「熊猫吃短信2 - 垃圾短信过滤」新版更新啦。最近又迷恋上了训练小模型，把以前的模型训练过程几乎重新调整了一遍。我让大模型自己尝试超参组合，不断的做实验，代替搜索算法，它夜以继日的跑了半个月，最后告诉我，我的经验参数就是最优的。

发现一个开源小模型，在GitHub上已经斩获 5w star，还登上了Trending榜单。 用它可以让你只用3块钱、花两个小时，就能训练出一个仅有25.8M参数的超小语言模型。 主打极致轻量化，最小版本体积只有 GPT-3 的 1/2700。 而且还开源了... tokenizer 分词器训练，包含 Pretrain、SFT等全过程训练代码，甚至拓展了视觉多模态的MiniMind-V。 所有训练脚本均为 PyTorch 原生实现，兼容MoE混合专家模型架构，基本实现了对大语言模型全阶段的开源复现show more

扎克伯格不在自家的Threads，跑来X给他的AI模型打广告了！🤣 他上一条推文还停在2023年，这下直接实锤，用AI最多的群体一定是在X上！ 这款Muse Spark是Meta实验室做的新一代大模型，2026 年4月首发，最新1.1版本7月9号刚更新完，扎克伯格就来了。我猜要被Grok打爆

全网都在吹日本Fugu跑分超GPT，但我敢说99%的人没看懂它真正炸场的地方。 首先这玩意儿根本不是什么超大单体大模型， 它全身上下只有0.6B参数，本职工作就其实就是个AI项目经理， 简单任务自己处理，复杂任务自动拆分，从全球顶级模型池里挑最合适的选手，分配思考执行验证三种角色，多轮协作最后合成答案。 你调用它和调普通模型没区别，一行API的事， 但背后的编排策略是训练出来的，不是人手写prompt调路由磨出来的，它可以发掘出人类根本想不到的协作模式。 我觉得最狠的还不是跑分超了Claude和GPT，关键是它直接绕开了scaling law的军备竞赛。 不用堆万亿参数，不用砸超算中心，靠更聪明的协作机制就能摸到前沿模型的天花板，AI的竞争第一次从拼参数变成了拼管理。... 当然不是银弹，比如黑箱不透明，复杂任务延迟更高，简单题用它反而更贵。 但这件事的信号意义比跑分数字重要一百倍，意味着多智能体编排从实验室玩具正式变成了可用的生产力工具。 orchestration layer这条新赛道，今天正式开跑咯🚀show more

突发：美国人工智能初创公司Anthropic表示，中国人工智能公司设立了超过24,000个欺诈账户，并使用了超过1600万条提示信息，“从Anthropic的系统中窃取信息，以训练和改进他们自己的产品”。Anthropic警告说：蒸馏出的模型不带安全护栏，一旦用于军事或监控系统，后果难以想象。Anthropic报告称：DeepSeek、月之暗面(Moonshot/Kimi)和MiniMax三家中国AI实验室，通过大规模"蒸馏攻击"非法提取Claude模型的能力来训练自家模型。他们甚至定位了具体参与盗窃的中国研究人员。

有个事我憋很久了，今天必须说一下。 市面上那些标榜 AI 驱动交易的 Bot，我深度用过几款之后发现一个特离谱的现象：它们所谓的 AI 就是接了一个 GPT 或者... Claude 的 API，把 K 线数据原封不动丢进去，让一个从来没被训练过理解金融时间序列的通用模型给你输出买卖建议。说难听点，跟拿 ChatGPT 算命没什么区别。 所以 AIX 的多模型路由方案，是我接触这个项目之后第一个真正觉得"方向对了"的设计。 它同时接了 GPT、Claude、DeepSeek R1、Gemini 这些通用模型，也集成了 Kronos 这类专门为金融预测训练的专业模型。中间多了一层调度层，根据当前市场状态智能路由，震荡市用一套推理框架，单边趋势切另一套算法组合。 这个设计的聪明之处在于它承认了一个很朴素的事实：没有一种模型能在所有行情里通吃。趋势跟随在单边市是神，进了震荡就是来回止损。反过来网格在震荡舒服，单边一来直接穿仓。通用大模型做策略意图理解很强但看 K 线的能力确实有限，专用金融模型在时序预测上更精准但没办法理解你用自然语言描述的策略逻辑。没有一个模型能同时搞定所有事。 AIX 干的事不是选一个最强的模型然后迷信它，而是让不同模型在不同环节轮班上岗，动态调权重。这个思路在传统量化里叫多因子动态权重，AIX 把它搬到了 LLM 和时序模型的协同上。 我体验下来的感受是它不像那种一问一答的 Bot，更像有一个小团队在后台协作，你只需要给方向，它自己去协调谁干什么。这个架构如果跑通，抗单一模型失效的能力跟那些只接一个 API 的项目不在一个数量级。 个人分享，非投资建议。show more

