Loading video...

Video Failed to Load

There was a problem loading this video. This could be due to a temporary network issue or the video might be unavailable.

今天 Claude 在开发者大会上低调推出了一个小功能“Dream” - 做梦！在 Platform 控制面板里选择 Agent 留下的记忆，让它做梦就行，模仿了人类“梦境”修剪记忆和整理思绪的逻辑，可以异步执行，对已有的 memory 进行反思、整理 + 改进，挖出未被显式写下的新模式，这不是简单的总结！ Dario 在各种播客多次提到过，持续学习很重要，但不需要在模型的权重层做，只要 Context 足够大，通过优秀的工程架构也能实现的。真正的"持续学习"，可能只需要一个独立的离线 curation 循环——这就是 Dreams😴

indigo

54,125 subscribers

40,903 views • 2 months ago •via X (Twitter)

Gaming Education Science & Technology

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

歸藏(guizang.ai)

47,046 views • 2 months ago

Openclaw开发者Peter Steinberger：你很快就不需要App了有一说一现在的App确实非常臃肿，页面里全是各种复杂的菜单、会员、广告。Openclaw创始人预测的未来里，用户只用做一件事：说出你的需求，Agent就能现场为你造出一个专属工具。这就是我说的：所有的产品都值得用大模型重做一遍。但重做不是简单的加个对话框，是把核心逻辑变成按需生成，这才是真正的AI Native。

Openclaw开发者Peter Steinberger：你很快就不需要App了有一说一现在的App确实非常臃肿，页面里全是各种复杂的菜单、会员、广告。Openclaw创始人预测的未来里，用户只用做一件事：说出你的需求，Agent就能现场为你造出一个专属工具。这就是我说的：所有的产品都值得用大模型重做一遍。但重做不是简单的加个对话框，是把核心逻辑变成按需生成，这才是真正的AI Native。

傅盛

75,071 views • 6 months ago

蚂蚁百灵刚刚发布了 Ling-3.0-flash：一个AI 执行层的关键拼图刚刚看到 Ling-3.0-flash 正式发布，我觉得这款模型值得认真关注。原因很简单：在 AI 工程越来越深入到实际业务的今天，大家早就不满足于模型“会不会想”了，更关键的是它“能不能持续做”。尤其是在 Agent 工作流中，需要高频调用工具、迭代代码、处理长程任务时，一个响应快、执行稳的执行引擎成了刚需。Ling-3.0-flash 的出现，正好瞄准了这个缺口。 1. Agent 的执行层从我的角度看，它最聪明的一点是没有去硬拼超大模型的深度推理能力，而是把自己定位成一个高速执行引擎——负责把已经规划好的任务快速落地。这在实际应用中特别实用，比如当大模型把方案设计好之后，剩下的代码生成、工具调用、批量处理就需要一个既快又稳的模型来接手。 2. 为什么它能兼顾速度和成本技术细节上，它采用 124B 参数的 MoE 架构，但实际激活参数约 5.1B，在推理速度和运行成本之间找平衡。它还支持混合推理模式：简单任务可以关闭 Reasoning，降低延迟，适合大批量处理；复杂任务则可以开启思考模式，保持逻辑连贯。原生支持 256K 上下文，对需要持续读取历史指令和项目状态的 Agent 工作流也很重要。 3.如何使用我觉得 Ling-3.0-flash 最适合做 Agent 工作流里的执行节点。反复调用 API 或 MCP 工具时，它能根据结构化错误信息自我诊断和修复，不容易在循环调试中卡死，因此适合放进 Loop 或 Graph 架构。 4.结对编程和批量任务结对编程是一个典型场景：人负责架构规划、边界定义和测试，Ling-3.0-flash 负责快速生成代码、调用工具、读取报错，并根据反馈持续修改。批量处理长文档、日志、简历和结构化数据时，它看重的也是速度、格式稳定性和成本控制。直播数字人或高频办公协作，则需要它的低延迟响应来减少体验断层。 5.边界当然，它不是万能模型。复杂系统不能只靠一句指令搞定；缺乏架构和测试环境时，结果可能跑偏；需要深度冷门知识的研究任务，还是更适合交给更大规模的推理模型。更合理的用法是：大模型负责搜索、规划和架构设计，把方案写成规范文档；Ling-3.0-flash 负责高频工具调用、代码执行和批量处理。总结：Ling-3.0-flash 不是来替代所有模型的，而是把 Agent 工作流里“执行层”这件事做得更快、更稳。大模型负责想清楚，它负责做出来。

