bigbeard_bin

log(10x) coder, runner, fans of star trek

[meng shao @shao__meng]

CS329A Self-Improving AI Agents

斯坦福大学一门关��「能够通过与自身和环境的交互持续自我改进的 AI Agents」的课程。

讲师阵容
Azalia Mirhoseini：AlphaCode 与 LLM 大规模训练调度优化（"Circuit Training"）的核心人物，现为 Reflection AI 联合创始人
Aakanksha Chowdhery：PaLM 2 与 Gemma 的负责人，同样在 Reflection AI

嘉宾名单
Misha Laskin（Reflection AI CEO）
多位 Google DeepMind 研究员（Denny Zhou、Thang Luong、Melvin Johnson）、Physical Intelligence（Danny Driess，机器人）

课程主线：一条完整的自我改进技术栈
1. 推理时自我改进（Test-time）
2. 从反馈中学习（Feedback → Learning）
3. 开放式进化与搜索（Open-endedness）
4. 工程化与瓶颈（Agentic Engineering & Bottlenecks）

课程详细信息：
https://t.co/GHiTbHADxB

[Pau Labarta Bajo @paulabartabajo_]

Advice for AI engineers 💡

A small Visual Language Model fine-tuned on your custom dataset is as accurate as GPT-5...

... and costs 50 times less

For example, LFM2.5-VL-1.6B by @liquidai running locally at full speed with llama.cpp ↓

[0x卡卡撸特🍌🧪🤖😈 @0xkakarot888]

openclaw是真牛逼，搁以前，想都不敢想，自己也可以当科学家，只能眼馋那些搞自动化的。

现在不同了，我也可以搞量化研究了，策略赚不赚钱先不说，至少界面这块看着够专业吧。哈哈哈🤣

感谢 @Hardison0910 老师，前端设计参考了老师的全自动量化系统，后面我会写教程详细介绍该量化系统，敬请期待。

[LofiSu @SuSu698822]

我也是作者之一，欢迎关注我们的项目：DeerFlow2.0🥹

[Leo｜LeoLabs.me @runes_leo]

从概率论到随机微积分，一篇文章把量化交易的数学基础全串起来了。每个章节带代码、带作业、带推荐书单，适合想认真入门量化的人。

最后还拆了 Polymarket 的 LMSR 定价机制，做预测市场的也值得看。

收藏慢慢啃，或者直接喂给 AI 帮你把代码跑一遍。

[RayCC @RayCC506]

给喷晕了，喷傻了，喷迷糊了，喷阳痿了

哈哈哈

太恶心了

[白骏知识分享 @cj3214567667]

MIT数学泰斗Gilbert Strang封神新作！数学与AI的终极桥梁！

MIT终身教授、美国国家科学院院士Gilbert Strang继全球畅销教材《线性代数导论》后，推出硬核新作《线性代数与数据学习》！

豆瓣评分9.3，清华/MIT等顶尖学府指定教材，融合线性代数核心+矩阵计算+优化算法+神经网络实战

立即阅读！👇
《线性代数英文原版+中文版》
https://t.co/878q8G7ZjL

[沉浸式翻译 @immersivetran]

如果有一家公司，公开了全员薪酬算法、面试题、融资 PPT，甚至连怎么裁员都写在网站上，你会���得它是疯了，还是自信到可怕。

PostHog 就是这样一家公司，而且它已经拿下了 7500 万美金 E 轮融资，估值大约 14 亿美金，正式进入独角兽行列。
更特别的是，它不光把代码开源，还把整套「公司操作系统」写进了一个对全网开放的 Handbook 里，��薪酬、招聘、远程协作，到战略、融资、裁员逻辑，全部摊开给你看。

1⃣它是一整本「公司说明书」。
你在 Handbook 里能看到：他们怎么看远程办公、怎么拆岗位等级、薪资怎么算、绩效怎么评、什么时候加人、什么时候收缩团队，全部是可以落地执行的规则，而不是空话。
很多公司把这类东西锁在内部 Confluence / Notion 里，PostHog 则是直接放到互联网上，连应聘者和潜在用户都可以随便翻。

2⃣它把「钱」这件事讲得足够明白。
在 Compensation 页面，你可以直接用他们的 Salary Calculator：选职位、选地区、选 Level，系统会算出一个大致薪资区间，外加期权和涨薪节奏的说明。

他们还写得很清楚：一年做三次薪资 review，会根据市场基准主动调整，不靠员工去「谈涨薪」；如果你搬家，可能会因为地区市场价调整薪水，这些都提前写进规则里，而不是随机拍脑袋。​

