Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

对不起，我不是在用 AI，我是在开公司！看到 Kimi 2.5 的集群模式，我直接看呆了…… 以前是“一个模型干所有活”，现在是“模型现场帮我招员工” 只要跟它说你的需求，它会自动分身：有的负责调研，有的负责写代码，有的负责整合最高100个 Agent 并发处理！这种串行+平行的调度能力，以前想都不敢想 “一人公司”的时代真的来了吗唯一的缺点？贵现在的我只想大喊：友商们快跟进！早日实现“数字员工自由”！

XDmnnn不淡

4,887 subscribers

50,270 просмотров • 5 месяцев назад •via X (Twitter)

Образование Наука и технологии

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

🔥震惊！马斯克公布xAI 的新项目：其实就是此前XAI被解雇员工透露的“真人虚拟克隆”。用 AI 完整模拟并运行一家软件公司。 🚨马斯克表示：“这可能是我们最重要的项目。你会发现现在最有价值公司的产出都是数字化的，理论上就能被模拟。这将开启一个我们难以想象的繁荣时代！”

🔥震惊！马斯克公布xAI 的新项目：其实就是此前XAI被解雇员工透露的“真人虚拟克隆”。用 AI 完整模拟并运行一家软件公司。 🚨马斯克表示：“这可能是我们最重要的项目。你会发现现在最有价值公司的产出都是数字化的，理论上就能被模拟。这将开启一个我们难以想象的繁荣时代！”

谢嘉琪 Jiaqi

90,501 просмотров • 7 месяцев назад

我现在手头有三个数字员工。它们不会累，不会生病，一个月能跑出15000%的利润。关键是，全天24小时不休息，每个月成本只要200美金。分工很明确： · Claude负责思考，市场数据进来，概率直接给你精确到小数点后两位。 · Codex负责搭东西，你只要说一句“把评分模块重写一下”，7分钟后，新模块连测试都跑完了。 · OpenClaw负责管理，它记得两周前发生了什么，会自动调整、自己执行、自己发报告。 👉 Polymarket官方入口：有时候出了故障我甚至都不知道，它们自己就处理完了。我唯一能看到的就是Telegram里蹦出来一条通知。按这个速度跑下去，一个月躺赚3万美金，现在看真不像是喊口号。有些人要靠学历，有些人要靠关系。但在这个故事里，你只需要Claude、Codex、OpenClaw就够了。问题是，这种故事卖的到底是已经被验证过的自动化收益，还是把AI工具包装成“数字印钞机”的那种想象力？如果想在 Polymarket 上做跟单交易，推荐用这个：

我现在手头有三个数字员工。它们不会累，不会生病，一个月能跑出15000%的利润。关键是，全天24小时不休息，每个月成本只要200美金。分工很明确： · Claude负责思考，市场数据进来，概率直接给你精确到小数点后两位。 · Codex负责搭东西，你只要说一句“把评分模块重写一下”，7分钟后，新模块连测试都跑完了。 · OpenClaw负责管理，它记得两周前发生了什么，会自动调整、自己执行、自己发报告。 👉 Polymarket官方入口：有时候出了故障我甚至都不知道，它们自己就处理完了。我唯一能看到的就是Telegram里蹦出来一条通知。按这个速度跑下去，一个月躺赚3万美金，现在看真不像是喊口号。有些人要靠学历，有些人要靠关系。但在这个故事里，你只需要Claude、Codex、OpenClaw就够了。问题是，这种故事卖的到底是已经被验证过的自动化收益，还是把AI工具包装成“数字印钞机”的那种想象力？如果想在 Polymarket 上做跟单交易，推荐用这个：

区块链行情研究

17,028 просмотров • 5 месяцев назад

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

AYi

63,210 просмотров • 4 месяцев назад

著名机构SemiAnalysis的研究员给了一个很有趣的观点--关于中国的开源模型 Jordan Nanos Jordan Nanos 是 SemiAnalysi 的AI 研究员，他说：开源模型现在看起来追上了前沿闭源模型，其实完全是“人为”追平的直接原因就在美国政府身上——他们对Anthropic施加了限制，导致我们根本拿不到这些实验室真正最强的模型最明显的例子就是Mythos和Fable：我根本用不了Mythos，只能偶尔“好好求一下”才能用上Fable 至于OpenAI的5.6 Sol，我们的判断是它甚至都不是OpenAI训练过的最大模型，规模都没到4.5那个级别，他们肯定在某个地方还藏着更大的模型

著名机构SemiAnalysis的研究员给了一个很有趣的观点--关于中国的开源模型 Jordan Nanos Jordan Nanos 是 SemiAnalysi 的AI 研究员，他说：开源模型现在看起来追上了前沿闭源模型，其实完全是“人为”追平的直接原因就在美国政府身上——他们对Anthropic施加了限制，导致我们根本拿不到这些实验室真正最强的模型最明显的例子就是Mythos和Fable：我根本用不了Mythos，只能偶尔“好好求一下”才能用上Fable 至于OpenAI的5.6 Sol，我们的判断是它甚至都不是OpenAI训练过的最大模型，规模都没到4.5那个级别，他们肯定在某个地方还藏着更大的模型

