做RAG的朋友一定要看看 Google 这个新论文——MUVERA：让多向量检索与单向量搜索一样快 大家在RAG的检索内容过程都会遇到这种情况，如果用传统搜索（例如ElasticSearch），文档 = 1 个向量 → 快速但不准确。如果用向量数据库，现代多向量搜索：文档... = 数百个向量 → 准确但极其缓慢。 于是谷歌提出了 DFEs (固定维度编码) 将多个向量转换为单个固定长度的向量，同时保留相似性关系。其神奇之处在于，两个 FDE 向量之间的点积近似于多向量集合之间的原始 Chamfer 相似度。(Chamfer 相似度是啥详见文尾的文章) MUVERA 的一个关键优势是 FDE 变换是无数据的。这意味着它不依赖于特定的数据集，使其既能够抵抗数据分布的变化，又适合流式应用。此外，与模型产生的单向量不同，FDE 保证在指定的误差范围内近似真实的 Chamfer 相似度。因此，在重排序阶段之后，MUVERA 保证能够找到最相似的多向量表示。 所以这个新方法能有效地提升RAG检索阶段的效率，现阶段连Python库都有了，需要的同学可以试试。 论文地址： Chamfer 相似度： python库：show more

在 GitHub 上发现一个开源项目：Memvid，颠覆传统的向量数据库处理方式，直接将文本数据编码成视频文件。 通过将数百万文本块压缩到单个 MP4 文件中，不仅实现了 10 倍的存储压缩率，还能在亚秒级时间内完成语义搜索，完全无需数据库服务器。 GitHub：... 并且内置对话功能，可与知识库进行上下文感知的对话，同时支持直接导入 PDF 文档并自动索引处理。 可完全离线工作，视频生成后无需网络连接。正在构建大型知识库的 AI 开发者不妨看下这个项目。show more

Distil-Whisper：让语音识别的速度提高 5.8 倍，参数减少 51%，准确度保持在 99%。 Whisper 在语音识别方面表现卓著，但是它有一个明显的缺点：训练出来的小模型支持的语言比较少，而大模型推理速度又很慢。如果你有海量的数据需要处理，或者对实时性要求略高，那使用 Whisper 可能会让你比较头疼。... 你可以使用工程手段来加速推理，例如将语音分片后并发处理然后合并结果，但这里涉及到本地计算资源瓶颈的问题，以及合并分片时容错处理的问题，工程复杂度比较高。 《Distil-Whisper: Robust Knowledge Distillation via Large-Scale Pseudo Labelling 》， Whisper 的 Large-v2 model 生成了一系列的 soft targets（也就是概率分布），然后复制 Whisper 网络的第一层和最后一层解码器，最后生成了一个更小、更快效果更好的蒸馏模型 Distil-Whisper。论文数据写的是：速度提高了 5.8 倍，参数减少了 51%，准确度保持在 99%。 这个模型的效果之所以不错，主要还是得益于训练数据的完备，它结合了九个公开可用的语音识别数据集，合并后包含 21170 小时的语音数据，涵盖超过 18260 名说话者和 10 个不同的领域；自从 Whisper 大力出奇迹（它从互联网爬取了 68w 小时的数据，未公开）以后，相信后续语音领域的论文都会配置更庞大的数据集。 Distil-Whisper 目前开源在 Hugging Face 上，模型地址： Demo： Demo 会把模型下载到本地，然后通过 WebGPU 直接在网页上跑起来，测试了下效果，还是挺不错的。 目前仅支持英文，如果想让它支持中文，需要使用同样海量的中文语料数据，重新做一次知识蒸馏，但我觉得即便是这样做，效果也不一定好，因为 Whisper 本身对中文、韩语等支持就不太优秀，这个信息可以从 Whisper 的论文中找到数据支撑。 下面这个视频是 Whisper 和 Distil-Whisper 的对比效果：show more

