AI Pulse

社区讨论：部分开发者认为OpenAI分心做ChatGPT新站点这类功能，分散了做大模型本身的精力，现有网站生成工具已经很多，该功能并非必需。也有开发者认为这个功能被低估，能快速生成可用原型，很实用。有人指出该功能会挤压网页设计师等行业的生存空间，还有开发者质疑OpenAI进入应用层会抢现有客户的生意，也有人发现部分演示站点存在质量粗糙的问题。

社区讨论：多数人认同AI玩家能丰富游戏体验，有人提到如果游戏里有AI战争编队、互动性更强的世界BOSS，能打造更丰富的游戏世界，还能让已经冷清的老游戏重获活力。也有人调侃，想让AI帮自己做工作交税，自己安心玩魔兽。有人指出魔兽的自动机器人协议二十多年前就已经研究成熟并公开了，还有人好奇本次实验是否真的完成了新手区所有任务，也有人调侃暴雪一直抓不住机器人。

有人疑惑本次实验需要为大模型定制交互代码，是否说明通用模型落地始终需要定制开发。还有人好奇这会对灰色的金币产业产生什么影响。

我们一直在悄悄将 @linear 打造为面向产品团队的最佳云编码工作区。

它可以配合 OA/Ant/开源工具链使用，自带自动模型路由，并且直接连接产品、你的团队、客户上下文，以及 AI 代码评审界面。

借助 Looms，你可以运行自动化工作流，按触发条件或计划修复漏洞、编写文档、清理代码等等。

你不需要购买单独的平台，也不需要专门的 AI 工程师，只需要在 Linear 或者 Slack 里使用编码代理就可以了。

你现在就能开始使用，只需要在你的工作区开启代码访问和编码会话功能。然后在 Linear 里分配任务，或者直接在 Slack 里说“@linear 请修复这个问题”。

没有平台费用、没有入门引导费用、也不对 token 加价。你只需要按照公开的 API 费率支付 token 费用和沙箱分钟费用。（即将支持用 ChatGPT 登录）

社区讨论：不少网友调侃，这肯定是今年的论文发表配额完成了，也有人调侃如果哈佛物理学家真懂业务，Claude就相当于一群便宜高效的本科生干活。有人指出当下科研圈本身就存在验证、重复旧结果没人看重，错误结果容易发表的问题，AI会加剧这类问题。也有人认为，如果AI能搞定简单的发论文问题，人类就能去研究真正重要的问题了，还有网友调侃很多Reddit用户总觉得自己比哈佛教授还懂，上来就直接否定人家。

社区讨论：多数认同大语言模型本质是 next token 预测引擎，推理只是规则衍生出的涌现现象，并非内置独立推理模块。有人指出人类本身也会脑补不存在的推理，误将语言模型的输出效果认作其具备推理能力。有人提出可以通过提示词工程，让大语言模型以分步迭代的方式弥补推理缺陷，还有人认为不需要推理也能解决复杂问题，争论点集中在推理是否需要独立模块实现。

你真的需要在大语言模型的强化学习中完成每一轮推演吗？如果你改进了评估网络（critic）并且信任它，就不需要！

我们提出了带动作分块的演员-评论家算法（Actor-Critic with Action Chunking, AC2）：用训练好的评估网络给成块的token打分，只需要部分推演，训练速度比GRPO更快！

我本月要招聘50名资深软件工程师加入我们在g2i.ai的团队。

你将和顶尖前沿实验室合作，完成评估工作以及创建数据集。时薪200-300美元，远程办公。

这份工作并不轻松，而且很枯燥，但薪资丰厚。

申请链接：https://jobs.ashbyhq.com/g2i/becdfa73-ad7f-4920-8456-808cef38ff5d

在我们的AI模型在数学、物理和化学五项竞赛中取得金牌级表现后，我们提出了一个更难的问题：当一个问题是真正开放的、不存在现有解题路径时，AI能做出贡献吗？

过去几个月里，数学家通过常规聊天界面，在没有定制研究框架的情况下，使用Thinking Mode的Muse Spark 1.1和Muse Spark 1.2，来寻找这类问题的解答。

