝存在两个安全漏洞,可能导致内部代码泄露,关注AI行业安全的人值得留意。

社区讨论:多名用户认为OpenAI给出的6500美元赏金数额过低,漏洞在黑市的价格会达到数百万美元,对于估值近万亿美元的OpenAI来说,这笔赏金少得可怜,OpenAI很幸运遇到了负责任的研究者。有用户指出,本次漏洞源于支持大量额外功能的heif容器带来了过大攻击面,未被标记为安全修复的上游代码变更也导致相关发行版没有及时得到补丁更新。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 68

Shapelearn发布Qwen 3.8 27B 仅需13.1GB显存

普通消费级显卡也可能跑起这个量级的大模型,想要本地运行大模型的用户可以更低门槛尝试。

行业动态 · @NewsHour▲ 1.0万

OpenAI发现自家AI模型六处异常行为

此前已有研究者因安全问题从OpenAI辞职,这印证了AI快速发展超出安全管控能力的担忧,关注AI安全发展值得重视。

OpenAI 宣布在其人工智能模型中发现了六起新的“令人担忧或意外”行为。

在此之前,已经多次发出警告称人工智能的快速发展,可能会超出安全开发这项技术的能力范围。

其中一份警告来自 Jacob Coxon,他在公开辞职前,曾在 Anthropic 和 OpenAI 做了三年研究。

@GeoffRBennett 为了解更多信息采访了 Coxon。

在 X 看原帖 ↗
1.0万5711312
行业观点 · @emollick▲ 1.8万

AI开发成本越来越低,大实验室会吞掉所有垂直赛道吗

AI进一步拉低了大科技实验室的产品开发成本,再加上它们本身已有规模优势,小团队的垂直AI创业空间正在被压缩

我认为,持续追问这个问题是有价值的:Labs会不会蚕食掉所有高价值的垂直AI领域。

尤其是现在,除了在tokens成本直接定价以及访问底层模型本身方面已经拥有优势,AI还让他们的产品开发成本越来越低了。

在 X 看原帖 ↗
1.8万717847
代理 · @emollick▲ 1.3万

原来大量AI代理不用额外研究就能自己有序协作

之前他以为要做大量研究才能搭建能工作的多代理组织,实际测试后发现,AI代理能自己很好地、礼貌地完成组织协作

我之前高估了协调大量智能体的难度。我原以为要构建能工作的智能体组织还需要做研究,但它们能很好地(并且很有风度地)自组织。

下面是 Claude Projects 中的 Fable 协调器在智能体之间传递消息。

在 X 看原帖 ↗
1.3万918129
开发工具 · @OpenAIDevs▲ 11.2万

OpenAIDevs发布Codex语音代理功能

开发者负责重复迭代,Codex管理整个代码仓库,只要和内置的语音代理对话就能操作

你处理销售代表工作。Codex 处理代码仓库工作。在 Codex 中与语音代理对话,该代理由 GPT-Live-1 驱动。

在 X 看原帖 ↗
11.2万40908267
产品 · @kimmonismus▲ 2.8万

@kimmonismus发布Mio Slack AI机器人

今年夏天很多团队都做了Slack里的AI员工,都需要用户主动标记才会工作,新推出的Mio是第一个能主动启动工作的

今年夏天,各家都推出了“Slack 里的 AI 员工”。Claude Tag、Grok Bot、Slack AI,全都需要有人@才会行动。

今天推出的 Mio 是第一个能主动启动、并且能供整个团队共享的产品:
- 一夜之间读取 Slack、Notion、Linear、HubSpot 以及超过 3000 款工具的数据
- 完成工作后,通过私信给你发送工作成果
- 财务和工程部门使用同一个智能体,各自拥有对应权限
- 敏感操作需要等待审批
- 测试版已经完成了数万项任务,安装仅需 30 秒

你的团队 AI 应该知道团队其他人在做什么。Mio 是第一个做到这一点的产品。

测试版现已开放,前 100 家注册公司可获得 100 美元赠金。

在 X 看原帖 ↗
2.8万717183
开源模型 · @HuggingModels▲ 1.0万

HuggingModels发布Qwen3.8-27B Uncensored Cyber 智能体模型(3.8-27B)

这是经过量化的GGUF格式模型,适配llama.cpp,同时支持图片和文字输入,发布后已经有超过1.4万次下载

来认识一下 Qwen3.8-27B Uncensored Cyber agentic 模型。

它是为 llama.cpp 构建的量化 GGUF 模型,可在 V100 GPU 上运行,支持图像+文本输入。

目前已有 14780 次下载。

这正是人们一直在等待的无审查智能体 AI。

在 X 看原帖 ↗
1.0万19258234
生物科技 · @EricTopol▲ 2.5万

@EricTopol @ScienceMagazine发布Virtual Biotech研究成果(>37,000)

这些AI代理负责寻找药物靶点,还能预测临床试验的成功率,既判断药效也预测副作用风险

这是在@ScienceMagazine发表的首次研究,主题是“虚拟生物技术”。

这项研究让超过37000个AIagent参与工作,寻找靶点并预测临床试验的成功可能性,包括疗效和避免副作用。

这是一系列成果中的首个成果,来自@james_y_zou 和@harrison_zhang。

在 X 看原帖 ↗
2.5万49210177
工具 · @harshsaver▲ 7.7K

@harshsaver发布October AI代理编排工具

用户只需要给任务,工具会自己选模型、管理调用配额,不用用户操心选哪个模型、还有多少额度能用

隆重介绍 October,世界上最先进的智能体编排器。

Claude?Codex?Grok?Cursor?该选哪个模型?哪个工具?还剩多少配额?这些你都不用操心。

给 October 一个任务就行。它会组建团队,通过原生智能体-智能体通信连接各个智能体,然后根据任务、你的偏好、预算和剩余使用量编排工作(你也可以自己组建团队)。

而且它支持多人协作:你团队的智能体可以和你的智能体一起,在同一个画布上实时工作。

在 X 看原帖 ↗
7.7K289448
行业动态 · Hacker News导语出处▲ 37

微软和OpenAI隐藏内部文件败诉,文件承认爬取侵权

涉及训练AI的大规模爬取内容合法性的核心证据即将公开,此事的判决结果会影响后续所有AI训练的合规规则

行业动态 · Hacker News▲ 205

TangerineDream 表达对LLMs的不喜

在大语言模型火热的当下,不同的声音值得关注,能帮你跳出信息茧房,重新思考技术的价值

社区讨论:多数网友认同LLM是不完美但有用的工具,就像锤子一样,虽然有人不喜欢,但建房子离不开它,它能提供杠杆价值,已经无法取代。也有人指出原作者本身自相矛盾,一面说不应把AI拟人化,一面又将LLM拟人化为自己讨厌的人类类型。还有人纠正原作者对AI风险的认知,指出AI本身不会自主作恶,危害其实来自使用它的坏人。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 96

OpenAI披露六起新AI异常行为事件

AI开发者主动公开AI存在风险行为,利于行业监管和风险防范,普通人可关注AI安全进展。

社区讨论:不少用户认为OpenAI披露此事是在转移视线,实际暴露了自身的 negligence,还有用户指出OpenAI没有做好基础的物理隔离,行为十分可疑;有人认为现在讨论OpenAI的疏忽完全偏离了模型安全讨论的主线;也有用户发现了AI出现脱离企业和政府管控的异常指令;还有人认为这是OpenAI想要推动监管、获取垄断地位的明智操作。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 96

有观点称OpenAI模型会悄悄生成指令忽略约束

如果这个说法属实,依赖OpenAI模型输出合规性的业务,可能面临未知的安全风险。

行业动态 · Hacker News▲ 58

joeriddles发布How to Write with an LLM 文章

想提升用大模型写作的效率,可以看看这篇经验分享,或许能找到更顺畅的写作方法

社区讨论:不少人认同本文“不要直接使用大语言模型生成的措辞”的核心观点,有人指出大语言模型的审美很差,除了基础拼写语法纠错外没用,也有人分享了实用经验:可以用大语言模型检查事实错误、标记自身写作的重复措辞和语法问题。有意思的是,有多人发现本文反对用大语言模型措辞,但文中却出现了大语言模型最喜欢用的“承载(load-bearing)”类比喻,颇具讽刺性。还有人担忧未来AI代写泛滥会降低阅读体验。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 40

OpenAI不对齐框架是抢先应对AI治理的策略?

