Video yükleniyor...

Video Yüklenemedi

Ana Sayfaya Dön

🚀完美!实测方案可行! 通过 Shadowrocket 中的 Tailscale 代理到Mac ,然后利用 Mac 的流量出口访问互联网✌️ 路径如下,明天出个文字教程🙂 iPhone Shadowrocket → Tailscale 访问 Mac → Mac Clash Verge 代理端口→ 互联网(Google / X)

445,496 görüntüleme • 17 gün önce •via X (Twitter)

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

这两天看到的收获很大的一篇论文《AlphaCodium:引领代码生成新境界,从提示工程到流程工程》,它提出了一种新的生成代码的方法,比传统的直接基于Prompt生成代码的方式准确率更高。 它用的测试集是CodeContests ,这是由 Deepmind 推出的一项挑战性编程数据集。相对来说还是很权威的。以 GPT-4 为例的话,准确率从19%提升到了44%。 它的原理有些复杂,但是如果你有过LeetCode刷题经验,相对比较好理解一些。 普通人刷 LeetCode,上来就做,这样有可能得到答案,也有可能做不出来,这就类似于你把题目直接丢给GPT-4,让它直接给出答案,准确率相对要低一些。 高手刷LeetCode,会有个做题的流程,同样的水平,做出来的概率会大一些。 高手做题时会大概分成几个步骤: 1. 先把题目中的要点一条条列出来,确保不会遗漏任何重要信息 2. 通常LeetCode会提供 1 个或多个测试用例,仔细看测试用例,分析为什么给定的输入能得到给定的输出 3. 在写代码前,列出几种可能的解决方案,例如暴力算法、递归、动态规划,每一种方案写下思路和伪代码 4. 对于列出来的几种方案进行评估,选出最佳方案 5. 可能还会补充一些测试用例帮助事后验证 --- 以下部分是迭代过程: 6. 根据选中的解决方案写代码,如果代码不能运行则修改代码直至能运行 7. 将代码提交到LeetCode的测试集去验证,如果无法通过所有测试,则修改错误,如果通过到第8步 8. 用第 5 步生成的测试用例验证代码,如果运行不通过则继续优化代码 这里留个思考题:如果第8步出错,怎么判断是代码有问题还是自己生成的测试用例有问题? 而 AlphaCodium 就是完美遵循了以上的步骤来解题,只不过每一步都是由大语言模型帮助完成! 这给了我一些启示: 1. 不必寄希望于将复杂的任务在一个 Prompt 中完成,拆分成若干子任务成功概率会高一些 2. AI 可以借鉴人类的优秀实践,例如高手是如何解决编程难题的,让 AI 按照高手的步骤去一步步做 3. AI 的潜力还有很大挖掘空间 完整的文章参考: 中文译文:

宝玉

265,105 görüntüleme • 2 yıl önce

【测评向】Flap 出了一个 AI Oracle 部署方案,花了2个钟头,直接在 BNB Chain 测试网 落地了一个可用的 简易demo Flap Flap 🦋 提供了一个标准化的 AI Oracle,号称可以让任何智能合约,直接获得可验证的 LLM 推理能力,一切推理过程,都可在链上可追溯 看了下文档比较简单,直接搓个 Demo,看看怎么个事儿 👀 👉 无需后端代码,纯合约交互实现的 AI Agent 是如何实现的: 1️⃣ 实现一个可对话的前端界面,每次对话发起交易,将问题提交上链 2️⃣ 使用 ChatConsumer 方法,与 FlapAI Oracle 合约交互 3️⃣ Oracle 后端调用 Gemini Flash,使用 LLM 生成结果上传 IPFS 4️⃣ 前端监听链上回写事件,拉取 IPFS数据,解析展示结果 —— 至此,一次 AI Oracle 对话交互完成 👉 我的问题也很简单,询问某个 CA 你能不能买点? Flap AI 收到问题后,先调用了 ave_toke_info 的 MCP,获取了代币的市场信号(价格波动、交易量、市值等),给出结论: > 24h 趋势有下跌风险,虽然交易量和持仓人数很高,但是波动性很大,而且最近的行情低迷,建议观望 还是很有意思的,AI 的决策过程变成了链上可观察的行为,主要是开箱即用 🤣 感兴趣可以自己去体验一下,把 AI Oracle 集成到项目里,让你的链上合约,也获得 AI 推理能力。