我们的目标不是批量生产论文，而是赋能研究者。每一次合作都遵循相同的原则：数学家主导研究，另一组数学家随后审核工作，每篇论文都会标注哪些段落主要由人类或AI起草，并且都会标注它所基于的先前研究。如果其他团队独立发表了相同问题的解答，我们也会对他们的工作予以致谢。

今天，我们分享这次合作产出的六篇论文。🧵👇

过往AI生成多镜头动漫时，不同镜头中的角色会出现形象偏差，无法连贯讲完一个故事。APOB开发的这套新工作流解决了这个问题。

这套工作流分为三个步骤：先锁定角色形象，再制作故事板，最后向Seedance 2.5输入带时间编码的30秒创作方向。

最终生成的内容可以保持不同镜头中角色的面部、情绪和主题统一。示例短片里，女孩和猫厨师在雨天街道、餐厅柜台、特写镜头中形象都没有出现偏差。

生成的内容已经是完整的短场景，从雨天街道到温暖餐厅的过渡自然，不只是单独的好看静帧，幸运的单个片段可以拓展成完整系列。

做游戏开发时，Opus 5.5体验远超GPT，该开发者认为Opus 5.5表现很好，GPT体验很差。

该开发者的项目是一个包含服务端、客户端等所有内容的超大单体代码库（monorepo），代码量估计至少有几十万行。这个规模的代码可以直接占满1百万字符长度的上下文窗口。

ultracodetoken消耗速度太快，换成GPT需要对代码做多次压缩，GPT默认的Codex只有25.6万字符的上下文长度，根本满足不了需求。

之前用Opus 5修改代码需要很多轮才能完成，现在用Opus 5.5一次就能改好。客户端、服务端后端的修改可以一次全部完成，UI修改也完全符合要求。

就算自行配置Codex的上下文长度，长度也达不到1百万字符，而且GPT长上下文处理时输出效果衰减很严重，只靠压缩代码也会让结果偏离需求。最终该开发者认为Claude的表现最好。

Anthropic 的工程师说：我们内部已经不怎么写 prompt 了，写的是循环。

她在台上花了半小时，展示了 Claude 团队如何创建能够自我提示的循环。

如果这堂课卖 400 刀，今年 Agent 课的榜单大概就是它。但它是免费的。

真正拉开代际差距的，不是谁的 Prompt 写得好，而是Agent系统架构彻底换了：

1. 记忆从一份 CLAUDE.md，进化成 Agent 自己读写的 memory/ 目录

2. 记忆待在对话里会烂掉：注意力被劈开，规律被埋住，旧笔记还在自信地用错

3. 白天各 Agent 把进展写进团队记忆

4. 夜里再跑一轮 dreaming：核对、整理、补全。第二天开工的那个，自动比昨天聪明一点

数据结果也很直观：一次通过的错误少了 97%，验收快了 30%。人回去看产品，不再一直盯着提示词。

提示词是一次性的，而循环能够持续执行。

差的不是你会不会问。

是你的 Agent 睡一觉之后，还记不记得昨天学到的东西。

在我们的AI模型在数学、物理和化学五项竞赛中取得金牌级表现后，我们提出了一个更难的问题：当一个问题是真正开放的、不存在现有解题路径时，AI能做出贡献吗？

过去几个月里，数学家通过常规聊天界面，在没有定制研究框架的情况下，使用Thinking Mode的Muse Spark 1.1和Muse Spark 1.2，来寻找这类问题的解答。

我们的目标不是批量生产论文，而是赋能研究者。每一次合作都遵循相同的原则：数学家主导研究，另一组数学家随后审核工作，每篇论文都会标注哪些段落主要由人类或AI起草，并且都会标注它所基于的先前研究。如果其他团队独立发表了相同问题的解答，我们也会对他们的工作予以致谢。