梭哈.AI

90,081 просмотров • 2 месяцев назад

小扎吐槽苹果和 Google，以及谈为什么开源 AI **Mark Zuckerberg**: 我认为移动生态系统中普遍存在的一个问题是有两个把持入口的公司，Apple 和 Google，它们可以告诉你可以构建什么。在我们的历史中有很多次，比如有经济层面的情况，就是我们构建了些东西，然后它们就会拿走我们大部分的收入，但还有一种是质量层面，这实际上让我更加不满，也就是有很多次我们推出或希望推出某些功能，然后Apple就会说，不，你不能推出这功能。这真的很糟糕。问题是，这样的世界是否会在AI领域复现，就像你会有一小部分拥有封闭模型的公司，它们控制API，因此将能够告诉你可以构建什么。我可以说，对我们来说，自己构建一个模型以避免处于那种位置是值得的。我不希望那些其他公司告诉我们可以构建什么，而且我认为从开源的角度来看，很多开发人员也不希望那些公司告诉他们可以构建什么。这就是我坚定支持开源的原因之一，我认为未来AI的集中化可能像其广泛传播一样具有潜在危险。我发现很多人都在思考，如果我们能实现这种技术，那么让它广泛传播是否不利。我认为另一种可能也很糟糕的情况是，如果一个机构掌握了一种强大的AI远超其他所有人的，这同样是非常糟糕的。在我看来，一个理想的世界应该是这样的：AI技术被广泛而均衡地应用，随着时间推移逐步增强其健康性。在这样的世界里，各种系统能够相互制衡，这种平衡的状态比一个高度集中化的世界要健康得多。虽然风险无处不在，但我觉得有一个风险我想人们我并没有听到太多人提及。 **Dwarkesh Patel**:举例来说，一个价值100亿美元的模型，如果经过评估是完全安全的，你们会选择开源吗？ **Mark Zuckerberg**:我的答案是，只要这个模型对我们有所帮助，那我们就会开源。 **Dwarkesh Patel**: 那如果这个模型是用100亿美元的研发经费研发出来的，然后现在要开源呢？ **Mark Zuckerberg**: 我们一直以来都有开源软件的传统，但是我们并不会开源我们的产品。比如说，我们并不会将Instagram的代码开源，但我们会开源许多底层的基础设施。我们历史上最大的一个项目可能就是开放计算项目。在这个项目中，我们将我们所有的服务器的设计网络交换机和数据中心的设计开源了，这对我们来说非常有帮助。因为很多人可以设计服务器，但现在，大家普遍都采用了我们的设计，这就意味着整个供应链都围绕我们的设计展开，规模变大，对所有人来说都变得更便宜，为我们节省了数十亿美元。这真是太棒了，对吧？因此，我认为开源有多种方式可以对我们有所帮助。一种就是，如果有人能够找出更便宜的运行模型的方法，我们将花费数十亿甚至上千亿美元，在所有这些模型上，所以如果我们能做的更有效率，那我们就可以节省数十亿甚至上百亿美元，这可能本身就非常有价值。 **Dwarkesh Patel**: 关于开源，我很想知道你是否认为像PyTorch、React、Open Compute这样的开源项目，对世界的影响是否已经超过了Meta在社交媒体方面的作用。 **Mark Zuckerberg**: 因为我曾经和使用这些服务的人交谈过，他们觉得这是有可能的，因为互联网的很大一部分都在运行这些项目。这是一个有趣的问题，我认为几乎有一半的世界人口都在使用我们的产品，这是一个真实的点，所以我觉得这很难超越。但不管怎样，我还是认为开源是一种新的、非常強大的建设方式。来源：