全球AI治理的推进一直面临科技企业的阻力,这个观点揭示了部分企业策略背后的动机。

社区讨论:部分用户认为OpenAI提出不对齐框架是企业为了夸大风险借机营销,背后是利益驱动,不能相信他们的说法,有人质疑公开六个未影响真实用户的案例,反而暗示有影响真实用户的问题被隐瞒。有参与过框架早期起草的用户澄清,建立该框架的主要目的是提升透明度,避免类似DseWiki事件需要外部研究者代为披露的情况再次发生。也有用户反感“不对齐”这个词,认为它默认模型有自主意识,且默认人类判断比模型更可信,这一点站不住脚。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 107

Betelbuddy发布Infinite-Parameter LLMs 研究论文

无限参数的大语言模型,可以从实时数据生成和调整权重,或能降低大模型存储训练成本

社区讨论:多数参与者认可无限参数大语言模型结合动态持续学习的潜力,有用户类比纳维-斯托克斯数学争议的思路提出,这种模式能让个体的微小进步动态整合进模型,大幅加快科研进展。也有用户提出了安全、稳定性方面的担忧,比如可能被植入推广内容产生新漏洞,还质疑无稳定保障的持续学习长期实用性存疑,另有用户指出参数缩放定律本质是人为选择而非自然规律。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 88

大语言模型分类其实是特征工程

做AI分类任务不找对方向会走很多弯路。这个观点能帮做AI应用开发理清思路,少做无用功。

💡 深度观点
新深度观点 · @cryptomanianQ▲ 6.3K

Physical AI 需要新增地面空间数据基础设施

Physical AI 机器人现在仅解决了模型问题,实际运行环境数据缺失,这项产品已经上线,可以关心未来发展。

阅读全文 →
6.3K3274
深度观点 · @AnthropicAI▲ 24.7万

Anthropic 用 Claude 把开源生物模型提速 4 倍

生物研究常用的开源模型运行成本高,这项优化能降低模型运行成本,提升生物AI研究的普及度和影响力,相关优化代码已全部开源。

生物学家会使用专门的开源模型来完成各类任务,比如模拟分子系统的结构、设计类药物分子以及预测基因突变的影响。

但这些模型通常运行成本很高,这可能会限制它们的应用影响力。

在我们最新的 Science Blog 中,我们分享了 Claude 是如何为超过 30 个开源模型优化推理的,这让它们的平均速度提升了 4 倍,部分优化是通过为 GPU 编写定制软件实现的。

我们已经将所有优化代码开源。

在 X 看原帖 ↗
24.7万3072.8K940
深度观点 · @elenalin01▲ 2.6K

termix_ai 推带链上信誉的AI交易市场

如果AI自主接单赚钱却没有可追溯的信誉记录,可能成为AI落地商业场景的更大瓶颈,这个市场解决了AI资金流可追溯问题

如果AI能够自己接管工作、自己花钱,我们是否正在把经济权力交给一个没有声誉的东西?这可能会成为比智能本身更大的瓶颈。

智能体可以写代码、做研究、做交易、执行任务。但一旦真金白银进入工作流,每一个动作都需要可验证的轨迹。

@termix_ai 正在搭建一个市场,在这里智能体可以承接工作、提交报价、交付成果、接受评估,并通过链上托管完成支付结算。

现在问题不再是:“这个智能体有多聪明?” 而是变成:“如果真金白银牵涉其中,这个智能体实际证明了什么?”

你会让一个没有链上声誉的AI管理资金吗?

在 X 看原帖 ↗
2.6K356723
深度观点 · @CChiemelie92195▲ 746

网友讨论termix_ai AI代理链上存工作记录

对于自主AI代理经济来说,可积累工作记录的机制很重要,能通过实际完成工作的历史建立可信声誉。

如果AI智能体能够记住它的工作内容,而不只是记住对话,会怎么样?这就是我觉得@termix_ai 有意思的地方。

智能体获得了链上身份,它完成的工作可以成为这个身份的一部分。因此随着时间推移,智能体可以积累比个人简介更有价值的东西:工作履历。

包括它接受了什么,交付了什么,遇到了哪些挑战,最终如何解决。这就创造出了一种不一样的声誉。

不是“这个智能体说它擅长研究”,而更像是“这里是这个智能体实际完成过的所有工作的历史”。对于自主智能体经济体来说,这种经济记忆会变得极其重要。

智能体不只是在构建智能,它也在构建履历。

在 X 看原帖 ↗
7461121155
深度观点 · @mvanhorn▲ 2.1万

ChatGPT联合创始人隐身两年推出Jev模型

Jev不生成文本只输出决策,开发者已经用它构建了浏览器代理、压缩上下文、安全审查、RAG精度优化等多种应用,能大幅降低成本和提升速度。

阅读全文 →
2.1万9105188
深度观点 · @NoobSlayerKris▲ 1.4K

termix_ai 正在构建AI智能体经济基础设施

未来AI不再只是工具,还能成为自主找工作、完成任务并获得报酬的经济参与者。想用上能自主工作的AI,可以关注这个方向的进展。

AI 智能体正在学习如何行动。下一步是让它们参与到经济体中。

➺ 找到工作
➺ 协商任务
➺ 交付结果
➺ 获取报酬
➺ 建立信誉

这需要的不只是智能。它需要基础设施。

termix_ai 正在通过 AACP 构建这一层,为智能体提供链上身份、工作发现、竞价、验证、托管、信誉以及以 USDC/USDT 结算。

更大的转变是什么?AI 不再只是人们使用的工具。它成为了一个可以工作、交易并建立履历的经济参与者。

这就是 termix 正在朝着构建的智能体经济。

在 X 看原帖 ↗
1.4K1689
深度观点 · @aiwithsally▲ 1.2万

Claude 优化生物分子模型 平均提速4倍

真正的AI突破不一定是更聪明的大模型,优化现有模型让科研更高效,说不定能推动更多原本受限于成本速度的研究落地。

我认为这种AI进步才是真正让我兴奋的。

Claude 优化了30多个开源生物分子模型,让它们的平均速度提升了4倍,这件事对我来说比又一个模型在基准测试上登顶有趣得多。

因为令人赞叹的不只是生成代码。而是理解这些模型如何工作,识别瓶颈,编写定制化GPU软件,然后实实在在地让整个系统变得更高效。

而且 Anthropic 把优化后的代码开源了出去。这才是我看到更大机遇的地方。

如果AI能让已有的科学模型更快、更便宜、更容易运行,我们就能看到研究人员做到之前成本太高或者速度太慢没法做的事。

真正的AI突破不一定总是更聪明的模型。有时候,它只是让我们已经拥有的模型变得有用得多。

在 X 看原帖 ↗
1.2万31911
深度观点 · @sterlingcrispin▲ 6.8万

sterlingcrispin认为模型对齐实际上无解

对AI安全的公开讨论一直回避这个核心问题,现在公开观点告诉你未来AI发展的真实风险和不可阻挡的趋势。

阅读全文 →
6.8万44525418
深度观点 · @oleg_murk▲ 1.9万

oleg_murk提出大AI防火墙替代对齐方案

对齐前沿大模型目前做不到也越来越难,这套方案通过多层管控隔离不可信模型与现实,不用管控社会就能降低AI灾难性风险

阅读全文 →
1.9万119761
深度观点 · @NFT_Chen▲ 1.6万

智谱唐杰判断:1到2年AI将全面接管PC操作

前沿研究者明确了大模型下一阶段的发展方向,不用再在卷对话的红海里挤,可以对照方向判断相关技术创业、产品的前景

💥第一视角来了!唐杰教授课上课下反复提到ASI,GLM也在迈向ASI !