感觉现在开源的速度已经疯了。。。 Kimi.ai 家的K3开源才两天，已经被Unsloth AI 干到能在Mac Studio上跑了🤯！！！ 2.8万亿参数的模型，原始大小1.56T， 他们用动态1-bit量化，直接压到594G，缩了62%， 还保留了78.9%的精度，... 128G内存的Mac Studio就能跑， 虽然速度不快，但它真的能跑。 谁能想到半个月前，这个级别的模型还只有大厂有算力碰， 现在我们在家，在自己的消费级电脑上，就能跑全球最顶尖的开源大模型了，damn！ 权重放出来48小时，量化、适配、教程全给你整完了， Unsloth这速度，真的离谱。 不得不说这就是开源最恐怖的地方啊， 模型放出来第一天， 全世界最聪明的工程师都在帮你压体积、提速度、做适配， 闭源模型，永远享受不到这个待遇。show more

阿里刚发布了Qwen3.6-Plus 直接冲着"国产最强编程模型"来的 跑分上，SWE-bench 和 Claw-Eval 都超过了 GLM-5 和 Kimi-K2.5，是目前国产模型里最接近... Claude 的 实测了一下前端，确实有点东西 阿里云百炼已上架，价格不到 Claude 的十分之一 阿里这几天连发三个模型，平均一天一个： 3月30号，Qwen3.5-Omni 全模态 4月1号，Wan2.7-Image 图像生成 4月2号，Qwen3.6-Plus 编程模型 感觉熟悉的千问节奏又回来了..show more

兄弟们，用上 GPT‑5.6 之后，我这边好像真的开始起飞了。 过去7天，我给它做了一个极限实验。 开放电脑操作权限，往预测市场账户里放了300美元，只留下一句话： “自己想办法赚钱。” 剩下的我没再管。 它先扫描了上千个预测市场钱包，把交易频率异常、靠单次暴利和疑似对刷的地址全部过滤掉。 最后，只留下3个长期胜率接近80%的账户。... 然后它自己盯盘，自己判断仓位，自己复制这些钱包的 YES / NO 交易。 中间有止损，也有跟错。 但更多时候，它总能比市场慢半步确认，又快一步跟进去。 7天后我重新打开账户： 300美元，变成了3600美元。 整整12倍。 最吓人的不是赚了3300美元。 而是整个过程中，GPT‑5.6几乎没怎么问过我。 它自己找数据、筛钱包、验证胜率、排除垃圾地址，最后连跟单机器人都自己跑起来了。 以前是人盯着市场找机会。 现在变成AI盯着高手，人只负责给它权限。 我已经把利润全部放回账户，让它继续跑。 说真的，用完这波我有点绷不住。 之前用那些垃圾模型，我还一度怀疑 AI 是不是就那样。 结果不是 AI 没用。 是好模型我用晚了。 感觉只要工具用对，AI 自己找机会、自己执行、自己赚钱，这事已经不是 PPT 了。 离谱的是，我感觉这还只是刚开局。show more

