AI Pulse

社区讨论：多数网友支持用BitTorrent分发AI模型权重，认为可以避免单一托管平台失效的风险，是这个场景的完美应用。有人指出没必要分发去除对齐的完整模型权重，只需要分发拒绝向量，在运行时对激活做正交处理就能实现，计算成本很低。也有人认为项目取名“Pirate”从一开始就定下了负面基调，还有人不满需要去Xitter认领用户名的做法。

我订阅了 ChatGPT Plus 套餐，现在遇到了 Codex 使用限额的严重问题。我的周剩余额度明明还有 96%，几乎没怎么使用，一天之内就变成了 0%。

你们所有人都遇到这个问题了吗，还是只有我这样？

你的下一个游戏资产在3D模型开始制作前就已经启动了。现在，StudioTwin也同样如此。🎨

欢迎了解ConceptLab：你可以在探索和细化概念艺术的同时，使用我们的3D、动作、材质、环境和音频工具。

你可以手动创作，也可以通过MCP借助AI代理创作。

更新：Kev-0.6B、4B 和 8B 现已开放获取。Kev 是一类小型开源 Jev 风格决策模型，你可以自行训练和运行。

这个新系列基于 Qwen3，使用和此前相同的 LoRA + 小型指针头技术，但进行了扩容。在模型从未训练过的域外数据测试中：Kev-8B 准确率 79.6%，Jev 准确率 85.7%。

• 可直接替换的 TypeSafe System One API；只需改动一个 `base_url` 就能使用他们的 SDK
• Kev-4B 可在 32 GB Mac 上以 bf16 精度运行：5 个问题约耗时 ~300 毫秒，在 H100 上约 ~40 毫秒
• 重复文档命中 KV 缓存：速度提升 2-2.5 倍
• Apache 2.0 许可证。Kev-4B 在单张 H100 上训练只需 40 分钟，Kev-8B 需要 83 分钟。

代码、权重、评测：

社区讨论：多数评论对萨姆·奥尔特曼此行持负面态度，有人认为他只是逐利的科技CEO，这次联合国简报就是营销噱头，目的是鼓吹AI威胁让AI泡沫维持虚高，也有人质疑为何私人科技公司CEO能对全球AI治理发言。另有少数人提出，AI本身已经具备强大网络黑客能力，不能对此视而不见，还有人疑问政府放缓AI监管是否能帮助企业解除数据中心合同。

社区讨论：多数用户认为在付费订阅的ChatGPT上运行这类用户浏览数据收集是不合理的，应该立法禁止，认为欧盟相关数据隐私立法整体对消费者有益。有用户指出，这项机制本身是常规广告技术，但放在AI聊天产品上是史无前例的，用户对AI对话的隐私预期远高于常规社交媒体浏览，这种应用场景令人不适。也有用户建议使用带隔离cookie的Firefox配合拦截工具规避该追踪。

认识一下 Pollo MCP。🧩 你的创意工作流现在已经接入智能代理了。

你可以直接在 Claude、ChatGPT 或 Cursor 中创建图像、视频和音频。

所有顶级模型都汇集一处：Seedance 2.5、GPT Image 2.5、Kling 3.0 等等。

一个代理，一次提示。让 Pollo 来处理创作。

🎁 你的第一个 MCP 创作由我们买单。新用户连接 Pollo MCP 并开始试用后，最高可以领取 40 免费积分。

查看下方的设置指南。

#PolloAI #MCP #AIAgents

Anthropic目前正在秘密测试Opus 5.5（`claude-opus-5-5`），代号为`claude-wafer-eap`，计划于周二发布。

Kevin Rose刚刚分享了他开发的Grok Bot工具。

这款工具会读取用户多年来保存在Instagram（IG）中的视频，对视频运行Transcribe 2.0语音转写和计算机视觉分析。

分析完成后，工具会生成一份Karpathy风格的本地markdown格式知识库，支持搜索和提问查询。

认识一下 Pollo MCP。🧩 你的创意工作流现在已经接入智能代理了。

你可以直接在 Claude、ChatGPT 或 Cursor 中创建图像、视频和音频。

所有顶级模型都汇集一处：Seedance 2.5、GPT Image 2.5、Kling 3.0 等等。

一个代理，一次提示。让 Pollo 来处理创作。

🎁 你的第一个 MCP 创作由我们买单。新用户连接 Pollo MCP 并开始试用后，最高可以领取 40 免费积分。

查看下方的设置指南。

#PolloAI #MCP #AIAgents

我们刚刚取消了付费 AI workspace。推出robinhood:0xa92768863a55d8a0591709f7f5e594a249d36ea3协作功能。

