AI Pulse

在真实世界中评估机器人模型很难，但并非无解。这就是为什么我们成为了 RoboColosseum 的创始合作伙伴 🤗 100 多台真实机器人，140 多个真实场景，以及每一次运行（包括失败案例）都在 Hub 上公开。

推出 Agile Deliberation，这是一个框架，能把视觉语言模型变成协作伙伴，用来定义模糊地带的类别——从内容审核到艺术策展——同时减少用户疲劳并提高分类器准确率。阅读更多：

AI 符号学：一篇很酷的论文指出，AI 会受到视觉符号的强烈影响，但它们在自身的思维链中并不总能意识到这一点。而且它们对这些符号的反应方式，与人类对这些符号的解读方式也大相径庭。

给语言模型加上视觉能力，远不止是多接一个模态那么简单。

面对大尺寸图像或长视频时，视觉编码器的算力消耗可能比语言模型本身还高，因此高效模型需要换一种设计思路。

我们的 VLM 团队，包括 @rshubert98、@TianshuYu6、@sina_semnani 和 @iamsamstevens，将讲解他们如何教 LFM 学会“看”——从中间训练阶段，到为 LFM3 量身打造的视觉编码器。

关于递归式自我改进的一篇很棒的新论文。自我改进型 AI 是当下讨论最多的话题之一。这篇论文探索了训练一个模型来自己运行 LLM 后训练。（建议收藏）

团队构建了 RSI-Craft，这是一个将研究论文转化为可执行训练环境的流水线，包括数据集、指标和评估代码。在对可靠性和难度进行筛选后，剩下 281 个后训练任务。前沿模型在改进后的测试框架下解决了这些任务，筛选后的轨迹被用于微调 Qwen 模型。

9B 版本提升了 8.74 分。RSI-Dojo-35B-A3B 在 PostTrainBench 上提升了 16.87 分，达到 29.95，与 GLM-5.2 和 GPT 5.5 相当。

与论文对话：

发布 Kimi K3.1 Pro 的模型权重：我们将持续推进开放智能。

今天，我们推出了「智能体转化优化」功能。

Muse、Instinct、Grok Bot 这些智能体每年通过智能体电商处理的 GMV 已超过 100 亿美元。目前还没有任何 GEO 工具能追踪它们推荐了谁。所以我们打造了这个工具。

每个智能体的行为都与典型的 LLM 大不相同，因此我们会分别追踪它们，然后由 Helena 部署修复方案。

1/ 每日追踪 Muse、Instinct、Dots 推荐了谁，以及推荐原因
2/ 与竞争对手相比的推荐份额
3/ 智能体结账路径审计
4/ Helena 部署的修复方案，以提升你的可发现性

考虑到这些智能体的行为方式，要在偏差很小的情况下可靠地做到这一点很难，因此我们最初只面向 100 名客户开放。

演示：

我们正在用 AI 智能体把一切都自动化。唯独 AI 智能体本身的工程化除外。我们觉得这有点本末倒置。

如果只需花 15 分钟，而不是几个月的 AI 工程，就能训练出你自己的专属 AI 智能体呢？你还会继续像竞争对手那样租用同样昂贵的通用模型，无休止地修补提示词和框架，直到撞墙吗？

今天，我们要推出一款能构建、训练并持续改进 AI 智能体的智能体。🚀 来认识一下 FAiE，我们的前沿 AI 工程师。

描述一下你的智能体应该完成什么任务，FAiE 就会设计评估方案、诊断故障、整理数据、选择训练策略并运行实验。你只需投入 15 分钟。剩下的自动化 AI 工程交给它，几个小时就能搞定。你将拥有自己的专属智能体，其模型权重已针对你的任务完成训练。