Datawhale 开源神作 Happy-LLM 教你从零亲手造一个大模型 GitHub 已获 29k+ Stars，持续霸榜 Trending... ⭐ 核心亮点 1. 体系完整，不碎片 NLP → Transformer → 预训练 → LLM 一条线讲通，不是拼凑知识点 2. 边学边做，跑完整流程 按 LLaMA 2 思路，从 Tokenizer 到预训练到微调（LoRA / QLoLA） 不是背概念，是自己真的动手做一遍 3. 工程导向，不止讲模型 RAG / Agent / 模型评测全覆盖 更贴近真实项目落地 学完你能做到什么？ - 看懂 Transformer - 训练一个小模型 - 会调参、排问题 - 做出一个 AI 小应用 适合谁？ 想入门 LLM 的开发者 不满足于只会调用 API 的人 想做 AI 应用 / Agent 的人show more

最近爆火的 AI 视频，我拿自己的 IP 小人复刻了一遍 方法很简单： 把原视频提示词丢给 AI，让它根据你的角色重新改写，再用 Gemini... 跑一遍 几分钟，一个属于自己的版本就出来了 AI 现在最大的变化，就是把很多以前需要专业团队做的事情，交给了普通人 提示词我放在评论区了，大家还有没有更好的玩法？一起分享一下show more

非常Nice啊，这模型完全免费，Token终于可以自由白嫖了，甚至视频模型都是免费的，太爽了。 它叫Agnes AI，全球模型榜前十，6 月 1 号起把自己家三个核心模型全免费开放了，无限期。图片模型在 artificial analysis 上榜了，文字模型一周被干了一万亿... Token。我把它接进 Claude Code，配起来十分钟的事，Token 随便用。 这玩意到底是什么呢。 Agnes AI 是全球模型榜单前十的一个 AI Lab，这次免费开放的是三个模型，文本、图片、视频。 文本模型叫 agnes-2.0-flash。能写代码，能做知识问答，能跑 Agent，能规划复杂任务。在 Claw-Eval 智能体评测榜进了 Top 10。说真的，这周它还要上 1M 超长上下文，以前用 200K 的模型跑到 150K 就降智，这种破事不用再忍了。 图片模型叫 agnes-image-2.1-flash。图改图、多图融合、换背景、改文字、图像修复，电商主图和广告素材这种反复改的场景，太合适了。最近还加了 4K 超高清输出，最高 4096×4096，生成的图可以直接进印刷，不是那种看着还行一放大就糊的草稿。 视频模型叫 agnes-video-2.0。原生音画同步，首帧生视频、首尾帧生视频、多镜头切换都支持，720P 和 1080P 随便选。 接进 Claude Code 怎么搞，其实很简单。 第一步，去 注册，拿到 API key。 第二步，打开 cc-switch。右上角选 Claude CLI，右上角点 + 号，选自定义配置。把 API key 填进去，请求地址写 格式选 OpenAI Chat Completions。 第三步，点获取模型列表，选 agnes-2.0-flash。 第四步，点左上角设置，找到路由，打开路由总开关，Claude 打开。 完事。 回到 Claude Code 正常发消息，模型就已经切过去了。我试了一个在酒吧吉他弹唱的视频，和真人区别不大。 现在 Token 不要钱，Agent 该跑几轮跑几轮，该拆几步拆几步。反正我觉得这才是免费开放最爽的部分，不只是省钱，是心理上解放了。 我测试了一下视频模型，能用，就是慢了点，文字模型还是比较快的。 开发者文档在 OpenClaw、Hermes、Claude Desktop 的，也有现成教程。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

一直以来都觉得视频生成模型的商用空间最大，但是最大的问题是seedance的token计费成本太高 随着各种本地大模型的更新，感觉未来与seedance的差距会越来越小，基于降本的目标近期一直在优化造物纪的商业模式，通过算力租赁加本地大模型部署的模式可以很大的降低成本，更新接入了minimax h3 独享算力 ¥9.9/小时,无限生成 共享算力 ¥0.39/秒,用多少付多少 没有会员费,没有套路。