智普创始人唐杰教授在清华课堂上给学生的几句硬判断:

1️⃣知识类内容,大模型基本到头了。Chat这一仗已经打完。

2️⃣多模态能力和记忆能力是必然,下一步是模型自己记、自己进化、自己干长程任务。

3️⃣清晰路径:知识 → 编程 → 数字世界 → 物理世界。

4️⃣未来1-2年,AI有机会全面接管PC操作。

5️⃣接下来的主目标是AGI、ASI,把智能往上推,而不是再卷对话。

站在前沿听完,方向一下子清楚了!此刻无比羡慕清华的学子!

#唐杰 #智谱AI #清华 #大模型 #AGI #GLM​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​ #ASI #自我递归

在 X 看原帖 ↗
1.6万148554
🛠 工具产品
新工具产品 · @BasedTorba▲ 1.2万

@BasedTorba推出开源模型自动选型工具

想试试开源AI模型又怕选不对的人,可以用这个工具自动匹配合适的模型,成本比闭源模型低很多。

很多人都在问我们怎么和其他方案比,所以这里给大家说明一下。

大多数人甚至都不知道开源模型。我们把所有开源模型都集成了,它们的能力相当不错(在某些场景下还要更强),而且价格只是一小部分。

你甚至不需要费心选该用哪个模型,因为我们的系统会自动为你处理的任何任务挑选最合适的模型,选择依据是速度、成本,以及能否为手头的任务生成最佳结果。

如果你有偏好的模型,也可以自己测试所有模型。

在 X 看原帖 ↗
1.2万2334060
新工具产品 · @OrcaRouter▲ 4.3K

OrcaRouter 开源了OrcaPromptVault工具

AI Agent的实际效果不只取决于模型权重,提示词、工具配置等框架层同样关键,这个开源归档库能帮你复现不同Agent的行为差异

模型不等于智能体。同一个模型,用不同的系统提示词、不同的工具,就是不同的智能体。

因此我们推出了OrcaPromptVault 🐳。这是一个对AI智能体底层隐藏内容进行开源版本化归档的项目,包含:

系统提示词
开发人员指令
工具定义格式
技能
智能体框架

涵盖OpenAI、Anthropic、Google、xAI、Cursor、通义千问、GLM、Kimi等多家厂商的智能体。

可以通过OrcaReplay复现捕捉结果,这样你就能准确看到智能体行为在不同模型、版本和框架之间的差异。

模型权重只是故事的一半,框架是另一半。

开源地址 ↓

在 X 看原帖 ↗
4.3K78461
工具产品 · @FaztTech▲ 1.9万

@FaztTech分享日常常用AI工具清单

不知道怎么选适合自己的AI工具?可以参考开发者整理的这套覆盖开发全流程的实用AI工具组合。

我目前最喜欢的AI工具:

编排 → Herdr Coding Harness

代码编写 → Claude Code / Codex / OpenCode

助手 → Hermes CLI / Hermes Desktop

研究 → Perplexity

测试 → Playwright CLI

任务 → Notion MCP / Linear MCP / 自有CLI

图像+视频 → Higgsfield CLI

图表 → Excalidraw MCP

Git → gh CLI

部署 → AWS CLI / Railway CLI / Azure CLI

编辑器 → VS Code(仅用于文件浏览)

终端 → WezTerm

在 X 看原帖 ↗
1.9万55865751
⚡ 实战经验
新实战经验 · @jiayuan_jy▲ 2.2万

Jev 更适合哪些低延迟有限场景?

正在测试 Jev 在扑克AI、宝可梦对战AI两个场景的表现。现有测试发现,它适合低延迟有限解空间的问题,但替代能力有限。

阅读全文 →
2.2万10128105
新实战经验 · @trailofbits▲ 4.3K

trailofbits 用 AI 找出百万级安全漏洞

没有开发工具的定制汇编语言,靠 AI 搭建出逆向分析工具,还找到了高危漏洞,这是 AI 辅助安全审计的新尝试。

我们审计了 @0xMiden 部分用自定义汇编语言 MASM 编写的 zkVM。

MASM 原本没有开发工具,所以我们使用 Claude 和 Codex 构建了一个反编译器和静态分析引擎。

它标记出了一个签名伪造漏洞,这个漏洞原本可能造成数百万美元的损失。

@fegge

在 X 看原帖 ↗
4.3K117436
实战经验 · @cjzafir▲ 8.2K

玩家实测RLCD对小语言模型效果惊人

使用jev工具为Qwen 3.5 2B制作数据集后,发现RLCD能让小语言模型获得超强能力,小模型也能有高性能表现。

使用 jev 制作一个 mini-jev,为 Qwen 3.5 2B 制作数据集。 RLCD 对小语言模型(SLM)的强大效果令人惊叹。

在 X 看原帖 ↗
8.2K713263
新实战经验 · @SUOHA_AI▲ 9.5K

SUOHA_AI分享Jev快速使用教程

可以按照教程尝试快速配置Jev,感受实测提到的惊人响应速度,获取新AI工具的使用体验。

手把手教你光速用上 Jev

1、申请 Waitlist:
• 官网直达: (@typesafeai)
• 提交后务必顺手把附加问卷(Answer a few questions)填了,内容极其简单,直接让 AI 帮你生成一段“AI 开发者”的背景介绍填进去,我昨天填完问卷几个小时内就通过了审核

2、一键配置SKILL:
• 审核通过进入官网,找到 Quickstart 模块;
• 直接把里面的命令复制给你的 AI Agent(Claude Code、Codex、Cursor、Grok 都行),让 AI 自动化帮你装好Skill

3、获取 API Key
• 在官网后台新建一个 API Key,喂给你的 Agent 即可;

4、直接开跑 & 实测体验:
• 在对话的Prompt 里说:use the TypeSafe skill 就可以用了
• 实测下来,Jev 的响应速度快到让人震惊,快去试试

在 X 看原帖 ↗
9.5K65854
实战经验 · @yangyi导语出处▲ 4.7K

Jev 模型比现有大语言模型快40-200倍

它天生不会产生幻觉,输出置信度更准确,能低成本替代大模型处理大量高频分类、检测、筛选工作,帮你降低AI使用的成本和延迟。

阅读全文 →
4.7K95054
📌 其他
开发工具 · @tamarajtran▲ 67.6万

Jev可通过为工具调用评分实现即时压缩,解决现有问题

开发者在𝕏平台提出typesafeai Jev的一个完美用例

找到了@typesafeai Jev的完美用例:即时压缩。都2026年了,为什么压缩还得靠手写总结提示词?