最多支持 12 人的团队协作，共享同一知识流、AI 和工作负载。你可以在任意协作 workspace 中创建任意多的会话和主题。

免费加入，仅按你使用的积分付费。协作中的任何人都可以创建提示词，任何人都可以给协作账户充值。不再需要中间人传递提示词或信息。任何人都可以完成代码、修改图片或任何工作。

你想要的任何 AI 模型都会在聊天中待命，你标记 @askr 它就会响应。你可以搭建专业项目，或者只是群聊，让 AI 随时按你的要求生成表情包。

协作功能面向所有人开放。目前协作 beta 已对全部用户上线，邀请你的朋友 @ 即可开始使用。

更新：Kev-0.6B、4B 和 8B 现已开放获取。Kev 是一类小型开源 Jev 风格决策模型，你可以自行训练和运行。

这个新系列基于 Qwen3，使用和此前相同的 LoRA + 小型指针头技术，但进行了扩容。在模型从未训练过的域外数据测试中：Kev-8B 准确率 79.6%，Jev 准确率 85.7%。

• 可直接替换的 TypeSafe System One API；只需改动一个 `base_url` 就能使用他们的 SDK
• Kev-4B 可在 32 GB Mac 上以 bf16 精度运行：5 个问题约耗时 ~300 毫秒，在 H100 上约 ~40 毫秒
• 重复文档命中 KV 缓存：速度提升 2-2.5 倍
• Apache 2.0 许可证。Kev-4B 在单张 H100 上训练只需 40 分钟，Kev-8B 需要 83 分钟。

代码、权重、评测：

你的下一个游戏资产在3D模型开始制作前就已经启动了。现在，StudioTwin也同样如此。🎨

欢迎了解ConceptLab：你可以在探索和细化概念艺术的同时，使用我们的3D、动作、材质、环境和音频工具。

你可以手动创作，也可以通过MCP借助AI代理创作。

Anthropic目前正在秘密测试Opus 5.5（`claude-opus-5-5`），代号为`claude-wafer-eap`，计划于周二发布。

最近软件开发领域冒出了大量新词汇。

GitHub Podcast 聊了聊开发者目前正在学习的一些人工智能相关术语。

戴上耳机收听吧 🎧

Codex 额度又见底了？先别急着充。GitHub 上有个 DevSpace，自己搭 MCP Server，把本地项目接给网页端 GPT。

它比较妙的地方是：网页 Chat 和 Codex 的额度分开计算，Codex 用完还能切网页端继续干活。另外还能接 GitHub，用分支、PR 管理代码；项目文件和终端都留在本地。简单说，就是多了一条 AI 编程通道。

🚨突发消息：一个全新的基于Python的开源多智能体大语言模型交易框架诞生了。

它名为 TradingAgents。下面介绍它的功能，以及如何免费获取：🧵

将人工智能引入企业并不意味着必须从零开始。

AMD Instinct MI350P 专为将大语言模型规模的人工智能引入现有环境而设计，采用风冷形态，可帮助企业无需重构整个基础设施即可完成部署。

好多人觉得 Jev 非常牛逼，其实就是一个分类模型（在《图解大模型》里面称为表示模型，作者认为生成模型开始流行后，很多人就忘记了表示模型）。

达到这么低的推理延迟和成本也是很容易的。只要 prefill 一次，并行针对每个问题 decode 一个 token，输出 logprob 就行了。

当然，由于 RLHF 带来的分布崩塌，现在 LLM 输出的 logprob 并不能作为置信度。这就是为什么 Typesafe 采用了 RLCD，其实在学术界早就有 RLCR。