已经有智能体了？保留你的框架。把它连接到 @oumi_ai，用 SFT、DPO 或 GRPO（私有预览版）训练其背后的模型。

能打造你最强智能体的智能体。很期待看到你们的成果：太平洋时间今天上午 10 点有现场演示：

适度智能的到来速度比大多数人意识到的更快。今天，我们将开源 TwIL-8B。仅有 88 亿个参数，却在多个高难度基准测试中接近前沿模型的得分：

• 编码能力达到前沿模型的 93%
• 指令遵循能力达到 92%
• 竞赛数学能力达到 90%

而这一切都来自一个小到足以在你自己的硬件上运行的模型。

但基准测试并不是这次公告中最重要的部分。多年来，AI 行业一直专注于构建最强大的模型，而不管运行它所需的成本。我相信这种局面正在改变。

AI 的下一个时代将由完成工作的成本来定义。不仅仅是模型的智能程度，而是这种智能能够多高效地完成任务。

如果一个 80 亿参数的模型能够可靠地完成与数千亿参数模型相同的工作，为什么还要为更大的模型付费呢？

随着更小的模型变得更强大，智能将成为我们可以分发、专业化，并在我们已有的硬件上运行的东西。这就是我们在 @thewebAI 正在构建的未来。

TwIL-8B 今天已可用。开放权重。而这只是我们今天发布的几个公告中的第一个。

HF 链接：

隆重推出 SWE-2 Flash，我们全新的快速高效编程模型。在主流评测中，它的表现超越了所有美国开源权重模型，甚至包括那些参数量是它三倍的模型。为了在透明度与网络安全风险之间取得平衡，我们正在搭建一个项目，以安全的方式与合作伙伴及研究人员共享模型权重。

实时、本地的对话式 AI，就是我们让智能走向大众化的方式。

我们刚刚把 @LiquidAI 的 LFM3-Omni-2B 移植到了我的 iPhone 18 Pro Max 上，完全离线运行，速度约 80 tok/s，由 React Native 应用中的自定义 WebGPU 内核驱动。

我们应该把它发布到 App Store 吗？👀

这玩意儿真的太危险了。有人刚放出了一款开源 AI 黑客工具，能自主开展渗透测试行动。

它叫 SAPPER。一个 AI 指挥官，一整群 AI 智能体，后台跑着真实的黑客工具。它的亮点在于：

→ 一个 AI 指挥官负责规划和协调行动
→ 多个 AI 智能体协同执行任务
→ 运行 Nmap、Nuclei 等真实工具
→ 内置供智能体使用的黑客知识库
→ 可与 Claude Code 和 Codex 集成
→ 在 Kali Linux 环境中运行

据称，它在腾讯攻防大赛中与 634 支队伍同台竞技，在没有人工干预的情况下连续运行了 8 小时。完全开源。一个指挥官 → 多个 AI 黑客 → 一整支自动化红队。

仅在授权的实验室和 CTF 环境中使用。仓库地址见下方。

欢迎 @pierrecomputer 加入 OpenAI！Pierre 开发的开源开发者工具如今已在 Codex 的部分功能中投入使用，我们非常期待与他携手共创 AI 协同开发软件的未来。

社区讨论：不少人吐槽 SOTA 被过度细分滥用，还有人指出官方对比完全没提其他开源权重模型，没提 Qwen 就说明性能大概率不够亮眼。有人疑惑标注「美国」的含义，也有人解释这是给受合规限制、不能用非美管辖企业模型的用户准备的差异化选项。不少人提到65B稠密模型在消费级硬件上推理太慢，很难在本地模型爱好者中流行，也有高内存Mac Studio用户认为这个权重规模刚好能跑出可用速度。

我们刚做出了一个价格便宜 5 倍的 Higgsfield。Voyager 让你能以 Higgsfield 一半的价格使用 Seedance 2.5 这类 AI 视频模型。