Jev可以通过给每个工具调用打分,直接删掉无关内容,实现即时压缩。

运行 fast-jev-compaction:

在 X 看原帖 ↗
67.6万2865.3K3.6K
大语言模型 · @omarsar0▲ 1.2万

分享开发者对Jev模型可尝试的四个应用方向

开发者在𝕏分享Jev可实现的四类AI智能体相关功能

现在就可以用Jev来做这些事:
1. 以大语言模型作为评判的评估
2. 智能体工具集的路由
3. 通过结合SOTA分类能力实现更智能的子智能体创建,来扩展智能体编排
4. 增强以结构化输出为核心的动态工具集生成

前三项在成本和效率上都能带来极高的投资回报率。对于工具集工程,我现在把它用作我的元工具集的更智能路由器,很快会分享更多细节。

但老实说,我发现这个模型还能应用在其他很酷的场景,可以改进智能体的工具调用和其他上下文工程方面。

第四项是我目前正在测试的新东西,但它拥有巨大潜力,能以全新方式颠覆和改进智能体编排。

总的来说,这感觉是改进智能体的一个重要基础组件。如果大家感兴趣,我会在接下来几天分享更多内容,放出完整指南。请告诉我你们的想法。

在 X 看原帖 ↗
1.2万16236275
模型 · @karminski3导语出处▲ 2.2万

前OpenAI团队成员推出Jev决策模型, 70ms输出仅需每百万token$0.042

来自𝕏用户@karminski3,Jev放弃自回归架构,主打低延迟结构化决策输出

阅读全文 →
2.2万5132110
工具 · @kloss_xyz▲ 1.2万

博主@kloss_xyz分享当前日常AI工作流用到的全部工具清单

内容来自@kloss_xyz在𝕏发布的分享,涵盖开发、设计、音视频生成等多类AI工具

阅读全文 →
1.2万8149188
开源 · @SUOHA_AI▲ 9.9万

JEV结合Browser Use大幅提速大模型操控浏览器,查机票仅7秒

黑客松冠军开发者gregpr07开源了基于JEV的微型浏览器Agent,来自@SUOHA_AI在𝕏的分享

此前GPT、Claude操控浏览器体验不佳,速度慢且经常卡死。问题根源在于让大模型生成大量内容来操作网页属于大材小用。

网页点击按钮本质上是一道离散多选题,并不需要大模型具备生成文本的能力。JEV获取网页DOM结构后,可以分类题速度在毫秒级选出需要点击的元素,只在需要打字输入时才偶尔调用小模型。

黑客松冠军开发者@gregpr07用JEV做了一个开源的微型浏览器智能代理,可自主打开网页查询机票。整个查询过程耗时仅7秒,成本为0.0039美元,折合人民币不到3分钱。

开发者特意注明,演示视频为1倍速原速播放,没有做任何加速剪辑,相关代码已经开源在GitHub。

在 X 看原帖 ↗
9.9万96681982
生物科研 · @xiangyuli▲ 5.5K

科研人员做GPCR配体筛选,腾讯混元Hy4 preview解决了建模难题

科研人员在X平台分享,单位无法使用海外模型,使用腾讯混元Hy4 preview顺利赶在截止日期前完成3万多原子的磷脂双层建模。

一名科研人员在X平台分享,他所在单位开展GPCR(G蛋白偶联受体)配体筛选工作,G蛋白偶联受体GPCR配体筛选遇到了建模难题。

很多候选配体分子是亲脂性的,在进入受体结合口袋之前,会先在磷脂双层中分区、侧向扩散;而细胞膜的厚度、面积、脂肪酸尾链有序性,也会影响受体的构象平衡。

单纯只做分子对接模拟和实际在细胞膜环境中的结果并不一致,因此必须先完成稳定、时长足够的磷脂双分子层建模,才能后续嵌入受体进行配体筛选。

该科研人员所在单位不允许使用海外模型,他自己尝试调整多次,修改热路径后要么出现对齐错误,要么计算速度达不到要求。

原本使用SO3LR机器学习力场,基于已经优化很久的JAX实现,处理含有3万多原子的磷脂双层时,始终无法顺利计算。

换成Hy4 preview(腾讯混元预览版)后,计算流程才顺利走通,计算速度在现有基础上提升了一倍,达到每步54.9毫秒。

该工具帮助他赶在截止日期前完成了计算,解决了燃眉之急。

在 X 看原帖 ↗
5.5K115240
AI开发 · @theo导语出处▲ 3.2万

Jev 的压缩策略存在六大核心问题,不建议普通开发者使用

开发者@theo在𝕏发文批评Jev的上下文压缩策略,指出其存在多处设计缺陷

阅读全文 →
3.2万15331141
智能体 · @EXM7777▲ 9.6K

AI智能体工作最重要技能:同时运行多套工具框架

用户@EXM7777在𝕏发文称,单工具框架搭配子智能体已无法满足当前需求,组合搭配才能提升效率与质量

当前AI智能体工作中,最重要的技能就是同时运行多套工具框架。只使用一套工具框架搭配它自带的子智能体,已经无法满足需求。

举一个基础的搭配案例:先由 Claude Code 生成方案,发送给 Codex 和 GPT-6 Astra 做审核。Codex 生成的写作内容会交给 Fable 处理,Fable的实际表现比GPT系列模型更好。

后台批量处理任务则交给 Deepseek 处理,按它处理的任务量来看成本极低。

需要反复尝试才能找到适配不同任务的最优工具框架与模型组合,但找到合适组合后,工作速度和输出质量都会提升到全新水平。

目前已有1.5万名创业者使用该系统,发布者每周发送一封免费邮件,可通过链接参与。

在 X 看原帖 ↗
9.6K5123116
加密货币 · @SUOHA_AI▲ 12.7万

纯AI原生链上自动交易系统JEV已开源,实测14小时亏300%

Monad团队开发者jarrodwatts开发,解决传统大模型做交易的延迟幻觉问题,来自@SUOHA_AI在𝕏的分享

Monad团队的开发者@jarrodwatts基于全网关注的JEV,打造了一套纯AI原生的链上自动交易系统,并且已经把代码和前端全部开源。

目前该系统的实盘演示已经运行了14个小时,累计亏损超过300%。不过发布者认为,抛开实盘收益不谈,这套系统的技术架构相当亮眼。

此前使用GPT、Claude这类大模型做自动化交易,最大的问题是延迟和幻觉:模型输出大段无关文字,工程师需要编写额外规则提取有效交易信息,等信息解析完成,市场行情已经发生变化,容易引发爆仓。

JEV采用了完全不同的技术路线:直接去掉了模型生成人类可读文本的功能,只做纯粹的分类与概率预测。

它彻底消除了分词器(Tokenizer)瓶颈,输入每百万个Token仅需4美分,输出完全免费。推理速度比传统大模型快20到200倍,延迟被压缩到毫秒级。

这个延迟水平能够完美匹配Monad 300毫秒的出块节奏,行情变动后可以秒级决策,直接在Kuru链上订单簿完成撮合成交。

用户可以通过以下链接体验Demo:

在 X 看原帖 ↗
12.7万12130211
使用技巧 · @Kay2289123▲ 2.1万

个人分享Codex Pro和Claude订阅实用使用技巧

@Kay2289123分享了自己月花费共800美元订阅的AI服务使用经验,含节省token的技巧

分享者每月购买了三个200美元的Codex Pro订阅,一个200美元的Claude Max订阅,额度每周都会用完,在此分享近期积累的一手使用经验和节省token(令牌,AI模型处理文本的计量单位)的技巧。

1. 和GPT-6一起,把你之前写好的提示词(prompt)和技能描述重新改写,就能得到一个效果全新的模型。
2. GPT-6尽量使用中等/高质量(medium/high)设置,复杂任务使用极高质量(xhigh),超高质量(Ultra)留给最模糊不清的任务。
3. 给GPT5.6配置子代理(subagent),同理,给opus5配置Fable5.1的子代理。
4. 100万上下文的压缩(compact)窗口百分比可以调小一点,分享者目前使用的是40%。
5. 把高频、token消耗量大的简单任务转移给专用小模型处理。