小扎吐槽苹果和 Google，以及谈为什么开源 AI Mark Zuckerberg: 我认为移动生态系统中普遍存在的一个问题是有两个把持入口的公司，Apple 和 Google，它们可以告诉你可以构建什么。在我们的历史中有很多次，比如有经济层面的情况，就是我们构建了些东西，然后它们就会拿走我们大部分的收入，但还有一种是质量层面，这实际上让我更加不满，也就是有很多次我们推出或希望推出某些功能，然后Apple就会说，不，你不能推出这功能。这真的很糟糕。问题是，这样的世界是否会在AI领域复现，就像你会有一小部分拥有封闭模型的公司，它们控制API，因此将能够告诉你可以构建什么。我可以说，对我们来说，自己构建一个模型以避免处于那种位置是值得的。我不希望那些其他公司告诉我们可以构建什么，而且我认为从开源的角度来看，很多开发人员也不希望那些公司告诉他们可以构建什么。这就是我坚定支持开源的原因之一，我认为未来AI的集中化可能像其广泛传播一样具有潜在危险。我发现很多人都在思考，如果我们能实现这种技术，那么让它广泛传播是否不利。我认为另一种可能也很糟糕的情况是，如果一个机构掌握了一种强大的AI远超其他所有人的，这同样是非常糟糕的。在我看来，一个理想的世界应该是这样的：AI技术被广泛而均衡地应用，随着时间推移逐步增强其健康性。在这样的世界里，各种系统能够相互制衡，这种平衡的状态比一个高度集中化的世界要健康得多。虽然风险无处不在，但我觉得有一个风险我想人们我并没有听到太多人提及。 Dwarkesh Patel:举例来说，一个价值100亿美元的模型，如果经过评估是完全安全的，你们会选择开源吗？ Mark Zuckerberg:我的答案是，只要这个模型对我们有所帮助，那我们就会开源。 Dwarkesh Patel: 那如果这个模型是用100亿美元的研发经费研发出来的，然后现在要开源呢？ Mark Zuckerberg: 我们一直以来都有开源软件的传统，但是我们并不会开源我们的产品。比如说，我们并不会将Instagram的代码开源，但我们会开源许多底层的基础设施。我们历史上最大的一个项目可能就是开放计算项目。在这个项目中，我们将我们所有的服务器的设计网络交换机和数据中心的设计开源了，这对我们来说非常有帮助。因为很多人可以设计服务器，但现在，大家普遍都采用了我们的设计，这就意味着整个供应链都围绕我们的设计展开，规模变大，对所有人来说都变得更便宜，为我们节省了数十亿美元。这真是太棒了，对吧？因此，我认为开源有多种方式可以对我们有所帮助。一种就是，如果有人能够找出更便宜的运行模型的方法，我们将花费数十亿甚至上千亿美元，在所有这些模型上，所以如果我们能做的更有效率，那我们就可以节省数十亿甚至上百亿美元，这可能本身就非常有价值。 Dwarkesh Patel: 关于开源，我很想知道你是否认为像PyTorch、React、Open Compute这样的开源项目，对世界的影响是否已经超过了Meta在社交媒体方面的作用。 Mark Zuckerberg: 因为我曾经和使用这些服务的人交谈过，他们觉得这是有可能的，因为互联网的很大一部分都在运行这些项目。这是一个有趣的问题，我认为几乎有一半的世界人口都在使用我们的产品，这是一个真实的点，所以我觉得这很难超越。但不管怎样，我还是认为开源是一种新的、非常強大的建设方式。来源：

宝玉

74,721 просмотров • 2 лет назад

【Manus季逸超：六个月后，基本每一家头部的应用公司都有做模型的能力】最近看了Manus联合创始人季逸超的访谈，很多人诟病 Manus 早期没有自己的模型、只是个套壳，但看完视频就会发现，Manus的逻辑是有道理的。一般的思维模式是先练模型（鸡），再顺便出个产品（蛋），这叫“沿途下蛋”。但这种方式是以模型为中心的，它的风险在于，蛋的形状取决于鸡能生出什么。模型能做到哪，产品才能做到哪，产品只能迁就技术。 Manus的路子是以产品为中心“借鸡生蛋”：早期直接用现成的模型。别管鸡是谁的，先让产品跑起来，看用户愿不愿意买单，找到PMF。等产品逻辑通了、用户量大了，发现现有的模型太贵、太慢、或者不够适配，再反过来去倒逼技术，优化出一种特定的模型。以Cursor为例，它一开始就是个代码编辑器，接入的是别人的接口。但等到它成为程序员的刚需后，为了追求极致的速度和更准的代码逻辑，它才跳出来做了自研模型。说到底是应用先于模型，需求定义底座。

【Manus季逸超：六个月后，基本每一家头部的应用公司都有做模型的能力】最近看了Manus联合创始人季逸超的访谈，很多人诟病 Manus 早期没有自己的模型、只是个套壳，但看完视频就会发现，Manus的逻辑是有道理的。一般的思维模式是先练模型（鸡），再顺便出个产品（蛋），这叫“沿途下蛋”。但这种方式是以模型为中心的，它的风险在于，蛋的形状取决于鸡能生出什么。模型能做到哪，产品才能做到哪，产品只能迁就技术。 Manus的路子是以产品为中心“借鸡生蛋”：早期直接用现成的模型。别管鸡是谁的，先让产品跑起来，看用户愿不愿意买单，找到PMF。等产品逻辑通了、用户量大了，发现现有的模型太贵、太慢、或者不够适配，再反过来去倒逼技术，优化出一种特定的模型。以Cursor为例，它一开始就是个代码编辑器，接入的是别人的接口。但等到它成为程序员的刚需后，为了追求极致的速度和更准的代码逻辑，它才跳出来做了自研模型。说到底是应用先于模型，需求定义底座。

傅盛

89,395 просмотров • 8 месяцев назад

最近看到一个很值得研究的开源项目：learn-claude-code。它不是在教你怎么堆 prompt、连工作流、搭节点图，而是在教你一件更底层的事：怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。这个项目最有意思的观点是：真正的 Agent 是模型本身，外面的代码只是 harness。所以它讨论的重点，不是“怎么把流程编排得更复杂”，而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。我觉得这个视角很重要。因为很多人现在做 Agent，还停留在“拼工作流”和“堆胶水代码”的阶段。但真正决定 Agent 能不能跑起来的，往往是你给它什么环境，而不是你给它多少层 prompt。这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。如果你在关注 AI Agent、Claude Code，或者 agent engineering，这个项目很值得看看。👇