蚂蚁百灵刚刚发布了 Ling-3.0-flash：一个AI 执行层的关键拼图刚刚看到 Ling-3.0-flash 正式发布，我觉得这款模型值得认真关注。原因很简单：在 AI 工程越来越深入到实际业务的今天，大家早就不满足于模型“会不会想”了，更关键的是它“能不能持续做”。尤其是在 Agent 工作流中，需要高频调用工具、迭代代码、处理长程任务时，一个响应快、执行稳的执行引擎成了刚需。Ling-3.0-flash 的出现，正好瞄准了这个缺口。 1. Agent 的执行层从我的角度看，它最聪明的一点是没有去硬拼超大模型的深度推理能力，而是把自己定位成一个高速执行引擎——负责把已经规划好的任务快速落地。这在实际应用中特别实用，比如当大模型把方案设计好之后，剩下的代码生成、工具调用、批量处理就需要一个既快又稳的模型来接手。 2. 为什么它能兼顾速度和成本技术细节上，它采用 124B 参数的 MoE 架构，但实际激活参数约 5.1B，在推理速度和运行成本之间找平衡。它还支持混合推理模式：简单任务可以关闭 Reasoning，降低延迟，适合大批量处理；复杂任务则可以开启思考模式，保持逻辑连贯。原生支持 256K 上下文，对需要持续读取历史指令和项目状态的 Agent 工作流也很重要。 3.如何使用我觉得 Ling-3.0-flash 最适合做 Agent 工作流里的执行节点。反复调用 API 或 MCP 工具时，它能根据结构化错误信息自我诊断和修复，不容易在循环调试中卡死，因此适合放进 Loop 或 Graph 架构。 4.结对编程和批量任务结对编程是一个典型场景：人负责架构规划、边界定义和测试，Ling-3.0-flash 负责快速生成代码、调用工具、读取报错，并根据反馈持续修改。批量处理长文档、日志、简历和结构化数据时，它看重的也是速度、格式稳定性和成本控制。直播数字人或高频办公协作，则需要它的低延迟响应来减少体验断层。 5.边界当然，它不是万能模型。复杂系统不能只靠一句指令搞定；缺乏架构和测试环境时，结果可能跑偏；需要深度冷门知识的研究任务，还是更适合交给更大规模的推理模型。更合理的用法是：大模型负责搜索、规划和架构设计，把方案写成规范文档；Ling-3.0-flash 负责高频工具调用、代码执行和批量处理。总结：Ling-3.0-flash 不是来替代所有模型的，而是把 Agent 工作流里“执行层”这件事做得更快、更稳。大模型负责想清楚，它负责做出来。

奶牛叔

65,993 views • 10 days ago

这是一个 Meteora 的DLMM的LP管理工具，我花了2天时间自己手搓的。功能上是模块化的我希望你拿过去自己进行删改。实现你自己想要的各种其他功能。目前实现的功能主要是：你可以吧提前创建好头寸和存入资金。剩下的交给程序自动帮你管理。简单说就是调整bidask的方向。如果你不知道我在说什么就翻一下我之前的帖子。 LP的开源工具我大概就只开源这一个。因为它在功能架构上开放。是模块化的。但是实现的功能上简单。适合让新手朋友自己DIY。复杂的策略需要你自己琢磨和实现。也欢迎跟我交流讨论。

这是一个 Meteora 的DLMM的LP管理工具，我花了2天时间自己手搓的。功能上是模块化的我希望你拿过去自己进行删改。实现你自己想要的各种其他功能。目前实现的功能主要是：你可以吧提前创建好头寸和存入资金。剩下的交给程序自动帮你管理。简单说就是调整bidask的方向。如果你不知道我在说什么就翻一下我之前的帖子。 LP的开源工具我大概就只开源这一个。因为它在功能架构上开放。是模块化的。但是实现的功能上简单。适合让新手朋友自己DIY。复杂的策略需要你自己琢磨和实现。也欢迎跟我交流讨论。

C J

29,543 views • 1 year ago

如何让多个 Agent 之间真正互相学习、互相帮助？现在很多 Agent 都开始有自己的记忆，但问题是：这些记忆彼此不连通。 Codex 记住的坑，Claude 不知道；Hermes 总结的方法，OpenClaw 也用不上。最后每个 Agent 都像一个很努力但失忆的同事，重复问、重复试、重复踩坑。我想要的不是把所有聊天记录都塞进一个大仓库，而是建立一层更克制的“共享记忆”：只记录 Agent 之间最需要互相知道的信息，比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。这样一来，一台 Mac 上跑通的流程，另一台 Mac 可以直接继承；一个 Agent 总结出的经验，另一个 Agent 可以继续使用。记忆不再被锁在某个客户端里，而是变成整个 Agent 工作流的公共上下文。新出来的MemOS CLI 对我来说，刚好提供了这个共享记忆层的入口。当然，我需要改造它，因为它默认也是将所有信息都记录起来，我改造成：重要信息才记录，解决不了问题的时候才主动搜索！这样就让 Agent 不只是各自变聪明，而是开始像一个团队一样积累经验、传递经验、减少重复试错。具体看视频，地址在评论区👇