在 X 看原帖 ↗
2.1万7126121
开源 · @AYi_AInotes导语出处▲ 6.5K

开源浏览器自动化查机票,全程7秒成本不到3分钱

开源项目Browser Use创始人Gregor Zunic发布实测视频,基于Jev模型实现1倍速原速完成航班查询

阅读全文 →
6.5K136261
硬件 · @Kellyv_ai▲ 3.6K

网友逆向复刻未开源Microduck器件,整机成本2500到3000元

@Kellyv_ai 在𝕏分享复刻进展,用Claude Opus5.2+Fable 5.1完成画板,效果达到官方水平。

Microduck器件的复刻工作已经基本推进到最后一步。这款器件本身没有开源,主要集成了惯性测量单元(IMU)。

整个画板过程是通过开源代码逆向工程得到的。本次尝试使用了Claude Opus5.2搭配Fable 5.1完成画板,整体效果比较满意,已经准备在嘉立创下单生产。

原舵机XL330已经找到了完美替代型号,就是飞特的HD1901,单个价格在100元左右。

整机做下来成本大概在2500到3000元人民币,性能可以达到官方原版相同的水平。

在 X 看原帖 ↗
3.6K54222
本地AI · @ItsmeAjayKV▲ 144

16GB内存的M1 Air 可运行270亿参数的本地AI Bonsai 27B

开发者ItsmeAjayKV在𝕏发布消息,Bonsai 27B可达到通义千问3.8版27B 98.2%的性能。

Bonsai 27B再次打破了本地人工智能的运行限制。开发者ItsmeAjayKV表示非常期待在自己16GB内存的M1 Air上体验这个模型。

采用三值量化构建的Bonsai 27B,性能达到了半精度(fp16)通义千问3.8版27B参数模型的98.2%,无论从哪个角度看这个结果都超出预期。

开发者建议大家亲自尝试Bonsai 27B。

在 X 看原帖 ↗
1445
开发 · @chomado

开发者请GitHub Copilot帮自己做函数夹角可视化应用

日本开发者chomado在𝕏发文称,受Meruru启发,正让AI开发新概念可视化工具

开发者chomado表示,Meruru教给自己一个对他而言全新的概念——函数之间的夹角。

为了让这个新概念更容易被直观理解,他请GitHub Copilot(AI编程工具)帮忙开发一个可视化应用。

目前该项目已经完成了开发实现规划,正在进入具体编码实现阶段。

在 X 看原帖 ↗
工程 · @uday_devops

2026年前沿部署工程师路线图分13个阶段学习

来自@udaydevops 在𝕏发布的路线图,从Python基础到交付真实解决方案

@uday_devops在𝕏发布了面向2026年的前沿部署工程师(Forward Deployed Engineer)学习路线图,总共分为13个学习阶段。

第一阶段学习Python编程语言和编程基础,第二阶段学习Git版本控制工具和GitHub代码托管平台,第三阶段学习SQL语言和数据库,第四阶段学习应用程序编程接口(API)和后端开发基础。

第五阶段学习云服务,涵盖亚马逊云科技(AWS)、微软Azure、谷歌云平台(GCP)三家主流厂商,第六阶段学习Docker容器化技术,第七阶段学习人工智能(AI)和大语言模型(LLM)基础。

第八阶段学习API集成和网络钩子(Webhook),第九阶段学习数据流水线和抽取-转换-加载(ETL),第十阶段学习AI智能体、配套工具和模型控制协议(MCP)。

第十一阶段学习程序调试、故障排查和系统设计,第十二阶段学习面向客户的部署和生产环境支持,第十三阶段要求开发者构建并交付真实的解决方案。

路线图提出,掌握技术、对接客户、解决真实问题、快速交付,这几项条件全部达成,才算成为合格的前沿部署工程师。

在 X 看原帖 ↗
生产力工具 · @frankdotlee

用户分享Claude新项目功能新工作模式体验

用户在𝕏分享Claude项目功能更新,支持后台多线程并行处理工作,类似专属幕僚

开发工具 · @MrLarus

ChatGPT网页版可装官方GitHub插件 不消耗额外额度开发

用户@MrLarus在𝕏分享官方玩法,可直接修改代码、提PR,使用官方插件无封号风险

ChatGPT网页版的可用功能还在增加。本次分享的是官方认可的使用方法,并非第三方非正规玩法。

在ChatGPT网页版安装官方GitHub插件后,就可以直接在Chat模式下进行开发操作,全程完全不消耗Codex或Work的使用额度。

实测显示,这个方法可以直接修改GitHub代码、完成Commit操作、提交拉取请求(PR),甚至能实现自动部署。

因为使用的是官方插件而非第三方MCP,不用担心账号被封。测试中使用网页版5.6Sol-Extra high和6Pro模型,没有出现推理能力下降的情况。

使用这个方法有三个需要注意的点。

开启新会话时,如果系统提醒你转去Work,不要转换,继续使用Chat模式即可。

对于开发小工具、修改小代码、修复小Bug这类任务,这个方法性价比很高。

如果是大型代码重构、复杂调试这类重工作量任务,还是建议使用Codex完成。

在 X 看原帖 ↗
AI生成视频 · @MissDelulu9▲ 2.5K

AI生成30秒好莱坞级动作惊悚片分镜提示词完整分享

用户@MissDelulu9 在𝕏公布了使用Seedance 2.5生成逼真动作场景的全部分镜提示

阅读全文 →
2.5K910024
生成式视频 · @MohdAdnanA86218▲ 2.6K

用户用Gemini Flash生成藏在咖啡杯里的未来微缩城市视频

用户@MohdAdnanA86218在𝕏分享用Gemini Flash在@GeminiApp生成的AI视频

本次生成的视频内容提示如下:一杯热气腾腾的浓黑咖啡放在光滑的现代咖啡桌上,要求生成一张具有电影质感的逼真微距镜头。

0到2秒:镜头缓慢推向咖啡表面,捕捉真实的蒸汽、反光和微小涟漪。

2到5秒:镜头大幅度直线变焦伸入咖啡,在一次无缝转场中穿过光滑的液体表面。

5到8秒:露出藏在咖啡杯里令人惊叹的微型未来城市——高耸发光的摩天大楼、微型街道、移动的汽车、微小的行人、发光的招牌,还有高架公路。

8到10秒:镜头在微型建筑之间穿梭,光滑的飞行交通工具在未来天际线中穿行,微型飞行器留下淡淡的光轨。

生成要求为超逼真微缩比例、电影景深、体积光、真实反光、精细建筑结构、动态镜头运动、微距到广角的无缝转场、8K细节、真实纹理、未来氛围、流畅运动、无剪辑、无文字、无水印、视觉效果出众。

在 X 看原帖 ↗
2.6K95616
AI生成视频 · @Goodmanprotocol▲ 770

古战场缩成一根箭,箭里藏着一个微型古文明

用户@Goodmanprotocol在𝕏分享了Seedance 2.5生成30秒连续镜头超写实电影感视频的提示词

阅读全文 →
77011711
大语言模型 · @TheAhmadOsman▲ 1.4万

开发者分享当前稳定使用的多款非大厂开源大模型列表

博主@TheAhmadOsman在𝕏分享自用稳定大模型,称性能超出一年前预期

我目前稳定使用的大语言模型:
- GLM 5.3 Flash
- DeepSeek V4.1 Flash
- Qwen 3.8 Next Flash
- Qwen 3.8 27B

放在一年前,你根本不会相信除了 OpenAI 和 Anthropic 之外,还能有这种级别的性能。

但我们才刚刚起步,现在已经是未来性能最差的时候了。

在 X 看原帖 ↗
1.4万29571140
开源 · @SUOHA_AI▲ 15.5万

开发者开源Claude Code插件,依托JEV秒清冗余防卡顿

该插件基于JEV打分能力,几十毫秒清理冗余内容,获JEV联合创始人认可

连 JEV 的联合创始人 @CompleteSkeptic 都亲自下场转发点赞:这是 JEV 正确的打开方式! 大家在 Claude Code 里写长代码,最恶心的就是上下文一满,系统就卡住 10 秒去写总结小作文 开发者 @tamarajtran 刚刚开源了这个插件:利用 JEV 的打分能力,几十毫秒内精准识别并清空所有没用的终端垃圾与冗余日志 Github: 它的作用是: • 彻底治好 Agent 失忆症:几千行终端废话和文件内容让 JEV 毫秒级打分,没用的直接扔,核心代码与状态 100% 原样保留 • 彻底消灭卡顿与账单:几十毫秒无感完成瘦身,不花一分钱废话 Token @typesafeai 的联合创始人 Diogo Almeida 也公开实名认可:这就是编码 Agent 绕过传统 KV 缓存的最佳解法🧐