.Irys (✧ᴗ✧) 主网的脚步越来越近，叙事正在悄然转变。 别再只当它是存储协议。 它的新身份：数据执行层。 目标从来不只是存储。 而是让数据真正活起来——结构化、可验证、可交互。 过去需要多层架构才能实现的功能，Irys 用一个统一接口全部搞定，将存储、索引、权限控制和可编程读写融为一体。... 拿 AI 验证网络 来说。 它通过多模型共识来保证 AI 输出的准确性，这会源源不断地产生海量结构化数据。如果底层设施无法支撑快速的写入、验证和复用，整个模式根本无法运转。 Irys 正是支撑这一切的底层。 起初，Irys 只是 Mira 的验证数据存储方。但最新的动向显示，这些验证记录未来可能会被其他智能合约直接引用。 这个趋势至关重要： 存下来的不再是冰冷的归档，而是可以被随时调用的热数据。 主网即将上线。 与其听各种天花乱坠的解读，不如多关注真正在上面构建的项目。 那里，才是真相。show more

暴力，Google直接把31GB向量干到4GB， 压缩率92%！ 本地跑大模型RAG，以前要服务器，现在笔记本+RTX4090直接猛干！ 意味着： 以后手机、笔记本就能跑百万token长上下文（million-token long context），隐私数据全本地搞，再也不用给大厂喂数据！ 开源利器 turbovec给力了：... - 向量存储：1000万条数据原来占31GB，现在只用4GB（10M vectors: 31GB → 4GB），效果和FAISS几乎一样好 - 零训练在线添加：不用训练、不用调参，新数据实时加进去，索引秒级更新，越用越大也不用重建 - 搜索速度更快：苹果M3芯片比FAISS快12-20%，英特尔/AMD电脑也一样快或更快 - 带过滤搜索：可以直接筛选指定数据，混合搜索 （文字+向量）非常丝滑，完全不损失准确率 - TurboQuant核心更强：KV Cache压缩到3bit，注意力计算速度提升8倍，精度几乎无损失 AI除云端可有其他选择，普通人也能随便玩转本地私域知识库了！ 本地 RAG / 边缘部署 / 离线大模型的终极福音！show more

Anthropic 在 2026 年 9 月 17 日公布了一组进展：在两名技术人员监督下，Claude 用了不到四周时间，协助优化了... 30 多个开源生物学模型，其中包括 AlphaFold3 和 Boltz-2，相关优化代码已经开源。 这件事情吸引人的地方，在于它处理实际科研代码的具体过程，也就是从进入工程仓库、定位问题、修改代码，到最后一步步拿指标做检查。 顺着这种科研工作流的思路，我最近试用了 ScienceBuddy。它是 PhAI Labs 推出的生物医学 Agent 工作台，我先用它跑了一个具体的文献梳理任务。 我给出的提示词是整理近几年用机器学习预测 CRISPR-Cas9 脱靶活性的相关研究，主要看基因编辑在目标区域之外产生误切的情况。 为了方便后续比对，我直接指定了输出结构，要求把研究任务、数据规模、主要发现、研究局限和 DOI 整理成规整的列。 ScienceBuddy 在当前任务窗口里生成了一张论文信息表格。不同研究使用的数据集、得出的结论以及原文入口被归纳在同一套字段下。这样的交互挺省事：输入的提示词、生成的表格以及后续的追问都停留在同一个工作界面，左侧列表也保留着历史任务记录，随时可以点回来继续补充条件。 拿到了整理好的表格，我抽查了其中一行，点击 CRISMER 对应的 DOI 链接，跳转到了 bioRxiv 上的原始预印本摘要。 表格里抓取的 CHANGE-seq 和 SITE-seq，确实是原文摘要里明确写出的训练数据；论文自身报告的 F1 值为 0.728、PR-AUC 值为 0.818，也逐字出现在摘要数据中，页面同时标有预印本提示。这里需要说明，这些准确率数值是 CRISMER 那篇论文自己的实验结果，并不是软件的性能数据。这次抽查做的事情很简单，就是顺着生成结果里的来源链接，确认关键字段能不能在原文里找到出处。 在另一个关于 GEO 公开组学数据的任务中，我查看了它的运行轨迹（Trajectory）。界面上展示了 query_geo、fetch_source、query_pubmed 等工具调用节点，清晰记录了系统在推进任务时尝试发起的查询动作。 关于底层的实现，项目方提到 ScienceIDE 是 ScienceBuddy 的底层技术框架，主要作用是把真实的科研代码封装成 Agent 可以执行、练习和验证的环境，并尝试通过科学标准来检查结果。面向普通用户日常使用的产品是 ScienceBuddy。 整套体验下来，最直观的感受是ScienceBuddy 把文献线索集中整理成表，并在同一个任务流里继续追问，遇到关键数据也能够直接从引用中找到 DOI 回原文做核对。 产品访问地址是 PhAI Labs 开发。我体验的时候 Preview 版本处于免费开放状态。如果平时需要梳理生物医学领域的论文脉络或收集开题证据，可以找一个具体课题试一试。show more