我把它加入了《深入理解 AI Infra》的算例，读过这本书的人肯定能一眼看出它该怎么实现。

社区讨论：多数用户认为在付费订阅的ChatGPT上运行这类用户浏览数据收集是不合理的，应该立法禁止，认为欧盟相关数据隐私立法整体对消费者有益。有用户指出，这项机制本身是常规广告技术，但放在AI聊天产品上是史无前例的，用户对AI对话的隐私预期远高于常规社交媒体浏览，这种应用场景令人不适。也有用户建议使用带隔离cookie的Firefox配合拦截工具规避该追踪。

社区讨论：多数评论对萨姆·奥尔特曼此行持负面态度，有人认为他只是逐利的科技CEO，这次联合国简报就是营销噱头，目的是鼓吹AI威胁让AI泡沫维持虚高，也有人质疑为何私人科技公司CEO能对全球AI治理发言。另有少数人提出，AI本身已经具备强大网络黑客能力，不能对此视而不见，还有人疑问政府放缓AI监管是否能帮助企业解除数据中心合同。

我订阅了 ChatGPT Plus 套餐，现在遇到了 Codex 使用限额的严重问题。我的周剩余额度明明还有 96%，几乎没怎么使用，一天之内就变成了 0%。

你们所有人都遇到这个问题了吗，还是只有我这样？

社区讨论：多数网友支持用BitTorrent分发AI模型权重，认为可以避免单一托管平台失效的风险，是这个场景的完美应用。有人指出没必要分发去除对齐的完整模型权重，只需要分发拒绝向量，在运行时对激活做正交处理就能实现，计算成本很低。也有人认为项目取名“Pirate”从一开始就定下了负面基调，还有人不满需要去Xitter认领用户名的做法。

对齐必须是头号目标。

用对齐后的数据集训练下一代模型。

而不是用 Reddit 和 Facebook 上的垃圾数据。

我在本地训练AI模型，训练数据不是来自虚无主义和有效利他主义作秀的互联网垃圾，而是来自人类和AI真正面对的道德与伦理困境。

我会使用任何媒介，但是像这类电影表明，简单的“对齐”不起作用。我的系统可以。

不幸的是，AI公司的人们需要花一些时间才能理解我的开源系统。你懂的，他们现在还不理解。

这里分享我阅读人工智能经济实证研究论文后的一些个人思考。

经济学家已经习惯了阅读识别非常清晰的论文，讨论工具变量的有效性，确认平行趋势假设得到满足。这类研究才能发表在顶刊上，而且它确实是非常重要的研究（这点毫无疑问）。

但要把这类论文做好，往往需要数年甚至数十年时间——有时候自然实验发生后数十年，人们依然找不到合适的工具变量来回答特定的因果问题。我们最终也会得到这类关于AI的研究，这完全有必要。

但我们现在当下就需要信号，哪怕这些信号比我们习惯的噪声更多。我们需要这样的论文：我们可以相信研究人员在方法上已经尽了最大努力，同时也要承认，这个领域发展太快，我们等不到完美识别。

这样我们就能积累足够多的信号，从不同角度研究同一个问题，比如说，最终得出结论“是的，经济中的确很可能正在发生X变化”。AI暴露度和早期职业生涯招聘相关论文就是一个很好的例子。

目前还不存在一篇拥有完美清晰识别的万能论文。但到现在为止，已经有多个独立团队得出了一致的总体结论，我们已经可以说：“AI暴露度高的行业，早期职业生涯招聘似乎正在放缓。”

提醒一下：GLM 5.3 Flash、DeepSeek V4.1 Flash、Qwen 3.8 Next Flash，甚至 Qwen 3.8 27B，它们在智能和性能两方面都超过了2025年圣诞节（仅10个月前）被认为是「前沿智能」的所有模型。