最近看到一个很值得研究的开源项目：learn-claude-code。它不是在教你怎么堆 prompt、连工作流、搭节点图，而是在教你一件更底层的事：怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。这个项目最有意思的观点是：真正的 Agent 是模型本身，外面的代码只是 harness。所以它讨论的重点，不是“怎么把流程编排得更复杂”，而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。我觉得这个视角很重要。因为很多人现在做 Agent，还停留在“拼工作流”和“堆胶水代码”的阶段。但真正决定 Agent 能不能跑起来的，往往是你给它什么环境，而不是你给它多少层 prompt。这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。如果你在关注 AI Agent、Claude Code，或者 agent engineering，这个项目很值得看看。👇

axiaisacat

44,334 просмотров • 5 месяцев назад

最近看到很多人在聊 Vibe Coding，我也下了软件试了下。作为一个没有任何编程和计算机基础的人，竟然真的靠“聊天”做出了一个在线个人网页😂 过程其实很有意思：我负责描述想要的 vibe和网页内容：自我介绍，风格类似iOS17 玻璃质感、淡绿色、按钮要更深一点… 然后用 GPT 帮我把这些抽象需求翻译成可执行的 prompt，Cursor 再根据 prompt 自动改代码、预览效果。等于我完全不写代码，只是在指导两个 AI 结对编程： GPT 负责把我的中文需求变成工程语言 Cursor 负责真正写代码、渲染页面我只需要根据网页呈现的结果反馈给GPT：这不够玻璃，再绿一点，加点光效等最后用 Vercel，上线成一个真正的网址（但Deploy完显示404了..🥹 一套下来体验感就是——我们都向往“Vibe Coding” 的理想目标——那种“言出法随”的魔法，只要说话，AI就能完美实现一切。但我们必须承认一个现实：以当前AI（无论是Claude、GPT）的能力，目前还远不足以支撑这个理想。尝试AI“对齐颗粒度“，以学习的姿态打造AI时代的「超级个体」

最近看到很多人在聊 Vibe Coding，我也下了软件试了下。作为一个没有任何编程和计算机基础的人，竟然真的靠“聊天”做出了一个在线个人网页😂 过程其实很有意思：我负责描述想要的 vibe和网页内容：自我介绍，风格类似iOS17 玻璃质感、淡绿色、按钮要更深一点… 然后用 GPT 帮我把这些抽象需求翻译成可执行的 prompt，Cursor 再根据 prompt 自动改代码、预览效果。等于我完全不写代码，只是在指导两个 AI 结对编程： GPT 负责把我的中文需求变成工程语言 Cursor 负责真正写代码、渲染页面我只需要根据网页呈现的结果反馈给GPT：这不够玻璃，再绿一点，加点光效等最后用 Vercel，上线成一个真正的网址（但Deploy完显示404了..🥹 一套下来体验感就是——我们都向往“Vibe Coding” 的理想目标——那种“言出法随”的魔法，只要说话，AI就能完美实现一切。但我们必须承认一个现实：以当前AI（无论是Claude、GPT）的能力，目前还远不足以支撑这个理想。尝试AI“对齐颗粒度“，以学习的姿态打造AI时代的「超级个体」

Mercy

32,119 просмотров • 9 месяцев назад

哥哥们你们太卷了，卷不过你们了，掉了30多个名额了哦！哭死了！哎！！！ ——— 说实话，我一开始也是被 ZK 那一套讲法讲烦的。什么数学优雅、终极信任、密码学圣杯，听多了真的会走神。直到我在看 Inference Labs 的时候，脑子里突然冒出一个很不体面的画面：这玩意儿怎么这么像拆熟食的？传统 AI 给我的感觉，就像买一整块封装好的肉。看起来油亮，切面也不错，但你永远不知道里面有没有掺点别的。你只能选择信，或者不用。 Inference Labs 干的事反而很“笨”：它不让你信整块，而是把 AI 推理一刀一刀拆开。你不需要接受“这个模型很强”这种宏大叙事，你只需要确认一件小事：这一刀，是不是真的这么切的。说实话，这个点戳到我了。 DSperse 那套分布式验证，说白了就是在帮人偷懒。不是让所有人去理解整个模型，而是让验证这件事本身变轻。我不用背“我要为整个 AI 结果负责”的心理包袱，我只关心我现在用到的这一小段推理，有没有被乱来。这在很多现实场景里太重要了。医生、风控、合规，没人有精力啃完整头猪。更让我有好感的是，他们连“怎么验”都顺手简化了。我是真的讨厌管理私钥。不是不懂，是不想。每次验证之前先来一套仪式感，本身就已经在劝退人了。和 Self Chain 的无密钥方案，第一次看到的时候我心里是松了一口气的那种感觉：哦，终于不是为难普通人了。验证 AI，本来就不该比点外卖还复杂。 ⸻ 所以后来我发现， Inference Labs 干的事，其实挺不浪漫的。它不讲终极信任，也不喊改变世界，只是很务实地把信任拆碎、摊平、递到你手里。你想验，就验这一小块。你不想理解，也没关系。未来如果 AI 真开始翻车，那些没法被拆、没法被验的模型，大概真的会被永久挂在链上当反例。我现在已经不太关心 “这是不是真正的 ZK 巅峰设计”了。我更在意的是：当我真的要用 AI 的那一刻，它有没有为我考虑过。这一点上，Inference Labs 至少让我愿意继续看下去。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