今天出差路上，突然意识到命运这东西确实存在。不然怎么解释，有人日夜奔波勉强温饱，有人却云淡风轻就拥有了一切？ 那些不争不抢却拥有一切的人，绝大多数并不是天生好命，而是在某个关键节点，做了一个当时看起来不起眼、事后被证明无比正确的选择。可能是十年前咬牙买下的一套房子，可能是五年前毅然转行的一个决定，也可能是三年前认准了一个新兴平台开始深耕。 记住：你的选择决定了你会遇见谁，经历什么，成为怎样的人。在重要的十字路口，谨慎选择但不要逃避选择。因为不去选择，本身就是一种选择——你选择了让命运替你决定人生。 很多人一辈子都在埋头苦干，却从没抬头看路。他们相信勤劳致富，却不知道选择致富比勤劳致富快十倍。当新趋势来临的时候，他们的第一反应是怀疑、否定、嘲笑，等到别人已经靠这个趋势赚得盆满钵满时，他们才后知后觉地想要入场，却发现最好的时机已经过去。 选择的价值在于它是指数级的。一个正确的选择带来的不是线性增长，而是阶跃式的飞跃。就像滚雪球，最重要的不是初始的雪量，而是找到那条足够长的坡道。你的每一个选择，都是在为这个雪球选择滚动的方向。 这个时代的残酷在于，它不会因为你的努力而给予回报。真正的回报只给那些在正确方向上努力的人。在传统行业拼死拼活，可能不如一个新赛道上的简单尝试。这不是命运不公，而是认知的差距。 所以，别一味相信命运的安排。要相信选择的力量。人生的分水岭，不在起点，不在终点，而在那些关键的选择点上。选择比努力重要，方向比速度重要。你的每一个选择，都在悄悄改变你人生的轨迹。 命运或许更像是一副牌局。有人天生拿了一手好牌，这不可否认。但真正决定结局的，往往不是牌的好坏，而是出牌的选择。一个好的选择，其力量足以扭转整局游戏的走向。