3⃣它把「不舒服的话题」也写在明面上。
例如，当公司需要优化团队或裁员时，他们在 Handbook 里说明了相关逻辑：提前通知期、补偿方式、哪些情况属于业务调整、哪些属于绩效问题，甚至强调这种安排的出发点是避免让人被财务压力绑架在不合适的岗位上。
对很多打工人来说，这些内容平时要么看不到，要么只在八卦里流传，而 PostHog 提前告诉你「最坏情况会怎么发生」，反而多了一份安全感。

如果你不是他们的员工，为什么还要花时间读这个网站？
给三个很实际的理由：

1⃣这是目前市面上少见的、实战强于鸡汤的公司 Handbook。
里面有大量可立即拿走用在自己团队的东西：薪酬等级的划分方法、远程团队的节奏设计、招聘流程模板、面试评价标准、试用期和绩效反馈机制等，都是 PostHog 真正在用的，而不是为了 PR 编造的故事。

2⃣它是一套验证过的「独角兽级别」公司操作系统。
PostHog 不只是理念新，它已经在开放源代码、全远程、开发者优先的赛道上跑到了独角兽的位置，说明这套系统在真实市场、真实团队里被检验过，而不是实验室方案。
对正在做创业项目的人来说，这相当于有人把自己的通关存档公开给你看，你不抄一遍真的有点可惜。

3⃣它本身就是一个「选公司」的筛选器。
哪怕你从来不打算加入 PostHog，读完这套 Handbook，你会更清楚：什么样的薪酬制度算透明、什么样的远程政策算靠谱、什么样的裁员方式算体面，从而在面对别的公司时，有了一把更清晰的标尺。
简单说，看完别人家真做到了什么，你再看自己所在的公司，就会更容易识别哪些只是包装，哪些是真正在尊重员工。

https://t.co/DnjwxhYbEO

[苍何 @canghe]

https://t.co/tb0WfB2jFz

[iPaul @iPaulCanada]

付立平这次的演讲太有深度了，如何激发孩子的内驱力！

[GitHubDaily @GitHub_Daily]

准备机器学习面试，或者想要系统回顾知识点时，面对浩如烟海的论文和教材，往往让人抓不住重点。

偶然在 GitHub 上发现 MLE-Flashcards 这份开��学习卡片，作者基于多年 ML 研究和学习经验，整理了 250+ 张知识卡片。

涵盖计算机基础、经典机器学习、深度学习、计算机视觉、自然语言处理、强化学习、生成模型等核心领域，知识点相当全面。

GitHub：https://t.co/m4ofENpIQO

卡片采用问答形式，一面是问题，另一面是详细解答，适合用来快速复习和查漏补缺。最近还更新了神经辐射场(NeRFs)、高斯溅射、大语言模型等前沿内容。

如果你已经有一定 ML 基础，想系统复习或准备面试，这份资料值得收藏。新手也可以用它了解知识框架，配合其他教程学习。

[沉浸式翻译 @immersivetran]

大多数人一听到「概率」「统计推断」，本能反应都是头痛：公式太多、符号太抽象、教材一页页看下去，过五分钟脑子就开始放空。

https://t.co/DWQmTS4b5n 是布朗大学应用数学系学生 Daniel Kunin 做的交互式统计学入门网站，一共分成六大章节：基础概率、复合概率、概率分布、频率学派推断、贝叶斯推断和回归分析，每一章下面都有一组独立的小互动模型，可以单独点开玩。所有动画都是用 D3.js 做的，可视化风格统一，操作方式也很一致：拖动滑块、点按钮、改样本数量，看图像和分布实时变化，让你在几分钟里「看到」某个概念的行为方式，而不是死记定义。

把「抽象概念」掰成一口一口的小模块。很多教材里一整章才能讲完的内容，这里拆成几个交互场景：先让你看到样本均值怎么围着真实参数抖动，再让你拖着样本量，看置信区间怎么「收紧」，最后用动画演示在原假设成立的世界里，我们所谓的「极端结果」到底意味着什么。这种设计的核心，是让你先对「频率」有身体感：大量重复实验、经验分布、极端样本的比例，然后再用公式���刻画它，而不是反过来。

对「自学者」极其友好。很多人第一次接触统计，是因为要学机器学习、数据分析、A/B 测试，结果一翻教材就被 z 检验、t 检验、中心极限定理劝退。Seeing Theory 给你的是一种很低门槛的入口：不要求先会微积分，也不要求记住所有符号，只要肯动几下滑块，就能直观感受到「样本多了，分布会变窄」「显著性水平变严格了，通过的区间变少了」「同一数据，在频率学派和贝叶斯视角下的解释不一样」这种层面的东西。对于自学转行的人来说，这比硬啃一本英文统计教材要现实得多。

