蹦蹦跳跳

宰了你哦

[Lonely @Lonely__MH]

🎉 目前Qwen-3.8 27B 最佳无审查模型，专为 Mac 优化

24G 内存就能发挥 Qwen3.8 27B的性能！

使用 orcarouter/Qwen3.8-27B-Uncensored-MLX

可以在本地流畅运行无审查版本！记得选 4-bit

- 完全消融（零拒绝）
- 原生视觉与工具调用
- 262K 上下文

[roshan @pibao2013]

@xqliu 我现在用肥波写 goal，然后 gpt5.6 Sol 调度，grok 力工干活儿，哈哈
https://t.co/omWiNXzyaz

[火山哥🕊️ @huoshan007]

兄弟们，这个声音克隆我用完真的爽到天了。

我随手截了自己 8 秒说话录音，丢进去一跑，出来那一下，语气、停顿、那种欠欠的劲儿，真像我本人在嘴硬。

关键还能本地跑，不用把音频传出去。

我试完第一反应不是牛逼，是以后语音也别太信了。

链接：
https://t.co/r8xxKiCGun

[Xudong Han @Xudong07452910]

分享一套很适合补「现代强化学习」的开源教程：Hands-On Modern RL。

它的学习路线很完整，从 CartPole、DQN、PPO 这些经典 RL，一直讲到 RLHF、DPO、GRPO、RLVR，再往后延伸到 Agentic RL、工具调用、多轮信用分配和 VLM RL。

我比较喜欢它的一点，是「实践优先」。很多章节都配了���以直接运行的代码、训练曲线和失败案例，比如从零实现 PPO、数学推理 GRPO、Mini Deep Research Agent，以及 VLM 的 GRPO 训练。训练崩溃、Reward Hacking、KL 漂移这些实际问题也被当成正式内容来讲。

尤其 Agentic RL 部分很值得看。它把训练对象从一次回答扩展成完整 trajectory，讨论工具调用、环境反馈、多轮信用分配和异步 rollout，而这些正是 Agent 从「会回答」走向「会长期行动」之后绕不开的问题。

现在很多 RL 教程还停留在经典控制，这套资源已经把学习路线一路接到了今天的大模型后训练和 Agent 研究。

不过项目自己也提醒，目前仍在快速迭代，而且有 AI 协助生成，部分内容尚未全面审稿，阅读时最好结合论文和代码一起验证。

项目链接：
https://t.co/xtS5LB0GTd

[Eva Ai @Eva200699]

表达能力差，正在拖你的后腿

2019年MIT教授帕特里克·温斯顿有一场1小时的《如何说话》讲座

播放量超过1900万，很多观点现在依然很实用

[WY @akokoi1]

最近疯传的Claude Opus5制作的使命召唤，作者说一句提示词就实现了，有很多人都在质疑，作者直接把代码和提示词开源。

本以为提示词会很复杂，结果就是短短的几百个字。其中的关键就是loop。

以下是提示词：

“我希望你开发一款达到最新《使命召唤》水平的第一人称射击游戏。它必须完美无瑕，画面精美绝伦，从纹理到物理效果，所有你能想到的元素都必须达到 AAA 级品质。

你需要创建多个sub-agents，并让每个sub-agents分别处理每个细节，以确保游戏达到完美。你应该/loop每个项目，并让一个独立的sub-agents进行视觉���查，确保其达到 AAA 级水准。这个独立的sub-agents应该非常严格，如果达不到 AAA 级水准，就应该继续检查。

不要停止，直到每个sub-agents在与《使命召唤》游戏进行对比后，都对游戏的画面质量感到无比惊艳。它应该能够完全不看画面，直接将两个游戏并排比较，并指出哪个更好。使用 ThreeJS 完成这项工作。/loop 直到游戏达到完美。创建多个sub-agents并使用 UltraCode 进行优化。”

[Hux @huxlab]

这28分钟视频直接把我点醒了。

Anthropic工程师说得很清楚：

“你不需要更好的提示词。你需要的是图工程：持久的记忆，这样你的代理永远不会忘记任何事情。”

他完整演示了Anthropic内部到底怎么搭agent、怎么组织工作流。

不是那种堆prompt的玩法，而是真正把记忆做成持久图谱，任务之间能互相引用、互相纠错。

比市面上那些收费agent课强太多了。

强烈建议存下来反复看。

[Xudong Han @Xudong07452910]