今天，我们分享这次合作产出的六篇论文。🧵👇

我们估计，AI 基础设施很快就可以支持数亿甚至数十亿个 AI 智能体。

在乐观估计下，这个规模足以和全球人类劳动力的总工作时长相匹敌。

具体能支持多少个智能体，取决于它们所运行模型的效率，以及 AI 需求的暴涨是否会持续下去。

我们分析了多种不同的情况🧵

你真的需要在大语言模型的强化学习中完成每一轮推演吗？如果你改进了评估网络（critic）并且信任它，就不需要！

我们提出了带动作分块的演员-评论家算法（Actor-Critic with Action Chunking, AC2）：用训练好的评估网络给成块的token打分，只需要部分推演，训练速度比GRPO更快！

来看看 @DeepSeekHarness。

我们刚刚发布了适用于macOS和Windows的打包桌面版；Linux用户可以从npm上的 @​deepseek-ai/dsh 包获取。

介绍 AstaBrief 8B，这是一个可以把复杂研究问题和文献节选转换为带引用报告的开源模型。

你可以在自己的硬件本地运行它，它提供开放权重和训练数据，你可以检查这些内容并在此基础上进行二次开发。

下载：

Jev 现已加入 AI SDK for Python。

为了测试它，我们做了两个实验：

▪︎ 在输入文本时，实时区分是 Python 还是英语

▪︎ 逐词决策编写 Python
```
uv add ai
```

我们一直在悄悄将 @linear 打造为面向产品团队的最佳云编码工作区。

它可以配合 OA/Ant/开源工具链使用，自带自动模型路由，并且直接连接产品、你的团队、客户上下文，以及 AI 代码评审界面。

借助 Looms，你可以运行自动化工作流，按触发条件或计划修复漏洞、编写文档、清理代码等等。

你不需要购买单独的平台，也不需要专门的 AI 工程师，只需要在 Linear 或者 Slack 里使用编码代理就可以了。

你现在就能开始使用，只需要在你的工作区开启代码访问和编码会话功能。然后在 Linear 里分配任务，或者直接在 Slack 里说“@linear 请修复这个问题”。

没有平台费用、没有入门引导费用、也不对 token 加价。你只需要按照公开的 API 费率支付 token 费用和沙箱分钟费用。（即将支持用 ChatGPT 登录）

我本月要招聘50名资深软件工程师加入我们在g2i.ai的团队。

你将和顶尖前沿实验室合作，完成评估工作以及创建数据集。时薪200-300美元，远程办公。

这份工作并不轻松，而且很枯燥，但薪资丰厚。

申请链接：https://jobs.ashbyhq.com/g2i/becdfa73-ad7f-4920-8456-808cef38ff5d

目前所有agent的核心其实就几行代码 包括大家常用的claude code、codeX 剥开所有花哨的包装 Agent 的本质就是一个 while 循环： 1. 把任务丢给大模型（LLM） 2. 模型决定是否调用工具（Tool Calls） 3. 如果调用，执行代码，把结果塞回给模型 循环往复 直到模型觉得任务完成，不再调用工具 所以说要学习如何“自己实现一个Agent” 代码可以不用写，直接vibe 但是得能看懂代码 不然就是纸上谈兵了

💥 新论文：AI安全领域充斥着大量「禁忌技术」（比如用CoT检测奖励破解，利用模型内部状态进行训练等等）。但这些技术真的有清晰的科学依据吗？我并不确定。

在这篇论文中，我们直接针对无害性探针和诚实性探针优化模型，结果效果还不错（前提是你要持续更新探针！）。模型学会了如何对有害查询生成无害回复，在说谎压力下生成诚实回复。

弄清楚如何正确把可解释性技术用于训练正变得越来越重要：很可能用不了多久我们就无法再用基于输出的监督来对齐模型了。

未来的模型会出于错误原因，因为它们通用的奖励寻求行为，直接把所有对齐训练场景刷到最高分。

想要获得对齐未来模型的机会，我们需要开展更多研究，研究如何利用模型内部状态来监督模型训练，同时**不丢失可监控性**！

社区讨论：多数认同大语言模型本质是 next token 预测引擎，推理只是规则衍生出的涌现现象，并非内置独立推理模块。有人指出人类本身也会脑补不存在的推理，误将语言模型的输出效果认作其具备推理能力。有人提出可以通过提示词工程，让大语言模型以分步迭代的方式弥补推理缺陷，还有人认为不需要推理也能解决复杂问题，争论点集中在推理是否需要独立模块实现。