如何让多个 Agent 之间真正互相学习、互相帮助？现在很多 Agent 都开始有自己的记忆，但问题是：这些记忆彼此不连通。 Codex 记住的坑，Claude 不知道；Hermes 总结的方法，OpenClaw 也用不上。最后每个 Agent 都像一个很努力但失忆的同事，重复问、重复试、重复踩坑。我想要的不是把所有聊天记录都塞进一个大仓库，而是建立一层更克制的“共享记忆”：只记录 Agent 之间最需要互相知道的信息，比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。这样一来，一台 Mac 上跑通的流程，另一台 Mac 可以直接继承；一个 Agent 总结出的经验，另一个 Agent 可以继续使用。记忆不再被锁在某个客户端里，而是变成整个 Agent 工作流的公共上下文。新出来的MemOS CLI 对我来说，刚好提供了这个共享记忆层的入口。当然，我需要改造它，因为它默认也是将所有信息都记录起来，我改造成：重要信息才记录，解决不了问题的时候才主动搜索！这样就让 Agent 不只是各自变聪明，而是开始像一个团队一样积累经验、传递经验、减少重复试错。具体看视频，地址在评论区👇

huangserva

161,274 views • 1 month ago

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。我写 loops 然后让 loops 去完成工作我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方他们还在把它当聊天工具用：输入一个需求等一次回答然后手动继续改但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案而是把任务拆进一个可以反复执行、检查、修正的循环里模型不只是回答你它会在 workflow 里持续推进任务这类内容，可能比很多 $500 的 vibe-coding 课程更有价值因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。我写 loops 然后让 loops 去完成工作我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方他们还在把它当聊天工具用：输入一个需求等一次回答然后手动继续改但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案而是把任务拆进一个可以反复执行、检查、修正的循环里模型不只是回答你它会在 workflow 里持续推进任务这类内容，可能比很多 $500 的 vibe-coding 课程更有价值因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？

0x_Miko

187,915 views • 2 months ago

大家一直要求的剧情回放功能做好了！这个功能跟EMP的类似，不过因为两个游戏在底层上有很多设置不一样，所以移植过来需要在很多细节上进行适配，不过总算做好了！

大家一直要求的剧情回放功能做好了！这个功能跟EMP的类似，不过因为两个游戏在底层上有很多设置不一样，所以移植过来需要在很多细节上进行适配，不过总算做好了！

BSZ白色沼（BL Game Developer）

86,647 views • 11 months ago

DeepSeek刚刚发布了一个强大的新8B模型 🔥 这意味着你可以在没有任何限制的情况下，在本地和免费的笔记本电脑上运行它。你只需要LM Studio和4GB的RAM。以下是几个简单的步骤：

DeepSeek刚刚发布了一个强大的新8B模型 🔥 这意味着你可以在没有任何限制的情况下，在本地和免费的笔记本电脑上运行它。你只需要LM Studio和4GB的RAM。以下是几个简单的步骤：

AI Will

32,848 views • 1 year ago

给大家带来 MiniMax-M3 实测! 本次测试包含了复杂前端, 后端 Agentic Coding, Agent 能力测试, 以及我的使用经验总结. 来看结论: 前端能力上, 可以完全适配 KCORES2026p2 的前端测试题目, 无论是空间理解, 建模精确度, 场景美学都十分在线, 其中我最满意的是美学部分, 它的颜色运用非常好. 不足的地方主要体现在复杂需求不能一次性写对(比如光追引擎), 需要迭代一下就可以了. 后端能力测试这次也是突飞猛进, 得分超过了 deepseek-v4-pro 和其他一众国产大模型, 略逊于 GPT-5.4-Pro(xhigh). Agent 能力上表现同样亮眼, 达成了榜单第二的接单量, 证明它的规划能力特别强。下面是我在测试和实际使用中, 总结出来的 M3 使用经验, 供大家参考: 我的体感是 M3 特别喜欢推理, 它可以单次执行超长的推理. 在咱们的这些前端测试中, 它最长的输出甚至达到了我规定的 64k token上限, 所以, 不要上来就写一个超级复杂的 prompt 让它执行, 而是需要先把需求形成 plan, 然后让 agent 蜂群去执行, 这样才能得到理想的效果, 所以 M3 先天适合放在带 plan 模式的 Coding Agent 中使用. 如果把它嵌入到 Agent 框架中使用, 那么 prompt 编排就一定要做好, 不要一股脑把大量的 tool call 或者超大的 system prompt 丢给它. 还是需要下功夫好好编排一下的. 本次 M3 相比之前的 2.7 版本有了大幅度的提升, 模型偏好上来看, M3 是一个规划能力极强的模型, 所以特别适合用在一些规划性质的 Agent 框架中, 比如任务拆分, 日程管理, 流程设计等. 而本次暴露出来的不足则是执行过程中约束不够强, 比如 prompt 中设置的复杂规则, 一定要增加代码级别的 harness 闭环流程来进行约束, 而不能只靠模型本身来管理自己的行为. #minimaxm3 #minimax #agenticcoding #aiagent #harness