这篇普林斯顿博士论文，几乎把强化学习过去十年的两条主线串在了一起：

从博弈算法，一路走到世界模型。

作者 Zihan Ding，导师是 Chi Jin。整篇论文超过 300 页，汇集了博士期间八项研究工作，其中多项成果发表于 NeurIPS、ICML、ICLR 和 ICCV。

前半部分研究多智能体博弈：如何学习接近纳什均衡、难以被对手利用的策略，并把这些方法扩展到格斗游戏、多人博弈和真实网络负载均衡。

后半部分转向 Foundation Model 时代：扩散世界模型、生成模型策略、少步视频生���、可交互视频世界模型，以及支持长时预测的记忆机制。

这篇论文最有价值的地方是它记录了强化学习研究重心的一次迁移。

过去，RL 更��注如何在给定环境中学会行动。

现在，Agent 还需要借助生成模型建立对环境的理解，预测不同动作会带来什么未来，再据此规划和决策。

这里收录的也不只是零散的想法，而是一条经过多年研究和多篇顶会论文逐步铺开的路线。

很多论文告诉你某个方法如何提升一个指标。

这篇博士论文更像一张地图，让人看清强化学习如何从策略优化，走向对复杂世界的建模。

想系统理解 RL、世界模型和生成式 AI 之间的关系，这篇很值得完整读一遍。

📎 arxiv: https://t.co/M7rIJ6SKwO

[Amto @XAMTO_AI]

政府砸几百万美金搞的全球监控情报系统，被人开源了。

这事有意思的地方在于，它叫 Crucix，能实时盯着全球每个角落，一有风吹草动，直接给你发短信。

每15分钟从26个不同来源同步数据：

冲突热点地区、宏观经济指标

加密货币实时报价、大宗商品行情

卫星火情、航班实时动态、船舶AIS轨迹

Telegram情报频道的舆情监控

双向交互也做得很顺手：警报推Tg和DC，回短信输个 /brief 马上出摘要。

说实话，这种以前只存在于国家层面的监控能力，现在个人开发者随手就能搭一套。

🔗https://t.co/ztvJfYJkoh

[akazwz @akazwz_]

新电脑
第一步，安装 Homebrew
第二步，用 Homebrew 安装 mise
第三步，用这俩安装所有的软件和工具

[Tz @Tz_2022]

这个有可能是当前这个阶段最好的 AI 协作逻辑。。。

[Amto @XAMTO_AI]

Google最近开源了一款叫Magika的工具，用AI来识别文件类型，效果相当不错。

整个模型也就几MB大小，跑在单CPU上毫秒级就能出结果，覆盖了200多种格式，平均准确率能到99%左右。

Google自己已经在Gmail、Drive和Safe Browsing里大规模用上了，每周处理数千亿个文件，还集成到了VirusTotal里。

命令行、Python、JavaScript都能调，比传统的file命令好用太多了。

GitHub：https://t.co/mNUmcoUx0q

[海无方 @vansvoler]

MESL：https://t.co/y88IoEC5Gz

[Robinson · 鲁棒逊 @python_xxt]

和大家同步下，我现在使用 AI 的情况（非coder )

逐渐收敛：

1. ChatGPT 开的是 Pro 5 X ，100刀
2. Claude 是普通 Pro，20 刀
3. Kimi 是 199 元会员
4. 飞书上买了个 aily 的 138元会员
5. OpenRouter 每个月会充几十刀

平台有点分散，但真正用下来，每个工具占据了不同的位置。

ChatGPT 和 Codex 是我目前的绝对主力，大部分日常任务都由 5.6 Sol Ultra 执行，无论是分析问题、整理材料、写东西，还是复杂任务，交付结果都还不错，最近一个月，各种重置，蹬到飞起，预计后续会���到200刀档位。

Claude 依然是我的深度交流对象，它的很多回答会让我觉得有洞见，遇到一些需要反复推演、突破认知边界的问题，我都会甩给 Claude，看它能不能给出另一个角度，以产生认知碰撞。

Kimi 我之前主要用来跑多任务集群，做调研的，我觉得很适合跑大规模研究任务，因为性价比高。
但是，前几天 Kimi 3 的一个集群任务，把我伤到了，一个 Prompt 跑了 250 块， 199的全月额度+50块充值额度…