所有人都以为OpenAI的护城河是AI大模型， 今天他们证明了，真正的胜负手在硅片里。 和博通合作，九个月从设计到流片， 首款自研AI芯片Jalapeño，专门面向大模型推理。 不做训练，只负责用户对话时的响应计算， 每瓦性能，明显优于当前最先进水平。 有几个反常识的结论跟大家分享， 第一个反常识， 为什么先切推理，不做更酷的训练芯片。... 训练是一次性烧钱，烧完就结束， 推理是每天几亿用户持续消耗，是真正的成本大头。 把推理成本打下来三成到五成，规模上来就是天文数字的利润， 这其实是最务实的商业选择。 第二个反常识， 九个月流片意味着什么， 传统高性能芯片，两到三年才是正常设计周期。 他们用大模型，辅助设计跑大模型的芯片。 AI造AI硬件的自循环一旦跑通， 整个半导体的迭代速度，都会被彻底改写。 最本质的战略意图是 OpenAI不想再当英伟达的超级客户了， 他们要走全栈路线，从硅片到模型到产品全部自控， 说白了谁掌握底层算力，谁就掌握定价权和利润空间。 模型权重很重要，算力的话语权同样致命。 以前是人类造硬件，硬件跑AI， 以后是AI辅助人类造更好的硬件，硬件再跑出更强的AI， 这个自增强的循环，才是真正的奇点序章。show more

我去，美团把数字人视频生成模型开源了。外面数字人 Agent 一天卖 50 万，美团直接做了个 LongCat-Video-Avatar 塞进同一个仓库里开源了。 给一张人脸图加一段音频，数字人张嘴念稿，嘴唇、眼神、表情全自动对上。 它不是那种玩具开源，是实打实对标... Sora、Veo3、Kling 那种商业模型。 13.6B 参数，文生视频、图生视频、视频续写，一个模型全干完，720p 30 帧，长视频一口气跑几分钟不崩画质。而且你敢信？推理还比同级快了 10 倍。 坦率的讲，我看到技术报告的时候是有点懵的。因为 benchmark 上它一个 Dense 架构的 13.6B 模型，追着人家 28B 的 MoE 打。更让我愣住的是数字人那块。 你想想看，这事以前怎么搞。 要么自己录真人，要么掏钱买方案，几百块一条起步。现在一个开源模型，丢段文案给 TTS 一念，画面它自己出。而且 1.5 版做了蒸馏，推理从几十步压到 8 步，快了 15 倍。还加了 INT8 量化省显存。 说实话，这种东西别只收藏。 想试的，先跑 一下我下面的文章教程，参考就能部署。 GitHub 搜 meituan-longcat / LongCat-Video，权重在 HuggingFace 上直接下。show more