社区讨论：不少网友调侃，这肯定是今年的论文发表配额完成了，也有人调侃如果哈佛物理学家真懂业务，Claude就相当于一群便宜高效的本科生干活。有人指出当下科研圈本身就存在验证、重复旧结果没人看重，错误结果容易发表的问题，AI会加剧这类问题。也有人认为，如果AI能搞定简单的发论文问题，人类就能去研究真正重要的问题了，还有网友调侃很多Reddit用户总觉得自己比哈佛教授还懂，上来就直接否定人家。

社区讨论：有人好奇为什么Redis作者选择用C而非Rust开发这个工具，有人询问它和其他大语言模型运行器有什么区别，还有开发者指出目前ds4量化 checkpoint效果不佳。有用户实测反馈，在128GB M5 Max上运行Qwen 3.8 Flash Next速度很快，支持超长上下文窗口，体验很好。还有开发者分享了自己的二次开发成果，包括给ds4增加Fused TQ支持1M上下文长度、做FFI多语言绑定分支等。

社区讨论：多数人认同AI玩家能丰富游戏体验，有人提到如果游戏里有AI战争编队、互动性更强的世界BOSS，能打造更丰富的游戏世界，还能让已经冷清的老游戏重获活力。也有人调侃，想让AI帮自己做工作交税，自己安心玩魔兽。有人指出魔兽的自动机器人协议二十多年前就已经研究成熟并公开了，还有人好奇本次实验是否真的完成了新手区所有任务，也有人调侃暴雪一直抓不住机器人。

有人疑惑本次实验需要为大模型定制交互代码，是否说明通用模型落地始终需要定制开发。还有人好奇这会对灰色的金币产业产生什么影响。

社区讨论：部分开发者认为OpenAI分心做ChatGPT新站点这类功能，分散了做大模型本身的精力，现有网站生成工具已经很多，该功能并非必需。也有开发者认为这个功能被低估，能快速生成可用原型，很实用。有人指出该功能会挤压网页设计师等行业的生存空间，还有开发者质疑OpenAI进入应用层会抢现有客户的生意，也有人发现部分演示站点存在质量粗糙的问题。

可以关注一下最近出的一个 测试框架 e2e 你没看错，名字就是叫 e2e （这名字真的不是碰瓷吗？），很火，而且它最有趣的是创新是：测试用例里面是自然语言驱动 + 传统断言混写 自然语言就是表示它是面向LLM 的测试框架 Agent 步骤可缓存回放 被后续断言验证过的 agent.act 会记下操作 下次直接重放 不再调模型 还有就是 Web 和移动同一套 API Web 引擎走 Playwright，移动引擎通过 agent-device 驱动 iOS 模拟器和 Android 模拟器 还可以托管别的模拟器 大家可以看一下测试用例，很有趣 agent.act('upgrade the workspace to the Pro plan') 这个就是自然语言的方式，第一次会让 agent 自己去探索去缓存，假如有变化再次更新。

治 AI 不说人话的办法，Karpathy 给出了最好的答案。我真的希望大家都能发现和用上 估计很多人和我一样，AI 解释了一大段，每个字都认识，连起来还是没懂？结果越问越偏，理解负荷不断升高 如果有，这条我真心建议使用： > 让 AI按 ASD-STE100（航空维修手册的写作规范）说人话； > 还不明白，就画图、做交互网页 > 甚至专门给你做一段视频。

我真的希望大家都用上。那些一直想学、又没学懂的东西，都试试这个方式

我正在通过@NotionHQ为我所有的AI平台运行一个统一记忆库。我将这个数据库连接到了Grok Bot、Claude Code、Grok Build和Meta Muse。

它们都遵守以下指令，当出现值得记忆的内容时，就会自动写入这个数据库。它们都清楚自己在和其他AI共享这个数据库，我们正在为所有AI构建一个统一记忆库。当我问它们可能需要上下文的问题时，它们都知道要在这里查找信息。