飞书的情况比较特殊，因为我工作文档、会议记录和项目资料都沉淀在飞书里，所以我设置了一些自动任务，让飞书智能助手每天直接基于这些内容帮我整理和处理工作，内置模型我目前调用的是Kimi 3，在考虑是否可以升级为 5.6 sol high这一档��

OpenRouter 则基本属于纯玩，我会经常在上面测试各种乱七八糟的新模型，体验它们的差别，纯玩而已。

ChatGPT 负责主力执行，
Claude 负责深度交流，
Kimi 负责辅助调研，
飞书 AI 助手 负责内部文档和自动化，OpenRouter 负责探索新模型。

似乎这一时半会，也不能退掉哪个

大家目前的情况如何，希望能交流分享一下🤔

[Berryxia.AI @berryxia]

兄弟们，可以退掉自己的RPA了！

这个本地模型电脑操作Agent 岂不是搞起来美滋滋啊！ 不花一分钱😂

Microsoft扔出了一个27B的电脑操作Agent。

Fara1.5-27B基于Qwen3.5架构，能看图像、读文字，并像人一样控制电脑。

它专门面向computer-use场景：浏览网页、填表单、从截图提取数据、点击按钮，把视觉和文本理解结合成真正能干活的数字助手。

27B这个体量已经能做实用的网页自动化，对本地部署和自托管来说门槛不算高。

以前能可靠操作电脑的模型往往很大、很贵或者闭源，现在一个中等规模的开源模型就能上手处理真实网页任务。

地址见评论区 👇

[关木 @ZeroZ_JQ]

真的假的？？？

看到 ChatGPT 玻利维亚订阅只要 3 刀？？

学 Ai 什么没学会，就学会跨区支付之类的东西。

后面要学地缘政治了

[Amto @XAMTO_AI]

有人直接把价值数百万美元的计算成果，打包成了一个15TB的压缩包，放在网上任人下载。

项目叫The Well，里面塞满了16个物理模拟数据集，从恒星爆炸到湍流，从磁场流体到生物系统，基本把计算物理的硬骨头都啃了一遍。

以前你想搞到这种级别的数据？

要么去求国家实验室批机时，要么排队等上几周的HPC集群，要么养一个研究团队烧经费。

现在呢？一条命令就能拉下来，直接喂给AI模型当训练素材。

用神经网络的一次前向传播，替代掉那些又慢又贵的偏微分方程数值解。

背后撑场子的也不是什么野鸡团队，Flatiron Institute牵头，剑桥、普林斯顿、伯克利、NYU、东大、洛斯阿拉莫斯的人都在名单上。

传送门https://t.co/ExgqBAscaO

[Aiden_novak @logiclogic1223]

大家可以挑战一下肥波五给的一个优质prompt

我的kimi和qwen已经跑了二十分钟了，中间还出现过超出最大输出token的情况，太残暴了

有种ai懂怎么调教ai的感觉

# 任务：复刻《纪念碑谷》风格的视错觉解谜游戏（单文件 Web 版）

## 目标

用 Three.js 实现一个可玩的纪念碑谷式解谜关卡，交付一个自包含的 `index.html`（可内联 JS/CSS，Three.js 可用 CDN），双击打开即可游玩。不要求还原原作关卡，但必须完整呈现"不可能几何"的核心机制。

## 背景知识（实现前必读）

《纪念碑谷》(ustwo Games, 2014) 的视错觉基于以下原理，全部是硬约束：

1. **正交投影（Orthographic Camera）**：透视投影会暴露深度线索，错觉不成立。
相机旋转必须精确为 X=35.264°（即 arctan(1/√2)），Y=-45°，Z=0 —— 这是
等距（isometric）视角的标准角度，Penrose 三角等不可能图形只在此角度成立。
2. **屏幕空间深度不可见**：正交相机下，物体沿相机局部 Z 轴移动不改变屏幕位置。
两个世界坐标相距很远的方块，只要屏幕投影相邻，就可以"看起来连通"。
3. **寻路基于屏幕空间邻接，不基于世界空间**：这是整个游戏的灵魂。
walkable 节点构成图（graph），边的连接条件是"两节点在当前视角的屏幕投影
上相邻且高度轴对齐"，而非世界坐标相邻。每次机关旋转后重建邻接关系。
4. **去除深度线索**：无阴影（或仅烘焙式假 AO）、无雾、无景深。光照用平光/
顶点色，同一方块的三个可见面用三档明度区分（顶面最亮、右面中、左面暗）。