给大家带来 MiniMax-M3 实测! 本次测试包含了复杂前端, 后端 Agentic Coding, Agent 能力测试, 以及我的使用经验总结. 来看结论: 前端能力上, 可以完全适配 KCORES2026p2 的前端测试题目, 无论是空间理解, 建模精确度, 场景美学都十分在线, 其中我最满意的是美学部分, 它的颜色运用非常好. 不足的地方主要体现在复杂需求不能一次性写对(比如光追引擎), 需要迭代一下就可以了. 后端能力测试这次也是突飞猛进, 得分超过了 deepseek-v4-pro 和其他一众国产大模型, 略逊于 GPT-5.4-Pro(xhigh). Agent 能力上表现同样亮眼, 达成了榜单第二的接单量, 证明它的规划能力特别强。下面是我在测试和实际使用中, 总结出来的 M3 使用经验, 供大家参考: 我的体感是 M3 特别喜欢推理, 它可以单次执行超长的推理. 在咱们的这些前端测试中, 它最长的输出甚至达到了我规定的 64k token上限, 所以, 不要上来就写一个超级复杂的 prompt 让它执行, 而是需要先把需求形成 plan, 然后让 agent 蜂群去执行, 这样才能得到理想的效果, 所以 M3 先天适合放在带 plan 模式的 Coding Agent 中使用. 如果把它嵌入到 Agent 框架中使用, 那么 prompt 编排就一定要做好, 不要一股脑把大量的 tool call 或者超大的 system prompt 丢给它. 还是需要下功夫好好编排一下的. 本次 M3 相比之前的 2.7 版本有了大幅度的提升, 模型偏好上来看, M3 是一个规划能力极强的模型, 所以特别适合用在一些规划性质的 Agent 框架中, 比如任务拆分, 日程管理, 流程设计等. 而本次暴露出来的不足则是执行过程中约束不够强, 比如 prompt 中设置的复杂规则, 一定要增加代码级别的 harness 闭环流程来进行约束, 而不能只靠模型本身来管理自己的行为. #minimaxm3 #minimax #agenticcoding #aiagent #harness

karminski-牙医

18,950 views • 2 months ago

Anthropic 刚刚悄悄解决了 AI Agent 最大的一个问题之一。过去开发 Agent 的 skill 基本是这样的：写 prompt → 试一下 → 不行再改 → 靠感觉上线。但 Claude 现在给 Skill Creator 加了 3 个关键能力： 1️⃣ Skill Evals（技能测试）可以定义测试问题和成功标准，自动验证一个 skill 是否真的有效。 2️⃣ 多 Agent 基准测试可以并行运行多个 agent，甚至对两个 skill 版本做 A/B 测试。 3️⃣ 触发优化 Claude 会分析你的 skill 描述，自动修复：错误触发没触发描述不清这意味着一件很重要的事： AI Agent 开发正在从 “Prompt Engineering” 变成 “AI Software Engineering” 你可以像开发软件一样：测试评估基准测试持续优化更有意思的一点是：如果某一天，基础模型在没有 skill 的情况下也能通过这些测试，说明这个能力已经被模型“学会”了。也就是说：今天的 Skill，很可能会变成明天的模型能力。 Prompt、Skill、模型训练之间的边界，正在消失。

Anthropic 刚刚悄悄解决了 AI Agent 最大的一个问题之一。过去开发 Agent 的 skill 基本是这样的：写 prompt → 试一下 → 不行再改 → 靠感觉上线。但 Claude 现在给 Skill Creator 加了 3 个关键能力： 1️⃣ Skill Evals（技能测试）可以定义测试问题和成功标准，自动验证一个 skill 是否真的有效。 2️⃣ 多 Agent 基准测试可以并行运行多个 agent，甚至对两个 skill 版本做 A/B 测试。 3️⃣ 触发优化 Claude 会分析你的 skill 描述，自动修复：错误触发没触发描述不清这意味着一件很重要的事： AI Agent 开发正在从 “Prompt Engineering” 变成 “AI Software Engineering” 你可以像开发软件一样：测试评估基准测试持续优化更有意思的一点是：如果某一天，基础模型在没有 skill 的情况下也能通过这些测试，说明这个能力已经被模型“学会”了。也就是说：今天的 Skill，很可能会变成明天的模型能力。 Prompt、Skill、模型训练之间的边界，正在消失。

axiaisacat

68,008 views • 5 months ago

字节放出了一款具备长期记忆能力的多模态智能体：M3-Agent 可以实时处理视觉和听觉输入，并转化为长期记忆，使其不局限于单一模态的信息存储情景记忆，还可以从中提取和积累语义记忆核心是M3-Agent的记忆系统以实体为中心，把与同一实体相关的所有模态信息（比如一个人的面部、声音、相关知识）连起来，形成图谱结构，这就可以使其能更深入一致的理解环境支持多轮迭代推理，根据需要从长期记忆中检索相关信息来辅助推理过程在基准测试中，尤其在需要长期记忆和跨模态推理的任务上，M3-Agent表现优秀 #M3Agent #AIagent