两周一次的原创收益又发了！ 十四天——2622.27美元(有录屏) 这个收益相比前两周降了很多，预料之中。 这次发布收益， 我没有犹豫， 因为我知道我肯定不是最猛的那个人， 应该不会被羡慕嫉妒恨。 给大家展示成长的过程，让大家始终有个人提前去给你摸石头，或许给大家的精神鼓励会更多一些 继续给大家说下我这两周的心路历程：... 希望继续估计大家前进！ 1，第一周 这个时间我出去玩了几天，大概能耽搁3-5天，但是我还是保持每天发了少量的帖子，维持了20-50万阅读量。 但其实这个阶段我的推文流量已经有明显的下降，明显以前能上100万阅读量的帖子，冲到30万左右算法就不推了。 因为这个阶段我的粉丝上5万了， 平台会彻底停掉冷启动加成推流，这是开源算法直接公开的。 也就是说 我哪怕那3-5天大量发布帖子测试，我预测收益也增加不了多少，顶多也就3000多吧，不会有啥大的变化。 所以大家要珍惜推流阶段，不要浪费，有时候是一阵子就停。 如果你能持续优化内容，强推流起码能维持到55000左右。 2，第二周 当我意识到50000以上推流会减弱，堆量也不顶用的时候， 我其实也测试了各种办法，效果都不是很明显。堆量、少量……我都测试过，Grok认为这个阶段难度会提高，建议一天四五条，那就纯扯淡了，中文区肯定不适合这样。 他也给不了快速进阶方法。 我给大家说过我是最在意体量成长的，所以大家能看到我在50000-58000增长还是相对较快，58000-60000这个阶段其实用了很长时间的。 目前我测试的方法就是： 少量、堆量相结合， 平台目前确实是打压堆量的，堆量的推荐会逐次衰减，这是开源算法公开的。但是华语区人少，有时候也没办法。 所以只能尽量发布每条都有可能爆的推文，更加要打磨内容，更加让内容适应算法！ 3，60000-100000 我到了这个阶段，我感觉难度会提高很多，我会继续给大家测试。 我不想去过于触碰中国政治高层， 我也不想过于触碰色情细节描写。 大家持续看我怎么应对就可以了， 摸着石头过河呗。 我对X平台的建议： 希望马斯克和他雇佣的职业经理人能看到吧。 1，小国家和小语言群体 我是希望X平台对小国家和小群体的推荐上能差异化处理，适当的增加推荐给其他语言。 2，中文群体 简体中文群体在X日活应该不会超过1000万人，就算是出于商业利益， 我认为Elon其实更有必要增加对简中群体的扶持，因为你培养的是一群天天玩媒体的人，这个内外好处其实不用多说。 因为简中群体是全球最有特殊性的小群体，同时也是背后确实能调动的商业潜能最大的一个群体，出于商业综合利益考量也应该用好。 3，5万以上粉丝 我认为平台至少应该在5-10-20万粉丝这个阶段的推流应该是逐步递减， 而不应该是直接抽走推流，这并不利于平台生态持续发展。 4，色情和政治 很明显算法对色情和政治推流权重太高 以前的色情 是直接说性器官就爆，现在已经进化到必须描述性交细节。 以前的政治 是只要触碰敏感人物就爆，现在是已经进化到必须编造谣言和发表高危言论。 这对于平台和用户都不是好事情！ 这些 是我这两周的感受！ 是我对算法的看法！ 是我对优化内容的看法！ 是我对应对变化的看法！ 希望大家能快速跨越每一个门槛！ 最后我要说的是： 我会永久保持开源精神， 我的所有内容，咱们全球中文圈(简繁)都可以随意借鉴、改编， 我会保持给大家 研究不同阶段的应对办法， 我会保持给大家 研究算法的变化， 我会保持给大家 研究内容的优化。 一年时间， 顶峰相见！ 一定要活到最后一集！ 别被政治与色情诱惑！show more

卧槽！TopviewAI 刚刚首发了海螺 AI 的 MiniMax H3！ 这个模型最让我在意的不是它有多强，而是它的定价策略——只有 Seedance 2.0... 的 30% 价格 对于我们这些需要批量生成视频内容的人来说，这意味着同样的预算，可以做出 3 倍的内容量！！ 或者说，同样的内容产出，成本直接砍到三分之一！ 这才是真正的生产力革命！！ MiniMax H3 的三个核心能力： 原生多模态理解 不用再把文本、图片、音频分开处理，一个模型全搞定，创意不会在多个工具之间被割裂 精准的多模态控制 用自然语言就能指挥主体、产品、文字、风格、运镜、声音，不需要学复杂的参数调教 商业级内容生成 原生 2K 分辨率，15 秒片段，直接能用在广告、电商、品牌内容里 我测试了几个 demo 视频，质量确实扎实 如果你也在用 AI 做视频内容，或者你的团队需要批量生产视频素材 这个工具值得你现在就去试试，Ultra Annual 用户还有 60 天无限使用 视频演示👇 TopviewAIshow more

我快速看了Jev的一些公开帖子和官方文档说明以及例子，终于有人AI模型关心速度，幻觉和成本，而且Jev不是一个大语言模型，这是它能做到这么极致的原因！ 官方也给出了好几个例子，比如模型路由和LLM安全护栏。 所以在大语言模型狂奔3年后，AI模型的新的分叉出现了： 不是大尺寸，不是语言模型，极低的幻觉，成本，极快的速度和准确率，没有太多的推理。 几乎每一条都是和LLM反着来的。 不得不多，这个方向真的非常对，希望早点体验到它。 下面这个视频来自官方demo一个并行化的例子，真的快如闪电，成本极低！ 这几篇来自官方的文章一定要看看：