哥哥们你们太卷了，卷不过你们了，掉了30多个名额了哦！哭死了！哎！！！ ——— 说实话，我一开始也是被 ZK 那一套讲法讲烦的。什么数学优雅、终极信任、密码学圣杯，听多了真的会走神。直到我在看 Inference Labs 的时候，脑子里突然冒出一个很不体面的画面：这玩意儿怎么这么像拆熟食的？传统 AI 给我的感觉，就像买一整块封装好的肉。看起来油亮，切面也不错，但你永远不知道里面有没有掺点别的。你只能选择信，或者不用。 Inference Labs 干的事反而很“笨”：它不让你信整块，而是把 AI 推理一刀一刀拆开。你不需要接受“这个模型很强”这种宏大叙事，你只需要确认一件小事：这一刀，是不是真的这么切的。说实话，这个点戳到我了。 DSperse 那套分布式验证，说白了就是在帮人偷懒。不是让所有人去理解整个模型，而是让验证这件事本身变轻。我不用背“我要为整个 AI 结果负责”的心理包袱，我只关心我现在用到的这一小段推理，有没有被乱来。这在很多现实场景里太重要了。医生、风控、合规，没人有精力啃完整头猪。更让我有好感的是，他们连“怎么验”都顺手简化了。我是真的讨厌管理私钥。不是不懂，是不想。每次验证之前先来一套仪式感，本身就已经在劝退人了。和 Self Chain 的无密钥方案，第一次看到的时候我心里是松了一口气的那种感觉：哦，终于不是为难普通人了。验证 AI，本来就不该比点外卖还复杂。 ⸻ 所以后来我发现， Inference Labs 干的事，其实挺不浪漫的。它不讲终极信任，也不喊改变世界，只是很务实地把信任拆碎、摊平、递到你手里。你想验，就验这一小块。你不想理解，也没关系。未来如果 AI 真开始翻车，那些没法被拆、没法被验的模型，大概真的会被永久挂在链上当反例。我现在已经不太关心 “这是不是真正的 ZK 巅峰设计”了。我更在意的是：当我真的要用 AI 的那一刻，它有没有为我考虑过。这一点上，Inference Labs 至少让我愿意继续看下去。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 MemeMax ⚡️ 🐬TermMax

27,155 просмотров • 8 месяцев назад

我去！AI Native 组织的终极形态，真的被一个产品做出来了！！众所周知，OPC的本质是一个人 + 无数个 Agent 协作但前段时间抖音上一个消息让我意识到有的学校已经把一人公司概念当成就业率在宣传了，鼓励所有创新创业竞赛的获奖作品去注册公司做OPC？？？？最终结果是：90% 的 OPC 宣告破产原因是：根本不理解，一个组织到底需要什么样的"人" 然后我发现了 Helio，直接给我干沉默了我只是跟我的 HR 同事说了一句话："我要筹备 AI 课程和训练营"——他听完，自己去给我招了一个课程研发助手进来。我没有配置、没有写 Prompt、没有选模型他判断我需要什么人，他就把什么人招进来，我看后台进程是调用了无数个skill帮我完成一件事儿，如果是我自己做的话我真的很难想象要多久更离谱的是——当我让他们去抓取热点、写稿的时候，他们不是各做各的，他们会互相讨论、互相质疑，甚至吵起来。在争执里涌现出真正好的内容这一刻我感觉我不是在用工具，我是在旁观一个真实的工作团队在运转还有一件事让我直接封神：支持 DeepSeek 模型不用被 GPT/Claude 的付费账单绑架，AI 团队照样给你跑起来这不是在用 AI，这是真的在让我作为一个老板在经营一家公司

我去！AI Native 组织的终极形态，真的被一个产品做出来了！！众所周知，OPC的本质是一个人 + 无数个 Agent 协作但前段时间抖音上一个消息让我意识到有的学校已经把一人公司概念当成就业率在宣传了，鼓励所有创新创业竞赛的获奖作品去注册公司做OPC？？？？最终结果是：90% 的 OPC 宣告破产原因是：根本不理解，一个组织到底需要什么样的"人" 然后我发现了 Helio，直接给我干沉默了我只是跟我的 HR 同事说了一句话："我要筹备 AI 课程和训练营"——他听完，自己去给我招了一个课程研发助手进来。我没有配置、没有写 Prompt、没有选模型他判断我需要什么人，他就把什么人招进来，我看后台进程是调用了无数个skill帮我完成一件事儿，如果是我自己做的话我真的很难想象要多久更离谱的是——当我让他们去抓取热点、写稿的时候，他们不是各做各的，他们会互相讨论、互相质疑，甚至吵起来。在争执里涌现出真正好的内容这一刻我感觉我不是在用工具，我是在旁观一个真实的工作团队在运转还有一件事让我直接封神：支持 DeepSeek 模型不用被 GPT/Claude 的付费账单绑架，AI 团队照样给你跑起来这不是在用 AI，这是真的在让我作为一个老板在经营一家公司