以下是我使用的内容。你只要把这个提示词复制到你的一个AI中，就能让它搭建好这个统一记忆库。你只需要一个Notion账户，并且通过Notion连接器连接到你使用的任意AI。搭建完成后，你把它分享给其他AI，告诉它们已经搭建完成，只需要往里面写入内容即可。

Anthropic 一名工程师把自己完整的工程工作流打包成了智能体技能，任何人都可以复用这套流程。

Addy Osmani 之前在 Google 工作，现在负责 Claude Code。他的仓库能把一个编码智能体变成高级工程师。

每个技能都是结构化工作流：说明使用时机、具体步骤，还列出了智能体会找哪些借口跳过步骤，并针对每个借口给出反驳，同时列有警示信号，以及完成这项工作前需要提供的验证证据。

目前共有 25 项技能，按阶段分类：
- 定义：明确要构建什么
- 规划：拆分成小任务
- 构建：先写测试再写代码
- 验证：调试并证明功能正常
- 评审：质量、安全、性能
- 发布：上线、持续集成、文档

技能还会自动激活。你开始设计 API 时，API 技能就会自动启动。

如果你是独自使用智能体开发，或者希望团队里每个智能体都保持相同标准，这个工具非常有用。

使用命令：npx skills add addyosmani/agent-skills

我花了一个周末，只用 telnyx、gpt-live 和 cloudflare 搭建了一个个人 AI 语音代理。

它简洁美观，而且效果非常好。我还写了教程，介绍你如何只用几百行代码就能自己搭建一个同样的东西！

Anthropic 的工程师说：我们内部已经不怎么写 prompt 了，写的是循环。

她在台上花了半小时，展示了 Claude 团队如何创建能够自我提示的循环。

如果这堂课卖 400 刀，今年 Agent 课的榜单大概就是它。但它是免费的。

真正拉开代际差距的，不是谁的 Prompt 写得好，而是Agent系统架构彻底换了：

1. 记忆从一份 CLAUDE.md，进化成 Agent 自己读写的 memory/ 目录

2. 记忆待在对话里会烂掉：注意力被劈开，规律被埋住，旧笔记还在自信地用错

3. 白天各 Agent 把进展写进团队记忆

4. 夜里再跑一轮 dreaming：核对、整理、补全。第二天开工的那个，自动比昨天聪明一点

数据结果也很直观：一次通过的错误少了 97%，验收快了 30%。人回去看产品，不再一直盯着提示词。

提示词是一次性的，而循环能够持续执行。

差的不是你会不会问。

是你的 Agent 睡一觉之后，还记不记得昨天学到的东西。

原方案中使用的GLM 5.3 Flash EXL3量化模型即将淘汰。它的替代版本是开发者为TensorFold构建的自研4-bit EXL3量化模型。

新模型和旧模型体积相同，都是176 GB，在2块DGX Spark上的运行速度、内存占用也完全一致。

和旧量化版本相比，新模型更接近原始模型，在所有测试集实际运行中的KL散度降低了4%-18%。数学和推理任务的提升最明显，KL散度降低18%，确定性错误最多减少37%。

在编码任务上，新模型在HumanEval+和MBPP+的整体表现和旧版持平：542道题目中，新模型做对469道，旧模型做对468道，一方略低一方略高，波动都在误差范围内。整体推理耗时缩短约10%，所有场景下的回答速度都会更快。

这款新模型会成为GLM-5.3-Flash TensorFold方案下次更新的默认选项，即将推出。

做游戏开发时，Opus 5.5体验远超GPT，该开发者认为Opus 5.5表现很好，GPT体验很差。

该开发者的项目是一个包含服务端、客户端等所有内容的超大单体代码库（monorepo），代码量估计至少有几十万行。这个规模的代码可以直接占满1百万字符长度的上下文窗口。

ultracodetoken消耗速度太快，换成GPT需要对代码做多次压缩，GPT默认的Codex只有25.6万字符的上下文长度，根本满足不了需求。

之前用Opus 5修改代码需要很多轮才能完成，现在用Opus 5.5一次就能改好。客户端、服务端后端的修改可以一次全部完成，UI修改也完全符合要求。

就算自行配置Codex的上下文长度，长度也达不到1百万字符，而且GPT长上下文处理时输出效果衰减很严重，只靠压缩代码也会让结果偏离需求。最终该开发者认为Claude的表现最好。