本科上过概率论与数理统计，考试也及格了，但离开考场就忘光，只剩下一层「听上去很高级」的术语。Seeing Theory 的交互模型，让你有机会把那些当年一眼带过的知识重新装回脑子里——比如重新体验一遍大数定律：样本越来越多，经验频率怎么靠近真实概率；或者亲眼看 p 值是怎么随着观测值变「极端」而变化。

完全零基础但要用的人：产品、运营、市场要理解实验、显著性、置信区间，传统教材对这类人很不友好，这个网站则用大量图形和动图，把结果层面的直觉先种在心里，再去补细节。

要教别人的人：老师、博主、内容创作者可以直接把这里的互动当成课堂 demo 或内容素材，讲课时打开浏览器一拖，学生的注意力会比 PPT 里的静态图强太多。

[Tom Yeh @ProfTomYeh]

I’ve implemented SVMs three times in my life — first in MATLAB as a grad student, again in C++ during my postdoc, and finally by hand ✍️ as a professor who needed to truly understand it well enough to teach it. If you’re curious, here’s my full 19-step walkthrough: https://t.co/Ed5P1bFYFi
----
100% original, made by hand ✍️
Join 52K+ readers of my newsletter: https://t.co/fFt8roc8D9

[熊布朗 @Stephen4171127]

我刚用 Skills 自动发布了一条@shao__meng 老板推荐的文章，这篇文章从看到到发布（3 种语言、带图片、自己制作封面）出来我只对 Claude Code 说了一句话：“发布 xxxx(URL)”
——
先把文章发出来，大家可以看看，是好文章
https://t.co/edAAt0z2A3
——
然后我把它是怎么工作的放到下面，感兴趣的自己看。

[Tom Dörr @tom_doerr]

Parses documents into JSON and Markdown

https://t.co/soMSmU5iNX

[摆烂程序媛 @wanerfu]

Google 悄悄放出了 69 页的《提示工程大师班》白皮书

讲得特别清楚：提示结构怎么搭、不同模型怎么调、

连错误示例和最佳实践都有
我把原文件放下面👇

[Yangyi @yangyi]

谷歌发布了一篇论文，解释了为什么ChatGPT、Gemini等都存在相同的问题：无法在训练后继续学习。
>他们提出的解决方案非常巧妙：🧵

[Tong Chen @tomchen0]

OpenAI's blog (https://t.co/VeNI85798G) points out that today’s language models hallucinate because training and evaluation reward guessing instead of admitting uncertainty. This raises a natural question: can we reduce hallucination without hurting utility?🤔

On-policy RL with our Binary Retrieval-Augmented Reward (RAR) can improve factuality (40% reduction in hallucination) while preserving model utility (win rate and accuracy) of fully trained, capable LMs like Qwen3-8B.
[1/n]

[LlamaIndex 🦙 @llama_index]

Chart OCR just got a major upgrade with our new experimental "agentic chart parsing" feature in LlamaParse 📈🧪

Most LLMs struggle with converting charts to precise numerical data, so we've created an experimental a system that follows contours in line charts and extracts values. Automate chart analysis without spending hours manually correcting extracted values.

Try it now in LlamaParse: https://t.co/JHWRvwd93B

[Femke Plantinga @femke_plantinga]

Everyone's building RAG systems.

But most can't read a simple diagram.

Traditional RAG only retrieves text. But what if your knowledge base includes PDFs with charts, technical diagrams, or infographics?

That's where ✨Multimodal RAG✨ comes in.

Here's what's happening:
Instead of just text embeddings, your vector database stores embeddings of both text 𝗮𝗻𝗱 visuals. When you query the system, it retrieves relevant images alongside text passages.

Then, a Vision Language Model (VLM) processes both modalities to generate a response that actually "sees" your documents.

This works because multimodal embedding models create a joint embedding space where similar concepts across text and images are close together. A chart showing revenue growth and text describing "increasing sales" end up near each other in vector space.

Models making this possible:

Embedding models:
- llama-nemoretriever-colembed
- jina-embeddings-4
- ColPali

VLMs for generation:
- gemini-2.5-pro
- gpt-5
- qwen3-vl
- claude-sonnet-4.5
- command-a-vision

The result? Your RAG system can finally handle real-world documents that mix text with visuals.

Dive into Advanced RAG Techniques with this free ebook: https://t.co/WlzfZSrJoW