以时速80公里把自己从时速80公里的卡车上发射出去。 会发生什么？ 答案是：原地落下。 教科书上的物理学，有人用身体去验证了。 向前的速度，正好被向后的发射速度抵消。 相对于地面，速度为零。 这背后是一个关于能量效率的简单道理。 就像动画《高达》里，为什么战舰不从后方弹射机体出击？ 因为那是巨大的能量浪费。... 一个简单的物理实验，却能引出复杂的思考。 那些号称要设计未来、规划经济的精英们，是否也常常在违背最基本的常识？ 在现实世界里，搞一些能量完全抵消的“宏大叙事”？ 这不仅是物理问题，更是个资源分配和效率问题。 有些事情，常识早就给了答案。show more

Qrs 二维码传输文件的小工具有了重大更新：传输速度大幅提升！ 用了 Luby Transform 编码。它是喷泉码（Fountain Codes）的一种。基本原理是将原始数据分成多个小块，然后通过编码生成无限数量的编码块。接收方只需收到足够多的编码块（通常比原始块稍多）就可以重建原始数据。

东京。晚霞。东京大学教授说，日本是非移民国家，但对中国和韩国的移民不排斥。所以，印度人很难占领日本？他说是的。印度的持续人口扩张，不只限于它国内，而是向全球扩张。在与印度关系“更近”的西方国家，尤其是同为英语母语的国家，印度裔人口的规模更是有过之无不及。在英国，印度裔不仅数量惊人，甚至还出了个大英首相，大有“反向殖民”之势。那么，印裔如何在十年间成为加拿大的“主人”？

重构 Meme 资产的链上使用方式是 MemeMax 的本质。 大多数人理解 Meme，停留在两个层面。 一个是价格波动。 一个是情绪传播。... 但如果你长期在链上，你会发现一个更底层的问题。 Meme 的交易量很大，但使用深度极浅。 大多数 Meme 只完成了一件事，被买卖。 一旦热度消失，它们在链上的存在感几乎归零。 MemeMax 的价值，并不在于又做了一个永续 DEX。 而在于它第一次让 Meme 资产，具备了持续被使用的结构。 在传统现货市场，Meme 的生命周期非常短。 从注意力爆发，到交易高峰，再到流动性枯竭，节奏极快。 因为现货市场只能承载单向行为，买或者卖。 MemeMax 引入永续之后，直接改变了这一点。 资产不再只在一个方向上消耗情绪。 而是开始承载双向博弈。 多头并不是为了长期持有。 空头也不只是为了对冲。 双方的存在，本身就在持续制造成交和费用。 这会带来一个非常关键的变化。 Meme 的价值开始从叙事价值，转向使用价值。 当一个 Meme 拥有足够深的合约市场时。 它就不再只是一个情绪符号。 而是一个可以被反复参与、反复交易、反复定价的资产。 MemeMax 把这一层做成了基础设施。 它不是在筛选最强的 Meme。 而是在给 Meme 一个延长生命周期的工具。 这也是为什么 MemeMax 更像 MemeCore 生态里的中枢。 不是流量入口，而是行为聚合器。 你会看到一个趋势。 随着合约深度增加， 链上讨论不再只围绕价格。 而是围绕仓位结构，资金费率，情绪倾斜。 这其实是 Meme 资产成熟的标志。 从纯粹注意力，进入可持续博弈。 如果你只把 MemeMax 当成一个交易所。 那你一定会低估它。 它真正做的，是让 Meme 从一次性叙事， 变成可以反复被使用的金融对象。 这一步一旦成立。 Meme 赛道就不再是短线玩家的游乐场。 而是会诞生真正长期存在的资产。 #Mememax #kaitoshow more

一个人的概念量，尤其是清晰准确的概念量，是衡量智能水平的最佳数据指标。而最佳落地实践工具一直近在眼前👀 这种概念量，最好的管理、迭代、积累方式就是logseq。用了一年多logseq，我积累了接近 6000 条概念笔记，相互之间建立了12000 个链接，共同构成了一个不小的 LCM（大概念模型，meta 最新提出的理论，我还没细看，但是和我的实践差不多🤣）。 对比之下，我 2009... 年使用 evernote，到 2020 年停用之前，我也只有 15000 条笔记，而且不是概念笔记，无法在概念砖块之间灵活建立丰富的链接。 大语言模型这两年，胜过人类的两千年，两万年！语言的边界，就是思想的边界。而最好的落地方式，就是费曼学习法 + logseq + chatgpt。 （我在 X 上一直碎碎念讲这个历年，就不展开了🤣show more