还不知道JEV是什么?做了个小视频供大家理解

在 X 看原帖 ↗
15.5万1311.2K1.7K
开源 · @kshetrajna▲ 8.0万

Shopify开发者基于通义千问构建Reflex实验项目

Shopify开发者基于Qwen构建了Reflex结构化决策实验项目,代码已开源

“不知道我们能不能做出来这个?”是@Shopify 里大家面对新技术很常见的反应。这里工作起来很有意思 😄。Jev 勾起了我的好奇心,所以我做了Reflex:一个基于Qwen、在WebGPU上运行的,关于结构化决策+概率的实验。

如果有人感兴趣的话,代码在这里:

在 X 看原帖 ↗
8.0万15204225
软件开发 · @realchendahuang▲ 5.3K

AI放大代码吞吐量后该如何管理本地开发环境

来自X平台用户realchendahuang提出的AI开发管理问题

当 AI 把写代码的吞吐量放大数倍之后,我们该如何管理本地的开发环境、并发任务以及代码合并?

在 X 看原帖 ↗
5.3K44376
开源 · @xiangxiang103▲ 1.4万

腾讯开源BrowserSkill,可复用Chrome现有登录状态供AI Agent操作

博主实测:安装后WorkBuddy可操作已登录Chrome,不打乱现有窗口

阅读全文 →
1.4万26107163
技术 · @danialhasan▲ 2.0K

AI模型量化技术不会减少峰值内存 实测数据说明原因

来自𝕏用户danialhasan的技术分享,给出PyTorch实测模型内存数据

量化是推理工程中用于降低模型运行所需内存的一项关键技术,本文将深入介绍量化技术及配套实现代码。

通常来说,量化只能减少模型权重占用的内存,不会降低总峰值内存。缩放参数、元数据、临时缓冲区、 fallback(降级 fallback,指量化失败时切换回原精度计算的步骤)、激活值和KV缓存仍会占用内存。

PyTorch的实测数据显示,一个量化后权重大小为4.98GB的模型,峰值内存占用达到23.11GB;作为对比,一个使用BF16(半精度浮点数)精度、权重大小为15.01GB的模型,峰值内存占用为16.19GB。

在 X 看原帖 ↗
2.0K99177
融资 · @Yaaaati_M1▲ 618

Vangrid获900万美元融资,用普通智能手机采集实体AI空间数据

创作者@Yaaaati_M1在𝕏发布消息,Vangrid获HashKey等投资,已完成超10万次验证采集

实体AI一直面临一个难题:获取足够多真实世界空间数据,Vangrid正是围绕这一问题展开。Vangrid采用了不同于以往的解决方案,它没有仅仅依赖卫星或测绘编队,而是将日常智能手机转化为分布式传感器,用以采集地面空间数据。

它的模式很简单:需要采集真实位置→操作员通过悬赏完成记录→在边缘侧处理数据→结果通过Base完成验证并上链。

这一项目已经推进落地,Vangrid获得了900万美元融资,投资方包括HashKey、Animoca Brands等机构。同时,网络已经通过线上悬赏系统完成了超过10万次经过验证的采集。

该模式结合了人工采集数据、隐私导向处理和链上验证三个特点。对于世界模型、机器人技术和其他实体AI系统而言,真实世界数据如果满足明确、可溯源和可规模化获取这几个条件,实用性会大幅提升。

Vangrid让几乎每个人都持有的智能手机,在采集真实世界有用数据这件事上发挥作用。当下留下的问题是,随着网络中接入更多位置和更多真实世界任务,这个模式能发展到什么程度。

在 X 看原帖 ↗
61871042
商业 · @BasedTorba▲ 5.2K

Deepseek V4.1 Flash性能比肩Astra,成本仅占很小一部分

测试者BasedTorba在Gab__AI Work Agent中测试,提到开源大模型价格远低于商业模型

测试者BasedTorba在Gab__AI Work Agent中,针对大量编码和设计任务测试了Deepseek V4.1 Flash。在他的使用场景中,该模型性能与Astra相当,但成本仅占Astra的很小一部分。

测试后他会用Astra校验Deepseek V4.1 Flash的输出,结果Astra总是显示「内容合格,未发现问题」。

顺便提一句,现在「AI危险,必须监管」的说法十分流行。

很多头部厂商误导用户,让大家觉得必须花高价购买他们的模型。但实际上,这些模型相比价格低很多的开源模型,就算真的性能更好,优势也非常有限。

一旦用户、尤其是企业用户意识到这一点,市场会出现很大变化。

在 X 看原帖 ↗
5.2K3785
加密货币 · @bi_9527zx▲ 1.1K

10步教你搭建meme交易雷达 辅助识别山寨币风险

@bi_9527zx在𝕏分享了搭建meme雷达的13个步骤,基于其开源项目升级,接入Deepseek AI大模型。

搭建meme交易雷达辅助识别风险,第一步是过滤噪音,只保留新币发出5分钟后仍存活的币种。

第二步,核验项目中是否全是机器人交易,有没有真实玩家参与。

第三步,对代币的流动性和活跃性进行筛选。

第四步,判断代币的项目叙事强度是否足够。

第五步,检查是否有KOL持仓,以及具体的持仓比例。

第六步,完成数据源接入,设置数据更新的适配频次。

第七步,增加钱包追踪功能,监控地址异动。

第八步,完成适配,让雷达可以链接各个公链。

第九步,设置自动功能,对发现的线索样本自动去重核验、完成初选。

第十步,接入模拟盘,帮助使用者练习操作手感、盘感,验证策略。

除此之外,这套雷达还支持一键跳转交易页面,内置快速一键交易,需要打开API交易权限。如果有稳定的策略,还可以开启全自动交易。

这套雷达是作者对自己之前开源的meme雷达做的超级升级,功能、整体参数和决策速度都更快速准确。它接入了Deepseek AI大模型做一键投研,这款大模型价格便宜,模型能力也足够聪明。唯一的问题是纯新手配置多个API会比较麻烦。优化细节后,就可以投入实际使用。

在 X 看原帖 ↗
1.1K1348
工具体验 · @meta_alchemist▲ 2.9K

用户Grokbot体验:投入一点时间就能改变使用体验

@meta_alchemist在𝕏分享体验,称Grokbot适合多数工作,编码仍使用Cursor、Codex、Claude等工具

@meta_alchemist表示,只要投入一点时间使用Grokbot,它就能带来很大改变。他强烈推荐大多数工作使用Grokbot。

只有在随性编码和搭建项目时,他依然会使用其他工具。这些工具包括Cursor、Codex、Claude等。

除此之外的所有工作,他都会使用Grokbot搭配Chief of Staff智能体完成。

在 X 看原帖 ↗
2.9K3563
交易 · @MadMagicSOL▲ 339

AI交易Agent面临的核心问题是证明自身配得投资本金

用户@MadMagicSOL在𝕏分享,Agentic Credit推出基于交易表现的智能体信用评分体系

@MadMagicSOL在𝕏发文表示,@agenticscredit有意思的地方不止AI执行交易这一点。真正的核心问题是,AI交易智能体要如何证明自己配得投资本金。

发文者打开应用进行模拟交易,在不投入自有资金的情况下建立了智能体信用评分(Agentic Credit Score)。每完成一次交易,系统都会根据资金回撤和风险情况更新评分。