## 必做功能（验收项）

### A. 场景与视觉
- [ ] 正交相机，旋转角精确 (35.264°, -45°, 0)，画面竖屏比例 9:16 居中
- [ ] 关卡由单位立方体网格拼成（30° 等距网格），至少包含：起点平台、
一段垂直墙面路径、一个旋转机关桥、终点高台
- [ ] 纪念碑谷配色：低饱和、明度自由但避开"高饱和+深暗"区间；暖冷色平衡
（参考：米白 #EAD7C2、赭橙 #D98E5F、青蓝 #5FA8A0、深紫蓝 #4A4A70、
点缀红 #C4574F，可自选但需��谐）
- [ ] 极简低多边形风格，无贴图，纯色面 + 三档面明度

### B. 不可能几何核心
- [ ] 实现至少一处 Penrose 式错觉路径：两段世界坐标不相连的路径，
在标准视角下屏幕投影相连，角色可以直接走过去
- [ ] 角色走过错觉连接点时，无跳变、无穿模（实现提示：走到连接点时
沿相机 Z 轴瞬移角色世界坐标，屏幕位置不变，玩家无感知）

### C. 机关与交互
- [ ] 一个可拖拽旋转的机关（90° 吸附），旋转过程中实时预览，松手吸附到位
- [ ] 机关旋转后重新计算通路：原本断开的路变通，或反之
- [ ] 点击地面任意 walkable 节点，角色 BFS/A* 寻路走过去（沿路径平滑移动，
能上楼梯、走垂直墙面——墙面行走时角色贴墙旋转 90°）
- [ ] 角色移动中禁用机关拖拽（或拖拽时角色暂停），避免状态撕裂

### D. 完成度
- [ ] 角色到达终点触发通关反馈（���高台门打开 + 简单粒子/动画 + "Chapter
Complete" 字样，衬线字体，风格参考 Museo/slab-serif）
- [ ] 顶部低调 UI：关卡标题；通关后淡入重玩按钮
- [ ] 静音也可玩；若加音效需默认音量很低（可选项，非必做）

## 技术约束

- Three.js r150+（CDN 引入），除此之外零依赖，禁止构建工具
- 单文件交付，代码内聚为清晰模块：`LevelData`（关卡声明式定义）、
`PathGraph`（屏幕空间邻接图）、`CharacterController`、`RotatorMechanism`、
`IllusionResolver`（错觉瞬移）
- 关卡数据与逻辑分离：立方体布局、walkable 节点、机关配置用声明式结构
定义，便于后续加关卡
- 全程 60fps 目标；场景体量小（<500 立方体），无需 instancing 但代码不粗暴

## 验收方式

1. 打开 index.html，直接看到完整关卡，无报错（F12 console 干净）
2. 点击远处平台 → 角色寻路走过去，路径合法
3. 不转机关时走到"看似相连"的错觉路径 → 能走通，无视觉跳变
4. 旋转机关 90° → 通路状态改变，寻路结果随之改变
5. 走到终点 → 通关动画触发
6. 把相机旋转角改掉 5°（临时调试）→ 错觉应明显穿帮，改回后恢复
（这条用于自检"错觉是真实现了，还是摆拍"）

## 风格红线

- 不要写成"普通 3D 走路游戏"：如果去掉旋转机关和错觉路径后游戏照常成立，
说明核心机制没实现，视为不合格
- 不要用物理引擎模拟移动；角色移动是图上节点间的插值动画
- UI 与画面克制、安静、精致，这是禅意解谜，不是街机游戏

[lifcc @mylifcc]

这篇把「LLM Wiki」讲透了。

Karpathy 4 月那篇 gist 之后，四家完全独立的团队（Cognition DeepWiki、Factory AutoWiki、LangChain OpenWiki、Garry Tan GBrain）几乎同时收敛到同一套架构：

ingest 时编译成可维护的 markdown 页面，而不是每次 query 再从 raw 重新推导。

核心 insight 是对的——人类 wiki 死于维护成本，而模型恰好不嫌��、不漏更新。
但文章最后那个区分才是真正值钱的部分：
Wiki 解决的是 corpus knowledge（这堆材料里有什么），不是 user memory（这个人上周改主意了、这个方案已经试过失败了）。
把 Gmail / 代码仓库编译成页面，只是告诉 agent「文档里写了什么」。它解决不了「这个决策已经作废」「上次这个路径踩过坑」这种带身份、带时间、带矛盾的记忆。