叫我阿杭

13,101 просмотров • 3 месяцев назад

你们需要的推文写作神器来了：tweet-skills，它是一组自动创作技能包。这个 repo 真正在做的一件事，是把内容创作工程化。怎么说？它有 8 个 skill： - hot-topics 负责采集 - topic-research 负责调研 - opinion-generator 负责观点 - tweet-writer 负责写作 - tweet-polish 负责去 AI 味 - title-optimizer 负责标题 - tweet-closing 负责结尾 - tweet-pipeline 负责串联。每个 skill 职责明确，每个 skill 可以独立运行，每个 skill 可以单独迭代升级。这是什么思路？软件工程的思路。模块化、可复用、可测试、可迭代。 skill 就是内容创作的「函数」。pipeline 就是内容创作的「工作流」。收藏价值设计就是内容创作的「代码审查」。市面上所有 AI 写作工具，本质上都是一个巨大的 prompt 加一个输入框。你进去一堆文字，出来一段文字。 tweet-skills 不一样。它把创作过程拆成了系统。你可以看到每一步在做什么，每一步的输入输出是什么，每一步的质量标准是什么。这才是 AI 时代内容创作该有的样子。不是用 AI 替代创作，是用工程化思维重构创作。这个 repo 值 star。先收下，以后会明白我在说什么。 #skill #openclaw 源码：

你们需要的推文写作神器来了：tweet-skills，它是一组自动创作技能包。这个 repo 真正在做的一件事，是把内容创作工程化。怎么说？它有 8 个 skill： - hot-topics 负责采集 - topic-research 负责调研 - opinion-generator 负责观点 - tweet-writer 负责写作 - tweet-polish 负责去 AI 味 - title-optimizer 负责标题 - tweet-closing 负责结尾 - tweet-pipeline 负责串联。每个 skill 职责明确，每个 skill 可以独立运行，每个 skill 可以单独迭代升级。这是什么思路？软件工程的思路。模块化、可复用、可测试、可迭代。 skill 就是内容创作的「函数」。pipeline 就是内容创作的「工作流」。收藏价值设计就是内容创作的「代码审查」。市面上所有 AI 写作工具，本质上都是一个巨大的 prompt 加一个输入框。你进去一堆文字，出来一段文字。 tweet-skills 不一样。它把创作过程拆成了系统。你可以看到每一步在做什么，每一步的输入输出是什么，每一步的质量标准是什么。这才是 AI 时代内容创作该有的样子。不是用 AI 替代创作，是用工程化思维重构创作。这个 repo 值 star。先收下，以后会明白我在说什么。 #skill #openclaw 源码：

tiantian

17,822 просмотров • 4 месяцев назад

说个暴论，这才是2026年到目前为止，AI行业最有价值的一次更新，没有之一🚀🚀🚀 Claude一口气接入了8个创意行业的顶级工具，Blender，Adobe，Autodesk，Ableton，Splice，Canva，SketchUp，Resolume。它不再是让你在聊天框里生成东西，再导出到软件里修改，而是直接钻进你每天打开8小时的软件内部，帮你调试场景，批量修改物体，写自定义脚本，处理所有你不想做的重复性劳动。以前的AI是让你换个地方工作，现在的AI是跑到你的工位上帮你干活。这标志着AI正式进入工具原生时代，它的下一个战场再也不是谁的模型更大，而是谁能无缝嵌入普通人的真实工作流。我认为对所有创作者来说，学会用好这些连接器，比追任何新出的大模型都重要。

说个暴论，这才是2026年到目前为止，AI行业最有价值的一次更新，没有之一🚀🚀🚀 Claude一口气接入了8个创意行业的顶级工具，Blender，Adobe，Autodesk，Ableton，Splice，Canva，SketchUp，Resolume。它不再是让你在聊天框里生成东西，再导出到软件里修改，而是直接钻进你每天打开8小时的软件内部，帮你调试场景，批量修改物体，写自定义脚本，处理所有你不想做的重复性劳动。以前的AI是让你换个地方工作，现在的AI是跑到你的工位上帮你干活。这标志着AI正式进入工具原生时代，它的下一个战场再也不是谁的模型更大，而是谁能无缝嵌入普通人的真实工作流。我认为对所有创作者来说，学会用好这些连接器，比追任何新出的大模型都重要。

AYi

103,047 просмотров • 4 месяцев назад

星爷讽刺了世间一切，唯独没有讽刺爱情，: 原来是如此的隐喻，到现在才明白，感谢星爷，只是我们弄脏了爱情。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。#KaitoYap Kaito AI 🌊 #Yap Inference Labs

星爷讽刺了世间一切，唯独没有讽刺爱情，: 原来是如此的隐喻，到现在才明白，感谢星爷，只是我们弄脏了爱情。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。#KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 |上Gate玩事件合约