我竟然看懂这篇文章了😂 类似于Karparthy知识库的逻辑，个人知识库可以有更多延伸的方式的。这个知识库分了5层，把博主以往发出的所有内容进行归档拆分，在继续创作的时候，可以用skill调取相关节点的内容进行重组。 🆚对比自己的知识库，训练的意义在于重塑所有信息之间的联系，让理解方式融会贯通

卧槽！Codex 又有新外挂了！这次连代码都不用自己翻了！ GitHub 超逆天！开源项目：CodeGraph（colbymchenry/codegraph）【视频有安装教程和使用说明】 实测数据：7 个开源仓库参与测试，Token 消耗平均降低 62%，执行成本降低 44%，工具调用次数减少... 88%，部分任务耗时缩短 53% 它能把代码库转换成一张可查询的知识图谱，让 Codex 不再依赖传统的逐文件搜索，而是直接理解代码之间的关联。 它到底能做什么？ 以前让 Codex 修改一个功能，可能需要先读十几个文件，再追踪函数、寻找依赖，来回折腾好几轮 现在 CodeGraph 可以提前建立代码索引 快速摸清代码结构，直接查询类、函数和模块之间的关系。 1.精准追踪调用链，知道一个函数被哪些地方调用 2.减少无效搜索，不用反复读取相同文件 3.辅助排查 Bug，快速找到关联代码和潜在影响范围 4.加快开发节奏，减少 AI 探索代码所花费的时间 相当于给 Codex 配了一个随时可以查询的代码地图 不想手动折腾的，直接把这段任务交给 Codex： 帮我将 colbymchenry/codegraph 接入当前 Codex 环境。检查运行依赖和兼容性，完成安装、MCP 配置与代码索引初始化。随后验证代码搜索、函数调用追踪和依赖关系查询是否可用，确保 Codex 能正常调用。不要覆盖现有配置，完成后给出测试结果和日常使用说明show more

在抖音越来越多的人采用这种方式了，据说要评论 她才能拿到钱，评论区里都是“万一只差一个逗号呢”之类的留言，所以这类视频的流量通常都很不错。

全自动科学论文工厂，它真的来了。 你该看看这个新仓库。 之前那个中国大学生搞了个MiroFish，做实时社会模拟；字节跳动那边出了OpenViking，把记忆结构化；还有Percepta，把数学计算直接嵌进大模型的权重里；吴恩达那边也推了个Context Hub，相当于给代理加了一层自己标注的文档系统。 👉 Polymarket 官方入口： 现在，AutoResearchClaw 刚在... GitHub 上线——一个全自动的科学论文生成器。 仓库上线几个小时，就拿了差不多 4k 星。 给一个原始的想法进去，出来的就是一篇 6000 字、能直接用的 PDF 论文。关键它不是那种垃圾玩意儿。 它背后跑的是真正的代理系统： · 自己做实验：写代码、跑测试、读日志，崩了还能自己调 · 几乎没有幻觉：走硬核四层验证，对接真实科学数据库，没有假引用 · 格式也挑不出毛病：图表自动生成，LaTeX 排版，直接对标 NeurIPS / ICML 的标准 挺有意思的悖论是：这东西不会把 arXiv 搞死。 仓库： 当生成一篇论文的成本几乎为零，真正的权力就到了“筛选者”手里。行业里的新神，会是那些活人审稿人——他们要在无穷无尽的 AI 论文洪流里，手动淘出真东西。 愿安息吧，五年磨一篇的突破性论文——可能一夜之间就被批量淹没了。 把这几样东西拼在一起看： MiroFish 的集群 + OpenViking 的记忆 + Percepta 的真实数学 + Context Hub 的干净文档 + AutoResearchClaw 的自主研究 你就得到了一类代理——能自己跑完整个研究闭环，用真数学去验证假设，反复推敲，以远超人类的速度做出真正的突破。 这不就是在 Polymarket 和各类条件市场上，搭建下一代预测机器人要用的那套东西吗？代理自己去研究、模拟、验证概率，用科学的方法更新判断，而不是靠猜。 一个真正能发现、能证明的预测超级代理时代，就这么来了。 存好这套配置。 如果想在 Polymarket 上搞跟单交易，我推荐用这个： #Polymarketshow more