更重要的是，它减少了无效生成。用户只需原来 1/2 到 1/3 的 API 调用次数，就能拿到最终成品。

每次生成的价格减半。生成次数更是大幅减少。

今天我们推出 Aether（@aetherruntime）。

这是全球最快的云端编程智能体，你可以用现有的订阅直接使用。给它一个任务，仅 20 秒后，你的构建就在它自己的云机器上运行起来了。

你可以在手机上接着看，逐行查看每一行代码，并随时介入，就像它在本地运行一样。合上笔记本电脑，它还在继续运行。

它在你已经付费的 Claude 或 ChatGPT 套餐上运行 Claude Code 或 Codex，所以不会产生第二张 AI 账单。你只为机器付费。

完成后，如果启用了代码审查，审查智能体会带着改动运行代码，从而捕捉到静态分析无法发现的各类 bug。

在打造 Aether 之前，我曾在 Apple、Uber 和 HeyGen 做基础设施。我打造 Aether，是因为我之前试过的所有云端智能体都有缺点，而我现在已经无法想象没有它该怎么开发了。

现在即可免费开始。

对模型进行后训练，通常需要一个研究团队连续数周开展实验。如今 Ari Autoresearch 已在 AC2 上线，智能体可以自主运行整个流程。

在一次长达 16 小时、无任何研究人员干预的实验中，它将 Qwen3.5-9B 在国际象棋谜题上的留出奖励值从 0.118 提升到了 0.629。

你的 AI 智能体失败了。你是重写提示词，还是重新训练模型？Oumi 押注的是后者。来认识一下 FAiE：

• 将失败轨迹转化为评估用例。
• 从智能体失败案例中生成训练数据。
• 重新训练模型，而非堆砌提示词补丁。
• 描述任务，让 FAiE 处理 AI 工程。
• 在 API 背后构建并部署专用模型。

更重大的转变是什么？AI 智能体不应需要人类来修补每一个错误。它们应该在工作本身中变得更出色。

🔥炸了！智谱创始人唐杰教授今晚清华授课硬核揭秘了以往GLM模型的数据配方，暗示 GLM 5.5 绝对将掀起开源模型新高度！

唐杰一句话定调：数据配方是我们预训练人员的命！

六源六scaling问题直接摊开：

🔹Web：1T pages（日爬百亿级）

🔹Documents：2B + GLM-OCR

🔹Books：50M（质量筛选+版面重排）

🔹Code：500M repos（可执行+测试）

🔹Video：10B（世界知识+长序列）

🔹Audio：300M小时（ASR迭代重写→数万亿token）

每一路都是独立工程地狱。

最新配比暂不公开，但早期配方已经能看出来智谱有多在乎数据。

GLM 5.5如果真的按这个路子继续卷数据和后训练，国产基座又要再上一个台阶了。

#智谱 #GLM #唐杰 #GLM55 #清华 #大模型 #数据配方 #预训练 #开源大模型

https://twitter.com/pierrecomputer/status/211799903617518818...

社区讨论：不少人吐槽这类收购公告开头没说清被收购方是做什么的，有人补充其核心产品是面向 AI Agent 大规模存储生成代码的 Git 基础设施 Code.Storage，被 OpenAI 收购大概率和其内部大规模 Git 扩展需求相关。也有人质疑这类收购本质是买团队而非买业务，认为开发者工具赛道盈利性差，企业级 LLM 市场已经饱和，没有增长空间。

社区讨论：不少人吐槽 3T 参数的体量根本没法本地跑，调侃要 0.1bit 量化才能在消费级设备运行，也有人指出这类开放权重的目标用户是企业而非普通个人开发者。有用户质疑 K3.1 跑分虚高、并未明显超越 DeepSeekV4.1-Flash，也有实测者反驳称实际体验很强，只是略低于最前沿水平，完全能满足多数使用需求。还有人认为即便无法本地部署，开放权重也能推动推理服务商品化，第三方推理商已经在同价位提供了两倍于官方端点的吞吐量，后续还有降价竞争空间。

