Sensitive content

This media may contain sensitive content.

正在加载视频...

视频加载失败

被家犬Juno 要求穿高弹上班一天就能远程解🔒奖励一次✈️。结果下班路上小蓝弹出有主动来求爸爸任意使用的杯子怎能错过呢。 明明在被✌️🤪✌️超级卖力的伺候,却始终叫的比🐶还骚,伪s属性暴露的一览无余

261,841 次观看 • 5 个月前 •via X (Twitter)

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

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

18,694 次观看 • 1 个月前

今天好郁闷,发生了一点不愉快的事情!人生第一次为了自己的愚蠢进了叔所! 期待明天的好结果!!! ⸻ AI 的下一关,不在能力,而在可被证明 在模型规模不断被刷新纪录的阶段,有一个问题始终被刻意回避: AI 的结论,是否真的来自它声称的计算过程? Inference Labs 选择从这个问题切入。 他们关注的不是模型性能,而是推理行为本身是否可信、是否可复现、是否可审计。 Proof of Inference 的意义,在于把“我相信模型没问题”变成“模型必须给出证明”。 通过零知识证明,系统可以在不暴露模型结构和参数的前提下,确认一次推理: •确实由指定模型完成 •计算过程未被替换或篡改 •输出结果与真实推理一致 这不是提高透明度,而是引入约束。 在工程层面,DSperse 做的事情同样关键。 它把原本高度定制化、专家依赖的 zkML 开发流程,拆解为可复用组件, 使“可验证 AI”从研究范畴,进入实际应用范畴。 否则,再正确的理念也只能停留在白皮书。 目前,可验证推理在性能上的代价仍然明显, 但这更像早期加密系统的计算成本问题,而不是路线错误。 融资的用途,也正是针对这一层进行系统级优化。 如果说过去的 AI 竞争是“谁能算得更快”, 接下来的竞争,很可能是: 谁的推理能被证明、被追溯、被承担责任。 Inference Labs 所搭建的,不是价值观, 而是一层让 AI 输出进入现实系统所必需的验证基础设施。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐

303,504 次观看 • 5 个月前