很多人看 Inference Labs ， 第一反应都是那些听起来特别硬的技术名词，比如什么 zkML，什么 PoI。 但说真的，如果你把这层技术的皮给剥开，你会发现它讲的根本不是代码，而是权力。 Inference... Labs 真正做的，是把 AI 系统里以前那些模糊的权力关系，直接给拆散了摆在台面上。 在传统的 AI 世界里，模型方就是绝对的老大。 模型怎么跑，参数怎么调，最后给你一个结果，你除了相信，没有任何别的办法。 算力方也是一样，谁手里的机器多，谁的声音就大。这种结构下，用户其实是没有任何话语权的。 但 Inference Labs 正在把这套逻辑给彻底拆掉。 在它的 PoI 机制下，模型不再是那个不可挑战的上帝了。模型只能负责干活，负责给出推理结果，但它没有权利定义这个结果是不是对的。 一旦进了这个系统，模型的每一个输出都必须经过证明，经过别人的复现和验证。 这一步，本质上就是在削弱模型的权力。模型不再是权力的中心，它变成了一个纯粹的服务提供者。 再来看看算力。 很多人以为验证网络会让算力变得更值钱，更重要。其实恰恰相反，在 Inference Labs 的结构里，算力其实是被压制的。 算力在这里只负责执行任务，它不负责最后的裁决。你算得再快，机器堆得再多，你也改变不了结果的合法性。你没法靠着算力去强行说服系统接受一个错误的结果。 这意味着，算力在这里变成了一种商品化的成本，而不是一种能让你称王称霸的筹码。 那么，真正的权力流向哪儿了。 答案是验证者。 验证者不需要去训练什么顶级的模型，也不需要去买成千上万张显卡。 他们只做一件事，就是决定哪些推理是被系统承认的现实。这在现在的 AI 圈子里是非常罕见的设计。 它相当于承认了一点，AI 的问题其实不在于它聪不聪明，而在于当它给出结果的时候，谁有资格说这是一次有效的推理。 Inference Labs 把这个资格，从那些模型公司和平台手里，转移到了这个验证层。 这种变化的影响会非常深远。 以后在这个系统里，最强势的一方，不是那些最会训练模型的，也不是那些最有钱堆机器的。 而是那些能长期维持验证信誉的节点。这种节点看重的不是短期的那点博弈速度，而是长期的稳定性。 因为在它的规则里，只要你作恶一次，代价就是被系统永久边缘化。这种代价，任何想长久玩下去的人都承担不起。 所以我也一直在想，为什么 Inference Labs 在短期市场里显得这么安静。 其实道理很简单，这个系统里真正占便宜的角色，从来就不是那些会喊叙事，会搞投机的。 它奖励的是耐心，是持续不断的输出，以及永远不犯错的稳健。它天然地就在排斥那些只想进来薅一把就走的投机者。 我的感觉非常明确，Inference Labs 其实并不是在追求让 AI 变得更强，它是在尝试解决一个更有难度的问题。 那就是当 AI 已经足够强的时候，到底谁来约束它，谁来承担它产生后果后的责任。 在这个系统里，权力第一次不再是围绕着模型集中，而是被彻底拆散，被互相制衡。 这才是它最被低估的地方。 它在重新定义 AI 时代的规则。它告诉我们，在这个新的权力游戏里，诚实和稳定，才是最贵的资产。 #inference_labs #KAITOshow more

我告诉你， Mira 不给我上榜的话，我就要控制你了！！！ $Mira 现在价格0.1473 按照100w枚的奖池来说的话就是14wu的奖池，还是挺多的 Mira和其他AI验证不一样的地方在于，主要做的是模型整合，正如我前面有提到过的：依赖质押节点和多样化LLM的集体验证 Mira是一只由各种模型组成的AI军队，用集体智慧来解决AI可靠性危机，让我们能够信任AI，这样AI才能真正的适合我们日常使用 Mira不是一个高大上的项目，而是一个真真切切贴近我们生活的验证助手～... Mira (3/3) | 中文社区 🁢🁢🁢show more

前两天用了ChatCut我以为它已经很牛了至少在某些程度上能替代剪映，没想到今天部署的这个开源项目OpenMontage更厉害，只需要接入大模型它就能直接帮你写好提示词分镜脚本，有哪里不对的还可以让它改，我刚就说了一句“帮我生成一个15秒的猫和老鼠的视频”，它就给我做了一个这样的视频出来，自从有了AI各行业的压力是越来越大了，以后动画设计那些我感觉越来越多人要失业了。

最近每天晚上一到了凌晨就开始疯狂的咳嗽 属于是老毛病了，如果一不小心感冒就会触发我的支气管炎 就算感冒好了，稍微喝点冰水冷空气一吹 一般都要咳一个月，我记得以前吃一个药叫氨溴索还挺管用的，这几天忙一直没来得及去买平替 对于平台而言，接下来半个月我们最忙的半个月 每次有新模块上线就会面临工作流的调整 我目前的宗旨就是，尽量不扩充核心团队成员 很多事情不是你堆了一堆人就可以解决了，创业要做的就是不断地碰壁，不断地尝试，一直到实验出一条有的走的路，不留恋不回头不计较沉默成本 永远保持最小的团队人数，把尽可能多影响沟通效率的环节砍掉... 没有超过30分钟的会 没有一堆小群聊…… 话说今天下雨天，家里放点小音乐，工作太有感觉了show more