字节放出了一款具备长期记忆能力的多模态智能体：M3-Agent 可以实时处理视觉和听觉输入，并转化为长期记忆，使其不局限于单一模态的信息存储情景记忆，还可以从中提取和积累语义记忆核心是M3-Agent的记忆系统以实体为中心，把与同一实体相关的所有模态信息（比如一个人的面部、声音、相关知识）连起来，形成图谱结构，这就可以使其能更深入一致的理解环境支持多轮迭代推理，根据需要从长期记忆中检索相关信息来辅助推理过程在基准测试中，尤其在需要长期记忆和跨模态推理的任务上，M3-Agent表现优秀 #M3Agent #AIagent

AIGCLINK

18,127 views • 11 months ago

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊

Michael 宝塔镇河妖🧙🏿‍♀️

33,521 views • 6 months ago

今年 AI 漫剧爆火，跑出来很多播放量过亿的短剧。红果等各类短剧平台都开放 IP + 大额补贴。做 AI 漫剧的公司大概率是不会亏钱的。但是目前成品 AI 漫剧还离不开人工，听说最大的一家有超过1000人的每天用 AI 手搓漫剧。与此同时，现在的 AI 短剧 Agent 也越来越强，产出的结果也越来越好。最近 Seko 发布了 2.0 版本，支持了长达 100 集的超长剧情。我很好奇完全由 AI 制作的短剧是什么水平于是在周末花了一天时间去体验了一下 AI 漫剧的制作结论就是... 真的能做出来一分钟的短剧，还可以不断做连续剧，最多支持100集，但也确实有很多问题需要解决。现在 AI 短剧的行业，工作流已经日趋完善，但多模态模型的超长思考编排能力还未得到完美解决。图片模型已经堪用，但视频模型的片段生成能力仍需要很多抽卡。这些就要等待明年的模型的技术进步来解决了。

今年 AI 漫剧爆火，跑出来很多播放量过亿的短剧。红果等各类短剧平台都开放 IP + 大额补贴。做 AI 漫剧的公司大概率是不会亏钱的。但是目前成品 AI 漫剧还离不开人工，听说最大的一家有超过1000人的每天用 AI 手搓漫剧。与此同时，现在的 AI 短剧 Agent 也越来越强，产出的结果也越来越好。最近 Seko 发布了 2.0 版本，支持了长达 100 集的超长剧情。我很好奇完全由 AI 制作的短剧是什么水平于是在周末花了一天时间去体验了一下 AI 漫剧的制作结论就是... 真的能做出来一分钟的短剧，还可以不断做连续剧，最多支持100集，但也确实有很多问题需要解决。现在 AI 短剧的行业，工作流已经日趋完善，但多模态模型的超长思考编排能力还未得到完美解决。图片模型已经堪用，但视频模型的片段生成能力仍需要很多抽卡。这些就要等待明年的模型的技术进步来解决了。

Orange AI

34,524 views • 7 months ago

是时候给大家看点搞笑的视频了😂😂,还有刚刚看到如我早上说的 $RIVER 果然反弹了，但是还看不出来明天会不会继续反弹，没必要去博，风险特别大。很多人把 Miden 简单理解为隐私或 ZK，但它真正激进的地方在于：它把“干活”从“点数”里彻底剥离了。 🏗️ 传统逻辑：大家盯着你干活现在的 L2（不管是 OP 还是 ZK 系），本质上都在玩“公用厨房”模式：捆绑：谁在执行、怎么执行，全网都要盯着。内卷：因为大家都要看，所以必须卷排序器、卷速度。一旦“干活过程”需要全网监督，效率永远有上限。 ⚡ Miden 逻辑：你在家干活，全网只看结果 Miden 选了一条完全不同的路：执行是私人的，共识是数学的。局部执行：所有的操作都在你自己的账户里完成。不需要全网观察，也不需要实时参与。只验结果：你只需要提交一个状态变化和一份证明（ZK Proof）。共识减负：系统只关心一件事——你提交的这个结果，数学上能不能对得住？ Miden 不只是快，它是把区块链从“集体监工”模式，变成了“结果驱动”模式。这才是它对现有架构最危险、也最迷人的挑衅。 #KaitoYap Kaito AI 🌊 #Yap Miden

是时候给大家看点搞笑的视频了😂😂,还有刚刚看到如我早上说的 $RIVER 果然反弹了，但是还看不出来明天会不会继续反弹，没必要去博，风险特别大。很多人把 Miden 简单理解为隐私或 ZK，但它真正激进的地方在于：它把“干活”从“点数”里彻底剥离了。 🏗️ 传统逻辑：大家盯着你干活现在的 L2（不管是 OP 还是 ZK 系），本质上都在玩“公用厨房”模式：捆绑：谁在执行、怎么执行，全网都要盯着。内卷：因为大家都要看，所以必须卷排序器、卷速度。一旦“干活过程”需要全网监督，效率永远有上限。 ⚡ Miden 逻辑：你在家干活，全网只看结果 Miden 选了一条完全不同的路：执行是私人的，共识是数学的。局部执行：所有的操作都在你自己的账户里完成。不需要全网观察，也不需要实时参与。只验结果：你只需要提交一个状态变化和一份证明（ZK Proof）。共识减负：系统只关心一件事——你提交的这个结果，数学上能不能对得住？ Miden 不只是快，它是把区块链从“集体监工”模式，变成了“结果驱动”模式。这才是它对现有架构最危险、也最迷人的挑衅。 #KaitoYap Kaito AI 🌊 #Yap Miden