社区讨论：原 VerInf 作者 @neuwirth 指出该工作几乎照搬了他们的全部技术细节，连选用 400B Maverick 模型的决策都未给出署名。不少人质疑这项工作的实际价值：@grey-area 认为它只是“证明当前运行的是哪个模型”，远没有解决“证明 LLM 输出正确”这个更核心的问题；@wcoenen 提出文本水印已经能实现类似的模型溯源功能；@nemo1618 补充，对开源权重模型而言，直接复现推理过程就能验证，根本不需要复杂的零知识证明。也有从业者认可其意义：@fscaramuzza 表示黑盒审计是行业的真实痛点，零知识证明在该领域有明确的应用潜力；@vintagedave 提到它能检测第三方服务商私自路由到其他模型、偷偷使用量化版本的行为。

隆重推出 Atomic 本地 AI 服务器 ⚡ 自选推理引擎。运行本地模型。连接你的智能体。

• 多引擎支持：llama.cpp、vLLM、SGLang、TensorRT、MLX、Prism 等。
• 本地 AI 服务器，提供兼容 OpenAI 的 API。
• 一键安装与你的 GPU、CPU 或 NPU 匹配的引擎。
• 从 300 万个 Hugging Face 模型中拉取，支持 GGUF、MLX 或 safetensors 格式。
• 支持 Windows、Linux、Apple Silicon 和 NVIDIA 硬件，包括 RTX、Blackwell 和 DGX Spark。即将支持 AMD Ryzen Halo。
• 可连接 Hermes、OpenClaw、Claude、Codex、Pi agent 等。
• 通过 stable-diffusion 生成图像和视频。
• 通过 CLI 或 Web UI 管理一切。
• 通过 Cloudflare 隧道实现远程访问。

免费。开源。本地运行。

浏览器操作是智能体的一项重要基础能力，但它对智能体的上下文窗口压力很大：1. 任务运行时间长，需要大量连续的工具调用；2. 网页包含大量与任务无关的内容。因此工具设计真的很重要。我们选择了 @browserbase 旗下的 @Stagehanddev，这是一套专为智能体浏览网页打造的工具集。

这篇博客深入探讨了我们如何选择这套工具集，以及我们如何将在 LangSmith 追踪中观察到的不理想智能体轨迹所发现的优化点向上游反馈。

AI 要怎样才能像孩子一样高效学习？如今的大语言模型、世界模型和机器人离这个目标还有多远？我们设定了两个目标：预训练效率和零样本泛化能力。目前还没有任何 AI 系统能同时做到这两点。

在 Substack 上阅读：感谢 @dyamins、@mcxfrank 以及我们 ZWM 论文的合著者们，感谢你们的讨论促成了这篇文章的成形；同时感谢 @StanfordAILab、@StanfordSVL 和 Stanford Marlowe（@StanfordHAI、@StanfordData）在 ZWM 论文上提供的帮助与算力支持：

我一期视频大概由 25 个左右的 Beat。怕只讲概念太抽象，我直接把自己这期节目里的一个 Beat 拿出来给大家看 大家就知道了。现在用 Claude Code + /hyperframes 生成视频肯定是行业最优解，但怎么让 AI 听懂你的节奏？

我试了一圈下来，用Beat Sheet 文档直接喂给它，是目前跑通高质量出片最稳的方案

你想要一份关于 Rivet Actors 的什么指南？我们正在编写对人类和智能体都友好的智能体架构 / 实时架构指南。

目前已发布 30 份 Rivet 认证指南（链接见推文串）

智能体：
- 基于短信的个人智能体
- 持久化 AI 智能体
- 多智能体系统
- 使用 ChatGPT 登录
- 沙箱中的代码模式

编码智能体：
- Claude Code
- Codex
- OpenCode
- Amp

工作流：
- 人在回路审批
- 多步骤 AI 工作流
- 处理传入的 Webhook
- 定时任务和计划任务
- 可靠的 Webhook 投递

实时：
- 聊天室
- 协作文本编辑器（CRDT）
- 协作文本编辑器（OT）
- 实时光标和在线状态

AI 生成的应用：
- 托管 AI 生成的应用

数据库：
- 每个租户一个数据库

游戏：
- 大逃杀
- IO 游戏
- 竞技场游戏
- 回合制游戏
- 开放世界游戏
- 派对游戏
- 排位匹配
- 放置类游戏
- 2D 物理游戏
- 3D 物理游戏