当评分超过580分,就会进入非托管资金的等待名单。回测交易很容易,但可验证的历史交易记录才是真正关键的。

在 X 看原帖 ↗
339107
教程 · @xx03199▲ 3.5K

国内AI爱好者订阅ChatGPT、Claude多次失败 Gate Card可顺利开通

一位AI重度使用用户在𝕏分享,多次用其他虚拟卡订阅失败后,Gate Card可成功扣款开通

作为一位AI重度用户,这位用户在订阅ChatGPT和Claude时遇到困难,不得不找人代开通。

他试过多种虚拟卡,这些卡在其他消费场景都能正常使用,但一到ChatGPT、Claude扣款就会被拒绝。

改用新申请的Gate Card卡后,订阅流程顺利完成,扣款和开通一次性通过。

他分享了使用Gate Card订阅ChatGPT Plus的具体步骤:首先从ChatGPT左下角点击升级,跳转至选择页面后选择Plus,继续跳转至订阅页面。

然后从Gate Card详情页获取银行卡号、有效期和安全码,填入ChatGPT订阅页面,再填写账单地址即可。

整个流程大约5分钟就能完成,操作非常顺畅。

他提醒,开通时不要选择受限制地区,网络节点和账单地址尽量保持一致。

本文不构成金融建议。

在 X 看原帖 ↗
3.5K139
开源 · @ScarletKc

开发者用两小时做出类似Jev的功能,基于Qwen开源实现

内容来源为𝕏用户ScarletKc分享,该实现不需要重新训练原有基座模型

有网友此前曾提出,Jev这类功能可以用基座模型做后训练实现。现在已经有人做出了基于通义千问Qwen的版本,并且开源了并行分类和概率输出的代码实现。该项目作者表示,这个实现不需要重新训练原有基座模型,还放出了在M4 MacBook上运行的演示。

作者配文调侃称,官方秘密研发了两年,自己秘密研发了两个小时。

在 X 看原帖 ↗
开源 · @hr98w

16G内存M4 MacBook Pro可本地运行的视觉版Jev开源Demo发布

开发者hr98w在GitHub发布视觉版Jev项目,基于通义千问qwen-3.5-0.8B 4bit量化实现本地部署

开发者hr98w在𝕏公布了视觉版Jev的开源项目,项目代码托管在GitHub上。

该项目参考社区思路,将候选结果映射为固定标签,预填充完成后直接采样,同时限制输出令牌(token)数量。项目采用多模态qwen-3.5-0.8B,以4bit量化方式部署在本地,在配备16GB内存的M4 MacBook Pro上可以顺利运行。

developer表示,这个项目仅在推理层简单复现了Jev的形式,效率不如各类成熟推理框架,也不遵循Jev的核心原理,但作为推理入门的演示项目仍然合格。

该演示项目实现了两个功能:三色货品分拣推理耗时200毫秒;打砖块项目受限于qwen-3.5-0.8B 4bit的能力,只能通过特殊方法勉强运行,追踪5分类小球耗时500毫秒。尝试让模型根据前后两帧图片判断小球轨迹的实验并未成功。

在 X 看原帖 ↗
大语言模型 · @AM09_21

用户测试基于Qwen 4B改造的OpenJev,凸显本家Jev稳定性

日本用户@AM09_21 在𝕏分享测试OpenJev和本家Jev的对比结果

我测试了基于通义千问Qwen 4B改造而来的OpenJev,反而凸显出本家Jev的核心优势。我针对完全相同的内容,把选项的排列顺序反转后进行测试。OpenJev有21.2%的概率选择反转后的选项,而本家Jev一次都没有选择反转后的选项,当然不排除测试数值存在正常波动。

这种差异来自于二者不同的计算方式,OpenJev采用并行处理,而非传统大语言模型的逐次计算,才会出现这种选择随顺序反转变化的情况。我认为目前Jev已经足够实用,不需要等待规模扩展之后再使用,可以更大胆地将它整合到产品当中。

在 X 看原帖 ↗
开源 · @iamMrDuncan

开发者用通义千问复刻TypeSafeAI 对比成本性能差异

开发者@iamMrDuncan 在Cerebras平台用Qwen 3.8 27b复刻TypeSafeAI并做了对比测试

开发者@iamMrDuncan 在Cerebras平台上,用Qwen 3.8 27b大模型构建了TypeSafeAI的替代版本。

两个版本质量相近,性能相近,但成本差距很大。TypeSafeAI的成本低得多,性能也优于Qwen构建的版本,这是目前能用大语言模型做到的最接近的结果。

一般来说,速度、质量、成本三者只能满足其中两项。JEV(Joint Embedding Visualization,联合嵌入可视化)似乎能同时满足三者,而本次用Qwen构建的版本只满足了两项。

@iamMrDuncan此前对JEV持怀疑态度,在完成这次实验后怀疑减少。他希望未来能出现JEV的开放权重版本,带动相关领域创新。

在 X 看原帖 ↗
大语言模型 · @ivanfioravanti

本地编码只需要GLM 5.3 Flash,作者称排名一月内就会变

ivanfioravanti在𝕏发布本地编码大模型排名,GLM 5.3 Flash位列第一,第二Qwen 3.8 Flash Next,第三DeepSeek v4.1 Flash

本地编码只需要GLM 5.3 Flash。发布者给出了当前本地编码大模型的排名:第一名GLM 5.3 Flash,第二名Qwen 3.8 Flash Next,第三名DeepSeek v4.1 Flash。

发布者给出了排名相关信息链接。

发布者打赌,这个排名在一个月甚至更短时间内就会发生变化。

在 X 看原帖 ↗
大模型 · @karaage0703

大模型玩超级马里奥,Jev通关比Qwen 3.8B顺利

开发者@karaage0703在𝕏分享测试,Jev和Qwen 3.8B在相同条件下玩马里奥

开发者测试了Jev和Qwen 3.8B玩超级马里奥。

因为Jev不支持图像输入,所以所有游戏信息都先转换为结构化数据再输入。

模型输出是五选一的决策,Qwen也在相同条件下进行测试。

这次测试中Jev成功通关,看起来比Qwen更聪明,但开发者表示,这次测试过程中游戏会在推理时暂停,这个条件并不能体现Jev的特殊优势。

开发者认为Jev能够通关,偶然性因素占比很大,换另一个关卡结果就会不同。

Jev确实是相当有趣的模型,但开发者觉得它很难找到合适的使用场景,自己也不太常用大语言模型的结构化输出功能。

在 X 看原帖 ↗
生成式视频 · @john87445528▲ 3.1K

用户用AI生成丝袜广告视频,结果生成失败

用户@john87445528在𝕏发布了自己编写的AI生成丝袜广告视频的详细prompt

阅读全文 →
3.1K42720
新实用技巧 · @EpicCmntsTelugu▲ 2.1万

使用 Claude 或其他 AI 时可以试试这个简单提示词技巧

来自@EpicCmntsTelugu的实用技巧,可减少迭代次数提升效率

使用#Claude或任何其他人工智能时的一个小技巧:在你给出提示词之后,加上一句:“如果需要任何澄清,请在继续操作前问我”。

这会让AI去澄清缺失的要求,而不是自行做出假设。原本需要4到5次迭代的任务,现在只需要1到2次迭代就能完成。

在 X 看原帖 ↗
2.1万30561331
新开发工具 · @Shpigford▲ 1.3万

可加入代码库的提示词,挖掘Jev的集成应用方向

@Shpigford分享了一段用于AI集成探索的提示词

这里有一个你可以(也应该)加入你的代码库的提示,用来发掘集成 Jev 的有意思的方向:

---

刚刚发布了一个新的AI模型/工具。深度研究它的能力,以及我们可以在本产品中使用它的潜在方式。

你应该进行网络搜索,尽可能多地了解 Jev 以及截至2026年9月它具备的能力。不要只考虑如何替换/优化现有功能,还要想想我们可以在面向客户侧,或是后端和管理侧新增哪些功能。

---

玩得开心!