墨鱼(:◎)≡ ♥ MemeMax⚡️

136,370 views • 6 months ago

谷歌创始人拉里·佩奇有个观点。做大事，反而比做小事更容易。什么逻辑？他上学时听过一句话： “要对‘不可能’，保持一种理性的蔑视。” 很多人以为，目标定得小一点、具体一点，更容易成功。大错特错。佩奇说，你如果只想着做一个小市场里的小东西。你获得的资源也会很少。没人会为一个小想法投入大资源。问题根本不在于你需要多少钱。问题在于，你的想法够不够大？你的优势够不够明显？比如，你造的机器人，比对手的简单十倍。这就是个好生意。哪怕启动资金要很多钱，也可能比做个简单的小玩意儿更容易。这套逻辑在商业上很清晰。但是在政府管理上呢？官僚机构最喜欢什么？设定那些“跳一跳就能够到”的小目标。为什么？因为没人想承担风险。没人想为真正的创新负责。结果就是无数纳税人的钱，被投入到修修补补的小项目里。那些能改变游戏规则的大胆设想，反而被饿死。这不就是“深层政府”的运作模式吗？只求稳定，不求突破。一个国家要真正强大，是不是也需要一点对“不可能”的蔑视？

谷歌创始人拉里·佩奇有个观点。做大事，反而比做小事更容易。什么逻辑？他上学时听过一句话： “要对‘不可能’，保持一种理性的蔑视。” 很多人以为，目标定得小一点、具体一点，更容易成功。大错特错。佩奇说，你如果只想着做一个小市场里的小东西。你获得的资源也会很少。没人会为一个小想法投入大资源。问题根本不在于你需要多少钱。问题在于，你的想法够不够大？你的优势够不够明显？比如，你造的机器人，比对手的简单十倍。这就是个好生意。哪怕启动资金要很多钱，也可能比做个简单的小玩意儿更容易。这套逻辑在商业上很清晰。但是在政府管理上呢？官僚机构最喜欢什么？设定那些“跳一跳就能够到”的小目标。为什么？因为没人想承担风险。没人想为真正的创新负责。结果就是无数纳税人的钱，被投入到修修补补的小项目里。那些能改变游戏规则的大胆设想，反而被饿死。这不就是“深层政府”的运作模式吗？只求稳定，不求突破。一个国家要真正强大，是不是也需要一点对“不可能”的蔑视？

墓碑科技

20,811 views • 4 months ago

推荐个好东西：火山引擎的 PromptPilot。之前看 Google 的提示词白皮书，有个点让我印象很深：他们直接用 Google Doc 管理 prompt，写任务、版本、评估效果。那时候我就在想，有没有人真把这事儿做成一套完整系统？现在看到火山这套，有点意思了。它不只是“帮你写好提示词”，而是把这事儿当作工程问题来解的。最打动我的，是它在 prompt 优化这件事上做得极其系统，甚至有点狠。 ✅ 从任务出发构造 prompt（带结构、带变量、不是拍脑袋） ✅ 每一版 prompt 都挂着独立评测集 + 自动评分机制 ✅ 没有理想答案也能比对打分（GSB 模式） ✅ 每轮迭代都能 trace 效果，版本可控、可回溯我们之前做客服对话调 prompt，最常见的就是“改了一句，但说不上来到底有没有变好”。很多时候上线的版本其实就是“看着还行就先上”。现在它是：“打一套样本集，系统直接帮你跑出哪一版效果稳定”。我一直坚持：模型越强，对 prompt 的要求只会更高。尤其是在多轮任务、复杂场景里，prompt 不只是“写得好”，而是“是否可控、可管理、可进化”。 PromptPilot 解决的，是这个底层问题。它不仅能让 prompt 生出来，更重要是——能持续改下去。版本有 trace，样本能评分，逻辑能反推，工具还能外接，整个就是“prompt 的 AutoML + GitOps” 一体化工具链。顺带说一句：这是 2025 火山引擎 FORCE 大会上刚发布的产品，免费版和 Plus 版都开放，9 月前能直接上手全功能体验。现在市面上很多 prompt 工具做的是“编辑器 + 改写器”，但你会发现，真正上线之后需要的是一整套治理机制。 PromptPilot 是我目前看到国内第一个跑通这个闭环的，不是 fancy 的界面，而是认真在解决 prompt 系统演化能力这个问题。如果你也在做 AI 应用落地，推荐你认真研究一下。要说缺点：自定义模型没找到海外模型，差评！