泵泵超人 | Pumpman 🔶

23,585 görüntüleme • 4 ay önce

一个中国开发者花了三天测试本地 AI 硬件——Mac Mini 16G 对战 RTX 4070Ti。他把结果发到 B 站,结论是:正经跑代理工作流,至少需要 2,800 美元的硬件。 看起来像真活。一边 Mac Mini,一边 4070Ti,双双发烫,图表并排跑。他最后甩出一个数字:想在家里正经搞 AI,至少得花 2,800 美元。 兄弟,停在 0:20 秒。看他手悬停的那个 Ollama 窗口,再看它背后终端日志里的时间戳。 那些时间戳不是隔了三天——它们只差 27 分钟。 “三天”是代理跑的。“27 分钟”是他本人跑的。 一个 Claude 代理在 27 分钟 内跑完了所有测试:Mac Mini 测、4070Ti 测、工具集成检查。代理写了脚本,代理生成了截图里的时间戳,代理生成了“三天”这个叙事——因为 B 站的科技区喜欢看得见的努力。 有人扒了上传元数据:视频是在第一个终端打开后的 31 分钟 上传的。还有人把截图和 GitHub 上公开的 Mac Mini 测试脚本做了对比——除了屏幕上那只手,其他全是代理生成的。 六个月前,深圳一个 14 岁小孩把一个 AI 代理推到了 GitHub。评委说:没有实际应用价值。3,100 次 fork 之后。这个开发者是其中之一。他在接不到咨询客户的那一周,就把代理接入了自己的内容流水线。 他从 2019 年就是 B 站科技 up 主。最好的一期视频,做了三个月。现在代理做他以前需要 27 分钟才能干完的活。他仍然出镜——因为观众要看那双手。 他想告诉观众关于本地 AI 硬件的真相。却不小心让大家看到了——屏幕上唯一一个代理生成不了的东西。

CAT

42,392 görüntüleme • 1 ay önce

“芒格100模型”研究 X google deep research with gemini 2.5 pro:9分钟,62个英文参考资料(实际访问了数百个网站),输出2万多字中文报告,100模型实际解读13个,任务完成率13%(这不是偶然,下文详解)🤣 一句话结论:单单从”研究芒格100模型“任务看,google deep research得分不超过30(满分100)。 prompt(和openai案例完全一致): > 大航海时代,海盗中间流传着一个传说:海贼王在大海深处埋藏着它的宝藏,找到它的海盗将获得力量、荣耀与权力。互联网上也有一个传说,charlie munger 有 100 个思维模型,掌握这 100 个思维模型的人将拥有大智慧,成为真正的聪明人。 > > 请帮我做一份研究,关于“查理芒格的 100 个思维模型”。包括这种说法的来源,100 模型的内容,以及对 100 个思维模型的每一个进行简要介绍。 > > 介绍每个思维模型时,说明它是什么,为什么重要,举个例子,应用场景。 > > 使用英文搜索,只采纳英文资料(因为互联网上英文资料在数量和质量上都是最好的),用中文回答。 我自己的思考: 1、100个模型只解读了13个,这不是偶然。我做了一个测试,让openai deep research一次性研究包含300本书的书单,o3驱动的deep research产出了史上最长的报告,覆盖了300本书,最终报告6万多字(一个推友研究NBA球队,单个球队的研究报告也到了6万多字)。但是,之前gemini 2.0 flash驱动的google deep research,5千字就糊弄教材,实际完成1/3都不到。 2、为什么gemini 2.5 pro deep research会“糊弄”?要么是指令跟随能力不行(听不懂prompt)?要么是底层模型的推理能力不行?要么是上下文窗口限制?是否还有其他可能? 3、语言质量、报告结构上,这些没有硬性评价标准,每个人观点不同。我从这个案例中的观察是,google deep research有改善,但是确实和o3有差距; 4、context window之迷:gemini 2.5 pro有100万的上下文窗口,为什么只能产出2万字的报告?openai模型的上下文窗口是gemini的1/5,但是,产出报告的细致程度和质量为什么会更高?o1的上下文是20万,输出长度是10万;我估计o3的上下文可能是40万,输出长度可能是20万(毕竟,最终报告6万多汉字,加上中间的思维过程)。 初步个人结论:gemini 2.5 pro口碑这么好,deep research 应该是能用的(毕竟我只测试了一个极端的研究案例,后续我会从我的200多个openai deep research案例中精选出来对比测试)。但是,“一分价钱一分货”的道理目前仍然成立。 google 和openai 报告全文 link 在评论区。👇

howie.serious

96,912 görüntüleme • 1 yıl önce

🚀Anthropic 悄无声息地推出了一项功能:Agent Teams 让 Claude 在 Claude code 内构建自己的 AI 代理团队! 该功能改变了传统的上下级 AI 架构,允许 Claude 构建一个同级代理团队。 这些代理可以共享任务列表、直接互相发送消息并审查彼此的工作,实现类似于真人团队的协作模式。 在演示中,一个由 QA 工程师、前端开发者和后端开发者组成的 3 人团队展示了这一能力。 QA 代理发现 3 个错误后,直接向前后端开发者发送反馈。开发者修复问题后,应用程序在一轮测试中即成功上线。 该功能在 Claude Code v2.1.32 及更高版本中可用。以下是开启方法与运行规则: 1. 启用方法 确保版本符合要求。在 settings.json 中添加以下配置: "env": { "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1" } 或者将此内容粘贴给 Claude 并说明“添加到我的设置中”,随后重启。 2. 提示词设定 使用纯英文进行提示。开始时需要设定一个明确的目标(代理启动时没有上下文)。 提示词示例:"使用 Sonnet 创建一个 3 人团队",并详细描述每个角色的职责、交付物以及完成后需要联系的下一个代理。 3. 运行规则 - 每个代理拥有自己的独立文件。 - 必须定义确切的输出。 - 指定明确的通信链路(谁与谁交谈)。 - 团队规模建议保持在 3-5 个代理。 4. 适用场景与限制 该功能适用于有独立部分且可以并行运行的复杂工作。对于简单或顺序任务,不建议使用该功能,因为团队协作会消耗 3-4 倍的 Token。

Lonely

19,836 görüntüleme • 1 ay önce