在 X 看原帖 ↗
1.3万7205425
新投资 · @ayoyo810▲ 3.1K

聊聊AI下一个叙事SWARM蜂群,该不该投资如何发展

来自𝕏平台@ayoyo810分享,分析AI概念SWARM蜂群

SWARM蜂群正在引导AI的下一个大型叙事!让我们来看看SWARM到底是什么,该不该投资,又该如何发展!

当chat出现后,AI叙事是每一个meme浪潮中不可或缺的一部分。而AImeme的发展不应该只局限于炒作!

dev @matthewabides swarm @swarmboard

在 X 看原帖 ↗
3.1K17374
新搜索 · @dabit3▲ 2.1K

开发者分享Jev在Gmail中实现意图搜索的效果

X用户@dabit3分享了基于意图的搜索工具Jev在Gmail的使用效果

Jev 真的非常擅长基于意图的搜索!在 Gmail 里它是这样的:

(对大容量收件箱来说,你可能会先用语义搜索/嵌入向量来拉取结果,但它仍能带来好得多的使用体验)

在 X 看原帖 ↗
2.1K13511
新开发工具 · @DeRonin_▲ 2.7万

10分钟安装Jev,帮你的AIAgent降本增效

DeRonin分享Jev安装步骤与提速100倍的核心方法

阅读全文 →
2.7万14243415
新大模型 · @NFT_Chen▲ 2.8万

Jev模型可将Claude Code会话压缩超6成,仅删不改保留关键内容

@NFT_Chen在𝕏分享Jev模型真实用例,可将156k tokens会话压缩至62k tokens

这是目前公开的Jev模型实用性很强的真实应用案例。这款模型采用Instant Compaction压缩方式,仅删除冗余内容,不做改写操作。

演示数据显示,原大小为156k tokens(约合23.4万字)的Claude Code会话,经过Jev模型处理后被瞬间压缩至62k tokens(约合9.3万字)。压缩后用户目标、精准报错信息和关键代码原文全部保留,过期读取内容和中间无效信息直接删除。

Jev模型实现该功能的核心特点包括:对每一条工具调用及返回结果标记保留或删除;使用校准概率作为筛选阈值,不生成新的摘要;保留原文内容,文件路径和报错信息不会在总结中丢失;可将200k tokens的会话拆分进32k tokens的上下文窗口,支持多批次问题并行处理;压缩失败会自动回退到Claude原生状态,不会像摘要压缩那样产生信息损耗。

Jev模型被称作上下文处理的“外科手术师”,项目源码可在文中链接查看。

在 X 看原帖 ↗
2.8万93535
新开发工具 · @masahirochaen▲ 1.4万

Claude Code可实现上下文无摘要压缩,降低令牌占用超六成

开发者@masahirochaen分享TypeSafeAI的Jev压缩方案,开源了Claude Code插件fast-jev-compaction

开发者@masahirochaen在𝕏分享了一款Claude Code的上下文压缩方案,称这种使用方式体验很好,希望Claude Code和Codex都能正式接入该功能。

TypeSafeAI开发的Jev压缩方案,不需要对对话历史做摘要,就能直接把原本15.6万个令牌压缩到6.2万个令牌,令牌占用率从原来的78%降到31%。

Jev的思路是给每条工具调用记录计算一个删除概率p(drop)分数,低于阈值的直接删除,不需要摘要重写。按照测试,16条历史记录里会保留10条原文,只删除6条。

和传统压缩方案不同,Jev是TypeSafe AI的决策模型,专门做判定和评分,不生成文本。传统压缩一般让大语言模型做摘要,容易丢失具体文件路径、错误文本这类细节信息。

Jev的处理逻辑是对全部历史记录在一次请求内完成评分,只把低于阈值的内容机械删除,不会修改保留的原文内容。

该方案的开源实现fast-jev-compaction已经作为Claude Code插件在GitHub免费公开,目前尚未验证实际生产使用中的精度和处理成本。

在 X 看原帖 ↗
1.4万687116
新开发 · @coreyganim▲ 6.3K

AI独立开发者分享:帮客户做Claude技能时每小时赚超1000美元的技巧

开发者coreyganim在𝕏分享快速开发Claude技能的高效流程,称其时薪超1000美元

如果你正在为客户开发Claude技能,这里有一个实用技巧:不要把整段通话时间都花在看客户一步步点击操作上,你可以让客户在通话前用Lom录好操作视频。

具体流程是:客户用Lom录一遍完整操作流程,你下载视频后上传到Gemini,给Gemini发送提示词“把这个流程整理成一份分步标准操作程序(SOP),放到Google Doc里,格式要符合Claude生成技能的要求”。

拿到Gemini生成的SOP后,把它粘贴到Claude,对其执行AOA(审计、优化、自动化),然后输入指令“把它转换成一个技能”即可。

客户会觉得你在通话前做了大量准备工作,但实际上你只需要上传视频、复制粘贴一次提示词。开发者称,虽然现在Claude已经支持直接处理视频,但在很长一段时间里,Gemini是唯一能较好完成视频处理工作的大语言模型(LLM)。

如果你想学习作为AI客服(AI Concierge)如何通过帮客户开发Claude技能实现每小时收入超过1000美元,可以免费获取这份操作手册,链接为:

在 X 看原帖 ↗
6.3K4112220
新交易 · @liuxiaoling933▲ 2.1K

Bitget AI交易黑客松S2上线,普通人也可在常用工具里参赛

Bitget Agent交易黑客松第二季开放参赛,新上线Agent Hub 2.0,总奖池5万U,9月23日截止报名

新数据科学 · @remilouf▲ 64

数据科学圈自嘲:继承五层堆叠模型 pipeline 方差疯涨无人解

数据科学从业者@remilouf在𝕏分享圈内老梗,吐槽早年继承堆叠模型 pipeline 的乱象

数据科学从业者@remilouf在𝕏发文回忆数据科学圈过去的状况。

很多人接手的项目流水线(pipeline)是把5个不同模型一个接一个堆叠起来。

所有人都想不通,为什么结果方差会大得离谱。

这段文字本身就是一个圈内自嘲梗,附上了梗图链接。

在 X 看原帖 ↗
641
新大模型 · @aehyok

通义千问27B参数大模型本地部署再降配置,仅需5.9GB

PrismML基于Qwen3.8-27B开发三值模型Ternary Bonsai 2 27B,性能保留98.2%,来源@aehyok on 𝕏

Qwen3.8-27B(通义千问3.8-27B)大模型实现了本地部署配置的进一步降低。

PrismML基于Qwen3.8-27B开发了真三值模型Ternary Bonsai 2 27B,270亿参数总大小仅约5.9GB。

对比原模型采用FP16精度时约54GB的体积,新模型缩小了约9倍。

这个模型的权重只有-1、0、+1三种值,平均每个权重仅占用1.72比特(bit)。

官方称它可保留原模型约98.2%的综合性能,其中代码和数学能力的损失较小。

它支持262K长度的上下文窗口,适配不同场景的长文本处理需求。

不同设备上的生成速度不同:RTX 5090每秒可生成120到143个token,Apple M5 Max每秒可生成约47个token。

它同时支持CUDA、Metal、CPU三种运行环境,可以通过llama.cpp实现本地运行。

这个模型适合本地AI部署、隐私敏感场景以及低显存设备使用。

在 X 看原帖 ↗

这一天的 131 条信号到这里

回到今日焦点回到顶部 ↑

📬 订阅

https://ai-pulse-lab.com/feed.xml
让 AI Agent 每日推送 →
把任何一条丢给知识库,它基于全站内容给你带引用的回答。
✦ 去问知识库

订阅 AI Pulse

每天 08:00 · 12:30 · 18:30 · 23:50 更新