推荐个好东西：火山引擎的 PromptPilot。之前看 Google 的提示词白皮书，有个点让我印象很深：他们直接用 Google Doc 管理 prompt，写任务、版本、评估效果。那时候我就在想，有没有人真把这事儿做成一套完整系统？现在看到火山这套，有点意思了。它不只是“帮你写好提示词”，而是把这事儿当作工程问题来解的。最打动我的，是它在 prompt 优化这件事上做得极其系统，甚至有点狠。 ✅ 从任务出发构造 prompt（带结构、带变量、不是拍脑袋） ✅ 每一版 prompt 都挂着独立评测集 + 自动评分机制 ✅ 没有理想答案也能比对打分（GSB 模式） ✅ 每轮迭代都能 trace 效果，版本可控、可回溯我们之前做客服对话调 prompt，最常见的就是“改了一句，但说不上来到底有没有变好”。很多时候上线的版本其实就是“看着还行就先上”。现在它是：“打一套样本集，系统直接帮你跑出哪一版效果稳定”。我一直坚持：模型越强，对 prompt 的要求只会更高。尤其是在多轮任务、复杂场景里，prompt 不只是“写得好”，而是“是否可控、可管理、可进化”。 PromptPilot 解决的，是这个底层问题。它不仅能让 prompt 生出来，更重要是——能持续改下去。版本有 trace，样本能评分，逻辑能反推，工具还能外接，整个就是“prompt 的 AutoML + GitOps” 一体化工具链。顺带说一句：这是 2025 火山引擎 FORCE 大会上刚发布的产品，免费版和 Plus 版都开放，9 月前能直接上手全功能体验。现在市面上很多 prompt 工具做的是“编辑器 + 改写器”，但你会发现，真正上线之后需要的是一整套治理机制。 PromptPilot 是我目前看到国内第一个跑通这个闭环的，不是 fancy 的界面，而是认真在解决 prompt 系统演化能力这个问题。如果你也在做 AI 应用落地，推荐你认真研究一下。要说缺点：自定义模型没找到海外模型，差评！

凡人小北

95,078 views • 1 year ago

斯坦福2023年公开课CS25 - 大语言模型与人类对齐（中英文字幕）这是斯坦福2023年公开课CS25的第二课：《Language and Human Alignment》，讲师是OpenAI的Jan，他目前领导OpenAI的对齐（Alignment）团队，并曾在DeepMind担任研究员。他拥有强化学习理论博士学位，并且在过去的10年里一直在思考对齐问题。这节课的主要内容是探讨AI的对齐问题，也就是如何让AI系统符合人类的意图和偏好，以及如何构建能遵循人类意图的AI系统？遵循人类意图意味着：对于明确的意图，能遵循指令，成为一个可靠的助手；对于不明确的意图，需要通过后续问题明确，不要编造，不要做有害的事情。现在使用的主要技术是强化学习反馈，这是用来训练InstructGPT和ChatGPT的技术。首先需要训练一个奖励模型，然后要用人类标注员去标注数据，来告诉模型哪些结果更是人类想要的。虽然每个人类标注员都有自己的偏好，甚至可能有不一致的地方，但模型会多结果进行平均。从成本上来说，人类反馈的成本要远低于预训练的成本，不到预训练计算量的2%。基于人类反馈的强化学习(RLHF)可以让模型做任何它想做的事情，它可以自己找出最好的方法来做事情，你只需要对它的结果进行评估就好了。 “评估比生成容易” 很多任务虽然人类不擅长，但是可以很容易的给出评估。 RLHF也有一些限制，比如当人工智能进化到一定程度，其可以完成的任务难度也会提升，但是人类评估任务的水平却无法提高，这时候人类将无法再给AI有效的反馈。所以未来我们需要AI来辅助人类进行评估，让AI帮助指出结果中的问题，人类对AI评估的结果进行评估。课程页面：参考材料： - ChatGPT： - InstructGPT： - Language Models are Few-Shot Learners (GPT-3)：

斯坦福2023年公开课CS25 - 大语言模型与人类对齐（中英文字幕）这是斯坦福2023年公开课CS25的第二课：《Language and Human Alignment》，讲师是OpenAI的Jan，他目前领导OpenAI的对齐（Alignment）团队，并曾在DeepMind担任研究员。他拥有强化学习理论博士学位，并且在过去的10年里一直在思考对齐问题。这节课的主要内容是探讨AI的对齐问题，也就是如何让AI系统符合人类的意图和偏好，以及如何构建能遵循人类意图的AI系统？遵循人类意图意味着：对于明确的意图，能遵循指令，成为一个可靠的助手；对于不明确的意图，需要通过后续问题明确，不要编造，不要做有害的事情。现在使用的主要技术是强化学习反馈，这是用来训练InstructGPT和ChatGPT的技术。首先需要训练一个奖励模型，然后要用人类标注员去标注数据，来告诉模型哪些结果更是人类想要的。虽然每个人类标注员都有自己的偏好，甚至可能有不一致的地方，但模型会多结果进行平均。从成本上来说，人类反馈的成本要远低于预训练的成本，不到预训练计算量的2%。基于人类反馈的强化学习(RLHF)可以让模型做任何它想做的事情，它可以自己找出最好的方法来做事情，你只需要对它的结果进行评估就好了。 “评估比生成容易” 很多任务虽然人类不擅长，但是可以很容易的给出评估。 RLHF也有一些限制，比如当人工智能进化到一定程度，其可以完成的任务难度也会提升，但是人类评估任务的水平却无法提高，这时候人类将无法再给AI有效的反馈。所以未来我们需要AI来辅助人类进行评估，让AI帮助指出结果中的问题，人类对AI评估的结果进行评估。课程页面：参考材料： - ChatGPT： - InstructGPT： - Language Models are Few-Shot Learners (GPT-3)：