所有指南：

🫡强如梁文峰，DeepSeek开源的技术Kimi K3.1 Pro直接采用了！Kimi最新模型K3.1 Pro刚开源权重，就把原来24层“全看一遍”的注意力，全换成了DeepSeek开源的稀疏注意力Gated DSA。意思是：处理百万字长文本时，不再每个字都跟所有字计算关系，而是只挑最相关的2048个来算，算力直接省一大截，跑起来更快更便宜。

DeepSeek在架构上至少领先一年，别人还在研究，他们已经开源到被同行第一时间拿来用。开源才是最大的护城河，梁文峰：我定的标准，就是行业标准！

列一下最近在做的事和接下来的学习计划🫡

现在是三条主线，都是边学边写的从零教程

第一条：从零手写大模型系列
推理篇、训练篇、“从 GPT-2 到 LLaMA”已经写完
现在在写“从 LLaMA 到 DeepSeek”
MLA 已发，接下来是 MoE、MTP、DSA
最后拼出 DeepSeek-V3

第二条：拆机 DeepSeek
Harness 已写
01 整机图、02 主板 Cordis
后面是 Agent 循环、工具与沙箱、上下文管理、子 Agent

第三条：从零实现一个最小 Cordis
用最少的代码，讲清楚插件化的 Agent 是怎么搭起来的

更新节奏尽量保持每周2-3篇
Agent和大模型

当然最主要看心情
心情好可能会狂学高产更新
心情不好可能几天不更新去玩游戏

教程都在 🙂

有效工具设计的价值非常大。我们在一个相对饱和的浏览器使用基准上测试了7款不同的工具集，目的是找出哪些工具集在token和成本上更高效。来自Browserbase的Stagehand是明显的赢家。

另一个有趣的发现是：Browserbase MCP的代码模式版本，其成本效率约为同等原生工具试用版本的4倍。关于代码模式的更多内容即将发布。

X 用户 @benyuls 分享了一项新的智能体技术：有团队把智能体的记忆模块和底层模型完全拆分开。

这意味着，你把智能体从 ChatGPT 换成 Claude，或者从 OpenClaw 换成自己搭建的运行框架，智能体的记忆和积累的“认知”不会丢失。

该团队内部测试显示，这种架构下每个问题消耗的 token 最多可以减少 22.6 倍。

这个项目叫做 Living Brain，相关链接：

X平台用户MinLiBuilds发布帖子，对比了前Anthropic员工Thariq离职前后的公开言论，发现其离开公司仅十余天，对AI编程工具的态度就发生了完全反转。

离职前，Thariq建议用户使用AI编程Agent时放慢节奏，先想清楚核心优先级是什么；同时他大力推广Claude Code Desktop，称其几乎是第二代产品，还表示自己宁愿用Vibe Code写小游戏，也不想打游戏。

离职后，Thariq表示和编程Agent待久了很容易上头，看起来工具一直在忙，实际上什么都没做成；他还认为不需要无限Token额度，每月200美元的套餐就足够好用，自己同时订阅了Claude Ultra和Codex Pro。

此外，Thariq离职前不玩游戏，离职后一边做格斗游戏，一边玩《魔兽世界》。MinLiBuilds评论称，这个从造工具的人变成用工具的人，视角确实不一样了，还邀请Thariq试试DeepSeek Harness的Creator Mode，该功能可以一句话生成插件，甚至能制作沙盒小游戏。