36,252 просмотров • 9 месяцев назад

OpenAI 创始人 John Schulman 访谈节选：为什么 GPT-4 比一年前更“聪明”了？主要都是后训练（Post-Training）带来的！另外他认为，在强化学习研究领域，研究人员需要具备丰富的经验和敏锐的直觉。了解整个技术堆栈，并对各个部分充满好奇心是关键。此外，从第一性原理出发思考问题，而不仅仅依靠实验证据，也能够帮助研究人员在数据操控和环境设置方面做出更好的决策。 *** Dwarkesh Patel：在未来，用于训练的计算力中，预训练与后训练的比例是否会明显偏向后训练呢？ John Schulman：确实，有一些观点支持这种说法。 Dwarkesh Patel：我是说，现在这个比例非常不平衡。 John Schulman：但你可以认为，模型生成的输出质量比网上的大多数内容都要高。因此，让模型自己思考似乎更有道理，而不仅仅是训练来模仿网络上的内容。所以，我认为从第一性原理上来说，这是有说服力的。我会说，我们通过后训练取得了很多进步。因此，我不确定。所以，我希望我们会继续推动这种方法，并且可能会增加投入到后训练中的计算力。 Dwarkesh Patel：当前的 GPT-4 的 ELO 分数比最初发布的版本高出了大约 100 分。这是否全都是后训练带来的改进呢？ John Schulman：对，我会说大部分都是后训练带来的。 Dwarkesh Patel：这很有意思。 John Schulman：因此，有很多不同的改进方向。我们会考虑数据质量，数据数量，进行更多的部署和收集新数据的迭代，改变你收集的注解种类。因此，有很多因素叠加在一起。但是全部加在一起，就会带来一个相当不错的，有效的计算力提升。 Dwarkesh Patel：后训练的优化程度对于竞争优势有多大影响呢？ John Schulman：目前，我会区别公司是通过我们的模型有多大等等。那么，找出你之前提到的所有这些数据的复杂问题的公司，会占据大优势吗？ John Schulman：我认为这确实是一个优势，因为这是一个非常复杂的任务。因此，你必须有很多有技能的人来执行它。因此，存在大量的隐性知识。同时也需要大量的组织知识。我认为后训练的过程，创建一个具备人们所关心的所有功能的模型，是十分复杂的。这需要付出大量的努力，它是大量研发工作的积累。我会说这种情况在某种程度上形成了一种壁垒，要想立即启动这种模型并非易事。 Dwarkesh Patel：看起来那些正在进行最严肃的预训练努力的公司，也在进行严肃的后训练努力。因此，看起来这种模型有可能被复制或有更多的类似努力出现。 John Schulman：另外，还有一种情况使得这个壁垒并非那么明显，那就是你可以提取模型，或者复制别人的模型输出，或者使用别人的模型进行比较。我认为大公司可能并不会这样做，因为这违反了服务条款，也会损害他们的自尊心，但我预计一些规模较小的参与者可能正在这样做以便更好地起步。 Dwarkesh Patel：那些真正擅长进行这种强化学习（RL）研究的人有什么样的特质呢？我听说这种研究非常具有挑战性，但是什么样的直觉能帮助你找到操控数据和设置环境的方法呢？ John Schulman：我觉得有相当多的经验是关键。自从研究生时期以来，我一直在研究 RL 算法，涉及到数据收集、到注释过程，再到与语言模型的交互。所以，我算是涉猎了这些领域。我认为，在这类研究中表现出色的人通常对整个技术堆栈有全面的了解，并且对其中的各个部分充满好奇心。他们不仅依靠实验证据来更新自己的观点，还会从第一性原理出发思考问题。比如，假设深度学习是有效的，那么理想的收集数据的类型应该是什么，等等。