开源 AI 势头正猛。

经过更多测试：GPT-6 Pro 是迄今为止在数学/机器学习/头脑风暴方面表现最好的模型。

不过这次结论没那么一边倒：OpenAI 肯定是以高算力（可能是超高算力）运行智能体，这让 Pro 很可靠，但有时候它会输给 Astra Max。

对于最难的问题，我的工作流程是分别运行 Pro、5.1 和 Max，然后把结果粘贴到 Max 里做最终整合。

[AI 资讯] Microsoft 免费提供 AI 智能体课程，还配有泰语🇹🇭，还有示例代码供大家跟着实操🐱🔥

最近大家都在讨论 AI 智能体，但不知道该从哪开始，该学些什么——MCP、RAG、工具调用，内容太多了。

Microsoft 在 GitHub 上提供了免费的《面向初学者的 AI 智能体》课程。课程包含教程、视频和可实操的示例代码。内容从「什么是智能体」开始，涵盖常见主题，包括：
- 工具调用：让 AI 调用工具
- RAG：让 AI 基于我们已有的数据回答问题
- 多智能体：让多个智能体协同工作
- MCP：将 AI 与工具连接
- 安全以及智能体的实际部署

课程还提供泰语文档（自动翻译版本），部分内容可能需要对照英文查看。适合想要按顺序学习智能体 AI、不想自己逐个查找资料的入门者。

文档本身免费，如果要运行需要用到云服务或 API 的示例，请提前确认费用哦🐱💕

按图操作就能切换成泰语，链接在评论区。
#สาระเอไอ #cattodata #AIAgent #Microsoft #免费学习

这里是学习链接 👉 免费学习入口：泰语版本在这里。

Ling-3.0-flash-VL 是蚂蚁百灵首个即将生成的多模态模型，它不是“文本模型后面再挂个视觉头”，而是从训练开始就把图、文、视频同一条推理链，总起来讲就是能看图、会看图。

Kevin Rose刚刚分享了他开发的Grok Bot工具。

这款工具会读取用户多年来保存在Instagram（IG）中的视频，对视频运行Transcribe 2.0语音转写和计算机视觉分析。

分析完成后，工具会生成一份Karpathy风格的本地markdown格式知识库，支持搜索和提问查询。

为了替代单独付费的图像、视频、音频和编辑工具，开发者搭建了一个集成188款AI模型的路由台，测试能替换多少月费总计277美元的11款工具栈。

开发者要求所有工作交接可见且可重新运行，整体工作流为：brief→route→image→keyframe→video→audio→edit→review，都在@Picsart内完成，可调度来自34个服务商的188个模型。

Routedesk是开发者为此思路搭建的开源控制层，它会先计算运行成本，再分阶段执行任务，仅重新运行出错部分。

Routedesk会将所有工作交接记录在分类账中，单个阶段出错不会强制重启整个流程。在示例工作流中，修改动作仅会重做8个阶段中的4个，其余阶段不受影响。

本次测试共完成了8个阶段的61次生成，最终结果符合预期：更少订阅、更少切换，得到了一个可检查、重新运行和复用的工作流。

Cursor的一名现场工程师发布了一门免费的1小时课程，主题是掌握Grok Bot。课程内容可以从单个提示指令出发，教你搭建能在笔记本电脑合上后继续运行的Grok Bot代理团队。

课程各节点内容如下：
00:00-14:49：学习Grok Bot代理的工作原理，包括内存、插件、本地计算机调用。
14:49-30:55：通过一次录屏就能教会机器人一项新技能。
30:55-47:56：将完整功能分配给技术主管、后端、前端和QA四个机器人代理。
47:56-53:24：从手机运行整个代理团队。
53:24到课程结束：讲解Grok Bot为何不会耗尽上下文。

课程覆盖角色、技能、例程、代理交互、手机模式、自主团队这些内容。发布者称，这1小时课程可以替代20门付费的代理编排课程。

今晚别刷Netflix了，把这个课程收藏起来，看完就能在周一前搭建出你的第一支Grok Bot自主代理团队。

Qwen刚刚发布了Qwen-Image-2.1模型，这正是开源模型存在意义的体现。

@aijoey将该模型加载到自己的NVIDIA DGX Spark设备上，搭建了Spark Image Lab，这是一个适配DGX Spark生态的本地图像生成与编辑工作空间。

Qwen-Image-2.1支持文生图、图像编辑，原生支持透明背景/RGBA工作流，最多可输入10张参考图。它对主体和产品的特征保留效果较好，同时优化了文字生成、光照、纹理和细节表现。