本次开发核心方向是模块化设计。MOSS从项目启动之初就采用模块化架构，入门搭建不需要完全照搬开发者在用的硬件。

如果你之前做其他项目剩下了树莓派（Raspberry Pi），可以直接使用。如果预算有限，也可以选择性价比更高的深度相机。

兼容的硬件组合包括：带或不带Hailo的树莓派5，或是Jetson；深度相机可选RealSense或Gemini。不同硬件组合可以得到同一台漫游车，这是开发者申报OpenAIdevs Codex Physical Builds项目时就确定的目标，目前这一构想已经进入成型阶段。

想要获取开源CAD文件和MOSS套件，可以加入tnkrdotai社区等候位，开发者会在内容就绪后通知参与者。

开发者拥有两年机器人搭建经验，主要依靠自身判断进行开发。AI作为辅助工具，负责部件定位、检查结构稳定性和公差是否符合标准，开发者通过小型提示词引导开发方向。

开发者表示，和Astra级模型出现之前的开发方式相比，现在的开发体验更像是跟着Instructables上的优质项目一步步搭建。

过往AI生成多镜头动漫时，不同镜头中的角色会出现形象偏差，无法连贯讲完一个故事。APOB开发的这套新工作流解决了这个问题。

这套工作流分为三个步骤：先锁定角色形象，再制作故事板，最后向Seedance 2.5输入带时间编码的30秒创作方向。

最终生成的内容可以保持不同镜头中角色的面部、情绪和主题统一。示例短片里，女孩和猫厨师在雨天街道、餐厅柜台、特写镜头中形象都没有出现偏差。

生成的内容已经是完整的短场景，从雨天街道到温暖餐厅的过渡自然，不只是单独的好看静帧，幸运的单个片段可以拓展成完整系列。

这是一个时长16分钟的分步教程，讲解如何搭建价值5万美元的电影网站。教程会用到Claude Fable 5工具。

发布者提醒用户，在内容失效前保存这条教程。教程完整链接：

这是@klarkxy 在𝕏分享的个人AI工具订阅计划，清单包含5款不同定位的AI产品。

GPT Plus被用来生成图像和咨询问题，保留订阅。

Grok由super P+赠送，定位为处理繁杂事务的“高级牛马”。

Kimi年订阅费用699元，作为主要使用的代理工具。

Minimax两份订阅各119元，定位处理基础事务的“低级牛马”，同时用来生成视频。

Command Goat会被用来体验新模型。

Claude Fable 5.5由Fable 5.1迭代而来，目前已在网络上流出。作者通过熟人拿到了可用账号，进行了实测体验。

作者认为，这是他用过的性能最强的AI模型。哪怕只给出极简短的提示词，Fable 5.5也能生成非常富有创意的输出。

它在3D设计和网页设计领域表现不错，一次就能完成多项任务。语音和声音生成能力也有明显提升，虽然还达不到真实音质水平，但进步已经非常扎实。

作者表示，Fable 5.5在动态设计和视频编辑领域，是目前最好的模型。在他的测试中，Fable 5.5的表现超过了Opus 5.5和Astra两款模型。

开发者shcallaway本周从@sazabi单代码库删除了总计80万行单元测试，同时分享了三点关于单元测试的假设。

第一，单元测试会锁定冗余代码，让代码更难修改或删除。

第二，单元测试拖慢开发周期，因为它需要开发者在本地完成更多工作，还会延长持续集成（CI，自动化构建测试流程）的用时。

第三，单元测试会造成资金浪费，它需要开发者生成更多代码令牌，还会增加不必要的持续集成运行次数。

shcallaway表示后续会公布这次操作的结果。