X平台用户@Drake_primex近期体验了MOJO，决定测试其内置AI助手。他让助手分析SOL、对比BTC、ETH和SOL，并拆解加密市场整体动态。

他反馈回复内容有看点：市场数据、技术指标、情绪、新闻等信息被整合在一处。他仍在探索中，开始理解MOJO背后的产品思路，认为还有更多内容待发掘。

设计师Meng To发布了一段13分钟的视频，演示如何使用Claude Code和Opus 5.5搭建3D网站。他在X平台上分享了完整的工作流程。

第一步是在Mobbin上查找3D参考素材，整个操作可以直接在Claude界面内完成。之后输入一条包含参考素材、整体规划和相机设置的提示词，由AI生成初始版本。

接下来需要区分不同的视觉实现方式：哪些部分用真实3D建模，哪些用绘制的光影效果，哪些用抠图素材。

核心的迭代环节被他称为“梦想循环”：Opus会自动对自己生成的页面截图，和目标参考图对比打分，然后自动修正不符合的地方。

完成场景布置后，再修正错误并优化手机端加载速度。第一版作品得分4.6，经过梦想循环迭代后，得分超过8分。

完整视频已经发布在YouTube上，附带了所有用到的提示词和梦想循环的技能配置。

用户JamesonCamp在社交平台分享，他每天要在Claude、Codex、Grokbot等多个AI工具之间切换约十次。过去每次切换，他都要重新向AI解释自己的身份和正在做的项目，重复沟通成本很高。

为了解决这个问题，他自己搭建了一套记忆库：每天更新的笔记集合，让所有AI工具都能读取同一份上下文。

他指出，这套记忆库的归属权是核心问题。如果记忆存在某一家AI厂商的服务器里，用户就只能接受该厂商的定价和规则，这就是大语言模型领域的厂商锁定效应。

如果用户自己持有记忆，就可以自由切换到开源模型、本地部署，或者下个月直接换用表现最好的新模型。

Living Brain这款工具可以为所有AI工具提供同一份共享记忆。实测显示，使用该工具时，AI对过往工作相关问题的回答准确率达到92%；而如果只是把全部聊天历史粘贴给AI，准确率只有72%。

模型每隔几个月就会更新换代，用户的记忆应该跟着自己走，而不是绑定在某一家厂商的产品里。

如果只有一家公司在跑服务器，所谓的开源模型只能算半开放。在 LightchainAI 上，你可以试用 14 个模型，包括 gpt-oss、Qwen3、Llama 和 DeepSeek-R1。这些模型由独立的 GPU 运营商提供算力，链上会自动分配每个请求由谁处理。

有人实测在 LightchainAI 上聊天，跨链桥的体验相当不错，整个推理过程也很透明。用户能看到自己的提示词在到达链之前就已加密，还可以在 lightscan 上查询对应的任务、处理节点和交易记录。

开发者 Pierce Boggan 在社交平台表示，GitHub Copilot 应用中的项目功能对他来说是「改变游戏规则」的存在。他提到，日常工作往往无法清晰对应到单个甚至任何代码仓库，此前团队一直需要更好的方式在应用内批量编排任务，既不会过度占用注意力，也不需要频繁切换上下文。

目前 GitHub 团队正在收集关于项目功能的优化方向，包括是否需要可共享给团队的模板、多人协作项目等。接下来的核心计划是将项目功能打造为云端原生，支持从任意 GitHub Copilot 入口访问。此外，Boggan 今天还与 @cschleiden 讨论了项目工具相关的优化方向。

Sydney Runkle在X平台发文称，有效的工具设计能带来巨大价值。团队针对相对饱和的浏览器使用基准测试，对比了7款不同工具集的token和成本效率，来自Browserbase的Stagehanddev是明显的赢家。

她还提到，Browserbase MCP的代码模式版本，成本效率约为同等原生工具的4倍。关于代码模式的更多试用内容，很快就会发布。