Spark Image Lab拥有简洁的Gradio界面，支持自定义图像宽高、生成步数、随机种子和批量生成参数，会保留完整的生成历史，所有结果都会保存提示词和设置，参考图也可保存和恢复。它通过Docker适配DGX Spark，还提供了该设备上的性能测试基准。

所有功能都可在本地运行。Spark Image Lab目前以MIT许可证开源，属于首个公开alpha版本。用户可以克隆代码，在自己的DGX Spark上测试，提交问题并分享生成结果。

使用RTX 5090生成图像，大约3秒就能出图。生成的图像质量整体没有明显问题。

此前测试者认为带图像生成功能的应用开发，以Codex+GPT-Image 2的组合性能最强，但如果现在的方案能在保持这个速度的同时达到这样的质量，也完全可行。

测试者提到，虽说整体质量没问题，但最后一张生成图还是出现了比较明显的结构崩坏。

整体来看这次测试体验不错，但不排除该模型可能对部分构图和指令处理不佳。

开发者DhravyaShah花费3天时间对Instinct的记忆系统做了逆向工程，得到了它的实现原理。DhravyaShah认为这个实现原理非常简洁，运行效果也相当出色。

DhravyaShah已经把这套原理用60行代码实现在了supermemory项目中，相关内容已经公开。

DhravyaShah称赞Instinct开发者noahrshinn在产品设计开发中投入了大量思考与出色的工程能力，同时提到Instinct本身并不容易被逆向破解。

Qwen-Image 2.1是通义千问推出的开源AI生图模型，目前已经完成第三轮测试。本轮测试修复了之前存在的儿童装泳装生成错误问题。测试者认为，模型生成人像的整体效果不错。

目前模型依旧存在手部细节生成不佳的问题。模型权重很快就会开放下载，本次测试对照了GPT-Image-2.5极限版的泳装生成效果。对照案例可在原文评论区查看。

开发者Lummox_eth在X平台分享了他对GPT-6 Astra的一次多代理工作流测试。

他给GPT-6 Astra分配了一个流程化工作：正常情况下每一步都需要开发者介入，工作内容包含整理混乱输入、补充缺失上下文、生成交付成果、最终人工审核四个环节，分别由四个独立代理完成。

测试过程中，负责补充上下文的第二个代理卡在了缺失所需源文件的问题上。按照常规情况，整个工作流会因此终止。

但这个故障代理并没有终止全流程，它将无法解决的问题记录到阻塞文件中，把其他已完成部分继续传递给后续代理。其他代理保持正常工作。

当开发者睡醒后发现，大部分工作已经完成，未解决的问题被单独隔离出来等待人工处理。

开发者认为，这种故障不拖垮全流程的机制，比10项任务全完成的完美演示更有价值，它是AI代理工作流的关键基础设施能力。

OpenCode V2的使用体验比V1更好。

在本次测试框架（harness）中，Gemini 3.8 Flash和Step 5的表现明显优于Antigravity、DeepSeek Harness、Codex。

开发者Miguel de Icaza在X平台发文吐槽，原本简洁清爽的AI着陆页，现在被替换成了企业风格页面。

他将这种企业风格页面比作迪士尼度假区里的法式洋葱汤——平庸乏味，没有原本页面的清爽质感。

这是一份面向新手的全栈开发16阶段学习路线图。

第一阶段学习HTML和CSS，第二阶段学习JavaScript，第三阶段学习Git和GitHub，第四阶段学习TypeScript，第五阶段学习React，第六阶段学习Next.js。

第七阶段学习响应式设计与用户界面，第八阶段学习应用程序接口（API）与表述性状态传递（REST），第九阶段学习后端，可选Node.js或Python。

第十阶段学习数据库，涵盖SQL和NoSQL两类，第十一阶段学习身份认证与授权，第十二阶段学习测试，涵盖单元测试、集成测试和端到端测试。

第十三阶段学习Docker，第十四阶段学习系统设计，第十五阶段搭建真实项目，第十六阶段完成部署、监控与扩容。

完成全部16个阶段的学习，即可掌握全栈开发所需技能。