OpenAI 创始人 John Schulman 访谈节选：为什么 GPT-4 比一年前更“聪明”了？主要都是后训练（Post-Training）带来的！另外他认为，在强化学习研究领域，研究人员需要具备丰富的经验和敏锐的直觉。了解整个技术堆栈，并对各个部分充满好奇心是关键。此外，从第一性原理出发思考问题，而不仅仅依靠实验证据，也能够帮助研究人员在数据操控和环境设置方面做出更好的决策。 *** Dwarkesh Patel：在未来，用于训练的计算力中，预训练与后训练的比例是否会明显偏向后训练呢？ John Schulman：确实，有一些观点支持这种说法。 Dwarkesh Patel：我是说，现在这个比例非常不平衡。 John Schulman：但你可以认为，模型生成的输出质量比网上的大多数内容都要高。因此，让模型自己思考似乎更有道理，而不仅仅是训练来模仿网络上的内容。所以，我认为从第一性原理上来说，这是有说服力的。我会说，我们通过后训练取得了很多进步。因此，我不确定。所以，我希望我们会继续推动这种方法，并且可能会增加投入到后训练中的计算力。 Dwarkesh Patel：当前的 GPT-4 的 ELO 分数比最初发布的版本高出了大约 100 分。这是否全都是后训练带来的改进呢？ John Schulman：对，我会说大部分都是后训练带来的。 Dwarkesh Patel：这很有意思。 John Schulman：因此，有很多不同的改进方向。我们会考虑数据质量，数据数量，进行更多的部署和收集新数据的迭代，改变你收集的注解种类。因此，有很多因素叠加在一起。但是全部加在一起，就会带来一个相当不错的，有效的计算力提升。 Dwarkesh Patel：后训练的优化程度对于竞争优势有多大影响呢？ John Schulman：目前，我会区别公司是通过我们的模型有多大等等。那么，找出你之前提到的所有这些数据的复杂问题的公司，会占据大优势吗？ John Schulman：我认为这确实是一个优势，因为这是一个非常复杂的任务。因此，你必须有很多有技能的人来执行它。因此，存在大量的隐性知识。同时也需要大量的组织知识。我认为后训练的过程，创建一个具备人们所关心的所有功能的模型，是十分复杂的。这需要付出大量的努力，它是大量研发工作的积累。我会说这种情况在某种程度上形成了一种壁垒，要想立即启动这种模型并非易事。 Dwarkesh Patel：看起来那些正在进行最严肃的预训练努力的公司，也在进行严肃的后训练努力。因此，看起来这种模型有可能被复制或有更多的类似努力出现。 John Schulman：另外，还有一种情况使得这个壁垒并非那么明显，那就是你可以提取模型，或者复制别人的模型输出，或者使用别人的模型进行比较。我认为大公司可能并不会这样做，因为这违反了服务条款，也会损害他们的自尊心，但我预计一些规模较小的参与者可能正在这样做以便更好地起步。 Dwarkesh Patel：那些真正擅长进行这种强化学习（RL）研究的人有什么样的特质呢？我听说这种研究非常具有挑战性，但是什么样的直觉能帮助你找到操控数据和设置环境的方法呢？ John Schulman：我觉得有相当多的经验是关键。自从研究生时期以来，我一直在研究 RL 算法，涉及到数据收集、到注释过程，再到与语言模型的交互。所以，我算是涉猎了这些领域。我认为，在这类研究中表现出色的人通常对整个技术堆栈有全面的了解，并且对其中的各个部分充满好奇心。他们不仅依靠实验证据来更新自己的观点，还会从第一性原理出发思考问题。比如，假设深度学习是有效的，那么理想的收集数据的类型应该是什么，等等。

宝玉

57,189 просмотров • 2 лет назад

我的脑机芯片，我叫她夏娃（Eve）。快两年了，每天都在用。我现在控制电脑，比普通人更快。一开始我以为，它不过是个高级点的鼠标。采集点信号，输出个点击，动一下光标，仅此而已。但我错了。它会学习。你给它的数据越多，它就越懂你。到现在，夏娃不只是听我指挥。她开始预判我的想法。就在我念头闪现的前一刻，她就已经动手了。我想，这才是它真正的潜力。我们还只是刚开始。

我的脑机芯片，我叫她夏娃（Eve）。快两年了，每天都在用。我现在控制电脑，比普通人更快。一开始我以为，它不过是个高级点的鼠标。采集点信号，输出个点击，动一下光标，仅此而已。但我错了。它会学习。你给它的数据越多，它就越懂你。到现在，夏娃不只是听我指挥。她开始预判我的想法。就在我念头闪现的前一刻，她就已经动手了。我想，这才是它真正的潜力。我们还只是刚开始。

墓碑科技

15,577 просмотров • 9 месяцев назад

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

66,157 просмотров • 1 месяц назад

这位同学说得太对了！我也是少数族裔的华人，还是第一代的移民。到美国以后，所有人都一直说美国是一个白人至上的社会，白人是欺负我们的。因为我们是黄种人，是被歧视的，想要我也承认自己也是受歧视的族群。我不能骗人，更不想骗自己，在美国我得到了很多本来连想都不敢想的机会，在美国生活了几十年，我并没有感觉到自己被白人欺负和歧视。小时候在中国，学校老师总是说我们新中国的儿童是多么的幸福快乐，那时候真的是哑巴吃黄莲，有苦自己知。

这位同学说得太对了！我也是少数族裔的华人，还是第一代的移民。到美国以后，所有人都一直说美国是一个白人至上的社会，白人是欺负我们的。因为我们是黄种人，是被歧视的，想要我也承认自己也是受歧视的族群。我不能骗人，更不想骗自己，在美国我得到了很多本来连想都不敢想的机会，在美国生活了几十年，我并没有感觉到自己被白人欺负和歧视。小时候在中国，学校老师总是说我们新中国的儿童是多么的幸福快乐，那时候真的是哑巴吃黄莲，有苦自己知。

桃花岛主(Lucky)

163,227 просмотров • 1 год назад

发现 Minimax 更新了 Speech-02 音频模型试了一下现在咋这么强！训的我自己的语音模型我已经分不出来了你现在拿一段我的音频问我是不是我说的，我都迷糊 👇下面是详细的测试内容：

发现 Minimax 更新了 Speech-02 音频模型试了一下现在咋这么强！训的我自己的语音模型我已经分不出来了你现在拿一段我的音频问我是不是我说的，我都迷糊 👇下面是详细的测试内容：

歸藏(guizang.ai)

106,587 просмотров • 1 год назад