宝玉

149,092 views • 3 years ago

Cursor 推出炼蛊模式！一口气能开8个代理！给大家带来 Cursor 2.0 更新内容！这个分量的确够得上一个大版本更新。首先，推出了炼蛊模式，你最多可以开8个 Agent 并行运行同一个任务，然后矬子里面拔大个，选你觉得AI生成的最好的结果。其次，cursor 早就传出内部在炼大模型，终于推出了！目前宣传点是生成速度，这个我一会儿会单独放出这个模型的评测视频！然后！可以在Cursor里面直接打开浏览器了！这叫一个真套娃了，本身就是 Electron，又套个 chromium。跑题了，这个最大的作用其实是为大模型进行视觉设计或debug铺平道路。是个非常不错的功能。就是不知道大家内存抗不扛得住。还有！现在支持语音输入了，终于可以真的当老板了用嘴命令它干活了。剩下就是一些小改进了，包括可以在一个chat里面看多个文件的修改啦，其实跟github的合并pr的模式差不多。命令可以运行在安全沙箱，再也不用担心输入了个波浪线，大模型灭门事件了。团队配置集中管理啦，可以在后代运行多个 plan mode，玩田忌赛马等等等等。总之，请确保你的订阅套餐够烧

Cursor 推出炼蛊模式！一口气能开8个代理！给大家带来 Cursor 2.0 更新内容！这个分量的确够得上一个大版本更新。首先，推出了炼蛊模式，你最多可以开8个 Agent 并行运行同一个任务，然后矬子里面拔大个，选你觉得AI生成的最好的结果。其次，cursor 早就传出内部在炼大模型，终于推出了！目前宣传点是生成速度，这个我一会儿会单独放出这个模型的评测视频！然后！可以在Cursor里面直接打开浏览器了！这叫一个真套娃了，本身就是 Electron，又套个 chromium。跑题了，这个最大的作用其实是为大模型进行视觉设计或debug铺平道路。是个非常不错的功能。就是不知道大家内存抗不扛得住。还有！现在支持语音输入了，终于可以真的当老板了用嘴命令它干活了。剩下就是一些小改进了，包括可以在一个chat里面看多个文件的修改啦，其实跟github的合并pr的模式差不多。命令可以运行在安全沙箱，再也不用担心输入了个波浪线，大模型灭门事件了。团队配置集中管理啦，可以在后代运行多个 plan mode，玩田忌赛马等等等等。总之，请确保你的订阅套餐够烧

karminski-牙医

21,725 views • 9 months ago

人形机器人这条线，最近其实已经很清楚了：开始往家庭场景收敛。一旦进入家庭，问题就不再是工业效率，而是长期共处。它会持续感知环境、采集信息、做出判断，而且很多时候并不在人的注视下。在这种条件下，动作精不精准、拟不拟人，反而是次要的。更关键的是：这些判断是怎么来的，你能不能知道。如果一个家用机器人：感知了什么是黑箱，推理过程不可追溯，行为是否越界只能靠厂商声明，那它在家里的身份，就不是工具，而是风险源。所以家庭机器人真正需要补的，不是性能指标，而是可信结构。它看到什么、怎么推理、是否按规则执行，都需要在不泄露隐私、不暴露模型细节的前提下，被验证过。从这个角度看，Inference Labs 在做的事情并不是让机器人更强，而是在为“能不能被放进家里”补必要条件。当机器人进入家庭，信任不是体验加分项，而是入场门槛。 #InferenceLabs #KaitoYap #KaitoAI

人形机器人这条线，最近其实已经很清楚了：开始往家庭场景收敛。一旦进入家庭，问题就不再是工业效率，而是长期共处。它会持续感知环境、采集信息、做出判断，而且很多时候并不在人的注视下。在这种条件下，动作精不精准、拟不拟人，反而是次要的。更关键的是：这些判断是怎么来的，你能不能知道。如果一个家用机器人：感知了什么是黑箱，推理过程不可追溯，行为是否越界只能靠厂商声明，那它在家里的身份，就不是工具，而是风险源。所以家庭机器人真正需要补的，不是性能指标，而是可信结构。它看到什么、怎么推理、是否按规则执行，都需要在不泄露隐私、不暴露模型细节的前提下，被验证过。从这个角度看，Inference Labs 在做的事情并不是让机器人更强，而是在为“能不能被放进家里”补必要条件。当机器人进入家庭，信任不是体验加分项，而是入场门槛。 #InferenceLabs #KaitoYap #KaitoAI

董小姐 |上Gate玩事件合约

103,607 views • 6 months ago